Práticas recomendadas de administração do SageMaker Studio

Data de publicação: 25 de abril de 2023 (Revisões do documento)

Resumo

O Amazon SageMaker Studio fornece uma interface visual única, baseada na web, na qual você pode realizar todas as etapas de desenvolvimento de aprendizado de máquina (ML), o que melhora a produtividade da equipe de ciência de dados. O SageMaker Studio oferece acesso, controle e visibilidade completos de cada etapa necessária para criar, treinar e avaliar modelos.

Neste whitepaper, discutimos as melhores práticas para assuntos que incluem modelo operacional, gerenciamento de domínio, gerenciamento de identidades, gerenciamento de permissões, gerenciamento de rede, registro, monitoramento e personalização. As melhores práticas discutidas aqui se destinam à implantação corporativa do SageMaker Studio, incluindo implantações multilocatárias. Este documento é destinado a administradores de plataformas de ML, engenheiros de ML e arquitetos de ML.

Você é Well-Architected?

O AWSWell-Architected Framework ajuda você a entender os prós e os contras das decisões que você toma ao criar sistemas na nuvem. Os seis pilares do framework permitem a você conhecer as melhores práticas de arquitetura para criar e operar sistemas confiáveis, seguros, econômicos e sustentáveis na nuvem. Usando o AWS Well-Architected Tool, disponível gratuitamente no AWS Management Console, você pode analisar suas cargas de trabalho em relação a essas melhores práticas respondendo a um conjunto de perguntas para cada pilar.

No Machine Learning Lens, nos concentramos em como projetar, implantar e arquitetar suas cargas de trabalho de aprendizado de máquina no Nuvem AWS. Essa lente se soma às melhores práticas descritas no Well-Architected Framework.

Introdução

Ao administrar o SageMaker Studio como sua plataforma de ML, você precisa de orientação sobre as melhores práticas para tomar decisões informadas que o ajudem a escalar sua plataforma de ML à medida que suas cargas de trabalho crescem. Para provisionar, operacionalizar e escalar sua plataforma de ML, considere o seguinte:

• Escolha o modelo operacional certo e organize seus ambientes de ML para atender aos seus objetivos de negócios.

• Escolha como configurar a autenticação de domínio do SageMaker Studio para identidades de usuário e considere as limitações em nível de domínio.

• Decida como federar a identidade e a autorização de seus usuários na plataforma de ML para controles de acesso e auditoria refinados.

• Considere configurar permissões e proteções para várias funções de suas personas de ML.

• Planeje sua topologia de rede de nuvem privada virtual (VPC), considerando a sensibilidade da sua carga de trabalho de ML, o número de usuários, os tipos de instância, os aplicativos e os trabalhos lançados.

• Classifique e proteja seus dados em repouso e em trânsito com criptografia.

• Considere como registrar e monitorar várias interfaces de programação de aplicativos (APIs) e atividades do usuário para fins de conformidade.

• Personalize a experiência do notebook do SageMaker Studio com suas próprias imagens e scripts de configuração do ciclo de vida.