Bir makine öğrenimi (ML) proje uygulamasındaki ana zorluklardan biri, kullanılan geliştirme yapıtlarının ve araçlarının çeşitliliği ve yüksek sayısıdır. Buna not defterlerindeki kodlar, veri işleme ve dönüştürme modülleri, ortam yapılandırması, çıkarım ardışık düzeni ve düzenleme kodu dahildir. Üretim iş yüklerinde, geliştirme çerçeveniz içinde oluşturulan makine öğrenimi modeli neredeyse hiçbir zaman işin sonu değildir, daha büyük bir uygulamanın veya iş akışının bir parçasıdır.
Diğer bir zorluk, farklı kullanıcı rolleri tarafından gerçekleştirilen makine öğrenimi geliştirme etkinliklerinin çeşitli doğasıdır. Örneğin DevOps mühendisi, CI/CD otomasyonu gibi altyapı bileşenleri geliştirir, üretim çıkarım boru hatları oluşturur ve güvenlik ile ağ yapılandırmasını yapılandırır. Veri mühendisi genellikle veri işleme ve dönüştürme iş akışlarına odaklanır. Veri bilimcisi veya makine öğrenimi mühendisi, makine öğrenimi modelleri ve model oluşturma, eğitim ve doğrulama işlem hatları sunar.
Bu zorluklar, her geliştirme rolünün sistemin kendi bölümünde çalışmasına izin vererek endişelerin ayrılmasını kolaylaştıran ve entegrasyon, güvenlik ve ortam yapılandırmasının karmaşıklığını gizleyen bir mimari ve çerçeve gerektirir.
Bu gönderi, yeniden kullanılabilir, kendi kendine yeten ve tutarlı bileşenleri uygulayarak makine öğrenimi uygulamanıza modüler bileşen tabanlı bir mimariyi nasıl tanıtacağınızı gösterir. Amazon Adaçayı Yapıcı.
Çözüme genel bakış
Çeşitli geliştirme alanlarını kapsayan bir makine öğrenimi iş akışının bir örneği olarak önerilen çözüm, veri dönüştürme, özellik çıkarma ve içine alma için otomatikleştirilmiş bir işlem hattının kullanım örneğini uygular. Amazon SageMaker Özellik Mağazası.
Yüksek düzeyde, iş akışı aşağıdaki işlevsel adımlardan oluşur:
- Bir yukarı akış veri alımı bileşeni, veri nesnelerini bir Amazon Basit Depolama Hizmeti (Amazon S3) kovası.
- Veri yükleme olayı, bir veri işleme ve dönüştürme sürecini başlatır.
- Veri dönüştürme işlemi, özellikleri ayıklar, işler ve dönüştürür ve bunları belirlenmiş bir özellik grubu Özellik Mağazasında.
Terminoloji
Bu bölümde aşağıdaki önemli kavramlar ve tanımlar tanıtılmaktadır.
makine öğrenimi bileşeni
An makine öğrenimi bileşeni belirli bir makine öğrenimi görevini gerçekleştirmek için gerekli tüm kaynakları, yapılandırmayı ve iş akışlarını içeren bir yapı birimidir. Örneğin, önerilen veri dönüştürme ve alma ardışık düzeni, bir makine öğrenimi bileşeni olarak sunulabilir. Makine öğrenimi bileşenleri, yeniden üretilebilir, yönetilen ve güvenli makine öğrenimi uygulamalarını uygulamanıza yardımcı olacak daha iyi bir entegrasyon yeteneğine sahiptir. Bir makine öğrenimi bileşeni, tüm kaynaklar için veri erişim izinlerini, güvenlik anahtarlarını, etiketleme, adlandırma ve günlüğe kaydetme gereksinimlerini uygun şekilde ayarlamak için gereken tüm standart kodu kapsayabilir.
Bir makine öğrenimi bileşenini uygulama süreci, özel bir DevOps veya MLOps ekibinin bileşenlerin tasarımını, oluşturulmasını, test edilmesini ve dağıtımını gerçekleştirdiğini varsayar. Makine öğrenimi bileşenlerinin alıcıları, veri bilimcileri, veri mühendisleri ve makine öğrenimi mühendisleridir.
Geliştirme sorumluluklarının bu şekilde ayrılması, daha yüksek çeviklik, daha hızlı pazara sürüm süresi ve daha az manuel ağır kaldırma sağlar ve makine öğrenimi iş akışlarınızda daha yüksek kalite ve tutarlılık sağlar.
Amazon SageMaker projesi
SageMaker, ML bileşenlerinin geliştirilmesini ve dağıtılmasını kolaylaştırır. SageMaker projeleri.
Bir SageMaker proje yetkili kullanıcılar tarafından başlatılabilen ve kullanılabilen, kendi kendine yeterli bir kaynak koleksiyonudur. Bir proje, belirlenmiş bir makine öğrenimi görevini veya iş akışını gerçekleştirmek için gereken tüm kaynakları, yapıtları, kaynak kodunu, düzenlemeyi ve izinleri içerir. Örneğin, SageMaker şunları sağlar: MLOps proje şablonları uygulamalarınız için MLOps kurulumunu ve uygulamasını otomatikleştirmek için.
bir uygulayabilirsiniz özel SageMaker proje şablonu aracılığıyla dağıtılabilen ve sağlanabilen paketlenmiş bir makine öğrenimi iş akışı sağlamak için Amazon SageMaker Stüdyosu IDE.
Özel yeniden kullanılabilir bileşenleri SageMaker projeleriyle uyguladığınızda, makine öğrenimi bileşenleri için geliştirme, test ve dağıtım sürecini kullanımlarından ayırabilir ve en iyi MLOps uygulamalarını takip edebilirsiniz.
Ürün portföyü
Bir proje, diğer iki AWS hizmetiyle birlikte çalışır. AWS Hizmet Kataloğu ve AWS CloudFormation, SageMaker ortamınız ve Studio'nuzda uçtan uca, kullanıcı dostu bir entegrasyon sağlamak için. Birden fazla projeyi bir arada birleştirebilirsiniz. portföy. Bir SageMaker projesi denir ürün portföy kapsamındadır. Bir ürün portföyü, AWS Service Catalog aracılığıyla Studio'ya teslim edilir. Kullanıcı rollerini belirlenmiş bir portföyle ilişkilendirerek belirli ürünleri kimlerin görüntüleyebileceğini ve tedarik edebileceğini kontrol edebilirsiniz.
Çözüm mimarisi
Çözümün ayrıntılı bileşen mimarisi aşağıdaki diyagramda gösterilmiştir.
Bir ürün portföyü (1), portföyü ve içeren ürünleri kullanmasına izin verilen ilişkili kullanıcı rolleriyle birlikte otomatik Özellik Deposu veri alma ürününü (2) tanımlar. CloudFormation şablonları, hem ürün portföyünü (1) hem de ürünü (2) tanımlar. Bir CloudFormation şablonu (3), ürünü SageMaker ortamınızda sağlamak için gereken tüm kaynakları, kaynak kodunu, yapılandırmayı ve izinleri içerir.
AWS CloudFormation ürünü devreye aldığında yeni bir SageMaker projesi oluşturur (4).
SageMaker projesi, özellik alma iş akışını uygular (5). İş akışı şunları içerir: AWS Lambda tarafından başlatılan işlev, Amazon EventBridge izlenen bir S3 klasörüne her yeni nesne yüklendiğinde kural. Lambda işlevi bir SageMaker boru hattı (6), SageMaker projesinin bir parçası olarak tanımlanır ve sağlanır. Ardışık düzen, Feature Store'da veri dönüştürme ve almayı uygular.
Proje ayrıca CI/CD otomasyonu (7) sağlar. AWS CodeCommit kaynak kodlu depo, AWS Kod Oluşturma bir ardışık düzen oluşturma komut dosyasıyla ve AWS Kod Ardışık Düzeni SageMaker işlem hattının (6) oluşturulmasını ve devreye alınmasını düzenlemek için.
makine öğrenimi ardışık düzeni
Bu çözüm, kullanarak bir makine öğrenimi işlem hattını uygular Amazon SageMaker Ardışık Düzenleri, bir makine öğrenimi iş akışı oluşturma ve düzenleme çerçevesi. Ardışık düzen, tek bir adım içerir. Amazon SageMaker Veri Düzenleyicisi Feature Store'da bir özellik grubuna veri dönüştürme ve alma için işlemci. Aşağıdaki diyagram, bu çözüm tarafından uygulanan bir veri işleme ardışık düzenini göstermektedir.
Bakın Amazon SageMaker Pipelines'ı kullanarak uçtan uca bir kayıp tahmini modeli oluşturun, ayarlayın ve dağıtın bir SageMaker işlem hattının nasıl oluşturulup kullanılacağına ilişkin bir örnek için.
Bu yazının geri kalanı, size özel bir SageMaker projesinin uygulanmasında yol gösterir. Aşağıdakilerin nasıl yapılacağını tartışıyoruz:
- Kaynaklarınızla bir proje oluşturun
- Proje yaşam döngüsünü anlayın
- Proje kaynaklarını görüntüle
- Bir Studio alanı oluşturun ve bir ürün portföyü dağıtın
- Projeyle birlikte çalışın ve bir veri dönüştürme ve alım ardışık düzeni çalıştırın
The GitHub deposu uçtan uca çözüm için tam kaynak kodunu sağlar. Bu kodu, aynı referans mimarisini kullanarak kendi özel makine öğrenimi bileşenlerinizin dağıtılması için bir başlangıç noktası olarak kullanabilirsiniz.
Bir SageMaker proje şablonu yazın
Özel bir SageMaker projesine başlamak için aşağıdaki kaynaklara, yapıtlara ve AWS Kimlik ve Erişim Yönetimi (IAM) rolleri ve izinleri:
- Bir AWS Hizmet Kataloğu tanımlayan bir CloudFormation şablonu portföy.
- Bir SageMaker projesini tanımlayan bir CloudFormation şablonu.
- Proje bileşenlerinizi çalıştırmak ve projenin görevlerini ve iş akışlarını gerçekleştirmek için gereken IAM rolleri ve izinleri.
- Projeniz, projenin bir parçası olarak teslim edilen herhangi bir kaynak kodu içeriyorsa, bu kodun da teslim edilmesi gerekir. Çözüm, bu kaynak kodu şu şekilde ifade eder: tohum kodu.
Bu çözümdeki dosyalar
Bu çözüm, özel SageMaker projenizi oluşturmak için gereken tüm kaynak kodunu içerir. Kod deposunun yapısı aşağıdaki gibidir:
- cfn şablonları klasörü: Bu klasör aşağıdakileri içerir:
- proje-s3-fs-ingestion.yaml – SageMaker projesiyle bir CloudFormation şablonu
- sm-project-sc-portfolio.yaml – Ürün portföyü ve ürünü dağıtmak için gereken izinlere sahip yönetilen politikalar içeren bir CloudFormation şablonu
- proje-tohum-kodu/s3-fs-alma klasörü – SageMaker ardışık düzen tanım kodu, CI/CD CodeBuild projesi için derleme betikleri ve Lambda işlevi için kaynak kodu dahil olmak üzere proje çekirdek kodunu içerir
- defterler klasörü – Projeyi denemek için SageMaker not defterlerini içerir
Aşağıdaki bölümlerde proje yazma sürecinin her bir bölümü açıklanmakta ve kaynak kod örnekleri verilmektedir.
AWS Hizmet Kataloğu portföyü
Bir AWS Service Catalog portföyü, aşağıdaki kaynakları tanımlayan bir CloudFormation şablonu olarak sunulur:
- Portföy tanımı.
- Ürün tanımı.
- Her ürün için üründen portföye ilişkilendirme.
- portföyü IAM ilkesi bağlantı. Bu, hangi IAM ilkelerinin portföy ürünlerini dağıtmasına izin verildiğini tanımlar.
- Ürün başlatma rol kısıtlaması. Bu, bir kullanıcı şablonu sağladığında AWS CloudFormation'ın hangi IAM rolünü üstleneceğini tanımlar.
Proje şablonunuzu Studio'da kullanılabilir hale getirmek için ürüne aşağıdaki etiketi eklemelisiniz:
Bakın Özel Proje Şablonları Oluşturun özel proje şablonları hakkında daha fazla ayrıntı için.
Bu çözüm içerir örnek tek bir ürün içeren bir AWS Service Catalog portföyünün.
Ürün CloudFormation şablonu
Bir CloudFormation şablonu ürünü tanımlar. Ürünün şablonu kendi kendine yeterlidir ve ürünün işlevselliğini sağlamak için gereken tüm kaynakları, izinleri ve yapıtları içerir.
Ürünün SageMaker projeleriyle çalışması için ürün şablonunuza aşağıdaki parametreleri eklemelisiniz:
Bu çözüm içerir ürün şablonu bu birkaç kaynak oluşturur.
Veri dönüştürme ve alma ardışık düzeni için şablon aşağıdakileri oluşturur:
- Bir SageMaker işlem hattı tanımı kaynak kodu.
- İzlenen S3 klasörüne her yeni nesne yüklendiğinde SageMaker ardışık düzenini başlatan bir Lambda işlevi.
- Lambda işlevi için bir IAM yürütme rolü.
- tutmak için bir S3 kovası AWS CloudTrail kayıt. İzlenen gruptaki nesne yerleştirme olayları için EventBridge bildirimini etkinleştirmek üzere bir CloudTrail günlüğüne ihtiyacınız var. İzlenen klasörde mevcut bir Amazon S3 bildiriminin üzerine yazmamanız gerektiğinden, Amazon S3 bildirimleri yerine CloudTrail tabanlı bildirimi kullanırsınız.
- Yakalamak için yapılandırılmış bir CloudTrail günlüğü
WriteOnly
belirli bir S3 ön eki altındaki S3 nesnelerindeki olaylar. - İzlenen S3 klasörüne her yeni nesne yüklendiğinde Lambda işlevini başlatmak için bir EventBridge kuralı. EventBridge kural deseni olayları izler
PutObject
veCompleteMultipartUpload
.
CI/CD otomasyonu için şablon aşağıdakileri oluşturur:
- CodePipeline yapılarını depolamak için bir S3 klasörü
- SageMaker işlem hattı tanımına sahip bir CodeCommit deposu
- CodeCommit deposu güncellendiğinde CodePipeline'ı başlatmak için bir EventBridge kuralı
- SageMaker işlem hattını oluşturmak için bir CodeBuild projesi
- SageMaker işlem hattının oluşturulmasını düzenlemek için bir CodePipeline işlem hattı
IAM rolleri ve izinleri
Bir SageMaker projesini başlatmak ve kullanmak için iki IAM rolüne ihtiyacınız vardır:
- AWS Service Catalog'dan bir ürün başlatmak için bir IAM rolü – Bu kural, AWS Service Catalog tarafından varsayılır ve CloudFormation şablonlarını kullanarak kaynakları dağıtmak için özel olarak gereken izni içerir. AWS Service Catalog tabanlı yaklaşım, veri bilimcilerin ve makine öğrenimi mühendislerinin özel makine öğrenimi bileşenlerini ve iş akışlarını, her makine öğrenimi kullanıcısının yüksek profilli izin ilkelerine sahip olmasını veya manuel ve tekrarlanamayan bireysel dağıtım sürecinden geçmesini gerektirmeden merkezi olarak sağlamasına olanak tanır.
- Bir SageMaker projesi tarafından oluşturulan kaynakları kullanmak için bir IAM rolü – Bu kaynaklar bir CodePipeline ardışık düzeni, bir SageMaker ardışık düzeni ve bir EventBridge kuralı içerir. Projenin CloudFormation şablonu, hangi kaynağın hangi rolü kullandığını açıkça belirtir.
Studio kullanıcıları için SageMaker projelerini etkinleştirdiğinizde, sağlama işlemi AWS hesabınızda iki IAM rolü oluşturur: AmazonSageMakerServiceCatalogProductsLaunchRole
ve AmazonSageMakerServiceCatalogProductsUseRole
. SageMaker tarafından sağlanan proje şablonları oluşturulan kaynakları dağıtmak ve çalıştırmak için bu rolleri kullanın. Bu rolleri özel SageMaker projeleriniz için kullanabilir veya gereksinimlerinize uygun belirli bir IAM izinleri grubuyla kendi rollerinizi oluşturabilirsiniz. Bu rollere, görevlerini yerine getirmeleri için gerekli tüm izinlerin, özellikle de S3 klasör erişiminin verildiğinden emin olun.
Bakın SageMaker projeleri ve JumpStart için AWS Tarafından Yönetilen İlkeler varsayılan roller hakkında daha fazla ayrıntı için.
AWS Service Catalog ve AWS CloudFormation aracılığıyla proje sağlama tarafından oluşturulan kaynaklara herhangi bir IAM rolü oluşturur ve atarsanız, rol AmazonSageMakerServiceCatalogProductsLaunchRole
sahip olmalıdır iam:PassRole
bir kaynağa ilettiğiniz bir rol için izin. Örneğin bu çözüm, Lambda işlevi için bir IAM yürütme rolü oluşturur. için yönetilen politika AmazonSageMakerServiceCatalogProductsLaunchRole
ilgili izin bildirimini içerir:
Aşağıdaki diyagram, ilgili tüm IAM rollerini ve hangi hizmetin veya kaynağın hangi rolü üstlendiğini gösterir.
Mimari aşağıdaki bileşenleri içerir:
- SageMaker Hizmet Kataloğu ürünleri rolü başlatır. Bu rol,
iam:PassRole
SageMaker Hizmet Kataloğu ürünleri için API, rolü (2) ve Lambda yürütme rolünü (4) kullanır. - SageMaker Hizmet Kataloğu ürünleri rolü kullanır. Proje kaynakları, görevlerini yerine getirmek için bu rolü üstlenir.
- SageMaker yürütme rolü. Studio not defterleri, S3 klasörleri dahil tüm kaynaklara erişmek için bu rolü kullanır.
- Lambda yürütme rolü. Lambda işlevi bu rolü üstlenir.
- Lambda işlevi kaynak politikası EventBridge'in işlevi çağırmasına izin verir.
Bakın Projeleri Kullanmak İçin Gerekli SageMaker Studio İzinleri projeler için Studio izin kurulumu hakkında daha fazla ayrıntı için.
Proje tohum kodu
Özel SageMaker projeniz CI/CD iş akışı otomasyonu kullanıyorsa veya herhangi bir kaynak kodu tabanlı kaynak içeriyorsa, çekirdek kodu bir CodeCommit veya GitHub ve Bitbucket gibi üçüncü taraf Git deposu olarak teslim edebilirsiniz. Proje kullanıcısı kodun sahibidir ve gereksinimlerini uygulamak için kodu özelleştirebilir.
Bu çözüm, bir SageMaker işlem hattı tanımı içeren çekirdek kodu sağlar. Proje ayrıca SageMaker ardışık düzenini oluşturmak için bir CI/CD iş akışı oluşturur. Kaynak kod deposuna yönelik herhangi bir taahhüt, CodePipeline ardışık düzenini başlatır.
Proje yaşam döngüsü
Bir proje farklı yaşam döngüsü aşamalarından geçer: bir proje yaratırsınız, onu ve kaynaklarını kullanırsınız ve artık ihtiyacınız kalmadığında projeyi silersiniz. Studio UX, proje kaynakları, veri kökeni ve yaşam döngüsü kontrolü dahil olmak üzere uçtan uca SageMaker projelerini entegre eder.
Proje oluştur
Bir SageMaker projesini doğrudan Studio IDE'nizde veya SageMaker API'si.
Studio'da yeni bir SageMaker projesi oluşturmak için aşağıdaki adımları tamamlayın:
- Üzerinde SageMaker kaynakları sayfasını seçin Projeler Açılır menüde.
- Klinik proje oluşturma.
- Klinik Organizasyon şablonları.
- Sağlamak istediğiniz proje için şablonu seçin.
- Projeniz için bir ad ve isteğe bağlı açıklama girin.
- Altında Proje şablonu parametreleri, projenize özel parametreleri sağlayın.
Bu kod parçacığında gösterildiği gibi programlı olarak bir proje oluşturmak için Python SDK'yı da kullanabilirsiniz. 01-feature-store-ingest-pipeline
not defteri:
Her proje, bir AWS Hizmet Kataloğu ve AWS CloudFormation süreci aracılığıyla sağlanır. İlgili IAM erişim politikasına sahip olduğunuz için, örneğin AWSCloudFormationOnlyReadAccess, proje dağıtımını AWS CloudFormation konsolunda gözlemleyebilirsiniz. Aşağıdaki ekran görüntüsünde gösterildiği gibi yığın bilgilerine, olaylara, kaynaklara, çıktılara, parametrelere ve şablona göz atabilirsiniz.
Proje kaynaklarını görüntüle
Projeyi tedarik ettikten sonra Studio IDE'de SageMaker'a özgü proje kaynaklarına göz atabilirsiniz.
AWS CloudFormation konsolunda proje dağıtım süreci tarafından oluşturulan tüm kaynakları da görebilirsiniz.
Proje tarafından oluşturulan herhangi bir kaynak otomatik olarak iki etiketle etiketlenir: sagemaker:project-name
ve sagemaker:project-id
, veri ve kaynak kökenine izin verir.
Örneğin, kendi kaynak etiketleme ve adlandırma gereksinimlerinizi karşılamak için proje kaynaklarına kendi etiketlerinizi ekleyebilirsiniz.
Projeyi sil
Sağlanan projeye artık ihtiyacınız yoksa, ücretlendirmeyi durdurmak için proje tarafından oluşturulan kaynakları temizlemek üzere projeyi silmeniz gerekir.
Bu yazıyı yazarken, kullanmanız gerekir Adaçayı Yapıcı API'sı bir projeyi silmek için Örnek bir Python kodu aşağıdaki gibi görünür:
Projenin silinmesi, proje şablonuyla birlikte CloudFormation yığınının silinmesini de başlatır.
Bir proje, S3 klasörlerindeki nesneler, makine öğrenimi modelleri, özellik grupları, çıkarım uç noktaları veya CloudFormation yığınları gibi başka kaynaklar oluşturabilir. Bu kaynaklar, proje silindikten sonra kaldırılamaz. Tam bir temizlemenin nasıl gerçekleştirileceğini öğrenmek için özel proje belgelerine bakın.
Bu çözüm bir Stüdyo not defteri proje tarafından oluşturulan tüm kaynakları silmek için.
Çözümü dağıtın
Çözümü devreye almak için CloudFormation şablonlarını paketlemek, şablonları S3 klasörünüze yüklemek ve devreye alma komutlarını çalıştırmak için yönetici (veya uzman kullanıcı) izinlerine sahip olmanız gerekir.
Çözümün not defterleriyle çalışmaya başlamak, bir proje sağlamak ve bir veri dönüştürme ve alım ardışık düzeni çalıştırmak için çözümün aşağıdaki dağıtım adımlarını tamamlamanız gerekir. GitHub BENİOKU dosyası:
- Çözümü klonlayın GitHub repo yerel geliştirme ortamınıza.
- Bir Studio alanı oluşturun (talimatlar README dosyası).
- SageMaker proje portföyünü dağıtın (talimatlar README dosyası).
- AWS Service Catalog başlatma ve SageMaker yürütme IAM rollerine özel izinler ekleyin (talimatlar README dosyası).
- Studio'yu başlatın ve GitHub deposunu SageMaker ortamınıza klonlayın (talimatlar README dosyası).
Çözüm yolu
The teslim edilen defterler sizi aşağıdaki çözüm adımlarına götürür:
- Kurmak:
- Çalışma ortamını kurun, veri yükleme için bir S3 klasörü oluşturun, test veri setini indirin ve keşfedin
- İsteğe bağlı olarak, veri dönüştürme ve özellik alımı için bir Data Wrangler akışı oluşturun
- Özellik Mağazasında özelliklerin tutulduğu bir özellik grubu oluşturun
- Özellik grubundan verileri sorgulama
- Özellik Mağazası alım ardışık düzeni:
- Bir SageMaker projesini veri boru hattı ile tedarik edin
- Proje kaynaklarını keşfedin
- İzlenen S3 klasörüne yeni veriler yükleyerek veri ardışık düzenini test edin
- Python SDK aracılığıyla talep üzerine veri ardışık düzenini çalıştırın
- Özellik grubundan verileri sorgulama
- Temizlemek:
- Projeyi ve projenin kaynaklarını silin
- Özellik grubunu sil
- Proje tarafından sağlanan S3 gruplarını ve S3 nesnelerini silin
Temizlemek
Masraflardan kaçınmak için proje tarafından sağlanan ve oluşturulan tüm kaynakları AWS hesabınızdan kaldırmanız gerekir.
Çözümün talimatlarını izleyin. README dosyası.
Eylem çağrısı
Bu gönderide, SageMaker projelerini kullanarak modüler mimariniz için makine öğrenimi bileşenlerini nasıl oluşturacağınızı öğrendiniz. SageMaker projeleri, makine öğrenimi iş akışlarını uygulamak için yeniden kullanılabilir birimleri paketlemek ve teslim etmek için kullanışlı ve AWS'ye özgü bir yöntem sunar. SageMaker projelerini SageMaker Pipelines ve CI/CD CodePipeline otomasyonu ile entegre etmek, MLOps'un en iyi uygulamalarını takip etmeniz ve geliştirme işinizin hızını ve kalitesini artırmanız için size güçlü araçlar sağlar.
Makine öğrenimi iş akışlarınız ve ardışık düzenleriniz, yeniden kullanılabilir ve parametrelendirilebilir bir bileşene kapsüllenmekten yararlanabilir. Artık bu bileşeni, açıklanan yaklaşımı kullanarak SageMaker projeleriyle uygulayabilirsiniz.
Ek referanslar
Çeşitli kullanım durumları için SageMaker projelerini ve işlem hatlarını kullanmanın daha fazla uygulamalı örneği için aşağıdaki kaynaklara bakın:
Yazar Hakkında
Yevgeniy İlyin AWS'de Çözüm Mimarıdır. Yazılım geliştirme ve çözüm mimarisinin tüm seviyelerinde 20 yılı aşkın deneyime sahiptir ve COBOL ve Assembler'dan .NET, Java ve Python'a kadar programlama dillerini kullanmıştır. Büyük veri, analitik ve veri mühendisliğine odaklanarak bulut tabanlı çözümler geliştirir ve kodlar.
- '
- 7
- 9
- erişim
- Hesap
- Action
- faaliyetler
- Türkiye
- Izin
- Amazon
- Amazon Adaçayı Yapıcı
- analytics
- api
- Uygulama
- uygulamaları
- mimari
- Otomatik
- Otomasyon
- AWS
- İYİ
- en iyi uygulamalar
- büyük Veri
- inşa etmek
- bina
- çağrı
- durumlarda
- meydan okuma
- yükler
- bulut
- Bulut yerel
- kod
- bileşen
- kas kütlesi inşasında ve
- veri
- veri erişim
- veri işleme
- veri bilimcisi
- Talep
- Dizayn
- gelişme
- DevOps
- etki
- iş
- mühendis
- Mühendislik
- Mühendisler
- çevre
- Etkinlikler
- olaylar
- infaz
- deneyim
- deneme
- çıkarma
- Hulasa
- Özellikler(Hazırlık aşamasında)
- Özellikler
- akış
- odak
- takip et
- iskelet
- yerine getirmek
- tam
- işlev
- Git
- GitHub
- grup
- gizlemek
- Yüksek
- Ne kadar
- Nasıl Yapılır
- HTTPS
- IAM
- Kimlik
- Dahil olmak üzere
- Artırmak
- bilgi
- Altyapı
- bütünleşme
- ilgili
- IT
- Java
- anahtar
- anahtarlar
- Diller
- başlatmak
- başlattı
- öğrendim
- öğrenme
- seviye
- yerel
- makine öğrenme
- pazar
- ML
- MLO'lar
- model
- modüler
- net
- ağ
- dizüstü bilgisayarlar
- tebliğ
- teklif
- Diğer
- model
- politikaları
- politika
- portföy
- güç kelimesini seçerim
- tahmin
- PLATFORM
- üretim
- Ürünler
- Programlama
- Programlama dilleri
- proje
- Projeler
- Python
- kalite
- Yer Alan Kurallar
- kaynak
- Kaynaklar
- DİNLENME
- Sonuçlar
- koşmak
- sagemaker
- bilim adamları
- sdk
- güvenlik
- tohum
- Hizmetler
- set
- Basit
- Yazılım
- yazılım geliştirme
- Çözümler
- hız
- başlama
- başladı
- Açıklama
- hafızası
- mağaza
- sistem
- test
- Test yapmak
- Kaynak
- zaman
- Eğitim
- Dönüşüm
- kullanıcılar
- ux
- değer
- Görüntüle
- DSÖ
- içinde
- İş
- iş akışı
- iş akışı otomasyonu
- çalışır
- yazı yazıyor
- yıl