Machine learning (ML)-modellen werken niet op zichzelf. Om waarde te kunnen leveren, moeten ze worden geรฏntegreerd in bestaande productiesystemen en infrastructuur, waardoor tijdens het ontwerp en de ontwikkeling rekening moet worden gehouden met de gehele ML-levenscyclus. ML-bewerkingen, bekend als MLOps, richten zich op het stroomlijnen, automatiseren en monitoren van ML-modellen gedurende hun hele levenscyclus. Het bouwen van een robuuste MLOps-pijplijn vereist cross-functionele samenwerking. Datawetenschappers, ML-ingenieurs, IT-personeel en DevOps-teams moeten samenwerken om modellen te operationaliseren, van onderzoek tot implementatie en onderhoud. Met de juiste processen en tools stelt MLOps organisaties in staat om ML op betrouwbare en efficiรซnte wijze binnen hun teams te implementeren.
Hoewel de vereisten van continue integratie en continue levering (CI/CD) pijplijnen uniek kunnen zijn en de behoeften van elke organisatie weerspiegelen, kan het schalen van MLOps-praktijken tussen teams worden vereenvoudigd door gebruik te maken van beheerde orkestraties en tools die het ontwikkelingsproces kunnen versnellen en het ongedifferentieerde zware werk kunnen wegnemen. .
Amazon SageMaker MLOps is een reeks functies die omvat Amazon SageMaker-projecten (CI/CD), Amazon SageMaker-pijpleidingen en Amazon SageMaker-modelregister.
SageMaker-pijpleidingen maakt het eenvoudig creรซren en beheren van ML-workflows mogelijk, terwijl het ook opslag- en hergebruikmogelijkheden biedt voor workflowstappen. De SageMaker-modelregister centraliseert het volgen van modellen, waardoor de implementatie van modellen wordt vereenvoudigd. SageMaker-projecten introduceert CI/CD-praktijken in ML, inclusief omgevingspariteit, versiebeheer, testen en automatisering. Dit maakt een snelle implementatie van CI/CD in uw ML-omgeving mogelijk, waardoor effectieve schaalbaarheid in uw hele onderneming wordt vergemakkelijkt.
De ingebouwde project templates door Amazon Sage Maker omvatten integratie met een aantal tools van derden, zoals Jenkins voor orkestratie en GitHub voor bronbeheer, en verschillende maken gebruik van native CI/CD-tools van AWS, zoals AWS Codecommit, AWS CodePipeline en AWS CodeBuild. In veel scenario's willen klanten SageMaker Pipelines echter graag integreren met andere bestaande CI/CD-tools en daarom hun eigen projectsjablonen op maat maken.
In dit bericht laten we u een stapsgewijze implementatie zien waarmee u het volgende kunt bereiken:
- Maak een aangepaste SageMaker MLOps-projectsjabloon die kan worden geรฏntegreerd met GitHub en GitHub Actions
- Maak uw aangepaste projectsjablonen beschikbaar in Amazon SageMaker Studio voor uw data science-team met inrichting met รฉรฉn klik
Overzicht oplossingen
In dit bericht construeren we de volgende architectuur. We creรซren een geautomatiseerde pijplijn voor het bouwen van modellen met stappen voor gegevensvoorbereiding, modeltraining, modelevaluatie en registratie van het getrainde model in het SageMaker Model Registry. Het resulterende getrainde ML-model wordt vervolgens na handmatige goedkeuring geรฏmplementeerd vanuit het SageMaker Model Registry naar staging- en productieomgevingen.
Laten we ons verdiepen in de elementen van deze architectuur om de volledige configuratie te begrijpen.
GitHub- en GitHub-acties
GitHub is een webgebaseerd platform dat versiebeheer en broncodebeheer biedt met behulp van Git. Het stelt teams in staat samen te werken aan softwareontwikkelingsprojecten, wijzigingen bij te houden en codeopslagplaatsen te beheren. GitHub fungeert als een gecentraliseerde locatie voor het opslaan, beheren en beheren van uw ML-codebasis. Dit zorgt ervoor dat uw ML-codebasis en pijplijnen versiebeheer hebben, gedocumenteerd zijn en toegankelijk zijn voor teamleden.
GitHub-acties is een krachtige automatiseringstool binnen het GitHub-ecosysteem. Hiermee kunt u aangepaste workflows creรซren die de levenscyclusprocessen van uw softwareontwikkeling automatiseren, zoals het bouwen, testen en implementeren van code. U kunt gebeurtenisgestuurde workflows maken die worden geactiveerd door specifieke gebeurtenissen, bijvoorbeeld wanneer code naar een opslagplaats wordt gepusht of een pull-verzoek wordt gemaakt. Bij het implementeren van MLOps kunt u GitHub Actions gebruiken om verschillende fasen van de ML-pijplijn te automatiseren, zoals:
- Gegevensvalidatie en voorverwerking
- Modeltraining en evaluatie
- Modelimplementatie en monitoring
- CI/CD voor ML-modellen
Met GitHub Actions kunt u uw ML-workflows stroomlijnen en ervoor zorgen dat uw modellen consistent worden gebouwd, getest en geรฏmplementeerd, wat leidt tot efficiรซntere en betrouwbaardere ML-implementaties.
In de volgende secties beginnen we met het opstellen van de vereisten met betrekking tot enkele componenten die we gebruiken als onderdeel van deze architectuur:
- AWS CloudFormatie - AWS CloudFormatie initieert de modelimplementatie en brengt de SageMaker-eindpunten tot stand nadat de modelimplementatiepijplijn is geactiveerd door de goedkeuring van het getrainde model.
- AWS CodeStar-verbinding - We gebruiken AWS CodeStar om een โโlink tot stand te brengen met de GitHub-repository en deze te gebruiken als coderepository-integratie met AWS-bronnen, zoals SageMaker Studio.
- Amazon EventBridge - Amazon EventBridge houdt alle wijzigingen in het modelregister bij. Het onderhoudt ook een regel die de Lambda-functie ertoe aanzet de modelpijplijn te implementeren wanneer de status van de modelpakketversie verandert van
PendingManualApproval
naarApproved
binnen het modelregister. - AWS Lambda โ We gebruiken een AWS Lambda functie om de werkstroom voor modelimplementatie in GitHub Actions te initiรซren nadat een nieuw model in het modelregister is geregistreerd.
- Amazon Sage Maker โ We configureren de volgende SageMaker-componenten:
- Pijpleiding โ Dit onderdeel bestaat uit een gerichte acyclische grafiek (DAG) die ons helpt bij het bouwen van de geautomatiseerde ML-workflow voor de fasen van gegevensvoorbereiding, modeltraining en modelevaluatie. Het modelregister houdt gegevens bij van modelversies, de bijbehorende artefacten, afstamming en metagegevens. Er wordt een modelpakketgroep opgezet waarin alle gerelateerde modelversies zijn ondergebracht. Het modelregister is ook verantwoordelijk voor het beheer van de goedkeuringsstatus van de modelversie voor latere implementatie.
- Endpoint โ Met dit onderdeel worden twee realtime HTTPS-eindpunten ingesteld voor gevolgtrekking. De hostingconfiguratie kan bijvoorbeeld worden aangepast voor batchtransformatie of asynchrone inferentie. Het staging-eindpunt wordt gegenereerd wanneer de modelimplementatiepijplijn wordt geactiveerd door de goedkeuring van het getrainde model uit het SageMaker Model Registry. Dit eindpunt wordt gebruikt om het geรฏmplementeerde model te valideren door ervoor te zorgen dat het voorspellingen levert die voldoen aan onze nauwkeurigheidsnormen. Wanneer het model wordt voorbereid voor productie-implementatie, wordt een productie-eindpunt geรฏmplementeerd via een handmatige goedkeuringsfase in de GitHub Actions-workflow.
- repository code โ Hiermee wordt een Git-repository aangemaakt als bron in uw SageMaker-account. Met behulp van de bestaande gegevens uit de GitHub-coderepository die u invoert tijdens het maken van uw SageMaker-project, wordt er een koppeling met dezelfde repository tot stand gebracht in SageMaker wanneer u het project start. Dit vormt in wezen een koppeling met een GitHub-repository in SageMaker, waardoor interactieve acties (pull/push) met uw repository mogelijk zijn.
- Modelregister โ Hiermee worden de verschillende versies van het model en de bijbehorende artefacten bewaakt, inclusief afstamming en metadata. Een verzameling bekend als a model pakketgroep is gemaakt, waarin gerelateerde versies van het model zijn ondergebracht. Bovendien houdt het modelregister toezicht op de goedkeuringsstatus van de modelversie, zodat deze gereed is voor latere implementatie.
- AWS-geheimenmanager โ Om uw persoonlijke toegangstoken van GitHub veilig te bewaren, is het noodzakelijk om een โโgeheim in te stellen AWS-geheimenmanager en plaats uw toegangstoken daarin.
- AWS-servicecatalogus - Wij gebruiken de AWS-servicecatalogus voor de implementatie van SageMaker-projecten, waaronder componenten zoals een SageMaker-coderepository, Lambda-functie, EventBridge-regel, artefact S3-bucket, enz., allemaal geรฏmplementeerd via CloudFormation. Hierdoor kan uw organisatie projectsjablonen herhaaldelijk gebruiken, projecten aan elke gebruiker toewijzen en de activiteiten stroomlijnen.
- Amazon S3 โ We gebruiken een Amazon eenvoudige opslagservice (Amazon S3) emmer om de door de pijpleiding geproduceerde modelartefacten te behouden.
Voorwaarden
U moet de volgende vereisten hebben:
U moet ook aanvullende installatiestappen voltooien voordat u de oplossing implementeert.
Zet een AWS CodeStar-verbinding op
Als je nog geen AWS CodeStar-verbinding met je GitHub-account hebt, raadpleeg dan Maak een verbinding met GitHub voor instructies om er een te maken. Uw AWS CodeStar-verbinding ARN ziet er als volgt uit:
In dit voorbeeld aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
is de unieke ID voor deze verbinding. We gebruiken deze ID wanneer we later in dit voorbeeld ons SageMaker-project maken.
Stel geheime toegangssleutels in voor uw GitHub-token
Om uw persoonlijke toegangstoken van GitHub veilig op te slaan, moet u een geheim aanmaken in Secrets Manager. Als u geen persoonlijk toegangstoken voor GitHub hebt, raadpleegt u Beheer uw persoonlijke toegangstokens voor instructies om er een te maken.
U kunt een klassiek of een gedetailleerd toegangstoken maken. Zorg er echter voor dat het token toegang heeft tot de inhoud en acties van de repository (workflows, uitvoeringen en artefacten).
Voer de volgende stappen uit om uw token op te slaan in Secrets Manager:
- Kies op de Secrets Manager-console Bewaar een nieuw geheim.
- kies Ander soort geheim For Kies geheim type.
- Geef een naam op voor uw geheim in het sleutel veld en voeg uw persoonlijke toegangstoken toe aan het bijbehorende Waarde veld.
- Kies Volgende, voer een naam in voor uw geheim en kies Volgende weer.
- Kies Shop om je geheim te bewaren.
Door uw persoonlijke toegangstoken van GitHub op te slaan in Secrets Manager, kunt u er veilig toegang toe krijgen binnen uw MLOps-pijplijn, terwijl de vertrouwelijkheid ervan wordt gewaarborgd.
Maak een IAM-gebruiker voor GitHub Actions
Om GitHub Actions SageMaker-eindpunten in uw AWS-omgeving te laten implementeren, moet u een AWS Identiteits- en toegangsbeheer (IAM)-gebruiker en verleen deze de benodigde machtigingen. Voor instructies, zie Een IAM-gebruiker aanmaken in uw AWS-account. Gebruik de iam/GithubActionsMLOpsExecutionPolicy.json
bestand (opgenomen in de codevoorbeeld:) om deze gebruiker voldoende machtigingen te geven om uw eindpunten te implementeren.
Nadat u de IAM-gebruiker heeft aangemaakt, een toegangssleutel genereren. Deze sleutel, die bestaat uit zowel een toegangssleutel-ID als een geheime toegangssleutel, gebruikt u in de volgende stap bij het configureren van uw GitHub-geheimen.
Stel uw GitHub-account in
Hieronder volgen de stappen om uw GitHub-account voor te bereiden om dit voorbeeld uit te voeren.
Kloon de GitHub-repository
Voor dit voorbeeld kunt u een bestaande GitHub-opslagplaats hergebruiken. Het is echter eenvoudiger als u een nieuwe repository maakt. Deze repository gaat alle broncode bevatten voor zowel de builds als de implementaties van de SageMaker-pijplijn.
Kopieer de inhoud van de zaadcodemap naar de hoofdmap van uw GitHub-repository. Bijvoorbeeld de .github
map moet zich onder de hoofdmap van uw GitHub-repository bevinden.
Maak een GitHub-geheim met uw IAM-gebruikerstoegangssleutel
In deze stap slaan we de toegangssleutelgegevens van de nieuw aangemaakte gebruiker op in onze GitHub-geheim.
- Navigeer op de GitHub-website naar uw repository en kies Instellingen.
- Selecteer in het gedeelte Beveiliging Geheimen en variabelen En kies Acties.
- Kies Nieuw repositorygeheim.
- Voor Naam, ga naar binnen
AWS_ACCESS_KEY_ID
- Voor GeheimVoer de toegangssleutel-ID in die is gekoppeld aan de IAM-gebruiker die u eerder hebt gemaakt.
- Kies Geheim toevoegen.
- Herhaal dezelfde procedure voor
AWS_SECRET_ACCESS_KEY
Configureer uw GitHub-omgevingen
Om een โโhandmatige goedkeuringsstap in onze implementatiepijplijnen te creรซren, gebruiken we a GitHub-omgeving. Voer de volgende stappen uit:
- Navigeer naar de Instellingen, omgevingen menu van uw GitHub-repository en maak een nieuwe omgeving met de naam productie.
- Voor Regels voor milieubeschermingselecteer Vereiste recensenten.
- Voeg de gewenste GitHub-gebruikersnamen toe als reviewers. Voor dit voorbeeld kunt u uw eigen gebruikersnaam kiezen.
Houd er rekening mee dat de omgevingsfunctie niet beschikbaar is in sommige typen GitHub-abonnementen. Voor meer informatie, zie Omgevingen gebruiken voor implementatie.
Implementeer de Lambda-functie
In de volgende stappen comprimeren we lambda_function.py
naar een .zip-bestand, dat vervolgens wordt geรผpload naar een S3-bucket.
Het relevante codevoorbeeld hiervoor vindt u hieronder GitHub repo. Met name de lambda_function.py
ligt in het lambda_functions/lambda_github_workflow_trigger directory.
Het wordt aanbevolen om een โโfork van het codevoorbeeld te maken en die in plaats daarvan te klonen. Dit geeft je de vrijheid om de code aan te passen en te experimenteren met verschillende aspecten van het voorbeeld.
- Nadat u een kopie van de code hebt verkregen, navigeert u naar de juiste map en gebruikt u de
zip
opdracht om te comprimerenlambda_function.py
. Zowel Windows- als MacOS-gebruikers kunnen hun eigen bestandsbeheersysteem, respectievelijk Bestandsverkenner of Finder, gebruiken om een โโ.zip-bestand te genereren.
- Upload de
lambda-github-workflow-trigger.zip
naar een S3-bak.
Deze bucket is later toegankelijk voor Service Catalog. U kunt elke bucket kiezen waartoe u toegang heeft, zolang Service Catalog er in de volgende stappen gegevens uit kan ophalen.
Vanaf deze stap vereisen we dat de AWS CLI v2 wordt geรฏnstalleerd en geconfigureerd. Een alternatief zou zijn om AWS CloudShell te gebruiken, waarbij alle benodigde tools vooraf zijn geรฏnstalleerd, waardoor er geen extra configuraties nodig zijn.
- Gebruik de volgende opdracht om het bestand naar de S3-bucket te uploaden:
Nu construeren we een Lambda-laag voor de afhankelijkheden gerelateerd aan de lambda_function
we hebben net geรผpload.
- Zet een virtuele Python-omgeving op en installeer de afhankelijkheden:
- Genereer het .zip-bestand met de volgende opdrachten:
- Publiceer de laag naar AWS:
Nu deze laag is gepubliceerd, kunnen al uw Lambda-functies er nu naar verwijzen om aan hun afhankelijkheden te voldoen. Voor een meer gedetailleerd begrip van Lambda-lagen, zie Werken met Lambda-lagen.
Maak een aangepaste projectsjabloon in SageMaker
Na voltooiing van alle bovenstaande stappen beschikken we over alle CI/CD-pijplijnbronnen en -componenten. Vervolgens demonstreren we hoe we deze bronnen beschikbaar kunnen maken als een aangepast project binnen de SageMaker Studio, toegankelijk via implementatie met รฉรฉn klik.
Zoals eerder besproken, wanneer de door SageMaker geleverde sjablonen niet aan uw behoeften voldoen (u wilt bijvoorbeeld een complexere orkestratie in CodePipeline hebben met meerdere fasen, aangepaste goedkeuringsstappen of om te integreren met een tool van derden zoals GitHub en GitHub-acties gedemonstreerd in dit bericht), kunt u uw eigen sjablonen maken. We raden u aan te beginnen met de door SageMaker geleverde sjablonen om te begrijpen hoe u uw code en bronnen kunt organiseren en er bovenop kunt bouwen. Voor meer details, zie Maak aangepaste projectsjablonen.
Houd er rekening mee dat u deze stap ook kunt automatiseren en in plaats daarvan de CloudFormation kunt gebruiken om de Service Catalog-portfolio en het product via code te implementeren. Voor een betere leerervaring laten we u in dit bericht echter de console-implementatie zien.
In dit stadium gebruiken we de meegeleverde CloudFormation-sjabloon om een โโservicecatalogusportfolio te maken waarmee we aangepaste projecten in SageMaker kunnen maken.
U kunt een nieuw domein maken of uw SageMaker-domein hergebruiken voor de volgende stappen. Als u geen domein heeft, raadpleeg dan Onboard naar Amazon SageMaker Domain met behulp van Snelle installatie voor installatie-instructies.
Nadat u beheerderstoegang tot de SageMaker-sjablonen hebt ingeschakeld, voert u de volgende stappen uit:
- Op de Service Catalog-console, onder Administratie in het navigatievenster, kies Portfolio's.
- Kies Maak een nieuw portfolio.
- Noem het portfolio โSageMaker Organization Templatesโ.
- Download de sjabloon.yml bestand naar uw computer.
Deze Cloud Formation-sjabloon voorziet in alle CI/CD-bronnen die we nodig hebben als configuratie en infrastructuur als code. U kunt de sjabloon gedetailleerder bestuderen om te zien welke resources als onderdeel ervan worden ingezet. Deze sjabloon is aangepast om te integreren met GitHub en GitHub Actions.
- In het
template.yml
bestand, verander hetS3Bucket
waarde toevoegen aan uw bucket waar u het Lambda .zip-bestand hebt geรผpload:
- Kies het nieuwe portfolio.
- Kies Upload een nieuw product.
- Voor Productnaamยธ voer een naam in voor uw sjabloon. Wij gebruiken de naam
build-deploy-github
. - Voor Omschrijving, voer een beschrijving in.
- Voor Eigenaar, Vul uw naam in.
- Onder Versie detailsvoor Methode, kiezen Gebruik een sjabloonbestand.
- Kies Upload een sjabloon.
- Upload de sjabloon die u heeft gedownload.
- Voor Versie titel, kiezen 1.0.
- Kies Beoordeling.
- Controleer uw instellingen en kies Maak een product.
- Kies verversen om het nieuwe product te vermelden.
- Kies het product dat u zojuist heeft gemaakt.
- Op de Tags tab, voeg de volgende tag toe aan het product:
- sleutel =
sagemaker:studio-visibility
- Waarde =
true
- sleutel =
Terug in de portfoliodetails zou u iets moeten zien dat lijkt op de volgende schermafbeelding (met verschillende ID's).
- Op de beperkingen tabblad, kies Creรซer een beperking.
- Voor Product, kiezen
build-deploy-github
(het product dat u zojuist hebt gemaakt). - Voor Beperking type, kies Lancering.
- Onder Beperking bij startenvoor Methode, kiezen Selecteer IAM-rol.
- Kies
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Kies creรซren.
- Op de Groepen, rollen en gebruikers tabblad, kies Voeg groepen, rollen, gebruikers toe.
- Op de rollen Selecteer op het tabblad de rol die u hebt gebruikt bij het configureren van uw SageMaker Studio-domein. Dit is waar de SageMaker-domeinrol te vinden is.
- Kies Toegang toevoegen.
Implementeer het project vanuit SageMaker Studio
In de voorgaande secties hebt u de aangepaste MLOps-projectomgeving voorbereid. Laten we nu een project maken met behulp van deze sjabloon:
- Navigeer op de SageMaker-console naar het domein waarvoor u dit project wilt maken.
- Op de Lancering menu, kies studio.
U wordt doorgestuurd naar de SageMaker Studio-omgeving.
- In SageMaker Studio, in het navigatievenster onder implementaties, kiezen Projecten.
- Kies Maak een project aan.
- Kies bovenaan de lijst met sjablonen Organisatie sjablonen.
Als u alle voorgaande stappen met succes heeft doorlopen, zou u een nieuwe aangepaste projectsjabloon met de naam moeten kunnen zien Build-Deploy-GitHub
.
- Selecteer dat sjabloon en kies Selecteer Projectsjabloon.
- Voer een optionele beschrijving in.
- Voor Naam van eigenaar van GitHub-repositoryVoer de eigenaar van uw GitHub-repository in. Als uw repository zich bijvoorbeeld op
https://github.com/pooyavahidi/my-repo
, de eigenaar zou zijnpooyavahidi
. - Voor GitHub-repositorynaam, voer de naam in van de repository waarnaar u de zaadcode hebt gekopieerd. Het zou alleen de naam van de repo zijn. Bijvoorbeeld, binnen
https://github.com/pooyavahidi/my-repo
, de repository ismy-repo
. - Voor Unieke ID van Codestar-verbindingVoer de unieke ID in van de AWS CodeStar-verbinding die u heeft gemaakt.
- Voor Naam van het geheim in de Secrets Manager waarin het GitHub-token wordt opgeslagen, voer de naam van het geheim in Secrets Manager in waar u het GitHub-token hebt gemaakt en opgeslagen.
- Voor GitHub-werkstroombestand voor implementatie, voer de naam in van het GitHub-workflowbestand (at
.github/workflows/deploy.yml
) waar u de implementatie-instructies vindt. Voor dit voorbeeld kunt u dit als standaard behoudendeploy.yml
. - Kies Maak een project aan.
- Zorg ervoor dat u, nadat u uw project heeft gemaakt, de
AWS_REGION
enSAGEMAKER_PROJECT_NAME
omgevingsvariabelen in uw GitHub-workflowbestanden dienovereenkomstig. Workflow-bestanden bevinden zich in uw GitHub-opslagplaats (gekopieerd uit de zaadcode), in de.github/workflows
map. Zorg ervoor dat u beide bijwerktbuild.yml
endeploy.yml
bestanden.
Nu is uw omgeving klaar voor gebruik! U kunt de pijplijnen rechtstreeks uitvoeren, wijzigingen aanbrengen en deze wijzigingen naar uw GitHub-opslagplaats pushen om de geautomatiseerde bouwpijplijn te activeren en te zien hoe alle stappen van het bouwen en implementeren worden geautomatiseerd.
Opruimen
Voer de volgende stappen uit om de bronnen op te ruimen:
- Verwijder de CloudFormation-stacks die worden gebruikt voor het SageMaker-project en de SageMaker-eindpunten.
- Verwijder het SageMaker-domein.
- Verwijder de servicecatalogusresources.
- Verwijder de AWS CodeStar-verbindingslink met de GitHub-repository.
- Verwijder de IAM-gebruiker die u voor GitHub Actions hebt gemaakt.
- Verwijder het geheim in Secrets Manager waarin de persoonlijke toegangsgegevens van GitHub zijn opgeslagen.
Samengevat
In dit bericht hebben we het proces doorlopen van het gebruik van een aangepaste SageMaker MLOps-projectsjabloon om automatisch een CI/CD-pijplijn te construeren en te organiseren. Deze pijplijn integreert effectief uw bestaande CI/CD-mechanismen met SageMaker-mogelijkheden voor gegevensmanipulatie, modeltraining, modelgoedkeuring en modelimplementatie. In ons scenario hebben we ons gericht op het integreren van GitHub Actions met SageMaker-projecten en -pijplijnen. Voor een uitgebreid inzicht in de implementatiedetails kunt u terecht op de website GitHub-repository. Voel je vrij om hiermee te experimenteren en aarzel niet om eventuele vragen achter te laten in het opmerkingengedeelte.
Over de auteurs
Dr. Romina Sharifpour is een Senior Machine Learning en Artificial Intelligence Solutions Architect bij Amazon Web Services (AWS). Ze heeft ruim tien jaar leiding gegeven aan het ontwerp en de implementatie van innovatieve end-to-end-oplossingen, mogelijk gemaakt door de vooruitgang op het gebied van ML en AI. Romina's interessegebieden zijn natuurlijke taalverwerking, grote taalmodellen en MLOps.
Pooya Vahidi is een Senior Solutions Architect bij AWS, met een passie voor informatica, kunstmatige intelligentie en cloud computing. Als AI-professional is hij actief lid van het AWS AI/ML Area-of-Depth-team. Met een achtergrond van ruim twintig jaar ervaring in het leiden van de architectuur en engineering van grootschalige oplossingen, helpt hij klanten op hun transformatieve traject via cloud- en AI/ML-technologieรซn.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- : heeft
- :is
- :niet
- :waar
- $UP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- in staat
- Over
- boven
- versnellen
- toegang
- geraadpleegde
- beschikbaar
- dienovereenkomstig
- Account
- nauwkeurigheid
- Bereiken
- over
- acties
- actieve
- acyclische
- toevoegen
- Extra
- gecorrigeerd
- adopteren
- vooruitgang
- Na
- weer
- AI
- AI / ML
- Alles
- toewijzen
- toelaten
- toestaat
- al
- ook
- alternatief
- Amazone
- Amazon Sage Maker
- Amazon SageMaker-pijpleidingen
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- en
- en infrastructuur
- elke
- passend
- goedkeuring
- architectuur
- ZIJN
- gebieden
- kunstmatig
- kunstmatige intelligentie
- AS
- aspecten
- geassocieerd
- Vereniging
- At
- automatiseren
- geautomatiseerde
- webmaster.
- automatiseren
- Automatisering
- Beschikbaar
- AWS
- achtergrond
- baseren
- BE
- geweest
- vaardigheden
- zowel
- bouw
- Gebouw
- bouwt
- bebouwd
- ingebouwd
- by
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- CAN
- mogelijkheden
- catalogus
- CD
- gecentraliseerde
- verandering
- Wijzigingen
- Kies
- klassiek
- schoon
- Klik
- Cloud
- cloud computing
- code
- codebasis
- samenwerken
- samenwerking
- Collectie
- komt
- opmerkingen
- compleet
- voltooiing
- complex
- bestanddeel
- componenten
- uitgebreid
- computer
- Computer Science
- computergebruik
- vertrouwelijkheid
- Configuratie
- geconfigureerd
- configureren
- versterken
- aangezien
- consistent
- bestaat uit
- troosten
- bouwen
- bevatten
- inhoud
- doorlopend
- onder controle te houden
- Overeenkomend
- en je merk te creรซren
- aangemaakt
- creรซert
- Wij creรซren
- het aanmaken
- gewoonte
- Klanten
- aangepaste
- DAG
- gegevens
- Data voorbereiding
- data science
- decennia
- Standaard
- leveren
- levering
- delven
- eisen
- tonen
- gedemonstreerd
- afhankelijkheden
- implementeren
- ingezet
- het inzetten
- inzet
- implementaties
- beschrijving
- Design
- gewenste
- detail
- gedetailleerd
- gegevens
- Ontwikkeling
- anders
- gerichte
- direct
- besproken
- do
- domein
- Dont
- gedurende
- elk
- Vroeger
- gemakkelijker
- ecosysteem
- effectief
- effectief
- doeltreffend
- efficiรซnt
- beide
- geeft je de mogelijkheid
- elimineren
- in staat stellen
- ingeschakeld
- maakt
- waardoor
- eind tot eind
- Endpoint
- Engineering
- Ingenieurs
- verzekeren
- waarborgt
- zorgen
- Enter
- Enterprise
- Geheel
- Milieu
- omgevingen
- in wezen
- oprichten
- gevestigd
- vestigt
- etablissement
- etc
- evaluatie
- EVENTS
- voorbeeld
- bestaand
- ervaring
- experiment
- expertise
- ontdekkingsreiziger
- faciliterende
- Kenmerk
- Voordelen
- voelen
- veld-
- Dien in
- Bestanden
- vinder
- Focus
- gericht
- volgend
- Voor
- vork
- vorming
- formulieren
- gevonden
- Gratis
- Vrijheid
- oppompen van
- functie
- functies
- voortbrengen
- gegenereerde
- krijgen
- Git
- GitHub
- Geven
- gaan
- weg
- toe te kennen
- diagram
- meer
- Groep
- Groep
- Hebben
- he
- zwaar
- zwaar tillen
- helpt
- Hosting
- Huis
- huizen
- behuizing
- Hoe
- How To
- Echter
- HTML
- http
- HTTPS
- ID
- Identiteit
- ids
- if
- uitvoering
- geรฏmplementeerd
- uitvoering
- in
- omvatten
- omvat
- Inclusief
- informatie
- Infrastructuur
- beginnen
- ingewijden
- innovatieve
- invoer
- binnen
- installeren
- geรฏnstalleerd
- instantie
- verkrijgen in plaats daarvan
- instructies
- integreren
- integreert
- Integreren
- integratie
- Intelligentie
- interactieve
- belang
- in
- Introduceert
- isolatie
- IT
- HAAR
- Journeys
- jpg
- json
- voor slechts
- Houden
- houdt
- sleutel
- toetsen
- bekend
- taal
- Groot
- grootschalig
- later
- lancering
- lagen
- Legkippen
- leidend
- leren
- Verlof
- levenscyclus van uw product
- facelift
- als
- afstamming
- LINK
- Lijst
- gelegen
- plaats
- lang
- Kijk
- ziet eruit als
- machine
- machine learning
- macos
- onderhoudt
- onderhoud
- maken
- beheer
- beheerd
- management
- manager
- beheren
- Manipulatie
- handboek
- veel
- mechanismen
- Maak kennis met
- lid
- Leden
- Menu
- Metadata
- macht
- MIT
- ML
- MLops
- model
- modellen
- wijzigingen
- wijzigen
- Grensverkeer
- monitors
- meer
- efficiรซnter
- Bovendien
- meervoudig
- Dan moet je
- naam
- Genoemd
- namen
- inheemse
- Naturel
- Natural Language Processing
- OP DEZE WEBSITE VIND JE
- Navigatie
- noodzakelijk
- vereist
- Noodzaak
- behoeften
- New
- nieuw product
- onlangs
- volgende
- nu
- verkrijgen
- of
- het aanbieden van
- on
- EEN
- verder
- besturen
- Operations
- or
- orkestratie
- organisatie
- organisaties
- Overige
- onze
- over
- overzicht
- het te bezitten.
- eigenaar
- pakket
- brood
- pariteit
- deel
- feest
- hartstochtelijk
- permissies
- persoonlijk
- pijpleiding
- plannen
- platform
- Plato
- Plato gegevensintelligentie
- PlatoData
- portfolio
- Post
- krachtige
- praktijken
- Voorspellingen
- voorbereiding
- Voorbereiden
- bereid
- vereisten
- vorig
- procedures
- processen
- verwerking
- geproduceerd
- Product
- productie
- professioneel
- project
- projecten
- prompts
- bescherming
- zorgen voor
- mits
- biedt
- gepubliceerde
- Duwen
- geduwd
- Python
- queries
- Quick
- gereedheid
- klaar
- real-time
- adviseren
- aanbevolen
- archief
- verwijzen
- referentie
- reflecteren
- geregistreerd
- Registratie
- register
- verwant
- relevante
- betrouwbaar
- verwijderen
- HERHAALDELIJK
- bewaarplaats
- te vragen
- vereisen
- Voorwaarden
- onderzoek
- hulpbron
- Resources
- respectievelijk
- verantwoordelijk
- verkregen
- hergebruiken
- rechts
- robuust
- Rol
- rollen
- wortel
- Regel
- lopen
- loopt
- sagemaker
- SageMaker-pijpleidingen
- dezelfde
- Bespaar
- Schaalbaarheid
- scaling
- scenario
- scenario's
- Wetenschap
- wetenschappers
- Geheim
- geheimen
- sectie
- secties
- vast
- veiligheid
- zien
- zaad
- kiezen
- senior
- bedient
- service
- Diensten
- Sets
- het instellen van
- settings
- setup
- verscheidene
- ze
- moet
- tonen
- gelijk
- Eenvoudig
- vereenvoudigd
- vereenvoudigen
- Software
- software development
- oplossing
- Oplossingen
- sommige
- iets
- bron
- broncode
- overspannen
- specifiek
- specifiek
- besteed
- Stacks
- Medewerkers
- Stadium
- stadia
- regie
- normen
- begin
- Start
- Status
- Stap voor
- Stappen
- mediaopslag
- shop
- opgeslagen
- winkels
- bewaartemperatuur
- eenvoudig
- gestroomlijnd
- stroomlijnen
- studio
- Studie
- volgend
- Met goed gevolg
- dergelijk
- voldoende
- suite
- zeker
- system
- Systems
- TAG
- team
- Leden van het team
- teams
- Technologies
- sjabloon
- templates
- getest
- Testen
- dat
- De
- De Bron
- hun
- harte
- daarom
- Deze
- ze
- Derde
- van derden
- dit
- die
- Door
- overal
- naar
- samen
- teken
- tools
- tools
- top
- spoor
- Tracking
- getraind
- Trainingen
- Transformeren
- transformatieve
- leiden
- veroorzaakt
- twee
- type dan:
- types
- voor
- begrijpen
- begrip
- unieke
- bijwerken
- geรผpload
- op
- us
- .
- gebruikt
- Gebruiker
- gebruikers
- gebruik
- gebruik maken van
- gebruikt
- BEVESTIG
- bevestiging
- waarde
- divers
- versie
- versies
- via
- Virtueel
- Bezoek
- wandelde
- willen
- we
- web
- webservices
- Web-based
- Website
- Wat
- wanneer
- welke
- en
- wil
- ruiten
- Met
- binnen
- Mijn werk
- samenwerken
- workflow
- workflows
- zou
- jaar
- You
- Your
- zephyrnet
- Postcode