یکی از چالش های اصلی در اجرای پروژه یادگیری ماشینی (ML) تنوع و تعداد بالای مصنوعات و ابزارهای توسعه استفاده شده است. این شامل کد در نوت بوک ها، ماژول های پردازش و تبدیل داده ها، پیکربندی محیط، خط لوله استنتاج و کد هماهنگی است. در بارهای کاری تولید، مدل ML ایجاد شده در چارچوب توسعه شما تقریباً هرگز پایان کار نیست، بلکه بخشی از یک برنامه یا گردش کار بزرگتر است.
چالش دیگر ماهیت متنوع فعالیت های توسعه ML است که توسط نقش های مختلف کاربر انجام می شود. به عنوان مثال، مهندس DevOps اجزای زیرساختی مانند اتوماسیون CI/CD را توسعه میدهد، خطوط لوله استنتاج تولید را ایجاد میکند و امنیت و شبکه را پیکربندی میکند. مهندس داده معمولاً بر روی پردازش داده ها و جریان های کاری تبدیل متمرکز است. دانشمند داده یا مهندس ML مدل های ML و خطوط لوله ساخت، آموزش و اعتبارسنجی مدل را ارائه می دهد.
این چالشها به معماری و چارچوبی نیاز دارند که جداسازی نگرانیها را با اجازه دادن به هر یک از نقشهای توسعهدهنده برای کار بر روی بخش خود از سیستم تسهیل میکند و پیچیدگی یکپارچهسازی، امنیت و پیکربندی محیط را پنهان میکند.
این پست نشان می دهد که چگونه یک معماری مبتنی بر مولفه مدولار را در برنامه ML خود با پیاده سازی اجزای قابل استفاده مجدد، مستقل و سازگار با آمازون SageMaker.
بررسی اجمالی راه حل
به عنوان مثالی از یک گردش کار ML که چندین حوزه توسعه را در بر می گیرد، راه حل پیشنهادی یک مورد استفاده از یک خط لوله خودکار را برای تبدیل داده، استخراج ویژگی و جذب در آن پیاده سازی می کند. فروشگاه ویژگی آمازون SageMaker.
در سطح بالا، گردش کار شامل مراحل عملکردی زیر است:
- یک جزء جذب داده بالادست، اشیاء داده را در یک آپلود می کند سرویس ذخیره سازی ساده آمازون سطل (Amazon S3).
- رویداد آپلود داده یک فرآیند پردازش و تبدیل داده را راه اندازی می کند.
- فرآیند تبدیل دادهها ویژگیها را استخراج، پردازش و تبدیل میکند و آنها را به یک مشخصه وارد میکند گروه ویژگی در فروشگاه ویژه
واژگان
این بخش مفاهیم و تعاریف مهم زیر را معرفی می کند.
جزء ML
An جزء ML یک واحد ساخت و ساز است که شامل تمام منابع، پیکربندی و گردش کار مورد نیاز برای انجام یک کار خاص ML است. به عنوان مثال، خط لوله انتقال داده و انتقال داده پیشنهادی را می توان به عنوان یک جزء ML تحویل داد. اجزای ML قابلیت یکپارچه سازی بهتری دارند تا به شما در پیاده سازی برنامه های کاربردی ML قابل تکرار، کنترل شده و ایمن کمک کنند. یک جزء ML میتواند تمام کدهای دیگ بخار مورد نیاز برای تنظیم صحیح مجوزهای دسترسی به داده، کلیدهای امنیتی، برچسبگذاری، نامگذاری، و الزامات ثبتنام برای همه منابع را کپسوله کند.
فرآیند پیادهسازی یک جزء ML فرض میکند که یک تیم اختصاصی DevOps یا MLOps طراحی، ساخت، آزمایش و توزیع اجزا را انجام میدهد. دریافت کنندگان اجزای ML، دانشمندان داده، مهندسان داده و مهندسان ML هستند.
این تفکیک مسئولیتهای توسعه، چابکی بالاتر، زمان سریعتر برای عرضه به بازار، و وزنهبرداری دستی کمتر را به ارمغان میآورد و منجر به کیفیت و ثبات بیشتر گردشهای کاری ML شما میشود.
پروژه آمازون SageMaker
SageMaker توسعه و توزیع مؤلفههای ML را تسهیل میکند پروژه های SageMaker.
SageMaker پروژه مجموعه ای خودکفا از منابع است که می تواند توسط کاربران مجاز نمونه سازی و استفاده شود. یک پروژه شامل تمام منابع، مصنوعات، کد منبع، هماهنگی و مجوزهایی است که برای انجام یک کار یا گردش کار تعیین شده ML مورد نیاز است. به عنوان مثال، SageMaker فراهم می کند الگوهای پروژه MLOps برای خودکارسازی راه اندازی و اجرای MLOps برای برنامه های شما.
می توانید الف را پیاده سازی کنید قالب پروژه سفارشی SageMaker برای ارائه یک گردش کار بسته بندی شده ML، که می تواند از طریق یک توزیع و ارائه شود Amazon SageMaker Studio IDE
هنگامی که اجزای قابل استفاده مجدد سفارشی را با پروژه های SageMaker پیاده سازی می کنید، می توانید فرآیند توسعه، آزمایش و توزیع اجزای ML را از استخدام آنها جدا کنید و بهترین شیوه های MLOps را دنبال کنید.
نمونه کارها محصول
یک پروژه همراه با دو سرویس AWS دیگر کار می کند، کاتالوگ خدمات AWS و AWS CloudFormation، برای ارائه یک ادغام سرتاسر و کاربرپسند در محیط و استودیو SageMaker شما. می توانید چندین پروژه را در یک ترکیب کنید مقام. یک پروژه SageMaker نامیده می شود تولید - محصول در محدوده نمونه کارها یک سبد محصول از طریق کاتالوگ خدمات AWS به استودیو تحویل داده می شود. میتوانید با مرتبط کردن نقشهای کاربر با یک نمونه کار مشخص، کنترل کنید چه کسی میتواند محصولات خاص را مشاهده و ارائه کند.
معماری راه حل
معماری جزئی اجزای راه حل در نمودار زیر ارائه شده است.
یک نمونه کار محصول (1) محصول جذب دادههای فروشگاه ویژگی خودکار (2) را به همراه نقشهای کاربری مرتبط که مجاز به استفاده از نمونه کارها و محصولات حاوی آن هستند، تعریف میکند. الگوهای CloudFormation هم سبد محصول (1) و هم محصول (2) را تعریف می کنند. یک الگوی CloudFormation (3) حاوی تمام منابع، کد منبع، پیکربندی، و مجوزهایی است که برای ارائه محصول در محیط SageMaker شما مورد نیاز است.
هنگامی که AWS CloudFormation محصول را مستقر می کند، یک پروژه SageMaker جدید ایجاد می کند (4).
پروژه SageMaker گردش کار جذب ویژگی (5) را پیاده سازی می کند. گردش کار شامل یک AWS لامبدا تابع، که توسط یک راه اندازی می شود پل رویداد آمازون هر بار که اشیاء جدید در سطل S3 نظارت شده آپلود می شوند، قانون را رعایت کنید. تابع لامبدا a شروع می شود خط لوله SageMaker (6)، که به عنوان بخشی از پروژه SageMaker تعریف و ارائه شده است. خط لوله تبدیل و جذب داده ها را در Feature Store پیاده سازی می کند.
این پروژه همچنین اتوماسیون CI/CD (7) را با یک AWS CodeCommit مخزن با کد منبع، AWS CodeBuild با اسکریپت ساخت خط لوله و AWS CodePipeline برای هماهنگ ساختن و استقرار خط لوله SageMaker (6).
خط لوله ML
این راه حل با استفاده از خط لوله ML پیاده سازی می کند خطوط لوله آمازون SageMakerیک چارچوب ایجاد گردش کار و ارکستراسیون ML. خط لوله شامل یک مرحله واحد با یک Amazon SageMaker Data Rangler پردازشگر برای تبدیل داده ها و جذب به یک گروه ویژگی در فروشگاه ویژگی. نمودار زیر خط لوله پردازش داده پیاده سازی شده توسط این راه حل را نشان می دهد.
به مراجعه با استفاده از Amazon SageMaker Pipelines یک مدل پیشبینی انقباض سرتاسری بسازید، تنظیم و اجرا کنید. برای مثالی از نحوه ساخت و استفاده از خط لوله SageMaker.
بقیه این پست شما را در اجرای پروژه SageMaker سفارشی راهنمایی می کند. ما در مورد چگونگی انجام موارد زیر بحث می کنیم:
- با منابع خود یک پروژه ایجاد کنید
- چرخه عمر پروژه را درک کنید
- مشاهده منابع پروژه
- یک دامنه استودیو ایجاد کنید و یک سبد محصول را گسترش دهید
- با پروژه کار کنید و خط لوله انتقال داده و انتقال داده را اجرا کنید
La مخزن GitHub کد منبع کامل را برای راه حل انتها به انتها فراهم می کند. شما می توانید از این کد به عنوان نقطه شروع برای اجزای ML سفارشی خود برای استقرار با استفاده از همین معماری مرجع استفاده کنید.
یک الگوی پروژه SageMaker بنویسید
برای شروع کار با یک پروژه سفارشی SageMaker، به منابع، مصنوعات و موارد زیر نیاز دارید هویت AWS و مدیریت دسترسی نقش ها و مجوزها (IAM):
- یک الگوی CloudFormation که یک کاتالوگ خدمات AWS را تعریف می کند مقام.
- یک الگوی CloudFormation که پروژه SageMaker را تعریف می کند.
- نقش ها و مجوزهای IAM برای اجرای اجزای پروژه شما و انجام وظایف و گردش کار پروژه مورد نیاز است.
- اگر پروژه شما حاوی کد منبعی است که به عنوان بخشی از پروژه تحویل داده شده است، این کد نیز باید تحویل داده شود. راه حل به این کد منبع به عنوان اشاره می کند کد دانه.
فایل های موجود در این راه حل
این راه حل شامل تمام کد منبع مورد نیاز برای ایجاد پروژه SageMaker سفارشی شما است. ساختار مخزن کد به شرح زیر است:
- پوشه cfn-templates: این پوشه حاوی موارد زیر است:
- project-s3-fs-ingestion.yaml – یک الگوی CloudFormation با پروژه SageMaker
- sm-project-sc-portfolio.yaml – یک الگوی CloudFormation با سبد محصول و سیاست های مدیریت شده با مجوزهای مورد نیاز برای استقرار محصول
- پوشه project-seed-code/s3-fs-ingestion - حاوی کد اولیه پروژه، از جمله کد تعریف خط لوله SageMaker، اسکریپت های ساخت پروژه CI/CD CodeBuild و کد منبع برای تابع Lambda
- پوشه نوت بوک - حاوی نوت بوک های SageMaker برای آزمایش پروژه
بخشهای زیر هر بخش از فرآیند تالیف پروژه را توضیح میدهند و نمونههایی از کد منبع ارائه میدهند.
نمونه کارها کاتالوگ خدمات AWS
یک نمونه کار کاتالوگ خدمات AWS به عنوان یک الگوی CloudFormation ارائه می شود که منابع زیر را تعریف می کند:
- تعریف پورتفولیو
- تعریف محصول
- ارتباط محصول به پورتفولیو برای هر محصول.
- نمونه کارها به اصل IAM اتحادیه. این تعریف می کند که کدام اصول IAM مجاز به استقرار محصولات نمونه کارها هستند.
- محدودیت نقش راه اندازی محصول. این مشخص می کند که AWS CloudFormation چه نقش IAM را زمانی که کاربر الگو را ارائه می کند، بر عهده می گیرد.
برای در دسترس قرار دادن قالب پروژه خود در استودیو، باید تگ زیر را به محصول اضافه کنید:
به مراجعه ایجاد الگوهای پروژه سفارشی برای جزئیات بیشتر در مورد الگوهای پروژه سفارشی.
این محلول حاوی یک مثال از مجموعه کاتالوگ خدمات AWS که شامل یک محصول واحد است.
قالب محصول CloudFormation
یک الگوی CloudFormation محصول را تعریف می کند. الگوی محصول خودکفا است و شامل تمام منابع، مجوزها و مصنوعات مورد نیاز برای ارائه عملکرد محصول است.
برای اینکه محصول با پروژه های SageMaker کار کند، باید پارامترهای زیر را به قالب محصول خود اضافه کنید:
این محلول حاوی یک قالب محصول که چندین منبع ایجاد می کند.
برای خط لوله انتقال داده و جذب، الگو موارد زیر را ایجاد می کند:
- کد منبع تعریف خط لوله SageMaker.
- یک تابع Lambda برای شروع خط لوله SageMaker هر زمان که یک شی جدید در سطل S3 نظارت شده آپلود شود.
- یک نقش اجرای IAM برای تابع Lambda.
- یک سطل S3 برای نگهداری AWS CloudTrail ورود به سیستم برای فعال کردن اعلان EventBridge برای رویدادهای قرار دادن شی در سطل نظارت شده، به یک گزارش CloudTrail نیاز دارید. شما از اعلان مبتنی بر CloudTrail به جای اعلانهای آمازون S3 استفاده میکنید زیرا نباید اعلان S3 موجود آمازون را روی سطل نظارت شده بازنویسی کنید.
- گزارش CloudTrail که برای ضبط پیکربندی شده است
WriteOnly
رویدادها در اشیاء S3 تحت یک پیشوند S3 مشخص شده است. - یک قانون EventBridge برای راه اندازی تابع Lambda هر زمان که یک شی جدید در سطل S3 نظارت شده آپلود شود. الگوی قانون EventBridge رویدادها را نظارت می کند
PutObject
وCompleteMultipartUpload
.
برای اتوماسیون CI/CD، الگو موارد زیر را ایجاد می کند:
- یک سطل S3 برای ذخیره مصنوعات CodePipeline
- یک مخزن CodeCommit با تعریف خط لوله SageMaker
- یک قانون EventBridge برای راهاندازی CodePipeline هنگام بهروزرسانی مخزن CodeCommit
- پروژه CodeBuild برای ساخت خط لوله SageMaker
- خط لوله CodePipeline برای هماهنگ ساختن خط لوله SageMaker
نقش ها و مجوزهای IAM
برای راه اندازی و استفاده از یک پروژه SageMaker، به دو نقش IAM نیاز دارید:
- نقش IAM برای راه اندازی یک محصول از کاتالوگ خدمات AWS - این قانون توسط کاتالوگ خدمات AWS در نظر گرفته شده است و حاوی مجوزهایی است که به طور خاص برای استقرار منابع با استفاده از الگوهای CloudFormation مورد نیاز است. رویکرد مبتنی بر کاتالوگ خدمات AWS به دانشمندان داده و مهندسان ML اجازه میدهد تا اجزای سفارشی ML و گردشهای کاری را به صورت مرکزی بدون نیاز به هر کاربر ML به داشتن خطمشیهای مجوزهای با مشخصات بالا یا از طریق فرآیند استقرار فردی دستی و غیرقابل تکرار ارائه کنند.
- نقش IAM برای استفاده از منابع ایجاد شده توسط یک پروژه SageMaker – این منابع شامل یک خط لوله CodePipeline، یک خط لوله SageMaker و یک قانون EventBridge است. الگوی CloudFormation پروژه به صراحت مشخص می کند که کدام منبع از چه نقشی استفاده می کند.
هنگامی که پروژه های SageMaker را برای کاربران استودیو فعال می کنید، فرآیند تهیه دو نقش IAM در حساب AWS شما ایجاد می کند: AmazonSageMakerServiceCatalogProductsLaunchRole
و AmazonSageMakerServiceCatalogProductsUseRole
. الگوهای پروژه ارائه شده توسط SageMaker از این نقش ها برای استقرار و بهره برداری از منابع ایجاد شده استفاده کنید. میتوانید از این نقشها برای پروژههای SageMaker سفارشی خود استفاده کنید، یا میتوانید نقشهای خود را با مجموعه خاصی از مجوزهای IAM متناسب با نیازهای خود ایجاد کنید. مطمئن شوید که به این نقش ها همه مجوزهای لازم، به ویژه دسترسی سطل S3، برای انجام وظایفشان داده شده است.
به مراجعه سیاست های مدیریت شده AWS برای پروژه های SageMaker و JumpStart برای جزئیات بیشتر در مورد نقش های پیش فرض.
اگر هر نقش IAM را به منابع ایجاد شده توسط تأمین پروژه از طریق کاتالوگ خدمات AWS و AWS CloudFormation ایجاد و اختصاص دهید، نقش AmazonSageMakerServiceCatalogProductsLaunchRole
باید iam:PassRole
مجوز نقشی که به یک منبع منتقل می کنید. به عنوان مثال، این راه حل یک نقش اجرای IAM برای تابع Lambda ایجاد می کند. سیاست مدیریت شده برای AmazonSageMakerServiceCatalogProductsLaunchRole
حاوی بیانیه مجوز مربوطه است:
نمودار زیر تمام نقش های IAM را نشان می دهد و کدام سرویس یا منبع کدام نقش را بر عهده می گیرد.
معماری شامل اجزای زیر است:
- نقش راه اندازی محصولات کاتالوگ خدمات SageMaker. این نقش به نام
iam:PassRole
API برای محصولات کاتالوگ خدمات SageMaker از نقش (2) و نقش اجرای Lambda (4) استفاده می کند. - نقش استفاده محصولات کاتالوگ خدمات SageMaker. منابع پروژه این نقش را برای انجام وظایف خود بر عهده می گیرند.
- نقش اجرای SageMaker. نوت بوک های استودیویی از این نقش برای دسترسی به همه منابع از جمله سطل های S3 استفاده می کنند.
- نقش اجرای لامبدا تابع Lambda این نقش را بر عهده می گیرد.
- تابع لامبدا سیاست منابع به EventBridge اجازه می دهد تا تابع را فراخوانی کند.
به مراجعه مجوزهای SageMaker Studio برای استفاده از پروژه ها مورد نیاز است برای جزئیات بیشتر در مورد راه اندازی مجوز استودیو برای پروژه ها.
کد اولیه پروژه
اگر پروژه SageMaker سفارشی شما از اتوماسیون گردش کار CI/CD استفاده میکند یا حاوی منابع مبتنی بر کد منبع است، میتوانید کد اولیه را بهعنوان یک CodeCommit یا مخزن Git شخص ثالث مانند GitHub و Bitbucket تحویل دهید. کاربر پروژه مالک کد است و می تواند آن را برای پیاده سازی نیازهای خود سفارشی کند.
این راه حل کد seed را ارائه می دهد که حاوی تعریف خط لوله SageMaker است. این پروژه همچنین یک گردش کار CI/CD برای ساخت خط لوله SageMaker ایجاد می کند. هر گونه تعهد به مخزن کد منبع، خط لوله CodePipeline را راه اندازی می کند.
چرخه عمر پروژه
یک پروژه از مراحل چرخه حیات متمایز می گذرد: شما یک پروژه ایجاد می کنید، از آن و منابع آن استفاده می کنید و زمانی که دیگر به آن نیاز ندارید پروژه را حذف می کنید. Studio UX پروژههای SageMaker یکپارچه از جمله منابع پروژه، سلسله دادهها و کنترل چرخه حیات را ادغام میکند.
ایجاد یک پروژه
می توانید یک پروژه SageMaker را مستقیماً در Studio IDE خود یا از طریق آن ارائه دهید SageMaker API.
برای ایجاد یک پروژه جدید SageMaker در Studio، مراحل زیر را انجام دهید:
- بر منابع SageMaker صفحه ، انتخاب کنید پروژه ها در منوی کشویی
- را انتخاب کنید ایجاد پروژه.
- را انتخاب کنید قالب های سازمانی.
- الگوی پروژه ای را که می خواهید تهیه کنید انتخاب کنید.
- یک نام و توضیحات اختیاری برای پروژه خود وارد کنید.
- تحت پارامترهای قالب پروژه، پارامترهای خاص پروژه خود را ارائه دهید.
همانطور که در این قطعه کد از 01-feature-store-ingest-pipeline
نوت بوک:
هر پروژه از طریق کاتالوگ خدمات AWS و فرآیند AWS CloudFormation ارائه می شود. به این دلیل که برای مثال، خط مشی دسترسی IAM مربوطه را دارید AWSCloudFormationReadOnlyAccess، می توانید استقرار پروژه را در کنسول AWS CloudFormation مشاهده کنید. همانطور که در تصویر زیر نشان داده شده است، می توانید اطلاعات پشته، رویدادها، منابع، خروجی ها، پارامترها و الگو را مرور کنید.
مشاهده منابع پروژه
پس از ارائه پروژه، می توانید منابع پروژه خاص SageMaker را در Studio IDE مرور کنید.
همچنین می توانید تمام منابع ایجاد شده توسط فرآیند استقرار پروژه را در کنسول AWS CloudFormation مشاهده کنید.
هر منبع ایجاد شده توسط پروژه به طور خودکار با دو تگ برچسب گذاری می شود: sagemaker:project-name
و sagemaker:project-id
، اجازه می دهد برای داده ها و اصل و نسب منابع.
شما می توانید برچسب های خود را به منابع پروژه اضافه کنید، به عنوان مثال، برای برآوردن نیازهای برچسب گذاری و نام گذاری منابع خاص خود.
پروژه را حذف کنید
اگر دیگر به پروژه ارائه شده نیاز ندارید، برای جلوگیری از تحمیل هزینه، باید آن را حذف کنید تا منابع ایجاد شده توسط پروژه پاکسازی شود.
در زمان نوشتن این پست، باید از SageMaker API برای حذف یک پروژه نمونه کد پایتون به شکل زیر است:
حذف پروژه همچنین باعث حذف پشته CloudFormation با الگوی پروژه می شود.
یک پروژه می تواند منابع دیگری مانند اشیاء در سطل های S3، مدل های ML، گروه های ویژگی، نقاط پایانی استنتاج یا پشته های CloudFormation ایجاد کند. این منابع ممکن است پس از حذف پروژه حذف نشوند. برای نحوه انجام پاکسازی کامل به مستندات پروژه خاص مراجعه کنید.
این راه حل ارائه می دهد نوت بوک استودیویی برای حذف تمام منابع ایجاد شده توسط پروژه.
راه حل را مستقر کنید
برای استقرار راه حل، باید مجوزهای سرپرست (یا کاربر قدرتمند) برای بسته بندی قالب های CloudFormation، آپلود قالب ها در سطل S3 و اجرای دستورات استقرار داشته باشید.
برای شروع کار با نوتبوکهای راهحل، ارائه یک پروژه، و اجرای خط لوله انتقال و انتقال داده، باید مراحل استقرار زیر را از راهحل تکمیل کنید. فایل GitHub README:
- راه حل را شبیه سازی کنید GitHub repo به محیط توسعه محلی شما.
- ایجاد دامنه Studio (دستورالعمل در فایل README).
- استقرار نمونه کار پروژه SageMaker (دستورالعملها در فایل README).
- مجوزهای سفارشی را به راه اندازی کاتالوگ خدمات AWS و نقش های IAM اجرای SageMaker اضافه کنید (دستورالعمل های موجود در فایل README).
- استودیو را راه اندازی کنید و مخزن GitHub را در محیط SageMaker خود کلون کنید (دستورالعمل های موجود در فایل README).
راه حل
La دفترچه های تحویل داده شده شما را طی مراحل راه حل زیر هدایت می کند:
- برپایی:
- محیط کاری را تنظیم کنید، یک سطل S3 برای آپلود داده، دانلود و کاوش مجموعه داده آزمایشی ایجاد کنید
- به صورت اختیاری، یک جریان Data Wrangler برای تبدیل داده و جذب ویژگی ایجاد کنید
- یک گروه ویژگی در فروشگاه ویژگی ایجاد کنید که در آن ویژگی ها نگهداری می شوند
- داده ها را از گروه ویژگی پرس و جو کنید
- خط لوله انتقال ویژگی فروشگاه:
- ارائه یک پروژه SageMaker با خط لوله داده
- منابع پروژه را بررسی کنید
- خط لوله داده را با آپلود داده های جدید در سطل S3 نظارت شده آزمایش کنید
- خط لوله داده را در صورت تقاضا از طریق Python SDK اجرا کنید
- داده ها را از گروه ویژگی پرس و جو کنید
- پاک کردن:
- پروژه و منابع پروژه را حذف کنید
- گروه ویژگی را حذف کنید
- سطل های S3 و اشیاء S3 که توسط پروژه ارائه شده را حذف کنید
پاک کردن
برای اجتناب از هزینه، باید تمام منابع تهیه شده و تولید شده توسط پروژه را از حساب AWS خود حذف کنید.
دستورالعمل های موجود در محلول را دنبال کنید فایل README.
فراخوانی برای اقدام
در این پست، نحوه ایجاد اجزای ML برای معماری ماژولار خود را با استفاده از پروژه های SageMaker یاد گرفتید. پروژه های SageMaker یک روش مناسب و بومی AWS برای بسته بندی و تحویل واحدهای قابل استفاده مجدد برای پیاده سازی گردش های کاری ML ارائه می دهند. ادغام پروژه های SageMaker با SageMaker Pipelines و اتوماسیون CI/CD CodePipeline به شما ابزارهای قدرتی می دهد تا بهترین شیوه های MLOps را دنبال کنید و سرعت و کیفیت کار توسعه خود را افزایش دهید.
جریان کار و خطوط لوله ML شما ممکن است از کپسوله شدن در یک جزء قابل استفاده مجدد و پارامتری سود ببرند. اکنون می توانید این مؤلفه را با استفاده از رویکرد توصیف شده با پروژه های SageMaker پیاده سازی کنید.
مراجع اضافی
برای مثالهای عملی بیشتر از استفاده از پروژهها و خطوط لوله SageMaker برای موارد استفاده مختلف، به منابع زیر مراجعه کنید:
درباره نویسنده
یوگنی ایلین یک معمار راه حل در AWS است. او بیش از 20 سال تجربه کار در تمام سطوح توسعه نرم افزار و معماری راه حل ها را دارد و از زبان های برنامه نویسی از COBOL و Assembler گرفته تا دات نت، جاوا و پایتون استفاده کرده است. او راه حل های بومی ابری را با تمرکز بر داده های بزرگ، تجزیه و تحلیل و مهندسی داده توسعه و کدگذاری می کند.
- '
- 7
- 9
- دسترسی
- حساب
- عمل
- فعالیت ها
- معرفی
- اجازه دادن
- آمازون
- آمازون SageMaker
- علم تجزیه و تحلیل
- API
- کاربرد
- برنامه های کاربردی
- معماری
- خودکار
- اتوماسیون
- AWS
- بهترین
- بهترین شیوه
- بزرگ داده
- ساختن
- بنا
- صدا
- موارد
- به چالش
- بار
- ابر
- ابر بومی
- رمز
- جزء
- ساخت و ساز
- داده ها
- دسترسی به داده ها
- پردازش داده ها
- دانشمند داده
- تقاضا
- طرح
- پروژه
- DevOps
- حوزه
- استخدام
- مهندس
- مهندسی
- مورد تأیید
- محیط
- واقعه
- حوادث
- اعدام
- تجربه
- تجربه
- استخراج
- عصاره ها
- ویژگی
- امکانات
- جریان
- تمرکز
- به دنبال
- چارچوب
- تکمیل کنید
- کامل
- تابع
- رفتن
- GitHub
- گروه
- پنهان شدن
- زیاد
- چگونه
- چگونه
- HTTPS
- IAM
- هویت
- از جمله
- افزایش
- اطلاعات
- شالوده
- ادغام
- گرفتار
- IT
- جاوه
- کلید
- کلید
- زبان ها
- راه اندازی
- راه اندازی
- آموخته
- یادگیری
- سطح
- محلی
- فراگیری ماشین
- بازار
- ML
- MLO ها
- مدل
- پیمانهای
- خالص
- شبکه
- نوت بوک
- اخطار
- ارائه
- دیگر
- الگو
- سیاست
- سیاست
- مقام
- قدرت
- پیش گویی
- محصول
- تولید
- محصولات
- برنامه نويسي
- زبانهای برنامه نویسی
- پروژه
- پروژه ها
- پــایتــون
- کیفیت
- مورد نیاز
- منابع
- منابع
- REST
- نتایج
- دویدن
- حکیم ساز
- دانشمندان
- sdk
- تیم امنیت لاتاری
- دانه
- خدمات
- تنظیم
- ساده
- نرم افزار
- توسعه نرم افزار
- مزایا
- سرعت
- شروع
- آغاز شده
- بیانیه
- ذخیره سازی
- opbevare
- سیستم
- آزمون
- تست
- منبع
- زمان
- آموزش
- دگرگونی
- کاربران
- ux
- ارزش
- چشم انداز
- WHO
- در داخل
- مهاجرت کاری
- گردش کار
- اتوماسیون گردش کار
- با این نسخهها کار
- نوشته
- سال