Sebelum mendalami Sage Maker, pertama-tama mari kita pahami tentang AWS dan layanan yang disediakannya serta alasan perusahaan menggunakan layanan cloud seperti (AWS,Azure,Google Cloud). Jadi mari kita mulai memahami AWS.

AWS

Amazon Web Services (AWS) adalah layanan cloud yang menyediakan platform komputasi awan dan API sesuai permintaan kepada individu, perusahaan, dan pemerintah, dengan tarif bayar sesuai kebutuhan yang terukur -pergi dasar.

Layanan yang Disediakan oleh AWS: -

Komputasi, Penyimpanan, Basis Data, Analisis, Jaringan, Seluler, Alat Pengembang, Alat Manajemen, IOT, Keamanan, dan aplikasi perusahaan.

Mengapa Perusahaan menggunakan layanan jenis ini?

Sekarang izinkan saya memberi tahu Anda mengapa berbagai perusahaan dan pemerintah perlu menggunakan layanan ini. Misalkan Anda adalah Data Scientist yang bekerja di sebuah perusahaan di perusahaan tersebut terdapat banyak proyek yang berjalan secara paralel. Dan pertimbangkan dalam beberapa proyek Anda perlu mendapatkan persyaratan GPU kelas atas yang kami tahu bahwa setiap kali kami tidak bisa mendapatkan perangkat keras (GPU) baru karena GPU kelas atas sangat mahal.

Jadi yang dilakukan perusahaan adalah menggunakan layanan cloud seperti (Azure, AWS, Google Cloud, dll). Apa yang dilakukan oleh layanan cloud ini adalah mereka menyediakan penggunaan GPU kelas atas berbasis cloud seperti (NVIDIA K80, P100, P4, T4, V100) dengan jumlah biaya yang sangat minimal menggunakan layanan tersebut yang dapat Anda lakukan tugas-tugas tersebut tanpa memiliki GPU sebenarnya di sistem Anda atau bahkan jika Anda memiliki GPU yang lemah, Anda juga dapat menggunakan layanan tersebut.

Sekarang setelah kita memiliki pemahaman dasar tentang AWS dan layanan yang disediakannya serta mengapa berbagai perusahaan dan pemerintah perlu menggunakan layanan ini, sekarang mari selami AWS Sage Maker.

Apa Itu Pembuat Amazon Sage

Amazon Sage Maker adalah layanan pembelajaran mesin yang dikelola sepenuhnya. Dengan ilmuwan dan pengembang data Sage-Maker untuk mempersiapkan, membangun, melatih, dan menerapkan model pembelajaran mesin (ML) berkualitas tinggi dengan cepat dengan menyatukan serangkaian kemampuan yang dibuat khusus untuk ml

Masalah apa yang dipecahkan oleh Sage Maker?

Di masa lalu, orang yang bekerja dengan pembelajaran mesin perlu mengumpulkan data, menyiapkan data, membersihkan data, membagi data menjadi rangkaian pelatihan dan pengujian, memilih model yang tepat untuk kasus penggunaan, dan akhirnya menerapkan model. Seperti yang bisa kita lihat, ini adalah proses yang memakan waktu.

Sekarang Sage Maker mulai berperan, ia mengotomatiskan tugas-tugas yaitu (mengumpulkan data untuk menerapkan model). Apa yang dilakukannya adalah secara otomatis menganalisis data yaitu "Data Pelatihan" kami dan secara otomatis membagi data menjadi set pelatihan dan set pengujian dan menggunakan data tersebut untuk melatih model Sage Maker juga memiliki algoritma bawaan yang dilatih pada Tera-Bytes Data!! . Dan juga prosesnya memakan waktu lebih sedikit.

Layanan yang Disediakan oleh Pembuat Sage

Sage Maker menyediakan tiga jenis layanan

1 . Instans Notebook yang menjalankan notebook Jupyter untuk membersihkan dan memahami data. Hal ini menghilangkan kebutuhan untuk mengonfigurasi dan menyiapkan lingkungan notebook.

(Sekarang inilah fakta menarik yang kebanyakan dari kita tidak tahu apa arti sebenarnya dari kata Jupyter. Artinya “Julia, python dan r” ini adalah 3 bahasa yang digunakan notebook Jupyter untuk mendukung pada awalnya dan dari situlah nama Jupyter muncul!!)

2. Menyediakan Instans Pelatihandi mana dengan data tersebut kita dapat melatih model.

3. Menyediakan contoh titik akhir untuk menggunakan model untuk menghasilkan kesimpulan .

Sekarang mari kita pahami arti dari kata-kata yaitu (Instance Pelatihan, titik akhir, kesimpulan)

  1. Instans Pelatihan:- Ini adalah server yang menjalankan perangkat keras (CPU) yang diimplementasikan ke dalam perangkat lunak dan dijalankan di atas beberapa komputer. Sage -Maker memungkinkan kita untuk menggunakan instance ini (server tempat komputer berjalan) di mana, dengan data kita dapat melatih modelnya. Ada banyak contoh yang dapat Anda pilih sesuai kebutuhan Anda. Beberapa contoh bersifat spesifik wilayah. Beberapa contoh adalah-(ml.t3.medium,ml.t3.large dan banyak lagi) . Semakin tinggi instancenya, semakin banyak perhitungan yang Anda dapatkan dan harga pun meningkat.

2. Titik Akhir:-Untuk terhubung secara terprogram ke layanan AWS, Anda menggunakan titik akhir. titik akhir adalah URL titik masuk untuk layanan web AWS (URL model yang diterapkan).

3. Inferensi:-Inferensi adalah proses membuat prediksi menggunakan model terlatih .

Mari kita lihat bagaimana data mengalir melalui Sage Maker

Awalnya, data mentah muncul di bucket S3(S3 Bucket adalah tempat penyimpanan tempat kita dapat menyimpan data, berbagai model ML,DL, dan banyak lagi). Contoh notebook dapat digunakan untuk menganalisis data mentah ini, memvisualisasikannya, dan membersihkannya. Setelah data dibersihkan, data tersebut dipentaskan, sekali lagi di S3, sebagai data pelatihan. Setelah data dipentaskan di S3 sebagai data pelatihan, instance pelatihan dapat menggunakannya dan menggunakannya untuk menghasilkan pembelajaran mesin.

Model pembelajaran mesin, sekali lagi, disimpan di S3. Setelah instance pelatihan menghasilkan model dan menyimpannya di S3, instance titik akhir dapat menggunakan model tersebut dan dapat menggunakannya untuk menghasilkan kesimpulan bagi pengguna. Model tersebut sekarang disimpan di S3, saat pengguna membuat permintaan terhadap instans titik akhir. Instans titik akhir menggunakan model untuk menghasilkan hasil bagi titik data pengguna.

Saya harap ini membantu Anda memahami tentang Dasar-Dasar AWS Sage Maker

Jika Anda mendapatkan sesuatu darinya, tepuk tangan untuk panduan pemula Dasar-Dasar AWS & Sage Maker ini.

Mari selami dunia cloud, AI, pembelajaran mesin, dan pembelajaran mendalam bersama-sama

Terhubung dengan saya:- Linkedin