Kubernetes es una plataforma de orquestación popular para la gestión de contenedores, ideal para manejar cargas de trabajo variables típicas de aplicaciones de machine learning (ML) gracias a sus capacidades de escalabilidad y balanceo de carga. Los ingenieros de DevOps suelen utilizar Kubernetes para gestionar y escalar aplicaciones de ML. Sin embargo, antes de que un modelo de ML esté disponible, debe ser entrenado y evaluado, y si se obtiene un modelo de calidad satisfactoria, se sube a un registro de modelos.
Amazon SageMaker facilita la eliminación del trabajo pesado de construir y desplegar modelos de ML. SageMaker simplifica la gestión de dependencias, imágenes de contenedores, escalado automático y monitoreo. Específicamente, para la etapa de construcción de modelos, Amazon SageMaker Pipelines automatiza el proceso al gestionar la infraestructura y los recursos necesarios para procesar datos, entrenar modelos y ejecutar pruebas de evaluación. Un desafío para los ingenieros de DevOps es la complejidad adicional que surge al usar Kubernetes para gestionar la etapa de despliegue, mientras se recurren a otras herramientas (como el SDK de AWS o AWS CloudFormation) para gestionar la canalización de construcción de modelos. Una alternativa para simplificar este proceso es utilizar AWS Controllers for Kubernetes (ACK) para gestionar y desplegar una canalización de entrenamiento de SageMaker. ACK permite aprovechar las canalizaciones de construcción de modelo...