Model pembelajaran mesin (ML) tidak beroperasi secara terpisah. Untuk memberikan nilai, mereka harus berintegrasi ke dalam sistem dan infrastruktur produksi yang ada, sehingga perlu mempertimbangkan seluruh siklus hidup ML selama desain dan pengembangan. Operasi ML, yang dikenal sebagai MLOps, berfokus pada penyederhanaan, otomatisasi, dan pemantauan model ML sepanjang siklus hidupnya. Membangun saluran MLOps yang kuat memerlukan kolaborasi lintas fungsi. Ilmuwan data, teknisi ML, staf TI, dan tim DevOps harus bekerja sama untuk mengoperasionalkan model mulai dari penelitian hingga penerapan dan pemeliharaan. Dengan proses dan alat yang tepat, MLOps memungkinkan organisasi mengadopsi ML secara andal dan efisien di seluruh tim mereka.
Meskipun persyaratan pipeline integrasi berkelanjutan dan pengiriman berkelanjutan (CI/CD) bisa unik dan mencerminkan kebutuhan setiap organisasi, penskalaan praktik MLOps di seluruh tim dapat disederhanakan dengan menggunakan orkestrasi dan alat terkelola yang dapat mempercepat proses pengembangan dan menghilangkan beban berat yang tidak bisa dibedakan. .
MLOps Amazon SageMaker adalah serangkaian fitur yang mencakup Proyek Amazon SageMaker (CI/CD), Pipa Amazon SageMaker dan Registri Model Amazon SageMaker.
Pipa SageMaker memungkinkan pembuatan dan pengelolaan alur kerja ML secara mudah, sekaligus menawarkan kemampuan penyimpanan dan penggunaan kembali untuk langkah-langkah alur kerja. Itu Registri Model SageMaker memusatkan pelacakan model, menyederhanakan penerapan model. Proyek SageMaker memperkenalkan praktik CI/CD ke ML, termasuk paritas lingkungan, kontrol versi, pengujian, dan otomatisasi. Hal ini memungkinkan pembentukan CI/CD dengan cepat di lingkungan ML Anda, memfasilitasi skalabilitas yang efektif di seluruh perusahaan Anda.
Built-in template proyek disediakan oleh Amazon SageMaker mencakup integrasi dengan beberapa alat pihak ketiga, seperti Jenkins untuk orkestrasi dan GitHub untuk kontrol sumber, dan beberapa menggunakan alat CI/CD asli AWS seperti Komitmen Kode AWS, Pipa Kode AWS, dan Pembuatan Kode AWS. Namun, dalam banyak skenario, pelanggan ingin mengintegrasikan SageMaker Pipelines dengan alat CI/CD lain yang sudah ada dan oleh karena itu, membuat templat proyek kustom mereka.
Dalam postingan ini, kami menunjukkan kepada Anda penerapan langkah demi langkah untuk mencapai hal berikut:
- Buat templat proyek MLOps SageMaker khusus yang terintegrasi dengan GitHub dan GitHub Actions
- Jadikan templat proyek khusus Anda tersedia di Studio Amazon SageMaker untuk tim ilmu data Anda dengan penyediaan sekali klik
Ikhtisar solusi
Dalam posting ini, kami membangun arsitektur berikut. Kami membuat alur pembuatan model otomatis yang mencakup langkah-langkah untuk persiapan data, pelatihan model, evaluasi model, dan pendaftaran model yang dilatih di SageMaker Model Registry. Model ML terlatih yang dihasilkan kemudian diterapkan dari SageMaker Model Registry ke lingkungan pementasan dan produksi setelah mendapat persetujuan manual.
Mari selidiki elemen arsitektur ini untuk memahami konfigurasi lengkapnya.
Tindakan GitHub dan GitHub
GitHub adalah platform berbasis web yang menyediakan kontrol versi dan manajemen kode sumber menggunakan Git. Hal ini memungkinkan tim untuk berkolaborasi dalam proyek pengembangan perangkat lunak, melacak perubahan, dan mengelola repositori kode. GitHub berfungsi sebagai lokasi terpusat untuk menyimpan, membuat versi, dan mengelola basis kode ML Anda. Hal ini memastikan bahwa basis kode dan saluran ML Anda memiliki versi, didokumentasikan, dan dapat diakses oleh anggota tim.
Tindakan GitHub adalah alat otomatisasi yang kuat dalam ekosistem GitHub. Ini memungkinkan Anda membuat alur kerja khusus yang mengotomatiskan proses siklus hidup pengembangan perangkat lunak Anda, seperti pembuatan, pengujian, dan penerapan kode. Anda dapat membuat alur kerja berbasis peristiwa yang dipicu oleh peristiwa tertentu, seperti saat kode dimasukkan ke repositori atau permintaan penarikan dibuat. Saat mengimplementasikan MLOps, Anda dapat menggunakan GitHub Actions untuk mengotomatiskan berbagai tahapan pipeline ML, seperti:
- Validasi data dan prapemrosesan
- Pelatihan dan evaluasi model
- Penerapan dan pemantauan model
- CI/CD untuk model ML
Dengan GitHub Actions, Anda dapat menyederhanakan alur kerja ML dan memastikan bahwa model Anda dibuat, diuji, dan diterapkan secara konsisten, sehingga menghasilkan penerapan ML yang lebih efisien dan andal.
Pada bagian berikut, kita mulai dengan menyiapkan prasyarat yang berkaitan dengan beberapa komponen yang kita gunakan sebagai bagian dari arsitektur ini:
- Formasi AWS Cloud - Formasi AWS Cloud memulai penerapan model dan menetapkan titik akhir SageMaker setelah alur penerapan model diaktifkan dengan persetujuan model yang dilatih.
- Koneksi AWS CodeStar - Kita gunakan AWS Kode Bintang untuk membuat tautan dengan repositori GitHub dan menggunakannya sebagai integrasi repo kode dengan sumber daya AWS, seperti SageMaker Studio.
- Jembatan Acara Amazon - Jembatan Acara Amazon melacak semua modifikasi pada registri model. Ia juga mempertahankan aturan yang meminta fungsi Lambda untuk menyebarkan pipa model ketika status versi paket model berubah dari
PendingManualApproval
untukApproved
dalam registri model. - AWS Lambda โ Kami menggunakan AWS Lambda berfungsi untuk memulai alur kerja penerapan model di GitHub Actions setelah model baru didaftarkan di registri model.
- Amazon SageMaker โ Kami mengonfigurasi komponen SageMaker berikut:
- Saluran pipa โ Komponen ini terdiri dari grafik asiklik terarah (DAG) yang membantu kami membangun alur kerja ML otomatis untuk tahapan persiapan data, pelatihan model, dan evaluasi model. Registri model menyimpan catatan versi model, artefak terkait, silsilah, dan metadata. Grup paket model dibentuk yang menampung semua versi model terkait. Registri model juga bertanggung jawab untuk mengelola status persetujuan versi model untuk penerapan selanjutnya.
- Titik akhir โ Komponen ini menyiapkan dua titik akhir real-time HTTPS untuk inferensi. Konfigurasi hosting dapat disesuaikan, misalnya, untuk transformasi batch atau inferensi asinkron. Titik akhir penahapan dihasilkan ketika alur penerapan model diaktifkan dengan persetujuan model terlatih dari SageMaker Model Registry. Titik akhir ini digunakan untuk memvalidasi model yang diterapkan dengan memastikan model tersebut memberikan prediksi yang memenuhi standar akurasi kami. Saat model disiapkan untuk penerapan produksi, titik akhir produksi diterapkan melalui tahap persetujuan manual dalam alur kerja GitHub Actions.
- Kode repositori โ Ini membuat repositori Git sebagai sumber daya di akun SageMaker Anda. Dengan menggunakan data yang ada dari repositori kode GitHub yang Anda masukkan selama pembuatan proyek SageMaker, asosiasi dengan repositori yang sama dibuat di SageMaker saat Anda memulai proyek. Ini pada dasarnya membentuk tautan dengan repositori GitHub di SageMaker, memungkinkan tindakan interaktif (tarik/dorong) dengan repositori Anda.
- Registri model โ Ini memantau berbagai versi model dan artefak terkait, yang mencakup garis keturunan dan metadata. Koleksi yang dikenal sebagai a kelompok paket model dibuat, menampung versi model yang terkait. Selain itu, registri model mengawasi status persetujuan versi model, memastikan kesiapannya untuk penerapan selanjutnya.
- Manajer Rahasia AWS โ Untuk menjaga token akses pribadi GitHub Anda dengan aman, Anda perlu membuat rahasia Manajer Rahasia AWS dan tempatkan token akses Anda di dalamnya.
- Katalog Layanan AWS - Kami menggunakan Katalog Layanan AWS untuk implementasi proyek SageMaker, yang mencakup komponen seperti repositori kode SageMaker, fungsi Lambda, aturan EventBridge, bucket S3 artefak, dll., semuanya diimplementasikan melalui CloudFormation. Hal ini memungkinkan organisasi Anda menggunakan templat proyek berulang kali, mengalokasikan proyek ke setiap pengguna, dan menyederhanakan operasi.
- Amazon S3 โ Kami menggunakan Layanan Penyimpanan Sederhana Amazon (Amazon S3) bucket untuk menyimpan artefak model yang dihasilkan oleh pipeline.
Prasyarat
Anda harus memiliki prasyarat berikut:
Anda juga harus menyelesaikan langkah-langkah penyiapan tambahan sebelum menerapkan solusi.
Siapkan koneksi AWS CodeStar
Jika Anda belum memiliki koneksi AWS CodeStar ke akun GitHub Anda, lihat Buat koneksi ke GitHub untuk instruksi untuk membuatnya. ARN koneksi AWS CodeStar Anda akan terlihat seperti ini:
Dalam contoh ini, aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
adalah ID unik untuk koneksi ini. Kami menggunakan ID ini saat membuat proyek SageMaker nanti dalam contoh ini.
Siapkan kunci akses rahasia untuk token GitHub Anda
Untuk menyimpan token akses pribadi GitHub Anda dengan aman, Anda perlu membuat rahasia di Secrets Manager. Jika Anda tidak memiliki token akses pribadi untuk GitHub, lihat Mengelola token akses pribadi Anda untuk instruksi untuk membuatnya.
Anda dapat membuat token akses klasik atau terperinci. Namun, pastikan token memiliki akses ke konten dan tindakan repositori (alur kerja, proses, dan artefak).
Selesaikan langkah-langkah berikut untuk menyimpan token Anda di Secrets Manager:
- Pada konsol Manajer Rahasia, pilih Simpan rahasia baru.
- Pilih Jenis rahasia lainnya untuk Pilih tipe rahasia.
- Berikan nama untuk rahasia Anda di kunci bidang dan tambahkan token akses pribadi Anda ke bidang yang sesuai Nilai lapangan.
- Pilih Selanjutnya, masukkan nama untuk rahasia Anda, dan pilih Selanjutnya lagi.
- Pilih Toko untuk menyimpan rahasiamu.
Dengan menyimpan token akses pribadi GitHub Anda di Secrets Manager, Anda dapat mengaksesnya dengan aman dalam saluran MLOps Anda sambil memastikan kerahasiaannya.
Buat pengguna IAM untuk Tindakan GitHub
Untuk mengizinkan GitHub Actions menerapkan titik akhir SageMaker di lingkungan AWS Anda, Anda perlu membuat Identitas AWS dan Manajemen Akses (IAM) pengguna dan berikan izin yang diperlukan. Untuk instruksi, lihat Membuat pengguna IAM di akun AWS Anda. Menggunakan iam/GithubActionsMLOpsExecutionPolicy.json
file (disediakan dalam contoh kode) untuk memberikan izin yang memadai bagi pengguna ini untuk menyebarkan titik akhir Anda.
Setelah Anda membuat pengguna IAM, menghasilkan kunci akses. Anda akan menggunakan kunci ini, yang terdiri dari access key ID dan secret access key, pada langkah selanjutnya saat mengonfigurasi rahasia GitHub Anda.
Siapkan akun GitHub Anda
Berikut ini adalah langkah-langkah mempersiapkan akun GitHub Anda untuk menjalankan contoh ini.
Kloning repositori GitHub
Anda dapat menggunakan kembali repo GitHub yang ada untuk contoh ini. Namun akan lebih mudah jika Anda membuat repositori baru. Repositori ini akan berisi semua kode sumber untuk pembuatan dan penerapan pipeline SageMaker.
Salin isi direktori kode seed ke root repositori GitHub Anda. Misalnya saja .github
direktori harus berada di bawah root repositori GitHub Anda.
Buat rahasia GitHub yang berisi kunci akses pengguna IAM Anda
Pada langkah ini, kami menyimpan detail kunci akses dari pengguna yang baru dibuat di kami Rahasia GitHub.
- Di situs web GitHub, navigasikan ke repositori Anda dan pilih Settings.
- Di bagian keamanan, pilih Rahasia dan Variabel Dan pilihlah tindakan.
- Pilih Rahasia Repositori Baru.
- Untuk Nama, Masuk
AWS_ACCESS_KEY_ID
- Untuk Rahasia, masukkan access key ID yang terkait dengan pengguna IAM yang Anda buat sebelumnya.
- Pilih Tambahkan Rahasia.
- Ulangi prosedur yang sama untuk
AWS_SECRET_ACCESS_KEY
Konfigurasikan lingkungan GitHub Anda
Untuk membuat langkah persetujuan manual di jalur penerapan, kami menggunakan a Lingkungan GitHub. Selesaikan langkah-langkah berikut:
- Arahkan ke folder Settings, Lingkungan menu repositori GitHub Anda dan buat lingkungan baru yang disebut produksi.
- Untuk Aturan perlindungan lingkungan, pilih Diperlukan pengulas.
- Tambahkan nama pengguna GitHub yang diinginkan sebagai peninjau. Untuk contoh ini, Anda dapat memilih nama pengguna Anda sendiri.
Perhatikan bahwa fitur lingkungan tidak tersedia di beberapa jenis paket GitHub. Untuk informasi lebih lanjut, lihat Menggunakan lingkungan untuk penerapan.
Terapkan fungsi Lambda
Pada langkah-langkah berikut, kami mengompres lambda_function.py
ke dalam file .zip, yang kemudian diunggah ke bucket S3.
Contoh kode yang relevan untuk ini dapat ditemukan berikut ini GitHub repo. Secara khusus, lambda_function.py
terletak di lambda_functions/lambda_github_workflow_trigger direktori.
Disarankan untuk membuat fork dari contoh kode dan mengkloningnya. Ini akan memberi Anda kebebasan untuk mengubah kode dan bereksperimen dengan berbagai aspek sampel.
- Setelah Anda mendapatkan salinan kode, navigasikan ke direktori yang sesuai dan gunakan
zip
perintah untuk mengompreslambda_function.py
. Baik pengguna Windows dan MacOS dapat menggunakan sistem manajemen file asli mereka, File Explorer atau Finder, untuk menghasilkan file .zip.
- Unggah
lambda-github-workflow-trigger.zip
ke ember S3.
Bucket ini nantinya akan diakses oleh Service Catalog. Anda dapat memilih bucket apa pun yang dapat Anda akses, selama Service Catalog dapat mengambil data dari bucket tersebut pada langkah berikutnya.
Mulai langkah ini dan seterusnya, kami memerlukan AWS CLI v2 untuk diinstal dan dikonfigurasi. Alternatifnya adalah dengan memanfaatkan AWS CloudShell, yang dilengkapi dengan semua alat yang diperlukan sudah diinstal sebelumnya, sehingga menghilangkan kebutuhan akan konfigurasi tambahan apa pun.
- Untuk mengunggah file ke bucket S3, gunakan perintah berikut:
Sekarang kita membuat lapisan Lambda untuk dependensi yang terkait dengan lambda_function
kami baru saja mengunggah.
- Siapkan lingkungan virtual Python dan instal dependensinya:
- Hasilkan file .zip dengan perintah berikut:
- Publikasikan lapisan ke AWS:
Dengan diterbitkannya lapisan ini, semua fungsi Lambda Anda kini dapat mereferensikannya untuk memenuhi dependensinya. Untuk pemahaman lebih rinci tentang lapisan Lambda, lihat Bekerja dengan lapisan Lambda.
Buat templat proyek khusus di SageMaker
Setelah menyelesaikan semua langkah di atas, kita memiliki semua sumber daya dan komponen pipeline CI/CD. Selanjutnya kami mendemonstrasikan bagaimana kami dapat membuat sumber daya ini tersedia sebagai proyek khusus dalam SageMaker Studio yang dapat diakses melalui penerapan satu klik.
Seperti yang dibahas sebelumnya, ketika templat yang disediakan SageMaker tidak memenuhi kebutuhan Anda (misalnya, Anda ingin memiliki orkestrasi yang lebih kompleks di CodePipeline dengan beberapa tahapan, langkah persetujuan khusus, atau untuk berintegrasi dengan alat pihak ketiga seperti tindakan GitHub dan GitHub ditunjukkan dalam posting ini), Anda dapat membuat template Anda sendiri. Kami menyarankan Anda memulai dengan templat yang disediakan SageMaker untuk memahami cara mengatur kode dan sumber daya Anda serta mengembangkannya. Untuk lebih jelasnya, lihat Buat Template Proyek Kustom.
Perhatikan bahwa Anda juga dapat mengotomatiskan langkah ini dan menggunakan CloudFormation untuk menyebarkan portofolio dan produk Katalog Layanan melalui kode. Namun dalam postingan ini, untuk pengalaman belajar yang lebih baik, kami menunjukkan kepada Anda penerapan konsol.
Pada tahap ini, kami menggunakan templat CloudFormation yang disediakan untuk membuat portofolio Katalog Layanan yang membantu kami membuat proyek khusus di SageMaker.
Anda dapat membuat domain baru atau menggunakan kembali domain SageMaker Anda untuk langkah-langkah berikut. Jika Anda tidak memiliki domain, lihat Onboarding ke Domain Amazon SageMaker menggunakan Penyiapan cepat untuk instruksi penyiapan.
Setelah Anda mengaktifkan akses administrator ke templat SageMaker, selesaikan langkah-langkah berikut:
- Di konsol Katalog Layanan, di bawah Administrasi di panel navigasi, pilih Portofolio.
- Pilih Buat portofolio baru.
- Beri nama portofolio โTemplat Organisasi SageMakerโ.
- Download templat.yml file ke komputer Anda.
Templat Cloud Formasi ini menyediakan semua sumber daya CI/CD yang kita perlukan sebagai konfigurasi dan infrastruktur sebagai kode. Anda dapat mempelajari templat secara lebih detail untuk melihat sumber daya apa yang disebarkan sebagai bagian dari templat tersebut. Templat ini telah disesuaikan untuk diintegrasikan dengan GitHub dan GitHub Actions.
- Dalam majalah
template.yml
file, ubahS3Bucket
nilai ke keranjang tempat Anda mengunggah file Lambda .zip:
- Pilih portofolio baru.
- Pilih Unggah produk baru.
- Untuk Nama produkยธ masukkan nama untuk templat Anda. Kami menggunakan nama itu
build-deploy-github
. - Untuk Deskripsi Produk, masukkan deskripsi.
- Untuk pemilik, masukkan nama Anda.
- Bawah Detail versi, Untuk metode, pilih Gunakan file template.
- Pilih Unggah template.
- Unggah template yang Anda unduh.
- Untuk Judul versi, pilih 1.0.
- Pilih ULASAN.
- Tinjau pengaturan Anda dan pilih Buat produk.
- Pilih menyegarkan untuk membuat daftar produk baru.
- Pilih produk yang baru saja Anda buat.
- pada Tag tab, tambahkan tag berikut ke produk:
- kunci =
sagemaker:studio-visibility
- Nilai =
true
- kunci =
Kembali ke detail portofolio, Anda akan melihat sesuatu yang mirip dengan tangkapan layar berikut (dengan ID berbeda).
- pada kendala tab, pilih Buat batasan.
- Untuk Produk, pilih
build-deploy-github
(produk yang baru saja Anda buat). - Untuk Paksaan ketik, pilih Launch.
- Bawah Batasan peluncuran, Untuk metode, pilih Pilih peran IAM.
- Pilih
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Pilih membuat.
- pada Grup, peran, dan pengguna tab, pilih Tambahkan grup, peran, pengguna.
- pada Peran tab, pilih peran yang Anda gunakan saat mengonfigurasi domain SageMaker Studio Anda. Di sinilah peran domain SageMaker dapat ditemukan.
- Pilih Tambahkan akses.
Terapkan proyek dari SageMaker Studio
Di bagian sebelumnya, Anda menyiapkan lingkungan proyek MLOps kustom. Sekarang, mari buat proyek menggunakan template ini:
- Di konsol SageMaker, navigasikan ke domain tempat Anda ingin membuat proyek ini.
- pada Launch menu, pilih studio.
Anda akan diarahkan ke lingkungan SageMaker Studio.
- Di SageMaker Studio, di panel navigasi di bawah penyebaran, pilih Proyek.
- Pilih Buat proyek.
- Di bagian atas daftar templat, pilih Template organisasi.
Jika Anda telah berhasil melalui semua langkah sebelumnya, Anda akan melihat templat proyek khusus baru bernama Build-Deploy-GitHub
.
- Pilih templat itu dan pilih Pilih Templat Proyek.
- Masukkan deskripsi opsional.
- Untuk Nama Pemilik Repositori GitHub, masukkan pemilik repositori GitHub Anda. Misalnya, jika repositori Anda berada di
https://github.com/pooyavahidi/my-repo
, pemiliknya adalahpooyavahidi
. - Untuk Nama Repositori GitHub, masukkan nama repositori tempat Anda menyalin kode seed. Itu hanya nama reponya. Misalnya, di
https://github.com/pooyavahidi/my-repo
, reponya adalahmy-repo
. - Untuk ID unik koneksi Codestar, masukkan ID unik koneksi AWS CodeStar yang Anda buat.
- Untuk Nama rahasia di Secrets Manager yang menyimpan token GitHub, masukkan nama rahasia di Secrets Manager tempat Anda membuat dan menyimpan token GitHub.
- Untuk File alur kerja GitHub untuk penerapan, masukkan nama file alur kerja GitHub (at
.github/workflows/deploy.yml
) di mana Anda memiliki petunjuk penerapan. Untuk contoh ini, Anda dapat menyimpannya sebagai defaultdeploy.yml
. - Pilih Buat proyek.
- Setelah membuat proyek Anda, pastikan Anda memperbarui
AWS_REGION
danSAGEMAKER_PROJECT_NAME
variabel lingkungan dalam file alur kerja GitHub Anda. File alur kerja ada di repo GitHub Anda (disalin dari kode seed), di dalam.github/workflows
direktori. Pastikan Anda memperbarui keduanyabuild.yml
dandeploy.yml
file.
Sekarang lingkungan Anda siap digunakan! Anda dapat menjalankan pipeline secara langsung, membuat perubahan, dan mendorong perubahan tersebut ke repositori GitHub Anda untuk memicu pipeline build otomatis dan melihat bagaimana semua langkah build dan deployment diotomatisasi.
Membersihkan
Untuk membersihkan sumber daya, selesaikan langkah-langkah berikut:
- Hapus tumpukan CloudFormation yang digunakan untuk proyek SageMaker dan titik akhir SageMaker.
- Hapus domain SageMaker.
- Hapus sumber daya Katalog Layanan.
- Hapus tautan koneksi AWS CodeStar dengan repositori GitHub.
- Hapus pengguna IAM yang Anda buat untuk GitHub Actions.
- Hapus rahasia di Secrets Manager yang menyimpan detail akses pribadi GitHub.
Kesimpulan
Dalam postingan ini, kami mempelajari proses penggunaan templat proyek SageMaker MLOps khusus untuk secara otomatis membuat dan mengatur pipeline CI/CD. Pipeline ini secara efektif mengintegrasikan mekanisme CI/CD Anda yang ada dengan kemampuan SageMaker untuk manipulasi data, pelatihan model, persetujuan model, dan penerapan model. Dalam skenario kami, kami fokus pada pengintegrasian GitHub Actions dengan proyek dan saluran SageMaker. Untuk pemahaman komprehensif tentang detail implementasi, kunjungi Repositori GitHub. Jangan ragu untuk bereksperimen dengan ini dan jangan ragu untuk meninggalkan pertanyaan apa pun yang Anda miliki di bagian komentar.
Tentang Penulis
Dr.Romina Sharifpour adalah Arsitek Senior Pembelajaran Mesin dan Solusi Kecerdasan Buatan di Amazon Web Services (AWS). Dia telah menghabiskan lebih dari 10 tahun memimpin desain dan implementasi solusi end-to-end inovatif yang dimungkinkan oleh kemajuan dalam ML dan AI. Bidang minat Romina adalah pemrosesan bahasa alami, model bahasa besar, dan MLOps.
Pooya Vahidi adalah Arsitek Solusi Senior di AWS, yang memiliki minat terhadap ilmu komputer, kecerdasan buatan, dan komputasi awan. Sebagai seorang profesional AI, dia adalah anggota aktif tim Area-of-Depth AWS AI/ML. Dengan latar belakang keahlian selama lebih dari dua dekade dalam memimpin arsitektur dan rekayasa solusi berskala besar, ia membantu pelanggan dalam perjalanan transformatif mereka melalui teknologi cloud dan AI/ML.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Sanggup
- Tentang Kami
- atas
- mempercepat
- mengakses
- diakses
- dapat diakses
- demikian
- Akun
- ketepatan
- Mencapai
- di seluruh
- tindakan
- aktif
- asiklik
- menambahkan
- Tambahan
- Disesuaikan
- mengambil
- kemajuan
- Setelah
- lagi
- AI
- AI / ML
- Semua
- mengalokasikan
- mengizinkan
- memungkinkan
- sudah
- juga
- alternatif
- Amazon
- Amazon SageMaker
- Pipa Amazon SageMaker
- Amazon Web Services
- Layanan Web Amazon (AWS)
- an
- dan
- dan infrastruktur
- Apa pun
- sesuai
- persetujuan
- arsitektur
- ADALAH
- daerah
- buatan
- kecerdasan buatan
- AS
- aspek
- terkait
- Asosiasi
- At
- mengotomatisasikan
- Otomatis
- secara otomatis
- mengotomatisasi
- Otomatisasi
- tersedia
- AWS
- latar belakang
- mendasarkan
- BE
- menjadi
- sebelum
- kedua
- membangun
- Bangunan
- membangun
- dibangun di
- built-in
- by
- bernama
- CAN
- kemampuan
- katalog
- CD
- terpusat
- perubahan
- Perubahan
- Pilih
- klasik
- membersihkan
- Klik
- awan
- komputasi awan
- kode
- basis kode
- Berkolaborasi
- kolaborasi
- koleksi
- datang
- komentar
- lengkap
- penyelesaian
- kompleks
- komponen
- komponen
- luas
- komputer
- Komputer Ilmu
- komputasi
- kerahasiaan
- konfigurasi
- dikonfigurasi
- mengkonfigurasi
- koneksi
- mengingat
- secara konsisten
- terdiri
- konsul
- membangun
- mengandung
- isi
- kontinu
- kontrol
- Sesuai
- membuat
- dibuat
- menciptakan
- membuat
- penciptaan
- adat
- pelanggan
- disesuaikan
- DAG
- data
- Persiapan data
- ilmu data
- dekade
- Default
- menyampaikan
- pengiriman
- menggali
- tuntutan
- mendemonstrasikan
- menunjukkan
- ketergantungan
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- penyebaran
- deskripsi
- Mendesain
- diinginkan
- rinci
- terperinci
- rincian
- Pengembangan
- berbeda
- diarahkan
- langsung
- dibahas
- do
- domain
- Dont
- selama
- setiap
- Terdahulu
- mudah
- ekosistem
- Efektif
- efektif
- efisien
- efisien
- antara
- elemen
- menghilangkan
- aktif
- diaktifkan
- memungkinkan
- memungkinkan
- ujung ke ujung
- Titik akhir
- Teknik
- Insinyur
- memastikan
- Memastikan
- memastikan
- Enter
- Enterprise
- Seluruh
- Lingkungan Hidup
- lingkungan
- dasarnya
- menetapkan
- mapan
- menetapkan
- pembentukan
- dll
- evaluasi
- peristiwa
- contoh
- ada
- pengalaman
- eksperimen
- keahlian
- penjelajah
- memfasilitasi
- Fitur
- Fitur
- merasa
- bidang
- File
- File
- Finder
- Fokus
- terfokus
- berikut
- Untuk
- garpu
- pembentukan
- bentuk
- ditemukan
- Gratis
- Kebebasan
- dari
- fungsi
- fungsi
- menghasilkan
- dihasilkan
- mendapatkan
- pergi
- GitHub
- Memberikan
- akan
- mati
- memberikan
- grafik
- lebih besar
- Kelompok
- Grup
- Memiliki
- he
- berat
- angkat berat
- membantu
- tuan
- Rumah
- rumah
- perumahan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- ID
- identitas
- id
- if
- implementasi
- diimplementasikan
- mengimplementasikan
- in
- memasukkan
- termasuk
- Termasuk
- informasi
- Infrastruktur
- memulai
- Inisiat
- inovatif
- memasukkan
- dalam
- install
- diinstal
- contoh
- sebagai gantinya
- instruksi
- mengintegrasikan
- Terintegrasi
- Mengintegrasikan
- integrasi
- Intelijen
- interaktif
- bunga
- ke
- Memperkenalkan
- isolasi
- IT
- NYA
- Perjalanan
- jpg
- json
- hanya
- Menjaga
- terus
- kunci
- kunci-kunci
- dikenal
- bahasa
- besar
- besar-besaran
- kemudian
- jalankan
- lapisan
- lapisan
- terkemuka
- pengetahuan
- Meninggalkan
- siklus hidup
- pengangkatan
- 'like'
- garis keturunan
- LINK
- Daftar
- terletak
- tempat
- Panjang
- melihat
- terlihat seperti
- mesin
- Mesin belajar
- macos
- mempertahankan
- pemeliharaan
- membuat
- mengelola
- berhasil
- pengelolaan
- manajer
- pelaksana
- manipulasi
- panduan
- banyak
- mekanisme
- Pelajari
- anggota
- Anggota
- menu
- Metadata
- mungkin
- MIT
- ML
- MLOps
- model
- model
- Modifikasi
- memodifikasi
- pemantauan
- monitor
- lebih
- lebih efisien
- Selain itu
- beberapa
- harus
- nama
- Bernama
- nama
- asli
- Alam
- Pengolahan Bahasa alami
- Arahkan
- Navigasi
- perlu
- membutuhkan
- Perlu
- kebutuhan
- New
- produk baru
- baru saja
- berikutnya
- sekarang
- memperoleh
- of
- menawarkan
- on
- ONE
- selanjutnya
- beroperasi
- Operasi
- or
- teknik mengatur musik
- organisasi
- organisasi
- Lainnya
- kami
- lebih
- ikhtisar
- sendiri
- pemilik
- paket
- pane
- keseimbangan
- bagian
- pihak
- bergairah
- Izin
- pribadi
- pipa saluran
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- portofolio
- Pos
- kuat
- praktek
- Prediksi
- persiapan
- Mempersiapkan
- siap
- prasyarat
- sebelumnya
- Prosedur
- proses
- proses
- pengolahan
- Diproduksi
- Produk
- Produksi
- profesional
- proyek
- memprojeksikan
- meminta
- perlindungan
- memberikan
- disediakan
- menyediakan
- diterbitkan
- Dorong
- terdorong
- Ular sanca
- query
- Cepat
- Kesiapan
- siap
- real-time
- sarankan
- direkomendasikan
- arsip
- lihat
- referensi
- mencerminkan
- terdaftar
- Pendaftaran
- pendaftaran
- terkait
- relevan
- dapat diandalkan
- menghapus
- BERKALI-KALI
- gudang
- permintaan
- membutuhkan
- Persyaratan
- penelitian
- sumber
- Sumber
- masing-masing
- tanggung jawab
- dihasilkan
- menggunakan kembali
- benar
- kuat
- Peran
- peran
- akar
- Aturan
- Run
- berjalan
- pembuat bijak
- Pipa SageMaker
- sama
- Save
- Skalabilitas
- skala
- skenario
- skenario
- Ilmu
- ilmuwan
- Rahasia
- rahasia
- Bagian
- bagian
- aman
- keamanan
- melihat
- benih
- memilih
- senior
- melayani
- layanan
- Layanan
- set
- pengaturan
- pengaturan
- penyiapan
- beberapa
- dia
- harus
- Menunjukkan
- mirip
- Sederhana
- disederhanakan
- menyederhanakan
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- beberapa
- sesuatu
- sumber
- kode sumber
- ketegangan
- tertentu
- Secara khusus
- menghabiskan
- Tumpukan
- Staf
- Tahap
- magang
- pementasan
- standar
- awal
- Mulai
- Status
- Langkah
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- toko
- menyimpan
- mudah
- mempersingkat
- pelurusan
- studio
- Belajar
- selanjutnya
- berhasil
- seperti itu
- cukup
- rangkaian
- yakin
- sistem
- sistem
- MENANDAI
- tim
- Anggota tim
- tim
- Teknologi
- Template
- template
- diuji
- pengujian
- bahwa
- Grafik
- Sumber
- mereka
- kemudian
- karena itu
- Ini
- mereka
- Ketiga
- pihak ketiga
- ini
- itu
- Melalui
- di seluruh
- untuk
- bersama
- token
- alat
- alat
- puncak
- jalur
- Pelacakan
- terlatih
- Pelatihan
- Mengubah
- transformatif
- memicu
- dipicu
- dua
- mengetik
- jenis
- bawah
- memahami
- pemahaman
- unik
- Memperbarui
- upload
- atas
- us
- menggunakan
- bekas
- Pengguna
- Pengguna
- menggunakan
- Penggunaan
- dimanfaatkan
- MENGESAHKAN
- pengesahan
- nilai
- berbagai
- versi
- Versi
- melalui
- maya
- Mengunjungi
- berjalan
- ingin
- we
- jaringan
- layanan web
- berbasis web
- Situs Web
- Apa
- ketika
- yang
- sementara
- akan
- Windows
- dengan
- dalam
- Kerja
- bekerja sama
- alur kerja
- Alur kerja
- akan
- tahun
- Kamu
- Anda
- zephyrnet.dll
- Zip