Avis et détails du produit Amazon SageMaker

J'aime la facilité avec laquelle il est possible d'entraîner des modèles ML sur Amazon SageMaker et de mener des expériences rapides. Je peux facilement créer des prototypes et apporter des modifications à mes modèles ML, et le processus d'entraînement est simple. Tous les journaux sont accessibles, ce qui aide à vérifier le statut de l'entraînement et à tester les modèles. Cela rend l'expérimentation et le changement de paramètres directement dans SageMaker efficaces. Avis collecté par et hébergé sur G2.com.

Une meilleure transparence des coûts peut être présente. De plus, il y a une courbe d'apprentissage avec la configuration initiale. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez Amazon SageMaker, c'est son support complet pour l'ensemble du cycle de vie de l'apprentissage automatique. De la préparation des données et la construction de modèles à l'entraînement, l'optimisation et le déploiement, tout est intégré de manière transparente dans une seule plateforme. J'apprécie particulièrement les algorithmes intégrés, les notebooks Jupyter et l'optimisation automatique des modèles (Optimisation des Hyperparamètres). La capacité à faire évoluer facilement les travaux d'entraînement et à déployer des modèles en tant que points de terminaison entièrement gérés avec quelques clics ou lignes de code est un énorme gain de productivité. SageMaker Studio offre également un excellent environnement collaboratif pour les équipes. Avis collecté par et hébergé sur G2.com.

Bien qu'Amazon SageMaker soit puissant, un inconvénient est sa complexité et son coût pour les débutants ou les projets à petite échelle. La courbe d'apprentissage peut être abrupte, surtout lors de la configuration des ressources, de la gestion des autorisations avec IAM, ou de la compréhension du modèle de tarification. Certaines fonctionnalités, comme SageMaker Pipelines ou Studio, peuvent sembler accablantes sans expérience préalable d'AWS. De plus, le débogage des travaux d'entraînement ou des déploiements échoués peut être difficile sans journaux détaillés ou messages d'erreur clairs. Avis collecté par et hébergé sur G2.com.

Amazon SageMaker prend en charge l'ensemble du flux de travail d'apprentissage automatique, de la préparation des données au déploiement du modèle, en un seul endroit.

Nous pouvons facilement charger des données, les explorer, entraîner des modèles et les tester sans changer d'outils.

J'aime vraiment que SageMaker gère les serveurs pour nous, donc nous n'avons pas à configurer ou à maintenir d'infrastructure.

Cela rend également le déploiement flexible et simple. Dans l'ensemble, cela rend les projets de ML beaucoup plus faciles à gérer, surtout lorsque l'on travaille en équipe. Avis collecté par et hébergé sur G2.com.

Il peut être difficile d'apprendre au début, surtout pour les débutants. L'interface est parfois lente ou pas très fluide, surtout avec de gros fichiers ou lors du changement d'onglets. Avis collecté par et hébergé sur G2.com.

De bout en bout, évolutivité et flexibilité, intégration avec AWS, facilité d'utilisation, surveillance et débogage du modèle Avis collecté par et hébergé sur G2.com.

Gestion des coûts, difficile à personnaliser ou à aller au-delà des fonctionnalités préconstruites, clarté de la documentation, une bonne compréhension du ML et d'AWS est nécessaire pour exploiter pleinement ses capacités. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez Amazon SageMaker, c'est sa capacité à gérer l'ensemble du cycle de vie de l'apprentissage automatique sur une plateforme intégrée. Il simplifie la construction, l'entraînement et le déploiement des modèles tout en offrant évolutivité et des outils puissants comme SageMaker Studio et l'optimisation automatique des modèles. Avis collecté par et hébergé sur G2.com.

Ce que je n'aime pas chez Amazon SageMaker, c'est que sa tarification peut être complexe et rapidement devenir coûteuse, surtout pour les travaux d'entraînement de longue durée ou les déploiements à grande échelle. De plus, la courbe d'apprentissage peut être abrupte pour les nouveaux utilisateurs qui ne sont pas familiers avec les services et configurations AWS. Avis collecté par et hébergé sur G2.com.

Offre des notebooks Jupyter gérés (SageMaker Studio, Studio Lab), prend en charge les frameworks ML populaires (TensorFlow, PyTorch, MXNet), et fournit des outils pour l'entraînement distribué et l'optimisation des hyperparamètres. Avis collecté par et hébergé sur G2.com.

SageMaker est coûteux, surtout pour les tâches d'entraînement de longue durée, les déploiements à grande échelle ou lors de l'utilisation d'instances haute performance. Le modèle de paiement à l'utilisation peut entraîner des coûts inattendus, et la structure tarifaire peut être complexe à comprendre et à optimiser. Avis collecté par et hébergé sur G2.com.

Pas de maux de tête avec le code et l'infrastructure. Gestion complète de bout en bout. Avis collecté par et hébergé sur G2.com.

Complications de coût et tarification. La migration vers un autre cloud est un peu difficile. Avis collecté par et hébergé sur G2.com.

Il est hautement évolutif, très puissant en termes de calcul, très bien intégré avec la plupart des entrepôts de données et des lacs de données des fournisseurs, et peut être consulté dans le navigateur. Avis collecté par et hébergé sur G2.com.

Je peux à peine faire une estimation du calcul du prix. Même s'il existe un outil appelé calculateur de prix AWS, la liste des configurations disponibles ne montre pas le nombre de configurations que vous pouvez sélectionner lors de la configuration des instances Studio et Notebook de l'outil. Avis collecté par et hébergé sur G2.com.

Fourniture d'algorithmes intégrés et de cadre. Beaucoup de fois, c'est les données qui causent les problèmes avec les prédictions. Quand nous avons les bonnes données, les prédictions basées sur les algorithmes intégrés ont fait un excellent travail dans les techniques linéaires, logistiques, de classification. Collaboratif avec d'autres data scientists. Il est facile d'intégrer avec d'autres systèmes connexes comme Salesforce lorsque nous avons nos données dans des seaux S3 et le support client est très réactif. Avis collecté par et hébergé sur G2.com.

Bien que nous obtenions des capacités de calcul à des coûts raisonnables, la responsabilité de faire fonctionner le grand modèle incombe aux utilisateurs. Lorsqu'ils exécutent des modèles plus grands juste pour les tester, cela entraîne des coûts supplémentaires. Bien que Sagemaker soit facile à utiliser, la responsabilité de la gestion des coûts incombe aux utilisateurs. Avis collecté par et hébergé sur G2.com.

J'utilise exclusivement Amazon SageMaker à la fois pour un usage professionnel et personnel. La variété des applications est pratique lors du travail sur des tâches d'apprentissage automatique. Les fonctionnalités de formation et de canevas que j'utilise depuis un certain temps rendent mes tâches d'apprentissage automatique plus rapides et productives. Avis collecté par et hébergé sur G2.com.

Amazon SageMaker est une excellente plateforme pour les tâches de ML, toutes les fonctionnalités et applications sont vraiment faciles à utiliser. La fonctionnalité qui nécessite de l'attention est l'essai gratuit offert qui n'est pas suffisant et Amazon devrait également fournir un accès GPU. À part cela, c'est une excellente plateforme ML en ligne. Avis collecté par et hébergé sur G2.com.