Les modèles d’apprentissage automatique (ML) ne fonctionnent pas de manière isolée. Pour apporter de la valeur, ils doivent s'intégrer aux systèmes et infrastructures de production existants, ce qui nécessite de prendre en compte l'ensemble du cycle de vie du ML pendant la conception et le développement. Les opérations de ML, connues sous le nom de MLOps, se concentrent sur la rationalisation, l'automatisation et la surveillance des modèles de ML tout au long de leur cycle de vie. La création d'un pipeline MLOps robuste nécessite une collaboration interfonctionnelle. Les data scientists, les ingénieurs ML, le personnel informatique et les équipes DevOps doivent travailler ensemble pour opérationnaliser les modèles, de la recherche au déploiement et à la maintenance. Avec les processus et outils appropriés, MLOps permet aux organisations d'adopter le ML de manière fiable et efficace au sein de leurs équipes.
Bien que les exigences des pipelines d'intégration continue et de livraison continue (CI/CD) puissent être uniques et refléter les besoins de chaque organisation, la mise à l'échelle des pratiques MLOps entre les équipes peut être simplifiée en utilisant des orchestrations et des outils gérés qui peuvent accélérer le processus de développement et supprimer les lourdes tâches indifférenciées. .
Amazon SageMaker MLOps est une suite de fonctionnalités qui comprend Projets Amazon SageMaker (CI/CD), Pipelines Amazon SageMaker et les Registre de modèles Amazon SageMaker.
Pipelines SageMaker permet une création et une gestion simples des flux de travail ML, tout en offrant également des capacités de stockage et de réutilisation pour les étapes du flux de travail. Le Registre de modèles SageMaker centralise le suivi des modèles, simplifiant ainsi le déploiement des modèles. Projets SageMaker présente les pratiques CI/CD au ML, y compris la parité d'environnement, le contrôle de version, les tests et l'automatisation. Cela permet une mise en place rapide du CI/CD dans votre environnement ML, facilitant ainsi une évolutivité efficace dans toute votre entreprise.
Le intégré modèles de projet fourni par Amazon Sage Maker incluent l'intégration avec certains outils tiers, tels que Jenkins pour l'orchestration et GitHub pour le contrôle de source, et plusieurs utilisent des outils CI/CD natifs d'AWS tels que Code AWSCommit, AWS CodePipelineet une Création de code AWS. Cependant, dans de nombreux scénarios, les clients souhaitent intégrer SageMaker Pipelines à d'autres outils CI/CD existants et donc créer leurs modèles de projet personnalisés.
Dans cet article, nous vous montrons une mise en œuvre étape par étape pour réaliser les objectifs suivants :
- Créez un modèle de projet SageMaker MLOps personnalisé qui s'intègre à GitHub et GitHub Actions
- Rendez vos modèles de projets personnalisés disponibles dans Amazon SageMakerStudio pour votre équipe de science des données avec un provisionnement en un clic
Vue d'ensemble de la solution
Dans cet article, nous construisons l'architecture suivante. Nous créons un pipeline de création de modèles automatisé qui comprend des étapes de préparation des données, de formation du modèle, d'évaluation du modèle et d'enregistrement du modèle formé dans le registre de modèles SageMaker. Le modèle ML formé résultant est ensuite déployé à partir du registre de modèles SageMaker vers les environnements de test et de production après approbation manuelle.
Examinons les éléments de cette architecture pour comprendre la configuration complète.
GitHub et actions GitHub
GitHub est une plate-forme Web qui fournit un contrôle de version et une gestion du code source à l'aide de Git. Il permet aux équipes de collaborer sur des projets de développement logiciel, de suivre les modifications et de gérer les référentiels de code. GitHub sert d'emplacement centralisé pour stocker, versionner et gérer votre base de code ML. Cela garantit que votre base de code ML et vos pipelines sont versionnés, documentés et accessibles aux membres de l'équipe.
Actions GitHub est un puissant outil d'automatisation au sein de l'écosystème GitHub. Il vous permet de créer des flux de travail personnalisés qui automatisent vos processus de cycle de vie de développement logiciel, tels que la création, les tests et le déploiement de code. Vous pouvez créer des workflows événementiels déclenchés par des événements spécifiques, par exemple lorsque le code est poussé vers un référentiel ou qu'une pull request est créée. Lors de la mise en œuvre de MLOps, vous pouvez utiliser GitHub Actions pour automatiser différentes étapes du pipeline ML, telles que :
- Validation et prétraitement des données
- Formation et évaluation des modèles
- Déploiement et surveillance du modèle
- CI/CD pour les modèles ML
Avec GitHub Actions, vous pouvez rationaliser vos flux de travail de ML et garantir que vos modèles sont construits, testés et déployés de manière cohérente, conduisant à des déploiements de ML plus efficaces et plus fiables.
Dans les sections suivantes, nous commençons par mettre en place les prérequis relatifs à certains des composants que nous utilisons dans le cadre de cette architecture :
- AWS CloudFormation - AWS CloudFormation lance le déploiement du modèle et établit les points de terminaison SageMaker une fois le pipeline de déploiement du modèle activé par l'approbation du modèle formé.
- Connexion AWS CodeStar - Nous utilisons AWS Code Star pour établir un lien avec le référentiel GitHub et l'utiliser comme intégration de référentiel de code avec les ressources AWS, comme SageMaker Studio.
- Amazon Event Bridge - Amazon Event Bridge garde une trace de toutes les modifications apportées au registre des modèles. Il maintient également une règle qui invite la fonction Lambda à déployer le pipeline de modèle lorsque l'état de la version du package de modèle passe de
PendingManualApproval
àApproved
dans le registre des modèles. - AWS Lambda – Nous utilisons un AWS Lambda fonction pour lancer le workflow de déploiement de modèle dans GitHub Actions après qu'un nouveau modèle soit enregistré dans le registre des modèles.
- Amazon Sage Maker – Nous configurons les composants SageMaker suivants :
- Pipeline – Ce composant consiste en un graphe acyclique dirigé (DAG) qui nous aide à créer le flux de travail automatisé de ML pour les étapes de préparation des données, de formation du modèle et d'évaluation du modèle. Le registre des modèles conserve les enregistrements des versions du modèle, de leurs artefacts associés, de leur lignée et de leurs métadonnées. Un groupe de packages de modèles est établi et héberge toutes les versions de modèles associées. Le registre des modèles est également responsable de la gestion du statut d'approbation de la version du modèle pour un déploiement ultérieur.
- Endpoint – Ce composant configure deux points de terminaison HTTPS en temps réel pour l'inférence. La configuration d'hébergement peut être ajustée, par exemple, pour une transformation par lots ou une inférence asynchrone. Le point de terminaison intermédiaire est généré lorsque le pipeline de déploiement de modèle est activé par l'approbation du modèle formé à partir du registre de modèles SageMaker. Ce point de terminaison est utilisé pour valider le modèle déployé en garantissant qu'il fournit des prédictions qui satisfont à nos normes de précision. Lorsque le modèle est préparé pour le déploiement en production, un point de terminaison de production est déployé par une étape d'approbation manuelle dans le workflow GitHub Actions.
- Référentiel de code – Cela crée un référentiel Git en tant que ressource dans votre compte SageMaker. À l'aide des données existantes du référentiel de code GitHub que vous avez saisies lors de la création de votre projet SageMaker, une association avec le même référentiel est établie dans SageMaker lorsque vous lancez le projet. Cela forme essentiellement un lien avec un référentiel GitHub dans SageMaker, permettant des actions interactives (pull/push) avec votre référentiel.
- Registre des modèles – Cela surveille les différentes versions du modèle et les artefacts correspondants, qui incluent le lignage et les métadonnées. Une collection connue sous le nom de groupe de packages de modèles est créé, abritant des versions liées du modèle. De plus, le registre des modèles supervise le statut d'approbation de la version du modèle, garantissant ainsi sa préparation pour un déploiement ultérieur.
- AWS Secrets Manager – Pour conserver en toute sécurité votre jeton d'accès personnel GitHub, il est nécessaire d'établir un secret dans AWS Secrets Manager et hébergez-y votre jeton d'accès.
- Catalogue de services AWS - Nous utilisons le Catalogue de services AWS pour la mise en œuvre de projets SageMaker, qui incluent des composants tels qu'un référentiel de code SageMaker, une fonction Lambda, une règle EventBridge, un bucket d'artefacts S3, etc., tous implémentés via CloudFormation. Cela permet à votre organisation d'utiliser des modèles de projet à plusieurs reprises, d'attribuer des projets à chaque utilisateur et de rationaliser les opérations.
- Amazon S3 – Nous utilisons un Service de stockage simple Amazon (Amazon S3) pour conserver les artefacts de modèle produits par le pipeline.
Pré-requis
Vous devez avoir les prérequis suivants :
Vous devez également effectuer des étapes de configuration supplémentaires avant de mettre en œuvre la solution.
Configurer une connexion AWS CodeStar
Si vous ne disposez pas déjà d'une connexion AWS CodeStar à votre compte GitHub, reportez-vous à Créer une connexion à GitHub pour obtenir des instructions pour en créer un. Votre ARN de connexion AWS CodeStar ressemblera à ceci :
Dans cet exemple, aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
est l'ID unique de cette connexion. Nous utilisons cet ID lorsque nous créons notre projet SageMaker plus tard dans cet exemple.
Configurer des clés d'accès secrètes pour votre jeton GitHub
Pour stocker en toute sécurité votre jeton d'accès personnel GitHub, vous devez créer un secret dans Secrets Manager. Si vous ne disposez pas de jeton d'accès personnel pour GitHub, reportez-vous à Gérer vos jetons d'accès personnels pour obtenir des instructions pour en créer un.
Vous pouvez créer un jeton d'accès classique ou précis. Cependant, assurez-vous que le jeton a accès au contenu et aux actions du référentiel (workflows, exécutions et artefacts).
Effectuez les étapes suivantes pour stocker votre jeton dans Secrets Manager :
- Sur la console Secrets Manager, choisissez Stocker un nouveau secret.
- Sélectionnez Autre type de secret en Choisissez le type de secret.
- Donnez un nom à votre secret dans le ACTIVITES champ et ajoutez votre jeton d'accès personnel au champ correspondant Valeur champ.
- Selectionnez Suivant, saisissez un nom pour votre secret et choisissez Suivant nouveau.
- Selectionnez Agence pour garder votre secret.
En stockant votre jeton d'accès personnel GitHub dans Secrets Manager, vous pouvez y accéder en toute sécurité au sein de votre pipeline MLOps tout en garantissant sa confidentialité.
Créer un utilisateur IAM pour les actions GitHub
Pour permettre à GitHub Actions de déployer des points de terminaison SageMaker dans votre environnement AWS, vous devez créer un Gestion des identités et des accès AWS (IAM) et accordez-lui les autorisations nécessaires. Pour obtenir des instructions, reportez-vous à Création d'un utilisateur IAM dans votre compte AWS. Utilisez le iam/GithubActionsMLOpsExecutionPolicy.json
fichier (fourni dans le exemple de code) pour fournir des autorisations suffisantes à cet utilisateur pour déployer vos points de terminaison.
Après avoir créé l'utilisateur IAM, générer une clé d'accès. Vous utiliserez cette clé, qui comprend à la fois un ID de clé d'accès et une clé d'accès secrète, à l'étape suivante lors de la configuration de vos secrets GitHub.
Configurez votre compte GitHub
Voici les étapes pour préparer votre compte GitHub à exécuter cet exemple.
Cloner le dépôt GitHub
Vous pouvez réutiliser un dépôt GitHub existant pour cet exemple. Cependant, c'est plus facile si vous créez un nouveau référentiel. Ce référentiel contiendra tout le code source des versions et des déploiements du pipeline SageMaker.
Copiez le contenu du répertoire du code de départ à la racine de votre référentiel GitHub. Par exemple, le .github
Le répertoire doit être sous la racine de votre référentiel GitHub.
Créez un secret GitHub contenant votre clé d'accès utilisateur IAM
Dans cette étape, nous stockons les détails de la clé d'accès de l'utilisateur nouvellement créé dans notre Secret GitHub.
- Sur le site Web GitHub, accédez à votre référentiel et choisissez Paramètres.
- Dans la section sécurité, sélectionnez Secrets et variables et choisissez Actions.
- Selectionnez Nouveau secret du référentiel.
- Pour Nom, Entrer
AWS_ACCESS_KEY_ID
- Pour secret, saisissez l'ID de clé d'accès associé à l'utilisateur IAM que vous avez créé précédemment.
- Selectionnez Ajouter un secret.
- Répétez la même procédure pour
AWS_SECRET_ACCESS_KEY
Configurez vos environnements GitHub
Pour créer une étape d'approbation manuelle dans nos pipelines de déploiement, nous utilisons un Environnement GitHub. Effectuez les étapes suivantes :
- Accédez à la Paramètres, Environnements menu de votre référentiel GitHub et créez un nouvel environnement appelé production.
- Pour Règles de protection de l'environnement, sélectionnez Réviseurs requis.
- Ajoutez les noms d'utilisateurs GitHub souhaités en tant que réviseurs. Pour cet exemple, vous pouvez choisir votre propre nom d'utilisateur.
Notez que la fonctionnalité d'environnement n'est pas disponible dans certains types de forfaits GitHub. Pour plus d'informations, reportez-vous à Utiliser des environnements pour le déploiement.
Déployer la fonction Lambda
Dans les étapes suivantes, nous compressons lambda_function.py
dans un fichier .zip, qui est ensuite téléchargé dans un compartiment S3.
L'exemple de code pertinent pour cela peut être trouvé dans ce qui suit GitHub repo. Plus précisément, le lambda_function.py
est situé dans la lambda_functions/lambda_github_workflow_trigger répertoire.
Il est recommandé de créer un fork de l’exemple de code et de le cloner à la place. Cela vous donnera la liberté de modifier le code et d’expérimenter différents aspects de l’échantillon.
- Après avoir obtenu une copie du code, accédez au répertoire approprié et utilisez le
zip
commande pour compresserlambda_function.py
. Les utilisateurs Windows et MacOS peuvent utiliser leur système de gestion de fichiers natif, respectivement l'Explorateur de fichiers ou le Finder, pour générer un fichier .zip.
- Télécharger le
lambda-github-workflow-trigger.zip
à un compartiment S3.
Ce compartiment sera ensuite accessible par Service Catalog. Vous pouvez choisir n'importe quel compartiment auquel vous avez accès, à condition que Service Catalog soit en mesure d'en récupérer les données lors des étapes suivantes.
À partir de cette étape, nous exigeons que l'AWS CLI v2 soit installée et configurée. Une alternative serait d'utiliser AWS CloudShell, qui est livré avec tous les outils nécessaires préinstallés, éliminant ainsi le besoin de configurations supplémentaires.
- Pour télécharger le fichier dans le compartiment S3, utilisez la commande suivante :
Nous construisons maintenant une couche Lambda pour les dépendances liées au lambda_function
nous venons de télécharger.
- Configurez un environnement virtuel Python et installez les dépendances :
- Générez le fichier .zip avec les commandes suivantes :
- Publiez la couche sur AWS :
Une fois cette couche publiée, toutes vos fonctions Lambda peuvent désormais la référencer pour répondre à leurs dépendances. Pour une compréhension plus détaillée des couches Lambda, reportez-vous à Travailler avec des couches Lambda.
Créer un modèle de projet personnalisé dans SageMaker
Une fois toutes les étapes ci-dessus terminées, nous disposons de toutes les ressources et composants du pipeline CI/CD. Nous montrons ensuite comment nous pouvons rendre ces ressources disponibles en tant que projet personnalisé dans SageMaker Studio accessible via un déploiement en un clic.
Comme indiqué précédemment, lorsque les modèles fournis par SageMaker ne répondent pas à vos besoins (par exemple, vous souhaitez disposer d'une orchestration plus complexe dans CodePipeline avec plusieurs étapes, des étapes d'approbation personnalisées ou intégrer un outil tiers tel que GitHub et les actions GitHub). démontré dans cet article), vous pouvez créer vos propres modèles. Nous vous recommandons de commencer par les modèles fournis par SageMaker pour comprendre comment organiser votre code et vos ressources et construire dessus. Pour plus de détails, reportez-vous à Créer des modèles de projet personnalisés.
Notez que vous pouvez également automatiser cette étape et utiliser à la place CloudFormation pour déployer le portefeuille et le produit Service Catalog via du code. Cependant, dans cet article, pour une meilleure expérience d'apprentissage, nous vous montrons le déploiement de la console.
À ce stade, nous utilisons le modèle CloudFormation fourni pour créer un portefeuille de catalogue de services qui nous aide à créer des projets personnalisés dans SageMaker.
Vous pouvez créer un nouveau domaine ou réutiliser votre domaine SageMaker pour les étapes suivantes. Si vous n'avez pas de domaine, reportez-vous à Intégration au domaine Amazon SageMaker à l'aide de la configuration rapide pour les instructions de configuration.
Après avoir activé l'accès administrateur aux modèles SageMaker, procédez comme suit :
- Sur la console Service Catalog, sous Administration dans le volet de navigation, choisissez Portfolios.
- Selectionnez Créer un nouveau portfolio.
- Nommez le portefeuille « Modèles d'organisation SageMaker ».
- Télécharger modèle.yml fichier sur votre ordinateur.
Ce modèle Cloud Formation fournit toutes les ressources CI/CD dont nous avons besoin en tant que configuration et infrastructure sous forme de code. Vous pouvez étudier le modèle plus en détail pour voir quelles ressources sont déployées dans le cadre de celui-ci. Ce modèle a été personnalisé pour s'intégrer à GitHub et GitHub Actions.
- Dans le
template.yml
fichier, modifiez leS3Bucket
valeur dans votre bucket dans lequel vous avez téléchargé le fichier Lambda .zip :
- Choisissez le nouveau portefeuille.
- Selectionnez Télécharger un nouveau produit.
- Pour Nom du produit¸ saisissez un nom pour votre modèle. Nous utilisons le nom
build-deploy-github
. - Pour Description, entrez une description.
- Pour Propriétaire, entrez votre nom.
- Sous Détails de la version, Pour Method , choisissez Utiliser un fichier modèle.
- Selectionnez Télécharger un modèle.
- Téléchargez le modèle que vous avez téléchargé.
- Pour Titre de la version, choisissez 1.0.
- Selectionnez Avis.
- Vérifiez vos paramètres et choisissez Créer un produit.
- Selectionnez Refresh pour lister le nouveau produit.
- Choisissez le produit que vous venez de créer.
- Sur le Tags onglet, ajoutez la balise suivante au produit:
- ACTIVITES =
sagemaker:studio-visibility
- Valeur =
true
- ACTIVITES =
De retour dans les détails du portefeuille, vous devriez voir quelque chose de similaire à la capture d'écran suivante (avec des identifiants différents).
- Sur le contraintes onglet, choisissez Créer une contrainte.
- Pour Produit, choisissez
build-deploy-github
(le produit que vous venez de créer). - Pour Contrainte tapez, choisissez Lancement.
- Sous Contrainte de lancement, Pour Method , choisissez Sélectionnez le rôle IAM.
- Selectionnez
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Selectionnez Création.
- Sur le Groupes, rôles et utilisateurs onglet, choisissez Ajouter des groupes, des rôles, des utilisateurs.
- Sur le Rôles , sélectionnez le rôle que vous avez utilisé lors de la configuration de votre domaine SageMaker Studio. C'est ici que se trouve le rôle de domaine SageMaker.
- Selectionnez Ajouter un accès.
Déployer le projet depuis SageMaker Studio
Dans les sections précédentes, vous avez préparé l’environnement de projet MLOps personnalisé. Créons maintenant un projet en utilisant ce modèle :
- Sur la console SageMaker, accédez au domaine dans lequel vous souhaitez créer ce projet.
- Sur le Lancement menu, choisissez Studio.
Vous serez redirigé vers l'environnement SageMaker Studio.
- Dans SageMaker Studio, dans le volet de navigation sous Déploiements, choisissez Projets.
- Selectionnez Créer un projet.
- En haut de la liste des modèles, choisissez Modèles d'organisation.
Si vous avez suivi toutes les étapes précédentes avec succès, vous devriez pouvoir voir un nouveau modèle de projet personnalisé nommé Build-Deploy-GitHub
.
- Sélectionnez ce modèle et choisissez Sélectionnez un modèle de projet.
- Saisissez une description facultative.
- Pour Nom du propriétaire du référentiel GitHub, saisissez le propriétaire de votre référentiel GitHub. Par exemple, si votre référentiel est à
https://github.com/pooyavahidi/my-repo
, le propriétaire seraitpooyavahidi
. - Pour Nom du référentiel GitHub, entrez le nom du référentiel dans lequel vous avez copié le code de départ. Ce serait juste le nom du repo. Par exemple, dans
https://github.com/pooyavahidi/my-repo
, le dépôt estmy-repo
. - Pour ID unique de connexion Codestar, saisissez l'ID unique de la connexion AWS CodeStar que vous avez créée.
- Pour Nom du secret dans Secrets Manager qui stocke le jeton GitHub, saisissez le nom du secret dans Secrets Manager où vous avez créé et stocké le jeton GitHub.
- Pour Fichier de workflow GitHub pour le déploiement, saisissez le nom du fichier de workflow GitHub (à
.github/workflows/deploy.yml
) où vous avez les instructions de déploiement. Pour cet exemple, vous pouvez le conserver par défaut, ce qui estdeploy.yml
. - Selectionnez Créer un projet.
- Après avoir créé votre projet, assurez-vous de mettre à jour le
AWS_REGION
et lesSAGEMAKER_PROJECT_NAME
variables d'environnement dans vos fichiers de workflow GitHub en conséquence. Les fichiers de workflow se trouvent dans votre dépôt GitHub (copiés à partir du code de départ), à l'intérieur du.github/workflows
annuaire. Assurez-vous de mettre à jour les deuxbuild.yml
et lesdeploy.yml
fichiers.
Votre environnement est désormais prêt à fonctionner ! Vous pouvez exécuter les pipelines directement, apporter des modifications et transférer ces modifications vers votre référentiel GitHub pour déclencher le pipeline de génération automatisé et voir comment toutes les étapes de génération et de déploiement sont automatisées.
Nettoyer
Pour nettoyer les ressources, procédez comme suit :
- Supprimez les piles CloudFormation utilisées pour le projet SageMaker et les points de terminaison SageMaker.
- Supprimez le domaine SageMaker.
- Supprimez les ressources du catalogue de services.
- Supprimez le lien de connexion AWS CodeStar avec le référentiel GitHub.
- Supprimez l'utilisateur IAM que vous avez créé pour les actions GitHub.
- Supprimez le secret dans Secrets Manager qui stocke les détails d'accès personnel à GitHub.
Résumé
Dans cet article, nous avons expliqué le processus d'utilisation d'un modèle de projet SageMaker MLOps personnalisé pour construire et organiser automatiquement un pipeline CI/CD. Ce pipeline intègre efficacement vos mécanismes CI/CD existants aux fonctionnalités de SageMaker pour la manipulation des données, la formation des modèles, l'approbation des modèles et le déploiement des modèles. Dans notre scénario, nous nous sommes concentrés sur l'intégration des actions GitHub avec les projets et pipelines SageMaker. Pour une compréhension complète des détails de mise en œuvre, visitez le GitHub référentiel. N'hésitez pas à expérimenter cela et n'hésitez pas à laisser toutes vos questions dans la section commentaires.
À propos des auteurs
Dr Romina Sharifpour est architecte senior de solutions d'apprentissage automatique et d'intelligence artificielle chez Amazon Web Services (AWS). Elle a passé plus de 10 ans à diriger la conception et la mise en œuvre de solutions innovantes de bout en bout rendues possibles par les progrès du ML et de l'IA. Les domaines d'intérêt de Romina sont le traitement du langage naturel, les grands modèles de langage et le MLOps.
Pooya Vahidi est un architecte de solutions senior chez AWS, passionné par l'informatique, l'intelligence artificielle et le cloud computing. En tant que professionnel de l'IA, il est un membre actif de l'équipe AWS AI/ML Area-of-Depth. Fort d'une expérience de plus de deux décennies d'expertise dans la direction de l'architecture et de l'ingénierie de solutions à grande échelle, il aide les clients dans leur parcours de transformation grâce aux technologies cloud et IA/ML.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :possède
- :est
- :ne pas
- :où
- $UP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Capable
- A Propos
- au dessus de
- accélérer
- accès
- accédé
- accessible
- en conséquence
- Compte
- précision
- atteindre
- à travers
- actes
- infection
- acyclique
- ajouter
- Supplémentaire
- Ajusté
- adopter
- progrès
- Après
- encore
- AI
- AI / ML
- Tous
- allouer
- permettre
- permet
- déjà
- aussi
- alternative
- Amazon
- Amazon Sage Maker
- Pipelines Amazon SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- et les
- et infrastructure
- tous
- approprié
- approbation
- architecture
- SONT
- domaines
- artificiel
- intelligence artificielle
- AS
- aspects
- associé
- Association
- At
- automatiser
- Automatisation
- automatiquement
- automatiser
- Automation
- disponibles
- AWS
- fond
- base
- BE
- était
- before
- tous les deux
- construire
- Développement
- construit
- construit
- intégré
- by
- appelé
- CAN
- capacités
- catalogue
- CD
- centralisée
- Change
- Modifications
- Selectionnez
- classiques
- espace extérieur plus propre,
- cliquez
- le cloud
- le cloud computing
- code
- base de code
- collaborons
- collaboration
- collection
- vient
- commentaires
- complet
- achèvement
- complexe
- composant
- composants électriques
- complet
- ordinateur
- Informatique
- informatique
- confidentialité
- configuration
- configurée
- Configurer
- connexion
- considérant
- régulièrement
- consiste
- Console
- construire
- contiennent
- contenu
- continu
- des bactéries
- Correspondant
- engendrent
- créée
- crée des
- La création
- création
- Customiser
- Clients
- sont adaptées
- JOUR
- données
- Préparation des données
- science des données
- décennies
- Réglage par défaut
- livrer
- page de livraison.
- delve
- demandes
- démontrer
- démontré
- dépendances
- déployer
- déployé
- déployer
- déploiement
- déploiements
- la description
- Conception
- voulu
- détail
- détaillé
- détails
- Développement
- différent
- dirigé
- directement
- discuté
- do
- domaine
- Ne pas
- pendant
- chacun
- Plus tôt
- plus facilement
- risque numérique
- Efficace
- de manière efficace
- efficace
- efficacement
- non plus
- éléments
- l'élimination
- permettre
- activé
- permet
- permettant
- end-to-end
- Endpoint
- ENGINEERING
- Les ingénieurs
- assurer
- Assure
- assurer
- Entrer
- Entreprise
- Tout
- Environment
- environnements
- essentiellement
- établir
- établies
- établit
- établissement
- etc
- évaluation
- événements
- exemple
- existant
- d'experience
- expérience
- nous a permis de concevoir
- explorateur
- faciliter
- Fonctionnalité
- Fonctionnalités:
- ressentir
- champ
- Déposez votre dernière attestation
- Fichiers
- Finder
- Focus
- concentré
- Abonnement
- Pour
- fourche
- formation
- document
- trouvé
- gratuitement ici
- spirituelle
- De
- fonction
- fonctions
- générer
- généré
- obtenez
- Git
- GitHub
- Donner
- aller
- disparu
- subvention
- graphique
- plus grand
- Réservation de groupe
- Groupes
- Vous avez
- he
- lourd
- levage de charges lourdes
- aide
- hébergement
- Villa
- maisons
- logement
- Comment
- How To
- Cependant
- HTML
- http
- HTTPS
- ID
- Identite
- ids
- if
- la mise en oeuvre
- mis en œuvre
- la mise en œuvre
- in
- comprendre
- inclut
- Y compris
- d'information
- Infrastructure
- initier
- Initie
- technologie innovante
- contribution
- à l'intérieur
- installer
- Installé
- instance
- plutôt ;
- Des instructions
- intégrer
- Intègre
- Intégration
- l'intégration
- Intelligence
- Interactif
- intérêt
- développement
- Introduit
- seul
- IT
- SES
- Voyages
- jpg
- json
- juste
- XNUMX éléments à
- Conserve
- ACTIVITES
- clés
- connu
- langue
- gros
- grande échelle
- plus tard
- lancer
- couche
- poules pondeuses
- conduisant
- apprentissage
- Laisser
- vos produits
- lifting
- comme
- lignage
- LINK
- Liste
- situé
- emplacement
- Location
- Style
- ressembler
- click
- machine learning
- macos
- maintient
- facile
- a prendre une
- gérer
- gérés
- gestion
- manager
- les gérer
- Manipulation
- Manuel
- de nombreuses
- mécanismes
- Découvrez
- membre
- Membres
- Menu
- Métadonnées
- pourrait
- MIT
- ML
- MLOps
- modèle
- numériques jumeaux (digital twin models)
- Modifications
- modifier
- Stack monitoring
- moniteurs
- PLUS
- plus efficace
- Par ailleurs
- plusieurs
- must
- prénom
- Nommé
- noms
- indigène
- Nature
- Traitement du langage naturel
- NAVIGUER
- Navigation
- nécessaire
- nécessite
- Besoin
- Besoins
- Nouveauté
- nouveau produit
- nouvellement
- next
- maintenant
- obtenir
- of
- offrant
- on
- ONE
- à partir de
- fonctionner
- Opérations
- or
- orchestration
- organisation
- organisations
- Autre
- nos
- plus de
- vue d'ensemble
- propre
- propriétaire
- paquet
- pain
- parité
- partie
- fête
- passionné
- autorisations
- personnel
- pipeline
- plans
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- portefeuille
- Post
- solide
- pratiques
- Prédictions
- préparation
- Préparer
- préparé
- conditions préalables
- précédent
- procédure
- processus
- les process
- traitement
- Produit
- Produit
- Vidéo
- professionels
- Projet
- projets
- instructions
- protection
- fournir
- à condition de
- fournit
- publié
- Push
- Poussé
- Python
- requêtes
- Rapide
- Préparation
- solutions
- en temps réel
- recommander
- recommandé
- Articles
- reportez-vous
- référence
- refléter
- inscrit
- Inscription
- enregistrement
- en relation
- pertinent
- fiable
- supprimez
- À PLUSIEURS REPRISES
- dépôt
- nécessaire
- exigent
- Exigences
- un article
- ressource
- Resources
- respectivement
- responsables
- résultant
- réutiliser
- bon
- robuste
- Rôle
- rôle
- racine
- Règle
- Courir
- fonctionne
- sagemaker
- Pipelines SageMaker
- même
- Épargnez
- Évolutivité
- mise à l'échelle
- scénario
- scénarios
- Sciences
- scientifiques
- secret
- secrets
- Section
- les sections
- en toute sécurité
- sécurité
- sur le lien
- seed
- Sélectionner
- supérieur
- sert
- service
- Services
- Sets
- mise
- Paramétres
- installation
- plusieurs
- elle
- devrait
- montrer
- similaires
- étapes
- simplifié
- simplifiant
- Logiciels
- développement de logiciels
- sur mesure
- Solutions
- quelques
- quelque chose
- Identifier
- code source
- enjambant
- groupe de neurones
- spécifiquement
- dépensé
- Combos
- L'équipe
- Étape
- étapes
- mise en scène
- Normes
- Commencer
- Commencez
- Statut
- étapes
- Étapes
- storage
- Boutique
- stockée
- STORES
- stockage
- simple
- rationaliser
- la rationalisation
- studio
- Étude
- ultérieur
- Avec succès
- tel
- suffisant
- suite
- sûr
- combustion propre
- Système
- TAG
- équipe
- Membres de l'équipe
- équipes
- Les technologies
- modèle
- modèles
- examiné
- Essais
- qui
- Le
- La Source
- leur
- puis
- donc
- Ces
- l'ont
- Troisièmement
- des tiers.
- this
- ceux
- Avec
- tout au long de
- à
- ensemble
- jeton
- outil
- les outils
- top
- suivre
- Tracking
- qualifié
- Formation
- Transformer
- transformation
- déclencher
- déclenché
- deux
- type
- types
- sous
- comprendre
- compréhension
- expérience unique et authentique
- Mises à jour
- téléchargé
- sur
- us
- utilisé
- d'utiliser
- Utilisateur
- utilisateurs
- en utilisant
- utiliser
- utilisé
- VALIDER
- validation
- Plus-value
- divers
- version
- versions
- via
- Salle de conférence virtuelle
- Visiter
- marcha
- souhaitez
- we
- web
- services Web
- Basé sur le Web
- Site Web
- Quoi
- quand
- qui
- tout en
- sera
- fenêtres
- comprenant
- dans les
- activités principales
- travailler ensemble
- workflow
- workflows
- pourra
- années
- Vous n'avez
- Votre
- zéphyrnet
- Zip