原标题：Amazon SageMaker，为什么它是AWS机器学习服务优势的最佳体现？
机器学习正变得越来越主流，但它仍处于行业发展的早期。
为了创建机器学习模型，开发人员需要从高度手动的数据准备过程开始，经过可视化、选择算法、设置框架、训练模型、调整数百万个可能的参数、部署模型并监视其性能，这个过程往往需要重复多次。
Amazon SageMaker改变了这一点。
Amazon SageMaker是一项完全托管的服务，可消除机器学习过程各个阶段的挑战，从而使日常开发人员和数据科学家能够更加轻松快捷地构建、训练和部署机器学习模型。目前数以万计的客户利用SageMaker加速机器学习部署。
AWS大中华区云服务产品管理总经理顾凡表示，AWS机器学习服务的特点主要有三：
其一，整个机器学习服务的宽度和深度，AWS倡导Right tools for the right job（合适的工具做合适的事儿，一把钥匙开一把锁），无论客户运行什么样的工作，在什么样的场景下，工具箱就应该有最适合的工具。
其二，AWS在云计算以及在机器学习领域始终怀抱开放心态，可以跟客户的生产环境做到非常好的集成。
其三，AWS坚持两个原则，一个原则是“授人以鱼不如授人以渔”，AWS更多希望帮助客户建立能力，提供并教会客户使用工具。“第二是在产品原型实现、客户需要帮忙的时候，我们会帮客户‘扶上马再送一程’，真正帮他快速的把一些业务难题，先用产品原型的方式把它实现出来”，顾凡表示。
SageMaker则充分体现了AWS机器学习的优势，成为AWS历史增长最快的服务之一，过去一年SageMaker发布了接近50个新功能。在2020 AWSre:Invent上，SageMaker再次推出九项新功能，包括更快的数据准备，专用于准备数据的存储库，工作流自动化，训练数据更大的透明度以减轻偏差和解释预测，分布式训练功能将大型模型的训练速度提高两倍，以及在边缘设备上进行模型监控等功能。
今年SageMaker迭代的主要思路在哪？
首先是帮助企业客户快速从原始数据转化成模型里面的核心特征，企业不再需要使用大量代码开发。
无论是单一特征还是复合特征，怎么把原始数据不同的数据源、不同的格式，快速地提取特征，这是AWS Data Wrangler所要解决的。它预制了超过300个数据转换模板，可以一键对接Amazon Athena、Amazon S3、Amazon Redshift。
其次，在训练和推理这两个场景当中，企业对特征数据的使用和访问延迟都不一样，在训练时候希望所有特征数据都放进去，使得模型更准确，在推理时只需一个小子集的输入判断预测结果。
SageMaker推出了新功能Amazon SageMaker Feature Store来彻底解决这个问题。Feature Store是一个集中的、专门为特征存储开发的存储工具，而这个工具既可以解决特征的一致性问题，在训练和预测方面两边用的都是同一套特征。又能解决训练和预测针对特征数据存储不一样的需求。一套工具在满足延迟的同时，也能够满足针对训练方面大批量加载更多特征数据的需求。
如果统计数据本身存在偏差，如何更早发现？这就是Amazon SageMaker Clarify的目标。SageMakerClarify能够在机器学习整个工作流中鉴别由于数据统计产生的偏差，同时SageMaker升级了Debugger工具，新增Deep Profiling功能，实现CPU、GPU、IO、内存等资源使用情况的可视化。
“SageMaker始终沿着两个方向迭代，一个就是每一个步骤做得越来越细、做得越来越易用。另外就是怎么把复杂的机器学习的工作流串联起来。SageMaker在每一步给到更多的工具，同时将这些步骤点对点联接，使得工作流更加自动化，反复迭代，反复演进。”顾凡说道。
责任编辑：