AWS推出專為機器學習設計的開發環境SageMaker Studio
AWS推出機器學習集成開發環境Amazon SageMaker Studio，開發者可以便用集成視覺介面撰寫程序代碼、關注實驗、可視化數據，並進行調試和監控。AWS提到，Amazon SageMaker Studio是第一個專為機器學習設計的集成開發環境。
SageMaker已經發展了一段時間，但AWS認為，機器學習的工具相對於服務仍然不成熟，使得機器學習開發工作流程不夠順暢，許多功能像是調試器、項目管理、協作和監控等功能，在傳統軟體開發中都有相對應的工具，但是在機器學習中卻沒有。
而這使得機器學習的開發受到阻礙，像是當開發新演算法，或是調整超參數的時候，研究人員通常需要在Amazon SageMaker中進行大量的實驗，不過因為沒有適當的工具支持，因此開發人員需要手動管理這些實驗，而隨著模型的發展，關注工作只會越來越困難。
為此，AWS開發Amazon SageMaker Studio集成所有機器學習開發所需要的工具，而且由於機器學習流程的關注，都在同一環境中進行，因此開發人員可以在各步驟中來回切換，還能複製、調整和重播，提供開發人員快速調整進行迭代的能力，縮短機器學習解決方案開發的時間。
Amazon SageMaker Studio總共包含了數項主要功能，包含Notebooks、Experiments、調試器、模型監視器和Autopilot。Amazon SageMaker Notebooks目前仍在預覽階段，是AWS提供的增強版Jupyter Notebooks，可讓用戶創建和共享Jupyter Notebooks，不需要管理基礎設施，還能快速地切換到不同的硬體配置。
用戶可以使用SageMaker Experiments來組織、關注和比較不同的機器學習工作，這些工作包含訓練、數據處理和模型評估，讓用戶可以方便地進行實驗。調試器（下圖）則能讓用戶調試和分析複雜的訓練問題，該功能會自動檢查用戶的模型、收集數據並進行分析，提供即時警示和建議。
模型監視器則可以偵測已部局模型的品質誤差，在需要的時發出警示，並以可視化的方式呈現誤差。Autopilot則能自動構建模型，包括自動選擇演算法、數據預處理、模型調整以及控制基礎設施，而在自動化構建的過程，還給用戶完全的控制和可見度。這項服務目前只先在美東的俄亥俄州地區開放。
