Présentation

L’orchestrateur de charge de travail des opérations de machine learning (MLOps) rationalise le déploiement des modèles de machine learning et applique les pratiques exemplaires en matière de capacité de mise à l’échelle, de fiabilité et d’efficacité. Cette solution AWS est un cadre extensible doté d’une interface standard pour gérer les pipelines de ML au sein des services AWS ML et tiers.
Cette solution inclut un modèle AWS CloudFormation. Ce modèle permet l’entraînement des modèles, le chargement de modèles préentraînés (également appelés Bring your own model ou BYOM), la configuration de l’orchestration du pipeline et la surveillance du fonctionnement du pipeline. En mettant en œuvre cette solution, votre équipe peut accroître son agilité et son efficacité, en répétant les processus réussis à grande échelle.
Avantages

Lancez un pipeline préconfiguré via un appel d’API ou un compartiment Amazon S3.
Automatisez la surveillance des modèles avec Amazon SageMaker BYOM et offrez un point de terminaison d’inférence sans serveur avec détection de dérive.
Utilisez le tableau de bord des modèles Amazon SageMaker pour afficher, rechercher et explorer toutes vos ressources Amazon SageMaker, notamment les modèles, les points de terminaison, les cartes de modèle et les tâches de transformation par lots.
Détails techniques

Vous pouvez déployer automatiquement cette architecture à l’aide du guide d’implémentation et du modèle AWS CloudFormation qui l’accompagne. Afin de s’adapter aux différents cas d’utilisation et besoins professionnels, la solution fournit deux modèles AWS CloudFormation :
- Utilisez le modèle monocompte pour déployer tous les pipelines de la solution dans le même compte AWS. Cette option est idéale pour les charges de travail d’expérimentation, de développement et/ou de production à petite échelle.
- Utilisez le modèle multicompte pour allouer plusieurs environnements (par exemple pour le développement, le prédéploiement et la production) sur différents comptes AWS. Cette approche offre de nombreux avantages : amélioration de la gouvernance, renforcement de la sécurité et du contrôle du déploiement du pipeline ML, expérimentation sûre, innovation plus rapide et sécurité et disponibilité des données et des charges de travail de production garanties à des fins de continuité des activités.
-
Option 1 – Déploiement monocompte
-
Option 2 – Déploiement sur plusieurs comptes
-
Option 1 – Déploiement monocompte
-
Étape 1
L’orchestrateur, qui peut être un ingénieur DevOps ou un autre type d’utilisateur, lance cette solution dans son compte AWS et sélectionne ses options préférées. Par exemple, il peut utiliser le registre des modèles Amazon SageMaker ou un compartiment Amazon Simple Storage Service (Amazon S3) existant.
-
Option 2 – Déploiement sur plusieurs comptes
-
Étape 1
L’orchestrateur, qui peut être un ingénieur DevOps ou un autre utilisateur disposant d’un accès administrateur au compte de l’orchestrateur, fournit les informations AWS Organizations, telles que les identifiants et numéros de compte des unités organisationnelles de développement, de prédéploiement et de production.
Contenu connexe

En collaboration avec les équipes AWS Partner Solutions Architect et la Bibliothèque de solutions AWS, Cognizant a créé sa solution MLOps « Orchestrateur de cycle de vie de modèle » à partir de la solution MLOps « Orchestrateur de charge de travail ».
Total results: 3
- Titre
-
Digital Natives & Startups
-
Artificial Intelligence
-
Analytics
Total results: 1
- Date de publication
-
- Version : 2.2.3
- Date de publication : 12/2024
- Auteur : AWS
- Temps de déploiement estimé : 3 min
- Coût estimé : Voir les détails