英文原标题:Production MLOps at GS Caltex with Amazon SageMaker Canvas, part 1
本文为英文原文的机器翻译摘要,原文见:AWS Machine Learning Blog ↗
- GS Caltex 是韩国能源化工企业,其工艺工程师使用 SageMaker Canvas 无代码构建和验证模型,ML 工程师则通过 SageMaker Pipelines 配置部署和定时推理工作流。
- 此前将 SageMaker Canvas 资产迁移到 SageMaker Pipelines 需要手动集成,ML 工程师需设置生产数据路径、提供模型配置并连接预处理和推理作业;GS Caltex 自动化了这一交接过程,同时复用 Canvas 中创建的资产。
- GS Caltex 报告称,ML 工程师现在能在几小时内完成模型部署,而此前约需一周;公司每 30 分钟运行一次批量推理,减少了对持续运行端点的需求,并显著降低了推理成本。
- 解决方案包含两条路径:为新模型版本准备部署,以及使用已部署模型运行批量推理;ML 工程师在 Model Registry 中审批模型后部署,后续推理运行复用已部署模型。
- Amazon EventBridge 启动定时运行,SageMaker Pipelines 从 S3 准备输入数据,运行预处理和 SageMaker Batch Transform,并将结果存回 S3;ML 工程师可通过步骤状态和 CloudWatch 日志监控工作流。
关键数据
- 部署时间从约一周缩短到几小时
- 每 30 分钟运行一次批量推理
- 使用 SageMaker Python SDK 2.x 和 Boto3
- 参考实现使用样本贷款分类模型
为什么值得看:该案例展示了如何将无代码工具 SageMaker Canvas 与生产级 MLOps 流水线 SageMaker Pipelines 衔接,在保留工艺工程师领域知识的同时,由 ML 工程师实现高效、低成本的批量推理部署。