Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Amazon SageMaker Model Building Pipelines
Amazon SageMaker Model Building Pipelines es una herramienta para crear canalizaciones de aprendizaje automático que aprovechan la integración directa SageMaker . Con esta integración, puede crear una canalización y configurar SageMaker proyectos para su organización. Esta configuración utiliza una herramienta que se encarga de gran parte de la creación y administración de los pasos. Puedes crear la canalización con SageMaker Python SDK o puedes crear la canalización con el JSONesquema de definición de SageMaker canalización
SageMaker Pipelines ofrece las siguientes ventajas en comparación con otras ofertas de AWS flujo de trabajo:
SageMaker Integración
SageMaker Pipelines se integra directamente con ningún otro AWS servicio SageMaker, por lo que no es necesario que interactúes con él. Tampoco necesitas gestionar ningún recurso porque SageMaker Pipelines es un servicio totalmente gestionado. Esto significa que SageMaker Pipelines crea y administra los recursos por ti.
SageMaker SDKIntegración con Python
Como SageMaker Pipelines está integrado con SageMaker PythonSDK, puedes crear tus canalizaciones mediante programación mediante una interfaz Python de alto nivel. Para ver la SDK API referencia de SageMaker Python, consulta Pipelines.
SageMaker Integración con Studio
SageMaker Studio ofrece un entorno para gestionar la experiencia de end-to-end SageMaker Pipelines. Con Studio, puedes prescindir de la AWS consola para gestionar todo tu flujo de trabajo. Para obtener más información sobre la administración de SageMaker canalizaciones desde SageMaker Studio, consulteVisualiza, rastrea y ejecuta SageMaker canalizaciones en Studio SageMaker .
Seguimiento del linaje de datos
Con SageMaker Pipelines, puede realizar un seguimiento del historial de sus datos durante la ejecución de la canalización. Amazon SageMaker ML Lineage Tracking le permite analizar:
-
de dónde provienen los datos
-
dónde se usaron los datos como entrada
-
las salidas que se generaron a partir de los datos
Por ejemplo, puede ver los modelos creados a partir de un conjunto de datos individual y ver los conjuntos de datos que se utilizaron para crear un modelo individual. Para obtener más información, consulte Seguimiento del linaje de Amazon SageMaker ML.
Reutilización de pasos
Con SageMaker Pipelines, puedes designar los pasos para el almacenamiento en caché. Cuando un paso se almacena en caché, se indexa para volver a utilizarlo más adelante si se vuelve a ejecutar el mismo paso. A continuación, puede reutilizar el resultado de las ejecuciones de pasos anteriores del mismo paso en la misma canalización sin tener que volver a ejecutar el paso. Para obtener más información acerca del almacenamiento en caché de pasos, consulte Almacenamiento en caché de pasos de canalización.
