ModelOps без головной боли: как Amazon SageMaker избавился от Service Catalog в пользу S3-шаблонов

Конец эпохи Service Catalog в SageMaker AI Projects

Если вы в 2023-2024 годах пытались настроить стандартизированные ML-пайплайны в SageMaker через AI Projects, вы знаете эту боль. Service Catalog. Административные права, сложные политики IAM, запутанные процессы утверждения. AWS слушала пользователей.

В феврале 2026 года Amazon SageMaker AI Projects получили фундаментальное обновление: теперь шаблоны проектов хранятся напрямую в Amazon S3. Просто загрузите CloudFormation-шаблон в S3-бакет, укажите путь в SageMaker Studio, и все. Никакого Service Catalog между вами и вашими ML-проектами.

Что изменилось на практике?

Раньше создание шаблона проекта выглядело так: CloudFormation шаблон → Service Catalog портфолио → Service Catalog продукт → SageMaker AI Projects. Четыре слоя абстракции, каждый со своими политиками доступа.

Теперь: CloudFormation шаблон → S3 бакет → SageMaker AI Projects. Всего два шага.

Почему это важно для ModelOps?

ModelOps — это не только про обучение моделей. Это про стандартизацию, воспроизводимость и контроль. Старый подход с Service Catalog создавал барьер между ML-инженерами и инфраструктурой. Нужен новый шаблон пайплайна? Отправляй запрос админу. Обнаружил баг в шаблоне? Жди, пока админ обновит продукт в Service Catalog.

S3-шаблоны возвращают контроль тем, кто создает ML-пайплайны. ML-инженер может обновить шаблон, протестировать его локально, и сразу же развернуть через SageMaker Studio. Это ускоряет итерации в разы.

Как выглядит миграция?

Если у вас уже есть AI Projects на Service Catalog, AWS не предлагает автоматической миграции. Но процесс ручной миграции прямолинейный:

1. Экспортируйте CloudFormation шаблоны из существующих продуктов Service Catalog
2. Загрузите их в S3-бакет (например, s3://your-company-ml-templates/)
3. В SageMaker Studio создайте новый проект, указав S3-путь к шаблону
4. Протестируйте создание проекта из нового шаблона
5. Обновите документацию и CI/CD-пайплайны

Главное преимущество: теперь вы можете хранить шаблоны в одном репозитории с кодом пайплайнов. Версионирование через Git, деплой через простую загрузку в S3.

Интеграция с GitHub Actions: пример из жизни

Допустим, у вас есть репозиторий с шаблонами ML-проектов. Раньше для обновления шаблона в Production нужно было:

• Создать новый продукт в Service Catalog через AWS CLI
• Дождаться утверждения (если настроены проверки)
• Обновить ссылку в SageMaker

Теперь GitHub Actions workflow выглядит так:

name: Deploy SageMaker Project Template

on:
  push:
    branches: [main]
    paths: ['templates/**']

jobs:
  deploy-template:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      
      - name: Upload to S3
        run: |
          aws s3 cp templates/ml-pipeline.yaml \
            s3://ml-templates-bucket/production/ml-pipeline-${GITHUB_SHA:0:8}.yaml
          aws s3 cp s3://ml-templates-bucket/production/ml-pipeline-${GITHUB_SHA:0:8}.yaml \
            s3://ml-templates-bucket/production/ml-pipeline-latest.yaml
        
      - name: Update SageMaker Project Template
        run: |
          # Используем новый API для обновления шаблона проекта
          aws sagemaker update-project-template \
            --project-template-id "custom-ml-pipeline" \
            --s3-template-url "s3://ml-templates-bucket/production/ml-pipeline-latest.yaml"

Весь процесс занимает меньше минуты. И самое главное — его может настроить любой ML-инженер с доступом к AWS, без прав администратора.

Кому подходит новый подход?

Это обновление — не для всех. Если у вас:

• Маленькая ML-команда (2-5 человек) — переходите немедленно. Вы сэкономите кучу времени на администрировании.
• Средняя компания с несколькими ML-командами — идеальный кандидат. Каждая команда может иметь свои S3-бакеты с шаблонами.
• Крупный enterprise со строгими compliance-требованиями — оцените риски. S3 дает больше гибкости, но и больше ответственности командам.

Интересный побочный эффект: теперь проще создавать специализированные шаблоны для разных задач. Например, отдельный шаблон для LLM-as-a-Judge пайплайнов или для генерации синтетических данных.

Что делать с существующими проектами?

Проекты, созданные через Service Catalog, продолжат работать. AWS не планирует их отключать. Но новые проекты стоит создавать через S3-шаблоны. Со временем вы получите два типа проектов в SageMaker Studio:

• Legacy (Service Catalog) — для старых пайплайнов
• New (S3) — для всех новых разработок

Мой совет: начните миграцию с наименее критичных проектов. Отработайте процесс на тестовых шаблонах, затем переносите production-пайплайны.

Будущее ModelOps на AWS

Это обновление — часть большей тенденции. AWS упрощает сложные сервисы, возвращая контроль инженерам. Service Catalog не исчезнет — он останется для других use cases. Но в контексте SageMaker AI Projects его эпоха закончилась.

Что дальше? Скорее всего, AWS добавит встроенную интеграцию с Git-репозиториями. Возможно, прямое подключение к GitHub или GitLab, без промежуточного S3. Но пока что S3-шаблоны — это огромный шаг вперед.

Если вы только начинаете путь в ModelOps, стартуйте с нового подхода. Если вы годами мучились с Service Catalog — время вздохнуть с облегчением. Наконец-то можно сосредоточиться на машинном обучении, а не на администрировании каталогов.

Одна деталь, которую почти не упоминают в документации: новые S3-шаблоны поддерживают более сложные CloudFormation трансформы. Можно использовать макросы, вложенные стеки, кастомные ресурсы — все то, что раньше Service Catalog иногда блокировал. Это открывает возможности для действительно продвинутых ML-пайплайнов.

Попробуйте. Первый шаблон займет 15 минут вместо прежних двух часов согласований. И вы поймете, почему это изменение так важно для ModelOps в 2026 году.