نوت بوک های گویا در Amazon SageMaker JumpStart

Amazon SageMaker JumpStart مرکز یادگیری ماشینی (ML) SageMaker است که مدل های از پیش آموزش دیده و در دسترس عموم را برای طیف وسیعی از انواع مشکلات ارائه می دهد تا به شما در شروع یادگیری ماشین کمک کند.

JumpStart همچنین نمونه نوت بوک هایی را ارائه می دهد که استفاده می کنند آمازون SageMaker ویژگی‌هایی مانند آموزش نمونه‌های نقطه‌ای و آزمایش‌ها بر روی انواع مدل‌های مختلف و موارد استفاده. این نوت‌بوک‌های نمونه حاوی کدی هستند که نحوه اعمال راه‌حل‌های ML را با استفاده از SageMaker و JumpStart نشان می‌دهد. آنها را می توان برای مطابقت با نیازهای شما تطبیق داد و بنابراین می تواند توسعه برنامه را سرعت بخشد.

اخیراً 10 نوت بوک جدید به JumpStart in اضافه کردیم Amazon SageMaker Studio. این پست بر روی این نوت بوک های جدید تمرکز دارد. تا زمان نگارش این مقاله، JumpStart 56 دفترچه یادداشت ارائه می‌دهد، از استفاده از پیشرفته‌ترین مدل‌های پردازش زبان طبیعی (NLP) تا رفع سوگیری در مجموعه‌های داده هنگام آموزش مدل‌ها.

10 نوت بوک جدید می توانند در راه های زیر به شما کمک کنند:

• آن‌ها کد نمونه‌ای را برای شما ارائه می‌دهند تا آن‌طور که از JumpStart UI در استودیو است اجرا کنید و ببینید که کد چگونه کار می‌کند
• آنها استفاده از SageMaker و JumpStart API های مختلف را نشان می دهند
• آنها یک راه حل فنی ارائه می دهند که می توانید بیشتر بر اساس نیازهای خود سفارشی کنید

تعداد نوت بوک هایی که از طریق JumpStart ارائه می شوند به طور منظم با اضافه شدن نوت بوک های بیشتر افزایش می یابد. این نوت بوک ها نیز در دسترس هستند گیتهاب.

نمای کلی نوت بوک ها

10 نوت بوک جدید به شرح زیر است:

• یادگیری درون متنی با AlexaTM 20B – نحوه استفاده از AlexaTM 20B را برای یادگیری درون متنی با یادگیری صفر و چند شات در پنج کار مثال نشان می دهد: خلاصه سازی متن، تولید زبان طبیعی، ترجمه ماشینی، پاسخ به سؤالات استخراجی، و استنتاج و طبقه بندی زبان طبیعی.
• یادگیرنده خطی انصاف در SageMaker – اخیراً نگرانی‌هایی در مورد سوگیری در الگوریتم‌های ML در نتیجه تقلید از تعصبات انسانی موجود وجود دارد. این دفترچه از مفاهیم انصاف برای تنظیم مناسب پیش بینی های مدل استفاده می کند.
• مدیریت آزمایش ML با استفاده از SageMaker Search - Amazon SageMaker Search به شما امکان می دهد تا به سرعت مرتبط ترین مدل های آموزشی اجرا شده را از صدها و هزاران شغل آموزشی مدل SageMaker به سرعت بیابید و ارزیابی کنید.
• مدل موضوع عصبی SageMaker – مدل موضوع عصبی SageMaker (NTM) یک الگوریتم یادگیری بدون نظارت است که تلاش می کند مجموعه ای از مشاهدات را به عنوان ترکیبی از مقوله های متمایز توصیف کند.
• پیش بینی تخلفات سرعت رانندگی - الگوریتم SageMaker DeepAR می تواند برای آموزش یک مدل برای چندین خیابان به طور همزمان و پیش بینی تخلفات برای دوربین های متعدد خیابان استفاده شود.
• پیش بینی سرطان سینه - این نوت بوک از مجموعه داده های تشخیصی سرطان سینه UCI برای ساخت یک مدل پیش بینی کننده از اینکه آیا تصویر توده پستان نشان دهنده یک تومور خوش خیم یا بدخیم است استفاده می کند.
• پیش‌بینی‌های گروه از مدل‌های متعدد - با ترکیب یا میانگین‌گیری پیش‌بینی‌ها از منابع و مدل‌های متعدد، معمولاً یک پیش‌بینی بهبود یافته دریافت می‌کنیم. این دفترچه یادداشت این مفهوم را نشان می دهد.
• استنتاج ناهمزمان SageMaker – استنتاج ناهمزمان یک گزینه استنتاج جدید برای نیازهای استنتاج در زمان واقعی است. پردازش درخواست‌ها می‌تواند تا 15 دقیقه طول بکشد و حجم محموله‌های آن تا 1 گیگابایت است.
• TensorFlow مدل خود را بیاورد - آموزش نحوه آموزش یک مدل TensorFlow به صورت محلی و استقرار در SageMaker با استفاده از این نوت بوک را بیاموزید.
• Scikit-Learn مدل خود را بیاورید - این نوت بوک نحوه استفاده از یک مدل Scikit-learn از قبل آموزش دیده با SageMaker Scikit-learn ظرف را نشان می دهد تا به سرعت یک نقطه پایانی میزبان برای آن مدل ایجاد شود.

پیش نیازها

برای استفاده از این نوت‌بوک‌ها، مطمئن شوید که به Studio با یک نقش اجرایی دسترسی دارید که به شما امکان می‌دهد عملکرد SageMaker را اجرا کنید. ویدیوی کوتاه زیر به شما کمک می کند تا به نوت بوک های JumpStart بروید.

در بخش های بعدی، هر یک از 10 راه حل جدید را مرور می کنیم و برخی از جزئیات جالب آنها را مورد بحث قرار می دهیم.

یادگیری درون متنی با AlexaTM 20B

AlexaTM 20B یک مدل توالی به دنباله (seq2seq) چند کاره، چندزبانه و در مقیاس بزرگ است که بر روی ترکیبی از Crawl مشترک (mC4) و داده‌های ویکی‌پدیا در 12 زبان، با استفاده از وظایف حذف نویز و مدل‌سازی زبان علّی (CLM) آموزش داده شده است. عملکرد پیشرفته‌ای را در کارهای رایج زبان درون متنی مانند خلاصه‌سازی یک‌شات و ترجمه ماشینی یک‌شات به دست می‌آورد، و از مدل‌های فقط رمزگشا مانند GPT3 Open AI و PalM Google که بیش از هشت برابر بزرگ‌تر هستند، بهتر عمل می‌کند.

یادگیری درون متنی که به آن نیز معروف است اعلان، به روشی اشاره دارد که در آن از یک مدل NLP در یک کار جدید بدون نیاز به تنظیم دقیق آن استفاده می کنید. چند نمونه کار تنها به عنوان بخشی از ورودی استنتاج به مدل ارائه شده است، پارادایم به نام یادگیری درون متنی چند شات. در برخی موارد، مدل می‌تواند بدون هیچ داده آموزشی به خوبی عمل کند، تنها توضیحی در مورد آنچه باید پیش‌بینی شود ارائه می‌شود. به این می گویند یادگیری درون متنی بدون شات.

این نوت بوک نحوه استقرار AlexaTM 20B از طریق JumpStart API و اجرای استنتاج را نشان می دهد. همچنین نشان می‌دهد که چگونه می‌توان از AlexaTM 20B برای یادگیری درون متنی با پنج کار مثال استفاده کرد: خلاصه‌سازی متن، تولید زبان طبیعی، ترجمه ماشینی، پاسخ‌گویی به سؤالات استخراجی، و استنتاج و طبقه‌بندی زبان طبیعی.

نوت بوک موارد زیر را نشان می دهد:

• خلاصه سازی متن تک شات، تولید زبان طبیعی و ترجمه ماشینی با استفاده از یک مثال آموزشی برای هر یک از این کارها
• پاسخگویی به سوالات صفر شات و استنتاج زبان طبیعی به همراه طبقه بندی با استفاده از مدل همانطور که هست، بدون نیاز به ارائه هیچ مثال آموزشی.

سعی کنید متن خود را با این مدل اجرا کنید و ببینید چگونه متن را خلاصه می کند، پرسش و پاسخ را استخراج می کند یا از یک زبان به زبان دیگر ترجمه می کند.

یادگیرنده خطی انصاف در SageMaker

اخیراً نگرانی‌هایی در مورد سوگیری در الگوریتم‌های ML در نتیجه تقلید از تعصبات انسانی موجود وجود دارد. امروزه چندین روش ML پیامدهای اجتماعی قوی دارند، به عنوان مثال از آنها برای پیش بینی وام های بانکی، نرخ بیمه یا تبلیغات استفاده می شود. متأسفانه، الگوریتمی که از داده های تاریخی یاد می گیرد، به طور طبیعی سوگیری های گذشته را به ارث می برد. این نوت بوک نحوه غلبه بر این مشکل را با استفاده از SageMaker و الگوریتم های منصفانه در زمینه زبان آموزان خطی ارائه می دهد.

با معرفی برخی از مفاهیم و ریاضیات پشت انصاف شروع می شود، سپس داده ها را دانلود می کند، یک مدل را آموزش می دهد، و در نهایت مفاهیم انصاف را برای تنظیم مناسب پیش بینی های مدل به کار می گیرد.

نوت بوک موارد زیر را نشان می دهد:

• اجرای یک مدل خطی استاندارد بر روی مجموعه داده بزرگسالان UCI.
• نشان دادن ناعادلانه در پیش بینی مدل
• اصلاح داده ها برای حذف سوگیری
• بازآموزی مدل

سعی کنید داده های خود را با استفاده از این کد مثال اجرا کنید و تشخیص دهید که آیا سوگیری وجود دارد. پس از آن، با استفاده از توابع ارائه شده در این دفترچه یادداشت، سعی کنید در صورت وجود، سوگیری را در مجموعه داده خود حذف کنید.

آزمایش ML را با استفاده از SageMaker Search مدیریت کنید

SageMaker Search به شما امکان می‌دهد به سرعت مرتبط‌ترین مدل‌های آموزشی را از صدها و هزاران شغل آموزشی مدل SageMaker به سرعت بیابید و ارزیابی کنید. توسعه یک مدل ML مستلزم آزمایش مداوم، آزمایش الگوریتم‌های یادگیری جدید و تنظیم فراپارامترها است، همگی در حالی که تأثیر چنین تغییراتی بر عملکرد و دقت مدل مشاهده می‌شود. این تمرین تکراری اغلب منجر به انفجار صدها آزمایش آموزشی مدل و نسخه‌های مدل می‌شود و همگرایی و کشف یک مدل برنده را کاهش می‌دهد. علاوه بر این، انفجار اطلاعات، ردیابی نسب یک نسخه مدل را بسیار سخت می کند - ترکیبی منحصر به فرد از مجموعه داده ها، الگوریتم ها و پارامترهایی که در وهله اول آن مدل را ایجاد کردند.

این نوت بوک نحوه استفاده از SageMaker Search را برای سازماندهی سریع و آسان، ردیابی و ارزیابی مشاغل آموزشی مدل خود در SageMaker نشان می دهد. می‌توانید تمام ویژگی‌های تعیین‌کننده را از الگوریتم یادگیری استفاده‌شده، تنظیمات فراپارامتر، مجموعه داده‌های آموزشی استفاده‌شده، و حتی برچسب‌هایی که بر روی کارهای آموزشی مدل اضافه کرده‌اید، جستجو کنید. شما همچنین می توانید به سرعت اجراهای آموزشی خود را بر اساس معیارهای عملکرد آنها، مانند دقت از دست دادن آموزش و اعتبارسنجی، مقایسه و رتبه بندی کنید، در نتیجه تابلوهای امتیازی برای شناسایی مدل های برنده ایجاد کنید که می توانند در محیط های تولید مستقر شوند. SageMaker Search می تواند به سرعت نسب کامل یک نسخه مدل مستقر شده در یک محیط زنده را تا مجموعه داده های مورد استفاده در آموزش و اعتبارسنجی مدل ردیابی کند.

نوت بوک موارد زیر را نشان می دهد:

• سه بار آموزش مدل خطی
• استفاده از SageMaker Search برای سازماندهی و ارزیابی این آزمایش ها
• تجسم نتایج در تابلوی امتیازات
• استقرار یک مدل به نقطه پایانی
• ردیابی اصل و نسب مدل که از نقطه پایانی شروع می شود

در توسعه مدل های پیش بینی خود، ممکن است چندین آزمایش انجام دهید. سعی کنید از SageMaker Search در چنین آزمایش‌هایی استفاده کنید و تجربه کنید که چگونه می‌تواند به شما کمک کند.

مدل موضوع عصبی SageMaker

مدل موضوع عصبی SageMaker (NTM) یک الگوریتم یادگیری بدون نظارت است که تلاش می کند مجموعه ای از مشاهدات را به عنوان ترکیبی از مقوله های متمایز توصیف کند. NTM معمولاً برای کشف تعداد مشخص شده توسط کاربر از موضوعات به اشتراک گذاشته شده توسط اسناد در یک مجموعه متن استفاده می شود. در اینجا هر مشاهده یک سند است، ویژگی‌ها حضور (یا تعداد وقوع) هر کلمه و دسته‌ها موضوعات هستند. از آنجایی که این روش بدون نظارت است، موضوعات از قبل مشخص نشده‌اند و تضمینی برای مطابقت با نحوه طبقه‌بندی طبیعی اسناد توسط انسان وجود ندارد. موضوعات به عنوان توزیع احتمال بر روی کلماتی که در هر سند وجود دارد، یاد می گیرند. هر سند به نوبه خود به عنوان ترکیبی از موضوعات توصیف می شود.

این نوت بوک از الگوریتم SageMaker NTM برای آموزش مدلی بر روی مجموعه داده 20NewsGroups استفاده می کند. این مجموعه داده به طور گسترده ای به عنوان یک معیار مدل سازی موضوع استفاده شده است.

نوت بوک موارد زیر را نشان می دهد:

• ایجاد یک کار آموزشی SageMaker بر روی یک مجموعه داده برای تولید یک مدل NTM
• استفاده از مدل برای انجام استنتاج با نقطه پایانی SageMaker
• کاوش مدل آموزش دیده و تجسم موضوعات آموخته شده

شما به راحتی می توانید این دفترچه را طوری تغییر دهید که روی اسناد متنی شما اجرا شود و آنها را به موضوعات مختلف تقسیم کنید.

پیش بینی تخلفات سرعت رانندگی

این نوت بوک پیش بینی سری های زمانی را با استفاده از الگوریتم SageMaker DeepAR با تجزیه و تحلیل مجموعه داده های تخلف دوربین سرعت شیکاگو نشان می دهد. این مجموعه داده توسط Data.gov میزبانی می شود و توسط اداره خدمات عمومی ایالات متحده، سرویس تحول فناوری مدیریت می شود.

این تخلفات توسط سیستم های دوربین ثبت می شود و برای بهبود زندگی مردم از طریق پورتال داده شهر شیکاگو در دسترس است. مجموعه داده نقض دوربین سرعت را می توان برای تشخیص الگوها در داده ها و به دست آوردن بینش معنی دار استفاده کرد.

مجموعه داده شامل چندین مکان دوربین و تعداد نقض روزانه است. هر تعداد تخلف روزانه برای یک دوربین را می توان یک سری زمانی جداگانه در نظر گرفت. می توانید از الگوریتم SageMaker DeepAR برای آموزش مدلی برای چندین خیابان به طور همزمان و پیش بینی تخلفات برای چندین دوربین خیابان استفاده کنید.

نوت بوک موارد زیر را نشان می دهد:

• آموزش الگوریتم SageMaker DeepAR بر روی مجموعه داده سری زمانی با استفاده از نمونه های نقطه ای
• استنباط بر روی مدل آموزش دیده برای پیش بینی تخلفات ترافیکی

با این نوت بوک، می توانید یاد بگیرید که چگونه می توان مسائل سری زمانی را با استفاده از الگوریتم DeepAR در SageMaker حل کرد و سعی کنید آن را در مجموعه داده های سری زمانی خود اعمال کنید.

پیش بینی سرطان سینه

این دفترچه نمونه‌ای برای پیش‌بینی سرطان پستان با استفاده از مجموعه داده‌های تشخیصی سرطان پستان UCI'S می‌گیرد. از این مجموعه داده برای ایجاد یک مدل پیش‌بینی از اینکه آیا تصویر توده پستان نشان‌دهنده یک تومور خوش‌خیم یا بدخیم است، استفاده می‌کند.

نوت بوک موارد زیر را نشان می دهد:

• راه اندازی اولیه برای استفاده از SageMaker
• تبدیل مجموعه داده ها به فرمت Protobuf مورد استفاده توسط الگوریتم های SageMaker و آپلود در سرویس ذخیره سازی ساده آمازون (آمازون S3)
• آموزش یک مدل یادگیرنده خطی SageMaker بر روی مجموعه داده
• میزبانی مدل آموزش دیده
• امتیازدهی با استفاده از مدل آموزش دیده

برای یادگیری نحوه حل یک مشکل تجاری با استفاده از SageMaker و درک مراحل مربوط به آموزش و میزبانی یک مدل، می توانید این نوت بوک را مرور کنید.

پیش‌بینی‌های مجموعه از چندین مدل

در کاربردهای عملی ML در کارهای پیش بینی، یک مدل اغلب کافی نیست. بیشتر مسابقات پیش‌بینی معمولاً به ترکیب پیش‌بینی‌ها از چندین منبع برای دستیابی به یک پیش‌بینی بهبودیافته نیاز دارند. با ترکیب یا میانگین‌گیری پیش‌بینی‌ها از چندین منبع یا مدل، معمولاً یک پیش‌بینی بهبود یافته دریافت می‌کنیم. این به این دلیل است که عدم قطعیت قابل توجهی در انتخاب مدل وجود دارد و هیچ مدل واقعی در بسیاری از کاربردهای عملی وجود ندارد. بنابراین، ترکیب پیش‌بینی‌ها از مدل‌های مختلف سودمند است. در ادبیات بیزی، از این ایده به عنوان میانگین‌گیری مدل بیزی یاد می‌شود و نشان داده شده است که بسیار بهتر از انتخاب یک مدل است.

این دفترچه یک مثال گویا برای پیش بینی اینکه آیا یک فرد بر اساس اطلاعات مربوط به تحصیلات، تجربه کاری، جنسیت و موارد دیگر بیش از 50,000 دلار در سال درآمد دارد ارائه می دهد.

نوت بوک موارد زیر را نشان می دهد:

• در حال آماده کردن نوت بوک SageMaker
• بارگیری مجموعه داده از آمازون S3 با استفاده از SageMaker
• بررسی و تبدیل داده ها به گونه ای که بتوان آنها را به الگوریتم های SageMaker تغذیه کرد
• تخمین مدل با استفاده از الگوریتم SageMaker XGBoost (تقویت گرادیان شدید)
• میزبانی مدل در SageMaker برای پیش بینی های مداوم
• تخمین مدل دوم با استفاده از روش یادگیرنده خطی SageMaker
• ترکیب پیش‌بینی‌های هر دو مدل و ارزیابی پیش‌بینی ترکیبی
• ایجاد پیش بینی های نهایی در مجموعه داده های آزمایشی

سعی کنید این نوت بوک را روی مجموعه داده خود اجرا کنید و از چندین الگوریتم استفاده کنید. سعی کنید با ترکیب‌های مختلفی از مدل‌های ارائه‌شده توسط SageMaker و JumpStart آزمایش کنید و ببینید کدام ترکیب مدل‌سازی بهترین نتایج را روی داده‌های شما می‌دهد.

استنتاج ناهمزمان SageMaker

استنتاج ناهمزمان SageMaker یک قابلیت جدید در SageMaker است که درخواست های دریافتی را در صف قرار می دهد و آنها را به صورت ناهمزمان پردازش می کند. SageMaker در حال حاضر دو گزینه استنتاج برای مشتریان برای استقرار مدل‌های ML ارائه می‌کند: یک گزینه بلادرنگ برای بارهای کاری کم تأخیر، و تبدیل دسته‌ای، یک گزینه آفلاین برای پردازش درخواست‌های استنتاج در دسته‌ای از داده‌های موجود از قبل. استنتاج بلادرنگ برای بارهای کاری با حجم بار کمتر از 6 مگابایت مناسب است و نیاز به پردازش درخواست های استنتاج در 60 ثانیه دارد. تبدیل دسته ای برای استنتاج آفلاین بر روی دسته ای از داده ها مناسب است.

استنتاج ناهمزمان یک گزینه استنتاج جدید برای نیازهای استنتاج در زمان واقعی است. پردازش درخواست‌ها می‌تواند تا 15 دقیقه طول بکشد و حجم محموله‌های آن تا 1 گیگابایت است. استنتاج ناهمزمان برای بارهای کاری که الزامات تأخیر فرعی ندارند و نیازهای تأخیر آرام دارند مناسب است. به عنوان مثال، ممکن است لازم باشد استنتاج یک تصویر بزرگ چند مگابایتی را در عرض 5 دقیقه پردازش کنید. علاوه بر این، نقاط پایانی استنتاج ناهمزمان به شما امکان می‌دهند با کوچک کردن تعداد نمونه‌های نقطه پایانی به صفر در زمانی که بی‌کار هستند، هزینه‌ها را کنترل کنید، بنابراین فقط زمانی پرداخت می‌کنید که نقاط پایانی شما در حال پردازش درخواست‌ها هستند.

نوت بوک موارد زیر را نشان می دهد:

• ایجاد یک مدل SageMaker
• ایجاد نقطه پایانی با استفاده از این مدل و پیکربندی استنتاج ناهمزمان
• انجام پیش بینی در برابر این نقطه پایانی ناهمزمان

این نوت بوک یک مثال کاری از کنار هم قرار دادن یک نقطه پایانی ناهمزمان برای یک مدل SageMaker را به شما نشان می دهد.

TensorFlow مدل خود را بیاورد

یک مدل TensorFlow به صورت محلی در یک کار طبقه بندی که در آن این نوت بوک در حال اجرا است آموزش داده شده است. سپس در یک نقطه پایانی SageMaker مستقر می شود.

نوت بوک موارد زیر را نشان می دهد:

• آموزش یک مدل TensorFlow به صورت محلی بر روی مجموعه داده IRIS
• وارد کردن آن مدل به SageMaker
• میزبانی آن در نقطه پایانی

اگر مدل‌های TensorFlow دارید که خودتان توسعه داده‌اید، این دفترچه یادداشت می‌تواند به شما کمک کند مدل خود را در یک نقطه پایانی مدیریت‌شده SageMaker میزبانی کنید.

Scikit-Learn مدل خود را بیاورید

SageMaker شامل قابلیت هایی برای پشتیبانی از محیط نوت بوک میزبان، آموزش توزیع شده، بدون سرور و میزبانی بلادرنگ است. زمانی که هر سه این سرویس ها با هم استفاده می شوند، بهترین عملکرد را دارد، اما می توان از آنها به طور مستقل نیز استفاده کرد. برخی موارد استفاده ممکن است فقط نیاز به میزبانی داشته باشند. شاید این مدل قبل از وجود SageMaker در یک سرویس متفاوت آموزش دیده باشد.

نوت بوک موارد زیر را نشان می دهد:

• استفاده از یک مدل Scikit-learn از پیش آموزش دیده با SageMaker Scikit-learn ظرف برای ایجاد سریع یک نقطه پایانی میزبان برای آن مدل

اگر مدل‌های Scikit-learn دارید که خودتان توسعه داده‌اید، این دفترچه یادداشت نمونه می‌تواند به شما کمک کند مدل خود را در یک نقطه پایانی مدیریت‌شده SageMaker میزبانی کنید.

منابع را پاکسازی کنید

پس از اتمام اجرای یک نوت بوک در JumpStart، مطمئن شوید تمام منابع را حذف کنید به طوری که تمام منابعی که در این فرآیند ایجاد کرده اید حذف شده و صورتحساب شما متوقف شود. آخرین سلول در این نوت بوک ها معمولاً نقاط پایانی ایجاد شده را حذف می کند.

خلاصه

این پست شما را با 10 نمونه نوت بوک جدید آشنا کرد که اخیراً به JumpStart اضافه شده اند. اگرچه این پست بر روی این 10 نوت بوک جدید متمرکز شده است، اما در مجموع 56 دفترچه یادداشت موجود تا زمان نگارش این مقاله وجود دارد. ما شما را تشویق می کنیم که وارد استودیو شوید و نوت بوک های JumpStart را خودتان کاوش کنید و شروع به استخراج ارزش فوری از آنها کنید. برای اطلاعات بیشتر مراجعه کنید Amazon SageMaker Studio و SageMaker JumpStart.

---

درباره نویسنده

دکتر راجو پنماچا یک معمار راه حل های تخصصی AI/ML در پلتفرم های هوش مصنوعی در AWS است. او دکترای خود را از دانشگاه استنفورد دریافت کرد. او از نزدیک روی سرویس‌های مجموعه کم/بدون کد در SageMaker کار می‌کند که به مشتریان کمک می‌کند به راحتی مدل‌ها و راه‌حل‌های یادگیری ماشین را بسازند و به کار گیرند.