Pipeline Amazon SageMaker

Servizio dedicato per i flussi di lavoro di machine learning

Inizia a usare Pipeline Amazon SageMaker

Cos'è Pipeline Amazon SageMaker?

Pipeline Amazon SageMaker è un servizio di orchestrazione del flusso di lavoro creato appositamente per automatizzare tutte le fasi del machine learning (ML), dalla pre-elaborazione dei dati al monitoraggio dei modelli. Con un'interfaccia utente intuitiva e SDK Python puoi gestire pipeline di ML complete e ripetibili su larga scala. L'integrazione nativa con più servizi AWS consente di personalizzare il ciclo di vita del ML in base ai requisiti MLOps.

Vantaggi di Pipeline SageMaker

Automatizza lo sviluppo del modello di base

Standardizza le pratiche FMOPS in tutta l'organizzazione per accelerare lo sviluppo del modello

Crea sistemi LLMOps end-to-end

Orchestra i flussi di lavoro ML per la pre-elaborazione dei dati, l'ottimizzazione dei modelli e la distribuzione

Gestisci i carichi di lavoro ML su larga scala

Condividi e riutilizza il sistema MLOps personalizzato in base alle tue esigenze organizzative

Componi, riutilizza e pianifica i flussi di lavoro di ML

Crea flussi di lavoro di ML con Amazon SageMaker Python SDK facile da usare e visualizzalo con Amazon SageMaker Studio. Puoi ottenere una maggiore efficienza e dimensionare le risorse più velocemente riutilizzando le fasi del flusso di lavoro create in SageMaker Pipelines. Inizia rapidamente con i modelli di SageMaker Project per creare, testare, registrare e implementare modelli automaticamente.

Tracciamento automatico dei modelli

Amazon SageMaker Pipelines registra ogni fase del tuo flusso di lavoro, creando un audit trail dei componenti del modello come i dati di addestramento, le configurazioni della piattaforma, i parametri del modello e i gradienti di apprendimento. Gli audit trail possono essere usati per ricreare i modelli e aiutare l'utente a soddisfare requisiti di conformità.

Trasforma e sposta il tuo codice di machine learning

Converti qualsiasi codice ML Python in un flusso di lavoro ripetibile in Amazon SageMaker aggiungendo una singola riga di codice (@step python decorator) o eseguendo interi notebook. L'annotazione Python e il nuovo passaggio del notebook offrono estensibilità consentendoti di incorporare altri servizi AWS per un flusso di lavoro di ML completo ed esaustivo.