Verwenden Sie von SageMaker uns bereitgestellte Projektvorlagen - Amazon SageMaker
MLOpsVorlage für Modellerstellung, Schulung und Bereitstellung Vorlage für die Erstellung, Schulung, Bereitstellung und Amazon SageMaker Model Monitor MLOpsVorlage für Image-Erstellung, Modellerstellung und ModellbereitstellungMLOpsVorlage für Modellerstellung, Schulung und Bereitstellung mit Git-Repositorys von Drittanbietern unter Verwendung CodePipelineMLOpsVorlage für Modellerstellung, Schulung und Bereitstellung mit Git-Repositorys von Drittanbietern mithilfe von JenkinsModellbereitstellung für SalesforceDrittanbieter-Git-Repository

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Verwenden Sie von SageMaker uns bereitgestellte Projektvorlagen

Wichtig

Ab dem 9. September 2024 werden Projektvorlagen, die das AWS CodeCommit Repository verwenden, nicht mehr unterstützt. Wählen Sie für neue Projekte aus den verfügbaren Projektvorlagen, die Git-Repositorys von Drittanbietern verwenden.

Amazon SageMaker stellt Projektvorlagen zur Verfügung, die die Infrastruktur schaffen, die Sie für die Erstellung einer MLOps Lösung für die kontinuierliche Integration und kontinuierliche Bereitstellung (CI/CD) von ML-Modellen benötigen. Verwenden Sie diese Vorlagen, um Daten zu verarbeiten, Funktionen zu extrahieren, Modelle zu trainieren und zu testen, die Modelle in der SageMaker Modellregistrierung zu registrieren und die Modelle für Inferenz bereitzustellen. Sie können den Seed-Code und die Konfigurationsdateien an Ihre Anforderungen anpassen.

Anmerkung

Ab dem 25. Juli 2022 benötigen wir zusätzliche Rollen, um Projektvorlagen verwenden zu können. Eine vollständige Liste der erforderlichen Rollen und Anweisungen zu ihrer Erstellung finden Sie unter Erteilung von SageMaker Studio-Berechtigungen, die für die Verwendung von Projekten erforderlich sind. Wenn Sie nicht über die neuen Rollen verfügen, erhalten Sie die Fehlermeldung CodePipeline is not authorized to perform AssumeRole on role arn:aws:iam: AmazonSageMakerServiceCatalogProductsCodePipelineRole :xxx:role/service-role/, wenn Sie versuchen, ein neues Projekt zu erstellen und nicht fortfahren können.

SageMaker Projektvorlagen bieten Ihnen die folgende Auswahl an Code-Repositorys, Tools zur Workflow-Automatisierung und Pipeline-Phasen:

  • Code-Repository: AWS CodeCommit oder Git-Repositorys von Drittanbietern wie GitHub Bitbucket

  • CI/CD-Workflow-Automatisierung: oder Jenkins AWS CodePipeline

  • Phasen der Pipeline: Modellerstellung und Training, Modellbereitstellung oder beides

Die folgende Diskussion bietet einen Überblick über die einzelnen Vorlagen, die Sie bei der Erstellung Ihres Projekts auswählen können. SageMaker Sie können sich die verfügbaren Vorlagen auch in Studio (oder Studio Classic) ansehen, indem Sie die exemplarische Vorgehensweise für Schritt 1: Projekt des Projekts erstellen ausführen.

step-by-stepAnweisungen zum Erstellen eines echten Projekts finden Sie in einer der exemplarischen Vorgehensweisen für das Projekt:

MLOpsVorlage für Modellerstellung, Schulung und Bereitstellung

Diese Vorlage ist eine Kombination der folgenden beiden Vorlagen, von denen jede unabhängig verwendet werden kann, und enthält alle in diesen Vorlagen bereitgestellten Ressourcen.

  • Code-Repository: AWS CodeCommit

  • Automatisierung des CI/CD-Workflows: AWS CodePipeline

MLOpsVorlage für Modellbau und Training

Verwenden Sie diese Vorlage, wenn Sie nach einer MLOps Lösung suchen, um Daten zu verarbeiten, Merkmale zu extrahieren, Modelle zu trainieren und zu testen und die Modelle in der SageMaker Modellregistrierung zu registrieren.

Diese Vorlage enthält die folgenden Ressourcen:

  • Ein AWS CodeCommit Repository, das Beispielcode enthält, der eine SageMaker Amazon-Pipeline in Python-Code erstellt und zeigt, wie die SageMaker 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 CodeCommit Repository. Der Build-Schritt ruft den Code aus diesem Repository ab, erstellt und aktualisiert die SageMaker Pipeline, startet eine Pipeline-Ausführung und wartet, bis die Pipeline-Ausführung abgeschlossen ist.

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

Das folgende Diagramm veranschaulicht den Arbeitsablauf und die AWS Ressourcen, die von dieser Vorlage verwendet werden, um Sie beim Erstellen und Trainieren Ihrer Modelle zu unterstützen.

Der Arbeitsablauf der Pipeline, die mithilfe der Projektvorlage für Modellbau und Training erstellt wurde.
MLOpsVorlage für die Modellbereitstellung

Verwenden Sie diese Vorlage, um die Bereitstellung von Modellen in der SageMaker Modellregistrierung für SageMaker Endgeräte zu automatisieren und daraus Rückschlüsse in Echtzeit zu ziehen. Diese Vorlage erkennt Änderungen in der Modellregistrierung. Wenn eine neue Modellversion registriert und genehmigt wird, initiiert sie automatisch eine Bereitstellung.

Die Vorlage stellt ein CodeCommit Repository mit Konfigurationsdateien zur Angabe der Schritte zur Modellbereitstellung, AWS CloudFormation Vorlagen zur Definition von Endpunkten als Infrastruktur und Ausgangscode zum Testen des Endpunkts bereit.

Diese Vorlage enthält die folgenden Ressourcen:

  • Ein AWS CodeCommit Repository, das Beispielcode enthält, 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 CodeCommit Repository, 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.

    Es gibt auch einen programmatischen Genehmigungsschritt mit Platzhaltertests im Beispielcode im Repository. CodeCommit Sie können zusätzliche Tests hinzufügen, um die Platzhaltertests zu ersetzen.

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

  • Ein CloudWatch Ereignis zur Initiierung der Pipeline, wenn eine Modellpaketversion genehmigt oder abgelehnt wird.

Das folgende Diagramm veranschaulicht den Arbeitsablauf und die AWS Ressourcen, die von dieser Vorlage verwendet werden, um Sie bei der Bereitstellung Ihrer Modelle zu unterstützen.

Der Arbeitsablauf der Pipeline, die mithilfe der Projektvorlage für die Modellbereitstellung erstellt wurde.

Wie bereits erwähnt, finden Sie unter Exemplarische Vorgehensweise zum Projekt eine Demonstration, wie diese Vorlage verwendet wird, um ein echtes Projekt zu erstellen.

Sie können das Deploy-Repository in der Projektvorlage anpassen, um das Modell aus der Modellregistrierung nach Belieben bereitzustellen. Die Vorlage dient als Beispiel CloudFormation zur Erstellung eines Echtzeit-Endpunkts. Sie können die Bereitstellung so aktualisieren, dass sie stattdessen den SageMaker SDK, boto3 oder einen anderen Dienst verwendetAPI, der Endpunkte erstellen kann. CFN Wenn Sie die CodeBuild Schritte als Teil der Bereitstellungspipeline aktualisieren müssen, können Sie eine benutzerdefinierte Vorlage erstellen.

MLOpsVorlage für Modellbau, Schulung, Bereitstellung und Amazon SageMaker Model Monitor

Diese Vorlage ist eine Erweiterung der MLOps Vorlage für Modellerstellung, Schulung und Bereitstellung. Sie umfasst sowohl die Modellerstellungs-, Schulungs- und Bereitstellungskomponenten der Vorlage als auch eine zusätzliche Amazon SageMaker Model Monitor-Vorlage, die die folgenden Arten der Überwachung bietet:

  • Code-Repository: AWS CodeCommit

  • Automatisierung des CI/CD-Workflows: AWS CodePipeline

MLOpsVorlage für Amazon SageMaker Model Monitor

Sie können diese Vorlage für eine MLOps Lösung verwenden, um einen oder mehrere der Amazon-Monitore für SageMaker Datenqualität, Modellqualität, Modellverzerrung und Modellerklärbarkeit bereitzustellen, um ein bereitgestelltes Modell auf einem SageMaker Inferenzendpunkt zu überwachen.

Diese Vorlage enthält die folgenden Ressourcen:

  • Ein AWS CodeCommit Repository, das Python-Beispielcode enthält, der die von den Monitoren verwendeten Baselines aus der 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 der SageMaker Produktionsendpunkt vorhanden ist, InService bevor Sie die Genehmigung genehmigen und zur DeployProd Phase übergehen.

  • Die Vorlage verwendet denselben S3-Bucket, der von der MLOps Vorlage für Modellerstellung, 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-Endpunkt aktualisiert wird oder eine Codeänderung in das CodePipeline Repository übernommen wird.

MLOpsVorlage für Image-Erstellung, Modellerstellung und Modellbereitstellung

Diese Vorlage ist eine Erweiterung von MLOpsVorlage für Modellerstellung, Schulung und Bereitstellung. Sie umfasst sowohl die Modellerstellungs-, Trainings- und Bereitstellungskomponenten dieser Vorlage als auch die folgenden Optionen:

  • Schließen Sie die Pipeline zur Erstellung von Verarbeitungsabbildern ein

  • Pipeline zur Erstellung von Trainings-Images einbeziehen

  • Pipeline zur Erstellung von Inferenz-Images einbeziehen

Für jede der Komponenten, die bei der Projekterstellung ausgewählt wurden, werden die folgenden Komponenten mithilfe der Vorlage erstellt:

  • Ein ECR Amazon-Repository

  • Ein SageMaker Bild

  • Ein CodeCommit Repository, das eine Dockerfile enthält, 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

Wenn der initiiert CodePipeline wird, erstellt er einen neuen Docker-Container und registriert ihn bei einem ECR Amazon-Repository. Wenn ein neuer Container im ECR Amazon-Repository registriert wird, ImageVersion wird dem SageMaker Image ein neuer hinzugefügt. Dadurch wird die Modellerstellungspipeline initiiert, die wiederum die Bereitstellungspipeline initiiert.

Das neu erstellte Image wird gegebenenfalls bei der Modellerstellung, beim Schulen und bei der Bereitstellung des Workflows verwendet.

MLOpsVorlage für Modellerstellung, Schulung und Bereitstellung mit Git-Repositorys von Drittanbietern unter Verwendung CodePipeline

  • Code-Repository: Git eines Drittanbieters. Stellen Sie die AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem GitHub Benutzer oder Ihrer Organisation her. Fügen Sie dieser AWS CodeStar Verbindung ein Tag mit dem Schlüssel sagemaker und dem Wert true hinzu.

  • Automatisierung des CI/CD-Workflows: AWS CodePipeline

Diese Vorlage enthält die folgenden Ressourcen:

  • Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys.

  • Eine AWS CodePipeline Pipeline mit Quelle 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 Pipeline generiert wurden, wird ausgeführt.

Wie bereits erwähnt, finden Sie unter Project Walkthrough Using Git Repos von Drittanbietern eine Demonstration, wie diese Vorlage verwendet wird, um ein echtes Projekt zu erstellen.

MLOpsVorlage für Modellerstellung, Schulung und Bereitstellung mit Git-Repositorys von Drittanbietern mithilfe von Jenkins

  • Code-Repository: Git eines Drittanbieters. Stellen Sie die AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem GitHub Benutzer oder Ihrer Organisation her. Fügen Sie dieser AWS CodeStar Verbindung ein Tag mit dem Schlüssel sagemaker und true dem Wert hinzu.

  • CI/CD-Workflow-Automatisierung: Jenkins

Diese Vorlage enthält die folgenden Ressourcen:

  • 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 Projekts und der SageMaker Pipeline.

Die Vorlage stellt die Verknüpfung zwischen Ihrem Projekt und den Quellcodeverwaltungs-Repositorys her. Sie müssen jedoch zusätzliche manuelle Schritte ausführen, um die Kommunikation zwischen Ihrem AWS Konto und Jenkins herzustellen. Die detaillierten Schritte finden Sie unter SageMaker Amazon-Projekte mithilfe von Drittanbieter-Quellcodeverwaltung und Jenkins erstellen.

Die Anweisungen helfen Ihnen dabei, die im folgenden Diagramm gezeigte Architektur zu erstellen, die in diesem GitHub Beispiel als Quellcodeverwaltungs-Repository dient. Wie gezeigt, hängen Sie Ihr Git-Repository an das Projekt an, um Codeversionen einzuchecken und zu verwalten. Jenkins initiiert die Model-Build-Pipeline, wenn es Änderungen am Model-Build-Code im Git-Repository erkennt. Sie verbinden das Projekt auch mit Jenkins, um Ihre Schritte zur Modellbereitstellung zu orchestrieren. Diese beginnen, wenn Sie das in der Modellregistrierung registrierte Modell genehmigen oder wenn Jenkins Änderungen am Modellbereitstellungscode feststellt.

Der Workflow der Pipeline wurde mithilfe der Projektvorlage erstellt.

Zusammenfassend führen Sie die folgenden Schritte durch die folgenden Aufgaben:

  1. Stellen Sie die Verbindung zwischen Ihren GitHub Konten AWS und Ihren Konten her.

  2. Erstellen Sie das Jenkins-Konto und importieren Sie die benötigten Plugins.

  3. Erstellen Sie die IAM Jenkins-Benutzer- und Berechtigungsrichtlinie.

  4. Legen Sie die AWS Anmeldeinformationen für den IAM Jenkins-Benutzer auf Ihrem Jenkins-Server fest.

  5. Erstellen Sie ein API Token für die Kommunikation mit Ihrem Jenkins-Server.

  6. Verwenden Sie eine CloudFormation Vorlage, um eine EventBridge Regel zur Überwachung der Modellregistrierung auf neu zugelassene Modelle einzurichten.

  7. Erstellen Sie das SageMaker Projekt, das Ihre GitHub Repositorys mit Modellerstellungs- und Bereitstellungscode versorgt.

  8. Erstellen Sie Ihre Jenkins-Modellbau-Pipeline mit dem Model-Build-Seedcode.

  9. Erstellen Sie Ihre Jenkins-Modell-Deploy-Pipeline mit dem Modell-Deploy-Seedcode.

Modellbereitstellung für Salesforce

  • Code-Repository: AWS CodeCommit

  • Automatisierung des CI/CD-Workflows: AWS CodePipeline

Diese Vorlage enthält die folgenden Ressourcen:

  • Ein AWS CodeCommit Repository, das Beispielcode enthält, der eine SageMaker Amazon-Pipeline in Python-Code erstellt und zeigt, wie die Pipeline erstellt und aktualisiert wird. Dieses Repository enthält auch ein Python-Jupyter-Notebook, 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 CodeCommit Repository. Der Build-Schritt ruft den Code aus dem Repository ab, erstellt und aktualisiert die SageMaker Pipeline, startet einen Pipeline-Lauf und wartet, bis der Pipeline-Lauf abgeschlossen ist.

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

Ihr Administrator muss möglicherweise zusätzliche Einstellungen vornehmen, um den Datenzugriff von Salesforce Data Cloud auf SageMaker Studio zur Erstellung von KI/ML-Modellen zu ermöglichen. Detaillierte Informationen und Anleitungen finden Sie in der Lösungsübersicht im Blogbeitrag Verwenden Sie die Amazon SageMaker - und Salesforce Data Cloud-Integration, um Ihre Salesforce-Anwendungen mit KI/ML auszustatten.

Das folgende Diagramm veranschaulicht den allgemeinen Arbeitsablauf, der von dieser Vorlage verwendet wird, um Sie beim Erstellen und Schulen Ihrer Modelle zu unterstützen. Nachdem Sie eine Verbindung zwischen der Salesforce Data Cloud und Data Wrangler eingerichtet und Ihre Daten vorverarbeitet haben, verwenden Sie die Projektvorlage Modellbereitstellung für Salesforce, um das Trainieren und die Bereitstellung von Modellen zu automatisieren. Die Vorlage enthält anpassbaren Code für die Modellbereitstellung und ein Beispiel-Notizbuch AWS CodePipeline , mit dem Sie Ihr Modell trainieren und es in der SageMaker Modellregistrierung registrieren können. Sobald Sie das Modell genehmigt haben, wird der Endpunkt Salesforce API über API Gateway zur Verfügung gestellt, und Kunden können in Salesforce damit beginnen, anhand des bereitgestellten Modells Prognosen zu treffen.

Anmerkung

Diese Vorlage ermöglicht die Transport Layer Security (TLS) -Richtlinienversionen 1.0 und 1.1 für die API Gateway-Einrichtung. Sie können diese Konfiguration mit benutzerdefinierten Domainnamen sicherer machen. Einzelheiten finden Sie unter Einrichten von benutzerdefinierten Domänennamen für REST APIs.

Ein vereinfachtes Diagramm der Schritte, die von der Salesforce-Projektvorlage verwendet werden.

Der Blogbeitrag Verwenden Sie die Amazon SageMaker - und Salesforce Data Cloud-Integration, um Ihre Salesforce-Anwendungen mit KI/ML zu unterstützen, enthält detaillierte Anweisungen, die Sie durch die folgenden Schritte führen:

  1. Wählen Sie die Projektvorlage Modellbereitstellung für Salesforce aus und geben Sie den Namen des geheimen Managers ein.

  2. Klonen Sie das Repository, um das anpassbare, SageMaker bereitgestellte Beispiel-Notizbuch und den Code für die Modellbereitstellung zu verwenden.

  3. Verarbeiten Sie Ihre Daten mit Data Wrangler vor.

    1. Stellen Sie eine Verbindung zur Salesforce Data Cloud her und importieren Sie Daten in Data Wrangler.

    2. Verwenden Sie Data Wrangler, um die Daten mit einigen Beispieltransformationen vorzubereiten.

    3. Initiieren Sie einen Verarbeitungsauftrag, um die Daten mithilfe Ihrer Data Wrangler-Konfiguration zu verarbeiten.

  4. Schulen Sie das Modell.

  5. Registrieren Sie Ihr Modell in der Modellregistrierung.

  6. Genehmigen Sie Ihr Modell im Modellregister.

  7. Sehen Sie sich Ihren Endpunkt in der SageMaker Konsole an.

  8. Rufen Sie in Salesforce API URL Einstein Studio das auf, um die Modellinferenzen in Einstein Studio zu registrieren und zu verwenden.

Das folgende Diagramm zeigt detaillierter den Arbeitsablauf und die AWS Ressourcen, die von der SageMaker Projektvorlage mit Salesforce Data Cloud Integration verwendet werden.

Ein Diagramm der Schritte und Ressourcen, die von der Salesforce-Projektvorlage verwendet werden.

SageMaker Projekte aktualisieren, um Git-Repositorys von Drittanbietern zu verwenden

Die der AmazonSageMakerServiceCatalogProductsUseRole Rolle zugeordnete verwaltete Richtlinie wurde am 27. Juli 2021 für die Verwendung mit den Git-Vorlagen von Drittanbietern aktualisiert. Benutzer, die nach diesem Datum bei Amazon SageMaker Studio (oder Studio Classic) einsteigen und Projektvorlagen aktivieren, verwenden die neue Richtlinie. Benutzer, die sich vor diesem Datum angemeldet haben, müssen die Richtlinie aktualisieren, um diese Vorlagen verwenden zu können. Zum Aktualisieren der Richtlinie können Sie einen der folgenden Optionen verwenden:

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

    1. Löschen AmazonSageMakerServiceCatalogProductsUseRole Sie in der IAM Konsole.

    2. Wählen Sie in der Systemsteuerung von Studio (oder Studio Classic) die Option Einstellungen bearbeiten.

    3. Schalten Sie beide Einstellungen um und wählen Sie dann Übermitteln.

  • 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-*"
      ]
  }