Amazon SageMaker
Amazon Web Services (AWS)
Managed ML Platform von AWS. Jupyter Notebooks, AutoML, Built-in Algorithms, Model Registry. Tiefe AWS-Integration für Datenquellen (S3, RDS, etc.).
Kosten: Pay-as-you-go für Compute und Storage; typischerweise 100–500 EUR/Monat für Modelltraining und Inference
Stärken
- Gut für Unternehmen bereits auf AWS
- Umfangreiche Built-in ML-Algorithmen
- Jupyter Notebooks integriert
- EU-Datenhosting möglich (Frankfurt)
- Pre-trained Models für häufige Aufgaben
Einschränkungen
- Cloudgebunden — keine On-Premise
- Komplexe Preisgestaltung (schwer vorherzusagen)
- Weniger Flexibilität als lokale Python
- Erfordert AWS-Kenntnisse
Passt gut zu
Kurzfazit
SageMaker ist AWS’ Antwort auf Azure ML — praktisch und integriert, wenn du ohnehin auf AWS bist. Wie Azure ML: funktional, aber teuer und Cloud-gebunden.
So steigst du ein
Schritt 1: AWS-Konto mit SageMaker-Zugang.
Schritt 2: SageMaker Notebook Instance starten.
Schritt 3: Daten aus S3 laden, Modell trainieren, deployen.
Ein konkretes Beispiel
ML-Team trainingiert Fehlerdiagnose auf SageMaker. Trainingsdaten in S3 gespeichert, Modell mit XGBoost (Built-in Algorithm) trainiert, Auto-Scaling Endpoint deployed für Produktionslast. Techniker-App ruft SageMaker Endpoint auf, bekommt Diagnose in <200ms.
Gut kombiniert mit
- AWS S3 (Data Storage)
- AWS RDS (Datenbanken)
- AWS Lambda (Event-driven Inference)
Unser Testurteil
3 von 5 Sternen — gute Lösung für AWS-Shops, aber nicht billiger und nicht unabhängiger als lokale Entwicklung.
Was wir bemerkt haben
- Keine wesentlichen Änderungen bekannt.
Diesen Inhalt teilen:
Empfohlen in 1 Use Cases
Elektrotechnik
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.