Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Esplora un MLOps progetto di SageMaker intelligenza artificiale utilizzando repository Git di terze parti
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Questa procedura dettagliata utilizza il modello [MLOps modelli per la creazione, la formazione e l'implementazione di modelli con Git di terze parti utilizzando CodePipeline](sagemaker-projects-templates-sm.md#sagemaker-projects-templates-git-code-pipeline) per dimostrare come utilizzare i MLOps progetti per creare un CI/CD sistema per creare, addestrare e distribuire modelli.
**Prerequisiti**
Per completare questa procedura guidata, devi:
+ Un account IAM o Centro identità IAM per accedere a Studio Classic. Per informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Autorizzazione a utilizzare modelli di progetto forniti dall' SageMaker intelligenza artificiale. Per informazioni, consulta [Concessione delle autorizzazioni di SageMaker Studio necessarie per utilizzare i progetti](sagemaker-projects-studio-updates.md).
+ Familiarità di base con l’interfaccia utente di Studio Classic. Per informazioni, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
+ Due repository vuoti GitHub . Inserisci questi repository nel modello di progetto, che inserirà in questi repository il codice di compilazione e distribuzione del modello.
**Topics**
+ [Fase 1: Configurare la connessione GitHub](#sagemaker-proejcts-walkthrough-connect-3rdgit)
+ [Fase 1: creazione del progetto](#sagemaker-proejcts-walkthrough-create-3rdgit)
+ [Fase 3: modifiche al codice](#sagemaker-projects-walkthrough-change-3rdgit)
+ [Fase 4: approvazione del modello](#sagemaker-proejcts-walkthrough-approve-3rdgit)
+ [(Facoltativo) Fase 5: distribuzione della versione del modello per la produzione](#sagemaker-projects-walkthrough-prod-3rdgit)
+ [Fase 6: eliminazione delle risorse](#sagemaker-projectcts-walkthrough-cleanup-3rdgit)
## Fase 1: Configurare la connessione GitHub
In questo passaggio, ti connetti ai tuoi GitHub repository utilizzando una [AWS CodeConnections connessione.](https://docs.aws.amazon.com/dtconsole/latest/userguide/welcome-connections.html) Il progetto SageMaker AI utilizza questa connessione per accedere agli archivi del codice sorgente.
**Per configurare la GitHub connessione:**
1. Accedere alla CodePipeline console all'indirizzo [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)
1. Da **Impostazioni** nel riquadro di navigazione, seleziona **Connessioni**.
1. Scegli **Crea connessione**.
1. Per **Seleziona un provider**, seleziona **GitHub**.
1. In **Nome connessione**, immetti un nome.
1. Scegli **Connect a GitHub**.
1. Se l' GitHub app AWS Connector non è stata installata in precedenza, scegli **Installa nuova app**.
Viene visualizzato un elenco di tutti gli account e le organizzazioni GitHub personali a cui hai accesso.
1. Scegliete l'account a cui desiderate stabilire la connettività da utilizzare con SageMaker i progetti e gli GitHub archivi.
1. Scegli **Configura**.
1. Facoltativamente, puoi selezionare i tuoi repository specifici o scegliere **Tutti i repository.**
1. Scegli **Save** (Salva). Una volta installata l'app, verrai reindirizzato alla GitHub pagina **Connect to** e l'ID di installazione viene compilato automaticamente.
1. Scegli **Connetti**.
1. Aggiungi un tag con la chiave `sagemaker` e il valore `true` a questa CodeConnections connessione.
1. Copia l'ARN connessione per salvarlo per dopo. L'ARN viene utilizzato come parametro nella fase di creazione del progetto.
## Fase 1: creazione del progetto
In questo passaggio, crei un MLOps progetto di SageMaker intelligenza artificiale utilizzando un modello di progetto SageMaker fornito dall'intelligenza artificiale per creare, addestrare e distribuire modelli.
**Per creare il progetto di intelligenza artificiale SageMaker MLOps**
1. Accedi a Studio. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
1. Nella barra laterale di Studio, scegli l'icona **Home** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Seleziona **Implementazioni** dal menu, quindi seleziona **Progetti**.
1. Seleziona **Crea progetto**.
Viene visualizzata la scheda **Crea progetto**.
1. Per i **modelli di progetto SageMaker AI**, scegli **Creazione, formazione e implementazione di modelli con repository Git di terze parti utilizzando CodePipeline**.
1. Scegli **Next (Successivo)**.
1. In **ModelBuild CodeRepository Informazioni**, fornisci i seguenti parametri:
+ Per **Rami**, inserisci il ramo da utilizzare dal tuo repository Git per le attività della pipeline.
+ Per **Nome archivio completo, inserisci il nome** del repository Git nel formato o. *username/repository name* *organization/repository name*
+ Per **Code Connection ARN**, inserisci l'ARN della CodeConnections connessione creata nel passaggio 1.
1. In **ModelDeploy CodeRepository Info**, fornisci i seguenti parametri:
+ Per **Rami**, inserisci il ramo da utilizzare dal tuo repository Git per le attività della pipeline.
+ Per **Nome archivio completo, inserisci il nome** del repository Git nel formato o. *username/repository name* *organization/repository name*
+ Per **Code Connection ARN**, inserisci l'ARN della CodeConnections connessione creata nel passaggio 1.
1. Scegli **Crea progetto**.
Il progetto viene visualizzato nell'elenco **Progetti** con lo **stato** di **Creato**.
## Fase 3: modifiche al codice
Ora apporta una modifica al codice della pipeline che compila il modello e conferma la modifica per avviare una nuova esecuzione della pipeline. L'esecuzione della pipeline registra una nuova versione del modello.
**Per apportare modifiche al codice**
1. Nel GitHub repository della build del modello, accedi alla cartella. `pipelines/abalone` Fai doppio clic su `pipeline.py` per aprire il file di codice.
1. Nel file `pipeline.py`, trova la riga che imposta il tipo di istanza di addestramento.
```
training_instance_type = ParameterString(
name="TrainingInstanceType", default_value="ml.m5.xlarge"
```
Apri il file per modificarlo, cambia `ml.m5.xlarge` in `ml.m5.large` e poi conferma.
Dopo aver eseguito la modifica del codice, il MLOps sistema avvia un'esecuzione della pipeline che crea una nuova versione del modello. Nella fase successiva, si approva la nuova versione del modello per distribuirla in produzione.
## Fase 4: approvazione del modello
Ora approvate la nuova versione del modello creata nel passaggio precedente per avviare una distribuzione della versione del modello su un endpoint AI. SageMaker
**Per approvare la versione del modello**
1. Nella barra laterale di Studio Classic, scegli l’icona **Home** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Seleziona **Implementazioni** dal menu, quindi seleziona **Progetti**.
1. Trova il nome del progetto che hai creato nella prima fase e fai doppio clic su di esso per aprire la scheda del progetto.
1. Nella scheda progetto, scegli **Gruppi di modelli**, quindi fai doppio clic sul nome del gruppo di modelli visualizzato.
Viene visualizzata la scheda del gruppo di modelli.
1. Nella scheda del gruppo di modelli, fai doppio clic su **Versione 1**. Si apre la scheda **Versione 1**. Scegli **Aggiorna stato**.
1. Nella finestra di dialogo **Aggiorna lo stato della versione del modello** nel modello, nell'elenco a discesa **Stato**, seleziona **Approva**, quindi scegli **Aggiorna stato**.
L'approvazione della versione del modello fa sì che il MLOps sistema distribuisca il modello allo staging. Per visualizzare l'endpoint, scegli la scheda **Endpoint** nella scheda del progetto.
## (Facoltativo) Fase 5: distribuzione della versione del modello per la produzione
Ora puoi distribuire la versione del modello nell'ambiente di produzione.
**Nota**
Per completare questa fase, devi essere un amministratore del dominio Studio Classic. Se non sei un amministratore, salta questa fase.
**Per distribuire la versione del modello nell'ambiente di produzione**
1. Accedere alla console all'indirizzo CodePipeline [https://console.aws.amazon.com/codepipeline/](https://console.aws.amazon.com/codepipeline/)
1. Scegli **Pipelines**, quindi scegli la pipeline con il nome **sagemaker- *projectname* - *projectid* -modeldeploy**, dove *projectname* è il nome del tuo progetto e *projectid* l'ID del tuo progetto.
1. **Nella fase, scegli Review. **DeployStaging****
1. Nella finestra di dialogo **Revisione**, scegli **Approva**.
L'approvazione della **DeployStaging**fase fa sì che il MLOps sistema distribuisca il modello in produzione. Per visualizzare l’endpoint, scegli la scheda **Endpoint** nella scheda del progetto in Studio Classic.
## Fase 6: eliminazione delle risorse
Per interrompere gli addebiti, ripulisci le risorse create in questa procedura dettagliata.
**Nota**
Per eliminare lo CloudFormation stack e il bucket Amazon S3, devi essere un amministratore in Studio Classic. Se non sei un amministratore, chiedi al tuo amministratore di completare queste fasi.
1. Nella barra laterale di Studio Classic, scegli l’icona **Home** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/house.png)).
1. Seleziona **Implementazioni** dal menu, quindi seleziona **Progetti**.
1. Seleziona il progetto di destinazione dall'elenco a discesa. Se non vedi il tuo progetto, digita il nome del progetto e applica il filtro per trovarlo.
1. Seleziona il progetto per visualizzarne i dettagli nel pannello principale.
1. Nel menu **Azioni** seleziona **Elimina**.
1. Conferma la tua scelta selezionando **Elimina** dalla finestra **Elimina progetto**.
Ciò elimina il prodotto con provisioning del catalogo servizi creato dal progetto. Ciò include le e CodeCommit CodePipeline le CodeBuild risorse create per il progetto.
1. Elimina gli CloudFormation stack creati dal progetto. Esistono due stack, uno per lo staging e uno per la produzione. I nomi degli stack sono **sagemaker- *projectname* - *project-id* -deploy-staging** e **sagemaker- *projectname* - *project-id* -deploy-prod**, dove *projectname* è il nome del progetto e l'ID del progetto. *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. Elimina il bucket Amazon S3 creato dal progetto. Il nome del bucket è **sagemaker-project-*project-id*, dove è l'ID del progetto**. *project-id*