Percorra um MLOps projeto de SageMaker IA usando repositórios Git de terceiros

Para configurar a GitHub conexão:

1. Faça login no CodePipeline console em https://console.aws.amazon.com/codepipeline/

2. No painel de navegação Configurações, selecione Conexões.

3. Escolha Criar conexão.

4. Em Selecionar um provedor, selecione GitHub.

5. Em Nome da conexão, insira um nome.

6. Escolha Connect to GitHub.

7. Se o GitHub aplicativo AWS Connector não estiver instalado anteriormente, escolha Instalar novo aplicativo.

   Isso exibe uma lista de todas as contas GitHub pessoais e organizações às quais você tem acesso.

8. Escolha a conta na qual você deseja estabelecer conectividade para uso com SageMaker projetos e GitHub repositórios.

9. Selecione Configurar.

10. Opcionalmente, você pode selecionar seus repositórios específicos ou escolher Todos os repositórios.

11. Escolha Salvar. Quando o aplicativo é instalado, você é redirecionado para a GitHub página Connect to e o ID de instalação é preenchido automaticamente.

12. Selecione Conectar.

13. Adicione uma tag com a chave sagemaker e o valor true a essa CodeConnections conexão.

14. Copie o ARN da conexão para salvar para mais tarde. Você usará o ARN como parâmetro na etapa de criação do projeto.

Para criar o MLOps projeto de SageMaker IA

1. Faça login no Studio Classic. Para obter mais informações, consulte Visão geral do domínio Amazon SageMaker AI.

2. Na barra lateral do Studio Classic, escolha o ícone Início ( ).

3. Selecione Implantações no menu e, em seguida, selecione Projetos.

4. Escolha Criar projeto.

   A aba Criar projeto será exibida.

5. Para modelos de projetos de SageMaker IA, escolha MLOpsum modelo para criação, treinamento e implantação de modelos com repositórios Git de terceiros.

6. Escolha Selecionar modelo de projeto.

7. Em ModelBuild CodeRepository Informações, forneça os seguintes parâmetros:

   • Em URL, insira a URL do seu repositório Git para o código de construção do modelo no formato https://git-url.git.

   • Em Ramificação, insira a ramificação a ser usada em seu repositório Git para atividades de pipeline.

   • Em Nome completo do repositório, insira o nome do repositório Git no formato de ou. username/repository name organization/repository name

   • Para o ARN da conexão Codestar, insira o ARN da CodeConnections conexão que você criou na Etapa 1.

   • O botão de alternância Código de amostra permite que você escolha se deseja preencher o repositório com o código inicial de criação do modelo. Podemos deixá-lo ativado para esta demonstração.

8. Em ModelDeploy CodeRepository Informações, forneça os seguintes parâmetros:

   • Em URL, insira a URL do seu repositório Git para o código de implantação do modelo no formato https://git-url.git.

   • Em Ramificação, insira a ramificação a ser usada em seu repositório Git para atividades de pipeline.

   • Em Nome completo do repositório, insira o nome do repositório Git no formato de ou. username/repository name organization/repository name

   • Para o ARN da conexão Codestar, insira o ARN da CodeConnections conexão que você criou na Etapa 1.

   • O botão de alternância Código de amostra permite que você escolha se deseja preencher o repositório com o código inicial de implantação do modelo. Podemos deixá-lo ativado para esta demonstração.

9. Escolha Criar projeto.

Para fazer uma alteração no código

1. Em seu GitHub repositório de criação de modelo, navegue até a pipelines/abalone pasta. Clique duas vezes em pipeline.py para abrir o arquivo de código.

2. No arquivo pipeline.py, encontre a linha que define o tipo de instância de treinamento.

   training_instance_type = ParameterString(
           name="TrainingInstanceType", default_value="ml.m5.xlarge"

   Abra o arquivo para edição, altere ml.m5.xlarge para ml.m5.large e, em seguida, confirme.

Para aprovar a versão do modelo

1. Na barra lateral do Studio Classic, escolha o ícone Início ( ).

2. Selecione Implantações no menu e, em seguida, selecione Projetos.

3. Encontre o nome do projeto que você criou na primeira etapa e clique nele duas vezes para abrir a aba do projeto.

4. Na aba do projeto, escolha Grupos de modelos e clique duas vezes no nome do grupo de modelos que aparecer.

   A aba do grupo de modelos será exibida.

5. Na guia do grupo de modelos, clique duas vezes em Versão 1. A aba da Versão 1 abrirá. Escolha Atualizar status.

6. Na caixa de diálogo Atualizar status da versão do modelo do modelo, na lista suspensa Status, selecione Aprovar e, em seguida, Atualizar status.

   A aprovação da versão do modelo faz com que o MLOps sistema implante o modelo em teste. Para visualizar o endpoint, escolha a guia Endpoints na aba do projeto.

Para implantar a versão do modelo no ambiente de produção

1. Faça login no CodePipeline console em https://console.aws.amazon.com/codepipeline/

2. Escolha Pipelines e, em seguida, escolha o pipeline com o nome sagemaker- projectname - projectid -modeldeploy, onde projectname está o nome do seu projeto e projectid o ID do seu projeto.

3. No DeployStagingestágio, escolha Revisar.

4. Na caixa de diálogo Revisar, escolha Aprovar.

   A aprovação do DeployStagingestágio faz com que o MLOps sistema implemente o modelo na produção. Para visualizar o endpoint, escolha a aba Endpoints na aba de projetos do Studio Classic.

1. Na barra lateral do Studio Classic, escolha o ícone Início ( ).

2. Selecione Implantações no menu e, em seguida, selecione Projetos.

3. Selecione na o projeto de destino na lista suspensa. Se você não vir seu projeto, digite o nome do projeto e aplique o filtro para encontrá-lo.

4. Selecione seu projeto para visualizar seus detalhes no painel principal.

5. Escolha Excluir no menu Ações.

6. Confirme sua escolha escolhendo Excluir na janela Excluir projeto.

   Essa ação exclui o produto provisionado pelo Service Catalog que o projeto criou. Isso inclui os CodeBuild recursos CodeCommit CodePipeline,, e criados para o projeto.

7. Exclua as AWS CloudFormation pilhas que o projeto criou. Existem duas pilhas, uma para preparação e outra para produção. Os nomes das pilhas são sagemaker- projectname - project-id -deploy-staging e sagemaker- projectname - project-id -deploy-prod, onde projectname está o nome do seu projeto e o ID do seu projeto. project-id

   Para obter informações sobre como excluir uma AWS CloudFormation pilha, consulte Excluindo uma pilha no AWS CloudFormation console no Guia do usuário.AWS CloudFormation

8. Exclua o bucket do Amazon S3 que o projeto criou. O nome do bucket é sagemaker-project- project-id, onde project-id está o ID do seu projeto.