今天，我们非常高兴地推出 Amazon SageMaker Studio：首个全集成的机器学习 (ML) 开发环境。

自 2017 年推出 Amazon SageMaker 以来，我们取得了长足的进步，使用该服务的客户数量不断增加也证明了这一点。但是，由于 ML 工具相对不成熟，ML 开发工作流程仍然非常反复，并且对于开发人员来说，管理工作具有挑战性。已经为 ML 发明了开发人员在构建传统软件时认为理所当然的许多工具（调试器、项目管理、协作、监控等）。

例如，当尝试一种新算法或调整超参数时，开发人员和数据科学家通常在 Amazon SageMaker 上进行成千上万次实验，他们需要手动管理所有实验。随着时间的流逝，追踪性能最佳的模型和利用在实验过程得出的经验教训变得越来越困难。

Amazon SageMaker Studio 最后统一了 ML 开发所需的所有工具。开发人员可以在一个集成的可视界面中编写代码、跟踪实验、可视化数据以及进行调试和监控，从而极大地提高了开发人员的工作效率。

另外，由于 ML 工作流的所有这些步骤均该在环境中进行跟踪，因此开发人员可以在各个步骤之间快速来回移动，还可以克隆、调整和重播它们。这使开发人员能够快速进行更改、观察结果并更快地进行迭代，从而缩短了高质量 ML 解决方案的上市时间。

隆重推出 Amazon SageMaker Studio
Amazon SageMaker Studio 使您可以通过单个窗格管理整个 ML 工作流。让我带给您旋风之旅！

借助 Amazon SageMaker 笔记本（当前处于预览状态），您可以享受增强的笔记本体验，从而可以轻松创建和共享 Jupyter 笔记本。无需管理任何基础设施，您也可以快速从一种硬件配置切换到另一种。

借助 Amazon SageMaker Experiments，您可以组织、跟踪和比较数千个 ML 作业：这些可以是训练作业，也可以是使用 Amazon SageMaker Processing 运行的数据处理和模型评估作业。

借助 Amazon SageMaker Debugger，您可以调试和分析复杂的训练问题，并接收警报。它会自动检查您的模型，收集调试数据并进行分析，以提供实时警报和建议，进而优化训练时间并提高模型质量。在训练模型时，所有信息均可见。

借助Amazon SageMaker Model Monitor，您可以检测已部署模型的质量偏差并接收警报。您可以轻松地可视化显示可能影响模型的问题，例如数据漂移。无需代码：只需单击几下。

借助 Amazon SageMaker Autopilot，您可以在完全控制和可见的情况下自动构建模型。将自动执行算法选择、数据预处理和模型调整以及所有基础设施。

由于有了这些新功能，Amazon SageMaker 现在涵盖了完整的 ML 工作流，可快速和以任意规模构建、训练和部署机器学习模型。

上述服务（Amazon SageMaker 笔记本除外）在单独的博客文章中介绍（请参阅下文），向您展示如何快速上手，因此请仔细继续阅读！

Amazon SageMaker Debugger
Amazon SageMaker Model Monitor
Amazon SageMaker Autopilot
Amazon SageMaker Experiments
现已推出！
Amazon SageMaker Studio 现已在美国东部（俄亥俄）推出。

请试一试，并通过 Amazon SageMaker 的 AWS 平台或您常用的 AWS Support 联系方式向我们发送反馈。

本文转载自AWS技术博客。

原文链接：https://amazonaws-china.com/cn/blogs/china/amazon-sagemaker-studio-the-first-fully-integrated-development-environment-for-machine-learning/

创作场景

Amazon SageMaker Studio：首个全集成的 Machine Learning 开发环境