Amazon SageMaker Yapay Zeka
Genel Bakış Fiyatlandırma SSS Müşteriler

Amazon SageMaker AI ve MLflow ile üretken yapay zeka geliştirmeyi hızlandırın

MLflow 3.0 kullanarak makine öğrenimini ve üretken yapay zeka yaşam döngüsünü uygun ölçekte verimli bir şekilde yönetin

SageMaker'da MLflow kullanmaya başlayın

Amazon SageMaker'ı neden MLflow ile kullanmalısınız?

Amazon SageMaker, makine öğrenimi (ML) ve üretici yapay zeka denemeleri için yönetilen bir MLflow özelliği sunar. Bu özellik, veri bilimcilerin model eğitimi, kaydı ve dağıtımı için SageMaker üzerinde MLflow kullanmalarını kolaylaştırır. Yöneticiler, AWS üzerinde hızlı bir şekilde güvenli ve ölçeklenebilir MLflow ortamları kurabilir. Veri bilimciler ve ML geliştiricileri, ML denemelerini verimli bir şekilde takip edebilir ve bir iş sorunu için doğru modeli bulabilir.

MLflow 3.0 ile Amazon SageMaker AI’nin Avantajları

Veri Bilimciler; bir altyapı modelinin ince ayarı sırasında oluşturulan tüm ölçümleri takip etmek, modeli değerlendirmek, modeli örnek verilerle test etmek, her bir modelin çıktılarını MLflow kullanıcı arayüzünde yan yana karşılaştırmak ve kullanım durumları için doğru modeli kaydetmek üzere MLflow kullanabilirler. Modeli kaydetmelerinin ardından ML mühendisleri de modeli SageMaker çıkarımına dağıtabilirler.
MLflow’u barındırmak için gerekli herhangi bir altyapıyı yönetmeniz gerekmiyor. Veri Bilimciler, yöneticilerin altyapı yükü konusunda endişelenmesine gerek kalmadan tüm MLflow açık kaynak imkanlarını kullanabilirler. Böylece veri bilimi ortamları ayarlanırken zaman ve maliyet tasarrufu sağlanır. MLflow, Amazon Kimlik ve Erişim Yönetimi (IAM) ile entegre olup MLflow İzleme Sunucuları için Rol Tabanlı Erişim Denetimini (RBAC) ayarlamanıza olanak sağlar.
MLflow'a kayıtlı modeller, ilişkili bir Amazon SageMaker Model Kartı ile birlikte Amazon SageMaker Model Kayıt Defteri'ne otomatik olarak kaydedilir. Böylece veri bilimciler, bağlamı değiştirmeden modellerini üretim dağıtımı için makine öğrenimi (ML) mühendislerine aktarırlar. ML Mühendisleri, özel container'lar oluşturmadan veya MLflow model yapıtlarını yeniden paketlemeden modelleri MLflow'dan SageMaker uç noktalarına dağıtabilir.
MLflow projesi geliştikçe, SageMaker AI müşterileri AWS tarafından sağlanan altyapı yönetiminden yararlanırken MLflow topluluğunun açık kaynaklı yeniliklerinden avantaj sağlayacaktır.
Tam yönetilen MLflow 3.0'daki izleme yetenekleri, ekiplerin hataların veya beklenmedik davranışların kaynağını hızlı bir şekilde belirlemelerine yardımcı olmak için müşterilerin üretici yapay zeka geliştirmenin her adımında girdileri, çıktıları ve meta verileri kaydetmesine olanak tanır. Her model ve uygulama sürümünün kayıtlarını koruyarak, tam olarak yönetilen MLflow 3.0, yapay zeka yanıtlarını kaynak bileşenlerine bağlamak için izlenebilirlik sunar ve geliştiricilerin bir sorunu doğrudan oluşturan belirli kod, veri veya parametreleri hızlı bir şekilde izlemesine olanak tanır.

Denemeleri her yerden takip edin

ML denemeleri; yerel not defterleri, IDE'ler, bulut tabanlı eğitim kodu veya Amazon SageMaker Stüdyosu'nda yönetilen IDE'ler dahil olmak üzere çeşitli ortamlarda gerçekleştirilir. SageMaker AI ve MLflow ile, tercih ettiğiniz ortamı; modelleri eğitmek, denemelerinizi MLflow'da takip etmek ve analiz için MLflow kullanıcı arabirimini doğrudan veya SageMaker Stüdyosu aracılığıyla başlatmak için kullanabilirsiniz.

Denemeleri Günlüğe Kaydedin

MLflow 3.0 ile üretken yapay zeka geliştirmeyi hızlandırın

Temel modelleri oluşturmak, optimum model doğruluğu için en iyi algoritmayı, mimariyi ve parametreleri bulmak için yüzlerce eğitim yinelemesini içeren yinelemeli bir süreçtir. Tam yönetilen MLflow 3.0, nesil yapay zeka deneylerini izlemenize, model performansını değerlendirmenize ve modellerin ve yapay zeka uygulamalarının deneyden üretime kadar davranışları hakkında daha derin bilgiler edinmenize olanak tanır. Tek bir arayüzle, eğitim işlerini görselleştirebilir, deneme sırasında iş arkadaşlarınızla işbirliği yapabilir ve her model ve uygulama için sürüm kontrolünü koruyabilirsiniz. MLflow 3.0 ayrıca, üretken AI geliştirmenin her adımında girdileri, çıktıları ve meta verileri kaydeden gelişmiş izleme yetenekleri sunar ve hataların veya beklenmedik davranışların kaynağını hızlı bir şekilde belirlemenizi sağlar.

Üretici yapay zeka geliştirmeyi MLflow ile hızlandırın

ML denemelerinin üst verilerini merkezi olarak yönetin

Denemeleri değerlendirin

Birden çok yinelemeden en iyi modeli belirlemek, model performansının analizini ve karşılaştırılmasını gerektirir. MLflow, eğitim yinelemelerini karşılaştırmak için saçılım grafikleri, çubuk grafikler ve histogramlar gibi görselleştirmeler sunar. Ek olarak MLflow, modellerin sapma ve hakkaniyet açısından değerlendirilmesini sağlar.

ML denemelerinizi değerlendirin

MLFlow modellerini merkezi olarak yönetin

Birden fazla ekip, denemelerini yönetmek için genellikle MLflow kullanırken yalnızca bazı modeller üretim adayı durumuna gelir. Kuruluşlar, hangi modellerin üretime alınacağı konusunda bilinçli kararlar almak üzere tüm aday modelleri takip etmek için kolay bir yola ihtiyaç duyarlar. MLflow, SageMaker Model Kayıt Defteri ile sorunsuz bir şekilde entegre olup kuruluşların, MLflow'da kayıtlı modellerini yönetişim için bir SageMaker Model Kartı ile donatılmış olarak SageMaker Model Kayıt Defteri'nde görmelerini sağlar. Bu entegrasyon, veri bilimcilerin ve ML mühendislerinin kendi görevlerinde farklı araçlar kullanmalarını sağlar: denemeler için MLflow ve üretim yaşam döngüsünü kapsamlı model geçmişiyle birlikte yönetmek için SageMaker Model Kayıt Defteri.

Güncellemeleri ve sonuçları paylaşın

MLflow Modellerini SageMaker uç noktalarına dağıtın

Modelleri, MLflow'dan SageMaker Uç Noktaları'na dağıtmak sorunsuz olup model saklama için özel container'lar oluşturma ihtiyacını ortadan kaldırır. Bu entegrasyon, müşterilerin, modelleri günlüğe yazmak ve kaydetmek için MLflow'un kullanıcı dostu deneyimini saklarken SageMaker'ın optimize edilmiş çıkarım container'larından yararlanmalarını sağlar.

ML denemelerini yeniden oluşturun ve denetleyin