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 nirserver yang dibuat khusus untuk otomatisasi MLOps dan LLMOps. Anda dapat dengan mudah membangun, menjalankan, dan memantau alur kerja ML menyeluruh yang dapat diulang dengan UI seret dan lepas yang intuitif atau Python SDK. Amazon SageMaker Pipelines dapat diskalakan untuk menjalankan puluhan ribu alur kerja ML secara bersamaan dalam produksi.

Keuntungan Pipeline SageMaker

Nirserver dan dibuat khusus untuk ML

Integrasi yang mulus dengan fitur Amazon SageMaker (misalnya pelatihan, pekerjaan notebook, inferensi) dan infrastruktur nirserver menghilangkan pekerjaan berat yang tidak terdiferensiasi yang terlibat dalam mengotomatisasi pekerjaan ML.

Mudah untuk bereksperimen dan memproduksi alur kerja ML

Anda dapat menggunakan UI seret dan lepas atau kode (Python SDK, API) untuk membuat, menjalankan, dan memantau alur kerja ML DAG (Directed Acyclic Graph).

Dapat diskalakan dan diperluas

Pindahkan dan jalankan kode ML Anda yang ada untuk mengotomatiskan eksekusinya puluhan ribu kali. Bangun integrasi khusus yang disesuaikan dengan strategi MLOps dan LLMOps Anda.

Susun, jalankan, dan pantau alur kerja GenAI

Buat dan lakukan eksperimen dengan variasi alur kerja model fondasi menggunakan antarmuka visual seret dan lepas yang intuitif di Amazon SageMaker Studio. Jalankan alur kerja secara manual atau sesuai jadwal untuk secara otomatis memperbarui model ML dan titik akhir inferensi Anda saat data baru tersedia.

Audit dan debug eksekusi alur kerja ML

Lihat riwayat terperinci struktur alur kerja, performa, dan metadata lainnya untuk mengaudit tugas ML yang dijalankan di masa lalu. Dalami setiap komponen alur kerja menyeluruh untuk melakukan debug kegagalan tugas, memperbaikinya dalam editor visual atau kode, dan menjalankan kembali Pipeline yang diperbarui.

Angkat dan geser kode machine learning Anda

Gunakan kembali kode ML yang ada dan otomatiskan eksekusinya di SageMaker Pipelines dengan satu dekorator Python (@step). Jalankan serangkaian Notebook Python atau skrip dengan tipe langkah “Execute Code” dan “Notebook Job”.