尽管五大云提供商根据 统计 的 云主机 2023 年的市场，需要大品牌来建立一个强大的 流程管理（DevOps 基础设施 人工智能 或 机器学习还 MLOps 叫，不是一切。
尤其是在为自己的人工智能模型构建服务时，其他因素往往也会发挥作用，而不仅仅是供应商的公司规模。如果您研究过亚马逊 SageMaker 并正在寻找可能的替代方案，您可能已经注意到了这一点。
本文章以德语撰写，可自动翻译成其他语言并进行重读。我们欢迎您在文章末尾进行反馈。
亚马逊 SageMaker 适合做什么？
作为一个基于云的机器学习平台，Amazon SageMaker 允许开发人员和数据科学家创建、训练和实施人工智能模型。该界面旨在实现基本流程的可视化，从而加快基本流程--从数据准备到创建或预制算法的自动运行。该网络服务完全嵌入亚马逊宇宙，因此可优先与亚马逊 Kinesis 和内部数据库等其他 AWS 工具进行交互。
希望使用SageMaker的用户对该平台有特定的要求和期望，尤其是与其他解决方案（如建立自己的基础设施）相比。根据所提供的清单，以下是这类用户可能会有的要求：
- 自动缩放用户：用户需要根据当前负载自动扩展以增加实例。他们希望能以高效、经济的方式实现这一目标，而无需花费精力和成本来构建和维护此类基础设施。
- 多型号服务器整合：需要整合多个端点，以充分利用现有的基础设施。要在自己的服务器上实现这一点并不容易。
- 版本和数据管理模型版本管理：清晰、高效的模型版本管理和相关数据源代码的管理至关重要。在自己的服务器上，这可能会更加复杂和不那么直观。
- 示范培训周期SageMaker：根据接收到的数据进行自动培训循环是可取的。这在 SageMaker 上比在自己的基础设施上更容易实现。
- 渐进学习或迁移学习对于增量学习或迁移学习等高级人工智能技术而言，需要一种高效且具有成本效益的解决方案，而在内部基础设施上实施和维护这种解决方案可能会更加困难。
- 弹性推理要求快速提高模型性能，尤其是深度学习任务，同时减少延迟。建立和维护自己的基础设施可能会增加开发和运营成本。
- DevOps 整合集成：必须简单、无缝地集成到现有的 DevOps 工作流程中。虽然 SageMaker 提供了集成的 CLI 功能，但这一功能必须为自己的基础设施独立开发。
最后，用户应考虑 SageMaker 和类似附加服务的成本，这些服务的成本往往比具有相同计算能力的简单基础设施高出 20 % 到 40 % 不等。 Reddit 或 StackOverflow.
亚马逊在机器学习项目的几乎每一个步骤中都依赖于自己的工具和功能，这一点已经非常明显。在许多情况下，使用辅助服务也不例外。最后但并非最不重要的一点是，这给公司带来了一些不利因素。
Amazon SageMaker 适合有经验的分析师和开发人员，他们几乎只想在 AWS 宇宙中开展广泛的人工智能项目。
亚马逊 SageMaker 的缺点
- 复杂性： 该平台专门面向专业开发人员和数据科学家。用户界面也相应比较混乱，许多流程都需要用户输入自己的开发代码。即使是预制的机器学习模型，通常也需要中到大量的数据。事实证明，即使使用集成工具，这些数据的准备工作也非常复杂。因此，SageMaker 不适合入门和小型工艺。
- 另一方面，为开发人员提供的界面也可以是 技术限制 当要求高度个性化时。例如，这涉及到现有机器学习模型的集成，或从遗留系统或第三方应用程序中进行大量数据迁移。通过自有服务器进行内部操作也是不可能的。
- 相反，用户会强烈 取决于亚马逊云内的服务 - 而利润最终是通过软件产生的。在两个月的免费试用阶段，这种依赖性就已经得到了巩固，因此，即使随后决定不使用该软件，也会因为基础设施的调整而耗费大量成本和时间。
- 费用： 亚马逊宣传的是一种基于使用量的定价模式，不包含任何基本费用。费用取决于机器学习模型的数量、使用情况、使用的（工作）内存、训练时间和数据量，换句话说，几乎每次点击鼠标都会产生费用。考虑到该平台仅适用于较大的使用范围，高昂的费用是不可避免的。计算密集型 GPU 实例也是原因之一。定价模式的混乱之处在于 这里 理解。
SageMaker 和自动化的未来
大多数公司员工都不是开发人员。严格来说，根据 Bitkom 的数据，德国仍然缺乏 13.7 万名 IT 专家。然而，自动化和通过机器学习获取知识早已成为成功的重要因素。ChatGPT 等语言模型表明，非专业用户也可以使用。目前，人工智能的使用正面临着民主化，这将使没有参与其中的公司处于不利地位。因此，如果缺乏亚马逊 SageMaker 等解决方案的专业知识或资源，了解适当的替代方案非常重要。
起初，公司最受益的是那些特别频繁和小的流程自动化，这些流程往往会增加大量耗时的任务。例如，这适用于处理电子邮件附件、发票、送货单或付款通知。基于机器学习的相应软件必须在集成和处理方面不复杂，但在适用性方面要灵活。对不同功能或内部使用的需求也会促使人们寻找亚马逊 SageMaker 的替代品。
自动化从小型、重复的标准流程开始。每个公司都会遇到的一个重要例子就是文件管理。
来自亚马逊的替代品和新增内容
为了弥补 SageMaker 在专业知识方面的不足，并确保 AWS 云得到最广泛的使用，亚马逊提供了无数其他服务。以下服务尤为重要：
纹理
对亚马逊来说，自动分析文件的需求也不是新领域。为此，基于 OCR（光学字符识别）的软件 纹理 提供。该工具侧重于 萃取 因此只适用于文档分析。此外，它提供的功能范围也很小，主要局限于从各种表格中提取数据和手动控制工作流程。
因此，与 SageMaker 相比，Textract 是 AWS 云文档数据提取的一个小补充。对于只对简单文档进行基于 OCR 的分析的用户来说，该软件是一种更具成本效益的选择。详细分析见 这里.
亚马逊预测
Amazon Forecast 是亚马逊网络服务（AWS）提供的基于机器学习的全面管理预测服务。用户无需具备 ML 方面的专业知识，即可通过该服务对时间序列数据进行准确预测。它使用的技术与亚马逊公司用于满足自身预测需求的技术相同。不过，使用亚马逊预测，用户只能上传时间序列数据，评估不同算法的预测质量，并使用最佳模型预测未来值。
关于 亚马逊 SageMaker 亚马逊 Forecast 可视为一种补充解决方案。SageMaker 为开发、训练和部署机器学习模型提供了一个全面的平台，而 Forecast 则专门针对预测应用，并为此类应用场景提供了一个简单的工作流程。
这两种服务可以很好地互补，尤其是当公司既需要定制的 ML 模型，又需要对时间序列数据进行专门预测时。
免费复制 Amazon SageMaker
利用开源工具，您可以在自己的基础设施上实现类似 SageMaker 的环境。Kubernetes 是容器协调的基础，而 Kubeflow 则优化了机器学习生命周期管理。JupyterHub 支持使用交互式笔记本，MinIO 或 Ceph 可用作可扩展的数据存储解决方案。
与 SageMaker 等集成解决方案相比，开源工具提供的灵活性和控制力是其最大的优势。尽管初始设置工作量较大，但 TensorFlow、PyTorch 和 Scikit-Learn 等工具可为 ML 模型提供深入的洞察力和自定义功能。此外，Prometheus 和 Grafana 等监控工具支持对系统进行监控，并在整个 ML 流程中提供透明度。有了这些工具，就可以创建一个完全定制的个性化 ML 平台。
我们很乐意为您建立这样的基础设施提供支持。您可以从以下网站获取更多文件 伯克利 或以下技术 中型邮报.
-> 现在就联系我们 进行免费初步咨询。
商业供应商 - 谁能进入前 5 强？
亚马逊绝不是唯一一家能够帮助企业利用机器学习潜力取得进步的供应商。在进行选择时，必须将需求与相应的功能范围精确匹配。
例如，以下 5 个软件适合作为 SageMaker 的替代品：
- Konfuzio
基于人工智能的自动化文档管理一体化工具。非常适合初次使用的用户。
- 活页夹
在云中托管 Jupyter 交互式笔记本的精益解决方案。
- Dataiku
完整的人工智能解决方案，用于综合分析和数据驱动的洞察力生成。开放源代码。
- IBM 沃森工作室
SageMaker 类似于云平台，但它也能让没有编程知识、经验较少的数据科学家更容易上手。
- Azure 机器学习
微软为 Azure 云中的机器学习提供了更易于使用的对应工具。
Konfuzio
Konfuzio 是一个功能强大的人工智能平台。它可以访问各种开源和闭源模型，例如 OCR, 计算机视觉 和 自然语言处理.这样就可以通过统一的、文档齐全的技术界面，操作大量不同的人工智能模型并进行交互。这使得 Konfuzio 成为 SageMaker 在适当使用情况下的有力替代品，但它也可以作为一种补充。
与 SageMaker 相比，其功能范围具有以下优势：
- 用于 云计算和内部部署均可
- 适合所有知识水平的人： 直观的界面 和 源代码模块、应用程序接口和 SDK 开发
- 广泛的集成可能性 REST API、Google Docs、Microsoft Office、Airtable 以及各种 ERP、CRM 或 RPA 系统
- 自动缩放Konfzio 可实现自动扩展，在负载增加的情况下为用户提供额外的实例，而无需维护基础设施，也无需支付维护费用。
- 多型号服务器有了 Konfuzio，用户可以有效地将多个终端结合起来，充分利用自己的基础设施，而这在自己的服务器上可能是个难题。
- 版本和数据管理： Konfzio 提供清晰的模型版本和高效的数据管理，让用户可以跟踪不同的模型及其数据源。
- 示范培训周期Konfzio：Konfzio 可根据接收到的数据促进自动培训周期，从而简化实施过程。
- 渐进学习或迁移学习 对于高级技术，Konfuzio 可提供在您自己的基础设施上难以实施的解决方案。
- 弹性推理Konfzio 可确保模型快速运行，尤其是在深度学习任务中，并将延迟降至最低。
- DevOps 整合最后，Konfuzio 可以顺利集成到 DevOps 工作流程 或 MLOps 工作流程这样，用户就不必从头开始开发自己的集成工具。
因此，Konfuzio 可用于调整、训练和监控人工智能模型。就其应用范围而言，Konfuzio 超越了知名软件供应商的相应单个模块，在灵活性和性能方面甚至将亚马逊 Textract 甩在身后。 我们报道.
活页夹
...专门在云中托管 Jupyter 交互式笔记本。
- 职能Jupyter：从 GitHub 存储库直接共享 Jupyter 笔记本，无需设置，支持 Docker 环境复制，交互式计算环境的开源平台。
- 每易于上手，是数据科学家和研究人员的理想选择，无需任何安装即可在笔记本上共享和协作，完全开源，通过 Docker 支持提供灵活性。
- 反对SageMaker：并非专门针对机器学习工作流程优化，在可扩展性和高级 ML 部署功能方面可能落后于 SageMaker。
Dataiku
...适用于大规模数据分析。
- 职能。 用于创建数据管道的可视化工作流程、常用数据源连接器、数据转换器、可视化工具、AutoML。
- Pro： 大量数据的中央平台，多种分析和可视化选项，开源。
- 反对 用户界面复杂，没有最佳支持。
IBM 沃森工作室
...在服务范围上与亚马逊 SageMaker 尤为相似。
- 职能。 自有数据人工智能平台、AutoAI、模型漂移、可解释人工智能、模型风险管理。
- Pro： 多种实施方案，可实现云/内部部署混合，为团队提供广泛的协作选项。
- 反对 潜在成本高，需要数据科学家掌握大量技术知识。
Azure 机器学习
...是微软公司基于图形用户界面的开发环境。
- 职能。 多个集成框架（如 PyTorch 或 Tensorflow）、用于数据准备和模型训练的拖放设计器、AutoML、托管端点。
- Pro： 大量集成框架和服务可供选择，界面清晰，无需代码。
- 反对 每个工作流程的模型数量有限、供应商锁定、数据集庞大。
总结
由于 SageMaker 的高复杂性、不方便的集成和对亚马逊的严重依赖，它并不适合许多公司。在人工智能实验中，成本也很容易飙升，却没有直接的投资回报。
其他提供商提供的普通替代方案通常通过更直观的用户界面设计，让用户更容易使用机器学习。有些解决方案甚至可供技术水平较低的员工和数据科学家使用。相比之下，灵活的文档 AI Konfuzio 几乎适用于每家公司，让各种专业水平的用户都能进入机器学习的世界。
