本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# SageMaker Autopilot
<a name="autopilot-automate-model-development"></a>

**重要**  
自 2023 年 11 月 30 日起，Autopilot 的使用者介面將移至 [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html)，作為更新的 [Amazon SageMaker Studio](studio-updated.md) 體驗的一部分。SageMaker Canvas 為分析師和公民資料科學家提供無程式碼功能，例如資料準備、特徵工程、演算法選擇、訓練和調校、推論等。使用者可以利用內建視覺效果和假設分析，探索其資料和不同案例，並透過自動化預測輕鬆產生模型。Canvas 支援各種使用案例，包括電腦視覺、需求預測、智慧搜尋和生成式 AI。  
 [Amazon SageMaker Studio Classic](studio.md) ([Studio](studio-updated.md) 的先前體驗) 的使用者可以繼續使用 Studio Classic 的 Autopilot 使用者介面。具編碼經驗的使用者可以繼續使用任何支援 SDK 中的 [API 參考](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)，以進行技術實作。  
如果您在 Studio Classic 中一直使用 Autopilot，並且想遷移至 SageMaker Canvas，您可能需要將其他許可授予使用者設定檔或 IAM 角色，以建立和使用 SageMaker Canvas 應用程式。如需詳細資訊，請參閱[(選用) 從 Studio Classic 中的 Autopilot 遷移至 SageMaker Canvas](studio-updated-migrate-ui.md#studio-updated-migrate-autopilot)。  
本指南中所有使用者介面相關的指示，均涉及移至 [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) 之前的 Autopilot 獨立功能。遵循這些指示的使用者應使用 [Studio Classic](studio.md)。

Amazon SageMaker Autopilot 是一種功能集，可透過自動化建置和部署機器學習模型 (AutoML) 的程序，簡化並加速機器學習工作流程的各個階段。下頁說明 Amazon SageMaker Autopilot 的重要資訊。

Autopilot 會執行下列可在 Autopilot 上使用的關鍵任務，或是在不同程度的人工指引下使用執行下列關鍵任務：
+ **資料分析和預先處理：**Autopilot 可識別您的特定問題類型、處理缺少值、標準化資料、選取功能，並準備總體資料進行模型訓練。
+ **模型選取：**Autopilot 探索各種演算法，並使用交叉驗證重新取樣技術來產生指標，這些指標根據預先定義的目標指標來評估演算法的預測品質。
+ **超參數最佳化：**Autopilot 可自動化搜尋最佳的超參數組態。
+ **模型訓練與評估：**Autopilot 可自動化訓練和評估各種模型候選項目的程序。它會將資料分割成訓練集和驗證集，使用訓練資料來訓練選取的模型候選項目，並評估驗證集看不到之資料上的效能。最後，它會根據效能對最佳化模型候選項目進行排名，並識別最佳執行模型。
+ **模型部署：**Autopilot 已識別最佳執行模型後，會產生模型成品和公開 API 的端點，提供自動部署模型的選項。外部應用程式可以將資料傳送到端點，並收到相對應的預測或推論。

Autopilot 支援在高達數百 GB 的大型資料集建立機器學習模型。

下圖概述了由 Autopilot 管理的此 AutoML 程序的任務。

![Amazon SageMaker Autopilot AutoML 程序概觀。](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/Autopilot-process-graphic-1.png)


取決於您對機器學習程序和編碼體驗的舒適程度，您可以以不同方式使用 Autopilot：
+ **使用 Studio Classic 使用者介面**，使用者可以選擇無需編寫程式碼的操作體驗，也可以保留一定程度的人為輸入。
**注意**  
只有建立來源是迴歸或分類等問題類型之表格式資料的實驗，才能透過 Studio Classic 使用者介面取得。
+ **使用 AutoML API**，具有編寫程式碼經驗的使用者可以使用提供的 SDK 來建立 AutoML 任務。此方法提供更大的彈性和自訂選項，適用於所有問題類型。

Autopilot 目前支援下列問題類型：

**注意**  
針對涉及表格式資料的迴歸或分類問題，使用者可以在兩個選項之間進行選擇：使用 Studio Classic 使用者介面或 [API 參考](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-reference.html)。  
文字和影像分類、時間序列預測以及大型語言模型的微調等任務，僅能透過 [AutoML REST API](autopilot-reference.md) 第 2 版獨家取得。如果您選擇的語言是 Python，您可以直接參考 [適用於 Python (Boto3) 的 AWS SDK](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker/client/create_auto_ml_job_v2.html) 或 Amazon SageMaker Python SDK 的 [AutoMLV2 物件](https://sagemaker.readthedocs.io/en/stable/api/training/automlv2.html#sagemaker.automl.automlv2.AutoMLV2)。  
偏好使用者介面便利性的使用者，可以使用 [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) 存取預先訓練的模型、生成式 AI 基礎模型，或建立針對特定文字、影像分類、預測需求或生成式 AI 量身打造的自訂模型。
+ 具有表格式資料格式為 CSV 或 Parquet 檔案的**迴歸、二元分類和多類別分類**，其中每一欄都包含具有特定資料類型的特徵，且每一列都包含一個觀察。已接受的欄位資料類型包含由逗號分隔數字字串組成的數字、分類、文字和時間序列。
  + 若要使用 SageMaker API 參考建立 Autopilot 任務做為試驗實驗，請參閱[使用 AutoML API 建立表格式資料的迴歸或分類任務](autopilot-automate-model-development-create-experiment.md)。
  + 若要使用 Studio Classic 使用者介面建立 Autopilot 任務作為試點實驗，請參閱[使用 Studio Classic 使用者介面為表格式資料建立迴歸或分類 Autopilot 實驗](autopilot-automate-model-development-create-experiment-ui.md)。
  + 如果您是想要在 Studio Classic 使用者介面預先設定 Autopilot 實驗的預設基礎結構、網路或安全性參數的管理員，請參閱[設定 Autopilot 實驗的預設參數 (適用於管理員)](autopilot-set-default-parameters-create-experiment.md)。
+ 具有資料格式為 CSV 或 Parquet 檔案的**文字分類**，其中一欄會提供要分類的句子，而另一欄則應提供對應的類別標籤。請參閱 [使用 API 建立用於文字分類的 AutoML 任務](autopilot-create-experiment-text-classification.md)。
+ 具有 PNG、JPEG 或兩者組合等影像格式的**影像分類**。請參閱[使用 AutoML API 建立影像分類任務](autopilot-create-experiment-image-classification.md)。
+ 使用格式化為 CSV 或 Parquet 檔案的時間序列資料進行**時間序列預測**。請參閱[使用 API 建立用於時間序列預測的 AutoML 任務](autopilot-create-experiment-timeseries-forecasting.md)。
+ 使用格式為 CSV 或 Parquet 檔案的資料對大型語言模型 (LLM) 進行微調，以**產生文字**。請參閱[使用 API 建立微調文字生成模型的 AutoML 任務](autopilot-create-experiment-finetune-llms.md)。

此外，Autopilot 透過自動產生顯示每個單獨功能之重要性的報告，協助使用者了解模型如何進行預測。這對影響預測的因素提供透明度和深入分析，風險和合規團隊以及外部監管機構可以使用這些因素。Autopilot 也提供模型效能報告，其中包含評估指標總結、混淆矩陣、接收器操作特性曲線和精確重新呼叫曲線等各種視覺化等。每份報告的具體內容取決於 Autopilot 實驗的問題類型而有所不同。

Autopilot 實驗中最佳模型候選的可解釋性和效能報告適用於文字、圖像和表格資料分類問題類型。

針對迴歸或分類等表格式資料使用案例，Autopilot 透過產生包含用於探索資料並尋找最佳執行模型程式碼的筆記本，提供資料如何編寫以及如何選取、訓練和調校模型候選項目的額外可見性。這些筆記本提供互動式探索環境，可協助您了解各種輸入的影響或在實驗中取得的權衡。您可以自行修改 Autopilot 所提供的資料探勘和候選定義筆記本，進一步實驗較高的執行模型候選項目。

使用 Amazon SageMaker AI，您只需按實際用量付費。根據您的用量，您需要支付 SageMaker AI 或其他 AWS 服務中的基礎運算和儲存資源。如需使用 SageMaker AI 成本的詳細資訊，請參閱 [Amazon SageMaker AI 定價](https://aws.amazon.com/sagemaker/pricing)。

**Topics**
+ [使用 AutoML API 建立表格式資料的迴歸或分類任務](autopilot-automate-model-development-create-experiment.md)
+ [使用 AutoML API 建立影像分類任務](autopilot-create-experiment-image-classification.md)
+ [使用 API 建立用於文字分類的 AutoML 任務](autopilot-create-experiment-text-classification.md)
+ [使用 API 建立用於時間序列預測的 AutoML 任務](autopilot-create-experiment-timeseries-forecasting.md)
+ [使用 API 建立微調文字生成模型的 AutoML 任務](autopilot-create-experiment-finetune-llms.md)
+ [使用 Studio Classic 使用者介面為表格式資料建立迴歸或分類 Autopilot 實驗](autopilot-automate-model-development-create-experiment-ui.md)
+ [Amazon SageMaker Autopilot 範例筆記本](autopilot-example-notebooks.md)
+ [影片：使用 Autopilot 自動化並探索機器學習程序](autopilot-videos.md)
+ [Autopilot 配額](autopilot-quotas.md)
+ [Autopilot 的 API 參考指南](autopilot-reference.md)