關於 Amazon SageMaker
Amazon SageMaker 將 AWS 機器學習、分析、資料處理、SQL 與生成式 AI 開發整合至互相連結的環境中。團隊可以運用受管基礎架構建置、訓練、自訂及部署機器學習模型與基礎模型，在無伺服器筆記本中工作，透過內建 SQL 編輯器查詢資料，並使用熟悉的 AWS 服務建立資料管線。SageMaker Unified Studio 提供資料與工具的共用存取，而 SageMaker Catalog 則支援探索、治理、存取控制及協作。其湖倉一體架構連結 Amazon S3 資料湖、Amazon Redshift 資料倉儲，以及聯合或第三方資料來源。Amazon Q Developer 提供自然語言協助，可用於尋找資料、撰寫程式碼與 SQL、疑難排解及引導模型開發。費用依 SageMaker 功能、AWS 運算與儲存、目錄請求、網路及所用第三方服務的實際用量計收；部分設定與管理請求永遠免費，符合資格時亦可享有 AWS Free Tier 優惠。
功能特性
開發及部署機器學習模型
使用 SageMaker 基礎架構準備訓練資料、開發機器學習模型或基礎模型、執行受管訓練與評估工作流程，並部署模型進行推論。這適合希望透過單一 AWS 工作流程完成從實驗到正式環境營運的團隊。
跨資料來源執行分析
透過湖倉一體架構，使用受管筆記本及 SQL 工具分析儲存在 Amazon S3、Amazon Redshift，以及受支援的聯合或第三方來源中的資料。分析師與工程師可使用共用資料，無須為每項工具維護獨立副本。
治理協作式資料與 AI 工作
透過 SageMaker Catalog 組織專案與資產、探索及分享資料與模型，並套用精細的存取政策。這為資料、分析與 AI 團隊提供共同治理層，方便在整個開發生命週期中協作。
優點
- 在 AWS 中整合分析、資料處理、SQL、機器學習與生成式 AI 工作流程
- 提供受管基礎架構，可大規模訓練、自訂及部署模型
- 對資料、模型及 AI 資產套用共用的探索、存取控制與治理機制
缺點
- 總成本取決於多項分開計費的 AWS 服務與工作負載資源
- 快速設定可能產生額外網路費用，金額會依帳戶設定而異
- AWS 生態系統以外的團隊可能面臨整合及營運方面的學習成本
價格方案
按用量計費
- 費用依所用的 AWS 服務與資源計算
- SageMaker Catalog 使用量分開計費
- 運算、儲存、網路及第三方服務可能產生額外費用
- 部分 Unified Studio 設定與管理請求永遠免費
* 價格資訊僅供參考，請以Amazon SageMaker官網最新公告為準。