ฟีเจอร์สำคัญของ Amazon SageMaker
Autopilot, Model Monitor, Feature Store และ JumpStart
เครื่องมือช่วยชีวิตใน SageMaker
Amazon SageMaker เป็นบริการหลักสำหรับทำ ML บน AWS ข้อสอบมักจะถามหาฟีเจอร์ที่ช่วยแก้ปัญหาเฉพาะจุด:
- SageMaker Autopilot: ให้ AWS ช่วยสร้างโมเดลให้โดยอัตโนมัติ (AutoML) แค่โยนข้อมูลเข้าไป มันจะลองหลายๆ อัลกอริทึมแล้วเลือกตัวที่ดีที่สุดให้
- SageMaker Model Monitor: คอยเฝ้าระวังโมเดลที่ใช้งานอยู่ เพื่อตรวจจับ Data Drift (ข้อมูลเปลี่ยนไปจากตอน Train) หรือ Concept Drift (พฤติกรรมเป้าหมายเปลี่ยนไป)
- SageMaker Feature Store: เหมือนคลังแสงเก็บ "ตัวแปร (Features)" ที่ผ่านการทำความสะอาดแล้ว เพื่อให้ทีม Data Scientist อื่นๆ สามารถดึงไปใช้ซ้ำได้ ไม่ต้องเริ่มใหม่
- SageMaker JumpStart: ตู้กดโมเดลสำเร็จรูป มี Foundation Models ให้เลือกใช้งานและนำมา Fine-tune ต่อได้เลย
สรุป Key Takeaways
- SageMaker Autopilot: สร้างโมเดลอัตโนมัติ (AutoML)
- SageMaker Model Monitor: ตรวจจับ Data Drift และ Concept Drift
- SageMaker Feature Store: แหล่งเก็บตัวแปรเพื่อแชร์กันระหว่างทีม
- SageMaker JumpStart: ศูนย์รวมโมเดลสำเร็จรูปที่ Pre-built มาแล้ว
คำถามที่พบบ่อย
SageMaker มีฟีเจอร์เยอะมาก ต้องจำตัวไหนบ้างสำหรับสอบ
จำเป็นคู่ "ปัญหา → ฟีเจอร์": ติด label ข้อมูล = Ground Truth · เตรียม/แปลงข้อมูล = Data Wrangler · เก็บ feature ใช้ซ้ำ = Feature Store · เทรนไม่ต้องเขียนโค้ด = Canvas · notebook ทีมงาน = Studio · ตรวจ bias = Clarify · monitor โมเดลบน production = Model Monitor · deploy = Endpoints
SageMaker กับ Bedrock ใช้ตัวไหนเมื่อไหร่
Bedrock = ใช้ foundation model สำเร็จรูปผ่าน API (ไม่ต้องเทรนเอง เร็วสุด) ส่วน SageMaker = สร้าง/เทรน/deploy โมเดล "ของเราเอง" ตั้งแต่ต้น — โจทย์ที่บอกว่าทีมไม่มี ML expertise และอยากใช้ GenAI ให้เอนไป Bedrock
SageMaker JumpStart คืออะไร
คลังโมเดลสำเร็จรูป + solution template ให้ deploy หรือ fine-tune ได้เร็ว — อยู่กึ่งกลางระหว่างสร้างเองทั้งหมดกับใช้ API สำเร็จรูป คีย์เวิร์ดข้อสอบคือ pre-trained models ที่เอามาปรับต่อใน SageMaker
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที