Amazon SageMaker Pipelines für die Modellerstellung - Amazon SageMaker

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Amazon SageMaker Pipelines für die Modellerstellung

Amazon SageMaker Model Building Pipelines ist ein Werkzeug zum Erstellen von Pipelines für maschinelles Lernen, die die Vorteile von Direct nutzen SageMaker -Integration. Aufgrund dieser Integration können Sie eine Pipeline erstellen und SageMaker-Projekte für die Orchestrierung einrichten, indem Sie ein Tool verwenden, das einen Großteil der Schritterstellung und -verwaltung für Sie abwickelt. SageMaker Pipelines bieten die folgenden Vorteile gegenüber anderenAWS: Workflow-Angebote

SageMaker-Integration

SageMaker Pipelines ist direkt in SageMaker integriert, sodass Sie nicht mit anderen interagieren müssenAWS-Services. Sie müssen auch keine Ressourcen verwalten, da SageMaker Pipelines ist ein vollständig verwalteter Service, was bedeutet, dass er Ressourcen für Sie erstellt und verwaltet.

SageMaker Python SDK-Integration

Da es sich bei SageMaker Pipelines ist in die SageMaker Python SDK können Sie Ihre Pipelines programmgesteuert mit einer hochrangigen Python-Schnittstelle erstellen, mit der Sie möglicherweise bereits vertraut sind. So zeigen Sie das an SageMaker Python SDK-Dokumentation finden Sie hierPipelinesaus.

SageMaker-Studio-Integration

SageMaker Studio bietet eine Umgebung zur Verwaltung des end-to-end Erfahrung mit SageMaker-Pipelines. Mit Studio können Sie dieAWS-Konsole für Ihr gesamtes Workflow-Management. Weitere Informationen zum Verwalten von SageMaker Pipelines von SageMaker Studio, sieheAnzeigen, Verfolgen und Ausführen SageMaker Pipelines in SageMaker Studioaus.

Datenverlaufsverfolgung

mit SageMaker Pipelines Sie können den Verlauf Ihrer Daten innerhalb der Pipeline-Ausführung verfolgen. Mit Amazon SageMaker ML Lineage Tracking können Sie analysieren, woher die Daten stammen, woher sie als Eingabe verwendet wurden und welche Ausgaben daraus generiert wurden. Sie können beispielsweise die Modelle anzeigen, die aus einem einzelnen Dataset erstellt wurden, und Sie können die Datasets anzeigen, die zum Erstellen eines einzelnen Modells verwendet wurden. Weitere Informationen finden Sie unter Amazon SageMaker ML Lineage-Tracking.

Schritt-Wiederverwenden

mit SageMaker Pipelines können Sie Schritte zum Caching festlegen. Wenn ein Schritt zwischengespeichert wird, wird er zur späteren Wiederverwendung indiziert, wenn derselbe Schritt erneut ausgeführt wird. Als Ergebnis können Sie die Ausgabe der vorherigen Schrittausführungen desselben Schritts in derselben Pipeline wiederverwenden, ohne den Schritt erneut ausführen zu müssen. Weitere Informationen zum Step-Caching finden Sie unterPipeline-Schritte zwischenspeichernaus.