기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Amazon SageMaker 모델 구축 파이프라인
Amazon SageMaker 모델 구축 파이프라인은 직접 SageMaker 통합을 활용하는 기계 학습 파이프라인을 구축하기 위한 도구입니다. 이러한 통합으로 인해 대부분의 단계 생성 및 관리를 대신 처리하는 도구를 사용하여 파이프라인을 생성하고 오케스트레이션을 위한 SageMaker 프로젝트를 설정할 수 있습니다. SageMaker Python SDK를 사용하여 파이프라인을 빌드하거나 파이프라인 정의 JSON 스키마를 사용하여 SageMaker 파이프라인을
SageMaker 파이프라인은 다른 AWS 워크플로 오퍼링에 비해 다음과 같은 이점을 제공합니다.
SageMaker 통합
SageMaker 파이프라인은 와 직접 SageMaker 통합되므로 다른 AWS 서비스와 상호 작용할 필요가 없습니다. 또한 SageMaker Pipeline은 완전 관리형 서비스이므로 리소스를 자동으로 생성하고 관리하므로 리소스를 관리할 필요가 없습니다.
SageMaker Python SDK 통합
SageMaker Pipelines는 SageMaker Python SDK와 통합되어 있으므로 이미 익숙할 수 있는 고급 Python 인터페이스를 사용하여 프로그래밍 방식으로 파이프라인을 생성할 수 있습니다. SageMaker Python SDK API 레퍼런스를 보려면 파이프라인을
SageMaker 스튜디오 통합
SageMaker Studio는 end-to-end SageMaker 파이프라인 경험을 관리할 수 있는 환경을 제공합니다. Studio를 사용하면 AWS콘솔을 우회하여 전체 워크플로를 관리할 수 있습니다. SageMaker Studio에서 SageMaker 파이프라인을 관리하는 방법에 대한 자세한 내용은 을 참조하십시오. Studio에서 파이프라인을 보고, 추적하고, 실행합니다 SageMaker . SageMaker
데이터 계보 추적
SageMaker 파이프라인을 사용하면 파이프라인 실행 내의 데이터 기록을 추적할 수 있습니다. Amazon SageMaker ML Lineage Tracking을 사용하면 데이터의 출처, 데이터가 입력으로 사용된 위치 및 데이터에서 생성된 출력을 분석할 수 있습니다. 예를 들어 개별 데이터 세트에서 생성된 모델을 볼 수 있고 개별 모델을 생성하는 데 사용된 데이터 세트를 볼 수 있습니다. 자세한 내용은 아마존 SageMaker ML 리니지 트래킹섹션을 참조하세요.
단계별 재사용
SageMaker 파이프라인을 사용하면 캐싱 단계를 지정할 수 있습니다. 단계가 캐시되면 동일한 단계가 다시 실행되면 나중에 재사용할 수 있도록 인덱싱됩니다. 따라서 단계를 다시 실행할 필요 없이 동일한 파이프라인에서 동일한 단계의 이전 단계 실행 결과를 재사용할 수 있습니다. 단계별 캐싱에 대한 자세한 정보는 캐싱 파이프라인 단계섹션을 참조하세요.
