用於機器學習的架構最佳實務

登入

特色主題：ML 作業 (MLOps)

開始使用
學習並設計
建置與測試
部署
稽核與最佳化

AWS Well-Architected ML 聚焦

我們針對機器學習工作負載，提供一套既定的雲端和技術無關最佳實務和指引。

類別深入了解︰機器學習

了解如何在應用程式中新增智慧，以及快速地大規模建置、訓練和部署機器學習模型。

為何您應使用 MLOps？

我們解釋 ML 作業 (MLOps) 的原理如何協助您使用 AI/ML 進行大規模轉型業務。
一起來當架構師吧！機器學習架構

我們會指導您如何使用 AWS CDK 進行建置、針對 MLOps 架構系統，以及自動化 A/B 測試解決方案的部署。

企業版 MLOps 基礎藍圖搭配 Amazon SageMaker

我們向您展示建置 MLOps 基礎的關鍵階段、多個角色如何在此基礎上共同運作，以及我們的各種專用工具。

在 AWS 上建置安全的企業機器學習平台

我們提供架構模式、程式碼範例，以及在 AWS 上建置企業機器學習平台的最佳實務。
自動化 MLOps 搭配 SageMaker 專案

我們向您展示如何自動化 MLOps 搭配 Amazon SageMaker 專案，以協助您在 ML 專案中標準化治理實務。

自動化機器學習工作流程

我們會逐步引導您如何使用 Amazon SageMaker 建立和自動化端對端機器學習工作流程。

SageMaker MLOps 專案演練

我們示範如何使用 Amazon SageMaker MLOps 專案來建立 CI/CD 系統，以建置、訓練和部署模型。
MLOps 工作負載協調器

部署可協助您針對機器學習模型生產，來精簡和強制執行架構最佳實務的解決方案。

在 AWS Lambda 中部署託管模型端點的 MLOps 解決方案

啟動完全 CI/CD 驅動型機器學習方法的解決方案，您可以根據使用案例做出調整。

使用機器學習提高預測準確性

部署可針對 Amazon QuickSight 或 Amazon SageMaker Jupyter 筆記本，來產生預測和視覺化儀表板的解決方案。
在 Amazon SageMaker 上使用 Auto Scaling 來最佳化您的 ML 部署

我們提供一種設計模式，可針對您的 ML 應用程式衍生適當的自動化擴展組態。

監控模型的資料和模型品質、偏差和可解釋性

了解如何在生產環境中，設定持續監控 Amazon SageMaker 機器學習模型的品質。

使用 SageMaker 模型登錄檔建立跨帳戶 MLOps 工作流程

我們討論 Amazon SageMaker 跨帳戶功能，這些功能可讓您共用和管理模型群組以及管理模型版本。

篩選依據：

清除所有篩選條件

找不到結果。
請選擇不同的標準，檢查拼寫或嘗試不同的關鍵字。

1 …

…

機器學習部落格文章

找不到符合所選條件的部落格文章。

更多...

本頁對您是否有幫助？

意見回饋