La gestión de los flujos de trabajo de ModelOps se ha vuelto más sencilla gracias a Amazon SageMaker AI Projects, que introduce la opción de utilizar plantillas basadas en Amazon S3. Esta innovación permite a los equipos de ciencia de datos almacenar y administrar plantillas de proyectos de aprendizaje automático (ML) sin la complejidad previa asociada a AWS Service Catalog, que requería la configuración de carteras, productos y permisos complicados, aumentando la carga administrativa antes de que se pudiera iniciar la construcción de las tuberías de ML.
Con las nuevas plantillas basadas en S3, los administradores pueden gestionar el ciclo de vida completo de las plantillas de AWS CloudFormation, utilizando características familiares de S3, como la versión, las políticas de ciclo de vida y la replicación entre regiones. Esto significa que las organizaciones pueden proporcionar a sus equipos de ciencia de datos plantillas de proyectos automatizadas, seguras y controladas por versiones con una carga administrativa considerablemente menor.
Amazon SageMaker AI Projects permite crear, compartir y administrar proyectos de ModelOps completamente configurados, organizando el código, los datos y los experimentos en un entorno estructurado que facilita la colaboración y la reproducibilidad. Cada proyecto puede incluir pipelines de integración y entrega continua (CI/CD), registros de modelos y configuraciones de despliegue, lo que ayuda a estandarizar las prácticas de ModelOps y a acelerar el tiempo de valor.
La actualización más reciente de SageMaker AI Projects permite que los administradores almacenen y gestionen las plantillas de proyectos de ML directamente en Amazon S3, eliminando la complejidad y ofreciendo una alternativa más flexible en comparación con el uso de Service Catalog. Al hacerlo, se mejora la consistencia y el cumplimiento de estándares internos a gran escala.
La nueva funcionalidad de plantillas S3 permite a los equipos de ciencia de datos lanzar nuevos proyectos ModelOps a través de SageMaker AI, facilitando su integración con repositorios de GitHub y GitHub Actions. Esto significa que los equipos pueden contar con un aprovisionamiento de un entorno de ML completamente funcional con un solo clic, reduciendo significativamente el tiempo y esfuerzo necesario para la configuración.
El uso de plantillas basadas en S3 también facilita la gobernanza y el cumplimiento de los estándares organizacionales necesarios para la seguridad y la gestión de recursos, al tiempo que permite que los científicos de datos se concentren en resolver problemas de ML en lugar de preocuparse por aspectos infraestructurales.
En resumen, la introducción de las plantillas S3 en Amazon SageMaker AI Projects representa un avance significativo para simplificar la creación y gestión de proyectos de ModelOps, ofreciendo a las organizaciones una manera más eficiente de operar en el ámbito del aprendizaje automático mientras se mantienen los controles de gobernanza y seguridad adecuados.
vía: AWS machine learning blog
