Crea modelli di progetto personalizzati - Amazon SageMaker AI
Modelli in Amazon S3

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.

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.

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 sfruttarli a partire da essi. 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/, quindi scegli Importati. Per informazioni sul catalogo servizi, consulta Panoramica del catalogo servizi 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.

  2. 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.

    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

  3. 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.

  4. Effettua il provisioning del prodotto https://console.aws.amazon.com/servicecatalog/per testare il modello. Se il modello soddisfa le tue esigenze, continua con la fase successiva per renderlo disponibile in Studio (o Studio Classic).

  5. 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.

  6. 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 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 inAWS 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 e carica i tuoi modelli nel bucket.

  2. Imposta una policy CORS sul tuo bucket S3 per configurare le autorizzazioni di accesso.

  3. Aggiungi il seguente tag chiave-valore al modello in modo che diventino visibili all'IA. SageMaker 

    sagemaker:studio-visibility : true

  4. Crea un dominio.

  5. Dopo che l' SageMaker IA ha finito di creare il tuo dominio, aggiungi il seguente tag chiave-valore al dominio:

    sagemaker:projectS3TemplatesLocation : s3://<amzn-s3-demo-bucket>

Quindi usa la AWS console, Python o le operazioni CreateProjecte UpdateProjectAPI 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/.

  2. Apri la console SageMaker Studio seguendo le istruzioni in Launch Amazon SageMaker Studio.

  3. Nel riquadro di navigazione a sinistra, scegli Implementazioni, Progetti, Crea progetto.

  4. 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.

  5. Scegli il modello che desideri utilizzare, quindi scegli Avanti.

  6. 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/.

  2. Apri la console SageMaker Studio seguendo le istruzioni in Launch Amazon SageMaker Studio.

  3. Scegli il progetto che desideri aggiornare. Scegli Azioni, quindi scegli Aggiorna progetto.

  4. Quando aggiorni un progetto, puoi aggiornare i parametri del modello o l'URL del modello. Al termine, selezionare Next (Successivo).

  5. 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://<bucket_name>.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://<bucket_name>.s3.us-west-2.amazonaws.com/custom-project-template.yml',
            'Parameters': [
                {'Key': 'ParameterKey', 'Value': 'ParameterValue'}
            ]
        }
    }]
)
print(f"Project ARN: {response['ProjectArn']}")