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.
Cos'è un progetto di intelligenza artificiale SageMaker ?
SageMaker I progetti aiutano le organizzazioni a configurare e standardizzare ambienti di sviluppo per data scientist e sistemi per ingegneri MLOps. CI/CD I progetti aiutano anche le organizzazioni a configurare la gestione delle dipendenze e degli archivi di codice, la riproducibilità delle build e la condivisione degli artefatti.
Puoi eseguire il provisioning SageMaker dei progetti utilizzando modelli personalizzati archiviati in bucket Amazon S3 o utilizzando modelli di intelligenza artificiale. AWS Service Catalog SageMaker Per informazioni sul AWS Service Catalog, consulta What Is AWS Service Catalog. Con SageMaker Projects, i tecnici di MLOps e gli amministratori dell'organizzazione possono definire i propri modelli o utilizzarli. SageMaker AI-provided I SageMaker AI-provided modelli avviano il flusso di lavoro ML con controllo della versione del codice sorgente, pipeline ML automatizzate e un set di codice per iniziare rapidamente l'iterazione sui casi d'uso del ML.
Quando dovresti usare un SageMaker progetto di intelligenza artificiale?
Importante
A partire dal 9 settembre 2024, i modelli di progetto che utilizzano il AWS CodeCommit repository non sono più supportati. Per i nuovi progetti, seleziona tra i modelli di progetto disponibili che utilizzano repository Git di terze parti.
Sebbene i notebook siano utili per la creazione e la sperimentazione di modelli, un team di data scientist e ingegneri di machine learning che condividono il codice ha bisogno di un modo più scalabile per mantenere la coerenza del codice e un rigoroso controllo delle versioni.
Ogni organizzazione ha una propria serie di standard e pratiche che forniscono sicurezza e governance per il proprio AWS ambiente. SageMaker L'intelligenza artificiale fornisce una serie di modelli proprietari per le organizzazioni che desiderano iniziare rapidamente con i flussi di lavoro ML e. CI/CD I modelli includono progetti che utilizzano servizi AWS nativi per CI/CD, ad esempio AWS CodeBuild, AWS CodePipeline e. AWS CodeCommit I modelli offrono anche la possibilità di creare progetti che utilizzano strumenti di terze parti, come Jenkins e. GitHub Per un elenco dei modelli di progetto forniti da SageMaker AI, vediUsa i modelli di SageMaker AI-Provided progetto.
Le organizzazioni spesso hanno bisogno di uno stretto controllo sulle risorse MLOps di cui effettuano il provisioning e la gestione. Tale responsabilità presuppone determinate attività, tra cui la configurazione dei ruoli e delle politiche IAM, l'applicazione dei tag delle risorse, l'applicazione della crittografia e il disaccoppiamento delle risorse su più account. SageMaker I progetti possono supportare tutte queste attività tramite offerte di modelli personalizzati in cui le organizzazioni utilizzano CloudFormation modelli per definire le risorse necessarie per un flusso di lavoro ML. I data scientist possono scegliere un modello per avviare e preconfigurare il proprio flusso di lavoro ML.
Per iniziare, ti consigliamo di creare e archiviare modelli personalizzati all'interno di un bucket Amazon S3. In questo modo puoi creare un bucket in qualsiasi regione supportata per la tua organizzazione. S3 supporta il controllo delle versioni, quindi puoi mantenere più versioni dei tuoi modelli ed eseguirne il rollback se necessario. Per informazioni su come creare un progetto da un archivio di modelli in un bucket Amazon S3, consulta. Utilizzo di un modello da un bucket Amazon S3
In alternativa, puoi anche creare modelli personalizzati come prodotti Service Catalog ed eseguirne il provisioning nell'interfaccia utente di Studio o Studio Classic in Organization Templates. Il Service Catalog è un servizio che aiuta le organizzazioni a creare e gestire cataloghi di prodotti approvati per l'uso su AWS. Per ulteriori informazioni sulla creazione di modelli personalizzati, consulta Build SageMaker AI Project Templates — Best Practices
Sebbene sia possibile utilizzare entrambe le opzioni, ti consigliamo di utilizzare i bucket S3 rispetto al Service Catalog, in modo da poter creare un bucket nelle regioni supportate in cui l' SageMaker intelligenza artificiale è disponibile senza dover gestire le complessità del Service Catalog.
SageMaker I progetti possono aiutarti a gestire i tuoi repository Git in modo da poter collaborare in modo più efficiente tra i team, garantire la coerenza del codice e il supporto. CI/CD SageMaker I progetti possono aiutarti con le seguenti attività:
-
Organizza tutte le entità del ciclo di vita ML in un unico progetto.
-
Stabilisci un approccio con un solo clic per configurare un'infrastruttura ML standard per l’addestramento e l'implementazione di modelli che incorpori le migliori pratiche.
-
Crea e condividi modelli per l'infrastruttura ML per soddisfare diversi casi d'uso.
-
Sfrutta i modelli SageMaker AI-provided predefiniti per iniziare rapidamente a concentrarti sulla creazione di modelli o crea modelli personalizzati con risorse e linee guida specifiche dell'organizzazione.
-
Esegui l'integrazione con gli strumenti di tua scelta estendendo i modelli di progetto. Per un esempio, consulta Creare un progetto di SageMaker intelligenza artificiale da integrare con e Pipelines. GitLab GitLab
-
Organizza tutte le entità del ciclo di vita ML in un unico progetto.
Cosa c'è in un progetto di SageMaker intelligenza artificiale?
I clienti dispongono della flessibilità necessaria per configurare i propri progetti con le risorse più adatte al loro caso d'uso. L'esempio seguente mostra la configurazione MLOps per un flusso di lavoro ML, inclusi l’addestramento e l'implementazione di modelli.
Un tipico progetto con un SageMaker AI-provided modello potrebbe includere quanto segue:
-
Uno o più repository con codice di esempio per creare e distribuire soluzioni ML. Questi sono esempi funzionanti che puoi modificare in base alle tue esigenze. Il proprietario di questo codice può sfruttare i repository soggetti al controllo delle versioni per le proprie attività.
-
Una pipeline di SageMaker intelligenza artificiale che definisce le fasi per la preparazione dei dati, l'addestramento, la valutazione del modello e l'implementazione del modello, come mostrato nel diagramma seguente.
-
Una pipeline CodePipeline o Jenkins che esegue la pipeline di SageMaker intelligenza artificiale ogni volta che si archivia una nuova versione del codice. Per informazioni su CodePipeline, vedi Che cos'è. AWS CodePipeline Per informazioni su Jenkins, consulta la documentazione per l’utente di Jenkins
. -
Un gruppo di modelli che contiene le versioni del modello. Ogni volta che approvi la versione del modello risultante dall'esecuzione di una pipeline di SageMaker intelligenza artificiale, puoi distribuirla su un SageMaker endpoint AI.
Ogni progetto di SageMaker intelligenza artificiale ha un nome e un ID univoci che vengono applicati come tag a tutta l' SageMaker intelligenza artificiale e alle AWS risorse create nel progetto. Con il nome e l'ID, è possibile visualizzare tutte le entità associate al progetto. Ciò include:
-
Pipelines
-
Modelli registrati
-
Modelli distribuiti (endpoint)
-
Set di dati
-
Prodotti del catalogo di servizio
-
CodePipeline e pipeline Jenkins
-
CodeCommit e repository Git di terze parti
Devo creare un progetto per utilizzare le pipeline SageMaker AI?
No. SageMaker le pipeline sono entità autonome proprio come i lavori di formazione, i lavori di elaborazione e altri lavori di SageMaker intelligenza artificiale. È possibile creare, aggiornare ed eseguire pipeline direttamente all'interno di un notebook utilizzando SageMaker Python SDK senza utilizzare un progetto di intelligenza artificiale. SageMaker
I progetti forniscono un livello aggiuntivo per aiutarti a organizzare il codice e adottare le migliori pratiche operative, necessarie per un sistema di qualità della produzione.
