Amazon SageMaker ist eine cloudbasierte Machine-Learning-Plattform, die es Entwicklern ermöglicht, Machine-Learning-Modelle (ML) in der Cloud zu erstellen, zu trainieren und bereitzustellen. Sie wurde im November 2017 auf der AWS re:Invent-Konferenz eingeführt und ist Teil von Amazon Web Services (AWS). Die Plattform unterstützt den gesamten ML-Lebenszyklus – von der Datenaufbereitung und Modellerstellung über das Training und die Feinabstimmung bis hin zur Bereitstellung. Darüber hinaus können ML-Modelle auch auf eingebetteten Systemen und Edge-Geräten bereitgestellt werden, was die Nutzung über herkömmliche Cloud-Umgebungen hinaus erweitert.
SageMaker ermöglicht es Entwicklern, auf verschiedenen Abstraktionsebenen zu arbeiten. Auf der höchsten Ebene bietet es vorgefertigte ML-Modelle, die direkt eingesetzt werden können, ohne dass ein individuelles Training erforderlich ist. Darüber hinaus stellt die Plattform integrierte Algorithmen bereit, die Entwickler mit ihren eigenen Daten trainieren können. Für fortgeschrittene Anwender bietet SageMaker verwaltete Instanzen von Frameworks wie TensorFlow und Apache MXNet, mit denen sich maßgeschneiderte Algorithmen von Grund auf entwickeln lassen. Diese Flexibilität macht die Plattform für eine breite Nutzergruppe geeignet – von Einsteigern bis hin zu erfahrenen Data Scientists.
Funktionen
SageMaker lässt sich nahtlos in andere AWS-Dienste integrieren, um einen umfassenden ML-Workflow zu ermöglichen. Beispielsweise können Entwickler ihre Modelle mit Amazon DynamoDB für die Speicherung strukturierter Daten verbinden, AWS Batch für die Offline-Stapelverarbeitung nutzen oder Amazon Kinesis für die Echtzeit-Datenverarbeitung einsetzen. Diese Integrationen ermöglichen eine reibungslose Datenaufnahme, -verarbeitung und Modellbereitstellung innerhalb des AWS-Ökosystems.
Die Plattform bietet außerdem verschiedene Entwicklungsschnittstellen. Über eine Web-API können SageMaker-Serverinstanzen remote gesteuert werden. Darüber hinaus stellt Amazon API-Bindungen für mehrere Programmiersprachen bereit, darunter Python, JavaScript, Ruby, Java und Go. Das SageMaker Python SDK ist über den von der Community gepflegten conda-forge-Kanal von Anaconda verfügbar. Zudem ermöglichen verwaltete Jupyter-Notebook-Instanzen interaktives Programmieren. Im Dezember 2025 wurden neue serverlose Anpassungsfunktionen angekündigt, die eine Schnittstelle zu KI-Modellen wie Amazon Nova, Llama, Qwen, DeepSeek und GPT-OSS bieten und die Möglichkeiten für generative KI-Workloads erweitern.
Geschichte und Entwicklung
SageMaker wurde am 29. November 2017 auf der AWS re:Invent-Konferenz eingeführt. Bereits am 27. Februar 2018 folgte die Unterstützung für verwaltetes Training und Inferenz mit TensorFlow und MXNet für Deep Neural Networks. Am 18. Juli 2018 wurde die automatische Skalierung von Modellinferenzen auf mehrere Serverinstanzen eingeführt, was die Leistung und Zuverlässigkeit verbesserte.
Im Laufe des Jahres 2018 wurde die Plattform kontinuierlich erweitert. Am 13. Juli 2018 kam Unterstützung für das Training rekurrenter neuronaler Netze, word2vec, Multi-Class-Linear-Learner sowie verteiltes Training mit Chainer und Layer-wise Adaptive Rate Scaling (LARS) hinzu. Am 17. Juli 2018 wurde AWS Batch Transform eingeführt, das eine hochdurchsatzfähige, nicht-echtzeitliche Machine-Learning-Inferenz ermöglicht. Später im selben Jahr, am 8. November 2018, folgte die Unterstützung für Training und Inferenz von Object2Vec-Wortvektoren.
Ground Truth und Reinforcement Learning
Am 27. November 2018 wurde SageMaker Ground Truth eingeführt, das Entwicklern die Datenkennzeichnung erleichtert. Es ermöglicht die Nutzung menschlicher Annotatoren über Mechanical Turk, Drittanbieter oder eigene Mitarbeiter. Diese Funktion adressiert einen zentralen Engpass in der ML-Entwicklung: die Datenaufbereitung. Am selben Tag wurde auch SageMaker Reinforcement Learning (RL) angekündigt, das Entwicklern und Data Scientists die Entwicklung von Reinforcement-Learning-Modellen in großem Maßstab ermöglicht – etwa für Anwendungen in der Robotik oder im Spielbereich.
Edge-Bereitstellung und Marketplace
Am 28. November 2018 wurde SageMaker Neo vorgestellt, das die Bereitstellung von Deep-Neural-Network-Modellen auf Edge-Geräten wie Smartphones und intelligenten Kameras ermöglicht. Diese Funktion ist entscheidend für KI-Anwendungen, die eine geringe Latenz ohne permanente Cloud-Anbindung erfordern. SageMaker Neo wurde später als Open-Source-Software veröffentlicht, was die Community-Entwicklung und Innovation fördert.
Am 29. November 2018 wurde der AWS Marketplace für SageMaker gestartet. Er ermöglicht es Drittanbietern, Machine-Learning-Modelle zu kaufen und zu verkaufen, die direkt in SageMaker trainiert und bereitgestellt werden können. Dieser Marktplatz schafft ein Ökosystem, in dem Entwickler ihre Modelle teilen und monetarisieren können, was die Einführung von ML in verschiedenen Branchen beschleunigt.
Integration in das AWS-Ökosystem
SageMaker ist tief in das breitere AWS-Ökosystem integriert. Entwickler können andere AWS-Dienste wie AWS Lambda für serverloses Computing, Amazon S3 für Speicherung und IAM für Zugriffskontrolle und Sicherheit nutzen. Diese Integration vereinfacht die Bereitstellung von ML-Modellen in Produktionsumgebungen, da vertraute AWS-Tools und -Workflows verwendet werden können. Darüber hinaus unterstützt SageMaker Deep-Learning-Frameworks und kann mit AWS Trainium-Chips für optimierte Trainingsleistung eingesetzt werden, was die Plattform sowohl für Forschung als auch für Produktionsumgebungen vielseitig macht.
Insgesamt hat sich Amazon SageMaker zu einem Eckpfeiler der Machine-Learning-Angebote von AWS entwickelt. Die Plattform bietet eine skalierbare und flexible Umgebung für Entwickler weltweit. Durch kontinuierliche Weiterentwicklung, einschließlich Unterstützung neuer Modelle und serverloser Optionen, bleibt SageMaker auch im sich schnell verändernden Bereich der KI relevant und zukunftsfähig.