AWS placerad i kategorin ledare i 2022 IDC MarketScape for APEJ AI Life-Cycle Software Tools and Platforms Vendor Assessment

Det nyligen publicerade IDC MarketScape: Asia/Pacific (exklusive Japan) AI Life-Cycle Software Tools and Platforms 2022 Vendor Assessment placerar AWS i kategorin ledare. Detta var den första och enda APEJ-specifika analytikerutvärderingen fokuserad på AI-livscykelprogramvara från IDC. De leverantörer som utvärderats för detta MarketScape erbjuder olika programvaruverktyg som behövs för att stödja utveckling av maskininlärning (ML)-modeller, inklusive dataförberedelse, modellbyggande och utbildning, modelldrift, utvärdering, implementering och övervakning. Verktygen används vanligtvis av datavetare och ML-utvecklare från experiment till produktionsinstallation av AI- och ML-lösningar.

AI-livscykelverktyg är viktiga för att producera AI/ML-lösningar. De går en hel del utöver AI/ML-experimentering: för att uppnå implementering var som helst, prestanda i stor skala, kostnadsoptimering och allt viktigare, stödja systematisk modellriskhantering – förklaring, robusthet, drift, integritetsskydd och mer. Företag behöver dessa verktyg för att låsa upp värdet av företagsdatatillgångar i större skala och snabbare.

Leverantörskrav för IDC MarketScape

För att komma i fråga för MarketScape var leverantören tvungen att tillhandahålla mjukvaruprodukter för olika aspekter av ML-processen från slut till slut under oberoende produktlagerenheter (SKU) eller som en del av en allmän AI-programvaruplattform. Produkterna måste baseras på företagets egen IP, och produkterna skulle ha genererat mjukvarulicensintäkter eller konsumtionsbaserade mjukvaruintäkter i minst 12 månader i APEJ från och med mars 2022. Företaget måste vara bland de 15 främsta leverantörerna senast de rapporterade intäkterna 2020–2021 i APEJ-regionen, enligt IDC:s AI Software Tracker. AWS uppfyllde kriterierna och utvärderades av IDC tillsammans med åtta andra leverantörer.

Resultatet av IDC:s omfattande utvärdering publicerades oktober 2022 i IDC MarketScape: Asia/Pacific (Excluding Japan) AI Life-Cycle Software Tools and Platforms 2022 Vendor Assessment. AWS är placerad i kategorin ledare baserat på nuvarande kapacitet. AWS strategi är att göra kontinuerliga investeringar i AI/ML-tjänster för att hjälpa kunder att förnya sig med AI och ML.

AWS position

"AWS placeras i kategorin Ledare i den här övningen och får högre betyg i olika bedömningskategorier - bredden av verktygstjänster som tillhandahålls, alternativ för att sänka kostnaden för prestanda, kvaliteten på kundservice och support, och produktinnovationstakten, för att nämna en få."

– Jessie Danqing Cai, Associate Research Director, Big Data & Analytics Practice, IDC Asia/Pacific.

Bilden nedan är en del av MarketScape och visar AWS-positionen utvärderad av förmågor och strategier.

IDC MarketScape-leverantörsanalysmodellen är utformad för att ge en överblick över IKT-leverantörernas konkurrenskraft på en given marknad. Forskningsmetoden använder sig av en rigorös poängmetod baserad på både kvalitativa och kvantitativa kriterier som resulterar i en enda grafisk illustration av varje leverantörs position inom en given marknad. Kapacitetspoängen mäter leverantörens produkt, marknadsutveckling och affärsutförande på kort sikt. Strategipoängen mäter anpassningen av leverantörsstrategier till kundernas krav inom en tidsram på 3–5 år. Säljarens marknadsandel representeras av storleken på ikonerna.

Amazon SageMaker utvärderas som en del av MarketScape

Som en del av utvärderingen dök IDC djupt in Amazon SageMaker Förmågor. SageMaker är en helt hanterad tjänst för att bygga, träna och distribuera ML-modeller för alla användningsfall med helt hanterad infrastruktur, verktyg och arbetsflöden. Sedan lanseringen av SageMaker 2017 har över 250 funktioner och funktioner släppts.

ML-utövare som datavetare, dataingenjörer, affärsanalytiker och MLOps-proffs använder SageMaker för att bryta ner barriärer över varje steg i ML-arbetsflödet genom deras val av integrerade utvecklingsmiljöer (IDE) eller no-code gränssnitt. Från och med databeredningen gör SageMaker det enkelt att komma åt, märka och bearbeta stora mängder strukturerad data (tabelldata) och ostrukturerad data (foto, video, geospatial och ljud) för ML. Efter att data har förberetts erbjuder SageMaker fullt hanterade bärbara datorer för modellbyggande och minskar träningstiden från timmar till minuter med optimerad infrastruktur. SageMaker gör det enkelt att distribuera ML-modeller för att göra förutsägelser till bästa pris-prestanda för alla användningsfall genom ett brett urval av ML-infrastruktur och modelldistributionsalternativ. Slutligen hjälper MLOps-verktygen i SageMaker dig att skala modelldistribution, minska slutledningskostnader, hantera modeller mer effektivt i produktionen och minska operativ börda.

MarketScape nämner tre styrkor för AWS:

• Funktionalitet och utbud – SageMaker tillhandahåller en bred och djup uppsättning verktyg för dataförberedelse, modellutbildning och implementering, inklusive AWS-byggt kisel: AWS slutledning för slutledningsarbetsbelastningar och AWS Trainium för träningsbelastningar. SageMaker stöder modellförklaring och fördomsdetektering genom Amazon SageMaker Clarify.
• Tjänsteleverans – SageMaker är inbyggt tillgängligt på AWS, den näst största offentliga molnplattformen i APEJ-regionen (baserat på IDC Public Cloud Services Tracker, IaaS+PaaS, 2021-data), med regioner i Japan, Australien, Nya Zeeland, Singapore, Indien, Indonesien , Sydkorea och Stor-Kina. Lokala zoner är tillgängliga för kunder i ASEAN-länderna: Thailand, Filippinerna och Vietnam.
• Tillväxtmöjligheter – AWS bidrar aktivt till öppen källkodsprojekt som Gluon och engagerar sig med regionala utvecklare och studentgemenskaper genom många evenemang, onlinekurser och Amazon SageMaker Studio Lab, en kostnadsfri SageMaker notebook-miljö.

SageMaker lanseras på re:Invent 2022

SageMaker innovation fortsatte på AWS re:Invent 2022, med åtta nya funktioner. Lanseringarna inkluderade tre nya funktioner för ML-modellstyrning. När antalet modeller och användare inom en organisation ökar, blir det svårare att ställa in minst privilegierade åtkomstkontroller och upprätta styrningsprocesser för att dokumentera modellinformation (till exempel indatauppsättningar, utbildningsmiljöinformation, modellanvändningsbeskrivning och riskklassificering) . Efter att modeller har distribuerats måste kunderna också övervaka för bias och funktionsavvikelse för att säkerställa att de presterar som förväntat. En ny rollchef, modellkort och modellinstrumentpanel förenklar åtkomstkontrollen och förbättrar insynen i supporten ML modellstyrning.

Det fanns också tre lanseringar relaterade till Amazon SageMaker Studio anteckningsböcker. SageMaker Studio-anteckningsböcker ger utövare en helt hanterad anteckningsbokupplevelse, från datautforskning till implementering. När team växer i storlek och komplexitet kan dussintals utövare behöva utveckla modeller tillsammans med hjälp av bärbara datorer. AWS fortsätter att erbjuda det bästa erfarenhet av anteckningsbok för användare, med lanseringen av tre nya funktioner som hjälper dig att koordinera och automatisera notebook-kod.

För att stödja modelldistribution hjälper nya funktioner i SageMaker dig att köra skuggtester för att utvärdera en ny ML-modell före produktionssläpp genom att testa dess prestanda mot den för närvarande distribuerade modellen. Skuggtestning kan hjälpa dig att fånga potentiella konfigurationsfel och prestandaproblem innan de påverkar slutanvändarna.

Slutligen lanserade SageMaker stöd för geospatial ML, vilket gör det möjligt för datavetare och ML-ingenjörer att enkelt bygga, träna och distribuera ML-modeller med hjälp av geospatial data. Du kan komma åt geospatiala datakällor, specialanpassade bearbetningsoperationer, förutbildade ML-modeller och inbyggda visualiseringsverktyg för att köra geospatial ML snabbare och i skala.

Idag använder tiotusentals kunder Amazon SageMaker för att träna modeller med miljarder parametrar och göra över 1 biljon förutsägelser per månad. För att lära dig mer om SageMaker, besök webbsida och utforska hur fullständigt hanterad infrastruktur, verktyg och arbetsflöden kan hjälpa dig att påskynda utvecklingen av ML-modeller.

---

Om författaren

Kimberly Madia är chef för produktmarknadsföring med AWS Machine Learning. Hennes mål är att göra det enkelt för kunder att bygga, träna och distribuera maskininlärningsmodeller med Amazon SageMaker. För kul utanför jobbet gillar Kimberly att laga mat, läsa och springa på San Francisco Bay Trail.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
• Källa: https://aws.amazon.com/blogs/machine-learning/aws-positioned-in-the-leaders-category-in-the-2022-idc-marketscape-for-apej-ai-life-cycle-software-tools-and-platforms-vendor-assessment/