Visão geral

O orquestrador de workloads de operações de machine learning (MLOps) simplifica a implantação do modelo de ML e aplica as práticas recomendadas para escalabilidade, confiabilidade e eficiência. Essa solução da AWS é uma estrutura extensível com uma interface padrão para gerenciar pipelines de ML no AWS ML e em serviços de terceiros.
Essa solução inclui um modelo do AWS CloudFormation. Esse modelo permite o treinamento de modelos, o upload de modelos pré-treinados (também conhecidos como traga seu próprio modelo, ou BYOM), a configuração de orquestração do pipeline e o monitoramento de operação do pipeline. Ao implementar essa solução, sua equipe pode aumentar a agilidade e eficiência, repetindo processos bem-sucedidos em grande escala.
Benefícios

Inicie um pipeline pré-configurado por meio de uma chamada de API ou de um bucket do Amazon S3.
Automatize o monitoramento de modelos com o Amazon SageMaker BYOM e forneça um endpoint de inferência sem servidor com detecção de desvio.
Use o Painel de Modelos do Amazon SageMaker para visualizar, pesquisar e explorar todos os seus recursos do Amazon SageMaker, incluindo modelos, endpoints, cartões de modelo e trabalhos de transformação em lote.
Detalhes técnicos

É possível implantar automaticamente essa arquitetura ao usar o guia de implementação e o modelo do AWS CloudFormation que o acompanha. Para atender a diversos casos de uso e necessidades de negócios, essa solução oferece quatro modelos do AWS CloudFormation:
- Use o modelo de conta única para implantar todos os pipelines da solução na mesma conta da AWS. Essa opção é adequada para experimentação, desenvolvimento e/ou workloads em produção em pequena escala.
- Use o modelo de multicontas para fornecer vários ambientes (por exemplo, desenvolvimento, preparação e produção) por meio de diferentes contas da AWS, o que melhora a governança e aumenta a segurança e o controle da implantação do pipeline de ML, proporciona experimentação segura e inovação mais rápida, além de manter os dados de produção e as workloads seguros e disponíveis para ajudar a garantir a continuidade dos negócios.
-
Opção 1 - Implantação de conta única
-
Opção 2 - Implantação de multicontas
-
Opção 1 - Implantação de conta única
-
Etapa 1
O orquestrador, que pode ser um engenheiro de DevOps ou outro tipo de usuário, inicia essa solução em sua conta da AWS e seleciona as opções preferidas. Por exemplo, ele pode usar o registro de modelos do Amazon SageMaker ou um bucket existente do Amazon Simple Storage Service (Amazon S3).
-
Opção 2 - Implantação de multicontas
-
Etapa 1
O orquestrador, que pode ser um engenheiro de DevOps ou outro usuário com acesso de administrador à conta do orquestrador, apresenta as informações do AWS Organizations, como os IDs da unidade organizacional de desenvolvimento, preparação e produção e números de contas.
Conteúdo relacionado

Em colaboração com as equipes de arquitetos de soluções de parceiros da AWS e da biblioteca de soluções da AWS, a Cognizant criou sua solução de orquestrador do ciclo de vida de modelos MLOps com base no orquestrador de workload de MLOps.
Total results: 3
- Título
-
Digital Natives & Startups
-
Artificial Intelligence
-
Analytics
Total results: 1
- Data de publicação
-
- Versão: 2.2.3
- Lançamento: 12/2024
- Autor: AWS
- Tempo estimado de implantação: 3 minutos
- Custo estimado: confira os detalhes