Publié le: Feb 2, 2022
AWS Solutions a mis à jour l'orchestrateur de charges de travail MLOps (anciennement AWS MLOps Framework), une implémentation de solutions AWS qui rationalise le processus de déploiement de pipelines et applique les bonnes pratiques d'architecture pour l'opérationnalisation de modèles de machine learning (ML). Cette solution résout les problèmes opérationnels courants (notamment la surveillance de modèles et la gouvernance multicompte) auxquels les clients font face lorsqu'ils utilisent plusieurs outils d'automatisation de flux de ML.
Cette mise à jour ajoute deux nouveaux pipelines permettant de déployer les tâches de référence et les planifications de surveillance des solutions d'explicabilité des modèles d'Amazon SageMaker et de surveillance de biais de modèles d'Amazon SageMaker. Les pipelines ainsi ajoutés permettent aux scientifiques des données et aux ingénieurs ML de surveiller régulièrement la dérive d'attribution de fonctions et les biais de modèles, respectivement, et de générer des alertes lorsqu'un problème est détecté.
Cette solution fournit les fonctions clés suivantes :
- Lance un pipeline préconfiguré via un appel d'API ou un référentiel Git
- Déploie automatiquement un modèle entraîné et fournit un point de terminaison d'inférence Amazon SageMaker
- Surveille en continu les modèles de machine learning déployés et détecte toute déviation relative à la qualité des données et des modèles, à l'explicabilité des modèles et/ou aux biais de modèles.
- Prend en charge l'exécution de vos propres tests d'intégration afin de garantir que le modèle déployé répond aux attentes
- Permet l'approvisionnement de plusieurs environnements pour la prise en charge du cycle de vie de votre modèle de ML
- L'option d'utilisation du registre de modèles Amazon SageMaker pour déployer des modèles gérés par versions
- Prise en charge de comptes multiples pour « apportez votre propre modèle » et les pipelines de contrôle de modèles
- Permet aux clients de créer et d'enregistrer des images Docker pour les algorithmes personnalisés, images à utiliser lors du déploiement de modèles sur un point de terminaison Amazon SageMaker
Pour plus de détails sur cette solution, consultez la page web Implémentations de solutions AWS relative à la solution.
D'autres solutions AWS sont disponibles sur la page web Implémentations de solutions AWS. Les clients peuvent y parcourir les solutions par catégorie de produit ou par secteur d'activité pour trouver les implémentations de référence clé en main automatisées et approuvées par AWS qui répondent à leurs besoins métier.