Χρησιμοποιήστε την κοινή χρήση αγωγών Amazon SageMaker για προβολή ή διαχείριση αγωγών σε λογαριασμούς AWS

Στις 9 Αυγούστου 2022, ανακοινώσαμε τη γενική διαθεσιμότητα κοινής χρήσης μεταξύ λογαριασμών του Οντότητες Amazon SageMaker Pipelines. Τώρα μπορείτε να χρησιμοποιήσετε την υποστήριξη μεταξύ λογαριασμών για Αγωγοί Amazon SageMaker για κοινή χρήση οντοτήτων αγωγών σε λογαριασμούς AWS και πρόσβαση σε κοινόχρηστους αγωγούς απευθείας μέσω Amazon Sage Maker Κλήσεις API.

Οι πελάτες υιοθετούν όλο και περισσότερο αρχιτεκτονικές πολλών λογαριασμών για την ανάπτυξη και τη διαχείριση ροών εργασιών μηχανικής εκμάθησης (ML) με το SageMaker Pipelines. Αυτό περιλαμβάνει τη δημιουργία ροών εργασίας σε λογαριασμούς ανάπτυξης ή πειραματισμού (dev), την ανάπτυξη και τη δοκιμή τους σε έναν λογαριασμό δοκιμής ή προπαραγωγής (δοκιμής) και, τέλος, την προώθησή τους σε λογαριασμούς παραγωγής (prod) για ενσωμάτωση με άλλες επιχειρηματικές διαδικασίες. Μπορείτε να επωφεληθείτε από την κοινή χρήση μεταξύ λογαριασμών των αγωγών SageMaker στις ακόλουθες περιπτώσεις χρήσης:

• Όταν οι επιστήμονες δεδομένων δημιουργούν ροές εργασίας ML σε έναν λογαριασμό dev, αυτές οι ροές εργασίας αναπτύσσονται στη συνέχεια από έναν μηχανικό ML ως διοχέτευση SageMaker σε έναν αποκλειστικό λογαριασμό δοκιμής. Για την περαιτέρω παρακολούθηση αυτών των ροών εργασίας, οι επιστήμονες δεδομένων απαιτούν τώρα άδεια μόνο για ανάγνωση μεταξύ λογαριασμών για τον αναπτυγμένο αγωγό στον δοκιμαστικό λογαριασμό.
• Οι μηχανικοί ML, οι διαχειριστές ML και οι ομάδες συμμόρφωσης, που διαχειρίζονται την ανάπτυξη και τις λειτουργίες αυτών των ροών εργασίας ML από έναν λογαριασμό κοινόχρηστων υπηρεσιών, απαιτούν επίσης ορατότητα στον αναπτυγμένο αγωγό στον δοκιμαστικό λογαριασμό. Μπορεί επίσης να απαιτούν πρόσθετα δικαιώματα για την έναρξη, τη διακοπή και την επανάληψη αυτών των ροών εργασίας ML.

Σε αυτήν την ανάρτηση, παρουσιάζουμε ένα παράδειγμα αρχιτεκτονικής πολλών λογαριασμών για την ανάπτυξη και την ανάπτυξη ροών εργασίας ML με το SageMaker Pipelines.

Επισκόπηση λύσεων

Μια στρατηγική πολλών λογαριασμών σάς βοηθά να επιτύχετε δεδομένα, έργα και απομόνωση ομάδας, ενώ υποστηρίζετε τα βήματα του κύκλου ζωής ανάπτυξης λογισμικού. Η κοινή χρήση αγωγών μεταξύ λογαριασμών υποστηρίζει μια στρατηγική πολλών λογαριασμών, αφαιρώντας τα γενικά έξοδα σύνδεσης και αποσύνδεσης πολλών λογαριασμών και βελτιώνοντας τις ροές εργασιών δοκιμών και ανάπτυξης ML με την κοινή χρήση πόρων απευθείας σε πολλούς λογαριασμούς.

Σε αυτό το παράδειγμα, έχουμε μια ομάδα επιστήμης δεδομένων που χρησιμοποιεί έναν αποκλειστικό λογαριασμό προγραμματιστή για την αρχική ανάπτυξη του αγωγού SageMaker. Αυτός ο αγωγός στη συνέχεια παραδίδεται σε έναν μηχανικό ML, ο οποίος δημιουργεί ένα συνεχής ολοκλήρωση και συνεχής παράδοση (CI/CD). στον λογαριασμό κοινόχρηστων υπηρεσιών τους για να αναπτύξουν αυτόν τον αγωγό σε δοκιμαστικό λογαριασμό. Για να εξακολουθούν να μπορούν να παρακολουθούν και να ελέγχουν τον αναπτυσσόμενο αγωγό από τους αντίστοιχους λογαριασμούς προγραμματιστή και κοινόχρηστων υπηρεσιών, μερίδια πόρων έχουν συσταθεί με Διαχείριση πρόσβασης πόρων AWS στους λογαριασμούς δοκιμής και προγραμματισμού. Με αυτήν τη ρύθμιση, ο μηχανικός ML και ο επιστήμονας δεδομένων μπορούν πλέον να παρακολουθούν και να ελέγχουν τις αγωγές στους λογαριασμούς προγραμματισμού και δοκιμής από τους αντίστοιχους λογαριασμούς τους, όπως φαίνεται στην παρακάτω εικόνα.

Στη ροή εργασίας, ο επιστήμονας δεδομένων και ο μηχανικός ML εκτελούν τα ακόλουθα βήματα:

1. Ο επιστήμονας δεδομένων (DS) δημιουργεί μια διοχέτευση μοντέλων στον λογαριασμό προγραμματιστή.
2. Ο μηχανικός ML (MLE) παράγει τον αγωγό μοντέλων και δημιουργεί έναν αγωγό, (για αυτήν την ανάρτηση, το ονομάζουμε sagemaker-pipeline).
3. sagemaker-pipeline κώδικας δεσμεύεται σε ένα AWS CodeCommit αποθετήριο στον λογαριασμό κοινόχρηστων υπηρεσιών.
4. Ο επιστήμονας δεδομένων δημιουργεί ένα κοινόχρηστο πόρο RAM AWS για sagemaker-pipeline και το μοιράζεται με τον λογαριασμό κοινόχρηστων υπηρεσιών, ο οποίος αποδέχεται το μερίδιο πόρων.
5. Από τον λογαριασμό κοινόχρηστων υπηρεσιών, οι μηχανικοί ML μπορούν πλέον να περιγράφουν, να παρακολουθούν και να διαχειρίζονται τις εκτελούμενες διοχέτευση στον λογαριασμό προγραμματισμού χρησιμοποιώντας Κλήσεις SageMaker API.
6. Μια διοχέτευση CI/CD που ενεργοποιείται στον κοινόχρηστο λογαριασμό υπηρεσίας δημιουργεί και αναπτύσσει τον κώδικα στον δοκιμαστικό λογαριασμό χρησιμοποιώντας Αγωγός κώδικα AWS.
7. Η σωλήνωση CI/CD δημιουργεί και εκτελείται sagemaker-pipeline στον λογαριασμό δοκιμής.
8. Μετά την εκτέλεση sagemaker-pipeline στον δοκιμαστικό λογαριασμό, η διοχέτευση CI/CD δημιουργεί ένα μερίδιο πόρων για sagemaker-pipeline στον λογαριασμό δοκιμής.
9. Ένα μερίδιο πόρων από τη δοκιμή sagemaker-pipeline με δικαιώματα μόνο για ανάγνωση δημιουργείται με τον λογαριασμό dev, ο οποίος δέχεται το κοινόχρηστο πόρο.
10. Ο επιστήμονας δεδομένων είναι πλέον σε θέση να περιγράφει και να παρακολουθεί την κατάσταση εκτέλεσης του δοκιμαστικού σωλήνα χρησιμοποιώντας κλήσεις API SageMaker από τον λογαριασμό προγραμματιστή.
11. Ένα μερίδιο πόρων από τη δοκιμή sagemaker-pipeline με εκτεταμένα δικαιώματα δημιουργείται με τον λογαριασμό κοινόχρηστων υπηρεσιών, ο οποίος δέχεται το κοινόχρηστο πόρο.
12. Ο μηχανικός ML είναι πλέον σε θέση να περιγράφει, να παρακολουθεί και να διαχειρίζεται τη δοκιμαστική διοχέτευση που εκτελείται χρησιμοποιώντας κλήσεις API SageMaker από τον λογαριασμό κοινόχρηστων υπηρεσιών.

Στις επόμενες ενότητες, πηγαίνουμε σε περισσότερες λεπτομέρειες και παρέχουμε μια επίδειξη σχετικά με τον τρόπο ρύθμισης της κοινής χρήσης μεταξύ λογαριασμών για αγωγούς SageMaker.

Πώς να δημιουργήσετε και να μοιραστείτε αγωγούς SageMaker σε όλους τους λογαριασμούς

Σε αυτήν την ενότητα, ακολουθούμε τα απαραίτητα βήματα για τη δημιουργία και την κοινή χρήση αγωγών σε λογαριασμούς χρησιμοποιώντας AWS RAM και το SageMaker API.

Ρυθμίστε το περιβάλλον

Αρχικά, πρέπει να δημιουργήσουμε ένα περιβάλλον πολλών λογαριασμών για να δείξουμε την κοινή χρήση μεταξύ λογαριασμών των αγωγών SageMaker:

1. Ρυθμίστε δύο λογαριασμούς AWS (dev και test). Μπορείτε να το ρυθμίσετε ως λογαριασμούς μελών ενός οργανισμού ή ως ανεξάρτητους λογαριασμούς.
2. Εάν ρυθμίζετε τους λογαριασμούς σας ως μέλη ενός οργανισμού, μπορείτε να ενεργοποιήσετε κοινή χρήση πόρων με τον οργανισμό σας. Με αυτήν τη ρύθμιση, όταν μοιράζεστε πόρους στον οργανισμό σας, η AWS RAM δεν στέλνει προσκλήσεις σε εντολείς. Οι εντολείς στον οργανισμό σας αποκτούν πρόσβαση σε κοινόχρηστους πόρους χωρίς να ανταλλάσσουν προσκλήσεις.
3. Στον δοκιμαστικό λογαριασμό, εκκινήστε Στούντιο Amazon SageMaker και τρέξτε το σημειωματάριο τρένο-μητρώο-ανάπτυξη-αγωγός-μοντέλο. Αυτό δημιουργεί ένα παράδειγμα διοχέτευσης στον δοκιμαστικό λογαριασμό σας. Για να απλοποιήσουμε την επίδειξη, χρησιμοποιούμε το SageMaker Studio στον δοκιμαστικό λογαριασμό για την εκκίνηση του αγωγού. Για έργα πραγματικής ζωής, θα πρέπει να χρησιμοποιήσετε το Studio μόνο στον λογαριασμό προγραμματιστή και να εκκινήσετε το SageMaker Pipeline στον δοκιμαστικό λογαριασμό χρησιμοποιώντας τα εργαλεία CI/CD.

Ακολουθήστε τις οδηγίες στην επόμενη ενότητα για να κάνετε κοινή χρήση αυτού του αγωγού με τον λογαριασμό προγραμματιστή.

Ρυθμίστε ένα μερίδιο πόρων αγωγού

Για να κάνετε κοινή χρήση του αγωγού σας με τον λογαριασμό προγραμματιστή, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα RAM AWS, επιλέξτε Δημιουργία μεριδίου πόρων.
2. Για Επιλέξτε τύπο πόρου, επιλέξτε Αγωγοί SageMaker.
3. Επιλέξτε τη διοχέτευση που δημιουργήσατε στο προηγούμενο βήμα.
4. Επιλέξτε Επόμενο.
   
5. Για Δικαιώματα, επιλέξτε τα σχετικά δικαιώματα.
6. Επιλέξτε Επόμενο.
   Στη συνέχεια, αποφασίζετε πώς θέλετε να παραχωρήσετε πρόσβαση σε εντολείς.
7. Εάν θέλετε να κάνετε κοινή χρήση του αγωγού μόνο στους λογαριασμούς του οργανισμού σας, επιλέξτε Να επιτρέπεται η κοινή χρήση μόνο εντός του οργανισμού σας; διαφορετικά επιλέξτε Να επιτρέπεται η κοινή χρήση με οποιονδήποτε.
8. Για Διευθυντές, επιλέξτε τον κύριο τύπο σας (μπορείτε να χρησιμοποιήσετε έναν λογαριασμό, οργανισμό ή οργανωτική μονάδα AWS, με βάση την απαίτηση κοινής χρήσης). Για αυτήν την ανάρτηση, μοιραζόμαστε με οποιονδήποτε σε επίπεδο λογαριασμού AWS.
9. Επιλέξτε το κύριο αναγνωριστικό σας.
10. Επιλέξτε Επόμενο.
    
11. Στις Ελέγξτε και δημιουργήστε σελίδα, βεβαιωθείτε ότι τα στοιχεία σας είναι σωστά και επιλέξτε Δημιουργία μεριδίου πόρων.
    
12. Πλοηγηθείτε στον λογαριασμό προορισμού σας (για αυτήν την ανάρτηση, ο λογαριασμός προγραμματιστή σας).
13. Στην κονσόλα RAM AWS, κάτω από Μοιράστηκε μαζί μου στο παράθυρο πλοήγησης, επιλέξτε Μερίδια πόρων.
14. Επιλέξτε το μερίδιο πόρων σας και επιλέξτε Αποδεχτείτε το μερίδιο πόρων.
    

Δικαιώματα κοινής χρήσης πόρων

Κατά τη δημιουργία του μεριδίου πόρων σας, μπορείτε να επιλέξετε μία από τις δύο υποστηριζόμενες πολιτικές αδειών για συσχέτιση με τον τύπο πόρων διοχέτευσης SageMaker. Και οι δύο πολιτικές παρέχουν πρόσβαση σε οποιονδήποτε επιλεγμένο αγωγό και σε όλες τις εκτελέσεις του.

Η AWSRAMDefaultPermissionSageMakerPipeline η πολιτική επιτρέπει τις ακόλουθες ενέργειες μόνο για ανάγνωση:

"sagemaker:DescribePipeline"
"sagemaker:DescribePipelineDefinitionForExecution"
"sagemaker:DescribePipelineExecution"
"sagemaker:ListPipelineExecutions"
"sagemaker:ListPipelineExecutionSteps"
"sagemaker:ListPipelineParametersForExecution"
"sagemaker:Search"

Η AWSRAMPermissionSageMakerPipelineAllowExecution Η πολιτική περιλαμβάνει όλες τις άδειες μόνο για ανάγνωση από την προεπιλεγμένη πολιτική και επιτρέπει επίσης στους κοινόχρηστους λογαριασμούς να ξεκινούν, να διακόπτουν και να ξαναδοκιμάζουν εκτελέσεις διοχέτευσης.

Η πολιτική άδειας εκτεταμένης εκτέλεσης αγωγού επιτρέπει τις ακόλουθες ενέργειες:

"sagemaker:DescribePipeline"
"sagemaker:DescribePipelineDefinitionForExecution"
"sagemaker:DescribePipelineExecution"
"sagemaker:ListPipelineExecutions"
"sagemaker:ListPipelineExecutionSteps"
"sagemaker:ListPipelineParametersForExecution"
"sagemaker:StartPipelineExecution"
"sagemaker:StopPipelineExecution"
"sagemaker:RetryPipelineExecution"
"sagemaker:Search"

Πρόσβαση σε κοινόχρηστες οντότητες αγωγών μέσω άμεσων κλήσεων API

Σε αυτήν την ενότητα, περιγράφουμε πώς μπορείτε να χρησιμοποιήσετε διάφορες κλήσεις SageMaker Pipeline API για να αποκτήσετε ορατότητα σε αγωγούς που εκτελούνται σε απομακρυσμένους λογαριασμούς που έχουν κοινοποιηθεί μαζί σας. Για τη δοκιμή των API σε σχέση με τη διοχέτευση που εκτελείται στον δοκιμαστικό λογαριασμό από τον λογαριασμό dev, συνδεθείτε στον λογαριασμό dev και χρησιμοποιήστε AWS CloudShell.

Για τις κλήσεις μεταξύ λογαριασμών SageMaker Pipeline API, πρέπει πάντα να χρησιμοποιείτε το ARN του αγωγού σας ως αναγνώριση αγωγού. Αυτό περιλαμβάνει επίσης τις εντολές που απαιτούν το όνομα του αγωγού, όπου πρέπει να χρησιμοποιήσετε το ARN του αγωγού σας ως όνομα αγωγού.

Για να λάβετε το Pipeline ARN, στον δοκιμαστικό λογαριασμό σας, πλοηγηθείτε στις λεπτομέρειες του αγωγού σας στο Studio μέσω Πόροι SageMaker.

Επιλέξτε Αγωγοί στη λίστα πόρων σας.

Επιλέξτε τον αγωγό σας και μεταβείτε στον αγωγό σας ρυθμίσεις αυτί. Μπορείτε να βρείτε τον αγωγό ARN με το δικό σας Μεταδεδομένα πληροφορίες. Για αυτό το παράδειγμα, το ARN σας ορίζεται ως "arn:aws:sagemaker:us-east-1:<account-id>:pipeline/serial-inference-pipeline".

ListPipelineExecutions

Αυτή η κλήση API παραθέτει τα τρεξίματα του αγωγού σας. Εκτελέστε την ακόλουθη εντολή, αντικαθιστώντας $SHARED_PIPELINE_ARN με το Pipeline ARN από το CloudShell ή χρησιμοποιώντας το Διεπαφή γραμμής εντολών AWS (AWS CLI) διαμορφώθηκε με το κατάλληλο Διαχείριση ταυτότητας και πρόσβασης AWS (ΕΓΩ ΕΙΜΑΙ) ρόλος:

aws sagemaker list-pipeline-executions --pipeline-name $SHARED_PIPELINE_ARN

Η απόκριση παραθέτει όλες τις εκτελέσεις του αγωγού σας μαζί με αυτές PipelineExecutionArn, StartTime, PipelineExecutionStatus, να PipelineExecutionDisplayName:

{
  "PipelineExecutionSummaries": [
    {
      "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
      "StartTime": "2022-08-10T11:32:05.543000+00:00",
      "PipelineExecutionStatus": "Executing",
      "PipelineExecutionDisplayName": "execution-321"
    },
    {
      "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
      "StartTime": "2022-08-10T11:28:03.680000+00:00",
      "PipelineExecutionStatus": "Stopped",
      "PipelineExecutionDisplayName": "test"
    },
    {
      "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
      "StartTime": "2022-08-10T11:03:47.406000+00:00",
      "PipelineExecutionStatus": "Succeeded",
      "PipelineExecutionDisplayName": "execution-123"
    }
  ]
}

Περιγράψτε το Pipeline

Αυτή η κλήση API περιγράφει τη λεπτομέρεια του αγωγού σας. Εκτελέστε την ακόλουθη εντολή, αντικαθιστώντας $SHARED_PIPELINE_ARN με το Pipeline ARN σας:

aws sagemaker describe-pipeline --pipeline-name $SHARED_PIPELINE_ARN

Η απάντηση παρέχει τα μεταδεδομένα του αγωγού σας, καθώς και πληροφορίες σχετικά με τη δημιουργία και τις τροποποιήσεις του:

Output(truncated): 
{
"PipelineArn": "arn:aws:sagemaker:<region>:<account-id>:pipeline/<pipeline_name>",
"PipelineName": "serial-inference-pipeline",
"PipelineDisplayName": "serial-inference-pipeline",
"PipelineDefinition": "{"Version": "2020-12-01", "Metadata": {}, "Parameters": [{"Name": "TrainingInstanceType", "Type": "String", "DefaultValue": "ml.m5.xlarge"}, {"Name": "ProcessingInstanceType", "Type": "String", "DefaultValue": "ml.m5.xlarge"}, {"Name": "ProcessingInstanceCount", "Type": "Integer", "DefaultValue": 1}, {"Name": "InputData", "Type":

..

"PipelineStatus": "Active",
"CreationTime": "2022-08-08T21:33:39.159000+00:00",
"LastModifiedTime": "2022-08-08T21:48:14.274000+00:00",
"CreatedBy": {},
"LastModifiedBy": {}
}

DescribePipelineExecution

Αυτή η κλήση API περιγράφει τη λεπτομέρεια της λειτουργίας του αγωγού σας. Εκτελέστε την ακόλουθη εντολή, αντικαθιστώντας $SHARED_PIPELINE_ARN με το Pipeline ARN σας:

aws sagemaker describe-pipeline-execution 
--pipeline-execution-arn $PIPELINE_EXECUTION_ARN

Η απάντηση παρέχει λεπτομέρειες σχετικά με την εκτέλεση του αγωγού σας, συμπεριλαμβανομένων των PipelineExecutionStatus, ExperimentName, να TrialName:

{
  "PipelineArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>",
  "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
  "PipelineExecutionDisplayName": "execution-123",
  "PipelineExecutionStatus": "Succeeded",
  "PipelineExperimentConfig": {
  "ExperimentName": "<pipeline_name>",
  "TrialName": "<execution_id>"
},
  "CreationTime": "2022-08-10T11:03:47.406000+00:00",
  "LastModifiedTime": "2022-08-10T11:15:01.102000+00:00",
  "CreatedBy": {},
  "LastModifiedBy": {}
}

StartPipelineExecution

Αυτή η κλήση API ξεκινά διέλευση αγωγού. Εκτελέστε την ακόλουθη εντολή, αντικαθιστώντας $SHARED_PIPELINE_ARN με τον αγωγό σας ARN και $CLIENT_REQUEST_TOKEN με ένα μοναδικό αναγνωριστικό με διάκριση πεζών-κεφαλαίων που δημιουργείτε για αυτήν την εκτέλεση. Το αναγνωριστικό θα πρέπει να έχει μεταξύ 32-128 χαρακτήρες. Για παράδειγμα, μπορείτε να δημιουργήσετε μια συμβολοσειρά χρησιμοποιώντας το AWS CLI kms generate-random εντολή.

aws sagemaker start-pipeline-execution 
  --pipeline-name $SHARED_PIPELINE_ARN 
  --client-request-token $CLIENT_REQUEST_TOKEN

Ως απόκριση, αυτή η κλήση API επιστρέφει το PipelineExecutionArn της εκκίνησης:

{
  "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>"
}

StopPipelineExecution

Αυτή η κλήση API σταματά διέλευση αγωγού. Εκτελέστε την ακόλουθη εντολή, αντικαθιστώντας $PIPELINE_EXECUTION_ARN με τη γραμμή εκτέλεσης ARN του τρέχοντος αγωγού σας και $CLIENT_REQUEST_TOKEN με ένα μοναδικό αναγνωριστικό με διάκριση πεζών-κεφαλαίων που δημιουργείτε για αυτήν την εκτέλεση. Το αναγνωριστικό θα πρέπει να έχει μεταξύ 32-128 χαρακτήρες. Για παράδειγμα, μπορείτε να δημιουργήσετε μια συμβολοσειρά χρησιμοποιώντας το AWS CLI kms generate-random εντολή.

aws sagemaker stop-pipeline-execution 
  --pipeline-execution-arn $PIPELINE_EXECUTION_ARN 
  --client-request-token $CLIENT_REQUEST_TOKEN

Ως απόκριση, αυτή η κλήση API επιστρέφει το PipelineExecutionArn του σταματημένου αγωγού:

{
  "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>"
}

Συμπέρασμα

Η κοινή χρήση μεταξύ λογαριασμών των αγωγών SageMaker σάς επιτρέπει να μοιράζεστε με ασφάλεια οντότητες αγωγών σε λογαριασμούς AWS και να έχετε πρόσβαση σε κοινόχρηστους αγωγούς μέσω άμεσων κλήσεων API, χωρίς να χρειάζεται να συνδεθείτε και να αποσυνδέεστε από πολλούς λογαριασμούς.

Σε αυτήν την ανάρτηση, ασχολούμαστε με τη λειτουργικότητα για να δείξουμε πώς μπορείτε να μοιράζεστε αγωγούς μεταξύ λογαριασμών και να έχετε πρόσβαση σε αυτούς μέσω κλήσεων SageMaker API.

Ως επόμενο βήμα, μπορείτε να χρησιμοποιήσετε αυτήν τη δυνατότητα για το επόμενο έργο σας ML.

Υποστηρικτικό υλικό

Για να ξεκινήσετε με το SageMaker Pipelines και την κοινή χρήση αγωγών μεταξύ λογαριασμών, ανατρέξτε στους ακόλουθους πόρους:

Σχετικά με τους συγγραφείς

Ραμ Βιτάλ είναι Αρχιτέκτονας ML Specialist Solutions στην AWS. Έχει πάνω από 20 χρόνια εμπειρία στην αρχιτεκτονική και την κατασκευή εφαρμογών κατανεμημένων, υβριδικών και cloud εφαρμογών. Είναι παθιασμένος με τη δημιουργία ασφαλών και επεκτάσιμων λύσεων AI/ML και μεγάλων δεδομένων για να βοηθήσει τους εταιρικούς πελάτες με το ταξίδι υιοθέτησης και βελτιστοποίησης του cloud για να βελτιώσουν τα επιχειρηματικά τους αποτελέσματα. Στον ελεύθερο χρόνο του, του αρέσει το τένις, η φωτογραφία και οι ταινίες δράσης.

Maira Ladeira Tanke είναι Αρχιτέκτονας ML Specialist Solutions στην AWS. Με υπόβαθρο στην επιστήμη δεδομένων, έχει 9 χρόνια εμπειρίας στην αρχιτεκτονική και την κατασκευή εφαρμογών ML με πελάτες σε διάφορους κλάδους. Ως τεχνική επικεφαλής, βοηθά τους πελάτες να επιταχύνουν την επίτευξη επιχειρηματικής αξίας μέσω αναδυόμενων τεχνολογιών και καινοτόμων λύσεων. Στον ελεύθερο χρόνο της, η Maira απολαμβάνει να ταξιδεύει και να περνά χρόνο με την οικογένειά της κάπου ζεστά.

Gabriel Zylka είναι Σύμβουλος Επαγγελματιών Υπηρεσιών στην AWS. Συνεργάζεται στενά με τους πελάτες για να επιταχύνει το ταξίδι υιοθέτησης του cloud. Εξειδικευμένος στον τομέα MLOps, εστιάζει στην παραγωγή φόρτου εργασίας μηχανικής μάθησης αυτοματοποιώντας τους κύκλους ζωής μηχανικής μάθησης από άκρο σε άκρο και βοηθώντας στην επίτευξη των επιθυμητών επιχειρηματικών αποτελεσμάτων. Στον ελεύθερο χρόνο του, απολαμβάνει τα ταξίδια και τις πεζοπορίες στις Βαυαρικές Άλπεις.