Publié le: Aug 4, 2020
Vous pouvez désormais inclure Amazon SageMaker Processing dans vos flux de travail de machine learning créés à l'aide d'AWS Step Functions, ce qui vous permet de créer des étapes de traitement des données et de calcul dans vos flux de travail de machine learning sans quitter le service SageMaker.
AWS Step Functions vous permet de créer des flux de travail résilients à l'aide de services AWS comme Amazon DynamoDB, AWS Lambda et Amazon SageMaker. Amazon SageMaker permet aux développeurs et aux scientifiques des données de créer, d'entraîner et de déployer rapidement des modèles de machine learning (ML). Désormais, avec l'intégration de SageMaker Processing dans Step Functions, vous pouvez orchestrer des flux de travail de machine learning de bout en bout incluant le pré-traitement et le post-traitement des données, l'ingénierie de fonctionnalités, la validation des données et l'évaluation de modèles sur Amazon SageMaker.
Vous pouvez désormais utiliser le kit SDK Data Science de Step Functions avec Amazon SageMaker Processing pour créer et visualiser des flux de travail de machine learning de bout en bout. Les flux de travail peuvent être créés dans Python et visualisés dans les blocs-notes Jupyter. Les scientifiques des données peuvent créer et itérer sur leurs pipelines de machine learning, puis écrire un modèle CloudFormation susceptible d'être utilisé par les équipes d'ingénierie pour déployer le flux de travail en production, en s'appuyant sur le cas d'utilisation MLOps.
La prise en charge d'Amazon SageMaker Processing par AWS Step Functions est disponible dans toutes les régions où Step Functions et SageMaker Processing sont disponibles. Consultez la table des régions AWS pour en savoir plus. Pour en savoir plus sur Amazon SageMaker Processing, lisez notre article de blog, le guide du développeur SageMaker et le guide du développeur Step Functions, et essayez un exemple de projet Step Functions.