Οργανώστε την ανάπτυξη μηχανικής μάθησης χρησιμοποιώντας κοινόχρηστους χώρους στο SageMaker Studio για συνεργασία σε πραγματικό χρόνο

Στούντιο Amazon SageMaker είναι το πρώτο πλήρως ενσωματωμένο περιβάλλον ανάπτυξης (IDE) για μηχανική μάθηση (ML). Παρέχει μια ενιαία, βασισμένη στο web, οπτική διεπαφή όπου μπορείτε να εκτελέσετε όλα τα βήματα ανάπτυξης ML, συμπεριλαμβανομένης της προετοιμασίας δεδομένων και της κατασκευής, της εκπαίδευσης και της ανάπτυξης μοντέλων.

Εντός ενός Τομέας Amazon SageMaker, οι χρήστες μπορούν να παρέχουν μια προσωπική εφαρμογή Amazon SageMaker Studio IDE, η οποία εκτελεί έναν δωρεάν JupyterServer με ενσωματωμένες ενσωματώσεις για την εξέταση του Amazon Πειράματα SageMaker, ενορχηστρώνουν Αγωγοί Amazon SageMaker, και πολλα ΑΚΟΜΑ. Οι χρήστες πληρώνουν μόνο για τον ευέλικτο υπολογισμό στους πυρήνες του notebook τους. Αυτές οι προσωπικές εφαρμογές προσαρτούν αυτόματα το ιδιωτικό του αντίστοιχου χρήστη Σύστημα αρχείων ελαστικού Amazon (Amazon EFS) οικιακός κατάλογος, ώστε να μπορούν να διατηρούν κώδικα, δεδομένα και άλλα αρχεία απομονωμένα από άλλους χρήστες. Amazon SageMaker Studio υποστηρίζει ήδη κοινή χρήση φορητών υπολογιστών μεταξύ ιδιωτικών εφαρμογών, αλλά ο ασύγχρονος μηχανισμός μπορεί να επιβραδύνει τη διαδικασία επανάληψης.

Τώρα με κοινόχρηστους χώρους στο Amazon SageMaker Studio, οι χρήστες μπορούν να οργανώσουν συλλογικές προσπάθειες και πρωτοβουλίες ML δημιουργώντας μια κοινόχρηστη εφαρμογή IDE που χρησιμοποιούν οι χρήστες με το δικό τους προφίλ χρήστη Amazon SageMaker. Οι εργαζόμενοι δεδομένων που συνεργάζονται σε έναν κοινόχρηστο χώρο αποκτούν πρόσβαση σε ένα περιβάλλον του Amazon SageMaker Studio όπου μπορούν να έχουν πρόσβαση, να διαβάζουν, να επεξεργάζονται και να μοιράζονται τα σημειωματάριά τους σε πραγματικό χρόνο, γεγονός που τους δίνει τον πιο γρήγορο δρόμο για να ξεκινήσουν να επαναλαμβάνουν νέες ιδέες με τους συνομηλίκους τους. Οι εργαζόμενοι δεδομένων μπορούν ακόμη και να συνεργάζονται στο ίδιο σημειωματάριο ταυτόχρονα χρησιμοποιώντας δυνατότητες συνεργασίας σε πραγματικό χρόνο. Το σημειωματάριο υποδεικνύει κάθε χρήστη που συνεπεξεργάζεται με διαφορετικό δρομέα που δείχνει το αντίστοιχο όνομα προφίλ χρήστη.

Οι κοινόχρηστοι χώροι στο SageMaker Studio προσθέτουν αυτόματα ετικέτες σε πόρους, όπως Εργασίες εκπαίδευσης, Εργασίες επεξεργασίας, Πειράματα, Σωληνώσεις και καταχωρήσεις Μητρώου Μοντέλων που δημιουργούνται εντός του πεδίου εφαρμογής ενός χώρου εργασίας με τις αντίστοιχες sagemaker:space-arn. Ο χώρος φιλτράρει αυτούς τους πόρους εντός της διεπαφής χρήστη (UI) του Amazon SageMaker Studio, έτσι στους χρήστες παρουσιάζονται μόνο τα πειράματα SageMaker, οι σωληνώσεις και άλλοι πόροι που σχετίζονται με την προσπάθειά τους για ML.

Επισκόπηση λύσεων

Δεδομένου ότι οι κοινόχρηστοι χώροι προσθέτουν αυτόματα ετικέτες σε πόρους, οι διαχειριστές μπορούν εύκολα να παρακολουθούν το κόστος που σχετίζεται με μια προσπάθεια ML και να σχεδιάζουν προϋπολογισμούς χρησιμοποιώντας εργαλεία όπως π.χ. Προϋπολογισμοί AWS και Εξερεύνηση κόστους AWS. Ως διαχειριστής θα χρειαστεί να επισυνάψετε μόνο ένα ετικέτα κατανομής κόστους for sagemaker:space-arn.

Μόλις ολοκληρωθεί αυτό, μπορείτε να χρησιμοποιήσετε το AWS Cost Explorer για να προσδιορίσετε πόσο κοστίζουν μεμονωμένα έργα ML στον οργανισμό σας.

Ξεκινήστε με κοινόχρηστους χώρους στο Amazon SageMaker Studio

Σε αυτήν την ενότητα, θα αναλύσουμε την τυπική ροή εργασίας για τη δημιουργία και τη χρήση κοινόχρηστων χώρων στο Amazon SageMaker Studio.

Δημιουργήστε έναν κοινόχρηστο χώρο στο Amazon SageMaker Studio

Μπορείτε να χρησιμοποιήσετε την Κονσόλα Amazon SageMaker ή το Διεπαφή γραμμής εντολών AWS (AWS CLI) για να προσθέσετε υποστήριξη για χώρους σε έναν υπάρχοντα τομέα. Για τις πιο ενημερωμένες πληροφορίες, ελέγξτε Δημιουργήστε έναν κοινόχρηστο χώρο. Οι κοινόχρηστοι χώροι λειτουργούν μόνο με εικόνα JupyterLab 3 SageMaker Studio και για τομείς SageMaker που χρησιμοποιούν έλεγχο ταυτότητας AWS Identity and Access Management (AWS IAM).

Δημιουργία κονσόλας

Για να δημιουργήσετε ένα χώρο σε έναν καθορισμένο τομέα Amazon SageMaker, θα πρέπει πρώτα να ορίσετε έναν προεπιλεγμένο ρόλο εκτέλεσης καθορισμένου χώρου. Από το Λεπτομέρειες τομέα σελίδα, επιλέξτε το Ρυθμίσεις τομέα Και επιλέξτε Αλλαγή. Στη συνέχεια, μπορείτε να ορίσετε έναν προεπιλεγμένο ρόλο εκτέλεσης χώρου, ο οποίος πρέπει να ολοκληρωθεί μόνο μία φορά ανά Domain, όπως φαίνεται στο παρακάτω διάγραμμα:

Στη συνέχεια, μπορείτε να πάτε στο Διαχείριση χώρου καρτέλα στον τομέα σας και επιλέξτε το Δημιουργία κουμπί, όπως φαίνεται στο παρακάτω διάγραμμα:

Δημιουργία AWS CLI

Μπορείτε επίσης να ορίσετε έναν προεπιλεγμένο ρόλο εκτέλεσης χώρου τομέα από το AWS CLI. Για να προσδιορίσετε το ARN εικόνας JupyterLab3 της περιοχής σας, ελέγξτε Ορισμός προεπιλεγμένης έκδοσης JupyterLab.

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

Μόλις ολοκληρωθεί για τον Τομέα σας, μπορείτε να δημιουργήσετε έναν κοινόχρηστο χώρο από το CLI.

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

Εκκινήστε έναν κοινόχρηστο χώρο στο Amazon SageMaker Studio

Οι χρήστες μπορούν να ξεκινήσουν έναν κοινόχρηστο χώρο επιλέγοντας το Εκκίνηση κουμπί δίπλα στο προφίλ χρήστη τους στην Κονσόλα AWS για τον τομέα Amazon SageMaker.

Μετά την επιλογή Χώροι στην ενότητα Συνεργασία και, στη συνέχεια, επιλέξτε ποιο Space θα εκκινήσετε:

Εναλλακτικά, οι χρήστες μπορούν να δημιουργήσουν μια προ-υπογεγραμμένη διεύθυνση URL για την εκκίνηση ενός χώρου μέσω του AWS CLI:

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

Συνεργασία σε πραγματικό χρόνο

Μόλις φορτωθεί το IDE κοινόχρηστου χώρου του Amazon SageMaker Studio, οι χρήστες μπορούν να επιλέξουν το Συνεργάτες καρτέλα στο αριστερό πλαίσιο για να δείτε ποιοι χρήστες εργάζονται ενεργά στο χώρο σας και σε ποιο σημειωματάριο. Εάν περισσότερα από ένα άτομα εργάζονται στο ίδιο σημειωματάριο, τότε θα δείτε έναν δρομέα με το όνομα προφίλ του άλλου χρήστη όπου επεξεργάζονται:

Στο παρακάτω στιγμιότυπο οθόνης, μπορείτε να δείτε τις διαφορετικές εμπειρίες χρήστη για κάποιον που επεξεργάζεται και βλέπει το ίδιο σημειωματάριο:

Συμπέρασμα

Σε αυτήν την ανάρτηση, σας δείξαμε πώς οι κοινόχρηστοι χώροι στο SageMaker Studio προσθέτουν μια συλλογική εμπειρία IDE σε πραγματικό χρόνο στο Amazon SageMaker Studio. Η αυτοματοποιημένη προσθήκη ετικετών βοηθά τους χρήστες να διερευνούν και να φιλτράρουν τους πόρους τους στο Amazon SageMaker, οι οποίοι περιλαμβάνουν: πειράματα, αγωγούς και καταχωρίσεις μητρώου μοντέλων για τη μεγιστοποίηση της παραγωγικότητας των χρηστών. Επιπλέον, οι διαχειριστές μπορούν να χρησιμοποιήσουν αυτές τις εφαρμοζόμενες ετικέτες για να παρακολουθούν το κόστος που σχετίζεται με έναν δεδομένο χώρο και να ορίζουν κατάλληλους προϋπολογισμούς χρησιμοποιώντας τους προϋπολογισμούς AWS Cost Explorer και AWS.

Επιταχύνετε τη συνεργασία της ομάδας σας σήμερα δημιουργώντας κοινόχρηστους χώρους στο Amazon SageMaker Studio για τις συγκεκριμένες προσπάθειές σας για τη μηχανική εκμάθηση!

Σχετικά με τους συγγραφείς

Σον Μόργκαν είναι αρχιτέκτονας λύσεων AI/ML στην AWS. Έχει εμπειρία στους τομείς των ημιαγωγών και της ακαδημαϊκής έρευνας και χρησιμοποιεί την εμπειρία του για να βοηθήσει τους πελάτες να επιτύχουν τους στόχους τους στο AWS. Στον ελεύθερο χρόνο του, ο Sean είναι ενεργός συνεργάτης/συντηρητής ανοιχτού κώδικα και είναι ο επικεφαλής της ομάδας ειδικών ενδιαφερόντων για τα πρόσθετα TensorFlow.

Χαν Ζανγκ είναι Ανώτερος Μηχανικός Λογισμικού στο Amazon Web Services. Είναι μέλος της ομάδας εκκίνησης για τα Amazon SageMaker Notebooks και το Amazon SageMaker Studio και έχει επικεντρωθεί στη δημιουργία ασφαλών περιβαλλόντων μηχανικής μάθησης για πελάτες. Στον ελεύθερο χρόνο της, της αρέσει η πεζοπορία και το σκι στον Βορειοδυτικό Ειρηνικό.

Αρκαπράβα Δε είναι Ανώτερος Μηχανικός Λογισμικού στην AWS. Βρίσκεται στην Amazon για περισσότερα από 7 χρόνια και αυτή τη στιγμή εργάζεται για τη βελτίωση της εμπειρίας του Amazon SageMaker Studio IDE. Μπορείτε να τον βρείτε LinkedIn.

Kunal Jha είναι Ανώτερος Διευθυντής Προϊόντων στην AWS. Επικεντρώνεται στην κατασκευή του Amazon SageMaker Studio ως το IDE της επιλογής για όλα τα βήματα ανάπτυξης ML. Στον ελεύθερο χρόνο του, ο Kunal απολαμβάνει το σκι και την εξερεύνηση του Βορειοδυτικού Ειρηνικού. Μπορείτε να τον βρείτε LinkedIn.