Amazon SageMaker Canvas annonce la prise en charge de fonctionnalités complètes de préparation de données

Amazon SageMaker Canvas prend désormais en charge des fonctionnalités complètes de préparation de données optimisées par Amazon SageMaker Data Wrangler. Vous pouvez désormais importer des données tabulaires, des séries temporelles, des images et du texte à partir de plus de 50 sources de données, générer des rapports sur la qualité des données et des informations et transformer les données à l'aide de plus de 300 opérateurs intégrés pour créer et utiliser des modèles d'apprentissage automatique (ML), le tout sans rien écrire. code. Grâce à cette intégration, vous pouvez accélérer la préparation des données pour le ML de quelques semaines à quelques minutes à l'aide de SageMaker Canvas.

L'agrégation, l'analyse et la transformation de grandes quantités de données sont essentielles, mais constituent souvent la partie la plus longue du flux de travail de ML. Le client peut désormais analyser et visualiser rapidement les données pour identifier les problèmes de données susceptibles d'avoir un impact sur la qualité du modèle à l'aide du rapport Data Quality and Insights, nettoyer les données et créer des fonctionnalités pour le ML à l'aide de plus de 300 transformations soutenues par Spark. Les clients peuvent désormais créer un flux visuel de préparation des données dans SageMaker Canvas et importer des données depuis Amazon S3, Amazon Athena, Amazon Redshift, Salesforce Data Cloud, Snowflake et plus de 50 sources de données. Une fois les données préparées, les clients peuvent adapter les étapes de préparation des données pour les exécuter sur des tâches de traitement Spark distribuées, exporter l'ensemble de données pour entraîner des modèles ou prédire les résultats avec des modèles d'apprentissage automatique et de base prêts à l'emploi. Ils peuvent également exporter leur flux de travail de données en tant qu'étape d'un pipeline SageMaker pour concevoir des fonctionnalités, entraîner des modèles ou transformer des données en temps quasi réel pour une inférence dans SageMaker Studio.

Les nouvelles fonctionnalités de préparation des données sont disponibles dans toutes les régions AWS où SageMaker Canvas est pris en charge. Pour plus d'informations, consultez le blog et la documentation technique AWS.