跳到正文
AWS Machine Learning Blog(aws.amazon.com)· WonGu Rho·· 9 天前精選品質評分60

GS Caltex 如何用 SageMaker Canvas 和 Pipelines 部署模型

Production MLOps at GS Caltex with Amazon SageMaker Canvas, part 1

重點導讀

模型在開發時能正常使用,接到正式工作流程時卻常要工程師重新串接資料和設定,花上不少時間。

  • GS Caltex 讓流程工程師在 SageMaker Canvas 建立並檢查模型,再由機器學習工程師把模型和資料處理流程接到 SageMaker Pipelines,定期執行批次推論。
  • 文章也說明如何確認訓練資料和推論資料格式一致、避免重複處理,並檢查每次執行的結果。
  • GS Caltex 表示,部署模型從約一週縮短到幾小時,並以每 30 分鐘執行一次批次推論,降低持續開著推論端點的需求與成本。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

推薦理由

文章拆解 SageMaker Canvas 模型轉入定期批次推論的流程,也提醒資料格式、執行重疊與成本都要納入上線檢查。

信源出處aws.amazon.com

Production MLOps at GS Caltex with Amazon SageMaker Canvas, part 1

本文為 888news 精選之重點導讀。若需閱讀作者完整原文、技術細節與官方討論,請前往原始網站。

開啟原文
來源: AWS Machine Learning Blog (aws.amazon.com)
開啟原文

讀者討論

理性交流 · 即時討論