跳至主要内容

Amazon SageMaker AI

Amazon SageMaker Pipelines

专为机器学习工作流构建的服务

Amazon SageMaker Pipelines 入门

什么是 Amazon SageMaker Pipelines？

Amazon SageMaker Pipelines 是一项无服务器工作流编排服务，专为 MLOps 和 LLMOps 自动化而构建。您可以使用直观的拖放式用户界面或 Python SDK 轻松构建、执行和监控可重复的端到端机器学习工作流。Amazon SageMaker Pipelines 可以进行扩展，以便在生产环境中同时运行成千上万个机器学习工作流。

SageMaker Pipelines 的优势

与 Amazon SageMaker 功能（例如训练、笔记本作业、推理）和无服务器基础设施无缝集成，免去机器学习作业自动化所涉及的无差别繁重工作。
您可以使用拖放式 UI 或代码（Python SDK、API）来创建、执行和监控机器学习工作流有向无环图（DAG）。
直接迁移现有机器学习（ML）代码，实现数万次自动执行。构建针对您的 MLOps 和 LLMOps 策略量身定制的自定义集成。

编写、执行和监控生成式人工智能工作流

借助 Amazon SageMaker Studio 中直观的拖放式可视化界面，创建和尝试各种基础模型工作流。手动或按计划执行工作流，以便在新数据可用时自动更新您的机器学习模型和推理端点。

A workflow diagram visualizing an automated fine-tuning process in Amazon SageMaker Pipelines. The flow shows steps including preparing a fine-tuning dataset, fine-tuning a Llama 3.1 model, evaluating large language model (LLM) performance, conditional logic for deployment, and registering or deploying the model for inference.

直接迁移您的机器学习代码

重用任何现有的机器学习代码，并使用单个 Python 装饰器（@step）在 SageMaker Pipelines 中自动执行这些代码。使用“执行代码”和“笔记本作业”步骤类型执行一系列 Python Notebooks 或脚本。

Screenshot of Python code using SageMaker Workflow function steps to preprocess data, train, evaluate, and deploy a machine learning model pipeline, with delayed execution for best model selection.

审核和调试机器学习工作流执行

查看工作流结构、性能和其他元数据的详细历史记录，以审核过去运行的机器学习作业。深入研究端到端工作流的各个组成部分，以调试作业故障，在可视化编辑器或代码中修复这些故障，并重新执行更新后的管道。

Screenshot of the AWS SageMaker pipeline execution interface showing automatic model tracking. The image displays a visual editor with various pipeline steps including data processing, model training (AbaloneTrain), evaluation, and model registration. Execution details such as run time, start and end time, and a failed status are visible, along with step settings and parameters on the right panel.