每月免費獲得 160 小時，為期 2 個月

Amazon SageMaker Canvas

使用視覺化介面建置高準確性的 ML 模型，無需使用程式碼
開始使用 Amazon SageMaker Canvas
免費試用示範

什麼是 SageMaker Canvas？

Amazon SageMaker Canvas 讓您能夠轉換 PB 級資料，而且無需編寫程式碼即可建置、評估和部署生產就緒的機器學習 (ML) 模型。它在統一且安全的企業環境中簡化端對端 ML 生命週期。Amazon Q Developer 現已在 SageMaker Canvas 中提供，您可以在整個 ML 過程中，從資料準備到模型部署，透過對話式聊天獲得指引

SageMaker Canvas 促進團隊間的協作，提供所產生程式碼的透明度，並且透過模型版本控制和存取控制來確保管控。使用 SageMaker Canvas，透過 ML 開發的普及化，不論技能程度或是否具備編碼專業知識，都能加速創新並更快地解決業務問題。

SageMaker Canvas 的優勢

在整個生命週期中存取端對端機器學習功能，從資料準備到建置、評估和部署 PB 級模型作業。
Canvas 會使用多種算法訓練多個模型，進而產生高度準確的自訂機器學習模型，而且這一切都透過無代碼體驗完成。
啟用模型共用和與其他 AWS 服務的整合，包括 SageMaker Model Registry 和 Amazon DataZone，以此進行管控和 ML 營運。
透過程式碼層級透明度促進與專家的協作。
使用自然語言聊天描述您的目標。Amazon Q Developer 能夠指導您完成從資料準備到模型建置的機器學習流程，同時解決與資料和模型相關的查詢。

在整個 ML 生命週期中建置

運用端對端機器學習功能，包括使用 SageMaker Data Wrangler 進行資料準備，以及使用 SageMaker Autopilot 進行 AutoML 模型訓練，均透過視覺化的無程式碼介面完成。 您也可以使用 Amazon Q Developer 取得生成式 AI 協助，來建置 ML 模型。只需以自然語言說明您的目標，Q Developer 會將其分解並轉換為一組 ML 任務。然後 Q Developer 將引導您定義 ML 問題類型、準備資料以及建置、評估和部署模型。
1
Sagemaker 步驟

以 PB 級視覺化方式準備您資料

  • 從 50 多個來源存取和匯入資料，包括 Amazon S3、Athena、Redshift、Snowflake 和 Databricks
  • 透過 300 多種預先建置的分析和轉換來改善資料品質與提升模型效能
  • 透過直觀、低程式碼/無程式碼的介面，以視覺化方式建置和精簡您的資料管道
  • 只需按幾下即可擴展到 PB 規模的資料
2
Sagemaker 步驟

跨多種問題類型訓練和評估模型

  • 利用 AutoML 的強大功能，針對您的特定使用案例自動探索和最佳化模型
  • 只需按幾下即可針對回歸、分類、時間序列預測、自然語言處理、電腦視覺訓練模型以及微調基礎模型
  • 利用靈活的選項，針對目標指標、資料分割以及模型控制 (例如演算法選取和超參數) 量身打造模型訓練
  • 透過互動式視覺化和模型說明深入了解模型效能
  • 從模型排行榜中選取效能最佳的模型，然後匯出產生的程式碼以進一步自訂
3
Q Developer

與 Amazon Q Developer 進行聊天式指引的 ML 開發

  • 以自然語言描述您的業務問題，然後讓 Amazon Q Developer 使用聊天介面指引您在整個 ML 程序中找到解決方案
  • Q Developer 將問題分解為可操作的 ML 任務，並協助準備資料、模型建立、評估和部署
  • 提出有關 ML 術語以及您資料和模型的問題並收到答案
  • Q Developer 運用進階資料準備和模型建置技術，同時允許在執行任務時擁有完全的控制權
4
Sagemaker 步驟

批次或即時產生大規模準確的預測

  • 直接在應用程式內執行互動式預測和假設分析
  • 僅需按一下即可將模型部署到 SageMaker 端點以進行即時推論，或者執行臨機批次預測或使用自動排程執行批次預測
  • 在 SageMaker Model Registry 中註冊模型，以確保管控和版本控制
  • 與 Amazon SageMaker Studio 無縫共用模型，以進行進階自訂和協作
  • 使用 Amazon QuickSight 可視化並與利害關係人共用預測，以此進行增強決策

協作並確保管控

在促進團隊之間協作的同時實現機器學習的大眾化。啟用模型共用並與其他 AWS 服務整合以進行管控和 MLOps。
1
Sagemaker 步驟

促進跨團隊協作和知識共用

  • 透過與 SageMaker Studio 輕鬆共用模型，與資料科學家和專家進行協作
  • 使用 Canvas 工作空間內由資料科學家建置的模型來產生預測
  • 透過自動產生的筆記本，藉由程式碼透明度提升信任
  • 透過 Amazon QuickSight 儀表板與利害關係人共用模型、預測和洞見
  • 保持版本控制和模型譜系追蹤，確保跨團隊的可再現性和可追溯性
2
Sagemaker 步驟

確保管控和 MLOps 最佳實務

  • 實作精細的使用者層級許可和存取控制，以進行安全模型管理
  • 透過單一登入 (SSO) 功能啟用無縫身分驗證
  • 在 SageMaker Model Registry 中註冊模型，以遵從模型管控和版本控制
  • 透過匯出模型筆記本來簡化 MLOps 管道，以進一步自訂和整合
  • 利用自動關閉功能最佳化成本和資源使用率

使用基礎模型進行建置

  • 輕鬆比較並選擇最適合您任務的基礎模型
  • 僅需點按幾下即可使用標記的訓練資料集針對企業使用案例微調基礎模型
Sagemaker 映像

利用您的生成式 AI

  • 查詢儲存在 Amazon Kendra 中的文件和知識庫，以產生量身打造的輸出
  • 透過互動式視覺化、模型說明和排行榜，深入了解模型效能
  • 將最合適的基礎模型投入生產並部署到即時 SageMaker 端點
Sagemaker 映像

使用案例

使用產品消費和購買歷史資料來了解銷售傾向並揭示客戶流失模式。

透過將歷史銷售資料和需求資料與關聯的 Web 流量、定價、產品類別，以及假期資料相結合來預測庫存量。

透過分析感測器資料和維護日誌來預測製造設備的故障，避免產生停機時間。

製作個人化、引人入勝且高品質的銷售和行銷內容，例如社群媒體貼文、產品描述和電子郵件行銷活動。

分析並擷取各種文件中的資訊，例如保險理賠、發票、費用報告或身分文件。