Преимущества MLOps в Amazon SageMaker
Amazon SageMaker предоставляет специализированные инструменты для операций машинного обучения (MLOps), которые помогают автоматизировать и стандартизировать процессы на протяжении всего цикла машинного обучения. Используя инструменты MLOps в SageMaker, вы можете легко обучать, тестировать, устранять неполадки, развертывать модели машинного обучения и управлять ими в любом масштабе, чтобы повысить производительность специалистов по обработке данных и инженеров машинного обучения при сохранении производительности моделей в производственной среде.
Как это работает

Преимущества SageMaker MLOps
Ускорьте разработку моделей
Предоставление стандартизированных сред анализа данных
Стандартизация сред разработки машинного обучения повышает производительность специалистов по обработке данных и, в конечном итоге, темпы инноваций, упрощая запуск новых проектов, ротацию специалистов по обработке данных между проектами и внедрение передовых практик машинного обучения. В Проектах Amazon SageMaker предлагаются шаблоны для быстрого предоставления стандартизированным средам специалистов по обработке данных проверенных и современных инструментов и библиотек, репозиториев системы управления исходным кодом, шаблонного кода и конвейеров CI/CD.
Прочтите руководство для разработчиков по автоматизации MLOps с помощью проектов SageMaker

Совместная работа в MLflow для экспериментов машинного обучения
Построение моделей машинного обучения представляет собой итеративный процесс, включающий обучение сотен моделей для поиска оптимальных алгоритмов, архитектур и параметров, обеспечивающих максимальную точность модели. MLflow позволяет отслеживать входные и выходные данные итераций в процессе обучения, что улучшает повторяемость и способствует совместной работе между специалистами по обработке и анализу данных. Благодаря полностью управляемым возможностям MLflow вы можете создавать отдельные серверы отслеживания MLflow для каждого отдела, что способствует эффективному сотрудничеству при выполнении экспериментов машинного обучения.
Amazon SageMaker с MLflow управляет всеми этапами жизненного цикла машинного обучения, упрощая эффективное обучение моделей, отслеживание экспериментов и улучшая воспроизводимость в разных фреймворках и средах. Вам предоставляется единый интерфейс, в котором можно визуализировать выполняемые задания обучения, предоставлять эксперименты коллегам в общий доступ и развертывать модели прямо из экспериментов.
Эффективное управление экспериментами машинного обучения с помощью MLflow

Автоматизируйте рабочие процессы настройки модели генеративного ИИ
С помощью Конвейеров Amazon SageMaker можно автоматизировать обучение моделей, настройку, оценку эффективности работы, развертывание и обработку данных в комплексном рабочем процессе машинного обучения. Создайте собственную модель или настройте базовую модель в SageMaker Jumpstart всего за несколько действий в визуальном редакторе Pipelines. Можно настроить автоматический запуск Конвейеров SageMaker через регулярные промежутки времени или при возникновении определенных событий (например, при появлении новых данных для обучения в S3).

С легкостью развертывайте модели и управляйте ими в производстве
Быстро воспроизводите свои модели для устранения неполадок
Часто требуется воспроизвести модели в рабочей среде, чтобы устранить неполадки в их поведении и определить первопричину. Чтобы помочь вам в этом, Amazon SageMaker регистрирует каждый этап рабочего процесса, создавая журнал аудита артефактов модели, таких как обучающие данные, настройки конфигурации, параметры модели и обучающие градиенты. Используя отслеживание рабочих процессов, вы можете воссоздать модели для устранения потенциальных проблем.
Узнайте больше об отслеживании рабочих процессов машинного обучения Amazon SageMaker

Централизованное отслеживание версий моделей и управление ими
Создание приложения машинного обучения включает разработку моделей, конвейеров данных, конвейеров обучения и проверочных тестов. Используя Реестр моделей Amazon SageMaker, вы можете отслеживать версии моделей, их метаданные, такие как группировка сценариев использования, и базовые показатели производительности модели в центральном репозитории, где легко выбрать подходящую модель для развертывания в соответствии с требованиями вашего бизнеса. Кроме того, Реестр моделей SageMaker автоматически регистрирует рабочие процессы утверждения для аудита и соответствия требованиям.
Подробнее о регистрации и развертывании моделей с помощью реестра моделей

Определение инфраструктуры машинного обучения с помощью кода
Оркестрация инфраструктуры с помощью декларативных файлов конфигурации, обычно называемых «инфраструктура как код», является популярным подходом к выделению инфраструктуры машинного обучения и внедрению архитектуры решения в точном соответствии с требованиями конвейеров CI/CD или инструментов развертывания. Используя Проекты Amazon SageMaker, вы можете писать инфраструктуру как код, используя готовые файлы шаблонов.
Узнайте больше об автоматизации MLOps с помощью Проектов SageMaker
Автоматизация рабочих процессов интеграции и развертывания (CI/CD)
Рабочие процессы разработки машинного обучения должны интегрироваться с рабочими процессами интеграции и развертывания, чтобы быстро создавать новые модели для производственных приложений. Проекты Amazon SageMaker привносят в машинное обучение методы CI/CD, такие как поддержание паритета между средой разработки и производственной средой, контроль исходного кода и версий, A/B-тестирование и комплексная автоматизация. В результате вы запускаете модель в производство сразу после ее утверждения и повышаете гибкость.
Кроме того, Amazon SageMaker предлагает встроенные средства защиты, помогающие поддерживать доступность адресов и минимизировать риск развертывания. SageMaker заботится о настройке и организации передовых практик развертывания, таких как развертывание без перерыва в обслуживании, для обеспечения максимальной доступности и интегрирует их с механизмами обновления конечных точек, такими как механизмы автоматического отката. Благодаря этому вы можете автоматически выявлять проблемы на ранних стадиях и принимать меры по их устранению до того, как они существенно повлияют на производство.
Создавайте комплексные решения машинного обучения с CI/CD с помощью Проектов SageMaker

Постоянно переучивайте модели для поддержания качества прогнозов
Как только модель запущена в производство, необходимо отслеживать ее производительность, настраивая оповещения, чтобы дежурный специалист по обработке данных мог устранить проблему и инициировать переподготовку. Монитор модели Amazon SageMaker помогает поддерживать качество, обнаруживая смещение моделей и концепций в реальном времени и отправляя вам оповещения, чтобы вы могли немедленно принять меры. Монитор модели SageMaker постоянно отслеживает такие характеристики производительности модели, как точность, измеряя количество правильных прогнозов по сравнению с общим их количеством, что позволяет устранять аномалии. Монитор модели SageMaker интегрирован с SageMaker Clarify для улучшения видимости потенциальных ошибок.

Оптимизируйте развертывание модели с точки зрения производительности и стоимости
Amazon SageMaker позволяет легко развертывать модели машинного обучения для выводов с высокой производительностью и низкими затратами в любом случае использования. Данный сервис предоставляет широкий выбор инфраструктуры машинного обучения и вариантов развертывания моделей для удовлетворения всех ваших потребностей в выводах машинного обучения.

Клиенты
Ресурсы для SageMaker MLOps
Что нового?
Total results: 6
- По дате (от новых к старым)
-
30.11.2022
-
17.08.2022
-
09.08.2022
-
02.02.2022
-
21.01.2022
-
21.01.2022