翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
SageMaker AI ワークフロー
機械学習 (ML) オペレーションをスケールすると、Amazon SageMaker AI フルマネージドワークフローサービスを使用して、ML ライフサイクルの継続的な統合とデプロイ (CI/CD) プラクティスを実装できます。Pipelines SDK を使用すると、パイプラインのステップを選択して統合ソリューションに統合し、データの準備からモデルのデプロイまでのモデル構築プロセスを自動化できます。Kubernetes ベースのアーキテクチャでは、Kubernetes クラスターに SageMaker AI Operators をインストールして、Kubernetes API と などのコマンドライン Kubernetes ツールを使用して SageMaker AI ジョブをネイティブに作成できますkubectl。Kubeflow パイプライン用の SageMaker AI コンポーネントを使用すると、Kubeflow Pipelines からネイティブ SageMaker AI ジョブを作成およびモニタリングできます。SageMaker AI からのジョブパラメータ、ステータス、出力には、Kubeflow Pipelines UI からアクセスできます。最後に、Jupyter Notebook の非インタラクティブなバッチ実行をスケジュールしたい場合は、ノートブックベースのワークフローサービスを使用して、定義したスケジュールでスタンドアロン実行または定期的な実行を開始します。
要約すると、SageMaker AI は以下のワークフローテクノロジーを提供します。
-
Pipelines: ML パイプラインを構築して管理するためのツール。
-
Kubernetes のオーケストレーション: Kubernetes クラスターの SageMaker AI カスタム演算子と Kubeflow Pipelines のコンポーネント。
-
SageMaker ノートブックジョブ: Jupyter Notebook のオンデマンドまたはスケジュール済み非インタラクティブなバッチ実行。
SageMaker AI と統合されている他の サービスを活用してワークフローを構築することもできます。オプションには次のサービスが含まれます。
-
Airflow ワークフロー
: Airflow ワークフローを作成および管理するための設定をエクスポートする SageMaker API。 -
AWS Step Functions
: リソースを個別にプロビジョニングすることなく SageMaker AI インフラストラクチャを調整する Python の複数ステップの ML ワークフロー。
SageMaker トレーニングと推論の管理の詳細については、「Amazon SageMaker Python SDK ワークフロー
