Publié le: Dec 1, 2021
Amazon SageMaker offre désormais des améliorations à la fonctionnalité de suivi de l'historique du machine learning (ML), qui permet aux clients de suivre et d'interroger l'historique d'artefacts, tels que les données, les fonctions et les modèles, sur un flux ML. Désormais, les clients peuvent récupérer le graphe d'historique de bout en bout tout au long du flux, de la préparation des données au déploiement du modèle, le tout en une seule requête. Cette fonction élimine les tâches lourdes indifférenciées requises pour extraire, étape de flux après étape de flux, les informations d'historique et les regrouper manuellement. Les clients peuvent également récupérer les informations d'historique pour des segments du flux en définissant une étape en tant que point focal et en interrogeant l'historique des étapes situées en amont ou en aval dudit point focal. Par exemple, les clients peuvent définir un modèle en tant qu'entité focale et récupérer l'emplacement de l'ensemble de données brutes à partir duquel les fonctions ont été extraites pour entraîner ce modèle.
La nouvelle fonction permet également de suivre les informations d'historique des étapes de flux qui couvrent plusieurs comptes AWS. Créer plusieurs comptes pour différentes personnes (scientifique des données, ingénieurs ML, etc.) pour organiser toutes les ressources de votre organisation est une pratique DevOps courante. Pour activer cette fonction, les clients peuvent partager les ressources d'historique sur les comptes AWS à l'aide d'AWS RAM. AWS RAM permet de réduire la charge opérationnelle et fournit la visibilité des ressources partagées. Une fois la fonction configurée, les clients peuvent utiliser l'API d'interrogation d'historique pour suivre les relations entre différents artefacts qui couvrent plusieurs comptes AWS.
Les informations d'historique de ML peuvent être utilisées pour améliorer la gouvernance des modèles, reproduire des versions précédentes des artefacts ou dépanner plus efficacement des flux. Pour démarrer, entraînez un nouveau modèle ML à l'aide de SageMaker Studio ou du kit SDK et utilisez les API d'interrogation d'historique pour suivre les informations d'historique. Pour en savoir plus, consultez notre page de documentation sur le suivi de l'historique des comptes croisés basé sur un graphe et l'API d'interrogation d'historique.