AWS telah memperkenalkan SageMaker Studio Lab, layanan gratis untuk membantu pengembang mempelajari teknik pembelajaran mesin dan bereksperimen dengan teknologi tersebut. SageMaker Studio Lab memberi semua pengguna dasar untuk memulai, termasuk JupyterLab IDE, pelatihan model tentang CPU dan GPU, dan penyimpanan persisten 15 GB.
SageMaker Studio Lab memiliki semua dasar untuk membuat analitik data, komputasi ilmiah, dan proyek pembelajaran mesin dengan notebook, yang dapat dengan mudah diimpor dan diekspor melalui repo Git atau bucket Amazon S3 pribadi.
SageMaker Studio Lab menjadi alternatif untuk lingkungan Google Colab yang populer, yang menyediakan akses CPU/GPU gratis.
Peningkatan lain untuk AWS SageMaker adalah alat visual tanpa kode yang disebut SageMaker Canvas. Canvas memungkinkan analis bisnis untuk membangun model pembelajaran mesin dan menghasilkan prediksi dengan menelusuri sumber data yang berbeda di cloud atau di tempat, menggabungkan set data, dan model pelatihan setelah data yang diperbarui tersedia. Layanan baru memperlihatkan antarmuka pengguna bergaya wizard untuk mengunggah data, melatih model, dan melakukan prediksi.
Selain itu, AWS juga memperkenalkan layanan turnkey baru yang mempekerjakan tenaga kerja ahli untuk memberikan set data pelatihan berkualitas tinggi sambil menghilangkan kebutuhan perusahaan untuk mengelola aplikasi pelabelan mereka sendiri. Layanan baru ini adalah SageMaker Ground Truth Plus. Dengan SageMaker Ground Truth, ilmuwan data memiliki opsi untuk bekerja dengan pemberi label di dalam dan di luar organisasi mereka.
Dilansir dari infoq.com, SageMaker Training Compiler ini bertujuan untuk mempercepat pelatihan model pembelajaran mendalam dengan mengompilasi kode pemrograman Python pengembang secara otomatis dan menghasilkan kernel GPU khusus untuk model mereka. Kompiler mengoptimalkan model pembelajaran mendalam untuk mempercepat pelatihan dengan lebih efisien menggunakan instans GPU pembelajaran mesin SageMaker. Layanan ini tersedia secara gratis dalam platform SageMaker.
Terakhir, adalah SageMaker Serverless Inference, opsi inferensi baru yang memungkinkan pengguna menerapkan model pembelajaran mesin untuk inferensi tanpa harus mengonfigurasi atau mengelola infrastruktur yang mendasarinya. Dengan Inferensi Tanpa Server, SageMaker secara otomatis menyediakan, menskalakan, dan mematikan kapasitas komputasi berdasarkan volume permintaan inferensi. Pelanggan hanya membayar selama menjalankan kode inferensi dan jumlah data yang diproses, bukan untuk waktu idle.
Anda dapat meminta akun Lab SageMaker Studio gratis. Jumlah pendaftaran akun baru akan dibatasi untuk memastikan kualitas pengalaman yang tinggi bagi pelanggan. Anda dapat menemukan contoh buku catatan di repositori Studio Lab GitHub.(ra/hh)