Información general

El orquestador de cargas de trabajo de Machine Learning Operations (MLOps) optimiza la implementación del modelo de ML y aplica las mejores prácticas para la escalabilidad, la fiabilidad y la eficiencia. Esta solución de AWS consiste en un marco ampliable que brinda una interfaz estándar para administrar canalizaciones de ML para servicios de ML de AWS y de terceros.
En esta solución se incluye una plantilla de AWS CloudFormation. Esta plantilla permite el entrenamiento de modelos, la carga de modelos previamente entrenados (también conocidos como traiga su propio modelo o BYOM), la configuración de la orquestación de las canalizaciones y la supervisión de las operaciones de las canalizaciones. Al implementar esta solución, su equipo puede aumentar su agilidad y eficiencia, repitiendo los procesos exitosos a escala.
Beneficios

Inicie una canalización preconfigurada mediante una llamada a la API o un bucket de Amazon S3.
Automatice la supervisión de modelos con Amazon SageMaker BYOM y ofrezca un punto de enlace de inferencia sin servidor con detección de desviaciones.
Use el panel de modelos de Amazon SageMaker para ver, buscar y explorar todos sus recursos de Amazon SageMaker, incluidos modelos, puntos de enlace, tarjetas de modelos y trabajos de transformación por lotes.
Detalles técnicos

Puede implementar automáticamente esta arquitectura con la guía de implementación y la plantilla de AWS CloudFormation adjunta. Para admitir varios casos de uso y necesidades empresariales, esta solución ofrece dos plantillas de AWS CloudFormation:
- Utilice la plantilla de una sola cuenta para implementar todas las canalizaciones de la solución en la misma cuenta de AWS. Esta opción es adecuada para las cargas de trabajo de producción a pequeña escala, experimentación o desarrollo.
- Utilice la plantilla de varias cuentas para aprovisionar múltiples entornos (por ejemplo, desarrollo, ensayo y producción) en diferentes cuentas de AWS, lo que mejora la gobernanza y fortalece la seguridad y el control de la implementación de la canalización de ML, permite experimentar de manera segura e innovar de forma más rápida, además de que mantiene las cargas de trabajo y los datos de producción seguros y disponibles para ayudar a garantizar la continuidad empresarial.
-
Opción 1: implementación en una sola cuenta
-
Opción 2: implementación en varias cuentas
-
Opción 1: implementación en una sola cuenta
-
Paso 1
El orquestador, que puede ser un ingeniero de DevOps u otro tipo de usuario, inicia esta solución en su cuenta de AWS y selecciona las opciones que prefiere. Por ejemplo, pueden usar el registro de modelos de Amazon SageMaker o un bucket existente de Amazon Simple Storage Service (Amazon S3).
-
Opción 2: implementación en varias cuentas
-
Paso 1
El orquestador, que puede ser un ingeniero de DevOps u otro usuario con acceso de administrador a la cuenta de orquestador, proporciona la información de AWS Organizations, como los números de cuenta y los ID de la unidad organizativa de desarrollo, ensayo y producción.
Contenido relacionado

En colaboración con los equipos de arquitectura de las soluciones de socio de AWS y la biblioteca de soluciones de AWS, Cognizant creó su orquestador de ciclo de vida del modelo de MLOps sobre de la solución de orquestador de cargas de trabajo de MLOps.
Total results: 3
- Encabezado
-
Digital Natives & Startups
-
Artificial Intelligence
-
Analytics
Total results: 1
- Fecha de publicación
-
- Versión: 2.2.3
- Lanzamiento: 12/2024
- Autor: AWS
- Tiempo de implementación estimado: 3 minutos
- Costo estimado: Consultar detalles