1 企業(yè)級(jí)AI應(yīng)用的高昂成本

人工智能仍處于科技浪潮之巔…

隨著智能芯片、大數(shù)據(jù)和云計(jì)算的發(fā)展，深度學(xué)習(xí)技術(shù)得到進(jìn)一步升級(jí)。以ChatGPT為首的AIGC技術(shù)大放異彩：AI繪畫、AI作曲、AI編程、AI寫作…一系列AI產(chǎn)品賦能生產(chǎn)；邊緣計(jì)算、聯(lián)邦學(xué)習(xí)、多智能體等技術(shù)逐漸從學(xué)術(shù)界走向工業(yè)界，提高生產(chǎn)效率；傳統(tǒng)計(jì)算機(jī)視覺、自然語言處理進(jìn)一步深入人們的日常生活；智慧城市、智能家居、智能交通等概念不斷提出。

在可預(yù)見的未來，人工智能技術(shù)的應(yīng)用將會(huì)進(jìn)一步擴(kuò)展到更多領(lǐng)域。然而搭建企業(yè)級(jí)AI應(yīng)用需要考慮多個(gè)方面，包括

• 數(shù)據(jù)準(zhǔn)備：搜集業(yè)務(wù)數(shù)據(jù)并處理成格式化的數(shù)據(jù)，同時(shí)需要保護(hù)隱私并遵守法規(guī)。
• 數(shù)據(jù)清洗：對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、清洗、格式轉(zhuǎn)換等操作，確保數(shù)據(jù)的質(zhì)量和準(zhǔn)確性。
• 特征工程：對(duì)數(shù)據(jù)進(jìn)行特征提取和轉(zhuǎn)換，以便為模型提供有用的信息。
• 模型設(shè)計(jì)：基于業(yè)務(wù)需求和數(shù)據(jù)分析結(jié)果選擇合適的算法，進(jìn)行模型設(shè)計(jì)和訓(xùn)練。
• 模型調(diào)優(yōu)：對(duì)模型進(jìn)行調(diào)優(yōu)，包括調(diào)整超參數(shù)、選擇合適的損失函數(shù)、優(yōu)化算法等，以提高模型的性能。
• 模型部署：將訓(xùn)練好的模型部署到生產(chǎn)環(huán)境中，提供可靠、高效、安全的服務(wù)。
• 模型監(jiān)控：對(duì)模型進(jìn)行監(jiān)控，確保模型的準(zhǔn)確性和穩(wěn)定性，并及時(shí)處理問題。
• 持續(xù)優(yōu)化：不斷地優(yōu)化和改進(jìn)模型，以滿足業(yè)務(wù)需求和提高效果。
• …

對(duì)于非人工智能領(lǐng)域的應(yīng)用行業(yè)而言，往往需要尋求專業(yè)團(tuán)隊(duì)或合作伙伴的支持，可以想象，這個(gè)過程耗費(fèi)人力、物力、精力。因此，如何提供一個(gè)方便快捷的完整企業(yè)級(jí)人工智能解決方案，便于下游行業(yè)快速處理柔性商業(yè)業(yè)務(wù)成為一大需求。

幸運(yùn)的是，亞馬遜提供了這樣一個(gè)平臺(tái)——Amazon SageMaker，可以降低應(yīng)用領(lǐng)域構(gòu)建AI模型的門檻，提高生產(chǎn)效率

2 什么是Amazon SageMaker？

Amazon SageMaker是一個(gè)托管的機(jī)器學(xué)習(xí)服務(wù)，由亞馬遜網(wǎng)站（AWS）提供。它使數(shù)據(jù)科學(xué)家和開發(fā)人員能夠快速構(gòu)建、培訓(xùn)和部署機(jī)器學(xué)習(xí)模型。

Amazon SageMaker提供了一系列工具和功能，使用戶能夠在一個(gè)集成的環(huán)境中完成整個(gè)機(jī)器學(xué)習(xí)過程，包括數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型調(diào)優(yōu)和部署。除此之外，Amazon SageMaker還提供了多種預(yù)構(gòu)建的算法和框架，包括XGBoost、TensorFlow和PyTorch等。

Amazon SageMaker是一個(gè)全面的機(jī)器學(xué)習(xí)平臺(tái)，有非常廣泛的應(yīng)用場(chǎng)景

• 企業(yè)級(jí)機(jī)器學(xué)習(xí)應(yīng)用

  Amazon SageMaker提供了自動(dòng)模型調(diào)整、模型解釋和模型部署等多種功能，使用戶可以輕松構(gòu)建和部署機(jī)器學(xué)習(xí)模型。例如

  一個(gè)金融機(jī)構(gòu)可以使用Amazon SageMaker來構(gòu)建和部署一個(gè)欺詐檢測(cè)模型，以識(shí)別信用卡欺詐行為。

• 云原生機(jī)器學(xué)習(xí)

  Amazon SageMaker可以輕松地與其他AWS云服務(wù)集成。例如，用戶可以使用AWS Lambda和Amazon API Gateway來創(chuàng)建一個(gè)API，使其他應(yīng)用程序可以訪問Amazon SageMaker模型的預(yù)測(cè)結(jié)果。

• 高性能機(jī)器學(xué)習(xí)

  Amazon SageMaker提供了高性能的計(jì)算實(shí)例和GPU實(shí)例，可以處理大規(guī)模的機(jī)器學(xué)習(xí)數(shù)據(jù)集和復(fù)雜的深度學(xué)習(xí)模型。例如

  一個(gè)醫(yī)療圖像診斷應(yīng)用可以使用Amazon SageMaker中的GPU實(shí)例來訓(xùn)練和部署一個(gè)深度學(xué)習(xí)模型，以識(shí)別患者的病情。

• 機(jī)器學(xué)習(xí)模型解釋

  Amazon SageMaker提供了模型解釋功能，可以幫助用戶理解機(jī)器學(xué)習(xí)模型的決策過程。例如

  一個(gè)電商公司可以使用Amazon SageMaker來解釋一個(gè)推薦系統(tǒng)模型的預(yù)測(cè)結(jié)果，以便更好地理解為什么該產(chǎn)品被推薦給了某個(gè)用戶。

接下來基于Amazon SageMaker進(jìn)行兩個(gè)案例講解

3 案例一：快速構(gòu)建圖像分類應(yīng)用

3.1 卷積神經(jīng)網(wǎng)絡(luò)

基于生物神經(jīng)理論的啟發(fā)，產(chǎn)生了人工神經(jīng)網(wǎng)絡(luò)(neuron networks)模型，其是由具有適應(yīng)性簡(jiǎn)單單元組成的廣泛并行互連網(wǎng)絡(luò)，能夠模擬生物神經(jīng)系統(tǒng)對(duì)外界輸入進(jìn)行智能交互反應(yīng)。神經(jīng)網(wǎng)絡(luò)的基本組成單元稱為神經(jīng)元(Neuron)，每個(gè)神經(jīng)元與其他若干神經(jīng)元相連組網(wǎng)。當(dāng)神經(jīng)元的輸入超過偏置閾值，則它會(huì)被激活產(chǎn)生輸出，將信號(hào)傳遞給神經(jīng)網(wǎng)絡(luò)中的其他部分。

卷積神經(jīng)網(wǎng)絡(luò)是包含了若干卷積層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。主要用于處理視覺任務(wù)。其基本原理是模板匹配與學(xué)習(xí)，即根據(jù)目的圖像設(shè)計(jì)模板(卷積核)，只有符合模板特征的原圖像像素區(qū)域才能獲得最大響應(yīng)。通過網(wǎng)絡(luò)學(xué)習(xí)的方式擬合卷積模板，提取圖像特征信息，避免了顯式的特征檢測(cè)與計(jì)算。因此CNN對(duì)圖像任務(wù)的泛化能力較強(qiáng)。

同時(shí)，根據(jù)平移不變性和局部性假設(shè)，輸入卷積層特征圖的所有像素共享同一個(gè)模板參數(shù)而與像素坐標(biāo)無關(guān)，所以CNN整體可實(shí)現(xiàn)參數(shù)共享、并行學(xué)習(xí)，加快學(xué)習(xí)效率。舉例而言，以一張二維圖片為輸入，則全連接網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)將非常龐大，再考慮每個(gè)神經(jīng)元都與相鄰層所有神經(jīng)元相連，因此作為優(yōu)化目標(biāo)的連接權(quán)矩陣指數(shù)增長(zhǎng)，帶來無法接受的計(jì)算復(fù)雜度。而CNN通過卷積實(shí)現(xiàn)了高維信息的聚合與壓縮，濾除了摻雜的大量冗余信息，大幅提高可學(xué)習(xí)性。

針對(duì)經(jīng)典的MNIST手寫數(shù)字圖像分類實(shí)驗(yàn)，基于Amazon SageMaker框架自主設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，對(duì)比本地訓(xùn)練和Amazon SageMaker訓(xùn)練的網(wǎng)絡(luò)性能。實(shí)驗(yàn)的流程如下：

1. 搭建卷積神經(jīng)網(wǎng)絡(luò)；
2. 加載數(shù)據(jù)集。下載MNIST手寫數(shù)字?jǐn)?shù)據(jù)集，劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，并封裝為可迭代的數(shù)據(jù)加載器對(duì)象；
3. 訓(xùn)練模型。定義損失函數(shù)和優(yōu)化方法，通過前向傳播計(jì)算損失，再基于反向傳播優(yōu)化模型參數(shù)，迭代至訓(xùn)練誤差收斂后保存模型到本地；

3.2 本地測(cè)試版本

如下所示，搭建卷積神經(jīng)網(wǎng)絡(luò)

class CNN(nn.Module):
    '''
    * @breif: 卷積神經(jīng)網(wǎng)絡(luò)
    '''    
    def __init__(self):
        super().__init__()
        self.convPoolLayer_1 = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=10, kernel_size=5),
            nn.MaxPool2d(kernel_size=2),
            nn.ReLU()
        )
        self.convPoolLayer_2 = nn.Sequential(
            nn.Conv2d(in_channels=10, out_channels=20, kernel_size=5),
            nn.MaxPool2d(kernel_size=2),
            nn.ReLU()
        )
        self.fcLayer = nn.Linear(320, 10)

    def forward(self, x):
        batchSize = x.size(0)
        x = self.convPoolLayer_1(x)
        x = self.convPoolLayer_2(x)
        x = x.reshape(batchSize, -1)
        x = self.fcLayer(x)
        return x

使用pytorch提供的Dataset類進(jìn)行MNIST數(shù)據(jù)集加載和預(yù)覽

from abc import abstractmethod
import numpy as np
from torchvision.datasets import mnist
from torch.utils.data import Dataset
from PIL import Image

class mnistData(Dataset):
    '''
    * @breif: MNIST數(shù)據(jù)集抽象接口
    * @param[in]: dataPath -> 數(shù)據(jù)集存放路徑
    * @param[in]: transforms -> 數(shù)據(jù)集變換
    '''    
    def __init__(self, dataPath: str, transforms=None) -> None:
        super().__init__()
        self.dataPath = dataPath
        self.transforms = transforms
        self.data, self.label = [], []

    def __len__(self) -> int:
        return len(self.label)

    def __getitem__(self, idx: int):
        img = self.data[idx]
        if self.transforms:
            img = self.transforms(img)
        return img, self.label[idx]

    def loadData(self, train: bool) -> list:
        '''
        * @breif: 下載與加載數(shù)據(jù)集
        * @param[in]: train -> 是否為訓(xùn)練集
        * @retval: 數(shù)據(jù)與標(biāo)簽列表
        '''    
        # 如果指定目錄下不存在數(shù)據(jù)集則下載
        dataSet   = mnist.MNIST(self.dataPath, train=train, download=True)
        # 初始化數(shù)據(jù)與標(biāo)簽
        data  = [ i[0] for i in dataSet ]
        label = [ i[1] for i in dataSet ]
        return data, label

考慮到該實(shí)踐是多分類問題，因此最終網(wǎng)絡(luò)的輸出是十維向量并經(jīng)過softmax轉(zhuǎn)化為概率分布，損失函數(shù)設(shè)計(jì)為交叉熵，優(yōu)化方法選擇隨機(jī)梯度下降算法。

for images, labels in trainBar:
    images, labels = images.to(config.device), labels.to(config.device)
    # 梯度清零
    opt.zero_grad()
    # 正向傳播
    outputs = model(images)
    # 計(jì)算損失
    loss = F.cross_entropy(outputs, labels)
    # 反向傳播
    loss.backward()
    # 模型更新
    opt.step()

訓(xùn)練十分鐘后，模型預(yù)測(cè)達(dá)到了89%的準(zhǔn)確率

3.3 Amazon SageMaker版本

首先搭建卷積神經(jīng)網(wǎng)絡(luò)

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

接著加載數(shù)據(jù)集，可以看到，只要設(shè)置鏡像并使用upload_data就可以自主下載數(shù)據(jù)集并把數(shù)據(jù)加載到Amazon SageMaker節(jié)點(diǎn)，用于后續(xù)訓(xùn)練，無需額外定義數(shù)據(jù)加載方式，調(diào)用更便捷、快速

from torchvision.datasets import MNIST
from torchvision import transforms

MNIST.mirrors = ["https://sagemaker-sample-files.s3.amazonaws.com/datasets/image/MNIST/"]

MNIST(
    "data",
    download=True,
    transform=transforms.Compose(
        [transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]
    ),
)

inputs = sagemaker_session.upload_data(path="data", bucket=bucket, key_prefix=prefix)

接著從Amazon SageMaker中導(dǎo)入Pytorch對(duì)象，并創(chuàng)建實(shí)例

from sagemaker.pytorch import PyTorch

estimator = PyTorch(
    entry_point="mnist.py",
    role=role,
    py_version="py38",
    framework_version="1.11.0",
    instance_count=2,
    instance_type="ml.c5.2xlarge",
    hyperparameters={"epochs": 1, "backend": "gloo"},
)

一行代碼即可開始訓(xùn)練

estimator.fit({"training": inputs})

四分鐘左右模型完成訓(xùn)練，且測(cè)試集準(zhǔn)確率達(dá)到91%

對(duì)于手寫數(shù)字識(shí)別這種小任務(wù)，Amazon SageMaker的優(yōu)勢(shì)還不夠明顯，但已經(jīng)能體會(huì)到構(gòu)建人工智能學(xué)習(xí)模型的快速、訓(xùn)練的高效，不需要從底層實(shí)現(xiàn)一些數(shù)據(jù)讀取、反向傳播等，在應(yīng)用方面可以大大提高工程效率

4 案例二：快速構(gòu)建AI繪畫應(yīng)用

4.1 擴(kuò)散模型簡(jiǎn)介

本節(jié)我們基于Amazon SageMaker和diffusion model快速構(gòu)建一個(gè)AI繪畫應(yīng)用。

先簡(jiǎn)單介紹一下擴(kuò)散模型diffusion model。這是一種生成式人工智能模型，用于生成高質(zhì)量、高保真度的圖像。它基于一種名為擴(kuò)散過程的物理現(xiàn)象，利用偏微分方程描述像素值在時(shí)間和空間上的擴(kuò)散和演化。

所謂擴(kuò)散算法diffusion是指先將一幅畫面逐步加入噪點(diǎn)，一直到整個(gè)畫面都變成白噪聲。記錄這個(gè)過程，然后逆轉(zhuǎn)過來給AI學(xué)習(xí)。AI看到的是什么？一個(gè)全是噪點(diǎn)的畫面如何一點(diǎn)點(diǎn)變清晰直到變成一幅畫，AI通過學(xué)習(xí)這個(gè)逐步去噪點(diǎn)的過程來學(xué)會(huì)作畫。

diffusion和之前大火的GAN模型相比，有什么優(yōu)勢(shì)呢？用OpenAI的一篇論文內(nèi)容來講，用diffusion生成的圖像質(zhì)量明顯優(yōu)于GAN模型；而且與GAN不同，diffusion不用在鞍點(diǎn)問題上糾結(jié)——涉及穩(wěn)定性問題，只需要去最小化一個(gè)標(biāo)準(zhǔn)的凸交叉熵?fù)p失即可，這樣就大大簡(jiǎn)化了模型訓(xùn)練過程中，數(shù)據(jù)處理的難度。

總結(jié)來說，目前的訓(xùn)練技術(shù)讓diffusion直接跨越了GAN領(lǐng)域調(diào)模型的階段，而是直接可以用來做下游任務(wù)，是一個(gè)新的數(shù)學(xué)范式在圖像領(lǐng)域應(yīng)用的實(shí)例。所以在應(yīng)用方面，diffusion已被廣泛應(yīng)用于圖像生成、圖像修復(fù)、圖像超分辨率等領(lǐng)域。通過使用文本輸入作為條件信息，它可以根據(jù)文本的描述生成高質(zhì)量的圖像，例如基于文本描述生成動(dòng)漫場(chǎng)景、自然風(fēng)景等。

4.2 模型構(gòu)建與部署

首先，在Amazon SageMaker里進(jìn)行簡(jiǎn)單配置一個(gè)Notebook，我這里的配置如下

接著創(chuàng)建一個(gè)IAM角色，用于調(diào)用調(diào)用包括 Amazon SageMaker和 S3 在內(nèi)的其他服務(wù)。例如上傳模型，部署模型等，設(shè)置保持缺省即可。

構(gòu)建和訓(xùn)練模型后，Amazon SageMaker允許我們將模型部署至終端節(jié)點(diǎn)，以中獲取預(yù)測(cè)推理結(jié)果。

使用Amazon SageMaker托管服務(wù)部署模型有多種選擇，例如

• Python 開發(fā)工具包 (Boto3)
• Amazon SageMakerPython 開發(fā)工具包
• AWS CLI
• Amazon SageMaker控制臺(tái)交互部署
• …

這里我們以Python 開發(fā)工具包 (Boto3)為例構(gòu)建這個(gè)AI繪畫應(yīng)用，主要包含以下步驟：

• 安裝并檢查依賴
• 在Notebook中配置模型

  import torch
  import datetime
  from diffusers import StableDiffusionPipeline
  # Load stable diffusion
  pipe = StableDiffusionPipeline.from_pretrained(SD_MODEL, torch_dtype=torch.float16)
  

• 編寫初始化的Amazon SageMaker代碼用于部署推理終端節(jié)點(diǎn)

  import sagemaker
  import boto3
  
  sagemaker_session_bucket=None
  ?
  if sagemaker_session_bucket is None and sess is not None:
      sagemaker_session_bucket = sess.default_bucket()
  
  ...?
  sess = sagemaker.Session(default_bucket=sagemaker_session_bucket)
  

• 構(gòu)建推理腳本

  import base64
  import torch
  from io import BytesIO
  from diffusers import StableDiffusionPipeline
  
  
  def model_fn(model_dir):
      # Load stable diffusion and move it to the GPU
      pipe = StableDiffusionPipeline.from_pretrained(model_dir, torch_dtype=torch.float16)
      pipe = pipe.to("cuda")
  
      return pipe
  
  
  def predict_fn(data, pipe):
  	...
  

• 打包上傳模型

  from sagemaker.s3 import S3Uploader
  sd_model_uri=S3Uploader.upload(local_path=f"{SD_MODEL}.tar.gz", desired_s3_uri=f"s3://{sess.default_bucket()}/stable-diffusion")
  

• 使用HuggingFace將模型部署至Amazon SageMaker

  predictor[SD_MODEL] = huggingface_model[SD_MODEL].deploy(
      initial_instance_count=1,
      instance_type="ml.g4dn.xlarge",
      endpoint_name=f"{SD_MODEL}-endpoint"
  )
  

至此就完成了模型的構(gòu)建與部署，接下來我們就可以基于推理終端節(jié)點(diǎn)生成自定義圖片

4.3 AI繪畫測(cè)試(文生圖)

輸入以下測(cè)試代碼

response = predictor[SD_MODEL].predict(data={
    "prompt": [
        "Eiffel tower landing on the Mars",
    ],
    "height" : 512,
    "width" : 512,
    "num_images_per_prompt":1
  }
)

#decode images
decoded_images = [decode_base64_image(image) for image in response["generated_images"]]

#visualize generation
for image in decoded_images:
    display(image)

比如我們現(xiàn)在想生成一張《艾菲爾鐵塔登陸火星》的圖片，就可以獲得

下面是《宇航員騎馬》的生成繪圖

下面是《卡通猴子玩電腦》的生成繪圖

可以看出這個(gè)快速構(gòu)建的應(yīng)用還是很方便的！

5 結(jié)語

5.1 實(shí)踐體驗(yàn)與展望

整體體驗(yàn)Amazon SageMaker后，我發(fā)現(xiàn)它是一個(gè)非常強(qiáng)大且易于使用的機(jī)器學(xué)習(xí)平臺(tái)。首先它提供了多種不同的機(jī)器學(xué)習(xí)框架中進(jìn)行選擇，這使得我可以輕松地選擇我最熟悉或最適合我的需求的框架來構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型，而無需考慮環(huán)境的問題。

在案例一中可以看到，SageMaker提供了許多預(yù)構(gòu)建的機(jī)器學(xué)習(xí)算法，這些算法涵蓋了各種不同的用例和問題類型。這讓用戶可以輕松地選擇并使用適合我的需求的算法。在案例二中可以看到，SageMaker提供了多種集成部署選項(xiàng)，包括托管端點(diǎn)、托管容器、AWS Lambda函數(shù)等等。這讓用戶可以輕松地將模型部署到任何需要的環(huán)境中，無論是云上還是本地。此外，SageMaker的文檔資源非常豐富和詳細(xì)，這讓用戶在使用過程中遇到任何問題時(shí)都能夠快速找到幫助和支持。Amazon SageMaker還具備高級(jí)的安全性和隱私保護(hù)機(jī)制，例如數(shù)據(jù)加密、身份驗(yàn)證和訪問控制等。這些機(jī)制可以保護(hù)用戶的數(shù)據(jù)和模型，保證機(jī)器學(xué)習(xí)應(yīng)用的安全性和可信度。

總的來說，和現(xiàn)有的機(jī)器學(xué)習(xí)平臺(tái)相比，Amazon SageMaker核心在于快速構(gòu)建、訓(xùn)練和部署機(jī)器學(xué)習(xí)應(yīng)用，非常適合和各個(gè)應(yīng)用領(lǐng)域結(jié)合，快速提供搭建企業(yè)級(jí)AI模型的完整解決方案。

在體驗(yàn)過程中，也發(fā)現(xiàn)Amazon SageMaker有一些不足。最首要的是經(jīng)濟(jì)成本，使用Amazon SageMaker可能需要花費(fèi)較高的費(fèi)用，尤其是在處理大規(guī)模數(shù)據(jù)集或進(jìn)行長(zhǎng)時(shí)間的訓(xùn)練時(shí)。所以Amazon SageMaker并不適合那些較小需求的個(gè)人用戶，而比較符合企業(yè)級(jí)AI應(yīng)用搭建的定位。

其次，盡管Amazon SageMaker提供了易于使用的控制面板、API和文檔，但因?yàn)樯婕岸鄠€(gè)不同的技術(shù)和工具，其學(xué)習(xí)曲線可能較陡峭，對(duì)于沒有經(jīng)驗(yàn)的用戶來說，仍可能需要較長(zhǎng)時(shí)間的學(xué)習(xí)和試錯(cuò)，積累一定的技術(shù)知識(shí)。

另外，Amazon SageMaker在自定義方面缺乏一定自由度，Amazon SageMaker的許多功能和服務(wù)都是與Amazon生態(tài)系統(tǒng)緊密關(guān)聯(lián)的。如果用戶需要的特定算法或開源框架(如圖神經(jīng)網(wǎng)絡(luò)、對(duì)抗性學(xué)習(xí)等)不在Amazon SageMaker提供的生態(tài)中，則可能需要花費(fèi)更多的時(shí)間和精力進(jìn)行自定義開發(fā)或集成。

未來，期待Amazon SageMaker繼續(xù)向自動(dòng)化機(jī)器學(xué)習(xí)功能（AutoML）功能發(fā)力，提供更加完善、更加智能、更加高效的模型設(shè)計(jì)和部署體驗(yàn)，減緩用戶學(xué)習(xí)曲線。同時(shí)，對(duì)于快速迭代的產(chǎn)品，也期待Amazon SageMaker能夠提供更加智能的模型管理和監(jiān)控功能，特別是模型版本控制——這是團(tuán)隊(duì)協(xié)作時(shí)必然會(huì)碰到的需求，以更好地管理和優(yōu)化模型，提高機(jī)器學(xué)習(xí)應(yīng)用的可靠性和穩(wěn)定性。

5.2 云上探索實(shí)驗(yàn)室

最后，分享一下亞馬遜最新的云上實(shí)驗(yàn)室活動(dòng)，通過云上探索實(shí)驗(yàn)室，開發(fā)者可以用技術(shù)實(shí)驗(yàn)、產(chǎn)品體驗(yàn)、案例應(yīng)用等方式，與其他開發(fā)者小伙伴。一同創(chuàng)造分享，互助啟發(fā)，玩轉(zhuǎn)云上技術(shù)，為技術(shù)實(shí)踐提供無限可能。云上探索實(shí)驗(yàn)室不僅是體驗(yàn)的空間，更是分享的平臺(tái)！歡迎各位加入~文章來源地址http://www.zghlxwxcb.cn/news/detail-414006.html

到了這里，關(guān)于Amazon SageMaker：搭建企業(yè)級(jí)AI模型的完整解決方案的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！