Risorse e passaggi successivi

Questa guida illustra alcune considerazioni da prendere in considerazione quando si pianifica il ciclo di vita dei modelli di machine learning che si desidera portare in produzione. Descrive le sfide e le migliori pratiche in quattro aree (dati, formazione, implementazione e monitoraggio) e include risorse aggiuntive pertinenti.

AWS fornisce il Well-Architected Framework, che aiuta gli architetti del cloud a creare infrastrutture sicure, ad alte prestazioni, resilienti ed efficienti per una varietà di applicazioni, carichi di lavoro e domini tecnologici. Per ulteriori informazioni, consulta il Machine Learning Lens offerto da AWS Well-Architected.

Risorse

SageMaker Documentazione Amazon

• Amazon SageMaker Feature Store

• Sicurezza e controllo degli accessi del Feature Store

• Valori Shapley

• Amazon SageMaker Debugger

• Amazon SageMaker Pipeline

• Modelli di progetto SageMaker predefiniti di Amazon

• SageMakerinferenza in tempo reale

• Ridimensiona automaticamente SageMaker i modelli Amazon

• Inferenza SageMaker asincrona di Amazon

• SageMaker Modello Monitor

AWS strumenti per sviluppatori

• AWS CodePipeline

AWS post sul blog

• Comprendere le funzionalità chiave di Amazon SageMaker Feature Store

• Test della qualità dei dati su larga scala con PyDeequ

• SageMaker Esperimenti Amazon

• Distribuzione e monitoraggio sicuri degli SageMaker endpoint Amazon con e CodePipeline AWS CodeDeploy

• Implementa modelli Shadow ML in Amazon SageMaker

• A/B Testing di modelli ML in produzione con Amazon SageMaker