Publié le: Oct 4, 2023
Le registre des modèles Amazon SageMaker vous permet désormais d'enregistrer des modèles de machine learning (ML) stockés dans des référentiels Docker privés. Cette fonctionnalité vous permet de suivre tous vos modèles de machine learning dans plusieurs référentiels de modèles privés AWS et non-AWS au sein d'un service central afin de simplifier les opérations de machine learning (MLops) et la gouvernance de machine learning à grande échelle.
Le registre des modèles Amazon SageMaker est un magasin de métadonnées spécialement conçu pour gérer le cycle de vie complet des modèles de ML, de la formation à l'inférence. Que vous préfériez stocker les artefacts de votre modèle (fichiers de structure de modèle, image de conteneur) dans AWS (Amazon ECR) ou en dehors d'AWS dans un référentiel Docker tiers, vous pouvez désormais tous les suivre dans le registre des modèles Amazon SageMaker. Vous avez également la possibilité d'enregistrer un modèle sans autorisation de lecture/écriture sur l'image du conteneur associée. Si vous souhaitez suivre un modèle ML dans un référentiel privé, définissez le paramètre facultatif « SkipModelValidation » sur « All » au moment de l'enregistrement. Plus tard, vous pourrez également déployer ces modèles à des fins d'inférence dans Amazon SageMaker. Pour plus de détails sur le déploiement de tels modèles à partir de référentiels privés, consultez notre guide du développeur.
Le registre des modèles Amazon SageMaker est disponible dans toutes les régions AWS, à l'exception des régions AWS GovCloud (US). Pour commencer, enregistrez vos modèles de ML privés via l'interface utilisateur Amazon SageMaker Studio ou via Amazon SageMaker Python SDK. Consultez le guide du développeur Amazon SageMaker pour plus d'informations.