View a markdown version of this page

Consenti ad Amazon SageMaker Clarify Jobs di accedere alle risorse nel tuo Amazon VPC - Amazon SageMaker AI
Configura un SageMaker Clarify Job per Amazon VPC AccessConfigura il tuo Amazon VPC privato per i lavori Clarify SageMaker

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Consenti ad Amazon SageMaker Clarify Jobs di accedere alle risorse nel tuo Amazon VPC

Per controllare l'accesso ai tuoi dati e ai lavori SageMaker Clarify, ti consigliamo di creare un Amazon VPC privato e configurarlo in modo che i tuoi lavori non siano accessibili tramite Internet pubblico. Per informazioni sulla creazione e la configurazione di un Amazon VPC per l'elaborazione dei lavori, consulta Assegnare ai processi di SageMaker elaborazione l'accesso alle risorse nel tuo Amazon VPC.

Questo documento spiega come aggiungere configurazioni Amazon VPC aggiuntive che soddisfino i requisiti per i lavori Clarify. SageMaker

Configura un SageMaker Clarify Job per Amazon VPC Access

Devi specificare le sottoreti e i gruppi di sicurezza quando configuri il tuo Amazon VPC privato per i job SageMaker Clarify e per consentire al job di ottenere inferenze dal modello di SageMaker intelligenza artificiale durante il calcolo delle metriche di bias post-training e dei contributi alle funzionalità che aiutano a spiegare le previsioni del modello.

SageMaker Clarify Job: sottoreti e gruppi di sicurezza di Amazon VPC

Le sottoreti e i gruppi di sicurezza nel tuo Amazon VPC privato possono essere assegnati a un job SageMaker Clarify in vari modi, a seconda di come lo crei.

  • SageMaker Console AI: fornisci queste informazioni quando crei il lavoro nell'AI Dashboard. SageMaker Dal menu Elaborazione, scegli Processi di elaborazione, quindi scegli Crea processo di elaborazione. Seleziona l'opzione VPC nel pannello Rete e fornisci le sottoreti e i gruppi di sicurezza utilizzando gli elenchi a discesa. Assicurati che l'opzione di isolamento della rete fornita in questo pannello sia disattivata.

  • SageMaker API: utilizza il parametro di NetworkConfig.VpcConfig richiesta dell'CreateProcessingJobAPI, come mostrato nell'esempio seguente:

    "NetworkConfig": {
    "VpcConfig": {
        "Subnets": [
            "subnet-0123456789abcdef0",
            "subnet-0123456789abcdef1",
            "subnet-0123456789abcdef2"
        ],
        "SecurityGroupIds": [
            "sg-0123456789abcdef0"
        ]
    }
}

  • SageMaker Python SDK: utilizza il NetworkConfig parametro dell'SageMakerClarifyProcessorAPI o dell'ProcessorAPI, come mostrato nell'esempio seguente:

    from sagemaker.network import NetworkConfig
network_config = NetworkConfig(
    subnets=[
        "subnet-0123456789abcdef0",
        "subnet-0123456789abcdef1",
        "subnet-0123456789abcdef2",
    ],
    security_group_ids=[
        "sg-0123456789abcdef0",
    ],
)

SageMaker L'intelligenza artificiale utilizza le informazioni per creare interfacce di rete e collegarle al SageMaker job Clarify. Le interfacce di rete forniscono un job SageMaker Clarify con una connessione di rete all'interno del tuo Amazon VPC che non è connessa alla rete Internet pubblica. Inoltre, consentono al job SageMaker Clarify di connettersi alle risorse del tuo Amazon VPC privato.

Nota

L'opzione di isolamento della rete del job SageMaker Clarify deve essere disattivata (per impostazione predefinita l'opzione è disattivata) in modo che il job SageMaker Clarify possa comunicare con l'endpoint shadow.

Configurazione di un modello Amazon VPC per l'inferenza

Per calcolare le metriche e la spiegabilità dei bias post-training, il job SageMaker Clarify deve ottenere inferenze dal modello di SageMaker intelligenza artificiale specificato dal model_name parametro della configurazione di analisi per il job di elaborazione Clarify. https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-configure-processing-jobs.html#clarify-processing-job-configure-analysis SageMaker In alternativa, se si utilizza l'SageMakerClarifyProcessorAPI nell' SageMaker AI Python SDK, il job deve ottenere quanto specificato dalla classe. model_name ModelConfig A tale scopo, il job SageMaker Clarify crea un endpoint temporaneo con il modello, noto come endpoint shadow, e quindi applica la configurazione Amazon VPC del modello all'endpoint shadow.

Per specificare sottoreti e gruppi di sicurezza nel tuo Amazon VPC privato al modello SageMaker AI, utilizza il parametro VpcConfig request dell'CreateModelAPI o fornisci queste informazioni quando crei il modello utilizzando il dashboard AI nella console. SageMaker Di seguito viene mostrato un esempio del parametro VpcConfig che includi nella tua chiamata a CreateModel: 

"VpcConfig": {
    "Subnets": [
        "subnet-0123456789abcdef0",
        "subnet-0123456789abcdef1",
        "subnet-0123456789abcdef2"
    ],
    "SecurityGroupIds": [
        "sg-0123456789abcdef0"
    ]
}

Puoi specificare il numero di istanze dell'endpoint shadow da avviare con il initial_instance_count parametro della configurazione di analisi per il processo di elaborazione Clarify. SageMaker In alternativa, se si utilizza l'SageMakerClarifyProcessorAPI nell' SageMaker AI Python SDK, il job deve ottenere il instance_count valore specificato dalla classe. ModelConfig

Nota

Anche se richiedi solo un'istanza durante la creazione dell'endpoint shadow, hai bisogno di almeno due sottoreti nel modello in zone di ModelConfig disponibilità distinte. In caso contrario, la creazione dell'endpoint shadow non riesce con il seguente errore:

ClientError: Errore durante l'hosting dell'endpoint SageMaker-Clarify-Endpoint-XXX: Fallito. Motivo: impossibile individuare almeno 2 zone di disponibilità con il tipo di istanza richiesto YYY che si sovrappongono alle sottoreti SageMaker AI.

Se il tuo modello richiede file di modello in Amazon S3, il modello Amazon VPC deve avere un endpoint VPC Amazon S3. Per ulteriori informazioni sulla creazione e la configurazione di un Amazon VPC per modelli SageMaker AI, consulta. Offri agli endpoint ospitati con SageMaker intelligenza artificiale l'accesso alle risorse nel tuo Amazon VPC

Configura il tuo Amazon VPC privato per i lavori Clarify SageMaker

In generale, puoi seguire i passaggi descritti in Configura il tuo VPC privato per l' SageMaker elaborazione per configurare il tuo Amazon VPC privato per SageMaker i lavori Clarify. Ecco alcuni punti salienti e requisiti speciali per i lavori SageMaker Clarify.

Connessione alle risorse al di fuori del tuo Amazon VPC

Se configuri Amazon VPC in modo che non disponga di un accesso pubblico a Internet, è necessaria una configurazione aggiuntiva per consentire a SageMaker Clarify jobs di accedere a risorse e servizi esterni al tuo Amazon VPC. Ad esempio, è necessario un endpoint Amazon S3 VPC perché un job SageMaker Clarify deve caricare un set di dati da un bucket S3 e salvare i risultati dell'analisi in un bucket S3. Per ulteriori informazioni, consulta Creare un endpoint VPC Amazon S3 per la guida alla creazione. Inoltre, se un job SageMaker Clarify deve ottenere inferenze dall'endpoint shadow, deve chiamare diversi altri servizi. AWS

  • Crea un endpoint VPC del servizio Amazon SageMaker API: il job SageMaker Clarify deve chiamare il servizio Amazon SageMaker API per manipolare l'endpoint shadow o per descrivere un modello SageMaker AI per la convalida di Amazon VPC. Puoi seguire le indicazioni fornite nel AWS PrivateLink blog Securing all Amazon SageMaker API Calls with per creare un endpoint Amazon SageMaker API VPC che consenta al job Clarify di effettuare le chiamate al servizio. SageMaker Tieni presente che il nome del servizio Amazon SageMaker API ècom.amazonaws.region.sagemaker.api, region dov'è il nome della regione in cui risiede il tuo Amazon VPC.

  • Crea un endpoint Amazon SageMaker AI Runtime VPC: il job SageMaker Clarify deve chiamare il servizio di runtime Amazon SageMaker AI, che indirizza le chiamate all'endpoint shadow. I passaggi di configurazione sono simili a quelli del servizio Amazon API. SageMaker Tieni presente che il nome del servizio Amazon SageMaker AI Runtime ècom.amazonaws.region.sagemaker.runtime, region dov'è il nome della regione in cui risiede il tuo Amazon VPC.

Configurazione del gruppo di sicurezza di Amazon VPC

SageMaker I lavori Clarify supportano l'elaborazione distribuita quando due o più istanze di elaborazione sono specificate in uno dei seguenti modi:

  • SageMaker Console AI: il numero di istanze è specificato nella parte di configurazione delle risorse del pannello delle impostazioni del processo nella pagina Crea processo di elaborazione.

  • SageMaker API: InstanceCount viene specificato quando si crea il job con l'CreateProcessingJobAPI.

  • SageMaker Python SDK: instance_count viene specificato quando si utilizza l'SageMakerClarifyProcessorAPI o l'API del processore.

Nell'elaborazione distribuita, devi consentire la comunicazione tra diverse istanze nello stesso processo di elaborazione. A tale scopo, configura una regola per il gruppo di sicurezza che consente connessioni in entrata tra i membri dello stesso gruppo di sicurezza. Per informazioni, consulta Regole del gruppo di sicurezza.