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.
Lorsque 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 machine learning. Avec le SDK Pipelines, vous choisissez et intégrez les étapes du pipeline dans une solution unifiée qui automatise le processus de création de modèles, de la préparation des données au déploiement des modèles. Pour les architectures basées sur Kubernetes, vous pouvez installer des opérateurs SageMaker AI sur votre cluster Kubernetes pour créer SageMaker des tâches d'IA de manière native à l'aide de l'API Kubernetes et d'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, le statut et les résultats des tâches de l' SageMaker IA sont accessibles depuis l'interface utilisateur de Kubeflow Pipelines. Enfin, si vous souhaitez planifier des exécutions par lots non interactives de votre bloc-notes Jupyter, utilisez le service de flux de travail basé sur bloc-notes pour lancer des exécutions autonomes ou régulières selon une planification 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: opérateurs personnalisés SageMaker basés sur l'IA pour votre cluster Kubernetes et composants pour Kubeflow Pipelines.
-
SageMaker Emplois sur ordinateur portable : exécutions par lots non interactives à la demande ou planifiées de votre bloc-notes Jupyter.
Vous pouvez également tirer parti d'autres services intégrés à l' SageMaker IA pour créer votre flux de travail. Les options incluent les services suivants :
-
Flux de travail Airflow
: SageMaker APIs pour exporter des configurations permettant de créer et de gérer des flux de travail Airflow. -
AWS Step Functions
: des flux de travail de machine learning en plusieurs étapes en Python qui orchestrent l'infrastructure d' SageMaker IA sans avoir à provisionner vos ressources séparément.
Pour plus d'informations sur la gestion de la SageMaker formation et de l'inférence, consultez Amazon SageMaker Python SDK Workflows.
Rubriques
