Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Mit dem Feature Processor SDK APIs können Sie Ihre Feature-Processor-Definitionen in eine vollständig verwaltete SageMaker KI-Pipeline umwandeln. Weitere Informationen zu Pipelines finden Sie unterÜberblick über die Pipelines. Um Ihre Feature-Prozessor-Definitionen in eine SageMaker AI-Pipeline umzuwandeln, verwenden Sie die to_pipeline API mit Ihrer Feature-Prozessor-Definition. Sie können die Ausführung Ihrer Feature-Prozessor-Definition planen, sie anhand von CloudWatch Metriken operativ überwachen und sie so integrieren, EventBridge dass sie als Ereignisquellen oder Abonnenten dienen. Weitere Informationen zur Überwachung von Pipelines, die mit Pipelines erstellt wurden, finden Sie unter. Überwachen Sie die SageMaker Feature-Prozessor-Pipelines im Amazon Feature Store
Informationen zur Anzeige Ihrer Feature-Prozessor-Pipelines finden Sie unter Sehen Sie sich die Pipeline-Ausführungen von der Konsole aus an.
Wenn Ihre Funktion auch mit dem @remote Decorator ausgestattet ist, werden dessen Konfigurationen in die Feature-Prozessor-Pipeline übertragen. Mithilfe des @remote Decorators können Sie erweiterte Konfigurationen wie Typ und Anzahl der Rechen-Instances, Laufzeitabhängigkeiten sowie Netzwerk- und Sicherheitskonfigurationen angeben.
Im folgenden Beispiel wird und verwendet. to_pipeline execute APIs
from sagemaker.feature_store.feature_processor import (
execute, to_pipeline, describe, TransformationCode
)
pipeline_name="feature-processor-pipeline"
pipeline_arn = to_pipeline(
pipeline_name=pipeline_name,
step=transform,
transformation_code=TransformationCode(s3_uri="s3://bucket/prefix"),
)
pipeline_execution_arn = execute(
pipeline_name=pipeline_name
)Die to_pipeline API ist semantisch gesehen ein Upsert-Vorgang. Sie aktualisiert die Pipeline, falls sie bereits existiert; Andernfalls wird eine Pipeline erstellt.
Die to_pipeline API akzeptiert optional einen Amazon S3 S3-URI, der auf eine Datei verweist, die die Feature Processor-Definition enthält, um sie mit der Feature Processor-Pipeline zu verknüpfen, um die Transformationsfunktion und ihre Versionen in ihrer SageMaker KI-Machine-Learning-Herkunft nachzuverfolgen.
Um eine Liste aller Feature-Prozessor-Pipelines in Ihrem Konto abzurufen, können Sie die API list_pipelines verwenden. Eine nachfolgende Anfrage an die describe API gibt Details zur Feature Processor-Pipeline zurück, einschließlich, aber nicht beschränkt auf Pipelines und Zeitplandetails.
Im folgenden Beispiel wird list_pipelines und describe APIs verwendet.
from sagemaker.feature_store.feature_processor import list_pipelines, describe
feature_processor_pipelines = list_pipelines()
pipeline_description = describe(
pipeline_name = feature_processor_pipelines[0]
)