随着人工智能（AI）和机器学习（ML）技术的普及，许多企业已成功构建了基于ML模型的关键业务应用，并在生产环境中实现了规模化应用。然而，由于这些ML模型为业务做出重要决策，企业有必要在整个ML生命周期中添加适当的保护措施。保护措施确保在模型生命周期中使用的代码、配置、数据和模型配置的安全性、隐私性和质量得到版本控制和保留。
对企业来说，实施这些保护措施变得越来越困难，因为企业内部的ML流程和活动变得更加复杂，涉及多个利益相关者和角色的参与。除了数据工程师和数据科学家之外，还增加了操作流程以自动化和简化ML生命周期。此外，业务利益相关者的增加，以及在某些情况下的法律和合规审查的涌现，需要能够增加透明性，以管理访问控制、活动追踪和报告ML生命周期中的各个环节。
提供对ML模型开发、验证和使用过程进行系统可见性的框架称为ML治理。在AWS re:Invent 2022期间，AWS推出了新的用于Amazon SageMaker的ML治理工具，可以简化访问控制，并提升对ML项目的透明度。作为ML治理的一部分，Amazon SageMaker Model Cards是一种工具，它可以通过集中和标准化文档，为模型信息创建一个统一的真实来源，从而实现模型生命周期中的可见性。
SageMaker模型卡片使您能够标准化模型的文档，从而实现对模型的整个生命周期（设计、构建、训练和评估）的可见性。模型卡片旨在成为模型治理的重要组成部分，可可靠地用于审计和文档目的的业务和技术元数据。它们提供了模型的重要信息的概要。
在扩展模型、项目和团队时，作为最佳实践，我们建议采用多账户策略，为ML模型的开发和部署提供项目和团队隔离。有关改进ML模型治理的更多信息，请参阅使用Amazon SageMaker改进机器学习模型治理。
架构概述
该架构的实现如下：
- 数据科学账户 – 数据科学家在SageMaker Studio中进行实验，并构建MLOps设置，使用SageMaker项目将模型部署到暂存/生产环境中。
- ML共享服务账户 – 来自数据科学账户的MLOps设置将使用AWS CodeCommit和AWS CodePipeline触发持续集成和持续交付（CI/CD）流水线。
- 开发账户 – CI/CD流水线将进一步触发此账户中的ML流水线，涵盖数据预处理、模型训练和后处理（如模型评估和注册）。这些流水线的输出将在SageMaker端点中部署模型，以供推理目的使用。根据您的治理要求，数据科学和开发账户可以合并为一个AWS账户。
- 数据账户 – 在开发账户中运行的ML流水线将从此账户中提取数据。
- 测试和生产账户 – CI/CD流水线将在开发账户之后继续部署，以在这些账户中配置SageMaker端点。
- 安全性和治理 – 将使用AWS身份和访问管理（IAM）、AWS IAM身份中心、AWS CloudTrail、AWS密钥管理服务（AWS KMS）、Amazon CloudWatch和AWS安全中心等服务，作为安全和治理的一部分。
下图说明了该架构：
有关设置可扩展的多账户ML架构的更多信息，请参阅使用Amazon SageMaker为企业提供MLOps基础。
我们的客户需要能够跨账户共享模型卡片，以通过模型卡片中共享的信息来改善对模型的可见性和治理。现在，通过跨账户模型卡片共享功能，客户可以在组织中访问可用的模型卡片，从而享受多账户策略的好处，加速协作并确保治理。
在本文中，我们将展示如何设置和访问跨模型开发生命周期（MDLC）账户中的模型卡片，使用模型卡片的新的跨账户共享功能。首先，我们将描述设置模型卡片跨账户共享功能的场景和架构，然后深入介绍如何设置和访问跨账户共享的模型卡片的每个组件，以改善模型的可见性和治理。
解决方案概述
在构建机器学习模型时，我们建议设置多账户架构，以提供工作负载隔离，提高安全性、可靠性和可扩展性。在本文中，我们将假设构建和部署一个用于客户流失的模型。下面的架构图展示了一种推荐的方法——集中式模型卡——用于在多账户的机器学习模型开发生命周期（MDLC）架构中管理模型卡。然而，您也可以采用另一种方法，即集线器和辐射模型卡。在本文中，我们只关注集中式模型卡的方法，但是相同的原则也可以扩展到集线器和辐射模型卡的方法。主要的区别在于，每个辐射账户都将维护自己的模型卡版本，并且它将有过程来聚合和复制到一个集中式账户。
下图说明了这个架构。
该架构的实现如下：
- 主要数据科学家被通知解决客户流失问题，使用机器学习，并通过在ML共享服务账户中创建一个Draft状态的Customer Churn V1模型的模型卡来启动机器学习项目。
- 通过自动化，该模型卡与ML Dev账户共享。
- 数据科学家构建模型，并通过API将基于他们的实验结果的信息填充到模型卡中，模型卡的状态设置为Pending Review。
- 通过自动化，该模型卡与ML测试账户共享。
- 机器学习工程师（MLE）在ML测试账户中运行集成和验证测试，中央注册表中的模型被标记为Pending Approval。
- 模型审批人员根据中央模型卡中提供的支持文档审查模型结果，并批准模型卡用于生产部署。
- 通过自动化，该模型卡与ML Prod账户以只读模式共享。
先决条件
在开始之前，请确保您具备以下先决条件：
- 两个AWS账户。
- 在两个AWS账户中，有一个具有管理员访问权限的IAM联合角色，用于执行以下操作：
- 在Amazon SageMaker中创建、编辑、查看和删除模型卡。
- 在AWS RAM中创建、编辑、查看和删除资源共享。
有关更多信息，请参阅AWS RAM的示例IAM策略。
设置模型卡共享
创建模型卡的账户是模型卡账户。模型卡账户中的用户将其与可以进行更新的共享账户共享。模型卡账户中的用户可以通过AWS资源访问管理器（AWS RAM）共享他们的模型卡。AWS RAM可帮助您在AWS账户之间共享资源。
在下面的部分中，我们将展示如何共享模型卡。
首先，按照之前的描述为客户流失用例创建一个模型卡。在Amazon SageMaker控制台上，展开“治理”部分，选择模型卡。
我们以Draft状态创建模型卡，名称为Customer-Churn-Model-Card。有关更多信息，请参阅创建模型卡。在本演示中，您可以将其余字段留空并创建模型卡。
或者，您可以使用以下AWS CLI命令创建模型卡：
aws sagemaker create-model-card --model-card-name Customer-Churn-Model-Card --content "{\"model_overview\": {\"model_owner\": \"model-owner\",\"problem_type\": \"Customer Churn Model\"}}" --model-card-status Draft现在，使用AWS RAM创建跨账户共享。在AWS RAM控制台上，选择创建资源共享。
为资源共享输入一个名称，例如“Customer-Churn-Model-Card-Share”。在“可选资源”部分，选择资源类型为SageMaker模型卡。我们在前一步中创建的模型卡将显示在列表中。
选择该模型，它将显示在“选择的资源”部分。按照以下步骤再次选择该资源，并选择下一步。
在下一页中，您可以选择托管的权限。您可以创建自定义权限或使用默认选项“AWSRAMPermissionSageMakerModelCards”，然后选择下一步。有关更多信息，请参阅AWS RAM中的权限管理。
在下一页中，您可以选择主体。在选择主体类型下，选择AWS账户并输入共享模型卡的账户ID。选择添加并继续到下一页。
在最后一页上，查看信息并选择“创建资源共享”。或者，您可以使用以下AWS CLI命令创建资源共享：
aws ram create-resource-share --name <模型卡的名称>
aws ram associate-resource-share --resource-share-arn <从前一个命令创建的资源共享的ARN> --resource-arns <模型卡的ARN>在AWS RAM控制台上，您可以查看资源共享的属性。确保“共享资源”、“托管权限”和“共享主体”处于“关联”状态。
使用AWS RAM创建资源共享后，资源共享中指定的主体可以被授予对共享资源的访问权限。
- 如果您打开了与AWS组织的AWS RAM共享，并且您共享的主体与共享账户在同一个组织中，那些主体只要他们的账户管理员授予了权限，就可以立即获得访问权限。
- 如果您没有打开与组织的AWS RAM共享，您仍然可以与您组织中的单个AWS账户共享资源。消费账户中的管理员将收到加入资源共享的邀请，他们必须接受邀请，才能让资源共享中指定的主体访问共享资源。
- 如果资源类型支持，您还可以与组织外的账户共享。消费账户中的管理员将收到加入资源共享的邀请，他们必须接受邀请，才能让资源共享中指定的主体访问共享资源。
有关AWS RAM的更多信息，请参阅AWS RAM的术语和概念。
访问共享的模型卡
现在我们可以登录共享的AWS账户，以访问模型卡。确保您使用允许访问AWS RAM的IAM权限（IAM角色）来访问AWS控制台。
使用AWS RAM，您可以查看您已被添加到的资源共享、您可以访问的共享资源以及与您共享资源的AWS账户。当您不再需要访问共享资源时，您还可以离开资源共享。
要在共享的AWS帐户中查看模型卡：
- 导航到AWS RAM控制台中的“与我共享的：共享资源”页面。
- 确保您在创建共享的AWS区域中操作。
- 从模型帐户共享的模型将在列表中可用。如果资源列表很长，那么您可以应用筛选器来查找特定的共享资源。您可以应用多个筛选器来缩小搜索范围。
- 以下信息可用：
- 资源ID – 资源的ID。这是我们之前在模型卡帐户中创建的模型卡的名称。
- 资源类型 – 资源的类型。
- 上次共享日期 – 资源与您共享的日期。
- 资源共享 – 资源所包含的资源共享的数量。选择该值以查看资源共享。
- 所有者ID – 拥有资源的主体的ID。
您还可以使用AWS CLI选项访问模型卡。对于配置有正确凭证的AWS IAM策略，请确保您具有在Amazon SageMaker中创建、编辑和删除模型卡的权限。有关更多信息，请参阅配置AWS CLI。
您可以使用以下AWS IAM权限策略作为模板：
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:DescribeModelCard",
"sagemaker:UpdateModelCard",
"sagemaker:CreateModelCardExportJob",
"sagemaker:ListModelCardVersions",
"sagemaker:DescribeModelCardExportJob"
],
"Resource": [
"arn:aws:sagemaker:AWS-Region:AWS-model-card-account-id:model-card/example-model-card-name-0",
"arn:aws:sagemaker:AWS-Region:AWS-model-card-account-id:model-card/example-model-card-name-1/*"
]
},
{
"Effect": "Allow",
"Action": "s3:PutObject",
"Resource": "arn:aws:s3:::Amazon-S3-bucket-storing-the-pdf-of-the-model-card/model-card-name/*"
}
]
}您可以运行以下AWS CLI命令来访问共享模型卡的详细信息。
aws sagemaker describe-model-card --model-card-name <模型卡的ARN>现在您可以从此帐户对该模型卡进行更改。
aws sagemaker update-model-card --model-card-name <模型卡的ARN> --content "{\"model_overview\": {\"model_owner\": \"model-owner\",\"problem_type\": \"Customer Churn Model\"}}"在进行更改后，返回模型卡帐户以查看我们在此共享帐户中进行的更改。
问题类型已更新为“Customer Churn Model”，这是我们作为AWS CLI命令输入的一部分提供的。
清理
现在您可以删除您创建的模型卡。确保删除您创建的用于共享模型卡的AWS RAM资源共享。
结论
在本文中，我们提供了一个用于安全可靠地扩展和管理ML工作负载的多帐户架构概述。我们讨论了设置模型卡共享的架构模式，并且演示了集中式模型卡共享模式的工作原理。最后，我们在多个帐户之间设置了模型卡共享，以改善模型开发生命周期中的可见性和治理。我们鼓励您尝试新的模型卡共享功能，并告诉我们您的反馈。