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。

SageMaker Operators for Kubernetes

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 Projects

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：

• 開發環境初始化(build image)
• 資料前處理
• 特徵工程
• 模型訓練
• 模型績效評估
• 模型部署
• 監控與更新模型

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。