详细内容或原文请订阅后点击阅览

在Amazon Sagemaker AI

2025年7月10日 18:35 33 Comments
X Twitter Instagram Mail

在这篇文章中，我们探讨了Amazon Sagemaker如何为MLFLOW 3.0提供全面管理的支持，简化了AI实验并加速了您从想法到生产的生成性AI旅程。该版本将托管的MLFlow从实验跟踪转换为提供端到端可观察性，从而缩短了生成AI开发的市场时间。

来源:亚马逊云科技 _机器学习
Amazon Sagemaker现在为MLFLOW 3.0提供了完全管理的支持，该支持简化了AI实验，并加速了您从想法到生产的生成性AI旅程。该版本将托管的MLFlow从实验跟踪转换为提供端到端的可观察性，缩短了生成AI开发的市场时间。随着行业的客户加速其生成AI的开发，他们需要能够跟踪实验，观察行为并评估模型和AI应用程序的性能。数据科学家和开发人员难以有效地分析其模型的性能以及从实验到生产的AI应用程序的应用，因此很难找到根本原因并解决问题。团队花费更多的时间整合工具，而不是提高模型或生成AI应用程序的质量。通过在Amazon Sagemaker AI上启动完全管理的MLFLOW 3.0，您可以通过更轻松地跟踪实验并使用单个工具来跟踪模型和AI应用程序的行为来加速生成AI开发。追踪完全管理的MLFLOW 3.0中的功能使客户能够在生成AI应用程序的每个步骤中记录输入，输出和元数据，因此开发人员可以快速识别错误或意外行为的来源。通过维护每个模型和应用程序版本的记录，完全管理的MLFLOW 3.0提供可追溯性，可以将AI响应连接到其源组件，这意味着开发人员可以将问题直接跟踪到生成的特定代码，数据或参数。借助这些功能，使用Amazon Sagemaker Hyperpod训练和部署基础模型（FMS）的客户现在可以使用托管MLFlow跟踪实验，监视培训进度，更深入地了解模型和AI应用程序的行为，并管理其机器学习（ML）生命周期。这减少了故障排除时间，并使团队能够更多地专注于创新。
应用程序 模型的 可追溯性 生产的 更多的 数据 机器学习 可观察性 管理的 MLFLOW 科学家 开发人员 质量 轻松地 端到端 生命周期 输入 评估模型 时间 跟踪 Amazon 生成 AI 端到端的 模型 意味着 3.0 能够 行为 实验 故障排除 提高