Amazon SageMaker 是亚马逊云服务提供的一项基于云的机器学习平台，使开发者能够创建、训练和部署机器学习模型。该平台于2017年11月在AWS re:Invent大会上推出，支持从预训练模型到自定义算法的多种抽象层级，并可将模型部署到嵌入式系统和边缘设备。SageMaker 与其他 AWS 服务集成，为机器学习工作流提供了全面的环境。
该平台旨在简化机器学习生命周期，提供托管基础设施、内置算法和交互式开发接口。它已随着自动扩展、强化学习以及模型向边缘设备部署等功能而不断演进，使其成为新手和经验丰富的从业者的通用工具。
功能
SageMaker 在多个抽象层级上运行。在最高层级，它提供可直接部署的预训练机器学习模型，减少了对自定义训练的需求。它还提供内置的机器学习算法，开发者可以使用自己的数据进行训练，涵盖分类、回归和聚类等常见任务。对于更专业的需求，该平台提供 TensorFlow 和 Apache MXNet 的托管实例，允许开发者从头创建自定义算法。
与其他 AWS 服务的集成是其关键优势之一。开发者可以将 SageMaker 模型连接到 Amazon DynamoDB 以进行结构化数据存储、AWS Batch 以进行离线批处理，或 Amazon Kinesis 以进行实时数据处理。这种集成支持从数据摄取到模型部署的端到端管道。
开发接口
SageMaker 提供了多种交互接口。Web API 允许远程控制 SageMaker 服务器实例，Amazon 提供包括 Python、JavaScript、Ruby、Java 和 Go 在内的语言 API 绑定。SageMaker Python SDK 可通过 Anaconda 的 conda-forge 渠道获取，托管的 Jupyter Notebook 实例支持交互式编程。2025年12月，宣布了新的无服务器定制功能，支持与 Amazon Nova、Llama、Qwen、DeepSeek 和 GPT-OSS 等 AI 模型进行交互。
历史与特性
SageMaker 于2017年11月29日在 AWS re:Invent 上推出。关键里程碑包括：
- 2018年2月27日：支持托管的 TensorFlow 和 MXNet 深度神经网络训练与推理。
- 2018年2月28日：模型推理自动扩展到多个服务器实例。
- 2018年7月13日：支持循环神经网络训练、word2vec、多类线性学习器以及使用 LARS 的 Chainer 分布式训练。
- 2018年7月17日：AWS Batch Transform 用于高吞吐量非实时推理。
- 2018年11月8日：Object2Vec 词嵌入训练与推理。
- 2018年11月27日：SageMaker Ground Truth 通过 Mechanical Turk、第三方供应商或员工使用人工标注者进行数据标注。
- 2018年11月28日：SageMaker Reinforcement Learning 用于大规模开发强化学习模型，以及 SageMaker Neo 用于将模型部署到智能手机和智能摄像头等边缘设备。
- 2018年11月29日：AWS Marketplace for SageMaker，使第三方开发者能够买卖机器学习模型。
- 2019年1月27日：SageMaker Neo 作为开源软件发布。
这些功能扩展了 SageMaker 的实用性，使其成为 AWS AI 产品中的核心工具。
与 AWS 生态系统的集成
SageMaker 是更广泛的 AWS AI 技术栈的一部分，该技术栈包括 Amazon Lex、Amazon Polly 和 Amazon Rekognition 等服务。它还与AWS Trainium相关，这是 AWS 用于机器学习训练的自定义芯片，可在 SageMaker 中使用以实现经济高效的训练。该平台与其他 AWS 服务的集成使开发者能够构建利用云全部功能的复杂机器学习应用。