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.
Planen Sie Ihre ML-Workflows
Mit Amazon SageMaker AI können Sie Ihren gesamten ML-Workflow verwalten, während Sie Datensätze erstellen, Datentransformationen durchführen, Modelle aus Daten erstellen und Ihre Modelle zur Inferenz auf Endpunkten bereitstellen. Wenn Sie eine Teilmenge von Schritten Ihres Workflows regelmäßig ausführen, können Sie sich auch dafür entscheiden, diese Schritte nach einem Zeitplan auszuführen. Beispielsweise möchten Sie vielleicht einen Job in SageMaker Canvas planen, um jede Stunde eine Transformation für neue Daten durchzuführen. In einem anderen Szenario möchten Sie vielleicht einen wöchentlichen Job planen, um die Modellabweichung Ihres bereitgestellten Modells zu überwachen. Sie können einen wiederkehrenden Zeitplan mit einem beliebigen Zeitintervall angeben – Sie können jede Sekunde, Minute, täglich, wöchentlich, monatlich oder am dritten Freitag eines jeden Monats um 15 Uhr wiederholen.
Die folgenden Szenarien fassen die Optionen zusammen, die Ihnen je nach Anwendungsfall zur Verfügung stehen.
Anwendungsfall 1: Erstellen und planen Sie Ihren ML-Workflow in einer Umgebung ohne Code. Für Anfänger oder SageMaker KI-Neulinge können Sie Amazon SageMaker Canvas verwenden, um sowohl Ihren ML-Workflow als auch geplante Läufe mit dem UI-based Canvas-Scheduler zu erstellen.
Anwendungsfall 2: Erstellen Sie Ihren Workflow in einem einzigen Jupyter-Notebook und verwenden Sie einen No-Code-Scheduler. Erfahrene ML-Praktiker können Code verwenden, um ihren ML-Workflow in einem Jupyter-Notebook zu erstellen, und die im Widget „Notebookjobs“ verfügbare Planungsoption ohne Code verwenden. Wenn Ihr ML-Workflow aus mehreren Jupyter-Notebooks besteht, können Sie die in Anwendungsfall 3 beschriebene Planungsfunktion im Python-SDK von Pipelines verwenden.
Anwendungsfall 3: Erstellen und planen Sie Ihren ML-Workflow mithilfe von Pipelines. Fortgeschrittene Benutzer können das Amazon SageMaker Python SDK
, den visuellen Editor von Amazon SageMaker Pipelines oder die mit Pipelines verfügbaren EventBridge Amazon-Planungsoptionen verwenden. Sie können einen ML-Workflow erstellen, der aus Schritten besteht, die Operationen mit verschiedenen SageMaker KI-Funktionen und AWS -Diensten wie Amazon EMR umfassen.
| Deskriptor | Anwendungsfall 1 | Anwendungsfall 2 | Anwendungsfall 3 |
|---|---|---|---|
| SageMaker KI-Funktion | Amazon SageMaker Canvas-Datenverarbeitung und ML-Workflow-Planung | Widget zum Zeitplan für Notebook-Jobs (UI) | Planungsoptionen für das Python-SDK für Pipelines |
| Description | Mit Amazon SageMaker Canvas können Sie automatische Durchläufe von Datenverarbeitungsschritten und, in einem separaten Verfahren, automatische Datensatzaktualisierungen planen. Sie können Ihren gesamten ML-Workflow auch indirekt planen, indem Sie eine Konfiguration einrichten, die bei jeder Aktualisierung eines bestimmten Datensatzes eine Batch-Vorhersage ausführt. Sowohl für die automatische Datenverarbeitung als auch für Datensatzaktualisierungen bietet SageMaker Canvas ein einfaches Formular, in dem Sie eine Startzeit und ein Startdatum sowie ein Zeitintervall zwischen den Durchläufen auswählen (oder einen Cron-Ausdruck, wenn Sie einen Datenverarbeitungsschritt planen). Weitere Informationen zur Planung von Datenverarbeitungsschritten finden Sie unter Erstellen eines Zeitplans für die automatische Verarbeitung neuer Daten. Weitere Informationen zum Planen von Aktualisierungen von Datenmengen und Batch finden Sie unter So verwalten Sie Automatisierungen. | Wenn Sie Ihren Datenverarbeitungs- und Pipeline-Workflow in einem einzigen Jupyter-Notebook erstellt haben, können Sie das Widget Notebookjobs verwenden, um Ihr Notebook bei Bedarf oder nach einem Zeitplan auszuführen. Das Widget „Notebookjobs“ zeigt ein einfaches Formular an, in dem Sie den Berechnungstyp, den Ausführungsplan und optionale benutzerdefinierte Einstellungen angeben. Sie definieren Ihren Ausführungsplan, indem Sie ein zeitbasiertes Intervall auswählen oder einen Cron-Ausdruck einfügen. Das Widget wird automatisch in Studio installiert, oder Sie können eine zusätzliche Installation durchführen, um diese Funktion in Ihrer lokalen JupyterLab Umgebung zu verwenden. Weitere Informationen zu Notebook-Aufträgen finden Sie unter SageMaker Jobs bei Notebooks. | Sie können die Planungsfunktionen im SageMaker SDK verwenden, wenn Sie Ihren ML-Workflow mit Pipelines implementiert haben. Ihre Pipeline kann Schritte wie Feinabstimmung, Datenverarbeitung und Bereitstellung umfassen. Pipelines unterstützt zwei Möglichkeiten, Ihre Pipeline zu planen. Sie können eine EventBridge Amazon-Regel erstellen oder den SageMaker PipelineSchedule |
| Optimiert für | Bietet eine Planungsoption für einen SageMaker Canvas ML-Workflow | Bietet eine UI-based Planungsoption für ML-Workflows, die auf Jupyter-Notebooks basieren | Bietet ein SageMaker SDK oder eine Planungsoption für ML-Workflows EventBridge |
| Überlegungen | Sie können Ihren Workflow mit dem Canvas-Framework ohne Code planen, aber Datensatzaktualisierungen und Batch-Transformationsaktualisierungen können bis zu 5 GB an Daten verarbeiten. | Sie können mithilfe des UI-based Planungsformulars ein Notizbuch, aber nicht mehrere Notizbücher, für denselben Job planen. Um mehrere Notebooks zu planen, verwenden Sie die in Anwendungsfall 3 beschriebene codebasierte Lösung des Pipelines SDK. | Sie können die erweiterten (SDK-basierten) Planungsfunktionen von Pipelines verwenden, aber Sie müssen in der API-Dokumentation nachlesen, um die richtigen Optionen anzugeben, anstatt sie aus einem UI-based Optionsmenü auszuwählen. |
| Empfohlene Umgebung | Amazon Canvas SageMaker | Studio, lokale JupyterLab Umgebung | Studio, lokale JupyterLab Umgebung, beliebiger Code-Editor |
Weitere Ressourcen
SageMaker AI bietet die folgenden zusätzlichen Optionen für die Planung Ihrer Workflows.
Was ist Amazon EventBridge Scheduler? . Zu den in diesem Abschnitt beschriebenen Planungsoptionen gehören vorgefertigte Optionen, die in SageMaker Canvas, Studio und dem SageMaker AI Python SDK verfügbar sind. Alle Optionen erweitern die Funktionen von Amazon EventBridge, und Sie können damit auch Ihre eigene benutzerdefinierte Planungslösung erstellen. EventBridge
Geplante und ereignisbasierte Ausführungen für Feature-Prozessor-Pipelines. Mit Amazon SageMaker Feature Store Feature Processing können Sie Ihre Feature Processing-Pipelines so konfigurieren, dass sie nach einem Zeitplan oder als Ergebnis eines anderen AWS Serviceereignisses ausgeführt werden.
