Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Qu'est-ce qu'un projet d' SageMaker IA ?
SageMaker Les projets aident les organisations à mettre en place et à standardiser des environnements de développement pour les data scientists et des CI/CD systèmes pour les ingénieurs MLOps. Les projets permettent également aux organisations de configurer la gestion des dépendances, la gestion du référentiel de code, la reproductibilité de la génération et le partage d’artefacts.
Vous pouvez provisionner SageMaker des projets à l'aide de modèles personnalisés stockés dans des compartiments Amazon S3, ou en utilisant des modèles provenant de l' SageMaker IA AWS Service Catalog ou de l'IA. Pour plus d'informations sur le catalogue AWS de services, voir [ Qu'est-ce que le catalogue AWS de services](https://docs.aws.amazon.com/servicecatalog/latest/dg/what-is-service-catalog.html). Avec SageMaker Projects, les ingénieurs MLOps et les administrateurs de l'organisation peuvent définir leurs propres modèles ou utiliser des modèles. SageMaker AI-provided Les SageMaker AI-provided modèles démarrent le flux de travail de machine learning avec le contrôle de version des sources, des pipelines de machine learning automatisés et un ensemble de code permettant de commencer rapidement à itérer sur des cas d'utilisation de ML.
## Quand devriez-vous utiliser un projet d' SageMaker IA ?
**Important**
À compter du 9 septembre 2024, les modèles de projet utilisant le AWS CodeCommit référentiel ne sont plus pris en charge. Pour les nouveaux projets, sélectionnez parmi les modèles de projet disponibles qui utilisent des référentiels Git tiers.
Bien que les blocs-notes soient utiles pour la création et l’expérimentation de modèles, une équipe de scientifiques des données et d’ingénieurs de ML partageant du code ont besoin d’un moyen plus évolutif de maintenir la cohérence du code et un contrôle de version strict.
Chaque organisation possède son propre ensemble de normes et de pratiques qui assurent la sécurité et la gouvernance de son AWS environnement. SageMaker AI fournit un ensemble de modèles de première partie pour les organisations qui souhaitent démarrer rapidement avec les flux de travail ML et CI/CD. Les modèles incluent des projets qui utilisent des services AWS natifs pour CI/CD, tels que AWS CodeBuild AWS CodePipeline, et AWS CodeCommit. Les modèles offrent également la possibilité de créer des projets utilisant des outils tiers, tels que Jenkins et GitHub. Pour obtenir la liste des modèles de projet fournis par SageMaker AI, consultez[Utiliser des modèles de SageMaker AI-Provided projet](sagemaker-projects-templates-sm.md).
Les organisations ont souvent besoin d’appliquer un contrôle strict sur les ressources MLOps qu’elles approvisionnent et gèrent. Cette responsabilité implique certaines tâches, notamment la configuration des rôles et des politiques IAM, l'application des balises de ressources, l'application du chiffrement et le découplage des ressources entre plusieurs comptes. SageMaker Les projets peuvent prendre en charge toutes ces tâches grâce à des offres de modèles personnalisés dans lesquelles les organisations utilisent des CloudFormation modèles pour définir les ressources nécessaires à un flux de travail de machine learning. Les scientifiques des données peuvent choisir un modèle pour amorcer et préconfigurer leur flux ML.
Pour commencer, nous vous recommandons de créer et de stocker des modèles personnalisés dans un compartiment Amazon S3. Cela vous permet de créer un compartiment dans n'importe quelle région prise en charge par votre organisation. S3 prend en charge le contrôle des versions, ce qui vous permet de gérer plusieurs versions de vos modèles et de revenir en arrière si nécessaire. Pour plus d'informations sur la création d'un projet à partir d'un magasin de modèles dans un compartiment Amazon S3, consultez[Utilisation d'un modèle provenant d'un compartiment Amazon S3](sagemaker-projects-templates-custom.md#sagemaker-projects-templates-s3).
Vous pouvez également créer des modèles personnalisés en tant que produits du catalogue de services et les mettre en service dans l'interface utilisateur de Studio ou Studio Classic sous Modèles d'**organisation**. Le catalogue de services est un service qui aide les organisations à créer et à gérer des catalogues de produits dont l'utilisation est approuvée. AWS Pour plus d'informations sur la création de modèles personnalisés, voir [ Création de modèles de projets d' SageMaker IA personnalisés — Meilleures pratiques](https://aws.amazon.com/blogs/machine-learning/build-custom-sagemaker-project-templates-best-practices/).
Bien que vous puissiez utiliser l'une ou l'autre des options, nous vous recommandons d'utiliser des compartiments S3 plutôt que le catalogue de services, afin de pouvoir créer un compartiment dans les régions prises en charge où l' SageMaker IA est disponible sans avoir à gérer les complexités du catalogue de services.
SageMaker Les projets peuvent vous aider à gérer vos référentiels Git afin que vous puissiez collaborer plus efficacement entre les équipes, garantir la cohérence du code et assurer le support CI/CD. SageMaker Les projets peuvent vous aider à accomplir les tâches suivantes :
+ Organiser toutes les entités du cycle de vie ML dans un seul projet.
+ Établir une approche en un seul clic pour configurer une infrastructure ML standard pour l'entraînement et le déploiement des modèles, qui intègre les bonnes pratiques.
+ Créer et partager des modèles pour l’infrastructure ML afin de répondre à plusieurs cas d’utilisation.
+ Tirez parti de modèles SageMaker AI-provided prédéfinis pour vous concentrer rapidement sur la création de modèles, ou créez des modèles personnalisés à l'aide de ressources et de directives spécifiques à l'organisation.
+ S’intégrer aux outils de votre choix en étendant les modèles de projet. Pour un exemple, voir [ Créer un projet d' SageMaker IA à intégrer GitLab et GitLab Pipelines](https://aws.amazon.com/blogs/machine-learning/build-mlops-workflows-with-amazon-sagemaker-projects-gitlab-and-gitlab-pipelines/).
+ Organiser toutes les entités du cycle de vie ML dans un seul projet.
## Qu'y a-t-il dans un projet d' SageMaker IA ?
Les clients ont la possibilité de configurer leurs projets avec les ressources qui répondent le mieux à leur cas d’utilisation. L’exemple ci-dessous présente la configuration MLOps pour un flux ML, y compris l’entraînement et le déploiement des modèles.
Un projet type avec un SageMaker AI-provided modèle peut inclure les éléments suivants :
+ Un ou plusieurs référentiels avec un exemple de code pour créer et déployer des solutions de ML. Ce sont des exemples pratiques que vous pouvez adapter à vos besoins. Vous possédez ce code et vous pouvez tirer parti des référentiels contrôlés par version pour vos tâches.
+ Un pipeline d' SageMaker IA qui définit les étapes de préparation des données, de formation, d'évaluation et de déploiement des modèles, comme le montre le schéma suivant.
+ Un pipeline CodePipeline ou Jenkins qui exécute votre pipeline d' SageMaker IA chaque fois que vous enregistrez une nouvelle version du code. Pour plus d'informations à ce sujet CodePipeline, consultez la section [ Qu'est-ce que AWS CodePipeline. ](https://docs.aws.amazon.com/codepipeline/latest/userguide/welcome.html) Pour obtenir des informations sur Jenkins, consultez [Documentation utilisateur Jenkins](https://www.jenkins.io/doc/).
+ Groupe de modèles contenant des versions de modèle. Chaque fois que vous approuvez la version du modèle résultant de l'exécution d'un pipeline d' SageMaker IA, vous pouvez la déployer sur un point de terminaison d' SageMaker IA.
Chaque projet d' SageMaker IA possède un nom et un identifiant uniques qui sont appliqués sous forme de balises à toutes les SageMaker IA et AWS ressources créées dans le projet. Avec le nom et l’ID, vous pouvez afficher toutes les entités associées à votre projet. Il s’agit des licences suivantes :
+ Pipelines
+ Modèles enregistrés
+ Modèles déployés (points de terminaison)
+ Ensembles de données
+ Produits Service Catalog
+ CodePipeline et oléoducs Jenkins
+ CodeCommit et des référentiels Git tiers
## Dois-je créer un projet pour utiliser les pipelines d' SageMaker IA ?
Non SageMaker les pipelines sont des entités autonomes, tout comme les tâches de formation, les tâches de traitement et les autres tâches liées à SageMaker l'IA. Vous pouvez créer, mettre à jour et exécuter des pipelines directement dans un bloc-notes à l'aide du SDK SageMaker Python sans faire appel à un projet d' SageMaker IA.
Les projets fournissent une couche supplémentaire pour vous aider à organiser votre code et à adopter les bonnes pratiques opérationnelles dont vous avez besoin pour un système de qualité de la production.