Amazon SageMaker Pipelines

Speziell entwickelter Service für Machine-Learning-Workflows

Erste Schritte mit Amazon SageMaker Pipelines

Was sind Amazon SageMaker Pipelines?

Amazon SageMaker Pipelines ist ein speziell entwickelter Workflow-Orchestrierungsservice zur Automatisierung aller Phasen des Machine Learning (ML) von der Datenvorverarbeitung bis zur Modellüberwachung. Mit einer intuitiven Benutzeroberfläche und einem Python-SDK können Sie wiederholbare durchgängige ML-Pipelines in großem Umfang verwalten. Die native Integration mit mehreren AWS-Services ermöglicht es Ihnen, den ML-Lebenszyklus an Ihre MLOps-Anforderungen anzupassen.

Vorteile von SageMaker-Pipelines

Automatisieren Sie die Entwicklung von Fundamentmodellen

Standardisieren Sie die FMOps-Praktiken in Ihrem Unternehmen, um die Modellentwicklung zu beschleunigen

Erstellen Sie umfassende LLMOPS-Systeme

Orchestrieren Sie ML-Workflows für Datenvorverarbeitung, Modelloptimierung und Bereitstellung

Verwaltung von ML-Workloads im großen Maßstab

Teilen und wiederverwenden Sie ein MLOps-System, das auf Ihre Unternehmensanforderungen zugeschnitten ist

ML-Workflows zusammenstellen, wiederverwenden und planen

Erstellen Sie ML-Workflows mit einem benutzerfreundlichen Amazon SageMaker Python SDK und visualisieren Sie sie anschließend mit Amazon SageMaker Studio. Sie können effizienter arbeiten und schneller skalieren, indem Sie die Workflow-Schritte in SageMaker-Pipelines wiederverwenden. Schneller Einstieg mit SageMaker-Projektvorlagen zum automatischen Erstellen, Testen, Registrieren und Bereitstellen von Modellen.

Automatisches Tracking von Modellen

Amazon SageMaker Pipelines protokolliert jeden Schritt Ihres Workflows und erstellt einen Prüfungs-Trail von Modellkomponenten wie Trainingsdaten, Plattformkonfigurationen, Modellparametern und Lerngradienten. Prüfungs-Trails können verwendet werden, um Modelle neu zu erstellen und Compliance-Anforderungen zu unterstützen.

Lift-and-Shift Ihren Code für Machine Learning

Konvertieren Sie beliebigen ML-Python-Code in einen wiederholbaren Workflow in Amazon SageMaker, indem Sie eine einzelne Codezeile hinzufügen (@step python decorator) oder ganze Notizbücher ausführen. Die Python-Annotation und der neue Notebook-Schritt bieten Erweiterbarkeit, indem sie es Ihnen ermöglichen, andere AWS-Services für einen umfassenden, durchgängigen ML-Workflow zu integrieren.