详细内容或原文请订阅后点击阅览
在 Amazon SageMaker 中识别空闲终端节点
Amazon SageMaker 是一个机器学习 (ML) 平台，旨在简化大规模构建、训练、部署和管理 ML 模型的过程。 SageMaker 提供全面的工具和服务，为开发人员和数据科学家提供加速开发和部署 ML 解决方案所需的资源。在当今快节奏的技术环境中，[…]
来源:亚马逊云科技 _机器学习Amazon SageMaker 是一个机器学习 (ML) 平台，旨在简化大规模构建、训练、部署和管理 ML 模型的过程。凭借全面的工具和服务套件，SageMaker 为开发人员和数据科学家提供了加速开发和部署 ML 解决方案所需的资源。
Amazon SageMaker在当今快节奏的技术环境中，效率和敏捷性对于努力创新的企业和开发人员至关重要。AWS 通过提供一系列抽象化基础设施管理复杂性的服务，在实现这一创新方面发挥着关键作用。通过处理配置、扩展和管理资源等任务，AWS 允许开发人员更加专注于其核心业务逻辑并快速迭代新想法。
随着开发人员部署和扩展应用程序，闲置的 SageMaker 端点等未使用的资源可能会在不知不觉中积累，从而导致更高的运营成本。本文讨论了在 SageMaker 中识别和管理闲置端点的问题。我们探索有效监控 SageMaker 端点并区分活动端点和空闲端点的方法。此外，我们还介绍了一个 Python 脚本，该脚本使用 Amazon CloudWatch 指标自动识别空闲端点。
Amazon CloudWatch 指标使用 Python 脚本识别空闲端点
为了有效管理 SageMaker 端点并优化资源利用率，我们使用一个 Python 脚本，该脚本使用 AWS SDK for Python (Boto3) 与 SageMaker 和 CloudWatch 交互。此脚本自动执行查询 CloudWatch 指标以确定端点活动的过程，并根据指定时间段内的调用次数识别空闲端点。
AWS SDK for Python (Boto3)让我们分解 Python 脚本的关键组件，并解释每个部分如何有助于识别空闲端点：
NAMESPACE
METRIC
LOOKBACK
PERIOD
main()
运行脚本所需的权限
cloudwatch:GetMetricData