Verwenden Sie SageMaker AI-Provided Projektvorlagen

Code-Repository: Third-party Git.

CI/CD Workflow-Automatisierung: AWS CodePipeline

Verknüpfungen mit einem kundenspezifischen Git-Repository. Das Repository enthält Beispielcode, der eine Amazon SageMaker AI-Pipeline in Python-Code erstellt und zeigt, wie die SageMaker AI-Pipeline erstellt und aktualisiert wird. Dieses Repository enthält auch ein Python-Beispiel-Notebook, das Sie in Studio (oder Studio Classic) öffnen und ausführen können.

Eine AWS CodePipeline Pipeline mit Quell- und Build-Schritten. Der Quellschritt verweist auf das Git-Repository eines Drittanbieters. Der Build-Schritt ruft den Code aus diesem Repository ab, erstellt und aktualisiert die SageMaker AI-Pipeline, startet eine Pipeline-Ausführung und wartet, bis die Pipeline-Ausführung abgeschlossen ist.

Ein AWS CodeBuild Projekt, um die Git-Repositorys mit den Seedcode-Informationen zu füllen. Dies erfordert eine AWS CodeStar Verbindung von Ihnen AWS-Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3-Bucket zum Speichern von Artefakten, einschließlich CodePipeline und CodeBuild Artefakten, sowie aller aus der SageMaker KI-Pipeline generierten Artefakte wird ausgeführt.

Verknüpfungen mit einem kundenspezifischen Git-Repository. Das Repository enthält Beispielcode, der Modelle auf Endpunkten in Staging- und Produktionsumgebungen bereitstellt.

Eine AWS CodePipeline Pipeline, die die Schritte Source, Build, Deployment to Staging und Deployment to Production umfasst. Der Quellschritt verweist auf das Git-Repository eines Drittanbieters, und der Build-Schritt ruft den Code aus diesem Repository ab und generiert Stacks für die Bereitstellung. CloudFormation In den Schritten Deployment to Staging und Deployment to Production werden die CloudFormation Stacks in ihren jeweiligen Umgebungen bereitgestellt. Zwischen der Staging- und der Produktionsphase findet ein manueller Genehmigungsschritt statt, sodass ein MLOps-Techniker das Modell genehmigen muss, bevor es in der Produktion eingesetzt wird.

Ein AWS CodeBuild Projekt, um die Git-Repositorys mit den Seedcode-Informationen zu füllen. Dies erfordert eine AWS CodeStar Verbindung von Ihnen AWS-Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3-Bucket zum Speichern von Artefakten, einschließlich CodePipeline und CodeBuild Artefakten, sowie aller aus der SageMaker KI-Pipeline generierten Artefakte wird ausgeführt.

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys.

Eine AWS CodePipeline Pipeline, die die Schritte Source, Build, Deployment to Staging und Deployment to Production umfasst. Der Quellschritt verweist auf das Git-Repository eines Drittanbieters, und im Build-Schritt wird der Code aus diesem Repository abgerufen und CloudFormation-Stacks für die Bereitstellung generiert. In den Schritten Deploy-to-Staging und Deploy-to-Production werden die CloudFormation -Stacks in ihren jeweiligen Umgebungen bereitgestellt. Zwischen der Staging- und der Produktionsphase findet ein manueller Genehmigungsschritt statt, sodass ein MLOps-Techniker das Modell genehmigen muss, bevor es in der Produktion eingesetzt wird.

Ein AWS CodeBuild Projekt, um die Git-Repositorys mit den Startcode-Informationen zu füllen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3-Bucket zum Speichern von Artefakten, einschließlich CodePipeline und CodeBuild Artefakten, sowie aller aus der SageMaker KI-Pipeline generierten Artefakte wird ausgeführt.

Code-Repository: Third-party Git.

CI/CD Workflow-Automatisierung: AWS CodePipeline

Datenqualität – Überwachen Sie Abweichungen bei der Datenqualität.

Modellqualität – Überwachen Sie Abweichungen bei den Kennzahlen zur Modellqualität, z. B. bei der Genauigkeit.

Verzerrungen bei Modellen in der Produktion: Überwachen Sie Verzerrungen bei den Vorhersagen eines Modells.

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys. Das Repository enthält Python-Beispielcode, der die von den Monitoren verwendeten Baselines aus der Amazon SageMaker Model Registry abruft und die Parameter der Vorlage für die Staging- und Produktionsumgebungen aktualisiert. Es enthält auch eine CloudFormation Vorlage zum Erstellen der Amazon SageMaker Model Monitors.

Eine AWS CodePipeline Pipeline mit Quell-, Erstellungs- und Bereitstellungsschritten. Der Quellschritt verweist auf das CodePipeline Repository. Im Build-Schritt wird der Code aus diesem Repository abgerufen, die Baseline aus der Model Registry abgerufen und die Vorlagenparameter für die Staging- und Produktionsumgebung aktualisiert. In den Bereitstellungsschritten werden die konfigurierten Monitore in der Staging- und Produktionsumgebung bereitgestellt. Beim manuellen Genehmigungsschritt innerhalb der DeployStaging Phase müssen Sie überprüfen, ob sich der SageMaker KI-Endpunkt der Produktion befindet, InService bevor Sie die Genehmigung genehmigen und zur DeployProd Phase übergehen.

Ein AWS CodeBuild Projekt, um die Git-Repositorys mit den Startcode-Informationen zu füllen. Dies erfordert eine AWS CodeStar Verbindung von Ihnen AWS-Konto zu Ihrem Konto auf dem Git-Repository-Host.

Die Vorlage verwendet denselben Amazon-S3-Bucket, der von der MLOps-Vorlage für Modellbildung, Training und Bereitstellung erstellt wurde, um die Ausgaben der Monitore zu speichern.

Zwei EventBridge Amazon-Event-Regeln initiieren den Amazon SageMaker Model Monitor AWS CodePipeline jedes Mal, wenn der SageMaker Staging-AI-Endpunkt aktualisiert wird.

Code-Repository: Third-party Git.

CI/CD Workflow-Automatisierung: Jenkins

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys.

Startcode zur Generierung von Jenkins-Pipelines mit den Schritten Source, Build, Deployment bis Staging und Deployment to Production. Der Quellschritt verweist auf das vom Kunden angegebene Git-Repository. Der Build-Schritt ruft den Code aus diesem Repository ab und generiert zwei CloudFormation Stapel. Bei den Bereitstellungsschritten werden die CloudFormation Stacks in ihren jeweiligen Umgebungen bereitgestellt. Zwischen dem Staging-Schritt und dem Produktionsschritt gibt es einen Genehmigungsschritt.

Ein AWS CodeBuild Projekt, um die Git-Repositorys mit den Seedcode-Informationen zu füllen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon S3-Bucket zum Speichern von Artefakten des SageMaker KI-Projekts und der SageMaker KI-Pipeline.

Schließen Sie die Pipeline zur Erstellung von Verarbeitungsabbildern ein

Pipeline zur Erstellung von Trainings-Images einbeziehen

Pipeline zur Erstellung von Inferenz-Images einbeziehen

Ein Amazon-ECR-Repository

Ein Bild SageMaker

Ein CodeCommit Repository, das ein Dockerfile enthält, das Sie anpassen können

A CodePipeline , das durch Änderungen am Repository initiiert wird CodePipeline

Ein CodeBuild Projekt, das ein Docker-Image erstellt und es im Amazon ECR-Repository registriert

Eine EventBridge Regel, die das nach einem Zeitplan initiiert CodePipeline

Löschen der Rolle und Umschalten zwischen den Studio-Einstellungen (oder Studio-Classic-Einstellungen)

Fügen Sie in der IAM-Konsole die folgenden Berechtigungen hinzu: 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-*"
      ]
  }