Järjestä koneoppimiskehitys käyttämällä jaettuja tiloja SageMaker Studiossa reaaliaikaista yhteistyötä varten

Amazon SageMaker Studio on ensimmäinen täysin integroitu kehitysympäristö (IDE) koneoppimiseen (ML). Se tarjoaa yhden verkkopohjaisen visuaalisen käyttöliittymän, jossa voit suorittaa kaikki ML-kehitysvaiheet, mukaan lukien tietojen valmistelu ja mallien rakentaminen, koulutus ja käyttöönotto.

Sisällä Amazon SageMaker -verkkotunnus, käyttäjät voivat tarjota henkilökohtaisen Amazon SageMaker Studio IDE -sovelluksen, joka käyttää ilmaista JupyterServeriä sisäänrakennetuilla integroinneilla Amazonin tutkimiseen. SageMaker-kokeet, orkestroida Amazon SageMaker -putkistot, ja paljon enemmän. Käyttäjät maksavat vain kannettavan tietokoneensa ytimien joustavasta laskemisesta. Nämä henkilökohtaiset sovellukset asentavat automaattisesti kunkin käyttäjän yksityisen Amazonin elastinen tiedostojärjestelmä (Amazon EFS) -kotihakemistoon, jotta he voivat pitää koodin, tiedot ja muut tiedostot erillään muista käyttäjistä. Amazon SageMaker Studio tukee jo muistikirjojen jakamista yksityisten sovellusten välillä, mutta asynkroninen mekanismi voi hidastaa iteraatioprosessia.

nyt jaetut tilat Amazon SageMaker Studiossa, käyttäjät voivat järjestää yhteistyöhön liittyviä ML-pyrkimyksiä ja aloitteita luomalla jaetun IDE-sovelluksen, jota käyttäjät käyttävät oman Amazon SageMaker -käyttäjäprofiilinsa kanssa. Tietotyöntekijät, jotka tekevät yhteistyötä jaetussa tilassa, saavat pääsyn Amazon SageMaker Studio -ympäristöön, jossa he voivat käyttää, lukea, muokata ja jakaa muistikirjojaan reaaliajassa, mikä antaa heille nopeimman tien aloittaa uusien ideoiden iterointi kollegojensa kanssa. Tietotyöntekijät voivat jopa tehdä yhteistyötä saman muistikirjan parissa samanaikaisesti käyttämällä reaaliaikaisia ​​yhteistyöominaisuuksia. Muistikirja ilmaisee jokaisen yhteismuokkaavan käyttäjän eri kohdistimella, joka näyttää vastaavan käyttäjäprofiilin nimen.

SageMaker Studion jaetut tilat merkitsevät automaattisesti resursseja, kuten koulutustöitä, käsittelytöitä, kokeita, putkia ja mallirekisterimerkintöjä, jotka on luotu työtilan piiriin. sagemaker:space-arn. Tila suodattaa nämä resurssit Amazon SageMaker Studio -käyttöliittymässä (UI), joten käyttäjille esitetään vain SageMaker-kokeiluja, -putkia ja muita resursseja, jotka liittyvät heidän ML-pyrkimyksiinsä.

Ratkaisun yleiskatsaus

Koska jaetut tilat merkitsevät automaattisesti resurssit, järjestelmänvalvojat voivat helposti valvoa ML-yritykseen liittyviä kustannuksia ja suunnitella budjetteja käyttämällä työkaluja, kuten AWS-budjetit ja AWS-kustannuslaskuri. Järjestelmänvalvojana sinun tarvitsee vain liittää a kustannusten kohdentamistagi varten sagemaker:space-arn.

Kun tämä on valmis, voit käyttää AWS Cost Exploreria tunnistamaan, kuinka paljon yksittäiset ML-projektit maksavat organisaatiollesi.

Aloita jaetun tilan käyttö Amazon SageMaker Studiossa

Tässä osiossa analysoimme tyypillistä työnkulkua jaettujen tilojen luomiseen ja hyödyntämiseen Amazon SageMaker Studiossa.

Luo jaettu tila Amazon SageMaker Studiossa

Voit käyttää Amazon SageMaker -konsolia tai AWS-komentoriviliitäntä (AWS CLI) lisätäksesi tuen välilyönneille olemassa olevaan verkkotunnukseen. Tarkista ajantasaisimmat tiedot Luo jaettu tila. Jaetut tilat toimivat vain JupyterLab 3 SageMaker Studio -kuvan kanssa ja SageMaker-verkkotunnuksilla, jotka käyttävät AWS Identity and Access Management (AWS IAM) -todennusta.

Konsolin luominen

Jos haluat luoda tilan määritetylle Amazon SageMaker -verkkotunnukselle, sinun on ensin asetettava määritetyn tilan oletussuoritusrooli. alkaen Verkkotunnuksen tiedot sivulla, valitse Verkkotunnuksen asetukset Välilehti ja valitse muokata. Sitten voit määrittää tilan oletussuoritusroolin, joka täytyy suorittaa vain kerran verkkotunnusta kohti, kuten seuraavassa kaaviossa näkyy:

Seuraavaksi voit siirtyä Avaruuden hallinta -välilehti verkkotunnuksessasi ja valitse luoda painiketta seuraavan kaavion mukaisesti:

AWS CLI:n luominen

Voit myös määrittää oletusarvoisen toimialueen tilan suoritusroolin AWS CLI:stä. Tarkista alueesi JupyterLab3-kuvan ARN JupyterLab-oletusversion asettaminen.

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

Kun tämä on tehty verkkotunnuksellesi, voit luoda jaetun tilan CLI:stä.

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

Käynnistä jaettu tila Amazon SageMaker Studiossa

Käyttäjät voivat käynnistää jaetun tilan valitsemalla Käynnistää -painiketta heidän Amazon SageMaker -verkkotunnuksensa AWS-konsolissa käyttäjäprofiilinsa vieressä.

Valinnan jälkeen Spaces Yhteistyö-osiossa ja valitse sitten avattava tila:

Vaihtoehtoisesti käyttäjät voivat luoda valmiiksi allekirjoitetun URL-osoitteen tilan käynnistämiseksi AWS CLI:n kautta:

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

Reaaliaikainen yhteistyö

Kun Amazon SageMaker Studion jaetun tilan IDE on ladattu, käyttäjät voivat valita yhteistyökumppanit -välilehti vasemmassa paneelissa nähdäksesi, mitkä käyttäjät työskentelevät aktiivisesti tilassasi ja millä muistikirjalla. Jos useampi kuin yksi henkilö työskentelee saman muistikirjan parissa, näet kohdistimen, jossa on toisen käyttäjän profiilinimi, jossa he muokkaavat:

Seuraavassa kuvakaappauksessa näet erilaiset käyttäjäkokemukset, kun joku muokkaa ja katselee samaa muistikirjaa:

Yhteenveto

Tässä viestissä näytimme sinulle, kuinka jaetut tilat SageMaker Studiossa lisäävät reaaliaikaisen yhteistyön IDE-kokemuksen Amazon SageMaker Studioon. Automaattinen taggaus auttaa käyttäjiä laajentamaan ja suodattamaan Amazon SageMaker -resurssejaan, jotka sisältävät kokeilut, putkistot ja mallirekisterimerkinnät käyttäjien tuottavuuden maksimoimiseksi. Lisäksi järjestelmänvalvojat voivat käyttää näitä käytettyjä tunnisteita seuratakseen tiettyyn tilaan liittyviä kustannuksia ja asettaakseen asianmukaiset budjetit AWS-kustannusselvityksen ja AWS-budjetin avulla.

Nopeuta tiimisi yhteistyötä jo tänään luomalla jaettuja tiloja Amazon SageMaker Studiossa erityisiä koneoppimispyrkimyksiäsi varten!

Tietoja kirjoittajista

Sean Morgan on AI/ML Solutions -arkkitehti AWS:ssä. Hänellä on kokemusta puolijohteiden ja akateemisen tutkimuksen aloilta, ja hän käyttää kokemustaan ​​auttaakseen asiakkaita saavuttamaan tavoitteensa AWS:ssä. Vapaa-ajallaan Sean on aktiivinen avoimen lähdekoodin avustaja/ylläpitäjä ja on TensorFlow-lisäosien erityisedustajien johtaja.

Han Zhang on vanhempi ohjelmistosuunnittelija Amazon Web Services -palvelussa. Hän on osa Amazon SageMaker Notebooksin ja Amazon SageMaker Studion julkaisutiimiä ja on keskittynyt turvallisten koneoppimisympäristöjen rakentamiseen asiakkaille. Vapaa-ajallaan hän harrastaa patikointia ja hiihtoa Tyynenmeren luoteisosassa.

Arkaprava De on vanhempi ohjelmistosuunnittelija AWS:ssä. Hän on ollut Amazonilla yli 7 vuotta ja työskentelee parhaillaan Amazon SageMaker Studio IDE -kokemuksen parantamiseksi. Löydät hänet LinkedIn.

Kunal Jha on AWS:n vanhempi tuotepäällikkö. Hän on keskittynyt rakentamaan Amazon SageMaker Studion IDE:ksi kaikissa ML-kehitysvaiheissa. Vapaa-ajallaan Kunal nauttii hiihtämisestä ja Tyynenmeren luoteisosien tutkimisesta. Löydät hänet LinkedIn.