使用 SageMaker AI 提供的项目模板

代码存储库：第三方 Git。

CI/CD 工作流程自动化： AWS CodePipeline

与一个客户指定的 Git 存储库关联。存储库包含使用 Python 代码创建 Amazon SageMaker AI 管道的示例代码，并演示如何创建和更新 SageMaker AI 管道。该存储库还有一个 Python 笔记本示例，可以在 Studio（或 Studio Classic）中打开并运行。

包含源代码和生成步骤的 AWS CodePipeline 管道。源代码步骤指向第三方 Git 存储库。构建步骤从该存储库获取代码，创建和更新 SageMaker AI 管道，启动管道执行，然后等待管道执行完成。

一个用种子代码信息填充 Git 存储库的 AWS CodeBuild 项目。这需要您 AWS 账户 与 Git 存储库主机上的帐户 AWS CodeStar 建立连接。

用于存储项目（包括 CodePipeline 和 CodeBuild 项目）的 Amazon S3 存储桶以及从 SageMaker AI 管道生成的任何工件都会运行。

与一个客户指定的 Git 存储库关联。存储库包含将模型部署到暂存和生产环境中的端点的示例代码。

包含源代码 deploy-to-staging、版本和 deploy-to-production步骤的 AWS CodePipeline 管道。源代码步骤指向第三方 Git 存储库，构建步骤从该存储库获取代码并生成 AWS CloudFormation 堆栈进行部署。 deploy-to-staging和 deploy-to-production步骤将 AWS CloudFormation 堆栈部署到各自的环境中。在试运行和生产构建步骤之间有一个手动批准步骤，因此在将模型部署到生产环境之前，必须由MLOps工程师批准该模型。

一个用种子代码信息填充 Git 存储库的 AWS CodeBuild 项目。这需要您 AWS 账户 与 Git 存储库主机上的帐户 AWS CodeStar 建立连接。

用于存储项目（包括 CodePipeline 和 CodeBuild 项目）的 Amazon S3 存储桶以及从 SageMaker AI 管道生成的任何工件都会运行。

与一个或多个客户指定的 Git 存储库的关联。

包含源代码 deploy-to-staging、版本和 deploy-to-production步骤的 AWS CodePipeline 管道。源代码步骤指向第三方 Git 存储库，构建步骤从该存储库获取代码并生成 CloudFormation堆栈进行部署。 deploy-to-staging和 deploy-to-production步骤将 CloudFormation 堆栈部署到各自的环境中。在试运行和生产构建步骤之间有一个手动批准步骤，因此在将模型部署到生产环境之前，必须由MLOps工程师批准该模型。

一个用种子代码信息填充 Git 存储库的 AWS CodeBuild 项目。这需要将您的 AWS 帐户 AWS CodeStar 连接到 Git 仓库主机上的帐户。

用于存储项目（包括 CodePipeline 和 CodeBuild 项目）的 Amazon S3 存储桶以及从 SageMaker AI 管道生成的任何工件都会运行。

代码存储库：第三方 Git。

CI/CD 工作流程自动化： AWS CodePipeline

数据质量 - 监控数据质量的偏差。

模型质量 - 监控模型质量指标（如准确性）的偏差。

生产中模型的偏差漂移 — 监控模型预测中的偏差。

与一个或多个客户指定的 Git 存储库的关联。存储库包含示例 Python 代码，用于从 Amazon SageMaker 模型注册表中获取监控器使用的基准，并更新暂存和生产环境的模板参数。它还包含一个用于创建 Amazon SageMaker 模型监视器的 AWS CloudFormation 模板。

包含源代码、生成和部署步骤的 AWS CodePipeline 管道。源步骤指向 CodePipeline 存储库。构建步骤从该存储库获取代码，从模型注册表中获取基准，并更新暂存和生产环境的模板参数。部署步骤将配置的监控器部署到暂存和生产环境中。阶段内的手动批准步骤要求您在批准并DeployStaging进入该阶段InService之前验证生产 SageMaker AI 端点是否DeployProd存在。

一个用种子代码信息填充 Git 存储库的 AWS CodeBuild 项目。这需要您 AWS 账户 与 Git 存储库主机上的帐户 AWS CodeStar 建立连接。

该模板使用由MLOps模板创建的相同的 Amazon S3 存储桶来存储监控器的输出，用于模型构建、训练和部署。

AWS CodePipeline 每次更新暂存 A SageMaker I 终端节点时，有两个 Amazon EventBridge 事件规则会启动 Amazon SageMaker 模型监控器。

代码存储库：第三方 Git。

CI/CD 工作流自动化：Jenkins

与一个或多个客户指定的 Git 存储库的关联。

用于生成包含源代码、版本和 deploy-to-production步骤的 Jenkins 管道的种子代码。 deploy-to-staging源步骤指向客户指定的 Git 存储库。构建步骤从该存储库获取代码并生成两个 CloudFormation 堆栈。部署步骤将 CloudFormation 堆栈部署到各自的环境中。暂存步骤和生产步骤之间有一个批准步骤。

一个用种子代码信息填充 Git 存储库的 AWS CodeBuild 项目。这需要将您的 AWS 帐户 AWS CodeStar 连接到 Git 仓库主机上的帐户。

一个 Amazon S3 存储桶，用于存储 SageMaker AI 项目和 A SageMaker I 管道的工件。

包括处理映像 - 构建管道

包括训练映像 - 构建管道

包括推理映像 - 构建管道

亚马逊ECR存储库

一张 SageMaker AI 图片

包含您可以自定义的 Dockerfile 的 CodeCommit 存储库

由 CodePipeline 对 CodePipeline 存储库的更改启动的

一个构建 Docker 镜像并将其注册到亚马逊ECR存储库的 CodeBuild 项目

按计划启动 CodePipeline 的 EventBridge 规则

删除角色并切换 Studio（或 Studio Classic）设置

在IAM控制台中，将以下权限添加到AmazonSageMakerServiceCatalogProductsUseRole：

{
      "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-*"
      ]
  }