Canalizaciones de Amazon SageMaker

Servicio especialmente diseñado para flujos de trabajo de machine learning

¿Qué son las canalizaciones de Amazon SageMaker?

Las canalizaciones de Amazon Sagemaker son un servicio de orquestación de flujos de trabajo sin servidor diseñado específicamente para la automatización de MLOps y LLMOps. Puede crear, ejecutar y supervisar fácilmente flujos de trabajo de ML repetibles de extremo a extremo con una interfaz de usuario intuitiva de arrastrar y soltar o el SDK de Python. Las canalizaciones de Amazon SageMaker se pueden escalar para ejecutar decenas de miles de flujos de trabajo de ML simultáneos en producción.

Beneficios de las canalizaciones de SageMaker

La perfecta integración con las características de Amazon SageMaker (p. ej., formación, trabajos de cuaderno, inferencia) y la infraestructura sin servidor eliminan la carga pesada e indiferenciada que implica la automatización de los trabajos de ML.
Puede usar la interfaz de usuario de arrastrar y soltar o el código (SDK de Python, API) para crear, ejecutar y supervisar los DAG (grafo acíclico dirigido) del flujo de trabajo de ML.
Realice una migración lift-and-shift de su código de ML existente para automatizar su ejecución decenas de miles de veces. Cree integraciones personalizadas adaptadas a sus estrategias de MLOP y LLMOP.

Redacte, ejecute y supervise los flujos de trabajo de IA generativa

Cree y experimente con variaciones de los flujos de trabajo de modelos fundacionales con una interfaz visual intuitiva de arrastrar y soltar en Amazon SageMaker Studio. Ejecute los flujos de trabajo de manera manual o según una programación para actualizar automáticamente sus modelos de ML e inferir puntos de enlace cuando haya nuevos datos disponibles.

Diagrama del entrenamiento del modelo de Abalone

Audite y depure las ejecuciones del flujo de trabajo de ML

Consulte un historial detallado de la estructura del flujo de trabajo, el rendimiento y otros metadatos para auditar los trabajos de ML ejecutados en el pasado. Profundice en los componentes individuales del flujo de trabajo de extremo a extremo para depurar errores en los trabajos, corregirlos en el editor visual o en el código y volver a ejecutar la canalización actualizada.

Seguimiento automático de modelos

Levante y desplace su código de machine learning

Reutilice cualquier código de ML existente y automatice su ejecución en las canalizaciones de SageMaker con un único decorador de Python (@step). Ejecute una cadena de libretas o scripts de Python con los tipos de pasos «Execute Code» (Ejecutar código) y «Notebook Job» (Trabajo de libreta).

elija los mejores modelos