Hari ini, kami dengan gembira mengumumkan dukungan untuk Code Editor, opsi lingkungan pengembangan terintegrasi (IDE) baru Studio Amazon SageMaker. Editor Kode didasarkan pada Kode-OSS, Visual Studio Code Open Source, dan menyediakan akses ke lingkungan dan alat IDE populer yang dikenal dan disukai oleh pengembang pembelajaran mesin (ML), terintegrasi penuh dengan rangkaian fitur SageMaker Studio yang lebih luas. Editor Kode memungkinkan Anda memilih dari ribuan ekstensi kompatibel VS Code yang tersedia di Galeri ekstensi Open-VSX untuk lebih meningkatkan pengalaman pengembangan tim Anda. Anda juga dapat memaksimalkan produktivitas tim Anda dengan menggunakan integrasi yang lancar ke layanan AWS melalui AWS Toolkit untuk Kode Visual Studio, termasuk pendamping pengkodean yang didukung AI AWS, Amazon CodeWhisperer.
Seperti semua aplikasi IDE di SageMaker Studio, pengembang dan teknisi ML dapat memilih komputasi yang mendasarinya sesuai permintaan, dan menukarnya berdasarkan kebutuhan mereka tanpa kehilangan data. Selain itu, tim Anda dapat mengelola kontrol versi basis kode mereka dan berkolaborasi antar tim melalui integrasi GitHub asli dan mengurangi waktu pembuatan kode dengan menggunakan kerangka kerja ML paling populer langsung dengan yang telah dikonfigurasi sebelumnya. Distribusi Amazon SageMaker gambar kontainer.
Memulai Editor Kode di Amazon SageMaker Studio
Administrator TI Anda dapat menyiapkan domain SageMaker Studio baru atau memigrasikan domain yang sudah ada ke pengalaman SageMaker Studio baru, yang mencakup Editor Kode. Melihat Onboarding ke Domain Amazon SageMaker menggunakan Penyiapan cepat untuk lebih jelasnya. Anda kemudian dapat meluncurkan Code Editor dengan satu klik sederhana di lingkungan Amazon SageMaker Studio Anda.
- Setelah domain disiapkan, luncurkan pengalaman baru SageMaker Studio dari konsol atau URL yang telah ditandatangani sebelumnya yang disediakan oleh administrator Anda. Anda dapat menemukan IDE Editor Kode di bagian Aplikasi di panel sebelah kiri dan di bagian Ikhtisar, seperti yang ditunjukkan dalam tangkapan layar berikut:
- Pada halaman detail Editor Kode, pilih Buat Ruang Editor Kode. Kemudian masukkan nama untuk ruangan Anda dan pilih Ciptakan ruang:
- Pada halaman detail Ruang Editor Kode, pilih konfigurasi dasar Anda, termasuk:
- Jenis instans Amazon Elastic Compute Cloud (Amazon EC2) yang mendasarinya.
- Ukuran volume Amazon Elastic Block Storage (Amazon EBS) (dapat berkisar dari 5 GB hingga 16 TB).
- Gambar kontainer yang akan digunakan (Anda akan memiliki gambar Distribusi SageMaker untuk CPU dan GPU yang tersedia saat peluncuran).
- Skrip konfigurasi siklus hidup untuk dijalankan jika Anda ingin menyesuaikan lingkungan saat pembuatan aplikasi.
- Amazon Elastic File System (Amazon EFS) bersama untuk dipasang di ruang Editor Kode Anda (ini perlu dikonfigurasi oleh administrator Anda saat menyediakan domain Anda).
- Setelah memberikan detail konfigurasi ruang Anda, pilih Jalankan ruang untuk menyediakan sumber daya ruang Anda.
Jika Anda telah memilih a peluncuran cepat misalnya dengan Distribusi SageMaker default sebagai gambar, ruang Editor Kode Anda akan tersedia dalam waktu kurang dari satu menit. Jika Anda telah menambahkan konfigurasi siklus hidup ke ruang, mungkin diperlukan waktu tambahan untuk menginstal dependensi dari skrip tersebut.
Setelah sumber daya Anda disediakan, halaman detail ruang akan menampilkan Buka Editor Kode .
- Pilih Buka Editor Kode untuk meluncurkan IDE.
IDE editor kode akan diluncurkan di tab browser baru.
Fitur Editor Kode
Editor Kode hadir dengan serangkaian fitur unik untuk meningkatkan produktivitas tim ML Anda:
- Infrastruktur yang dikelola sepenuhnya – IDE Editor Kode berjalan pada infrastruktur yang dikelola sepenuhnya. Amazon SageMaker menjaga agar instans tetap mutakhir dengan patch dan peningkatan keamanan terbaru.
- Panggil sumber daya ke atas dan ke bawah – Dengan Editor Kode, Anda dapat dengan mudah mengubah sumber daya yang mendasarinya (misalnya, jenis instans, ukuran volume EBS) yang menjalankan Editor Kode. Hal ini bermanfaat bagi pengembang yang ingin menjalankan beban kerja dengan kebutuhan komputasi, memori, dan penyimpanan yang berubah-ubah.
- SageMaker menyediakan gambar – Editor Kode telah dikonfigurasi sebelumnya dengan Distribusi SageMaker sebagai gambar default. Gambar kontainer ini memiliki semua kerangka kerja ML paling populer yang didukung oleh SageMaker, beserta SDK Python SageMaker, boto3, dan perpustakaan khusus AWS dan ilmu data lainnya diinstal. Hal ini secara signifikan mengurangi waktu yang Anda habiskan untuk menyiapkan lingkungan dan mengurangi kompleksitas pengelolaan dependensi paket dalam proyek ML Anda.
- Integrasi Amazon CodeWhisperer – Code Editor juga dilengkapi dengan kemampuan AI generatif yang didukung oleh Pembisik Kode Amazon. Integrasi asli ini memungkinkan Anda meningkatkan produktivitas dengan menghasilkan saran kode dalam IDE.
- Integrasi dengan layanan AWS lainnya – Anda mendapatkan integrasi asli dengan Layanan Penyimpanan Sederhana Amazon (S3) ember, Registry Kontainer Elastis Amazon (ECR) repositori, Pergeseran Merah Amazon, amazoncloudwatch, dan banyak lagi melalui AWS Toolkit untuk Kode VS yang menyederhanakan pengembangan di cloud.
Detail arsitektur
Saat meluncurkan Editor Kode di SageMaker Studio, Anda membuat aplikasi baru yang berjalan sebagai kontainer dalam instans EC2 dari jenis yang Anda pilih saat mengonfigurasi ruang Editor Kode Anda. SageMaker Studio menangani penyediaan sumber daya dasar untuk Anda di akun yang dikelola layanan. Diagram berikut menggambarkan versi sederhana dari arsitektur aplikasi IDE Editor Kode:
Untuk profil pengguna tertentu, Anda dapat meluncurkan beberapa ruang Editor Kode, dengan berbagai jenis instans ML (termasuk instans komputasi yang dipercepat). Setiap ruang menentukan ukuran volume EBS yang terpasang, jenis instans, dan jenis aplikasi yang akan dijalankan di ruang tersebut (misalnya, Editor Kode). Saat pengguna menjalankan ruang tersebut, instans EC2 yang mendasarinya disediakan dan Editor Kode SageMaker Studio aplikasi dipakai, berdasarkan gambar kontainer yang dipilih. Volume EBS dipertahankan di seluruh siklus Start/Stop IDE aplikasi. Jika pengguna menghentikan aplikasi Editor Kode (misalnya, untuk menghemat biaya komputasi), sumber daya komputasi akan dihentikan tetapi volume EBS dipertahankan dan dilampirkan kembali ke instans saat dimulai ulang.
Semua aplikasi Editor Kode berjalan secara terisolasi; jika Anda perlu berbagi data antar aplikasi, Anda dapat melampirkan drive Amazon Elastic File System (EFS) bersama.
Agar IDE Editor Kode Anda menggunakan yang sudah diinstal sebelumnya Ekstensi AWS Toolkit untuk VS Code dan menggunakan layanan AWS terintegrasi seperti Amazon CodeWhisperer atau sumber data seperti Amazon S3 dan Amazon Redshift Anda harus memastikan bahwa:
- Peran eksekusi profil pengguna SageMaker Studio Anda memiliki izin yang sesuai untuk menggunakan layanan yang ingin Anda gunakan.
- Anda memiliki cara untuk berkomunikasi dengan layanan tersebut jika Anda memiliki domain SageMaker Studio mode khusus VPC. Untuk detail selengkapnya tentang persyaratan untuk menggunakan layanan AWS di domain Studio mode khusus VPC, lihat Hubungkan Notebook SageMaker Studio di VPC ke Sumber Daya Eksternal.
Ikhtisar solusi
Di bagian berikut, kami membagikan bagaimana Anda dapat mengembangkan contoh proyek ML dengan Editor Kode di Amazon SageMaker Studio. Kami akan menerapkan model bahasa besar (LLM) Mistral-7B ke titik akhir real-time Amazon SageMaker menggunakan wadah bawaan dari HuggingFace. Dalam contoh ini, Editor Kode dapat digunakan oleh tim teknik ML yang memerlukan fitur IDE tingkat lanjut untuk men-debug kode mereka dan menerapkan titik akhir. Anda dapat menemukan kode contoh di ini Repo GitHub. Kami menunjukkan bagaimana Anda dapat menyusun kode Anda untuk memudahkan kolaborasi antar anggota tim, bagaimana Anda dapat menggunakan AWS Toolkit untuk VS Code dan Amazon Code Whisperer untuk mempercepat pengembangan Anda, dan cara menerapkan model Mistral-7B pada titik akhir SageMaker. Mari kita telusuri beberapa tugas umum pengembang di IDE.
Berinteraksi dengan layanan AWS langsung dari IDE Anda
Di luar kotak, Editor Kode hadir dengan AWS Toolkit untuk Kode Visual Studio untuk memberi Anda pengalaman terintegrasi ke layanan AWS lainnya selama proyek Anda. Berdasarkan izin AWS Identity and Access Management (IAM) profil pengguna SageMaker Studio Anda, Anda dapat berinteraksi dengan data di bucket Amazon S3 Anda, menemukan gambar kontainer di Amazon ECR, memvisualisasikan log Amazon CloudWatch untuk titik akhir SageMaker Anda, dan memanfaatkan fitur lainnya untuk menjalankan proyek ML end-to-end dari IDE Anda.
Susun repositori kode Anda untuk kolaborasi yang mudah
Anda dapat menyusun repositori proyek Anda untuk memaksimalkan produktivitas tim Anda. Misalnya, Anda dapat menyiapkan satu repositori, yang bertujuan untuk mencapai keseimbangan antara repositori umum Konvensi proyek Python dan kebutuhan kolaborasi tim Anda.
Repositori kode Anda dapat berisi a .vscode
folder dengan semua file yang diperlukan untuk menstandardisasi dependensi, ekstensi, dan konfigurasi di seluruh anggota tim yang berbeda. Lihat animasi berikut untuk referensi.
Anda dapat berbagi dependensi antar anggota tim melalui a requirements.txt
mengajukan. Anda juga dapat menentukan a config.yaml
file untuk membagikan primitif peluncuran untuk titik akhir SageMaker Anda. Sesi Editor Kode Anda akan berbagi dependensi dan konfigurasi yang sama dengan anggota tim Anda, dan memungkinkan Anda dengan cepat mengembangkan dan men-debug kode inferensi dan titik akhir Anda
Kembangkan dan debug kode Anda di IDE
Dalam contoh berikut, kami menunjukkan bagaimana Anda dapat mengembangkan dan men-debug file inference.py
skrip yang akan digunakan di titik akhir SageMaker Anda:
Hasilkan kode dan uji kasus dengan Amazon CodeWhisperer
Sebagai bagian dari AWS Toolkit di Editor Kode Anda, Pembisik Kode Amazon memungkinkan Anda membangun lebih cepat dan lebih aman dengan pendamping pengkodean AI. Ini dapat memberi Anda saran kode real-time, dioptimalkan untuk digunakan dengan layanan AWS, dan dilengkapi dengan pemindaian keamanan bawaan. Dalam contoh kami, kami menggunakan Amazon CodeWhisperer untuk menghasilkan seluruh baris dan kode fungsi penuh untuk menerapkan dan menguji titik akhir SageMaker Anda
Menyebarkan LLM Anda ke titik akhir SageMaker
Anda dapat menerapkan model Anda ke titik akhir SageMaker dari IDE Anda dan memantau statusnya langsung dari SageMaker Studio.
Saat Anda menskalakan proyek ML Anda menjadi aplikasi siap produksi, Editor Kode dan AWS Toolkit akan memungkinkan Anda mengelola dan memantau sumber daya aplikasi LLM saat Anda membangun, menerapkan, dan menjalankannya.
Kesimpulan
Editor Kode tersedia di semua Wilayah AWS tempat Amazon SageMaker Studio tersedia (kecuali GovCloud), dan Anda hanya membayar sumber daya komputasi dan penyimpanan yang mendasarinya dalam SageMaker atau layanan AWS lainnya, berdasarkan penggunaan Anda.
Untuk memulai dengan Code Editor di Amazon SageMaker Studio, Anda dapat menggunakan Tingkat Gratis AWS, dengan 250 jam instans ml.t3.medium di Amazon SageMaker Studio per bulan selama 2 bulan pertama. Untuk lebih jelasnya, lihat Harga Amazon SageMaker.
Tentang Penulis
Eric Pena adalah Manajer Produk Teknis Senior di tim AWS Artificial Intelligence Platforms, yang mengerjakan Pembelajaran Mesin Interaktif Amazon SageMaker. Dia saat ini berfokus pada integrasi IDE di SageMaker Studio. Dia memegang gelar MBA dari MIT Sloan dan di luar pekerjaan menikmati bermain bola basket dan sepak bola.
Vikesh Pandey adalah Arsitek Solusi Spesialis Pembelajaran Mesin di AWS, membantu pelanggan dari industri keuangan merancang dan membangun solusi pada AI dan ML generatif. Di luar pekerjaan, Vikesh senang mencoba masakan yang berbeda dan berolahraga di luar ruangan.
Bruno Piston adalah Arsitek Solusi Spesialis AI/ML untuk AWS yang berbasis di Milan. Dia bekerja dengan pelanggan besar untuk membantu mereka memahami secara mendalam kebutuhan teknis mereka dan merancang solusi AI dan Machine Learning yang memanfaatkan AWS Cloud dan tumpukan Amazon Machine Learning dengan sebaik-baiknya. Keahliannya meliputi: Machine Learning end to end, Machine Learning Industrialization, dan Generative AI. Dia senang menghabiskan waktu bersama teman-temannya dan menjelajahi tempat-tempat baru, serta bepergian ke destinasi baru.
Giuseppe Angelo Porcelli adalah Arsitek Solusi Spesialis Machine Learning Utama untuk Amazon Web Services. Dengan beberapa tahun rekayasa perangkat lunak dan latar belakang ML, dia bekerja dengan pelanggan dari berbagai ukuran untuk memahami kebutuhan bisnis dan teknis mereka serta merancang solusi AI dan ML yang memanfaatkan sebaik-baiknya AWS Cloud dan tumpukan Amazon Machine Learning. Dia telah mengerjakan proyek di berbagai domain, termasuk MLOps, computer vision, dan NLP, yang melibatkan serangkaian layanan AWS. Di waktu luangnya, Giuseppe menikmati bermain sepak bola.
Sofian Hamiti adalah Arsitek Solusi spesialis AI / ML di AWS. Dia membantu pelanggan di seluruh industri untuk mempercepat perjalanan AI / ML mereka dengan membantu mereka membangun dan mengoperasionalkan solusi pembelajaran mesin ujung ke ujung.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/new-code-editor-based-on-code-oss-vs-code-open-source-now-available-in-amazon-sagemaker-studio/
- :memiliki
- :adalah
- :Di mana
- $NAIK
- 10
- 100
- 11
- 12
- 13
- 15%
- 150
- 250
- 7
- a
- mempercepat
- dipercepat
- mengakses
- Akun
- di seluruh
- menambahkan
- Tambahan
- Selain itu
- maju
- Keuntungan
- AI
- Bertenaga AI
- AI / ML
- Bertujuan
- Semua
- mengizinkan
- memungkinkan
- sepanjang
- juga
- Amazon
- Pembisik Kode Amazon
- Amazon EC2
- Sistem File Amazon Elastis (EFS)
- Pembelajaran Mesin Amazon
- Pergeseran Merah Amazon
- Amazon SageMaker
- Studio Amazon SageMaker
- Amazon Web Services
- an
- dan
- animasi
- Mengumumkan
- Apa pun
- aplikasi
- Aplikasi
- aplikasi
- sesuai
- arsitektur
- ADALAH
- buatan
- kecerdasan buatan
- AS
- At
- melampirkan
- tersedia
- AWS
- Identitas dan Manajemen Akses AWS (IAM)
- latar belakang
- Saldo
- berdasarkan
- Bola basket
- BE
- bermanfaat
- TERBAIK
- antara
- Memblokir
- mendorong
- kedua
- Kotak
- luas
- lebih luas
- Browser
- membangun
- built-in
- bisnis
- tapi
- tombol
- by
- CAN
- kemampuan
- yang
- kasus
- kasus
- perubahan
- mengubah
- Pilih
- terpilih
- Klik
- awan
- kode
- Basis kode
- Pengkodean
- Berkolaborasi
- kolaborasi
- datang
- Umum
- menyampaikan
- teman
- cocok
- kompleksitas
- menghitung
- komputer
- Visi Komputer
- komputasi
- konfigurasi
- dikonfigurasi
- mengkonfigurasi
- konsul
- mengandung
- Wadah
- kontrol
- Biaya
- membuat
- penciptaan
- Sekarang
- pelanggan
- menyesuaikan
- siklus
- data
- ilmu data
- Tanggal
- menurun
- Default
- Mendefinisikan
- Derajat
- Permintaan
- ketergantungan
- menyebarkan
- Mendesain
- tujuan
- rincian
- mengembangkan
- Pengembang
- pengembang
- Pengembangan
- berbeda
- langsung
- distribusi
- domain
- domain
- turun
- mendorong
- selama
- e
- setiap
- Mudah
- editor
- tanpa usaha
- memungkinkan
- akhir
- ujung ke ujung
- Titik akhir
- Teknik
- Insinyur
- mempertinggi
- Enter
- Lingkungan Hidup
- contoh
- Kecuali
- gembira
- eksekusi
- ada
- pengalaman
- keahlian
- Menjelajahi
- perpanjangan
- ekstensi
- luar
- akrab
- lebih cepat
- Fitur
- Fitur
- File
- File
- keuangan
- industri keuangan
- Menemukan
- Pertama
- berfokus
- berikut
- sepak bola
- Untuk
- kerangka
- Gratis
- teman
- dari
- penuh
- sepenuhnya
- fungsi
- lebih lanjut
- menghasilkan
- menghasilkan
- generatif
- AI generatif
- mendapatkan
- gif
- GitHub
- diberikan
- GPU
- Menangani
- Memiliki
- he
- membantu
- membantu
- -nya
- memegang
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- identitas
- if
- gambar
- gambar
- in
- memasukkan
- termasuk
- Termasuk
- Meningkatkan
- industri
- Infrastruktur
- install
- diinstal
- contoh
- terpadu
- integrasi
- integrasi
- Intelijen
- berinteraksi
- interaktif
- ke
- melibatkan
- terpencil
- IT
- NYA
- perjalanan
- jpg
- pemeliharaan
- Tahu
- bahasa
- besar
- Terbaru
- jalankan
- peluncuran
- pengetahuan
- kurang
- perpustakaan
- siklus hidup
- baris
- LLM
- kehilangan
- cinta
- mesin
- Mesin belajar
- membuat
- mengelola
- berhasil
- pengelolaan
- manajer
- pelaksana
- Maksimalkan
- medium
- Anggota
- Memori
- mungkin
- bermigrasi
- MILAN
- menit
- MIT
- ML
- MLOps
- mode
- model
- Memantau
- Bulan
- bulan
- lebih
- paling
- Paling Populer
- MOUNT
- beberapa
- nama
- asli
- perlu
- Perlu
- kebutuhan
- New
- nLP
- sekarang
- of
- on
- ONE
- hanya
- Buka
- open source
- dioptimalkan
- pilihan
- or
- urutan
- Lainnya
- kami
- di luar
- di luar
- ikhtisar
- paket
- halaman
- panel
- bagian
- Patch
- Membayar
- untuk
- izin
- Izin
- Tempat
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- Populer
- didukung
- Utama
- Produk
- manajer produk
- produktifitas
- Profil
- proyek
- memprojeksikan
- memberikan
- disediakan
- menyediakan
- menyediakan
- ketentuan
- Ular sanca
- Cepat
- segera
- jarak
- real-time
- menurunkan
- mengurangi
- lihat
- referensi
- daerah
- gudang
- Persyaratan
- Sumber
- benar
- Peran
- Run
- berjalan
- berjalan
- pembuat bijak
- sama
- Save
- Skala
- pemindaian
- Ilmu
- naskah
- mulus
- mulus
- Bagian
- bagian
- aman
- keamanan
- melihat
- memilih
- terpilih
- senior
- layanan
- Layanan
- Sidang
- set
- pengaturan
- penyiapan
- beberapa
- Share
- berbagi
- Menunjukkan
- ditunjukkan
- signifikan
- Sederhana
- disederhanakan
- disederhanakan
- tunggal
- Ukuran
- Sloan
- Perangkat lunak
- rekayasa Perangkat Lunak
- Solusi
- beberapa
- sumber
- sumber
- Space
- spasi
- spesialis
- tertentu
- kecepatan
- menghabiskan
- Pengeluaran
- Olahraga
- tumpukan
- standardisasi
- mulai
- Status
- berhenti
- terhenti
- penyimpanan
- menyerang
- struktur
- studio
- seperti itu
- mendukung
- Didukung
- yakin
- menukar
- sistem
- Mengambil
- Dibutuhkan
- tugas
- tim
- Anggota tim
- tim
- Teknis
- uji
- dari
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- ini
- itu
- ribuan
- Melalui
- waktu
- untuk
- toolkit
- alat
- mencoba
- mengetik
- jenis
- pokok
- memahami
- unik
- upgrade
- URL
- penggunaan
- menggunakan
- bekas
- Pengguna
- Pengguna
- menggunakan
- variasi
- versi
- melalui
- penglihatan
- visual
- membayangkan
- volume
- vs
- vs kode
- berjalan
- ingin
- Cara..
- we
- jaringan
- layanan web
- BAIK
- ketika
- yang
- SIAPA
- seluruh
- akan
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- kerja
- bekerja
- tahun
- Kamu
- Anda
- zephyrnet.dll