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.
SageMaker Amazon-Modellbau-Pipelines
Amazon SageMaker Model Building Pipelines ist ein Tool zum Erstellen von Machine-Learning-Pipelines, die die Vorteile der direkten SageMaker Integration nutzen. Mit dieser Integration können Sie eine Pipeline erstellen und SageMaker Projekte für die Orchestrierung einrichten. Bei diesem Setup wird ein Tool verwendet, das einen Großteil der Erstellung und Verwaltung der Schritte übernimmt. Sie können die Pipeline mit dem SageMaker Python-SDK erstellen, oder Sie können die Pipeline mithilfe des SageMaker Pipeline-Definition-JSON-Schemas erstellen
SageMaker Pipelines bietet die folgenden Vorteile gegenüber anderen AWS Workflow-Angeboten:
SageMaker Integration
SageMaker Pipelines ist direkt in Pipelines integriert SageMaker, sodass Sie nicht mit anderen AWS Diensten interagieren müssen. Sie müssen auch keine Ressourcen verwalten, da es sich bei SageMaker Pipelines um einen vollständig verwalteten Dienst handelt. Das bedeutet, dass SageMaker Pipelines Ressourcen für Sie erstellt und verwaltet.
SageMaker Python-SDK-Integration
Da SageMaker Pipelines in das SageMaker Python-SDK integriert ist, können Sie Ihre Pipelines mithilfe einer Python-Schnittstelle auf hoher Ebene programmgesteuert erstellen. Die SageMaker Python-SDK-API-Referenz finden Sie unter Pipelines
SageMaker Studio-Integration
SageMaker Studio bietet eine Umgebung zur Verwaltung des end-to-end SageMaker Pipelines-Erlebnisses. Mit Studio können Sie die AWS Konsole für Ihr gesamtes Workflow-Management umgehen. Weitere Informationen zur Verwaltung von SageMaker Pipelines von SageMaker Studio aus finden Sie unterPipelines in Studio anzeigen, verfolgen und ausführen SageMaker SageMaker .
Nachverfolgung der Datenherkunft
Mit SageMaker Pipelines können Sie den Verlauf Ihrer Daten während der Pipeline-Ausführung verfolgen. Mit Amazon SageMaker ML Lineage Tracking können Sie Folgendes analysieren:
-
woher die Daten kamen
-
wo die Daten als Eingabe verwendet wurden
-
die Ausgaben, die aus den Daten generiert wurden
Sie können beispielsweise die Modelle anzeigen, die aus einem einzelnen Datensatz erstellt wurden, und die Datensätze anzeigen, die zur Erstellung eines einzelnen Modells verwendet wurden. Weitere Informationen finden Sie unter Amazon SageMaker ML Lineage Tracking.
Schritt: Wiederverwenden
Mit SageMaker Pipelines können Sie Schritte für das Caching festlegen. Wenn ein Schritt zwischengespeichert wird, wird er für die spätere Wiederverwendung indexiert, falls derselbe Schritt erneut ausgeführt wird. Sie können dann die Ausgabe früherer Schrittläufe desselben Schritts in derselben Pipeline wiederverwenden, ohne den Schritt erneut ausführen zu müssen. Weitere Informationen zum Caching finden Sie unter Zwischenspeichern von Pipeline-Schritten.
