Amazon SageMaker是面向机器学习开发者的一个整合式开发环境，是一项全托管的服务，消除机器学习过程中每个阶段的挑战，使开发人员和资料科学家日常能够从根本上更轻松、更快速的建构、训练和部署机器学习模型。Amazon SageMaker的功能也在快速反覆运算中，过去一年已经发表了50多项新功能。在re:Invent 2020大会上，AWS再次发布9项新功能。以下重点整理针对台湾产业相当实用的功能：

Amazon SageMaker Feature Store

现今企业中，常有数十甚至数百个机器学习模型，以来自多个资料源、多种格式的资料做训练及推断。如何管理模型所需的特徵资讯成为了一个工程上的挑战。

以金融业为例，金融机构中利用机器学习进行市场分析、风险评估及提升客户留存率等应用，动辙数百个模型在生产线上，而建模所需的资料来源横跨多种来源，例如原物料价格、失业率、股价、财务分析报告到客户交易资料，其更新频率、格式及储存方式亦各有不同，定义不同资料源的处理逻辑与确保品质是一个关键。再者，不同模型中常会共用特徵资料建模，让特徵值便於重复使用对团队的效率并定义明确的特徵值，让团队在建模後，能够进一步分析以获得洞察。

以往资料科学家或资料工程师必须付出许多努力管理特徵值，确保品质并提高重用性，但往往随着模型开发、新的资料源加入或是不同版本的特徵处理方式面临规模化的困难。AWS 在re:Invent 2020 新发布的Amazon SageMaker Feature Store 提供资料处理整合介面，并建立特徵值的命名、定义及发掘的便捷机制，让资料科学团队专注在具有商业影响力的建模与分析上。

Amazon SageMaker Pipelines

机器学习的工程程序包含三大阶段：资料准备、训练及部署。而三阶段又各有其子任务：资料准备阶段意指准备训练及推断资料，包含资料前处理、资料转置；训练过程包含模型训练、训练中的数据收集、超叁数优化及离线评测等等；部署则有模型对推断装置的优化及推断端点的生成、因应实际状况扩大或缩小机器规模等等工作。整体是一个十分冗长的管线，如何管理工程管线、加速工程任务的整合对开发效率有关键性的影响。

以电商企业中开发推荐引擎为例，资料准备阶段会需要整合销售、会员资料、使用者在线使用记录等多个资料源，将其整理为机器学习模型所需的特徵值。在训练时则需以资料准备阶段产出的资料进行训练，并且进行叁数的优化，而进行离线评测後若模型达到品质标准，则趋动产品线上的部署，让使用者使用。

在此流程中，资料、程式逻辑或是模型效能上有品质疑虑的话，需要中断部署流程，确保线上产品品质。举例来说，若是在资料准备阶段，发生来源资料格式变动，或是程式逻辑需要修正的情况导致资料缺失，必须反应给开发团队或资料提供者进行修正，停止後续部署；或是在离线评测结果未达标准的情况下，必须停止部署流程，并趋动它种模型再训练或反回团队进行模型调整。

更重要的是，在历程中的模型叁数、训练资料、及所使用的运算资源等等资讯必须能被记录追踪，在部署後发现线上品质有疑虑时可快速切回先前版本，提升服务可信赖性及可用性。

Amazon SageMaker Edge Manager

在制造业中，需要许多边缘推断的应用，如异常侦测或是品质检测，在边缘装置提供低延迟且准确推断对於工厂的运行效率十分重要，这次发布的Edge Manager能在云端训练精确模型，针对不同的边缘置进行压缩与优化，达到加速推断速度至二倍并降低所需记忆体至十分之一，提升了边缘推断的效能。另外，边缘推断面临的另一个问题是，如果机器学习模型因为环境变迁之故准确率随时间变动，将对产线效率及产品品质有重大影响。Amazon SageMaker Edge Manager 让使用者加密上传模型及推断资料至Amazon SageMaker，对模型推断效能进行监控，提早发现模型准确度变动的问题，先一步提供根据最新资料优化的模型，维持产线效率及产品品质。