关于 Amazon SageMaker
Amazon SageMaker 将 AWS 机器学习、分析、数据处理、SQL 和生成式 AI 开发整合到一个互联环境中。团队可以利用托管基础设施构建、训练、自定义和部署机器学习模型与基础模型，在无服务器笔记本中工作，通过内置 SQL 编辑器查询数据，并使用熟悉的 AWS 服务创建数据管道。SageMaker Unified Studio 提供对数据和工具的共享访问，而 SageMaker Catalog 则支持发现、治理、访问控制和协作。其湖仓一体架构连接 Amazon S3 数据湖、Amazon Redshift 数据仓库以及联合或第三方数据源。Amazon Q Developer 提供自然语言帮助，用于查找数据、编写代码和 SQL、排查问题及指导模型开发。费用根据 SageMaker 功能、AWS 计算与存储、目录请求、网络及所用第三方服务的实际使用量收取；部分设置和管理请求始终免费，符合条件时还可享受 AWS Free Tier 优惠。
适合人群
适合场景
构建并部署机器学习模型或基础模型
跨 Amazon S3、Amazon Redshift 和联合数据源开展分析
在共享开发环境中创建受治理的数据与 AI 项目
对比选择
核算所有相关 AWS 服务和资源的总成本，而不只看 SageMaker 界面
评估 AWS 原生数据、身份与治理流程是否适配现有技术栈
确认托管式笔记本、SQL 工具、模型流程和目录治理能否减少工具切换
功能特性
开发和部署机器学习模型
使用 SageMaker 基础设施准备训练数据、开发机器学习模型或基础模型、运行托管式训练和评估工作流，并部署模型进行推理。这适合希望在 AWS 中以统一工作流完成从实验到生产运营的团队。
跨数据源运行分析
通过湖仓一体架构，使用托管笔记本和 SQL 工具分析存储在 Amazon S3、Amazon Redshift 以及受支持的联合或第三方数据源中的数据。分析师和工程师可以使用共享数据，无需为每种工具维护单独副本。
治理协作式数据和 AI 工作
通过 SageMaker Catalog 组织项目和资产、发现并共享数据与模型，以及应用细粒度访问策略。这为数据、分析和 AI 团队提供了一个通用治理层，便于在整个开发生命周期中协作。
优点
- 在 AWS 中整合分析、数据处理、SQL、机器学习和生成式 AI 工作流
- 提供托管基础设施，可大规模训练、自定义和部署模型
- 对数据、模型和 AI 资产应用统一的发现、访问控制和治理机制
缺点
- 总成本取决于多个单独计费的 AWS 服务和工作负载资源
- 快速设置可能产生额外网络费用，具体金额随账户配置而异
- AWS 生态系统之外的团队可能面临集成和运营方面的学习成本
价格方案
按用量计费
- 费用取决于所用的 AWS 服务和资源
- SageMaker Catalog 使用量单独计费
- 计算、存储、网络和第三方服务可能产生额外费用
- 部分 Unified Studio 设置和管理请求始终免费
* 价格信息仅供参考，请以Amazon SageMaker官网最新公告为准。