Registro de Modelos do Amazon SageMaker já oferece suporte à definição de estágios do ciclo de vida do modelo de machine learning
Hoje, temos o prazer de anunciar que o Registro de Modelos do Amazon SageMaker agora oferece suporte aos estágios personalizados do ciclo de vida do modelo de machine learning (ML). Esse recurso melhora ainda mais a governança do modelo, permitindo que cientistas de dados e engenheiros de ML definam e controlem a progressão de seus modelos em várias estágios, do desenvolvimento à produção.
Os clientes usam o Registro de Modelos do Amazon SageMaker como um armazenamento de metadados com propósito específico para gerenciar todo o ciclo de vida de modelos de ML. Com esse lançamento, os cientistas de dados e engenheiros de ML agora podem definir estágios personalizados, como desenvolvimento, teste e produção de modelos de ML no registro de modelos. Isso facilita o rastreamento e o gerenciamento de modelos à medida que eles passam por diferentes estágios do ciclo de vida do modelo, do treinamento à inferência. Eles também podem rastrear o status de aprovação do estágio, como Aprovação Pendente, Aprovado e Rejeitado, para verificar quando o modelo está pronto para passar para o próximo estágio. Esses estágios personalizados e o status de aprovação ajudam cientistas de dados e engenheiros de ML a definir e aplicar fluxos de trabalho de aprovação de modelos, garantindo que os modelos atendam a critérios específicos antes de avançar para o próximo estágio. Ao implementar esses estágios personalizados e processos de aprovação, os clientes podem padronizar suas práticas de governança de modelos em toda a organização, manter uma melhor supervisão da progressão do modelo e garantir que somente os modelos aprovados cheguem aos ambientes de produção.
Esse recurso está disponível em todas as regiões da AWS que oferecem o Registro de Modelos do Amazon SageMaker atualmente, exceto nas regiões GovCloud. Para saber mais, consulte Staging Construct for your Model Lifecycle.