Pengantar

Pada dasarnya, machine learning (ML) didesain untuk menyediakan alat dan layanan digital untuk mempelajari data, mengidentifikasi pola, membuat prediksi, lalu bertindak berdasarkan prediksi tersebut. Hampir semua sistem kecerdasan buatan (AI) saat ini dibuat menggunakan ML. ML menggunakan data dalam jumlah besar untuk membuat dan memvalidasi logika keputusan. Logika keputusan ini membentuk dasar “model” AI.

Subset machine learning yang tumbuh cepat adalah AI generatif, yang didukung oleh model-model besar yang telah dilatih sebelumnya pada set data yang luas, yang biasanya disebut sebagai model fondasi (FM). Layanan AWS yang didasarkan pada AI generatif mencakup:

  • Amazon Bedrock (yang memberi Anda cara untuk membangun dan menskalakan aplikasi berbasis AI generatif menggunakan FM)
  • Amazon CodeWhisperer (pendamping pengodean AI yang menghasilkan saran kode dalam waktu nyata berdasarkan komentar Anda dalam bahasa alami dan kode sebelumnya di lingkungan pengembangan terintegrasi Anda)

Panduan keputusan ini akan membantu Anda mengajukan pertanyaan yang tepat, mengevaluasi kriteria serta masalah bisnis, dan menentukan layanan yang paling sesuai dengan kebutuhan Anda.

Dalam waktu kurang dari dua menit, Dr. Werner Vogels, Amazon CTO, menjelaskan cara kerja AI generatif dan cara Anda menggunakannya. Video ini adalah bagian dari diskusi yang lebih panjang antara Dr. Vogels dan Swami Sivasubramanian, AWS vice-president of database, analytics, and ML, tentang lanskap luas AI generatif, alasannya bukan sekadar hype, dan bagaimana AWS membuka luas akses ke bahasa besar serta model fondasi.

Waktu pembacaan

25 menit

Tujuan

Membantu menentukan layanan AWS ML yang paling sesuai dengan kebutuhan Anda.

Tingkat

Pemula

Terakhir diperbarui

26 Juli 2023

Layanan yang dicakup

Amazon Bedrock
Amazon CodeWhisperer
Amazon Comprehend
Amazon Textract
Amazon Translate
Amazon Lex
Amazon Polly
Amazon Transcribe
Amazon Rekognition
Amazon SageMaker

Panduan keputusan lainnya tentang

Analitik
Integrasi aplikasi
Kontainer
Basis data
Strategi pengembangan
Penyimpanan


Pahami

Karena banyak organisasi terus mengadopsi teknologi AI dan ML, pentingnya memahami dan memilih di antara layanan AWS ML tidak dapat dilebih-lebihkan.
 
AWS menyediakan beragam layanan ML yang didesain guna membantu organisasi untuk membangun, melatih, dan men- deploy model ML dengan cepat serta mudah. Layanan ini dapat digunakan untuk memecahkan berbagai masalah bisnis seperti prediksi churn pelanggan, deteksi kecurangan, dan pengenalan gambar serta ucapan.
AWS melakukan pendekatan pada ML sebagai serangkaian lapisan teknologi yang dibangun di atas satu sama lain.
 
Lapisan atas terdiri dari layanan AI. Di sinilah AWS menyematkan ML ke dalam berbagai kasus penggunaan, seperti personalisasi, prakiraan, deteksi anomali, dan transkripsi ucapan.
 
Lapisan tengah terdiri dari layanan AWS ML, termasuk Amazon SageMaker, dan teknologi deep learning (DL). Di sinilah AWS membangun infrastruktur ML, sehingga Anda dapat fokus hanya pada pekerjaan terdiferensiasi dalam membangun model ML.
 
Lapisan bawah terdiri dari layanan AI generatif. AI generatif dapat membuat konten baru, termasuk percakapan, cerita, gambar, video, dan musik. Seperti semua AI, AI generatif didukung oleh model ML, yaitu model yang sangat besar yang telah dilatih sebelumnya pada data dalam jumlah besar dan biasanya disebut sebagai model fondasi.

Selain itu, AWS menawarkan perangkat keras khusus terakselerasi berikut untuk pelatihan dan inferensi ML beperforma tinggi.
 
  • Instans P4d Amazon EC2 dilengkapi dengan GPU NVIDIA A100 Tensor Core, yang sangat cocok baik untuk tugas pelatihan maupun inferensi dalam machine learning. AWS Trainium adalah akselerator ML generasi kedua yang dibuat khusus oleh AWS untuk pelatihan DL lebih dari 100 miliar model parameter.
  • Instans Inf2 Amazon EC2 berbasis AWS Inferentia2 didesain untuk menghasilkan performa tinggi dengan harga terendah di Amazon EC2 untuk aplikasi inferensi DL dan AI generatif Anda.

Pertimbangkan

Saat memecahkan masalah bisnis dengan layanan AWS ML, pertimbangan beberapa kriteria utama dapat membantu memastikan keberhasilan. Bagian berikut menguraikan beberapa kriteria utama yang perlu dipertimbangkan ketika memilih layanan ML.

  • Langkah pertama dalam siklus hidup ML adalah membingkai masalah bisnis. Memahami masalah yang Anda coba selesaikan sangatlah penting untuk memilih layanan AWS ML yang tepat, karena layanan yang berbeda didesain untuk mengatasi masalah yang berbeda. Penting juga untuk menentukan apakah ML cocok untuk masalah bisnis Anda.

    Setelah menentukan bahwa ML adalah yang paling cocok, Anda dapat mulai dengan memilih dari berbagai layanan AWS AI yang dibuat khusus (di bidang seperti ucapan, penglihatan, dan dokumen).

    Amazon SageMaker menyediakan infrastruktur terkelola penuh jika Anda perlu membangun dan melatih model Anda sendiri. AWS menawarkan berbagai kerangka kerja ML canggih dan pilihan infrastruktur untuk kasus di mana Anda memerlukan model ML yang sangat kustom dan khusus. AWS juga menawarkan banyak set model fondasi populer untuk membangun aplikasi baru dengan AI generatif.

  • Memilih algoritma ML untuk masalah bisnis yang sedang Anda selesaikan tergantung pada tipe data yang Anda kerjakan, serta hasil yang diinginkan. Informasi berikut menguraikan bagaimana tiap-tiap kategori layanan AWS AI/ML utama mendukung Anda untuk bekerja dengan algoritmanya:

    • Layanan AI khusus: Layanan ini menawarkan kemampuan terbatas untuk membuat algoritma ML kustom, karena layanan ini adalah model yang telah dilatih sebelumnya, yang dioptimalkan untuk tugas-tugas spesifik. Anda biasanya dapat mengustomisasi data input dan beberapa parameter, tetapi tidak memiliki akses ke model ML dasar atau kemampuan untuk membangun model Anda sendiri.
    • Amazon SageMaker: Layanan ini memberikan fleksibilitas dan kontrol paling besar atas algoritma ML. Anda dapat menggunakan SageMaker untuk membangun model kustom dengan algoritma dan kerangka kerja Anda sendiri, atau dengan model dan algoritma prabangun yang disediakan oleh AWS. Layanan ini memungkinkan kustomisasi dan kontrol tingkat tinggi atas proses ML.
    • Kerangka kerja dan infrastruktur ML tingkat rendah: Layanan ini menawarkan fleksibilitas dan kontrol paling besar atas algoritma ML. Anda dapat menggunakan layanan ini untuk membangun model ML yang sangat mudah dikustomisasi menggunakan algoritma dan kerangka kerjanya sendiri. Namun, penggunaan layanan ini membutuhkan keahlian ML yang signifikan dan mungkin tidak bisa dilakukan untuk semua kasus penggunaan.

  • Jika Anda memerlukan titik akhir privat di VPC, opsi Anda akan bervariasi berdasarkan lapisan layanan AWS ML yang Anda gunakan. Opsi ini mencakup:

    • Layanan AI khusus: Sebagian besar layanan AI khusus saat ini tidak mendukung titik akhir privat di VPC. Namun, Amazon Rekognition Custom Labels dan Amazon Comprehend Custom dapat diakses menggunakan titik akhir VPC.
    • Layanan AI inti: Amazon Translate, Amazon Transcribe, dan Amazon Comprehend semuanya mendukung titik akhir VPC.
    • Amazon SageMaker: SageMaker menyediakan dukungan bawaan untuk titik akhir VPC, sehingga Anda dapat men-deploy model terlatihnya sebagai titik akhir yang hanya dapat diakses dari dalam VPC-nya.
    • Kerangka kerja dan infrastruktur ML tingkat rendah: Anda dapat men-deploy model di instans Amazon EC2 atau di kontainer dalam VPC Anda, yang memberikan kontrol penuh atas konfigurasi jaringan.

  • Layanan AI tingkat tinggi, seperti Amazon Rekognition dan Amazon Transcribe, didesain untuk menangani berbagai kasus penggunaan dan menawarkan performa tinggi dalam hal kecepatan. Namun, layanan tersebut mungkin tidak memenuhi kebutuhan latensi tertentu.

    Jika Anda menggunakan kerangka kerja dan infrastruktur ML tingkat rendah, sebaiknya gunakan Amazon SageMaker. Opsi ini umumnya lebih cepat daripada membangun model kustom karena layanannya yang terkelola penuh dan opsi deployment yang dioptimalkan. Meskipun model kustom yang dioptimalkan dengan sangat baik mungkin mengungguli SageMaker, model kustom akan membutuhkan keahlian dan sumber daya yang signifikan untuk membangunnya.

  • Akurasi layanan AWS ML bervariasi berdasarkan kasus penggunaan spesifik dan tingkat kustomisasi yang diperlukan. Layanan AI tingkat tinggi, seperti Amazon Rekognition, dibangun di atas model yang terlah dilatih sebelumnya, yang telah dioptimalkan untuk tugas-tugas tertentu dan menawarkan akurasi tinggi dalam banyak kasus penggunaan.

    Dalam beberapa kasus, Anda dapat memilih untuk menggunakan Amazon SageMaker, yang menyediakan platform yang lebih fleksibel dan dapat dikustomisasi untuk membangun dan melatih model ML kustom. Dengan membangun model Anda sendiri, Anda mungkin dapat mencapai akurasi yang lebih tinggi daripada yang mungkin dapat dicapai oleh model yang telah dilatih sebelumnya.

    Anda juga dapat memilih untuk menggunakan kerangka kerja dan infrastruktur ML, seperti TensorFlow dan Apache MXNet, untuk membangun model yang sangat kustom dan menawarkan akurasi setinggi mungkin untuk kasus penggunaan spesifik Anda.

  • AWS membangun model fondasi (FM) dengan mempertimbangkan AI yang bertanggung jawab di setiap tahap proses pengembangannya. Di sepanjang desain, pengembangan, deployment, dan operasi, kami mempertimbangkan berbagai faktor termasuk:

    1. Akurasi (seberapa dekat ringkasan cocok dengan dokumen dasarnya; apakah suatu biografi benar secara faktual)
    2. Keadilan, (apakah output memperlakukan kelompok demografis dengan cara yang sama)
    3. Pertimbangan kekayaan intelektual dan hak cipta
    4. Penggunaan yang tepat (memfilter permintaan pengguna untuk saran hukum, atau diagnosis medis, atau aktivitas ilegal)
    5. Toksisitas (ujaran kebencian, kata-kata kotor, dan penghinaan)
    6. Privasi (melindungi informasi personal dan prompt pelanggan)

    AWS membangun solusi untuk memasukkan masalah ini ke dalam proses yang digunakan untuk memperoleh data pelatihan, ke dalam FM itu sendiri, dan ke dalam teknologi yang digunakan untuk melakukan praproses prompt pengguna dan output pascaproses.

Pilih

Setelah Anda mengetahui kriteria yang akan digunakan untuk mengevaluasi opsi layanan ML, Anda siap untuk memilih layanan AWS ML yang tepat untuk kebutuhan organisasi Anda.

Tabel berikut menyoroti layanan ML mana yang dioptimalkan untuk keadaan yang mana. Gunakan tabel ini untuk membantu menentukan layanan AWS ML yang paling cocok untuk kasus penggunaan Anda.

Layanan AI/ML dan teknologi pendukung
Kapan Anda akan menggunakannya?
Apa tujuan optimisasi layanan tersebut?
Tutup

Amazon Comprehend

Amazon Comprehend memungkinkan Anda melakukan tugas pemrosesan bahasa alami, seperti analisis sentimen, pengenalan entitas, pemodelan topik, dan deteksi bahasa, pada data teks Anda.

Tutup

Amazon Lex

Amazon Lex membantu Anda membangun chatbot dan asisten suara yang dapat berinteraksi dengan pengguna pada antarmuka bahasa alami. Amazon Lex menyediakan manajemen dialog prabangun, pemahaman bahasa, dan kemampuan pengenalan suara.

Tutup

Amazon Polly

Gunakan Amazon Polly untuk mengubah teks menjadi ucapan seperti aslinya, sehingga memudahkan dalam membuat aplikasi dan layanan yang mengaktifkan suara.

Tutup

Amazon Rekognition

Amazon Rekognition dirancang agar Anda dapat menambahkan analisis gambar dan video pada aplikasi Anda. Anda memberikan gambar atau video ke API Amazon Rekognition, dan layanan tersebut dapat mengidentifikasi objek, orang, teks, adegan, dan aktivitas. Amazon Rekognition juga dapat mendeteksi konten yang tidak pantas.

Tutup

Amazon Textract

Amazon Textract membantu Anda mengekstraksi teks dan data dari dokumen, formulir, dan tabel yang dipindai, sehingga lebih mudah untuk menyimpan, menganalisis, dan mengelola data tersebut.

Tutup

Amazon Transcribe

Amazon Transcribe memungkinkan pelanggan untuk secara otomatis mentranskripsikan rekaman audio dan video ke dalam teks. Hal ini dapat menghemat waktu dan tenaga dibandingkan dengan transkripsi manual.

Tutup

Amazon Translate

Gunakan layanan ini untuk menerjemahkan teks dari satu bahasa ke bahasa lain dalam waktu nyata. Hal ini sangat membantu jika bisnis Anda beroperasi di beberapa negara atau perlu berkomunikasi dengan non-penutur asli.

Gunakan layanan AI inti yang disediakan oleh AWS saat Anda memerlukan fungsionalitas prabangun khusus untuk diintegrasikan ke dalam aplikasi Anda, tanpa perlu penyesuaian ekstensif atau keahlian machine learning.
Dioptimalkan untuk kemudahan penggunaan dan tidak memerlukan banyak pengodean, konfigurasi, atau keahlian ML.
Tutup

Amazon Bedrock

Amazon Bedrock adalah layanan terkelola penuh yang menyediakan model fondasi dari perusahaan rintisan AI terkemuka dan Amazon melalui API, sehingga Anda dapat memilih dari berbagai macam model fondasi untuk menemukan model yang paling sesuai untuk Anda.

Gunakan Amazon Bedrock untuk mendapatkan akses ke model fondasi dari perusahaan rintisan AI terkemuka dan Amazon melalui API.
Dioptimalkan untuk fleksibilitas - memungkinkan Anda memilih dari berbagai FM untuk menemukan model terbaik untuk kebutuhan Anda.
Tutup

Amazon CodeWhisperer

Amazon CodeWhisperer adalah pendamping pengodean AI waktu nyata yang membantu dalam pembuatan kode untuk tugas tidak terdiferensiasi yang rutin atau memakan waktu, bekerja dengan API atau SDK yang tidak dikenal, memanfaatkan API AWS dengan benar dan efektif, dan skenario pengodean umum lainnya seperti membaca dan menulis file, pemrosesan gambar, serta menulis pengujian unit.

Gunakan Amazon CodeWhisperer saat Anda membutuhkan rekomendasi kode yang didukung ML dalam waktu nyata.
Dioptimalkan untuk memberi Anda saran yang berguna dalam waktu nyata, berdasarkan kode dan komentar Anda yang ada.
Tutup

SageMaker Autopilot

Amazon SageMaker Autopilot dirancang untuk mengurangi pekerjaan berat pembangunan model ML. Anda cukup menyediakan set data dalam bentuk tabel serta memilih kolom target untuk diprediksi, dan SageMaker Autopilot akan secara otomatis mengeksplorasi berbagai solusi untuk menemukan model terbaik. Anda kemudian dapat langsung melakukan deployment model ke produksi dengan sekali klik, atau melakukan iterasi pada solusi yang disarankan untuk lebih meningkatkan kualitas modelnya.

Tutup

SageMaker Canvas

Amazon SageMaker Canvas memberi Anda kemampuan untuk menggunakan machine learning untuk menghasilkan prediksi tanpa perlu menulis kode apa pun.

Tutup

SageMaker Data Wrangler

Amazon SageMaker Data Wrangler menghemat waktu yang diperlukan untuk mengumpulkan serta menyiapkan data berbentuk tabel dan gambar untuk ML. Dengan SageMaker Data Wrangler, Anda dapat menyederhanakan proses penyiapan data dan rekayasa fitur, serta menyelesaikan setiap langkah alur kerja penyiapan data (termasuk pemilihan, pembersihan, eksplorasi, visualisasi, dan pemrosesan data dalam skala besar) dari satu antarmuka visual. 

Tutup

SageMaker Ground Truth

SageMaker Ground Truth adalah layanan terkelola untuk pelabelan data untuk melatih dan meningkatkan model machine learning. Layanan ini memberikan cara yang sangat akurat dan efisien untuk melabeli set data besar dengan menggunakan kombinasi anotator manusia dan algoritma machine learning. SageMaker Ground Truth mendukung berbagai jenis data, termasuk teks, gambar, video, dan audio, serta terintegrasi dengan mulus dengan layanan SageMaker lainnya untuk alur kerja machine learning dari ujung ke ujung.

Tutup

SageMaker JumpStart

SageMaker JumpStart menyediakan model sumber terbuka yang telah dilatih sebelumnya untuk berbagai jenis masalah untuk membantu Anda memulai machine learning. Anda dapat melatih dan menyetel model ini secara bertahap sebelum deployment. JumpStart juga menyediakan templat solusi yang menyiapkan infrastruktur untuk kasus penggunaan umum, dan notebook contoh yang dapat dieksekusi untuk machine learning dengan SageMaker.

Tutup

SageMaker Pipelines

Dengan menggunakan Amazon SageMaker Pipelines, Anda dapat membuat alur kerja ML dengan SDK Python, dan kemudian memvisualisasikan serta mengelola alur kerja Anda menggunakan Amazon SageMaker Studio. Amazon SageMaker Pipelines memungkinkan Anda untuk menyimpan dan menggunakan kembali langkah-langkah alur kerja yang Anda buat di SageMaker Pipelines.

Tutup

SageMaker Studio

Lingkungan pengembangan terintegrasi (IDE) penuh yang memungkinkan pengembang untuk membangun, melatih, dan men-deploy machine learning dalam skala besar. Layanan ini menyediakan antarmuka berbasis web tunggal untuk mengelola seluruh siklus proses machine learning, mulai dari persiapan data dan pelatihan model hingga deployment dan pemantauan. SageMaker Studio juga mendukung alat populer seperti notebook Jupyter, Git, dan TensorFlow, serta menawarkan serangkaian algoritma prabangun untuk kasus penggunaan umum.

Tutup

SageMaker Studio Lab

Amazon SageMaker Studio Lab adalah IDE berbasis cloud untuk belajar dan bereksperimen dengan machine learning menggunakan notebook Jupyter prabangun. Layanan ini meliputi berbagai notebook prabangun yang mencakup banyak topik seperti pengenalan gambar, pemrosesan bahasa alami, dan deteksi anomali.

Gunakan layanan ini saat Anda membutuhkan model machine learning yang lebih kustom atau alur kerja yang melampaui fungsionalitas prabangun yang ditawarkan oleh layanan AI inti.
Dioptimalkan untuk membangun dan melatih model machine learning kustom, pelatihan skala besar pada banyak instans atau klaster GPU, kontrol lebih besar atas deployment model machine learning, inferensi waktu nyata, dan untuk membangun alur kerja ujung ke ujung.
Tutup

Apache MxNet

Apache MXNet adalah kerangka kerja deep learning sumber terbuka yang mendukung banyak bahasa pemrograman, termasuk Python, Scala, dan R. Kerangka kerja ini dikenal akan skalabilitas dan kecepatannya, serta menawarkan berbagai API tingkat tinggi untuk membangun dan melatih jaringan neural, juga API tingkat rendah untuk pengguna tingkat lanjut.

Tutup

Hugging Face di Amazon SageMaker

Hugging Face di Amazon SageMaker adalah pustaka sumber terbuka untuk pemrosesan bahasa alami (NLP) yang menyediakan berbagai model dan alat yang sudah dilatih sebelumnya untuk bekerja dengan data teks. Huggung Face dikenal karena kemudahan penggunaan dan performanya yang tinggi, serta banyak digunakan untuk tugas-tugas seperti klasifikasi teks, analisis sentimen, dan terjemahan bahasa.

Tutup

Pytorch di AWS

PyTorch di AWS adalah kerangka kerja machine learning sumber terbuka yang menawarkan grafik komputasi dinamis dan diferensiasi otomatis untuk membangun dan melatih jaringan neural. PyTorch dikenal karena kemudahan penggunaan dan fleksibilitasnya, serta memiliki komunitas pengembang yang besar dan aktif yang berkontribusi pada pengembangannya.

Tutup

TensorFlow di AWS

TensorFlow adalah kerangka kerja machine learning sumber terbuka yang dikembangkan oleh Google yang banyak digunakan untuk membangun dan melatih jaringan neural. TensorFlow dikenal karena skalabilitas, kecepatan, dan fleksibilitasnya, serta mendukung berbagai bahasa pemrograman termasuk Python, C ++, dan Java. TensorFlow menawarkan berbagai model dan alat prabangun untuk pemrosesan gambar dan teks, serta API tingkat rendah untuk pengguna tingkat lanjut yang memerlukan kontrol lebih besar atas modelnya.

Gunakan kerangka kerja dan infrastruktur ML yang disediakan oleh AWS saat Anda memerlukan fleksibilitas dan kontrol yang lebih besar atas alur kerja machine learning Anda, dan Anda bersedia mengelola sendiri infrastruktur serta sumber daya yang mendasarinya.
Dioptimalkan untuk menyediakan konfigurasi perangkat keras kustom tertentu, akses ke kerangka kerja deep learning yang tidak ditawarkan oleh SageMaker, kontrol lebih besar atas penyimpanan dan pemrosesan data Anda, serta algoritma dan model kustom.
Tutup

AWS Inferentia dan AWS Inferentia2

Akselerator AWS Inferentia generasi pertama mendukung instans Inf1 Amazon Elastic Compute Cloud (Amazon EC2), yang menghasilkan throughput hingga 2,3x lebih tinggi dan biaya per inferensi hingga 70% lebih rendah daripada instans Amazon EC2 yang sebanding. Akselerator AWS Inferentia2 adalah peningkatan dari AWS Inferentia generasi pertama. Inferentia2 memberikan throughput hingga 4x lebih tinggi dan latensi hingga 10x lebih rendah dibandingkan Inferentia.

Tutup

AWS Trainium

AWS Trainium adalah akselerator machine learning (ML) generasi kedua yang dibuat khusus oleh AWS untuk pelatihan deep learning lebih dari 100 miliar model parameter. Setiap instans Trn1 Amazon Elastic Compute Cloud (EC2) men-deploy hingga 16 akselerator AWS Trainium untuk digunakan dalam pelatihan deep learning (DL) di cloud.

Gunakan perangkat keras yang diakselerasi saat Anda ingin mencapai biaya terendah untuk model pelatihan dan perlu menjalankan inferensi di cloud.
Dioptimalkan untuk mendukung deployment model fondasi dalam skala besar yang hemat biaya.

Gunakan

Karena Anda sudah memiliki pemahaman yang jelas tentang kriteria yang perlu Anda terapkan dalam memilih layanan AWS ML, sekarang Anda dapat memilih layanan AWS AI/ML yang dioptimalkan untuk kebutuhan bisnis Anda.

Untuk mengeksplorasi cara menggunakan dan mempelajari selengkapnya layanan yang telah Anda, kami telah menyediakan tiga set jalur untuk mengeksplorasi cara kerja setiap layanan. Set jalur pertama menyediakan dokumentasi mendalam, tutorial praktik langsung, dan sumber daya untuk memulai Amazon Comprehend, Amazon Textract, Amazon Translate, Amazon Lex, Amazon Polly, Amazon Rekognition, dan Amazon Transcribe.

  • Amazon Comprehend

  • Mulai Amazon Comprehend

    Gunakan konsol Amazon Comprehend untuk membuat dan menjalankan tugas deteksi entitas asinkron.

    Mulai tutorial »

    Analisis wawasan dalam teks dengan Amazon Comprehend

    Pelajari cara menggunakan Amazon Comprehend untuk menganalisis dan memperoleh wawasan dari teks.  

    Mulai tutorial »

    Harga Amazon Comprehend


    Jelajahi informasi tentang harga dan contoh Amazon Comprehend.

    Jelajahi panduan »

  • Amazon Textract

  • Memulai Amazon Textract

    Pelajari cara menggunakan Amazon Textract dengan teks berformat untuk mendeteksi kata dan baris kata yang terletak saling berdekatan, serta menganalisis dokumen untuk item seperti teks, tabel, pasangan nilai-kunci, dan elemen pilihan terkait.

    Jelajahi panduan »

    Ekstrak teks dan data terstruktur dengan Amazon Textract

    Pelajari cara menggunakan Amazon Textract untuk mengekstraksi teks dan data terstruktur dari dokumen.




    Mulai tutorial »

    AWS Power Hour: Machine Learning

    Pelajari lebih dalam tentang Amazon Textract di episode ini, habiskan waktu di Konsol Manajemen AWS, dan tinjau contoh kode yang akan membantu Anda memahami cara memaksimalkan API layanan.


    Tonton video »

  • Amazon Translate

  • Memulai Amazon Translate menggunakan konsol

    Cara termudah untuk memulai Amazon Translate adalah dengan konsol agar dapat menerjemahkan beberapa teks. Pelajari cara menerjemahkan hingga 10.000 karakter menggunakan konsol.

    Jelajahi panduan »

    Terjemahkan Teks Antarbahasa di Cloud

    Pada contoh tutorial ini, sebagai bagian dari perusahaan produksi koper internasional, Anda harus memahami pendapat pelanggan tentang produk dalam ulasan yang menggunakan bahasa pasar lokal - bahasa Prancis.  

    Mulai tutorial »

    Harga Amazon Translate


    Jelajahi harga Amazon Translate, termasuk Tingkat Gratis - yang menyediakan 2 juta karakter per bulan selama 12 bulan.


    Jelajahi panduan »

    Percepat alur kerja multibahasa dengan solusi terjemahan yang dapat dikustom

    Jelajahi cara membuat solusi terjemahan terpadu dengan fitur kustomisasi menggunakan Amazon Translate dan layanan AWS lainnya.

    Baca blog »

  • Amazon Lex

  • Panduan Developer Amazon Lex V2


    Jelajahi informasi tentang memulai, cara kerjanya, dan informasi harga untuk Amazon Lex V2.


    Jelajahi panduan »

    Pengantar Amazon Lex


    Kami memperkenalkan layanan percakapan Amazon Lex kepada Anda, dan memandu Anda melalui contoh yang menunjukkan cara membuat bot dan melakukan deployment ke berbagai layanan obrolan.

    Ikuti kursus » (wajib masuk)

    Menjelajahi AI Generatif dalam pengalaman percakapan

    Jelajahi penggunaan AI generatif dalam pengalaman percakapan.


    Baca blog »

  • Amazon Polly

  • Apa itu Amazon Polly?



    Jelajahi gambaran umum lengkap layanan cloud yang mengubah teks menjadi ucapan seperti aslinya, dan dapat digunakan untuk mengembangkan aplikasi agar dapat meningkatkan keterlibatan dan aksesibilitas pelanggan Anda.

    Jelajahi panduan »

    Sorot teks saat diucapkan menggunakan Amazon Polly


    Kami memperkenalkan pendekatan untuk menyoroti teks saat diucapkan guna menambahkan kemampuan visual ke audio di buku, situs web, blog, dan pengalaman digital lainnya.

    Baca blog »

    Buat audio untuk konten dalam berbagai bahasa dengan persona suara TTS yang sama di Amazon Polly

    Kami menjelaskan tentang Teks-ke-Ucapan Neural (NTTS) dan membahas cara berbagai portofolio suara yang tersedia menyediakan sejumlah pembicara yang berbeda-beda dalam bahasa yang didukung, dapat bekerja untuk Anda.

    Baca blog »

  • Amazon Rekognition

  • Apa itu Amazon Rekognition?



    Jelajahi cara menggunakan layanan ini untuk menambahkan analisis gambar dan video ke aplikasi Anda.  

    Jelajahi panduan »

    Rekognition Langsung: Analisis Gambar dan Video Otomatis

    Pelajari cara kerja pengenalan wajah dengan video streaming, beserta contoh kode dan poin penting dengan kecepatan yang dapat disesuaikan sendiri.  

    Mulai tutorial »

    FAQ Amazon Rekognition



    Pelajari dasar-dasar Amazon Rekognition dan cara Amazon Rekognition dapat membantu Anda meningkatkan deep learning dan menganalisis aplikasi secara visual.

    Baca FAQ »

  • Amazon Transcribe
  • Transcribe

    Apa itu Amazon Transcribe?


    Jelajahi layanan pengenalan suara otomatis AWS menggunakan ML untuk mengonversi audio menjadi teks. Pelajari cara menggunakan layanan ini sebagai transkripsi mandiri atau menambahkan kemampuan ucapan-ke-teks ke aplikasi apa pun.

    Jelajahi panduan »

    Harga Amazon Transcribe


    Kami memperkenalkan transkripsi bayar sesuai pemakaian AWS, termasuk opsi model bahasa kustom dan Amazon Transcribe Tingkat Gratis.


    Jelajahi panduan »

    Buat transkrip audio dengan Amazon Transcribe

    Pelajari cara menggunakan Amazon Transcribe untuk membuat transkrip teks file audio yang direkam menggunakan skenario kasus penggunaan dunia nyata untuk pengujian terhadap kebutuhan Anda.

    Mulai tutorial »

    Buat aplikasi streaming Amazon Transcribe

    Pelajari cara membuat aplikasi untuk merekam, mentranskripsi, dan menerjemahkan audio langsung secara waktu nyata, dengan hasil yang dikirim secara langsung melalui email kepada Anda.

    Jelajahi panduan »

Set jalur layanan AWS AI/ML kedua menyediakan dokumentasi mendalam, tutorial praktik langsung, dan sumber daya untuk memulai layanan dalam keluarga Amazon SageMaker.

  • SageMaker

  • Cara kerja Amazon SageMaker

    Jelajahi gambaran umum machine learning dan cara kerja SageMaker.

    Jelajahi panduan »

    Memulai Amazon SageMaker

    Pelajari cara bergabung dengan Domain Amazon SageMaker, yang memberi Anda akses ke Amazon SageMaker Studio dan RStudio di SageMaker. 

    Jelajahi panduan »

    Gunakan Apache Spark dengan Amazon SageMaker

    Pelajari cara menggunakan Apache Spark untuk pra-pemrosesan data dan SageMaker untuk pelatihan serta hosting model. 

    Jelajahi panduan »

    Gunakan kontainer Docker untuk membuat model

    Jelajahi cara Amazon SageMaker memanfaatkan kontainer Docker secara ekstensif untuk tugas build dan runtime. Pelajari cara melakukan deployment citra Docker prabangun untuk algoritma bawaannya dan kerangka kerja deep learning yang didukung, yang digunakan untuk pelatihan dan inferensi.

    Jelajahi panduan »
     

    Kerangka kerja dan bahasa machine learning

    Pelajari cara memulai SageMaker menggunakan Amazon SageMaker Python SDK.



    Jelajahi panduan »

  • SageMaker Autopilot

  • Buat eksperimen Amazon SageMaker Autopilot untuk data tabular

    Pelajari cara membuat eksperimen Amazon SageMaker Autopilot untuk menjelajahi, melakukan pra-pemrosesan, dan melatih berbagai kandidat model pada set data tabular.

    Jelajahi panduan »

    Buat model machine learning secara otomatis


    Pelajari cara menggunakan Amazon SageMaker Autopilot untuk membuat, melatih, dan menyesuaikan model ML secara otomatis, serta melakukan deployment model untuk membuat prediksi.

    Mulai tutorial »

    Jelajahi pemodelan dengan Amazon SageMaker Autopilot melalui notebook contoh ini

    Jelajahi notebook contoh untuk pemasaran langsung, prediksi churn pelanggan, dan cara membawa kode pemrosesan data Anda sendiri ke Amazon SageMaker Autopilot.

    Jelajahi panduan »

  • SageMaker Canvas

  • Mulai menggunakan Amazon SageMaker Canvas


    Pelajari cara mulai menggunakan SageMaker Canvas.

    Jelajahi panduan »

    Hasilkan prediksi machine learning tanpa menulis kode

    Tutorial ini menjelaskan cara menggunakan Amazon SageMaker Canvas untuk membangun model ML dan menghasilkan prediksi yang akurat tanpa menulis satu baris kode.

    Mulai tutorial »

    Pelajari lebih dalam tentang SageMaker Canvas 


    Jelajahi pandangan mendalam tentang SageMaker Canvas dan kemampuan visual tanpa kode ML-nya.

    Baca blog  »

    Gunakan Amazon SageMaker Canvas untuk membuat Model ML pertama Anda

    Pelajari cara menggunakan Amazon SageMaker Canvas untuk membuat model ML agar dapat menilai retensi pelanggan berdasarkan kampanye email untuk produk dan layanan baru.

    Mulai lab »

  • SageMaker Data Wrangler

  • Memulai Amazon SageMaker Data Wrangler

    Jelajahi cara menyiapkan SageMaker Data Wrangler, dan memberikan panduan menggunakan set data contoh yang ada.


    Jelajahi panduan »

    Siapkan data pelatihan untuk machine learning dengan kode minimal

    Pelajari cara menyiapkan data untuk ML menggunakan Amazon SageMaker Data Wrangler.



    Mulai tutorial »

    Lokakarya mendalam tentang SageMaker Data Wrangler

    Pelajari cara menerapkan tipe analisis yang sesuai pada set data Anda untuk mendeteksi anomali dan masalah, gunakan hasil/wawasan yang didapat untuk merumuskan tindakan perbaikan dalam proses transformasi pada set data, serta uji pilihan dan urutan transformasi yang tepat menggunakan opsi pemodelan cepat yang disediakan oleh SageMaker Data Wrangler.

    Mulai lokakarya »

  • SageMaker Ground Truth/Ground Truth Plus

  • Memulai Amazon Groud Truth

    Jelajahi cara menggunakan konsol untuk membuat tugas pelabelan, menetapkan tenaga kerja publik atau swasta, dan mengirim tugas pelabelan ke tenaga kerja Anda. Pelajari cara memantau kemajuan tugas pelabelan.

    Jelajahi panduan »

    Labeli Data Pelatihan untuk Machine Learning

    Pelajari cara menyiapkan tugas pelabelan di Amazon SageMaker Ground Truth guna membuat anotasi data pelatihan untuk model ML Anda.

    Mulai tutorial »

    Memulai Amazon Ground Truth Plus

    Jelajahi cara menyelesaikan langkah-langkah yang diperlukan untuk memulai proyek Amazon SageMaker Ground Truth Plus, meninjau label, dan memenuhi prasyarat SageMaker Ground Truth Plus.  

    Jelajahi panduan »

    Mulai Amazon Ground Truth

    Tonton cara mulai melabeli data Anda dalam hitungan menit melalui konsol SageMaker Ground Truth.

    Tonton video »

    Amazon SageMaker Ground Truth Plus – buat set data pelatihan tanpa kode atau sumber daya internal

    Pelajari tentang Ground Truth Plus, layanan yang siap digunakan, yang menggunakan tenaga kerja ahli untuk memberikan set data pelatihan berkualitas tinggi dengan cepat dan mengurangi biaya hingga 40 persen.

    Baca blog »

  • SageMaker JumpStart

  • Mulai machine learning dengan SageMaker JumpStart

    Jelajahi templat solusi SageMaker JumpStart yang menyiapkan infrastruktur untuk kasus penggunaan umum dan notebook contoh yang dapat dieksekusi untuk machine learning dengan SageMaker.

    Jelajahi panduan »

    Mulai proyek machine learning Anda dengan cepat menggunakan Amazon SageMaker JumpStart

    Pelajari cara mempercepat proyek ML Anda menggunakan model yang telah dilatih sebelumnya dan solusi bawaan yang ditawarkan oleh Amazon SageMaker JumpStart. Anda kemudian dapat melakukan deployment model yang dipilih melalui Notebook Amazon SageMaker Studio.

    Mulai tutorial »

    Dapatkan pengalaman langsung dengan Amazon SageMaker JumpStart melalui lokakarya Hari Imersi ini

    Pelajari cara kemampuan ML kode rendah yang ditemukan di Amazon SageMaker Data Wrangler, Autopilot, dan Jumpstart mempermudah eksperimen yang lebih cepat dan menghadirkan model yang sangat akurat ke bagian produksi.

    Mulai lokakarya »

  • SageMaker Pipelines

  • Memulai Amazon SageMaker Pipelines


    Pelajari cara membuat alur kerja ujung-ke-ujung yang mengelola dan melakukan deployment tugas SageMaker. SageMaker Pipelines dilengkapi dengan integrasi SageMaker Python SDK, sehingga Anda dapat membangun setiap langkah pipeline menggunakan antarmuka berbasis Python.

    Jelajahi panduan »

    Otomatiskan alur kerja machine learning


    Pelajari cara membuat dan mengotomatiskan alur kerja machine learning (ML) ujung-ke-ujung menggunakan Amazon SageMaker Pipelines, Registri Model Amazon SageMaker, dan Amazon SageMaker Clarify.

    Mulai tutorial »

    Cara membuat alur kerja ML yang sepenuhnya otomatis dengan Amazon SageMaker Pipelines

    Pelajari tentang Amazon SageMaker Pipelines, layanan CI/CD ML pertama di dunia yang didesain agar dapat diakses oleh setiap developer dan ilmuwan data. SageMaker Pipelines membawa pipeline CI/CD ke ML, mengurangi waktu pengodean yang diperlukan.

    Tonton video »

  • SageMaker Studio

  • Bangun dan latih model machine learning secara lokal

    Pelajari cara membangun dan melatih model ML secara lokal di dalam Notebook Amazon SageMaker Studio Anda.

    Mulai tutorial »

    Integrasi SageMaker Studio dengan lokakarya EMR

    Pelajari cara memanfaatkan pemrosesan terdistribusi dalam skala besar untuk menyiapkan data dan melatih model machine learning.  

    Mulai lokakarya »

Set jalur layanan AWS AI/ML ketiga menyediakan dokumentasi mendalam, tutorial praktik langsung, dan sumber daya untuk memulai Amazon Bedrock, Amazon CodeWhisperer, AWS Trainium, AWS Inferentia, dan Amazon Titan.

  • Amazon Bedrock

  • Gambaran Umum Amazon Bedrock

    Memahami cara Amazon Bedrock menyediakan model fondasi dari perusahaan rintisan AI terkemuka dan Amazon melalui API, sehingga Anda dapat memilih dari berbagai macam FM untuk menemukan model yang paling sesuai untuk kasus penggunaan Anda.  

    Jelajahi panduan »

    Memperkenalkan alat baru untuk membangun dengan AI generatif di AWS

    Memahami latar belakang pengembangan Amazon Bedrock, alasan kecocokannya dengan pendekatan AWS yang lebih luas untuk AI serta ML - dan bagaimana layanan ini memberikan gambaran umum tentang potensi penggunaan layanan AI generatif AWS.

    Baca blog »

    Menyederhanakan AI generatif

    Dalam video ini, Dr. Werner Vogels, Amazon CTO, dan Swami Sivasubramanian, AWS VP of database, analytics, and ML, berdiskusi membahas lanskap luas AI generatif, alasannya bukan sekadar hype, dan cara AWS membuka luas akses ke bahasa besar serta model fondasi.

    Tonton video »

  • Amazon CodeWhisperer

  • Apa itu Amazon CodeWhisperer?

    Pahami bagaimana CodeWhisperer didesain agar dapat membantu pembuatan kode untuk tugas tidak terdiferensiasi yang rutin atau memakan waktu, bekerja dengan API atau SKD yang tidak dikenal, memanfaatkan API AWS dengan benar serta efektif, dan skenario pengodean umum lainnya seperti membaca serta menulis file, pemrosesan gambar, serta menulis pengujian unit.

    Jelajahi panduan »

    Memulai Amazon CodeWhisperer

    Pelajari cara menyiapkan CodeWhisperer untuk digunakan dengan masing-masing dari empat kemungkinan IDE: AWS Toolkit for JetBrains, AWS Toolkit for Visual Studio Code, Lambda, dan AWS Cloud9.

    Jelajahi panduan »

    Lokakarya Amazon CodeWhisperer

    Pelajari cara membangun aplikasi nirserver yang lengkap dan berbasis peristiwa untuk pengenalan gambar. Dengan bantuan Amazon CodeWhisperer, Anda akan menulis kode Anda sendiri yang berjalan di atas AWS Lambda untuk berinteraksi dengan Amazon Rekognition, Amazon DynamoDB, Amazon SNS, Amazon SQS, Amazon S3, API HTTP pihak ketiga untuk melakukan pengenalan gambar.

    Mulai lokakarya »

  • AWS Trainium

  • Menskalakan pelatihan terdistribusi dengan AWS Trainium dan Amazon EKS

    Pelajari bagaimana Anda dapat memanfaatkan ketersediaan umum instans Trn1 Amazon EC2 yang didukung oleh AWS Trainium—yaitu sebuah akselerator ML yang dibangun secara khusus yang dioptimalkan untuk menyediakan platform beperforma tinggi, hemat biaya, dan dapat diskalakan secara masif untuk melatih model deep learning di cloud.  

    Baca blog »

    Gambaran Umum AWS Trainium

    Pelajari AWS Trainium, akselerator machine learning (ML) generasi kedua yang dibangun secara khusus oleh AWS untuk pelatihan deep learning lebih dari 100 miliar model parameter. Setiap instans Trn1 Amazon Elastic Compute Cloud (EC2) melakukan deployment hingga 16 akselerator AWS Trainium untuk memberikan solusi beperforma tinggi dan berbiaya rendah untuk pelatihan deep learning (DL) di cloud.

    Jelajahi panduan »

    Instans Trainium yang Direkomendasikan

    Jelajahi bagaimana instans AWS Trainium didesain untuk memberikan performa tinggi dan efisiensi biaya untuk beban kerja inferensi model deep learning.



    Jelajahi panduan »

  • AWS Inferentia

  • Gambaran Umum AWS Inferentia

    Pelajari bagaimana akselerator didesain oleh AWS untuk memberikan performa tinggi dengan biaya terendah untuk aplikasi inferensi deep learning (DL) Anda.  

    Jelajahi panduan  »

    AWS Inferentia2 dibangun di atas AWS Inferentia1 dengan memberikan throughput 4x lebih tinggi dan latensi 10x lebih rendah

    Pahami tujuan AWS Inferentia2 dioptimalkan dan jelajahi bagaimana AWS Inferentia2 didesain secara keseluruhan untuk memberikan performa yang lebih tinggi sekaligus menurunkan biaya LLM dan inferensi AI generatif.

    Baca blog »

    Inferensi machine learning menggunakan AWS Inferentia

    Pelajari cara membuat klaster Amazon EKS dengan simpul yang menjalankan instans Inf1 Amazon EC2 dan (secara opsional) men-deploy aplikasi sampel. Instans Inf1 Amazon EC2 yang didukung oleh chip AWS Inferentia, yang dibangun secara khusus oleh AWS untuk menyediakan inferensi beperforma tinggi dan berbiaya paling rendah di cloud.

    Jelajahi panduan »

  • Amazon Titan

  • Gambaran Umum Amazon Titan

    Pelajari bagaimana FM Amazon Titan dilatih sebelumnya pada set data besar, yang menjadikannya model tujuan umum yang kuat. Pelajari cara Anda dapat menggunakannya apa adanya - atau secara pribadi - untuk mengustomisasinya sesuai dengan data Anda sendiri untuk tugas tertentu tanpa menganotasi data dalam volume besar.

    Jelajahi panduan »

Jelajahi

Diagram arsitektur

Diagram arsitektur referensi ini menunjukkan contoh layanan AI dan ML AWS yang digunakan.

Jelajahi diagram arsitektur »

Laporan Resmi

Jelajahi laporan resmi untuk membantu Anda memulai dan mempelajari praktik terbaik dalam memilih dan menggunakan layanan AI/ML.

Jelajahi laporan resmi »

Solusi AWS

Jelajahi solusi yang telah diperiksa dan panduan arsitektur untuk kasus penggunaan umum untuk layanan AI dan ML.

Jelajahi solusi »

Apakah halaman ini membantu?

 Umpan Balik