Konfigurieren Sie die Standardparameter eines Autopilot-Experiments (für Administratoren)

Autopilot unterstützt das Festlegen von Standardwerten, um die Konfiguration von Amazon SageMaker Autopilot zu vereinfachen, wenn Sie ein Autopilot-Experiment mit der Studio Classic-Benutzeroberfläche erstellen. Administratoren können die Lebenszykluskonfigurationen (LCC) von Studio Classic verwenden, um Infrastruktur-, Netzwerk- und Sicherheitswerte in Konfigurationsdateien festzulegen und die erweiterten Einstellungen von Jobs vorab auszufüllen. AutoML

Auf diese Weise können sie die Netzwerkkonnektivität und die Zugriffsberechtigungen für die mit Amazon SageMaker Studio Classic verknüpften Ressourcen, einschließlich SageMaker KI-Instances, Datenquellen, Ausgabedaten und anderer verwandter Dienste, vollständig kontrollieren. Insbesondere können Administratoren eine gewünschte Netzwerkarchitektur wie Amazon VPC, Subnetze und Sicherheitsgruppen für eine Studio Classic-Domain oder einzelne Benutzerprofile konfigurieren. Datenwissenschaftler können sich bei der Erstellung ihrer Autopilot-Experimente mithilfe der Studio Classic-Benutzeroberfläche auf datenwissenschaftliche Parameter konzentrieren. Darüber hinaus können Administratoren die Verschlüsselung von Daten in der Instance verwalten, in der Autopilot-Experimente ausgeführt werden, indem sie Standardschlüssel festlegen.

Anmerkung

Dieses Feature ist in den Opt-in-Regionen Asien-Pazifik (Hongkong) und Naher Osten (Bahrain) derzeit nicht verfügbar.

In den folgenden Abschnitten finden Sie die vollständige Liste der Parameter, die die Einstellung von Standardeinstellungen bei der Erstellung eines Autopilot-Experiments mit der Studio Classic-Benutzeroberfläche unterstützen, und erfahren, wie Sie diese Standardwerte festlegen.

Liste der unterstützten Standardparameter

Die folgenden Parameter unterstützen das Festlegen von Standardwerten mit einer Konfigurationsdatei für die Erstellung eines Autopilot-Experiments mithilfe der Studio Classic-Benutzeroberfläche. Sobald sie festgelegt sind, füllen die Werte automatisch das entsprechende Feld auf der Registerkarte „Experiment erstellen“ des Autopiloten in der klassischen Benutzeroberfläche von Studio aus. Eine vollständige Beschreibung der einzelnen Felder finden Sie unter Erweiterte Einstellungen (optional).

• Sicherheit: Amazon VPC-Subnetze und Sicherheitsgruppen.

• Zugriff: IAM-Rolle AWS . ARNs

• Verschlüsselung: AWS KMS Schlüssel IDs.

• Schlagworte: Schlüssel-Wert-Paare, die zur Kennzeichnung und Organisation von SageMaker KI-Ressourcen verwendet werden.

Legen Sie die Standardparameter für Autopilot-Experimente fest

Administratoren können Standardwerte in einer Konfigurationsdatei festlegen und die Datei dann manuell an einem für bestimmte Benutzer empfohlenen Speicherort in der Studio Classic-Umgebung platzieren. Sie können die Datei auch an ein Lifecycle-Konfigurationsskript (LCC) übergeben, um die Anpassung der Studio Classic-Umgebung für eine bestimmte Domäne oder ein bestimmtes Benutzerprofil zu automatisieren.

• Um die Konfigurationsdatei einzurichten, geben Sie zunächst die Standardparameter ein.

  Um einige oder alle unter Liste der unterstützten Standardparameter aufgeführten Standardwerte zu konfigurieren kann der Administrator eine Konfigurationsdatei mit dem Namen config.yaml erstellen, deren Struktur dieser Beispielkonfigurationsdatei entsprechen sollte. Der folgende Ausschnitt zeigt eine Beispielkonfigurationsdatei mit allen unterstützten AutoML Parametern. Weitere Informationen zum Format dieser Datei finden Sie im vollständigen Schema.

  SchemaVersion: '1.0'
  SageMaker:
    AutoMLJob:
      # https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
      AutoMLJobConfig:
        SecurityConfig:
          EnableInterContainerTrafficEncryption: true
          VolumeKmsKeyId: 'kms-key-id'
          VpcConfig:
            SecurityGroupIds:
              - 'security-group-id-1'
              - 'security-group-id-2'
            Subnets:
              - 'subnet-1'
              - 'subnet-2'
      OutputDataConfig:
        KmsKeyId: 'kms-key-id'
      RoleArn: 'arn:aws:iam::111222333444:role/Admin'
      Tags:
      - Key: 'tag_key'
        Value: 'tag_value'

• Legen Sie die Konfigurationsdatei anschließend am empfohlenen Speicherort ab, indem Sie die Datei entweder manuell in die empfohlenen Pfade kopieren oder eine Lebenszykluskonfiguration (LCC) verwenden.

  Die Konfigurationsdatei muss an mindestens einem der folgenden Speicherorte in der Studio Classic-Umgebung des Benutzers vorhanden sein. Standardmäßig sucht SageMaker AI an zwei Orten nach einer Konfigurationsdatei:

  • Zunächst unter /etc/xdg/sagemaker/config.yaml. Diese Datei bezeichnen wir als Administrator-Konfigurationsdatei.

  • Dann unter /root/.config/sagemaker/config.yaml. Diese Datei bezeichnen wir als Benutzer-Konfigurationsdatei.

  Mithilfe der Administrator-Konfigurationsdatei können Administratoren eine Reihe von Standardwerten festlegen. Optional können sie mit Hilfe der Konfigurationsdatei des Benutzers die in der Konfigurationsdatei des Administrators festgelegten Werte umgehen oder zusätzliche Werte für die Standardparameter festlegen.

  Der folgende Ausschnitt zeigt ein Beispielskript, das die Konfigurationsdatei mit den Standardparametern in den Administratorordner in der Studio Classic-Umgebung des Benutzers schreibt. Sie können /etc/xdg/sagemaker durch /root/.config/sagemaker ersetzen, um die Datei an den Speicherort des Benutzers zu schreiben.

  ## Sample script with AutoML intelligent defaults
  #!/bin/bash
  
  sudo mkdir -p /etc/xdg/sagemaker
  
  echo "SchemaVersion: '1.0'
  CustomParameters:
    AnyStringKey: 'AnyStringValue'
  SageMaker:
    AutoMLJob:
      # https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAutoMLJob.html
      AutoMLJobConfig:
        SecurityConfig:
          EnableInterContainerTrafficEncryption: true
          VolumeKmsKeyId: 'kms-key-id'
          VpcConfig:
            SecurityGroupIds:
              - 'security-group-id-1'
              - 'security-group-id-2'
            Subnets:
              - 'subnet-1'
              - 'subnet-2'
      OutputDataConfig:
        KmsKeyId: 'kms-key-id'
      RoleArn: 'arn:aws:iam::111222333444:role/Admin'
      Tags:
      - Key: 'tag_key'
        Value: 'tag_value'
  " | sudo tee /etc/xdg/sagemaker/config.yaml

  • Manuelles Kopieren der Dateien — Um die Konfigurationsdateien manuell zu kopieren, führen Sie das im vorherigen Schritt erstellte Skript von einem Studio Classic-Terminal aus. In diesem Fall kann das Benutzerprofil, das das Skript ausgeführt hat, Autopilot-Experimente mit den Standardwerten erstellen, die nur für sie gelten.

  • Erstellen Sie eine SageMaker KI-Lebenszykluskonfiguration — Alternativ können Sie eine Lebenszykluskonfiguration (LCC) verwenden, um die Anpassung Ihrer Studio Classic-Umgebung zu automatisieren. LCC sind Shell-Skripte, die durch Lebenszyklusereignisse von Amazon SageMaker Studio Classic ausgelöst werden, z. B. durch das Starten einer Studio Classic-Anwendung. Diese individuelle Anpassung beinhaltet die Installation von benutzerdefinierten Paketen, die Konfiguration von Notebook-Erweiterungen, das Laden von Datensätzen im Voraus, das Einrichten von Quellcode-Repositorys oder, in unserem Fall, das Vorausfüllen von Standardparametern. Administratoren können das LCC an eine Studio Classic-Domain anhängen, um die Konfiguration der Standardwerte für jedes Benutzerprofil innerhalb dieser Domain zu automatisieren.

    In den folgenden Abschnitten wird beschrieben, wie eine Lebenszykluskonfiguration erstellt wird, sodass Benutzer die Autopilot-Standardparameter beim Start von Studio Classic automatisch laden können. Sie können wählen, ob Sie ein LCC mit der SageMaker AI-Konsole oder dem erstellen möchten. AWS CLI

    Create a LCC from the SageMaker AI Console

    Gehen Sie wie folgt vor, um ein LCC mit Ihren Standardparametern zu erstellen, das LCC an eine Domäne oder ein Benutzerprofil anzuhängen und dann eine Studio Classic-Anwendung zu starten, die mit den vom LCC festgelegten Standardparametern über die AI-Konsole vorbelegt ist. SageMaker

    • Um eine Lebenszykluskonfiguration zu erstellen, die das Skript mit Ihren Standardwerten mithilfe der AI-Konsole ausführt SageMaker

      • Öffnen Sie die SageMaker AI-Konsole unterhttps://console.aws.amazon.com/sagemaker/.

      • Navigieren Sie auf der linken Seite zu Admin-Konfigurationen und dann zu Lifecycle-Konfigurationen.

      • Navigieren Sie auf der Seite Lifecycle-Konfigurationen zur Registerkarte Studio Classic und wählen Sie dann Konfiguration erstellen aus.

      • Geben Sie unter Name einen Namen mit alphanumerischen Zeichen und „-“ ein, der keine Leerzeichen enthält. Der Name darf höchstens 63 Zeichen lang sein.

      • Fügen Sie Ihr Skript in den Abschnitt Skripte ein.

      • Wählen Sie Konfiguration erstellen, um die Lebenszykluskonfiguration zu erstellen. Dadurch wird ein LCC des Typs Kernel gateway app erstellt.

    • Um die Lebenszykluskonfiguration an eine Studio Classic-Domäne, einen Bereich oder ein Benutzerprofil anzuhängen

      Folgen Sie den Schritten unter Anhängen der Lebenszykluskonfiguration an eine Studio Classic-Domäne oder ein Benutzerprofil, um Ihr LCC an eine Studio Classic-Domäne oder ein bestimmtes Benutzerprofil anzuhängen.

    • So starten Sie Ihre Studio Classic-Anwendung mit der Lebenszykluskonfiguration

      Sobald das LCC an eine Domäne oder ein Benutzerprofil angehängt ist, können betroffene Benutzer eine Studio Classic-Anwendung von der Landingpage von Studio Classic in Studio aus starten, um die vom LCC festgelegten Standardeinstellungen automatisch zu übernehmen. Dadurch wird die Studio Classic-Benutzeroberfläche beim Erstellen eines Autopilot-Experiments automatisch aufgefüllt.

    Create a LCC from the AWS CLI

    Verwenden Sie die folgenden Codefragmente, um eine Studio Classic-Anwendung zu starten, die Ihr Skript mit dem ausführt. AWS CLI Beachten Sie, dass lifecycle_config.sh der Name ist, den Ihr Skript in diesem Beispiel erhalten hat.

    Bevor Sie loslegen:

    • Stellen Sie sicher, dass Sie aktualisiert und konfiguriert haben, AWS CLI indem Sie die unter Erstellen einer Lebenszykluskonfiguration beschriebenen Voraussetzungen aus dem erfüllen. AWS CLI

    • Dokumentation zur Installation von OpenSSL. Der AWS CLI Befehl verwendet die Open-Source-Bibliothek OpenSSL, um Ihr Skript im Base64-Format zu codieren. Diese Anforderung verhindert Fehler, die bei der Kodierung von Leerzeichen und Zeilenumbrüchen auftreten.

    Sie können jetzt diese drei Schritten ausführen:

    • Erstellen Sie eine neue Lebenszykluskonfiguration, die auf das Konfigurationsskript lifecycle_config.sh verweist

      LCC_CONTENT=`openssl base64 -A -in lifecycle_config.sh`
      
      ## Create a new lifecycle config 
      aws sagemaker create-studio-lifecycle-config --region region \
      --studio-lifecycle-config-name lcc-name \
      --studio-lifecycle-config-content $LCC_CONTENT \
      --studio-lifecycle-config-app-type default

      Notieren Sie sich den ARN der neu erstellten Lebenszykluskonfiguration, die zurückgegeben wird. Dieser ARN ist erforderlich, um die Lebenszykluskonfiguration an Ihre Anwendung anzuhängen.

    • Hängen Sie die Lebenszykluskonfiguration an Ihre JupyterServerApp an

      Im folgenden Beispiel wird gezeigt, wie ein neues Benutzerprofil mit einer angehängten Lebenszykluskonfiguration erstellt wird. Verwenden Sie den Befehl, um ein vorhandenes Benutzerprofil zu aktualisieren. AWS CLI update-user-profile Informationen zum Erstellen oder Aktualisieren einer Domäne finden Sie unter create-domain und update-domain. Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorangegangenen Schritt zu den Einstellungen des JupyterServerAppSettings Anwendungstyps hinzu. Mit Hilfe einer Liste von Lebenszykluskonfigurationen können Sie mehrere Lebenszykluskonfigurationen gleichzeitig hinzufügen.

      # Create a new UserProfile
      aws sagemaker create-user-profile --domain-id domain-id \
      --user-profile-name user-profile-name \
      --region region \
      --user-settings '{
      "JupyterServerAppSettings": {
        "LifecycleConfigArns":
          ["lifecycle-configuration-arn"]
        }
      }'

      Sobald das LCC an eine Domain oder ein Benutzerprofil angehängt ist, können betroffene Benutzer ihre bestehende Studio Classic-Anwendung herunterfahren und aktualisieren, indem sie den Schritten unter Amazon SageMaker Studio Classic herunterfahren und aktualisieren folgen oder eine neue Studio Classic-Anwendung von der AWS Konsole aus starten, um die vom LCC festgelegten Standardeinstellungen automatisch zu übernehmen. Dadurch wird die Studio Classic-Benutzeroberfläche beim Erstellen eines Autopilot-Experiments automatisch aufgefüllt. Alternativ können sie wie folgt eine neue Studio Classic-Anwendung starten. AWS CLI

    • Starten Sie Ihre Studio Classic-Anwendung mit der Lebenszykluskonfiguration mithilfe der AWS CLI

      # Create a Jupyter Server application
      aws sagemaker create-app --domain-id domain-id \
      --user-profile-name user-profile-name \
      --region region \
      --app-type JupyterServer \
      --resource-spec LifecycleConfigArn=lifecycle-configuration-arn \
      --app-name default

      Weitere Informationen zum Erstellen einer Lebenszykluskonfiguration mit Hilfe des AWS CLI finden Sie unter Erstellen einer Lebenszykluskonfiguration aus dem AWS CLI.