Amazon SageMaker Pipelines
AWS-Managed-Service für CI/CD-fähige ML-Pipelines mit integriertem Experiment Tracking, Model Registry und Deployment-Automatisierung.
SageMaker Pipelines bietet AWS-native ML-Pipeline-Orchestrierung mit integriertem Model Registry, Experiments und Deployment-Automatisierung.
Erklärung
SageMaker Pipelines orchestriert ML-Workflows als DAGs mit Steps für Processing, Training, Evaluation, Registration und Deployment. Es integriert SageMaker Experiments, Model Registry und automatische Modell-Genehmigungen.
Relevanz für Marketing
SageMaker Pipelines ist die native MLOps-Lösung für AWS-zentrierte Organisationen.
Häufige Fallstricke
AWS-Vendor-Lock-in. Kosten können bei vielen Pipelines schnell steigen. Debugging in Managed Environments eingeschränkt.
Entstehung & Geschichte
AWS lancierte SageMaker 2017 als Managed-ML-Service. SageMaker Pipelines wurde auf re:Invent 2020 vorgestellt. Seitdem kamen Model Dashboard, Shadow Testing und MLflow-Integration hinzu. SageMaker ist die meistgenutzte Cloud-ML-Plattform.
Abgrenzung & Vergleiche
Amazon SageMaker Pipelines vs. Vertex AI Pipelines
Vertex AI Pipelines nutzt Kubeflow Pipelines SDK; SageMaker Pipelines hat ein eigenes SDK mit tieferer AWS-Integration.
Amazon SageMaker Pipelines vs. Apache Airflow
Airflow ist ein allgemeiner Workflow-Orchestrator; SageMaker Pipelines ist ML-spezifisch mit nativem Training und Serving.