Nuevas herramientas de gobernanza de ML para Amazon SageMaker: simplifique el control de acceso y mejore la transparencia en sus proyectos de ML | Servicios web de Amazon

A medida que las empresas adoptan cada vez más el aprendizaje automático (ML) para sus aplicaciones comerciales, buscan formas de mejorar la gobernanza de sus proyectos de ML con un control de acceso simplificado y una visibilidad mejorada en todo el ciclo de vida de ML. Un desafío común en ese esfuerzo es administrar el conjunto correcto de permisos de usuario en diferentes grupos y actividades de ML. Por ejemplo, un científico de datos en su equipo que crea y entrena modelos generalmente requiere permisos diferentes que un ingeniero de MLOps que administra canalizaciones de ML. Otro desafío es mejorar la visibilidad de los proyectos de ML. Por ejemplo, la información del modelo, como el uso previsto, los casos de uso fuera del alcance, la clasificación de riesgos y los resultados de la evaluación, a menudo se captura y comparte a través de correos electrónicos o documentos. Además, a menudo no existe un mecanismo simple para monitorear e informar sobre el comportamiento de su modelo implementado.

Es por eso que estoy emocionado de anunciar un nuevo conjunto de herramientas de gobierno de ML para Amazon SageMaker.

Como administrador del sistema o plataforma de ML, ahora puede usar Administrador de funciones de Amazon SageMaker para definir permisos personalizados para los usuarios de SageMaker en minutos, para que pueda incorporar a los usuarios más rápido. Como profesional de ML, propietario de una empresa o responsable de cumplimiento y riesgo modelo, ahora puede utilizar Tarjetas modelo de Amazon SageMaker para documentar la información del modelo desde la concepción hasta el despliegue y Panel de modelos de Amazon SageMaker para monitorear todos sus modelos implementados a través de un tablero unificado.

Profundicemos más en cada herramienta y le mostraré cómo comenzar.

Presentación del Administrador de funciones de Amazon SageMaker
SageMaker Role Manager le permite definir permisos personalizados para los usuarios de SageMaker en minutos. Viene con un conjunto de plantillas de políticas predefinidas para diferentes personas y actividades de ML. Las personas representan los diferentes tipos de usuarios que necesitan permisos para realizar actividades de ML en SageMaker, como científicos de datos o ingenieros de MLOps. Las actividades de ML son un conjunto de permisos para realizar una tarea de ML común, como ejecutar aplicaciones de SageMaker Studio o administrar experimentos, modelos o canalizaciones. También puede definir personas adicionales, agregar actividades de ML y sus políticas administradas para satisfacer sus necesidades específicas. Una vez que haya seleccionado el tipo de persona y el conjunto de actividades de ML, SageMaker Role Manager crea automáticamente el rol y las políticas de AWS Identity and Access Management (IAM) necesarios que puede asignar a los usuarios de SageMaker.

Introducción a las funciones de SageMaker y IAM
Un rol es una identidad de IAM que tiene permisos para realizar acciones con los servicios de AWS. Además de las funciones de usuario que asume un usuario a través de la federación de un proveedor de identidad (IdP) o la consola de AWS, Amazon SageMaker requiere funciones de servicio (también conocidas como funciones de ejecución) para realizar acciones en nombre del usuario. SageMaker Role Manager lo ayuda a crear estos roles de servicio:

• Función informática de SageMaker – Brinda a los recursos informáticos de SageMaker la capacidad de realizar tareas como capacitación e inferencia, que generalmente se usan a través de PassRole. Puede seleccionar el SageMaker Compute Role persona en SageMaker Role Manager para crear este rol. Según las actividades de ML que seleccione en sus roles de servicio de SageMaker, primero deberá crear este rol de cómputo.
• Función de servicio de SageMaker – Algunos servicios de AWS, incluido SageMaker, requieren un rol de servicio para realizar acciones en su nombre. Puede seleccionar el Data Scientist, MLOpso Custom persona en SageMaker Role Manager para comenzar a crear roles de servicio con permisos personalizados para sus profesionales de ML.

Ahora, déjame mostrarte cómo funciona esto en la práctica.

Hay dos formas de llegar al Administrador de roles de SageMaker, ya sea a través de Empezando en la consola de SageMaker o cuando selecciona Agregar usuario en el panel de control del dominio de SageMaker Studio.

Comienzo en la consola de SageMaker. Por debajo Configurar rolSeleccione crear un rol. Esto abre un flujo de trabajo que lo guía a través de todos los pasos requeridos.

Supongamos que quiero crear un rol de servicio de SageMaker con un conjunto específico de permisos para mi equipo de científicos de datos. En el Paso 1, selecciono la plantilla de política predefinida para el Científico de datos persona.

También puedo definir la red y la configuración de cifrado en este paso seleccionando subredes, grupos de seguridad y claves de cifrado de Amazon Virtual Private Cloud (Amazon VPC).

En el Paso 2, selecciono qué actividades de ML deben realizar los científicos de datos de mi equipo.

Algunas de las actividades de aprendizaje automático seleccionadas pueden requerir que especifique el nombre de recurso de Amazon (ARN) del rol de cómputo de SageMaker para que los recursos de cómputo de SageMaker tengan la capacidad de realizar las tareas.

En el Paso 3, puede adjuntar políticas de IAM adicionales y agregar etiquetas al rol si es necesario. Las etiquetas lo ayudan a identificar y organizar sus recursos de AWS. Puede usar etiquetas para agregar atributos como el nombre del proyecto, el centro de costos o la información de ubicación a un rol. Después de una revisión final de la configuración en el Paso 4, seleccione Enviary se crea el rol.

En solo unos minutos, configuré un rol de servicio de SageMaker y ahora estoy listo para incorporar científicos de datos en SageMaker con permisos personalizados establecidos.

Presentamos las tarjetas modelo de Amazon SageMaker
SageMaker Model Cards lo ayuda a optimizar la documentación del modelo a lo largo del ciclo de vida de ML mediante la creación de una fuente única de veracidad para la información del modelo. Para los modelos entrenados en SageMaker, SageMaker Model Cards descubre y autocompleta detalles como trabajos de entrenamiento, conjuntos de datos de entrenamiento, artefactos de modelo y entorno de inferencia. También puede registrar detalles del modelo, como el uso previsto del modelo, la calificación de riesgo y los resultados de la evaluación. Para la documentación de cumplimiento y los informes de pruebas de modelos, puede exportar sus tarjetas modelo a un archivo PDF y compartirlas fácilmente con sus clientes o reguladores.

Para comenzar a crear tarjetas modelo de SageMaker, vaya a la consola de SageMaker, seleccione Gobernancia en el menú de navegación izquierdo y seleccione Tarjetas modelo.

Seleccione Crear tarjeta modelo para documentar la información de su modelo.

Presentación del panel de modelos de Amazon SageMaker
SageMaker Model Dashboard le permite monitorear todos sus modelos en un solo lugar. Con esta vista panorámica, ahora puede ver qué modelos se usan en producción, ver tarjetas de modelo, visualizar el linaje del modelo, realizar un seguimiento de los recursos y monitorear el comportamiento del modelo a través de una integración con SageMaker Model Monitor y SageMaker Clarify. El tablero le avisa automáticamente cuando los modelos no están siendo monitoreados o se desvían del comportamiento esperado. También puede profundizar en modelos individuales para solucionar problemas.

Para acceder a SageMaker Model Dashboard, vaya a la consola de SageMaker, seleccione Gobernancia en el menú de navegación izquierdo y seleccione Tablero modelo.

Nota: La calificación de riesgo que se muestra arriba es solo para fines ilustrativos y puede variar en función de los datos proporcionados por usted.

Ya disponible
Amazon SageMaker Role Manager, SageMaker Model Cards y SageMaker Model Dashboard están disponibles hoy sin cargo adicional en todas las regiones de AWS donde Amazon SageMaker está disponible, excepto en las regiones AWS GovCloud y AWS China.

Para obtener más información, visite Gobernanza de ML con Amazon SageMaker y consulte la guía para desarrolladores.

Comience a crear sus proyectos de aprendizaje automático con nuestras nuevas herramientas de gobernanza para Amazon SageMaker hoy.

— Antje