AWS feirer 5 år med innovasjon med Amazon SageMaker

På bare 5 år har titusenvis av kunder avlyttet Amazon SageMaker å lage millioner av modeller, trene modeller med milliarder av parametere og generere hundrevis av milliarder av månedlige spådommer.

Frøene til et maskinlæringsparadigmeskifte (ML) var der i flere tiår, men med lett tilgjengelighet av praktisk talt uendelig datakapasitet, en massiv spredning av data og den raske utviklingen av ML-teknologier, har kunder på tvers av bransjer nå tilgang til transformasjonsprosessen. fordeler. For å utnytte denne muligheten og ta ML ut av forskningslaboratoriet og i hendene på organisasjoner, opprettet AWS Amazon SageMaker. I år feirer vi 5-årsjubileet til Amazon SageMaker, vår flaggskip fullt administrerte ML-tjeneste, som ble lansert på AWS re:Invent 2017 og ble en av de raskest voksende tjenestene i AWS-historien.

AWS lanserte Amazon SageMaker for å bryte ned barrierer for ML og demokratisere tilgangen til banebrytende teknologi. I dag kan denne suksessen ha virket uunngåelig, men i 2017 krevde ML fortsatt spesialiserte ferdigheter som vanligvis var i besittelse av en begrenset gruppe utviklere, forskere, PhD-er eller selskaper som bygde virksomheten rundt ML. Tidligere måtte utviklere og dataforskere først visualisere, transformere og forhåndsbehandle data til formater som algoritmer kunne bruke til å trene modeller, noe som krevde enorme mengder datakraft, lange treningsperioder og dedikerte team for å administrere miljøer som ofte spenner over flere GPU- aktiverte servere – og en sunn mengde manuell ytelsesinnstilling. I tillegg krevde distribusjon av en opplært modell i en applikasjon et annet sett med spesialiserte ferdigheter i applikasjonsdesign og distribuerte systemer. Etter hvert som datasett og variabler vokste, måtte bedrifter gjenta denne prosessen for å lære og utvikle seg fra ny informasjon etter hvert som eldre modeller ble utdaterte. Disse utfordringene og barrierene gjorde at ML var utenfor rekkevidde for de fleste bortsett fra velfinansierte organisasjoner og forskningsinstitusjoner.

Daggryet til en ny æra innen maskinlæring

Det er derfor vi introduserte Amazon SageMaker, flaggskipet vårt ML-administrerte tjeneste som gjør det mulig for utviklere, dataforskere og forretningsanalytikere å raskt og enkelt forberede data, og bygge, trene og distribuere høykvalitets ML-modeller i stor skala. I løpet av de siste 5 årene har vi lagt til mer enn 250 nye funksjoner og muligheter, inkludert verdens første integrerte utviklingsmiljø (IDE) for ML, debuggere, modellmonitorer, profiler, AutoML, en funksjonsbutikk, funksjoner uten kode, og det første spesialbygde verktøyet for kontinuerlig integrasjon og kontinuerlig levering (CI/CD) for å gjøre ML mindre komplekst og mer skalerbart i skyen og på kantenheter.

I 2021 presset vi demokratisering enda lenger for å sette ML innen rekkevidde for flere brukere. Amazon SageMaker gjør det mulig for flere grupper mennesker å lage ML-modeller, inkludert no-code-miljøet i Amazon SageMaker Canvas for forretningsanalytikere uten ML-erfaring, i tillegg til et gratis ML-miljø uten oppsett, slik at studenter kan lære og eksperimentere med ML raskere.

I dag kan kunder innovere med Amazon SageMaker gjennom et utvalg verktøy – IDE-er for dataforskere og et kodefritt grensesnitt for forretningsanalytikere. De kan få tilgang til, merke og behandle store mengder strukturerte data (tabelldata) og ustrukturerte data (foto, video og lyd) for ML. Med Amazon SageMaker kan kundene redusere treningstiden fra timer til minutter med optimalisert infrastruktur. Til slutt, kunder kan du automatisere og standardisere maskinlæringsoperasjoner (MLOps) praksis på tvers av organisasjonen din for å bygge, trene, distribuere og administrere modeller i stor skala.

Nye funksjoner for neste generasjons innovasjon

Fremover fortsetter AWS å aggressivt utvikle nye funksjoner som kan hjelpe kundene med å ta ML videre. For eksempel lar Amazon SageMaker multi-model endpoints (MMEs) kunder distribuere tusenvis av ML-modeller på ett enkelt Amazon SageMaker-endepunkt og redusere kostnadene ved å dele forekomster som leveres bak et endepunkt på tvers av alle modellene. Inntil nylig ble MME-er kun støttet på CPU-er, men Amazon SageMaker MME-er støtter nå GPU-er. Kunder kan bruke Amazon SageMaker MME til å distribuere dyplæringsmodeller på GPU-forekomster og spare opptil 90 % av kostnadene ved å distribuere tusenvis av dyplæringsmodeller til ett enkelt flermodellendepunkt. Amazon SageMaker har også utvidet støtte for dataoptimalisert Amazon Elastic Compute Cloud (Amazon EC2)-forekomster drevet av AWS Graviton 2 og Graviton 3 prosessorer, som er godt egnet for CPU-basert ML-inferens, slik at kunder kan distribuere modeller på den optimale forekomsttypen for arbeidsbelastningene deres.

Amazon SageMaker-kunder slipper løs kraften til maskinlæring

Hver dag henvender kunder i alle størrelser og på tvers av alle bransjer seg til Amazon SageMaker for å eksperimentere, innovere og distribuere ML-modeller på kortere tid og til lavere kostnader enn noen gang. Som et resultat av dette skifter samtaler nå fra det muliges kunst til å slippe løs nye nivåer av produktivitet med ML. I dag er kunder som Capital One og Fannie Mae innen finansielle tjenester, Philips og AstraZeneca innen helse og biovitenskap, Conde Nast og Thomson Reuters innen media, NFL og Formel 1 innen sport, Amazon og Mercado Libre innen detaljhandel, og Siemens og Bayer i industrisektoren bruker ML-tjenester på AWS for å akselerere forretningsinnovasjon. De slår seg sammen med titusenvis av andre Amazon SageMaker-kunder som bruker tjenesten til å administrere millioner av modeller, trene modeller med milliarder av parametere og lage hundrevis av milliarder av spådommer hver måned.

Flere innovasjoner venter. Men i mellomtiden tar vi en pause for å skåle for de mange suksessene våre kunder har oppnådd.

Thomson Reuters

Thomson Reuters, en ledende leverandør av forretningsinformasjonstjenester, utnytter kraften til Amazon SageMaker for å skape mer intuitive tjenester for sine kunder.

"Vi søker kontinuerlig etter solide AI-baserte løsninger som gir en langsiktig positiv avkastning på investeringen," sa Danilo Tommasina, direktør for ingeniørfag ved Thomson Reuters Labs. "Amazon SageMaker er sentral i vårt AI FoU-arbeid. Det lar oss effektivt bringe forskning inn i modne og svært automatiserte løsninger. Med Amazon SageMaker Studio kan forskere og ingeniører fokusere på å løse forretningsproblemer med alle verktøyene som trengs for deres ML-arbeidsflyt i en enkelt IDE. Vi utfører alle våre ML-utviklingsaktiviteter, inkludert bærbare datamaskiner, eksperimentadministrasjon, ML-rørledningsautomatisering og feilsøking rett fra Amazon SageMaker Studio."

Salesforce

Salesforce, verdens ledende CRM-plattform, annonserte nylig nye integrasjoner som vil gjøre det mulig å bruke Amazon SageMaker sammen med Einstein, Salesforces AI-teknologi.

"Salesforce Einstein er den første omfattende AI for CRM og gjør det mulig for alle bedrifter å bli smartere og mer prediktive om kundene sine gjennom et integrert sett med AI-teknologier for salg, markedsføring, handel, service og IT," sa Rahul Auradkar, EVP for Einstein og Unified Data Services hos Salesforce. "En av de største utfordringene bedrifter står overfor i dag, er at dataene deres er siloer. Det er vanskelig å samle data for å levere kundeengasjement i sanntid på tvers av alle berøringspunkter og skaffe meningsfull forretningsinnsikt. Drevet av Genie, Salesforces sanntids kundedataplattform, gir Salesforce og Amazon SageMaker-integrasjonen sømløs tilgang til enhetlige og harmoniserte kundedata for å bygge og trene ML-modeller i Amazon SageMaker. Og når de er implementert, kan disse Amazon SageMaker-modellene brukes sammen med Einstein for å gi spådommer og innsikt på tvers av Salesforce-plattformen. Etter hvert som AI utvikler seg, fortsetter vi å forbedre Einstein med bring-din-egen-modellering (BYOM) for å møte utviklere og dataforskere der de jobber.»

Meta AI

Meta AI er et kunstig intelligenslaboratorium som tilhører Meta Platforms Inc.

"Meta AI har samarbeidet med AWS for å forbedre torch.distributed for å hjelpe utviklere med å skalere opplæringen deres ved å bruke Amazon SageMaker og Trainium-baserte instanser," sa Geeta Chauhan, Applied AI Engineering Manager hos Meta AI. "Med disse forbedringene har vi sett en reduksjon i treningstid for store modeller basert på testene våre. Vi er glade for å se at Amazon SageMaker støtter PyTorch distribuert opplæring for å akselerere ML-innovasjon."

Tyson Foods Inc.

Tyson Foods Inc., en av verdens største kjøttforedlere og markedsførere, er avhengig av Amazon SageMaker, Amazon SageMaker Ground Truthog AWS Panorama å forbedre effektiviteten.

"Operational excellence er en nøkkelprioritet hos Tyson Foods," sa Barret Miller, Senior Manager of Emerging Technology hos Tyson Foods Inc. "Vi bruker datasyn drevet av ML på AWS for å forbedre produksjonseffektiviteten, automatisere prosesser og forbedre tidkrevende eller feilutsatte oppgaver. Vi samarbeidet med Amazon Machine Learning Solutions Lab for å lage en toppmoderne objektdeteksjonsmodell ved å bruke Amazon SageMaker Ground Truth og AWS Panorama. Med denne løsningen mottar vi nesten sanntidsinnsikt som hjelper oss med å produsere beholdningen vi trenger samtidig som vi minimerer avfall.»

Autodesk

AutoCAD er et kommersielt datastøttet design- og tegneprogram fra Autodesk. AutoCAD er avhengig av Amazon SageMaker for å optimalisere sin generative designprosess.

"Vi ønsket å gi AutoCAD-kunder mulighet til å bli mer effektive ved å gi personlig tilpassede brukstips og innsikt i øyeblikket, for å sikre at tiden de bruker i AutoCAD er så produktiv som mulig," sa Dania El Hassan, direktør for produktadministrasjon for AutoCAD , hos Autodesk. "Amazon SageMaker var et viktig verktøy som hjalp oss med å gi proaktive kommandoer og snarveisanbefalinger til brukerne våre, slik at de kunne oppnå kraftige nye designresultater."

Torc.ai

Ved hjelp av Amazon SageMaker og Amazon SageMaker distributed data parallel (SMDDP) bibliotek, Torc.ai, en leder for autonome kjøretøy siden 2005, kommersialiserer selvkjørende lastebiler for sikker, vedvarende langdistansetransport i godsindustrien.

"Teamet mitt kan nå enkelt kjøre distribuerte opplæringsjobber i stor skala ved å bruke Amazon SageMaker modellopplæring og Amazon SageMaker distributed data parallel (SMDDP)-biblioteket, som involverer terabyte med treningsdata og modeller med millioner av parametere," sa Derek Johnson, visedirektør. President of Engineering hos Torc.ai. «Amazon SageMaker distribuerte modelltrening og SMDDP har hjulpet oss med å skalere sømløst uten å måtte administrere opplæringsinfrastruktur. Det reduserte tiden vår til å trene modeller fra flere dager til noen få timer, noe som gjorde det mulig for oss å komprimere designsyklusen vår og bringe nye autonome kjøretøyegenskaper til flåten vår raskere enn noen gang.»

LG AI Research

LG AI Research har som mål å lede den neste æraen av AI ved å bruke Amazon SageMaker til å trene og distribuere ML-modeller raskere.

"Vi debuterte nylig med Tilda, AI-artisten drevet av EXAONE, et supergigantisk AI-system som kan behandle 250 millioner høyoppløselige bilde-tekst-pardatasett," sa Seung Hwan Kim, visepresident og leder for Vision Lab hos LG AI Research. "Den multimodale AI lar Tilda lage et nytt bilde av seg selv, med sin evne til å utforske utover språket den oppfatter. Amazon SageMaker var avgjørende for å utvikle EXAONE, på grunn av dens skalering og distribuerte treningsevner. Spesielt, på grunn av den massive beregningen som kreves for å trene denne supergigantiske AI, er effektiv parallell prosessering veldig viktig. Vi trengte også å kontinuerlig administrere data i stor skala og være fleksible for å svare på nylig innhentede data. Ved å bruke Amazon SageMaker modellopplæring og distribuerte treningsbiblioteker optimaliserte vi distribuert opplæring og trente modellen 59 % raskere – uten store endringer i opplæringskoden vår.»

Mueller vannprodukter

Mueller Water Products produserer konstruerte ventiler, brannhydranter, rørkoblings- og reparasjonsprodukter, måleprodukter, lekkasjedeteksjonsløsninger og mer. Den brukte Amazon SageMaker til å utvikle en innovativ ML-løsning for å oppdage vannlekkasjer raskere.

"Vi er på et oppdrag for å spare 7.7 milliarder gallons vanntap innen 2027," sa Dave Johnston, direktør for Smart Infrastructure hos Mueller Water Products. "Takket være ML-modeller bygget på Amazon SageMaker, har vi forbedret presisjonen til EchoShore-DX, vårt akustisk-baserte anomalideteksjonssystem. Som et resultat kan vi informere nettkunder raskere når en lekkasje oppstår. Denne løsningen har spart anslagsvis 675 millioner gallons vann i 2021. Vi er glade for å fortsette å bruke AWS ML-tjenester for å forbedre teknologiporteføljen vår ytterligere og fortsette å drive effektivitet og bærekraft hos våre energikunder.»

Lerret

Canva, produsent av det populære online design- og publiseringsverktøyet, er avhengig av kraften til Amazon SageMaker for rask implementering.

"For at Canva skulle vokse i skala, trengte vi et verktøy for å hjelpe oss med å lansere nye funksjoner uten forsinkelser eller problemer," sa Greg Roodt, sjef for dataplattformer i Canva. «Amazon SageMakers tilpasningsevne tillot oss å administrere flere oppgaver med færre ressurser, noe som resulterte i en raskere og mer effektiv arbeidsmengde. Det ga ingeniørteamet vårt tillit til at funksjonene de lanserer vil skalere til deres bruksområde. Med Amazon SageMaker implementerte vi vår tekst-til-bilde-modell på 2 uker ved hjelp av kraftig administrert infrastruktur, og vi ser frem til å utvide denne funksjonen til våre millioner av brukere i nær fremtid."

Inspirere

Inspire, en forbrukersentrert helseinformasjonstjeneste, er avhengig av Amazon SageMaker for å levere praktisk innsikt for bedre pleie, behandlinger og resultater.

"Vår innholdsanbefalingsmotor er en viktig driver for vårt verdiforslag," sa Brian Loew, administrerende direktør og grunnlegger av Inspire. "Vi bruker den til å lede brukerne våre (som lever med spesielle forhold) til relevante og spesifikke innlegg eller artikler. Med Amazon SageMaker kan vi enkelt bygge, trene og distribuere dyplæringsmodeller. Vår sofistikerte ML-løsning – basert på Amazon SageMaker – hjelper oss med å forbedre vår innholdsanbefalingsmotors evne til å foreslå relevant innhold til 2 millioner registrerte brukere, ved å hente fra biblioteket vårt med 1.5 milliarder ord på 3,600 forhold. Amazon SageMaker har gjort oss i stand til å koble pasienter og omsorgspersoner nøyaktig med mer personlig innhold og ressurser – inkludert informasjon om sjeldne sykdommer og behandlingsveier.»

ResMed

ResMed er en ledende leverandør av skytilkoblede løsninger for personer med søvnapné, KOLS, astma og andre kroniske tilstander. I 2014 lanserte ResMed MyAir, en personlig terapiadministrasjonsplattform og -applikasjon, for pasienter til å spore søvnterapi.

"Før Amazon SageMaker mottok alle MyAir-brukere de samme meldingene fra appen på samme tid, uavhengig av tilstanden deres," sa Badri Raghavan, visepresident for datavitenskap i ResMed. «Amazon SageMaker har gjort det mulig for oss å samhandle med pasienter gjennom MyAir basert på den spesifikke ResMed-enheten de bruker, deres våkne timer og andre kontekstuelle data. Vi drar nytte av flere Amazon SageMaker-funksjoner for å trene modellrørledninger og velge distribusjonstyper, inkludert nesten sanntid og batch-slutninger, for å levere skreddersydd innhold. Amazon SageMaker har gjort det mulig for oss å nå målet vårt om å bygge inn ML-funksjoner over hele verden ved å distribuere modeller på dager eller uker, i stedet for måneder."

Verisk

Verisk gir ekspertdatadrevet analytisk innsikt som hjelper virksomheter, mennesker og samfunn å bli sterkere, mer robuste og bærekraftige. Den bruker Amazon SageMaker for å strømlinjeforme ML-arbeidsflyter.

"Verisk og Vexcel jobber tett sammen for å lagre og behandle enorme mengder data på AWS, inkludert Vexcels ultrahøyoppløselige luftbilder som er tatt opp i 26 land over hele verden," sa Jeffrey C. Taylor, president i Verisk 3D Visual Intelligens. "Amazon SageMaker hjelper oss å strømlinjeforme arbeidet som ML- og MLOps-teamene gjør, slik at vi kan fokusere på å betjene behovene til kundene våre, inkludert eiendomsinteressenter innen forsikring, eiendom, konstruksjon og videre."

Smartocto BV

Ved hjelp av Amazon SageMaker leverer Smartocto BV innholdsanalyse drevet av ML til 350 redaksjoner og medieselskaper over hele verden.

"Ettersom virksomheten ble skalert, trengte vi å forenkle distribusjonen av ML-modellene våre, redusere tiden til markedet og utvide produkttilbudet vårt," sa Ilija Susa, Chief Data Officer i Smartocto. "Men kombinasjonen av åpen kildekode og skyløsninger for å være vert for våre ML-arbeidsbelastninger ble stadig mer tidkrevende å administrere. Vi migrerte ML-modellene våre til Amazon SageMaker-endepunkter, og på mindre enn 3 måneder lanserte vi Smartify, en ny AWS-native løsning. Smartify bruker Amazon SageMaker for å gi prediktiv redaksjonell analyse i nesten sanntid, noe som hjelper kundene med å forbedre innholdet og utvide publikummet sitt.»

Visualfabriq

Visualfabriq tilbyr en inntektsstyringsløsning med anvendt kunstig intelligens til noen av verdens ledende forbrukerpakkede varer. Den bruker Amazon SageMaker for å forbedre ytelsen og nøyaktigheten til ML-modeller i stor skala.

"Vi ønsket å tilpasse teknologistabelen vår for å forbedre ytelsen og skalerbarheten og gjøre modeller enklere å legge til, oppdatere og omskolere," sa Jelle Verstraaten, Team Lead for Demand Forecast, Artificial Intelligence og Revenue Growth Management hos Visualfabriq. "Den største virkningen av migreringen til Amazon SageMaker har vært en betydelig ytelsesforbedring for løsningen vår. Ved å kjøre slutninger på dedikerte servere, i stedet for webservere, er løsningen vår mer effektiv, og kostnadene er konsistente og transparente. Vi forbedret responstiden for etterspørselsprognosetjenesten vår – som forutsier virkningen av en salgsfremmende handling på en forhandlers salgsvolum – med 200 %, og implementerte en skalerbar løsning som krever mindre manuell intervensjon og akselererer introduksjonen av nye kunder.”

Sophos

Sophos, en verdensomspennende leder innen neste generasjons cybersikkerhetsløsninger og -tjenester, bruker Amazon SageMaker for å trene sine ML-modeller mer effektivt.

"Vår kraftige teknologi oppdager og eliminerer filer som er utspekulert med skadelig programvare," sa Konstantin Berlin, leder for kunstig intelligens hos Sophos. «Å bruke XGBoost-modeller for å behandle datasett i flere terabyte-størrelser var imidlertid ekstremt tidkrevende – og noen ganger rett og slett ikke mulig med begrenset minneplass. Med Amazon SageMaker distribuert trening kan vi trene en lettvekts XGBoost-modell som er mye mindre på disk (opptil 25 ganger mindre) og i minne (opptil fem ganger mindre) enn forgjengeren. Ved å bruke Amazon SageMaker automatisk modellinnstilling og distribuert opplæring på Spot-instanser, kan vi raskt og mer effektivt modifisere og omskolere modeller uten å justere den underliggende treningsinfrastrukturen som kreves for å skalere ut til slike store datasett.»

Northwestern University

Studenter fra Northwestern University i Master of Science in Artificial Intelligence (MSAI)-programmet fikk omvisning i Amazon SageMaker Studio Lab før du bruker den under et hackathon.

"Amazon SageMaker Studio Labs brukervennlighet gjorde at studentene raskt kunne bruke læringen sin til å bygge kreative løsninger," sa Mohammed Alam, nestleder for MSAI-programmet. "Vi forventet at studentene naturlig ville treffe noen hindringer under den korte 5-timers konkurransen. I stedet overgikk de forventningene våre ved å ikke bare fullføre alle prosjektene, men også gi imponerende presentasjoner der de brukte komplekse ML-konsepter på viktige problemer i den virkelige verden.»

Rensselaer Polytechnic Institute

Rensselaer Polytechnic Institute (RPI), et teknologisk forskningsuniversitet i New York, bruker Amazon SageMaker Studio for å hjelpe studenter raskt å lære ML-konsepter.

"RPI eier en av de kraftigste superdatamaskinene i verden, men AI har en bratt læringskurve," sa Mohammed J. Zaki, professor i informatikk. «Vi trengte en måte for studenter å starte kostnadseffektivt på. Amazon SageMaker Studio Labs intuitive grensesnitt gjorde det mulig for studentene våre å komme raskt i gang og ga en kraftig GPU, som gjorde dem i stand til å jobbe med komplekse dyplæringsmodeller for hjørnesteinsprosjektene sine."

Hong Kong Institute of Vocational Education

IT-avdelingen til Hong Kong Institute of Vocational Education (Lee Wai Lee) bruker Amazon SageMaker Studio Lab for å tilby studenter muligheter til å jobbe med ML-prosjekter i den virkelige verden.

"Vi bruker Amazon SageMaker Studio Lab i grunnleggende ML- og Python-relaterte kurs som gir studentene et solid grunnlag i mange skyteknologier," sa Cyrus Wong, førstelektor. «Amazon SageMaker Studio Lab gjør det mulig for elevene våre å få praktisk erfaring med datavitenskapelige prosjekter i den virkelige verden, uten å gå fast i oppsett eller konfigurasjoner. I motsetning til andre leverandører, er dette en Linux-maskin for studenter, som lar dem gjøre mange flere kodeøvelser."

MapmyIndia

MapmyIndia, Indias ledende leverandør av digitale kart, geospatial programvare og stedsbasert Internet of Things (IoT)-teknologi, bruker Amazon SageMaker til å bygge, trene og distribuere sine ML-modeller.

"MapmyIndia og vår globale plattform, Mappls, tilbyr robuste, svært nøyaktige og verdensomspennende AI og datasyn-drevet satellitt- og gatebilder-baserte analyser for en rekke bruksområder, for eksempel måling av økonomisk utvikling, befolkningsvekst, landbruk. produksjon, byggeaktivitet, gateskiltdeteksjon, landsegmentering og gjenkjenning av veiendringer, sier Rohan Verma, administrerende direktør og administrerende direktør i MapmyIndia. «Vår evne til å lage, trene og distribuere modeller med hastighet og nøyaktighet skiller oss ut. Vi er glade for å samarbeide med AWS for våre AI/ML-tilbud og er begeistret over Amazon SageMakers evne til å skalere dette raskt.»

SatSure

SatSure, en India-basert leder innen beslutningsinformasjonsløsninger som bruker jordobservasjonsdata for å generere innsikt, er avhengig av Amazon SageMaker for å forberede og trene petabyte med ML-data.

"Vi bruker Amazon SageMaker til å knuse petabyte med EO-, GIS-, finans-, tekst- og forretningsdatasett, ved å bruke AI/ML-funksjonene for å innovere og skalere modellene våre raskt," sa Prateep Basu, administrerende direktør i SatSure. "Vi har brukt AWS siden 2017, og vi har hjulpet finansinstitusjoner med å låne ut til mer enn 2 millioner bønder over hele India, Nigeria og Filippinene, mens vi overvåker 1 million kvadratkilometer på en ukentlig basis."

konklusjonen

For å komme i gang med Amazon SageMaker, besøk aws.amazon.com/sagemaker.

---

om forfatteren

Ankur Mehrotra begynte i Amazon tilbake i 2008 og er for tiden daglig leder for Amazon SageMaker. Før Amazon SageMaker jobbet han med å bygge Amazon.coms reklamesystemer og automatiserte pristeknologi.