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.
Feature Store Feature-Prozessor-Pipelines erstellen und ausführen
Das Feature Processor SDK bietet APIs, mit denen Sie Ihre Feature Processor-Definitionen in eine vollständig verwaltete SageMaker KI-Pipeline umwandeln können. Weitere Informationen zu Pipelines finden Sie unter Übersicht über die Pipelines. Um Ihre Feature-Prozessor-Definitionen in eine SageMaker AI-Pipeline umzuwandeln, verwenden Sie die to_pipeline API zusammen mit Ihrer Feature-Prozessor-Definition. Sie können die Ausführung Ihrer Funktionsprozessor-Definition planen, planen, sie mit CloudWatch Metriken betrieblich überwachen und sie integrieren, EventBridge um als Ereignisquellen oder Abonnenten zu fungieren. Weitere Informationen zur Überwachung von Pipelines, die mit Pipelines erstellt wurden, finden Sie unter Überwachen Sie die Amazon SageMaker Feature Store Feature Processor-Pipelines.
Informationen zur Anzeige Ihrer Feature-Prozessor-Pipelines finden Sie unter Pipeline-Ausführungen von der Konsole aus anzeigen.
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 werden die APIs to_pipeline und execute verwendet.
from sagemaker.mlops.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 eine Amazon S3-URI, die 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-Abstammung für maschinelles Lernen 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-Prozessor-Pipeline zurück, einschließlich, aber nicht beschränkt auf Pipelines und Zeitplandetails.
Im folgenden Beispiel werden die APIs list_pipelines und describe verwendet.
from sagemaker.mlops.feature_store.feature_processor import list_pipelines, describe feature_processor_pipelines = list_pipelines() pipeline_description = describe( pipeline_name = feature_processor_pipelines[0] )
