本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
部署用於推論的模型
使用 Amazon SageMaker時，您可以從訓練有素的機器學習模型開始取得預測或推論 。 SageMaker 提供廣泛的 ML 基礎設施和模型部署選項，協助您滿足所有 ML 推論需求。透過 SageMaker 推論，您可以擴展模型部署、更有效地在生產中管理模型，並減少操作負擔。 SageMaker 為您提供各種推論選項，例如用於取得低延遲推論的即時端點、用於完全受管基礎設施和自動擴展的無伺服器端點，以及用於批次請求的非同步端點。利用適合您使用案例的適當推論選項，您可以確保高效且模型化的部署和推論。
選擇功能
使用 部署 ML 模型有幾個使用案例 SageMaker。本節說明這些使用案例，以及針對每個使用案例建議 SageMaker 的功能。
使用案例
以下是使用 部署 ML 模型的主要使用案例 SageMaker。
-
使用案例 1：在低程式碼或無程式碼環境中部署機器學習模型。對於初學者或 新手 SageMaker，您可以透過 Amazon SageMaker Studio 介面使用 Amazon 部署預先訓練 SageMaker JumpStart 的模型，而不需要複雜的組態。
-
使用案例 2：使用程式碼部署具有更多彈性和控制的機器學習模型。經驗豐富的 ML 從業者可以使用 Python 中的 SageMaker
ModelBuilder類別，根據其應用程式需求使用自訂設定部署自己的模型SDK，該類別可對各種設定提供精細的控制，例如執行個體類型、網路隔離和資源配置。 -
使用案例 3：大規模部署機器學習模型。對於想要在生產中大規模管理模型的進階使用者和組織，請使用 AWS SDK for Python (Boto3) 和 AWS CloudFormation 搭配您想要的基礎設施作為程式碼 （IaC） 和 CI/CD 工具，以佈建資源並自動化資源管理。
推薦功能
下表說明與每個使用案例對應的 SageMaker 功能的關鍵考量和權衡。
| 使用案例 1 | 使用案例 2 | 使用案例 3 | |
|---|---|---|---|
| SageMaker 功能 | 在 JumpStart Studio 中使用 來加速基礎模型部署。 | ModelBuilder 從 SageMaker Python SDK使用 部署模型。 | 使用 大規模部署和管理模型 AWS CloudFormation。 |
| 描述 | 使用 Studio UI 將預先訓練的模型從目錄部署到預先設定的推論端點。此選項非常適合公民資料科學家，或想要部署模型而不設定複雜設定的人。 | 使用 Amazon SageMaker Python 中的 ModelBuilder類別SDK來部署您自己的模型並設定部署設定。此選項非常適合經驗豐富的資料科學家，或擁有自己的模型來部署和需要精細控制的任何人。 |
使用 AWS CloudFormation 和 基礎設施作為程式碼 IaC） 進行程式設計控制和自動化，以部署和管理 SageMaker模型。此選項非常適合需要一致且可重複部署的進階使用者。 |
| 已針對 最佳化 | 快速且簡化的熱門開放原始碼模型部署 | 部署您自己的模型 | 持續管理生產中的模型 |
| 考量事項 | 缺少容器設定和特定應用程式需求的自訂 | 沒有 UI，需要您能夠自在地開發和維護 Python 程式碼 | 需要基礎設施管理和組織資源，也需要熟悉 AWS SDK for Python (Boto3) 或 AWS CloudFormation 範本。 |
| 建議的環境 | SageMaker 網域 | 以您的 AWS 憑證和SDK已安裝的 Python 設定的 SageMaker Python SageMaker IDE開發環境，或諸如 SageMaker JupyterLab | AWS CLI、本機開發環境，以及基礎設施作為程式碼 （IaC） 和 CI/CD 工具 |
其他選項
SageMaker 為您的推論使用案例提供不同的選項，讓您選擇部署的技術廣度和深度：
-
將模型部署至端點。部署模型時，請考慮下列選項：
即時推論。 即時推論非常適合具有互動式、低延遲需求的推論工作負載。
使用 Amazon SageMaker 無伺服器推論部署模型。 使用無伺服器推論來部署模型，而無需設定或管理任何基礎基礎設施。此選項適用於流量快速之間具有閒置期間的工作負載，並且可以容忍冷啟動。
非同步推論。 會將傳入的請求排入佇列，並以非同步方式處理。此選項非常適合承載大小大 （最高 1GB）、處理時間較長 toAsynchronous （推論一小時） 和近乎即時延遲需求的請求
-
成本最佳化。若要最佳化推論成本，請考慮下列選項：
-
使用 SageMaker Neo 進行模型效能最佳化。 使用 SageMaker Neo 以更好的效能和效率最佳化和執行機器學習模型，透過自動最佳化模型以在 AWS Inferentia 晶片等環境中執行，協助您將運算成本降至最低。
-
Amazon SageMaker 模型的自動擴展。 使用自動擴展根據傳入流量模式動態調整端點的運算資源，這可協助您僅支付在給定時間使用的資源，進而最佳化成本。
-
