[SEO 副标题]
本指南显示了如何在 AWS 上实施集中式多账户机器学习（ML）模型治理策略。通过集中式模型治理方法，您可以建立单一的权威存储库，用于注册、版本控制和共享 ML 模型。作为 ML 模型从开发到部署和监控的整个生命周期的主要控制点，集中式方法有助于实现一致的模型管理、简化模型共享和部署，并提高可见性和控制力。因此，这种方法通过简化监控和审批工作流程，增强了合规性并降低了风险敞口。
注意：[免责声明]
架构图
[架构图描述]
第 1 步
利益相关者，特别是数据科学家（DS）团队负责人，会收到业务领导者的请求，以开发 AI 用例，例如信用风险模型。
第 1a 步
机器学习工程师（MLE）接到通知，要为开发新模型建立一个模型组。然后，MLE 会创建必要的基础设施管道，以设置新的模型包组。
第 2 步
MLE 会设置管道，将具有必要权限（创建、描述、更新模型版本）的模型组共享给 ML 项目组的开发账户。或者，如果需要本地账户访问模型版本，也可以选择与测试和生产账户共享软件包组。
第 3 步
DS 使用开源平台 MLflow 来管理端到端机器学习生命周期。在 Amazon SageMaker Studio 中用 MLflow 来构造模型实验、选择候选模型，以及在本地 Amazon SageMaker 模型注册表的共享模型组中注册模型版本。
第 4 步
由于这是一个共享模型组，模型版本元数据将记录在集中式模型注册表中，并在开发账户中保留相应的链接。
MLE 可以在共享账户中设置 Amazon Simple Storage Service（Amazon S3）和 Amazon Elastic Container Registry（Amazon ECR），允许 DS 存储来自开发账户的模型构件。DS 被授予必要的权限，可以在共享服务账户内访问 Amazon S3 和 Amazon ECR 中的模型构件。
第 5 步
集中式模型注册表触发 Amazon EventBridge 规则，该规则反过来会调用 AWS Lambda 函数，将相关数据写入 Amazon DynamoDB 表。该模型版本使用 DynamoDB 与模型阶段治理表同步，该表记录了模型组、模型版本、模型阶段（例如：开发、测试、生产）、模型状态（待处理、已批准、已拒绝）和模型指标等属性。
DynamoDB 可为注册 Amazon SageMaker 之外各种来源的模型提供存储空间，从而实现所有企业模型和元数据的综合视图。DynamoDB 表是集中模型治理系统，与用例和模型生命周期阶段相集成。它还增强了元数据和审批，以及 SageMaker 模型注册表属性，并集中了来自生产推理端点的模型治理和性能指标。
第 6 步
模型版本获准部署到测试阶段，随后部署到测试账户中。它与调用模型所需的基础设施一起部署，例如 Amazon API Gateway 和 Lambda。
第 7 步
该模型在测试环境中接受集成测试，质量保证（QA）模型评测指标在集中式模型注册表中更新，然后借助 Lambda 函数写入 DynamoDB 表。
第 8 步
模型测试结果经过验证，模型版本已获准部署到生产阶段。然后，将该模型与调用模型所需的基础设施（如 API Gateway 和 Lambda 等）一起部署到生产账户中。
第 9 步
在生产环境中对模型进行 A/B 测试，并在 DynamoDB（模型阶段治理）表中更新模型生产指标。一旦取得令人满意的生产结果，就会在生产环境中推广该模型版本。此外，模型端点还启用了模型监控功能。
第 10 步
模型治理或合规官会使用 Amazon QuickSight 中的治理控制面板来执行模型治理功能，包括审查合规验证模型和监控风险缓解情况。
第 1 步
利益相关者，特别是数据科学家（DS）团队负责人，会收到业务领导者的请求，以开发 AI 用例，例如信用风险模型。
第 1a 步
机器学习工程师（MLE）接到通知，要为开发新模型建立一个模型组。然后，MLE 会创建必要的基础设施管道，以设置新的模型包组。
第 2 步
MLE 会设置管道，将具有必要权限（创建、描述、更新模型版本）的模型组共享给 ML 项目组的开发账户。或者，如果需要本地账户访问模型版本，也可以选择与测试和生产账户共享软件包组。
第 3 步
DS 使用开源平台 MLflow 来管理端到端机器学习生命周期。在 Amazon SageMaker Studio 中用 MLflow 来构造模型实验、选择候选模型，以及在本地 Amazon SageMaker 模型注册表的共享模型组中注册模型版本。
第 4 步
由于这是一个共享模型组，模型版本元数据将记录在集中式模型注册表中，并在开发账户中保留相应的链接。
MLE 可以在共享账户中设置 Amazon Simple Storage Service（Amazon S3）和 Amazon Elastic Container Registry（Amazon ECR），允许 DS 存储来自开发账户的模型构件。DS 被授予必要的权限，可以在共享服务账户内访问 Amazon S3 和 Amazon ECR 中的模型构件。
第 5 步
集中式模型注册表触发 Amazon EventBridge 规则，该规则反过来会调用 AWS Lambda 函数，将相关数据写入 Amazon DynamoDB 表。该模型版本使用 DynamoDB 与模型阶段治理表同步，该表记录了模型组、模型版本、模型阶段（例如：开发、测试、生产）、模型状态（待处理、已批准、已拒绝）和模型指标等属性。
DynamoDB 可为注册 Amazon SageMaker 之外各种来源的模型提供存储空间，从而实现所有企业模型和元数据的综合视图。DynamoDB 表是集中模型治理系统，与用例和模型生命周期阶段相集成。它还增强了元数据和审批，以及 SageMaker 模型注册表属性，并集中了来自生产推理端点的模型治理和性能指标。
第 6 步
模型版本获准部署到测试阶段，随后部署到测试账户中。它与调用模型所需的基础设施一起部署，例如 Amazon API Gateway 和 Lambda。
第 7 步
该模型在测试环境中接受集成测试，质量保证（QA）模型评测指标在集中式模型注册表中更新，然后借助 Lambda 函数写入 DynamoDB 表。
第 8 步
模型测试结果经过验证，模型版本已获准部署到生产阶段。然后，将该模型与调用模型所需的基础设施（如 API Gateway 和 Lambda 等）一起部署到生产账户中。
第 9 步
在生产环境中对模型进行 A/B 测试，并在 DynamoDB（模型阶段治理）表中更新模型生产指标。一旦取得令人满意的生产结果，就会在生产环境中推广该模型版本。此外，模型端点还启用了模型监控功能。
第 10 步
模型治理或合规官会使用 Amazon QuickSight 中的治理控制面板来执行模型治理功能，包括审查合规验证模型和监控风险缓解情况。
Well-Architected 支柱
当您在云中构建系统时，AWS Well-Architected Framework 可以帮助您了解所做决策的利弊。框架的六大支柱使您能够学习设计和操作可靠、安全、高效、经济高效且可持续的系统的架构最佳实践。使用 AWS 管理控制台中免费提供的 AWS Well-Architected Tool，您可以通过回答每个支柱的一组问题，根据这些最佳实践来检查您的工作负载。
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
-
卓越运营阅读《卓越运营》白皮书
本指南中使用的服务共同为整个 ML 生命周期提供了全面、自动化和可扩展的基础架构。具体而言，SageMaker 提供了完全托管的 ML 环境，简化了从数据准备到部署和监控的工作流程。Lambda 和 EventBridge 支持无服务器计算和事件驱动的自动化，减少了手动干预和潜在错误。DynamoDB 为模型元数据提供了灵活的数据库，而 QuickSight 则提供了用于监控和治理的仪表板功能。Amazon S3 和 Amazon ECR 为模型构件和容器镜像提供可扩展的存储产品，有助于确保在需求增长时保持一致的性能。最后，API Gateway 可管理模型调用的 API 的创建和管理，从而促进与其他系统的顺利集成。
-
安全性阅读《安全性》白皮书
通过提供访问控制、数据保护和安全构件存储机制，本指南中使用的服务可协同发挥作用，保护您的信息和系统。例如，SageMaker 为 ML 工作流程提供内置安全功能，包括笔记本实例和模型端点的隔离。AWS 身份和访问管理（IAM）支持对 AWS 服务进行精细的访问控制和权限管理。Amazon S3 为模型构件提供安全的对象存储和加密功能。最后，Amazon ECR 通过访问控制和传输中的加密，为容器映像提供安全存储。
-
可靠性阅读《可靠性》白皮书
为本指南选择的服务旨在从容地应对不同的工作负载和潜在故障。例如，SageMaker 的托管基础设施减少了维护 ML 环境的运营负担。Lambda 的无服务器特性有助于确保计算资源始终可用，无需手动扩展。DynamoDB 的分布式架构为模型元数据存储提供了高可用性。此外，Amazon S3 的设计耐用性达到 99.999999999%（11 个 9），可保护您的关键模型构件。最后，Amazon ECR 有助于确保容器镜像始终可供部署，而 API Gateway 通过稳定的模型访问来应对流量峰值。
-
性能效率阅读《性能效率》白皮书
SageMaker 为模型训练和推理提供高性能基础架构，能够自动选择最有效的实例类型。Lambda 支持通过近乎即时的扩展快速执行函数。DynamoDB 可为任何规模的数据检索提供低于 10 毫秒的延迟。Amazon S3 提供对模型构件的高吞吐量访问。Amazon ECR 确保快速、一致地部署容器镜像。而且 API Gateway 为模型调用提供低延迟 API 管理。这些服务共同为 ML 管道的各个方面提供了优化、可扩展和低延迟的方法。
-
成本优化阅读《成本优化》白皮书
通过使用无服务器和托管服务，您的组织可以避免与拥有和维护物理基础设施相关的资本支出。此类服务的一个例子是 SageMaker，它提供自动扩缩功能，以便在模型训练和推理期间有效利用资源。Lambda 提供无服务器模型，这意味着您无需为空闲计算时间付费，这对于 ML 管道中的间歇性工作负载尤其有利。此外，DynamoDB 还包括按需容量模式，在该模式下，数据库可自动扩展和缩减，从而为不可预测的工作负载优化成本。
-
可持续性阅读《可持续性》白皮书
高效、可扩展和无服务器计算选项让您可优化资源使用，最大限度地减少运行云工作负载对环境造成的影响。SageMaker 提供托管 ML 基础架构，可根据需求自动扩展资源，从而减少空闲容量。Lambda 提供无服务器计算，仅在执行函数时消耗资源。最后，DynamoDB 是一个可自动扩展的无服务器数据库，可确保资源的有效利用。
免责声明
示例代码；软件库；命令行工具；概念验证；模板；或其他相关技术（包括由我方人员提供的任何前述项）作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议（以适用者为准）向您提供。您不应将这些 AWS 内容用在您的生产账户中，或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容，例如示例代码，以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源（例如，运行 Amazon EC2 实例或使用 Amazon S3 存储）而产生 AWS 费用。
本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指南是一个技术起点，您可以在部署架构时自定义与第三方服务的集成。