Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Migre cargas de trabajo de aprendizaje automático: cree, entrene e implemente a Amazon SageMaker con herramientas para AWS desarrolladores
Creado por Scot Marvin () AWS
Tipo R: redefinir la plataforma | Origen: Machine Learning | Objetivo: Amazon SageMaker |
Creado por: AWS | Entorno: PoC o piloto | Tecnologías: aprendizaje automático e inteligencia artificial DevOps; migración |
AWSservicios: Amazon SageMaker |
Resumen
Este patrón proporciona orientación para migrar una aplicación de aprendizaje automático (ML) local que se ejecuta en servidores Unix o Linux para capacitarla e implementarla con AWS Amazon. SageMaker Esta implementación utiliza una canalización de integración continuas (CI/CD). El patrón de migración se implementa mediante una pila. AWS CloudFormation
Requisitos previos y limitaciones
Requisitos previos
Una AWS cuenta activa que usa AWSLanding Zone
AWSInterfaz de línea de comandos (AWSCLI)
instalada y configurada en su servidor Unix o Linux Un repositorio de código fuente de ML en Amazon Simple Storage Service (Amazon S3) o en Amazon Simple Storage Service (Amazon S3) GitHub AWS CodeCommit
Limitaciones
Solo se pueden implementar 300 canalizaciones individuales en una AWS región.
Este patrón está pensado para cargas de trabajo de aprendizaje automático supervisadas con train-and-deploy código en Python.
Versiones de producto
Docker versión 19.03.5, compilación 633a0ea, con Python 3.6x
Arquitectura
Pila de tecnología de origen
Instancia informática de Linux en las instalaciones con datos en el sistema de archivos local o en una base de datos relacional
Arquitectura de origen
Pila de tecnología de destino
AWS CodePipeline desplegado con Amazon S3 para el almacenamiento de datos y Amazon DynamoDB como almacén de metadatos para rastrear o registrar las ejecuciones de canalizaciones
Arquitectura de destino
Arquitectura de migración de aplicaciones
Paquete y AWS CodeCommit repositorio de Python nativos (y un SQL cliente, para conjuntos de datos locales en una instancia de base de datos)
Herramientas
Python
Git
AWSCLI— AWSCLI
Despliega la AWS CloudFormation pila y mueve los datos al depósito de S3. El bucket de S3, a su vez, conduce al objetivo.
Epics
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Valide el código fuente y los conjuntos de datos. | Científico de datos | |
| Identifique los tipos y tamaños de las instancias de creación, entrenamiento e implementación de destino. | Ingeniero de datos, científico de datos | |
| Cree una lista de capacidades y requisitos de capacidad. | ||
| Identifique requisitos de red. | DBA, administrador de sistemas | |
| Identifique requisitos de seguridad para acceder a la red o al host para las aplicaciones de origen y destino. | Ingeniero de ML, ingeniero de datos, administrador de sistemas | |
| Determine la estrategia de copia de seguridad. | Ingeniero de ML, administrador de sistemas | |
| Determine los requisitos de disponibilidad. | Ingeniero de ML, administrador de sistemas | |
| Identifique la estrategia de migración o transición de aplicaciones. | Científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Cree una nube privada virtual (VPC). | Ingeniero de ML, administrador de sistemas | |
| Cree grupos de seguridad. | Ingeniero de ML, administrador de sistemas | |
| Configure un bucket de Amazon S3 y ramas de AWS CodeCommit repositorio para el código ML. | Ingeniero de ML |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Utilice My SQL tools nativas o herramientas de terceros para migrar, entrenar, validar y probar conjuntos de datos al bucket de S3 aprovisionado. | Esto es necesario para la implementación de la AWS CloudFormation pila. | Ingeniero de datos, ingeniero de machine learning |
| Package el tren ML y el código de alojamiento como paquetes de Python y envíelos al repositorio aprovisionado en AWS CodeCommit o GitHub. | Necesitas el nombre de la rama del repositorio para implementar la AWS CloudFormation plantilla para la migración. | Científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Siga la estrategia de migración de la carga de trabajo de ML. | Propietario de la aplicación, ingeniero de machine learning | |
| Implemente la AWS CloudFormation pila. | Utilice AWS CLI para crear la pila declarada en la YAML plantilla proporcionada con esta solución. | Científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Cambie los clientes de la aplicación a la nueva infraestructura. | Propietario de la aplicación, científico de datos, ingeniero de machine learning |
| Tarea | Descripción | Habilidades requeridas |
|---|---|---|
| Cierre los AWS recursos temporales. | Cierre todos los recursos personalizados de la AWS CloudFormation plantilla (por ejemplo, las funciones de AWS Lambda que no se estén utilizando). | Científico de datos, ingeniero de machine learning |
| Revise y valide los documentos del proyecto. | Propietario de la aplicación, científico de datos | |
| Valide los resultados y las métricas de evaluación del modelo de ML con los operadores. | Asegúrese de que el rendimiento del modelo cumpla con las expectativas de los usuarios de la aplicación y sea comparable al estado en las instalaciones. | Propietario de la aplicación, científico de datos |
| Cerrar el proyecto y enviar comentarios. | Propietario de la aplicación, ingeniero de machine learning |
Recursos relacionados
Conexiones
Para acceder al contenido adicional asociado a este documento, descomprima el archivo: attachment.zip
