Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
SageMaker Flussi di lavoro
Man mano che ridimensioni le tue operazioni di machine learning (ML), puoi utilizzare i servizi di flusso di lavoro SageMaker completamente gestiti di Amazon per implementare pratiche di integrazione e distribuzione continue (CI/CD) per il tuo ciclo di vita ML. Con PipelinesSDK, scegli e integri le fasi della pipeline in una soluzione unificata che automatizza il processo di creazione del modello dalla preparazione dei dati alla distribuzione del modello. Per le architetture basate su Kubernetes, puoi installare SageMaker Operators sul tuo cluster Kubernetes per creare lavori in modo nativo utilizzando Kubernetes e gli strumenti Kubernetes a riga di comando come. SageMaker API kubectl Con SageMaker i componenti per le pipeline Kubeflow, puoi creare e monitorare lavori nativi dalle tue pipeline Kubeflow. SageMaker I parametri, lo stato e gli output del processo SageMaker sono accessibili dall'interfaccia utente di Kubeflow Pipelines. Infine, se desideri pianificare esecuzioni in batch non interattive del tuo notebook Jupyter, utilizza il servizio relativo al flusso di lavoro basato su notebook per avviare esecuzioni autonome o regolari secondo una pianificazione definita.
In sintesi, SageMaker offre le seguenti tecnologie per il flusso di lavoro:
-
Pipeline: strumento per la creazione e la gestione di pipeline ML.
-
Orchestrazione Kubernetes: operatori SageMaker personalizzati per il cluster Kubernetes e componenti per Kubeflow Pipelines.
-
SageMaker Lavori su notebook: esecuzioni in batch non interattive su richiesta o pianificate del notebook Jupyter.
Puoi anche sfruttare altri servizi che si integrano con per creare il tuo flusso di lavoro. SageMaker Le opzioni includono i seguenti servizi:
-
Flussi di lavoro Airflow
: SageMaker APIs per esportare le configurazioni per la creazione e la gestione dei flussi di lavoro Airflow. -
AWS Step Functions
: flussi di lavoro ML in più fasi in Python che orchestrano l' SageMakerinfrastruttura senza dover fornire le risorse separatamente.
Per ulteriori informazioni sulla gestione della SageMaker formazione e dell'inferenza, consulta Amazon SageMaker SDK Python Workflows
Argomenti
