人工智能和机器学习的井喷式发展，让机器学习工作负载变得日益丰富，也为云上的机器学习大规模和普世化的应用创造了优渥的土壤。抓住开发者、数据科学家和业务专家对机器学习需求的憧憬，AWS构建了自下而上的端到端机器学习技术堆栈和服务，密集的服务和更加趋向用户当下和未来的功能，让AWS在云上抓住了越来越多用户的“眼球”。
AWS定期向Amazon SageMaker添加新功能，仅2018年AWS就推出了50多项新功能。如Amazon SageMaker Ground Truth用于构建高度精确的带注释的培训数据集，SageMaker RL可帮助用户使用一种强化学习；以及SageMaker Neo，它使开发人员能够训练一次算法并部署在任何硬件上。
这些功能帮助更多的用户来构建了定制的机器学习模型。AWS人工智能服务副总裁 Dr.Matt Wood表示，“AWS不断吸收来自用户的心声来推动机器学习在云上的技术创新，进而将机器学习能力输出给用户，消除它们消除机器学习的障碍。”
在2019 AWS re:Invent峰会上，其机器学习技术堆栈进一步扩展，尤其是Amazon SageMaker服务不仅推出了第一个用于机器学习的全集成开发环境Amazon SageMaker Studio，还进一步发布了五项功能的更新，提供给开发者、数据科学家等一站式的服务。
Amazon SageMaker Studio
Studio是用于机器学习的Web IDE，它用于构建和培训机器学习的工作流程。它不仅是一项云功能，同时在逻辑上与其他的SageMaker功能构成了全集成开发环境，一起为机器学习模型的开发部署提供更高的自动化，集成，调试和监控。例如，企业笔记本，数据集，代码和模型的方式。本质上Studio会成为所有机器学习工具和开始所需的一站式服务。
“随着用户对机器学习应用场景更加细粒度的需求，AWS将机器学习服务的功能进行扩展，Amazon SageMaker同步推出了六项功能正是出于这样的考虑”，AWS首席云计算企业战略顾问张侠进一步说，“这些工具大多数可在Studio的整合环境中运行，也可以将它们用作独立功能使用。”
AWS机器学习服务技术堆栈
Amazon SageMaker Notebooks允许用户在几秒钟内启动弹性机器学习笔记本，并通过单击自动执行笔记本的共享。
Amazon SageMaker Experiments帮助用户可视化并比较机器学习模型的迭代，训练参数和结果。
Amazon SageMaker Debugger为机器学习模型提供实时监控，以提高预测准确性，减少培训时间，并增强模型的可解释性。
Amazon SageMaker Model Monitor可通过概念漂移检测，发现生产中运行的模型性能何时开始偏离原始训练的模型。
Amazon SageMaker Autopilot允许用户将简单数据以CSV文件格式提交，自动生成机器学习模型，并且让使用者了解模型的创建方式，以便随着时间的推移影响其发展。
虎牙作为视频直播技术的领导者，对机器学习在4K直播、直播互动、VR直播等应用场景应用十分看重。虎牙首席技术官赖立高在AWS re:Invent峰会现场接受云智时代采访时表示，“在国内互联网市场中，AI上云一直是大多数互联网企业比较纠结的问题，而SageMaker逐步走向成熟，已经有好的方式解决AI上云的问题。所以未来虎牙将通过自身数据和算法的积累，借助AWS的机器学习服务让AI上云更进一步。”
