Organisieren Sie die Entwicklung von maschinellem Lernen mithilfe gemeinsam genutzter Bereiche in SageMaker Studio für die Zusammenarbeit in Echtzeit

Amazon SageMaker-Studio ist die erste vollständig integrierte Entwicklungsumgebung (IDE) für maschinelles Lernen (ML). Es bietet eine einzige, webbasierte visuelle Oberfläche, auf der Sie alle ML-Entwicklungsschritte ausführen können, einschließlich der Vorbereitung von Daten und dem Erstellen, Trainieren und Bereitstellen von Modellen.

Innerhalb eines Amazon SageMaker-Domänekönnen Benutzer eine persönliche Amazon SageMaker Studio IDE-Anwendung bereitstellen, die einen kostenlosen JupyterServer mit integrierten Integrationen zur Untersuchung von Amazon ausführt SageMaker-Experimente, orchestrieren Amazon SageMaker-Pipelines, und vieles mehr. Benutzer zahlen nur für die flexible Rechenleistung ihres Notebook-Kernels. Diese persönlichen Anwendungen stellen automatisch die privaten Anwendungen eines jeweiligen Benutzers bereit Amazon Elastic File System (Amazon EFS) Home-Verzeichnis, damit sie Code, Daten und andere Dateien von anderen Benutzern isoliert halten können. Amazon SageMaker-Studio unterstützt bereits die gemeinsame Nutzung von Notizbüchern zwischen privaten Anwendungen, aber der asynchrone Mechanismus kann den Iterationsprozess verlangsamen.

Jetzt mit gemeinsam genutzte Bereiche in Amazon SageMaker Studiokönnen Benutzer kollaborative ML-Bemühungen und -Initiativen organisieren, indem sie eine gemeinsam genutzte IDE-Anwendung erstellen, die Benutzer mit ihrem eigenen Amazon SageMaker-Benutzerprofil verwenden. Datenarbeiter, die in einem gemeinsam genutzten Bereich zusammenarbeiten, erhalten Zugriff auf eine Amazon SageMaker Studio-Umgebung, in der sie in Echtzeit auf ihre Notizbücher zugreifen, diese lesen, bearbeiten und freigeben können, was ihnen den schnellsten Weg gibt, um mit ihren Kollegen an neuen Ideen zu arbeiten. Data Worker können mithilfe von Echtzeit-Collaboration-Funktionen sogar gleichzeitig am selben Notebook zusammenarbeiten. Das Notizbuch kennzeichnet jeden gemeinsam bearbeitenden Benutzer mit einem anderen Cursor, der den jeweiligen Benutzerprofilnamen anzeigt.

Freigegebene Bereiche in SageMaker Studio markieren automatisch Ressourcen wie Schulungsjobs, Verarbeitungsjobs, Experimente, Pipelines und Modellregistrierungseinträge, die im Rahmen eines Arbeitsbereichs mit ihren jeweiligen erstellt wurden sagemaker:space-arn. Der Bereich filtert diese Ressourcen innerhalb der Benutzeroberfläche (UI) von Amazon SageMaker Studio, sodass Benutzern nur SageMaker-Experimente, Pipelines und andere Ressourcen präsentiert werden, die für ihre ML-Bemühungen relevant sind.

Lösungsüberblick

Da gemeinsam genutzte Bereiche Ressourcen automatisch mit Tags versehen, können Administratoren die mit einem ML-Projekt verbundenen Kosten einfach überwachen und Budgets mit Tools wie z AWS-Budgets und AWS-Kosten-Explorer. Als Administrator müssen Sie nur eine anhängen Kostenzuordnungskennzeichen für sagemaker:space-arn.

Sobald dies abgeschlossen ist, können Sie AWS Cost Explorer verwenden, um zu ermitteln, wie viel einzelne ML-Projekte Ihr Unternehmen kosten.

Beginnen Sie mit gemeinsam genutzten Bereichen in Amazon SageMaker Studio

In diesem Abschnitt analysieren wir den typischen Arbeitsablauf zum Erstellen und Verwenden gemeinsam genutzter Bereiche in Amazon SageMaker Studio.

Erstellen Sie einen freigegebenen Bereich in Amazon SageMaker Studio

Sie können die Amazon SageMaker-Konsole oder die AWS-Befehlszeilenschnittstelle (AWS CLI), um einer vorhandenen Domäne Unterstützung für Leerzeichen hinzuzufügen. Die aktuellsten Informationen finden Sie unter Erstellen Sie einen gemeinsamen Raum. Freigegebene Bereiche funktionieren nur mit einem JupyterLab 3 SageMaker Studio-Image und für SageMaker-Domänen mit AWS Identity and Access Management (AWS IAM)-Authentifizierung.

Konsolenerstellung

Um einen Bereich innerhalb einer bestimmten Amazon SageMaker-Domäne zu erstellen, müssen Sie zunächst eine Standardausführungsrolle für einen bestimmten Bereich festlegen. Von dem Domain-Details Seite, wählen Sie die Domain-Einstellungen Registerkarte, und wählen Sie Bearbeiten. Dann können Sie eine Space-Standardausführungsrolle festlegen, die nur einmal pro Domain ausgefüllt werden muss, wie im folgenden Diagramm gezeigt:

Als nächstes können Sie in die gehen Raum-Management Tab innerhalb Ihrer Domain und wählen Sie die Erstellen Taste, wie im folgenden Diagramm gezeigt:

AWS CLI-Erstellung

Sie können auch eine standardmäßige Ausführungsrolle für den Domänenbereich über die AWS CLI festlegen. Um den JupyterLab3-Image-ARN Ihrer Region zu bestimmen, aktivieren Sie Festlegen einer standardmäßigen JupyterLab-Version.

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

Sobald dies für Ihre Domäne abgeschlossen ist, können Sie über die CLI einen gemeinsam genutzten Bereich erstellen.

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

Starten Sie einen freigegebenen Bereich in Amazon SageMaker Studio

Benutzer können einen freigegebenen Bereich starten, indem sie auswählen Einführung Schaltfläche neben ihrem Benutzerprofil in der AWS-Konsole für ihre Amazon SageMaker-Domäne.

Nach der Auswahl Spaces Wählen Sie im Abschnitt „Zusammenarbeit“ aus, welchen Space Sie starten möchten:

Alternativ können Benutzer eine vorsignierte URL generieren, um einen Bereich über die AWS CLI zu starten:

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

Echtzeit-Zusammenarbeit

Nachdem die Amazon SageMaker Studio-IDE für gemeinsam genutzte Bereiche geladen wurde, können Benutzer die Mitarbeiter auf der linken Seite, um zu sehen, welche Benutzer aktiv in Ihrem Bereich und an welchem ​​Notebook arbeiten. Wenn mehr als eine Person an demselben Notizbuch arbeitet, sehen Sie einen Cursor mit dem Profilnamen des anderen Benutzers, an dem er bearbeitet:

Im folgenden Screenshot sehen Sie die unterschiedlichen Benutzererfahrungen für jemanden, der dasselbe Notizbuch bearbeitet und anzeigt:

Zusammenfassung

In diesem Beitrag haben wir Ihnen gezeigt, wie Shared Spaces in SageMaker Studio Amazon SageMaker Studio um ein kollaboratives IDE-Erlebnis in Echtzeit erweitert. Automatisiertes Tagging hilft Benutzern, ihre Amazon SageMaker-Ressourcen einzugrenzen und zu filtern, darunter: Experimente, Pipelines und Modellregistrierungseinträge, um die Benutzerproduktivität zu maximieren. Darüber hinaus können Administratoren diese angewendeten Tags verwenden, um die mit einem bestimmten Bereich verbundenen Kosten zu überwachen und geeignete Budgets mit AWS Cost Explorer und AWS Budgets festzulegen.

Beschleunigen Sie noch heute die Zusammenarbeit Ihres Teams, indem Sie gemeinsam genutzte Bereiche in Amazon SageMaker Studio für Ihre spezifischen Machine-Learning-Bemühungen einrichten!

Über die Autoren

SeanMorgan ist AI/ML-Lösungsarchitekt bei AWS. Er verfügt über Erfahrung in den Bereichen Halbleiter und akademische Forschung und nutzt seine Erfahrung, um Kunden dabei zu helfen, ihre Ziele auf AWS zu erreichen. In seiner Freizeit ist Sean ein aktiver Mitwirkender/Betreuer von Open Source und Leiter der Interessengruppe für TensorFlow-Add-ons.

Han Zhang ist Senior Software Engineer bei Amazon Web Services. Sie ist Teil des Einführungsteams für Amazon SageMaker Notebooks und Amazon SageMaker Studio und konzentriert sich auf den Aufbau sicherer Umgebungen für maschinelles Lernen für Kunden. In ihrer Freizeit wandert und fährt sie gerne Ski im pazifischen Nordwesten.

Arkaprava De ist Senior Software Engineer bei AWS. Er ist seit über 7 Jahren bei Amazon und arbeitet derzeit an der Verbesserung der Amazon SageMaker Studio IDE-Erfahrung. Sie finden ihn auf LinkedIn.

Kunal Jha ist Senior Product Manager bei AWS. Er konzentriert sich auf den Aufbau von Amazon SageMaker Studio als IDE der Wahl für alle ML-Entwicklungsschritte. In seiner Freizeit fährt Kunal gerne Ski und erkundet den pazifischen Nordwesten. Sie finden ihn auf LinkedIn.