不敲代码就能搞机器学习？亚马逊云科技这回放了个大招( 三 )

对于广大的MLer来说，一套完整的机器学习流程，包括数据准备、数据标注、训练、推理、部署。最终模型推理效果如何，既依赖于开发者个人的水平，也会受架构、算力、数据这些外化因素的影响。
亚马逊云科技之所以这么做，是想要降低个人水平影响，用他们的话说：让AI/ML从手工作坊走向工业化。
具体来看，为一揽子解决问题， AmazonSageMaker给出一套组合拳，涵盖机器学习全流程：
在数据准备阶段，数据工程师常常需要离开当前开发环境，手动配置一个满足正在运行的模型或分析要求的集群。
为此， AmazonSageMakerStudio与AmazonEMR进行了集成，可直接从AmazonSageMakerStudioNotebook中使用SparkUI来监视和调试运行在AmazonECR集群上的Spark作业。
鉴于无论执行数据预处理、开发还是模型部署，都不必离开这个环境，上述动作无疑向一个理想的完全集成开发环境迈进了一步。

数据标注阶段也在告别劳动密集型，避免人工屈从于人工智能：
这一工作以前需要人力手动标注，或通过数据标注程序处理，但现在，在给出原始数据和需求之后， AmazonSageMakerGroundTruthPlus会结合机器学习协助的预标记，辅助人类专家进行标记。
这种方式能降低错误率，同时将标注的成本降低40% ，做到更高效地检测错误，避免低质量标签的出现。
【不敲代码就能搞机器学习？亚马逊云科技这回放了个大招】训练阶段的提升更为关键。