Amazon SageMaker Projects ha lanzado una nueva funcionalidad que permite a los científicos de datos acceder de manera autónoma a las herramientas e infraestructura de Amazon Web Services (AWS) para facilitar la organización de todos los elementos del ciclo de vida del aprendizaje automático (ML). Este avance busca ayudar a las organizaciones a estandarizar y limitar los recursos disponibles para sus equipos de ciencia de datos a través de plantillas preconfiguradas.
Sin embargo, los clientes de AWS que utilizan Terraform para gestionar su infraestructura como código (IaC) se enfrentan a una limitación. Actualmente, la mejor práctica para habilitar Amazon SageMaker Projects depende de AWS CloudFormation, lo que impide a las empresas, cuyas políticas de TI restringen el uso de herramientas específicas de proveedores, aprovechar Terraform Cloud.
Para resolver este inconveniente, un reciente artículo explica cómo habilitar SageMaker Projects con Terraform Cloud, eliminando así la dependencia de CloudFormation. Este enfoque se basa en la asignación directa de SageMaker Projects a productos del AWS Service Catalog. Para evitar el uso de CloudFormation, estos productos deben ser designados como productos de Terraform que utilizan el AWS Service Catalog Engine para Terraform Cloud, un módulo mantenido activamente por Hashicorp.
Para llevar a cabo esta integración, los usuarios deben cumplir con varios requisitos, incluido tener una cuenta de AWS con permisos para crear y gestionar proyectos de SageMaker, así como un dominio de Amazon SageMaker Studio habilitado para estos proyectos. También es necesario contar con un terminal Unix con la interfaz de línea de comandos de AWS (AWS CLI) y Terraform instalados, además de una cuenta de Terraform Cloud con los permisos necesarios.
Las etapas de implementación incluyen clonar un repositorio específico de GitHub, iniciar sesión en Terraform Cloud, recuperar el Amazon Resource Name (ARN) del rol del usuario de SageMaker y configurar los parámetros necesarios en un archivo de variables. Tras inicializar y aplicar el espacio de trabajo de Terraform Cloud, los usuarios pueden acceder a la consola de SageMaker y crear proyectos directamente desde allí, garantizando un flujo de trabajo más eficiente y menor dependencia de herramientas externas.
Este nuevo enfoque no solo simplifica el proceso, sino que también permite una mayor personalización al incluir código Terraform personalizado en las plantillas de proyecto de SageMaker. De esta manera, las empresas pueden gestionar y desplegar sus proyectos de ML de manera más efectiva dentro de su infraestructura de Terraform Enterprise.
vía: AWS machine learning blog
