详细内容或原文请订阅后点击阅览

Amazon SageMaker Canvas 模型的无服务器部署

2025年10月21日 19:03 33 Comments
X Twitter Instagram Mail

在这篇文章中，我们将介绍如何采用 SageMaker Canvas 中构建的 ML 模型并使用 SageMaker Serverless Inference 进行部署，帮助您快速高效地从模型创建到生产就绪的预测，而无需管理任何基础设施。该解决方案演示了一个完整的工作流程，从将经过训练的模型添加到 SageMaker 模型注册表，到创建无服务器端点配置，再到部署根据需求自动扩展的端点。

来源:亚马逊云科技 _机器学习
将机器学习 (ML) 模型部署到生产中通常是一项复杂且资源密集型的任务，特别是对于没有深厚的 ML 和 DevOps 专业知识的客户而言。 Amazon SageMaker Canvas 通过提供无代码界面简化了模型构建，因此您可以使用现有数据源创建高度准确的 ML 模型，而无需编写任何代码。但建立模型只是旅程的一半；有效且经济高效地部署它同样重要。 Amazon SageMaker Serverless Inference 专为具有可变流量模式和空闲期的工作负载而设计。它根据需求自动配置和扩展基础设施，从而减轻了管理服务器或预配置容量的需要。在这篇文章中，我们将介绍如何采用在 SageMaker Canvas 中构建的 ML 模型并使用 SageMaker Serverless Inference 进行部署。该解决方案可以帮助您快速、高效地从模型创建过渡到生产就绪的预测，而无需管理任何基础设施。解决方案概述为了演示 SageMaker Canvas 训练模型的无服务器终端节点创建，让我们探索示例工作流程：将训练模型添加到 Amazon SageMaker 模型注册表。使用正确的配置创建新的 SageMaker 模型。创建无服务器终端节点 配置。使用创建的模型和端点配置部署无服务器端点。您还可以自动化该过程，如下图所示。在此示例中，我们将预先训练的回归模型部署到无服务器 SageMaker 端点。这样，我们就可以将我们的模型用于不需要实时推理的可变工作负载。先决条件作为先决条件，您必须有权访问 Amazon Simple Storage Service (Amazon S3) 和 Amazon SageMaker AI。如果您的账户中尚未配置 SageMaker AI 域，您还需要创建 SageMaker AI 域的权限。您还必须拥有已训练过的回归或分类模型。您可以训练
Amazon 容量的 数据源 工作负载 解决方案 ML 先决条件 创建 配置 训练的 使用 回归模型 可变 SageMaker Canvas 准确的 旅程的 根据 部署 自动化 训练模型 正确的 基础设施 AI 服务器 机器学习 端节点 模型 模型的