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。

# 排程您的 ML 工作流程
<a name="workflow-scheduling"></a>

使用 Amazon SageMaker AI，您可以在建立資料集、執行資料轉換、從資料建置模型，以及將模型部署到端點以進行推論時，管理整個 ML 工作流程。如果您定期執行工作流程的任何步驟子集，您也可以選擇按排程執行這些步驟。例如，您可能想要在 SageMaker Canvas 中排程一個任務，每小時對新資料執行轉換。在另一個案例中，您可能想要排程每週任務，以監控所部署模型的模型漂移。您可以指定任何時間間隔的週期性排程 - 您可以每秒、每分鐘、每日、每週、每月或每月第 3 個星期五下午 3 點重複執行。

**以下案例總結了您的可用選項，取決於您的使用案例。**
+ 使用案例 1：**在無程式碼環境中建置和排程您的 ML 工作流程**。對於 SageMaker AI 新手，您可以使用 Amazon SageMaker Canvas 來建置 ML 工作流程，並使用 Canvas UI 型排程器建立排程執行。
+ 使用案例 2：**在單一 Jupyter 筆記本中建置您的工作流程，並使用無程式碼排程器**。經驗豐富的 ML 從業人員可以使用程式碼，在 Jupyter 筆記本中建置其 ML 工作流程，並使用筆記本任務小工具提供的無程式碼排程選項。如果您的 ML 工作流程包含多個 Jupyter 筆記本，您可以使用使用案例 3 中所述 Pipelines Python SDK 中的排程特徵。
+ 使用案例 3：**使用 Pipelines 建置和排程您的 ML 工作流程**。進階使用者可以使用 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)、Amazon SageMaker Pipelines 視覺化編輯器或 Pipelines 提供的 Amazon EventBridge 排程選項。您可以建置 ML 工作流程，其中包含各種 SageMaker AI 功能 AWS 和服務的操作，例如 Amazon EMR。


| 描述項 | 使用案例 1 | 使用案例 2 | 使用案例 3 | 
| --- | --- | --- | --- | 
| SageMaker AI 功能 | Amazon SageMaker Canvas 資料處理和 ML 工作流程排程 | 筆記本任務排程小工具 (UI) | Pipelines Python SDK 排程選項 | 
| Description | 使用 Amazon SageMaker Canvas，您可以排程自動執行資料處理步驟，以及在個別程序中，排程自動更新資料集。您也可以間接排程整個 ML 工作流程，方法為設定一個組態，每當更新特定資料集時就執行批次預測。對於自動資料處理和資料集更新，SageMaker Canvas 會提供基本表單，您可以從中選取開始時間和日期，以及執行之間的時間間隔 (或如果您排程資料處理步驟，則為 cron 表達式）。如需如何排程資料處理步驟的詳細資訊，請參閱[建立自動處理新資料的排程](canvas-data-export-schedule-job.md)。如需如何排程資料集和批次預測更新的詳細資訊，請參閱[如何管理自動化](canvas-manage-automations.md)。 | 如果您在單一 Jupyter 筆記本中建置了資料處理和管道工作流程，您可以使用筆記本任務小工具，隨需或按排程執行筆記本。筆記本任務小工具會顯示基本表單，您可以在其中指定運算類型、執行排程和選用的自訂設定。您可以透過選取時間型間隔或插入 Cron 表達式來定義執行排程。小工具會自動安裝在 Studio 中，或者您可以執行其他安裝，以在本機 JupyterLab 環境中使用此特徵。如需筆記本任務的詳細資訊，請參閱[SageMaker 筆記本工作](notebook-auto-run.md)。 | 如果您已使用 Pipelines 實作 ML 工作流程，則可以使用 SageMaker SDK 中的排程特徵。您的管道可以包含微調、資料處理和部署等步驟。Pipelines 支援兩種排程管道的方式。您可以建立 Amazon EventBridge 規則，或使用 SageMaker SDK [PipelineSchedule](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.triggers.PipelineSchedule) 建構函數或 Amazon SageMaker Pipelines 視覺化編輯器來定義排程。如需 Pipelines 中可用排程選項的詳細資訊，請參閱[排程管道執行](pipeline-eventbridge.md)。 | 
| 最佳化 | 為 SageMaker Canvas ML 工作流程提供排程選項 | 為 Jupyter 筆記本型 ML 工作流程提供 UI 型排程選項 | 為 ML 工作流程提供 SageMaker SDK 或 EventBridge 排程選項 | 
| 考量事項 | 您可以使用 Canvas 無程式碼架構來排程工作流程，但資料集更新和批次轉換更新最多可處理 5GB 的資料。 | 您可以在相同的任務中使用 UI 型排程表單來排程一個筆記本，但不能排程多個筆記本。若要排程多個筆記本，請使用使用案例 3 中所述的 Pipelines SDK 程式碼型解決方案。 | 您可以使用 Pipelines 提供的更進階 (SDK 型) 排程功能，但您需要參考 API 文件來指定正確的選項，而不是從 UI 型選項功能表中選取選項。 | 
| 建議的環境 | Amazon SageMaker Canvas | Studio、本機 JupyterLab 環境 | Studio、本機 JupyterLab 環境、任何程式碼編輯器 | 

## 其他資源
<a name="workflow-scheduling-addit"></a>

**SageMaker AI 提供下列其他選項來排程您的工作流程。**
+ [什麼是 Amazon EventBridge 排程器？](https://docs.aws.amazon.com/scheduler/latest/UserGuide/what-is-scheduler.html) 本節討論的排程選項包括 SageMaker Canvas、Studio 和 SageMaker AI Python SDK 中提供的預先建置選項。所有選項都會擴展 Amazon EventBridge 的特徵，您也可以使用 EventBridge 建立自己的自訂排程解決方案。
+ [以排程和事件為基礎執行特徵處理器管道](feature-store-feature-processor-schedule-pipeline.md)。 使用 Amazon SageMaker Feature Store Feature Processing，您可以將特徵處理管道設定為按排程或由於另一個 AWS 服務事件而執行。