Amazon SageMaker ist eine von Amazon Web Services (AWS) entwickelte Cloud-Plattform, die besonders für die Data Science nützlich ist. Im Folgenden erfährst Du mehr über die wichtigsten Funktionen und wie Du die Tools der Plattform von der Entwicklung eines Machine-Learning-Modells bis hin zu dessen Einsatz nutzen kannst.
Einführung in Amazon SageMaker
Amazon SageMaker ist eine auf Machine Learning basierende Cloud-Plattform, die einen Dienst der Cloud-Plattform Amazon Web Services (AWS) darstellt. AWS verfügt über zahlreiche Dienste im Internet und kann zur Verwaltung einer Cloud-Anwendung genutzt werden.
SageMaker ermöglicht es einem Nutzer, Machine-Learning-Modelle in einer Produktionsumgebung in großem Umfang zu erstellen und einzusetzen. So kann ein Datenwissenschaftler mithilfe dieser Plattform auf leistungsfähige Werkzeuge zugreifen, um Probleme wie Klassifizierung, Regression, Clustering usw. zu lösen. Sagemaker ermöglicht es Unternehmen, den Entwicklungsprozess ihrer Modelle zu beschleunigen, indem sie die Kosten senken und die betriebliche Effizienz durch seine zahlreichen Funktionen verbessern.
Die wichtigsten Funktionen von SageMaker
Zunächst einmal hat der Benutzer, um die SageMaker-Plattform zu nutzen, zwei Möglichkeiten:
- Eine Notebook-Instanz über die Umgebung von Amazon SageMaker Notebooks Instances verwenden, um Jupyter-Notebooks auszuführen. Diese Umgebung enthält gängige Machine-Learning-Bibliotheken und Frameworks.
- SageMaker Studio ist eine integrierte, cloudbasierte Entwicklungsumgebung für Machine Learning, die es einem Benutzer ermöglicht, den gesamten Prozess der Modellentwicklung über eine Benutzeroberfläche mit zahlreichen Tools und erweiterten Funktionen zu verwalten.
- So besteht beispielsweise das Amazon SageMaker Studio unter anderem aus integrierten Notebooks, aber auch aus Werkzeugen zur Verwaltung von Daten und Modellen (Training, Einsatz und Überwachung).
- Amazon SageMaker Studio bietet also eine umfassendere Erfahrung für die Entwicklung von Machine Learning als die SageMaker Notebook-Umgebung. Die Wahl liegt also beim Nutzer und sollte auf das Projekt abgestimmt sein, das er umsetzen möchte.
Sobald das Projekt erstellt ist, stehen dem Benutzer mit dem Sagemaker-Tool eine Vielzahl verschiedener Funktionen zur Verfügung, um sein Machine-Learning-Projekt zu entwickeln. Diese Funktionen beinhalten zum Beispiel :
- Die Vorbereitung der Daten.
- Das Training der Modelle mithilfe von Machine-Learning-Algorithmen, die von AWS Sagemaker vorkonstruiert wurden, oder durch die Verwendung von gängigen Bibliotheken wie Pytorch, TensorFlow und Scikit Learn.
- Die Bereitstellung der Modelle.
- Die Überwachung der Modelle, indem die Leistung eines Modells in Echtzeit durch Leistungsanalysen und die Erkennung von Anomalien untersucht wird.
- Ressourcenmanagement.
Wie kann ich mit Amazon SageMaker ein Machine-Learning-Modell erstellen und einsetzen?
Um ein Machine-Learning-Modell mithilfe von SageMaker zu erstellen und in Betrieb zu nehmen, müssen die folgenden Schritte in einer bestimmten Reihenfolge ausgeführt werden:
1. Vorbereitung der Daten
Der erste Schritt ist die Vorbereitung der Daten, die mithilfe verschiedener Tools aus der Plattform optimiert werden kann:
- Sagemaker Clarify: Dieses Tool ist in der Lage, Verzerrungen in den Trainingsdaten zu erkennen, um sicherzustellen, dass das Modell genau genug ist. Es schlägt auch Strategien vor, um diese Verzerrungen zu korrigieren.
- SageMaker Ground Truth: Dieses Feature wird verwendet, um Datensätze zu annotieren, die für das Training von Machine-Learning-Modellen benötigt werden. Dadurch werden die Kosten für die Datenkennzeichnung gesenkt.
- SageMaker Data Wrangler: Diese Funktion bereinigt, normalisiert und transformiert Rohdaten in einen Datensatz, der für das Training eines Modells verwendet werden kann. Dem Nutzer steht außerdem eine grafische Benutzeroberfläche zur Verfügung, die die Datenvorbereitung erleichtert.
- Geospatial ML: Dieses Tool ermöglicht die Analyse und Verarbeitung von Geodaten in großem Maßstab.
- Feature Store: Mithilfe dieses Dienstes kann der Nutzer die in seinen Modellen verwendeten Features speichern, teilen und verwalten.
2. Modell trainieren
In Bezug auf das Training eines Modells stehen dem Nutzer dank der Plattform mehrere Werkzeuge zur Verfügung, wie z.B. :
- SageMaker Autopilot: Dieses Tool ermöglicht eine automatisierte Entwicklung von Machine Learning. Es ermöglicht einem unerfahrenen Nutzer, auf einfache Weise ein Machine-Learning-Modell zu erstellen. Nachdem du Amazon SageMaker Autopilot alle Daten mitgeteilt hast, erstellt und optimiert das Tool automatisch ein Modell. Mithilfe dieses Tools kann der Benutzer auch herausfinden, wie das Modell Entscheidungen trifft.
- SageMaker Debugger: Mit diesem Feature kann der Benutzer Modelle debuggen, um Informationen über Rechenfehler und Konvergenzprobleme zu erhalten. Dies ist sehr nützlich, um herauszufinden, ob das Modell gut zu den Daten passt.
- SageMaker Experiments: Mit dieser Funktion kann der Entwickler Modelle untersuchen, vergleichen und die Protokollierung von Metriken beobachten.
Automatic Model Tuning: Dieses Tool ist in der Lage, die Auswahl der optimalen Hyperparameter für ein Modell durch verschiedene Suchtechniken zu automatisieren. - Distributed Training: Diese Funktion ist nützlich, um die Zeit für das Training von Modellen durch die Parallelisierung der Trainingsprozesse über mehrere Instanzen hinweg stark zu reduzieren.
- SageMaker Canvas: Dies ist eine visuelle Umgebung, die zum Erstellen, Verwalten und Visualisieren von Machine-Learning-Workflows verwendet wird. Ein Workflow ist ein Werkzeug, das für die Organisation und Verwaltung der Entwicklungsschritte eines Modells verwendet wird. Es ist auch möglich, seine Workflows mit anderen Nutzern zu teilen, um an Projekten zusammenzuarbeiten.
3. Ausrollen der Modelle
Um sein Modell auszurollen, ist die Hauptfunktion, die der Benutzer verwenden kann, Amazon SageMaker Edge. Diese Funktion kann Machine-Learning-Modelle auf Edge-Geräten und -Anwendungen über ein Software Development Kit (SDK) bereitstellen, das die Integration der bereitgestellten Modelle vereinfacht.
Edge-Geräte sind Hardware-Geräte, die unter anderem aus Sensoren, Prozessoren und Betriebssoftware bestehen und zum Sammeln, Verarbeiten und Speichern von Daten vor Ort verwendet werden. Beispiele für Edge-Geräte sind Sicherheitskameras, vernetzte Uhren, selbstfahrende Autos und intelligente Thermostate…). Edge-Anwendungen hingegen sind Software-Anwendungen, die für die Verwendung auf Edge-Geräten entwickelt wurden. Sie können verwendet werden, um Daten zu verarbeiten, die Leistung zu optimieren, Entscheidungen zu treffen…
4. Wartung des ausgerollten Modells
Nach dem Einsatz kann der Benutzer die folgenden Funktionen auf seine eingesetzten Modelle anwenden:
- SageMaker Model Monitor: Diese Funktion überwacht die Leistung von Machine-Learning-Modellen, die in der Produktion eingesetzt wurden. Das Tool kann Vorhersagefehler, Leistungseinbußen und Unregelmäßigkeiten in der Datenverteilung aufdecken. Der letzte Vorteil dieses Tools besteht darin, dass es dem Benutzer Warnmeldungen sendet, damit er Korrekturmaßnahmen ergreifen kann.
- SageMaker Pipelines: Dieser Service wird für die Erstellung und Verwaltung von Machine-Learning-Workflows verwendet. Der Benutzer erhält eine Umgebung, in der er die Workflows mithilfe von Docker-Containern erstellen, validieren und bereitstellen kann.
- SageMaker Test Shadow: Diese Funktion kann Vorhersagen von Machine-Learning-Modellen in einer Produktionsumgebung mit bestimmten Testdaten simulieren, um das Verhalten der Modelle zu validieren.
Fazit
Amazon SageMaker ist eine besonders nützliche und umfassende Plattform für Data Scientists, da sie über eine Vielzahl von Werkzeugen verfügt, die qualitativ hochwertig und interessant sind.
Diese Werkzeuge können für alle Phasen der Entwicklung eines Machine-Learning-Modells verwendet werden, von der Vorbereitung der Daten über das Training und den Einsatz des Modells bis hin zur Wartung des eingesetzten Modells. Die AWS SageMaker-Plattform wird also aufgrund ihrer vielen zentralisierten Funktionen häufiger von Data Scientists für Machine Learning genutzt werden.
Wenn du dich in Data Science weiterbilden möchtest, um tiefer in die Themen rund um Machine Learning einzusteigen, solltest du dir unsere Kurse in Machine Learning Engineering und Data Science ansehen, die dir auch die AWS-Zertifizierung ermöglichen können.
