Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Dengan Amazon SageMaker AI, Anda dapat mengelola seluruh alur kerja ML saat membuat kumpulan data, melakukan transformasi data, membuat model dari data, dan menerapkan model Anda ke titik akhir untuk inferensi. Jika Anda melakukan subset langkah apa pun dari alur kerja Anda secara berkala, Anda juga dapat memilih untuk menjalankan langkah-langkah ini sesuai jadwal. Misalnya, Anda mungkin ingin menjadwalkan pekerjaan di SageMaker Canvas untuk menjalankan transformasi pada data baru setiap jam. Dalam skenario lain, Anda mungkin ingin menjadwalkan pekerjaan mingguan untuk memantau penyimpangan model model yang Anda gunakan. Anda dapat menentukan jadwal berulang setiap interval waktu—Anda dapat mengulangi setiap detik, menit, harian, mingguan, bulanan, atau Jumat ke-3 setiap bulan pada jam 3 sore.
Skenario berikut merangkum opsi yang tersedia untuk Anda tergantung pada kasus penggunaan Anda.
Kasus penggunaan 1: Buat dan jadwalkan alur kerja ML Anda di lingkungan tanpa kode. Untuk pemula atau mereka yang baru mengenal SageMaker AI, Anda dapat menggunakan Amazon SageMaker Canvas untuk membangun alur kerja ML dan membuat jadwal berjalan menggunakan penjadwal berbasis Canvas UI.
Kasus penggunaan 2: Bangun alur kerja Anda dalam satu buku catatan Jupyter dan gunakan penjadwal tanpa kode. Praktisi ML berpengalaman dapat menggunakan kode untuk membangun alur kerja ML mereka di buku catatan Jupyter dan menggunakan opsi penjadwalan tanpa kode yang tersedia dengan widget Pekerjaan Notebook. Jika alur kerja ML Anda terdiri dari beberapa notebook Jupyter, Anda dapat menggunakan fitur penjadwalan di Pipelines Python SDK yang dijelaskan dalam kasus penggunaan 3.
Kasus penggunaan 3: Buat dan jadwalkan alur kerja ML Anda menggunakan Pipelines. Pengguna tingkat lanjut dapat menggunakan opsi EventBridge penjadwalan Amazon SageMaker Python SDK atau
Amazon yang tersedia dengan Pipelines. Anda dapat membuat alur kerja ML yang terdiri dari langkah-langkah yang mencakup operasi dengan berbagai fitur dan AWS layanan SageMaker AI, seperti Amazon EMR.
| Deskriptor | Kasus penggunaan 1 | Kasus penggunaan 2 | Kasus penggunaan 3 |
|---|---|---|---|
| SageMaker Fitur AI | Pemrosesan data Amazon SageMaker Canvas dan penjadwalan alur kerja ML | Widget jadwal Pekerjaan Notebook (UI) | Opsi penjadwalan Pipelines Python SDK |
| Deskripsi | Dengan Amazon SageMaker Canvas, Anda dapat menjadwalkan langkah pemrosesan data secara otomatis dan, dalam prosedur terpisah, pembaruan kumpulan data otomatis. Anda juga dapat secara tidak langsung menjadwalkan seluruh alur kerja ML Anda dengan menyiapkan konfigurasi yang menjalankan prediksi batch setiap kali kumpulan data tertentu diperbarui. Untuk pemrosesan data otomatis dan pembaruan kumpulan data, SageMaker Canvas menyediakan formulir dasar tempat Anda memilih waktu dan tanggal mulai dan interval waktu antara proses (atau ekspresi cron jika Anda menjadwalkan langkah pemrosesan data). Untuk informasi selengkapnya tentang cara menjadwalkan langkah pemrosesan data, lihatBuat jadwal untuk memproses data baru secara otomatis. Untuk informasi selengkapnya tentang cara menjadwalkan dataset dan pembaruan prediksi batch, lihat. Cara mengelola otomatisasi | Jika Anda membuat alur kerja pemrosesan data dan pipeline dalam satu buku catatan Jupyter, Anda dapat menggunakan widget Pekerjaan Notebook untuk menjalankan buku catatan sesuai permintaan atau sesuai jadwal. Widget Pekerjaan Notebook menampilkan formulir dasar tempat Anda menentukan jenis komputasi, jadwal lari, dan setelan kustom opsional. Anda menentukan jadwal lari Anda dengan memilih interval berbasis waktu atau dengan memasukkan ekspresi cron. Widget secara otomatis diinstal di Studio, atau Anda dapat melakukan instalasi tambahan untuk menggunakan fitur ini di JupyterLab lingkungan lokal Anda. Untuk informasi selengkapnya tentang Pekerjaan Notebook, lihatSageMaker Lowongan Notebook. | Anda dapat menggunakan fitur penjadwalan di SageMaker AI SDK jika Anda menerapkan alur kerja ML dengan Pipelines. Pipeline Anda dapat mencakup langkah-langkah seperti fine-tuning, pemrosesan data, dan penerapan. Pipelines mendukung dua cara untuk menjadwalkan pipeline Anda. Anda dapat membuat EventBridge aturan Amazon atau menggunakan PipelineSchedule |
| Dioptimalkan untuk | Menyediakan opsi penjadwalan untuk alur kerja SageMaker Canvas ML. | Menyediakan opsi penjadwalan berbasis UI untuk alur kerja MLberbasis notebook Jupyter | Menyediakan SageMaker AI SDK atau opsi EventBridge penjadwalan untuk alur kerja ML |
| Pertimbangan | Anda dapat menjadwalkan alur kerja Anda dengan kerangka kerja tanpa kode Canvas, tetapi pembaruan kumpulan data dan pembaruan transformasi batch dapat menangani hingga 5GB data. | Anda dapat menjadwalkan satu buku catatan menggunakan formulir penjadwalan berbasis UI, tetapi tidak beberapa buku catatan, dalam pekerjaan yang sama. Untuk menjadwalkan beberapa buku catatan, gunakan solusi berbasis kode Pipelines SDK yang dijelaskan dalam kasus penggunaan 3. | Anda dapat menggunakan kemampuan penjadwalan yang lebih canggih (berbasis SDK) yang disediakan oleh Pipelines, tetapi Anda perlu mereferensikan dokumentasi API untuk menentukan opsi yang benar daripada memilih dari menu opsi berbasis UI. |
| Lingkungan yang direkomendasikan | SageMaker Kanvas Amazon | Studio, JupyterLab lingkungan lokal | Studio, JupyterLab lingkungan lokal, editor kode apa pun |
Sumber daya tambahan
SageMaker AI menawarkan opsi tambahan berikut untuk menjadwalkan alur kerja Anda.
Apa itu Amazon EventBridge Scheduler? . Opsi penjadwalan yang dibahas di bagian ini mencakup opsi pra-bangun yang tersedia di SageMaker Canvas, Studio, dan AI SageMaker Python SDK. Semua opsi memperluas fitur Amazon EventBridge, dan Anda juga dapat membuat solusi penjadwalan khusus Anda sendiri. EventBridge
Eksekusi terjadwal dan berbasis acara untuk pipeline Prosesor Fitur. Dengan Amazon SageMaker Feature Store Feature Processing, Anda dapat mengonfigurasi pipeline Pemrosesan Fitur agar berjalan sesuai jadwal atau sebagai hasil dari peristiwa AWS layanan lainnya.
