详细内容或原文请订阅后点击阅览
大规模管理 ML 生命周期，第 4 部分：使用安全和治理控制扩展 MLOps
这篇文章提供了设置多账户 ML 平台关键组件的详细步骤。这包括配置 ML 共享服务账户，该账户管理中央模板、模型注册表和部署管道；从中央服务目录共享 ML Admin 和 SageMaker 项目组合；以及设置单独的 ML 开发账户，数据科学家可以在其中构建和训练模型。
来源:亚马逊云科技 _机器学习数据科学团队在将模型从开发环境过渡到生产环境时经常面临挑战。这些挑战包括难以将数据科学团队的模型集成到 IT 团队的生产环境中，需要改进数据科学代码以满足企业安全和治理标准，获取生产级数据的访问权限，以及保持机器学习 (ML) 管道中的可重复性和可再现性，如果没有适当的平台基础设施和标准化模板，这些都很难实现。
这篇文章是“大规模管理 ML 生命周期”系列（第 1 部分、第 2 部分、第 3 部分）的一部分，解释了如何设置和管理解决这些挑战的多帐户 ML 平台。该平台为 ML 团队提供安全环境的自助服务配置、使用预定义模板加速模型开发、用于协作和重用的集中模型注册表以及标准化模型批准和部署流程。
第 1 部分 第 2 部分 第 3 部分企业可能在 ML 生命周期中涉及以下角色。每个角色的功能因公司而异。在本文中，我们根据 ML 生命周期为每个角色分配以下功能：