amazon-sagemaker-examples: AWS 上でのエンドツーエンドの機械学習ライフサイクルを管理するための公式例ノートブックと合理化された Python SDK

何を解決するか

このリポジトリは、Amazon SageMaker を使用して機械学習モデルを構築、トレーニング、およびデプロイする方法を示す、公式の例 Jupyter ノートブックの包括的なコレクションを提供します。さまざまな ML タスクのエンドツーエンドのワークフローを提供することで、SageMaker のプラットフォーム機能と実践的な実装との間のギャップを埋めます。

仕組み

このプロジェクトは、データ準備、モデル構築/トレーニング、デプロイ、およびモニタリングを含む、ML ライフサイクルを反映したカテゴリに例を整理しています。また、SageMaker リソース（TrainingJobs や Endpoints など）との対話を、オブジェクト指向インターフェースとリソースチェイニングを通じて簡素化する新しい Python SDK である SageMaker-Core を導入しています。これにより、手動でのパラメータ指定や低レベル API のポーリングの必要性が軽減されます。

対象者

AWS 上で機械学習ワークロードを実装したい ML 実務家および開発者。エンドツーエンドのガイドを求める初心者から、Generative AI、MLOps、または Responsible AI のための特定の実装パターンを探している経験豊富なエンジニアまで含まれます。

ハイライト

• Full ML Lifecycle Coverage: データ準備、トレーニング、デプロイ、およびリアルタイムモニタリングにわたる例。
• SageMaker-Core SDK: 型ヒント、オートコンプリート、およびリソース管理へのオブジェクト指向アプローチを提供する合理化された Python SDK。
• Generative AI Support: テキスト、画像、音声、およびビデオのモダリティにわたる合成データを作成するための専用の例。
• MLOps & Governance: ML 用の CI/CD、バイアス検出、および Model Cards や Dashboards を介したモデルガバナンスを実装するためのツールとノートブック。