기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
기계 학습(ML) 작업을 확장할 때 Amazon SageMaker AI 완전 관리형 워크플로 서비스를 사용하여 ML 수명 주기에 대한 지속적 통합 및 배포(CI/CD) 관행을 구현할 수 있습니다. Pipelines SDK를 사용하면 파이프라인 단계를 선택하고 통합 솔루션으로 통합하여 데이터 준비부터 모델 배포까지 모델 구축 프로세스를 자동화합니다. Kubernetes 기반 아키텍처의 경우 Kubernetes 클러스터에 SageMaker AI 연산자를 설치하여 Kubernetes API와 같은 명령줄 Kubernetes 도구를 사용하여 기본적으로 SageMaker AI 작업을 생성할 수 있습니다kubectl. Kubeflow 파이프라인용 SageMaker AI 구성 요소를 사용하면 Kubeflow 파이프라인에서 네이티브 SageMaker AI 작업을 생성하고 모니터링할 수 있습니다. SageMaker AI의 작업 파라미터, 상태 및 출력은 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 SageMaker AI는 다음과 같은 워크플로 기술을 제공합니다.
-
Pipelines: ML 파이프라인을 구축하고 관리하기 위한 도구.
-
Kubernetes 오케스트레이션: Kubernetes 클러스터의 SageMaker AI 사용자 지정 연산자 및 Kubeflow 파이프라인의 구성 요소.
-
SageMaker 노트북: Jupyter notebook의 온디맨드 또는 예약된 비대화형 배치 실행.
SageMaker AI와 통합되는 다른 서비스를 활용하여 워크플로를 구축할 수도 있습니다. 옵션에는 다음 사항이 포함됩니다.
-
에어플로우 워크플로
: 에어플로우 워크플로를 생성 및 관리하기 위한 구성을 내보내기 위한 SageMaker API -
AWS Step Functions
: 리소스를 별도로 프로비저닝할 필요 없이 SageMaker AI 인프라를 오케스트레이션하는 Python의 다단계 ML 워크플로입니다.
SageMaker 훈련 및 추론 관리에 대한 자세한 내용은 Amazon SageMaker Python SDK 워크플로
