概览
工作原理
生成式人工智能湖仓
该架构图显示 Amazon SageMaker Unified Studio 如何在统一门户中使用 Lakehouse 架构、基于 Web 的生成式人工智能工作室和编排工具，为销售预测提供协作式数据工程和分析体验。
协作模型部署
该架构图显示了亚马逊SageMaker如何使机器学习工程师能够在统一的门户中使用亚马逊SageMaker、SageMaker JumpStart和SageMaker Workflows协作开发、评估和部署销售预测模型。
自信地进行部署
准备好部署了吗？ 查看 GitHub 上的示例代码，了解详细的部署说明，以按原样部署或进行自定义以满足您的需求。
Well-Architected 支柱
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
SageMaker Unified Studio 集成团队协作、Git、分析服务和 AI/ML 服务，以提供统一的数据开发体验。这会创建集中式操作控制面板，用于协作和执行数据产品的端到端数据摄取、准备和部署。通过支持协作并提供统一的开发人员体验，SageMaker Unified Studio 可帮助您进行运营设计，实现数据服务集成和部署的完全自动化。
阅读卓越运营白皮书SageMaker Unified Studio 通过部署的 Web 域提供单点登录体验，这些域可以联合到 IAM Identity Center 等 IdP。您可以针对用户和群组实施访问控制策略，以便使用最低权限访问项目、数据和模型。通过将 SageMaker Unified Studio 域与联合 IdP 结合使用，您可以创建控制的逻辑分离，为您的组织定义权限护栏。这样，通过对访问控制的持续监控和微调，实现基于生命周期的访问管理。
阅读安全白皮书SageMaker Unified Studio 统一数据摄取、存储和分析服务，包括 Amazon S3 和 Amazon Redshift，为您的数据操作建立可靠的控制面板。您可以利用这些底层服务和工具，通过统一的 Web 体验在服务级别创建容错能力。SageMaker Unified Studio 界面可简化数据和分析服务的编排，从而更轻松地监控和控制数据工作负载。这可降低协调和管理单个服务的复杂性，以便更容易在单个 Web 界面中检测故障和实现恢复。
阅读可靠性白皮书Amazon Q 开发者版使用生成式人工智能提供代码建议，从而降低开发的复杂性和工作量。SageMaker 提供对预训练模型的访问权限，并简化针对特定用例进行训练、验证和部署模型的过程。通过使用这些工具，您可以加快开发速度，并实施代码建议和模型部署，而无需管理复杂的底层 AI/ML 技术。
阅读性能效率白皮书SageMaker Unified Studio 通过统一端到端开发流程，帮助您为数据工作负载选择合适的资源。它可以快速部署以及停用数据和分析服务，从而帮助控制与数据产品开发相关的成本。通过降低开发和部署的复杂性，SageMaker Unified Studio 可以帮助您更有效地管理服务。这可以降低数据传输成本、改进工作负载性能分析，以及改善动态资源分配。
阅读成本优化白皮书除数据访问和生命周期控制以外，SageMaker Unified Studio 底层的托管服务还提供按需扩展。这种更便捷的数据访问和控制有助于持续监控使用情况，有助于减少数据操作的影响，并创建更高效的工作负载。因此，您可以更好地预测和控制使用情况，在不为未来需求预留资源的情况下扩大需求。
阅读可持续发展白皮书免责声明
找到今天要查找的内容了吗？
请提供您的意见，以便帮助我们提高页面内容的质量