Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Con Amazon SageMaker AI puoi gestire l'intero flusso di lavoro ML mentre crei set di dati, esegui trasformazioni dei dati, costruisci modelli a partire dai dati e distribuisci i tuoi modelli sugli endpoint per l'inferenza. Se esegui periodicamente un sottoinsieme di passaggi del tuo flusso di lavoro, puoi anche scegliere di eseguirli secondo una pianificazione. Ad esempio, potresti voler pianificare un lavoro in SageMaker Canvas per eseguire una trasformazione su nuovi dati ogni ora. In un altro scenario, potresti voler pianificare un lavoro settimanale per monitorare la deriva del modello distribuito. È possibile specificare una pianificazione ricorrente con qualsiasi intervallo di tempo: è possibile iterare ogni secondo, minuto, ogni giorno, settimanale, mensile o il terzo venerdì di ogni mese alle 15:00.
Gli scenari seguenti riassumono le opzioni disponibili in base al caso d'uso.
Caso d'uso 1: crea e pianifica il tuo flusso di lavoro ML in un ambiente senza codice. Per i principianti o per chi è alle prime armi con l' SageMaker intelligenza artificiale, puoi utilizzare Amazon SageMaker Canvas sia per creare il tuo flusso di lavoro ML sia per creare esecuzioni pianificate utilizzando lo scheduler basato sull'interfaccia utente di Canvas.
Caso d'uso 2: crea il tuo flusso di lavoro in un unico notebook Jupyter e usa uno scheduler senza codice. I professionisti esperti di machine learning possono utilizzare il codice per creare il proprio flusso di lavoro ML in un notebook Jupyter e utilizzare l'opzione di pianificazione senza codice disponibile con il widget Notebook Jobs. Se il flusso di lavoro ML è composto da più notebook Jupyter, puoi utilizzare la funzionalità di pianificazione in Pipelines Python SDK descritta nel caso d'uso 3.
Caso d'uso 3: crea e pianifica il tuo flusso di lavoro ML utilizzando Pipelines. Gli utenti esperti possono utilizzare l'SDK Amazon SageMaker Python o
le opzioni di EventBridge pianificazione di Amazon disponibili con Pipelines. Puoi creare un flusso di lavoro ML composto da passaggi che includono operazioni con varie funzionalità e AWS servizi di SageMaker intelligenza artificiale, come Amazon EMR.
| Descrittore | Caso d'uso 1 | Caso d'uso 2 | Caso d'uso 3 |
|---|---|---|---|
| SageMaker Funzionalità AI | Elaborazione dei dati e pianificazione del flusso di lavoro ML di Amazon SageMaker Canvas | Widget di pianificazione di Notebook Jobs (UI) | Opzioni di pianificazione di Python SDK per Pipeline |
| Descrizione | Con Amazon SageMaker Canvas, puoi pianificare esecuzioni automatiche delle fasi di elaborazione dei dati e, in una procedura separata, aggiornamenti automatici dei set di dati. Puoi anche pianificare indirettamente l'intero flusso di lavoro ML impostando una configurazione che esegue una previsione in batch ogni volta che viene aggiornato un set di dati specifico. Sia per l'elaborazione automatica dei dati che per gli aggiornamenti dei set di dati, SageMaker Canvas fornisce un modulo di base in cui è possibile selezionare un'ora e una data di inizio e un intervallo di tempo tra le esecuzioni (o un'espressione cron se si pianifica una fase di elaborazione dei dati). Per ulteriori informazioni su come pianificare le fasi di elaborazione dei dati, vedere. Crea una pianificazione per elaborare automaticamente i nuovi dati Per ulteriori informazioni su come pianificare gli aggiornamenti dei set di dati e delle previsioni in batch, vedere. Come gestire le automazioni | Se hai creato il flusso di lavoro per l'elaborazione dei dati e la pipeline in un unico notebook Jupyter, puoi utilizzare il widget Notebook Jobs per eseguire il notebook su richiesta o secondo una pianificazione. Il widget Notebook Jobs visualizza un modulo di base in cui è possibile specificare il tipo di elaborazione, la pianificazione di esecuzione e le impostazioni personalizzate opzionali. È possibile definire la pianificazione dell'esecuzione selezionando un intervallo basato sul tempo o inserendo un'espressione cron. Il widget viene installato automaticamente in Studio oppure è possibile eseguire un'installazione aggiuntiva per utilizzare questa funzionalità nell'ambiente locale. JupyterLab Per ulteriori informazioni su Notebook Jobs, consultaSageMaker Lavori su notebook. | Puoi utilizzare le funzionalità di pianificazione dell'SDK SageMaker AI se hai implementato il flusso di lavoro ML con Pipelines. La tua pipeline può includere passaggi come la messa a punto, l'elaborazione dei dati e la distribuzione. Pipelines supporta due modi per pianificare la pipeline. Puoi creare una EventBridge regola Amazon o utilizzare il PipelineSchedule |
| Ottimizzato per | Fornisce un'opzione di pianificazione per un flusso di SageMaker lavoro Canvas ML | Fornisce un'opzione di pianificazione basata sull'interfaccia utente per i flussi di lavoro ML basati su notebook Jupyter | Fornisce un SageMaker SDK AI o un'opzione di pianificazione EventBridge per i flussi di lavoro ML |
| Considerazioni | Puoi pianificare il tuo flusso di lavoro con il framework senza codice Canvas, ma gli aggiornamenti dei set di dati e gli aggiornamenti della trasformazione in batch possono gestire fino a 5 GB di dati. | È possibile pianificare un notebook utilizzando il modulo di pianificazione basato sull'interfaccia utente, ma non più notebook, nello stesso lavoro. Per pianificare più notebook, utilizzate la soluzione basata su codice Pipelines SDK descritta nel caso d'uso 3. | Puoi utilizzare le funzionalità di pianificazione più avanzate (basate su SDK) fornite da Pipelines, ma devi fare riferimento alla documentazione dell'API per specificare le opzioni corrette anziché selezionarle da un menu di opzioni basato sull'interfaccia utente. |
| Ambiente consigliato | Amazon SageMaker Tela | Studio, JupyterLab ambiente locale | Studio, JupyterLab ambiente locale, qualsiasi editor di codice |
Risorse aggiuntive
SageMaker L'intelligenza artificiale offre le seguenti opzioni aggiuntive per la pianificazione dei flussi di lavoro.
Cos'è Amazon EventBridge Scheduler? . Le opzioni di pianificazione discusse in questa sezione includono opzioni predefinite disponibili in SageMaker Canvas, Studio e AI SageMaker Python SDK. Tutte le opzioni estendono le funzionalità di Amazon EventBridge e puoi anche creare la tua soluzione di pianificazione personalizzata con EventBridge.
Esecuzioni pianificate e basate su eventi per le pipeline del Processore di funzionalità. Con Amazon SageMaker Feature Store Feature Processing, puoi configurare le tue pipeline di Feature Processing in modo che vengano eseguite secondo una pianificazione o come risultato di un altro evento di AWS servizio.
