AWS 上的 MLOps 工作负载编排工具

部署使用托管自动化工具和 ML 服务的强大管道,以简化机器学习模型的开发和生产

概览

MLOps 工作负载编排工具可帮助您简化和实施机器学习(ML)模型产品化的架构最佳实践。此 AWS 解决方案是一个可扩展的框架,为管理 AWS 机器学习(ML)服务和第三方服务的机器学习(ML)管道提供了一个标准接口。

此解决方案的模板可用于训练模型、上传经过训练的模型(也称为自带模型 [BYOM]),配置管道编排以及监控管道操作。团队可以通过此解决方案大规模重复成功流程,从而提高其敏捷性和效率。

优势

利用预先配置的 ML 管道
使用解决方案参考架构,通过 API 调用或 Git 存储库启动预配置管道。
自动部署经过训练的模型和推理终端节点
使用解决方案的框架实现模型监控管道或 Amazon SageMaker BYOM 管道的自动化。通过将模型偏差检测打包为一个无服务器微服务,提供推理端点。
在控制面板中查看您的资源

使用 Amazon SageMaker 模型控制面板查看您的解决方案创建的 Amazon SageMaker 资源(例如模型、端点、模型卡和批量转换作业)。

技术详情

您可以使用实施指南和随附的 AWS CloudFormation 模板自动部署该架构。为支持多种使用案例和业务需求,此解决方案提供了两种 AWS CloudFormation 模板:

  1. 使用单账户模板在同一个 AWS 账户中部署所有解决方案的管道。此选项适合实验、开发和/或小规模生产工作负载。
  2. 使用多账户模板在不同 AWS 账户中预置多个环境(例如,开发、暂存和生产),这样可以改善治理并增强机器学习管道部署的安全性和控制,产生安全的实验和更快地创新,使生产数据和工作负载安全且可帮助确保业务连续性。
  • 选项 1 - 单账户部署
  • 选项 2 - 多账户部署
案例研究
Cognizant MLOps 模型生命周期编排工具使用 AWS 解决方案将机器学习模型的部署从几周缩短到几小时

Cognizant 与 AWS 合作伙伴解决方案架构师和 AWS 解决方案库团队合作,在 MLOps 工作负载编排工具解决方案的基础上构建了其 MLOps 模型生命周期编排工具解决方案。

查看案例分析 
此 AWS 解决方案的使用案例
  • 标题
更多…
部署选项
准备好开始使用了吗?
通过在 AWS 管理控制台启动来部署此解决方案

需要帮助? 通过合作伙伴部署。
查找已获 AWS 认证的第三方专家协助此部署

此页内容对您是否有帮助?