SageMaker Bonnes pratiques en matière d'administration du studio

Date de publication : 25 avril 2023 (Révisions du document)

Résumé

Amazon SageMaker Studio fournit une interface visuelle Web unique dans laquelle vous pouvez effectuer toutes les étapes de développement du machine learning (ML), ce qui améliore la productivité des équipes de data science. SageMaker Studio vous offre un accès, un contrôle et une visibilité complets sur chaque étape requise pour créer, entraîner et évaluer des modèles.

Dans ce livre blanc, nous abordons les meilleures pratiques sur des sujets tels que le modèle d'exploitation, la gestion des domaines, la gestion des identités, la gestion des autorisations, la gestion du réseau, la journalisation, la surveillance et la personnalisation. Les meilleures pratiques décrites ici sont destinées au déploiement d'Enterprise SageMaker Studio, y compris les déploiements multi-locataires. Ce document est destiné aux administrateurs de plateformes ML, aux ingénieurs ML et aux architectes ML.

Êtes-vous Well-Architected ?

Le AWSWell-Architected Framework vous aide à comprendre les avantages et les inconvénients des décisions que vous prenez lors de la création de systèmes dans le cloud. Les six piliers du cadre vous permettent d'apprendre les meilleures pratiques architecturales pour concevoir et exploiter des systèmes fiables, sécurisés, efficaces, rentables et durables. À l'aide du AWS Well-Architected Tool, disponible gratuitement dans le AWS Management Console, vous pouvez évaluer votre charge de travail par rapport à ces meilleures pratiques en répondant à une série de questions pour chaque pilier.

Dans le Machine Learning Lens, nous nous concentrons sur la manière de concevoir, déployer et structurer vos charges de travail d'apprentissage automatique dans leAWS Cloud. Cet objectif s'ajoute aux meilleures pratiques décrites dans le Well-Architected Framework.

Introduction

Lorsque vous administrez SageMaker Studio en tant que plate-forme de ML, vous avez besoin de conseils sur les meilleures pratiques pour prendre des décisions éclairées afin de vous aider à adapter votre plate-forme de ML à mesure que vos charges de travail augmentent. Pour le provisionnement, l'opérationnalisation et le dimensionnement de votre plateforme ML, tenez compte des points suivants :

• Choisissez le bon modèle d'exploitation et organisez vos environnements de machine learning pour atteindre vos objectifs commerciaux.

• Choisissez comment configurer l'authentification de domaine SageMaker Studio pour les identités des utilisateurs et tenez compte des limites au niveau du domaine.

• Décidez comment fédérer l'identité et l'autorisation de vos utilisateurs à la plateforme ML pour des contrôles d'accès et des audits précis.

• Envisagez de configurer des autorisations et des garde-fous pour les différents rôles de vos personas ML.

• Planifiez la topologie de votre réseau de cloud privé virtuel (VPC) en tenant compte de la sensibilité de votre charge de travail ML, du nombre d'utilisateurs, des types d'instances, des applications et des tâches lancées.

• Classez et protégez vos données au repos et en transit grâce au chiffrement.

• Réfléchissez à la manière de consigner et de surveiller les différentes interfaces de programmation d'applications (API) et les activités des utilisateurs à des fins de conformité.

• Personnalisez l'expérience du bloc-notes SageMaker Studio avec vos propres images et scripts de configuration du cycle de vie.