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.
# MLOps Automazione con SageMaker progetti
Crea soluzioni end-to-end ML CI/CD utilizzando SageMaker Projects.
Usa SageMaker Projects per creare una MLOps soluzione per orchestrare e gestire:
+ Creazione di immagini personalizzate per l'elaborazione, l'addestramento e l'inferenza
+ Preparazione dei dati e ingegneria delle funzionalità
+ Addestramento dei modelli
+ Valutazione dei modelli
+ Implementazione dei modelli
+ Monitoraggio e aggiornamento dei modelli
**Topics**
+ [Cos'è un progetto SageMaker AI?](sagemaker-projects-whatis.md)
+ [Concessione delle autorizzazioni di SageMaker Studio necessarie per utilizzare i progetti](sagemaker-projects-studio-updates.md)
+ [Crea un MLOps progetto utilizzando Amazon SageMaker Studio o Studio Classic](sagemaker-projects-create.md)
+ [MLOps Modelli di progetto](sagemaker-projects-templates.md)
+ [Visualizzazione delle risorse di progetto](sagemaker-projects-resources.md)
+ [Aggiornamento di un MLOps progetto in Amazon SageMaker Studio o Studio Classic](sagemaker-projects-update.md)
+ [Eliminare un MLOps progetto utilizzando Amazon SageMaker Studio o Studio Classic](sagemaker-projects-delete.md)
+ [Esplora un MLOps progetto di SageMaker intelligenza artificiale utilizzando repository Git di terze parti](sagemaker-projects-walkthrough-3rdgit.md)
# Cos'è un progetto SageMaker AI?
SageMaker I progetti aiutano le organizzazioni a configurare e standardizzare ambienti di sviluppo per data scientist e sistemi per ingegneri. CI/CD MLOps I progetti aiutano anche le organizzazioni a configurare la gestione delle dipendenze e degli archivi di codice, la riproducibilità delle build e la condivisione degli artefatti.
Puoi effettuare il provisioning SageMaker dei progetti utilizzando modelli personalizzati archiviati in bucket Amazon S3 o utilizzando modelli di o AI AWS Service Catalog . SageMaker Per informazioni sul AWS Service Catalog, vedere [What Is AWS Service Catalog](https://docs.aws.amazon.com/servicecatalog/latest/dg/what-is-service-catalog.html). Con SageMaker Projects, MLOps gli ingegneri e gli amministratori dell'organizzazione possono definire i propri modelli o utilizzare modelli forniti dall' SageMaker intelligenza artificiale. I modelli SageMaker forniti dall'intelligenza artificiale avviano il flusso di lavoro ML con il controllo della versione del codice sorgente, pipeline ML automatizzate e un set di codice per iniziare rapidamente a iterare sui casi d'uso del machine learning.
## Quando dovresti usare un progetto di intelligenza artificiale? SageMaker
**Importante**
A partire dal 9 settembre 2024, i modelli di progetto che utilizzano il AWS CodeCommit repository non sono più supportati. Per i nuovi progetti, seleziona tra i modelli di progetto disponibili che utilizzano repository Git di terze parti.
Sebbene i notebook siano utili per la creazione e la sperimentazione di modelli, un team di data scientist e ingegneri di machine learning che condividono il codice ha bisogno di un modo più scalabile per mantenere la coerenza del codice e un rigoroso controllo delle versioni.
Ogni organizzazione dispone di una propria serie di standard e pratiche che garantiscono sicurezza e governance per il proprio AWS ambiente. SageMaker L'intelligenza artificiale fornisce una serie di modelli proprietari per le organizzazioni che desiderano iniziare rapidamente a utilizzare flussi di lavoro ML e CI/CD. I modelli includono progetti che utilizzano servizi AWS nativi per CI/CD, come, e. AWS CodeBuild AWS CodePipeline AWS CodeCommit I modelli offrono anche la possibilità di creare progetti che utilizzano strumenti di terze parti, come Jenkins e. GitHub Per un elenco dei modelli di progetto forniti dall' SageMaker IA, consulta[Utilizza modelli di progetto SageMaker forniti dall'intelligenza artificiale](sagemaker-projects-templates-sm.md).
Le organizzazioni spesso hanno bisogno di un controllo rigoroso sulle MLOps risorse che forniscono e gestiscono. Tale responsabilità implica determinate attività, tra cui la configurazione dei ruoli e delle policy IAM, l'applicazione dei tag delle risorse, l'applicazione della crittografia e il disaccoppiamento delle risorse su più account. SageMaker I progetti possono supportare tutte queste attività attraverso offerte di modelli personalizzati in cui le organizzazioni utilizzano CloudFormation modelli per definire le risorse necessarie per un flusso di lavoro ML. I data scientist possono scegliere un modello per avviare e preconfigurare il proprio flusso di lavoro ML.
Per iniziare, ti consigliamo di creare e archiviare modelli personalizzati all'interno di un bucket Amazon S3. In questo modo puoi creare un bucket in qualsiasi regione supportata dalla tua organizzazione. S3 supporta il controllo delle versioni, quindi puoi mantenere più versioni dei tuoi modelli e ripristinarli se necessario. Per informazioni su come creare un progetto dall'archivio di modelli in un bucket Amazon S3, consulta. [Utilizzo di un modello da un bucket Amazon S3](sagemaker-projects-templates-custom.md#sagemaker-projects-templates-s3)
In alternativa, puoi anche creare modelli personalizzati come prodotti Service Catalog e puoi eseguirne il provisioning nell'interfaccia utente di Studio o Studio Classic in **Organization Templates**. Il Service Catalog è un servizio che aiuta le organizzazioni a creare e gestire cataloghi di prodotti approvati per l'uso su AWS. Per ulteriori informazioni sulla creazione di modelli personalizzati, consulta [Build Custom SageMaker AI Project Templates — Best Practices](https://aws.amazon.com/blogs/machine-learning/build-custom-sagemaker-project-templates-best-practices/).
Sebbene sia possibile utilizzare entrambe le opzioni, ti consigliamo di utilizzare i bucket S3 sul Service Catalog, in modo da poter creare un bucket nelle regioni supportate in cui l' SageMaker intelligenza artificiale è disponibile senza dover gestire le complessità del Service Catalog.
SageMaker I progetti possono aiutarti a gestire i tuoi repository Git in modo da poter collaborare in modo più efficiente tra i team, garantire la coerenza del codice e supportare CI/CD. SageMaker I progetti possono aiutarti nelle seguenti attività:
+ Organizza tutte le entità del ciclo di vita ML in un unico progetto.
+ Stabilisci un approccio con un solo clic per configurare un'infrastruttura ML standard per l’addestramento e l'implementazione di modelli che incorpori le migliori pratiche.
+ Crea e condividi modelli per l'infrastruttura ML per soddisfare diversi casi d'uso.
+ Sfrutta i modelli predefiniti SageMaker forniti dall'intelligenza artificiale per iniziare rapidamente a concentrarti sulla creazione di modelli o crea modelli personalizzati con risorse e linee guida specifiche dell'organizzazione.
+ Esegui l'integrazione con gli strumenti di tua scelta estendendo i modelli di progetto. Per un esempio, consulta [Creare un progetto di SageMaker intelligenza artificiale da integrare con e Pipelines](https://aws.amazon.com/blogs/machine-learning/build-mlops-workflows-with-amazon-sagemaker-projects-gitlab-and-gitlab-pipelines/). GitLab GitLab
+ Organizza tutte le entità del ciclo di vita ML in un unico progetto.
## Cosa c'è in un progetto di SageMaker intelligenza artificiale?
I clienti dispongono della flessibilità necessaria per configurare i propri progetti con le risorse più adatte al loro caso d'uso. L'esempio seguente mostra la MLOps configurazione di un flusso di lavoro ML, inclusi l'addestramento e l'implementazione dei modelli.
![\[\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/projects/projects-ml-workflow.png)
Un progetto tipico con un modello SageMaker fornito dall'intelligenza artificiale potrebbe includere quanto segue:
+ Uno o più repository con codice di esempio per creare e distribuire soluzioni ML. Questi sono esempi funzionanti che puoi modificare in base alle tue esigenze. Il proprietario di questo codice può sfruttare i repository soggetti al controllo delle versioni per le proprie attività.
+ Una pipeline di SageMaker intelligenza artificiale che definisce i passaggi per la preparazione dei dati, la formazione, la valutazione del modello e l'implementazione del modello, come illustrato nel diagramma seguente.
![\[\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/projects/pipeline-in-project-simple.png)
+ Una pipeline CodePipeline o Jenkins che esegue la pipeline di SageMaker intelligenza artificiale ogni volta che si archivia una nuova versione del codice. [Per informazioni su CodePipeline, consulta What is. AWS CodePipeline](https://docs.aws.amazon.com/codepipeline/latest/userguide/welcome.html) Per informazioni su Jenkins, consulta la [documentazione per l’utente di Jenkins](https://www.jenkins.io/doc/).
+ Un gruppo di modelli che contiene le versioni del modello. Ogni volta che approvi la versione del modello risultante dall'esecuzione di una pipeline di SageMaker intelligenza artificiale, puoi distribuirla su un SageMaker endpoint di intelligenza artificiale.
Ogni progetto di SageMaker intelligenza artificiale ha un nome e un ID univoci che vengono applicati come tag a tutta l' SageMaker intelligenza artificiale e alle AWS risorse create nel progetto. Con il nome e l'ID, è possibile visualizzare tutte le entità associate al progetto. Ciò include:
+ Pipelines
+ Modelli registrati
+ Modelli distribuiti (endpoint)
+ Set di dati
+ Prodotti del catalogo di servizio
+ CodePipeline e oleodotti Jenkins
+ CodeCommit e repository Git di terze parti
## Devo creare un progetto per utilizzare SageMaker AI Pipelines?
No. SageMaker le pipeline sono entità autonome, proprio come i lavori di formazione, i lavori di elaborazione e altri lavori di SageMaker intelligenza artificiale. Puoi creare, aggiornare ed eseguire pipeline direttamente all'interno di un notebook utilizzando SageMaker Python SDK senza utilizzare SageMaker un progetto AI.
I progetti forniscono un livello aggiuntivo per aiutarti a organizzare il codice e adottare le migliori pratiche operative, necessarie per un sistema di qualità della produzione.
# Concessione delle autorizzazioni di SageMaker Studio necessarie per utilizzare i progetti
L'amministratore di Amazon SageMaker Studio (o Studio Classic) e gli utenti di Studio (o Studio Classic) che aggiungi al tuo dominio possono visualizzare i modelli di progetto forniti dall' SageMaker intelligenza artificiale e creare progetti con tali modelli. Per impostazione predefinita, l'amministratore può visualizzare i modelli SageMaker AI nella console Service Catalog. L'amministratore può vedere cosa crea un altro utente se l'utente è autorizzato a utilizzare SageMaker Projects. L'amministratore può anche visualizzare il CloudFormation modello definito dai modelli di progetto SageMaker AI nella console Service Catalog. Per informazioni sull'utilizzo della console del catalogo di servizio, consulta [Cos’è il catalogo di servizio?](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/introduction.html) nella *guida per l’utente al catalogo di servizio*.
Gli utenti Studio (e Studio Classic) del dominio che sono configurati per utilizzare lo stesso ruolo di esecuzione del dominio per impostazione predefinita sono autorizzati a creare progetti utilizzando modelli di progetto SageMaker AI.
**Importante**
Non creare manualmente i ruoli. Crea sempre ruoli tramite le **Impostazioni di Studio** seguendo le fasi descritte di seguito.
Per gli utenti che utilizzano ruoli diversi dal ruolo di esecuzione del dominio per visualizzare e utilizzare i modelli di progetto SageMaker forniti dall'intelligenza artificiale, devi concedere le autorizzazioni di **Projects** ai singoli profili utente attivando Abilita i modelli di **progetto Amazon SageMaker AI e gli utenti Amazon SageMaker JumpStart** for Studio quando li aggiungi al tuo dominio. Per ulteriori informazioni su questa fase, consultare [Aggiunta di profili utente](domain-user-profile-add.md).
Poiché SageMaker Projects è supportato da Service Catalog, devi aggiungere ogni ruolo che richiede l'accesso a SageMaker Projects al portafoglio di **prodotti Amazon SageMaker AI Solutions e ML Ops** nel catalogo dei servizi. Puoi eseguire questa operazione nella scheda **Gruppi, ruoli e utenti**, come illustrato nella seguente immagine. Se ogni profilo utente in Studio Classic ha un ruolo diverso, devi aggiungere ciascuno di questi ruoli al Catalogo dei servizi. Questa operazione può essere eseguita anche durante la creazione di un profilo utente in Studio Classic.
## Concessione dell’accesso ai progetti per i nuovi ruoli del dominio
Quando modifichi il ruolo di esecuzione del tuo dominio o aggiungi profili utente con ruoli diversi, devi concedere a questi nuovi ruoli l'accesso al portfolio Service Catalog per utilizzare SageMaker Projects. Segui questa procedura per garantire che tutti i ruoli abbiano le autorizzazioni necessarie:
**Per concedere l’accesso ai progetti per i nuovi ruoli di dominio**
1. Apri la [console Catalogo dei servizi](https://console.aws.amazon.com/servicecatalog/).
1. Dal menu di navigazione a sinistra, scegli **Portfolio**.
1. Seleziona la sezione **Importato**.
1. Seleziona **prodotti Amazon SageMaker Solutions e ML Ops**.
1. Scegliere la scheda **Accesso**.
1. Selezionare **Grant access (Concedi accesso)**.
1. Nella finestra di dialogo **Concedi l’accesso**, seleziona **Ruoli**.
1. Concedi l’accesso a tutti i ruoli utilizzati dai profili utente del dominio, tra cui:
+ Il ruolo di esecuzione del dominio
+ Qualsiasi ruolo di esecuzione personalizzato assegnato ai singoli profili utente
1. Scegli **Concedi l’accesso** per confermare.
**Importante**
Devi completare questo processo ogni volta che modifichi il ruolo di esecuzione del dominio o aggiungi profili utente con nuovi ruoli di esecuzione. Senza questo accesso, gli utenti non saranno in grado di creare o utilizzare SageMaker progetti.
Le procedure seguenti mostrano come concedere le autorizzazioni per **Progetti** dopo l’onboarding in Studio o Studio Classic. Per ulteriori informazioni sull’onboarding in Studio o Studio Classic, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**Per confermare che il tuo dominio SageMaker AI dispone di autorizzazioni attive per i modelli di progetto:**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Scegli il tuo dominio.
1. Scegli la scheda **Impostazioni del dominio**.
1. In **SageMaker Progetti e JumpStart**, assicurati che le seguenti opzioni siano attivate:
+ **Abilita i modelli di progetto Amazon SageMaker AI e Amazon SageMaker JumpStart per questo account**
+ **Abilita i modelli di progetto Amazon SageMaker AI e gli utenti di Amazon SageMaker JumpStart for Studio**
**Per visualizzare l'elenco dei ruoli:**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Scegli il tuo dominio.
1. Scegli la scheda **Impostazioni del dominio**.
1. Un elenco dei tuoi ruoli viene visualizzato nella scheda `Apps` sotto la scheda **Studio**.
**Importante**
A partire dal 25 luglio, sono necessari ruoli aggiuntivi per utilizzare i modelli di progetto. Si riporta l'elenco completo dei ruoli che dovresti vedere in `Projects`:
`AmazonSageMakerServiceCatalogProductsLaunchRole` `AmazonSageMakerServiceCatalogProductsUseRole` `AmazonSageMakerServiceCatalogProductsApiGatewayRole` `AmazonSageMakerServiceCatalogProductsCloudformationRole` `AmazonSageMakerServiceCatalogProductsCodeBuildRole` `AmazonSageMakerServiceCatalogProductsCodePipelineRole` `AmazonSageMakerServiceCatalogProductsEventsRole` `AmazonSageMakerServiceCatalogProductsFirehoseRole` `AmazonSageMakerServiceCatalogProductsGlueRole` `AmazonSageMakerServiceCatalogProductsLambdaRole` `AmazonSageMakerServiceCatalogProductsExecutionRole`
Per una descrizione di questi ruoli, consulta [AWS Politiche gestite per SageMaker progetti e JumpStart](security-iam-awsmanpol-sc.md).
# Crea un MLOps progetto utilizzando Amazon SageMaker Studio o Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Questa procedura dimostra come creare un MLOps progetto utilizzando Amazon SageMaker Studio Classic.
**Prerequisiti**
+ Un account IAM o Centro identità IAM per accedere a Studio o Studio Classic. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Autorizzazione a utilizzare modelli di progetto SageMaker forniti dall'intelligenza artificiale. Per ulteriori 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 ulteriori informazioni, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
------
#### [ Studio ]
1. Apri la console SageMaker Studio seguendo le istruzioni in [Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Nel riquadro di navigazione a sinistra scegli **Implementazioni**, quindi seleziona **Progetti**.
1. Nell’angolo in alto a destra sopra l’elenco dei progetti, scegli **Crea progetto**.
1. Nella pagina **Modelli**, scegli un modello da utilizzare per il progetto. Per ulteriori informazioni sui modelli di progetto, consulta [MLOps Modelli di progetto](sagemaker-projects-templates.md).
1. Scegli **Next (Successivo)**.
1. Nella pagina **Dettagli del progetto**, immetti le informazioni seguenti:
+ **Nome**: un nome per il progetto.
+ **Descrizione**: una descrizione facoltativa per il progetto.
+ I valori per i parametri di provisioning del Catalogo dei servizi relativi al modello scelto.
1. Scegli **Crea progetto** e attendi che il progetto appaia nell'elenco **Progetti**.
1. (Facoltativo) Nella barra laterale di Studio, scegli **Pipeline** per visualizzare la pipeline creata dal tuo progetto. Per ulteriori informazioni su Pipelines, consulta [Pipelines](pipelines.md).
------
#### [ Studio Classic ]
1. Accedi a Studio Classic. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
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 **Crea progetto**.
Viene visualizzata la scheda **Crea progetto** con un elenco di modelli disponibili.
1. Se non è già selezionato, scegli i **modelli SageMaker AI**. Per ulteriori informazioni sui modelli di progetto, consulta [MLOps Modelli di progetto](sagemaker-projects-templates.md).
1. Scegli il modello **Creazione, addestramento e implementazione dei modelli**.
1. Scegli **Seleziona modello di progetto**.
La scheda **Crea progetto** cambia, visualizzando **Dettagli del progetto**.
1. Immetti le seguenti informazioni:
+ Per **Dettagli del progetto**, inserisci un nome e una descrizione per il progetto.
+ Se lo desideri, aggiungi tag, ossia coppie chiave-valore che puoi utilizzare per tracciare i progetti.
1. Scegli **Crea progetto** e attendi che il progetto appaia nell'elenco **Progetti**.
------
# MLOps Modelli di progetto
Un modello di progetto Amazon SageMaker AI automatizza la configurazione e l'implementazione MLOps dei tuoi progetti. Un modello di progetto SageMaker AI è un prodotto Service Catalog che l' SageMaker intelligenza artificiale mette a disposizione degli utenti di Amazon SageMaker Studio (o Studio Classic). Questi prodotti Service Catalog sono visibili nella tua console Service Catalog dopo aver abilitato le autorizzazioni quando esegui l'onboarding o l'aggiornamento di Amazon SageMaker Studio (o Studio Classic). Per informazioni sull'attivazione delle autorizzazioni per l'uso dei modelli di progetto SageMaker AI, consulta. [Concessione delle autorizzazioni di SageMaker Studio necessarie per utilizzare i progetti](sagemaker-projects-studio-updates.md) Usa i modelli di progetto SageMaker AI per creare un progetto che sia una end-to-end MLOps soluzione.
Puoi utilizzare un modello SageMaker Projects per implementare la creazione CI/CD. With this template, you can automate the CI/CD di immagini create e inviate ad Amazon ECR. Le modifiche ai file del container nei repository di controllo del codice sorgente del progetto avviano la pipeline ML e distribuiscono la versione più recente per il container. Per ulteriori informazioni, consulta il blog [Create Amazon SageMaker Projects with image building CI/CD pipeline.](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-with-image-building-ci-cd-pipelines/)
Se sei un amministratore, puoi creare modelli di progetto personalizzati partendo da zero o modificare uno dei modelli di progetto forniti da SageMaker AI. Gli utenti di Studio (o Studio Classic) dell’organizzazione possono utilizzare questi modelli di progetto personalizzati per creare i propri progetti.
**Topics**
+ [Utilizza modelli di progetto SageMaker forniti dall'intelligenza artificiale](sagemaker-projects-templates-sm.md)
+ [Crea modelli di progetto personalizzati](sagemaker-projects-templates-custom.md)
# Utilizza modelli di progetto SageMaker forniti dall'intelligenza artificiale
**Importante**
A partire dal 28 ottobre 2024, i AWS CodeCommit modelli sono stati rimossi. Per i nuovi progetti, seleziona tra i modelli di progetto disponibili che utilizzano repository Git di terze parti.
Amazon SageMaker AI fornisce modelli di progetto che creano l'infrastruttura necessaria per creare una MLOps soluzione per l'integrazione continua e la distribuzione continua (CI/CD) dei modelli ML. Utilizza questi modelli per elaborare dati, estrarre funzionalità, addestrare e testare modelli, registrare i modelli nel SageMaker Model Registry e distribuire i modelli per l'inferenza. È possibile personalizzare il codice iniziale e i file di configurazione in base alle proprie esigenze.
**Nota**
Sono necessari ruoli aggiuntivi per utilizzare i modelli di progetto. Per un elenco completo dei ruoli richiesti e le istruzioni su come crearli, consulta [Concessione delle autorizzazioni di SageMaker Studio necessarie per utilizzare i progetti](sagemaker-projects-studio-updates.md). Se non disponi dei nuovi ruoli, riceverai il messaggio di errore **non CodePipeline è autorizzato a eseguire AssumeRole sul ruolo arn:aws:iam: :xxx: role/service-role/AmazonSageMakerServiceCatalogProductsCodePipelineRole** quando tenti di creare un nuovo progetto e non riesci a procedere.
SageMaker I modelli di progetto AI offrono la seguente scelta di archivi di codice, strumenti di automazione del flusso di lavoro e fasi della pipeline:
+ Archivio di **codice: repository** Git di terze parti come Bitbucket GitHub
+ Automazione **del flusso di lavoro CI/CD: o Jenkins** AWS CodePipeline
+ **Fasi della pipeline**: creazione e addestramento del modello, implementazione del modello o entrambi
La discussione seguente fornisce una panoramica di ogni modello che puoi scegliere quando crei il tuo SageMaker progetto di intelligenza artificiale. È inoltre possibile visualizzare i modelli disponibili in Studio (o Studio Classic) seguendo la sezione [Creazione del progetto](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html#sagemaker-proejcts-walkthrough-create) della [guida sui progetti](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough.html).
Per step-by-step istruzioni su come creare un progetto reale, puoi seguire una delle procedure dettagliate del progetto:
+ Se desideri usare il modello [MLOps modelli per la creazione, la formazione e l'implementazione di modelli con Git di terze parti utilizzando CodePipeline](#sagemaker-projects-templates-git-code-pipeline), consulta [Esplora un MLOps progetto di SageMaker intelligenza artificiale utilizzando repository Git di terze parti](sagemaker-projects-walkthrough-3rdgit.md).
+ Se desideri utilizzare il modello[MLOps modelli per la creazione, la formazione e la distribuzione di modelli con repository Git di terze parti che utilizzano Jenkins](#sagemaker-projects-templates-git-jenkins), consulta [Creare SageMaker progetti Amazon utilizzando il controllo del codice sorgente di terze parti e Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/).
**Topics**
## MLOps modelli per la creazione, la formazione e l'implementazione di modelli con Git di terze parti utilizzando CodePipeline
+ **Repository di codice**: Git di terze parti.
**Nota**
Stabilisci la AWS CodeStar connessione dal tuo AWS account all' GitHub utente o all'organizzazione. Aggiungi un tag con la chiave `sagemaker` e il valore `true` a questa AWS CodeStar connessione.
+ Automazione del **flusso di lavoro CI/CD**: AWS CodePipeline
### Creazione e addestramento dei modelli
Questo modello fornisce le seguenti risorse:
+ 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
### Implementazione di modelli
Questo modello fornisce le seguenti risorse:
+ 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 origine, build e passaggi. deploy-to-staging deploy-to-production 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 deploy-to-production fasi deploy-to-staging successive distribuiscono gli CloudFormation stack nei rispettivi ambienti. Esiste una fase di approvazione manuale tra la fase di preparazione e quella di produzione, in modo che un MLOps tecnico 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
### Creazione, addestramento e implementazione dei modelli
Questo modello fornisce le seguenti risorse:
+ Associazioni con uno o più repository Git specificati dal cliente.
+ Una AWS CodePipeline pipeline con origine deploy-to-staging, build e deploy-to-production passaggi. 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. I deploy-to-production passaggi deploy-to-staging e distribuiscono gli CloudFormation stack nei rispettivi ambienti. Esiste una fase di approvazione manuale tra la fase di preparazione e quella di produzione, in modo che un MLOps tecnico 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
Come accennato in precedenza, consulta la [guida dettagliata sui progetti usando repository Git di terze parti](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects-walkthrough-3rdgit.html) per una dimostrazione che utilizza questo modello per creare un progetto reale.
## MLOps modello per la creazione di modelli, la formazione, la distribuzione e l'utilizzo di Amazon SageMaker Model Monitor CodePipeline
+ **Repository di codice**: Git di terze parti.
**Nota**
Stabilisci la AWS CodeStar connessione dal tuo AWS account all' GitHub utente o all'organizzazione. Aggiungi un tag con la chiave `sagemaker` e il valore `true` a questa AWS CodeStar connessione.
+ Automazione del **flusso di lavoro CI/CD**: AWS CodePipeline
I seguenti modelli includono un SageMaker modello Amazon Model Monitor aggiuntivo che fornisce i seguenti tipi di monitoraggio:
+ [Qualità dei dati](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html): monitora le variazioni della qualità dei dati.
+ [Qualità del modello](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html): monitora le variazioni delle metriche di qualità del modello, come la precisione.
+ [Deriva dei bias per i modelli in produzione](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html): monitora i bias nelle previsioni di un modello.
### Creazione di modelli, formazione, implementazione e Amazon SageMaker Model Monitor
Questo modello è un'estensione del MLOps modello per la creazione, la formazione e la distribuzione di modelli utilizzando CodePipeline repository Git. Include sia i componenti per la creazione del modello, la formazione e la distribuzione del modello, sia un SageMaker modello Amazon Model Monitor aggiuntivo che fornisce i seguenti tipi di monitoraggio:
### Monitoraggio di un modello implementato
Puoi utilizzare questo modello per una MLOps soluzione per implementare uno o più monitor Amazon SageMaker AI per la qualità dei dati, la qualità del modello, la distorsione dei modelli e la spiegabilità dei modelli per monitorare un modello distribuito su un endpoint di inferenza AI. SageMaker Questo modello fornisce le seguenti risorse:
+ Associazioni con uno o più repository Git specificati dal cliente. Il repository contiene codice Python di esempio che ottiene [le](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-create-baseline.html) 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 creato dal MLOps modello per la creazione, la formazione e la distribuzione del modello per archiviare gli output dei monitor.
+ Due regole di Amazon EventBridge Events avviano Amazon SageMaker Model Monitor AWS CodePipeline ogni volta che l'endpoint di staging SageMaker AI viene aggiornato.
## MLOps modelli per la creazione, la formazione e la distribuzione di modelli con repository Git di terze parti che utilizzano Jenkins
+ **Repository di codice**: Git di terze parti.
**Nota**
Stabilisci la AWS CodeStar connessione dal tuo AWS account all' GitHub utente o all'organizzazione. Aggiungi un tag con la chiave `sagemaker` e il valore `true` a questa AWS CodeStar connessione.
+ **Automazione del flusso di lavoro CI/CD**: Jenkins
### Creazione, addestramento e implementazione dei modelli
Questo modello fornisce le seguenti risorse:
+ Associazioni con uno o più repository Git specificati dal cliente.
+ Codice iniziale per generare pipeline Jenkins con codice sorgente deploy-to-staging, build e deploy-to-production step. La fase di origine punta al repository Git specificato dal cliente. La fase di compilazione ottiene il codice da quel repository e genera due stack. CloudFormation 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
Il modello crea l'associazione tra il tuo progetto e gli archivi di controllo del codice sorgente, ma devi eseguire passaggi manuali aggiuntivi per stabilire la comunicazione tra il tuo account e Jenkins. AWS Per i passaggi dettagliati, consulta [Creare SageMaker progetti Amazon utilizzando il controllo del codice sorgente di terze parti e Jenkins](https://aws.amazon.com/blogs/machine-learning/create-amazon-sagemaker-projects-using-third-party-source-control-and-jenkins/).
Le istruzioni ti aiutano a creare l'architettura mostrata nel diagramma seguente, utilizzata GitHub come repository per il controllo del codice sorgente in questo esempio. Come mostrato, stai collegando il tuo repository Git al progetto per controllare e gestire le versioni del codice. Jenkins avvia la pipeline di compilazione del modello quando rileva modifiche al codice di compilazione del modello nel repository Git. Stai anche collegando il progetto a Jenkins per orchestrare le fasi di distribuzione del modello, che iniziano quando approvi il modello registrato nel registro dei modelli o quando Jenkins rileva modifiche al codice di distribuzione del modello stesso.
![\[\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/projects/projects-templates-gitjenkins.png)
In sintesi, attraverso queste fasi potrai completare le seguenti attività:
1. Stabilisci la connessione tra i tuoi account AWS . GitHub
1. Creare l'account Jenkins e importa i plugin necessari.
1. Creare la policy di utenti e autorizzazioni Jenkins IAM.
1. Imposta AWS le credenziali per l'utente Jenkins IAM sul tuo server Jenkins.
1. Creare un token API per la comunicazione con il server Jenkins.
1. Utilizza un CloudFormation modello per impostare una EventBridge regola per monitorare il registro dei modelli per i modelli appena approvati.
1. Crea il progetto di SageMaker intelligenza artificiale, che semplifica i tuoi GitHub repository con codice di creazione e distribuzione del modello.
1. Creare la pipeline di compilazione del modello Jenkins con il codice iniziale di compilazione del modello.
1. Creare la pipeline di distribuzione del modello Jenkins con il codice iniziale di distribuzione del modello.
## MLOps modello per la creazione di immagini, la creazione di modelli e l'implementazione di modelli
Questo modello è un'estensione di [MLOps modelli per la creazione, la formazione e l'implementazione di modelli con Git di terze parti utilizzando CodePipeline](#sagemaker-projects-templates-git-code-pipeline). Include sia i componenti per la creazione, l’addestramento e l’implementazione dei modelli, sia le seguenti opzioni:
+ Includi immagine di elaborazione/pipeline di creazione
+ Includi immagine di addestramento/pipeline di creazione
+ Includi immagine di inferenza/pipeline di creazione
Per ciascuno dei componenti selezionati durante la creazione del progetto, utilizzando il modello vengono creati i seguenti componenti:
+ Repository Amazon ECR
+ [Un' SageMaker immagine](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateImage.html)
+ 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
Quando CodePipeline viene avviato, crea un nuovo contenitore Docker e lo registra in un repository Amazon ECR. Quando un nuovo contenitore viene registrato nel repository Amazon ECR, ne `ImageVersion` viene aggiunto uno nuovo all' SageMaker immagine. Questo avvia la pipeline di creazione del modello che, a sua volta, avvia la pipeline di distribuzione.
L'immagine appena creata viene utilizzata nelle parti del flusso di lavoro relative alla creazione, all’addestramento e all’implementazione di modelli, ove applicabile.
## Aggiorna SageMaker i progetti per utilizzare repository Git di terze parti
La policy gestita collegata al ruolo `AmazonSageMakerServiceCatalogProductsUseRole` è stata aggiornata il 27 luglio 2021 per essere utilizzata con i modelli Git di terze parti. Gli utenti che effettuano l'accesso ad Amazon SageMaker Studio (o Studio Classic) dopo questa data e abilitano i modelli di progetto utilizzano la nuova politica. Gli utenti che hanno effettuato l'onboarding prima di questa data devono aggiornare la policy per utilizzare questi modelli. Per aggiornare la policy, utilizza una delle seguenti opzioni:
+ Eliminazione del ruolo e attivazione/disattivazione delle impostazioni di Studio (o Studio Classic)
1. Nella console IAM, elimina `AmazonSageMakerServiceCatalogProductsUseRole`.
1. Nel pannello di controllo di Studio (o Studio Classic), scegli **Modifica impostazioni**.
1. Attiva/disattiva entrambe le impostazioni, quindi scegli **Invia**.
+ 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-*"
]
}
```
# Crea modelli di progetto personalizzati
**Importante**
A partire dal 28 ottobre 2024, i AWS CodeCommit modelli sono stati rimossi. Per i nuovi progetti, seleziona tra i modelli di progetto disponibili che utilizzano repository Git di terze parti. Per ulteriori informazioni, consulta [MLOps Modelli di progetto](sagemaker-projects-templates.md).
Se i modelli SageMaker forniti dall'intelligenza artificiale non soddisfano le tue esigenze (ad esempio, desideri un'orchestrazione più complessa CodePipeline con più fasi o passaggi di approvazione personalizzati), crea i tuoi modelli.
Ti consigliamo di iniziare a utilizzare i modelli SageMaker forniti dall'intelligenza artificiale per capire come organizzare il codice e le risorse e utilizzarli come base. **Per fare ciò, dopo aver abilitato l'accesso dell'amministratore SageMaker ai modelli di intelligenza artificiale, accedi a, scegli **Portfolio [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/)**, quindi scegli Importati.** Per informazioni sul catalogo servizi, consulta [Panoramica del catalogo servizi](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/what-is_concepts.html) nella *Guida per l’utente al catalogo servizi*.
Crea i tuoi modelli di progetto per personalizzare il tuo MLOps progetto. SageMaker I modelli di progetto AI sono prodotti forniti da Service Catalog per fornire le risorse per il tuo progetto. MLOps
Per creare un modello di progetto personalizzato, completa la seguente procedura.
1. Crea un portfolio. Per informazioni, consulta [Fase 3: creazione di un portfolio del catalogo servizi](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-portfolio.html).
1. Creazione di un prodotto Un prodotto è un modello. CloudFormation Puoi creare più versioni del prodotto. Per informazioni, consulta [Fase 4: creazione di un prodotto del catalogo servizi](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-product.html).
Affinché il prodotto funzioni con SageMaker Projects, aggiungi i seguenti parametri al tuo modello di prodotto.
```
SageMakerProjectName:
Type: String
Description: Name of the project
SageMakerProjectId:
Type: String
Description: Service generated Id of the project.
```
**Importante**
Ti consigliamo di inserire il CodeCommit repository nell'archivio del codice SageMaker AI affinché i repository del progetto siano visibili in modalità VPC. Il modello di esempio e l'aggiunta richiesta sono mostrati nei seguenti esempi di codice.
Modello originale (esempio):
```
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
```
Contenuti aggiuntivi da aggiungere in modalità VPC:
```
SageMakerRepository:
Type: AWS::SageMaker::CodeRepository
Properties:
GitConfig:
RepositoryUrl: !GetAtt ModelBuildCodeCommitRepository.CloneUrlHttp
Branch: main
```
1. Aggiungi un vincolo di avvio. Un vincolo di avvio designa un ruolo IAM che il catalogo servizi assume quando un utente avvia un prodotto. Per informazioni, consulta [Fase 6: aggiunta di un vincolo di avvio per assegnare un ruolo IAM](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-launchconstraint.html).
1. Fornisci il prodotto per testare il modello [https://console.aws.amazon.com/servicecatalog/](https://console.aws.amazon.com/servicecatalog/). Se il modello soddisfa le tue esigenze, continua con la fase successiva per renderlo disponibile in Studio (o Studio Classic).
1. Concedi l’accesso al portfolio Catalogo dei servizi creato nella fase 1 per il tuo ruolo di esecuzione di Studio (o Studio Classic). Utilizza il ruolo di esecuzione del dominio o un ruolo utente che abbia accesso a Studio (o Studio Classic). Per informazioni sull'aggiunta di un ruolo al portfolio, consulta [Fase 7: concessione dell’accesso al portfolio agli utenti finali](https://docs.aws.amazon.com/servicecatalog/latest/adminguide/getstarted-deploy.html).
1. Per rendere il modello di progetto disponibile nell’elenco **Modelli organizzazione** in Studio (o Studio Classic), crea un tag con la chiave e il valore seguenti per il prodotto del Catalogo dei servizi che hai creato nella fase 2.
+ **chiave**: `sagemaker:studio-visibility`
+ **valore**: `true`
Dopo aver completato queste fasi, gli utenti di Studio (o Studio Classic) nella tua organizzazione possono elaborare un progetto con il modello che hai creato seguendo la procedura in [Crea un MLOps progetto utilizzando Amazon SageMaker Studio o Studio Classic](sagemaker-projects-create.md) e scegliendo **Modelli dell’organizzazione** tra le opzioni per il modello.
## Utilizzo di un modello da un bucket Amazon S3
Puoi anche creare SageMaker progetti utilizzando modelli archiviati in Amazon S3.
**Nota**
Sebbene sia possibile utilizzare i modelli presenti in AWS Service Catalog, consigliamo di archiviarli in un bucket S3 e di creare progetti utilizzando tali modelli.
### Configurazione dell'amministratore
Prima di poter creare progetti utilizzando modelli in un bucket S3, procedi nel seguente modo.
1. [Crea un bucket S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html) e carica i tuoi modelli nel bucket.
1. [Imposta una policy CORS sul tuo bucket S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/enabling-cors-examples.html) per configurare le autorizzazioni di accesso.
1. Aggiungi il seguente tag chiave-valore al modello in modo che diventino visibili all'IA. SageMaker
```
sagemaker:studio-visibility : true
```
1. [Crea un dominio](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-quick-start.html).
1. Dopo che l' SageMaker IA ha finito di creare il tuo dominio, aggiungi il seguente tag chiave-valore al dominio:
```
sagemaker:projectS3TemplatesLocation : s3://
```
Quindi usa la AWS console, Python o le operazioni [CreateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateProject.html)e [UpdateProject](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateProject.html)API per creare o aggiornare un SageMaker progetto dai modelli all'interno del bucket S3.
------
#### [ Studio ]
**Creazione di un progetto**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Apri la console SageMaker Studio seguendo le istruzioni in [Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Nel riquadro di navigazione a sinistra, scegli **Implementazioni**, **Progetti**, **Crea** progetto.
1. Scegli **Modelli di organizzazione** e poi **Modelli S3** per vedere i modelli disponibili. Se non vedi il modello che ti aspetti, avvisa il tuo amministratore.
1. Scegli il modello che desideri utilizzare, quindi scegli **Avanti**.
1. Inserisci un nome per il progetto, una descrizione opzionale e gli altri campi obbligatori. Al termine, selezionare **Create (Crea)**.
**Aggiorna un progetto**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Apri la console SageMaker Studio seguendo le istruzioni in [Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Scegli il progetto che desideri aggiornare. Scegli **Azioni**, quindi scegli **Aggiorna progetto**.
1. Quando aggiorni un progetto, puoi aggiornare i parametri del modello o l'URL del modello. Al termine, selezionare **Next (Successivo)**.
1. Controlla gli aggiornamenti del progetto nella tabella di riepilogo e scegli **Aggiorna**.
------
#### [ Python Boto3 ]
Dopo aver creato il bucket S3 e caricato i modelli, puoi utilizzare il seguente esempio per creare un SageMaker progetto.
```
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']}")
```
Per aggiornare un SageMaker progetto, consulta l'esempio seguente.
```
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']}")
```
------
# Visualizzazione delle risorse di progetto
Dopo aver creato un progetto, visualizza le risorse associate al progetto in Amazon SageMaker Studio Classic.
------
#### [ Studio ]
1. Apri la console SageMaker Studio seguendo le istruzioni in [Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Nel riquadro di navigazione a sinistra scegli **Implementazioni**, quindi seleziona **Progetti**.
1. Seleziona il nome del progetto per il quale desideri visualizzare i dettagli. Si apre una pagina con i dettagli del progetto.
Sulla pagina dei dettagli del progetto, puoi visualizzare le seguenti entità e aprire le schede seguenti che corrispondono all’entità associata al progetto.
+ Repository: repository di codice (repo) associati a questo progetto. Se utilizzi un modello SageMaker fornito dall'intelligenza artificiale quando crei il tuo progetto, viene creato un AWS CodeCommit repository o un repository Git di terze parti. [Per ulteriori informazioni su CodeCommit, consulta What is. AWS CodeCommit](https://docs.aws.amazon.com/codecommit/latest/userguide/welcome.html)
+ Pipeline: pipeline SageMaker AI ML che definiscono i passaggi per preparare i dati, addestrare e implementare modelli. Per informazioni sulle pipeline SageMaker AI ML, consulta. [Azioni di Pipelines](pipelines-build.md)
+ Esperimenti: uno o più esperimenti Amazon SageMaker Autopilot associati al progetto. Per ulteriori informazioni su Autopilot, consulta [SageMaker Pilota automatico](autopilot-automate-model-development.md).
+ Gruppi di modelli: gruppi di versioni del modello creati mediante esecuzioni di pipeline nel progetto. Per informazioni sui gruppi di modelli, consulta [Creazione di un gruppo di modelli](model-registry-model-group.md).
+ Endpoint: endpoint di SageMaker intelligenza artificiale che ospitano modelli distribuiti per l'inferenza in tempo reale. Quando una versione del modello viene approvata, questa viene distribuita su un endpoint.
+ Tag: tutti i tag associati al progetto. Per ulteriori informazioni sui tag, consulta [Tagging delle risorse AWS](https://docs.aws.amazon.com/general/latest/gr/aws_tagging.html) in *Riferimenti generali di AWS*.
+ Metadati: metadati associati al progetto. Includono il modello e la versione utilizzati e il percorso di avvio del modello.
------
#### [ Studio Classic ]
1. Accedi a Studio Classic. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
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 nome del progetto per il quale desideri visualizzare i dettagli.
Viene visualizzata una scheda con i dettagli del progetto.
Sulla scheda Dettagli del progetto è possibile visualizzare le seguenti entità associate al progetto.
+ Repository: repository di codice (repo) associati a questo progetto. Se utilizzi un modello SageMaker fornito dall'intelligenza artificiale quando crei il tuo progetto, viene creato un AWS CodeCommit repository o un repository Git di terze parti. [Per ulteriori informazioni su CodeCommit, consulta What is. AWS CodeCommit](https://docs.aws.amazon.com/codecommit/latest/userguide/welcome.html)
+ Pipeline: pipeline SageMaker AI ML che definiscono i passaggi per preparare i dati, addestrare e implementare modelli. Per informazioni sulle pipeline SageMaker AI ML, consulta. [Azioni di Pipelines](pipelines-build.md)
+ Esperimenti: uno o più esperimenti Amazon SageMaker Autopilot associati al progetto. Per ulteriori informazioni su Autopilot, consulta [SageMaker Pilota automatico](autopilot-automate-model-development.md).
+ Gruppi di modelli: gruppi di versioni del modello creati mediante esecuzioni di pipeline nel progetto. Per informazioni sui gruppi di modelli, consulta [Creazione di un gruppo di modelli](model-registry-model-group.md).
+ Endpoint: endpoint di SageMaker intelligenza artificiale che ospitano modelli distribuiti per l'inferenza in tempo reale. Quando una versione del modello viene approvata, questa viene distribuita su un endpoint.
+ Impostazioni: impostazioni per il progetto. Ciò include il nome e la descrizione del progetto, le informazioni sul modello di progetto e `SourceModelPackageGroupName` e i metadati sul progetto.
------
# Aggiornamento di un MLOps progetto in Amazon SageMaker Studio o Studio Classic
Questa procedura dimostra come aggiornare un MLOps progetto in Amazon SageMaker Studio o Studio Classic. L'aggiornamento del progetto ti offre la possibilità di modificare la tua soluzione end-to-end ML. È possibile aggiornare la **descrizione**, la versione del modello e i parametri del modello.
**Prerequisiti**
+ Un account IAM o Centro identità IAM per accedere a Studio o Studio Classic. Per informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Familiarità di base con l’interfaccia utente di Studio o Studio Classic. Per informazioni sull’interfaccia utente di Studio, consulta [Amazon SageMaker Studio](studio-updated.md). Per informazioni su Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
+ Aggiungi le seguenti policy inline personalizzate ai ruoli specificati:
Ruolo creato dall'utente con `AmazonSageMakerFullAccess`
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"servicecatalog:CreateProvisionedProductPlan",
"servicecatalog:DescribeProvisionedProductPlan",
"servicecatalog:DeleteProvisionedProductPlan"
],
"Resource": "*"
}
]
}
```
------
`AmazonSageMakerServiceCatalogProductsLaunchRole`
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"cloudformation:CreateChangeSet",
"cloudformation:DeleteChangeSet",
"cloudformation:DescribeChangeSet"
],
"Resource": "arn:aws:cloudformation:*:*:stack/SC-*"
},
{
"Effect": "Allow",
"Action": [
"codecommit:PutRepositoryTriggers"
],
"Resource": "arn:aws:codecommit:*:*:sagemaker-*"
}
]
}
```
------
Per aggiornare il progetto in Studio o Studio Classic, procedi come segue.
------
#### [ Studio ]
1. Apri la console SageMaker Studio seguendo le istruzioni in [Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Nel riquadro di navigazione a sinistra scegli **Implementazioni**, quindi seleziona **Progetti**.
1. Scegli il pulsante di opzione accanto al progetto da aggiornare.
1. Scegli l’icona con tre puntini verticali nell’angolo in alto a destra dell’elenco dei progetti, quindi seleziona **Aggiorna**.
1. Scegli **Next (Successivo)**.
1. Controlla gli aggiornamenti del progetto nella tabella di riepilogo e scegli **Aggiorna**. L’aggiornamento del progetto potrebbe richiedere alcuni minuti.
------
#### [ Studio Classic ]
**Per aggiornare un progetto in Studio Classic**
1. Accedi a Studio Classic. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
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**. Viene visualizzato un elenco dei progetti.
1. Seleziona il nome del progetto che desideri aggiornare nell'elenco dei progetti.
1. Scegli **Aggiorna** dal menu **Azioni** nell'angolo in alto a destra della scheda del progetto.
1. Nella finestra di dialogo **Aggiorna progetto**, puoi modificare la **descrizione** e i parametri elencati del modello.
1. Scegli **Visualizza differenza**.
Una finestra di dialogo mostra le impostazioni originali del progetto e quelle aggiornate. Qualsiasi modifica alle impostazioni del progetto può modificare o eliminare risorse nel progetto corrente. La finestra di dialogo mostra anche queste modifiche.
1. Potrebbe essere necessario attendere qualche minuto prima che il pulsante **Aggiorna** diventi attivo. Scegliere **Aggiorna**.
1. Il completamento dell’aggiornamento del progetto potrebbe richiedere alcuni minuti. Seleziona **Impostazioni** nella scheda del progetto e assicurati che i parametri siano stati aggiornati correttamente.
------
# Eliminare un MLOps progetto utilizzando Amazon SageMaker Studio o Studio Classic
Questa procedura dimostra come eliminare un MLOps progetto utilizzando Amazon SageMaker Studio o Studio Classic.
**Prerequisiti**
**Nota**
In Studio o Studio Classic puoi eliminare solo i progetti che hai creato. Questa condizione fa parte dell'autorizzazione del catalogo servizi `servicecatalog:TerminateProvisionedProduct` prevista dalla policy `AmazonSageMakerFullAccess`. Se necessario, puoi aggiornare questa policy per rimuovere la condizione.
+ Un account IAM o Centro identità IAM per accedere a Studio o Studio Classic. Per informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Familiarità di base con l’interfaccia utente di Studio o Studio Classic. Per informazioni sull’interfaccia utente di Studio, consulta [Amazon SageMaker Studio](studio-updated.md). Per informazioni su Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
------
#### [ Studio ]
1. Apri la console SageMaker Studio seguendo le istruzioni in [Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).
1. Nel riquadro di navigazione a sinistra scegli **Implementazioni**, quindi seleziona **Progetti**.
1. Scegli il pulsante di opzione accanto al progetto da eliminare.
1. Scegli l’icona con tre puntini verticali nell’angolo in alto a destra dell’elenco dei progetti, quindi seleziona **Elimina**.
1. Esamina le informazioni nella finestra di dialogo **Elimina progetto** e scegli **Sì, elimina il progetto** se intendi comunque eliminare il progetto.
1. Scegli **Elimina**.
1. Viene visualizzato l’elenco dei progetti. Verifica che il progetto non sia più presente nell’elenco.
------
#### [ Studio Classic ]
1. Accedi a Studio Classic. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
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. Una volta trovato il progetto, seleziona il nome del progetto per visualizzarne i dettagli.
1. Nel menu **Azioni** seleziona **Elimina**.
1. Conferma la tua scelta selezionando **Elimina** dalla finestra **Elimina progetto**.
------
# 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*