使用 FedML 和 Sagemaker 进行人工智能创新AWS

在当今数据驱动型企业中，机器学习模型的能力取决于其可访问的数据。然而，业务关键型数据通常存储在 SAP BDC 等 SAP 系统内，而高级模型开发通常在 Amazon SageMaker 等云原生平台上进行。

FedML-fo AWS r Amazon Sagemaker 通过为跨SAP和生态系统的联合模型训练和部署提供安全、高效和统一的框架来弥合这一差距。AWS通过消除数据重复并实现对 SAP 数据的实时访问，FedML-AWS有助于加快 AI 计划，确保数据治理，降低运营复杂性，同时利用 SAP 的可扩展性、性能AWS和业务环境。FedML-只需最少的设置，AWS即可在 SAP 和AWS环境中进行数据发现、模型训练和部署，从而从数据中提取价值。

FedML 是一个 Python 库，可直接导入 Amazon SageMaker Notebook 实例中。当大多数训练数据驻留在里面AWS，但训练也需要具有业务语义的关键 SAP 数据时，它会通过 Python/SQLDBC 连接安全地连接到 SAP Datasphere（BDC 的一部分），从而可以联合访问在 Sagemaker 中进行模型训练所需的 SAP 业务数据。

有关用于从 SAP Datasphere（属于 BDC 的一部分）读取训练数据，并在 Amazon SageMaker 上使用机器学习模型训练该数据的方法的更多技术详细信息，请访问 FedML-AWS。你可以在 SAP 架构中心的 A AWS mazon Sagemaker 与 FedML 集成下找到更多信息。

通过将 SAP 业务数据云 (BDC) 和AWS服务的优势相结合，组织可以充分发挥其企业数据的潜力。从操作系统到高级人工智能和分析，无论是协调跨亚马逊 S3、Redshift 和 Athena 的数据集，还是使用 FedML 和 Amazon Sagemaker 实现联合模型训练，这些架构都为创新提供了可扩展AWS且安全的基础。SAP 和 SAP 携手合作，AWS使企业能够从数据孤岛转向数据驱动的智能，从而缩短获得见解的时间，优化决策，并在整个企业中推动可衡量的业务价值。