{"id":178637,"date":"2026-01-28T12:51:23","date_gmt":"2026-01-28T11:51:23","guid":{"rendered":"https:\/\/liora.io\/de\/?p=178637"},"modified":"2026-02-06T04:35:00","modified_gmt":"2026-02-06T03:35:00","slug":"aws-sagemaker-leitfaden-fuer-die-nutzung-der-plattform","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/aws-sagemaker-leitfaden-fuer-die-nutzung-der-plattform","title":{"rendered":"AWS SageMaker: Leitfaden f\u00fcr die Nutzung der Plattform"},"content":{"rendered":"<p><strong>Amazon SageMaker ist eine von Amazon Web Services (AWS) entwickelte Cloud-Plattform, die besonders f\u00fcr die Data Science n\u00fctzlich ist. Im Folgenden erf\u00e4hrst Du mehr \u00fcber die wichtigsten Funktionen und wie Du die Tools der Plattform von der Entwicklung eines Machine-Learning-Modells bis hin zu dessen Einsatz nutzen kannst.<\/strong><\/p>\n<h2 class=\"wp-block-heading\" id=\"h-einfuhrung-in-amazon-sagemaker\">Einf\u00fchrung in Amazon SageMaker<\/h2>\nAmazon SageMaker ist eine auf Machine Learning basierende Cloud-Plattform, die einen Dienst der Cloud-Plattform <a href=\"https:\/\/liora.io\/de\/aws-zertifizierung-was-ist-das-und-wie-erhalte-ich-sie\">Amazon Web Services (AWS)<\/a> darstellt. AWS verf\u00fcgt \u00fcber zahlreiche Dienste im Internet und kann zur Verwaltung einer Cloud-Anwendung genutzt werden.\n\nSageMaker erm\u00f6glicht es einem Nutzer, Machine-Learning-Modelle in einer Produktionsumgebung in gro\u00dfem Umfang zu erstellen und einzusetzen. So kann ein Datenwissenschaftler mithilfe dieser Plattform auf leistungsf\u00e4hige Werkzeuge zugreifen, um Probleme wie Klassifizierung, Regression, Clustering usw. zu l\u00f6sen. Sagemaker erm\u00f6glicht es Unternehmen, den Entwicklungsprozess ihrer Modelle zu beschleunigen, indem sie die Kosten senken und die betriebliche Effizienz durch seine zahlreichen Funktionen verbessern.\n<h2 class=\"wp-block-heading\" id=\"h-die-wichtigsten-funktionen-von-sagemaker\">Die wichtigsten Funktionen von SageMaker<\/h2>\nZun\u00e4chst einmal hat der Benutzer, um die SageMaker-Plattform zu nutzen, zwei M\u00f6glichkeiten:\n<ul>\n \t<li>Eine Notebook-Instanz \u00fcber die Umgebung von Amazon SageMaker Notebooks Instances verwenden, um Jupyter-Notebooks auszuf\u00fchren. Diese Umgebung enth\u00e4lt g\u00e4ngige Machine-Learning-Bibliotheken und Frameworks.<\/li>\n \t<li><strong>SageMaker Studio<\/strong> ist eine integrierte, cloudbasierte Entwicklungsumgebung f\u00fcr Machine Learning, die es einem Benutzer erm\u00f6glicht, den gesamten Prozess der Modellentwicklung \u00fcber eine Benutzeroberfl\u00e4che mit zahlreichen Tools und erweiterten Funktionen zu verwalten.<\/li>\n \t<li>So besteht beispielsweise das Amazon SageMaker Studio unter anderem aus integrierten Notebooks, aber auch aus Werkzeugen zur Verwaltung von Daten und Modellen (Training, Einsatz und \u00dcberwachung).<\/li>\n \t<li><strong>Amazon SageMaker Studio<\/strong> bietet also eine umfassendere Erfahrung f\u00fcr die Entwicklung von Machine Learning als die SageMaker Notebook-Umgebung. Die Wahl liegt also beim Nutzer und sollte auf das Projekt abgestimmt sein, das er umsetzen m\u00f6chte.<\/li>\n<\/ul>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2026\/01\/image1-6.png\" title=\"\" alt=\"\" loading=\"lazy\"><figcaption><\/figcaption><\/figure>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2026\/01\/image6-1-4.png\" title=\"\" alt=\"\" loading=\"lazy\">\n\n<figcaption><\/figcaption><\/figure>\nSobald das Projekt erstellt ist, stehen dem Benutzer mit dem Sagemaker-Tool eine Vielzahl verschiedener Funktionen zur Verf\u00fcgung, um sein Machine-Learning-Projekt zu entwickeln. Diese Funktionen beinhalten zum Beispiel :\n<ul>\n \t<li>Die <strong>Vorbereitung der Daten.<\/strong><\/li>\n \t<li>Das <strong>Training der Modelle<\/strong> mithilfe von <a href=\"https:\/\/liora.io\/de\/machine-learning-clustering\">Machine-Learning-Algorithmen,<\/a> die von AWS Sagemaker vorkonstruiert wurden, oder durch die Verwendung von g\u00e4ngigen Bibliotheken wie Pytorch, TensorFlow und Scikit Learn.<\/li>\n \t<li>Die <strong>Bereitstellung der Modelle.<\/strong><\/li>\n \t<li>Die <strong>\u00dcberwachung der Modelle<\/strong>, indem die Leistung eines Modells in Echtzeit durch Leistungsanalysen und die Erkennung von Anomalien untersucht wird.<\/li>\n \t<li>Ressourcenmanagement.<\/li>\n<\/ul>\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">Amazon SageMaker lernen<\/a><\/div><\/div>\n\n<h2 class=\"wp-block-heading\" id=\"h-wie-kann-ich-mit-amazon-sagemaker-ein-machine-learning-modell-erstellen-und-einsetzen\">Wie kann ich mit Amazon SageMaker ein Machine-Learning-Modell erstellen und einsetzen?<\/h2>\nUm ein Machine-Learning-Modell mithilfe von SageMaker zu erstellen und in Betrieb zu nehmen, m\u00fcssen die folgenden Schritte in einer bestimmten Reihenfolge ausgef\u00fchrt werden:\n<h3 class=\"wp-block-heading\" id=\"h-1-vorbereitung-der-daten\">1. Vorbereitung der Daten<\/h3>\nDer erste Schritt ist die Vorbereitung der Daten, die mithilfe verschiedener Tools aus der Plattform optimiert werden kann:\n<ul>\n \t<li><strong>Sagemaker Clarify:<\/strong> Dieses Tool ist in der Lage, Verzerrungen in den Trainingsdaten zu erkennen, um sicherzustellen, dass das Modell genau genug ist. Es schl\u00e4gt auch Strategien vor, um diese Verzerrungen zu korrigieren.<\/li>\n \t<li><strong>SageMaker Ground Truth:<\/strong> Dieses Feature wird verwendet, um Datens\u00e4tze zu annotieren, die f\u00fcr das Training von Machine-Learning-Modellen ben\u00f6tigt werden. Dadurch werden die Kosten f\u00fcr die Datenkennzeichnung gesenkt.<\/li>\n \t<li><strong>SageMaker Data Wrangler:<\/strong> Diese Funktion bereinigt, normalisiert und transformiert Rohdaten in einen Datensatz, der f\u00fcr das<strong> Training eines Modells<\/strong> verwendet werden kann. Dem Nutzer steht au\u00dferdem eine grafische Benutzeroberfl\u00e4che zur Verf\u00fcgung, die die Datenvorbereitung erleichtert.<\/li>\n \t<li><strong>Geospatial ML:<\/strong> Dieses Tool erm\u00f6glicht die Analyse und Verarbeitung von Geodaten in gro\u00dfem Ma\u00dfstab.<\/li>\n \t<li><strong>Feature Store:<\/strong> Mithilfe dieses Dienstes kann der Nutzer die in seinen Modellen verwendeten Features speichern, teilen und verwalten.<\/li>\n<\/ul>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1370\" height=\"459\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image4-3.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image4-3.png 1370w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image4-3-300x101.png 300w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image4-3-1024x343.png 1024w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image4-3-768x257.png 768w\" sizes=\"(max-width: 1370px) 100vw, 1370px\">\n\n<figcaption><\/figcaption><\/figure>\n<h3 class=\"wp-block-heading\" id=\"h-2-modell-trainieren\">2. Modell trainieren<\/h3>\nIn Bezug auf das Training eines Modells stehen dem Nutzer dank der Plattform mehrere Werkzeuge zur Verf\u00fcgung, wie z.B. :\n<ul>\n \t<li><strong>SageMaker Autopilot:<\/strong> Dieses Tool erm\u00f6glicht eine automatisierte Entwicklung von Machine Learning. Es erm\u00f6glicht einem unerfahrenen Nutzer, auf einfache Weise ein Machine-Learning-Modell zu erstellen. Nachdem du Amazon SageMaker Autopilot alle Daten mitgeteilt hast, erstellt und optimiert das Tool automatisch ein Modell. Mithilfe dieses Tools kann der Benutzer auch herausfinden, wie das Modell Entscheidungen trifft.<\/li>\n \t<li><strong>SageMaker Debugger:<\/strong> Mit diesem Feature kann der Benutzer Modelle debuggen, um Informationen \u00fcber Rechenfehler und Konvergenzprobleme zu erhalten. Dies ist sehr n\u00fctzlich, um herauszufinden, ob das Modell gut zu den Daten passt.<\/li>\n \t<li><strong>SageMaker Experiments:<\/strong> Mit dieser Funktion kann der Entwickler Modelle untersuchen, vergleichen und die Protokollierung von Metriken beobachten.\nAutomatic Model Tuning: Dieses Tool ist in der Lage, die Auswahl der optimalen Hyperparameter f\u00fcr ein Modell durch verschiedene Suchtechniken zu automatisieren.<\/li>\n \t<li><strong>Distributed Training:<\/strong> Diese Funktion ist n\u00fctzlich, um die Zeit f\u00fcr das Training von Modellen durch die Parallelisierung der Trainingsprozesse \u00fcber mehrere Instanzen hinweg stark zu reduzieren.<\/li>\n \t<li><strong>SageMaker Canvas:<\/strong> Dies ist eine visuelle Umgebung, die zum Erstellen, Verwalten und Visualisieren von Machine-Learning-Workflows verwendet wird. Ein Workflow ist ein Werkzeug, das f\u00fcr die Organisation und Verwaltung der Entwicklungsschritte eines Modells verwendet wird. Es ist auch m\u00f6glich, seine Workflows mit anderen Nutzern zu teilen, um an Projekten zusammenzuarbeiten.<\/li>\n<\/ul>\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">EIn Modell mit Amazon SageMaker trainieren lernen<\/a><\/div><\/div>\n\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"871\" height=\"409\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image2-5.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image2-5.png 871w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image2-5-300x141.png 300w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image2-5-768x361.png 768w\" sizes=\"(max-width: 871px) 100vw, 871px\">\n\n<figcaption><\/figcaption><\/figure>\n<h3 class=\"wp-block-heading\" id=\"h-3-ausrollen-der-modelle\">3. Ausrollen der Modelle<\/h3>\nUm sein Modell auszurollen, ist die Hauptfunktion, die der Benutzer verwenden kann, Amazon SageMaker Edge. Diese Funktion kann Machine-Learning-Modelle auf Edge-Ger\u00e4ten und -Anwendungen \u00fcber ein <strong>Software Development Kit (SDK)<\/strong> bereitstellen, das die Integration der bereitgestellten Modelle vereinfacht.\n\nEdge-Ger\u00e4te sind Hardware-Ger\u00e4te, die unter anderem aus Sensoren, Prozessoren und Betriebssoftware bestehen und zum Sammeln, Verarbeiten und Speichern von Daten vor Ort verwendet werden. Beispiele f\u00fcr Edge-Ger\u00e4te sind Sicherheitskameras, vernetzte Uhren, selbstfahrende Autos und intelligente Thermostate&#8230;). Edge-Anwendungen hingegen sind Software-Anwendungen, die f\u00fcr die Verwendung auf Edge-Ger\u00e4ten entwickelt wurden. Sie k\u00f6nnen verwendet werden, um Daten zu verarbeiten, die Leistung zu optimieren, Entscheidungen zu treffen&#8230;\n<h3 class=\"wp-block-heading\" id=\"h-4-wartung-des-ausgerollten-modells\">4. Wartung des ausgerollten Modells<\/h3>\nNach dem Einsatz kann der Benutzer die folgenden Funktionen auf seine eingesetzten Modelle anwenden:\n<ul>\n \t<li><strong>SageMaker Model Monitor:<\/strong> Diese Funktion \u00fcberwacht die Leistung von Machine-Learning-Modellen, die in der Produktion eingesetzt wurden. Das Tool kann Vorhersagefehler, Leistungseinbu\u00dfen und Unregelm\u00e4\u00dfigkeiten in der Datenverteilung aufdecken. Der letzte Vorteil dieses Tools besteht darin, dass es dem Benutzer Warnmeldungen sendet, damit er Korrekturma\u00dfnahmen ergreifen kann.<\/li>\n \t<li><strong>SageMaker Pipelines:<\/strong> Dieser Service wird f\u00fcr die Erstellung und Verwaltung von Machine-Learning-Workflows verwendet. Der Benutzer erh\u00e4lt eine Umgebung, in der er die Workflows mithilfe von Docker-Containern erstellen, validieren und bereitstellen kann.<\/li>\n \t<li><strong>SageMaker Test Shadow:<\/strong> Diese Funktion kann Vorhersagen von Machine-Learning-Modellen in einer Produktionsumgebung mit bestimmten Testdaten simulieren, um das Verhalten der Modelle zu validieren.<\/li>\n<\/ul>\n<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1289\" height=\"504\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image3-4-1.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image3-4-1.png 1289w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image3-4-1-300x117.png 300w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image3-4-1-1024x400.png 1024w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/06\/image3-4-1-768x300.png 768w\" sizes=\"(max-width: 1289px) 100vw, 1289px\">\n\n<figcaption><\/figcaption><\/figure>\n<h2 class=\"wp-block-heading\" id=\"h-fazit\">Fazit<\/h2>\n<strong>Amazon SageMaker<\/strong> ist eine besonders n\u00fctzliche und umfassende Plattform f\u00fcr Data Scientists, da sie \u00fcber eine Vielzahl von Werkzeugen verf\u00fcgt, die qualitativ hochwertig und interessant sind.\n\nDiese Werkzeuge k\u00f6nnen f\u00fcr alle Phasen der Entwicklung eines Machine-Learning-Modells verwendet werden, von der Vorbereitung der Daten \u00fcber das Training und den Einsatz des Modells bis hin zur Wartung des eingesetzten Modells. Die <strong>AWS SageMaker-Plattform<\/strong> wird also aufgrund ihrer vielen zentralisierten Funktionen h\u00e4ufiger von Data Scientists f\u00fcr Machine Learning genutzt werden.\n\nWenn du dich in Data Science weiterbilden m\u00f6chtest, um tiefer in die Themen rund um Machine Learning einzusteigen, solltest du dir unsere<a href=\"https:\/\/liora.io\/de\/weiterbildung-machine-learning-engineer\"> Kurse in Machine Learning Engineering<\/a> und Data Science ansehen, die dir auch die <strong>AWS-Zertifizierung<\/strong> erm\u00f6glichen k\u00f6nnen.\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/weiterbildung-machine-learning-engineer\">Machine Learning Engineering + AWS Weiterbildung<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>Amazon SageMaker ist eine von Amazon Web Services (AWS) entwickelte Cloud-Plattform, die besonders f\u00fcr die Data Science n\u00fctzlich ist. Im Folgenden erf\u00e4hrst Du mehr \u00fcber die wichtigsten Funktionen und wie Du die Tools der Plattform von der Entwicklung eines Machine-Learning-Modells bis hin zu dessen Einsatz nutzen kannst.<\/p>\n","protected":false},"author":85,"featured_media":178639,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-178637","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/178637","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/85"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=178637"}],"version-history":[{"count":3,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/178637\/revisions"}],"predecessor-version":[{"id":216500,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/178637\/revisions\/216500"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/178639"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=178637"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=178637"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}