Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Inkrementelle transduktive Workflows
<a name="machine-learning-overview-evolving-data-incremental"></a>

Während Sie Modellartefakte einfach aktualisieren, indem Sie die Schritte eins bis drei (vom **Datenexport und der Konfiguration** bis zur **Modelltransformation**) erneut ausführen, unterstützt Neptune ML einfachere Methoden, um Ihre ML-Stapelprognosen mithilfe neuer Daten zu aktualisieren. Eine Möglichkeit besteht darin, einen [inkrementellen Modell-Workflow](#machine-learning-overview-incremental) zu verwenden, und eine andere darin, das [Modell mit einem Warmstart neu zu trainieren](#machine-learning-overview-model-retraining).

## Workflow mit inkrementellem Modell
<a name="machine-learning-overview-incremental"></a>

Bei diesem Workflow aktualisieren Sie die ML-Prognosen, ohne das ML-Modell erneut zu trainieren.

**Anmerkung**  
Dies ist nur möglich, wenn die Grafikdaten mit neuen Knoten und/oder Edges aktualisiert wurden. Es funktioniert derzeit nicht, wenn Knoten entfernt werden.

1. **Datenexport und Konfiguration** – Dieser Schritt ist identisch mit dem im Haupt-Workflow.

1. **Inkrementelle Datenvorverarbeitung** – Dieser Schritt ähnelt dem Schritt der Datenvorverarbeitung im Haupt-Workflow, verwendet jedoch dieselbe Verarbeitungskonfiguration wie zuvor, die einem bestimmten trainierten Modell entspricht.

1. **Modelltransformation** – Anstatt eines Modelltrainingsschritts nimmt dieser Schritt der Modelltransformation das trainierte Modell aus dem Haupt-Workflow und den Ergebnissen des Schritts der inkrementellen Datenvorverarbeitung und generiert neue Modellartefakte, die für Inferenzen verwendet werden können. Im Schritt zur Modelltransformation wird ein SageMaker KI-Verarbeitungsjob gestartet, um die Berechnung durchzuführen, die die aktualisierten Modellartefakte generiert.

1. **Amazon SageMaker AI-Inferenzendpunkt aktualisieren — Wenn Sie über einen vorhandenen Inferenzendpunkt** verfügen, aktualisiert dieser Schritt optional den Endpunkt mit den neuen Modellartefakten, die durch den Modelltransformationsschritt generiert wurden. Alternativ können Sie zudem einen neuen Inferenzendpunkt mit den neuen Modellartefakten erstellen.

## Erneutes Training des Modells mit Warmstart
<a name="machine-learning-overview-model-retraining"></a>

Mit diesem Workflow können Sie ein neues ML-Modell für die Erstellung von Prognosen anhand der inkrementellen Grafikdaten trainieren und bereitstellen. Sie können jedoch mit einem vorhandenen Modell beginnen, das mit dem Haupt-Workflow generiert wurde:

1. **Datenexport und Konfiguration** – Dieser Schritt ist identisch mit dem im Haupt-Workflow.

1. **Inkrementelle Datenvorverarbeitung** – Dieser Schritt ist identisch mit dem beim inkrementellen Modellinferenz-Workflow. Die neuen Graphdaten sollten mit derselben Verarbeitungsmethode verarbeitet werden, die zuvor für das Modelltraining verwendet wurde.

1. **Modelltraining mit Warmstart** – Das Modelltraining ähnelt dem Training im Haupt-Workflow, Sie können jedoch die Suche nach Modell-Hyperparametern beschleunigen, indem Sie die Informationen aus der vorherigen Modelltrainingsaufgabe nutzen.

1. **Den Amazon SageMaker AI-Inferenzendpunkt aktualisieren** — Dieser Schritt ist derselbe wie beim inkrementellen Model-Inferenz-Workflow.