亚马逊网络服务公司今天通过新功能增强了其SageMaker人工智能服务，这将使开发人员能够自动化其工作的核心方面。

这位云巨头去年推出了SageMaker，以减少构建AI算法所需的工作量。

该工具作为一个完全托管的平台提供，这意味着用户不必担心管理硬件资源，还提供了简化开发工作流本身的功能。SageMaker的杰出功能之一是可以将其快速集成到应用程序中的一组现成的AI算法。

今天的更新扩大了算法阵容。AWS添加了用于检测可疑IP地址的模型和k-means集群的实现，k-means集群是AI软件中常用的一种基于相似度对图像和其他文件进行排序的方法。该更新还包括名为Object2Vec的通用算法，该算法可用于诸如情感分析之类的任务。

这些模型通过与AWS的Step Functions服务和AirFlow开源项目的集成而加入。两者都是为了自动执行机器学习项目中通常涉及的多步骤数据管理工作流而构建的。

集成应有助于AI开发人员简化其工作中一些更耗时的方面。例如，工程师可以使用Step Functions来整理一个AWS服务中的样本记录，使用它们在SageMaker上训练AI模型，然后将该模型部署到他们公司的云环境中。使用这些集成创建的自动化工作流具有可共享的附加优势。

今天推出的另外两个主要增强功能延续了简化用户工作的主题。两者中最重要的是被称为SageMaker Search的功能，它将使开发人员能够更快地浏览项目的代码库。

“开发成功的ML模型需要持续的实验，尝试新的算法和模型超参数，同时还要观察潜在的微小变化对性能和准确性的影响，” AWS人工智能总经理Matt Woods在博客中解释道。“ SageMaker Search使您可以直接从AWS控制台中，从潜在的数千个Amazon SageMaker模型培训运行中快速找到并评估最相关的模型培训运行。”

搜索功能正在与流行的Git代码管理系统一起提供支持。公司现在可以在GitHub和AWS的竞争CodeCommit服务(也基于Git)中托管SageMaker项目，或者使用其自托管代码存储库。

AWS今天还宣布了 其新版Snowball Edge设备，该设备具有板载图形处理单元。Snowball Edge是针对企业市场的数据传输设备。公司可以向系统加载多达50 TB的信息，然后将其物理发送到AWS数据中心。他们还可以在仍在自己的前提下对信息进行处理。

AWS称为Edge Compute Optimized的新的GPU驱动选项适用于视频分析和机器学习。预计它将在下周参加提供商年度re：Invent会议。在去年的活动中，AWS为其云平台引入了数十种新服务和功能，其中包括SageMaker。