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.

# Nächste Schritte und Ressourcen
<a name="whats-next"></a>

Dieser Leitfaden führt Sie durch einige Überlegungen bei der Planung des Lebenszyklus der Machine-Learning-Modelle, die Sie in die Produktion bringen möchten. Es behandelt Herausforderungen und bewährte Verfahren in vier Bereichen — Daten, Schulung, Bereitstellung und Überwachung — und enthält zusätzliche relevante Ressourcen.

AWS bietet das Well-Architected Framework, das Cloud-Architekten dabei unterstützt, sichere, leistungsstarke, belastbare und effiziente Infrastrukturen für eine Vielzahl von Anwendungen, Workloads und Technologiedomänen aufzubauen. Weitere Informationen finden Sie in der von AWS Well-Architected angebotenen [Machine Learning Lens](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/machine-learning-lens.html).

## Ressourcen
<a name="resources"></a>

**Dokumentation zu Amazon SageMaker AI**
+ [Amazon SageMaker AI Feature Store](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-getting-started.html)
+ [Sicherheit und Zugriffskontrolle im Feature Store](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-security.html)
+ [Shapley-Werte](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-shapley-values.html)
+ [Amazon SageMaker KI-Debugger](https://docs.aws.amazon.com/sagemaker/latest/dg/train-debugger.html)
+ [Amazon SageMaker KI-Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-sdk.html)
+ [Amazon SageMaker AI-Standardprojektvorlagen](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-templates-sm.html)
+ [SageMaker KI-Inferenz in Echtzeit](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)
+ [Automatisches Skalieren von Amazon SageMaker AI-Modellen](https://docs.aws.amazon.com/sagemaker/latest/dg/endpoint-auto-scaling.html)
+ [Asynchrone Amazon SageMaker AI-Inferenz](https://docs.aws.amazon.com/sagemaker/latest/dg/async-inference.html)
+ [SageMaker KI-Modellmonitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-capture.html)

**AWS Tools für Entwickler**
+ [AWS CodePipeline](https://aws.amazon.com/codepipeline/)

**AWS Blog-Beiträge**
+ [Die wichtigsten Funktionen von Amazon SageMaker AI Feature Store verstehen](https://aws.amazon.com/blogs/machine-learning/understanding-the-key-capabilities-of-amazon-sagemaker-feature-store/)
+ [Testen Sie die Datenqualität im großen Maßstab mit PyDeequ](https://aws.amazon.com/blogs/big-data/testing-data-quality-at-scale-with-pydeequ/)
+ [ SageMaker KI-Experimente mit Amazon](https://aws.amazon.com/blogs/aws/amazon-sagemaker-experiments-organize-track-and-compare-your-machine-learning-trainings/)
+ [Sichere Bereitstellung und Überwachung von SageMaker Amazon-Endpunkten mit CodePipeline und AWS CodeDeploy](https://aws.amazon.com/blogs/machine-learning/safely-deploying-and-monitoring-amazon-sagemaker-endpoints-with-aws-codepipeline-and-aws-codedeploy/)
+ [Stellen Sie Schatten-ML-Modelle in Amazon SageMaker AI bereit](https://aws.amazon.com/blogs/machine-learning/deploy-shadow-ml-models-in-amazon-sagemaker/)
+ [A/B-Tests von ML-Modellen in der Produktion mit Amazon AI SageMaker ](https://aws.amazon.com/blogs/machine-learning/a-b-testing-ml-models-in-production-using-amazon-sagemaker/)