As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Amazon SageMaker Model Building Pipelines
O Amazon SageMaker Model Building Pipelines é uma ferramenta para criar pipelines de aprendizado de máquina que aproveitam a integração direta SageMaker . Com essa integração, você pode criar um pipeline e configurar SageMaker projetos para orquestração. Essa configuração usa uma ferramenta que lida com grande parte da criação e gerenciamento de etapas. Você pode criar o pipeline usando o SDK do SageMaker Python ou criar o pipeline usando o esquema JSON de definição de SageMaker pipeline
SageMaker O Pipelines oferece as seguintes vantagens em relação a outras ofertas de AWS fluxo de trabalho:
SageMaker Integração
SageMaker O Pipelines é integrado diretamente com SageMaker, então você não precisa interagir com nenhum outro AWS serviço. Você também não precisa gerenciar nenhum recurso porque o SageMaker Pipelines é um serviço totalmente gerenciado. Isso significa que o SageMaker Pipelines cria e gerencia recursos para você.
SageMaker Integração do Python SDK
Como o SageMaker Pipelines está integrado ao SDK do SageMaker Python, você pode criar seus pipelines programaticamente usando uma interface Python de alto nível. Para ver a referência da API do SDK para SageMaker Python, consulte Pipelines.
SageMaker Integração com o Studio
SageMaker O Studio oferece um ambiente para gerenciar a experiência do end-to-end SageMaker Pipelines. Usando o Studio, você pode ignorar o AWS console para gerenciar todo o fluxo de trabalho. Para obter mais informações sobre o gerenciamento de SageMaker pipelines a partir do SageMaker Studio, consulteVisualize, acompanhe e execute SageMaker pipelines no Studio SageMaker .
Rastreamento de linhagem de dados
Com o SageMaker Pipelines, você pode acompanhar o histórico de seus dados na execução do pipeline. O Amazon SageMaker ML Lineage Tracking permite que você analise:
-
de onde vieram os dados
-
onde os dados foram usados como entrada
-
as saídas que foram geradas a partir dos dados
Por exemplo, você pode visualizar os modelos criados a partir de um conjunto de dados individual e visualizar os conjuntos de dados usados na criação de um modelo individual. Para ter mais informações, consulte Rastreamento SageMaker de linhagem do Amazon ML.
Reutilização de etapas
Com o SageMaker Pipelines, você pode designar etapas para o armazenamento em cache. Quando uma etapa é armazenada em cache, ela é indexada para reutilização posterior se a mesma etapa for executada novamente. Em seguida, você pode reutilizar a saída das execuções de etapas anteriores da mesma etapa no mesmo pipeline sem precisar executar a etapa novamente. Para obter mais informações sobre armazenamento em cache de etapas, consulte Etapas do pipeline de cache.