View a markdown version of this page

Gehen Sie mithilfe von Git Repos durch ein SageMaker KI-MLOps-Projekt Third-party - Amazon SageMaker KI
Schritt 1: Richten Sie die GitHub Verbindung einSchritt 2: Erstellen des ProjektsSchritt 3: Nehmen Sie eine Änderung am Code vorSchritt 4: Genehmigen des Modells(Optional) Schritt 5: Stellen Sie die Modellversion für die Produktion bereitSchritt 6: Bereinigen von Ressourcen

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.

Gehen Sie mithilfe von Git Repos durch ein SageMaker KI-MLOps-Projekt Third-party

Anmerkung

Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis nun Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter Amazon Studio SageMaker.

Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist jedoch nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, Ihre Arbeitslast auf das neue Studio-Erlebnis zu migrieren.

In dieser exemplarischen Vorgehensweise wird anhand der Vorlage MLOps-Vorlagen für die Modellerstellung, das Training und die Bereitstellung mit Git von Drittanbietern mithilfe von Git CodePipeline veranschaulicht, wie MLOps-Projekte verwendet werden, um ein CI/CD System zum Erstellen, Trainieren und Bereitstellen von Modellen zu erstellen.

Voraussetzungen

Zum Abschließen dieser Vorgehensweise benötigen Sie:

Schritt 1: Richten Sie die GitHub Verbindung ein

In diesem Schritt stellst du über eine Verbindung eine AWS CodeConnections Verbindung zu deinen GitHub Repositorys her. Das SageMaker AI-Projekt verwendet diese Verbindung, um auf Ihre Quellcode-Repositorys zuzugreifen.

Um die GitHub Verbindung einzurichten:

  1. Loggen Sie sich in die CodePipeline Konsole ein unter https://console.aws.amazon.com/codepipeline/

  2. Wählen Sie im Navigationsbereich unter Einstellungen die Option Verbindungen.

  3. Wählen Sie Create Connection (Verbindung erstellen) aus.

  4. Wählen Sie für Wählen Sie einen Anbieter aus GitHub.

  5. Geben Sie für Verbindungsname einen Namen ein.

  6. Wählen Sie Verbinden mit GitHub.

  7. Wenn die AWS GitHub Connector-App noch nicht installiert wurde, wählen Sie Neue App installieren.

    Daraufhin wird eine Liste aller GitHub persönlichen Konten und Organisationen angezeigt, auf die Sie Zugriff haben.

  8. Wählen Sie das Konto aus, für das Sie eine Verbindung zur Verwendung mit SageMaker Projekten und GitHub Repositorys herstellen möchten.

  9. Wählen Sie Konfigurieren aus.

  10. Sie können optional Ihre spezifischen Repositorys oder Alle Repositorys auswählen.

  11. Wählen Sie Speichern. Wenn die App installiert ist, werden Sie zur GitHub Seite „Verbinden mit“ weitergeleitet und die Installations-ID wird automatisch ausgefüllt.

  12. Wählen Sie Connect aus.

  13. Fügen Sie dieser CodeConnections Verbindung ein Tag mit dem Schlüssel sagemaker und true dem Wert hinzu.

  14. Kopieren Sie den Verbindungs-ARN, um ihn für später zu speichern. Sie verwenden den ARN als Parameter im Schritt der Projekterstellung.

Schritt 2: Erstellen des Projekts

In diesem Schritt erstellen Sie ein SageMaker KI-MLOps-Projekt, indem Sie mithilfe einer SageMaker AI-provided Projektvorlage Modelle erstellen, trainieren und bereitstellen.

Um das SageMaker AI-MLOps-Projekt zu erstellen

  1. Melden Sie sich bei Studio an. Weitere Informationen finden Sie unter Übersicht über die Amazon SageMaker AI-Domain.

  2. Wählen Sie in der Studio-Seitenleiste das Home-Symbol ( ).

  3. Wählen Sie im Menü Bereitstellungen und dann Projekte aus.

  4. Wählen Sie Create project (Projekt erstellen) aus.

    Die Registerkarte Projekt erstellen wird angezeigt.

  5. Wählen Sie für SageMaker KI-Projektvorlagen die Option Modellbildung, Training und Bereitstellung mithilfe von Git-Repositorys von Drittanbietern aus. CodePipeline

  6. Wählen Sie Weiter aus.

  7. Geben Sie unter ModelBuild CodeRepository Info die folgenden Parameter an:

    • Geben Sie für Branch den Branch ein, der aus Ihrem Git-Repository für Pipeline-Aktivitäten verwendet werden soll.

    • Geben Sie für den vollständigen Repository-Namen den Namen des Git-Repositorys im Format von username/repository name oder einorganization/repository name.

    • Geben Sie für Code Connection ARN den ARN der CodeConnections Verbindung ein, die Sie in Schritt 1 erstellt haben.

  8. Geben Sie unter ModelDeploy CodeRepository Info die folgenden Parameter an:

    • Geben Sie für Branch den Branch ein, der aus Ihrem Git-Repository für Pipeline-Aktivitäten verwendet werden soll.

    • Geben Sie für den vollständigen Repository-Namen den Namen des Git-Repositorys im Format von username/repository name oder einorganization/repository name.

    • Geben Sie für Code Connection ARN den ARN der CodeConnections Verbindung ein, die Sie in Schritt 1 erstellt haben.

  9. Wählen Sie Projekt erstellen aus.

Das Projekt wird in der Projekt-Liste mit dem Status Erstellt angezeigt.

Schritt 3: Nehmen Sie eine Änderung am Code vor

Nehmen Sie nun eine Änderung am Pipeline-Code vor, der das Modell erstellt, und übernehmen Sie die Änderung, um einen neuen Pipeline-Lauf zu initiieren. Der Pipeline-Lauf registriert eine neue Modellversion.

Um eine Codeänderung vorzunehmen

  1. Navigieren Sie in Ihrem GitHub Model-Build-Repo zu dem pipelines/abalone Ordner. Double-clickpipeline.pyum die Codedatei zu öffnen.

  2. Suchen Sie in der pipeline.py Datei nach der Zeile, die den Typ der Trainings-Instance festlegt.

    training_instance_type = ParameterString(
        name="TrainingInstanceType", default_value="ml.m5.xlarge"

    Öffnen Sie die Datei zur Bearbeitung, ändern Sie ml.m5.xlarge zu ml.m5.large, und bestätigen Sie sie.

Nachdem Sie Ihre Codeänderung übernommen haben, initiiert das MLOps-System eine Ausführung der Pipeline, die eine neue Modellversion erstellt. Im nächsten Schritt genehmigen Sie die neue Modellversion, um sie für die Produktion bereitzustellen.

Schritt 4: Genehmigen des Modells

Jetzt genehmigen Sie die neue Modellversion, die im vorherigen Schritt erstellt wurde, um eine Bereitstellung der Modellversion auf einem SageMaker KI-Endpunkt zu initiieren.

Um die Modellversion zu genehmigen

  1. Wählen Sie in der Studio-Classic Seitenleiste das Symbol Home ( ) aus.

  2. Wählen Sie im Menü Bereitstellungen und dann Projekte aus.

  3. Suchen Sie den Namen des Projekts, das Sie im ersten Schritt erstellt haben, und doppelklicken Sie darauf, um die Projekt-Registerkarte für Ihr Projekt zu öffnen.

  4. Wählen Sie auf der Projektregisterkarte Modellgruppen aus und doppelklicken Sie dann auf den Namen der Modellgruppe, die angezeigt wird.

    Die Registerkarte Modellgruppe wird angezeigt.

  5. Doppelklicken Sie auf der Registerkarte Modellgruppe auf Version 1. Die Registerkarte Version 1 wird geöffnet. Wählen Sie Status aktualisieren.

  6. Wählen Sie im Dialogfeld Modellversionsstatus aktualisieren in der Dropdown-Liste Status die Option Genehmigen und dann Status aktualisieren aus.

    Durch die Genehmigung der Modellversion wird das Modell vom MLOps-System für die Staging-Bereitstellung bereitgestellt. Um den Endpunkt anzuzeigen, wählen Sie auf der Projektregisterkarte die Registerkarte Endpunkte aus.

(Optional) Schritt 5: Stellen Sie die Modellversion für die Produktion bereit

Jetzt können Sie die Modellversion in der Produktionsumgebung bereitstellen.

Anmerkung

Um diesen Schritt abschließen zu können, müssen Sie Administrator in Ihrer Studio-Classic-Domain sein. Wenn Sie kein Administrator sind, überspringen Sie diesen Schritt.

Um die Modellversion in der Produktionsumgebung bereitzustellen

  1. Melden Sie sich bei der CodePipeline Konsole unter an https://console.aws.amazon.com/codepipeline/

  2. Wählen Sie Pipelines und dann die Pipeline mit dem Namen sagemaker- projectname - projectid -modeldeploy aus. Dabei projectname steht der Name Ihres Projekts und projectid die ID Ihres Projekts.

  3. Wählen Sie in der DeployStaging Phase Review aus.

  4. Wählen Sie im Dialogfeld Prüfen die Option Genehmigen aus.

    Die Genehmigung der DeployStaging Phase veranlasst das MLOps-System, das Modell für die Produktion bereitzustellen. Um den Endpunkt anzuzeigen, wählen Sie in Studio Classic auf der Projektregisterkarte die Registerkarte Endpunkte aus.

Schritt 6: Bereinigen von Ressourcen

Bereinigen Sie die Ressourcen, die in dieser Vorgehensweise erstellt wurden, damit keine Gebühren mehr anfallen.

Anmerkung

Um den CloudFormation Stack und den Amazon S3-Bucket zu löschen, müssen Sie Administrator in Studio Classic sein. Wenn Sie kein Administrator sind, bitten Sie Ihren Administrator, diese Schritte auszuführen.

  1. Wählen Sie in der Studio-Classic Seitenleiste das Symbol Home ( ) aus.

  2. Wählen Sie im Menü Bereitstellungen und dann Projekte aus.

  3. Wählen Sie das Zielprojekt aus der Dropdown-Liste aus. Wenn Sie Ihr Projekt nicht sehen, geben Sie den Projektnamen ein und wenden Sie den Filter an, um Ihr Projekt zu finden.

  4. Wählen Sie Ihr Projekt aus, um die Details im Hauptbereich anzuzeigen.

  5. Wählen Sie im Menü Aktionen die Option Löschen aus.

  6. Bestätigen Sie Ihre Auswahl, indem Sie im Fenster Projekt löschen die Option Löschen wählen.

    Dadurch wird das von Service Catalog bereitgestellte Produkt gelöscht, das das Projekt erstellt hat. Dazu gehören die CodeCommit, und CodeBuild Ressourcen CodePipeline, die für das Projekt erstellt wurden.

  7. Löschen Sie die CloudFormation Stapel, die das Projekt erstellt hat. Es gibt zwei Stacks, einen für das Staging und einen für die Produktion. Die Namen der Stacks sind sagemaker- projectname - project-id -deploy-staging und sagemaker- projectname - project-id -deploy-prod, wobei der Name Ihres Projekts und die ID projectname Ihres Projekts ist. project-id

    Informationen zum Löschen eines Stacks finden Sie im Benutzerhandbuch unter Löschen eines CloudFormation Stacks auf der Konsole. CloudFormation CloudFormation

  8. Löschen Sie den Amazon-S3-Bucket, den das Projekt erstellt hat. Der Name des Buckets ist sagemaker-project- project-id, wobei die ID Ihres Projekts project-id ist.