Amazon SageMaker Pipelines

Speziell entwickelter Service für Machine-Learning-Workflows

Erste Schritte mit Amazon SageMaker Pipelines

Was sind Amazon SageMaker Pipelines?

Amazon SageMaker Pipelines ist ein Serverless-Workflow-Orchestrierungsservice, der speziell für MLOps- und LLMOps-Automatisierung entwickelt wurde. Mit einer intuitiven Drag-and-Drop-Benutzeroberfläche oder dem Python SDK können Sie problemlos wiederholbare durchgängige ML-Workflows erstellen, ausführen und überwachen. Amazon SageMaker Pipelines können skaliert werden, um Zehntausende von ML-Workflows gleichzeitig in der Produktion auszuführen.

Vorteile von SageMaker-Pipelines

Serverless und speziell für ML entwickelt

Durch die nahtlose Integration mit Amazon-SageMaker-Features (z. B. Training, Notebook-Aufgaben, Inferenz) und der Serverless-Infrastruktur entfällt der undifferenzierte Aufwand, der mit der Automatisierung von ML-Aufträgen verbunden ist.

Einfaches Experimentieren mit und Produktion von ML-Workflows

Sie können entweder die Drag-and-Drop-Benutzeroberfläche oder den Code (Python SDK, APIs) verwenden, um ML-Workflow-DAGs (Directed Acyclic Graph) zu erstellen, auszuführen und zu überwachen.

Skalierbar und erweiterbar

Verschieben Sie Ihren vorhandenen ML-Code per Lift-and-Shift, um seine Ausführung zehntausende Male zu automatisieren. Erstellen Sie benutzerdefinierte Integrationen, die auf Ihre MLOps- und LLMOps-Strategien zugeschnitten sind.

Generative KI-Workflows erstellen, ausführen und überwachen

Erstellen und experimentieren Sie mit Variationen von Basismodell-Workflows mit einer intuitiven visuellen Drag-and-Drop-Oberfläche in Amazon SageMaker Studio. Führen Sie die Workflows manuell oder nach einem Zeitplan aus, um Ihre ML-Modelle und Inferenzendpunkte automatisch zu aktualisieren, wenn neue Daten verfügbar sind.

ML-Workflow-Ausführungen überwachen und debuggen

Sehen Sie sich einen detaillierten Verlauf der Workflow-Struktur, Leistung und anderer Metadaten an, um ML-Aufträge zu überprüfen, die in der Vergangenheit ausgeführt wurden. Tauchen Sie tief in einzelne Komponenten des End-to-End-Workflows ein, um Auftragsfehler zu debuggen, sie im visuellen Editor oder Code zu beheben und die aktualisierte Pipeline erneut auszuführen.

Lift-and-Shift Ihren Code für Machine Learning

Verwenden Sie jeden vorhandenen ML-Code wieder und automatisieren Sie seine Ausführung in SageMaker Pipelines mit einem einzigen Python-Decorator (@step). Führen Sie eine Kette von Python-Notebooks oder -Skripten mit den Schritttypen „Code ausführen“ und „Notebook-Auftrag“ aus.