Deep-Learning-Modelle mit Amazons SageMaker erstellen
Wer Modelle fĂĽr das maschinelle Lernen entwickeln, trainieren und nutzen will, findet UnterstĂĽtzung bei Amazons SageMaker.
- Florian MĂĽller
Mit SageMaker bietet Amazon Web Services (AWS) einen Service rund um die Erstellung von Machine-Learning-Modellen an. SageMaker soll nicht nur das Modelltraining, sondern auch das Tuning und insbesondere das Deployment stark vereinfachen.
Aus vielen Artikeln über Data Science und Machine Learning (ML) ergibt sich der Eindruck, dass die Auswahl und das Tuning eines Algorithmus im Vordergrund stehen. In den meisten Projekten sind diese Schritte – gemessen am Gesamtaufwand – aber für einen erfolgreichen ML-Service der deutlich kleinere Teil.
- Wie Cloudera, Microsoft oder Google bietet Amazon einen Onlineservice fĂĽr maschinelles Lernen an.
- SageMaker unterstĂĽtzt die Anwender beim Entwickeln und Trainieren von ML-Modellen und bei der Integration in produktionsreife Umgebungen.
- Für den Zugriff auf die Datenquellen bietet SageMaker dem Anwender eine Instanz eines Jupyter Notebook, für das Trainieren und Ausführen der ML-Modelle enthält der Dienst proprietäre Algorithmen.
- Alternativ kann der Nutzer eigene Algorithmen integrieren; auĂźerdem hat SageMaker Python-Schnittstellen zu den Deep-Learning-Frameworks TensorFlow und Apache MXNet.
Machine Learning produktiv nutzen
Google weist etwa in dem Paper "Hidden Technical Debt in Machine Learning Systems" darauf hin, dass der eigentliche ML-Code in diesen Systemen oftmals den kleinsten Anteil hat und die tatsächliche Arbeit erst mit dem Betrieb dieser Systeme beginnt. Genau hier unterstützt SageMaker und versucht die Arbeit des Modellerstellers leichter in eine produktive Nutzung zu überführen.
Das war die Leseprobe unseres heise-Plus-Artikels "Deep-Learning-Modelle mit Amazons SageMaker erstellen". Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.
