Een bedrijf bouwt een webgebaseerde AI-applicatie met Amazon SageMaker die ML-experimenten, training, een centrale modelregistratie, implementatie en monitoring biedt. Trainingsdata bevinden zich in Amazon S3 en moeten veilig en geïsoleerd blijven. Welke aanpak moeten ze gebruiken om meerdere modelversies centraal te beheren met de minste operationele overhead?

De SageMaker Model Registry is ontworpen voor het centraal beheren van meerdere modelversies, inclusief hun metadata, artefacten en goedkeuringsstatus. Modelgroepen organiseren gerelateerde modelversies, wat de operationele overhead minimaliseert door een gestructureerde aanpak te bieden voor het catalogiseren en beheren van de levenscyclus van modellen. Het aanmaken van aparte ECR-repositories voor elk model of het gebruiken van unieke imagetags in ECR is minder efficiënt voor modelbeheer, omdat ECR primair een containerregister is en niet de uitgebreide functionaliteit van een modelregister biedt, zoals versiebeheer, goedkeuringsworkflows en integratie met SageMaker-implementaties. Het vertrouwen op unieke tags binnen de SageMaker Model Registry zonder modelgroepen kan leiden tot minder organisatie en overzicht bij een groot aantal modellen.