Utiliser des modèles SageMaker de projet fournis par l'IA

Référentiel de code : Git tiers

Automatisation du flux de travail CI/CD : AWS CodePipeline

Associations avec un dépôt Git spécifié par le client. Le référentiel contient un exemple de code qui crée un pipeline Amazon SageMaker AI en code Python et montre comment créer et mettre à jour le pipeline SageMaker AI. Ce référentiel contient également un exemple de bloc-notes 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 référentiel Git tiers. L'étape de construction extrait le code de ce référentiel, crée et met à jour le pipeline d' SageMaker IA, lance une exécution de pipeline et attend que l'exécution du pipeline soit terminée.

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

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

Associations avec un dépôt Git spécifié par le client. Le référentiel contient un exemple de code qui déploie des modèles sur des terminaux dans des environnements de préparation et de production.

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 AWS CloudFormation piles à déployer. Les deploy-to-production étapes deploy-to-staging et déploient les AWS 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 Compte AWS compte sur l'hôte du dépôt Git.

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

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 destiné à stocker les artefacts, y compris CodePipeline les CodeBuild artefacts, et tous les artefacts générés par le pipeline d' SageMaker IA s'exécute.

Référentiel de code : Git tiers

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 du biais pour les modèles en production — Surveillez le biais des prédictions d'un modèle.

Associations avec un ou plusieurs référentiels Git spécifiés par le client. Le référentiel contient un exemple de code Python qui extrait les lignes de base utilisées par les moniteurs à partir de l'Amazon 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 point de terminaison de l' SageMaker IA de production se trouve InService bien avant d'approuver et de passer à l'DeployProdétape.

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

Le modèle utilise le même compartiment Amazon 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 relatives aux EventBridge événements Amazon déclenchent l'Amazon SageMaker Model Monitor AWS CodePipeline chaque fois que le point de terminaison de l' SageMaker IA intermédiaire est mis à jour.

Référentiel de code : Git tiers

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 projet d' SageMaker IA et du pipeline d' SageMaker IA.

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 référentiel Amazon ECR

Une image SageMaker basée sur l'IA

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 CodePipeline le programme

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

Dans la console IAM, ajoutez les autorisations suivantes à 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-*"
      ]
  }