什么是 SageMaker Canvas？
Amazon SageMaker Canvas 是一个无代码的可视化界面，使您能够准备数据、构建和部署高度准确的机器学习模型，从而在统一环境中简化端到端机器学习生命周期。您可以在 SageMaker Data Wrangler 的支持下，通过点击式交互和自然语言来准备和转换 PB 级数据。您可以利用 AutoML 的强大功能，在 SageMaker Autopilot 的支持下，自动构建用于回归、分类、时间序列预测、自然语言处理和计算机视觉的自定义机器学习模型。您还可以通过几次单击从 Amazon Bedrock 和 SageMaker JumpStart 访问、评估、微调和部署基础模型。Canvas 促进团队之间的协作，为生成的代码提供透明度，并通过模型版本控制和访问控制确保治理。借助 Canvas，无论是否具备编码专业知识，您都可以快速构建自定义机器学习模型或微调基础模型来加速创新并提高生产力，从而满足您的业务需求。
SageMaker Canvas 的优势
在整个机器学习生命周期中构建
利用端到端机器学习功能，包括使用 SageMaker Data Wrangler 进行数据准备和使用 SageMaker Autopilot 进行 AutoML 模型训练，所有这些都通过可视化的无代码界面实现。 您还可以使用 Amazon Q 开发者版来获得生成式人工智能支持的帮助，用于构建机器学习模型。只需用自然语言陈述您的目标，Q 开发者版就会将其分解并转换成一组机器学习任务。然后，Q 开发者版将指导您定义机器学习问题类型、准备数据以及构建、评估和部署模型。
1
以可视化方式准备 PB 级数据
- 访问和导入来自 50 多个来源的数据，包括 Amazon S3、Athena、Redshift、Snowflake 和 Databricks
- 通过 300 多种预建分析和转换来提高数据质量和模型性能
- 使用直观的低代码/无代码界面以可视化方式构建和优化您的数据管道
- 只需点击几下即可扩展到 PB 字节大小的数据
2
跨多种问题类型训练和评估模型
- 利用 AutoML 的强大功能，针对您的特定用例自动探索和优化模型
- 只需点击几下，即可训练模型进行回归、分类、时间序列预测、自然语言处理、计算机视觉和微调基础模型
- 使用灵活的客观指标、数据拆分和模型控制（例如算法选择和超参数）来定制模型训练
- 通过交互式可视化和模型解释深入了解模型性能
- 从模型排行榜中选择表现最佳的模型，然后导出生成的代码以供进一步定制
3
大规模生成准确预测 - 批量或实时
- 直接在应用程序内执行交互式预测和假设分析
- 只需单击一下即可将模型部署到 SageMaker 端点进行实时推理，或者临时或按自动计划运行批量预测
- 通过在 SageMaker 模型注册表中注册模型，确保治理和版本控制
- 与 Amazon SageMaker Studio 无缝共享模型，实现高级自定义和协作
- 使用 Amazon QuickSight 将预测结果可视化并与利益相关者分享，以增强决策能力
使用基础模型构建
- 轻松比较并选择最适合您任务的基础模型
- 只需点击几下即可使用标记的训练数据集针对业务用例微调基础模型
利用您的生成式人工智能
- 查询存储在 Amazon Kendra 中的您自己的文档和知识库以生成量身定制的输出
- 通过交互式可视化、模型解释和排行榜深入了解模型性能
- 将最合适的基础模型投入生产并部署到实时 SageMaker 端点
协作并确保治理
实现机器学习大众化，同时促进团队之间的协作。支持模型共享和与其他 AWS 服务集成，以进行治理和 MLOps。
1
促进跨团队协作和知识共享
- 通过 SageMaker Studio 轻松共享模型，与数据科学家和专家合作
- 使用数据科学家在 Canvas 工作空间中构建的模型来生成预测
- 借助自动生成的笔记本提高代码透明度，增强信任
- 通过 Amazon QuickSight 仪表板与利益相关者共享模型、预测和见解
- 维护版本控制和模型谱系跟踪，确保团队间的可再现性和可追溯性
2
确保治理和 MLOps 最佳实践
- 实施精细的用户级权限和访问控制，以实现安全的模型管理
- 通过单点登录（SSO）功能实现无缝身份验证
- 通过在 SageMaker 模型注册表中注册模型来遵守模型治理和版本控制
- 通过导出模型笔记本进行进一步的定制和集成，简化 MLOps 管道
- 通过自动关机功能优化成本和资源利用率