Amazon SageMaker Pipelines

Serviço desenvolvido especificamente para fluxos de trabalho de machine learning

O que é o Amazon SageMaker Pipelines?

O Amazon SageMaker Pipelines é um serviço de orquestração de fluxo de trabalho desenvolvido especificamente para automatizar todas as fases do machine learning (ML), desde o pré-processamento de dados até o monitoramento de modelos. Com uma interface de usuário intuitiva e um SDK para Python, você pode gerenciar pipelines de ML de ponta a ponta reproduzíveis em grande escala. A integração nativa com vários serviços da AWS permite que você personalize o ciclo de vida do ML ,com base em seus requisitos de MLOps.

Benefícios do SageMaker Model Deployment

Padronize as práticas de FMoPs em toda a sua organização para acelerar o desenvolvimento de modelos
Orquestre fluxos de trabalho de ML para pré-processamento de dados, ajuste de modelos e implantação
Compartilhe e reutilize o sistema MLOps que é adaptado às suas necessidades organizacionais
Diagrama do modelo Train Abalone

Componha, reutilize e agende os fluxos de trabalho de ML

Crie fluxos de trabalho de ML com um Amazon SageMaker Python SDK fácil de usar e visualize-os com o Amazon SageMaker Studio. Seja mais eficiente e escale mais rapidamente reutilizando as etapas do fluxo de trabalho nos pipelines do SageMaker. Comece rapidamente com os modelos do SageMaker Project para criar, testar, registrar e implantar modelos automaticamente.

Monitoramento automático de modelos

Monitoramento automático de modelos

O Amazon SageMaker Pipelines registra cada etapa do seu fluxo de trabalho em log, criando uma trilha de auditoria de componentes do modelo, como dados de treinamento, configurações de plataforma, parâmetros de modelo e gradientes de aprendizado. É possível usar as trilhas de auditoria para recriar modelos e ajudar na compatibilidade com requisitos de conformidade.
escolha os melhores modelos

Aplique lift-and-shift ao código de machine learning

Converta qualquer código de ML Python em um fluxo de trabalho reproduzível no Amazon SageMaker adicionando uma única linha de código (@step python decorator) ou executando cadernos inteiros. A anotação em Python e a nova etapa do caderno fornecem extensibilidade ao permitir que você incorpore outros serviços da AWS para um fluxo de trabalho abrangente de ML de ponta a ponta.