Amazon Machine Learning

Max-Ludwig Stadler

30. Oktober 2019

Begriffsklärung

Immer mehr Entwickler sind für die Lösung von Problemen auf KI angewiesen. Machine Learning spielt dabei heute eine übergeordnete Rolle, weil die lernfähigen Algorithmen mittlerweile viele Mustererkennungsaufgaben beherrschen, die in der Vergangenheit nur von Menschen zu bewältigen waren. Dazu gehören das Erkennen von Objekten in Fotos, die Textübersetzung oder die Interpretation von Text und viele andere Aufgaben. Die Idee hinter Amazon Machine Learning besteht darin, dass jedes Unternehmen Zugriff haben soll auf die modernsten Machine-Learning-Verfahren, um diese in den eigenen Anwendungen gewinnbringend einzusetzen.

Cloud-Plattform AWS

Amazon nutzt hierfür die Möglichkeiten der eigenen Cloud-Plattform AWS für eine leistungsfähige Datenverarbeitung bei gleichzeitig hoher Datensicherheit. Der Anwender baut direkt auf der Plattform seine eigenen Machine Learning-Modelle und stellt diese dort bereit. In der Praxis ergeben sich vielfältige Anwendungsmöglichkeiten.

Webinar: Maschinelles Lernen in der Praxis

In diesem Webinar gebe ich Ihnen einen Überblick zum Thema maschinelles Lernen.

Jetzt anmelden

ML-Services

Die Funktionen von Amazon Machine Learning sind in den sogenannten ML-Services zu finden. Zu den ML-Services gehören Amazon SageMaker, Amazon SageMaker Ground und Amazon SageMaker Neo. SageMaker ist damit das wichtigste Feature im Rahmen der Machine Learning-Services, da es alle Funktionen bereitstellt, die für die Erstellung und das Training von ML-Modellen erforderlich sind. Es lassen sich dabei Modelle beliebiger Größe und Komplexität erstellen. SageMaker sorgt für die Beseitigung von Komplexität, die einer einfachen Integration der Modelle in praktische Anwendungen im Wege steht.

SageMaker

SageMaker stellt dem Anwender eine Reihe von bereits voroptimierten Algorithmen zur Verfügung, mit deren Hilfe sich leistungsfähige ML-Modelle erstellen lassen. Grundsätzlich bietet Amazon dem Anwender einen benutzerfreundlichen Einstieg in die Erstellung der Modelle. Zu diesem Konzept gehören zum Beispiel die vorgefertigten Jupyter-Notebooks und der Algorithmen-Marketplace. Letzterer ist eine Art Shop für verschiedene Algorithmen und Modelle, aus denen der Anwender für seinen Bedarf auswählt. In vielen Fällen ist es daher nicht erforderlich, ML-Modelle vollständig selbst zu erstellen. Stattdessen profitiert der Nutzer von bereits in der Vergangenheit erstellen Algorithmen und Modellen für seine Arbeit.

AutoML

Nach der Entwicklung der Modelle folgt das Training. Da es sich um selbstlernende Algorithmen handelt, ist eine gewisse Trainingsdauer erforderlich, um optimale Ergebnisse zu erhalten. Als wichtiges Feature stellt Amazon hier die Funktion AutoML zur Verfügung, mit der sich Trainings auf Knopfdruck anweisen lassen. Damit sollen sich exakte Modellprognosen errechnen lassen, es erfolgt eine automatische Modellabstimmung und der Anwender profitiert von einem automatischen Training seines Modells. Mittels SageMaker Neo lassen sich die Modelle einmal trainieren und auf verschiedenen Hardware-Konfigurationen verwenden. Die Ausführung ist dann mit bis zu zweifacher Leistung möglich. Weiterhin handelt es sich beim Modelltraining um einen vollständig verwalteten Service. Der Nutzer muss sich also nicht mit Fragen der zugrundeliegenden Infrastruktur befassen. Eine Skalierung der Hardwareressourcen erfolgt automatisch.

Sofortige Bereitstellung

Das dritte wichtige Feature von SageMaker ist die Bereitstellung mit nur einem Klick. Fertig definierte und trainierte Modelle stellt der Anwender im Cluster bereit. Amazon garantiert dabei eine hohe Verfügbarkeit und eine hohe Leistung. Das Hosting ist ebenfalls im Rahmen einer vollständig verwalteten Produktionsinfrastruktur realisiert. Dazu gehört die Ausführung von Zustandsprüfungen, das Aufspielen von Sicherheitspatches und die Durchführung von Wartungen in bestimmten zeitlichen Abständen.

Funktion/Architektur

Amazon Machine Learning basiert auf einer komplexen und leistungsfähigen Infrastruktur, die den entscheidenden Vorteil dieser Lösung für Unternehmen darstellt. Die Anwendung von KI gestaltet sich häufig nämlich nicht deshalb so schwierig, weil die Algorithmen durch die Entwickler nicht beherrschbar wären, sondern weil Training und Nutzung der ML-Modelle erhebliche Hardware- und sonstige Ressourcen voraussetzt. Für die Beschleunigung der Machine Learning-Anwendungen setzt Amazon zum Beispiel auf moderne und leistungsstarke GPUs.

EC2 P3-Instanzen

Mit den EC2 P3-Instanzen bietet Amazon ein hochperformantes Cloud-Computing speziell ausgelegt für diese KI-Anwendungen. Der Nutzer von Amazon Machine Learning hat damit Zugriff auf einige der modernsten und schnellsten Cloud-Server für die Erledigung seiner Anfragen an den Service. Zur Infrastruktur gehört weiterhin der hochleistungsfähige AWS Inferenzchip. Dieser soll niedrige Kosten bei ML-Anwendungen ermöglichen und unterstützt unter anderem die Deep-Learning-Frameworks von TensorFlow, von Apache MXNet und PyTorch. Zu den besonderen Eigenschaften des Inferenzchips gehören neben einer Ausrichtung auf ML-Algorithmen der hohe Datendurchsatz und die niedrige Latenz.

Komponenten

Um verschiedene Anwendungen mit künstlicher Intelligenz auszustatten, bietet Amazon eine Reihe von entsprechenden KI-Services an. Zu diesen Services gehören die folgenden:

• Amazon Comprehend
• Amazon Comprehend Medical
• Amazon Forecast
• Amazon Lex
• Amazon Personalize
• Amazon Polly
• Amazon Recognition
• Amazon Textract
• Amazon Transcribe
• Amazon Translate

Die Entwickler in den Unternehmen treffen eine Auswahl, welche der aufgeführten Komponenten nützlich sind, um die gewünschte Funktionalität bereitstellen zu können.

Amazon Comprehend

Mit Amazon Comprehend zum Beispiel ist es möglich, zu einem maschinellen Textverständnis zu gelangen. Der Einsatz von Comprehend erfolgt zumeist mit anderen Services wie etwa Transcribe und Translate. Einmal übersetzte und übertragene Texte lassen sich mit Comprehend in einem zweiten Schritt analysieren und miteinander vergleichen. Mit Comprehend lassen sich Zusammenhänge in verschiedenen unstrukturierten Daten erkennen. Das können zum Beispiel E-Mails von Kunden, Supporttickets oder Rezensionen zu Produkten sein. Mit Comprehend Medical bietet Amazon diesen Dienst noch einmal speziell für medizinische Anwendungen an. Amazon Lex wiederum dient der Bereitstellung von Konversationsschnittstellen für die Umwandlung von Sprache in Text. Amazon Polly geht den umgekehrten Weg und wandelt Text in eine Sprachausgabe um (Text-To-Speech). Dank modernster Deep-Learning-Techniken ist eine realistische Sprachausgabe erreichbar.

Amazon Rekognition

Mit Amazon Rekognition stehen weitere Funktionen für die Analyse von Bild und Video zur Verfügung. Amazon sieht hierfür die einfach zu erlernende Rekognition-API vor, um eine einfache Integration zu gewährleisten. Innerhalb des Quellmaterials erkennt der Dienst Objekte, Personen und Aktivitäten. Zum Funktionsumfang gehören eine leistungsfähige Gesichtsanalyse. Auch dieser Service ist in hohem Maße skalierbar. Amazon Personalize wiederum dient der automatischen Erstellung von individualisierten Empfehlungen für Kunden. Für die Erstellung von Prognosen verschiedenster Art hält Amazon den Service Amazon Forecast als Teil von Amazon Machine Learning bereit. Prognosen lassen sich zum Beispiel für die Produktnachfrage, den finanziellen Mittelbedarf oder für die Erkennung von Trends erstellen.

Möglichkeiten

Amazon Machine Learning ist für eine Vielzahl von Anwendungen nützlich. Hier sind den Möglichkeiten tatsächlich keine Grenzen gesetzt und der konkrete Einsatz hängt nur von der jeweiligen Branche und den Zielvorgaben des Unternehmens ab. App-Entwickler setzen zum Beispiel auf Machine Learning, um Gesundheits-Apps zu realisieren, die Krankheiten wie Hautkrebs selbstständig einschätzen können. Möglich sind Übersetzungsprogramme und viele andere Apps für die Bereitstellung auf Mobilgeräten. Möglich ist die automatisierte Analyse von Dokumenten. Daten lassen sich aus riesigen Dokumentenvorkommen extrahieren ohne manuellen Aufwand. Amazon Machine Learning ermöglicht eine erweiterte Textanalytik und die Extraktion aus unstrukturierten Daten.

Gesichtserkennung

Dank der Gesichtserkennung durch Amazon Rekognition ergeben sich Anwendungsmöglichkeiten im Bereich der öffentlichen Sicherheit. So lässt sich zum Beispiel die Anzahl der Teilnehmer an einer Demonstration automatisch zählen. Die Behörden können dann schnell entscheiden, ob eine weitere Absicherung der Demonstration durch mehr Polizisten erforderlich ist oder nicht. Anwendungsmöglichkeiten ergeben sich auch im Bereich der Benutzerverifizierung. Dank des Einsatzes von Deep-Learning-Technologien ist Amazon Machine Learning mit seinen Services in diesem Bereich der menschlichen Leistungsfähigkeit bereits häufig überlegen.

E-Book: Wie Ihr Unternehmen von Künstlicher Intelligenz (KI) profitieren kann

In unserem E-Book erfahren Sie die wichtigsten Inhalte rund um das Thema künstliche Intelligenz & wie Sie davon profitieren können!

Jetzt anfordern

E-Book: Wie Ihr Unternehmen von Künstlicher Intelligenz (KI) profitieren kann

×

Amazon Personalize

Im Rahmen von zielgerichteten Marketing-Kampagnen ist es in der Werbung heute gefragt, auf den jeweiligen Adressaten maßgeschneiderte Konzepte zu entwickeln. Amazon Machine Learning hilft hier mit Funktionen wie Amazon Personalize, um die Kundenbindung durch personalisierte Empfehlungen für Produkte und Inhalte zu fördern. Es lassen sich komplexe Empfehlungssysteme einrichten, ohne dass hierfür eine menschliche Mitarbeit erforderlich wäre. Dadurch ergeben sich neue Möglichkeiten zum Beispiel für kleinere Betreiber von Onlineshops. Diese setzen mit Amazon Machine Learning Technologien für die Verbesserung ihres Geschäfts ein, die bis vor wenigen Jahren noch großen Konzernen vorbehalten waren.

Vor- und Nachteile

Benutzeroberfläche

Zu den entscheidenden Vorteilen von Amazon Machine Learning gehören die Einfachheit der Benutzeroberfläche, die hohe Geschwindigkeit, mit der sich Modelle zum Beispiel dank des Marketplaces erstellen lassen sowie die Flexibilität und die Auto-Skalierbarkeit der Anwendung. Amazon setzt auf ein faires Preismodell, bei dem der Anwender nur die tatsächlich in Anspruch genommene Leistung bezahlt. Damit handelt es sich auch um einen kostengünstigen Service, was gerade für kleinere Unternehmen mit einem begrenzten Budget einen entscheidenden Vorteil darstellt.

TensorFlow

Die Trainingszeiten der ML-Modelle lassen sich dank der Cloud-Computing-Fähigkeiten von AWS deutlich verkürzen. Amazon gibt an, dass der eigene Service zum Beispiel die besten Trainingszeiten auf dem Markt bei TensorFlow bietet. Zu den Vorteilen gehört auch, dass die Entwickler auf den reichen Erfahrungsschatz anderer Amazon Machine Learning-Anwender zurückgreifen können. Amazon gehört mit seinem Service zu den Marktführern in diesem Bereich, eine Mehrheit der Deep- Learning-Projekte und Tensor-Flow-Projekte führen die Entwickler weltweit in der Cloud von AWS aus.

P3dn-Instanzen

Durch den Einsatz der eigenen P3dn-Instanzen erreicht Amazon einen besonders schnellen Datendurchsatz und möchte sich in diesem Bereich deutlich von der Konkurrenz absetzen. Dank der Field Programmable Gate Arrays (FPGAs) sind weiterhin benutzerdefinierte Hardwarebeschleunigungen erreichbar.

Amazon S3

Weiterhin stellt Amazon Machine Learning einen Service dar, bei dem ML-Fähigkeiten, Analyse-Services, eine hohe Sicherheit und leistungsfähige Speicher Hand in Hand gehen. Als Speicherlösung setzt Amazon zum Beispiel auf Amazon S3 und Amazon S3 Glacier mit einer besonders hohen Verfügbarkeit. Der Anwender kann sich also darauf verlassen, dass der Service für seine Anwendungen jederzeit bereitsteht. Weiterhin bietet Amazon umfangreiche Sicherheits- und Verschlüsselungsfunktionen an. Das ist wichtig, da es sich um einen Cloud-Service handelt. Es ist daher erforderlich, alle Daten vor der Verarbeitung in die Cloud von AWS zu übertragen. Einige Nutzer könnten hierin durchaus einen Nachteil erkennen. Nicht jedes Unternehmen ist bereit, seine sensiblen Geschäftsdaten auf fremde Server zu übertragen.

Websession: Amazon Machine Learning

Sie haben Fragen zu AWS oder allgemein zum Thema KI-Technik? Vereinbaren Sie eine kostenlose Websession mit uns. Ich freue mich auf den Austausch mit Ihnen.

Websession anfragen

Zielgruppe

Amazon Machine Learning ist für Unternehmen aller Größen interessant. Während große Unternehmen und Konzerne in der Lage sind, eigene KI-Anwendungen zu entwickeln und eigene Deep-Learning-Teams einzusetzen, haben kleine und mittlere Unternehmen häufig nicht genügend Ressourcen hierfür. Amazon Machine Learning ist daher gerade für solche Unternehmen interessant, die sich bisher an das Thema noch nicht herangetraut haben. Amazon setzt die Einstiegshürden bewusst sehr niedrig an und stellt viele Services auch für solche Anwender zur Verfügung, die über keine oder nur geringe Programmiererfahrungen verfügen. So soll ein möglichst großer Kundenkreis von den Möglichkeiten moderner KI profitieren.

Weiterhin ist Amazon Machine Learning nützlich für Betreiber von Webseiten, die ihren Nutzern eine automatische Übersetzungsfunktion oder andere KI-basierte Vorteile anbieten möchten. App-Entwickler nutzen Amazon Machine Learning, um komplexe Funktionen bereitzustellen, die eine automatische Musterkennung voraussetzen.

Fazit

Mit Amazon Machine Learning bietet das US-amerikanische Unternehmen einen umfassenden Service für Anwendungen im Bereich KI und Deep Learning. Amazon setzt auf eine schnelle Datenverarbeitung, eine flexible Bereitstellung aller Services in der Cloud und ein kostengünstiges Angebot. Unternehmen können damit beliebige anfallende Probleme vollautomatisch lösen, ohne eigene IT-Infrastrukturen aufbauen zu müssen. In einem dynamischen Marktumfeld, in dem die meisten Unternehmen sich heute bewegen, ist das ein entscheidender Vorteil. Zudem richtet sich Amazon mit seinem Service ausdrücklich auch an kleine Unternehmen, die ebenfalls vollumfänglich von den Möglichkeiten moderner künstlicher Intelligenz und fortschrittlicher Lern-Algorithmen profitieren sollen.