Während im Bereich der generativen KI bei AWS im vergangenen Jahr vor allem Amazon Bedrock im Fokus stand, bleibt Amazon SageMaker ein unverzichtbares Asset, das wesentliche Funktionen für maschinelles Lernen bereitstellt.
2017 eingeführt, erleichtert Amazon SageMaker den gesamten Lebenszyklus des maschinellen Lernens – von der Modellerstellung über das Training bis hin zur Bereitstellung und Skalierung. Es bietet eine umfassende verwaltete Umgebung mit Werkzeugen, die es den Kunden ermöglichen, Modelle für maschinelles Lernen und Deep Learning zu erstellen, zu trainieren und bereitzustellen. Hunderttausende von Nutzern verlassen sich auf SageMaker für Aufgaben wie das Training populärer generativer KI-Modelle und das Management von Arbeitslasten im maschinellen Lernen. Zu den bemerkenswerten Anwendungen gehören das Training von Stability AIs Stable Diffusion und die Unterstützung von Lumas Dream Machine, einem Text-zu-Video-Generator.
AWS verbessert SageMaker durch die allgemeine Verfügbarkeit des verwalteten MLflow-Services. MLflow ist eine Open-Source-Plattform, die den Lebenszyklus des maschinellen Lernens vereinfacht und Bereiche wie Experimentation, Reproduzierbarkeit, Bereitstellung und Überwachung von ML-Modellen abdeckt. Durch die Integration von MLflow als verwalteten Dienst innerhalb von SageMaker ermöglicht AWS den Nutzern, die nächste Generation von KI-Modellen effizienter zu erstellen.
„Angesichts des schnellen Innovationszyklus möchten unsere Kunden schnell von Experimenten in die Produktion übergehen und ihre Markteinführungszeit verkürzen“, sagte Ankur Mehrotra, Direktor und General Manager von Amazon SageMaker bei AWS. „Wir bringen MLflow als verwaltete Funktion in SageMaker, damit Nutzer MLflow mit nur wenigen Klicks einrichten und starten können.“
Was MLflow AWS-Nutzern bietet
MLflow wird von Entwicklern und Organisationen im Bereich MLOps weitreichend angenommen. Mehrotra betonte, dass der neue verwaltete Dienst die Wahlmöglichkeiten für Unternehmensnutzer erweitert, ohne bestehende Funktionen zu beeinträchtigen.
Durch die Bereitstellung von MLflow als vollständig verwaltete Lösung, die in SageMaker integriert ist, erfüllt AWS die Bedürfnisse der Nutzer, die eine nahtlose Erfahrung über beide Plattformen hinweg wünschen. „Beim Iterieren ihrer Modelle können sie problemlos Metriken in MLflow protokollieren, um verschiedene Iterationen zu verfolgen und zu vergleichen“, erklärte Mehrotra. „Anschließend können sie diese Modelle in einem Modellverzeichnis registrieren und problemlos bereitstellen.“
Der verwaltete MLflow-Service ist eng mit bestehenden SageMaker-Komponenten integriert und stellt sicher, dass Aktionen innerhalb von MLflow automatisch mit SageMaker-Services wie dem Modellverzeichnis synchronisiert werden. „Wir haben dies so entwickelt, dass es nahtlos mit den Funktionen von SageMaker harmoniert, sei es beim Modellentraining, der Bereitstellung oder dem Hosting, und bieten den Kunden ein einheitliches MLflow-Erlebnis“, fügte Mehrotra hinzu.
Mehrere Organisationen, darunter der Webhosting-Anbieter GoDaddy und Toyota Connected, eine Tochtergesellschaft der Toyota Motor Corporation, haben den verwalteten Dienst bereits in der Beta-Phase getestet.
SageMaker und Bedrock: Komplementäre Dienste
Während Amazon SageMaker sich auf den vollständigen Lebenszyklus des maschinellen Lernens konzentriert, hat AWS kürzlich Amazon Bedrock zur Entwicklung generativer KI-Anwendungen eingeführt. Mehrotra erklärte die Rolle von SageMaker innerhalb dieses KI-Ökosystems: „SageMaker ist darauf ausgelegt, Modelle zu erstellen, zu trainieren und bereitzustellen, während Bedrock bei der Erstellung generativer KI-Anwendungen glänzt“, sagte er. „Viele Kunden nutzen sowohl SageMaker als auch Bedrock sowie andere Dienste, um ihre generativen KI-Lösungen zu entwickeln.“
Dies ermöglicht es Entwicklern, Modelle in SageMaker zu erstellen und diese über Bedrock in KI-Anwendungen bereitzustellen, wobei die serverlosen Fähigkeiten von Bedrock genutzt werden – wodurch diese Dienste zu komplementären Elementen im generativen KI-Angebot von AWS werden.
Die zukünftigen Prioritäten von Amazon SageMaker
Mit Blick auf die Zukunft teilte Mehrotra die wichtigsten Prioritäten, die die Produktroadmap von Amazon SageMaker leiten. Ein zentrales Ziel ist die Skalierung und Kostenoptimierung sowie die Vereinfachung des Entwicklungsprozesses für die Kunden.
„Wir möchten den undifferenzierten, hohen Aufwand für die Kunden reduzieren, während sie neue KI-Lösungen entwickeln. Erwarten Sie mehr Funktionen, die es den Kunden ermöglichen, diese Lösungen schneller zu erstellen und einzuführen“, schloss er.
Dieser strategische Fokus positioniert Amazon SageMaker als einen entscheidenden Akteur in der Weiterentwicklung des maschinellen Lernens und der generativen KI-Landschaft.
Rangliste
