AutoML是一項(xiàng)技術(shù)，客戶可以攜帶數(shù)據(jù)并離開模型而不必?fù)?dān)心訓(xùn)練機(jī)器學(xué)習(xí)模型所涉及的復(fù)雜工作流程。它大大簡化了基于成熟算法的數(shù)據(jù)準(zhǔn)備，特征工程，模型選擇和超參數(shù)調(diào)整的方法。

基于公共云的ML平臺(tái)即服務(wù)（PaaS）產(chǎn)品（例如Azure ML，IBM Watson Studio和Google Cloud AI）具有AutoML組件。AWS遲遲未將AutoML功能引入其SageMaker平臺(tái)。自2019年發(fā)布SageMaker AutoPilot以來，亞馬遜一直在不斷改善其托管ML平臺(tái)的AutoML功能。

通過最近添加的SageMaker JumpStart，AWS現(xiàn)在擁有完整的AutoML功能，涵蓋了回歸，分類，視覺和自然語言處理領(lǐng)域。

盡管AWS并未正式稱呼Amazon SageMaker Autopilot和JumpStart服務(wù)AutoML，但它們是Azure AutoML和Google Cloud AutoML的替代產(chǎn)品。

Amazon SageMaker Autopilot針對(duì)諸如銷售預(yù)測(cè)，推薦系統(tǒng)，呼叫中心路由和廣告優(yōu)化之類的方案，這些方案依賴于通常存儲(chǔ)在CSV文件，關(guān)系數(shù)據(jù)庫和NoSQL數(shù)據(jù)庫中的數(shù)據(jù)集。

基于XGBoost和Linear Learner算法，Autopilot非常適合處理線性回歸，邏輯回歸以及二元或多元分類問題。通過添加深度學(xué)習(xí)算法，Autopilot可以處理不可線性分離的復(fù)雜數(shù)據(jù)。

Amazon SageMaker Autopilot的主要與眾不同之處在于，自動(dòng)生成筆記本是AutoML工作流程的一部分?？蛻糁荒軇?chuàng)建一個(gè)Autopilot作業(yè)來生成筆記本，而不是運(yùn)行整個(gè)過程。這些筆記本基于在數(shù)據(jù)科學(xué)界流行的標(biāo)準(zhǔn)開源Juypter筆記本。開發(fā)人員和數(shù)據(jù)科學(xué)家可以下載筆記本，以了解數(shù)據(jù)準(zhǔn)備工作的完成方式以及為每個(gè)候選人構(gòu)建的單獨(dú)管道所使用的算法。

在re：Invent 2020上宣布的Amazon SageMaker JumpStart是Amazon SageMaker Studio的最新成員，后者是面向AWS客戶的集成ML開發(fā)平臺(tái)。盡管Amazon SageMaker Autopilot處理通常以表格格式存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù)，但SageMaker JumpStart專注于視覺和NLP域。

Amazon SageMaker JumpStart包含三個(gè)組件-開源模型部署，解決方案和基于較小的定制數(shù)據(jù)集的現(xiàn)有開源模型構(gòu)建的定制模型。

亞馬遜利用TensorFlow和PyTorch提供的官方模型動(dòng)物園來提供開源模型部署。只需單擊一下，即可在SageMaker Studio中提供150多個(gè)模型。AWS下載模型，在SageMaker中注冊(cè)它們，并公開一個(gè)端點(diǎn)進(jìn)行推斷。

例如，您可以一鍵顯示ResNet或MobileNet SSD模型以進(jìn)行圖像分類和對(duì)象檢測(cè)。部署模型后，SageMaker會(huì)將您指向帶有示例代碼的Jupyter Notebook，以調(diào)用推理端點(diǎn)。

部署使用公共數(shù)據(jù)集（例如ImageNet或CIFAR-100）訓(xùn)練的現(xiàn)有計(jì)算機(jī)視覺模型可能對(duì)企業(yè)不是很有用。他們需要使用與特定業(yè)務(wù)問題保持一致的自定義數(shù)據(jù)集進(jìn)行訓(xùn)練的模型。例如，組織可能需要識(shí)別在接待區(qū)沒有面具的人。沒有公開可用的模型可以可靠地檢測(cè)沒有面罩的面部。

責(zé)任編輯：lq