Amazon SageMaker Data Wrangler
Die schnellste und einfachste Möglichkeit, Daten für Machine Learning vorzubereiten
Amazon SageMaker Data Wrangler reduziert den Zeitaufwand für die Zusammenführung und Vorbereitung von Daten für Machine Learning (ML) von Wochen auf Minuten. Mit SageMaker Data Wrangler können Sie den Prozess der Datenvorbereitung und des Feature-Engineerings vereinfachen, und jeden Schritt des Datenvorbereitungs-Workflows, einschließlich der Datenauswahl, -bereinigung, -erkundung und -visualisierung, über eine einzige visuelle Oberfläche abschließen. Mit dem Datenauswahl-Tool von SageMaker Data Wrangler können Sie die gewünschten Daten aus verschiedenen Datenquellen auswählen und mit einem einzigen Klick importieren. SageMaker Data Wrangler enthält über 300 integrierte Datenumwandlungen, sodass Sie schnell Funktionen normalisieren, umwandeln, und kombinieren können, ohne Code schreiben zu müssen. Mit den Visualisierungsvorlagen von SageMaker Data Wrangler können Sie in Amazon SageMaker Studio, der ersten vollständig integrierten Entwicklungsumgebung (IDE) für ML, schnell eine Vorschau anzeigen und prüfen, ob diese Umwandlungen wie beabsichtigt abgeschlossen sind. Sobald Ihre Daten vorbereitet sind, können Sie mit Amazon SageMaker Pipelines vollautomatische ML-Arbeitsprozesse erstellen, und diese zur Wiederverwendung im Amazon SageMaker Feature Store speichern.
Bereiten Sie Daten für ML in Minuten vor
Sie können mit wenigen Klicks Daten auswählen und abfragen
Mit dem Datenauswahl-Tool von SageMaker Data Wrangler können Sie schnell Daten aus mehreren Datenquellen wie Amazon S3, Amazon Athena, Amazon Redshift, AWS Lake Formation und dem Amazon SageMaker Feature Store auswählen. Sie können auch Abfragen für Datenquellen schreiben und Daten aus verschiedenen Dateiformaten wie CSV-Dateien, Parquet-Dateien und Datenbanktabellen direkt in SageMaker importieren.
Daten einfach transformieren
SageMaker Data Wrangler bietet eine Auswahl von über 300 vorkonfigurierten Datentransformationen, wie zum Beispiel Spaltentyp konvertieren, One-Hot-Codierung, fehlende Daten mit Mittelwert oder Median unterstellen, Spalten neu skalieren und Daten-/Zeiteinbettungen, damit Sie Ihre Daten in Formate umwandeln können die effektiv für Modelle verwendet werden können, ohne eine einzige Codezeile schreiben zu müssen. Sie können beispielsweise eine Textfeldspalte mit einem einzigen Klick in eine numerische Spalte konvertieren oder benutzerdefinierte Transformationen in PySpark, SQL und Pandas erstellen.
Verstehen Sie Ihre Daten mit Visualisierungen
Mit SageMaker Data Wrangler können Sie Ihre Daten besser verstehen und potenzielle Fehler und Extremwerte mithilfe einer Reihe robuster vorkonfigurierter Visualisierungsvorlagen identifizieren. Histogramme, Streudiagramme, Box- und Whisker-Diagramme, Liniendiagramme und Balkendiagramme sind verfügbar. Vorlagen wie das Histogramm machen es einfach, eigene Visualisierungen zu erstellen und zu bearbeiten, ohne Code schreiben zu müssen.
Schätzen Sie die Genauigkeit des ML-Modells schnell ein
Schnellere Diagnose und Behebung von Problemen bei der ML-Datenvorbereitung
SageMaker Data Wrangler ermöglicht es Ihnen, Inkonsistenzen in Ihrem Datenvorbereitungs-Workflow schnell zu erkennen und Probleme zu diagnostizieren, bevor Modelle in der Produktion bereitgestellt werden. Sie können schnell feststellen, ob Ihre vorbereiteten Daten zu einem genauen Modell führen, sodass Sie feststellen können, ob zusätzliches Feature-Engineering erforderlich ist, um die Leistung zu verbessern.
Von der Vorbereitung bis zur Produktion mit einem Klick
Automatisieren Sie ML-Datenvorbereitungs-Workflows
Exportieren Sie Ihren Datenvorbereitungs-Workflow mit einem einzigen Klick in ein Notebook oder ein Codeskript, um ihn in die Produktion zu bringen. SageMaker Data Wrangler integriert Ihren Datenvorbereitungs-Workflow nahtlos in Amazon SageMaker Pipelines, um die Modellbereitstellung und -verwaltung zu automatisieren. Außerdem werden Funktionen im Amazon SageMaker Feature Store veröffentlicht, sodass Sie Funktionen in Ihrem Team freigeben können und andere sie für ihre eigenen Modelle und Analysen wiederverwenden können.
Kunden
„Bei INVISTA sind wir von Transformation getrieben und wollen Produkte und Technologien entwickeln, von denen Kunden auf der ganzen Welt profitieren. Wir sehen Machine Learning als eine Möglichkeit, das Kundenerlebnis zu verbessern, aber mit Datensätzen, die Hunderte von Millionen Zeilen umfassen, brauchten wir eine Lösung, die uns bei der Vorbereitung von Daten und der Entwicklung, Bereitstellung und Verwaltung von ML-Modellen nach Maß unterstützt... Mit Amazon SageMaker Data Wrangler können wir unsere Daten jetzt interaktiv auswählen, bereinigen, untersuchen und verstehen, wodurch unser Data-Science-Team in die Lage versetzt wird, Feature-Engineering-Pipelines zu erstellen, die sich mühelos auf Datensätze skalieren lassen, die Hunderte von Millionen Zeilen umfassen … mit Amazon SageMaker Data Wrangler können wir unsere ML-Workflows schneller operationalisieren.“
Caleb Wilkinson, Lead Data Scientist - INVISTA
„Mit ML verbessert 3M bewährte Produkte wie Sandpapier und treibt Innovationen in mehreren anderen Bereichen voran, darunter im Gesundheitswesen. Da wir planen, Machine Learning auf weitere Bereiche von 3M zu skalieren, sehen wir, dass die Menge an Daten und Modellen schnell wächst und sich jedes Jahr verdoppelt. Wir sind von den neuen SageMaker-Funktionen begeistert, weil sie uns bei der Skalierung helfen. Amazon SageMaker Data Wrangler macht es viel einfacher, Daten für das Modelltraining vorzubereiten, und der Amazon SageMaker Feature Store macht es überflüssig, immer wieder dieselben Modellfunktionen zu erstellen. Schließlich wird uns Amazon SageMaker Pipelines dabei helfen, die Datenvorbereitung, Modellerstellung und Modellbereitstellung in einen End-to-End-Workflow zu automatisieren, damit wir die Markteinführungszeit für unsere Modelle verkürzen können. Unsere Forscher freuen sich darauf, die neue Geschwindigkeit der Wissenschaft bei 3M zu nutzen.“
David Frazee, Technical Director, 3M Corporate Research Systems Lab
„Amazon SageMaker Data Wrangler ermöglicht es uns, mit einer umfangreichen Sammlung von Transformationstools, die den Prozess der Machine-Learning-Datenvorbereitung, der für die Markteinführung neuer Produkte erforderlich ist, zu beschleunigen, um unsere Datenvorbereitungsanforderungen zu erfüllen. Unsere Kunden wiederum profitieren von der Geschwindigkeit, mit der wir eingesetzte Modelle skalieren, die es uns ermöglicht, innerhalb von Tagen statt Monaten messbare, nachhaltige Ergebnisse zu liefern, die die Bedürfnisse unserer Kunden erfüllen.“
Frank Farrall, Principal, AI Ecosystems and Platforms Leader - Deloitte
„Als AWS Premier Consulting Partner arbeiten unsere Engineering-Teams sehr eng mit AWS zusammen, um innovative Lösungen zu entwickeln, die unseren Kunden dabei helfen, die Effizienz ihres Betriebs kontinuierlich zu verbessern. Machine Learning ist der Kern unserer innovativen Lösungen, aber unser Datenvorbereitungs-Workflow umfasst ausgefeilte Datenvorbereitungstechniken, deren Operationalisierung in einer Produktionsumgebung daher viel Zeit in Anspruch nimmt. Mit Amazon SageMaker Data Wrangler können unsere Datenwissenschaftler jeden Schritt des Datenvorbereitungs-Workflows abschließen, einschließlich Datenauswahl, Bereinigung, Exploration und Visualisierung, was uns hilft, den Datenvorbereitungsprozess zu beschleunigen und unsere Daten einfach für Machine Learning vorzubereiten. Mit Amazon SageMaker Data Wrangler können wir Daten schneller für Machine Learning vorbereiten.“
Shigekazu Ohmoto, Senior Managing Director - NRI Japan
„Da sich unsere Präsenz auf dem Markt für Bevölkerungsgesundheitsverwaltung weiter auf immer mehr Gesundheitszahler, Leistungserbringer, Apothekenleistungsverwalter und andere Gesundheitswesenorganisationen ausdehnt, benötigten wir eine Lösung zur Automatisierung von End-to-End-Prozessen für Datenquellen, die unsere Modelle für Machine Learning füttern, einschließlich Anspruchsdaten, Registrierungsdaten und Apothekendaten. Mit Amazon SageMaker Data Wrangler können wir jetzt die Zeit zum Aggregieren und Vorbereiten von Daten für Machine Learning beschleunigen, indem wir eine Reihe von Workflows verwenden, die einfacher zu validieren und wiederzuverwenden sind. Dies hat die Lieferzeit und Qualität unserer Modelle dramatisch verbessert, die Effektivität unserer Datenwissenschaftler erhöht und die Datenvorbereitungszeit um fast 50 % reduziert. Darüber hinaus hat uns SageMaker Data Wrangler geholfen, mehrere Iterationen von Machine Learning und erhebliche GPU-Zeit zu sparen und den gesamten End-to-End-Prozess für unsere Kunden zu beschleunigen, da wir jetzt Datenmärkte mit Tausenden von Funktionen erstellen können, darunter Apotheken, Diagnosecodes, Notaufnahmebesuche, stationäre Patientenaufenthalte sowie demografische und andere soziale Determinanten. Mit SageMaker Data Wrangler können wir unsere Daten mit überlegener Effizienz zum Erstellen von Trainingsdatensätzen transformieren, Datenerkenntnisse in Datensätze generieren, bevor Modelle für Machine Learning ausgeführt werden und reale Daten für maßstabsgetreue Inferenz/Vorhersagen vorbereiten.“
Lucas Merrow, CEO - Equilibrium Point IoT






