PoC Machine Learning · Amazon SageMaker

Isolada do Dev Factory · cada passo mostra a peça do DF que faria o mesmo

De ponta a ponta

  1. Treinar por um dos caminhos: pesos treinados fora (T1), script próprio no SageMaker (T2) ou modelo pronto ajustado (T3). No DF: template "modelo" + MlProvisioner dispara o treino.
  2. Versionar: toda versão entra no registro (Model Registry) com métricas e fica pendente de aprovação. No DF: lista de versões do modelo no projeto.
  3. Aprovar: só versão aprovada publica. No DF: quem tem project.update aprova.
  4. Publicar num caminho de consumo: serverless (C1), instância (C2), assíncrono (C3) ou lote (C4). No DF: MlProvisioner cria o endpoint.
  5. Inferir e comparar tempo e custo. No DF: services-machine-learning em /apis/ml, com a project key.

O que existe nesta fase (F1)

T1 com os pesos atuais do modelo de isoladores, registro e aprovação, publicação e teste no serverless. Os demais caminhos entram nas fases seguintes.

componenteo que fazcusta parado?
Model Registry (grupo ml-poc-isoladores)guarda as versões, métricas e a aprovaçãonão
Modeljunta imagem pronta da AWS, pacote do modelo e rolenão
Endpoint serverlessresponde na hora; frio ~25 s, quente ~1 s; até 4 MBnão
Endpoint de instância / assíncronomáquina dedicada (CPU ou GPU) / filasim, enquanto ligado