Amazon SageMaker 提供专为机器学习操作（MLOps）构建的工具，以帮助您自动化和标准化机器学习生命周期内的流程。使用 SageMaker MLOps 工具，您可以轻松且大规模地对机器学习模型进行训练、测试、问题排查、部署和治理，从而提高数据科学家和机器学习工程师的生产力，同时保持生产中的模型性能。

标准化机器学习开发环境可提高数据科学家的生产力，并降低启动新项目、轮换各项目数据科学家和实施机器学习最佳实践的难度，最终提高创新速度。Amazon SageMaker Projects 提供模板，使用历经考验且最新的工具和库、来源控制存储库、样板代码和 CI/CD 管道来快速预置数据科学家标准化环境。

阅读开发者指南，使用 SageMaker 项目实现 MLOps 自动化

ML 模型构建是一个迭代过程，涉及训练数百个模型，旨在找到最佳算法、架构和参数，从而实现最佳模型精度。借助 MLflow，您能够追踪这些训练迭代中的输入和输出，提高试验的可重复性并促进数据科学家之间的协作。借助完全托管的 MLflow 功能，您可以为每个团队创建 MLflow 追踪服务器，从而促进 ML 实验期间的有效协作。

Amazon SageMaker 和 MLflow 管理端到端机器学习生命周期，简化高效的模型训练、追踪实验以及在不同框架和环境中的可重复性。该功能将提供一个界面，您可以在该界面中将进行中的训练作业视觉化、与同事分享试验以及直接从试验中注册模型。

使用 MLflow 管理机器学习实验

自动化训练工作流程，可帮助您建立可重复的流程，以针对快速试验和模型再训练编排模型开发步骤。您可以使用 Amazon SageMaker Pipelines 自动化整个模型构建工作流程，包括数据准备、特征工程、模型训练、模型调整和模型验证。您可以将 SageMaker Pipelines 配置为定期或在触发某些事件时自动运行，或者您可以根据需要手动运行它们。

详细了解 Amazon SageMaker 建模管线

在生产中，您经常需要重现模型，以对其行为进行问题排查并确定问题根源。为推动这一流程的进行，Amazon SageMaker 会记录您工作流的每个步骤，创建对模型构件（例如训练数据、配置设置、模型参数和学习梯度）的审计跟踪。您可以使用沿袭追踪重建模型，以调试潜在问题。

详细了解 Amazon SageMaker ML 任务流水线追踪功能

机器学习应用的构建包括开发模型、数据管道、训练管道和验证测试。使用 Amazon SageMaker Model Registry，您可以在一个中央存储库中跟踪模型版本、其元数据（如使用案例分组），以及模型性能指标基准，在这个中央存储库中很容易根据您的业务需求选择适当的部署模型。此外，SageMaker Model Registry 会自动记录审核和合规的批准工作流程。

详细了解如何使用模型注册表注册和部署模型

机器学习开发工作流程应与集成与部署工作流程集成，以快速为生产应用提供新模型。Amazon SageMaker Projects 将 CI/CD 实践带入机器学习，例如保持开发和生产环境之间的一致性、源代码和版本控制、A/B 测试以及端到端自动化。因此，您能够在模型获批后立即投入生产，并提高敏捷性。 

此外，Amazon SageMaker 提供内置保护，帮助您维护端点可用性并将部署风险降到最低。SageMaker 负责设置与编排蓝绿部署等部署最佳实践，以最大程度地提升可用性，并将这些最佳实践与自动回滚机制等端点更新机制集成，从而帮助您提早自动识别问题并在其对生产造成显著影响之前采取纠正措施。

使用 SageMaker 项目通过 CI/CD 创建端到端机器学习解决方案

模型投入生产后，您需要配置警报来监控性能，以便待命的数据科学家能够对问题进行排查并触发再训练。Amazon SageMaker Model Monitor 通过实时检测模型漂移和概念漂移，并向您发送警报，以便您可以立即采取措施，从而帮助您维护质量。SageMaker Model Monitor 持续监控模型的性能特征，例如用于衡量与总预测数相比的正确预测数的准确性，以便您可以解决异常情况。SageMaker Model Monitor 与 SageMaker Clarify 集成，从而更清晰地了解潜在偏差。

了解更多

Amazon SageMaker 使您能够轻松部署机器学习模型，以便以高性能和低成本为任何用例提供推理。Amazon SageMaker 提供一系列广泛的机器学习基础设施选择和模型部署选项，以满足您的所有机器学习推理需求。

了解详情