Verwenden von SageMaker AI bereitgestellten Projektvorlagen

Code-Repository: Git eines Drittanbieters.

Automatisierung des CI/CD-Workflows: AWS CodePipeline

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

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

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar-Verbindung von Ihrem Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon-S3-Bucket zum Speichern von Artefakten, einschließlich CodePipeline- und CodeBuild-Artefakten, und aller Artefakte, die aus der SageMaker-AI-Pipeline generiert wurden, wird ausgeführt.

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

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

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar-Verbindung von Ihrem Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon-S3-Bucket zum Speichern von Artefakten, einschließlich CodePipeline- und CodeBuild-Artefakten, und aller Artefakte, die aus der SageMaker-AI-Pipeline generiert wurden, wird ausgeführt.

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys.

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

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem Konto auf dem Git-Repository-Host.

Ein Amazon-S3-Bucket zum Speichern von Artefakten, einschließlich CodePipeline- und CodeBuild-Artefakten, und aller Artefakte, die aus der SageMaker-AI-Pipeline generiert wurden, wird ausgeführt.

Code-Repository: Git eines Drittanbieters.

Automatisierung des CI/CD-Workflows: AWS CodePipeline

Datenqualität – Überwachen Sie Abweichungen bei der Datenqualität.

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

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

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

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

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar-Verbindung von Ihrem Konto zu Ihrem Konto auf dem Git-Repository-Host.

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

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

Code-Repository: Git eines Drittanbieters.

CI/CD-Workflow-Automatisierung: Jenkins

Verknüpfungen mit einem oder mehreren kundenspezifischen Git-Repositorys.

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

Ein AWS CodeBuild Projekt zum Auffüllen der Git-Repositorys mit den Seed-Code-Informationen. Dies erfordert eine AWS CodeStar Verbindung von Ihrem AWS Konto zu Ihrem Konto auf dem Git-Repository-Host.

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

Schließen Sie die Pipeline zur Erstellung von Verarbeitungsabbildern ein

Pipeline zur Erstellung von Trainings-Images einbeziehen

Pipeline zur Erstellung von Inferenz-Images einbeziehen

Ein Amazon-ECR-Repository

Ein SageMaker Image

Ein CodeCommit-Repository, das eine Dockerfile enthält, die Sie anpassen können

Eine CodePipeline, die durch Änderungen am CodePipeline-Repository initiiert wird

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

Eine EventBridge-Regel, die die CodePipeline nach einem Zeitplan initiiert

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

Fügen Sie in der IAM-Konsole die folgenden Berechtigungen hinzu: AmazonSageMakerServiceCatalogProductsUseRole

{
      "Effect": "Allow",
      "Action": [
          "codestar-connections:UseConnection"
      ],
      "Resource": "arn:aws:codestar-connections:*:*:connection/*",
      "Condition": {
          "StringEqualsIgnoreCase": {
              "aws:ResourceTag/sagemaker": "true"
          }
      }
  },
  {
      "Effect": "Allow",
      "Action": [
          "s3:PutObjectAcl"
      ],
      "Resource": [
          "arn:aws:s3:::sagemaker-*"
      ]
  }