Skip to content

Amazon SageMaker AI - Runbook 与参考

English · GitHub source 事实核对时间（对照 AWS 官方文档）：2026-08-19

概述

Amazon SageMaker AI（2024 年 12 月 3 日由 Amazon SageMaker 更名）是全托管机器学习服务，用于在生产中构建、训练和部署 ML 模型。它提供托管算法、分布式训练、Notebook 与 Studio、模型部署和 MLOps 工具。下一代 Amazon SageMaker 是统一的数据、分析与 AI 平台，还包括 Lakehouse、数据与 AI 治理、SQL 分析、数据处理、Unified Studio 和 Amazon Bedrock。

核心概念

  • 旧命名不变：更名后 sagemaker API 命名空间、CLI 命令、托管策略、端点、CloudFormation 资源、服务关联角色以及控制台/文档 URL 均保持不变。
  • SageMaker AI：用全托管基础设施、工具和工作流构建、训练和部署 ML 与基础模型。
  • Studio / Unified Studio：用于数据准备、实验和 MLOps 的集成开发环境。
  • 训练：托管算法以及自带算法/框架，支持灵活的分部署训练选项。
  • 部署：从控制台几步即可将模型部署到安全、可扩展的托管端点；支持实时、无服务器和批处理推理。
  • 下一代 SageMaker 平台：统一数据访问（跨 S3 和 Redshift 的 Lakehouse）、数据治理（基于 DataZone 的 Catalog）、SQL 分析（Redshift）、数据处理（Athena、EMR、Glue）以及生成式 AI 的 Bedrock。

常用操作（AWS CLI）

# 创建并启动 Notebook 实例
aws sagemaker create-notebook-instance --notebook-instance-name ml-env \
  --instance-type ml.t3.medium --role-arn arn:aws:iam::123456789012:role/sagemaker-role
aws sagemaker start-notebook-instance --notebook-instance-name ml-env

# 训练模型
aws sagemaker create-training-job --training-job-name my-job \
  --algorithm-specification file://algo.json \
  --role-arn arn:aws:iam::123456789012:role/sagemaker-role \
  --input-data-config file://inputs.json \
  --output-data-config file://output.json \
  --resource-config '{"InstanceType":"ml.m5.large","InstanceCount":1}'

# 部署端点
aws sagemaker create-endpoint-config --endpoint-config-name my-config \
  --production-variants file://variant.json
aws sagemaker create-endpoint --endpoint-name my-endpoint \
  --endpoint-config-name my-config
aws sagemaker list-endpoints

最佳实践

  • 使用 SageMaker Studio/Unified Studio 跑完整流程，保持实验可跟踪、可复现。
  • 训练数据放 S3 并做版本管理；用托管 feature store 复用特征。
  • 选择满足需求的最小实例，用托管 Spot 训练降低成本。
  • 生产端点配置模型监控（数据质量、漂移），并通过 CI/CD 管道部署。
  • 用 IAM、VPC 和 KMS 加密保护 Notebook/端点；用 SageMaker Role Manager 生成最小权限角色。
  • 需要时在同一平台中用 Amazon Bedrock 评估基础模型用例。

故障排查

症状 检查与处理
训练任务失败 查看 CloudWatch 中的任务日志、输入数据格式和 IAM 角色权限。
端点创建失败 检查模型制品路径、实例类型和 production variant 配置。
Notebook 无法访问 S3 核对 Notebook 角色和实例配置文件的权限。
推理慢 合理调整端点实例，突发流量用无服务器推理，非实时负载用批处理推理。
更名混淆 更名不改变 sagemaker 命名空间和现有功能。

配额

每账户 Notebook 实例、训练任务、端点和模型大小有限制。以 Amazon SageMaker 端点和配额页面及 Service Quotas 控制台为准。

官方参考