Verwenden Sie von SageMaker KI bereitgestellte Projektvorlagen

Code-Repository: Git eines Drittanbieters.

Automatisierung des CI/CD-Workflows: AWS CodePipeline

Verknüpfungen mit einem vom Kunden angegebenen Git-Repositorys. Das Repository enthält Beispielcode, der eine Amazon SageMaker AI-Pipeline in Python-Code erstellt und zeigt, wie die SageMaker AI-Pipeline erstellt und aktualisiert wird. Dieses Repository enthält auch ein Python-Beispiel-Notizbuch, das Sie in Studio (oder Studio Classic) öffnen und ausführen können.

Eine AWS CodePipeline Pipeline mit Quell- und Build-Schritten. Der Quellschritt verweist auf das Git-Repository eines Drittanbieters. Der Build-Schritt ruft den Code aus diesem Repository ab, erstellt und aktualisiert die SageMaker AI-Pipeline, startet eine Pipeline-Ausführung und wartet, bis die Pipeline-Ausführung abgeschlossen ist.

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS-Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3 S3-Bucket zum Speichern von Artefakten, einschließlich CodeBuild Artefakten, CodePipeline und aller Artefakte, die aus der SageMaker KI-Pipeline generiert wurden, wird ausgeführt.

Verknüpfungen mit einem vom Kunden angegebenen Git-Repositorys. Das Repository enthält Beispielcode, der Modelle auf Endpunkten in Staging- und Produktionsumgebungen bereitstellt.

Eine AWS CodePipeline Pipeline mit Quellcode, Build und Schritten deploy-to-staging. deploy-to-production Der Quellschritt verweist auf das Git-Repository eines Drittanbieters und der Build-Schritt ruft den Code aus diesem Repository ab und generiert AWS CloudFormation Stacks zur Bereitstellung. Die deploy-to-production Schritte deploy-to-staging und stellen die AWS CloudFormation Stacks in ihren jeweiligen Umgebungen bereit. Zwischen der Bereitstellungsphase und der Serienfertigung findet ein manueller Genehmigungsschritt statt, sodass ein MLOps Techniker das Modell genehmigen muss, bevor es in der Produktion eingesetzt wird.

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS-Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3 S3-Bucket zum Speichern von Artefakten, einschließlich CodeBuild Artefakten, CodePipeline und aller Artefakte, die aus der SageMaker KI-Pipeline generiert wurden, wird ausgeführt.

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys.

Eine AWS CodePipeline Pipeline mit Quellcode deploy-to-staging, Build und deploy-to-production Schritten. Der Quellschritt verweist auf das Git-Repository eines Drittanbieters und der Build-Schritt ruft den Code aus diesem Repository ab und generiert CloudFormation Stacks zur Bereitstellung. Die deploy-to-production Schritte deploy-to-staging und stellen die CloudFormation Stacks in ihren jeweiligen Umgebungen bereit. Zwischen der Bereitstellungsphase und der Serienfertigung findet ein manueller Genehmigungsschritt statt, sodass ein MLOps Techniker das Modell genehmigen muss, bevor es in der Produktion eingesetzt wird.

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3 S3-Bucket zum Speichern von Artefakten, einschließlich CodeBuild Artefakten, CodePipeline und aller Artefakte, die aus der SageMaker KI-Pipeline generiert wurden, wird ausgeführt.

Code-Repository: Git eines Drittanbieters.

Automatisierung des CI/CD-Workflows: AWS CodePipeline

Datenqualität – Überwachen Sie Abweichungen bei der Datenqualität.

Modellqualität – Überwachen Sie Abweichungen bei den Kennzahlen zur Modellqualität, z. B. bei der Genauigkeit.

Verzerrungen bei Modellen in der Produktion — Überwachen Sie Verzerrungen bei den Prognosen eines Modells.

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys. Das Repository enthält Python-Beispielcode, der die von den Monitoren verwendeten Baselines aus der Amazon SageMaker Model Registry abruft und die Parameter der Vorlage für die Staging- und Produktionsumgebungen aktualisiert. Es enthält auch eine AWS CloudFormation Vorlage zur Erstellung der Amazon SageMaker Model Monitors.

Eine AWS CodePipeline Pipeline mit Schritten zur Beschaffung, Erstellung und Bereitstellung. Der Quellschritt verweist auf das CodePipeline Repository. Im Build-Schritt wird der Code aus diesem Repository abgerufen, die Baseline aus der Model Registry abgerufen und die Vorlagenparameter für die Staging- und Produktionsumgebung aktualisiert. In den Bereitstellungsschritten werden die konfigurierten Monitore in der Staging- und Produktionsumgebung bereitgestellt. Der manuelle Genehmigungsschritt innerhalb der DeployStaging Phase erfordert, dass Sie überprüfen, ob sich der SageMaker KI-Produktionsendpunkt befindet, InService bevor Sie die Genehmigung erteilen und zur DeployProd Phase übergehen.

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS-Konto zu Ihrem Konto auf dem Git-Repository-Host.

Die Vorlage verwendet denselben Amazon S3 S3-Bucket, der von der MLOps Vorlage für Modellbildung, Schulung und Bereitstellung erstellt wurde, um die Ausgaben der Monitore zu speichern.

Zwei EventBridge Amazon-Event-Regeln initiieren den Amazon SageMaker Model Monitor AWS CodePipeline jedes Mal, wenn der SageMaker Staging-KI-Endpunkt aktualisiert wird.

Code-Repository: Git eines Drittanbieters.

CI/CD-Workflow-Automatisierung: Jenkins

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys.

Startcode zur Generierung von Jenkins-Pipelines mit Quellcode deploy-to-staging, Build und Schritten. deploy-to-production Der Quellschritt verweist auf das vom Kunden angegebene Git-Repository. Der Build-Schritt ruft den Code aus diesem Repository ab und generiert zwei Stacks. CloudFormation Bei den Bereitstellungsschritten werden die CloudFormation Stacks in ihren jeweiligen Umgebungen bereitgestellt. Zwischen dem Staging-Schritt und dem Produktionsschritt gibt es einen Genehmigungsschritt.

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3 S3-Bucket zum Speichern von Artefakten des SageMaker KI-Projekts und der SageMaker KI-Pipeline.

Schließen Sie die Pipeline zur Erstellung von Verarbeitungsabbildern ein

Pipeline zur Erstellung von Trainings-Images einbeziehen

Pipeline zur Erstellung von Inferenz-Images einbeziehen

Ein ECR Amazon-Repository

Ein SageMaker KI-Bild

Ein CodeCommit Repository mit einer Docker-Datei, die Sie anpassen können

A CodePipeline , das durch Änderungen am Repository initiiert wird CodePipeline

Ein CodeBuild Projekt, das ein Docker-Image erstellt und es im ECR Amazon-Repository registriert

Eine EventBridge Regel, die das nach einem Zeitplan CodePipeline initiiert

Löschen Sie die Rolle und wechseln Sie zu den Einstellungen von Studio (oder Studio Classic)

Fügen Sie in der IAM Konsole die folgenden Berechtigungen hinzuAmazonSageMakerServiceCatalogProductsUseRole:

{
      "Effect": "Allow",
      "Action": [
          "codestar-connections:UseConnection"
      ],
      "Resource": "arn:aws:codestar-connections:*:*:connection/*",
      "Condition": {
          "StringEqualsIgnoreCase": {
              "aws:ResourceTag/sagemaker": "true"
          }
      }
  },
  {
      "Effect": "Allow",
      "Action": [
          "s3:PutObjectAcl"
      ],
      "Resource": [
          "arn:aws:s3:::sagemaker-*"
      ]
  }