Das Orchestrieren von Machine-Learning-Pipelines ist komplex, insbesondere wenn Datenverarbeitung, Training und Bereitstellung mehrere Dienste und Tools umfassen. In diesem Beitrag stellen wir ein praktisches End-to-End-Beispiel für die Entwicklung, das Testen und die Ausführung einer Machine-Learning-(ML)-Pipeline vor, wobei wir die Workflow-Funktionen in Amazon SageMaker nutzen, auf die über die Amazon SageMaker Unified Studio-Umgebung zugegriffen wird. Diese Workflows werden von Amazon Managed Workflows for Apache Airflow unterstützt.