--- title: Amazon SageMaker Reviews meta_title: 'Amazon SageMaker Bewertungen 2026: Details, Preise & Funktionen | G2' meta_description: Filtern Sie 56 Bewertungen nach Unternehmensgröße, Rolle oder Branche der Nutzer, um herauszufinden, wie Amazon SageMaker für ein Unternehmen wie Ihres funktioniert. aggregate_rating: rating_value: 4.3 review_count: 56 scale: '5' date_modified: '2026-06-17' parent_category: name: Künstliche Intelligenz url: https://www.g2.com/de/categories/artificial-intelligence --- # Amazon SageMaker Reviews **Vendor:** Amazon Web Services (AWS) **Category:** [Datenwissenschafts- und maschinelles Lernen-Plattformen](https://www.g2.com/de/categories/data-science-and-machine-learning-platforms) **Average Rating:** 4.3/5.0 **Total Reviews:** 56 ## About Amazon SageMaker Amazon SageMaker ist ein vollständig verwalteter Dienst, der Datenwissenschaftlern und Entwicklern ermöglicht, Machine-Learning-Modelle (ML) in großem Maßstab zu erstellen, zu trainieren und bereitzustellen. Es bietet eine umfassende Suite von Tools und Infrastruktur, die den gesamten ML-Workflow von der Datenvorbereitung bis zur Modellbereitstellung rationalisiert. Mit SageMaker können Benutzer schnell auf Trainingsdaten zugreifen, Algorithmen auswählen und optimieren sowie Modelle in einer sicheren und skalierbaren Umgebung bereitstellen. Hauptmerkmale und Funktionalität: - Integrierte Entwicklungsumgebungen (IDEs): SageMaker bietet eine einheitliche, webbasierte Oberfläche mit integrierten IDEs, einschließlich JupyterLab und RStudio, die eine nahtlose Entwicklung und Zusammenarbeit ermöglichen. - Vorgefertigte Algorithmen und Frameworks: Es umfasst eine Auswahl optimierter ML-Algorithmen und unterstützt beliebte Frameworks wie TensorFlow, PyTorch und Apache MXNet, was Flexibilität in der Modellentwicklung ermöglicht. - Automatisierte Modelloptimierung: SageMaker kann Modelle automatisch optimieren, um optimale Genauigkeit zu erreichen, wodurch der Zeit- und Arbeitsaufwand für manuelle Anpassungen reduziert wird. - Skalierbares Training und Bereitstellung: Der Dienst verwaltet die zugrunde liegende Infrastruktur, was ein effizientes Training von Modellen auf großen Datensätzen und deren Bereitstellung über automatisch skalierende Cluster für hohe Verfügbarkeit ermöglicht. - MLOps und Governance: SageMaker bietet Tools zur Überwachung, Fehlerbehebung und Verwaltung von ML-Modellen, um robuste Abläufe und die Einhaltung von Unternehmenssicherheitsstandards zu gewährleisten. Primärer Wert und gelöstes Problem: Amazon SageMaker adressiert die Komplexität und ressourcenintensive Natur der Entwicklung und Bereitstellung von ML-Modellen. Durch das Angebot einer vollständig verwalteten Umgebung mit integrierten Tools und skalierbarer Infrastruktur beschleunigt es den ML-Lebenszyklus, reduziert den betrieblichen Aufwand und ermöglicht es Organisationen, effizienter Erkenntnisse und Wert aus ihren Daten zu gewinnen. Dies befähigt Unternehmen, schnell zu innovieren und KI-Lösungen zu implementieren, ohne umfangreiche interne Expertise oder Infrastrukturmanagement zu benötigen. ## Amazon SageMaker Pros & Cons **What users like:** - Benutzer finden die **Benutzerfreundlichkeit** von Amazon SageMaker bemerkenswert, was eine schnelle Anpassung und effizientes Modelltraining ermöglicht. (3 reviews) - Benutzer schätzen die **nahtlose KI-Integration** von Amazon SageMaker, die den gesamten Lebenszyklus des maschinellen Lernens mühelos vereinfacht. (2 reviews) - Benutzer schätzen die **außergewöhnliche Rechenleistung** von Amazon SageMaker, die die Trainingszeit für Deep-Learning-Modelle drastisch verkürzt. (2 reviews) - Benutzer schätzen die **Effizienz** von Amazon SageMaker, die schnelles Training und optimierte Experimente für maschinelle Lernmodelle ermöglicht. (2 reviews) - Benutzer schätzen die **schnelle Verarbeitung** von Amazon SageMaker, was die Modelltrainingszeit erheblich verkürzt und die Effizienz steigert. (2 reviews) - Benutzer schätzen die **umfassend verwalteten Jupyter-Notebooks** und die nahtlose Integration mit beliebten ML-Frameworks und -Tools. (2 reviews) - Implementierungsleichtigkeit (2 reviews) - Modellverwaltung (2 reviews) - Einrichtung erleichtern (2 reviews) - Zeitersparnis (2 reviews) **What users dislike:** - Benutzer finden Amazon SageMaker **teuer und komplex** , insbesondere bei lang andauernden Jobs und unerwarteten Kosten in der Preisgestaltung. (3 reviews) - Benutzer finden **die Preisgestaltung von Amazon SageMaker komplex und potenziell teuer** , insbesondere für umfangreiche Trainingsjobs und Bereitstellungen. (2 reviews) - Benutzer finden die **komplexe Preisstruktur** von Amazon SageMaker herausfordernd, was zu unerwarteten Kosten und Verwirrung führt. (2 reviews) - Benutzer finden die **steile Lernkurve** von Amazon SageMaker herausfordernd, insbesondere für diejenigen, die neu bei AWS-Diensten sind. (2 reviews) - Benutzer stehen vor einer **schwierigen Lernkurve** während der anfänglichen Einrichtung von Amazon SageMaker, was ihre Gesamterfahrung beeinträchtigt. (1 reviews) - Benutzer finden die **schwierige Einrichtung** von Amazon SageMaker herausfordernd, was ihre Gesamterfahrung und Kostenschätzung beeinträchtigt. (1 reviews) - Integrationsschwierigkeit (1 reviews) - Leistungsprobleme (1 reviews) - Steile Lernkurve (1 reviews) ## Amazon SageMaker Reviews ### 1. Vollständig verwaltetes End-to-End-ML in AWS mit leistungsstarkem verteiltem Training **Rating:** 4.0/5.0 stars **Reviewed by:** Hem J. | Assistant Manager, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** May 21, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Die größte Stärke von Amazon SageMaker ist, dass es eine vollständig verwaltete, umfassende Machine-Learning-Umgebung (ML) innerhalb des sicheren Ökosystems von AWS bietet. Es deckt den gesamten Workflow ab, von der Datenvorbereitung und dem Modelltraining bis hin zur Bereitstellung und laufenden Überwachung. Für Teams kann dies eine enorme Zeitersparnis bedeuten, indem es die Komplexität der Infrastruktur abstrahiert, während es dennoch leistungsstarke verteilte Trainingsmöglichkeiten bietet, einschließlich Funktionen wie HyperPod. **Was gefällt Ihnen an Amazon SageMaker nicht?** Intransparente Preisgestaltung. Die Kosten können schnell eskalieren, insbesondere bei lang andauernden Aufgaben oder größeren Bereitstellungen. Ich habe auch "Monatsend-Schock" erlebt, weil das Abrechnungsmodell nicht klar oder vorhersehbar ist. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Infrastrukturmanagement Es beseitigt die Notwendigkeit für mich, Server, GPUs oder Cluster bereitzustellen und zu warten. AWS kümmert sich um Skalierung, Verfügbarkeit und Fehlertoleranz, was die gesamte Einrichtung viel einfacher zu verwalten macht. ### 2. Ein Kraftpaket für End-to-End-ML, aber seien Sie auf eine steile Lernkurve vorbereitet. **Rating:** 5.0/5.0 stars **Reviewed by:** Lokesh S. | Senior Data Scientist, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 15, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Als Senior Data Scientist in einem mittelgroßen Unternehmen wollten wir einen Ansatz, der uns helfen würde, notebook-basierte Modelle in die Produktion zu bringen, ohne zu viel Infrastruktur aufzubauen. Ich liebe das erstaunlich breit gefächerte Ökosystem, es ist eine End-to-End-Plattform. Wir nutzen es häufig für unsere Modelle zur Vorhersage des Kundenverhaltens und NLP-Pipelines, und der reibungslose Wechsel zwischen dem Starten eines Testjobs auf SageMaker Studio und dem Start schwerer verteilter Trainingsjobs ist großartig. Ich muss mich nicht mehr auf unser überlastetes DevOps-Team verlassen, um bestimmte GPU-Instanzen für mich bereitzustellen. Ich kann einfach die Menge an Hardware in meinem Code angeben und AWS wird sie für mich hoch- und herunterfahren. Die verwalteten Endpunkte während des Bereitstellungsprozesses sind ebenfalls eine enorme Zeitersparnis, was bedeutet, dass wir in der Lage sein werden, unsere Modellvorhersagen über eine starke API zu generieren, die Auto-Scaling von Haus aus unterstützt. **Was gefällt Ihnen an Amazon SageMaker nicht?** Das größte Hindernis ist seine anfängliche Komplexität. SageMaker ist ein Werkzeug, das einige Konfiguration erfordert, und die Dokumentation, obwohl umfassend, kann verwirrend sein und als eine zusammenhanglose Sammlung von Tutorials angesehen werden. Es erfordert viel Zeit, um sich an die "AWS-Art" der Dinge zu gewöhnen, und es ist eine häufige Falle für Teammitglieder, die zum ersten Mal mit AWS arbeiten – das Konfigurieren von IAM-Rollen, VPCs und Berechtigungen. Zweitens kann es ziemlich teuer werden, wenn man nicht sparsam ist. Benutzer können leicht vergessen, ihre SageMaker Studio-Instanz oder einen experimentellen Endpunkt über das Wochenende auszuschalten, was zu einer hohen Rechnung führt. Zu guter Letzt geht das Netz von Funktionen der Studio-Oberfläche manchmal auf Kosten einer etwas langsamen und umständlichen Leistung im Vergleich zu einem leichten, auf dem Knoten befindlichen, lokalen Jupyter-Server, der meine eigene Maschine nutzt. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Vor SageMaker war der Hauptschmerzpunkt für uns als mittelgroßes Team, die Modelle bereitzustellen. Dann trainierten wir ein starkes Modell, übergaben die Gewichte und ein schlechtes Python-Skript an das Software-Engineering-Team und warteten ein paar Wochen, bis sie es skalierbar und containerisiert machten. Indem das Data-Science-Team für den gesamten Lebenszyklus verantwortlich gemacht wurde, hat SageMaker diese Reibung vollständig beseitigt. Die Verwendung einer Sentiment-Analyse in einem Kundensupport-Ticketsystem, ähnlich einer Echtzeit-Sentiment-Analyse-Funktion in unserem Kundensupport-Ticketsystem, war für uns ein lebensnahes Beispiel. Innerhalb weniger Tage konnte mein Team einen Transformer auf SageMaker trainieren, Hyperparameter-Tuning durchführen und ihn dann selbstständig hinter einem produktionsbereiten, gesicherten Endpunkt bereitstellen, indem es die Integration mit HuggingFace nutzte. Es hat unseren MLOps-Prozess wirklich vereinfacht, sodass wir schneller entwickeln und echten Geschäftswert schaffen können, ohne auf die Hilfe der Ingenieure warten zu müssen. ### 3. Amazon SageMaker: End-to-End-ML-Workflow, der Modelle schneller in die Produktion bringt **Rating:** 5.0/5.0 stars **Reviewed by:** Md R. | Strategy Specialist – Operations & Process Improvement , Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** May 21, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich mag, dass Amazon SageMaker Ihnen einen verwalteten Weg von der Experimentierung bis zur Bereitstellung bietet, ohne dass Sie jedes Teil selbst zusammenstellen müssen. Es deckt den gesamten ML-Workflow ab: Notebooks, Trainingsjobs, Tuning, Pipelines, Modellregister, Endpunkte, Batch-Inferenz. Es reduziert die Infrastrukturarbeit: Sie können sich mehr auf Modelle konzentrieren und weniger auf die Bereitstellung von GPUs, Containern, Skalierung und Endpunkt-Operationen. Es funktioniert gut für Teams: reproduzierbare Trainingsjobs, verwaltete Pipelines und Bereitstellung/Versionierung helfen, wenn mehrere Personen dasselbe System berühren. Es skaliert von einfach bis ernsthaft: Sie können mit einem Notebook beginnen und später zu verteiltem Training oder Produktionsendpunkten im selben Ökosystem übergehen. Es integriert sich gut mit AWS: IAM, S3, CloudWatch, ECR, Lambda und EventBridge machen es einfacher, wenn der Rest Ihres Stacks bereits auf AWS ist. Wenn ich eine Sache auswählen müsste: Der größte Vorteil ist der operationale Klebstoff – es macht den Übergang von „Modell funktioniert in einem Notebook“ zu „Modell läuft zuverlässig in der Produktion“ viel weniger schmerzhaft. **Was gefällt Ihnen an Amazon SageMaker nicht?** Der größte Nachteil ist die Komplexität: SageMaker ist mächtig, aber es fühlt sich oft eher wie eine Werkzeugkiste von AWS-Diensten an als eine saubere, meinungsstarke ML-Plattform. Die Lernkurve ist steil; man muss nicht nur SageMaker selbst verstehen, sondern auch IAM, S3, VPCs, ECR, CloudWatch und AWS-Netzwerke. Die Kosten können unübersichtlich werden; Notebook-Instanzen, Endpunkte, Trainingsjobs, Speicher und Datenübertragung können weiterlaufen, es sei denn, man verwaltet sie sorgfältig. Die Benutzererfahrung kann fragmentiert wirken; einige Aufgaben sind im SDK einfacher, einige in Studio, einige in der rohen AWS-Konfiguration. Das Debuggen kann frustrierend sein; Fehler werden oft durch Berechtigungen, Container-Setup, Netzwerke oder obskure Konfigurationsfehler verursacht, anstatt durch den Modellcode. Vendor Lock-in ist real; sobald Ihre Pipelines, der Bereitstellungsfluss und die Überwachung um SageMaker/AWS-Primitiven aufgebaut sind, erfordert das Wegbewegen Arbeit. Die Abstraktionen können undicht sein; „verwaltet“ bedeutet nicht immer einfach, und man muss möglicherweise immer noch wie ein Infrastruktur-Ingenieur denken. Wenn ich es zusammenfassen müsste: SageMaker ist sehr fähig, aber nicht besonders elegant. Es belohnt Teams, die sich bereits in AWS wohlfühlen, und kann sich für kleinere Teams oder schnellere Experimente schwer anfühlen. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon SageMaker löst hauptsächlich das Problem der „ML-Operationalisierung“: die Umwandlung der Modellentwicklung in etwas Wiederholbares, Skalierbares und Bereitstellbares. Für mich liegt der Vorteil weniger im Aufbau eines einzelnen Modells, sondern vielmehr darin, die gesamte Reibung darum herum zu reduzieren. Es löst die Infrastruktur-Einrichtung für Training und Inferenz; anstatt GPU-Server, Job-Scheduler und Bereitstellungs-Stacks manuell zu erstellen, können Sie verwaltete Trainingsjobs und Endpunkte ausführen. Es löst die Fragmentierung von Workflows; Datenvorbereitung, Experimente, Tuning, Pipelines, Modellregister und Bereitstellung können in einem Ökosystem leben, anstatt in einem Haufen von nicht verbundenen Tools. Es löst Skalierungsprobleme; Sie können von kleinen Experimenten zu größeren Trainingsjobs oder Produktionsverkehr übergehen, ohne alles neu zu gestalten. Es löst Wiederholbarkeit und Teamkoordination; Jobs, Pipelines, Artefakte und Modellversionen sind leichter zu verfolgen als ad-hoc-notebook-gesteuerte Arbeiten. Es löst den Produktionsbereitstellungsaufwand; verwaltete Endpunkte, Batch-Jobs und Monitoring erleichtern es, Modelle zuverlässig bereitzustellen. Es löst AWS-Integrationsprobleme; wenn Ihre Daten und Apps bereits in AWS leben, reduziert SageMaker den Klebecode zwischen ML und dem Rest der Plattform. Wie das mir zugutekommt: Ich verbringe weniger Zeit mit DevOps-lastiger ML-Installation. Ich habe einen schnelleren Weg vom Prototyp zur Produktion. Ich habe einen standardisierteren Workflow für Teams und Projekte. Ich kann mich auf verwaltete Skalierung und Überwachung verlassen, anstatt sie zu erfinden. Ich vermeide es, viele separate Tools zusammenzufügen, es sei denn, ich möchte mehr Anpassung. Der Kompromiss besteht darin, dass es mir am meisten nützt, wenn ich diese operative Struktur tatsächlich benötige. Wenn ich nur leichte Experimente durchführen möchte, kann sich SageMaker schwerer anfühlen als nötig. ### 4. SageMaker skaliert das Training brillant über lokale Grenzen hinaus **Rating:** 4.5/5.0 stars **Reviewed by:** Sachin N. | Data Analyst, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** May 22, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Lokal zu arbeiten ist großartig – bis Ihr Datensatz Ihren RAM übersteigt oder Sie feststellen, dass Sie einen Multi-GPU-Cluster benötigen, um ein Modell in Stunden statt Tagen zu trainieren. SageMaker adressiert genau diesen Reibungspunkt und tut dies auf brillante Weise. **Was gefällt Ihnen an Amazon SageMaker nicht?** Ich verbringe letztendlich eine enorme Menge Zeit damit, CloudWatch-Protokolle zu durchsuchen, nur um herauszufinden, dass eine Bibliotheksversion nicht übereinstimmte oder dass ein S3-Dateipfad leicht abweichte. Das zieht den Debugging-Prozess wirklich in die Länge und verlangsamt den inneren Kreislauf drastisch. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Durch die Automatisierung von Bereitstellung, Skalierung und Deployment erspart es mir stundenlanges Herumärgern mit CUDA-Treibern, Serverwartung oder übermäßig komplexen Docker-Pipelines. Das bedeutet, dass ich mich voll und ganz auf Data Science konzentrieren und Modelle schneller von einer lokalen Idee in die Live-Produktion überführen kann. ### 5. End-to-End-ML-Workflow in einem Tool: Erstellen, Skalieren und Überwachen **Rating:** 5.0/5.0 stars **Reviewed by:** Arshiya A. | HR Manager, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** May 22, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Am besten ist, wie es bei der End-to-End-Arbeit hilft - Modellaufbau, Skalierung, Überwachung, sodass alles in einem Tool erledigt wird. **Was gefällt Ihnen an Amazon SageMaker nicht?** Alles ist perfekt, es muss nur mehr darüber informiert werden. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Es verwaltet alles automatisch, Teams benötigen dafür keine unterschiedlichen Werkzeuge. Daten-Workflows sind einfach zu verwalten, zusammen mit dem Experiment-Tracking. ### 6. KI-Training ohne Engpässe und ohne Infrastrukturprobleme **Rating:** 4.0/5.0 stars **Reviewed by:** Biswajit B. | Lead SRE, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 20, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** KI-Training ohne Engpässe oder Abhängigkeiten von der zugrunde liegenden Infrastruktur. **Was gefällt Ihnen an Amazon SageMaker nicht?** Die Benutzeroberfläche sollte polierter und intuitiver sein, ein einfach zu verwendendes Modellregister. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Plug-and-Play-AI-Training für LLM-Modelle ohne große Infrastrukturengpässe. Es integriert sich auch mit anderen von AWS angebotenen Diensten, was den Datenfluss sehr einfach macht. ### 7. Blitzschnelles Modelltraining, Intuitive Erfahrung **Rating:** 5.0/5.0 stars **Reviewed by:** Amrendra K. | Indigo squad Member , Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** January 02, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich benutze Amazon SageMaker, um ein Deep-Learning-Modell zu erstellen, speziell ein Objekterkennungsmodell. Es ist eine wirklich großartige Erfahrung für mich, besonders weil mein Laptop keine fortgeschrittene GPU-Unterstützung hat und das Training eines Modells etwa 7-8 Stunden dauern würde. Mit der virtuellen Maschine von Amazon SageMaker dauert das Training meines Deep-Learning-Modells nur 3-4 Minuten. Diese Plattform ist großartig, und selbst jemand, der sie noch nie benutzt hat, kann sich beim ersten Mal anpassen und alle Funktionen von SageMaker leicht verstehen. Ich denke, die virtuelle Maschine von Amazon SageMaker ist fortschrittlicher als die Microsoft Azure-Plattform. Sie ist effektiver und weniger zeitaufwendig. Die Benutzerfreundlichkeit ist brillant; ich kann mich im Vergleich zu Microsoft leicht an diese Plattform anpassen. Die anfängliche Einrichtung ist sehr einfach, und mit einer einzigen Authentifizierung habe ich Zugriff auf die Ressourcen, die ich für meine Arbeit benötige. Meiner Meinung nach gebe ich ihr 10 von 10 Punkten. **Was gefällt Ihnen an Amazon SageMaker nicht?** Dies ist eine großartige Plattform. Ich mag das nicht nicht. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Ich verwende Amazon SageMaker, um Deep-Learning-Modelle viel schneller zu trainieren, wodurch sich die Trainingszeit von 7-8 Stunden auf meinem Laptop auf nur 3-4 Minuten auf SageMaker reduziert. Es ist auch für Erstbenutzer einfach anzupassen. ### 8. Komplette ML-Plattform, die das Erstellen, Trainieren und Bereitstellen beschleunigt **Rating:** 4.0/5.0 stars **Reviewed by:** Subrat Kumar S. | Data Specialist, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 19, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Es bietet eine vollständige Plattform zum Erstellen, Trainieren und Bereitstellen von ML-Modellen. Es macht auch den gesamten Prozess einfacher und schneller. **Was gefällt Ihnen an Amazon SageMaker nicht?** Ich sehe keine wirklichen Nachteile, aber es erfordert ein wenig anfängliches Training, damit sich Entwickler mit der Nutzung der Plattform wohlfühlen. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Es macht das Erstellen von ML-Modellen so viel einfacher, dank seiner einheitlichen Plattform und der Art und Weise, wie es Integrationsfähigkeiten nutzt. ### 9. Müheloses Prototyping mit einer entwicklerfreundlichen ML-Trainingsplattform **Rating:** 3.5/5.0 stars **Reviewed by:** Vaibhav R. | Full Stack Developer - BA4, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** December 22, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich mag, wie einfach es ist, ML-Modelle auf Amazon SageMaker zu trainieren und schnelle Experimente durchzuführen. Ich kann leicht Prototypen erstellen und Änderungen an meinen ML-Modellen vornehmen, und der Trainingsprozess ist unkompliziert. Alle Protokolle sind zugänglich, was beim Überprüfen des Trainingsstatus und Testen von Modellen hilft. Dies macht das Experimentieren und Ändern von Parametern direkt in SageMaker effizient. **Was gefällt Ihnen an Amazon SageMaker nicht?** Bessere Kostentransparenz kann vorhanden sein. Außerdem gibt es eine Lernkurve bei der anfänglichen Einrichtung. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon SageMaker bietet uns ein einziges Ziel, um ML-Modelle zu trainieren, bereitzustellen und zu skalieren. Es reduziert die Notwendigkeit für separate Verwaltung, was es einfach macht, schnell zu prototypisieren und zu experimentieren. ### 10. Mühelose Anmeldung und einfache Einrichtung machen es zu einem Gewinner **Rating:** 4.0/5.0 stars **Reviewed by:** Pawan N. | Administration and Operations Assistant, Konsumgüter, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** December 20, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** Der Anmeldevorgang ist einfach, und die Einrichtung der Software ist nicht kompliziert. Die Benutzeroberfläche ist ebenfalls sehr benutzerfreundlich. **Was gefällt Ihnen an Amazon SageMaker nicht?** Das Portal könnte einige zusätzliche letzte Schliffe gebrauchen, um ansprechender zu wirken. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Der Prozess des Sammelns und Annotierens von Finanzdokumenten wird effizient gehandhabt. Ich fand die Datensammlung gründlich, und die Annotationsarbeit ist genau, was dazu beiträgt, die Qualität der Finanzdaten sicherzustellen. ### 11. Beschleunigung von Machine-Learning-Workflows mit AWS SageMaker **Rating:** 4.0/5.0 stars **Reviewed by:** NATARAJ M. | Student, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** July 03, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** Was mir an Amazon SageMaker am besten gefällt, ist die umfassende Unterstützung für den gesamten Lebenszyklus des maschinellen Lernens. Von der Datenvorbereitung und dem Modellaufbau bis hin zum Training, Tuning und der Bereitstellung ist alles nahtlos in eine Plattform integriert. Besonders schätze ich die integrierten Algorithmen, Jupyter-Notebooks und die automatisierte Modelloptimierung (Hyperparameter-Optimierung). Die Möglichkeit, Trainingsjobs einfach zu skalieren und Modelle als vollständig verwaltete Endpunkte mit nur wenigen Klicks oder Codezeilen bereitzustellen, ist ein großer Produktivitätsschub. SageMaker Studio bietet auch eine großartige kollaborative Umgebung für Teams. **Was gefällt Ihnen an Amazon SageMaker nicht?** Während Amazon SageMaker leistungsstark ist, ist ein Nachteil seine Komplexität und die Kosten für Anfänger oder kleine Projekte. Die Lernkurve kann steil sein, insbesondere beim Konfigurieren von Ressourcen, Verwalten von Berechtigungen mit IAM oder Verstehen des Preismodells. Einige Funktionen, wie SageMaker Pipelines oder Studio, können ohne vorherige AWS-Erfahrung überwältigend wirken. Außerdem kann das Debuggen fehlgeschlagener Trainingsjobs oder Bereitstellungen ohne detaillierte Protokolle oder klare Fehlermeldungen herausfordernd sein. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon SageMaker hilft dabei, das Problem der Verwaltung des gesamten maschinellen Lern-Workflows in großem Maßstab zu lösen. Es beseitigt die Notwendigkeit, die Infrastruktur für Modelltraining, Bereitstellung und Überwachung manuell einzurichten, was eine erhebliche Menge an Zeit und Aufwand spart. Für mich vereinfacht es die Modellerprobung, automatisiert die Hyperparameter-Optimierung und ermöglicht die einfache Bereitstellung von Modellen über skalierbare Endpunkte. Dies erlaubt mir, mich mehr auf die Modellleistung und Datenqualität zu konzentrieren, anstatt auf den betrieblichen Aufwand. SageMaker unterstützt auch die Integration mit anderen AWS-Diensten, was es ideal für den Aufbau von produktionsreifen ML-Pipelines in einer sicheren und konformen Umgebung macht. ### 12. Flexible Abrechnungsoptionen und reibungslose Mineral Tree-Integrationen **Rating:** 3.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Spendenaktion | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 21, 2026 **Was gefällt Ihnen an Amazon SageMaker am besten?** Viele Optionen bei Rechnungen beim Eingeben oder Importieren. Integrationen in Mineral Tree funktionieren gut. **Was gefällt Ihnen an Amazon SageMaker nicht?** Teuer für uns zu nutzen, die Leistung ist gut. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Vereinfacht die Überführung von Modellen aus der Entwicklung in die Produktion ### 13. Die Macht des maschinellen Lernens **Rating:** 4.0/5.0 stars **Reviewed by:** Shivani S. | Cloud Administrator, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** July 04, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** Amazon SageMaker unterstützt den gesamten Machine-Learning-Workflow – von der Datenvorbereitung bis zur Modellbereitstellung – an einem Ort. Wir können Daten einfach laden, sie erkunden, Modelle trainieren und testen, ohne die Werkzeuge wechseln zu müssen. Ich mag es wirklich, dass SageMaker die Server für uns verwaltet, sodass wir keine Infrastruktur einrichten oder warten müssen. Es macht auch die Bereitstellung flexibel und einfach. Insgesamt macht es ML-Projekte viel einfacher zu verwalten, besonders wenn man im Team arbeitet. **Was gefällt Ihnen an Amazon SageMaker nicht?** Es kann anfangs schwierig sein zu lernen, besonders für Anfänger. Die Benutzeroberfläche ist manchmal langsam oder nicht sehr flüssig, besonders bei großen Dateien oder beim Wechseln zwischen Tabs. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon SageMaker hilft mir, maschinelle Lernmodelle schneller und einfacher zu trainieren und bereitzustellen. Es bietet fertige Werkzeuge, sodass ich nicht alles von Grund auf neu erstellen muss. Dies spart Zeit, reduziert Fehler und ermöglicht es mir, mich mehr auf das Lernen und Verbessern meiner Modelle zu konzentrieren. ### 14. Eine leistungsstarke Plattform zum effizienten Erstellen und Bereitstellen von ML-Modellen **Rating:** 4.5/5.0 stars **Reviewed by:** Gilbert G. | IT Manager -CTO/CISO, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** July 01, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** End-to-End, Skalierbarkeit und Flexibilität, Integration mit AWS, Benutzerfreundlichkeit, Modellüberwachung und Debugging **Was gefällt Ihnen an Amazon SageMaker nicht?** Kostenmanagement, schwierig anzupassen oder über die vorgefertigten Funktionen hinauszugehen, Klarheit der Dokumentation, ein gutes Verständnis von ML und AWS ist erforderlich, um die Fähigkeiten voll auszuschöpfen. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Der End-to-End-Workflow-Support übernimmt alles von der Datenvorbereitung bis zur Bereitstellung. Das bedeutet, dass wir Modelle in nur einer Umgebung aufnehmen, erkunden, trainieren und evaluieren können. Ich mag auch wirklich, dass SageMaker sich um die Infrastruktur kümmert, sodass wir uns nicht um das Einrichten oder Verwalten von Servern kümmern müssen. Wenn es um die Bereitstellung geht, ist es sehr flexibel. ### 15. Ausgezeichnet **Rating:** 5.0/5.0 stars **Reviewed by:** Ranisha R. | Teaching Assistant, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** May 25, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** Was mir an Amazon SageMaker am besten gefällt, ist seine Fähigkeit, den gesamten Lebenszyklus des maschinellen Lernens in einer integrierten Plattform zu verwalten. Es vereinfacht den Modellaufbau, das Training und die Bereitstellung, während es Skalierbarkeit und leistungsstarke Werkzeuge wie SageMaker Studio und automatisierte Modellanpassung bietet. **Was gefällt Ihnen an Amazon SageMaker nicht?** Was ich an Amazon SageMaker nicht mag, ist, dass die Preisgestaltung komplex sein kann und schnell teuer werden kann, insbesondere bei lang andauernden Trainingsjobs oder groß angelegten Bereitstellungen. Außerdem kann die Lernkurve für neue Benutzer, die mit AWS-Diensten und -Konfigurationen nicht vertraut sind, steil sein. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon SageMaker löst zentrale Probleme in der Datenwissenschaft und im maschinellen Lernen, wie das Verwalten von Infrastruktur, das Automatisieren von Modelltraining und -optimierung sowie das Vereinfachen der Bereitstellung. Dies kommt mir zugute, indem es den ML-Workflow beschleunigt, die für Einrichtung und DevOps aufgewendete Zeit reduziert und schnellere Experimente und die Bereitstellung produktionsreifer Modelle ermöglicht. ### 16. Bestes ML-Tool dort **Rating:** 4.0/5.0 stars **Reviewed by:** Pranav A. | Senior Data Scientist, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 10, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** Bietet verwaltete Jupyter-Notebooks (SageMaker Studio, Studio Lab), unterstützt beliebte ML-Frameworks (TensorFlow, PyTorch, MXNet) und stellt Werkzeuge für verteiltes Training und Hyperparameter-Optimierung bereit. **Was gefällt Ihnen an Amazon SageMaker nicht?** SageMaker ist teuer, insbesondere für lang andauernde Trainingsjobs, groß angelegte Bereitstellungen oder bei der Nutzung von Hochleistungsinstanzen. Das Pay-as-you-go-Modell kann zu unerwarteten Kosten führen, und die Preisstruktur kann komplex sein, um sie zu verstehen und zu optimieren. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** SageMaker integriert sich nahtlos mit anderen AWS-Diensten wie S3 (für Datenspeicherung), Lambda, Redshift, EMR und Glue, was Datenpipelines und Workflows vereinfacht. ### 17. Maschinelles Lernwerkzeug **Rating:** 4.5/5.0 stars **Reviewed by:** Neeraj J. | Technical Manager, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** July 04, 2025 **Was gefällt Ihnen an Amazon SageMaker am besten?** Keine Code- und Infrastruktur-Kopfschmerzen. Vollständig verwaltet von Anfang bis Ende. **Was gefällt Ihnen an Amazon SageMaker nicht?** Kostenkomplikationen und Preisgestaltung. Die Migration in eine andere Cloud ist etwas herausfordernd. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Auto ML für schnelles Prototyping. ### 18. Das Potenzial von AWS SageMaker in Data-Science-Projekten nutzen **Rating:** 4.5/5.0 stars **Reviewed by:** Muhamamd U. | Individual, Einzelhandel, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** August 23, 2024 **Was gefällt Ihnen an Amazon SageMaker am besten?** Es ist hoch skalierbar, sehr rechenstark, sehr gut integriert mit den Datenlagern und Datenseen der meisten Anbieter und kann im Browser aufgerufen werden. **Was gefällt Ihnen an Amazon SageMaker nicht?** Ich kann kaum eine Schätzung der Preiskalkulation abgeben. Obwohl es ein Tool namens AWS Pricing Calculator gibt, zeigt die Liste der verfügbaren Konfigurationen nicht die Anzahl der Konfigurationen, die Sie bei der Einrichtung der Tool Studio- und Notebook-Instanzen auswählen können. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Ich benutze AWS SageMaker täglich für Data-Science-Projekte, wobei Studio- und Notebook-Instanzen hauptsächlich als primäre Entwicklungsumgebung genutzt werden. Was dieses Tool ideal macht, ist, dass man aufgrund seiner Cloud-Basis mit großen Datenmengen arbeiten kann und bei Bedarf mit einem einfachen Klick mehr Ressourcen skalieren und erhalten kann. ### 19. Die Infrastruktur ist in Ordnung. **Rating:** 5.0/5.0 stars **Reviewed by:** Krishna K. | Senior Consultant, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** August 01, 2024 **Was gefällt Ihnen an Amazon SageMaker am besten?** Bereitstellung von integrierten Algorithmen und Framework. Oftmals sind es die Daten, die Probleme mit den Vorhersagen verursachen. Wenn wir die Daten richtig hatten, leisteten die Vorhersagen basierend auf den integrierten Algorithmen großartige Arbeit in linearen, logistischen, Klassifikationstechniken. Zusammenarbeit mit anderen Datenwissenschaftlern. Es ist einfach, sich mit anderen verwandten Systemen wie Salesforce zu integrieren, wenn wir unsere Daten in S3-Buckets haben, und der Kundensupport ist sehr reaktionsschnell. **Was gefällt Ihnen an Amazon SageMaker nicht?** Obwohl wir Rechenleistung zu angemessenen Kosten erhalten, liegt die Verantwortung für den Betrieb des großen Modells bei den Nutzern. Wenn sie größere Modelle nur zum Testen ausführen, entstehen zusätzliche Kosten. Obwohl Sagemaker einfach zu bedienen ist, liegt die Kostenmanagementverantwortung bei den Nutzern. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Datenkennzeichnung und -vorbereitung, Notebooks für die Entwicklung ### 20. Amazon SageMaker Bewertung **Rating:** 5.0/5.0 stars **Reviewed by:** Gourav J. | Machine Learning Engineer, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 10, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich nutze ausschließlich Amazon SageMaker sowohl für berufliche als auch für private Zwecke. Die Vielfalt der Anwendungen ist praktisch, wenn man an Aufgaben des maschinellen Lernens arbeitet. Die Trainings- und Canvas-Funktionen, die ich schon seit einiger Zeit nutze, machen meine ML-Aufgaben schneller und produktiver. **Was gefällt Ihnen an Amazon SageMaker nicht?** Amazon SageMaker ist eine großartige Plattform für ML-Aufgaben, alle Funktionen und Anwendungen sind wirklich einfach zu nutzen. Das Merkmal, dem ich Aufmerksamkeit schenken muss, ist die angebotene kostenlose Testversion, die nicht ausreichend ist, und Amazon sollte auch GPU-Zugang bereitstellen. Abgesehen davon ist es eine großartige ML-Online-Plattform. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Ich bin ein Datenwissenschaftler, und ein Großteil meiner Arbeit basiert auf der Forschung und Entwicklung von ML-Modellen. Das von SageMaker bereitgestellte Tool ist für mich bei täglichen Aufgaben wie Training, Inferenz und Bereitstellung wirklich hilfreich. ### 21. Nicht gut mit Bild-Eingabemodell **Rating:** 3.0/5.0 stars **Reviewed by:** Femina B. | Freelancer, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** June 07, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** ich mag, wie wunderbar es basierend auf Zahlen- oder Textdaten funktioniert. ich habe versucht, damit zusammen mit anderen AWS-Produkten wie AWS Lambda und AWS API Gateway zu arbeiten. und die Dokumente oder Beispiele sind auch gut dafür. **Was gefällt Ihnen an Amazon SageMaker nicht?** Ich wollte an der Verarbeitung von Bild- oder Videoeingaben arbeiten und das Bild als Ausgabe erhalten, aber es war nicht wirklich hilfreich, da die Daten im Excel-Format aufgenommen werden und wir sie dann in einem S3-Bucket speichern müssen. Es ruft die Daten daraus ab, aber ich bin mir nicht sicher, wie man ein Bild darin übergibt. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon ist großartig bei Data-Science-Projekten wie Kosinus-Ähnlichkeit und anderen ähnlichen Projekten, soweit ich daran gearbeitet habe, und es hat mir auch genutzt. Die beigefügten Beispielprojekte sind großartig. In Zukunft würde ich definitiv daran arbeiten. Außerdem haben wir die Möglichkeit, die GPU jederzeit zu wechseln, was ein weiterer großartiger Service ist. ### 22. Vollständiges AWS-basiertes AI ML Studio **Rating:** 4.0/5.0 stars **Reviewed by:** Avineet A. | Sr. Cloud Architect, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** October 10, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** Fähigkeit, KI-ML-Funktionen zu implementieren und bestehende ML-Modelle zu nutzen. Fähigkeit, CI/CD-Pipelines für MLOps zu integrieren. **Was gefällt Ihnen an Amazon SageMaker nicht?** Benutzeroberfläche könnte weniger überladen und kontrolliert sein, muss mehr wie das Web sein. Im Moment sieht es aus und fühlt sich an wie ein Client-Tool, das im Web gehostet wird. CI/CD kann mehr selbstverwaltet sein. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Kundenspezifische und sofort einsatzbereite KI- und ML-Lösungen von AWS und eine cloudbasierte Lösung, die schnelle Zusammenarbeit und großartige unterstützte Grundmodelle ermöglicht. ### 23. Amazon Sagemaker Vorteile **Rating:** 5.0/5.0 stars **Reviewed by:** Shyam P. | Engineer - Data Scientist, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 13, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich mag die Erstellung des Endpunkts, der unser Modell über die Lambda-Funktion inferieren kann. Zusammen mit Sagemaker habe ich auch das API-Gateway verwendet, um das Modell in der lokalen Umgebung zu nutzen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Als ich Sagemaker für die Objekterkennung mit PyTorch verwendete, nahm es das Bild nicht an, und ich musste das Bild verkleinern und dann an das Modell übergeben. Aber lokal funktionierte es, ohne das Bild zu verkleinern. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Es kann das Modell erstellen und kann nach der Erstellung des Endpunkts abgeleitet werden, und danach kann die weitere Verarbeitung über Lambda-Funktion und API-Gateway erfolgen. ### 24. AWS SageMaker für das Training/Deployment von groß angelegten Empfehlungssystemen **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Finanzdienstleistungen | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 14, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** SageMaker macht es sehr einfach, Modelle zu trainieren und bereitzustellen. Die verwaltete Infrastruktur ermöglicht es uns, uns auf die Geschäftslogik zu konzentrieren, ohne uns mit Dingen wie Cluster-Management, automatischer Skalierung usw. beschäftigen zu müssen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Manchmal können Dinge etwas überkompliziert in der Anwendung sein. Zum Beispiel erfordert die Batch-Transformationsfunktionalität, dass wir separate Inferenz-Container zusätzlich zu Echtzeit-Inferenz-Containern schreiben. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** AWS SageMaker hilft uns, groß angelegte Empfehlungssysteme sowohl in Offline-Batch- als auch in Online-Ökosystemen zu erstellen und bereitzustellen. Wir sind dank AWS SageMaker viel produktiver. ### 25. Viele Funktionen für ML-Workflows **Rating:** 4.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** April 25, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** Sagemaker bietet eine Plattform zur Ausführung von ML-Workflows, die gut mit anderen AWS-Diensten wie S3, Secrets Manager und Lambda usw. integriert ist. **Was gefällt Ihnen an Amazon SageMaker nicht?** Die Sagemaker Pipelines-Benutzeroberfläche ist weniger benutzerfreundlich als andere Pipeline-Orchestrierungstools wie Airflow und Azure. Sagemaker Studio und Image-Terminals sind bei weitem nicht so angenehm wie spezialisierte IDEs wie IntelliJ für Entwicklungszwecke. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Die meisten unserer ML-Workflows werden innerhalb von Sagemaker orchestriert und geplant. ### 26. Ich benutze es oft für Data Science-Lösungen. **Rating:** 4.0/5.0 stars **Reviewed by:** Debjyoti S. | Lead Data Scientist, Beratung, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 16, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** Es hilft wirklich, Anwendungen schneller und auf sehr bequeme Weise bereitzustellen. Die Preisgestaltung ist auch schonend für den Geldbeutel. **Was gefällt Ihnen an Amazon SageMaker nicht?** Das, was ich an Amazon Sagemaker nicht mag, ist, dass wir uns einige der Befehle merken müssen. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Der Einsatz ist viel einfacher. ### 27. Sagemaker für bildbasierte Anwendungen **Rating:** 4.5/5.0 stars **Reviewed by:** Imrankhan A. | Senior software engineer, Informationstechnologie und Dienstleistungen, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 14, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** In Sagemaker können wir einige der grundlegenden Modelle haben und wir können komplexe KI-Modelle erstellen und ohne Aufwand trainieren und testen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Sagemaker hat keine umfangreichen Daten für Bilder. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Prognose zukünftiger Emissionsniveaus ### 28. Zuverlässigkeit und Bekanntheit **Rating:** 5.0/5.0 stars **Reviewed by:** Akpovi Ludovic A. | General Manager, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** December 08, 2022 **Was gefällt Ihnen an Amazon SageMaker am besten?** Amazon SageMaker ist weltweit weit verbreitet und bietet bemerkenswerten technischen Support. Hervorragende Produktkenntnisse und Details sowie die beste Sendungsverfolgung. **Was gefällt Ihnen an Amazon SageMaker nicht?** Einschränkungen der Ziele für bestimmte Produkte, deren Gründe ich nicht kenne. Aber diese Warnungen sind lehrreich, um kein Geld zu verlieren. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon SageMaker ermöglicht es mir, in Echtzeit zu diskutieren und Ratschläge zu Produkten und flexiblen Zahlungsmethoden mit Geschenkkarten und Banküberweisungen zu erhalten. Schnelligkeit, Effizienz und Zuverlässigkeit der Transaktionen. ### 29. Kann den Bereitstellungsprozess verbessern **Rating:** 3.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 14, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** Im Gegensatz zu GCP ist es meiner Meinung nach etwas besser zu verwenden. **Was gefällt Ihnen an Amazon SageMaker nicht?** Wenn es um die Bereitstellung eigener Algorithmen geht, ist es etwas schwieriger im Vergleich zu Azure. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Erstellung eines maschinellen Lernmodells ### 30. Nutzung von AWS-Instanzen für die Berechnung **Rating:** 3.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Öl & Energie | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** May 06, 2023 **Was gefällt Ihnen an Amazon SageMaker am besten?** Hat GPU-Optionen Instanzen zur Auswahl **Was gefällt Ihnen an Amazon SageMaker nicht?** Es dauert lange, bis es hochgefahren ist, und das Einrichten einer virtuellen Umgebung innerhalb von Sagemaker ist fast unmöglich. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Es ermöglicht eine größere Rechenleistung und Instanzen, um maschinelle Lernmodelle zu trainieren. ### 31. Einfacheres Training, Testen und Bereitstellen von ML-Modellen **Rating:** 4.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Informationstechnologie und Dienstleistungen | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 21, 2022 **Was gefällt Ihnen an Amazon SageMaker am besten?** Es bietet viele vortrainierte Deep-Learning- und ML-Modelle, die die Zeit für kleine Projekte drastisch verkürzen. Es ist einfach, zum ersten Mal damit zu arbeiten und erfordert kein Vorwissen. Es ist das Beste, um Modelle mit Einfachheit bereitzustellen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Es ist in der Tat ziemlich teuer, insbesondere für große Projekte, die mehr Laufzeit benötigen. Es lässt nicht viel Raum für Anpassungen, da es einen festen Arbeitsablauf mit wenig Flexibilität hat. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Es hilft, maschinelles Lernen schneller, einfacher und zugänglicher zu machen und unterstützt auch die Bereitstellung von Modellen. Ich habe es für mehrere Objekterkennungs-ML-Projekte sowie für die Bereitstellung von Modellen verwendet. ### 32. Amazon Sagemaker ist sehr benutzerfreundlich. **Rating:** 5.0/5.0 stars **Reviewed by:** Manju S. | Data Labeling Specialist, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** April 21, 2022 **Was gefällt Ihnen an Amazon SageMaker am besten?** Sagemaker war sehr einfach zu verwenden und die Benutzeroberfläche war benutzerfreundlich. **Was gefällt Ihnen an Amazon SageMaker nicht?** Es gab keinen Zugang für die Benutzerin, um ihre täglichen Statistiken zu überprüfen. Der Zugang war eingeschränkt. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Das Airbnb-Bot zu trainieren, um die Benutzer zu beantworten und Zeit und Aufwand im Kundenservice zu sparen. ### 33. SageMaker für maschinelles Lernen **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** November 04, 2021 **Was gefällt Ihnen an Amazon SageMaker am besten?** Amazon Sagemaker ist ein verwalteter Dienst für Data Science. Wir mögen SageMaker, weil es viele eingebaute Algorithmen unterstützt. Wir verwenden insbesondere lineare Lernalgorithmen, um Anwendungsfälle der vorausschauenden Wartung zu lösen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Wir haben als Startup bemerkt, dass wir Anfänger sind. Wenn wir es versäumen, ungenutzte Sage-Make-Endpunkte zu stoppen, führt das zu hohen Rechnungen. Vielleicht sollten wir nach einer besseren Lösung suchen, um dieses Problem zu beheben. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Wir verwenden insbesondere lineare Lernalgorithmen zur Lösung von Anwendungsfällen der vorausschauenden Wartung und nutzen auch Sagemaker Neo zur Kompilierung von in Sagemaker trainierten ML-Modellen. ### 34. AWS Sagemaker für einfache Bereitstellung **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Computersoftware | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** June 11, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** Wir können schnell und einfach Machine-Learning-Modelle in jeder Größenordnung erstellen, trainieren und bereitstellen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Alle Funktionen sind gut im Amazon Sagemaker Machine Learning. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Jeder Datenwissenschaftler muss SageMaker verwenden. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Wir können schnell maschinelle Lernmodelle erstellen, trainieren und bereitstellen. Eine wichtige Sache ist, dass wir die Modelle skalieren können, d.h., wenn Modelle mehr RAM/Speicher benötigen oder zu viel Zeit zum Ausführen benötigen, können wir schnell den Speicher erhöhen. Alle Modelle werden in der Cloud sein. ### 35. Eines der besten Werkzeuge zur Bereitstellung von Maschinenmodellen **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Informationstechnologie und Dienstleistungen | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** October 06, 2021 **Was gefällt Ihnen an Amazon SageMaker am besten?** AWS Sagemaker ist einer der besten Dienste, der Datenwissenschaftlern helfen kann und Entwicklern ermöglicht, schnell und einfach Machine-Learning-Modelle in beliebigem Umfang und zu jeder Zeit zu erstellen, zu trainieren und bereitzustellen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Der Dienst ist nicht leicht zu erlernen. Du musst dich zuerst schulen und zertifizieren lassen. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Menschen helfen, Veränderungen anzunehmen und maschinelle Lernmodelle auf verschiedenen Parametern bereitzustellen. ### 36. Ausgezeichneter Service für die ML-End-to-End-Reise für ein kleines Team **Rating:** 4.0/5.0 stars **Reviewed by:** Vineet J. | Data Science Manager, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 19, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** 1. Automatische Skalierung der Infrastruktur 2. Integrierte Versionierung von Modell und Training 3. Hervorragende Integration mit dem AWS-Ökosystem 4. Einfache Überwachung und Fehlersuche 5. Unterstützung für benutzerdefinierte Algorithmen mit integrierten Algorithmen 6. Unterstützung für Multi-Model-Server 7. Hervorragende Unterstützung für kleine Teams, wo kein Infrastruktur-Experte vorhanden ist und der Fokus nur auf Machine Learning liegt 8. Hervorragende Unterstützung für AWS CLI **Was gefällt Ihnen an Amazon SageMaker nicht?** 1. Sehr schlechte Dokumentation 2. Es werden nur AWS-Komponenten wie S3 für Daten, ECR für Docker usw. verwendet 3. Sehr hohe Kosten für Endpunkte, selbst wenn sie nicht genutzt werden 5. Nicht gut für Teams, in denen wir Infrastrukturexperten haben, da es weniger Kontrolle über die zugrunde liegende Infrastruktur gibt **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Es ist wirklich sehr gut, wenn Sie sich nur auf den Machine-Learning-Teil konzentrieren möchten, nicht auf die Infrastruktur. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Seit den letzten 2 Jahren mit Sagemaker gearbeitet, es für ein Multi-Echtzeit-Empfehlungssystem und Inhaltsintelligenz verwendet. ### 37. AWS SageMaker **Rating:** 5.0/5.0 stars **Reviewed by:** Nilden T. | Data Engineer, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 15, 2021 **Was gefällt Ihnen an Amazon SageMaker am besten?** Hyperparameter-Optimierung, Integration mit EC2, Prognose und personalisierte Dienste und AutoPilot **Was gefällt Ihnen an Amazon SageMaker nicht?** Bereitstellungsphase eines Data-Science-Modells **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Erweiterte Notebook-Nutzung, automatische Hyperparameter-Optimierungsdienste ### 38. Amazon Sagemaker: Alles an einem Ort für Datenwissenschaftler, wenn Sie Zeit investieren, es zu lernen. **Rating:** 4.0/5.0 stars **Reviewed by:** Ramavtar M. | Senior Software Engineer - ML, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 19, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** 1) Die Flexibilität, eigene Algorithmen mit Docker bereitzustellen, die in anderen großen Cloud-ML-Plattformen wie GCP AI fehlt. (Dies ist sehr nützlich für die Integration in andere bestehende ML-Tools wie MLflow) 2) Unterstützung für A/B-Tests von ML-Modellen 3) Unterstützung für Batch-Verarbeitung 4) Unterstützung für Lambda-Planung 5) Ein sehr gut verwaltetes GitHub-Sagemaker-Repository, das durch Blogs unterstützt wird, um alle notwendigen Beispiele für den Einstieg bereitzustellen. 6) Unterstützung für Reinforcement Learning. 7) Unterstützung für Software von Drittanbietern über den AWS-Marktplatz. **Was gefällt Ihnen an Amazon SageMaker nicht?** 1) Die sehr unklare Dokumentation/Unterstützung für die Überwachung von Modellen nach der Bereitstellung über Sagemaker-Endpunkte. 2) Zu viele APIs, um dasselbe zu tun. Dies könnte den Benutzer verwirren, die beste Methode zu finden. 3) Die Benutzeroberfläche kann besser sein. 4) Projektmanagement und die Funktion zum Hinzufügen von Mitarbeitern fehlen oder werden nicht direkt unterstützt. 6) Die Protokollverfolgung über Cloudwatch kann besser verwaltet werden. 7) Es sollte eine sofort einsatzbereite Workflow-Management-Lösung wie Airflow bieten. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Ich fand Amazon Sagemaker besser als GCP AI und IBM Watson für meinen Anwendungsfall. Es ging hauptsächlich darum, Unterstützung für benutzerdefinierte Algorithmen zu haben. Bezüglich der vorhandenen Algorithmen wie lineare Regression, XGBoost und Deep Learning sind alle verfügbaren Lösungen mehr oder weniger vergleichbar. Auch die Unterstützung für A/B-Tests von ML-Modellen kann eine sehr nützliche Überlegung sein. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Gelöste Probleme bei der Bereitstellung von ML-Modellen. Die integrierte Unterstützung für Autoskalierung und A/B-Tests erwies sich als vorteilhaft für die Anwendungsfälle. ### 39. Training bis Bereitstellung: Alles an einem Ort **Rating:** 4.0/5.0 stars **Reviewed by:** Judy T. | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 18, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** Sagemaker ermöglicht es Ihnen, Ihre Modelle an einem Ort zu erstellen, zu trainieren und bereitzustellen. Ich mag, wie es Ihnen erlaubt, verschiedene Maschinentypen für jede Entwicklungsphase auszuwählen, sodass keine Ressourcen verschwendet werden. Sagemaker unterstützt auch verteiltes Training. Ich habe Sagemaker verwendet, um Deep-Learning-Modelle mit PyTorch, Tensorflow sowie Keras zu erstellen, zu trainieren und bereitzustellen. Es bietet viele benutzerdefinierte Conda-Umgebungen, um die Entwicklung mit jedem Framework zu unterstützen, wie p36, p32 usw. Sagemaker-Instanzen sind mit einigen Beispiel-Notebooks vorinstalliert. Es gibt auch ein großes Repository mit Materialien, die Ihnen helfen, loszulegen. **Was gefällt Ihnen an Amazon SageMaker nicht?** Es ist etwas teuer und die Benutzeroberfläche zeigt nicht genau an, ob ungenutzte Instanzen oder bereitgestellte Modelle herumliegen, im Gegensatz zum GCP-Äquivalent. Amazon überrascht einen mit unerwarteten Rechnungen, wenn man nicht vorsichtig ist. Es ist etwas schwierig, damit anzufangen, da die ganze Benutzererstellung im Vergleich zur Instanzerstellung einen etwas verwirrt. Sobald man auf Vorschau klickt, leitet Amazon einen zum Benutzererstellungsbereich weiter und man hat eine ganze Menge unnötiger Einrichtung, wenn man wahrscheinlich nur eine einzelne Notebook-Instanz erstellen muss. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Achten Sie auf die Rechnung. Sie werden mit einer bösen Überraschung aufwachen. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Ich habe Sagemaker für den Aufbau von PoCs verwendet und es ist perfekt für meinen Anwendungsfall. Ich kann meine Modelle an einem Ort erstellen, trainieren und bereitstellen, indem ich die optimalen Instanztypen verwende. Sagemaker bietet auch sofort einsatzbereite Unterstützung für viele ML-Algorithmen, sodass es manchmal Plug-and-Play ist. ### 40. Ausgezeichnetes Produkt für End-to-End-Maschinelles Lernen **Rating:** 4.5/5.0 stars **Reviewed by:** Vaibhav S. | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 22, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** Einfache Bereitstellung von ML-Modellen als HTTP-Endpunkte. **Was gefällt Ihnen an Amazon SageMaker nicht?** Nicht genügend Dokumentation zu den neuesten Funktionen wie Batch Transform verfügbar. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Eines der besten Werkzeuge für End-to-End-Maschinelles Lernen **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Sagemaker zu verwenden, um ein XGBoost-Modell zu erstellen. Seine Benutzeroberfläche ist sehr gut strukturiert und bietet Unterstützung für fast jedes ML-Modell und Python-Pakete. ### 41. Das beste AutoML-Tool der heutigen Zeit **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Krankenhaus & Gesundheitswesen | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** September 30, 2019 **Was gefällt Ihnen an Amazon SageMaker am besten?** Sie können sehr einfach mit anderen AWS-Ökosystemen integrieren, eine der besten Funktionen von Amazon SageMaker. Außerdem werden Sie basierend auf Ihrer Nutzung abgerechnet. Es verfügt über ein Jupyter-Notebook, das die Effizienz der Entwickler fördert, und es ist auch sehr skalierbar und Anpassungen sind mit einem Fingertipp verfügbar. Alle maschinellen Lernalgorithmen sind sehr gut definiert und verständlich, und jeder Maschinenlern-Ingenieur mit wenig Erfahrung kann es schaffen, mit SageMaker zu arbeiten. Die meisten der maschinellen Lern- sowie Deep-Learning-Bibliotheken werden unterstützt. **Was gefällt Ihnen an Amazon SageMaker nicht?** Es erfordert gute Programmierkenntnisse, um es zu verwenden. Wenn Sie keine Vorkenntnisse in Programmierung oder Programmiersprachen haben, könnte es schwierig sein, es zu nutzen. Funktionen wie Drag-and-Drop fehlen, die bei anderen Tools verfügbar sind. Bei größeren Datensätzen dauert es manchmal länger als erwartet. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Ich würde denjenigen raten, die gute Kenntnisse im Programmieren haben und AutoML entwickeln und anpassen möchten. Jeder ML-Ingenieur sollte es einmal ausprobieren. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Wir verwenden Amazon SageMaker, um Modelle auf Gesundheitsdaten zu erstellen. Dadurch können wir eine geeignete Lösung für unsere Probleme finden, sodass wir den Prozess der Datenanalyse vertiefen und den Ansatz abschließen können. Wir nutzen mögliche Tools des Amazon-Ökosystems, um unsere Arbeit zu erleichtern und innerhalb eines vorgegebenen Zeitrahmens abzuschließen. ### 42. SageMaker ist ein ausgezeichnetes Werkzeug, wir können unsere ML-Modelle leicht erstellen. **Rating:** 5.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Öl & Energie | Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 11, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** Die beste ist diese Online-Maschinenlernplattform, die sehr einfach zu verstehen ist und Entwickler schult. Es ist so einfach, all unsere Maschinenlernmodelle zu implementieren, dass man es ohne viel Fachwissen leicht tun kann. **Was gefällt Ihnen an Amazon SageMaker nicht?** Ich glaube, alles ist gut, vielleicht muss das Benutzererlebnis in gewisser Weise verbessert werden. Alles andere ist gut. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Mach weiter so, mach weiter, wir mögen das Produkt. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Wir verwenden SageMaker, um Algorithmen auszuführen und ML-Modelle für die Geschäftsanalyse zu erstellen. Es kann helfen, das Kundenverhalten vorherzusagen. ### 43. Sagemaker ist ein großartiges ML-Tool für den Einsatz in der Geschäftswelt. **Rating:** 4.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Forschung | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** June 19, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** Die allgemeine Einfachheit, die es als Werkzeug bietet. **Was gefällt Ihnen an Amazon SageMaker nicht?** Die Wahrheit ist, dass ich bisher nichts Negatives gefunden habe. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Wenn Sie sich entscheiden, Sagemaker zu verwenden, um ML-Produkte in die Produktion zu bringen, werden Sie wirklich von der Benutzerfreundlichkeit begeistert sein. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Wir setzen ML-Modelle in AWS mit SageMaker ein. Die einfachen Bereitstellungsschritte machen SageMaker wahrscheinlich zu einer so beliebten Wahl. ### 44. Sagemaker ist nützlich für eine End-to-End-ML-Pipeline. **Rating:** 4.5/5.0 stars **Reviewed by:** Verifizierter Benutzer in Informationstechnologie und Dienstleistungen | Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 10, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich mag das Konzept, eine Infrastruktur zu haben, in der man das Modell nahtlos trainieren und öffentlich bereitstellen kann. **Was gefällt Ihnen an Amazon SageMaker nicht?** Ich habe das Gefühl, dass es mehr hilfreiche Ressourcen für den Einstieg geben könnte, die helfen würden. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Ich habe keine Probleme, ich möchte nur mehr darüber lernen, wie das Logging in CloudWatch für die Logs funktioniert. ### 45. Es lebt **Rating:** 1.0/5.0 stars **Reviewed by:** Verifizierter Benutzer in Informationsdienste | Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** June 18, 2020 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich mag die AWS-Umgebung und den automatisierten Zugriff auf Jupyter-Notebooks. **Was gefällt Ihnen an Amazon SageMaker nicht?** Es schränkt die Art und Weise ein, wie ich bereit bin, meine Arbeit zu erledigen. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Hauptsächlich neue Modelle trainieren. ### 46. Einfach, das maschinelle Lernmodell zu trainieren und bereitzustellen. **Rating:** 4.0/5.0 stars **Reviewed by:** Vivek A. | Web Application Developer, Computersoftware, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** September 05, 2018 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich habe mit DeepLens von AWS für verschiedene Gesichtserkennungsanwendungen gearbeitet. Es ist sehr einfach zu verwenden und zu konfigurieren. Man benötigt keine eigene NVIDIA-Maschine, um das Modell zu trainieren. Wenn man mehr Daten hat und eine leistungsstarke Maschine zum Trainieren benötigt. **Was gefällt Ihnen an Amazon SageMaker nicht?** Manchmal gibt AWS einige der Konfigurationen nicht explizit an, man muss mit AWS vertraut sein. Es gibt sehr wenige gute Ressourcen dafür. Unser Unternehmen erhält etwas Hilfe von einem AWS-Marketingentwickler. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Wir versuchen, das Problem zu lösen, ob der Schüler im Unterricht aufmerksam ist oder nicht und, falls nicht, welche Gründe dahinterstehen. Wenn wir das Problem lösen können, können wir das Interesse der Schüler am Fach steigern, was dem Schüler direkt in seiner Karriere und im Leben hilft. ### 47. Automatisches Lernen! **Rating:** 5.0/5.0 stars **Reviewed by:** maría jose g. | Software Developer, Kleinunternehmen (50 oder weniger Mitarbeiter) **Reviewed Date:** June 22, 2018 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich liebe diese Plattform, sie ist so einfach, weil sie es mir als Entwickler ermöglicht, Daten auf einfache Weise zu erstellen. Ich muss nicht auf mühsame Weise Algorithmen implementieren, weil sie mir alles bietet. Es ist so einfach, es spart mir viele Arbeitsstunden, weil ich damit sogar mein eigenes Framework implementieren kann. Ich arbeite ohne Probleme, ich kann auch Notebooks haben und direkt in S3 verbinden. Um zu überprüfen, ob das Modell, das ich erstellt habe, mir gefällt, kann ich integrierte A/B-Tests durchführen und auf diese Weise bessere Ergebnisse und Erfolge in dem, was ich suche, erzielen. Ihre Einfachheit hat es mir ermöglicht, sehr effizient und sehr schnell zu arbeiten und sehr vollständige und erfolgreiche Arbeiten und Modelle zu erwerben. **Was gefällt Ihnen an Amazon SageMaker nicht?** Für Anfänger, die diese Plattform nutzen möchten, besteht der einzige Nachteil darin, dass sie sehr hohe Zahlungen erfordert, da diese Plattform die GPU-Berechnung implementiert, um ein besseres Training der GPU zu bieten, was sie schneller macht. **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** es ist eine großartige Plattform, ich empfehle sie, aber am Anfang entstehen viele Ausgaben, die Sie wiedererlangen können, wenn Sie sie in Ihrem Unternehmen implementieren **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Amazon SageMaker gibt mir leichteren Zugang zu anderen bekannten Lernframeworks, während es die Infrastruktur für die Erstellung, das Training und die Bereitstellung meiner Arbeitsmodelle verwaltet, da ich Modelle auf flexible und effiziente Weise auf sehr einfache Weise evaluieren und implementieren kann. ### 48. ML/AI mit AWS SageMaker **Rating:** 4.5/5.0 stars **Reviewed by:** Alvaro I. | Director of Web Development, Unternehmen mittlerer Größe (51-1000 Mitarbeiter) **Reviewed Date:** June 20, 2018 **Was gefällt Ihnen an Amazon SageMaker am besten?** - Viele Amazon-Beispiele für Anwendungsfälle, bei denen Sie diese Art von Tools verwenden werden - Die Konfiguration für Ihre Umgebung ist super einfach - Das SDK ist einfach zu verwenden **Was gefällt Ihnen an Amazon SageMaker nicht?** - Da es "neu" ist, wirst du nicht viel darüber im Internet finden. - Ich denke, es wäre super hilfreich, andere Sprachen im Development Kit zu haben, neben Sparks und Python (wahrscheinlich Ruby oder Java oder sogar JavaScript). **Empfehlungen für andere, die Amazon SageMaker in Betracht ziehen:** Python lernen **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** In diesem Stadium testen wir es mit einer Parkrotation in unseren Geschäftsbüros, es ist mehr als eine Art Proof-of-Concept-App, die mir geholfen hat, die Konzepte und den Nutzen dieses Tools vollständig zu verstehen. Wenn Sie planen, in die Welt des maschinellen Lernens und der künstlichen Intelligenz einzutauchen, könnte dies der beste Weg sein, um zu beginnen. Sie müssen natürlich verstehen, wie man programmiert, aber wenn Sie mit Python vertraut sind, wird das ausreichen. ### 49. Meine Erfahrung mit dieser Software war gut. **Rating:** 4.0/5.0 stars **Reviewed by:** Saransh D. | Graduate Research Assistant, Höhere Bildung, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** June 29, 2018 **Was gefällt Ihnen an Amazon SageMaker am besten?** Es bietet ausreichend Platz für erfahrene Personen sowie für diejenigen, die einfach Dinge erledigt haben müssen, ohne tiefer in die Modellierung einzusteigen. Es bietet eine einfache und effiziente Anpassung, die leicht zu ändern ist. Wenn man bereits Amazon nutzt, gibt es keinen Grund für einen Wechsel. Es gibt viele Beispiele, mit denen man arbeiten kann. **Was gefällt Ihnen an Amazon SageMaker nicht?** Die Algorithmen sind vorhanden und können leicht implementiert werden, aber der Benutzer benötigt eine bessere Beschreibung, wo sie sich befinden, damit er sie leichter finden kann. Es sollte einige Optionen geben, die dies mobilfreundlich machen. Da es sich um eine neue Software handelt, gibt es nicht viel Dokumentation für diese Software. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Es hilft mir zu verstehen, wie verschiedene Lernrahmen funktionieren, und unterstützt mich bei der besseren Implementierung meiner Lernalgorithmen. ### 50. beste, wenn Sie im Ökosystem sind **Rating:** 4.5/5.0 stars **Reviewed by:** Anil Sai B. | Data Engineer, Unternehmen (> 1000 Mitarbeiter) **Reviewed Date:** October 06, 2018 **Was gefällt Ihnen an Amazon SageMaker am besten?** Ich liebe AWS-Dienste und dieser hier ist nicht anders. Wir sind sehr stark in der AWS-Welt, daher ist das Bereitstellen von Modellen mit Sagemaker nahtlos. Die Einfachheit beim Erstellen und Trainieren von Modellen ist definitiv ein Plus. **Was gefällt Ihnen an Amazon SageMaker nicht?** Mangel an einer großen Bibliothek von trainierten Modellen wie TensorFlow, aber ich bin sicher, dass es dorthin gelangen wird. **Welche Probleme löst Amazon SageMaker für Sie, und wie profitieren Sie davon?** Wir verwenden es, um Modelle in der Datenpipeline für Datenvorhersagen bereitzustellen. ## Amazon SageMaker Discussions - [Was ist der beste Weg, um Sagemaker-Modelle mit Kubernetes zu integrieren?](https://www.g2.com/de/discussions/28784-what-is-the-best-way-to-integrate-sagemaker-models-with-kubernetes) - 1 comment - [Wie erreiche ich mit dieser Plattform die meisten meiner Entwickler?](https://www.g2.com/de/discussions/27976-how-do-i-make-this-platform-reach-to-most-of-my-developers) - 1 comment - [View Amazon SageMaker pricing details and edition comparison](https://www.g2.com/de/products/amazon-sagemaker/reviews?section=pricing&secure%5Bexpires_at%5D=2026-06-20+13%3A47%3A43+-0500&secure%5Bsession_id%5D=ef9814d9-2e87-4188-a6fa-469de86bdc14&secure%5Btoken%5D=dff6cbab3a25bbbb258c886690d09f4e10e00d0150c3e4dabbec7b55a436903b&format=llm_user) ## Amazon SageMaker Integrations - [Amazon S3 Glacier](https://www.g2.com/de/products/amazon-s3-glacier/reviews) - [AWS Amplify](https://www.g2.com/de/products/aws-amplify/reviews) - [AWS Glue](https://www.g2.com/de/products/aws-glue/reviews) - [GitLab](https://www.g2.com/de/products/gitlab/reviews) ## Amazon SageMaker Features **Einsatz** - Sprachliche Flexibilität - Flexibilität des Rahmens - Versionsverwaltung - Einfache Bereitstellung - Skalierbarkeit **system** - Datenerfassung und -aufbereitung **Einsatz** - Sprachliche Flexibilität - Flexibilität des Rahmens - Versionsverwaltung - Einfache Bereitstellung - Skalierbarkeit **Skalierbarkeit und Leistung - Generative KI-Infrastruktur** - Hohe Verfügbarkeit - Skalierbarkeit des Modelltrainings - Inferenz-Geschwindigkeit **Datenaufnahme & -vorbereitung - Low-Code-Maschinenlernplattformen** - Automatische Datenprofilierung & Qualitätsbewertung - Unterstützung für Multi-Source-Connector - Schema-Drift / Änderungsdetektion **Modellentwicklung** - Unterstützte Sprachen - Drag-and-Drop - Vorgefertigte Algorithmen - Modell-Training **Management** - Katalogisierung - Überwachung - Regierend - Modell-Registry **Modellentwicklung** - Feature-Entwicklung **Transaktionen** - Metriken - Infrastruktur-Management - Zusammenarbeit **Kosten und Effizienz - Generative KI-Infrastruktur** - Kosten pro API-Aufruf - Flexibilität bei der Ressourcenzuweisung - Energieeffizienz **Modellkonstruktion & Automatisierung - Low-Code-Maschinenlernplattformen** - Geführter Algorithmus & Hyperparameter-Empfehlung - Code-Erweiterbarkeit - Automatisierte Merkmalsentwicklung **Machine-/Deep-Learning-Dienste** - Maschinelles Sehen - Verarbeitung natürlicher Sprache - Generierung natürlicher Sprache - Künstliche neuronale Netze **Machine-/Deep-Learning-Dienste** - Verstehen natürlicher Sprache - Deep Learning **Management** - Katalogisierung - Überwachung - Regierend **Integration und Erweiterbarkeit - Generative KI-Infrastruktur** - Multi-Cloud-Unterstützung - Integration von Datenpipelines - API-Unterstützung und Flexibilität **Einsatz** - Managed Service - Anwendung - Skalierbarkeit **Generative KI** - Textgenerierung - Textzusammenfassung **Sicherheit und Compliance - Generative KI-Infrastruktur** - DSGVO und Einhaltung gesetzlicher Vorschriften - Rollenbasierte Zugriffskontrolle - Datenverschlüsselung **Generative KI** - KI-Textgenerierung - Textzusammenfassung - Text-zu-Bild **Benutzerfreundlichkeit und Unterstützung - Generative KI-Infrastruktur** - Qualität der Dokumentation - Community-Aktivitäten **Agentic AI - Datenwissenschafts- und maschinelles Lernplattformen** - Autonome Aufgabenausführung - Mehrstufige Planung - Systemübergreifende Integration - Adaptives Lernen - Natürliche Sprachinteraktion - Proaktive Unterstützung - Entscheidungsfindung ## Top Amazon SageMaker Alternatives - [Gemini Enterprise Agent Platform](https://www.g2.com/de/products/gemini-enterprise-agent-platform/reviews) - 4.3/5.0 (652 reviews) - [Dataiku](https://www.g2.com/de/products/dataiku/reviews) - 4.4/5.0 (201 reviews) - [Azure Machine Learning](https://www.g2.com/de/products/microsoft-azure-machine-learning/reviews) - 4.3/5.0 (87 reviews)