Amazon SageMaker म्हणजे काय? AWS वर Machine Learning सोप्या भाषेत
SageMaker = AWS वर मोठं ML workshop: notebooks, training jobs, endpoints. शक्तिशाली — आणि meter चालू राहणं सोपं. Cost box दोनदा वाचा.
या chapter मध्ये तुम्ही काय शिकाल
- SageMaker कशासाठी
- Notebooks vs training vs endpoints
- Built-in vs स्वतःचा container
- SageMaker vs Bedrock
- Cost/sandbox warnings
1. रोजचं उदाहरण
हे का लागतं?
Bank ला loan risk score. Notebook, मोठ्या machine वर training, मग milliseconds मध्ये API score.
हे काय आहे?
Amazon SageMaker = ML models build, train, deploy — GPU clusters हाताने बांधायची गरज कमी.
2. मुख्य भाग
| Piece | काय करते | Bill |
|---|---|---|
| Studio / Notebook | Interactive explore | Stop/delete करेपर्यंत |
| Training job | Instance वर fit | Job चालू असताना |
| Endpoint | Live HTTPS model | InService bill — विसरणं सोपं |
| Processing / Batch | Offline / bulk | Job duration |
3. SageMaker vs Bedrock
- SageMaker: तुमच्या data वर train/customize; classic ML + DL.
- Bedrock: तयार foundation models API — base model GPU train नको.
- दोन्ही: Bedrock text; SageMaker custom fraud.
Cost व sandbox
Student account मध्ये notebook/endpoint रात्रभर चालू ठेवू नका. Auto-shutdown. Demo नंतर endpoint delete. मोठे GPU = एका दुपारची मोठी bill — छोटी data + छोटी instance.
4. Interview
प्र. तीन pillars?
Build, train, deploy.
प्र. Artifacts?
बहुतेक S3.
प्र. EC2 DIY का नको?
Images/metrics/scaling patterns.
प्र. Real-time vs batch?
Endpoint vs batch transform.
प्र. Bedrock?
Foundation model API पुरेसं असेल.
घरी करून बघा
- Console मध्ये prices पाहा — create नको.
- एक वाक्य: SageMaker की Bedrock?
थोडक्यात सांगायचं तर
- SageMaker = build/train/deploy.
- Endpoints/notebooks चालू = bill.
- Generative API साठी अनेकदा Bedrock.
- त्याच दिवशी delete.
सराव Tasks
Tokyo Ramen House हा टोकियो मधला रेस्टॉरंट व्यवसाय आहे. Yuki Tanaka त्यांचं IT व cloud काम पाहतात. त्यांचे पैसे JPY मध्ये मोजले जातात आणि AWS resources ap-northeast-1 Region मध्ये चालतात. खालच्या tasks मध्ये तुम्ही या lesson मध्ये शिकलेलं वापरून त्यांची खरी कामं करता. सगळी नावं, account IDs, IP addresses व numbers सरावासाठी काल्पनिक आहेत.
0 / 10
सोपं SageMaker endpoints दाखवा
का: Endpoints ना दर तासाला खर्च येतो; विसरलेले शोधा.
काय करायचं: SageMaker endpoints दाखवा.
- Task वाचा आणि ते कोणत्या AWS service बद्दल आहे ते ठरवा.
- aws लिहा, मग service चं नाव, मग operation (action शब्द).
- प्रत्येक आवश्यक flag (--name) व त्यापुढे task मधली value लिहा.
- Flags कोणत्याही क्रमाने चालतात. Check answer दाबा.
सोपं Bedrock models दाखवा
का: तुमच्या Region मध्ये कोणते foundation models आहेत ते पाहा.
काय करायचं: Amazon Bedrock मधले foundation models दाखवा.
- Task वाचा आणि ते कोणत्या AWS service बद्दल आहे ते ठरवा.
- aws लिहा, मग service चं नाव, मग operation (action शब्द).
- प्रत्येक आवश्यक flag (--name) व त्यापुढे task मधली value लिहा.
- Flags कोणत्याही क्रमाने चालतात. Check answer दाबा.
सोपं /16 मध्ये किती addresses?
का: VPC size ठरवायला ही संख्या लागते.
काय करायचं: Tokyo Ramen House चा VPC 10.27.0.0/16. एकूण किती IP addresses?
- Task मधले numbers लिहून घ्या.
- कागदावर step by step काढा.
- Box मध्ये फक्त final उत्तर लिहा.
- Check answer दाबा.
सोपं SSH चा port
का: Security group rules ला योग्य port हवा.
काय करायचं: SSH साठी security group ने कोणता TCP port उघडावा?
- Task मधले numbers लिहून घ्या.
- कागदावर step by step काढा.
- Box मध्ये फक्त final उत्तर लिहा.
- Check answer दाबा.
सोपं तुम्ही कुठे आहात ते पाहा
का: काही copy किंवा delete करण्याआधी तुम्ही कोणत्या folder मध्ये आहात हे माहीत हवं.
काय करायचं: Yuki Tanaka Tokyo Ramen House च्या server वर login झाले आहेत, पण terminal कोणत्या folder मध्ये आहे ते माहीत नाही. सध्याच्या folder चा path दाखवा.
- हे काम करणारा Linux command शोधा.
- Task ला लागणारे options (उदा. -r, -h) जोडा.
- File नावं, folders किंवा users योग्य क्रमाने लिहा.
- System files/users बदलत असाल तर sudo वापरा. Check answer दाबा.
मध्यम एक Bedrock model allow
का: Apps ना approved model पुरतं मर्यादित ठेवा.
काय करायचं: फक्त arn:aws:bedrock:ap-northeast-1::foundation-model/amazon.nova-lite-v1:0 वर bedrock:InvokeModel allow करा.
- { "Version": "2012-10-17", "Statement": [ ... ] } ने सुरू करा.
- प्रत्येक statement मध्ये Effect, Action व Resource लिहा.
- Task ला लागेल तेवढंच द्या (least privilege).
- Double quotes व commas नीट वापरा. Check answer दाबा.
मध्यम Image मधले labels ओळखा
का: Rekognition photo मधल्या वस्तू ओळखतो.
काय करायचं: s3://tokyoramen-media/shop/p1.jpg (Bucket=tokyoramen-media, Name=shop/p1.jpg) मधले labels ओळखा, कमाल 10.
- Task वाचा आणि ते कोणत्या AWS service बद्दल आहे ते ठरवा.
- aws लिहा, मग service चं नाव, मग operation (action शब्द).
- प्रत्येक आवश्यक flag (--name) व त्यापुढे task मधली value लिहा.
- Flags कोणत्याही क्रमाने चालतात. Check answer दाबा.
मध्यम न वापरलेला endpoint delete करा
का: Test endpoint delete केल्यास तासाचा bill थांबतो.
काय करायचं: tokyoramen-demand-forecast endpoint delete करा.
- Task वाचा आणि ते कोणत्या AWS service बद्दल आहे ते ठरवा.
- aws लिहा, मग service चं नाव, मग operation (action शब्द).
- प्रत्येक आवश्यक flag (--name) व त्यापुढे task मधली value लिहा.
- Flags कोणत्याही क्रमाने चालतात. Check answer दाबा.
अवघड Model ला प्रश्न विचारा
का: Converse अनेक models साठी एकच API shape.
काय करायचं: msgs.json मधल्या messages सह amazon.nova-lite-v1:0 model वर converse call करा.
- Task वाचा आणि ते कोणत्या AWS service बद्दल आहे ते ठरवा.
- aws लिहा, मग service चं नाव, मग operation (action शब्द).
- प्रत्येक आवश्यक flag (--name) व त्यापुढे task मधली value लिहा.
- Flags कोणत्याही क्रमाने चालतात. Check answer दाबा.
अवघड Model endpoint call करा
का: App endpoint ला features पाठवून prediction मिळवतं.
काय करायचं: tokyoramen-demand-forecast endpoint ला input.csv body, content type text/csv सह invoke करा, result out.json मध्ये.
- Task वाचा आणि ते कोणत्या AWS service बद्दल आहे ते ठरवा.
- aws लिहा, मग service चं नाव, मग operation (action शब्द).
- प्रत्येक आवश्यक flag (--name) व त्यापुढे task मधली value लिहा.
- Flags कोणत्याही क्रमाने चालतात. Check answer दाबा.
उजळणी, तुलना आणि मुलाखत cards
हा lesson काही मिनिटांत revise करा. Cards phone वर save करा किंवा PNG download करा. प्रत्येक card वरचा QR हा lesson उघडतो.
अजून cards: Ravi Sir's Cards.