Amazon SageMaker es un conjunto de API que puede ayudar en varias tareas de aprendizaje automático y ciencia de datos. Estas API se pueden invocar desde varias fuentes, como CLI, SDK o específicamente desde programar funciones de AWS Lambda (consulte aquí para obtener documentación: https://docs.aws.amazon.com/lambda/latest/dg/with-scheduled-events .html )

Las partes principales de Amazon SageMaker son instancias de notebook, trabajos de capacitación y ajuste, y alojamiento de modelos para predicciones en tiempo real. Cada uno tiene diferentes tipos de horarios que es posible que desee tener. Los más populares son:

• Detención e inicio de instancias de portátiles : dado que las instancias de portátiles se utilizan para el desarrollo de modelos interactivos de aprendizaje automático, no es necesario que se ejecuten durante las noches o los fines de semana. Puede programar una función de Lambda para llamar a la API stop-notebook-instance al final de la jornada laboral (por ejemplo, a las 8:00 p. m.) y a la API start-notebook-instance por la mañana. Tenga en cuenta que también puede ejecutar crontab en las instancias de portátiles (después de abrir el terminal local desde la interfaz de Jupyter).
• Actualizar un modelo de ML : automatizar el reentrenamiento de modelos, en datos nuevos que fluyen en el sistema todo el tiempo, es un problema común que con SageMaker es más fácil de resolver. Llamar a la API create-training-job desde una función Lambda programada (o incluso desde un evento de CloudWatch que monitorea el rendimiento de los modelos existentes), apuntando al depósito S3 donde residen los datos antiguos y nuevos, puede crear un modelo actualizado que usted ahora se puede implementar en un entorno de prueba A/B .

----- ACTUALIZACIÓN (gracias al comentario de @snat2100) -----

• Creación y eliminación de puntos finales en tiempo real: si sus puntos finales en tiempo real no son necesarios las 24 horas del día, los 7 días de la semana (por ejemplo, para atender a usuarios internos de la empresa que trabajan durante los días y horas laborales), también puede crear los puntos finales por la mañana y eliminarlos por la noche.

A partir de mediados de 2020, AWS ofrece varias opciones para ejecutar un cuaderno como trabajo cron. Utiliza Papermill para inyectar parámetros por ejecución, y también puede usar la CLI para ejecutar el portátil a pedido.
Puede: (1) usar las API o la CLI de AWS directamente; (2) use un paquete de conveniencia, o (3) use una extensión de Jupyter Lab.

Consulte este tutorial y la guía de inicio rápido para ver ejemplos.

No creo que haya ninguna forma de programar tareas en sagemaker. Notebook está diseñado más para interactuar con el tiempo de ejecución de SageMaker. Lo cual es más para entrenar y hospedar modelos ML.

Asumo que quieres volver a entrenar a tu modelo todas las noches. Hay dos formas de lograrlo: vuelva a entrenar su modelo en otro lugar y luego súbalo a S3 y vuelva a crear su contenedor docker todas las noches usando un script externo. O proporcione su propio contenedor docker que tenga un trabajo cron programado dentro de él. Déle eso a SageMaker para que lo implemente.