Organiser udvikling af maskinlæring ved hjælp af delte rum i SageMaker Studio for samarbejde i realtid

Amazon SageMaker Studio er det første fuldt integrerede udviklingsmiljø (IDE) til maskinlæring (ML). Det giver en enkelt, webbaseret visuel grænseflade, hvor du kan udføre alle ML-udviklingstrin, inklusive forberedelse af data og opbygning, træning og implementering af modeller.

Inden for en Amazon SageMaker-domæne, kan brugere klargøre en personlig Amazon SageMaker Studio IDE-applikation, som kører en gratis JupyterServer med indbyggede integrationer til at undersøge Amazon SageMaker-eksperimenter, orkestrere Amazon SageMaker Pipelines, og meget mere. Brugere betaler kun for den fleksible beregning på deres notebook-kerner. Disse personlige applikationer monterer automatisk en respektiv brugers private Amazon Elastic File System (Amazon EFS) hjemmemappe, så de kan holde kode, data og andre filer isoleret fra andre brugere. Amazon SageMaker Studio understøtter allerede deling af notebooks mellem private applikationer, men den asynkrone mekanisme kan bremse iterationsprocessen.

Nu med delte rum i Amazon SageMaker Studio, kan brugere organisere kollaborative ML-bestræbelser og -initiativer ved at skabe en delt IDE-applikation, som brugerne bruger med deres egen Amazon SageMaker-brugerprofil. Dataarbejdere, der samarbejder i et delt rum, får adgang til et Amazon SageMaker Studio-miljø, hvor de kan få adgang til, læse, redigere og dele deres notesbøger i realtid, hvilket giver dem den hurtigste vej til at begynde at iterere med deres jævnaldrende om nye ideer. Dataarbejdere kan endda samarbejde på den samme notebook samtidigt ved at bruge samarbejdsmuligheder i realtid. Notesbogen angiver hver medredigerende bruger med en anden markør, der viser deres respektive brugerprofilnavn.

Delte rum i SageMaker Studio tagger automatisk ressourcer, såsom træningsjob, behandlingsjob, eksperimenter, rørledninger og modelregistreringsposter, der er oprettet inden for rammerne af et arbejdsområde med deres respektive sagemaker:space-arn. Pladsen filtrerer disse ressourcer i Amazon SageMaker Studio-brugergrænsefladen (UI), så brugerne kun præsenteres for SageMaker-eksperimenter, pipelines og andre ressourcer, der er relevante for deres ML-bestræbelser.

Løsningsoversigt

Da delte rum automatisk mærker ressourcer, kan administratorer nemt overvåge omkostninger forbundet med en ML-indsats og planlægge budgetter ved hjælp af værktøjer som f.eks. AWS budgetter , AWS Cost Explorer. Som administrator behøver du kun at vedhæfte en omkostningsfordelingsmærke forum sagemaker:space-arn.

Når det er fuldført, kan du bruge AWS Cost Explorer til at identificere, hvor meget individuelle ML-projekter koster din organisation.

Kom godt i gang med delte rum i Amazon SageMaker Studio

I dette afsnit vil vi analysere den typiske arbejdsgang til at skabe og bruge delte rum i Amazon SageMaker Studio.

Opret et delt rum i Amazon SageMaker Studio

Du kan bruge Amazon SageMaker-konsollen eller AWS kommandolinjegrænseflade (AWS CLI) for at tilføje understøttelse af spaces til et eksisterende domæne. Se venligst for den mest opdaterede information Opret et delt rum. Shared spaces fungerer kun med et JupyterLab 3 SageMaker Studio-billede og for SageMaker Domains, der bruger AWS Identity and Access Management (AWS IAM)-godkendelse.

Konsol oprettelse

For at oprette et space inden for et udpeget Amazon SageMaker-domæne skal du først indstille en udpeget space-standardudførelsesrolle. Fra Domæneoplysninger side, vælg Domæneindstillinger Fanebladet og vælg Redigere. Derefter kan du indstille en standardudførelsesrolle for space, som kun skal udføres én gang pr. domæne, som vist i følgende diagram:

Derefter kan du gå til Rumstyring fanen i dit domæne og vælg Opret knap, som vist i følgende diagram:

AWS CLI oprettelse

Du kan også indstille en standard domænepladsudførelsesrolle fra AWS CLI. For at bestemme din regions JupyterLab3 billede ARN, tjek Indstilling af en standard JupyterLab-version.

aws --region  
sagemaker update-domain 
--domain-id  
--default-space-settings "ExecutionRole="

Når det er afsluttet for dit domæne, kan du oprette et delt rum fra CLI.

aws --region  
sagemaker create-space 
--domain-id  
--space-name  

Start et delt rum i Amazon SageMaker Studio

Brugere kan starte et delt rum ved at vælge Launch knappen ved siden af ​​deres brugerprofil i AWS-konsollen for deres Amazon SageMaker-domæne.

Efter at have valgt Spaces under sektionen Samarbejde, og vælg derefter hvilket rum der skal lanceres:

Alternativt kan brugere generere en forudsigneret URL for at starte et space gennem AWS CLI:

aws sagemaker create-presigned-domain-url 
--region  
--domain-id  
--space-name  
--user-profile-name  

Samarbejde i realtid

Når Amazon SageMaker Studio shared space IDE er blevet indlæst, kan brugerne vælge Samarbejdspartnere fanen i venstre panel for at se, hvilke brugere der aktivt arbejder i dit rum og på hvilken notesbog. Hvis mere end én person arbejder på den samme notesbog, vil du se en markør med den anden brugers profilnavn, hvor de redigerer:

I det følgende skærmbillede kan du se de forskellige brugeroplevelser for en person, der redigerer og ser den samme notesbog:

Konklusion

I dette indlæg viste vi dig, hvordan delte rum i SageMaker Studio tilføjer en IDE-oplevelse i realtid til Amazon SageMaker Studio. Automatiseret tagging hjælper brugere med at scope og filtrere deres Amazon SageMaker-ressourcer, som inkluderer: eksperimenter, pipelines og modelregistreringsposter for at maksimere brugerens produktivitet. Derudover kan administratorer bruge disse anvendte tags til at overvåge omkostningerne forbundet med en given plads og indstille passende budgetter ved hjælp af AWS Cost Explorer og AWS Budgets.

Fremskynd dit teams samarbejde i dag ved at oprette delte rum i Amazon SageMaker Studio til dine specifikke maskinlæringsbestræbelser!

Om forfatterne

Sean Morgan er AI/ML Solutions Architect hos AWS. Han har erfaring inden for halvleder- og akademisk forskning og bruger sin erfaring til at hjælpe kunder med at nå deres mål på AWS. I sin fritid er Sean en aktiv open source-bidragyder/vedligeholder og er specialinteressegruppeleder for TensorFlow Add-ons.

Han Zhang er senior softwareingeniør hos Amazon Web Services. Hun er en del af lanceringsteamet for Amazon SageMaker Notebooks og Amazon SageMaker Studio og har fokuseret på at bygge sikre maskinlæringsmiljøer for kunderne. I sin fritid nyder hun at vandre og stå på ski i Pacific Northwest.

Arkaprava De er senior softwareingeniør hos AWS. Han har været hos Amazon i over 7 år og arbejder i øjeblikket på at forbedre Amazon SageMaker Studio IDE-oplevelsen. Du kan finde ham på LinkedIn.

Kunal Jha er Senior Product Manager hos AWS. Han er fokuseret på at bygge Amazon SageMaker Studio som den foretrukne IDE for alle ML-udviklingstrin. I sin fritid nyder Kunal at stå på ski og udforske det nordvestlige Stillehav. Du kan finde ham på LinkedIn.