Amazon SageMaker是一个基于云端的机器学习平台，允许开发者在云端创建、训练和部署机器学习（ML）模型。该平台于2017年11月在AWS re:Invent大会上推出，是Amazon Web Services（AWS）的一部分，支持完整的ML生命周期，从数据标注和模型构建到训练、调优和部署。该平台还可以在嵌入式系统和边缘设备上部署ML模型，将其用途扩展到传统云环境之外。
SageMaker使开发者能够在多个抽象级别上操作。在最高级别，它提供预训练的ML模型，可以直接部署，从而减少自定义训练的需求。它还提供内置的ML算法，开发者可以使用自己的数据训练这些算法，以及TensorFlow和Apache MXNet等框架的托管实例，用于从头创建自定义算法。这种灵活性使其适用于从初学者到经验丰富的数据科学家等广泛用户群体。
功能
SageMaker与其他AWS服务集成，提供全面的ML工作流。例如，开发者可以将其模型连接到Amazon DynamoDB以进行结构化数据存储，连接到AWS Batch以进行离线批处理，或连接到Amazon Kinesis以进行实时数据处理。这种集成允许在AWS生态系统中无缝进行数据摄取、处理和模型部署。
该平台还支持多种开发接口。Web API可以远程控制SageMaker服务器实例，Amazon为多种编程语言提供API绑定，包括Python、JavaScript、Ruby、Java和Go。SageMaker Python SDK可通过Anaconda的社区主导的conda-forge渠道访问，托管Jupyter Notebook实例允许交互式编程。2025年12月，宣布了新的无服务器自定义功能，用于与Amazon Nova、Llama、Qwen、DeepSeek和GPT-OSS等AI模型交互，扩展了其对生成式AI工作负载的能力。
历史与发展
SageMaker于2017年11月29日在AWS re:Invent大会上推出。不久后，在2018年2月27日，它增加了对托管TensorFlow和MXNet深度神经网络训练和推理的支持。次日，它引入了模型推理到多个服务器实例的自动扩展，提高了性能和可靠性。
在整个2018年，SageMaker显著扩展。2018年7月13日，它增加了对循环神经网络训练、word2vec训练、多类线性学习器训练以及使用层自适应速率缩放（LARS）的Chainer分布式深度神经网络训练的支持。2018年7月17日，AWS Batch Transform实现了高吞吐量的非实时机器学习推理。同年晚些时候，2018年11月8日，它增加了对Object2Vec词嵌入训练和推理的支持。
Ground Truth与强化学习
2018年11月27日，SageMaker Ground Truth推出，使开发者能够通过Mechanical Turk、第三方供应商或自己的员工使用人工标注员来标注数据。此功能解决了ML开发中的一个关键瓶颈：数据标注。次日，SageMaker强化学习（RL）宣布推出，使开发者和数据科学家能够大规模开发强化学习模型，这对机器人和游戏等应用非常有用。
边缘部署与市场
2018年11月28日，SageMaker Neo推出，允许将深度神经网络模型从SageMaker部署到智能手机和智能摄像头等边缘设备。此功能对于需要低延迟推理且无需持续云连接的人工智能应用至关重要。SageMaker Neo后来于2019年1月27日作为开源软件发布，促进了社区采用和创新。
2018年11月29日，AWS Marketplace for SageMaker推出，使第三方开发者能够购买和销售可在SageMaker中训练和部署的机器学习模型。该市场创建了一个生态系统，开发者可以在其中共享和变现其模型，加速了ML在各行业的采用。
与AWS生态系统的集成
SageMaker与更广泛的AWS生态系统深度集成，允许开发者利用其他服务，如AWS Lambda进行无服务器计算、S3进行存储以及IAM进行安全。这种集成简化了ML模型在生产中的部署，因为开发者可以使用熟悉的AWS工具和工作流。此外，SageMaker支持深度学习框架，并可与AWS Trainium芯片一起使用以优化训练性能，使其成为研究和生产环境的多功能选择。
总体而言，Amazon SageMaker已成为AWS 机器学习产品的基石，为全球开发者提供了一个可扩展且灵活的平台。其持续演进，包括对新模型和无服务器选项的支持，确保其在快速发展的AI领域中保持相关性。