Amazon SageMaker Pipelines

Layanan yang dibuat khusus untuk alur kerja machine learning
Mulai menggunakan Amazon SageMaker Pipelines

Apa itu Amazon SageMaker Pipelines?

Amazon SageMaker Pipelines adalah layanan orkestrasi alur kerja yang dibangun khusus untuk mengotomatisasi semua fase machine learning (ML) mulai dari prapemrosesan data hingga pemantauan model. Dengan UI intuitif dan Python SDK, Anda dapat mengelola pipeline ML ujung ke ujung yang dapat diulang dalam skala besar. Integrasi native dengan banyak layanan AWS memungkinkan Anda untuk menyesuaikan siklus hidup ML berdasarkan persyaratan MLOps Anda.

Keuntungan Pipeline SageMaker

Standarisasi praktik FMOP di seluruh organisasi Anda untuk mempercepat pengembangan model
Mengatur alur kerja ML untuk pra-pemrosesan data, penyetelan model, dan penerapan
Bagikan dan gunakan kembali sistem MLOPS yang disesuaikan dengan kebutuhan organisasi Anda
Latih diagram model Abalone

Buat, gunakan kembali, dan jadwalkan alur kerja ML

Buat alur kerja ML dengan Amazon SageMaker Python SDK yang mudah digunakan, lalu visualisasikan dengan Amazon SageMaker Studio. Anda dapat lebih efisien dan menskalakan lebih cepat dengan menggunakan kembali langkah-langkah alur kerja di SageMaker Pipelines. Mulai dengan cepat menggunakan templat SageMaker Project untuk membangun, menguji, mendaftarkan, dan melakukan deployment model secara otomatis.

pilih model terbaik

Angkat dan geser kode machine learning Anda

Ubah kode ML Python apa pun menjadi alur kerja yang dapat diulang di Amazon SageMaker dengan menambahkan satu baris kode (@step python decorator) atau dengan menjalankan seluruh notebook. Anotasi Python dan langkah notebook baru memberikan kemampuan perluasan dengan memungkinkan Anda menggabungkan layanan AWS lain untuk alur kerja ML ujung ke ujung yang komprehensif.

Pelacakan Model Otomatis

Pelacakan model otomatis

Amazon SageMaker Pipelines mencatat setiap langkah alur kerja Anda, membuat jejak audit model komponen seperti data pelatihan, konfigurasi platform, parameter model, dan pembelajaran gradien. Jejak audit dapat digunakan untuk membuat ulang model dan membantu mendukung persyaratan kepatuhan.