Utiliser les SageMaker modèles de projet fournis

Référentiel de code : AWS CodeCommit ou référentiels Git tiers tels que GitHub Bitbucket

Automatisation du flux de travail CI/CD : AWS CodePipeline ou Jenkins

Étapes de pipelines : création et entraînement de modèles, déploiement de modèles, ou les deux

Si vous souhaitez utiliser le modèle MLOpsmodèle pour la création de modèles, la formation et le déploiement, consultez SageMaker MLOpsProcédure pas à pas du projet.

Si vous souhaitez utiliser le modèle MLOpsmodèle pour la création de modèles, la formation et le déploiement avec des référentiels Git tiers à l'aide de CodePipeline, consultez SageMaker MLOpsProcédure pas à pas du projet à l'aide de Git Repos tiers.

Si vous souhaitez utiliser le modèleMLOpsmodèle pour la création de modèles, la formation et le déploiement avec des référentiels Git tiers à l'aide de Jenkins, consultez Créer des SageMaker projets Amazon à l'aide d'un contrôle de source tiers et de Jenkins.

Référentiel de code : AWS CodeCommit

Automatisation du flux de travail CI/CD : AWS CodePipeline

Qualité des données – Surveillance de la dérive de la qualité des données.

Qualité du modèle – Surveillance des écarts dans les métriques de qualité du modèle, comme la précision.

Dérive de biais pour les modèles en production – Surveillance des biais dans les prédictions d'un modèle.

Référentiel de code : AWS CodeCommit

Automatisation du flux de travail CI/CD : AWS CodePipeline

Un AWS CodeCommit référentiel contenant un exemple de code Python qui extrait les lignes de base utilisées par les moniteurs à partir du SageMaker Model Registry et met à jour les paramètres du modèle pour les environnements de préparation et de production. Il contient également un AWS CloudFormation modèle pour créer les Amazon SageMaker Model Monitors.

Un AWS CodePipeline pipeline comportant des étapes de source, de création et de déploiement. L'étape source pointe vers le CodePipeline référentiel. L'étape de création récupère le code de ce référentiel, obtient la références du registre Model Registry et met à jour les paramètres du modèle pour les environnements intermédiaires et de production. Les étapes de déploiement déploient les contrôleurs configurés dans les environnements intermédiaires et de production. L'étape d'approbation manuelle, au sein de l'DeployStagingétape, vous oblige à vérifier que le SageMaker point final de production se trouve InService bien avant d'approuver et de passer à l'DeployProdétape.

Le modèle utilise le même compartiment S3 créé par le MLOps modèle pour la création de modèles, la formation et le déploiement afin de stocker les sorties des moniteurs.

Deux règles Amazon EventBridge Events lancent Amazon SageMaker Model Monitor AWS CodePipeline chaque fois que le point de SageMaker terminaison intermédiaire est mis à jour ou qu'une modification de code est validée dans le CodePipeline référentiel.

Inclure le traitement d'un pipeline de création d'image

Inclure l'entraînement d'une pipeline de création d'image

Inclure l'inférence d'une pipeline de création d'image

Un ECR référentiel Amazon

Une SageMaker image

Un CodeCommit référentiel contenant un Dockerfile que vous pouvez personnaliser

A CodePipeline qui est initié par des modifications apportées au CodePipeline référentiel

Un CodeBuild projet qui crée une image Docker et l'enregistre dans le référentiel Amazon ECR

EventBridge Règle qui initie le CodePipeline selon un calendrier

Référentiel de code : Git tiers Établissez la AWS CodeStar connexion entre votre AWS compte et votre GitHub utilisateur ou votre organisation. Ajoutez une balise avec la clé sagemaker et la valeur true à cette connexion AWS CodeStar .

Automatisation du flux de travail CI/CD : AWS CodePipeline

Associations avec un ou plusieurs référentiels Git spécifiés par le client.

Un AWS CodePipeline pipeline qui comprend la source, la construction et deploy-to-production les étapes. deploy-to-staging L'étape source pointe vers le référentiel Git tiers et l'étape de compilation extrait le code de ce référentiel et génère des CloudFormation piles à déployer. Les deploy-to-production étapes deploy-to-staging et déploient les CloudFormation piles dans leurs environnements respectifs. Il existe une étape d'approbation manuelle entre les étapes de préparation et de production, de sorte qu'un MLOps ingénieur doit approuver le modèle avant son déploiement en production.

Un AWS CodeBuild projet visant à remplir les référentiels Git avec les informations du code source. Cela nécessite une AWS CodeStar connexion entre votre AWS compte et votre compte sur l'hôte du dépôt Git.

Un compartiment Amazon S3 pour stocker les artefacts, y compris CodePipeline les CodeBuild artefacts, et tous les artefacts générés par le SageMaker pipeline s'exécute.

Référentiel de code : Git tiers Établissez la AWS CodeStar connexion entre votre AWS compte et votre GitHub utilisateur ou votre organisation. Ajoutez une balise avec la clé sagemaker et la valeur true à cette connexion AWS CodeStar .

Automatisation des flux CI/CD : Jenkins

Associations avec un ou plusieurs référentiels Git spécifiés par le client.

Code de départ pour générer des pipelines Jenkins contenant la source, la version et deploy-to-production les étapes. deploy-to-staging L'étape source pointe vers le référentiel Git spécifié par le client. L'étape de construction extrait le code de ce référentiel et génère deux CloudFormation piles. Les étapes de déploiement déploient les CloudFormation piles dans leurs environnements respectifs. Il existe une étape d'approbation entre l'étape intermédiaire et l'étape de production.

Un AWS CodeBuild projet visant à remplir les référentiels Git avec les informations du code source. Cela nécessite une AWS CodeStar connexion entre votre AWS compte et votre compte sur l'hôte du dépôt Git.

Un compartiment Amazon S3 pour stocker les artefacts du SageMaker projet et du SageMaker pipeline.

Référentiel de code : AWS CodeCommit

Automatisation du flux de travail CI/CD : AWS CodePipeline

Un AWS CodeCommit référentiel contenant un exemple de code qui crée un SageMaker pipeline Amazon en code Python et montre comment créer et mettre à jour le pipeline. Ce dépôt contient également un bloc-notes Jupyter en Python que vous pouvez ouvrir et exécuter dans Studio (ou Studio Classic).

Un AWS CodePipeline pipeline comportant des étapes de source et de génération. L'étape source pointe vers le CodeCommit référentiel. L'étape de génération extrait le code du référentiel, crée et met à jour le SageMaker pipeline, lance une exécution de pipeline et attend que l'exécution du pipeline soit terminée.

Un compartiment Amazon S3 pour stocker les artefacts, y compris CodePipeline les CodeBuild artefacts, et tous les artefacts générés par le SageMaker pipeline s'exécute.

Supprimer le rôle et activer les paramètres de Studio (ou Studio Classic)

Dans la IAM console, ajoutez les autorisations suivantes pour AmazonSageMakerServiceCatalogProductsUseRole :

{
      "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-*"
      ]
  }