Pilih preferensi cookie Anda

Kami menggunakan cookie penting serta alat serupa yang diperlukan untuk menyediakan situs dan layanan. Kami menggunakan cookie performa untuk mengumpulkan statistik anonim sehingga kami dapat memahami cara pelanggan menggunakan situs dan melakukan perbaikan. Cookie penting tidak dapat dinonaktifkan, tetapi Anda dapat mengklik “Kustom” atau “Tolak” untuk menolak cookie performa.

Jika Anda setuju, AWS dan pihak ketiga yang disetujui juga akan menggunakan cookie untuk menyediakan fitur situs yang berguna, mengingat preferensi Anda, dan menampilkan konten yang relevan, termasuk iklan yang relevan. Untuk menerima atau menolak semua cookie yang tidak penting, klik “Terima” atau “Tolak”. Untuk membuat pilihan yang lebih detail, klik “Kustomisasi”.

SageMaker Alur kerja

Mode fokus
SageMaker Alur kerja - Amazon SageMaker

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Saat Anda menskalakan operasi machine learning (ML), Anda dapat menggunakan layanan alur kerja Amazon yang dikelola SageMaker sepenuhnya untuk menerapkan praktik integrasi dan penerapan berkelanjutan (CI/CD) untuk siklus hidup ML Anda. Dengan PipelinesSDK, Anda memilih dan mengintegrasikan langkah-langkah pipeline ke dalam solusi terpadu yang mengotomatiskan proses pembuatan model dari persiapan data hingga penerapan model. Untuk arsitektur berbasis Kubernetes, Anda dapat menginstal SageMaker Operator di klaster Kubernetes Anda untuk membuat SageMaker pekerjaan secara native menggunakan Kubernetes dan alat Kubernetes baris perintah seperti. API kubectl Dengan SageMaker komponen untuk pipeline Kubeflow, Anda dapat membuat dan memantau SageMaker pekerjaan asli dari Pipelines Kubeflow Anda. Parameter pekerjaan, status, dan output dari dapat diakses dari SageMaker UI Pipelines Kubeflow. Terakhir, jika Anda ingin menjadwalkan batch run non-interaktif notebook Jupyter Anda, gunakan layanan alur kerja berbasis notebook untuk memulai proses mandiri atau reguler pada jadwal yang Anda tentukan.

Singkatnya, SageMaker menawarkan teknologi alur kerja berikut:

  • Alur: Alat untuk membangun dan mengelola jaringan pipa ML.

  • Orkestrasi Kubernetes: operator SageMaker kustom untuk klaster Kubernetes Anda dan komponen untuk Pipelines Kubeflow.

  • SageMaker Lowongan Notebook: Sesuai permintaan atau batch non-interaktif terjadwal dari notebook Jupyter Anda.

Anda juga dapat memanfaatkan layanan lain yang terintegrasi SageMaker untuk membangun alur kerja Anda. Opsi termasuk layanan berikut:

  • Alur Kerja Alur Udara: SageMaker APIs untuk mengekspor konfigurasi untuk membuat dan mengelola alur kerja Alur Udara.

  • AWS Step Functions: Alur kerja multi-langkah di Python yang mengatur SageMaker infrastruktur tanpa harus menyediakan sumber daya Anda secara terpisah.

Untuk informasi selengkapnya tentang mengelola SageMaker pelatihan dan inferensi, lihat Alur Kerja Amazon SageMaker SDK Python.

Topik berikutnya:

Pipa ML

Topik sebelumnya:

Eksperimen
PrivasiSyarat situsPreferensi cookie
© 2025, Amazon Web Services, Inc. atau afiliasinya. Semua hak dilindungi undang-undang.