Prácticas recomendadas de administración de SageMaker Studio

Fecha de publicación: 25 de abril de 2023 (Revisiones del documento)

Resumen

Amazon SageMaker Studio proporciona una única interfaz visual basada en la web donde puede realizar todos los pasos de desarrollo de machine learning (ML), lo que mejora la productividad del equipo de ciencia de datos. SageMaker Studio proporciona acceso, control y visibilidad completos de cada paso necesario para crear, entrenar y evaluar modelos.

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 le ayuda a entender las ventajas y desventajas de las decisiones que toma al crear sistemas en la nube. Los seis pilares del marco le permitirán aprender las prácticas recomendadas de arquitectura para diseñar y utilizar sistemas fiables, seguros, eficientes, rentables y sostenibles. Mediante AWS Well-Architected Tool, disponible sin costo alguno en la AWS Management Console, puede comparar las cargas de trabajo con estas prácticas recomendadas respondiendo a una serie de preguntas para cada pilar.

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.