Amazon SageMaker Pipelines

Serviço desenvolvido especificamente para fluxos de trabalho de machine learning

Comece a usar o Amazon SageMaker Pipelines

O que é o Amazon SageMaker Pipelines?

O Amazon SageMaker Pipelines é um serviço de orquestração de fluxo de trabalho sem servidor criado especificamente para automação de MLOps e LLMOps. Você pode criar, executar e monitorar facilmente fluxos de trabalho de ML repetíveis de ponta a ponta com uma interface intuitiva de arrastar e soltar ou com o Python SDK. O Amazon SageMaker Pipelines pode ser escalado para executar dezenas de milhares de fluxos de trabalho simultâneos de ML na produção.

Benefícios do SageMaker Model Deployment

Tecnologia sem servidor e com propósito específico para ML

A integração contínua com os atributos do Amazon SageMaker (como treinamento, trabalhos de cadernos e inferência) e a infraestrutura sem servidor removem o esforço excessivo e não especializado envolvido na automação de trabalhos de ML.

Facilidade para experimentar e tornar fluxos de trabalho de ML produtivos

É possível usar a interface de usuário de arrastar e soltar ou um código (Python SDK ou APIs) para criar, executar e monitorar DAGs (gráficos acíclicos dirigidos) de fluxos de trabalho de ML.

Escalável e extensível

Faça a migração lift-and-shift do código de ML existente para automatizar a execução dezenas de milhares de vezes. Desenvolva integrações personalizadas adaptadas às suas estratégias de MLOps e LLMOps.

Criar, executar e monitorar fluxos de trabalho de IA generativa

Crie e experimente variações de fluxos de trabalho do modelo de base com uma interface visual intuitiva de arrastar e soltar no Amazon SageMaker Studio. Execute os fluxos de trabalho manualmente ou em um cronograma para atualizar automaticamente seus modelos de ML e endpoints de inferência quando novos dados estiverem disponíveis.

Aplique lift-and-shift ao código de machine learning

Reutilize qualquer código de ML existente e automatize sua execução no SageMaker Pipelines com um único decorator em Python (@step). Execute uma cadeia de cadernos ou scripts em Python com os tipos de etapas “Execute Code” e “Notebook Job”.

Auditar e depurar execuções de fluxo de trabalho de ML

Consulte um histórico detalhado da estrutura do fluxo de trabalho, da performance e de outros metadados para auditar trabalhos de ML que foram executadas no passado. Aprofunde-se nos componentes individuais do fluxo de trabalho de ponta a ponta para depurar falhas de trabalho, corrigi-las no editor visual ou no código e reexecutar o pipeline atualizado.