ความรู้พื้นฐาน AWS Sage Maker: คู่มือผู้เริ่มต้น

ก่อนที่จะเจาะลึก Sage Maker มาทำความเข้าใจเกี่ยวกับ AWS และบริการที่มีให้ก่อน และเหตุผลที่บริษัทต่างๆ ใช้บริการคลาวด์เหล่านี้ เช่น (AWS,Azure,Google Cloud) เรามาเริ่มทำความเข้าใจกับ AWS กันดีกว่า

AWS

Amazon Web Services (AWS) คือบริการคลาวด์ที่ให้บริการแพลตฟอร์มการประมวลผลบนคลาวด์และ API ตามความต้องการแก่บุคคล บริษัท และรัฐบาล โดยคิดค่าบริการตามการใช้งานตามจริง -ไปเป็นพื้นฐาน

บริการที่ AWS มอบให้:-

การประมวลผล พื้นที่เก็บข้อมูล ฐานข้อมูล การวิเคราะห์ ระบบเครือข่าย อุปกรณ์เคลื่อนที่ เครื่องมือสำหรับนักพัฒนา เครื่องมือการจัดการ IOT ความปลอดภัย และแอปพลิเคชันระดับองค์กร

เหตุใดบริษัทจึงใช้บริการประเภทนี้

ตอนนี้ให้ฉันบอกคุณว่าทำไมบริษัทและรัฐบาลต่างๆ จึงจำเป็นต้องใช้บริการเหล่านี้ สมมติว่าคุณเป็น Data Scientist ที่ทำงานอยู่ในบริษัทแห่งหนึ่งในบริษัทนั้นมีโครงการหลายโครงการที่ทำงานแบบคู่ขนานกัน และพิจารณาในบางโครงการที่คุณต้องการข้อกำหนดของ GPU ระดับไฮเอนด์ ซึ่งเรารู้ว่าทุกครั้งที่เราไม่สามารถซื้อฮาร์ดแวร์ (GPU) ใหม่ได้ เนื่องจาก GPU ระดับไฮเอนด์มีราคาแพงมาก

ดังนั้นสิ่งที่บริษัททำคือใช้บริการคลาวด์ เช่น (Azure , AWS , Google Cloud ฯลฯ) สิ่งที่บริการคลาวด์เหล่านี้ทำคือให้บริการแก่ GPU ระดับไฮเอนด์บนคลาวด์ เช่น (NVIDIA K80, P100, P4, T4, V100) โดยมีต้นทุนน้อยมากเมื่อใช้บริการเหล่านั้นที่คุณทำได้ งานเหล่านั้นโดยไม่ต้องมี GPU จริงในระบบของคุณ หรือแม้ว่าคุณจะมี GPU ที่อ่อนแอ คุณก็ยังสามารถใช้บริการเหล่านั้นได้

ขณะนี้เมื่อเรามีความเข้าใจพื้นฐานเกี่ยวกับ AWS และบริการต่างๆ ที่ AWS มีให้แล้ว และเหตุใดบริษัทและรัฐบาลต่างๆ จึงจำเป็นต้องใช้บริการเหล่านี้ ดังนั้น เรามาเจาะลึกเกี่ยวกับ AWS Sage Maker กันดีกว่า

Amazon Sage Maker คืออะไร

Amazon Sage Maker เป็นบริการ Machine Learning ที่มีการจัดการอย่างเต็มรูปแบบ ด้วยนักวิทยาศาสตร์ข้อมูลและนักพัฒนาของ Sage-Maker เพื่อจัดเตรียม สร้าง ฝึกอบรม และปรับใช้โมเดล Machine Learning (ML) คุณภาพสูงได้อย่างรวดเร็วโดยรวบรวมชุดความสามารถที่หลากหลายซึ่งสร้างมาเพื่อวัตถุประสงค์เฉพาะ มล

Sage Maker แก้ปัญหาอะไรได้บ้าง

ในอดีต ผู้คนที่ทำงานกับแมชชีนเลิร์นนิงจำเป็นต้องรวบรวมข้อมูล เตรียมข้อมูล ทำความสะอาดข้อมูล แบ่งข้อมูลออกเป็นชุดรถไฟและชุดทดสอบ การเลือกโมเดลที่เหมาะสมสำหรับกรณีการใช้งาน และสุดท้ายคือปรับใช้โมเดล ดังที่เราเห็นว่าเป็นกระบวนการที่ใช้เวลานาน

ตอนนี้ Sage Maker เข้ามามีบทบาท โดยทำให้งานต่างๆ เป็นแบบอัตโนมัติ เช่น (รวบรวมข้อมูลเพื่อปรับใช้โมเดล) สิ่งที่ทำคือวิเคราะห์ข้อมูลโดยอัตโนมัติ เช่น "ข้อมูลการฝึกอบรม" ของเรา และจะแยกข้อมูลออกเป็นชุดการฝึกอบรมและชุดทดสอบโดยอัตโนมัติ และใช้ข้อมูลเหล่านั้นเพื่อฝึกอบรมโมเดล Sage Maker ยังมีอัลกอริธึมในตัวซึ่งได้รับการฝึกอบรมบน Tera-Bytes ของข้อมูล!! . และยังเป็นกระบวนการที่ใช้เวลาน้อยลงอีกด้วย

บริการที่จัดทำโดย Sage Maker

Sage Maker มีบริการสามประเภท

1. อินสแตนซ์โน้ตบุ๊กที่ใช้โน้ตบุ๊ก Jupyter เพื่อทำความสะอาดและทำความเข้าใจข้อมูล ซึ่งช่วยลดความจำเป็นในการกำหนดค่าและตั้งค่าสภาพแวดล้อมโน้ตบุ๊ก

(ตอนนี้เป็นข้อเท็จจริงที่น่าสนุกที่พวกเราส่วนใหญ่ไม่รู้ว่าความหมายที่แท้จริงของคำว่า Jupyter คืออะไร มันหมายถึง “Julia , python และ r” ซึ่งเป็น 3 ภาษาที่สมุดบันทึก Jupyter เคยรองรับในช่วงแรกและ นี่แหละที่มาของชื่อ Jupyter!!)

2. ให้ อินสแตนซ์การฝึกอบรม ซึ่งมีข้อมูลที่เราสามารถฝึกโมเดลได้

3. ให้ อินสแตนซ์ปลายทาง สำหรับการใช้แบบจำลองเพื่อสร้างการอนุมาน

ตอนนี้เรามาทำความเข้าใจความหมายของคำต่างๆ เช่น (Training Instances, endpoints, inferences)

1. อินสแตนซ์การฝึกอบรม:- เป็นเซิร์ฟเวอร์ที่ใช้ฮาร์ดแวร์ (CPU) ซึ่งนำไปใช้กับซอฟต์แวร์และทำงานบนคอมพิวเตอร์หลายเครื่อง Sage -Maker ช่วยให้เราใช้อินสแตนซ์เหล่านี้ (เซิร์ฟเวอร์ที่คอมพิวเตอร์ใช้งานอยู่) ซึ่ง เราสามารถฝึกอบรมโมเดลได้ด้วยข้อมูล มีหลายกรณีที่คุณสามารถเลือกได้ตามความต้องการของคุณ อินสแตนซ์บางตัวเป็นแบบเฉพาะภูมิภาค บางตัวคือ-(ml.t3.medium,ml.t3.large และอื่นๆ อีกมากมาย) เมื่ออินสแตนซ์สูงขึ้น คุณก็จะได้รับการคำนวณมากขึ้นและราคาก็จะเพิ่มขึ้นด้วย

2. ตำแหน่งข้อมูล:-ในการเชื่อมต่อทางโปรแกรมกับบริการ AWS คุณใช้ตำแหน่งข้อมูล จุดสิ้นสุดคือ URL ของจุดเริ่มต้นสำหรับบริการเว็บ AWS (URL ของโมเดลที่ใช้งาน)

3. การอนุมาน:-การอนุมานคือกระบวนการคาดการณ์โดยใช้แบบจำลองที่ได้รับการฝึก

มาดูกันว่าข้อมูลไหลผ่าน Sage Maker อย่างไร

ในตอนแรก ข้อมูลดิบจะปรากฏในบัคเก็ต S3 (บัคเก็ต S3 เป็นสถานที่จัดเก็บข้อมูลที่เราสามารถจัดเก็บข้อมูลของเรา รุ่น ML, DL ต่างๆ และอื่นๆ อีกมากมาย) อินสแตนซ์โน้ตบุ๊กสามารถใช้เพื่อวิเคราะห์ข้อมูลดิบนี้ แสดงภาพ และทำความสะอาดได้ เมื่อข้อมูลได้รับการทำความสะอาดแล้ว จะมีการจัดแสดงเป็นข้อมูลการฝึกอีกครั้งใน S3 เมื่อจัดทำเป็นข้อมูลการฝึกใน S3 แล้ว อินสแตนซ์การฝึกจะสามารถใช้ข้อมูลดังกล่าวและใช้เพื่อสร้างการเรียนรู้ของเครื่องได้

โมเดลแมชชีนเลิร์นนิงจะถูกจัดเก็บอีกครั้งใน S3 เมื่ออินสแตนซ์การฝึกอบรมได้สร้างโมเดลและจัดเก็บไว้ใน S3 แล้ว อินสแตนซ์ตำแหน่งข้อมูลจะสามารถใช้โมเดลและสามารถใช้โมเดลนั้นเพื่อสร้างการอนุมานสำหรับผู้ใช้ได้ ขณะนี้โมเดลจะถูกจัดเก็บไว้ใน S3 เนื่องจากผู้ใช้ส่งคำขออินสแตนซ์ปลายทาง อินสแตนซ์ปลายทางใช้โมเดลเพื่อสร้างผลลัพธ์สำหรับจุดข้อมูลผู้ใช้

ฉันหวังว่าสิ่งนี้จะช่วยให้คุณเข้าใจเกี่ยวกับ AWS Sage Maker Fundamentals

หากคุณได้อะไรจากสิ่งนี้ ให้ปรบมือให้กับคู่มือเริ่มต้น AWS & Sage Maker Fundamentals

มาดำดิ่งสู่โลกแห่งคลาวด์ , AI , การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึกด้วยกัน

เชื่อมต่อกับฉัน:- Linkedin