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.
Wenn Sie Ihre Machine-Learning-Operationen (ML) skalieren, können Sie die vollständig verwalteten Workflow-Services von Amazon SageMaker AI verwenden, um Methoden der kontinuierlichen Integration und Bereitstellung (CI/CD) für Ihren ML-Lebenszyklus zu implementieren. Mit dem Pipelines SDK wählen Sie Pipeline-Schritte aus und integrieren sie in eine einheitliche Lösung, die den Modellerstellungsprozess von der Datenvorbereitung bis zur Modellbereitstellung automatisiert. Für Kubernetes-basierte Architekturen können Sie SageMaker KI Operators auf Ihrem Kubernetes-Cluster installieren, um SageMaker KI-Jobs nativ mithilfe der Kubernetes-API und der Kubernetes-Befehlszeilentools wie. 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 Benutzeroberfläche von Kubeflow Pipelines zugegriffen werden. Wenn Sie nicht interaktive Batchausführungen Ihres Jupyter Notebooks planen möchten, verwenden Sie abschließend den auf Notebooks basierenden Workflow-Dienst, um eigenständige oder reguläre Läufe nach einem von Ihnen definierten Zeitplan zu starten.
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 Notizbuch-Jobs: 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
: Mehrstufige ML-Workflows in Python, die die SageMaker KI-Infrastruktur orchestrieren, ohne Ihre Ressourcen separat bereitstellen zu müssen.
Weitere Informationen zur Verwaltung von SageMaker Schulungen und Inferenzen finden Sie unter Amazon SageMaker Python SDK-Workflows
