Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Migre cargas de trabajo de aprendizaje automático: cree, entrene e implemente a Amazon SageMaker con las herramientas para desarrolladores de AWS
Creado por Scot Marvin (AWS)
Tipo R: redefinir la plataforma | Origen: Machine Learning | Objetivo: Amazon SageMaker |
Creado por: AWS | Entorno: PoC o piloto | Tecnologías: aprendizaje automático e inteligencia artificial DevOps; migración |
Servicios de AWS: Amazon SageMaker |
Resumen
Este patrón proporciona orientación para migrar una aplicación de aprendizaje automático (ML) local que se ejecuta en servidores Unix o Linux para capacitarla e implementarla en AWS mediante Amazon. SageMaker Esta implementación utiliza una canalización de integración continuas (CI/CD). El patrón de migración se implementa mediante una CloudFormation pila de AWS.
Requisitos previos y limitaciones
Requisitos previos
Una cuenta de AWS activa que utilice AWS Landing Zone
Interfaz de la línea de comandos de AWS (AWS CLI)
instalada y configurada en un servidor Unix o Linux Un repositorio de código fuente de aprendizaje automático GitHub en AWS CodeCommit o Amazon Simple Storage Service (Amazon S3)
Limitaciones
Solo se pueden implementar 300 canalizaciones individuales en una región de AWS.
Este patrón está pensado para cargas de trabajo de aprendizaje automático supervisadas con train-and-deploy código en Python.
Versiones de producto
Docker versión 19.03.5, compilación 633a0ea, con Python 3.6x
Arquitectura
Pila de tecnología de origen
Instancia informática de Linux en las instalaciones con datos en el sistema de archivos local o en una base de datos relacional
Arquitectura de origen
Pila de tecnología de destino
AWS CodePipeline se implementó con Amazon S3 para el almacenamiento de datos y Amazon DynamoDB como almacén de metadatos para rastrear o registrar las ejecuciones de las canalizaciones
Arquitectura de destino
Arquitectura de migración de aplicaciones
Paquete de Python nativo y CodeCommit repositorio de AWS (y un cliente SQL, para conjuntos de datos locales en una instancia de base de datos)
Herramientas
Python
Git
AWS CLI: la CLI de AWS
implementa la CloudFormation pila de AWS y mueve los datos al bucket de S3. El bucket de S3, a su vez, conduce al objetivo.
Epics
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Valide el código fuente y los conjuntos de datos. | Científico de datos | |
| Identifique los tipos y tamaños de las instancias de creación, entrenamiento e implementación de destino. | Ingeniero de datos, científico de datos | |
| Cree una lista de capacidades y requisitos de capacidad. | ||
| Identifique los requisitos de la red. | Administrador de base de datos, administrador de sistemas | |
| Identifique requisitos de seguridad para acceder a la red o al host para las aplicaciones de origen y destino. | Ingeniero de ML, ingeniero de datos, administrador de sistemas | |
| Determine la estrategia de copia de seguridad. | Ingeniero de ML, administrador de sistemas | |
| Determine los requisitos de disponibilidad. | Ingeniero de ML, administrador de sistemas | |
| Identifique la estrategia de migración o transición de aplicaciones. | Científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Cree una nube privada virtual (VPC). | Ingeniero de ML, administrador de sistemas | |
| Creación de los grupos de seguridad. | Ingeniero de ML, administrador de sistemas | |
| Configure un bucket de Amazon S3 y ramas de CodeCommit repositorio de AWS para el código de aprendizaje automático. | Ingeniero de ML |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Utilice herramientas nativas de MySQL o herramientas de terceros para migrar, entrenar, validar y probar conjuntos de datos al bucket de S3 aprovisionado. | Esto es necesario para la implementación de AWS CloudFormation Stack. | Ingeniero de datos, ingeniero de machine learning |
| Package el tren de aprendizaje automático y el código de alojamiento como paquetes de Python y envíelos al repositorio aprovisionado en AWS CodeCommit o GitHub. | Necesita el nombre de la rama del repositorio para implementar la CloudFormation plantilla de AWS para la migración. | Científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Siga la estrategia de migración de la carga de trabajo de ML. | Propietario de la aplicación, ingeniero de machine learning | |
| Implemente la CloudFormation pila de AWS. | Utilice la CLI de AWS para crear la pila declarada en la plantilla YAML proporcionada con esta solución. | Científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Cambiar los clientes de la aplicación a la nueva infraestructura. | Propietario de la aplicación, científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Cerrar los recursos temporales de AWS. | Cierre todos los recursos personalizados de la CloudFormation plantilla de AWS (por ejemplo, cualquier función de AWS Lambda que no se esté utilizando). | Científico de datos, ingeniero de machine learning |
| Revise y valide los documentos del proyecto. | Propietario de la aplicación, científico de datos | |
| Valide los resultados y las métricas de evaluación del modelo de ML con los operadores. | Asegúrese de que el rendimiento del modelo cumpla con las expectativas de los usuarios de la aplicación y sea comparable al estado en las instalaciones. | Propietario de la aplicación, científico de datos |
| Cerrar el proyecto y enviar comentarios. | Propietario de la aplicación, ingeniero de machine learning |
Recursos relacionados
Conexiones
Para acceder al contenido adicional asociado a este documento, descomprima el archivo: attachment.zip
