亚马逊一直在为其云计算子公司AWS添加AI功能。今天，亚马逊宣布了一系列对SageMaker的改进，SageMaker是用于构建，训练和部署机器学习模型的端到端平台。

“机器学习是一个高度协作的过程，将领域经验与技术技能相结合是成功的基石，通常需要多次迭代和不同数据集和功能的实验，”AWS学习与AI总经理Matt Wood博士表示，“训练一个成功的模型几乎从来就不是一劳永逸的，所以能够跟踪重要的决策，回放成功的部分，重视有效的部分，我们正在引入新功能，使这些迭代更易于管理，重复和共享。”

首先列出的是Sagemaker Search，它使AWS客户能够找到AI模型训练运行独特的组合数据集，算法和参数。它可以从SageMaker控制台访问。

另一个新功能是Step Functions，它跨多个服务协调完成机器学习工作流程所需的步骤。此外，还与Apache Airflow集成，Apache Airflow是一个用于创作，调度和监控工作流的开源框架。

Step Functions和Apache Flow将于下个月推出。

Wood博士写道，“使用Step Functions，你可以自动将数据集发布到Amazon S3，使用SageMaker训练数据的ML模型，并部署模型进行预测，它会监视SageMaker（和Glue）作业，直到它们成功或失败，并转换到工作流程的下一步或进行重试。它包括内置的错误处理，参数传递，状态管理和可视控制台，可让你在运行时监控ML工作流程。”

这些改进对于SageMaker与添加三个新的内置算法相吻合，即用于可疑IP地址（IP Insights），用于高维对象的低维嵌入（Object2Vec）和无监督分组（K-means聚类）。AWS为Horovod、Uber开源深度学习框架谷歌的Tensorflow提供了新的支持，以及软件机器学习库scikit-learn和MLeap。

整体升级还包括可视化和与版本控制系统Git的集成，这有助于跟踪和协调文件中的更改。现在，开发人员可以将GitHub，AWS CodeCommit或自托管Git存储库与SageMaker notebook连接，以便克隆公共和私有存储库，或使用IAM，LDAP和AWS Secrets Manager在Amazon SageMaker中存储存信息。

最后，在安全方面，SageMaker现在符合亚马逊的系统和组织控制（SOC）1级，2级和3级审核。

Wood博士表示，“这些新功能，算法和认证将有助于为更多开发人员带来更多的机器学习工作负载。通过几乎完全专注于客户的要求，我们正在通过亚马逊SageMaker在现实世界中使机器学习变得有用和可用方面取得了实际进展，在AI方面，认证，实验和自动化并不总是你能想到的第一件事，但我们的客户告诉我们，这些功能可以进一步缩短构建，训练和部署模型所需的时间。”