本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# SageMaker AI 工作流程
<a name="workflows"></a>

在扩展机器学习 (ML) 操作时，您可以使用 Amazon A SageMaker I 完全托管的工作流程服务来实施机器学习生命周期的持续集成和部署 (CI/CD) 实践。利用 Pipelines SDK，您可以选择管道步骤并将其集成到统一的解决方案中，从而实现从数据准备到模型部署的模型构建流程自动化。对于基于 Kubernetes 的架构，你可以在 Kubernetes 集群上安装 SageMaker 人工智能运算符，使用 Kubernetes API 和命令行 Kubernetes 工具（例如）在本地创建 SageMaker 人工智能作业。`kubectl`借助 Kubeflow 管道的 SageMaker AI 组件，您可以通过 Kubeflow 管道创建和监控原生 SageMaker AI 作业。可从 Kubeflow Pipelines 用户界面访问 SageMaker 来自 AI 的作业参数、状态和输出。最后，如果要安排批处理作业，则可以使用 AWS Batch 作业队列集成或基于 Jupyter 笔记本的工作流服务，按照您定义的计划启动独立运行或常规运行。

总而言之， SageMaker AI 提供了以下工作流程技术：
+ [管道](pipelines.md)：用于构建和管理机器学习管道的工具。
+ [Kubernetes 编排](kubernetes-workflows.md): Kubernetes 集群的 SageMaker AI 自定义运算符和 Kubeflow Pipelines 的组件。
+ [SageMaker 笔记本职位](notebook-auto-run.md)：按需或按计划非交互式批量运行 Jupyter 笔记本。

您还可以利用与 SageMaker AI 集成的其他服务来构建您的工作流程。这些选项包含以下服务：
+ [气流工作流程](https://sagemaker.readthedocs.io/en/stable/workflows/airflow/index.html)：导出 SageMaker APIs 用于创建和管理 Airflow 工作流程的配置。
+ [AWS Step Functions](https://sagemaker.readthedocs.io/en/stable/workflows/step_functions/index.html)：Python 中的多步机器学习工作流程，无需单独配置资源即可编排 SageMaker AI 基础架构。
+ [AWS Batch](https://docs.aws.amazon.com/batch/latest/userguide/getting-started-sagemaker.html)：将 SageMaker AI 训练作业提交到 AWS Batch 作业队列，在那里你可以对作业进行优先级排序和安排，使其在计算环境中运行。

有关管理 SageMaker 训练和推理的更多信息，请参阅 [Amaz SageMaker on Python 软件开发工具包工作流程](https://sagemaker.readthedocs.io/en/stable/workflows/index.html)。

**Topics**
+ [管道](pipelines.md)
+ [Kubernetes 编排](kubernetes-workflows.md)
+ [SageMaker 笔记本职位](notebook-auto-run.md)
+ [安排您的 ML 工作流程](workflow-scheduling.md)
+ [AWS Batch 支持 A SageMaker I 训练作业](training-job-queues.md)