Avaliações e Detalhes do Produto de Amazon Sagemaker Ground Truth

Do ponto de vista do usuário, quase todos os recursos fornecidos pelos serviços de Aprendizado de Máquina da Amazon são incríveis. Nessa lista, se olharmos para o SageMaker Ground Truth, ele reduz o custo significativo de execução de um modelo de Aprendizado de Máquina na nuvem por sua capacidade avançada de rotulagem automática. Além disso, reduz a interação humana quando se trata de rotulagem de dados em uma quantidade significativa. Análise coletada por e hospedada no G2.com.

De acordo com nossa observação ao usar o SageMaker Ground Truth, ele tem um desempenho significativamente melhor do que qualquer outra solução de ML. Portanto, nada a reclamar. Análise coletada por e hospedada no G2.com.

Very easy to use and deploy the Machine learning models and API managment is very easy. Very easy to connect to Docker. Análise coletada por e hospedada no G2.com.

Pricing is a little on the high side when running high amount of labels. Endpoint cannot be turned off and thus wastes memory. Análise coletada por e hospedada no G2.com.

Great understable UX for the labeler, with time restrictions and being able to pick up wherever left off Análise coletada por e hospedada no G2.com.

The labelers cannot track how many objects are pending in the project if they don't have access to the AWS console. Hard to match PII to Labeler ID to track per labeler contribution/progress. Análise coletada por e hospedada no G2.com.

Fácil com o qual podemos implantar e monitorar nossos modelos de aprendizado de máquina usando o endpoint do Sagemaker. Análise coletada por e hospedada no G2.com.

O endpoint do Sagemaker não pode ser desligado, consumindo assim recursos e dinheiro desnecessários às vezes. Análise coletada por e hospedada no G2.com.

Eu gostei da facilidade de uso do produto. Boa quantidade de opções; eu gosto de como ele suporta contêineres Docker e gerenciamento de API. É muito fácil de configurar e integrar com outros serviços. Também é muito bom que ele suporte múltiplos frameworks. Provavelmente a melhor ferramenta no mercado atualmente usada para aprendizado de máquina. Análise coletada por e hospedada no G2.com.

Quando executa o produto em uma grande quantidade de etiquetas; o preço fica realmente alto. Demora um pouco para configurar e entender por conta própria quando você não está acostumado com produtos da Amazon. A integração com a AWS pode demorar um pouco para se acostumar se você estiver tentando usar outros produtos além da AWS. Opções muito limitadas ao escolher algo diferente da plataforma AWS. Análise coletada por e hospedada no G2.com.

O serviço AWS SageMaker Ground Truth é a melhor e única solução sobre isso. Ele usa um serviço de IA para prever rótulos a partir de dados.

O serviço não promete resolver todos os rótulos. Dados não rotulados podem ser usados para crowdsourcing. Como no serviço Amazon Turk, você pode atribuir seus dados a pessoas em todo o mundo que tentam prever rótulos. O SageMaker Ground Truth pode reduzir seus custos de rotulagem em até 70% usando rotulagem automática. Análise coletada por e hospedada no G2.com.

Por ser um serviço muito novo e único, não podemos dar nenhum feedback negativo. Análise coletada por e hospedada no G2.com.

Este é um ótimo recurso que você pode usar para organizar dados para a tarefa de aprendizado de máquina. Se você tem muitos dados e não possui as ferramentas necessárias ou poder de computação para adicionar todos os dados; então o AWS SageMaker faz um ótimo trabalho ao permitir que você faça isso. Eu uso isso diariamente no momento para completar tarefas diárias. Análise coletada por e hospedada no G2.com.

Uma coisa que eu não gosto é o preço da ferramenta. Quando você tem muitos dados e toneladas de objetos para inserir; o preço pode aumentar substancialmente. É acessível; mas para uma pequena empresa pode ser um pouco caro quando você começa a lidar com uma grande quantidade de dados. Análise coletada por e hospedada no G2.com.

Esta ferramenta resolve um dos problemas mais populares em mineração de dados e aprendizado de máquina. Ela permite que os usuários etiquetem o conteúdo de cada conjunto de dados, como áudio, bancos de dados com grandes textos, imagens. Essas tarefas tornam a vida muito mais fácil para um cientista de dados. Análise coletada por e hospedada no G2.com.

A configuração é muito difícil e confusa, o tempo para configurar a ferramenta funcionando em produção e o preço são as coisas que eu não gosto. Para um grande volume de dados, a ferramenta é um pouco lenta, mas é compreensível. Análise coletada por e hospedada no G2.com.

Amazon Web Services, the cloud provider service of Amazon, announced the release of AWS SageMaker Ground Truth during the 2019 AWS Re:Invent and with this introduction has moved further in the AI and Machine learning space.

What this service promises to do is help in data labelling - thus reducing cost and time

I like this service because:

1. Traditionally Machine learning requires good size data set which one has to label or acquire. Both are time taking processes. With AWS SageMaker Ground Truth, it will become easy to give the unlabelled dataset with small labelled dataset and it will do the rest. No more using human workers and explain them the process, add their bias into the process. I have done this task before and I know it's not an easy one.

2. Cost: Cost is another one of the issues especially when it comes to hiring those workers for labelling.

This service can build datasets for text, image, object detection etc. This can optionally use active learning to automatically label the data as well. Análise coletada por e hospedada no G2.com.

This is a new service and not many tutorials are there on the website. I had to learn myself using AWS blogposts and self learning so there is a high learning curve.

I don't how much accurate this service might be. Análise coletada por e hospedada no G2.com.

Most of the time is spent labeling data used for training while creating a machine learning model but AWS sage maker cloud truth makes it easier to label this data and use them for training the model. The time taken to label the data reduces significantly. Análise coletada por e hospedada no G2.com.

It can be hard to use for people who do not have any machine learning experience. After the data is labeled by AWS SageMaker Ground Truth it has to be validated that the data has been labeled correctly. Some of the labels is inaccurate and they have to be corrected. This might take more time than expected sometimes. Análise coletada por e hospedada no G2.com.