概览

Machine Learning Operations(MLOps)工作负载编排工具简化了机器学习模型的部署,并实施了可扩展性、可靠性和效率方面的最佳实践。此 AWS 解决方案是一个可扩展的框架,为管理 AWS ML 和第三方服务的机器学习管道提供了一个标准接口。
该解决方案包括两个 AWS CloudFormation 模板。此模板支持模型训练、上传预训练模型(也称为自带模型或 BYOM)、管道编排配置和管道运行监控。团队可以通过实施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

通过 API 调用或 Amazon S3 存储桶启动预配置的管道。
使用 Amazon SageMaker BYOM 自动监控模型,并提供具有偏差检测功能的无服务器推理端点。
使用 Amazon SageMaker 模型总览板查看、搜索和浏览所有 Amazon SageMaker 资源,包括模型、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:
- 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。
- 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
-
选项 1 - 单账户部署
-
第 1 步
此编排工具可以是 DevOps 工程师或其他类型的用户,会在其 AWS 账户中启动此解决方案并选择他们的首选选项。例如,可以使用 Amazon SageMaker 模型注册表或现有的 Amazon Simple Storage Service(Amazon S3)存储桶。
-
选项 2 - 多账户部署
-
第 1 步
编排工具(可以是拥有编排工具账户管理访问权限的 DevOps 工程师或其他用户)提供 AWS Organizations 信息(例如,开发、暂存和生产企业单元 ID 和账号)。
相关内容

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。
Total results: 3
- 标题
-
Digital Natives & Startups
-
Artificial Intelligence
-
Analytics
Total results: 1
- 发布日期
-
- 版本:2.2.3
- 发布时间:2024 年 6 月
- 作者:AWS
- 预计部署时间:3 分钟
- 预计费用:查看详细信息