Amazon SageMaker Pipelines offre désormais une expérience de développement simplifiée pour les flux de travail IA/ML

Aujourd’hui, nous sommes ravis d’annoncer la disponibilité générale d’une expérience de développement simplifiée pour Amazon SageMaker Pipelines. Le SDK Python amélioré vous permet de créer rapidement des flux de travail d’apprentissage automatique (ML) avec la syntaxe Python familière. Les principales fonctionnalités du SDK incluent un nouveau décorateur Python (@step) pour les étapes personnalisées, un type d’étape Notebook Jobs et un planificateur de flux de travail.

Le développement de ML commence souvent par un code Python monolithique à expérimenter dans votre environnement de développement local (par exemple, les notebooks Jupyter) avant de décider d’automatiser son exécution via des étapes de pipeline découplées. Avec la nouvelle expérience de développeur Amazon SageMaker Pipelines, vous pouvez convertir votre code ML en un graphique acyclique dirigé (DAG) automatisé de différentes étapes de ML en quelques minutes. Pour créer un workflow ML, annotez vos fonctions Python existantes avec les décorateurs « @step » et passez la dernière étape à l’API de création de pipeline. Amazon SageMaker interprétera automatiquement les dépendances entre les fonctions Python annotées, créera des étapes de pipeline personnalisées pour chacune d’elles et générera le DAG Pipeline. Si votre code ML est réparti sur plusieurs notebooks Python, vous pouvez les enchaîner pour orchestrer un flux de travail de tâches de notebook. Plus tard, si vous souhaitez exécuter automatiquement le workflow de manière récurrente, vous pourrez configurer un calendrier d’exécution à l’aide d’un seul appel de fonction dans le nouveau SDK Python.

Pour commencer, créez un flux de travail ML à l’aide de l’un des exemples de blocs-notes prédéfinis sur GitHub et visualisez-le dans l’interface utilisateur d’Amazon SageMaker Studio. Consultez le guide du développeur Amazon SageMaker Pipelines pour plus d’informations.