详细内容或原文请订阅后点击阅览
使用 AWS Controllers for Kubernetes 部署 Amazon SageMaker 管道
在本文中，我们展示了熟悉 Jupyter 笔记本和 SageMaker 环境的 ML 工程师如何与熟悉 Kubernetes 和相关工具的 DevOps 工程师高效合作，设计和维护具有适合其组织的基础架构的 ML 管道。这使 DevOps 工程师能够使用他们习惯的同一套工具和环境来管理 ML 生命周期的所有步骤。
来源:亚马逊云科技 _机器学习Kubernetes是用于管理容器的流行编排平台。它的可扩展性和负载平衡功能使其非常适合处理机器学习（ML）应用程序典型的可变工作负载。 DevOps工程师经常使用Kubernetes来管理和扩展ML应用程序，但是在使用ML模型之前，必须对其进行培训和评估，如果获得的模型的质量令人满意，则将其上传到模型注册表。
Amazon SageMaker提供了删除建筑物和部署ML模型的不体分化繁重的功能。 Sagemaker简化了管理依赖性，容器图像，自动缩放和监视的过程。专门针对模型构建阶段，Amazon Sagemaker管道通过管理处理数据，训练模型和运行评估测试所需的基础架构和资源来自动化该过程。
Amazon Sagemaker Amazon Sagemaker Pipelines对DevOps工程师的挑战是使用Kubernetes来管理部署阶段的额外复杂性，同时诉诸其他工具（例如AWS SDK或AWS Cloud Formation）来管理模型构建管道。简化此过程的一种替代方法是将AWS控制器用于Kubernetes（ACK）来管理和部署SageMaker培训管道。 ACK允许您利用托管模型构建管道，而无需在Kubernetes群集之外定义资源。
AWS CloudFormation aws kubernetes的控制器在这篇文章中，我们介绍了一个示例，以帮助DevOps工程师使用相同的工具包管理整个ML生命周期（包括培训和推理）。
解决方案概述
JSON管道定义 亚马逊简单存储服务 AWS密钥管理服务 Amazon S3 Amazon Elastic Kubernetes服务先决条件
要跟随，您应该有以下先决条件：
iam：createrole
iam：artachrolepolicy
教程