Pipeline Amazon SageMaker

Servizio dedicato per i flussi di lavoro di machine learning

Cos'è Pipeline Amazon SageMaker?

Pipeline Amazon SageMaker è un servizio di orchestrazione dei flussi di lavoro serverless creato appositamente per l'automazione di MLOps e LLMOps. Puoi creare, eseguire e monitorare facilmente flussi di lavoro di ML end-to-end ripetibili con un'interfaccia utente a trascinamento intuitiva o l'SDK Python. Pipeline Amazon SageMaker può scalare per eseguire decine di migliaia di flussi di lavoro di ML simultanei in produzione.

Vantaggi di Pipeline SageMaker

La perfetta integrazione con le funzionalità di Amazon SageMaker (ad es. addestramento, processi notebook e inferenza) e l'infrastruttura serverless eliminano l'onere indifferenziato legato all'automazione dei processi di ML.
Puoi utilizzare l'interfaccia utente a trascinamento o il codice (SDK Python, API) per creare, eseguire e monitorare i DAG (Directed Acyclic Graph) del flusso di lavoro di ML.
Modifica il codice ML esistente per automatizzarne l'esecuzione decine di migliaia di volte. Crea integrazioni personalizzate su misura per le tue strategie MLOps e LLMOps.

Componi, esegui e monitora i flussi di lavoro di IA generativa

Crea e sperimenta varianti dei flussi di lavoro del modello base con un'interfaccia visiva a trascinamento intuitiva in Amazon SageMaker Studio. Esegui i flussi di lavoro manualmente o in base a una pianificazione per aggiornare automaticamente i modelli di ML e gli endpoint di inferenza quando sono disponibili nuovi dati.

Diagramma del modello Train Abalone

Verifica ed esegui il debug delle esecuzioni del flusso di lavoro ML

Visualizza una cronologia dettagliata della struttura del flusso di lavoro, delle prestazioni e di altri metadati per verificare i processi di ML eseguiti in passato. Approfondisci i singoli componenti del flusso di lavoro end-to-end per eseguire il debug degli errori di processo, correggerli nell'editor visivo o nel codice e rieseguire la pipeline aggiornata.

Tracciamento automatico dei modelli

Trasforma e sposta il tuo codice di machine learning

Riutilizza il codice ML esistente e automatizza la sua esecuzione in Pipeline SageMaker con un singolo decoratore Python (@step). Esegui una catena di notebook o script Python con i tipi di passaggi “Execute Code” e “Notebook Job”.

scegli i modelli migliori