Amazon SageMaker

SageMaker begann als Möglichkeit, maschinelles Lernen auf AWS auszuführen, ohne Server selbst verwalten zu müssen. Datenwissenschaftler bereiten Daten in Notebooks auf und schreiben Code. Anschließend trainieren sie Modelle auf verwalteter Rechenleistung, die sich bei Bedarf skalieren lässt. Ein trainiertes Modell kann SageMaker über einen Endpunkt bereitstellen, seine Leistung überwachen und Versionen verwalten. So wird aus einem Notebook-Experiment ein Produktivdienst. Unterstützt werden beliebte Frameworks wie PyTorch und TensorFlow.

Das Produkt ist breiter geworden. SageMaker AI deckt Training und Bereitstellung von Modellen einschließlich Basismodellen ab. Dazu gehören verteiltes Training auf großen Clustern, Feinabstimmung und Hosting offener Modelle. SageMaker Unified Studio vereint Datenentwicklung, Analysen und KI-Arbeit in einer Umgebung. SageMaker Lakehouse bündelt Daten aus S3, Redshift und anderen Quellen mit einheitlichen Berechtigungen und Verwaltungsregeln. Pipelines, Feature Stores und Experimentverfolgung unterstützen Teams beim Aufbau wiederholbarer Abläufe.

SageMaker wird nach Nutzung von Rechenleistung, Speicher und verwalteten Funktionen abgerechnet. Ein kostenloser Tarif deckt in den ersten Monaten kleine Nutzungsmengen ab. Die Vielfalt ist zugleich ein Nachteil: Viele Dienste, Einstellungen und Preisfaktoren machen das Angebot kompliziert und können zu unerwartet hohen Kosten führen. Teams, die bereits AWS nutzen, schätzen die Integration mit IAM, S3 und Sicherheitskontrollen. Google Vertex AI und Azure Machine Learning sind direkte Wettbewerber. Databricks ist eine verbreitete Alternative für datenintensive Teams. Wenn du gehostete Modelle aufrufen möchtest, ohne Training zu verwalten, ist Amazon Bedrock einfacher.