Orchestrer les pipelines d'apprentissage automatique est complexe, en particulier lorsque le traitement des données, l'entraînement et le déploiement s'étendent sur plusieurs services et outils. Dans cet article, nous allons vous présenter un exemple pratique de bout en bout de développement, de test et d'exécution d'un pipeline d'apprentissage automatique (ML) en utilisant les capacités de flux de travail d'Amazon SageMaker, accessibles via l'expérience Amazon SageMaker Unified Studio. Ces flux de travail sont alimentés par Amazon Managed Workflows for Apache Airflow.