Amazon SageMaker Studio tilbyder et bredt sæt af fuldt administrerede integrerede udviklingsmiljøer (IDE'er) til udvikling af maskinlæring (ML), herunder JupyterLab, Code Editor baseret på Code-OSS (Visual Studio Code Open Source) og RStudio. Det giver adgang til det mest omfattende sæt værktøjer til hvert trin af ML-udvikling, fra forberedelse af data til opbygning, træning, implementering og styring af ML-modeller. Du kan starte fuldt administreret JuptyerLab med forudkonfigureret SageMaker Distribution på få sekunder for at arbejde med dine notebooks, kode og data. Den fleksible og udvidelige grænseflade i SageMaker Studio giver dig mulighed for ubesværet at konfigurere og arrangere ML-arbejdsgange, og du kan bruge den AI-drevne inline-kodningsledsager til hurtigt at oprette, fejlsøge, forklare og teste kode.
I dette indlæg ser vi nærmere på det opdaterede SageMaker Studio og dets JupyterLab IDE, designet til at øge produktiviteten hos ML-udviklere. Vi introducerer begrebet Spaces og forklarer, hvordan JupyterLab Spaces muliggør fleksibel tilpasning af computer-, lagrings- og runtime-ressourcer for at forbedre din ML-workfloweffektivitet. Vi diskuterer også vores skift til en lokaliseret eksekveringsmodel i JupyterLab, hvilket resulterer i en hurtigere, mere stabil og responsiv kodningsoplevelse. Derudover dækker vi den sømløse integration af generative AI-værktøjer som Amazon Code Whisperer og Jupyter AI i SageMaker Studio JupyterLab Spaces, der illustrerer, hvordan de giver udviklere mulighed for at bruge AI til kodningshjælp og innovativ problemløsning.
Introduktion af Spaces i SageMaker Studio
Den nye SageMaker Studio webbaseret grænseflade fungerer som et kommandocenter til at starte din foretrukne IDE og få adgang til din Amazon SageMaker værktøjer til at bygge, træne, tune og implementere modeller. Ud over JupyterLab og RStudio inkluderer SageMaker Studio nu en fuldt administreret kodeeditor baseret på Code-OSS (Visual Studio Code Open Source). Både JupyterLab og Code Editor kan startes ved hjælp af et fleksibelt arbejdsområde kaldet Spaces.
Et Space er en konfigurationsrepræsentation af en SageMaker IDE, såsom JupyterLab eller Code Editor, designet til at vare ved, uanset om en applikation (IDE), der er knyttet til Space, kører aktivt eller ej. Et mellemrum repræsenterer en kombination af en computerforekomst, lager og andre runtime-konfigurationer. Med Spaces kan du oprette og skalere beregningen og lagringen til din IDE op og ned, mens du går, tilpasse runtime-miljøer og pause og genoptage kodning når som helst, hvor som helst. Du kan spinne flere sådanne rum op, hver konfigureret med en anden kombination af computer, lager og kørselstider.
Når et rum oprettes, er det udstyret med en Amazon Elastic Block Store (Amazon EBS) bind, som bruges til at gemme brugernes filer, data, caches og andre artefakter. Den er knyttet til en ML-beregningsinstans, når der køres et Space. EBS-volumen sikrer, at brugerfiler, data, cache og sessionstilstande konsekvent gendannes, hver gang Space genstartes. Det er vigtigt, at denne EBS-volumen forbliver vedvarende, uanset om Space er i kørende eller stoppet tilstand. Det vil fortsætte med at bestå, indtil Space er slettet.
Derudover har vi introduceret funktionen medbring-din-egen filsystem for brugere, der ønsker at dele miljøer og artefakter på tværs af forskellige rum, brugere eller endda domæner. Dette giver dig mulighed for valgfrit at udstyre dine Spaces med dine egne Amazon Elastic File System (Amazon EFS) monteres, hvilket letter deling af ressourcer på tværs af forskellige arbejdsområder.
Oprettelse af et rum
Oprettelse og lancering af et nyt rum er nu hurtigt og ligetil. Det tager kun et par sekunder at konfigurere et nyt Space med hurtige lanceringsforekomster og mindre end 60 sekunder at køre et Space. Spaces er udstyret med foruddefinerede indstillinger for beregning og lagring, administreret af administratorer. SageMaker Studio-administratorer kan etablere forudindstillinger på domæneniveau til computer-, lagrings- og runtime-konfigurationer. Denne opsætning giver dig mulighed for hurtigt at starte et nyt rum med minimal indsats, hvilket kun kræver et par klik. Du har også mulighed for at ændre et Spaces computer-, lager- eller runtime-konfigurationer for yderligere tilpasning.
Det er vigtigt at bemærke, at oprettelse af et Space kræver opdatering af SageMaker-domæneudførelsesrollen med en politik som det følgende eksempel. Du skal give dine brugere tilladelser til private rum og brugerprofiler, der er nødvendige for at få adgang til disse private rum. For detaljerede instruktioner, se Giv dine brugere adgang til private rum.
For at oprette et rum skal du udføre følgende trin:
- Vælg i SageMaker Studio jupyter lab på den Applikationer menu.
- Vælg Opret JupyterLab-plads.
- Til Navn, indtast et navn til dit space.
- Vælg Skab plads.
- Vælg Kør plads for at starte dit nye Space med standardforudindstillinger eller opdatere konfigurationen baseret på dine krav.
Rekonfigurering af et rum
Spaces er designet til, at brugere problemfrit kan skifte mellem forskellige computertyper efter behov. Du kan begynde med at oprette et nyt rum med en specifik konfiguration, primært bestående af computer og lagring. Hvis du har brug for at skifte til en anden computertype med et højere eller lavere vCPU-antal, mere eller mindre hukommelse eller en GPU-baseret instans på et hvilket som helst tidspunkt i din arbejdsgang, kan du gøre det med lethed. Når du har stoppet Space, kan du ændre dens indstillinger ved at bruge enten brugergrænsefladen eller API via den opdaterede SageMaker Studio-grænseflade og genstart derefter Space. SageMaker Studio håndterer automatisk leveringen af din eksisterende plads til den nye konfiguration, hvilket ikke kræver nogen ekstra indsats fra din side.
Udfør følgende trin for at redigere et eksisterende space:
- Vælg på siden med pladsoplysninger Stop plads.
- Genkonfigurer computeren, lageret eller runtime.
- Vælg Kør plads at relancere rummet.
Dit arbejdsområde vil blive opdateret med den nye lager- og computerforekomsttype, du har anmodet om.
Den nye SageMaker Studio JupyterLab-arkitektur
SageMaker Studio-teamet fortsætter med at opfinde og forenkle sin udvikleroplevelse med udgivelsen af en ny fuldt administreret SageMaker Studio JupyterLab-oplevelse. Den nye SageMaker Studio JupyterLab-oplevelse kombinerer det bedste fra begge verdener: skalerbarheden og fleksibiliteten af SageMaker Studio Classic (se appendiks i slutningen af dette indlæg) med stabiliteten og kendskabet til open source JupyterLab. For at forstå designet af denne nye JupyterLab-oplevelse, lad os dykke ned i følgende arkitekturdiagram. Dette vil hjælpe os til bedre at forstå integrationen og funktionerne i denne nye JupyterLab Spaces-platform.
Sammenfattende er vi gået over til en lokaliseret arkitektur. I denne nye opsætning fungerer Jupyter-server- og kerneprocesser sammen i en enkelt Docker-container, hostet på den samme ML-beregningsinstans. Disse ML-forekomster klargøres, når et rum kører, og linket til et EBS-volumen, der oprettes, da rummet oprindeligt blev oprettet.
Denne nye arkitektur medfører flere fordele; vi diskuterer nogle af disse i de følgende afsnit.
Reduceret latens og øget stabilitet
SageMaker Studio er gået over til en lokal kørselsmodel og bevæger sig væk fra den tidligere split-model, hvor kode blev gemt på et EFS-mount og kørt eksternt på en ML-instans via ekstern Kernel Gateway. I den tidligere opsætning aktiverede Kernel Gateway, en hovedløs webserver, kerneoperationer over fjernkommunikation med Jupyter-kerner via HTTPS/WSS. Brugerhandlinger som at køre kode, administrere notebooks eller køre terminalkommandoer blev behandlet af en Kernel Gateway-app på en ekstern ML-instans, hvor Kernel Gateway letter disse operationer over ZeroMQ (ZMQ) i en Docker-container. Følgende diagram illustrerer denne arkitektur.
Den opdaterede JupyterLab-arkitektur kører alle kerneoperationer direkte på den lokale instans. Denne lokale Jupyter Server-tilgang giver typisk forbedret ydeevne og ligetil arkitektur. Det minimerer latens og netværkskompleksitet, forenkler arkitekturen for lettere fejlfinding og vedligeholdelse, forbedrer ressourceudnyttelsen og rummer mere fleksible meddelelsesmønstre til en række komplekse arbejdsbelastninger.
I bund og grund bringer denne opgradering kørende notebooks og kode meget tættere på kernerne, hvilket reducerer ventetiden betydeligt og øger stabiliteten.
Forbedret kontrol over klargjort lagerplads
SageMaker Studio Classic brugte oprindeligt Amazon EFS til at levere vedvarende, delt fillagring til brugerhjemmemapper i SageMaker Studio-miljøet. Denne opsætning giver dig mulighed for centralt at gemme notesbøger, scripts og andre projektfiler, tilgængelige på tværs af alle dine SageMaker Studio-sessioner og -instanser.
Med den seneste opdatering til SageMaker Studio er der et skift fra Amazon EFS-baseret storage til en Amazon EBS-baseret løsning. EBS-volumenerne, der leveres med SageMaker Studio Spaces, er GP3-volumener designet til at levere en ensartet baseline-ydelse på 3,000 IOPS, uafhængigt af volumenstørrelsen. Denne nye Amazon EBS-lagring tilbyder højere ydeevne til I/O-intensive opgaver såsom modeltræning, databehandling, højtydende computerbehandling og datavisualisering. Denne overgang giver også SageMaker Studio-administratorer større indsigt i og kontrol over lagringsbrug af brugerprofiler inden for et domæne eller på tværs af SageMaker. Du kan nu indstille standard (DefaultEbsVolumeSizeInGb
) og maksimum (MaximumEbsVolumeSizeInGb
) lagerstørrelser for JupyterLab Spaces inden for hver brugerprofil.
Ud over forbedret ydeevne har du mulighed for fleksibelt at ændre størrelsen på lagervolumen knyttet til din Spaces ML-beregningsinstans ved at redigere din Space-indstilling enten ved at bruge UI- eller API-handlingen fra din SageMaker Studio-grænseflade uden at kræve nogen administrationshandling. Bemærk dog, at du kun kan redigere EBS-volumenstørrelser i én retning - når du har øget Space's EBS-volumenstørrelse, vil du ikke være i stand til at sænke den ned igen.
SageMaker Studio tilbyder nu øget kontrol over klargjort lagerplads til administratorer:
- SageMaker Studio-administratorer kan administrere EBS-volumenstørrelserne for brugerprofiler. Disse JupyterLab EBS-volumener kan variere fra et minimum på 5 GB til et maksimum på 16 TB. Følgende kodestykke viser, hvordan du opretter eller opdaterer en brugerprofil med standard- og maksimale pladsindstillinger:
- SageMaker Studio tilbyder nu en forbedret automatisk tagging-funktion til Amazon EBS-ressourcer, der automatisk mærker mængder, der er oprettet af brugere, med domæne-, bruger- og Space-oplysninger. Denne fremgang forenkler omkostningsallokeringsanalyse for lagerressourcer, og hjælper administratorer med at administrere og tildele omkostninger mere effektivt. Det er også vigtigt at bemærke, at disse EBS-volumener er hostet på servicekontoen, så du ikke har direkte synlighed. Ikke desto mindre er lagerforbrug og tilknyttede omkostninger direkte knyttet til domænet ARN, brugerprofil ARN og Space ARN, hvilket letter en enkel omkostningsfordeling.
- Administratorer kan også kontrollere kryptering af et rums EBS-volumener i hvile ved hjælp af kundeadministrerede nøgler (CMK).
Delt lejemål med EFS-filsystem medbring-selv
ML-arbejdsgange er typisk kollaborative og kræver effektiv deling af data og kode mellem teammedlemmer. Det nye SageMaker Studio forbedrer dette samarbejdsaspekt ved at give dig mulighed for at dele data, kode og andre artefakter via en delt medbring-selv EFS-filsystem. Dette EFS-drev kan konfigureres uafhængigt af SageMaker eller kan være en eksisterende Amazon EFS-ressource. Når den er klargjort, kan den problemfrit monteres på SageMaker Studio-brugerprofiler. Denne funktion er ikke begrænset til brugerprofiler inden for et enkelt domæne – den kan strække sig på tværs af domæner, så længe de er inden for samme region.
Følgende eksempelkode viser dig, hvordan du opretter et domæne og knytter et eksisterende EFS-volumen til det ved hjælp af dets tilknyttede fs-id
. EFS-volumener kan knyttes til et domæne på rod- eller præfiksniveau, som følgende kommandoer viser:
Når et EFS-montering gøres tilgængeligt i et domæne og dets relaterede brugerprofiler, kan du vælge at vedhæfte det til et nyt område. Dette kan gøres ved at bruge enten SageMaker Studio UI eller en API-handling, som vist i følgende eksempel. Det er vigtigt at bemærke, at når et space oprettes med et EFS-filsystem, der er klargjort på domæneniveau, arver rummet sine egenskaber. Dette betyder, at hvis filsystemet er klargjort på et rod- eller præfiksniveau inden for domænet, vil disse indstillinger automatisk gælde for den plads, der er oprettet af domænebrugerne.
Efter at have monteret det til et Space, kan du finde alle dine filer placeret over det admin-provisionerede monteringspunkt. Disse filer kan findes i mappestien /mnt/custom-file-system/efs/fs-12345678
.
EFS-beslag gør det nemt at dele artefakter mellem en brugers Space eller mellem flere brugere eller på tværs af domæner, hvilket gør det ideelt til kollaborative arbejdsbelastninger. Med denne funktion kan du gøre følgende:
- Del data – EFS-beslag er ideelle til lagring af store datasæt, der er afgørende for datavidenskabelige eksperimenter. Datasætejere kan indlæse disse monteringer med trænings-, validerings- og testdatasæt, hvilket gør dem tilgængelige for brugerprofiler inden for et domæne eller på tværs af flere domæner. SageMaker Studio-administratorer kan også integrere eksisterende applikations-EFS-mounts, mens de opretholder overholdelse af organisatoriske sikkerhedspolitikker. Dette gøres gennem fleksibel montering på præfiksniveau. For eksempel, hvis produktions- og testdata er gemt på samme EFS-montering (som f.eks
fs-12345678:/data/prod and fs-12345678:/data/test
), montering/data/test
på SageMaker-domænets brugerprofiler giver brugerne kun adgang til testdatasættet. Denne opsætning giver mulighed for analyse eller modeltræning, mens produktionsdata holdes sikre og utilgængelige. - Del kode – EFS-monteringer letter hurtig deling af kodeartefakter mellem brugerprofiler. I scenarier, hvor brugere hurtigt skal dele kodeeksempler eller samarbejde på en fælles kodebase uden kompleksiteten af hyppige git push/pull-kommandoer, er delte EFS-monteringer yderst fordelagtige. De tilbyder en bekvem måde at dele igangværende kodeartefakter inden for et team eller på tværs af forskellige teams i SageMaker Studio.
- Del udviklingsmiljøer – Delte EFS-monteringer kan også tjene som et middel til hurtigt at formidle sandkassemiljøer blandt brugere og teams. EFS-beslag giver et solidt alternativ til deling af Python-miljøer som conda eller virtualenv på tværs af flere arbejdsområder. Denne tilgang omgår behovet for distribution
requirements.txt
orenvironment.yml
filer, hvilket ofte kan føre til den gentagne opgave at skabe eller genskabe miljøer på tværs af forskellige brugerprofiler.
Disse funktioner forbedrer betydeligt samarbejdsmulighederne i SageMaker Studio, hvilket gør det nemt for teams at arbejde effektivt sammen om komplekse ML-projekter. Derudover deler Code Editor baseret på Code-OSS (Visual Studio Code Open Source) de samme arkitektoniske principper som den førnævnte JupyterLab-oplevelse. Denne justering bringer flere fordele, såsom reduceret latenstid, forbedret stabilitet og forbedret administrativ kontrol, og giver brugeradgang til delte arbejdsområder, svarende til dem, der tilbydes i JupyterLab Spaces.
Generative AI-drevne værktøjer på JupyterLab Spaces
Generativ AI, et felt i hastig udvikling inden for kunstig intelligens, bruger algoritmer til at skabe nyt indhold som tekst, billeder og kode ud fra omfattende eksisterende data. Denne teknologi har revolutioneret kodning ved at automatisere rutineopgaver, generere komplekse kodestrukturer og tilbyde intelligente forslag, og derved strømline udvikling og fremme kreativitet og problemløsning i programmering. Som et uundværligt værktøj for udviklere øger generativ AI produktiviteten og driver innovation i teknologiindustrien. SageMaker Studio forbedrer denne udvikleroplevelse med forudinstallerede værktøjer som Amazon CodeWhisperer og Jupyter AI, ved at bruge generativ AI til at accelerere udviklingens livscyklus.
Amazon Code Whisperer
Amazon CodeWhisperer er en programmeringsassistent, der forbedrer udviklerproduktiviteten gennem realtidskodeanbefalinger og -løsninger. Som en AWS-administreret AI-tjeneste er den problemfrit integreret i SageMaker Studio JupyterLab IDE. Denne integration gør Amazon CodeWhisperer til en flydende og værdifuld tilføjelse til en udviklers arbejdsgang.
Amazon CodeWhisperer udmærker sig ved at øge udviklereffektiviteten ved at automatisere almindelige kodningsopgaver, foreslå mere effektive kodningsmønstre og reducere fejlretningstiden. Det fungerer som et væsentligt værktøj for både begyndere og erfarne kodere, der giver indsigt i bedste praksis, accelererer udviklingsprocessen og forbedrer den overordnede kvalitet af kode. For at begynde at bruge Amazon CodeWhisperer skal du sørge for, at Genoptag automatiske forslag funktionen er aktiveret. Du kan manuelt fremkalde kodeforslag vha tastaturgenveje.
Alternativt kan du skrive en kommentar, der beskriver din tilsigtede kodefunktion og begynde at kode; Amazon CodeWhisperer vil begynde at give forslag.
Bemærk, at selvom Amazon CodeWhisperer er forudinstalleret, skal du have codewhisperer:GenerateRecommendations
tilladelse som en del af udførelsesrollen til at modtage kodeanbefalinger. For yderligere detaljer, se Brug af CodeWhisperer med Amazon SageMaker Studio. Når du bruger Amazon CodeWhisperer, kan AWS, med henblik på serviceforbedring, gemme data om din brug og dit indhold. At fravælge Amazon CodeWhisperer datadelingspolitik, kan du navigere til Lokal område mulighed fra topmenuen, og naviger derefter til Indstillingseditor og deaktiver Del brugsdata med Amazon CodeWhisperer fra Amazon CodeWhisperer-indstillingsmenuen.
Jupyter AI
Jupyter AI er et open source-værktøj, der bringer generativ AI til Jupyter-notebooks, og tilbyder en robust og brugervenlig platform til at udforske generative AI-modeller. Det øger produktiviteten i JupyterLab og Jupyter Notebooks ved at tilbyde funktioner som %%ai-magien til at skabe en generativ AI-legeplads i notebooks, en indbygget chat-brugergrænseflade i JupyterLab til at interagere med AI som en samtaleassistent og understøttelse af en bred vifte af store sprog model (LLM) udbydere som AI21, Anthropic, Cohere og Hugging Face eller administrerede tjenester som f.eks. Amazonas grundfjeld og SageMaker-endepunkter. Denne integration tilbyder mere effektive og innovative metoder til dataanalyse, ML og kodningsopgaver. For eksempel kan du interagere med en domænebevidst LLM ved hjælp af Jupyternaut-chatgrænsefladen for at få hjælp til processer og arbejdsgange eller generere eksempelkode gennem CodeLlama, hostet på SageMaker-endepunkter. Dette gør det til et værdifuldt værktøj for udviklere og dataforskere.
Jupyter AI giver en omfattende udvalg af sprogmodeller klar til brug lige ud af kassen. Derudover understøttes brugerdefinerede modeller også via SageMaker-endepunkter, hvilket tilbyder fleksibilitet og en bred vifte af muligheder for brugerne. Det tilbyder også understøttelse af indlejring af modeller, så du kan udføre inline sammenligninger og test og endda bygge eller teste ad hoc Retrieval Augmented Generation (RAG) apps.
Jupyter AI kan fungere som din chatassistent, hjælpe dig med kodeeksempler, give dig svar på spørgsmål og meget mere.
Du kan bruge Jupyter AI'er %%ai
magi til at generere prøvekode inde i din notesbog, som vist på det følgende skærmbillede.
JupyterLab 4.0
JupyterLab-teamet har frigivet version 4.0, der byder på væsentlige forbedringer i ydeevne, funktionalitet og brugeroplevelse. Detaljerede oplysninger om denne udgivelse er tilgængelige i den officielle JupyterLab dokumentation.
Denne version, der nu er standard i SageMaker Studio JupyterLab, introducerer optimeret ydeevne til håndtering af store notebooks og hurtigere operationer, takket være forbedringer som CSS-regeloptimering og overtagelsen af CodeMirror 6 og MathJax 3. Nøgleforbedringer omfatter en opgraderet teksteditor med bedre tilgængelighed og tilpasning , en ny udvidelsesadministrator til nem installation af Python-udvidelser og forbedrede dokumentsøgningsfunktioner med avancerede funktioner. Derudover bringer version 4.0 UI-forbedringer, tilgængelighedsforbedringer og opdateringer til udviklingsværktøjer, og visse funktioner er blevet backporteret til JupyterLab 3.6.
Konklusion
Fremskridtene i SageMaker Studio, især med den nye JupyterLab-oplevelse, markerer et betydeligt spring fremad inden for ML-udvikling. Den opdaterede SageMaker Studio UI tilbyder med sin integration af JupyterLab, Code Editor og RStudio et uovertruffent, strømlinet miljø for ML-udviklere. Introduktionen af JupyterLab Spaces giver fleksibilitet og lethed ved at tilpasse computer- og lagerressourcer, hvilket forbedrer den overordnede effektivitet af ML-arbejdsgange. Skiftet fra en ekstern kernearkitektur til en lokaliseret model i JupyterLab øger stabiliteten markant, samtidig med at opstartsforsinkelsen reduceres. Dette resulterer i en hurtigere, mere stabil og responsiv kodningsoplevelse. Desuden styrker integrationen af generative AI-værktøjer som Amazon CodeWhisperer og Jupyter AI i JupyterLab udviklere yderligere, så du kan bruge AI til kodningshjælp og innovativ problemløsning. Den forbedrede kontrol over klargjort lagerplads og muligheden for at dele kode og data ubesværet gennem selvadministrerede EFS mounts letter i høj grad samarbejdsprojekter. Endelig understreger udgivelsen af JupyterLab 4.0 i SageMaker Studio disse forbedringer, der tilbyder optimeret ydeevne, bedre tilgængelighed og en mere brugervenlig grænseflade, og derved styrke JupyterLabs rolle som en hjørnesten i effektiv og effektiv ML-udvikling i det moderne teknologiske landskab.
Prøv SageMaker Studio JupyterLab Spaces ved at bruge vores hurtig ombord funktion, som giver dig mulighed for at oprette et nyt domæne for enkeltbrugere inden for få minutter. Del dine tanker i kommentarfeltet!
Appendiks: SageMaker Studio Classics kerne-gateway-arkitektur
A SageMaker Classic domæne er en logisk sammenlægning af en EFS-volumen, en liste over brugere, der er godkendt til at få adgang til domænet, og konfigurationer relateret til sikkerhed, applikation, netværk og mere. I SageMaker Studio Classic-arkitekturen i SageMaker har hver bruger inden for SageMaker-domænet en særskilt brugerprofil. Denne profil omfatter specifikke detaljer som brugerens rolle og deres Posix-bruger-id i EFS-volumen, blandt andre unikke data. Brugere får adgang til deres individuelle brugerprofil gennem en dedikeret Jupyter Server-app, forbundet via HTTPS/WSS i deres webbrowser. SageMaker Studio Classic bruger en ekstern kernearkitektur ved hjælp af en kombination af Jupyter Server- og Kernel Gateway-apptyper, hvilket gør det muligt for notebook-servere at interagere med kerner på fjernværter. Dette betyder, at Jupyter-kernerne ikke fungerer på notebook-serverens vært, men i Docker-containere på separate værter. I det væsentlige er din notesbog gemt i EFS-hjemmebiblioteket og kører kode eksternt på en anden Amazon Elastic Compute Cloud (Amazon EC2), som rummer en forudbygget Docker-container udstyret med ML-biblioteker såsom PyTorch, TensorFlow, Scikit-Learn og mere.
Den eksterne kernearkitektur i SageMaker Studio tilbyder bemærkelsesværdige fordele med hensyn til skalerbarhed og fleksibilitet. Det har dog sine begrænsninger, herunder maksimalt fire apps pr. instanstype og potentielle flaskehalse på grund af adskillige HTTPS/WSS-forbindelser til en almindelig EC2-instanstype. Disse begrænsninger kan påvirke brugeroplevelsen negativt.
Følgende arkitekturdiagram viser SageMaker Studio Classic-arkitekturen. Det illustrerer brugerens proces med at oprette forbindelse til en Kernel Gateway-app via en Jupyter Server-app ved hjælp af deres foretrukne webbrowser.
Om forfatterne
Pranav Murthy er AI/ML Specialist Solutions Architect hos AWS. Han fokuserer på at hjælpe kunder med at opbygge, træne, implementere og migrere maskinlæring (ML) arbejdsbelastninger til SageMaker. Han har tidligere arbejdet i halvlederindustrien med at udvikle modeller for store computervision (CV) og naturlig sprogbehandling (NLP) for at forbedre halvlederprocesser ved hjælp af avancerede ML-teknikker. I sin fritid nyder han at spille skak og rejse. Du kan finde Pranav på LinkedIn.
Kunal Jha er Senior Product Manager hos AWS. Han er fokuseret på at bygge Amazon SageMaker Studio som det bedste valg i klassen til end-to-end ML-udvikling. I sin fritid nyder Kunal at stå på ski og udforske det nordvestlige Stillehav. Du kan finde ham på LinkedIn.
Majisha Namath Parambath er senior softwareingeniør hos Amazon SageMaker. Hun har været hos Amazon i over 8 år og arbejder i øjeblikket på at forbedre Amazon SageMaker Studio end-to-end-oplevelsen.
Bharat Nandamuri er en senior softwareingeniør, der arbejder på Amazon SageMaker Studio. Han brænder for at bygge højskala backend-tjenester med fokus på Engineering for ML-systemer. Uden for arbejdet nyder han at spille skak, vandre og se film.
Derek Lause er softwareingeniør hos AWS. Han er forpligtet til at levere værdi til kunder gennem Amazon SageMaker Studio og Notebook Instances. I sin fritid nyder Derek at bruge tid med familie og venner og vandre. Du kan finde Derek på LinkedIn.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/
- :har
- :er
- :ikke
- :hvor
- $OP
- 000
- 100
- 11
- 12
- 16
- 25
- 60
- 7
- 8
- a
- evne
- I stand
- Om
- over
- fremskynde
- accelererende
- adgang
- tilgængelighed
- tilgængelig
- Adgang
- Konto
- tværs
- Lov
- Handling
- aktioner
- aktivt
- handlinger
- Ad
- Desuden
- Yderligere
- Derudover
- administration
- administrative
- administratorer
- Vedtagelse
- fremskreden
- fremgang
- fremskridt
- fordele
- påvirke
- Efter
- aggregering
- AI
- AI modeller
- AI-drevne
- AI / ML
- algoritmer
- tilpasning
- Alle
- allokering
- tillade
- tillader
- langs med
- også
- alternativ
- Skønt
- Amazon
- Amazon Code Whisperer
- Amazon EC2
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- blandt
- an
- analyse
- ,
- svar
- Antropisk
- enhver
- overalt
- api
- app
- Anvendelse
- Indløs
- tilgang
- apps
- arkitektonisk
- arkitektur
- ER
- Array
- Kunst
- kunstig
- kunstig intelligens
- AS
- udseende
- Assistance
- Assistant
- forbundet
- At
- vedhæfte
- augmented
- forfatter
- autoriseret
- automatisk
- Automatisering
- til rådighed
- væk
- AWS
- tilbage
- Bagende
- bund
- baseret
- Baseline
- BE
- været
- begynde
- nybegynder
- gavnlig
- fordele
- BEDSTE
- bedste praksis
- Bedre
- mellem
- Bloker
- boost
- fremme
- både
- flaskehalse
- Boks
- Bringer
- bred
- browser
- bygge
- Bygning
- men
- by
- Cache
- kaldet
- CAN
- kapaciteter
- center
- vis
- skak
- valg
- Vælg
- Classic
- tættere
- kode
- kodebase
- Kodning
- samarbejde
- kollaborativ
- kombination
- kombinerer
- KOMMENTAR
- kommentarer
- engageret
- Fælles
- Kommunikation
- følgesvend
- sammenligninger
- fuldføre
- komplekse
- kompleksiteter
- kompleksitet
- Compliance
- omfattende
- Compute
- computer
- Computer Vision
- computing
- Konceptet
- betingelse
- Konfiguration
- konfigureret
- tilsluttet
- Tilslutning
- Tilslutninger
- konsekvent
- konsekvent
- Bestående
- Container
- Beholdere
- indhold
- fortsæt
- fortsætter
- kontrol
- Praktisk
- konversation
- hjørnesten
- Koste
- Omkostninger
- kunne
- dæksel
- skabe
- oprettet
- Oprettelse af
- kreativitet
- afgørende
- CSS
- For øjeblikket
- skik
- kunde
- Kunder
- tilpasning
- tilpasse
- data
- dataanalyse
- databehandling
- datalogi
- datavisualisering
- datasæt
- dedikeret
- Standard
- levere
- dykke
- demonstrere
- indsætte
- implementering
- Derek
- beskriver
- Design
- konstrueret
- detaljeret
- detaljer
- Udvikler
- udviklere
- udvikling
- Udvikling
- udviklingsværktøjer
- forskellige
- direkte
- direkte
- mapper
- diskutere
- distinkt
- distribution
- fordeling
- do
- Docker
- dokumentet
- domæne
- Domæner
- færdig
- ned
- køre
- drev
- grund
- hver
- tidligere
- lette
- lettere
- let
- editor
- effekt
- Effektiv
- effektivt
- effektivitet
- effektiv
- effektivt
- indsats
- nemt
- ubesværet
- enten
- forhøjet
- indlejring
- bemyndige
- bemyndiger
- muliggøre
- aktiveret
- muliggør
- muliggør
- vedrører generelt
- kryptering
- ende
- ende til ende
- ingeniør
- Engineering
- forbedre
- forbedret
- forbedringer
- Forbedrer
- styrke
- sikrer
- Indtast
- Miljø
- miljøer
- udstyret
- Essensen
- væsentlig
- etablere
- Endog
- udviklende
- eksempel
- udførelse
- eksisterende
- erfaring
- eksperimenter
- Forklar
- Udforskning
- udvide
- udvidelse
- udvidelser
- omfattende
- ekstra
- Ansigtet
- lette
- faciliterende
- falsk
- Kendskab
- familie
- FAST
- hurtigere
- Feature
- Funktionalitet
- Med
- få
- felt
- File (Felt)
- Filer
- Finde
- Fleksibilitet
- fleksibel
- fleksibelt
- væske
- Fokus
- fokuserede
- fokuserer
- efter
- Til
- Videresend
- fremme
- fundet
- fire
- Gratis
- hyppig
- venner
- fra
- fuldt ud
- funktion
- funktionalitet
- yderligere
- gateway
- generere
- generere
- generation
- generative
- Generativ AI
- Git
- giver
- Go
- indrømme
- tilskud
- forståelse
- større
- stærkt
- Håndterer
- Håndtering
- Have
- he
- hjælpe
- hjælpe
- Høj
- Høj ydeevne
- højere
- stærkt
- ham
- hans
- Home
- host
- hostede
- værter
- huse
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- ID
- ideal
- if
- illustrerer
- illustrerer
- billeder
- vigtigt
- vigtigere
- Forbedre
- forbedret
- forbedringer
- forbedring
- in
- utilgængelig
- omfatter
- omfatter
- Herunder
- Forøg
- øget
- Stigninger
- stigende
- uafhængig
- uafhængigt
- individuel
- industrien
- oplysninger
- i første omgang
- Innovation
- innovativ
- indvendig
- indsigt
- indsigt
- installation
- instans
- anvisninger
- integrere
- integreret
- integration
- Intelligens
- Intelligent
- beregnet
- interagere
- interaktion
- grænseflade
- ind
- indføre
- introduceret
- Introducerer
- indføre
- Introduktion
- IT
- ITS
- jpg
- lige
- holde
- Nøgle
- nøgler
- mærkning
- landskab
- Sprog
- stor
- endelig
- Latency
- seneste
- lancere
- lanceret
- lancering
- føre
- Leap
- læring
- mindre
- Niveau
- biblioteker
- livscyklus
- ligesom
- begrænsninger
- forbundet
- Liste
- LLM
- belastning
- lokale
- placeret
- logisk
- Lang
- Se
- lavere
- maskine
- machine learning
- lavet
- Magic
- Vedligeholdelse
- vedligeholdelse
- lave
- maerker
- Making
- administrere
- lykkedes
- leder
- styring
- manuelt
- markere
- maksimal
- Kan..
- midler
- Medlemmer
- Hukommelse
- Menu
- messaging
- metoder
- migrere
- mindste
- minimerer
- minimum
- minutter
- ML
- model
- modeller
- Moderne
- ændre
- mere
- mere effektiv
- Desuden
- mest
- MONTERING
- Film
- flytning
- meget
- flere
- skal
- navn
- indfødte
- Natural
- Natural Language Processing
- Naviger
- nødvendig
- Behov
- behov
- negativt
- netværk
- netværk
- Ny
- NLP
- ingen
- bemærkelsesværdig
- Bemærk
- notesbog
- nu
- talrige
- of
- tilbyde
- tilbydes
- tilbyde
- Tilbud
- officiel
- tit
- on
- Ombord
- ONE
- kun
- på
- åbent
- open source
- betjene
- Produktion
- optimering
- optimeret
- Option
- Indstillinger
- or
- organisatorisk
- oprindeligt
- Andet
- vores
- ud
- uden for
- i løbet af
- samlet
- egen
- ejere
- Pacific
- side
- del
- især
- lidenskabelige
- sti
- mønstre
- pause
- per
- Udfør
- ydeevne
- tilladelse
- Tilladelser
- perron
- plato
- Platon Data Intelligence
- PlatoData
- legeplads
- spiller
- Punkt
- politikker
- politik
- Indlæg
- potentiale
- praksis
- foretrækkes
- forberede
- tidligere
- tidligere
- primært
- principper
- private
- problemløsning
- behandle
- Behandlet
- Processer
- forarbejdning
- Produkt
- produktchef
- produktion
- produktivitet
- Profil
- Profiler
- Programmering
- projekt
- projekter
- egenskaber
- give
- udbydere
- giver
- leverer
- formål
- Python
- pytorch
- kvalitet
- Spørgsmål
- Hurtig
- hurtigere
- hurtigt
- rækkevidde
- hurtigt
- klar
- realtid
- modtage
- anbefalinger
- Reduceret
- reducere
- henvise
- Uanset
- region
- relaterede
- relancering
- frigive
- frigivet
- resterne
- fjern
- fjernadgang
- repetitiv
- repræsentation
- repræsenterer
- Krav
- Kræver
- ressource
- Ressourcer
- lydhør
- REST
- genstartes
- begrænset
- resulterer
- Resultater
- Genoptag
- revolutioneret
- højre
- robust
- roller
- rod
- rutine
- Herske
- Kør
- kører
- løber
- runtime
- sagemaker
- samme
- sandkasse
- Skalerbarhed
- Scale
- scenarier
- Videnskab
- forskere
- scikit-lære
- scripts
- sømløs
- problemfrit
- Søg
- krydret
- sekunder
- sektioner
- sikker
- sikkerhed
- sikkerhedspolitikker
- se
- halvleder
- senior
- adskille
- tjener
- server
- Servere
- tjener
- tjeneste
- Tjenester
- Session
- sessioner
- sæt
- indstilling
- indstillinger
- setup
- flere
- Del
- delt
- Aktier
- deling
- hun
- skifte
- vist
- Shows
- signifikant
- betydeligt
- lignende
- forenkler
- forenkle
- enkelt
- Størrelse
- størrelser
- uddrag
- So
- Software
- Software Engineer
- solid
- størkner
- løsninger
- Løsninger
- nogle
- Kilde
- Space
- rum
- specialist
- specifikke
- udgifterne
- Spin
- delt
- Stabilitet
- stabil
- standard
- starte
- opstart
- Tilstand
- Statement
- Stater
- Trin
- Steps
- Stands
- stoppet
- opbevaring
- butik
- opbevaret
- lagring
- ligetil
- strømlinet
- strømlining
- strukturer
- Studio
- sådan
- RESUMÉ
- support
- Understøttet
- sikker
- Kontakt
- systemet
- Systemer
- Tag
- tager
- Opgaver
- opgaver
- hold
- Holdkammerater
- hold
- tech
- tech industri
- teknikker
- Teknologier
- tensorflow
- terminal
- vilkår
- prøve
- tests
- tekst
- end
- Tak
- at
- deres
- Them
- derefter
- Der.
- derved
- Disse
- de
- denne
- dem
- Gennem
- tid
- til
- sammen
- værktøj
- værktøjer
- top
- mod
- Tog
- Kurser
- overgang
- omformede
- Traveling
- sand
- prøv
- tune
- typen
- typer
- typisk
- ui
- understregninger
- forstå
- enestående
- uden sidestykke
- indtil
- Opdatering
- opdateret
- opdateringer
- opdatering
- opgradering
- opgraderet
- us
- Brug
- brug
- anvendte
- Bruger
- Brugererfaring
- brugervenlig
- brugere
- bruger
- ved brug af
- validering
- Værdifuld
- værdi
- række
- forskellige
- udgave
- via
- synlighed
- vision
- visuel
- visualisering
- bind
- mængder
- var
- ser
- Vej..
- we
- web
- webbrowser
- Webserver
- webservices
- web-baseret
- var
- hvornår
- når
- hvorvidt
- som
- mens
- WHO
- bred
- vilje
- ønsker
- med
- inden for
- uden
- Arbejde
- arbejde sammen
- arbejdede
- workflow
- arbejdsgange
- arbejder
- Verdens
- skriver
- år
- Du
- Din
- zephyrnet