Usa modelli di SageMaker AI-Provided progetto

Deposito di codice: Third-party Git.

CI/CD automazione del flusso di lavoro: AWS CodePipeline

Associazioni con uno o più repository Git specificati dal cliente. Il repository contiene codice di esempio che crea una pipeline Amazon SageMaker AI in codice Python e mostra come creare e aggiornare la pipeline AI. SageMaker Questo repository contiene anche un notebook Python di esempio che puoi aprire ed eseguire in Studio (o Studio Classic).

Una AWS CodePipeline pipeline con passaggi di origine e compilazione. La fase di origine punta al repository Git di terze parti. La fase di compilazione ottiene il codice da quel repository, crea e aggiorna la pipeline SageMaker AI, avvia l'esecuzione di una pipeline e attende il completamento dell'esecuzione della pipeline.

Un AWS CodeBuild progetto per popolare i repository Git con le informazioni sul codice seed. Ciò richiede una AWS CodeStar connessione dal tuo Account AWS al tuo account sull'host del repository Git.

Viene eseguito un bucket Amazon S3 per archiviare gli artefatti, inclusi gli artefatti CodePipeline e tutti gli CodeBuild artefatti generati dalla pipeline di intelligenza artificiale. SageMaker

Associazioni con uno o più repository Git specificati dal cliente. Il repository contiene codice di esempio per implementare i modelli negli endpoint in ambienti di staging e produzione.

Una AWS CodePipeline pipeline con fasi di origine, compilazione, implementazione, messa in fase e distribuzione verso la produzione. La fase di origine punta al repository Git di terze parti e la fase di compilazione ottiene il codice da quel repository e genera CloudFormation stack da distribuire. Le fasi di implementazione allo staging e di distribuzione alla produzione distribuiscono gli stack nei rispettivi ambienti. CloudFormation Esiste una fase di approvazione manuale tra la fase di staging e quella di produzione, in modo che un ingegnere MLOps debba approvare il modello prima che venga distribuito in produzione.

Un AWS CodeBuild progetto per popolare i repository Git con le informazioni sul codice seed. Ciò richiede una AWS CodeStar connessione dal tuo Account AWS al tuo account sull'host del repository Git.

Viene eseguito un bucket Amazon S3 per archiviare gli artefatti, inclusi gli artefatti CodePipeline e tutti gli CodeBuild artefatti generati dalla pipeline di intelligenza artificiale. SageMaker

Associazioni con uno o più repository Git specificati dal cliente.

Una AWS CodePipeline pipeline che include le fasi di origine, compilazione, implementazione, messa in fase e distribuzione verso la produzione. La fase di origine punta al repository Git di terze parti, mentre la fase di creazione ottiene il codice da tale repository e genera stack CloudFormation da implementare. Le fasi di implementazione per lo staging e per la produzione distribuiscono gli stack CloudFormation nei rispettivi ambienti. Esiste una fase di approvazione manuale tra la fase di staging e quella di produzione, in modo che un ingegnere MLOps debba approvare il modello prima che venga distribuito in produzione.

Un AWS CodeBuild progetto per popolare i repository Git con le informazioni sul codice seed. Ciò richiede una AWS CodeStar connessione dal tuo AWS account al tuo account sull'host del repository Git.

Viene eseguito un bucket Amazon S3 per archiviare gli artefatti, inclusi gli artefatti CodePipeline e tutti gli CodeBuild artefatti generati dalla pipeline di intelligenza artificiale. SageMaker

Deposito di codice: Third-party Git.

CI/CD automazione del flusso di lavoro: AWS CodePipeline

Qualità dei dati: monitora le variazioni della qualità dei dati.

Qualità del modello: monitora le variazioni delle metriche di qualità del modello, come la precisione.

Deriva dei bias per i modelli in produzione: monitora i bias nelle previsioni di un modello.

Associazioni con uno o più repository Git specificati dal cliente. Il repository contiene codice Python di esempio che ottiene le linee di base utilizzate dai monitor dall' SageMaker Amazon Model Registry e aggiorna i parametri del modello per gli ambienti di staging e produzione. Contiene anche un CloudFormation modello per creare Amazon SageMaker Model Monitor.

Una AWS CodePipeline pipeline con fasi di origine, compilazione e distribuzione. La fase di origine rimanda al repository. CodePipeline La fase di creazione recupera il codice da quel repository, ottiene il riferimento dal registro dei modelli e aggiorna i parametri del modello per gli ambienti di staging e di produzione. Le fasi di implementazione implementano i monitor configurati negli ambienti di staging e di produzione. La fase di approvazione manuale, all'interno della DeployStaging fase, richiede di verificare che l'endpoint dell' SageMaker IA di produzione sia attivo InService prima dell'approvazione e del passaggio alla fase. DeployProd

Un AWS CodeBuild progetto per popolare i repository Git con le informazioni sul codice seed. Ciò richiede una AWS CodeStar connessione dal tuo Account AWS al tuo account sull'host del repository Git.

Il modello utilizza lo stesso bucket Amazon S3 generato dal modello di MLOps per la creazione, l’addestramento e l’implementazione dei modelli per archiviare gli output dei monitoraggi.

Due regole di Amazon EventBridge Events avviano Amazon SageMaker Model Monitor AWS CodePipeline ogni volta che l'endpoint di staging SageMaker AI viene aggiornato.

Deposito di codice: Third-party Git.

CI/CD automazione del flusso di lavoro: Jenkins

Associazioni con uno o più repository Git specificati dal cliente.

Codice iniziale per generare pipeline Jenkins che includono le fasi di origine, creazione, implementazione, deploy-to-staging e deploy-to-production. La fase di origine punta al repository Git specificato dal cliente. La fase di compilazione ottiene il codice da quel repository e genera due CloudFormation stack. Le fasi di distribuzione distribuiscono gli CloudFormation stack nei rispettivi ambienti. Esiste una fase di approvazione tra la fase di preparazione e quella di produzione.

Un AWS CodeBuild progetto per popolare i repository Git con le informazioni sul codice seed. Ciò richiede una AWS CodeStar connessione dal tuo AWS account al tuo account sull'host del repository Git.

Un bucket Amazon S3 per archiviare gli elementi del progetto di intelligenza artificiale e della pipeline di SageMaker intelligenza artificiale. SageMaker

Includi immagine di elaborazione/pipeline di creazione

Includi immagine di addestramento/pipeline di creazione

Includi immagine di inferenza/pipeline di creazione

Repository Amazon ECR

Un'immagine SageMaker

Un CodeCommit repository contenente un Dockerfile che puoi personalizzare

A CodePipeline che viene avviato dalle modifiche al repository CodePipeline

Un CodeBuild progetto che crea un'immagine Docker e la registra nel repository Amazon ECR

Una EventBridge regola che avvia la pianificazione CodePipeline

Eliminazione del ruolo e attivazione/disattivazione delle impostazioni di Studio (o Studio Classic)

Nella console IAM, aggiungi le seguenti autorizzazioni a 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-*"
      ]
  }