AWS fejrer 5 års innovation med Amazon SageMaker

På kun 5 år har titusindvis af kunder tappet Amazon SageMaker at skabe millioner af modeller, træne modeller med milliarder af parametre og generere hundredvis af milliarder af månedlige forudsigelser.

Kimen til et maskinlærings-paradigmeskifte (ML) var der i årtier, men med den let tilgængelighed af praktisk talt uendelig computerkapacitet, en massiv udbredelse af data og den hurtige udvikling af ML-teknologier, har kunder på tværs af brancher nu adgang til dets transformerende fordele. For at udnytte denne mulighed og tage ML ud af forskningslaboratoriet og i hænderne på organisationer, skabte AWS Amazon SageMaker. I år fejrer vi 5-års jubilæet for Amazon SageMaker, vores flagskib fuldt administrerede ML-tjeneste, som blev lanceret på AWS re:Invent 2017 og fortsatte med at blive en af ​​de hurtigst voksende tjenester i AWS historie.

AWS lancerede Amazon SageMaker for at nedbryde barrierer for ML og demokratisere adgangen til avanceret teknologi. I dag kunne den succes have virket uundgåelig, men i 2017 krævede ML stadig specialiserede færdigheder, som typisk var i besiddelse af en begrænset gruppe af udviklere, forskere, ph.d.'er eller virksomheder, der byggede deres forretning op omkring ML. Tidligere skulle udviklere og dataforskere først visualisere, transformere og forbehandle data til formater, som algoritmer kunne bruge til at træne modeller, hvilket krævede enorme mængder computerkraft, lange træningsperioder og dedikerede teams til at administrere miljøer, der ofte strakte sig over flere GPU- aktiverede servere – og en sund mængde manuel ydelsesjustering. Derudover krævede implementering af en trænet model i en applikation et andet sæt specialiserede færdigheder i applikationsdesign og distribuerede systemer. Efterhånden som datasæt og variabler voksede, måtte virksomheder gentage denne proces for at lære og udvikle sig fra ny information, efterhånden som ældre modeller blev forældede. Disse udfordringer og barrierer betød, at ML var uden for rækkevidde for de fleste bortset fra velfinansierede organisationer og forskningsinstitutioner.

Daggryet til en ny æra inden for maskinlæring

Det er derfor, vi introducerede Amazon SageMaker, vores flagskibs ML-administrerede service, der gør det muligt for udviklere, dataforskere og forretningsanalytikere hurtigt og nemt at forberede data og bygge, træne og implementere højkvalitets ML-modeller i stor skala. I løbet af de sidste 5 år har vi tilføjet mere end 250 nye funktioner og muligheder, herunder verdens første integrerede udviklingsmiljø (IDE) til ML, debuggere, modelmonitorer, profiler, AutoML, en funktionsbutik, ingen kode-funktioner og det første specialbyggede værktøj til kontinuerlig integration og kontinuerlig levering (CI/CD) til at gøre ML mindre kompleks og mere skalerbar i skyen og på kanten enheder.

I 2021 pressede vi demokratiseringen endnu længere for at bringe ML inden for rækkevidde af flere brugere. Amazon SageMaker gør det muligt for flere grupper af mennesker at skabe ML-modeller, inklusive no-code-miljøet i Amazon SageMaker lærred for virksomhedsanalytikere uden ML-erfaring samt et gratis ML-miljø uden opsætning, så eleverne kan lære og eksperimentere med ML hurtigere.

I dag kan kunder innovere med Amazon SageMaker gennem et udvalg af værktøjer – IDE'er til dataforskere og en kodefri grænseflade til forretningsanalytikere. De kan få adgang til, mærke og behandle store mængder strukturerede data (tabeldata) og ustrukturerede data (foto, video og lyd) til ML. Med Amazon SageMaker kan kunderne reducere træningstiden fra timer til minutter med optimeret infrastruktur. Endelig, kunder kan du automatisere og standardisere maskinlæringsoperationer (MLOps)-praksis på tværs af deres organisation for at bygge, træne, implementere og administrere modeller i stor skala.

Nye funktioner til næste generation af innovation

Fremover fortsætter AWS aggressivt med at udvikle nye funktioner, der kan hjælpe kunder med at tage ML videre. For eksempel giver Amazon SageMaker multi-model endpoints (MME'er) kunderne mulighed for at implementere tusindvis af ML-modeller på et enkelt Amazon SageMaker-endepunkt og sænke omkostningerne ved at dele forekomster, der er klargjort bag et slutpunkt på tværs af alle modellerne. Indtil for nylig blev MME'er kun understøttet på CPU'er, men Amazon SageMaker MME'er understøtter nu GPU'er. Kunder kan bruge Amazon SageMaker MME til at implementere deep learning-modeller på GPU-instanser og spare op til 90 % af omkostningerne ved at implementere tusindvis af deep learning-modeller til et enkelt multi-model slutpunkt. Amazon SageMaker har også udvidet understøttelse af computeroptimeret Amazon Elastic Compute Cloud (Amazon EC2) instanser drevet af AWS Graviton 2 og Graviton 3 processorer, som er velegnede til CPU-baseret ML-inferens, så kunderne kan implementere modeller på den optimale instanstype til deres arbejdsbelastninger.

Amazon SageMaker-kunder slipper kraften ved maskinlæring løs

Hver dag henvender kunder i alle størrelser og på tværs af alle brancher sig til Amazon SageMaker for at eksperimentere, innovere og implementere ML-modeller på kortere tid og til lavere omkostninger end nogensinde. Som følge heraf skifter samtaler nu fra det muliges kunst til at udløse nye niveauer af produktivitet med ML. I dag er kunder som Capital One og Fannie Mae inden for finansielle tjenesteydelser, Philips og AstraZeneca inden for sundheds- og biovidenskab, Conde Nast og Thomson Reuters inden for medier, NFL og Formel 1 inden for sport, Amazon og Mercado Libre inden for detailhandel, og Siemens og Bayer inden for industrisektoren bruger ML-tjenester på AWS til at fremskynde forretningsinnovation. De slutter sig til titusindvis af andre Amazon SageMaker-kunder, der bruger tjenesten til at administrere millioner af modeller, træne modeller med milliarder af parametre og lave hundredvis af milliarder af forudsigelser hver måned.

Flere innovationer venter. Men i mellemtiden holder vi pause for at skåle for de mange succeser, vores kunder har opnået.

Thomson Reuters

Thomson Reuters, en førende udbyder af virksomhedsinformationstjenester, udnytter kraften i Amazon SageMaker til at skabe mere intuitive tjenester til deres kunder.

"Vi søger konstant solide AI-baserede løsninger, der giver et langsigtet positivt afkast af investeringen," sagde Danilo Tommasina, direktør for ingeniørarbejde hos Thomson Reuters Labs. "Amazon SageMaker er central for vores AI R&D-arbejde. Det giver os mulighed for effektivt at bringe forskning ind i modne og stærkt automatiserede løsninger. Med Amazon SageMaker Studio kan forskere og ingeniører fokusere på at løse forretningsproblemer med alle de nødvendige værktøjer til deres ML-workflow i en enkelt IDE. Vi udfører alle vores ML-udviklingsaktiviteter, inklusive notebooks, eksperimentstyring, ML-pipelineautomatisering og fejlretning direkte fra Amazon SageMaker Studio."

Salesforce

Salesforce, verdens førende CRM-platform, annoncerede for nylig nye integrationer, der vil gøre det muligt at bruge Amazon SageMaker sammen med Einstein, Salesforces AI-teknologi.

"Salesforce Einstein er den første omfattende AI til CRM og gør det muligt for enhver virksomhed at blive klogere og mere forudsigelig omkring deres kunder gennem et integreret sæt AI-teknologier til salg, marketing, handel, service og IT," sagde Rahul Auradkar, EVP for Einstein og Unified Data Services hos Salesforce. "En af de største udfordringer, virksomheder står over for i dag, er, at deres data er i silo. Det er vanskeligt at samle data for at levere kundeengagement i realtid på tværs af alle berøringspunkter og skaffe meningsfuld forretningsindsigt. Drevet af Genie, Salesforces kundedataplatform i realtid, giver Salesforce og Amazon SageMaker integrationen datateams mulighed for problemfri adgang til forenede og harmoniserede kundedata til opbygning og træning af ML-modeller i Amazon SageMaker. Og når de først er implementeret, kan disse Amazon SageMaker-modeller bruges sammen med Einstein til at styrke forudsigelser og indsigt på tværs af Salesforce-platformen. Efterhånden som AI udvikler sig, fortsætter vi med at forbedre Einstein med bring-your-own-modeling (BYOM) for at møde udviklere og dataforskere, hvor de arbejder."

Meta AI

Meta AI er et kunstig intelligenslaboratorium, der tilhører Meta Platforms Inc.

"Meta AI har samarbejdet med AWS for at forbedre torch.distributed for at hjælpe udviklere med at skalere deres træning ved hjælp af Amazon SageMaker og Trainium-baserede instanser," sagde Geeta Chauhan, Applied AI Engineering Manager hos Meta AI. "Med disse forbedringer har vi set en reduktion i træningstiden for store modeller baseret på vores tests. Vi er glade for at se, at Amazon SageMaker understøtter PyTorch-distribueret træning for at accelerere ML-innovation."

Tyson Foods Inc.

Tyson Foods Inc., en af ​​verdens største kødforarbejdere og marketingfolk, er afhængige af Amazon SageMaker, Amazon SageMaker Ground Truthog AWS Panorama at forbedre effektiviteten.

"Operational excellence er en nøgleprioritet hos Tyson Foods," sagde Barret Miller, Senior Manager of Emerging Technology hos Tyson Foods Inc. "Vi bruger computervision drevet af ML på AWS til at forbedre produktionseffektiviteten, automatisere processer og forbedre tidskrævende eller fejlbehæftede opgaver. Vi samarbejdede med Amazon Machine Learning Solutions Lab for at skabe en state-of-the-art objektdetektionsmodel ved hjælp af Amazon SageMaker Ground Truth og AWS Panorama. Med denne løsning modtager vi næsten-realtidsindsigt, der hjælper os med at producere den beholdning, vi har brug for, samtidig med at vi minimerer spild."

Autodesk

AutoCAD er et kommercielt computerstøttet design- og tegneprogram fra Autodesk. AutoCAD er afhængig af Amazon SageMaker for at optimere sin generative designproces.

"Vi ønskede at give AutoCAD-kunder mulighed for at være mere effektive ved at give personligt tilpassede brugstip og indsigt, der sikrer, at den tid, de bruger i AutoCAD, er så produktiv som muligt," sagde Dania El Hassan, direktør for Product Management for AutoCAD , hos Autodesk. "Amazon SageMaker var et vigtigt værktøj, der hjalp os med at give proaktive kommandoer og genvejsanbefalinger til vores brugere, så de kunne opnå kraftfulde nye designresultater."

Torc.ai

Med hjælp fra Amazon SageMaker og Amazon SageMaker distributed data parallel (SMDDP) bibliotek, Torc.ai, en leder af autonome køretøjer siden 2005, kommercialiserer selvkørende lastbiler til sikker, vedvarende langdistancetransit i fragtindustrien.

"Mit team er nu i stand til nemt at køre distribuerede træningsjob i stor skala ved hjælp af Amazon SageMaker modeltræning og Amazon SageMaker distributed data parallel (SMDDP) biblioteket, der involverer terabyte af træningsdata og modeller med millioner af parametre," sagde Derek Johnson, vicedirektør. President of Engineering hos Torc.ai. “Amazon SageMaker distribuerede modeltræning og SMDDP har hjulpet os med at skalere problemfrit uden at skulle administrere træningsinfrastruktur. Det reducerede vores tid til at træne modeller fra flere dage til et par timer, hvilket gjorde det muligt for os at komprimere vores designcyklus og bringe nye autonome køretøjskapaciteter til vores flåde hurtigere end nogensinde.

LG AI Research

LG AI Research sigter mod at lede den næste æra af AI ved at bruge Amazon SageMaker til at træne og implementere ML-modeller hurtigere.

"Vi har for nylig debuteret Tilda, AI-kunstneren drevet af EXAONE, et supergigantisk AI-system, der kan behandle 250 millioner high-definition billed-tekst par datasæt," sagde Seung Hwan Kim, Vice President og Vision Lab Leader hos LG AI Research. "Multimodalitet AI giver Tilda mulighed for at skabe et nyt billede af sig selv, med dets evne til at udforske ud over det sprog, den opfatter. Amazon SageMaker var afgørende for udviklingen af ​​EXAONE på grund af dets skalering og distribuerede træningsmuligheder. Specifikt på grund af den massive beregning, der kræves for at træne denne supergigantiske AI, er effektiv parallel behandling meget vigtig. Vi skulle også løbende administrere data i stor skala og være fleksible til at reagere på nyerhvervede data. Ved at bruge Amazon SageMaker modeltræning og distribuerede træningsbiblioteker optimerede vi distribueret træning og trænede modellen 59 % hurtigere – uden større ændringer af vores træningskode.”

Mueller vandprodukter

Mueller Water Products fremstiller konstruerede ventiler, brandhaner, rørforbindelses- og reparationsprodukter, måleprodukter, løsninger til lækagedetektion og meget mere. Det brugte Amazon SageMaker til at udvikle en innovativ ML-løsning til at opdage vandlækager hurtigere.

"Vi er på en mission om at spare 7.7 milliarder gallons vandtab inden 2027," sagde Dave Johnston, direktør for Smart Infrastructure hos Mueller Water Products. "Takket være ML-modeller bygget på Amazon SageMaker har vi forbedret præcisionen af ​​EchoShore-DX, vores akustisk-baserede anomalidetektionssystem. Som et resultat kan vi hurtigere informere forsyningskunder, når der opstår en lækage. Denne løsning har sparet anslået 675 millioner gallons vand i 2021. Vi er glade for at fortsætte med at bruge AWS ML-tjenester til yderligere at forbedre vores teknologiportefølje og fortsætte med at drive effektivitet og bæredygtighed hos vores forsyningskunder."

Canva

Canva, der producerer det populære online design- og publiceringsværktøj, er afhængig af Amazon SageMakers kraft til hurtig implementering.

"For at Canva kunne vokse i skala, havde vi brug for et værktøj til at hjælpe os med at lancere nye funktioner uden forsinkelser eller problemer," sagde Greg Roodt, Head of Data Platforms hos Canva. “Amazon SageMakers tilpasningsevne gjorde det muligt for os at håndtere flere opgaver med færre ressourcer, hvilket resulterede i en hurtigere og mere effektiv arbejdsbyrde. Det gav vores ingeniørteam tillid til, at de funktioner, de lancerer, vil skalere til deres anvendelsestilfælde. Med Amazon SageMaker implementerede vi vores tekst-til-billede-model på 2 uger ved hjælp af kraftfuld administreret infrastruktur, og vi ser frem til at udvide denne funktion til vores millioner af brugere i den nærmeste fremtid."

Inspire

Inspire, en forbrugercentreret sundhedsinformationstjeneste, er afhængig af Amazon SageMaker for at levere handlingsorienteret indsigt for bedre pleje, behandlinger og resultater.

"Vores indholdsanbefalingsmotor er en vigtig drivkraft for vores værditilbud," sagde Brian Loew, administrerende direktør og grundlægger af Inspire. "Vi bruger det til at lede vores brugere (som lever med særlige forhold) til relevante og specifikke indlæg eller artikler. Med Amazon SageMaker kan vi nemt bygge, træne og implementere deep learning-modeller. Vores sofistikerede ML-løsning – baseret på Amazon SageMaker – hjælper os med at forbedre vores indholdsanbefalingsmotors evne til at foreslå relevant indhold til 2 millioner registrerede brugere, ved at trække fra vores bibliotek med 1.5 milliarder ord på 3,600 forhold. Amazon SageMaker har gjort os i stand til præcist at forbinde patienter og plejere med mere personligt indhold og ressourcer – inklusive information om sjældne sygdomme og behandlingsveje."

ResMed

ResMed er en førende leverandør af cloud-forbundne løsninger til mennesker med søvnapnø, KOL, astma og andre kroniske lidelser. I 2014 lancerede ResMed MyAir, en personlig terapistyringsplatform og -applikation, hvor patienter kan spore søvnterapi.

"Før Amazon SageMaker modtog alle MyAir-brugere de samme beskeder fra appen på samme tid, uanset deres tilstand," sagde Badri Raghavan, Vice President for Data Science hos ResMed. “Amazon SageMaker har gjort det muligt for os at interagere med patienter gennem MyAir baseret på den specifikke ResMed-enhed, de bruger, deres vågne timer og andre kontekstuelle data. Vi udnytter adskillige Amazon SageMaker-funktioner til at træne modelpipelines og vælge implementeringstyper, inklusive nær-realtid og batch-slutninger, for at levere skræddersyet indhold. Amazon SageMaker har gjort det muligt for os at nå vores mål om at integrere ML-kapaciteter på verdensplan ved at implementere modeller på dage eller uger i stedet for måneder."

Verisk

Verisk leverer ekspertdatadrevet analytisk indsigt, der hjælper forretning, mennesker og samfund med at blive stærkere, mere modstandsdygtige og bæredygtige. Den bruger Amazon SageMaker til at strømline ML-arbejdsgange.

"Verisk og Vexcel arbejder tæt sammen om at gemme og behandle enorme mængder data på AWS, inklusive Vexcels ultrahøjopløsnings luftfotodata, der er optaget i 26 lande over hele kloden," sagde Jeffrey C. Taylor, President hos Verisk 3D Visual Intelligens. "Amazon SageMaker hjælper os med at strømline det arbejde, som ML- og MLOps-teamene udfører, hvilket giver os mulighed for at fokusere på at betjene vores kunders behov, herunder fast ejendomsinteressenter inden for forsikring, fast ejendom, byggeri og mere."

Smartocto BV

Med hjælp fra Amazon SageMaker leverer Smartocto BV indholdsanalyse drevet af ML til 350 redaktioner og medievirksomheder over hele verden.

"Da forretningen var ved at skalere, var vi nødt til at forenkle implementeringen af ​​vores ML-modeller, reducere time to market og udvide vores produktudbud," sagde Ilija Susa, Chief Data Officer hos Smartocto. “Men kombinationen af ​​open source- og cloud-løsninger til selv at hoste vores ML-arbejdsbelastninger blev stadig mere tidskrævende at administrere. Vi migrerede vores ML-modeller til Amazon SageMaker-slutpunkter og lancerede på mindre end 3 måneder Smartify, en ny AWS-native løsning. Smartify bruger Amazon SageMaker til at levere forudsigelige redaktionelle analyser i næsten realtid, som hjælper kunder med at forbedre deres indhold og udvide deres publikum."

Visualfabriq

Visualfabriq tilbyder en indtægtsstyringsløsning med anvendt kunstig intelligens-funktioner til nogle af verdens førende forbrugsvarefirmaer. Den bruger Amazon SageMaker til at forbedre ydeevnen og nøjagtigheden af ​​ML-modeller i stor skala.

"Vi ønskede at tilpasse vores teknologistak for at forbedre ydeevne og skalerbarhed og gøre modeller nemmere at tilføje, opdatere og genoptræne," sagde Jelle Verstraaten, Team Lead for Demand Forecast, Artificial Intelligence og Revenue Growth Management hos Visualfabriq. "Den største påvirkning af migreringen til Amazon SageMaker har været en væsentlig forbedring af ydeevnen for vores løsning. Ved at køre slutninger på dedikerede servere i stedet for webservere er vores løsning mere effektiv, og omkostningerne er konsistente og gennemsigtige. Vi forbedrede responstiden for vores service for efterspørgselsprognose – som forudsiger virkningen af ​​en salgsfremmende handling på en forhandlers salgsvolumen – med 200 % og implementerede en skalerbar løsning, der kræver mindre manuel indgriben og accelererer onboarding af nye kunder.”

Sophos

Sophos, en verdensomspændende førende inden for næste generations cybersikkerhedsløsninger og -tjenester, bruger Amazon SageMaker til at træne sine ML-modeller mere effektivt.

"Vores kraftfulde teknologi registrerer og eliminerer filer, der er snedigt fyldt med malware," sagde Konstantin Berlin, leder af kunstig intelligens hos Sophos. "At bruge XGBoost-modeller til at behandle datasæt i flere terabyte-størrelser var imidlertid ekstremt tidskrævende - og nogle gange simpelthen ikke muligt med begrænset hukommelsesplads. Med Amazon SageMaker distribueret træning kan vi med succes træne en letvægts XGBoost-model, der er meget mindre på disken (op til 25 gange mindre) og i hukommelsen (op til fem gange mindre) end sin forgænger. Ved at bruge Amazon SageMaker automatisk modeltuning og distribueret træning på Spot Instances kan vi hurtigt og mere effektivt modificere og genoptræne modeller uden at justere den underliggende træningsinfrastruktur, der kræves for at skalere ud til så store datasæt."

Northwestern University

Studerende fra Northwestern University i Master of Science in Artificial Intelligence (MSAI)-programmet fik en rundvisning i Amazon SageMaker Studio Lab før du bruger det under et hackathon.

"Amazon SageMaker Studio Labs brugervenlighed satte eleverne i stand til hurtigt at anvende deres læring til at bygge kreative løsninger," sagde Mohammed Alam, vicedirektør for MSAI-programmet. ”Vi forventede, at eleverne naturligt ramte nogle forhindringer under den korte 5-timers konkurrence. I stedet oversteg de vores forventninger ved ikke kun at fuldføre alle projekterne, men også at give imponerende præsentationer, hvor de anvendte komplekse ML-koncepter på vigtige problemer i den virkelige verden."

Rensselaer Polytechnic Institute

Rensselaer Polytechnic Institute (RPI), et teknologisk forskningsuniversitet i New York, bruger Amazon SageMaker Studio til at hjælpe studerende med hurtigt at lære ML-koncepter.

"RPI ejer en af ​​de mest kraftfulde supercomputere i verden, men AI har en stejl indlæringskurve," sagde Mohammed J. Zaki, professor i datalogi. "Vi havde brug for en måde, hvorpå eleverne kunne starte omkostningseffektivt. Amazon SageMaker Studio Labs intuitive grænseflade gjorde det muligt for vores elever at komme hurtigt i gang og leverede en kraftfuld GPU, der satte dem i stand til at arbejde med komplekse deep learning-modeller til deres hovedstensprojekter."

Hong Kong Institute of Vocational Education

IT-afdelingen på Hong Kong Institute of Vocational Education (Lee Wai Lee) bruger Amazon SageMaker Studio Lab til at tilbyde eleverne muligheder for at arbejde på ML-projekter i den virkelige verden.

"Vi bruger Amazon SageMaker Studio Lab i grundlæggende ML- og Python-relaterede kurser, der giver eleverne et solidt fundament i mange cloud-teknologier," sagde Cyrus Wong, Senior Lektor. “Amazon SageMaker Studio Lab gør det muligt for vores studerende at få praktisk erfaring med datavidenskabelige projekter i den virkelige verden uden at blive hængende i opsætninger eller konfigurationer. I modsætning til andre leverandører er dette en Linux-maskine til studerende, der gør det muligt for dem at lave mange flere kodningsøvelser."

MapmyIndien

MapmyIndia, Indiens førende udbyder af digitale kort, geospatial software og lokationsbaserede Internet of Things (IoT) teknologier, bruger Amazon SageMaker til at bygge, træne og implementere sine ML-modeller.

"MapmyIndia og vores globale platform, Mappls, tilbyder robuste, meget nøjagtige og verdensomspændende kunstig intelligens og computervision-drevet satellit- og gadebilleder-baserede analyser til en lang række brugssager, såsom måling af økonomisk udvikling, befolkningstilvækst, landbrug. output, byggeaktivitet, gadeskilte-detektering, jordsegmentering og vejændringsdetektion,” sagde Rohan Verma, administrerende direktør og administrerende direktør hos MapmyIndia. "Vores evne til at skabe, træne og implementere modeller med hastighed og nøjagtighed adskiller os. Vi er glade for at samarbejde med AWS for vores AI/ML-tilbud og er begejstrede for Amazon SageMakers evne til at skalere dette hurtigt."

SatSure

SatSure, en Indien-baseret leder inden for beslutningsintelligence-løsninger, der bruger jordobservationsdata til at generere indsigt, er afhængig af Amazon SageMaker til at forberede og træne petabytes af ML-data.

"Vi bruger Amazon SageMaker til at knuse petabytes af EO-, GIS-, finansielle, tekst- og forretningsdatasæt ved at bruge dets AI/ML-kapaciteter til at innovere og skalere vores modeller hurtigt," sagde Prateep Basu, administrerende direktør hos SatSure. "Vi har brugt AWS siden 2017, og vi har hjulpet finansielle institutioner med at låne ud til mere end 2 millioner landmænd i Indien, Nigeria og Filippinerne, mens vi overvåger 1 million kvadratkilometer på en ugentlig basis."

Konklusion

For at komme i gang med Amazon SageMaker, besøg aws.amazon.com/sagemaker.

---

Om forfatteren

Ankur Mehrotra kom til Amazon tilbage i 2008 og er i øjeblikket General Manager for Amazon SageMaker. Før Amazon SageMaker arbejdede han med at opbygge Amazon.coms reklamesystemer og automatiserede pristeknologi.