什麼是 SageMaker Canvas？
Amazon SageMaker Canvas 是無程式碼的視覺化介面，可讓您準備資料，建置和部署高度準確的 ML 模型，從而在統一環境中簡化端對端 ML 生命週期。您可以透過 SageMaker Data Wrangler 賦能的點按式互動和自然語言，以 PB 規模準備和轉換資料。您可以利用 AutoML 的強大功能，針對回歸、分類、時間序列預測、自然語言處理和電腦視覺自動建置自訂 ML 模型 (由 SageMaker Autopilot 支援)。此外，僅需點按幾下，即可從 Amazon Bedrock 和 SageMaker JumpStart 存取、評估、微調和部署基礎模型。Canvas 促進團隊間的協作，提供所產生程式碼的透明度，並且透過模型版本控制和存取控制來確保管控。藉助 Canvas，您可以透過快速建置自訂 ML 模型或微調基礎模型以滿足業務需求 (無需考慮編碼專業知識)，從而加速創新並提高生產力。
SageMaker Canvas 的優勢
在整個 ML 生命週期中建置
運用端對端機器學習功能，包括使用 Data Wrangler 進行資料準備，以及使用 Autopilot 進行 AutoML 模型訓練，均透過視覺化的無程式碼介面完成。
1
使用自然語言準備資料，以及以 PB 規模點選
- 從 50 多個來源存取和匯入資料，包括 Amazon S3、Athena、Redshift、Snowflake 和 Databricks
- 透過 300 多種預先建置的分析和轉換來改善資料品質與提升模型效能
- 利用自然語言來分析和轉換您的資料
- 透過直觀、低程式碼/無程式碼的介面，以視覺化方式建置和精簡您的資料管道
- 只需按幾下即可擴展到 PB 規模的資料
2
跨多種問題類型訓練和評估模型
- 利用 AutoML 的強大功能，針對您的特定使用案例自動探索和最佳化模型
- 只需按幾下即可針對回歸、分類、時間序列預測、自然語言處理、電腦視覺訓練模型以及微調基礎模型
- 利用靈活的選項，針對目標指標、資料分割以及模型控制 (例如演算法選取和超參數) 量身打造模型訓練
- 透過互動式視覺化和模型說明深入了解模型效能
- 從模型排行榜中選取效能最佳的模型，然後匯出產生的程式碼以進一步自訂
3
批次或即時產生大規模準確的預測
- 直接在應用程式內執行互動式預測和假設分析
- 僅需按一下即可將模型部署到 SageMaker 端點以進行即時推論，或者執行臨機批次預測或使用自動排程執行批次預測
- 在 SageMaker Model Registry 中註冊模型，以確保管控和版本控制
- 與 Amazon SageMaker Studio 無縫共用模型，以進行進階自訂和協作
- 使用 Amazon QuickSight 可視化並與利害關係人共用預測，以此進行增強決策
使用基礎模型進行建置
- 輕鬆比較並選擇最適合您任務的基礎模型
- 僅需點按幾下即可使用標記的訓練資料集針對企業使用案例微調基礎模型
利用您的生成式 AI
- 查詢儲存在 Amazon Kendra 中的文件和知識庫，以產生量身打造的輸出
- 透過互動式視覺化、模型說明和排行榜，深入了解模型效能
- 將最合適的基礎模型投入生產並部署到即時 SageMaker 端點
協作並確保管控
在促進團隊之間協作的同時實現機器學習的大眾化。啟用模型共用並與其他 AWS 服務整合以進行管控和 MLOps。
1
促進跨團隊協作和知識共用
- 透過與 SageMaker Studio 輕鬆共用模型，與資料科學家和專家進行協作
- 使用 Canvas 工作空間內由資料科學家建置的模型來產生預測
- 透過自動產生的筆記本，藉由程式碼透明度提升信任
- 透過 Amazon QuickSight 儀表板與利害關係人共用模型、預測和洞見
- 保持版本控制和模型譜系追蹤，確保跨團隊的可再現性和可追溯性
2
確保管控和 MLOps 最佳實務
- 實作精細的使用者層級許可和存取控制，以進行安全模型管理
- 透過單一登入 (SSO) 功能啟用無縫身分驗證
- 在 SageMaker Model Registry 中註冊模型，以遵從模型管控和版本控制
- 透過匯出模型筆記本來簡化 MLOps 管道，以進一步自訂和整合
- 利用自動關閉功能最佳化成本和資源使用率