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.

# Übersicht über die Pipelines
<a name="pipelines-overview"></a>

Eine Amazon SageMaker AI-Pipeline besteht aus einer Reihe miteinander verbundener Schritte in einem gerichteten azyklischen Graph (DAG), die mithilfe der drag-and-drop Benutzeroberfläche oder des [Pipelines](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html) SDK definiert werden. Sie können Ihre Pipeline erstellen, indem Sie das [JSON-Schema der Pipeline-Definition](https://aws-sagemaker-mlops.github.io/sagemaker-model-building-pipeline-definition-JSON-schema/) verwenden. Diese DAG-JSON-Definition enthält Informationen zu den Anforderungen und Beziehungen zwischen den einzelnen Schritten Ihrer Pipeline. Die Struktur der DAG einer Pipeline wird durch die Datenabhängigkeiten zwischen den Schritten bestimmt. Diese Datenabhängigkeiten entstehen, wenn die Eigenschaften der Ausgabe eines Schritts als Eingabe an einen anderen Schritt übergeben werden. Die folgende Abbildung ist ein Beispiel für eine Pipeline-DAG:

![Ein Beispiel für ein gerichtetes azyklisches Diagramm (DAG) einer Pipeline.](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/pipeline-full.png)


**In diesem DAG-Beispiel werden folgende Schritte beschrieben:**

1. `AbaloneProcess`, eine Instance des [Verarbeitungsschritts, führt ein Vorverarbeitungsskript](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-processing) für die für das Training verwendeten Daten aus. Das Skript könnte beispielsweise fehlende Werte ausfüllen, numerische Daten normalisieren oder Daten in die Datensätze „Train“, „Validation“ und „Test“ aufteilen.

1. `AbaloneTrain`, eine Instance des [Trainingsschritts](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-training), konfiguriert Hyperparameter und trainiert ein Modell anhand der vorverarbeiteten Eingabedaten.

1. `AbaloneEval`, eine weitere Instance des [Verarbeitungsschritts](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-processing), bewertet das Modell auf seine Genauigkeit. Dieser Schritt veranschaulicht ein Beispiel für eine Datenabhängigkeit – dieser Schritt verwendet die Testdatensatzausgabe von `AbaloneProcess`.

1. `AbaloneMSECond`ist eine Instanz eines [Bedingungsschritts](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-condition), der in diesem Beispiel überprüft, ob das mean-square-error Ergebnis der Modellevaluierung unter einem bestimmten Grenzwert liegt. Wenn das Modell die Kriterien nicht erfüllt, wird der Pipelineverlauf beendet.

1. Der Pipeline-Lauf wird mit den folgenden Schritten fortgesetzt:

   1. `AbaloneRegisterModel`, wo SageMaker KI einen [RegisterModel](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-register-model)Schritt aufruft, um das Modell als versionierte Modellpaketgruppe in der Amazon SageMaker Model Registry zu registrieren.

   1. `AbaloneCreateModel`, wobei SageMaker KI einen [CreateModel](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-create-model)Schritt zur Erstellung des Modells zur Vorbereitung der Batch-Transformation aufruft. In ruft SageMaker KI einen [Transformationsschritt](https://docs.aws.amazon.com/sagemaker/latest/dg/build-and-manage-steps.html#step-type-transform) auf`AbaloneTransform`, um Modellvorhersagen für einen von Ihnen angegebenen Datensatz zu generieren.

In den folgenden Themen werden die grundlegenden Konzepte von Pipelines beschrieben. Ein Tutorial, das die Implementierung dieser Konzepte beschreibt, finden Sie unter [Pipeline-Aktionen](pipelines-build.md).

**Topics**
+ [Struktur und Ausführung der Pipeline](build-and-manage-pipeline.md)
+ [IAM-Zugriffsverwaltung](build-and-manage-access.md)
+ [Einrichten von kontoübergreifendem Support für Pipelines](build-and-manage-xaccount.md)
+ [Pipeline-Parameter](build-and-manage-parameters.md)
+ [Pipelines-Schritte](build-and-manage-steps.md)
+ [Lift-and-shift Python-Code mit dem @step -Decorator](pipelines-step-decorator.md)
+ [Daten zwischen Schritten weitergeben](build-and-manage-propertyfile.md)
+ [Zwischenspeichern von Pipeline-Schritten](pipelines-caching.md)
+ [Richtlinie für Pipeline-Schritte erneut versuchen](pipelines-retry-policy.md)
+ [Selektive Ausführung von Pipeline-Schritten](pipelines-selective-ex.md)
+ [Basisberechnung, Drifterkennung und Lebenszyklus mit ClarifyCheck und QualityCheck Schritte in Amazon SageMaker Pipelines](pipelines-quality-clarify-baseline-lifecycle.md)
+ [Planen von Pipeline-Läufen](pipeline-eventbridge.md)
+ [Integration von Amazon SageMaker Experiments](pipelines-experiments.md)
+ [Führen Sie Pipelines im lokalen Modus aus](pipelines-local-mode.md)
+ [Fehlerbehebung bei Amazon SageMaker Pipelines](pipelines-troubleshooting.md)