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。

# SageMaker AI Workflows
<a name="workflows"></a>

擴展機器學習 (ML) 操作時，您可以使用 Amazon SageMaker AI 全受管工作流程服務，為您的 ML 生命週期實作持續整合和部署 (CI/CD) 實務。使用 Pipeline SDK ，您可以選擇管道步驟並將其整合到一個統一的解決方案中，從資料準備到模型部署都能自動執行模型建置程序。對於 Kubernetes 型架構，您可以在您的 Kubernetes 叢集上安裝 SageMaker AI Operators，以使用 Kubernetes API 和命令列工具 (例如 `kubectl`) 原生建立 SageMaker AI 任務。使用 Kubeflow 管道的 SageMaker AI 元件，您可以從 Kubeflow 管道建立和監控原生 SageMaker AI 任務。來自 SageMaker AI 的工作參數、狀態和輸出都可以從 Kubeflow Pipelines UI 存取。最後，如果您想要排程批次任務，您可以使用 AWS Batch 任務佇列整合或 Jupyter 筆記本型工作流程服務，根據您定義的排程啟動獨立或定期執行。

總之，SageMaker AI 提供下列工作流程技術：
+ [管道](pipelines.md)：用於建置和管理機器學習 (ML) 管道的工具。
+ [Kubernetes 協調](kubernetes-workflows.md)：用於 Kubernetes 叢集的 SageMaker AI 自訂運算子，以及用於 Kubeflow Pipelines 的元件。
+ [SageMaker 筆記本工作](notebook-auto-run.md)：依需求或排定的 Jupyter 筆記本非互動式批次執行。

您也可以利用與 SageMaker AI 整合的其他服務來建立您的工作流程。選項包括下列服務：
+ [Airflow 工作流程](https://sagemaker.readthedocs.io/en/stable/workflows/airflow/index.html)：SageMaker API 可匯出用於建立和管理 Airflow 工作流程的組態。
+ [AWS Step Functions](https://sagemaker.readthedocs.io/en/stable/workflows/step_functions/index.html)：Python 中的多步驟 ML 工作流程，可協調 SageMaker AI 基礎設施，而不必單獨佈建您的資源。
+ [AWS Batch](https://docs.aws.amazon.com/batch/latest/userguide/getting-started-sagemaker.html)：將 SageMaker AI 訓練任務提交至 AWS Batch 任務佇列，您可以在其中排定任務在運算環境中執行的優先順序和排程任務。

有關管理 SageMaker 訓練和推理的詳細資訊，請參閱[Amazon SageMaker Python SDK 工作流程](https://sagemaker.readthedocs.io/en/stable/workflows/index.html)。

**Topics**
+ [管道](pipelines.md)
+ [Kubernetes 協調](kubernetes-workflows.md)
+ [SageMaker 筆記本工作](notebook-auto-run.md)
+ [排程您的 ML 工作流程](workflow-scheduling.md)
+ [AWS Batch 支援 SageMaker AI 訓練任務](training-job-queues.md)