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.

# SageMaker Best practice per l'amministrazione di Studio
<a name="sagemaker-studio-admin-best-practices"></a>

Data di pubblicazione: **25 aprile 2023** ([Revisioni del documento](document-revisions.md))

## Sintesi
<a name="abstract"></a>

[Amazon SageMaker AI Studio](https://aws.amazon.com/sagemaker/studio/) offre un'unica interfaccia visiva basata sul Web in cui è possibile eseguire tutte le fasi di sviluppo dell'apprendimento automatico (ML), migliorando la produttività del team di data science. SageMaker AI Studio ti offre accesso, controllo e visibilità completi in ogni fase necessaria per creare, addestrare e valutare i modelli. 

 In questo white paper, discutiamo le migliori pratiche per argomenti quali modello operativo, gestione dei domini, gestione delle identità, gestione delle autorizzazioni, gestione della rete, registrazione, monitoraggio e personalizzazione. Le migliori pratiche discusse qui sono destinate all'implementazione di SageMaker AI Studio a livello aziendale, incluse le implementazioni multi-tenant. Questo documento è destinato agli amministratori della piattaforma ML, agli ingegneri ML e agli architetti ML. 

## Sei tu Well-Architected?
<a name="are-you-well-architected"></a>

 Il [AWS Well-Architected](https://aws.amazon.com/architecture/well-architected/) Framework ti aiuta a comprendere i pro e i contro delle decisioni che prendi quando crei sistemi nel cloud. I sei pilastri del Framework consentono di apprendere le migliori pratiche architettoniche per progettare e gestire sistemi affidabili, sicuri, efficienti, convenienti e sostenibili. Utilizzando [AWS Well-Architected Tool](https://aws.amazon.com/well-architected-tool/), disponibile gratuitamente in [Console di gestione AWS](https://console.aws.amazon.com/wellarchitected), puoi esaminare i tuoi carichi di lavoro rispetto a queste best practice rispondendo a una serie di domande per ogni pilastro. 

 In [Machine Learning Lens](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/machine-learning-lens.html), ci concentriamo su come progettare, implementare e progettare i carichi di lavoro di machine learning in. Cloud AWS Questo obiettivo si aggiunge alle migliori pratiche descritte nel Well-Architected Framework. 

## Introduzione
<a name="introduction"></a>

 Quando amministri SageMaker AI Studio come piattaforma ML, hai bisogno di linee guida sulle migliori pratiche per prendere decisioni informate che ti aiutino a scalare la tua piattaforma ML man mano che i carichi di lavoro crescono. Per il provisioning, l'operatività e la scalabilità della piattaforma ML, considera quanto segue: 
+  Scegliete il modello operativo giusto e organizzate i vostri ambienti ML per raggiungere i vostri obiettivi aziendali. 
+  Scegli come configurare l'autenticazione del dominio SageMaker AI Studio per le identità degli utenti e considera le limitazioni a livello di dominio. 
+  Decidi come federare l'identità e l'autorizzazione dei tuoi utenti alla piattaforma ML per controlli di accesso e audit dettagliati. 
+  Prendi in considerazione la possibilità di impostare autorizzazioni e barriere per i vari ruoli dei tuoi personaggi ML. 
+  Pianifica la topologia di rete del tuo cloud privato virtuale (VPC), considerando la sensibilità del carico di lavoro ML, il numero di utenti, i tipi di istanze, le app e i processi avviati. 
+  Classificate e proteggete i dati archiviati e in transito con la crittografia. 
+  Considerate come registrare e monitorare varie interfacce di programmazione delle applicazioni (APIs) e le attività degli utenti per verificarne la conformità. 
+  Personalizza l'esperienza del notebook SageMaker AI Studio con le tue immagini e gli script di configurazione del ciclo di vita.