Gunakan SageMaker Template Proyek yang Disediakan

Repositori kode: AWS CodeCommit atau repositori Git pihak ketiga seperti dan Bitbucket GitHub

Otomatisasi alur kerja CI/CD: atau Jenkins AWS CodePipeline

Tahapan pipa: Pembuatan model dan pelatihan, penerapan model, atau keduanya

Jika Anda ingin menggunakan templateMLOpstemplate untuk pembuatan model, pelatihan, dan penyebaran, lihatSageMaker MLOpsPanduan Proyek.

Jika Anda ingin menggunakan templateMLOpstemplate untuk pembuatan model, pelatihan, dan penerapan dengan repositori Git pihak ketiga menggunakan CodePipeline, lihatSageMaker MLOpsPanduan Proyek Menggunakan Repo Git Pihak Ketiga.

Jika Anda ingin menggunakan templateMLOpstemplate untuk pembuatan model, pelatihan, dan penerapan dengan repositori Git pihak ketiga menggunakan Jenkins, lihat Membuat SageMaker proyek Amazon menggunakan kontrol sumber pihak ketiga dan Jenkins.

Repositori kode: AWS CodeCommit

Otomatisasi alur kerja CI/CD: AWS CodePipeline

Kualitas Data - Memantau penyimpangan dalam kualitas data.

Kualitas Model — Pantau penyimpangan dalam metrik kualitas model, seperti akurasi.

Bias Drift untuk Model dalam Produksi — Pantau bias dalam prediksi model.

Repositori kode: AWS CodeCommit

Otomatisasi alur kerja CI/CD: AWS CodePipeline

AWS CodeCommit Repositori yang berisi contoh kode Python yang mendapatkan garis dasar yang digunakan oleh monitor dari Registry SageMaker Model, dan memperbarui parameter template untuk lingkungan pementasan dan produksi. Ini juga berisi AWS CloudFormation template untuk membuat Monitor SageMaker Model Amazon.

AWS CodePipeline Pipeline yang memiliki langkah sumber, pembuatan, dan penerapan. Langkah sumber menunjuk ke CodePipeline repositori. Langkah build mendapatkan kode dari repositori itu, mendapatkan baseline dari Model Registry, dan memperbarui parameter template untuk lingkungan pementasan dan produksi. Langkah-langkah penerapan menyebarkan monitor yang dikonfigurasi ke dalam lingkungan pementasan dan produksi. Langkah persetujuan manual, dalam DeployStaging tahap, mengharuskan Anda untuk memverifikasi bahwa SageMaker titik akhir produksi InService sebelum menyetujui dan pindah ke tahap. DeployProd

Template menggunakan bucket S3 yang sama yang dibuat oleh MLOps template untuk pembuatan model, pelatihan, dan penerapan untuk menyimpan output monitor.

Dua aturan EventBridge peristiwa Amazon memulai Monitor SageMaker Model Amazon AWS CodePipeline setiap kali SageMaker titik akhir pementasan diperbarui, atau perubahan kode dilakukan ke repositori. CodePipeline

Sertakan pemrosesan gambar—membangun pipa

Sertakan gambar pelatihan—membangun pipa

Sertakan gambar inferensi — membangun pipa

ECRRepositori Amazon

Sebuah SageMaker Gambar

CodeCommit Repositori yang berisi Dockerfile yang dapat Anda sesuaikan

A CodePipeline yang diprakarsai oleh perubahan pada repositori CodePipeline

CodeBuild Proyek yang membangun image Docker dan mendaftarkannya di repositori Amazon ECR

EventBridge Aturan yang memulai CodePipeline jadwal

Repositori kode: Git Pihak Ketiga. Buat AWS CodeStar koneksi dari AWS akun Anda ke GitHub pengguna atau organisasi Anda. Tambahkan tag dengan kunci sagemaker dan nilai true ke AWS CodeStar koneksi ini.

Otomatisasi alur kerja CI/CD: AWS CodePipeline

Asosiasi dengan satu atau lebih repositori Git yang ditentukan pelanggan.

AWS CodePipeline Pipeline yang memiliki sumber, build deploy-to-staging, dan deploy-to-production langkah-langkah. Langkah sumber menunjuk ke repositori Git pihak ketiga dan langkah build mendapatkan kode dari repositori itu dan menghasilkan CloudFormation tumpukan untuk diterapkan. deploy-to-production Langkah-langkah deploy-to-staging dan menyebarkan CloudFormation tumpukan ke lingkungan masing-masing. Ada langkah persetujuan manual antara langkah pementasan dan pembuatan produksi, sehingga seorang MLOps insinyur harus menyetujui model sebelum dikerahkan ke produksi.

Sebuah AWS CodeBuild proyek untuk mengisi repositori Git dengan informasi kode benih. Ini memerlukan AWS CodeStar koneksi dari AWS akun Anda ke akun Anda di host repositori Git.

Bucket Amazon S3 untuk menyimpan artefak, termasuk CodePipeline dan artefak, dan CodeBuild artefak apa pun yang dihasilkan dari pipa berjalan. SageMaker

Repositori kode: Git Pihak Ketiga. Buat AWS CodeStar koneksi dari AWS akun Anda ke GitHub pengguna atau organisasi Anda. Tambahkan tag dengan kunci sagemaker dan nilai true ke AWS CodeStar koneksi ini.

Otomatisasi alur kerja CI/CD: Jenkins

Asosiasi dengan satu atau lebih repositori Git yang ditentukan pelanggan.

Seed code untuk menghasilkan pipeline Jenkins yang memiliki sumber, build deploy-to-staging, dan deploy-to-production langkah-langkah. Langkah sumber menunjuk ke repositori Git yang ditentukan pelanggan. Langkah build mendapatkan kode dari repositori itu dan menghasilkan dua CloudFormation tumpukan. Langkah-langkah penerapan menyebarkan CloudFormation tumpukan ke lingkungan masing-masing. Ada langkah persetujuan antara langkah pementasan dan langkah produksi.

Sebuah AWS CodeBuild proyek untuk mengisi repositori Git dengan informasi kode benih. Ini memerlukan AWS CodeStar koneksi dari AWS akun Anda ke akun Anda di host repositori Git.

Bucket Amazon S3 untuk menyimpan artefak SageMaker proyek dan pipa. SageMaker

Repositori kode: AWS CodeCommit

Otomatisasi alur kerja CI/CD: AWS CodePipeline

AWS CodeCommit Repositori yang berisi kode sampel yang membuat SageMaker pipeline Amazon dalam kode Python dan menunjukkan cara membuat dan memperbarui pipeline. Repositori ini juga memiliki Notebook Python Jupyter yang dapat Anda buka dan jalankan di Studio (atau Studio Classic).

AWS CodePipeline Pipeline yang memiliki sumber dan langkah build. Langkah sumber menunjuk ke CodeCommit repositori. Langkah build mendapatkan kode dari repositori, membuat dan memperbarui SageMaker pipeline, memulai proses pipeline, dan menunggu pipeline berjalan selesai.

Bucket Amazon S3 untuk menyimpan artefak, termasuk CodePipeline dan artefak, dan CodeBuild artefak apa pun yang dihasilkan dari pipa berjalan. SageMaker

Hapus peran dan alihkan pengaturan Studio (atau Studio Classic)

Di IAM konsol, tambahkan izin berikut keAmazonSageMakerServiceCatalogProductsUseRole:

{
      "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-*"
      ]
  }