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.
SageMaker KI-Arbeitsabläufe
Während Sie Ihre Machine-Learning-Operationen (ML) skalieren, können Sie die vollständig verwalteten Workflow-Services von Amazon SageMaker AI verwenden, um kontinuierliche Integrations- und Bereitstellungspraktiken (CI/CD) für Ihren ML-Lebenszyklus zu implementieren. Mit dem Pipelines SDK wählen und integrieren Sie Pipeline-Schritte in eine einheitliche Lösung, die den Modellerstellungsprozess von der Datenvorbereitung bis zur Modellbereitstellung automatisiert. Für Kubernetes-basierte Architekturen können Sie SageMaker AI-Operatoren auf Ihrem Kubernetes-Cluster installieren, um SageMaker KI-Jobs nativ mithilfe der Kubernetes-API und Befehlszeilen-Kubernetes-Tools wie z. kubectl Mit SageMaker KI-Komponenten für Kubeflow-Pipelines können Sie native KI-Jobs von Ihren Kubeflow-Pipelines aus erstellen und überwachen. SageMaker Auf die Jobparameter, den Status und die Ausgaben von SageMaker AI kann über die Kubeflow Pipelines-Benutzeroberfläche zugegriffen werden. Schließlich können Sie, wenn Sie Batch-Jobs planen möchten, entweder die AWS Batch Job-Queue-Integration oder den Jupyter-Notebook-basierten Workflow-Service verwenden, um eigenständige oder reguläre Läufe nach einem von Ihnen definierten Zeitplan zu initiieren.
Zusammenfassend bietet SageMaker KI die folgenden Workflow-Technologien:
-
Pipelines: Tool zum Erstellen und Verwalten von ML-Pipelines.
-
Kubernetes-Orchestrierung: Benutzerdefinierte SageMaker KI-Operatoren für Ihren Kubernetes-Cluster und Komponenten für Kubeflow-Pipelines.
-
SageMaker Jobs bei Notebooks: Bedarfsgesteuerte oder geplante, nicht interaktive Batchausführungen Ihres Jupyter Notebooks.
Sie können auch andere Dienste nutzen, die in SageMaker KI integriert sind, um Ihren Workflow zu erstellen. Es gibt die folgenden Optionen:
-
Airflow-Workflows
: SageMaker APIs zum Exportieren von Konfigurationen für die Erstellung und Verwaltung von Airflow-Workflows. -
AWS Step Functions
: Multi-step ML-Workflows in Python, die die SageMaker KI-Infrastruktur orchestrieren, ohne dass Sie Ihre Ressourcen separat bereitstellen müssen. -
AWS Batch: Senden Sie SageMaker AI-Trainingsjobs an eine AWS Batch Job-Warteschlange, in der Sie Jobs für die Ausführung in einer Rechenumgebung priorisieren und planen können.
Weitere Informationen zur Verwaltung von SageMaker Schulungen und Inferenzen finden Sie unter Amazon SageMaker Python SDK-Workflows.
Themen
