IDC MarketScape: Asia/Pacific (به استثنای ژاپن) ابزارها و پلتفرم‌های نرم‌افزار چرخه حیات هوش مصنوعی 2022 ارزیابی فروشنده AWS را در رده رهبران قرار می‌دهد. این اولین و تنها ارزیابی تحلیلگر ویژه APEJ بود که بر نرم افزار چرخه حیات هوش مصنوعی IDC متمرکز شد. فروشندگان ارزیابی شده برای این MarketScape ابزارهای نرم افزاری مختلفی را ارائه می دهند که برای پشتیبانی از توسعه مدل یادگیری ماشینی (ML) از جمله آماده سازی داده ها، ساخت و آموزش مدل، عملیات مدل، ارزیابی، استقرار و نظارت لازم است. این ابزارها معمولاً توسط دانشمندان داده و توسعه دهندگان ML از آزمایش تا استقرار تولید راه حل های AI و ML استفاده می شوند.
ابزارهای چرخه حیات هوش مصنوعی برای تولید راه حل های AI/ML ضروری هستند. آنها چند قدم فراتر از آزمایش AI/ML می‌روند: برای دستیابی به استقرار در هر نقطه، عملکرد در مقیاس، بهینه‌سازی هزینه، و مهم‌تر از آن، پشتیبانی از مدیریت ریسک مدل سیستماتیک-قابلیت توضیح، استحکام، رانش، حفاظت از حریم خصوصی و موارد دیگر. کسب‌وکارها به این ابزارها نیاز دارند تا ارزش دارایی‌های داده‌های سازمانی را در مقیاس بیشتر و سرعت بالاتر باز کنند.
الزامات فروشنده برای IDC MarketScape
برای اینکه برای MarketScape در نظر گرفته شود، فروشنده باید محصولات نرم‌افزاری را برای جنبه‌های مختلف فرآیند ML سرتاسر تحت واحدهای ذخیره‌سازی مستقل محصول (SKU) یا به عنوان بخشی از یک پلتفرم نرم‌افزار هوش مصنوعی عمومی ارائه می‌کرد. محصولات باید بر اساس IP خود شرکت باشد، و محصولات باید از مارس 12 درآمد مجوز نرم افزار یا درآمد نرم افزار مبتنی بر مصرف را برای حداقل 2022 ماه در APEJ ایجاد می کردند. این شرکت باید در بین 15 فروشنده برتر قرار می گرفت. طبق گزارش AI Software Tracker IDC، درآمدهای گزارش شده 2020-2021 در منطقه APEJ. AWS معیارها را برآورده کرد و توسط IDC به همراه هشت فروشنده دیگر مورد ارزیابی قرار گرفت.
نتیجه ارزیابی جامع IDC در اکتبر 2022 در IDC MarketScape: Asia/Pacific (به استثنای ژاپن) ابزارها و پلتفرم‌های نرم‌افزار چرخه حیات هوش مصنوعی 2022 منتشر شد. AWS بر اساس قابلیت های فعلی در رده رهبران قرار می گیرد. استراتژی AWS سرمایه گذاری مستمر در خدمات AI/ML برای کمک به مشتریان برای نوآوری با AI و ML است.
موقعیت AWS
AWS در این تمرین در رده رهبران قرار می‌گیرد و رتبه‌های بالاتری را در دسته‌های ارزیابی مختلف دریافت می‌کند - گستردگی خدمات ابزار ارائه شده، گزینه‌هایی برای کاهش هزینه برای عملکرد، کیفیت خدمات مشتری و پشتیبانی، و سرعت نوآوری محصول، تعداد کمی."
– جسی دانکینگ کای، معاون مدیر تحقیقات، داده‌های بزرگ و تمرین تجزیه و تحلیل، IDC آسیا/اقیانوسیه.
تصویر زیر بخشی از MarketScape است و موقعیت AWS را نشان می دهد که بر اساس قابلیت ها و استراتژی ها ارزیابی شده است.
مدل تجزیه و تحلیل فروشنده IDC MarketScape برای ارائه نمای کلی از تناسب رقابتی تامین کنندگان فناوری اطلاعات و ارتباطات در یک بازار معین طراحی شده است. روش تحقیق از یک روش امتیازدهی دقیق مبتنی بر معیارهای کمی و کیفی استفاده می کند که منجر به یک تصویر گرافیکی واحد از موقعیت هر فروشنده در یک بازار معین می شود. امتیاز قابلیت ها محصول فروشنده، ورود به بازار و اجرای کسب و کار را در کوتاه مدت اندازه گیری می کند. امتیاز استراتژی همسویی استراتژی های فروشنده با نیازهای مشتری را در یک بازه زمانی 3 تا 5 ساله اندازه گیری می کند. سهم بازار فروشنده با اندازه نمادها نشان داده می شود.
Amazon SageMaker به عنوان بخشی از MarketScape ارزیابی شد
به عنوان بخشی از ارزیابی، IDC عمیقاً وارد آن شد آمازون SageMaker توانایی ها. SageMaker یک سرویس کاملاً مدیریت شده برای ساخت، آموزش و استقرار مدل های ML برای هر موردی با زیرساخت، ابزار و گردش کار کاملاً مدیریت شده است. از زمان راه اندازی SageMaker در سال 2017، بیش از 250 قابلیت و ویژگی منتشر شده است.
متخصصان ML مانند دانشمندان داده، مهندسان داده، تحلیلگران تجاری و متخصصان MLOps از SageMaker برای شکستن موانع در هر مرحله از گردش کار ML از طریق انتخاب محیط‌های توسعه یکپارچه (IDE) یا رابط‌های بدون کد استفاده می‌کنند. SageMaker با شروع آماده‌سازی داده‌ها، دسترسی، برچسب‌گذاری و پردازش مقادیر زیادی از داده‌های ساختاریافته (داده‌های جدولی) و داده‌های بدون ساختار (عکس، ویدئو، فضای مکانی و صدا) را برای ML آسان می‌کند. پس از آماده شدن داده ها، SageMaker نوت بوک های کاملاً مدیریت شده را برای ساخت مدل ارائه می دهد و با زیرساخت بهینه شده زمان آموزش را از ساعت ها به دقیقه کاهش می دهد. SageMaker استقرار مدل‌های ML را برای پیش‌بینی با بهترین قیمت و عملکرد برای هر موردی از طریق انتخاب گسترده‌ای از زیرساخت‌های ML و گزینه‌های استقرار مدل آسان می‌کند. در نهایت، ابزارهای MLOps در SageMaker به شما کمک می‌کنند استقرار مدل را مقیاس‌بندی کنید، هزینه‌های استنتاج را کاهش دهید، مدل‌ها را به طور موثرتری در تولید مدیریت کنید و بار عملیاتی را کاهش دهید.
MarketScape سه نقطه قوت را برای AWS ذکر می کند:
- عملکرد و ارائه - SageMaker مجموعه گسترده و عمیقی از ابزارها را برای آماده سازی داده ها، آموزش مدل و استقرار ارائه می دهد، از جمله سیلیکون ساخته شده توسط AWS: استنتاج AWS برای حجم کار استنتاج و AWS Trainium برای حجم کار آموزشی SageMaker از توضیح پذیری مدل و تشخیص سوگیری پشتیبانی می کند Amazon SageMaker Clarify.
- تحویل خدمات – SageMaker به طور بومی در AWS، دومین پلت فرم ابر عمومی بزرگ در منطقه APEJ (بر اساس IDC Public Cloud Services Tracker، IaaS+PaaS، داده های 2021) با مناطقی در ژاپن، استرالیا، نیوزیلند، سنگاپور، هند، اندونزی در دسترس است. ، کره جنوبی و چین بزرگ. مناطق محلی برای ارائه خدمات به مشتریان در کشورهای آسه آن: تایلند، فیلیپین و ویتنام در دسترس هستند.
- فرصت های رشد – AWS به طور فعال به پروژه‌های منبع باز مانند Gluon کمک می‌کند و از طریق بسیاری از رویدادها، دوره‌های آنلاین، و با جوامع توسعه‌دهنده و دانشجویی منطقه‌ای درگیر می‌شود. Amazon SageMaker Studio Lab، یک محیط نوت بوک SageMaker بدون هزینه.
SageMaker در re:Invent 2022 راه اندازی شد
نوآوری SageMaker در AWS re:Invent 2022 با هشت مورد ادامه یافت قابلیت های جدید. راه اندازی شامل سه قابلیت جدید برای حاکمیت مدل ML بود. با افزایش تعداد مدل‌ها و کاربران در یک سازمان، تنظیم کنترل‌های دسترسی با حداقل امتیاز و ایجاد فرآیندهای حاکمیتی برای مستندسازی اطلاعات مدل (به عنوان مثال، مجموعه داده‌های ورودی، اطلاعات محیط آموزشی، توصیف استفاده از مدل، و رتبه‌بندی ریسک) دشوارتر می‌شود. . پس از استقرار مدل‌ها، مشتریان همچنین باید از نظر سوگیری و تغییر ویژگی‌ها نظارت داشته باشند تا اطمینان حاصل کنند که مطابق انتظار عمل می‌کنند. مدیر نقش جدید، کارت‌های مدل و داشبورد مدل، کنترل دسترسی را ساده می‌کند و شفافیت را برای پشتیبانی افزایش می‌دهد حاکمیت مدل ML.
همچنین سه پرتاب مربوط به Amazon SageMaker Studio نوت بوک ها نوت‌بوک‌های SageMaker Studio تجربه‌ای کاملاً مدیریت‌شده از نوت‌بوک، از کاوش داده تا استقرار را به پزشکان می‌دهد. با افزایش اندازه و پیچیدگی تیم‌ها، ممکن است ده‌ها تمرین‌کننده نیاز داشته باشند که مدل‌هایی را با استفاده از نوت‌بوک‌ها به طور مشترک توسعه دهند. AWS به ارائه بهترین ها ادامه می دهد تجربه نوت بوک برای کاربران، با راه اندازی سه ویژگی جدید که به شما در هماهنگی و خودکارسازی کد نوت بوک کمک می کند.
برای پشتیبانی از استقرار مدل، قابلیت‌های جدید در SageMaker به شما کمک می‌کند تا آزمایش‌های سایه‌ای را برای ارزیابی یک مدل ML جدید قبل از انتشار تولید با آزمایش عملکرد آن در برابر مدل فعلی اجرا کنید. تست سایه می تواند به شما کمک کند تا خطاهای بالقوه پیکربندی و مشکلات عملکرد را قبل از اینکه بر کاربران نهایی تأثیر بگذارد، پیدا کنید.
در نهایت، SageMaker پشتیبانی از ML جغرافیایی، به دانشمندان داده و مهندسان ML اجازه می دهد تا به راحتی مدل های ML را با استفاده از داده های مکانی بسازند، آموزش دهند و به کار گیرند. می‌توانید به منابع داده‌های مکانی، عملیات پردازش هدفمند، مدل‌های ML از پیش آموزش‌دیده، و ابزارهای تجسم داخلی دسترسی داشته باشید تا ML جغرافیایی را سریع‌تر و در مقیاس اجرا کنید.
امروزه ده‌ها هزار مشتری از Amazon SageMaker برای آموزش مدل‌هایی با میلیاردها پارامتر و انجام بیش از 1 تریلیون پیش‌بینی در ماه استفاده می‌کنند. برای کسب اطلاعات بیشتر در مورد SageMaker، به سایت مراجعه کنید صفحه وب و بررسی کنید که چگونه زیرساخت‌ها، ابزارها و گردش‌های کاری کاملاً مدیریت شده می‌توانند به شما در تسریع توسعه مدل ML کمک کنند.
درباره نویسنده
کیمبرلی مادیا مدیر بازاریابی محصول اصلی با یادگیری ماشینی AWS است. هدف او این است که ساخت، آموزش و استقرار مدل‌های یادگیری ماشینی را با استفاده از Amazon SageMaker برای مشتریان آسان کند. برای سرگرمی در خارج از خانه، کیمبرلی دوست دارد در مسیر خلیج سان فرانسیسکو آشپزی کند، بخواند و بدود.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/aws-positioned-in-the-leaders-category-in-the-2022-idc-marketscape-for-apej-ai-life-cycle-software-tools-and-platforms-vendor-assessment/
