AWS現在讓雲端機器人服務AWS RoboMaker用戶,以Kubeflow來調度機器人機器學習工作流程,透過新發布的Amazon SageMaker增強學習(RL)Kubeflow元件,用戶可創建Kubeflow工作管線,更快地進行實驗和管理機器人機器學習工作流程,且不需要每次為新任務重新建置端到端解決方案。Kubeflow讓用戶在Kubernetes上,簡單地部署機器學習工作流程,並且達到可移植且可擴展的目的。

機器人領域需要整合多種技術,包括辨識、感測、機器學習和增強學習等,才能完成包括組裝、包裝、遞送、環境監測、救援和輔助手術等任務。增強學習是一種新興技術,讓機器人不需要複雜的訓練資料,就能學習複雜的行為,並且在對長期目標進行最佳化的同時,也能良好地做出短期決策。

在AWS中有兩個相關的服務,分別是SageMaker和AWS RoboMaker,分別提供不同角色使用,SageMaker供資料科學家使用,而AWS RoboMaker的使用者則鎖定機器人專家。SageMaker是一個全託管的服務,可以讓用戶快速建構、訓練和部署機器學習模型,SageMaker RL則是建立在SageMaker基礎上,提供好用的增強學習工具,能夠簡單地整合到任何模擬環境,而AWS RoboMaker是一個完整的雲端解決方案,可讓開發人員大規模地模擬、測試和部署機器人應用程式。

要整合Amazon SageMaker和AWS RoboMaker,在機器人開發中結合機器學習工作流程並不容易,為了解決這個問題,AWS現在推出適用於Kubernetes的Amazon SageMaker RL元件,用戶可以在Kubeflow工作管線中使用SageMaker RL元件,來啟動平行化SageMaker訓練和AWS RoboMaker模擬工作。

在Kubeflow工作管線中的SageMaker元件,可以簡單地載入元件,並且使用Kubeflow工作管線SDK描述工作管線,接著SageMaker RL就會開始訓練增強學習代理,而當訓練完成,增強學習代理模型會被儲存在Amazon S3儲存桶中,用戶就可以將模型下載到機器人中,並開始執行任務。

在典型的Kubeflow工作管線中,每個元件都會將用戶邏輯封裝在容器映像檔中,因此用戶可以將程式碼放進自定義容器映像檔中,並將其推送到容器註冊表中,當工作管線執行時,會在Kubeflow的Kubernetes叢集節點上實例化元件容器,便能執行用戶撰寫的邏輯。

但是當用戶在Kubeflow工作管線中使用SageMaker元件,而不是將邏輯封裝在自定義容器中,用戶只需要使用Kubeflow工作管線SDK載入元件,並且描述工作管線,在工作管線執行時,用戶的指令會被轉換成SageMaker工作或部署,這些工作會在SageMaker的全託管基礎設施上執行,因此用戶可以獲得完整的SageMaker好處,包括使用競價型訓練服務和端點自動擴展等。

用戶可以分開調度和模擬用的VPC,因為RL Estimator、AWS RoboMaker以及Kubeflow工作管線元件之間,不需要直接通訊,這些元件會和AWS RoboMaker和SageMaker API互動,但不與工作本身互動。

熱門新聞

Advertisement