亞馬遜云科技日前宣布Amazon SageMaker Unified Studio已正式可用，這是一套獨立的數據與人工智能（AI）開發環境，也是新一代Amazon SageMaker的核心。這項新產品將多種工具整合至一站式的界面中，為客戶提供一致的開發體驗，不僅能夠節省開發時間，還能簡化訪問控制管理，使數據從業者能夠專注于核心任務——構建高質量的數據分析場景和AI應用。

新一代Amazon SageMaker是亞馬遜云科技在2024 re:Invent全球大會上發布的一個一站式平臺，涵蓋數據、分析和AI等功能。它整合了亞馬遜云科技廣泛應用的機器學習和分析功能，通過統一的工具訪問和數據治理，解決了企業在數據分析和AI應用中面臨的挑戰。它使團隊能夠安全地發現、準備和協作處理數據資產，并在一站式的環境中構建分析和AI應用，加快從數據到價值的轉化過程。

Amazon SageMaker Unified Studio是新一代Amazon SageMaker的核心，這是一個一站式的數據和AI開發環境，用戶可以在其中發現和訪問企業的數據，并使用最適合的工具處理幾乎所有的應用場景。Amazon SageMaker Unified Studio現已正式可用。

Amazon SageMaker Unified Studio的優勢

Amazon SageMaker Unified Studio集成了亞馬遜云科技現有的分析、人工智能與機器學習服務，包括Amazon EMR、Amazon Glue、Amazon Athena、Amazon Redshift、Amazon Bedrock及Amazon SageMaker AI。用戶可以在這個一站式的開發環境中查找、訪問并查詢數據和AI資產，并在項目中高效協作，共享數據、模型和生成式AI應用。通過Amazon SageMaker Catalog，Amazon SageMaker Unified Studio內置的細粒度權限控制等治理功能，幫助用戶滿足企業數據資產的安全要求。

Amazon SageMaker Unified Studio具有統一的數據訪問能力，該功能由Amazon SageMaker Lakehouse提供，這是一個基于Apache Iceberg開放標準構建的統一、開放和安全的數據湖倉庫。無論數據存儲在Amazon Simple Storage Service (Amazon S3)數據湖、Amazon Redshift數據倉庫，還是第三方和整合的數據源中，用戶都可以從單一入口訪問并使用兼容Apache Iceberg的引擎和工具進行處理。此外，Amazon SageMaker Lakehouse現已與Amazon S3 Tables集成，Amazon S3 Tables是首個原生支持Apache Iceberg的云對象存儲服務，用戶能夠使用Amazon SageMaker Lakehouse高效地創建、查詢和處理S3 Tables，既可以使用Amazon SageMaker Unified Studio中的各種分析引擎，也可以使用如Apache Spark和PyIceberg等Apache Iceberg兼容的引擎。

Amazon Bedrock的功能現已在Amazon SageMaker Unified Studio中正式可用，能夠幫助客戶在受管理的環境中快速構建原型、定制和共享生成式AI應用。客戶可以在Amazon SageMaker Unified Studio的界面中使用Amazon Bedrock功能，包括如Claude 3.7、DeepSeek及Amazon Nova等高性能基礎大模型，并能夠通過簡單操作創建 AI助手(Agents)、工作流、知識庫和對大模型生成內容的防護機制(Guardrails)等。

Amazon SageMaker Unified Studio現已集成Amazon Q Developer。Amazon Q Developer是強大的軟件開發生成式AI助手，可在Amazon SageMaker Unified Studio中使用，用于簡化數據和AI開發生命周期中的各項任務，包括代碼編寫、SQL生成、數據發現和問題排查。

全新的工作集成方式

Amazon SageMaker Unified Studio是亞馬遜云科技為客戶提供簡化數據工作方式的又一重要里程碑，無論是用于數據分析還是AI應用。許多客戶正在構建數據驅動型應用來指導業務決策、提高敏捷性和推動創新，但由于這些應用需要跨團隊協作以及整合數據和工具，構建過程十分復雜。客戶不僅需要花費時間學習多種開發環境，而且由于數據、代碼和其他開發資產被分散存儲，要理解各要素資產之間的交互關系并實現協同運作對客戶而言就是一大挑戰。配置和管理權限也是一個繁瑣的手動過程。為了克服這些挑戰，許多企業正在嘗試將各類服務、工具和企業的權限管理系統進行定制化集成。然而，客戶真正需要的是：既能夠靈活采用最適合其使用場景的服務，又能為數據團隊提供一站式的開發體驗。

"在為客戶構建數據驅動型應用時，我們需要一個一站式的平臺，使各種技術能夠以集成的方式協同工作。Amazon SageMaker Unified Studio通過全面的分析功能、一站式的開發環境以及整合數據倉庫和數據湖管理的湖倉架構，簡化了我們的解決方案交付流程。Amazon SageMaker Unified Studio將客戶數據項目的價值實現時間縮短了多達40%，幫助我們加速客戶的數字化轉型進程。"

——NTT DATA解決方案部門負責人鈴江明弘、NTT DATA應用與數據技術部高級經理莊野裕司、NTT DATA數字成功解決方案部經理齊藤優希

數百萬企業信任亞馬遜云科技，并利用我們全面的專門構建的分析、人工智能與機器學習、生成式AI功能來支持數據驅動型應用，同時無需在性能、可擴展性和成本效益之間進行妥協。亞馬遜云科技希望通過新一代Amazon SageMaker（包括Amazon SageMaker Unified Studio）在一站式的開發環境中為企業提供對所有數據和工具的訪問，提升數據和AI從業者的工作效率。

從一站式數據和AI開發環境開始構建

如何通過優化潛在客戶挖掘來提升收入是一個常見的業務挑戰。請想象這樣一個場景：一個企業在其網站上部署智能數字助手來與客戶進行互動，這個過程傳統上需要多個工具和數據源。現在，通過使用Amazon SageMaker Unified Studio，用戶可以在一站式的數據和AI開發環境中完成整個過程。

首先，數據團隊使用Amazon SageMaker Unified Studio中的生成式AI環境快速評估并選擇最適合客戶互動的模型。然后，團隊會創建一個項目來整合用例所需的工具和資源，并在項目中使用Amazon Bedrock構建和部署一個智能虛擬助手，該助手可以快速通過網站篩選潛在客戶。

為了識別最具潛力的機會，團隊制定了客戶分層策略。數據工程師借助Amazon Q Developer識別含有潛在客戶信息的數據集，并通過zero-ETL的方式將數據導入Amazon SageMaker Lakehouse。隨后，數據分析師發現這些數據并創建關于他們業務的全景視圖。他們使用SQL查詢編輯器構建營銷細分表，然后將查詢結果寫回Amazon SageMaker Lakehouse，供其他團隊成員使用。

最后，數據科學家訪問同一數據集，使用Amazon SageMaker AI提供的工具訓練和部署自動化的潛在客戶評分模型。在模型開發階段，他們利用Amazon Q Developer的內聯代碼編寫和問題排查功能，在其JupyterLab notebook中高效編寫無錯誤代碼。最終的模型為銷售團隊提供最具價值的機會，他們可以通過商業智能儀表板直觀查看并立即采取行動。

在一站式的環境中加速實現數據價值

這個示例的非凡之處在于，整個過程都在一個統一的環境中完成。如果沒有Amazon SageMaker Unified Studio，團隊就必須在多個數據源、工具和服務之間切換，花費大量時間學習不同的開發環境、創建資源共享和手動配置權限控制。數據工程師和數據分析師需要在各種數據倉庫、數據湖和分析工具中工作，數據科學家需要在機器學習環境和notebook環境中工作，應用程序開發者則需要在生成式AI工具中工作。現在，他們能夠在一個統一的環境中使用所需的數據和工具進行構建和協作，大大縮短了價值實現時間。

現在Amazon SageMaker Unified Studio已正式可用，通過將分析和AI所需的一切整合在一處，客戶可以更高效地解決復雜的端到端問題，比以往更快地實現創新成果。

豐田是全球領先的汽車制造商之一，豐田內部數據來源分散，涵蓋數據湖、數據庫及第三方數據源，實現數據互聯互通成為其一大挑戰。豐田不僅需要高效整合數據，還需從多個來源快速提取信息，獲取洞察并構建AI模型。Amazon SageMaker Unified Studio為豐田提供數據目錄、MLOps管道和完整的人工智能和機器學習工具集，助力數據科學團隊快速部署模型，并高效共享成果，實現了從數據到業務價值的快速轉化。