Amazon SageMaker SageMaker-Modellbau-Pipelines - 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 SageMaker-Modellbau-Pipelines

Amazon SageMaker Model Building Pipelines ist ein Tool zum Erstellen von Pipelines für maschinelles Lernen, die die direkte SageMaker-Integration nutzen. 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 bietet gegenüber anderen die folgenden VorteileAWSWorkflow-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 ein vollständig verwalteter Service ist, was bedeutet, dass er Ressourcen für Sie erstellt und verwaltet.

Integration von SageMaker Python SDK

Da SageMaker Pipelines in das SageMaker Python SDK integriert ist, können Sie Ihre Pipelines programmgesteuert mithilfe einer hochrangigen Python-Schnittstelle erstellen, mit der Sie möglicherweise bereits vertraut sind. Weitere Informationen zu SageMaker Python SDK-Dokumentation finden Sie unterPipelinesaus.

SageMaker Studiointegration

SageMaker Studio bietet eine Umgebung, um das End-to-End-Erlebnis von SageMaker Pipelines zu verwalten. Mit Studio können Sie dieAWS-Konsole für Ihr gesamtes Workflow-Management. Weitere Informationen zum Verwalten von SageMaker Pipelines von SageMaker Studio finden Sie unterAnzeigen, Verfolgen und Ausführen von SageMaker Pipelines in SageMaker Studioaus.

Datenverlaufsverfolgung

Mit SageMaker Pipelines können Sie 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 Schritt-Caching finden Sie unterPipeline-Schritte zwischenspeichernaus.