亚马逊网络服务公司(AmazonWebServices)周二发布了SageMaker Studio，这是一个完全集成的机器学习开发环境。一个基于网络的IDE，SageMaker Studio允许你存储和收集所有你需要的东西，不管它是代码，笔记本还是项目文件夹，都在一个地方用一块玻璃。
新的IDE是亚马逊端到端机器学习服务SageMaker的一部分。在拉斯维加斯召开的AWS Re：Create会议上，AWS首席执行官安迪·贾西说，SageMaker的推出对于机器学习来说是一个“海平面变化”。
"在SageMaker工作室，它是一个巨大的飞跃，"说."如果你真的希望机器学习像我们认为的那样广阔，你必须使机器学习变得更容易。"
SageMaker Studio包括几个工具，包括SageMaker笔记本、SageMaker实验、SageMaker调试器、SageMaker模型监视器和SageMaker自动驾驶仪。
简单地说，雅西概述了一种机器学习策略，旨在使构建模型过程中的许多麻烦自动化。下面介绍一些关键的SageMaker Studio部件：
雅西说，SageMaker笔记本电脑可以用弹性计算一键旋转笔记本，称它“管理笔记本要简单得多”。没有提供实例，笔记本内容自动复制并传输到新实例。
SageMaker实验允许您自动捕获、组织和搜索构建、培训和调整模型的每一步。您可以捕获模型的所有参数、配置和结果。你可以实时浏览它们，也可以搜索更老的实验。
SageMaker Debugger允许开发人员调试和分析他们的模型培训，以提高他们机器学习模型的准确性。默认情况下，它可以为优化培训时间和提高模型质量提供实时警报和建议。
在名为“特征优先排序”的功能中，调试器将关注对模型产生影响的尺寸或特征。"如果你有一个正在执行的神经网络模型，你可能想知道它离开哪个维度，"Jassy说。
SageMaker模型监视器帮助客户自动检测已部署模型中的概念漂移。它在培训期间创建有关数据的基线统计数据，并将用于根据该基线进行预测的数据进行比较。每当发现任何漂移时，它都会提醒开发人员。
“人们会说，‘当我的模特已经工作了一段时间，突然间它就坏了，你怎么能帮我呢？’”贾西说。
最后，使用SageMaker自动驾驶仪，建立模型的过程都是自动化的。它处理算法选择、数据预处理和模型优化以及所有基础设施。使用单个API调用(或在SageMaker Studio中单击几下)，SageMaker Autopilot首先检查数据集，并运行多个候选对象，以确定数据预处理步骤、机器学习算法和超参数的最佳组合。然后，它训练一个推理管道，您可以轻松地部署在实时端点上，也可以用于批处理。