SageMaker 워크플로

기계 학습(ML) 작업을 확장할 때 Amazon SageMaker 완전 관리형 워크플로 서비스를 사용하여 ML 수명 주기에 대한 지속적인 통합 및 배포(CI/CD) 관행을 구현할 수 있습니다. 파이프라인을 사용하면 파이프라인 단계를 SDK선택하고 통합 솔루션으로 통합하여 데이터 준비에서 모델 배포에 이르기까지 모델 구축 프로세스를 자동화할 수 있습니다. Kubernetes 기반 아키텍처의 경우 Kubernetes 클러스터에 SageMaker 연산자를 설치하여 Kubernetes API 및 와 같은 명령줄 Kubernetes 도구를 사용하여 기본적으로 SageMaker 작업을 생성할 수 있습니다kubectl. Kubeflow 파이프라인용 SageMaker 구성 요소를 사용하면 Kubeflow 파이프라인에서 기본 SageMaker 작업을 생성하고 모니터링할 수 있습니다. 의 작업 파라미터, 상태 및 출력 SageMaker 은 Kubeflow 파이프라인 UI에서 액세스할 수 있습니다. 마지막으로, Jupyter notebook의 비대화형 배치 실행을 예약하려면 노트북 기반 워크플로 서비스를 사용하여 정의한 일정에 따라 독립 실행형 또는 정기적 실행을 시작하세요.

요약하면 는 다음과 같은 워크플로 기술을 SageMaker 제공합니다.

와 통합되는 다른 서비스를 활용하여 워크플로 SageMaker 를 구축할 수도 있습니다. 옵션에는 다음 사항이 포함됩니다.

SageMaker 훈련 및 추론 관리에 대한 자세한 내용은 Amazon SageMaker Python SDK 워크플로를 참조하세요.