SageMaker提供不同遷入的開發工具與介面，讓我們可以加速整體開發速度與滿足開發後的ML模型的監控。

1. 開發環境

SageMaker Notebook

每一個Notebook對應到一台機器，我們可以彈性選擇這一台機器的運算與儲存資源、軟體開發環境的Image。

SageMaker Studio

是一個集成式的開發環境，可以開多個Notebook來進行開發。此外，Studio也遷入許多開發服務與工具，例如等一下會提到的Autopilot。

2. 資料前處理與特徵庫

Data Wrangler

可做資料的引入、轉換、分析與輸出。

Feature Store

可在Studio內探索與分享Features。

3. 模型訓練

Autopilot

實現自動化選擇模型、資料前處理方式、調參與運算資源配置的功能。訓練資料需要是CSV或Parquet，並且要匯入S3，才能讓Autopilot讀取。
內建的幾個模型選項有：

• Linear Learner
• XGBoost
• MLP
• Ensemble Models
  訓練好的模型，可以自動化佈署到Endpoint來運作，不用擔心另外花太多時間在佈署作業上。
  Autopilot也可以導入SageMaker Clarify，用於解釋訓練好的模型，觀察什麼因素影響模型的表現。

JumpStart

包含各種整合到SageMaker的Model Zoo，例如Hugguing Face。

Training Compiler

這個功能的目的是為了加速模型的訓練時間。怎麼做到的呢？

• 轉換模型格式，讓模型可以配合硬體資源達到最有效的運算速度
• 透過GPU來運行
  整體運行預計可提速50%。

Canvas

標榜No-Code的機器學習開發服務。我們上傳CSV檔後，即可針對regression或classification的任務，讓Canvas進行資料前處理與模型的訓練。

4. 模型訓練輔助工具

Experiment

用來追蹤各式模型訓練的結果。

Debugger

用來觀察模型在訓練的過程中，採用的運算資源是否有異樣。

5. 模型部署與監控

Model Clarify

用來解釋訓練好的模型，解釋：

• 什麼特徵值對模型最有影響
• 資料是否有不平衡的問題

Model Monitor

監控模型上線後，觀察什麼原因導致模型表現往下掉或不穩定。監控資料存放於S3，而監控結果可整合到Tensorboard、QuickSight、Tableau來做觀察。Model Monitor可與Model Clarify整合，了解模型不穩定背後的原因是什麼;一旦發現有異常問題，可透過CloudWatch來發布異常報告。

Edge Manager

可放Agent在硬體設備上。可透過所資料搜集到的資料去做監控、資料標籤。

ChatGPT來出題：

問題1：下列哪個是Amazon SageMaker功能，用於數據準備和轉換，以簡化機器學習數據流程？

A) Amazon SageMaker Data Wrangler
B) Amazon SageMaker Feature Store
C) Amazon SageMaker Model Monitor
D) Amazon SageMaker Autopilot

答案：A) Amazon SageMaker Data Wrangler

解釋： Amazon SageMaker Data Wrangler是用於數據準備和轉換的服務，可讓您輕鬆地進行數據清理、轉換和特徵工程。它幫助簡化機器學習數據流程，使數據準備變得更加容易。

附加信息：

Amazon SageMaker Feature Store用於存儲、檢索和共享特徵，以便在機器學習模型中使用。它有助於管理特徵的一致性和可用性。

Amazon SageMaker Model Monitor用於監視和維護機器學習模型的性能，以確保模型在生產環境中的準確性。

Amazon SageMaker Autopilot是自動機器學習服務，可自動探索、訓練和調整機器學習模型，以節省時間和精力。

問題2：以下哪個Amazon SageMaker服務可用於自動機器學習，以自動化模型的訓練和調整過程？

A) Amazon SageMaker Canvas
B) Amazon SageMaker Feature Store
C) Amazon SageMaker Ground Truth
D) Amazon SageMaker AutoPilot

答案：D) Amazon SageMaker AutoPilot

解釋： Amazon SageMaker AutoPilot是一項自動機器學習服務，它能夠自動探索、訓練和調整機器學習模型，以節省時間並簡化機器學習流程。

附加信息：

• Amazon SageMaker Canvas是一種用於數據準備和特徵工程的可視化界面，有助於用戶更輕鬆地設計和執行數據轉換流程。

• Amazon SageMaker Feature Store用於存儲、檢索和共享特徵，以便在機器學習模型中使用。它有助於管理特徵的一致性和可用性。

• Amazon SageMaker Ground Truth是用於標註和清理訓練數據的服務，有助於生成高質量的標籤數據集供模型訓練使用。