Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Recorre un MLOps proyecto de SageMaker IA con Git Repos de terceros
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos que [migres tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En este tutorial, se utiliza la plantilla [MLOps plantillas para la creación, el entrenamiento y el despliegue de modelos con Git de terceros mediante CodePipeline](sagemaker-projects-templates-sm.md#sagemaker-projects-templates-git-code-pipeline) para demostrar cómo usar MLOps los proyectos para crear un CI/CD sistema para crear, entrenar e implementar modelos.
**Requisitos previos**
Para realizar este tutorial, necesitará lo siguiente:
+ Una cuenta de IAM o IAM Identity Center para iniciar sesión en Studio Classic. Para obtener información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Permiso para usar plantillas de SageMaker proyectos proporcionadas por la IA. Para obtener información, consulte [Es necesario conceder permisos a SageMaker Studio para usar los proyectos](sagemaker-projects-studio-updates.md).
+ Conocimientos básicos de la interfaz de usuario de Studio Classic. Para obtener información, consulte [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md).
+ Dos repositorios vacíos. GitHub Introducirá estos repositorios en la plantilla del proyecto, lo que iniciará en estos repositorios el código de compilación e implementación del modelo.
**Topics**
+ [Paso 1: Configura la conexión GitHub](#sagemaker-proejcts-walkthrough-connect-3rdgit)
+ [Paso 2: Crear el proyecto](#sagemaker-proejcts-walkthrough-create-3rdgit)
+ [Paso 3: Realizar un cambio en el código](#sagemaker-projects-walkthrough-change-3rdgit)
+ [Paso 4: Aprobar el modelo](#sagemaker-proejcts-walkthrough-approve-3rdgit)
+ [Paso 5: implementar la versión del modelo en producción (opcional)](#sagemaker-projects-walkthrough-prod-3rdgit)
+ [Paso 6: Eliminar recursos](#sagemaker-projectcts-walkthrough-cleanup-3rdgit)
## Paso 1: Configura la conexión GitHub
En este paso, te conectas a tus GitHub repositorios mediante una [AWS CodeConnections conexión](https://docs.aws.amazon.com/dtconsole/latest/userguide/welcome-connections.html). El proyecto de SageMaker IA utiliza esta conexión para acceder a tus repositorios de código fuente.
**Para configurar la GitHub conexión:**
1. Inicie sesión en la CodePipeline consola en [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)
1. En **Configuración** en el panel de navegación, elija **Conexiones**.
1. Elija **Crear conexión**.
1. En **Seleccione un proveedor**, seleccione **GitHub**.
1. En **Nombre**, escriba un nombre.
1. Selecciona **Conectar a GitHub**.
1. Si la GitHub aplicación AWS Connector no está instalada anteriormente, selecciona **Instalar nueva aplicación**.
Aparecerá una lista de todas las cuentas y organizaciones GitHub personales a las que tiene acceso.
1. Elija la cuenta en la que desee establecer la conectividad para utilizarla con SageMaker los proyectos y GitHub los repositorios.
1. Elija **Configurar**.
1. Si lo desea, puede seleccionar sus repositorios específicos o elegir **Todos los repositorios**.
1. Seleccione **Save**. Cuando se instala la aplicación, se te redirige a la GitHub página **Conectar a** y el ID de instalación se rellena automáticamente.
1. Elija **Conectar**.
1. Agrega una etiqueta con la clave `sagemaker` y el valor `true` a esta CodeConnections conexión.
1. Copie el ARN de la conexión y guárdelo para más adelante. El ARN se utiliza como parámetro en el paso de creación del proyecto.
## Paso 2: Crear el proyecto
En este paso, creará un MLOps proyecto de SageMaker IA mediante una plantilla SageMaker de proyecto proporcionada por la IA para crear, entrenar e implementar modelos.
**Para crear el proyecto de IA SageMaker MLOps**
1. Inicie sesión en Studio. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
1. En la barra lateral de Studio, seleccione el icono de **Inicio** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Seleccione **Implementaciones** en el menú y, a continuación, seleccione **Proyectos**.
1. Elija **Crear proyecto**.
Aparece la pestaña **Crear proyecto**.
1. Para las **plantillas de proyectos de SageMaker IA**, elija la **creación, el entrenamiento y el despliegue de modelos con repositorios de Git de terceros utilizando CodePipeline**.
1. Elija **Siguiente**.
1. En **ModelBuild CodeRepository Información**, proporciona los siguientes parámetros:
+ En **Ramificación**, ingrese la ramificación que quiera usar desde su repositorio de Git para las actividades de canalización.
+ En **Nombre completo del repositorio**, introduce el nombre del repositorio de Git con el formato *username/repository name* o*organization/repository name*.
+ Para el **ARN de conexión de código**, introduzca el ARN de la CodeConnections conexión que creó en el paso 1.
1. En **ModelDeploy CodeRepository Información**, proporcione los siguientes parámetros:
+ En **Ramificación**, ingrese la ramificación que quiera usar desde su repositorio de Git para las actividades de canalización.
+ En **Nombre completo del repositorio**, introduce el nombre del repositorio de Git con el formato *username/repository name* o*organization/repository name*.
+ Para el **ARN de conexión de código**, introduzca el ARN de la CodeConnections conexión que creó en el paso 1.
1. Elija **Crear proyecto**.
El proyecto aparece en la lista **Proyectos** con el **Estado** de **Creado**.
## Paso 3: Realizar un cambio en el código
Ahora realice un cambio en el código de la canalización que crea el modelo y confirme el cambio para iniciar una nueva ejecución de la canalización. La ejecución de la canalización registra una nueva versión del modelo.
**Para realizar un cambio de código**
1. En el GitHub repositorio de compilación del modelo, navegue hasta la carpeta. `pipelines/abalone` Haga doble clic en `pipeline.py` para abrir el archivo de código.
1. En el archivo `pipeline.py`, busque la línea que establece el tipo de instancia de entrenamiento.
```
training_instance_type = ParameterString(
name="TrainingInstanceType", default_value="ml.m5.xlarge"
```
Abra el archivo para editarlo, cambie `ml.m5.xlarge` a `ml.m5.large` y confirme.
Tras confirmar el cambio de código, el MLOps sistema inicia una ejecución de la canalización que crea una nueva versión del modelo. En el siguiente paso, debe aprobar la nueva versión del modelo para implementarla en producción.
## Paso 4: Aprobar el modelo
Ahora debe aprobar la nueva versión del modelo que se creó en el paso anterior para iniciar la implementación de la versión del modelo en un punto final de SageMaker IA.
**Para aprobar la versión del modelo**
1. En la barra lateral de Studio Classic, seleccione el icono de **Inicio** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Seleccione **Implementaciones** en el menú y, a continuación, seleccione **Proyectos**.
1. Busque el nombre del proyecto que creó en el primer paso y haga doble clic en él para abrir la pestaña del proyecto.
1. En la pestaña del proyecto, elija **Grupos de modelos** y, a continuación, haga doble clic en el nombre del grupo de modelos que aparece.
Aparece la pestaña del grupo de modelos.
1. En la pestaña del grupo de modelos, haga doble clic en **Versión 1**. Se abre la pestaña **Versión 1**. Elija **Actualizar estado**.
1. En el cuadro de diálogo **Actualizar el estado de la versión del modelo**, en la lista desplegable **Estado**, seleccione **Aprobar** y, a continuación, elija **Actualizar estado**.
La aprobación de la versión del modelo hace que el MLOps sistema despliegue el modelo en fase provisional. Para ver el punto de conexión, seleccione la pestaña **Puntos de conexión** en la pestaña del proyecto.
## Paso 5: implementar la versión del modelo en producción (opcional)
Ahora puede implementar la versión modelo en el entorno de producción.
**nota**
Para completar este paso, debe ser un administrador de su dominio de Studio Classic. Si no es un administrador, omita este paso.
**Para implementar la versión modelo en el entorno de producción**
1. Inicie sesión en la consola en CodePipeline [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)
1. Elige **Pipelines** y, a continuación, elige la canalización con el nombre **sagemaker- *projectname* - *projectid* -modeldeploy**, donde *projectname* aparece el nombre del proyecto y *projectid* el identificador del mismo.
1. **En la **DeployStaging**etapa, selecciona Revisar.**
1. En el cuadro de diálogo **Revisar**, elija **Aprobar**.
La aprobación de la **DeployStaging**etapa hace que el MLOps sistema implemente el modelo en producción. Para ver el punto de conexión, seleccione la pestaña **Puntos de conexión** en la pestaña del proyecto en Studio Classic.
## Paso 6: Eliminar recursos
Para dejar de incurrir en cargos, debe eliminar los recursos que se crearon en este tutorial.
**nota**
Para eliminar la CloudFormation pila y el bucket de Amazon S3, debe ser administrador en Studio Classic. Si no es administrador, pídale a su administrador que complete esos pasos.
1. En la barra lateral de Studio Classic, seleccione el icono de **Inicio** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Seleccione **Implementaciones** en el menú y, a continuación, seleccione **Proyectos**.
1. Seleccione el proyecto objetivo del menú desplegable. Si no ve su proyecto, escriba el nombre del proyecto y aplique el filtro para buscarlo.
1. Seleccione su proyecto para ver sus detalles en el panel principal.
1. En el menú **Acciones**, elija **Eliminar**.
1. Para confirmar su elección, seleccione **Eliminar** en la ventana **Eliminar proyecto**.
Esto elimina el producto aprovisionado de Service Catalog que creó el proyecto. Esto incluye los CodeCommit CodeBuild recursos CodePipeline y los recursos creados para el proyecto.
1. Elimine las CloudFormation pilas que creó el proyecto. Hay dos pilas, una para el ensayo y otra para la producción. Los nombres de las pilas son **sagemaker- *projectname* - *project-id* -deploy-staging** y **sagemaker- *projectname* - *project-id* -deploy-prod**, donde *projectname* es el nombre del proyecto y su identificador. *project-id*
[https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/cfn-console-delete-stack.html](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/cfn-console-delete-stack.html)
1. Elimine el bucket de Amazon S3 que creó el proyecto. El nombre del depósito es **sagemaker-project- *project-id***, donde *project-id* está el ID de tu proyecto.