Press "Enter" to skip to content

14 search results for "Amazon SageMaker Model Registry"

使用Amazon SageMaker Model Registry、HashiCorp Terraform、GitHub和Jenkins CI/CD在多环境设置中推广管道

在人工智能(AI)和机器学习(ML)的快速发展环境中,为组织构建一个机器学习操作(MLOps)平台对于无缝衔接数据科学实验和部署,同时满足模型性能、安全性和合规性要求至关重要为了满足监管和合规要求,

Leave a Comment

使用API计划Amazon SageMaker笔记本任务并管理多步骤笔记本工作流程

亚马逊SageMaker Studio为数据科学家提供了完全托管的解决方案,可以交互式地构建、训练和部署机器学习(ML)模型亚马逊SageMaker笔记本作业允许数据科学家在SageMaker Studio中通过几次点击按需或按计划运行其笔记本有了这次发布,您可以以编程方式运行笔记本作业[…]

Leave a Comment

扩展规模下的机器学习生命周期管理,第一部分:使用Amazon SageMaker设计机器学习工作负载的框架

每个规模和行业的客户都在AWS上通过将机器学习(ML)融入其产品和服务来进行创新生成式AI模型的最新发展进一步加快了各行业对于采用ML的需求然而,实施安全、数据隐私和治理控制仍然是客户在实施ML时面临的主要挑战

Leave a Comment

从头开始构建和部署使用Amazon SageMaker的机器学习推理应用程序

随着机器学习(ML)进入主流并得到广泛采用,基于ML的推理应用程序在解决各种复杂业务问题方面变得越来越常见解决这些复杂业务问题通常需要使用多个ML模型和步骤本文将向您展示如何使用自定义容器构建和托管一个ML应用程序[…]

Leave a Comment

在多云环境中使用亚马逊SageMaker训练和部署机器学习模型

在本文中,我们展示了在多云环境中利用AWS最广泛、最深入的人工智能/机器学习能力的众多选项之一我们展示了如何在AWS中构建和训练一个机器学习模型,并在另一个平台上部署该模型我们使用Amazon SageMaker训练模型,将模型工件存储在Amazon Simple Storage Service(Amazon S3)中,并在Azure中部署和运行该模型

Leave a Comment

使用Amazon SageMaker编排基于Ray的机器学习工作流程

随着客户尝试解决越来越具有挑战性的问题,机器学习(ML)变得越来越复杂这种复杂性通常会导致对分布式ML的需求,即使用多台机器来训练一个模型尽管这可以实现跨多个节点的任务并行化,从而加快训练时间、提高可伸缩性和改进[…]

Leave a Comment

将SaaS平台与Amazon SageMaker集成,以实现基于机器学习的应用程序

Amazon SageMaker是一个端到端的机器学习(ML)平台,具有广泛的功能,可以导入、转换和测量数据中的偏差,并使用一流的计算和服务进行模型的训练、部署和管理,例如Amazon SageMaker Data Wrangler、Amazon SageMaker Studio、Amazon SageMaker Canvas、Amazon SageMaker Model Registry、Amazon SageMaker Feature Store等

Leave a Comment

使用Amazon SageMaker上的OpenChatkit模型构建自定义聊天机器人应用程序

开源的大型语言模型(LLMs)变得越来越流行,使研究人员、开发人员和组织能够访问这些模型以促进创新和实验这鼓励开源社区的合作,以贡献于LLMs的发展和改进开源LLMs提供了模型架构、训练过程和训练数据的透明度,这使得研究人员能够理解[…]

Leave a Comment

使用MONAI Deploy在AWS上构建医学影像AI推理流程

在这篇文章中,我们向您展示如何创建一个可在使用MONAI Deploy App SDK构建的应用程序中重复使用的MAP连接器,以与AWS HealthImaging集成并加速从云原生DICOM存储中检索图像数据,用于医学影像人工智能工作负载MONAI Deploy SDK可用于支持医院运营我们还演示了两种托管选项,以便在SageMaker上大规模部署MAP AI应用程序

Leave a Comment

Can't find what you're looking for? Try refining your search: