新的Amazon工具简化了容器化机器学习模型的交付

 
作为本周AWS re：Invent即将发布的一系列公告的一部分，亚马逊宣布发布适用于Kubernetes的Amazon SageMaker Operators，这是数据科学家和开发人员简化培训，调整和部署容器化机器学习模型的一种方式。
将机器学习模型打包在容器中可以帮助它们更快地在组织内部工作，但是要到达那里通常需要大量额外的管理才能使其全部正常工作。旨在使Kubernetes的Amazon SageMaker Operators可以更轻松地运行和管理这些容器，运行模型所需的基础架构以及与之关联的所有工作流程。
“尽管Kubernetes为客户提供了控制和可移植性，但在Kubernetes集群上运行ML工作负载却带来了独特的挑战。例如，基础架构需要额外的管理，例如针对利用率，成本和性能进行优化;遵守适当的安全和法规要求;并确保高可用性和可靠性。” AWS的Aditya Bindal在介绍该新功能的博客文章中写道。
当您将其与与在组织内部大规模交付机器学习模型相关的工作流结合在一起时，它就成为更大的交付管道的一部分，这是跨部门和各种资源需求进行管理所面临的挑战。
这正是Amazon SageMaker Operators for Kubernetes旨在帮助DevOps团队完成的工作。 “用于Kubernetes的Amazon SageMaker运营商弥合了这一鸿沟，现在，客户无需再承担整合Amazon SageMaker和Kubernetes工作流的所有繁重工作。从今天开始，使用Kubernetes的客户可以简单地致电Amazon SageMaker，这是一种模块化的，完全托管的服务，可以更轻松地大规模构建，训练和部署机器学习(ML)模型。” Bindal写道。
Kubernetes的承诺是它可以在适当的时候协调容器的交付，但是如果您没有自动交付基础基础架构，那么您可能会过度(或不足)配置，并且无法提供运行所需的正确资源量工作。正是这个新工具与SageMaker结合在一起可以提供帮助。
Bindal写道：“借助Amazon SageMaker中的工作流，可以预先配置和优化计算资源，仅在请求时进行调配，根据需要进行扩展，并在作业完成时自动关闭，从而提供近100%的利用率。”
适用于Kubernetes的Amazon SageMaker Operators现已在部分AWS区域提供。