共计 1093 个字符，预计需要花费 3 分钟才能阅读完成。
亚马逊明天推出了 SageMaker 强化学习组件工具包 Kubeflow Components，该工具包反对公司的 AWS RoboMaker 服务，用于协调机器人工作流。亚马逊示意，其指标是放慢试验和治理从感知到管制和优化的机器人工作负载，并创立端到端的解决方案，而不用每次都从新构建它们。
机器人正被越来越宽泛地用于日益简单的用处，比方组装、和包装、最初一英里运输、环境监测、搜寻和救济以及辅助手术。牛津经济研究院预计，在中国，制造业将实现 1250 万个自动化工作岗位，而在美国，麦肯锡预计机器将占据这类岗位的 30% 以上。对于强化学习来说，这是一种新兴的人工智能技术，能够帮忙开发解决机器人技术中一直呈现的各种问题。
SageMaker RL 基于 Amazon 的 SageMaker 机器学习服务，增加了事后打包的工具包，旨在与仿真环境集成。依据亚马逊的说法，有了 Kubernetes 的 SageMaker RL Components，客户能够在他们的管道中应用 SageMaker RL Components 来调用和并行化 SageMaker 培训工作和 RoboMaker 模仿工作，作为其强化学习培训工作流程中的步骤，而不用放心其在后盾运行的状况。
运行 SageMaker RL Kubeflow 组件须要一个现有的或新的 Kubernetes 集群。亚马逊示意，客户还必须在集群上装置 Kubeflow pipeline，并为 SageMaker 和 RoboMaker 设置身份和拜访治理角色和权限。
Woodside Energy 将 RoboMaker 和 SageMaker Kubeflow 一起训练、调试和部署强化学习模型到他们的机器人身上，让它们执行反复而危险的操作工作。该公司延聘了总部设在澳大利亚的征询公司 Max Kelsen 帮助 RoboMaker 组件的开发和奉献。例如，由 Woodside 公司建造的机器人平台 Ripley 被训练执行“双阻塞和排放”，这是一种手动敞开泵的程序，包含按程序转动多个阀门。由 RoboMaker 和 SageMaker 独特发明的强化学习 / 机器人模型应用关节状态和摄像机视图作为输出，输入阀门操作的最佳轨迹。
Woodside 机器人技术工程师 Kyle Saltmarsh 说：“咱们的团队和咱们的合作伙伴心愿开始摸索应用机器学习办法来进行机器人操作。在咱们可能无效地做到这一点之前，咱们须要一个框架，使咱们可能无效地培训、测试、调优和部署这些模型。通过 SageMaker 和 RoboMaker 利用 Kubeflow 组件和管道为咱们提供了这个框架，咱们很快乐可能让咱们的机器人专家和数据科学家将他们的精力和工夫集中在算法和实现上。”