Nyheter

Maskininlärning exploderar – här är AWS nya tjänster för att kontrollera utvecklingen

Maskininlärning håller på att bli en del av vardagen, men för att maximera nyttan av tekniken behövs lösningar för överblick, kontroll och effektivt samarbete. AWS har presenterat en rad nya tjänster för att snabbt och kontrollerat kunna ta modeller från idé till drift i plattformen Amazon SageMaker.  

Utvecklingen inom AI- och maskininlärningsbaserade lösningar går blixtsnabbt, till exempel har nya öppna tjänster för AI-genererad text och bilder har fått stor uppmärksamhet hos den breda allmänheten under hösten. Även verktygen för att skapa kraftfulla algoritmer och modeller utvecklas i snabb takt, och under utvecklarkonferensen re: Invent i början av december presenterade Amazon Web Services (AWS) en rad nya funktioner i Amazon SageMaker som ska bidra till nästa generations maskininlärningstjänster.

Amazon SageMaker är en heltäckande plattform för att bygga, träna och driftsätta modeller på ett snabbt och enkelt sätt med hjälp av hanterad infrastruktur och integrerade verktyg och arbetsflöden.

– AWS-kunder bygger miljoner modeller, tränar dem med miljarder parametrar, och genererar biljoner prediktioner varje månad. Många kunder använder ML i en utsträckning som ingen hade kunnat vänta sig för bara några år sedan, säger Bratin Saha, Vice President of AI and ML på AWS.

En viktig anledning till den ökade användningen av maskininlärning är att tekniken gjorts mer tillgänglig genom plattformar som SageMaker. Sedan lanseringen i november 2017 har mängder av nya funktioner tillförts i AWS lösningsplattform, med huvudsyftet att ytterligare korta tiden det tar att skapa modeller, samtidigt som de blir mer och mer kraftfulla.

På re: Invent lanserades åtta nya funktioner i Amazon SageMaker, där ett viktigt fokus är att ha överblick och kontroll över det ökade antalet modeller, både i utvecklingsfasen och i drift. Role Manager förenklar tillgångs- och rättighetskontroll, och Model Dashboard ger ett centralt gränssnitt för att kontrollera modellers prestanda och felsöka. All information om modeller standardiseras och görs sökbar i arkivfunktionen Model Cards.

När många team från olika delar av en verksamhet är inblandade i utvecklingen och träningen av modeller krävs ett smidigt system för att samla och dela information. Den integrerade tjänsten Studio Notebook får också flera nya funktioner för att göra det enklare att korrigera kod, konvertera och driftsätta färdig kod och köra synkroniserade tester.

Valideringsfunktionen Inference tillförs nya möjligheter att jämföra prestanda i realtid på upp till tusentals olika varianter av modeller utan att bygga en egen infrastruktur för ändamålet.

I och med den kraftigt ökade tillgången på data från satelliter och flygbilder har Amazon SageMaker också integrerat tjänster för att snabbt och automatiserat kunna positionsbestämma dem och tillämpa dem i modeller på mycket kortare tid än tidigare.

Användningsområdena är många, och behovet stort. När geospatial data snabbt kan användas i maskinlärningsbaserad analys kan maskininlärningsmodeller i större utsträckning bidra till att identifiera hot från extremväder, kartlägga miljöförstöring, och bidra till bättre planering av hållbar stadsutveckling.

– Maskininlärning är inte längre framtiden. Det är den nutid som måste tillvaratas genast, säger Bratin Saha.