Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Migrez les charges de travail de création, de formation et de déploiement de ML vers Amazon à SageMaker l'aide des outils de développement AWS
Créée par Scot Marvin (AWS)
Type R : Replateforme | Source : Machine Learning | Cible : Amazon SageMaker |
Créé par : AWS | Environnement : PoC ou pilote | Technologies : apprentissage automatique et intelligence artificielle DevOps ; migration |
Services AWS : Amazon SageMaker |
Récapitulatif
Ce modèle fournit des conseils pour la migration d'une application d'apprentissage automatique (ML) sur site exécutée sur des serveurs Unix ou Linux pour être entraînée et déployée sur AWS à l'aide d'Amazon. SageMaker Ce déploiement utilise un pipeline d'intégration continue et de déploiement continu (CI/CD). Le modèle de migration est déployé à l'aide d'une CloudFormation pile AWS.
Conditions préalables et limitations
Prérequis
Un compte AWS actif utilisant AWS Landing Zone
Interface de ligne de commande (AWS CLI)
(AWS CLI) installée et configurée sur votre serveur Unix ou Linux Un référentiel de code source ML dans AWS CodeCommit ou Amazon Simple Storage Service (Amazon S3) GitHub
Limites
Seuls 300 pipelines individuels peuvent être déployés dans une région AWS.
Ce modèle est destiné aux charges de travail ML supervisées avec train-and-deploy du code en Python.
Versions du produit
Docker version 19.03.5, build 633a0ea, avec Python 3.6x
Architecture
Pile technologique source
Instance de calcul Linux sur site avec des données sur le système de fichiers local ou dans une base de données relationnelle
Architecture source
Pile technologique cible
AWS a été CodePipeline déployé avec Amazon S3 pour le stockage des données et Amazon DynamoDB comme magasin de métadonnées pour le suivi ou la journalisation des cycles de pipeline
Architecture cible
Architecture de migration des applications
Package Python natif et CodeCommit référentiel AWS (et un client SQL, pour les ensembles de données sur site sur une instance de base de données)
Outils
Python
Git
AWS CLI — L'AWS CLI
déploie la CloudFormation pile AWS et déplace les données vers le compartiment S3. Le compartiment S3 mène à son tour à la cible.
Épopées
| Tâche | Description | Compétences requises |
|---|---|---|
| Validez le code source et les ensembles de données. | Spécialiste des données | |
| Identifiez les types et tailles d'instances cibles de création, de formation et de déploiement. | Ingénieur de données, data scientist | |
| Créez une liste de capacités et des exigences de capacité. | ||
| Identifiez les exigences du réseau. | DBA, administrateur système | |
| Identifiez les exigences de sécurité d'accès au réseau ou à l'hôte pour les applications source et cible. | Ingénieur de données, ingénieur ML, administrateur système | |
| Déterminez la stratégie de sauvegarde. | Ingénieur ML, administrateur système | |
| Déterminez les exigences de disponibilité. | Ingénieur ML, administrateur système | |
| Identifiez la stratégie de migration ou de transition des applications. | Data scientist, ingénieur ML |
| Tâche | Description | Compétences requises |
|---|---|---|
| Créer un cloud privé virtuel (VPC) | Ingénieur ML, administrateur système | |
| Créez des groupes de sécurité. | Ingénieur ML, administrateur système | |
| Configurez un compartiment Amazon S3 et des branches de CodeCommit référentiel AWS pour le code ML. | Ingénieur ML |
| Tâche | Description | Compétences requises |
|---|---|---|
| Utilisez des outils MySQL natifs ou des outils tiers pour migrer, former, valider et tester des ensembles de données vers un compartiment S3 provisionné. | Cela est nécessaire pour le déploiement d'AWS CloudFormation Stack. | Ingénieur de données, ingénieur ML |
| Package du train ML et du code d'hébergement sous forme de packages Python et transfert vers le référentiel provisionné dans AWS CodeCommit ou GitHub. | Vous avez besoin du nom de branche du référentiel pour déployer le CloudFormation modèle AWS à des fins de migration. | Data scientist, ingénieur ML |
| Tâche | Description | Compétences requises |
|---|---|---|
| Suivez la stratégie de migration de la charge de travail ML. | Propriétaire de l'application, ingénieur ML | |
| Déployez la CloudFormation pile AWS. | Utilisez la CLI AWS pour créer la pile déclarée dans le modèle YAML fourni avec cette solution. | Data scientist, ingénieur ML |
| Tâche | Description | Compétences requises |
|---|---|---|
| Basculez les clients de l'application vers la nouvelle infrastructure. | Propriétaire de l'application, data scientist, ingénieur ML |
| Tâche | Description | Compétences requises |
|---|---|---|
| Arrêtez les ressources AWS temporaires. | Arrêtez toutes les ressources personnalisées du CloudFormation modèle AWS (par exemple, les fonctions AWS Lambda qui ne sont pas utilisées). | Data scientist, ingénieur ML |
| Passez en revue et validez les documents du projet. | Propriétaire de l'application, data scientist | |
| Validez les résultats et les métriques d'évaluation du modèle ML avec les opérateurs. | Assurez-vous que les performances du modèle correspondent aux attentes des utilisateurs de l'application et sont comparables à celles de l'état sur site. | Propriétaire de l'application, data scientist |
| Clôturez le projet et faites part de vos commentaires. | Propriétaire de l'application, ingénieur ML |
Ressources connexes
Pièces jointes
