Langkah dan sumber daya selanjutnya

Panduan ini memandu Anda melalui beberapa pertimbangan saat merencanakan siklus hidup model pembelajaran mesin yang ingin Anda bawa ke produksi. Ini membahas tantangan dan praktik terbaik di empat bidang — data, pelatihan, penyebaran, dan pemantauan — dan mencakup sumber daya tambahan yang relevan.

AWS Menyediakan Well-Architected Framework, yang membantu arsitek cloud membangun infrastruktur yang aman, berkinerja tinggi, tangguh, dan efisien untuk berbagai aplikasi, beban kerja, dan domain teknologi. Untuk bacaan tambahan, lihat Machine Learning Lens yang ditawarkan oleh AWS Well-Architected.

Sumber daya

SageMaker Dokumentasi Amazon

• Toko SageMaker Fitur Amazon

• Fitur Keamanan Toko dan kontrol akses

• Nilai Shapley

• Amazon SageMaker Debugger

• SageMakerSaluran Pipa Amazon

• Templat proyek SageMaker default Amazon

• SageMakerinferensi waktu nyata

• Secara otomatis menskalakan SageMaker model Amazon

• Inferensi SageMaker asinkron Amazon

• SageMaker Model Monitor

AWS alat pengembang

• AWS CodePipeline

AWS posting blog

• Memahami kemampuan utama Amazon SageMaker Feature Store

• Menguji kualitas data dalam skala dengan PyDeequ

• SageMaker Eksperimen Amazon

• Menyebarkan dan memantau SageMaker titik akhir Amazon dengan aman dengan dan CodePipeline AWS CodeDeploy

• Menerapkan model bayangan bayangan di Amazon SageMaker

• A/B Menguji model ML dalam produksi menggunakan Amazon SageMaker