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.

Was ist ein KI-Projekt SageMaker ?

SageMaker Projekte helfen Unternehmen dabei, Entwicklerumgebungen für Datenwissenschaftler und Systeme für MLOps-Ingenieure einzurichten und CI/CD zu standardisieren. Projekte helfen Unternehmen auch bei der Einrichtung von Abhängigkeitsmanagement, Code-Repository-Management, Build-Reproduzierbarkeit und Artefakt-Sharing.

Sie können SageMaker Projekte mithilfe von benutzerdefinierten Vorlagen bereitstellen, die in Amazon S3-Buckets gespeichert sind, oder mithilfe von Vorlagen von oder AI. AWS Service Catalog SageMaker Informationen zum AWS Servicekatalog finden Sie unter Was ist ein AWS Servicekatalog. Mit SageMaker Projekten können MLOps-Techniker und Organisationsadministratoren ihre eigenen Vorlagen definieren oder Vorlagen verwenden. SageMaker AI-provided Die SageMaker AI-provided Vorlagen unterstützen den ML-Workflow mit Quellversionskontrolle, automatisierten ML-Pipelines und einer Reihe von Code, um schnell mit der Iteration von ML-Anwendungsfällen zu beginnen.

Wann sollten Sie ein KI-Projekt verwenden? SageMaker

Notebooks sind zwar hilfreich bei der Modellbildung und beim Experimentieren, aber ein Team von Datenwissenschaftlern und ML-Ingenieuren, die Code gemeinsam nutzen, benötigt eine skalierbarere Methode, um die Codekonsistenz und eine strenge Versionskontrolle aufrechtzuerhalten.

Jede Organisation hat ihre eigenen Standards und Verfahren, die für Sicherheit und Verwaltung ihrer AWS Umgebung sorgen. SageMaker AI bietet eine Reihe von Vorlagen von Erstanbietern für Organisationen, die schnell mit ML-Workflows beginnen möchten und CI/CD. Die Vorlagen enthalten Projekte, die AWS-native Dienste verwenden CI/CD, z. B. für AWS CodeBuild AWS CodePipeline, und. AWS CodeCommit Die Vorlagen bieten auch die Möglichkeit, Projekte zu erstellen, die Tools von Drittanbietern wie Jenkins und verwenden. GitHub Eine Liste der Projektvorlagen, die SageMaker AI bereitstellt, finden Sie unter. Verwenden Sie SageMaker AI-Provided Projektvorlagen

Organizations benötigen häufig eine strenge Kontrolle über die MLOP-Ressourcen, die sie bereitstellen und verwalten. Diese Verantwortung übernimmt bestimmte Aufgaben, darunter die Konfiguration von IAM-Rollen und -Richtlinien, die Durchsetzung von Ressourcen-Tags, die Durchsetzung der Verschlüsselung und die Entkopplung von Ressourcen über mehrere Konten hinweg. SageMaker Projekte können all diese Aufgaben durch benutzerdefinierte Vorlagenangebote unterstützen, bei denen Unternehmen CloudFormation Vorlagen verwenden, um die für einen ML-Workflow benötigten Ressourcen zu definieren. Datenwissenschaftler können eine Vorlage für das Bootstrap auswählen und ihren ML-Workflow vorkonfigurieren.

Für den Einstieg empfehlen wir Ihnen, benutzerdefinierte Vorlagen in einem Amazon S3-Bucket zu erstellen und zu speichern. Auf diese Weise können Sie einen Bucket in einer beliebigen unterstützten Region für Ihr Unternehmen erstellen. S3 unterstützt die Versionskontrolle, sodass Sie mehrere Versionen Ihrer Vorlagen verwalten und bei Bedarf ein Rollback durchführen können. Informationen zum Erstellen eines Projekts aus einem Vorlagenspeicher in einem Amazon S3-Bucket finden Sie unterVerwenden Sie eine Vorlage aus einem Amazon S3-Bucket.

Alternativ können Sie auch benutzerdefinierte Vorlagen als Service Catalog-Produkte erstellen und diese in der Studio- oder Studio Classic-Benutzeroberfläche unter Organisationsvorlagen bereitstellen. Der Servicekatalog ist ein Service, der Unternehmen dabei unterstützt, Kataloge mit Produkten zu erstellen und zu verwalten, die für deren Verwendung zugelassen sind. AWS Weitere Informationen zum Erstellen benutzerdefinierter Vorlagen finden Sie unter Erstellen benutzerdefinierter SageMaker KI-Projektvorlagen — Bewährte Methoden.

Sie können zwar beide Optionen verwenden, wir empfehlen jedoch, S3-Buckets anstelle des Servicekatalogs zu verwenden, sodass Sie in unterstützten Regionen, in denen SageMaker KI verfügbar ist, einen Bucket erstellen können, ohne sich um die Komplexität des Servicekatalogs kümmern zu müssen.

SageMaker Projekte können dir bei der Verwaltung deiner Git-Repositorys helfen, sodass du teamübergreifend effizienter zusammenarbeiten, Codekonsistenz und Support sicherstellen kannst. CI/CD SageMaker Projekte können dir bei den folgenden Aufgaben helfen:

Was ist in einem SageMaker KI-Projekt enthalten?

Kunden haben die Flexibilität, ihre Projekte mit den Ressourcen einzurichten, die für ihren Anwendungsfall am besten geeignet sind. Das folgende Beispiel zeigt das MLOps-Setup für einen ML-Workflow, einschließlich Modelltraining und -bereitstellung.

Ein typisches Projekt mit einer SageMaker AI-provided Vorlage könnte Folgendes beinhalten:

Jedes SageMaker KI-Projekt hat einen eindeutigen Namen und eine eindeutige ID, die als Tags auf alle im Projekt erstellten SageMaker KI- und AWS Ressourcen angewendet werden. Mit dem Namen und der ID können Sie alle Entitäten anzeigen, die mit Ihrem Projekt verknüpft sind. Dazu zählen:

Muss ich ein Projekt erstellen, um SageMaker AI-Pipelines verwenden zu können?

Nein. SageMaker Pipelines sind eigenständige Einheiten, genau wie Trainingsjobs, Verarbeitungsjobs und andere SageMaker KI-Jobs. Sie können Pipelines direkt in einem Notebook erstellen, aktualisieren und ausführen, indem Sie das SageMaker Python-SDK verwenden, ohne ein SageMaker KI-Projekt zu verwenden.

Projekte bieten eine zusätzliche Ebene, die Ihnen hilft, Ihren Code zu organisieren und betriebliche Best Practices zu übernehmen, die Sie für ein System mit Produktionsqualität benötigen.