Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Berjalan Melalui MLOps Proyek SageMaker AI Menggunakan Repo Git Pihak Ketiga
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut khusus untuk menggunakan aplikasi Studio Classic. Untuk informasi tentang menggunakan pengalaman Studio yang diperbarui, lihat[SageMaker Studio Amazon](studio-updated.md).
Studio Classic masih dipertahankan untuk beban kerja yang ada tetapi tidak lagi tersedia untuk orientasi. Anda hanya dapat menghentikan atau menghapus aplikasi Studio Classic yang ada dan tidak dapat membuat yang baru. Kami menyarankan Anda [memigrasikan beban kerja Anda ke pengalaman Studio yang baru](studio-updated-migrate.md).
Panduan ini menggunakan template [MLOps template untuk pembuatan model, pelatihan, dan penerapan dengan menggunakan Git pihak ketiga CodePipeline](sagemaker-projects-templates-sm.md#sagemaker-projects-templates-git-code-pipeline) untuk mendemonstrasikan cara menggunakan MLOps proyek untuk membuat CI/CD sistem untuk membangun, melatih, dan menerapkan model.
**Prasyarat**
Untuk menyelesaikan panduan ini, Anda perlu:
+ Akun IAM atau IAM Identity Center untuk masuk ke Studio Classic. Untuk informasi, lihat [Ikhtisar domain Amazon SageMaker AI](gs-studio-onboard.md).
+ Izin untuk menggunakan templat proyek SageMaker yang disediakan AI. Untuk informasi, lihat [Memberikan Izin SageMaker Studio yang Diperlukan untuk Menggunakan Proyek](sagemaker-projects-studio-updates.md).
+ Keakraban dasar dengan antarmuka pengguna Studio Classic. Untuk informasi, lihat [Ikhtisar UI Amazon SageMaker Studio Classic](studio-ui.md).
+ Dua GitHub repositori kosong. Anda memasukkan repositori ini ke dalam template proyek, yang akan menyemai repo ini dengan model build dan deploy code.
**Topics**
+ [Langkah 1: Siapkan GitHub koneksi](#sagemaker-proejcts-walkthrough-connect-3rdgit)
+ [Langkah 2: Buat Proyek](#sagemaker-proejcts-walkthrough-create-3rdgit)
+ [Langkah 3: Buat Perubahan pada Kode](#sagemaker-projects-walkthrough-change-3rdgit)
+ [Langkah 4: Menyetujui Model](#sagemaker-proejcts-walkthrough-approve-3rdgit)
+ [(Opsional) Langkah 5: Menyebarkan Versi Model ke Produksi](#sagemaker-projects-walkthrough-prod-3rdgit)
+ [Langkah 6: Bersihkan Sumber Daya](#sagemaker-projectcts-walkthrough-cleanup-3rdgit)
## Langkah 1: Siapkan GitHub koneksi
[Pada langkah ini, Anda terhubung ke GitHub repositori Anda menggunakan koneksi AWS CodeConnections .](https://docs.aws.amazon.com/dtconsole/latest/userguide/welcome-connections.html) Proyek SageMaker AI menggunakan koneksi ini untuk mengakses repositori kode sumber Anda.
**Untuk mengatur GitHub koneksi:**
1. Masuk ke CodePipeline konsol di [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)
1. Di bawah **Pengaturan** di panel navigasi, pilih **Koneksi**.
1. Pilih **Buat koneksi**.
1. Untuk **Pilih penyedia**, pilih **GitHub**.
1. Untuk **nama Koneksi**, masukkan nama.
1. Pilih **Connect to GitHub**.
1. Jika GitHub aplikasi AWS Connector sebelumnya tidak diinstal, pilih **Instal aplikasi baru**.
Ini menampilkan daftar semua akun GitHub pribadi dan organisasi tempat Anda memiliki akses.
1. Pilih akun tempat Anda ingin membangun konektivitas untuk digunakan dengan SageMaker Proyek dan GitHub repositori.
1. Pilih **Konfigurasikan**
1. **Anda dapat memilih repositori spesifik Anda atau memilih Semua repositori.**
1. Pilih **Simpan**. Saat aplikasi diinstal, Anda akan diarahkan ke GitHub halaman **Connect to** dan ID penginstalan diisi secara otomatis.
1. Pilih **Hubungkan**.
1. Tambahkan tag dengan kunci `sagemaker` dan nilai `true` ke CodeConnections koneksi ini.
1. Salin koneksi ARN untuk disimpan nanti. Anda menggunakan ARN sebagai parameter dalam langkah pembuatan proyek.
## Langkah 2: Buat Proyek
Pada langkah ini, Anda membuat MLOps proyek SageMaker AI dengan menggunakan templat proyek yang SageMaker disediakan AI untuk membangun, melatih, dan menerapkan model.
**Untuk membuat MLOps proyek SageMaker AI**
1. Masuk ke Studio. Untuk informasi selengkapnya, lihat [Ikhtisar domain Amazon SageMaker AI](gs-studio-onboard.md).
1. Di bilah sisi Studio, pilih ikon **Beranda** ().
1. **Pilih **Deployment** dari menu, lalu pilih Projects.**
1. Pilih **Buat proyek**.
Tab **Create project** akan muncul.
1. Untuk **templat proyek SageMaker AI**, pilih **Pembuatan model, pelatihan, dan penerapan dengan menggunakan repositori Git pihak ketiga**. CodePipeline
1. Pilih **Berikutnya**.
1. Di bawah **ModelBuild CodeRepository Info**, berikan parameter berikut:
+ Untuk **Branch**, masukkan cabang yang akan digunakan dari repositori Git Anda untuk aktivitas pipeline.
+ Untuk Nama **Repositori Lengkap, masukkan nama** repositori Git dalam format atau. {{username/repository name}} {{organization/repository name}}
+ Untuk **ARN Koneksi Kode**, masukkan ARN CodeConnections koneksi yang Anda buat di Langkah 1.
1. Di bawah **ModelDeploy CodeRepository Info**, berikan parameter berikut:
+ Untuk **Branch**, masukkan cabang yang akan digunakan dari repositori Git Anda untuk aktivitas pipeline.
+ Untuk Nama **Repositori Lengkap, masukkan nama** repositori Git dalam format atau. {{username/repository name}} {{organization/repository name}}
+ Untuk **ARN Koneksi Kode**, masukkan ARN CodeConnections koneksi yang Anda buat di Langkah 1.
1. Pilih **Buat Proyek**.
Proyek ini muncul di daftar **Proyek** dengan **Status** **Dibuat**.
## Langkah 3: Buat Perubahan pada Kode
Sekarang buat perubahan pada kode pipeline yang membangun model dan lakukan perubahan untuk memulai proses pipeline baru. Pipeline run mendaftarkan versi model baru.
**Untuk membuat perubahan kode**
1. Di GitHub repo build model Anda, navigasikan ke `pipelines/abalone` folder. Klik dua kali `pipeline.py` untuk membuka file kode.
1. Dalam `pipeline.py` file, temukan baris yang menetapkan jenis instance pelatihan.
```
training_instance_type = ParameterString(
name="TrainingInstanceType", default_value="ml.m5.xlarge"
```
Buka file untuk diedit, ubah `ml.m5.xlarge` ke`ml.m5.large`, lalu komit.
Setelah Anda melakukan perubahan kode, MLOps sistem memulai proses pipeline yang membuat versi model baru. Pada langkah berikutnya, Anda menyetujui versi model baru untuk menerapkannya ke produksi.
## Langkah 4: Menyetujui Model
Sekarang Anda menyetujui versi model baru yang dibuat pada langkah sebelumnya untuk memulai penerapan versi model ke titik akhir AI. SageMaker
**Untuk menyetujui versi model**
1. Di sidebar Studio Classic, pilih ikon **Beranda** ().
1. **Pilih **Deployment** dari menu, lalu pilih Projects.**
1. Temukan nama proyek yang Anda buat pada langkah pertama dan klik dua kali untuk membuka tab proyek untuk proyek Anda.
1. Di tab proyek, pilih **Grup model**, lalu klik dua kali nama grup model yang muncul.
Tab grup model muncul.
1. Di tab grup model, klik dua kali **Versi 1**. Tab **Versi 1** terbuka. Pilih **Perbarui status**.
1. **Dalam kotak dialog **Perbarui status versi model model**, di daftar tarik-turun **Status**, pilih **Menyetujui lalu pilih Perbarui** status.**
Menyetujui versi model menyebabkan MLOps sistem menyebarkan model ke pementasan. Untuk melihat titik akhir, pilih tab **Endpoints** pada tab project.
## (Opsional) Langkah 5: Menyebarkan Versi Model ke Produksi
Sekarang Anda dapat menerapkan versi model ke lingkungan produksi.
**catatan**
Untuk menyelesaikan langkah ini, Anda harus menjadi administrator di domain Studio Classic Anda. Jika Anda bukan administrator, lewati langkah ini.
**Untuk menyebarkan versi model ke lingkungan produksi**
1. Masuk ke CodePipeline konsol di [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)
1. Pilih **Pipelines**, lalu pilih pipeline dengan nama **sagemaker- {{projectname}} - {{projectid}} -modeldeploy**, di mana {{projectname}} nama proyek Anda, dan {{projectid}} merupakan ID proyek Anda.
1. Di **DeployStaging**panggung, pilih **Review**.
1. Di kotak dialog **Tinjau**, pilih **Menyetujui**.
Menyetujui **DeployStaging**tahapan menyebabkan MLOps sistem menyebarkan model ke produksi. Untuk melihat titik akhir, pilih tab **Endpoints** pada tab project di Studio Classic.
## Langkah 6: Bersihkan Sumber Daya
Untuk menghentikan biaya, bersihkan sumber daya yang dibuat dalam panduan ini.
**catatan**
Untuk menghapus CloudFormation tumpukan dan bucket Amazon S3, Anda harus menjadi administrator di Studio Classic. Jika Anda bukan administrator, mintalah administrator Anda untuk menyelesaikan langkah-langkah tersebut.
1. Di sidebar Studio Classic, pilih ikon **Beranda** ().
1. **Pilih **Deployment** dari menu, lalu pilih Projects.**
1. Pilih proyek target dari daftar dropdown. Jika Anda tidak melihat proyek Anda, ketikkan nama proyek dan terapkan filter untuk menemukan proyek Anda.
1. Pilih proyek Anda untuk melihat detailnya di panel utama.
1. Pilih **Hapus** dari menu **Tindakan**.
1. Konfirmasikan pilihan Anda dengan memilih **Hapus** dari jendela **Hapus Proyek**.
Ini menghapus produk yang disediakan oleh Service Catalog yang dibuat oleh proyek. Ini termasuk CodeCommit, CodePipeline, dan CodeBuild sumber daya yang dibuat untuk proyek.
1. Hapus CloudFormation tumpukan yang dibuat proyek. Ada dua tumpukan, satu untuk pementasan dan satu untuk produksi. Nama-nama tumpukan adalah **sagemaker- {{projectname}} - {{project-id}} -deploy-staging** dan **sagemaker- {{projectname}} - {{project-id}} -deploy-prod**, di mana nama proyek Anda, dan {{projectname}} merupakan ID proyek Anda. {{project-id}}
Untuk selengkapnya tentang cara menghapus CloudFormation tumpukan, lihat [Menghapus tumpukan di CloudFormation konsol](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/cfn-console-delete-stack.html) di *Panduan CloudFormation Pengguna*.
1. Hapus bucket Amazon S3 yang dibuat proyek. Nama bucket adalah **sagemaker-project- {{project-id}}**, di mana {{project-id}} ID proyek Anda.