本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 管道
<a name="pipelines"></a>

Amazon SageMaker Pipelines 是一種專門建置的工作流程協同運作服務，可自動化機器學習 (ML) 開發。

相較於其他 AWS 工作流程產品，管道提供下列優點：

**自動擴展無伺服器基礎設施** 您不需要管理基礎協同運作基礎設施來執行 Pipelines，這可讓您專注於核心 ML 任務。SageMaker AI 會自動根據您的 ML 工作負載需求佈建、擴展和關閉管道協同運作運算資源。

**直覺式使用者體驗** 您可以透過選擇的介面建立和管理管道：視覺化編輯器、SDK、API或 JSON。您可以在 Amazon SageMaker Studio 視覺化介面中拖放各種 ML 步驟來編寫管道。下列螢幕擷取畫面顯示適用於管道的 Studio 視覺化編輯器。

![Studio 中 Pipelines 視覺化拖放介面的螢幕擷取畫面。](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/pipelines/pipelines-studio-overview.png)


如果您偏好以程式設計方式管理 ML 工作流程，SageMaker Python SDK 會提供進階協同運作特徵。如需詳細資訊，請參閱 SageMaker Python SDK 文件中的 [Amazon SageMaker Pipelines](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_model_building_pipeline.html)。

**AWS 整合**管道提供與所有 SageMaker AI 功能和其他 AWS 服務的無縫整合，以自動化資料處理、模型訓練、微調、評估、部署和監控任務。您可以將 SageMaker AI 特徵納入 Pipelines，並使用深層連結來大規模建立、監控和偵錯 ML 工作流程，以導覽這些特徵。

使用 Pipelines **降低成本**，您只需為 SageMaker Studio 環境和 Pipelines 協調的基礎任務 (例如 SageMaker Training、SageMaker Processing、SageMaker AI Inference 和 Amazon S3 資料儲存) 付費。

使用 Pipelines 的**可稽核性和歷程追蹤**，您可以使用內建版本控制來追蹤管道更新和執行的歷程記錄。Amazon SageMaker ML 歷程追蹤可協助您分析端對端 ML 開發生命週期中的資料來源和資料消費者。

**Topics**
+ [管道概觀](pipelines-overview.md)
+ [Pipelines 動作](pipelines-build.md)