亞馬遜網絡服務(AWS)對其機器學習和 AI 模型訓練與推理平臺 SageMaker 進行了重磅升級，旨在提升用戶體驗并增強其市場競爭力。這一升級增加了新型可觀察性功能、連接編碼環境以及 GPU 集群性能管理等多項新特性。

　　SageMaker 平臺自2024年起，已轉變為一個統一的數據源集成中心，集成了多種機器學習工具。此次更新的主要目標是幫助用戶更清晰地了解模型性能下降的原因，同時提供更大的控制權來管理計算資源的分配。

　　AWS 的 SageMaker 總經理 Ankur Mehrotra 在接受《VentureBeat》采訪時表示，許多新功能的開發靈感均來源于用戶反饋。他提到，開發生成 AI 模型的客戶常常面臨的問題是，當出現問題時，很難找到故障發生的具體層面。

　　為了幫助解決這一問題，SageMaker HyperPod 可觀察性功能的引入，使得工程師能夠檢查計算層、網絡層等各個層面的狀況。一旦模型性能下降，系統能夠即時發出警報，并在儀表盤上發布相關指標。

　　除了可觀察性功能，SageMaker 還新增了本地集成開發環境(IDE)連接功能，允許工程師將本地編寫的 AI 項目無縫部署到平臺上。Mehrotra 指出，以前本地編碼的模型只能在本地運行，這使得想要進行擴展的開發者面臨不小挑戰。現在，AWS 推出了安全遠程執行功能，使得用戶可以在本地或管理 IDE 上開發，并與 SageMaker 連接，靈活應對不同的任務。

　　AWS 在2023年12月推出了 SageMaker HyperPod，旨在幫助客戶管理訓練模型的服務器集群。HyperPod 能夠根據需求模式調度 GPU 使用，幫助客戶有效平衡資源和成本。AWS 表示，許多客戶希望在推理任務中也能夠實現類似的服務。由于推理任務通常在白天進行，而訓練任務則多在非高峰時段進行，因此這一新功能將為開發者提供更大的靈活性。

　　雖然亞馬遜在基礎模型方面可能不如谷歌和微軟那樣引人注目，但 AWS 依然致力于為企業構建 AI 模型、應用或代理提供堅實的基礎設施支撐。除了 SageMaker，AWS 還推出了 Bedrock 平臺，專門為應用和代理的構建而設計。隨著 SageMaker 的不斷升級，AWS 在企業 AI 領域的競爭力愈加明顯。