Data Science mit AWS

KAPITEL 10

Pipelines und MLOps

In den vorangegangenen Kapiteln haben wir gezeigt, wie die einzelnen Schritte einer typischen ML-Pipeline durchgeführt werden, einschließlich der Datenaufnahme, der explorativen Datenanalyse, des Feature Engineering, des Modelltrainings, der Hyperparameterabstimmung und des Deployments.

In diesem Kapitel führen wir alle Schritte in Form einer wiederverwendbaren und automatisierten Pipeline zusammen, indem wir eine umfassende Lösung für Machine Learning Operations (MLOps) mithilfe von SageMaker Pipelines entwickeln. Wir besprechen auch verschiedene Möglichkeiten zur Orchestrierung von Pipelines, einschließlich AWS Step Functions, Kubeflow Pipelines, Apache Airflow, MLFlow und TensorFlow Extended (TFX).

Anschließend ...