Amazon SageMaker 是一項 Amazon Web Services (AWS) 提供的全受管機器學習 (ML) 服務。它旨在幫助開發人員和資料科學家更輕鬆、更快速地構建、訓練和部署機器學習模型。
在機器學習的開發生命週期中，從資料準備到模型訓練、部署和監控，每個階段都可能涉及複雜的工具和基礎設施管理。Amazon SageMaker 的目標就是簡化這個端到端 (end-to-end) 的過程，讓使用者能夠專注於解決實際問題，而不是底層的基礎設施。主要功能和優勢 (涵蓋 ML 開發生命週期的各個階段)：
- 資料準備 (Data Preparation)：
- SageMaker Data Wrangler： 提供視覺化介面，幫助您匯入、探索、清理和轉換來自各種來源的資料，無需寫程式碼。
- SageMaker Feature Store： 一個專門用於儲存、更新和共享機器學習特徵 (features) 的資料庫，確保在訓練和推理之間特徵的一致性和可重用性。
- 模型建構 (Model Building)：
- SageMaker Studio： 一個整合開發環境 (IDE)，提供單一的 Web 界面，用於執行所有 ML 開發步驟，包括筆記本環境、版本控制、除錯和資料可視化。
- SageMaker Notebook Instances： 提供預配置的 Jupyter Notebook 環境，包含了常見的 ML 庫和框架。
- SageMaker Autopilot： 自動化機器學習 (AutoML) 功能，您只需提供資料集，它會自動進行資料預處理、特徵工程、演算法選擇和模型調優，生成最佳模型。
- SageMaker Canvas： 一個視覺化、無程式碼的介面，讓業務分析師和公民資料科學家也能建立機器學習模型。
- 模型訓練 (Model Training)：
- 各種框架支援： 支援主流的 ML 框架，如 TensorFlow, PyTorch, Scikit-learn, Apache MXNet 等。
- 託管訓練： 您只需提供訓練指令碼和資料，SageMaker 會自動佈建、管理和擴展訓練資源（GPU/CPU 實例），並在訓練完成後自動關閉，按需計費。
- 分散式訓練： 支援在多個 GPU 或多個機器上進行分散式訓練，加速大型模型的訓練過程。
- 自動模型調優 (Automatic Model Tuning/Hyperparameter Tuning)： 自動尋找最佳的模型超參數，以提高模型性能。
- SageMaker Experiments： 追蹤和管理所有訓練實驗的元數據，方便比較和再現結果。
- 模型部署 (Model Deployment)：
- 託管端點 (Managed Endpoints)： 將訓練好的模型部署為可擴展的 HTTPS 端點，供應用程式進行即時預測（推理）。SageMaker 會自動處理負載平衡、自動擴展和健康檢查。
- 無伺服器推論 (Serverless Inference)： 專為間歇性或不可預測的推理工作負載設計，無需管理底層基礎設施，按實際請求付費。
- 非同步推論 (Asynchronous Inference)： 適用於大型輸入或需要長時間處理的推理請求。
- 批次轉換 (Batch Transform)： 適用於對大量資料集進行離線批次預測。
- SageMaker Edge Manager： 用於在邊緣設備上部署和管理 ML 模型。
- 模型監控與管理 (Model Monitoring and Management)：
- SageMaker Model Monitor： 持續監控模型部署後的性能、數據漂移 (data drift) 和概念漂移 (concept drift)，並在發現問題時發出警報。
- SageMaker Model Registry： 集中管理和版本控制您的所有模型，包括其元數據、性能指標和部署狀態。
- SageMaker Pipelines： 一個 CI/CD 服務，用於建立和管理 ML 工作流程的自動化管道，從數據準備到模型部署。
典型使用案例：
- 預測性分析： 預測客戶流失、銷售量、設備故障等。
- 推薦系統： 為客戶推薦產品、內容、服務。
- 電腦視覺： 圖像識別、物體偵測、人臉識別。
- 自然語言處理 (NLP)： 情感分析、文本分類、機器翻譯、聊天機器人。
- 金融欺詐偵測： 識別潛在的欺詐交易。
- 醫療診斷輔助： 分析醫療影像、基因組數據。
總之，Amazon SageMaker 是一個全面的機器學習平台，它涵蓋了 ML 工作流程的每個階段，並透過自動化和託管服務來消除其中的許多複雜性，讓各種技能水平的開發者和資料科學家都能更容易地將機器學習應用到實際業務中。
