翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
SageMaker AI ワークフロー
機械学習 (ML) の運用をスケールする際、Amazon SageMaker AI のフルマネージドワークフローサービスを使用して、ML ライフサイクルの継続的インテグレーションと継続的デプロイ (CI/CD) を実践できます。Pipelines SDK を使用すると、パイプラインのステップを選択して統合ソリューションに統合し、データの準備からモデルのデプロイまでのモデル構築プロセスを自動化できます。Kubernetes ベースのアーキテクチャの場合、Kubernetes クラスターに SageMaker AI 演算子をインストールし、Kubernetes API や kubectl などのコマンドライン Kubernetes ツールを使用して SageMaker AI ジョブをネイティブに作成できます。Kubeflow パイプライン用の SageMaker AI コンポーネントを使用すると、Kubeflow Pipelines から SageMaker AI のネイティブジョブを作成してモニタリングできます。SageMaker AI のジョブパラメータ、ステータス、出力には、Kubeflow パイプライン UI からアクセスできます。最後に、バッチジョブをスケジュールする場合は、 AWS Batch ジョブキュー統合または Jupyter ノートブックベースのワークフローサービスのいずれかを使用して、定義したスケジュールでスタンドアロンまたは定期的な実行を開始できます。
要約すると、SageMaker AI は以下のワークフロー技術を提供します。
-
Pipelines: ML パイプラインを構築して管理するためのツール。
-
Kubernetes のオーケストレーション: Kubernetes クラスター用の SageMaker AI カスタム演算子と Kubeflow Pipelines のコンポーネント
-
SageMaker ノートブックジョブ: Jupyter Notebook のオンデマンドまたはスケジュール済み非インタラクティブなバッチ実行。
SageMaker AI と統合されている他のサービスを活用してワークフローを構築することもできます。オプションには次のサービスが含まれます。
-
Airflow ワークフロー
: Airflow ワークフローを作成および管理するための設定をエクスポートする SageMaker API。 -
AWS Step Functions
: リソースを個別にプロビジョンする必要なく、SageMaker AI インフラストラクチャをオーケストレーションする Python のマルチステップ ML ワークフロー -
AWS Batch: SageMaker AI トレーニングジョブを AWS Batch ジョブキューに送信します。ジョブキューでは、コンピューティング環境で実行するジョブを優先してスケジュールできます。
SageMaker トレーニングと推論の管理の詳細については、「Amazon SageMaker Python SDK ワークフロー
トピック
