本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# Amazon SageMaker AI 功能
<a name="whatis-features"></a>

Amazon SageMaker AI 包含下列功能。

**Topics**
+ [re:Invent 2024 新功能](#whatis-features-alpha-new)
+ [機器學習環境](#whatis-features-alpha-mle)
+ [主要功能](#whatis-features-alpha-major)

## re:Invent 2024 新功能
<a name="whatis-features-alpha-new"></a>

SageMaker AI 包含下列 re:Invent 2024 新功能。

**[HyperPod 配方](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html) **  
您可以在 Amazon SageMaker HyperPod 中或作為 SageMaker 訓練任務執行配方。您可以使用 HyperPod 訓練轉接器作為架構，協助您執行端對端訓練工作流程。訓練轉接器是以 NVIDIA NeMo 架構和 Neuronx 分散式訓練套件為基礎。

**[Studio 中的 HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-studio.html) **  
在 Amazon SageMaker Studio 中，您可以在 HyperPod 叢集上啟動機器學習工作負載，並檢視 HyperPod 叢集資訊。提高叢集詳細資訊和硬體指標的可見性，可協助團隊找出適合預先訓練或微調工作負載的選項。

**[HyperPod 任務治理](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-eks-operate-console-ui-governance.html) **  
Amazon SageMaker HyperPod 任務治理是強大的管理系統，旨在簡化資源配置，並確保 Amazon EKS 叢集跨團隊和專案有效利用運算資源。HyperPod 任務治理也提供 Amazon EKS 叢集可觀測性，提供叢集容量的即時可見性、運算可用性和用量、團隊配置和使用率，以及任務執行和等待時間資訊。

**[Amazon SageMaker 合作夥伴 AI 應用程式](https://docs.aws.amazon.com/sagemaker/latest/dg/partner-apps.html) **  
透過 Amazon SageMaker 合作夥伴 AI 應用程式，使用者可以存取由領先業界的應用程式提供者建置、發佈和分發的生成式人工智慧 (AI) 和機器學習 (ML) 開發應用程式。合作夥伴 AI 應用程式已通過認證，可在 SageMaker AI 上執行。透過作夥伴 AI 應用程式，使用者可以加速和改善根據基礎模型 (FM) 和傳統 ML 模型建置解決方案的方式，而不會影響其敏感資料的安全性，這些資料完全在其信任的安全組態內，永遠不會與第三方共用。

**[Q Developer 可用於 Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-q.html) **  
您可以使用自然語言與 Amazon SageMaker Canvas 中的 Amazon Q Developer 聊天，讓生成式 AI 協助解決您的機器學習問題。您可以與 Q Developer 討論機器學習工作流程的步驟，並利用 Canvas 功能，例如資料轉換、模型建置和部署。

**[SageMaker 訓練計畫](https://docs.aws.amazon.com/sagemaker/latest/dg/reserve-capacity-with-training-plans.html) **  
Amazon SageMaker 訓練計畫是一種運算保留功能，專為在 SageMaker 訓練任務和 HyperPod 叢集上執行的大規模 AI 模型訓練工作負載而設計。這些計畫可在指定時間內提供高需求 GPU 加速運算資源的可預測存取。您可以指定所需時間、持續時間和最大運算資源，而 SageMaker 訓練計畫會自動管理基礎架構設定、工作負載執行和故障復原。這樣一來，您就可以使用可預測的成本模型，有效規劃和執行重要的 AI 專案。

## 機器學習環境
<a name="whatis-features-alpha-mle"></a>

SageMaker AI 包含下列機器學習環境。

**[SageMaker Canvas](canvas.md)**  
自動機器學習 (ML) 服務，讓沒有編碼經驗的人員能夠建置模型，並利用模型進行預測。

**[程式碼編輯器](https://docs.aws.amazon.com/sagemaker/latest/dg/code-editor.html) **  
程式碼編輯器擴充 Studio，讓您可以在以 Visual Studio Code - Open Source (稱為「Code-OSS」) 為基礎的環境中撰寫、測試、偵錯和執行分析和機器學習程式碼。

**[SageMaker 地理空間功能](geospatial.md)**  
使用地理空間資料建置、訓練及部署機器學習 (ML) 模型。

**[SageMaker HyperPod](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod.html) **  
Amazon SageMaker HyperPod 是 SageMaker AI 的一項功能，在彈性叢集上提供全年無休的機器學習環境，您可以執行任何機器學習工作負載，以開發大型機器學習模型，例如大型語言模型 (LLM) 和擴散模型。

**[Studio 中的 JupyterLab](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl.html) **  
Studio 中的 JupyterLab 可以改善 Studio 筆記本的延遲和可靠性

**[Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated.html) **  
Studio 是用於執行 ML 工作流程的最新 Web 型體驗。Studio 提供一套 IDE，包括程式碼編輯器、新 Jupyterlab 應用程式、RStudio 和 Studio Classic。

**[Amazon SageMaker Studio Classic](studio.md)**  
整合式機器學習環境，可讓您完全在同一個應用程式中建置、訓練、部署和分析模型。

**[SageMaker Studio Lab](studio-lab.md)**  
免費服務，可讓客戶在以開放原始碼 JupyterLab 為基礎的環境中存取 AWS 運算資源。

**[RStudio on Amazon SageMaker AI](rstudio.md)**  
適用於 R 的整合式開發環境，具有支援直接程式碼執行的主控台、語法強調顯示編輯器，以及繪圖、歷史記錄、偵錯和工作區管理的工具。

## 主要功能
<a name="whatis-features-alpha-major"></a>

SageMaker AI 包含下列主要功能，依照字母順序排列，但不包括 SageMaker AI 字首。

**[Amazon 增強版 AI](a2i-use-augmented-ai-a2i-human-review-loops.md)**  
建置人工審核機器學習 (ML) 預測所需的工作流程。Amazon A2I 消除與建置人工審核系統或管理大量人工審核者相關的繁重工作，為所有開發人員提供人工審核。

**[AutoML 步驟](build-and-manage-steps.md)**  
建立 AutoML 工作以自動訓練 Pipelines 中的模型。

**[SageMaker Autopilot](autopilot-automate-model-development.md)**  
不熟悉機器學習的使用者可以快速建立分類和迴歸模型。

**[批次轉換](batch-transform.md)**  
預處理資料集、在您不需要持久的端點時執行推論，然後將輸入記錄與推論產生關聯，以協助詮釋結果。

**[SageMaker Clarify](clarify-configure-processing-jobs.md#clarify-fairness-and-explainability)**  
透過偵測潛在的偏差並協助解釋模型所做的預測，改善您的機器學習模型。

**[與共用空間協作](domain-space.md)**  
共用空間包含共用的 JupyterServer 應用程式和共用目錄。Amazon SageMaker AI 網域中的所有使用者設定檔都可以存取網域中的所有共用空間。

**[SageMaker Data Wrangler](data-wrangler.md)**  
在 SageMaker Studio 中匯入、分析、準備和特徵化資料。您可以將 Data Wrangler 整合到您的機器學習工作流程中，幾乎不使用程式碼，即可簡化和精簡資料預處理和特徵工程。您也可以新增自己的 Python 指令碼和轉換來自訂資料準備工作流程。

**[Data Wrangler 資料準備小工具](data-wrangler-interactively-prepare-data-notebook.md)**  
與您的資料互動、取得視覺化的檢視、探索可指引行動的深入解析，並修正資料品質問題。

**[SageMaker Debugger](train-debugger.md)**  
在整個訓練過程中檢查訓練參數和資料。自動偵測常見的錯誤並提醒使用者，例如參數值變得太大或太小。

**[SageMaker Edge Manager](edge.md)**  
最佳化邊緣裝置的自訂模型、建立和管理機群，並以有效率的執行期執行模型。

**[SageMaker Experiments](experiments.md)**  
實驗管理和追蹤。您可以使用追蹤的資料來重建實驗、根據同儕所做的實驗來累加建置，以及為了合規性和稽核驗證而追蹤模型譜系。

**[SageMaker Feature Store](feature-store.md)**  
特徵和相關中繼資料的集中儲存庫，可以輕鬆探索和重複使用特徵。您可以建立兩種類型的儲存庫：線上儲存庫或離線儲存庫。線上儲存庫可用於低延遲的即時推論使用案例，而離線儲存庫則用於訓練和批次推論。

**[SageMaker Ground Truth](sms.md)**  
高品質訓練資料集，使用工作者加上機器學習來建立有標籤的資料集。

**[SageMaker Ground Truth Plus](gtp.md)**  
統包式資料標籤功能，可以建立高品質的訓練資料集，無需自行建置標籤應用程式和管理標籤人力資源。

**[SageMaker Inference Recommender](inference-recommender.md)**  
取得推論執行個體類型和組態 (例如執行個體計數、容器參數和模型最佳化) 的建議，以使用您的機器學習 (ML) 模型和工作負載。

**[推論陰影測試](shadow-tests.md)**  
透過比較模型服務基礎設施與目前已部署基礎設施的效能，評估模型服務基礎設施的任何變更。

**[SageMaker JumpStart](studio-jumpstart.md)**  
透過精心策劃的一鍵式解決方案、範例筆記本和可部署的預訓練模型，了解 SageMaker AI 的特色和功能。您還可以微調和部署模型。

**[SageMaker ML Lineage Tracking](lineage-tracking.md)**  
追蹤機器學習工作流程的譜系。

**[SageMaker Model Building Pipelines](pipelines.md)**  
建立和管理與 SageMaker AI 工作直接整合的機器學習管道。

**[SageMaker 模型卡](model-cards.md)**  
請在單一位置記錄機器學習 (ML) 模型的相關資訊，以簡化整個機器學習生命週期中的控管和報告。

**[SageMaker 模型儀表板](model-dashboard.md)**  
在您的帳戶中所有模型的預先建置視覺化概觀。模型儀表板會整合 SageMaker Model Monitor、轉換工作、端點、歷程追蹤和 CloudWatch 的資訊，讓您在一個統一檢視中存取高階模型資訊並追蹤模型效能。

**[SageMaker Model Monitor](model-monitor.md)**  
監控和分析生產中的模型 (端點)，以偵測模型品質中的資料漂移和偏差。

**[SageMaker Model Registry](model-registry.md)**  
為機器學習模型部署提供版本控制、成品和歷程追蹤、核准工作流程，以及跨帳戶支援。

**[SageMaker Neo](neo.md)**  
將機器學習模型訓練一次，即可在雲端和邊緣的任何地方執行。

**[以筆記本為基礎的工作流程](notebook-auto-run.md)**  
將 SageMaker Studio 筆記本做為非互動式排程工作執行。

**[預處理](processing-job.md)**  
分析和預處理資料、進行特徵工程和評估模型。

**[SageMaker 專案](sagemaker-projects.md)**  
使用 SageMaker 專案建立具備 CI/CD 的端對端機器學習 (ML) 解決方案。

**[強化學習](reinforcement-learning.md)**  
將代理人採取行動而獲得的長期報酬最大化。

**[SageMaker 角色管理器](role-manager.md)**  
管理員可以使用自訂、預先設定的角色型 IAM 角色，為常見機器學習 (ML) 活動定義最低權限許可。

**[SageMaker 無伺服器端點](serverless-endpoints.md)**  
託管機器學習 (ML) 模型的無伺服器端點選項。自動擴充容量來提供端點流量。無需在端點上選取執行個體類型或管理擴充政策。

**[Studio Classic Git 擴充功能](studio-git-attach.md)**  
Git 延伸模組，可輸入 Git 儲存庫 URL、將其複製到您的環境中、推送變更，以及檢視遞交歷史記錄。

**[SageMaker Studio 筆記本](notebooks.md)**  
新一代的 SageMaker 筆記本，包含 AWS IAM Identity Center (IAM Identity Center) 整合、快速啟動時間及一鍵式共用。

**[SageMaker Studio 筆記本和 Amazon EMR](studio-notebooks-emr-cluster.md)**  
直接從 SageMaker Studio 在單一帳戶和跨帳戶組態中輕鬆探索、連線、建立、終止和管理 Amazon EMR 叢集。

**[SageMaker Training Compiler](training-compiler.md)**  
在由 SageMaker AI 管理的可擴充 GPU 執行個體上更快地訓練深度學習模型。