Parcourez un MLOps projet d' SageMaker IA à l'aide de Git Repos tiers

Pour configurer la GitHub connexion :

1. Connectez-vous à la CodePipeline console à l'adresse https://console.aws.amazon.com/codepipeline/

2. Dans le volet de navigation, sous Settings (Paramètres), choisissez Connections (Connexions).

3. Choisissez Créer une connexion.

4. Pour Sélectionner un fournisseur, sélectionnez GitHub.

5. Pour Connection name (Nom de connexion), entrez un nom.

6. Choisissez Connect to GitHub.

7. Si l' GitHub application AWS Connector n'est pas déjà installée, choisissez Installer une nouvelle application.

   Cela affiche une liste de tous les comptes GitHub personnels et organisations auxquels vous avez accès.

8. Choisissez le compte sur lequel vous souhaitez établir la connectivité à utiliser avec les SageMaker projets et les GitHub référentiels.

9. Choisissez Configurer.

10. Si vous le souhaitez, vous pouvez sélectionner des dépôts spécifiques ou choisir All repositories (Tous les dépôts).

11. Choisissez Save (Enregistrer). Lorsque l'application est installée, vous êtes redirigé vers la GitHub page Connect to et l'identifiant d'installation est automatiquement renseigné.

12. Choisissez Se connecter.

13. Ajoutez une balise avec la clé sagemaker et la valeur true à cette AWS CodeStar connexion.

14. Copiez la connexion ARN pour l'enregistrer pour plus tard. Vous utilisez le ARN comme paramètre lors de l'étape de création du projet.

Pour créer le MLOps projet SageMaker AI

1. Connectez-vous à Studio Classic. Pour de plus amples informations, veuillez consulter Présentation du domaine Amazon SageMaker AI.

2. Dans la barre latérale de Studio Classic, choisissez l'icône Accueil ( ).

3. Sélectionnez Deployments (Déploiements) dans le menu, puis sélectionnez Projects (Projets).

4. Sélectionnez Create a project (Créer un projet).

   L'onglet Create project (Créer un projet) s'affiche.

5. Pour les modèles de projets d'SageMaker IA, choisissez MLOpsun modèle pour la création de modèles, la formation et le déploiement avec des référentiels Git tiers.

6. Choisissez Select project template (Sélectionner un modèle de projet).

7. Sous ModelBuild CodeRepository Info, indiquez les paramètres suivants :

   • Pour URL, entrez le code URL de construction du modèle dans votre dépôt Git au format https ://git-url.git.

   • Pour Branch (Branche), entrez la branche à utiliser à partir de votre dépôt Git pour les activités de pipeline.

   • Pour le nom complet du référentiel, entrez le nom du référentiel Git au format username/repository name ouorganization/repository name.

   • Pour Codestar Connection ARN, entrez le nom ARN de la AWS CodeStar connexion que vous avez créée à l'étape 1.

   • Le commutateur à bascule Sample Code (Exemple de code) vous permet de choisir de remplir le dépôt avec du code de base de génération de modèle. Nous pouvons le laisser activé pour cette démonstration.

8. Sous ModelDeploy CodeRepository Info, indiquez les paramètres suivants :

   • Pour URL, entrez le code URL de déploiement du modèle dans votre dépôt Git au format https ://git-url.git.

   • Pour Branch (Branche), entrez la branche à utiliser à partir de votre dépôt Git pour les activités de pipeline.

   • Pour le nom complet du référentiel, entrez le nom du référentiel Git au format username/repository name ouorganization/repository name.

   • Pour Codestar Connection ARN, entrez le nom ARN de la AWS CodeStar connexion que vous avez créée à l'étape 1.

   • Le commutateur à bascule Sample Code (Exemple de code) vous permet de choisir de remplir le dépôt avec du code de base de déploiement de modèle. Nous pouvons le laisser activé pour cette démonstration.

9. Choisissez Create Project (Créer un projet).

Pour modifier le code

1. Dans le GitHub dépôt de votre modèle, accédez au pipelines/abalone dossier. Double-cliquez sur pipeline.py pour ouvrir le fichier de code.

2. Dans le fichier pipeline.py, recherchez la ligne qui définit le type d'instance d'entraînement.

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

   Ouvrez le fichier pour modification, remplacez ml.m5.xlarge par ml.m5.large, puis validez.

Pour approuver la version du modèle

1. Dans la barre latérale de Studio Classic, choisissez l'icône Accueil ( ).

2. Sélectionnez Deployments (Déploiements) dans le menu, puis sélectionnez Projects (Projets).

3. Recherchez le nom du projet que vous avez créé à la première étape et double-cliquez dessus pour ouvrir l'onglet Project (Projet) de votre projet.

4. Dans l'onglet Project (Projet), choisissez Model groups (Groupes de modèles), puis double-cliquez sur le nom du groupe de modèles qui s'affiche.

   L'onglet Model group (Groupe de modèles) s'affiche.

5. Dans l'onglet Model group (Groupe du modèle), double-cliquez sur Version 1. L'onglet Version 1 s'ouvre. Choisissez Update status (Mettre à jour le statut).

6. Dans la boîte de dialogue Update model version status (Mettre à jour le statut de la version du modèle) du modèle, dans la liste déroulante Status (Statut), sélectionnez Approve (Approuver), puis choisissez Update status (Mettre à jour le statut).

   L'approbation de la version du modèle entraîne le MLOps déploiement du modèle vers le stade de préparation. Pour afficher le point de terminaison, choisissez l'onglet Endpoints (Points de terminaison) sur l'onglet Project (Projet).

Pour déployer la version du modèle dans l'environnement de production

1. Connectez-vous à la CodePipeline console à l'adresse https://console.aws.amazon.com/codepipeline/

2. Choisissez Pipelines, puis choisissez le pipeline nommé sagemaker- projectname - projectid -modeldeploy, où projectname se trouvent le nom de votre projet et projectid son identifiant.

3. Dans l'DeployStagingétape, choisissez Réviser.

4. Dans Review (Vérification), choisissez Approve (Approuver).

   L'approbation de l'DeployStagingétape entraîne le déploiement du modèle en production par le MLOps système. Pour afficher le point de terminaison, choisissez l'onglet Points de terminaison dans l'onglet projet dans Studio Classic.

1. Dans la barre latérale de Studio Classic, choisissez l'icône Accueil ( ).

2. Sélectionnez Deployments (Déploiements) dans le menu, puis sélectionnez Projects (Projets).

3. Sélectionnez le projet cible dans la liste déroulante. Si vous ne voyez pas votre projet, saisissez le nom du projet et appliquez le filtre pour le trouver.

4. Sélectionnez votre projet pour afficher ses détails dans le volet principal.

5. Dans le menu Actions, choisissez Delete (Supprimer).

6. Confirmez votre choix en choisissant Delete (Supprimer) dans la fenêtre Delete Project (Supprimer le projet).

   Cette opération supprime le produit alloué par Service Catalog créé par le projet. Cela inclut les CodeCommit CodePipeline, et les CodeBuild ressources créées pour le projet.

7. Supprimez les AWS CloudFormation piles créées par le projet. Il existe deux piles, l'une pour l'environnement intermédiaire et l'autre pour l'environnement de production. Les noms des piles sont sagemaker- projectname - project-id -deploy-staging et sagemaker- projectname - project-id -deploy-prod. Il s'projectnameagit du nom de votre projet et de son identifiant. project-id

   Pour plus d'informations sur la suppression d'une AWS CloudFormation pile, consultez la section Supprimer une pile sur la AWS CloudFormation console dans le Guide de AWS CloudFormation l'utilisateur.

8. Supprimez le compartiment Amazon S3 créé par le projet. Le nom du bucket est sagemaker-project- project-id, où se project-id trouve l'ID de votre projet.