Amazon SageMaker Pipelines

Service spécialement conçu pour les flux de machine learning

Démarrer avec Amazon SageMaker Pipelines

Qu'est-ce qu'Amazon SageMaker Pipelines ?

Amazon SageMaker Pipelines est un service d’orchestration de flux de travail sans serveur spécialement conçu pour l’automatisation des MLOps et LLMOps. Vous pouvez facilement créer, exécuter et surveiller des flux de travail de ML reproductibles de bout en bout grâce à une interface utilisateur intuitive par glisser-déposer ou grâce au kit SDK Python. Amazon SageMaker Pipelines peut se mettre à l’échelle pour exécuter des dizaines de milliers de flux de travail de ML simultanés en production.

Les Avantages de SageMaker Pipelines

Sans serveur et spécialement conçu pour le ML

L’intégration fluide avec les fonctionnalités d’Amazon SageMaker (par exemple, l’entraînement, les tâches liées aux blocs-notes, l’inférence) et l’infrastructure sans serveur éliminent la charge de travail indifférenciée que représente l’automatisation des tâches de ML.

Flux de travail de ML faciles à expérimenter et à mettre en production

Vous pouvez utiliser l’interface utilisateur par glisser-déposer ou du code (kit SDK Python, API) pour créer, exécuter et surveiller les graphes acycliques dirigés (DAG) du flux de travail ML.

Évolutif et extensible

Réalisez le portage de votre code ML existant pour automatiser son exécution des dizaines de milliers de fois. Créez des intégrations personnalisées adaptées à vos stratégies MLOps et LLMOps.

Composition, exécution et surveillance des flux de travail GenAI

Créez et testez différentes variantes des flux de travail des modèles de fondation grâce à une interface visuelle intuitive par glisser-déposer dans Amazon SageMaker Studio. Exécutez les flux de travail manuellement ou selon une planification pour mettre à jour automatiquement vos modèles de ML et vos points de terminaison d’inférence lorsque de nouvelles données sont disponibles.

Migrer sans refonte votre code de machine learning

Réutilisez tout code ML existant et automatisez son exécution dans SageMaker Pipelines à l’aide d’un seul décorateur Python (@step). Exécutez une chaîne de Notebooks ou de scripts Python avec les types d’étapes « Execute Code » et « Notebook Job ».

Audit et débogage des exécutions de flux de travail ML

Consultez un historique détaillé de la structure du flux de travail, des performances et d’autres métadonnées pour auditer les tâches de ML exécutées dans le passé. Explorez en profondeur les différents composants du flux de travail de bout en bout pour corriger les échecs de tâches, les corriger dans l’éditeur visuel ou dans le code, et réexécuter le pipeline mis à jour.