Amazon SageMaker AI 特徵

建置、訓練和部署機器學習 (ML) 模型，用於具有全受管基礎設施、工具和工作流程的任何使用案例

開始使用 SageMaker AI

試用實作教學

準備資料

SageMaker Feature Store

儲存、共用和管理機器學習模型功能

進一步了解

SageMaker Data Wrangler

將資料準備時間從數週縮短至幾分鐘

進一步了解

建立

SageMaker Notebooks

自動建立具有完整可見性的 ML 模型

訓練

SageMaker Model Training

快速且具成本效益地訓練 ML 模型

進一步了解

SageMaker Experiments

有效管理機器學習實驗

進一步了解

SageMaker HyperPod

利用專門建置的大規模分散式訓練基礎架構，縮短最多 40% 的基礎模型訓練時間

進一步了解

部署

SageMaker Model Deployment

輕鬆部署及管理用於推論的 ML 模型

進一步了解

SageMaker Edge

輕鬆操作在邊緣裝置上執行的機器學習模型

進一步了解

MLOps 和 ML 管控

ML Governance with SageMaker

利用專用的機器學習治理工具，簡化存取控制並提升透明度

進一步了解

SageMaker MLOps

使用工具大規模提供高效能 ML 模型，以將整個 ML 生命週期中的程序自動化

進一步了解

SageMaker Clarify

偵測資料和機器學習模型中的偏差，並解釋模型預測

進一步了解

SageMaker Pipelines

利用專用的 CI/CD 工具，建立端對端機器學習工作流程

進一步了解

Amazon SageMaker AI 功能在各區域的可用性

使用概觀圖表了解 SageMaker AI 功能在各 AWS 區域的可用性

進一步了解

後續步驟

Pricing

進一步了解 SageMaker AI 定價並索取報價

瀏覽定價頁面

Console

立即開始使用 SageMaker AI 進行建置

登入

Amazon SageMaker AI 特徵

建置、訓練和部署機器學習 (ML) 模型，用於具有全受管基礎設施、工具和工作流程的任何使用案例

準備資料

儲存、共用和管理機器學習模型功能

將資料準備時間從數週縮短至幾分鐘

建立

使用全受管筆記本探索和建置機器學習模型

具有基礎模型、演算法和解決方案的機器學習中心

使用完全整合式開發環境 (IDE) 執行 ML 開發

使用瀏覽器中的筆記本，快速學習和試驗機器學習

使用視覺化介面建置 ML 模型，無需使用程式碼

在整個機器學習生命週期中運用人類意見回饋，以建立高品質模型

自動建立具有完整可見性的 ML 模型

訓練

快速且具成本效益地訓練 ML 模型

有效管理機器學習實驗

利用專門建置的大規模分散式訓練基礎架構，縮短最多 40% 的基礎模型訓練時間

部署

輕鬆部署及管理用於推論的 ML 模型

輕鬆操作在邊緣裝置上執行的機器學習模型

MLOps 和 ML 管控

利用專用的機器學習治理工具，簡化存取控制並提升透明度

使用工具大規模提供高效能 ML 模型，以將整個 ML 生命週期中的程序自動化

偵測資料和機器學習模型中的偏差，並解釋模型預測

利用專用的 CI/CD 工具，建立端對端機器學習工作流程

Amazon SageMaker AI 功能在各區域的可用性

後續步驟

進一步了解 SageMaker AI 定價並索取報價

立即開始使用 SageMaker AI 進行建置

結束對 Internet Explorer 的支援