Amazon SageMaker Canvas

Buat prediksi ML yang akurat—tanpa perlu kode

Apa itu SageMaker Canvas?

Amazon SageMaker Canvas adalah antarmuka visual tanpa kode yang memberdayakan Anda untuk menyiapkan data, membangun, dan melakukan deployment model ML yang sangat akurat sehingga menyederhanakan siklus hidup ML menyeluruh dalam lingkungan terpadu. Anda dapat menyiapkan dan mengubah data pada skala petabita melalui interaksi tunjuk dan klik serta melalui bahasa alami, yang ditenagai oleh SageMaker Data Wrangler. Anda dapat memanfaatkan kekuatan AutoML dan membangun model ML khusus secara otomatis untuk regresi, klasifikasi, prakiraan deret waktu, pemrosesan bahasa alami, dan penglihatan komputer, yang didukung oleh SageMaker Autopilot. Anda juga dapat mengakses, mengevaluasi, menyempurnakan, dan melakukan deployment model fondasi dari Amazon Bedrock dan SageMaker JumpStart dengan beberapa klik. Canvas mendorong kolaborasi di seluruh tim, dengan memberikan transparansi ke dalam kode yang dihasilkan, dan memastikan tata kelola melalui penentuan versi model dan kontrol akses. Menggunakan Canvas, Anda dapat mempercepat inovasi dan meningkatkan produktivitas dengan membangun model ML khusus atau menyempurnakan model fondasi secara cepat untuk memenuhi kebutuhan bisnis Anda terlepas dari keahlian pengodean.

Keuntungan SageMaker Canvas

Akses kemampuan machine learning menyeluruh di seluruh siklus hidup ML, mulai dari persiapan data hingga inferensi, pada skala petabita.
Bangun dan manfaatkan machine learning kustom serta model fondasi yang sangat akurat melalui pengalaman tanpa kode.
Jelajahi, evaluasi, dan sempurnakan berbagai model fondasi dari Amazon Bedrock dan SageMaker JumpStart.
Aktifkan berbagi model dan integrasi dengan layanan AWS lainnya termasuk Registri Model SageMaker dan Amazon DataZone untuk tata kelola dan ML Ops.
Tingkatkan kolaborasi dengan para ahli melalui transparansi tingkat kode.

Bangun seluruh siklus hidup ML

Manfaatkan kemampuan machine learning secara menyeluruh, termasuk persiapan data dengan pelatihan model Data Wrangler dan AutoML dengan Autopilot, semuanya melalui antarmuka visual tanpa kode.
1
Langkah Sagemaker

Siapkan Data Anda dengan Bahasa Alami serta Tunjuk dan Klik pada Skala Petabita

  • Akses dan impor data dari 50+ sumber, termasuk Amazon S3, Athena, Redshift, Snowflake, dan Databricks
  • Tingkatkan kualitas data dan performa model dengan 300+ analisis dan transformasi yang dibuat sebelumnya
  • Manfaatkan bahasa alami untuk menganalisis dan mengubah data Anda
  • Buat dan perbaiki jalur data Anda secara visual dengan antarmuka low code/tanpa kode yang intuitif
  • Lakukan penskalaan ke data berukuran petabita dengan beberapa klik
2
Langkah Sagemaker

Latih dan Evaluasi Model di Berbagai Tipe Masalah

  • Manfaatkan kekuatan AutoML untuk mengeksplorasi dan mengoptimalkan model secara otomatis untuk kasus penggunaan spesifik Anda
  • Latih model untuk regresi, klasifikasi, prakiraan deret waktu, pemrosesan bahasa alami, penglihatan komputer, dan penyempurnaan model fondasi hanya dengan beberapa klik
  • Sesuaikan pelatihan model Anda dengan opsi fleksibel untuk metrik objektif, pemisahan data, dan kontrol model, seperti pemilihan algoritma dan hyperparameter
  • Dapatkan wawasan tentang performa model dengan visualisasi interaktif dan penjelasan model
  • Pilih model beperforma terbaik dari papan peringkat model, dan ekspor kode yang dihasilkan untuk penyesuaian lebih lanjut
3
Langkah Sagemaker

Buat Prediksi Akurat dalam Skala Besar - Batch atau Waktu Nyata

  • Lakukan prediksi interaktif dan analisis what-if langsung di dalam aplikasi
  • Lakukan deployment model dengan satu klik ke titik akhir SageMaker untuk inferensi waktu nyata, atau jalankan prediksi batch ad-hoc atau dengan jadwal otomatis
  • Pastikan tata kelola dan kontrol versi dengan mendaftarkan model di Registri Model SageMaker
  • Bagikan model secara lancar dengan Amazon SageMaker Studio untuk kustomisasi dan kolaborasi tingkat lanjut
  • Visualisasikan dan bagikan prediksi dengan pemangku kepentingan menggunakan Amazon QuickSight untuk pengambilan keputusan yang lebih baik

Berkolaborasi dan pastikan tata kelola

Demokratisasi ML sambil membina kolaborasi antartim. Aktifkan berbagi model dan integrasi dengan layanan AWS lainnya untuk tata kelola dan MLOp.
1
Langkah Sagemaker

Dorong Kolaborasi Lintas Tim dan Berbagi Pengetahuan

  • Berkolaborasi dengan ilmuwan data dan para ahli melalui berbagi model yang mudah dengan SageMaker Studio
  • Gunakan model yang dibuat oleh ilmuwan data dalam ruang kerja Canvas untuk menghasilkan prediksi
  • Tingkatkan kepercayaan melalui transparansi kode dengan notebook yang dihasilkan secara otomatis
  • Bagikan model, prediksi, dan wawasan dengan pemangku kepentingan melalui dasbor Amazon QuickSight
  • Pertahankan kontrol versi dan pelacakan silsilah model, yang memastikan reproduktifitas dan keterlacakan di seluruh tim
2
Langkah Sagemaker

Pastikan Tata Kelola dan Praktik Terbaik MLOp

  • Terapkan izin tingkat pengguna dan kontrol akses terperinci untuk manajemen model yang aman
  • Aktifkan autentikasi tanpa hambatan dengan kemampuan masuk tunggal (SSO)
  • Patuhi tata kelola model dan penentuan versi dengan mendaftarkan model di Registri Model SageMaker
  • Sederhanakan jalur MLOps dengan mengekspor notebook model untuk penyesuaian dan integrasi lebih lanjut
  • Optimalkan biaya dan pemanfaatan sumber daya dengan fitur shutdown otomatis

Bangun dengan model dasar

  • Bandingkan dan pilih model fondasi yang paling sesuai untuk tugas Anda dengan mudah
  • Sempurnakan model fondasi menggunakan set data pelatihan berlabel Anda untuk kasus penggunaan bisnis dalam beberapa klik
Gambar Sagemaker

Manfaatkan AI generatif Anda

  • Lakukan kueri dokumen dan basis pengetahuan Anda sendiri yang disimpan di Amazon Kendra untuk menghasilkan output yang disesuaikan
  • Dapatkan wawasan tentang performa model dengan visualisasi interaktif, penjelasan model, dan papan peringkat
  • Produksi dan lakukan deployment model fondasi yang paling sesuai ke titik akhir SageMaker waktu nyata
Gambar Sagemaker

Kasus penggunaan

Gunakan konsumsi produk dan data riwayat pembelian untuk memahami kecenderungan penjualan dan mengungkap pola churn pelanggan.

Prakirakan tingkat inventaris dengan menggabungkan data penjualan dan permintaan historis dengan data lalu lintas web, harga, kategori produk, serta hari libur terkait.

Prediksi kegagalan peralatan manufaktur dengan menganalisis data sensor dan log pemeliharaan serta hindari waktu henti.

Buat konten penjualan dan pemasaran yang dipersonalisasi, menarik, dan berkualitas tinggi, seperti posting media sosial, deskripsi produk, dan kampanye email.

Analisis dan ekstrak informasi dari berbagai dokumen, seperti klaim asuransi, faktur, laporan pengeluaran, atau dokumen identitas.