Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Amazon SageMaker Model Building Pipelines
Amazon SageMaker Model Building Pipelines est un outil permettant de créer des pipelines d'apprentissage automatique qui tirent parti de SageMaker l'intégration directe. Grâce à cette intégration, vous pouvez créer un pipeline et configurer SageMaker des projets pour l'orchestration. Cette configuration utilise un outil qui gère une grande partie de la création et de la gestion des étapes. Vous pouvez créer le pipeline à l'aide du SDK SageMaker Python ou créer le pipeline à l'aide du schéma JSON de définition du SageMaker pipeline
SageMaker Pipelines offre les avantages suivants par rapport aux autres offres AWS de flux de travail :
SageMaker Intégration
SageMaker Pipelines est directement intégré SageMaker, vous n'avez donc pas besoin d'interagir avec d'autres AWS services. Vous n'avez pas non plus besoin de gérer de ressources, car SageMaker Pipelines est un service entièrement géré. Cela signifie que SageMaker Pipelines crée et gère des ressources pour vous.
SageMaker Intégration au SDK Python
Comme SageMaker Pipelines est intégré au SDK SageMaker Python, vous pouvez créer vos pipelines par programmation à l'aide d'une interface Python de haut niveau. Pour consulter la référence de l'API du SDK SageMaker Python, consultez la section Pipelines
SageMaker Intégration au studio
SageMaker Studio propose un environnement permettant de gérer l'expérience end-to-end SageMaker Pipelines. Avec Studio, vous pouvez contourner la AWS console pour gérer l'ensemble de votre flux de travail. Pour plus d'informations sur la gestion des SageMaker pipelines depuis SageMaker Studio, consultezAfficher, suivre et exécuter des SageMaker pipelines dans SageMaker Studio.
Suivi du lignage des données
Avec SageMaker Pipelines, vous pouvez suivre l'historique de vos données au cours de l'exécution du pipeline. Amazon SageMaker ML Lineage Tracking vous permet d'analyser :
-
d'où proviennent les données
-
où les données ont été utilisées comme entrée
-
les sorties générées à partir des données
Par exemple, vous pouvez visualiser les modèles créés à partir d'un jeu de données individuel et consulter les ensembles de données utilisés pour créer un modèle individuel. Pour plus d’informations, consultez Suivi du lignage Amazon SageMaker ML.
Réutilisation des étapes
Avec les SageMaker pipelines, vous pouvez définir des étapes pour la mise en cache. Lorsqu'une étape est mise en cache, elle est indexée pour être réutilisée ultérieurement si la même étape est réexécutée. Vous pouvez ensuite réutiliser le résultat des étapes précédentes de la même étape dans le même pipeline sans avoir à réexécuter l'étape. Pour plus d'informations sur la mise en cache d'étape, veuillez consulter Mise en cache des étapes du pipeline.
