Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # MLOps Modèles de projets Un modèle de projet Amazon SageMaker AI automatise la configuration et la mise en œuvre MLOps de vos projets. Un modèle de projet SageMaker AI est un produit Service Catalog que l' SageMaker IA met à la disposition des utilisateurs d'Amazon SageMaker Studio (ou Studio Classic). Ces produits Service Catalog sont visibles dans votre console Service Catalog une fois que vous avez activé les autorisations lors de l'intégration ou de la mise à jour d'Amazon SageMaker Studio (ou Studio Classic). Pour plus d'informations sur l'activation des autorisations d'utilisation des modèles de projets d' SageMaker IA, consultez[Octroi des autorisations de SageMaker studio requises pour utiliser les projets](sagemaker-projects-studio-updates.md). Utilisez des modèles de projets d' SageMaker IA pour créer un projet qui soit une end-to-end MLOps solution. Vous pouvez utiliser un modèle de SageMaker projets pour implémenter la création d'images à CI/CD. With this template, you can automate the CI/CD partir d'images créées et transmises à Amazon ECR. Les modifications apportées aux fichiers de conteneur dans les référentiels de contrôle des sources de votre projet déclenchent le pipeline ML et déploient la dernière version pour votre conteneur. Pour plus d'informations, consultez le blog [Create Amazon SageMaker Projects with image building CI/CD pipelines](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-with-image-building-ci-cd-pipelines/). Si vous êtes administrateur, vous pouvez créer des modèles de projet personnalisés à partir de zéro ou modifier l'un des modèles de projet fournis par SageMaker AI. Les utilisateurs de Studio (ou de Studio Classic) de votre organisation peuvent utiliser ces modèles de projet personnalisés pour créer leurs projets. **Topics** + [Utiliser des modèles SageMaker de projet fournis par l'IA](sagemaker-projects-templates-sm.md) + [Création de modèles de projet personnalisés](sagemaker-projects-templates-custom.md) # Utiliser des modèles SageMaker de projet fournis par l'IA **Important** Au 28 octobre 2024, les AWS CodeCommit modèles ont été supprimés. Pour les nouveaux projets, sélectionnez parmi les modèles de projet disponibles qui utilisent des référentiels Git tiers. Amazon SageMaker AI fournit des modèles de projet qui créent l'infrastructure dont vous avez besoin pour créer une MLOps solution d'intégration continue et de déploiement continu (CI/CD) de modèles de machine learning. Utilisez ces modèles pour traiter des données, extraire des fonctionnalités, entraîner et tester des modèles, enregistrer les modèles dans le registre des SageMaker modèles et déployer les modèles à des fins d'inférence. Vous pouvez personnaliser le code d’amorçage et les fichiers de configuration en fonction de vos besoins. **Note** Des rôles supplémentaires sont requis pour utiliser les modèles de projet. Pour obtenir la liste complète des rôles requis et les instructions permettant de les créer, consultez [Octroi des autorisations de SageMaker studio requises pour utiliser les projets](sagemaker-projects-studio-updates.md). Si vous n'avez pas les nouveaux rôles, vous recevrez le message d'erreur « **n'CodePipeline est pas autorisé à exécuter AssumeRole sur le rôle arn:aws:iam : :xxx :** » role/service-role/AmazonSageMakerServiceCatalogProductsCodePipelineRole lorsque vous essayez de créer un nouveau projet et que vous ne pouvez pas continuer. SageMaker Les modèles de projets d'IA vous offrent le choix suivant de référentiels de code, d'outils d'automatisation des flux de travail et d'étapes de pipeline : + **Référentiel de code** : référentiels Git tiers tels que GitHub Bitbucket + **Automatisation du flux de travail CI/CD** : AWS CodePipeline ou Jenkins + **Étapes de pipelines** : création et entraînement de modèles, déploiement de modèles, ou les deux La discussion suivante donne un aperçu de chaque modèle que vous pouvez choisir lors de la création de votre projet d' SageMaker IA. Vous pouvez également visualiser les modèles disponibles dans Studio (ou Studio Classic) en suivant [Création du projet](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html#sagemaker-proejcts-walkthrough-create) dans [Démonstration de projet](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html). Pour step-by-step obtenir des instructions sur la création d'un véritable projet, vous pouvez suivre l'une des procédures détaillées du projet : + Si vous souhaitez utiliser le modèle [MLOps modèles pour la création de modèles, la formation et le déploiement avec Git tiers à l'aide de CodePipeline](#sagemaker-projects-templates-git-code-pipeline), consultez [Parcourez un MLOps projet d' SageMaker IA à l'aide de Git Repos tiers](sagemaker-projects-walkthrough-3rdgit.md). + Si vous souhaitez utiliser le modèle[MLOps modèles pour la création de modèles, la formation et le déploiement avec des référentiels Git tiers utilisant Jenkins](#sagemaker-projects-templates-git-jenkins), consultez [Create Amazon SageMaker Projects using third source control et Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/). **Topics** ## MLOps modèles pour la création de modèles, la formation et le déploiement avec Git tiers à l'aide de CodePipeline + **Référentiel de code** : Git tiers **Note** Établissez la AWS CodeStar connexion entre votre AWS compte et votre GitHub utilisateur ou votre organisation. Ajoutez une balise avec la clé `sagemaker` et la valeur `true` à cette AWS CodeStar connexion. + Automatisation du **flux de travail CI/CD** : AWS CodePipeline ### Génération et entraînement de modèles Ce modèle fournit les ressources suivantes : + Associations avec un référentiel Git spécifié par le client. Le référentiel contient un exemple de code qui crée un pipeline Amazon SageMaker AI en code Python et montre comment créer et mettre à jour le pipeline SageMaker AI. Ce référentiel contient également un exemple de bloc-notes Python que vous pouvez ouvrir et exécuter dans Studio (ou Studio Classic). + Un AWS CodePipeline pipeline comportant des étapes de source et de génération. L’étape source pointe vers le référentiel Git tiers. L'étape de construction extrait le code de ce référentiel, crée et met à jour le pipeline d' SageMaker IA, lance une exécution de pipeline et attend que l'exécution du pipeline soit terminée. + Un AWS CodeBuild projet visant à remplir les référentiels Git avec les informations du code source. Cela nécessite une AWS CodeStar connexion entre votre Compte AWS compte sur l'hôte du dépôt Git. + Un compartiment Amazon S3 destiné à stocker les artefacts, y compris CodePipeline les CodeBuild artefacts, et tous les artefacts générés par le pipeline d' SageMaker IA s'exécute. ### Déploiement de modèles Ce modèle fournit les ressources suivantes : + Associations avec un référentiel Git spécifié par le client. Le référentiel contient un exemple de code qui déploie les modèles sur les points de terminaison dans les environnements intermédiaire et de production. + Un AWS CodePipeline pipeline qui comprend la source, la construction et deploy-to-production les étapes. deploy-to-staging L'étape source pointe vers le référentiel Git tiers et l'étape de compilation extrait le code de ce référentiel et génère des CloudFormation piles à déployer. Les deploy-to-production étapes deploy-to-staging et déploient les CloudFormation piles dans leurs environnements respectifs. Il existe une étape d'approbation manuelle entre les étapes de préparation et de production, de sorte qu'un MLOps ingénieur doit approuver le modèle avant son déploiement en production. + Un AWS CodeBuild projet visant à remplir les référentiels Git avec les informations du code source. Cela nécessite une AWS CodeStar connexion entre votre Compte AWS compte sur l'hôte du dépôt Git. + Un compartiment Amazon S3 destiné à stocker les artefacts, y compris CodePipeline les CodeBuild artefacts, et tous les artefacts générés par le pipeline d' SageMaker IA s'exécute. ### Génération, entraînement et déploiement de modèles Ce modèle fournit les ressources suivantes : + Associations avec un ou plusieurs référentiels Git spécifiés par le client. + Un AWS CodePipeline pipeline qui comprend la source, la construction et deploy-to-production les étapes. deploy-to-staging L’étape source pointe vers le référentiel Git tiers et l’étape de génération obtient le code à partir de ce référentiel et génère les piles CloudFormation à déployer. Les deploy-to-production étapes deploy-to-staging et déploient les CloudFormation piles dans leurs environnements respectifs. Il existe une étape d'approbation manuelle entre les étapes de préparation et de production, de sorte qu'un MLOps ingénieur doit approuver le modèle avant son déploiement en production. + Un AWS CodeBuild projet visant à remplir les référentiels Git avec les informations du code source. Cela nécessite une AWS CodeStar connexion entre votre AWS compte et votre compte sur l'hôte du dépôt Git. + Un compartiment Amazon S3 destiné à stocker les artefacts, y compris CodePipeline les CodeBuild artefacts, et tous les artefacts générés par le pipeline d' SageMaker IA s'exécute. Comme mentionné précédemment, consultez [Démonstration du projet utilisant des dépôts Git tiers](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough-3rdgit.html) (Français non garanti) pour obtenir une démonstration qui utilise ce modèle pour créer un vrai projet. ## MLOps modèle pour la création de modèles, la formation, le déploiement et Amazon SageMaker Model Monitor à l'aide d'Amazon Model Monitor CodePipeline + **Référentiel de code** : Git tiers **Note** Établissez la AWS CodeStar connexion entre votre AWS compte et votre GitHub utilisateur ou votre organisation. Ajoutez une balise avec la clé `sagemaker` et la valeur `true` à cette AWS CodeStar connexion. + Automatisation du **flux de travail CI/CD** : AWS CodePipeline Les modèles suivants incluent un SageMaker modèle Amazon Model Monitor supplémentaire qui fournit les types de surveillance suivants : + [Qualité des données](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html) – Surveillance de la dérive de la qualité des données. + [Qualité du modèle](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html) – Surveillance des écarts dans les métriques de qualité du modèle, comme la précision. + [Dérive de biais pour les modèles en production](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html) : surveillance des biais dans les prédictions d’un modèle. ### Création de modèles, formation, déploiement et Amazon SageMaker Model Monitor Ce modèle est une extension du MLOps modèle pour la création de modèles, la formation et le déploiement à l'aide CodePipeline de référentiels Git. Il inclut à la fois les composants de création de modèles, de formation et de déploiement du modèle, ainsi qu'un SageMaker modèle Amazon Model Monitor supplémentaire qui fournit les types de surveillance suivants : ### Surveillance d’un modèle déployé Vous pouvez utiliser ce modèle pour une MLOps solution visant à déployer un ou plusieurs moniteurs de la qualité des données, de la qualité du modèle, du biais du modèle et de l'explicabilité du modèle Amazon SageMaker AI afin de surveiller un modèle déployé sur un point de terminaison d'inférence basé sur l' SageMaker IA. Ce modèle fournit les ressources suivantes : + Associations avec un ou plusieurs référentiels Git spécifiés par le client. Le référentiel contient un exemple de code Python qui extrait les [lignes de base](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-create-baseline.html) utilisées par les moniteurs à partir de l'Amazon SageMaker Model Registry et met à jour les paramètres du modèle pour les environnements de préparation et de production. Il contient également un CloudFormation modèle pour créer les Amazon SageMaker Model Monitors. + Un AWS CodePipeline pipeline comportant des étapes de source, de création et de déploiement. L'étape source pointe vers le CodePipeline référentiel. L'étape de création récupère le code de ce référentiel, obtient la références du registre Model Registry et met à jour les paramètres du modèle pour les environnements intermédiaires et de production. Les étapes de déploiement déploient les contrôleurs configurés dans les environnements intermédiaires et de production. L'étape d'approbation manuelle, au sein de l'`DeployStaging`étape, vous oblige à vérifier que le point de terminaison de l' SageMaker IA de production se trouve `InService` bien avant d'approuver et de passer à l'`DeployProd`étape. + Un AWS CodeBuild projet visant à remplir les référentiels Git avec les informations du code source. Cela nécessite une AWS CodeStar connexion entre votre Compte AWS compte sur l'hôte du dépôt Git. + Le modèle utilise le même compartiment Amazon S3 créé par le MLOps modèle pour la création de modèles, la formation et le déploiement afin de stocker les sorties des moniteurs. + Deux règles relatives aux EventBridge événements Amazon déclenchent l'Amazon SageMaker Model Monitor AWS CodePipeline chaque fois que le point de terminaison de l' SageMaker IA intermédiaire est mis à jour. ## MLOps modèles pour la création de modèles, la formation et le déploiement avec des référentiels Git tiers utilisant Jenkins + **Référentiel de code** : Git tiers **Note** Établissez la AWS CodeStar connexion entre votre AWS compte et votre GitHub utilisateur ou votre organisation. Ajoutez une balise avec la clé `sagemaker` et la valeur `true` à cette AWS CodeStar connexion. + **Automatisation des flux CI/CD** : Jenkins ### Génération, entraînement et déploiement de modèles Ce modèle fournit les ressources suivantes : + Associations avec un ou plusieurs référentiels Git spécifiés par le client. + Code de départ pour générer des pipelines Jenkins contenant la source, la version et deploy-to-production les étapes. deploy-to-staging L'étape source pointe vers le référentiel Git spécifié par le client. L'étape de construction extrait le code de ce référentiel et génère deux CloudFormation piles. Les étapes de déploiement déploient les CloudFormation piles dans leurs environnements respectifs. Il existe une étape d'approbation entre l'étape intermédiaire et l'étape de production. + Un AWS CodeBuild projet visant à remplir les référentiels Git avec les informations du code source. Cela nécessite une AWS CodeStar connexion entre votre AWS compte et votre compte sur l'hôte du dépôt Git. + Un compartiment Amazon S3 pour stocker les artefacts du projet d' SageMaker IA et du pipeline d' SageMaker IA. Le modèle crée l'association entre votre projet et les référentiels de contrôle de source, mais vous devez effectuer des étapes manuelles supplémentaires pour établir la communication entre votre AWS compte et Jenkins. Pour les étapes détaillées, consultez [Créer des SageMaker projets Amazon à l'aide d'un contrôle de source tiers et de Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/). Les instructions vous aident à créer l'architecture illustrée dans le schéma suivant, avec GitHub comme référentiel de contrôle de source dans cet exemple. Comme indiqué, vous attachez votre référentiel Git au projet pour enregistrer et gérer les versions du code. Jenkins initie le pipeline de création de modèle lorsqu'il détecte des modifications du code de création de modèle dans le référentiel Git. Vous connectez également le projet à Jenkins pour orchestrer les étapes de déploiement de vos modèles, qui démarrent lorsque vous approuvez le modèle enregistré dans le registre des modèles, ou lorsque Jenkins détecte des modifications du code de déploiement du modèle. ![\[\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/projects/projects-templates-gitjenkins.png) En résumé, les étapes vous guident à travers les tâches suivantes : 1. Établissez le lien entre vos GitHub comptes AWS et. 1. Créer le compte Jenkins et importer les plugins nécessaires. 1. Créer la politique IAM de Jenkins pour les utilisateurs et les autorisations. 1. Définissez les AWS informations d'identification de l'utilisateur Jenkins IAM sur votre serveur Jenkins. 1. Créer un jeton API pour la communication avec votre serveur Jenkins. 1. Utilisez un CloudFormation modèle pour définir une EventBridge règle afin de surveiller les modèles récemment approuvés dans le registre des modèles. 1. Créez le projet d' SageMaker IA, qui permet à vos GitHub référentiels d'intégrer du code de création et de déploiement de modèles. 1. Créer votre pipeline de création de modèle Jenkins avec le code initial de création de modèle. 1. Créer votre pipeline de déploiement de modèle Jenkins avec le code initial de déploiement de modèle. ## MLOps modèle pour la création d'images, la création de modèles et le déploiement de modèles Ce modèle est une extension de [MLOps modèles pour la création de modèles, la formation et le déploiement avec Git tiers à l'aide de CodePipeline](#sagemaker-projects-templates-git-code-pipeline). Il inclut à la fois les composants de création du modèle, d'entraînement et de déploiement de ce modèle, ainsi que les options suivantes : + Inclure le traitement d'un pipeline de création d'image + Inclure l'entraînement d'une pipeline de création d'image + Inclure l'inférence d'une pipeline de création d'image Pour chacun des composants sélectionnés lors de la création du projet, les éléments suivants sont créés à l'aide du modèle : + Un référentiel Amazon ECR + [Une SageMaker image](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateImage.html) + Un CodeCommit référentiel contenant un Dockerfile que vous pouvez personnaliser + A CodePipeline qui est initié par des modifications apportées au CodePipeline référentiel + Un CodeBuild projet qui crée une image Docker et l'enregistre dans le référentiel Amazon ECR + EventBridge Règle qui CodePipeline initie le Lorsque le CodePipeline est lancé, il crée un nouveau conteneur Docker et l'enregistre dans un référentiel Amazon ECR. Lorsqu'un nouveau conteneur est enregistré dans le référentiel Amazon ECR, un nouveau conteneur `ImageVersion` est ajouté à l' SageMaker image. Cela déclenche le pipeline de création de modèle, qui à son tour initie le pipeline de déploiement. L’image nouvellement créée est utilisée dans les parties de création de modèle, d’entraînement et de déploiement du flux de travail, le cas échéant. ## Mettre à jour SageMaker les projets pour utiliser des référentiels Git tiers La politique gérée attachée au rôle `AmazonSageMakerServiceCatalogProductsUseRole` a été mise à jour le 27 juillet 2021 en vue d’une utilisation avec les modèles Git tiers. Les utilisateurs qui intègrent Amazon SageMaker Studio (ou Studio Classic) après cette date et qui activent les modèles de projet utilisent la nouvelle politique. Les utilisateurs qui ont effectué l’onboarding avant cette date doivent mettre à jour la politique pour utiliser ces modèles. Utilisez l’une des options suivantes pour mettre à jour la politique : + Supprimer le rôle et basculer les paramètres Studio (ou Studio Classic) 1. Dans la console IAM, supprimez `AmazonSageMakerServiceCatalogProductsUseRole`. 1. Dans le panneau de configuration de Studio (ou de Studio Classic), choisissez **Modifier les paramètres**. 1. Basculez les deux paramètres, puis choisissez **Submit (Envoyer)**. + Dans la console IAM, ajoutez les autorisations suivantes à `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-*" ] } ``` # Création de modèles de projet personnalisés **Important** Au 28 octobre 2024, les AWS CodeCommit modèles ont été supprimés. Pour les nouveaux projets, sélectionnez parmi les modèles de projet disponibles qui utilisent des référentiels Git tiers. Pour de plus amples informations, veuillez consulter [MLOps Modèles de projets](sagemaker-projects-templates.md). Si les modèles SageMaker fournis par l'IA ne répondent pas à vos besoins (par exemple, si vous souhaitez une orchestration plus complexe CodePipeline comportant plusieurs étapes ou des étapes d'approbation personnalisées), créez vos propres modèles. Nous vous recommandons de commencer par utiliser des modèles SageMaker fournis par l'IA pour comprendre comment organiser votre code et vos ressources et en tirer parti. Pour ce faire, après avoir activé l'accès administrateur aux modèles d' SageMaker IA, connectez-vous au [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/), choisissez **Portfolios**, puis choisissez **Importé**. Pour obtenir des informations sur Service Catalog, consultez [Overview of Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/what-is_concepts.html) (Présentation de Service Catalog) dans le *Guide de l’utilisateur Service Catalog*. Créez vos propres modèles de projet pour personnaliser votre MLOps projet. SageMaker Les modèles de projet AI sont des produits fournis par Service Catalog pour fournir les ressources nécessaires à votre projet. MLOps Pour créer un modèle de projet personnalisé,procédez comme suit. 1. Créez un portefeuille. Pour obtenir des informations, consultez [Step 3: Create an Service Catalog Portfolio](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-portfolio.html) (Étape 3 : créer un portefeuille Service Catalog). 1. Créez un produit. Un produit est un CloudFormation modèle. Vous pouvez créer plusieurs versions du produit. Pour obtenir des informations, consultez [Step 4: Create an Service Catalog Product](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-product.html) (Étape 4 : créer un produit Service Catalog). Pour que le produit fonctionne avec SageMaker Projects, ajoutez les paramètres suivants à votre modèle de produit. ``` SageMakerProjectName: Type: String Description: Name of the project SageMakerProjectId: Type: String Description: Service generated Id of the project. ``` **Important** Nous vous recommandons d'intégrer le CodeCommit référentiel dans le référentiel de code SageMaker AI pour que les référentiels du projet soient visibles en mode VPC. Le modèle type et les ajouts nécessaires sont présentés dans les exemples de code suivants. Modèle original (échantillon) : ``` ModelBuildCodeCommitRepository: Type: AWS::CodeCommit::Repository Properties: # Max allowed length: 100 chars RepositoryName: !Sub sagemaker-${SageMakerProjectName}-${SageMakerProjectId}-modelbuild # max: 10+33+15+10=68 RepositoryDescription: !Sub SageMaker Model building workflow infrastructure as code for the Project ${SageMakerProjectName} Code: S3: Bucket: SEEDCODE_BUCKETNAME Key: toolchain/model-building-workflow-v1.0.zip BranchName: main ``` Contenu supplémentaire à ajouter en mode VPC : ``` SageMakerRepository: Type: AWS::SageMaker::CodeRepository Properties: GitConfig: RepositoryUrl: !GetAtt ModelBuildCodeCommitRepository.CloneUrlHttp Branch: main ``` 1. Ajoutez une contrainte de lancement. Une contrainte de lancement désigne un rôle IAM endossé par Service Catalog lorsqu'un utilisateur lance un produit. Pour obtenir des informations, consultez [Étape 6 : ajout d’une contrainte de lancement pour attribuer un rôle IAM](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-launchconstraint.html). 1. Fournissez le produit [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/)pour tester le modèle. Si votre modèle vous satisfait, passez à l’étape suivante pour le mettre à disposition dans Studio (ou Studio Classic). 1. Accordez à votre rôle d’exécution Studio (ou Studio Classic) l’accès au portefeuille Service Catalog que vous avez créé à l’étape 1. Utilisez le rôle d’exécution de domaine ou un rôle utilisateur disposant d’un accès Studio (ou Studio Classic). Pour obtenir des informations sur l’ajout d’un rôle au portefeuille, consultez [Étape 7 : octroi aux utilisateurs finaux d’un accès au portefeuille](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-deploy.html). 1. Pour mettre votre modèle de projet à disposition dans votre liste **Modèles d’organisation** dans Studio (ou Studio Classic), créez une balise avec la clé et la valeur suivantes pour le produit Service Catalog que vous avez créé à l’étape 2. + **Clé** : `sagemaker:studio-visibility` + **valeur** : `true` Une fois ces étapes effectuées, les utilisateurs de Studio (ou de Studio Classic) de votre organisation peuvent créer un projet avec le modèle que vous avez créé en suivant les étapes décrites dans [Création d'un MLOps projet à l'aide d'Amazon SageMaker Studio ou de Studio Classic](sagemaker-projects-create.md) et en choisissant **Modèles d’organisation** lorsque vous choisissez un modèle. ## Utilisation d'un modèle issu d'un compartiment Amazon S3 Vous pouvez également créer des SageMaker projets à l'aide de modèles stockés dans Amazon S3. **Note** Bien que vous puissiez utiliser les modèles contenus dans le AWS Service Catalog, nous vous recommandons de les stocker dans un compartiment S3 et de créer des projets à l'aide de ces modèles. ### Configuration de l'administrateur Avant de créer des projets à l'aide de modèles dans un compartiment S3, effectuez les étapes suivantes. 1. [Créez un compartiment S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html) et chargez vos modèles dans le compartiment. 1. [Configurez une politique CORS sur votre compartiment S3 pour configurer les autorisations d'accès](https://docs.aws.amazon.com/AmazonS3/latest/userguide/enabling-cors-examples.html). 1. Ajoutez la balise clé-valeur suivante au modèle afin qu'elle soit visible par l'IA. SageMaker ``` sagemaker:studio-visibility : true ``` 1. [Créez un domaine](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-quick-start.html). 1. Une fois qu' SageMaker AI a fini de créer votre domaine, ajoutez-y la balise clé-valeur suivante : ``` sagemaker:projectS3TemplatesLocation : s3:// ``` Utilisez ensuite la AWS console, Python ou les opérations d'[UpdateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateProject.html)API [CreateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProject.html)et pour créer ou mettre à jour un SageMaker projet à partir de modèles contenus dans le compartiment S3. ------ #### [ Studio ] **Créer un projet** 1. Ouvrez la console Amazon SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Ouvrez la console SageMaker Studio en suivant les instructions de la section [Lancer Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html). 1. Dans le volet de navigation de gauche, choisissez **Déploiements**, **Projets**, **Créer un projet**. 1. Choisissez **Modèles d'organisation**, puis **Modèles S3** pour voir les modèles mis à votre disposition. Si vous ne trouvez pas le modèle que vous attendez, prévenez votre administrateur. 1. Choisissez le modèle que vous souhaitez utiliser, puis cliquez sur **Suivant**. 1. Entrez un nom pour votre projet, une description facultative et les autres champs obligatoires. Lorsque vous avez terminé, cliquez sur **Create (Créer)**. **Mettre à jour un projet** 1. Ouvrez la console Amazon SageMaker AI à l'adresse [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Ouvrez la console SageMaker Studio en suivant les instructions de la section [Lancer Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html). 1. Choisissez le projet que vous souhaitez mettre à jour. Choisissez **Actions**, puis choisissez **Mettre à jour le projet**. 1. Lorsque vous mettez à jour un projet, vous pouvez mettre à jour les paramètres ou l'URL du modèle. Lorsque vous avez terminé, sélectionnez **Next**. 1. Passez en revue les mises à jour du projet dans le tableau récapitulatif, puis choisissez **Mettre à jour**. ------ #### [ Python Boto3 ] Après avoir créé le compartiment S3 et téléchargé vos modèles, vous pouvez utiliser l'exemple suivant pour créer un SageMaker projet. ``` sagemaker_client = boto3.client('sagemaker', region_name='us-west-2') response = sagemaker_client.create_project( ProjectName='my-custom-project', ProjectDescription='SageMaker project with custom CFN template stored in S3', TemplateProviders=[{ 'CfnTemplateProvider': { 'TemplateName': 'CustomProjectTemplate', 'TemplateURL': f'https://.s3.us-west-2.amazonaws.com/custom-project-template.yml', 'Parameters': [ {'Key': 'ParameterKey', 'Value': 'ParameterValue'} ] } }] ) print(f"Project ARN: {response['ProjectArn']}") ``` Pour mettre à jour un SageMaker projet, consultez l'exemple suivant. ``` sagemaker_client = boto3.client('sagemaker', region_name='us-west-2') response = sagemaker_client.update_project( ProjectName='my-custom-project', ProjectDescription='SageMaker project with custom CFN template stored in S3', TemplateProvidersToUpdate=[{ 'CfnTemplateProvider': { 'TemplateName': 'CustomProjectTemplate', 'TemplateURL': f'https://.s3.us-west-2.amazonaws.com/custom-project-template.yml', 'Parameters': [ {'Key': 'ParameterKey', 'Value': 'ParameterValue'} ] } }] ) print(f"Project ARN: {response['ProjectArn']}") ``` ------