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.
Amazon SageMaker ML Lineage Tracking
Wichtig
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Verwendung der Studio Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Oberfläche finden Sie unterAmazon SageMaker Studio.
Amazon SageMaker ML Lineage Tracking erstellt und speichert Informationen über die Schritte eines Machine Learning-Workflows (ML) von der Datenvorbereitung bis zur Modellbereitstellung. Mit den Tracking-Informationen können Sie die Workflow-Schritte reproduzieren, die Herkunft von Modellen und Datensätzen verfolgen und Standards für Modellverwaltung und Prüfung festlegen.
SageMaker Die Lineage Tracking-Funktion von AI funktioniert im Backend, um alle Metadaten zu verfolgen, die mit Ihren Workflows für Modelltraining und -bereitstellung verknüpft sind. Dazu gehören Ihre Trainingsaufträge, die verwendeten Datensätze, Pipelines, Endpunkte und die tatsächlichen Modelle. Sie können den Lineage Service jederzeit abfragen, um genau die Artefakte zu finden, die zum Trainieren eines Modells verwendet wurden. Mithilfe dieser Artefakte können Sie denselben ML-Workflow neu erstellen, um das Modell zu reproduzieren, sofern Sie Zugriff auf den genauen Datensatz haben, der verwendet wurde. Eine Testkomponente verfolgt den Trainingsauftrag. Diese Testkomponente enthält alle Parameter, die im Rahmen des Trainingsauftrags verwendet wurden. Wenn Sie nicht den gesamten Workflow erneut ausführen müssen, können Sie den Trainingsauftrag reproduzieren, um dasselbe Modell abzuleiten.
Mit SageMaker AI Lineage Tracking können Datenwissenschaftler und Modellbauer Folgendes tun:
-
Behalten Sie einen laufenden Verlauf der Experimente zur Modellentdeckung bei.
-
Richten Sie die Modell-Governance ein, indem Sie die Artefakte der Modellherkunft zur Prüfung und Überprüfung der Einhaltung von Vorschriften verfolgen.
Das folgende Diagramm zeigt ein Beispiel für ein Liniendiagramm, das Amazon SageMaker AI automatisch in einem ML-Workflow für end-to-end Modelltraining und -bereitstellung erstellt.
