0Pricing
Learn AI with Python · Pelajaran

Penerapan Cloud: AWS SageMaker

SageMaker Model, EndpointConfig, Endpoint, inferensi waktu nyata, transformasi batch.

Penerapan Cloud: AWS SageMaker adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Mengapa SageMaker

Amazon SageMaker adalah layanan terkelola untuk melatih dan menerapkan model ML. Alih-alih menyediakan server dan penyeimbang beban sendiri, Anda cukup mendeskripsikan model, lalu SageMaker menyiapkan titik akhir HTTPS yang dapat diskalakan di balik layar.

Tiga Komponen

Penerapan SageMaker memerlukan tiga hal:

  • Sebuah URI gambar kontainer (gambar penyajian Anda di ECR atau gambar kerangka kerja bawaan)
  • Bobot yang telah dilatih sebagai data model, berupa tar.gz di S3
  • Sebuah peran IAM yang memberikan SageMaker akses ke sumber daya tersebut

Mendefinisikan Model

Objek sagemaker.Model menghubungkan gambar kontainer dengan artefak model di S3.

import sagemaker
from sagemaker.model import Model

model = Model(
    image_uri="123456789012.dkr.ecr.us-east-1.amazonaws.com/my-model:latest",
    model_data="s3://my-bucket/models/model.tar.gz",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
)

Isi model.tar.gz

SageMaker mengunduh dan mengekstrak model_data ke dalam /opt/ml/model di dalam kontainer saat memulai. Kode penyajian Anda membaca bobot dari sana. Arsip tersebut biasanya berisi file model tersimpan beserta aset prapemrosesan.

# model.tar.gz contents
# model.pt
# tokenizer.json
# config.json

Menerapkan Titik Akhir Waktu Nyata

model.deploy meluncurkan satu atau beberapa instans di balik titik akhir HTTPS yang terus tersedia. Anda memilih tipe instans dan jumlah instans awal.

predictor = model.deploy(
    initial_instance_count=1,
    instance_type="ml.m5.xlarge",
    endpoint_name="my-model-endpoint",
)

Memilih Tipe Instans

Tipe instans menentukan biaya dan latensi:

  • ml.m5.* CPU serbaguna, murah untuk model kecil
  • ml.c5.* dioptimalkan untuk komputasi
  • ml.g4dn.* / ml.g5.* GPU untuk inferensi pembelajaran mendalam

Sesuaikan instans dengan model: GPU akan terbuang jika digunakan untuk model scikit-learn yang sangat kecil.

Memanggil predict()

Setelah diterapkan, predictor.predict() mengirimkan muatan ke titik akhir dan mengembalikan hasil inferensi. SageMaker membuat serial permintaan tersebut dan merutekannya ke instans yang aktif.

result = predictor.predict({
    "instances": [[5.1, 3.5, 1.4, 0.2]]
})
print(result)

Membersihkan Titik Akhir

Titik akhir waktu nyata ditagihkan per detik selama berjalan. Selalu hapus titik akhir yang tidak lagi Anda perlukan, atau biaya akan terus bertambah meskipun tidak ada lalu lintas.

predictor.delete_endpoint()

Batch Transform untuk Pekerjaan Luring

Untuk memberi skor pada sebuah himpunan data besar satu kali (bukan untuk penyajian berlatensi rendah), gunakan batch transform. SageMaker menyalakan instans, memproses seluruh himpunan data S3, menulis hasilnya kembali ke S3, lalu mematikan instans tersebut. Tidak ada titik akhir permanen dan tidak ada biaya saat menganggur.

Menjalankan Batch Transform

Anda membuat pengubah dari model, lalu mengarahkannya ke data masukan di S3.

transformer = model.transformer(
    instance_count=1,
    instance_type="ml.m5.xlarge",
    output_path="s3://my-bucket/predictions/",
)
transformer.transform(
    data="s3://my-bucket/input/batch.csv",
    content_type="text/csv",
)
transformer.wait()

Waktu Nyata vs Batch

Pilih berdasarkan beban kerja:

  • Titik akhir waktu nyata: permintaan berkelanjutan dengan latensi rendah (misalnya API rekomendasi)
  • Batch transform: pemberian skor berkala pada himpunan data besar (misalnya prediksi pelanggan yang berhenti berlangganan setiap malam)

Pemrosesan batch jauh lebih murah jika Anda tidak memerlukan respons seketika.

Pemeriksaan Singkat

Kapan sebaiknya Anda menggunakan batch transform SageMaker alih-alih titik akhir waktu nyata?

Rangkuman

Anda telah menerapkan model ke AWS SageMaker:

  • sagemaker.Model menghubungkan URI gambar dengan data model di S3
  • model.deploy membuat titik akhir waktu nyata dengan tipe instans yang dipilih
  • predictor.predict() mengirimkan permintaan inferensi
  • Batch transform menangani beban kerja luring berukuran besar dengan biaya rendah
  • Selalu hapus titik akhir yang menganggur agar tidak menimbulkan biaya

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Penerapan Cloud: AWS SageMaker” gratis?

Ya — teks lengkap “Penerapan Cloud: AWS SageMaker” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Penerapan Cloud: AWS SageMaker”?

SageMaker Model, EndpointConfig, Endpoint, inferensi waktu nyata, transformasi batch. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.

Berapa lama pelajaran “Penerapan Cloud: AWS SageMaker” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Mengemas Model Pembelajaran Mesin dalam Kontainer dengan Docker
  2. Penerapan Cloud: AWS SageMaker
  3. Penyajian Berkinerja Tinggi dengan Triton Inference Server
  4. Penskalaan dan Penskalaan Otomatis Endpoint Model
← Kembali ke Learn AI with Python