SageMaker Bewährte Methoden für die Studio-Administration - SageMaker Bewährte Methoden für die Studio-Administration
ÜberblickSind Sie Well-Architected? Einführung

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

SageMaker Bewährte Methoden für die Studio-Administration

Datum der Veröffentlichung: 25. April 2023 (Dokumentversionen)

Überblick

Amazon SageMaker AI Studio bietet eine einzige, webbasierte visuelle Oberfläche, über die Sie alle Entwicklungsschritte des maschinellen Lernens (ML) durchführen können, was die Produktivität von Data-Science-Teams verbessert. SageMaker AI Studio bietet Ihnen vollständigen Zugriff, Kontrolle und Transparenz für jeden Schritt, der zum Erstellen, Trainieren und Evaluieren von Modellen erforderlich ist.

In diesem Whitepaper besprechen wir bewährte Methoden für Themen wie Betriebsmodell, Domänenmanagement, Identitätsmanagement, Berechtigungsmanagement, Netzwerkmanagement, Protokollierung, Überwachung und Anpassung. Die hier erörterten Best Practices sind für die Bereitstellung von SageMaker KI Studio in Unternehmen, einschließlich Bereitstellungen mit mehreren Mandanten, vorgesehen. Dieses Dokument richtet sich an ML-Plattformadministratoren, ML-Ingenieure und ML-Architekten.

Sind Sie Well-Architected?

Das AWS Well-Architected Framework hilft Ihnen dabei, die Vor- und Nachteile der Entscheidungen zu verstehen, die Sie beim Aufbau von Systemen in der Cloud treffen. Die sechs Säulen des Frameworks ermöglichen es Ihnen, bewährte Architekturpraktiken für den Entwurf und Betrieb zuverlässiger, sicherer, effizienter, kostengünstiger und nachhaltiger Systeme kennenzulernen. Mithilfe des AWS Well-Architected Tool, das kostenlos im verfügbar ist AWS Management Console, können Sie Ihre Workloads anhand dieser bewährten Methoden überprüfen, indem Sie für jede Säule eine Reihe von Fragen beantworten.

In der Machine Learning Lens konzentrieren wir uns darauf, wie Sie Ihre Workloads für maschinelles Lernen in der AWS Cloud entwerfen, bereitstellen und gestalten können. Diese Linse ergänzt die im Well-Architected Framework beschriebenen Best Practices.

Einführung

Wenn Sie SageMaker AI Studio als Ihre ML-Plattform verwalten, benötigen Sie Anleitungen zu bewährten Methoden, um fundierte Entscheidungen treffen zu können, damit Sie Ihre ML-Plattform skalieren können, wenn Ihre Workloads wachsen. Beachten Sie bei der Bereitstellung, Operationalisierung und Skalierung Ihrer ML-Plattform Folgendes:

  • Wählen Sie das richtige Betriebsmodell und organisieren Sie Ihre ML-Umgebungen so, dass sie Ihre Geschäftsziele erreichen.

  • Wählen Sie aus, wie die SageMaker AI Studio-Domänenauthentifizierung für Benutzeridentitäten eingerichtet werden soll, und berücksichtigen Sie dabei die Einschränkungen auf Domänenebene.

  • Entscheiden Sie, wie Sie die Identität und Autorisierung Ihrer Benutzer mit der ML-Plattform verbinden möchten, um detaillierte Zugriffskontrollen und Prüfungen zu ermöglichen.

  • Erwägen Sie, Berechtigungen und Leitplanken für verschiedene Rollen Ihrer ML-Personas einzurichten.

  • Planen Sie Ihre Virtual Private Cloud (VPC) -Netzwerktopologie unter Berücksichtigung der Sensitivität Ihres ML-Workloads, der Anzahl der Benutzer, der Instanztypen, der Apps und der gestarteten Jobs.

  • Klassifizieren und schützen Sie Ihre Daten im Ruhezustand und bei der Übertragung mit Verschlüsselung.

  • Überlegen Sie, wie Sie verschiedene Anwendungsprogrammierschnittstellen (APIs) und Benutzeraktivitäten protokollieren und überwachen können, um die Einhaltung der Vorschriften zu gewährleisten.

  • Passen Sie das SageMaker AI Studio-Notebook-Erlebnis mit Ihren eigenen Bildern und Lebenszyklus-Konfigurationsskripten an.