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.
SageMaker Flux de travail
Lorsque vous développez vos opérations d'apprentissage automatique (ML), vous pouvez utiliser les services de flux de travail SageMaker entièrement gérés d'Amazon pour mettre en œuvre des pratiques d'intégration et de déploiement continus (CI/CD) pour votre cycle de vie de machine learning. Avec les pipelinesSDK, vous choisissez et intégrez les étapes du pipeline dans une solution unifiée qui automatise le processus de création de modèles, de la préparation des données au déploiement des modèles. Pour les architectures basées sur Kubernetes, vous pouvez installer des SageMaker opérateurs sur votre cluster Kubernetes pour créer des SageMaker tâches de manière native à l'aide de Kubernetes et d'outils API Kubernetes en ligne de commande tels que. kubectl Avec SageMaker les composants pour les pipelines Kubeflow, vous pouvez créer et surveiller des SageMaker tâches natives à partir de vos pipelines Kubeflow. Les paramètres, le statut et les résultats de la tâche SageMaker sont accessibles depuis l'interface utilisateur de Kubeflow Pipelines. Enfin, si vous souhaitez planifier des exécutions par lots non interactives de votre bloc-notes Jupyter, utilisez le service de flux de travail basé sur bloc-notes pour lancer des exécutions autonomes ou régulières selon une planification que vous définissez.
En résumé, SageMaker propose les technologies de flux de travail suivantes :
-
Pipelines : outil de création et de gestion de pipelines de machine learning.
-
Orchestration Kubernetes: opérateurs SageMaker personnalisés pour votre cluster Kubernetes et composants pour Kubeflow Pipelines.
-
SageMaker Emplois sur ordinateur portable : exécutions par lots non interactives à la demande ou planifiées de votre bloc-notes Jupyter.
Vous pouvez également tirer parti d'autres services intégrés SageMaker pour créer votre flux de travail. Les options incluent les services suivants :
-
Flux de travail Airflow
: SageMaker APIs pour exporter des configurations permettant de créer et de gérer des flux de travail Airflow. -
AWS Step Functions
: flux de travail ML en plusieurs étapes en Python qui orchestrent SageMaker l'infrastructure sans avoir à provisionner vos ressources séparément.
Pour plus d'informations sur la gestion de la SageMaker formation et de l'inférence, consultez Amazon SageMaker Python SDK Workflows
Rubriques
