在過去幾年中，機器學習 (ML) 已證明其在幫助組織提高效率和促進創新方面的價值。
隨著機器學習逐漸成熟，其重點自然會從實驗轉向生產。機器學習流程需要簡化、標準化和自動化，以便以一致和可靠的方式建立、訓練、部署和管理模型。
安全性、高可用性、擴展、監控和自動化等長期存在的 IT 問題也變得更為關鍵。如果出色的 ML 模型無法為業務應用程序提供全天候、任何規模的快速準確預測，那麼它們就不會發揮多大作用。
2017 年 11 月，我們推出了 Amazon SageMaker，旨在幫助機器學習工程師和數據科學家不僅構建最佳的模型，而且更高效地運行這些模型。為了給客戶提供最全面的服務，我們隨後增加了數百種功能，涵蓋了機器學習生命週期的每一步，如數據標記、數據準備、特徵工程、偏差檢測、AutoML、訓練、調整、託管、可解釋性、監控和自動化。我們還將這些功能集成到基於 Web 的開發環境 Amazon SageMaker Studio 中。
由於 SageMaker 提供了廣泛的機器學習功能，所有行業領域的數万名 AWS 客戶已經採用機器學習來加速業務流程、創造創新的用戶體驗、提高收入和降低成本。例如，Engie（能源）、Deliveroo（食品配送）、SNCF（鐵路）、Nerdwallet（金融服務）、Autodesk（計算機輔助設計）、F1（賽車）以及我們自己的 Amazon Fulfillment Technologies 和 Amazon Robotics。
今天，我們很高興地宣布，Omdia 的首席分析師Bradley Shimmin 在他關於企業MLOps 平台的最新報告中，對SageMaker 進行了這樣的讚揚：“在Omdia 對企業MLOps 平台的比較研究中，AWS 成為絕對的領導者。在幾乎每一項衡量指標方面，該公司都顯著超過了競爭對手，在整個機器學習生命週期中提供了一致的價值。AWS 提供了高度差異化的功能，針對的是企業AI 從業者所關注的高度影響性領域，這些從業者不僅尋求在整個業務中實現AI 的運作，而且還希望擴大AI 的規模。”
您可以下载 完整报告
沒有留言:
張貼留言