MLOps形塑了Machine Learning模型開發的流程。如何在SageMaker上採納合適的MLOps呢?今天一起來看看兩種不同的MLOps服務架構。
整合Kubernetes的SageMaker,可以實現混合式的機器學習開發流程(Hybrid ML Workflow)。我們可以在Kubernets上運行SageMaker的Container服務,讓SageMaker上的模型開發服務,可以很彈性在Kubeernetes上作業。
SageMaker Project是SageMaker原生的MLOps開發環境,提供完整的機器學習模型生命週期。我們可經由SageMaker Pipeline來定義各個工作流程:
ChatGPT考試時間:
問題1:Amazon SageMaker Projects是什麼服務?
A) 一種大規模數據存儲服務。
B) 一種機器學習模型訓練工具。
C) 一種用於管理機器學習項目生命週期的服務。
D) 一種自動化部署工具。
答案:C) 一種用於管理機器學習項目生命週期的服務。
解釋: Amazon SageMaker Projects 是一項用於組織、協作和管理機器學習項目的服務,可幫助用戶更好地理解項目結構、追踪實驗、自動化工作流程等。
問題2:SageMaker Projects中的實驗追蹤有什麼作用?
A) 記錄團隊成員的工作時間。
B) 追踪項目的預算和成本。
C) 記錄每個實驗的詳細信息,包括超參數、指標和模型版本。
D) 確保項目的安全性。
答案:C) 記錄每個實驗的詳細信息,包括超參數、指標和模型版本。
解釋: 實驗追蹤功能用於記錄每個實驗的詳細信息,以便於比較不同實驗的性能和結果。
問題3:SageMaker Projects如何支持權限和安全性?
A) 它不提供任何權限和安全性功能。
B) 它使用常見的使用者名稱和密碼驗證。
C) 它支援 AWS Identity and Access Management (IAM) 集成,以提供精細的訪問控制。
D) 它要求用戶手動加密數據。
答案:C) 它支援 AWS Identity and Access Management (IAM) 集成,以提供精細的訪問控制。
解釋: SageMaker Projects 可以與 AWS Identity and Access Management (IAM) 集成,以提供對項目資源的精細訪問控制和權限管理。
問題4:SageMaker Operators for Kubernetes的主要功能是什麼?
A) 在Kubernetes中運行SageMaker模型。
B) 管理SageMaker培訓和部署作業的Kubernetes控制器。
C) 創建Kubernetes容器。
D) 設定Kubernetes節點。
答案:B) 管理SageMaker培訓和部署作業的Kubernetes控制器。
解釋: SageMaker Operators for Kubernetes 的主要功能是充當控制器,管理SageMaker培訓和部署作業,以實現更好的模型管理和佈署。
問題5:SageMaker K8s Operators如何實現模型的自動擴展?
A) 通過手動調整Kubernetes節點。
B) 通過設定SageMaker模型的複本數。
C) 通過設定SageMaker自動擴展。
D) 通過自動檢測工作負載並自動調整培訓工作的規模。
答案:D) 通過自動檢測工作負載並自動調整培訓工作的規模。
解釋: SageMaker K8s Operators支援自動擴展,它能夠根據工作負載自動調整培訓工作的規模。
問題6:SageMaker Operators for Kubernetes支援哪種安全性機制?
A) OAuth 2.0。
B) AWS Identity and Access Management (IAM)。
C) LDAP。
D) 開放式授權。
答案:B) AWS Identity and Access Management (IAM)。
解釋: SageMaker Operators for Kubernetes支援AWS IAM,以實現對資源的安全訪問控制。