기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
SageMaker 워크플로우
기계 학습 (ML) 운영을 확장할 때 Amazon SageMaker 완전 관리형 워크플로 서비스를 사용하여 ML 수명 주기에 대한 지속적 통합 및 배포 (CI/CD) 관행을 구현할 수 있습니다. 파이프라인을 사용하면 SDK 파이프라인 단계를 선택하여 통합 솔루션으로 통합하여 데이터 준비부터 모델 배포까지 모델 구축 프로세스를 자동화합니다. 쿠버네티스 기반 아키텍처의 경우 Kubernetes 클러스터에 SageMaker Operator를 설치하여 쿠버네티스 및 명령줄 Kubernetes 도구 (예:) 를 사용하여 기본적으로 SageMaker 작업을 생성할 수 있습니다. API kubectl
Kubeflow 파이프라인용 SageMaker 구성 요소를 사용하여 Kubeflow 파이프라인에서 네이티브 작업을 생성하고 모니터링할 수 있습니다. SageMaker 의 작업 파라미터, 상태 및 SageMaker 출력은 Kubeflow 파이프라인 UI에서 액세스할 수 있습니다. 마지막으로, Jupyter notebook의 비대화형 배치 실행을 예약하려면 노트북 기반 워크플로 서비스를 사용하여 정의한 일정에 따라 독립 실행형 또는 정기적 실행을 시작하세요.
요약하면 다음과 같은 SageMaker 워크플로 기술을 제공합니다.
-
파이프라인: ML 파이프라인을 구축하고 관리하기 위한 도구.
-
Kubernetes 오케스트레이션: 쿠버네티스 클러스터의 SageMaker 사용자 지정 연산자 및 Kubeflow 파이프라인의 구성 요소.
-
SageMaker 노트북 작업: Jupyter notebook의 온디맨드 또는 예약된 비대화형 배치 실행.
와 통합되는 다른 서비스를 활용하여 워크플로를 구축할 수도 있습니다. SageMaker 옵션에는 다음 사항이 포함됩니다.
-
에어플로우 워크플로: 에어플로우 워크플로를
생성하고 관리하기 위한 구성을 내보내는 SageMaker APIs 데 사용됩니다. -
AWS Step Functions
: 리소스를 별도로 프로비저닝하지 않고도 SageMaker 인프라를 오케스트레이션하는 Python의 다단계 ML 워크플로우.
SageMaker 교육 및 추론 관리에 대한 자세한 내용은 Amazon SageMaker Python SDK 워크플로를