Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
SageMaker Flux de travail IA
Au fur et à mesure que vous développez vos opérations d'apprentissage automatique (ML), vous pouvez utiliser les services de flux de travail entièrement gérés d'Amazon SageMaker AI pour mettre en œuvre des pratiques d'intégration et de déploiement continus (CI/CD) pour votre cycle de vie de ML. Avec le kit SDK Pipelines, vous choisissez et intégrez les étapes de pipeline dans une solution unifiée qui automatise le processus de génération de modèles, de la préparation des données au déploiement des modèles. Pour les architectures basées sur Kubernetes, vous pouvez installer des opérateurs SageMaker IA sur votre cluster Kubernetes pour créer des tâches d' SageMaker IA de manière native à l'aide de l'API Kubernetes et des outils Kubernetes en ligne de commande tels que. kubectl Grâce aux composants d' SageMaker IA pour les pipelines Kubeflow, vous pouvez créer et surveiller des tâches d' SageMaker IA natives à partir de vos pipelines Kubeflow. Les paramètres des tâches, l'état et les sorties de l' SageMaker IA sont accessibles depuis l'interface utilisateur de Kubeflow Pipelines. Enfin, si vous souhaitez planifier des tâches par lots, vous pouvez utiliser l'intégration de la file d'attente des tâches ou le service de flux de AWS Batch travail basé sur Jupyter Notebook pour lancer des exécutions autonomes ou régulières selon un calendrier que vous définissez.
En résumé, l' SageMaker IA propose les technologies de flux de travail suivantes :
-
Pipelines : outil de création et de gestion de pipelines de machine learning.
-
Orchestration Kubernetes: des opérateurs personnalisés basés sur l' SageMaker IA pour votre cluster Kubernetes et des composants pour Kubeflow Pipelines.
-
SageMaker Emplois dans les ordinateurs portables : exécutions par lots non interactives à la demande ou planifiées de votre bloc-notes Jupyter.
Vous pouvez également tirer parti d'autres services qui s'intègrent à l' SageMaker IA pour créer votre flux de travail. Les options incluent les services suivants :
-
Flux de travail Airflow
: SageMaker API permettant d'exporter des configurations pour créer et gérer des flux de travail Airflow. -
AWS Step Functions
: Multi-step des flux de travail de machine learning en Python qui orchestrent l'infrastructure d' SageMaker IA sans avoir à provisionner vos ressources séparément. -
AWS Batch: soumettez les tâches de formation à l' SageMaker IA à une AWS Batch file d'attente, où vous pouvez hiérarchiser et planifier les tâches à exécuter dans un environnement informatique.
Pour plus d'informations sur la gestion de la SageMaker formation et de l'inférence, consultez Amazon SageMaker Python SDK Workflows.
Rubriques
