Flux de travail des tâches de bloc-notes

Étant donné qu’une tâche de bloc-notes exécute votre code personnalisé, vous pouvez créer un pipeline incluant une ou plusieurs étapes de tâche de bloc-notes. Les flux de travail ML contiennent souvent plusieurs étapes, telles qu’une étape de traitement pour prétraiter les données, une étape d’entraînement pour générer votre modèle et une étape d’évaluation des modèles, entre autres. L’une des utilisations possibles des tâches de bloc-notes est de gérer le prétraitement. Vous pouvez avoir un bloc-notes qui effectue la transformation ou l’ingestion des données, une étape EMR qui effectue le nettoyage des données et une autre tâche de bloc-notes qui effectue la caractérisation de vos entrées avant de lancer une étape d’entraînement. Une tâche de bloc-notes peut nécessiter des informations issues des étapes précédentes du pipeline ou de la personnalisation spécifiée par l’utilisateur sous la forme de paramètres dans le bloc-notes d’entrée. Pour des exemples illustrant comment transmettre des variables et des paramètres d’environnement à votre bloc-notes et comment récupérer des informations à partir des étapes précédentes, consultez Transmission d’informations vers et depuis votre étape de bloc-notes.

Dans un autre cas d’utilisation, l’une de vos tâches de bloc-notes peut appeler un autre bloc-notes pour effectuer certaines tâches pendant l’exécution de votre bloc-notes. Dans ce scénario, vous devez spécifier ces blocs-notes sources en tant que dépendances avec votre étape de tâche de bloc-notes. Pour en savoir plus sur la manière d’appeler un autre bloc-notes, consultez Invocation d’un autre bloc-notes dans votre tâche de bloc-notes.

Pour consulter des exemples de blocs-notes illustrant comment planifier des tâches de bloc-notes à l'aide du SDK SageMaker AI Python, consultez la section Exemples de carnets de notes de blocs-notes.