ist die vollständig verwaltete Plattform für maschinelles Lernen von AWS, die Datenannotation, Modelltraining, automatische Parameteroptimierung, Modellbereitstellung und -überwachung abdeckt. Es unterstützt gängige Frameworks wie TensorFlow und PyTorch sowie die integrierte Entwicklungsumgebung SageMaker Studio.

AmazonSageMaker

Kernparameter und Statistiken

Amazon SageMaker ist die vollständig verwaltete Plattform für maschinelles Lernen von AWS, die den gesamten ML-Lebenszyklus von der Datenvorbereitung bis zur Modellinferenz abdeckt. Es handelt sich nicht um ein einzelnes KI-Tool, sondern um ein plattformbasiertes Produkt für ML-Workflows auf Unternehmensebene.

Projekte	Öffentliche Informationen
Offizielle Positionierung	Erstellen, trainieren und implementieren Sie Modelle für maschinelles Lernen in großem Maßstab
Plattformform	Vollständig verwalteter Cloud-Service (Web + API + SDK)
Unterstützte Frameworks	TensorFlow, PyTorch, JAX, Hugging Face, Scikit-learn, XGBoost usw.
Kernkomponenten	SageMaker Studio, Canvas, Data Wrangler, Pipelines, Model Monitor, Clarify
Bereitstellungsoptionen	Echtzeit-Inferenz Serverlose, asynchrone Inferenz, Stapelverarbeitung
Abrechnungsmodell	Pay-per-Use (Berechnung, Speicherung, Inferenz), keine Vorabgebühren
Verfügbarkeitsregionen	Über 30 AWS-Regionen weltweit
Startseite	Vereinigte Staaten (Seattle, Washington)

Plattformpositionierung: SageMaker ist als „Enterprise ML Infrastructure“ positioniert und seine Zielbenutzer sind Organisationen, die bereits ML-Teams haben oder aufbauen. Es handelt sich nicht um ein No-Code-KI-Tool – die Verwendung von SageMaker erfordert ein Team mit ML-Engineering-Fähigkeiten oder über SageMaker Canvas als Low-Code-Einstiegspunkt.

Framework-Unabhängigkeit: SageMaker ist nicht an ein bestimmtes ML-Framework gebunden und unterstützt umfassend optimierte Docker-Container für das Training und die Inferenz gängiger Frameworks wie TensorFlow und PyTorch. Das bedeutet, dass Unternehmen bestehende ML-Workflows auf SageMaker ausführen können, ohne eine Umgestaltung vornehmen zu müssen.

Benutzer- und Markterkennung

Amazon SageMaker ist einer der De-facto-Standards auf dem Markt für ML-Plattformen für Unternehmen.

Kundenstamm: AWS gab auf seiner re:Invent-Konferenz und in Fallstudien Hunderttausende aktive Kunden bekannt, die SageMaker verwenden, darunter große Unternehmen wie Intuit, Thomson Reuters, Siemens, BMW und andere. Die genaue Anzahl der Kunden unterliegt den neuesten offiziellen AWS-Daten.

Marktleistung: In Gartners „Magic Quadrant for Cloud AI Developer Services“ und Forresters „ML Platform Wave“-Berichten befindet sich AWS seit langem im Leaders Quadrant. SageMaker ist branchenweit führend in Bezug auf Marktanteile und Umsatzanteile bei ML-Plattformen.

Community und Ökosystem: SageMaker verfügt über eine große Menge an offizieller Dokumentation, Beispielnotizbüchern, Workshop-Tutorials und AWS-Partnerlösungen. Das Schulungssystem für AWS Certified ML Engineers basiert ebenfalls auf SageMaker.

Kostenvorteil

Die Kostenstruktur von SageMaker entspricht einem typischen Pay-as-you-go-Cloud-Servicemodell – die Abrechnung erfolgt nach Rechenressourcen, Speicher und Inferenzaufrufen.

C-Seite/individuelle Entwicklerperspektive:

• SageMaker Studio Lab: Kostenlos, bietet 15 GB dauerhaften Speicher und begrenzte GPU (~4 Stunden/Start). Geeignet zum persönlichen Lernen und Experimentieren. Es gibt keine zeitliche Begrenzung, aber GPU-Ressourcen werden zahlenden Benutzern Vorrang eingeräumt.
• SageMaker Studio: Die Abrechnung erfolgt nach Nutzung, Notebook-Instanzen werden nach Laufzeit abgerechnet (0,05–5 $+/Stunde, abhängig von den Instanzspezifikationen).

API-/Entwicklerperspektive:

• Training: Abrechnung nach Stunde der Trainingsinstanz (ml.t3.medium ~0,07 $/Stunde, ml.p4d.24xlarge ~32,77 $/Stunde).
• Echtzeit-Inferenz: Abrechnung nach der stündlichen Betriebsgebühr für den Endpunkt + der Inferenzgebühr pro GB verarbeiteter Daten.
• Serverlose Inferenz: Die Abrechnung basiert auf dem Volumen und der Dauer der Inferenzanforderung, keine Grundreservierungsgebühr.
• Automatische Parameteranpassung: Die Abrechnung richtet sich nach den durch die Parameteranpassungsaufgabe verbrauchten Rechenressourcen und es wird eine Servicegebühr für die Parameteranpassung erhoben.

Komponenten	Abrechnungsdimensionen	Typische Preisspanne
Studio-Notizbuch	Instanzstunden	0,07–5 $/Stunde
Trainingsaufgaben	Instanzstunden	0,05–32 $/Stunde
Echtzeit-Inferenzendpunkt	Instanzstunde	0,03–20 $+/Stunde
Serverlose Inferenz	Anfragevolumen + Dauer	~0,18–2,00 $ pro Million Anfragen
Datenanmerkung (Ground Truth)	Anzahl der Objekte + manuelle Anmerkungsgebühr	0,01–0,12 $/Objekt

Unternehmens-/Privatperspektive: SageMaker unterstützt den privaten Netzwerkzugriff über AWS PrivateLink ohne zusätzliche Kosten. Großunternehmen können sich für das Enterprise Discount Program (EDP) anmelden, um Rabatte zu erhalten. SageMaker unterstützt keine Bereitstellung auf einer Nicht-AWS-Infrastruktur.

Versteckte Kosten:

1. Die Speichergebühren (S3 + EBS) während des Trainings können bei großen Datensätzen zu erheblichen Kosten führen.
2. Trainingsaufgaben, bei denen das Debuggen fehlschlägt, verbrauchen zugewiesene Rechenressourcen. Es wird empfohlen, eine Budgetobergrenze und ein Trainings-Timeout festzulegen.
3. Für den Dauerbetrieb von Model Monitor fällt eine Gebühr an.

Hauptfunktionen

• SageMaker Studio: Eine einheitliche integrierte Entwicklungsumgebung (IDE), die die Datenexploration, Modellentwicklung und Schulung im Browser abschließt. JupyterLab-basierte Schnittstelle mit integriertem Code-Editor und Visualisierungstools.
• SageMaker Canvas: Eine codefreie ML-Modellierungsschnittstelle, die es Geschäftsanalysten ermöglicht, Modelle zu trainieren, ohne Code schreiben zu müssen. Unterstützt CSV-Datenimport, Funktionsauswahl, automatisches Modelltraining und Ein-Klick-Bereitstellung.
• SageMaker Data Wrangler: Visuelles Datenvorbereitungstool, das Datenimport, -transformation, Feature-Engineering und Datenqualitätsprüfung unterstützt. Die Konvertierungslogik generiert automatisch Python-Code und wird nahtlos in die Trainingspipeline integriert.
• SageMaker Training & Hyperparameter Tuning: Automatische Orchestrierung von verteiltem Training und automatische Modelloptimierung. Integrierte verteilte Trainingsstrategie (Datenparallelität, Modellparallelität) und automatische Parameteranpassung (Bayes'sche Optimierung, Zufallssuche).
• SageMaker Pipelines: ML-Workflow-Orchestrierung, die die gesamte Verbindung von Datenvorbereitung → Schulung → Bewertung → Bereitstellung abdeckt. Die DAG-basierte Pipeline-Definition unterstützt Versionskontrolle und Wiedergabe.
• SageMaker Model Monitor & Clarify: Dienste zur Modellüberwachung und Interpretierbarkeit. Erkennen Sie automatisch Abweichungen von Inferenzdaten und erstellen Sie Berichte zur Modellinterpretierbarkeit (SHAP-Werte), um Compliance-Audit-Anforderungen zu erfüllen.
• SageMaker JumpStart: Vorab trainierte Modell- und Lösungsbibliothek für die direkte Bereitstellung von Basismodellen (LLM, Stable Diffusion usw.), ML-Lösungsvorlagen und Beispielnotizbüchern.

Modell- und Versionsentwicklung

Die Versionsentwicklung von SageMaker basiert hauptsächlich auf mehreren Service-Updates pro Jahr, und es gibt kein einheitliches Versionsnummernsystem.

2017 (SageMaker-Veröffentlichung)

• re:Invent 2017 veröffentlicht SageMaker und bietet gehostete Notebooks, Schulungen und Bereitstellung.
• Vereinfachen Sie den ML-Workflow und senken Sie die Schwelle des maschinellen Lernens.

2020-2021 (Studio + Automatisierung)

– SageMaker Studio veröffentlicht, um das IDE-Erlebnis zu vereinheitlichen.

• Automatischer ML-Rollout von SageMaker Autopilot, AutoML-Funktionen.
• SageMaker Pipelines GA.

2022–2023 (große Modelle + kostengünstige Inferenz)

• SageMaker JumpStart unterstützt die LLM-Bereitstellung. – SageMaker Serverless Inference veröffentlicht, serverlose Inferenz.
• No-Code-Modellierungserweiterung für SageMaker Canvas.
• SageMaker Ground Truth Plus-Datenanmerkungsdienst.

2024–2026 (HyperPod + eingehende Optimierung)

– SageMaker HyperPod ist für groß angelegtes verteiltes Training freigegeben (unterstützt Hunderte Milliarden Modellparametertraining).

• SageMaker Studio einheitliches UI-Refactoring.
• Inferenzoptimierung, Unterstützung der LLM-Quantisierung und Batch-Optimierung.

Technische Vorteile

Mechanismus: Der wichtigste technische Vorteil von SageMaker ist die tiefe Integration in die AWS-Infrastruktur und das einfache Hosting. Trainingscluster werden automatisch orchestriert (Netzwerk, Speicher, Protokolle, Metriken), sodass keine manuelle Verwaltung von EC2-Clustern erforderlich ist. Inferenzendpunkte verfügen über einen automatischen Lastausgleich, eine automatische Erweiterung und Kontraktion sowie eine integrierte CloudWatch-Überwachung.

Effekt:

• Trainingseffizienz: Implementieren Sie Modellparallelität und Datenparallelität durch die SageMaker Distributed Training Library (SMDDP) und trainieren Sie Hunderte Milliarden Parametermodelle auf GPU-Clustern. Im Vergleich zu selbst erstellten Trainingsclustern reduziert verwaltetes Training die Zeit für die Clusterverwaltung um 60–80 %.
• Inferenzlatenz: SageMaker Inference Accelerator (Inferentia Chip) reduziert die LLM-Inferenzlatenz um 40–50 % und die Kosten um 40 %. Unterstützt die Optimierung der Modellkompilierung und die KV-Cache-Verwaltung.
• Kostenkontrolle: SageMaker-Budgets und Aufgabenpriorisierungsstrategien vermeiden unerwartete Ausgaben. Automatisches Stoppen von Trainingsaufgaben und Spot-Instance-Training reduzieren die Trainingskosten um 60–90 %.

Anwendbare Szenarien: Am besten für Unternehmen geeignet, die AWS bereits nutzen und über ein ML-Engineering-Team verfügen**. Die Hosting-Vorteile von SageMaker zeigen sich am deutlichsten bei groß angelegten Schulungen und einer großen Anzahl von Inferenz-Endpunkt-Szenarien.

Technische Einschränkungen: – Die verteilte Trainingsbibliothek (SMDDP) von SageMaker ist möglicherweise nicht so flexibel wie die verteilte Strategie des nativen Frameworks für nicht standardmäßige Modellarchitekturen. – Serverlose Inferenz hat eine Größenbeschränkung für Modellpakete von 6 MB (einschließlich Abhängigkeiten) und ist nicht für große Modelle geeignet.

• Das Training und die Inferenz von SageMaker bieten standardmäßig keine regionsübergreifende Notfallwiederherstellung, und Sie müssen selbst eine Architektur mit mehreren Regionen erstellen.

Wie man es benutzt

Die relevanten Informationen wurden nicht veröffentlicht. Bitte beachten Sie die offizielle Echtzeitseite.

Produktpreise

Bei der SageMaker-Preisgestaltung handelt es sich um ein Pay-per-Use-Public-Cloud-Modell ohne Vorabkosten.

Komponenten	Abrechnungsmodell	Beschreibung
Studio-Notizbuch	Abrechnung basierend auf den Betriebsstunden der Instanz	Die Abrechnung wird gestoppt, wenn Sie sie stoppen. Sie müssen sie manuell stoppen
Trainingsaufgaben	Pro Instanzstunde + Datendurchsatz	Spot-Instanz spart 60–90 %
Echtzeit-Inferenz	Pro Endpunktinstanzstunde + Bearbeitungsgebühr pro GB	Unterstützung für Auto Scaling
Serverlose Inferenz	Pro Anfrage Volumen und Dauer	Keine Grundreservierungsgebühr
Grundwahrheit	Nach Anzahl der etikettierten Objekte + manuelle Etikettierungsgebühr	Nur Datenkennzeichnungsszenario
Modellmonitor	Entsprechend der Anzahl der Analyseläufe des Überwachungsterminals	Abrechnung nach Überwachungsplan und spezifischem Zeitraum

Detaillierte Preise finden Sie auf der AWS SageMaker-Preisseite: https://aws.amazon.com/sagemaker/pricing/

Anwendungsszenarien

• Enterprise ML Infrastructure: Unternehmen, die AWS bereits nutzen, migrieren ML-Workflows von selbstverwalteten EC2-Clustern zu SageMaker, einer einheitlichen ML-Entwicklungs-, Schulungs- und Bereitstellungsplattform. Ideal für Organisationen, die bereits über ML-Ingenieure und DevOps-Teams verfügen.
• Deep-Learning-Training im großen Maßstab: Trainieren Sie große Sprachmodelle, Empfehlungssysteme oder Computer-Vision-Modelle mit SageMaker HyperPod und verteilten Trainingsbibliotheken. Geeignet für umfangreiche Trainingsaufgaben, die 8+ GPUs erfordern.
• AutoML und Business Analytics: SageMaker Canvas und Autopilot ermöglichen es Geschäftsanalysten, Vorhersagemodelle (z. B. Abwanderungsvorhersagen, Umsatzprognosen) direkt und ohne Programmierkenntnisse zu erstellen. Ideal für mittelständische Unternehmen ohne dedizierte ML-Ingenieure.
• LLM-Bereitstellung und Servitisierung: Stellen Sie Open-Source-Modelle wie Llama, Mistral und Stable Diffusion mit einem Klick über SageMaker JumpStart bereit. Geeignet für Teams, die große Open-Source-Modelle schnell in Dienste umwandeln müssen.

Anwendbare Personen

• ML-Ingenieure und Datenwissenschaftler (am besten geeignet): SageMaker Studio bietet eine vollständige IDE + Schulung + Bereitstellungserfahrung. ML-Ingenieure, die mit dem AWS-Ökosystem vertraut sind, sind am effizientesten.
• DevOps/MLOps-Ingenieure (gut für): SageMaker Pipelines lässt sich in CI/CD integrieren und CloudFormation/Terraform unterstützt Infrastructure-as-Code-Management. Ideal für Teams, die ihren ML-Bereitstellungsprozess standardisieren müssen.
• Business Analyst (geeignet über Canvas): SageMaker Canvas bietet eine Drag-and-Drop-Modellierungserfahrung, um Vorhersagemodelle ohne Programmierung zu generieren. Geeignet für Teams ohne ML-Ingenieure zur vorläufigen Datenexploration.
• Kleines Team oder einzelner Entwickler (Bewertung erforderlich): Die kostenlose Stufe von Studio Lab reicht für persönliches Lernen und kleine Projekte aus, aber die Kosten für umfangreiches Training und langfristige Schlussfolgerungen müssen kontrolliert werden.
• Nicht-AWS-Benutzer (nicht anwendbar): SageMaker ist vollständig an die AWS-Infrastruktur gebunden und kann nicht ohne AWS verwendet werden.

Zusammenfassung und Ausblick

Amazon SageMaker ist ein Produkt auf Infrastrukturebene der ML-Plattform auf Unternehmensebene. Sein Kernwert liegt in der „verwalteten ML-Infrastruktur“ – der Automatisierung mühsamer Aufgaben wie der Schulungsclusterverwaltung, des Betriebs und der Wartung von Inferenzendpunkten sowie der Modellüberwachung, sodass sich das ML-Team auf die Modellentwicklung konzentrieren kann.

Aktuelle Einschränkungen:

1. Durch die vollständige Bindung an das AWS-Ökosystem ist das Risiko einer Anbieterbindung hoch – die Migration in andere Clouds oder lokale Bereitstellungen erfordert viel Refactoring.
2. Die Preisgestaltung ist komplex und die Abrechnung hat viele Dimensionen. Ein unerfahrenes Team kann dazu führen, dass die Kosten außer Kontrolle geraten.
3. Die serverlose Inferenz und der Autopilot von SageMaker weisen immer noch Szenarioeinschränkungen auf und sind nicht für alle Geschäftsszenarien geeignet.
4. Die Leistung der codelosen Modellierung (Canvas/Autopilot) ist normalerweise geringer als bei manuell abgestimmten professionellen Modellen.

Beschaffungs-/Einführungsrisikobewertung: SageMaker ist die bevorzugte Wahl für die ML-Plattformauswahl für Unternehmen, die bereits AWS nutzen. Es wird empfohlen, Studio Lab oder die persönliche Version zur Pilotverifizierung zu verwenden, bevor Sie in die Produktionsumgebung migrieren. Zu den Bedingungen, die vor dem Kauf überprüft werden müssen, gehören: Zusicherung reservierter Instanzen (ob ein bestimmter Instanztyp gesperrt werden soll), Datenexportgebühren (regionsübergreifende Datenübertragung) und SLA-Abdeckung (Entschädigung für Trainingsaufgabenunterbrechungen). Für Unternehmen, die eine Multi-Cloud-Strategie in Betracht ziehen, wird empfohlen, die Modellportabilität von SageMaker zu evaluieren – trainierte Modelle können in ihre eigenen Laufzeitumgebungen exportiert werden, Funktionen wie Pipelines und Monitore, die auf proprietären AWS-Diensten basieren, können jedoch nicht migriert werden.

Verwandte Tools: hugging-face, replicate

So verwenden Sie Amazon SageMaker

Der Zugang zu SageMaker ist die SageMaker-Serviceseite in der AWS-Managementkonsole oder der programmgesteuerte Zugriff über das AWS SDK/CLI.

SageMaker Studio (IDE-Portal): Melden Sie sich bei der AWS-Konsole an → Suchen Sie nach SageMaker → SageMaker Studio → Starten Sie die Studio-App → Erstellen/öffnen Sie ein Notizbuch. Studio lädt AWS-Anmeldeinformationen explizit ohne zusätzliche Konfiguration.

SageMaker Canvas (Low-Code-Eintrag): AWS-Konsole → SageMaker → Canvas → Daten importieren → Zielspalten konfigurieren → Automatisches Training → Vorhersagen abrufen.

API/SDK-Codebeispiel:

„Python Sagemaker importieren aus sagemaker.pytorch PyTorch importieren

Trainingsaufgaben definieren

Schätzer = PyTorch( enter_point='train.py', source_dir='./src', role='', Instanz_Anzahl = 4, Instanz_Typ = 'ml.p4d.24xlarge', Hyperparameter={ 'Epochen': 10, 'Batch-Größe': 64, 'Lernrate': 0,001 }, Framework_version='2.0.1', py_version='py310' ) estimator.fit({'training': 's3:///data'})

Inferenzendpunkt bereitstellen

prädiktor = estimator.deploy( initial_instance_count=2, Instanz_Typ = 'ml.g5.2xlarge' ) „

Start der Trainingsaufgabe: Notebook in Studio erstellen oder importieren → SageMaker Estimator definieren → „.fit()“ aufrufen → SageMaker orchestriert automatisch den Trainingscluster → Protokolle und Metriken können in Echtzeit in Studio angezeigt werden.

Modellbereitstellung: Registrieren Sie das Modell über die SageMaker-Konsole oder das SDK in der Modellregistrierung → Endpunktkonfiguration erstellen → Endpunkt bereitstellen → Automatische Erweiterungs- und Kontraktionsstrategie festlegen.

Versionsinfo

• SageMaker 2026 Q2-Updates ：SageMaker HyperPod erweitert SageMaker Studio mit verbesserter Erfahrung und neuer Modellunterstützung. Einen offiziellen genauen Termin gibt es noch nicht. （~2026-06）
• SageMaker 2025 erfindet Funktionen neu ：SageMaker Studio rekonstruiert SageMaker Canvas vollständig und erweitert SageMaker Pipelines GA. Einen offiziellen genauen Termin gibt es noch nicht. （~2025-12）
• Wichtige Updates für SageMaker 2023 ：Das kostenlose Kontingent von SageMaker Studio Lab führt SageMaker Serverless Inference GA und SageMaker Ground Truth Plus ein. Einen offiziellen genauen Termin gibt es noch nicht. （~2023-04）