本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# SageMaker 自动驾驶
<a name="autopilot-automate-model-development"></a>

**重要**  
自 2023 年 11 月 30 日起，作为更新后的亚马逊 [ SageMaker Studio 体验的一部分，Autopilot 的用户界面将迁移到亚马逊 SageMaker ](studio-updated.md) [Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html)。 SageMaker Canvas 为分析师和公民数据科学家提供了无需代码的功能，可以完成数据准备、特征工程、算法选择、训练和调整、推理等任务。用户可以利用内置的可视化和假设分析功能来探索数据和不同场景，并通过自动预测功能轻松生成模型。Canvas 支持各种使用场景，包括计算机视觉、需求预测、智能搜索和生成式人工智能。  
 [Amazon SageMaker Studio Classic](studio.md)（之前的 [Studio](studio-updated.md) 使用体验）的用户可以继续使用 Studio Classic 中的自动驾驶用户界面。有编码经验的用户可以继续使用任何支持的 SDK 中的所有 [API 参考](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)进行技术实施。  
如果您之前一直在 Studio Classic 中使用 Autopilot 并想迁移到 SageMaker Canvas，则可能需要向您的用户个人资料或 IAM 角色授予额外权限，这样您才能创建和使用 SageMaker Canvas 应用程序。有关更多信息，请参阅 [（可选）从 Studio 经典版中的自动驾驶仪迁移到 SageMaker Canvas](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot)。  
[在迁移到 Amazon Canvas 之前，本指南中所有与 UI 相关的说明都与 Autopilot 的独立功能有关。 SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html)按照这些说明操作的用户应使用 [Studio Classic](studio.md)。

Amazon A SageMaker utopilot 是一款功能集，它通过自动化构建和部署机器学习模型 (AutoML) 的过程，来简化和加速机器学习工作流程的各个阶段。以下页面解释了有关 Amazon A SageMaker utopilot 的关键信息。

Autopilot 执行以下关键任务，您可以像自动驾驶那样使用它，也可以在不同程度的人工指导下使用这些任务：
+ **数据分析和预处理：**Autopilot 可识别您的特定问题类型，处理缺失值，对数据进行标准化，选择特征，全面准备数据用于模型训练。
+ **模型选择：**Autopilot 探索了各种算法，并使用交叉验证重采样技术生成指标，以根据预定义的目标指标来评估算法的预测质量。
+ **超参数优化：**Autopilot 可自动搜索最佳超参数配置。
+ **模型训练和评估：**Autopilot 可自动执行对各种候选模型的训练和评估过程。它将数据拆分为训练集和验证集，使用训练数据对选定的候选模型进行训练，并根据验证集中未用于训练的数据来评估其性能。最后，它根据模型的性能对优化候选模型进行排名，并确定性能最佳的模型。
+ **模型部署：**Autopilot 确定了性能最佳的模型之后，它就会提供选项，通过生成模型构件和公开 API 的端点来自动部署模型。外部应用程序可以将数据发送到端点并接收相应的预测或推理。

Autopilot 支持在多达数百个的大型数据集上构建机器学习模型。 GBs

下图概述了由 Autopilot 管理的 AutoML 流程的任务。

![\[Amazon A SageMaker utopilot AutoML 流程概述。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/Autopilot-process-graphic-1.png)


根据您对机器学习过程和编码体验的接受程度，您可以通过不同的方式使用 Autopilot：
+ **使用 Studio Classic 用户界面**，用户可以选择无代码体验或一定程度的人工输入。
**注意**  
只有根据表格数据创建的回归或分类等问题类型的实验才能通过 Studio Classic 用户界面使用。
+ **使用 AutoML API**，具有编码经验的用户可以使用可用 SDKs 来创建 AutoML 作业。这种方法提供了更大的灵活性和自定义选项，适用于所有问题类型。

Autopilot 目前支持以下问题类型：

**注意**  
对于涉及表格数据的回归或分类问题，用户可以在两个选项之间进行选择：使用 Studio Classic 用户界面或 [API 参考](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)。  
文本和映像分类、时间序列预测和大型语言模型微调等任务都可以通过 [AutoML REST API](autopilot-reference.md) 的第 2 版独家实现。如果您选择的语言是 Python，则可以直接引用 Amazon SageMaker Python 软件开发工具包的 A [uto MLV2 对象](https://sagemaker.readthedocs.io/en/stable/api/training/automlv2.html#sagemaker.automl.automlv2.AutoMLV2)。[适用于 Python (Boto3) 的 AWS SDK](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker/client/create_auto_ml_job_v2.html)  
喜欢用户界面便利性的用户可以使用 [Amazon SageMaker Canv](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) as 访问预训练模型和生成式 AI 基础模型，或者创建针对特定文本、图像分类、预测需求或生成式 AI 量身定制的自定义模型。
+ **回归、二元分类和多元分类**，使用 CSV 或 Parquet 文件格式的表格数据，其中每列包含具有特定数据类型的特征，每行包含一个观察数据。接受的列数据类型包括由数字、分类、文本和由逗号分隔数字字符串组成时间序列。
  + 要使用 SageMaker API 参考创建自动驾驶任务作为试点实验，请参阅[使用 AutoML API 为表格数据创建回归或分类作业](autopilot-automate-model-development-create-experiment.md)。
  + 要使用 Studio Classic 用户界面创建 Autopilot 作业作为试点实验，请参阅 [使用 Studio Classic 用户界面为表格数据创建回归或分类 Autopilot 实验](autopilot-automate-model-development-create-experiment-ui.md)。
  + 如果您是管理员，希望在 Studio Classic 用户界面中预先配置 Autopilot 实验的默认基础设施、联网或安全参数，请参阅[配置 Autopilot 实验的默认参数（面向管理员）](autopilot-set-default-parameters-create-experiment.md)。
+ **文本分类**，使用 CSV 或 Parquet 文件格式的数据，其中一列提供要分类的句子，而另一列应提供相应的类标签。请参阅[使用 API 创建文本分类 AutoML 作业](autopilot-create-experiment-text-classification.md)。
+ **映像分类**，映像格式包括 PNG、JPEG 或两者的组合。请参阅 [使用 AutoML API 创建映像分类作业](autopilot-create-experiment-image-classification.md)。
+ **时间序列预测**，使用 CSV 或 Parquet 文件格式的时间序列数据。请参阅 [使用 API 创建用于时间序列预测的 AutoML 作业](autopilot-create-experiment-timeseries-forecasting.md)。
+ 微调大型语言模型 (LLMs)，以便使用格式为 CSV 或 Parquet 文件[创建 AutoML 作业，使用 API 微调文本生成模型](autopilot-create-experiment-finetune-llms.md)格式的数据**生成文本**。请参阅。

此外，Autopilot 可自动生成显示每个特征重要性的报告，帮助用户了解模型如何进行预测。这有助于透明地了解影响预测的因素，可供风险与合规团队和外部监管机构使用。Autopilot 还提供模型性能报告，其中包括评估指标摘要、混淆矩阵、各种可视化内容，例如接收者操作特征曲线和查准率-查全率曲线等。每份报告的具体内容因 Autopilot 实验的问题类型而异。

Autopilot 实验中最佳候选模型的可解释性和性能报告可用于文本、映像和表格数据分类问题类型。

对于回归或分类之类的表格数据使用场景，Autopilot 生成笔记本，其中包含用于探索数据和寻找性能最佳模型的代码，以帮助进一步了解数据的处理方式以及如何选择、训练和调整候选模型。这些笔记本提供了一个交互式的探索性环境，可帮助您了解实验中各种输入的影响或权衡取舍。通过对 Autopilot 提供的数据探索和候选项定义笔记本进行自己的修改，您可以进一步实验更高性能的候选模型。

使用 Amazon SageMaker AI，您只需为实际用量付费。您需要根据自己的使用情况为 SageMaker AI 或其他 AWS 服务中的底层计算和存储资源付费。有关使用 SageMaker AI 的费用的更多信息，请参阅 A [mazon SageMaker 定价](https://aws.amazon.com/sagemaker/pricing)。

**Topics**
+ [使用 AutoML API 为表格数据创建回归或分类作业](autopilot-automate-model-development-create-experiment.md)
+ [使用 AutoML API 创建映像分类作业](autopilot-create-experiment-image-classification.md)
+ [使用 API 创建文本分类 AutoML 作业](autopilot-create-experiment-text-classification.md)
+ [使用 API 创建用于时间序列预测的 AutoML 作业](autopilot-create-experiment-timeseries-forecasting.md)
+ [创建 AutoML 作业，使用 API 微调文本生成模型](autopilot-create-experiment-finetune-llms.md)
+ [使用 Studio Classic 用户界面为表格数据创建回归或分类 Autopilot 实验](autopilot-automate-model-development-create-experiment-ui.md)
+ [Amazon SageMaker Autopilot 示例笔记本](autopilot-example-notebooks.md)
+ [视频：使用 Autopilot 自动执行和探索机器学习流程](autopilot-videos.md)
+ [Autopilot 配额](autopilot-quotas.md)
+ [Autopilot API 参考指南](autopilot-reference.md)