Amazon SageMaker AI ist eine cloudbasierte Plattform für maschinelles Lernen, die es Entwicklern ermöglicht, Modelle für maschinelles Lernen (ML) in der Cloud zu erstellen, zu trainieren und bereitzustellen. Sie wurde im November 2017 auf der AWS re:Invent-Konferenz eingeführt und unterstützt die Bereitstellung von ML-Modellen auf eingebetteten Systemen und Edge-Geräten. Die Plattform ist Teil von Amazon Web Services (AWS) und integriert sich mit anderen AWS-Diensten für Datenspeicherung, Stapelverarbeitung und Echtzeit-Datenströme.
SageMaker bietet Entwicklern mehrere Abstraktionsebenen, die von vorgefertigten Modellen bis hin zu vollständig benutzerdefinierten Algorithmen reichen. Es umfasst integrierte ML-Algorithmen, verwaltete Instanzen von TensorFlow und Apache MXNet sowie Schnittstellen für verschiedene Programmiersprachen. Die Plattform hat sich mit Funktionen wie automatischer Skalierung, bestärkendem Lernen und Edge-Bereitstellungsmöglichkeiten weiterentwickelt.
Funktionen
SageMaker ermöglicht es Entwicklern, beim Trainieren und Bereitstellen von Modellen für maschinelles Lernen auf verschiedenen Abstraktionsebenen zu arbeiten. Auf seiner höchsten Ebene bietet es vorgefertigte ML-Modelle, die ohne weitere Anpassung bereitgestellt werden können. Es bietet auch eine Reihe integrierter ML-Algorithmen, die Entwickler mit ihren eigenen Daten trainieren können und gängige Aufgaben wie Klassifikation, Regression und Clusteranalyse abdecken.
Die Plattform bietet verwaltete Instanzen von TensorFlow und Apache MXNet, mit denen Entwickler ihre eigenen ML-Algorithmen von Grund auf erstellen können. Diese Flexibilität unterstützt sowohl maschinelles Lernen als auch Deep Learning-Workflows. Entwickler können SageMaker-fähige ML-Modelle mit anderen AWS-Diensten verbinden, wie Amazon DynamoDB für strukturierte Datenspeicherung, AWS Batch für Offline-Stapelverarbeitung oder Amazon Kinesis für Echtzeitverarbeitung.
Entwicklungsschnittstellen
Für die Interaktion mit SageMaker stehen Entwicklern verschiedene Schnittstellen zur Verfügung. Eine Web-API kann eine SageMaker-Serverinstanz fernsteuern. Während die API unabhängig von der vom Entwickler verwendeten Programmiersprache ist, bietet Amazon SageMaker-API-Bindungen für mehrere Sprachen, darunter Python, JavaScript, Ruby, Java und Go. Das SageMaker Python SDK ist über den von der Community betriebenen conda-forge-Kanal von Anaconda zugänglich.
SageMaker bietet auch verwaltete Jupyter-Notebook-Instanzen für die interaktive Programmierung von SageMaker und anderen Anwendungen. Im Dezember 2025 wurde eine neue serverlose Individualisierung in SageMaker AI angekündigt, um mit KI-Modellen wie Amazon Nova, Llama, Qwen, DeepSeek und GPT-OSS zu interagieren und so die Unterstützung für generative KI-Workloads zu erweitern.
Geschichte und Funktionen
SageMaker wurde am 29. November 2017 auf der AWS re:Invent-Konferenz eingeführt. Die frühe Entwicklung konzentrierte sich auf die Erweiterung der Trainings- und Inferenzfunktionen:
- 27.02.2018: Verwaltetes Training und Inferenz für tiefe neuronale Netze mit TensorFlow und MXNet wurde innerhalb von SageMaker unterstützt.
- 28.02.2018: SageMaker skaliert Modellinferenz automatisch auf mehrere Serverinstanzen.
- 13.07.2018: Unterstützung wurde hinzugefügt für das Training rekurrenter neuronaler Netze, Word2vec-Training, Multi-Klassen-Linear-Learner-Training und verteiltes Deep-Neural-Network-Training in Chainer mit Layer-wise Adaptive Rate Scaling (LARS).
- 17.07.2018: AWS Batch Transform ermöglichte hochdurchsatzfähige Nicht-Echtzeit-Inferenz für maschinelles Lernen in SageMaker.
- 08.11.2018: Unterstützung für Training und Inferenz von Object2Vec-Wortembedding wurde eingeführt.
- 27.11.2018: SageMaker Ground Truth wurde gestartet, das es Entwicklern erleichtert, ihre Daten mit menschlichen Annotatoren über Mechanical Turk, Drittanbieter oder eigene Mitarbeiter zu kennzeichnen.
- 28.11.2018: SageMaker Reinforcement Learning (RL) ermöglichte Entwicklern und Datenwissenschaftlern die Entwicklung von Modellen für bestärkendes Lernen in großem Maßstab.
- 28.11.2018: SageMaker Neo ermöglichte die Bereitstellung von Modellen tiefer neuronaler Netze von SageMaker auf Edge-Geräten wie Smartphones und intelligenten Kameras.
- 29.11.2018: Der AWS Marketplace für SageMaker wurde gestartet, der es Drittanbietern ermöglicht, Modelle für maschinelles Lernen zu kaufen und zu verkaufen, die in SageMaker trainiert und bereitgestellt werden können.
- 27.01.2019: SageMaker Neo wurde als Open-Source-Software veröffentlicht.
Integration und Ökosystem
SageMaker integriert sich in das breitere AWS-Ökosystem und ermöglicht es Entwicklern, End-to-End-ML-Pipelines aufzubauen. Es unterstützt Datenanreicherung und andere Vorverarbeitungstechniken, und seine verwaltete Infrastruktur reduziert den betrieblichen Aufwand für das Trainieren und Bereitstellen von Modellen. Die Unterstützung der Plattform für Edge-Bereitstellung über SageMaker Neo adressiert Szenarien, in denen niedrige Latenz oder Offline-Betrieb erforderlich ist, wie bei autonomen Fahrzeugen oder Automobilsystemen.
Die Entwicklung von SageMaker spiegelt breitere Trends in der künstlichen Intelligenz wider, einschließlich der Verschiebung hin zu großen Sprachmodellen und serverlosem Computing. Die Ankündigung vom Dezember 2025 zur serverlosen Individualisierung für Modelle wie Llama und DeepSeek deutet auf eine Bewegung hin zu flexibleren und kostengünstigeren Bereitstellungsoptionen für generative KI-Anwendungen hin.
Integration und Ökosystem
SageMaker integriert sich in das breitere AWS-Ökosystem und ermöglicht es Entwicklern, End-to-End-ML-Pipelines aufzubauen. Es unterstützt Datenerweiterung und andere Vorverarbeitungstechniken, und seine verwaltete Infrastruktur reduziert den betrieblichen Aufwand für das Training und die Bereitstellung von Modellen. Die Unterstützung der Plattform für Edge-Bereitstellung durch SageMaker Neo adressiert Szenarien, in denen niedrige Latenz oder Offline-Betrieb erforderlich ist, wie bei autonomen Fahrzeugen oder Automobilsystemen.
SageMakers Entwicklung spiegelt breitere Trends in der künstlichen Intelligenz wider, einschließlich der Verschiebung hin zu großen Sprachmodellen und serverlosem Computing. Die Ankündigung vom Dezember 2025 zur serverlosen Individualisierung von Modellen wie Llama und DeepSeek deutet auf eine Bewegung hin zu flexibleren und kostengünstigeren Bereitstellungsoptionen für generative KI-Anwendungen hin.