Amazon SageMaker AI with MLflow가 새로운 서버리스 기능을 도입했다. 이로써 AI 및 머신러닝 작업을 위한 인프라 프로비저닝, 확장 및 운영을 동적으로 관리할 수 있게 되었다. 이번 포스팅에서는 이러한 새로운 기능이 SageMaker AI with MLflow를 통해 개선된 성능, 자동화, 보안을 제공하며 대규모 MLflow 워크로드를 실행하는 방법을 탐구한다.

이 포스트는 Almond 커널을 SageMaker Studio에 통합하는 포괄적인 가이드를 제공하며, 플랫폼 내에서 Scala 개발에 대한 솔루션을 제공합니다.

이 블로그 글에서는 Amazon SageMaker Studio에서 신뢰할 수 있는 아이덴티티 전파를 활성화하고 사용하는 방법을 탐구하며, 이를 통해 조직이 기존 AWS IAM Identity Center 신원에 권한을 부여하여 액세스 관리를 간소화할 수 있습니다. 이 솔루션은 사용자의 물리적 신원을 기반으로 세밀한 액세스 제어를 구현하는 방법을 보여주며, 지원되는 AWS 서비스 전체에 걸쳐 자세한 감사 로그를 유지하고 교육 작업에 대한 장기 사용자 백그라운드 세션을 지원합니다.

ABAC 패턴을 중점으로 한 권한 관리 전략을 통해 세밀한 사용자 액세스 제어를 가능하게 하고 AWS IAM 역할의 증식을 최소화하는 방법에 대해 논의합니다. ML 워크플로우에서 운영 효율성을 희생하지 않으면서 조직이 보안과 규정 준수를 유지하는 데 도움이 되는 검증된 최선의 방법을 공유합니다.

AI 개발자와 머신러닝 엔지니어들은 이제 Amazon SageMaker Studio의 기능을 로컬 Visual Studio Code(VS Code)에서 직접 사용할 수 있습니다. 이 기능을 통해 사용자 정의된 로컬 VS Code 환경과 함께 SageMaker Studio의 컴퓨팅 자원과 데이터에 접근할 수 있습니다. 이 포스트에서는 로컬 VS Code를 SageMaker Studio 개발 환경에 원격으로 연결하여 Amazon SageMaker AI 컴퓨팅 자원에 액세스하면서 사용자 정의 개발 환경을 사용하는 방법을 안내합니다.

이 글에서는 Terraform을 사용하여 SageMaker 프로젝트의 사용자 정의 템플릿을 정의, 배포, 프로비저닝하는 방법을 소개합니다. 다른 IaC 도구에 의존하지 않고 Terraform Enterprise 인프라 내에서 엄격하게 SageMaker 프로젝트를 활성화할 수 있습니다.