一直以来，Amazon 就在持续不断地为其旗下云计算部门AWS增加专注于AI的功能。上月下旬，Amazon Transcribe和Comprehend——分别为AWS的自动语音识别（ASR）服务和自然语音处理服务——就获得了对实时转录和自定义实体的支持。随后，Amazon宣布对SageMaker进行了一系列的改进。SageMaker是其用于建构、训练和部署机器学习模型的端到端的平台。
“机器学习是一个高度协作的过程。将领域经验和技术技能结合起来是成功的关键，而这通常要求对不同数据集和功能进行多次迭代和实验。”AWS学习和人工智能（AI）主管Matt Wood博士在一篇博文中写道。“训练成功的模型几乎从来都不是‘一杆入洞’的事，因此，追踪重要的决策、重放成功的部分、重新使用可行的方案以及从失败中吸取教训是十分重要的。我们正在引入新的功能来使这些迭代更容易管理、重复和共享。”
首先排在列表前面的就是SageMaker Search。它能够让AWS客户找到使用数据集、算法和参数的独特组合进行执行的AI模型训练运行。它可以从SageMaker控制台进行访问。
此次，Sagemaker Search新增加了Step Functions功能，它能够协调各个步骤所要求的服务来完成机器学习工作流。同样新增的功能还有与Apache Airflow的集成，这是一个用于程序编写、编排任务和监控工作流的开源框架。
Step Functions and Apache Flow两项功能将在下月可用。
“有了Step Functions，你就可以自动化将数据集发布到Amazon S3、使用SageMaker在数据上训练ML模型，以及预先部署模型。”Wood博士写道。“它将能够监控SageMaker（和Glue）的工作情况，直到它们成功或失败，或者过渡到了工作流的下一步，或者任务重新开始。它包含内置错误处理、参数传递、状态管理和一个可以监控ML运行工作流的可视控制台。”
这些改进包含三个SageMaker中新增加的内置算法。一个针对的是可疑的IP地址（IP洞察）
SageMaker增加了三种新的内置算法——一种用于可疑IP地址（IP Insights），另一种用于高维对象（Object2Vec）的低维嵌入，以及无监督分组（K-means集群）——以及AWS对Horovod （Uber针对谷歌的Tensorflow的开源深度学习框架）的新的支持；软件机器学习库scikit-learn；以及Spark MLeap。
同时更新还包括对视觉控制系统Git的可视化和集成。Git能够帮助追踪和整合文件中的更改。现在，开发人员可以将GitHub、AWS CodeCommit或自托管Git库与SageMaker链接起来，以便克隆公共存储库和私有存储库，或使用IAM、LDAP和AWS Secrets Manager在Amazon SageMaker中存储库信息。
最后，在安全方面，SageMaker现在满足Amazon的系统和组织控制（SOC）一级、二级和三级的审计要求了。
“这些新的功能、算法和资格认可将帮助把更多的机器学习工作负载带给更多的开发人员。通过几乎完全专注于客户的需求，我们在通过Amazon SageMaker使机器学习在现实世界中变得有用和可用方面取得了实际的进步。”Wood博士写道。“提及人工智能时，资格认可、实验和自动化可能并不是你首先想到的事情，但我们的客户告诉我们，这些功能可以进一步缩短模型的构建、训练和部署时间，而且它们并不需要研发部门参与其中。”
