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.
Prácticas recomendadas de administración de SageMaker Studio
Fecha de publicación: 25 de abril de 2023 (Revisiones del documento)
Resumen
Amazon SageMaker Studio
En este documento técnico, analizamos las prácticas recomendadas en temas como el modelo operativo, la administración de dominios, la administración de identidades, la administración de permisos, la administración de redes, el registro, la supervisión y la personalización. Las prácticas recomendadas que se describen aquí están indicadas para la implementación empresarial de SageMaker Studio, incluidas las implementaciones de varios inquilinos. Este documento está dirigido a administradores de plataformas de ML, ingenieros de ML y arquitectos de ML.
¿Tiene Well-Architected?
El marco de AWS Well-Architected
En el Enfoque de Machine Learning, nos centramos en cómo diseñar, implementar y crear las cargas de trabajo de machine learning en Nube de AWS. Este enfoque se suma a las prácticas recomendadas descritas en el Marco de Well-Architected.
Introducción
Cuando administra SageMaker Studio como su plataforma de machine learning, necesita orientación sobre las prácticas recomendadas para tomar decisiones informadas que le ayuden a escalar su plataforma de machine learning a medida que crecen sus cargas de trabajo. Para aprovisionar, poner en funcionamiento y escalar su plataforma de machine learning, tenga en cuenta lo siguiente:
-
Elija el modelo operativo adecuado y organice sus entornos de machine learning para cumplir sus objetivos empresariales.
-
Elija cómo configurar la autenticación de dominios de SageMaker Studio para las identidades de usuario y tenga en cuenta las limitaciones a nivel de dominio.
-
Decida cómo federar la identidad y la autorización de sus usuarios con la plataforma de machine learning para realizar auditorías y controles de acceso detallados.
-
Se recomienda configurar permisos y barreras de protección para los distintos roles de las personas de machine learning.
-
Planifique la topología de su red de nube privada virtual (VPC) teniendo en cuenta la sensibilidad de la carga de trabajo de machine learning, la cantidad de usuarios, los tipos de instancias, las aplicaciones y los trabajos lanzados.
-
Clasifique y proteja los datos en reposo y en tránsito con cifrado.
-
Considere cómo registrar y supervisar las diversas interfaces de programación de aplicaciones (API) y las actividades de los usuarios para garantizar la conformidad.
-
Personalice la experiencia del cuaderno de SageMaker Studio con sus propias imágenes y scripts de configuración del ciclo de vida.