Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Esegui la migrazione di carichi di lavoro ML (build, training e deploy) su Amazon utilizzando SageMaker AWS Developer Tools
Creato da Scot Marvin (AWS)
Tipo R: Replatform | Fonte: Machine Learning | Obiettivo: Amazon SageMaker |
Creato da: AWS | Ambiente: PoC o pilota | Tecnologie: apprendimento automatico e intelligenza artificiale DevOps; migrazione |
Servizi AWS: Amazon SageMaker |
Riepilogo
Questo modello fornisce indicazioni per la migrazione di un'applicazione di machine learning (ML) locale in esecuzione su server Unix o Linux per essere addestrata e distribuita su AWS utilizzando Amazon. SageMaker Questa distribuzione utilizza una pipeline di integrazione e distribuzione continua (CI/CD). Il modello di migrazione viene distribuito utilizzando uno CloudFormation stack AWS.
Prerequisiti e limitazioni
Prerequisiti
Un account AWS attivo che utilizza AWS Landing Zone
AWS Command Line Interface (AWS CLI
) installata e configurata sul tuo server Unix o Linux Un repository di codice sorgente ML in AWS CodeCommit o Amazon Simple Storage Service (Amazon S3) GitHub
Limitazioni
È possibile implementare solo 300 singole pipeline in una regione AWS.
Questo modello è destinato a carichi di lavoro ML supervisionati con train-and-deploy codice in Python.
Versioni del prodotto
Versione Docker 19.03.5, build 633a0ea, usando Python 3.6x
Architettura
Stack tecnologico di origine
Istanza di calcolo Linux locale con dati sul file system locale o in un database relazionale
Architettura di origine
Stack tecnologico di destinazione
AWS è stato CodePipeline distribuito con Amazon S3 per l'archiviazione dei dati e Amazon DynamoDB come archivio di metadati per il monitoraggio o la registrazione delle esecuzioni delle pipeline
Architettura Target
Architettura di migrazione delle applicazioni
Pacchetto Python nativo e CodeCommit repository AWS (e un client SQL, per set di dati locali sull'istanza di database)
Strumenti
Python
Git
AWS CLI: l'AWS CLI distribuisce
lo CloudFormation stack AWS e sposta i dati nel bucket S3. Il bucket S3, a sua volta, conduce all'obiettivo.
Epiche
| Attività | Descrizione | Competenze richieste |
|---|---|---|
| Convalida il codice sorgente e i set di dati. | Data scientist | |
| Identifica i tipi e le dimensioni delle istanze di compilazione, addestramento e distribuzione di destinazione. | Ingegnere dei dati, scienziato dei dati | |
| Crea un elenco di funzionalità e requisiti di capacità. | ||
| Identifica i requisiti di rete. | DBA, amministratore di sistema | |
| Identifica i requisiti di sicurezza dell'accesso alla rete o all'host per le applicazioni di origine e di destinazione. | Ingegnere dei dati, ingegnere ML, amministratore di sistema | |
| Determina la strategia di backup. | Ingegnere ML, amministratore di sistema | |
| Determinare i requisiti di disponibilità. | Ingegnere ML, amministratore di sistema | |
| Identifica la strategia di migrazione o commutazione delle applicazioni. | Scienziato dei dati, ingegnere ML |
| Attività | Descrizione | Competenze richieste |
|---|---|---|
| Crea un cloud privato virtuale (Virtual Private Cloud (VPC)) | Ingegnere ML, amministratore di sistema | |
| Crea gruppi di sicurezza. | Ingegnere ML, amministratore di sistema | |
| Configura un bucket Amazon S3 e rami del CodeCommit repository AWS per il codice ML. | Ingegnere ML |
| Attività | Descrizione | Competenze richieste |
|---|---|---|
| Usa strumenti MySQL nativi o strumenti di terze parti per migrare set di dati, addestrare, convalidare e testare su un bucket S3 fornito. | Questo è necessario per la distribuzione di AWS CloudFormation stack. | Ingegnere dei dati, ingegnere ML |
| Package del train ML e del codice di hosting come pacchetti Python e invialo al repository fornito in AWS o. CodeCommit GitHub | È necessario il nome del ramo del repository per distribuire il CloudFormation modello AWS per la migrazione. | Scienziato dei dati, ingegnere ML |
| Attività | Descrizione | Competenze richieste |
|---|---|---|
| Segui la strategia di migrazione dei carichi di lavoro ML. | Proprietario dell'applicazione, ingegnere ML | |
| Implementa lo CloudFormation stack AWS. | Utilizza l'AWS CLI per creare lo stack dichiarato nel modello YAML fornito con questa soluzione. | Scienziato dei dati, ingegnere ML |
| Attività | Descrizione | Competenze richieste |
|---|---|---|
| Trasferisci i client applicativi alla nuova infrastruttura. | Proprietario dell'applicazione, data scientist, ingegnere ML |
| Attività | Descrizione | Competenze richieste |
|---|---|---|
| Chiudi le risorse AWS temporanee. | Chiudi tutte le risorse personalizzate dal CloudFormation modello AWS (ad esempio, tutte le funzioni AWS Lambda che non vengono utilizzate). | Scienziato dei dati, ingegnere ML |
| Rivedi e convalida i documenti del progetto. | Proprietario dell'applicazione, Data scientist | |
| Convalida i risultati e le metriche di valutazione del modello ML con gli operatori. | Assicurati che le prestazioni del modello corrispondano alle aspettative degli utenti dell'applicazione e siano paragonabili allo stato locale. | Proprietario dell'applicazione, Data scientist |
| Chiudi il progetto e fornisci feedback. | Proprietario dell'applicazione, ingegnere ML |
Risorse correlate
Allegati
