아마존 세이지 메이커 스튜디오 JupyterLab, Code-OSS(Visual Studio Code Open Source) 기반 코드 편집기, RStudio를 포함하여 기계 학습(ML) 개발을 위한 광범위한 완전 관리형 통합 개발 환경(IDE) 세트를 제공합니다. 데이터 준비부터 ML 모델 구축, 훈련, 배포 및 관리에 이르기까지 ML 개발의 각 단계에서 가장 포괄적인 도구 세트에 대한 액세스를 제공합니다. 사전 구성된 SageMaker 배포를 통해 완전 관리형 JuptyerLab을 몇 초 만에 실행하여 노트북, 코드 및 데이터 작업을 수행할 수 있습니다. SageMaker Studio의 유연하고 확장 가능한 인터페이스를 사용하면 ML 워크플로를 손쉽게 구성 및 정렬할 수 있으며, AI 기반 인라인 코딩 도우미를 사용하여 코드를 빠르게 작성, 디버깅, 설명 및 테스트할 수 있습니다.
이 게시물에서는 ML 개발자의 생산성을 높이기 위해 설계된 업데이트된 SageMaker Studio와 JupyterLab IDE에 대해 자세히 살펴보겠습니다. Spaces의 개념을 소개하고 JupyterLab Spaces를 통해 컴퓨팅, 스토리지, 런타임 리소스를 유연하게 맞춤설정하여 ML 워크플로 효율성을 향상시키는 방법을 설명합니다. 또한 JupyterLab에서 지역화된 실행 모델로 전환하여 더 빠르고 안정적이며 응답성이 뛰어난 코딩 환경을 제공하는 방법에 대해서도 논의합니다. 또한 다음과 같은 생성적 AI 도구의 원활한 통합을 다룹니다. 아마존 코드위스퍼러 SageMaker Studio JupyterLab Spaces 내의 Jupyter AI는 개발자가 코딩 지원 및 혁신적인 문제 해결을 위해 AI를 사용할 수 있도록 지원하는 방법을 보여줍니다.
SageMaker Studio의 공간 소개
새로운 SageMaker Studio 웹 기반 인터페이스 선호하는 IDE를 시작하고 액세스하기 위한 명령 센터 역할을 합니다. 아마존 세이지 메이커 모델을 구축, 학습, 조정 및 배포하는 도구입니다. JupyterLab 및 RStudio 외에도 SageMaker Studio에는 이제 Code-OSS(Visual Studio Code Open Source)를 기반으로 하는 완전 관리형 코드 편집기가 포함되어 있습니다. JupyterLab과 코드 편집기는 모두 Spaces라는 유연한 작업 공간을 사용하여 시작할 수 있습니다.
공간은 공간과 연결된 애플리케이션(IDE)이 활발하게 실행 중인지 여부에 관계없이 지속되도록 설계된 JupyterLab 또는 코드 편집기와 같은 SageMaker IDE의 구성 표현입니다. 공간은 컴퓨팅 인스턴스, 스토리지 및 기타 런타임 구성의 조합을 나타냅니다. Spaces를 사용하면 IDE에 대한 컴퓨팅 및 스토리지를 생성 및 확장하고, 런타임 환경을 사용자 정의하고, 언제 어디서나 코딩을 일시 중지하고 재개할 수 있습니다. 각각 컴퓨팅, 스토리지, 런타임의 다양한 조합으로 구성된 여러 공간을 가동할 수 있습니다.
공간이 생성되면 아마존 엘라스틱 블록 스토어 (아마존 EBS) 음량, 사용자의 파일, 데이터, 캐시 및 기타 아티팩트를 저장하는 데 사용됩니다. Space가 실행될 때마다 ML 컴퓨팅 인스턴스에 연결됩니다. EBS 볼륨은 Space가 다시 시작될 때마다 사용자 파일, 데이터, 캐시 및 세션 상태가 일관되게 복원되도록 보장합니다. 중요한 점은 이 EBS 볼륨이 Space가 실행 중이든 중지된 상태이든 상관없이 영구적으로 유지된다는 것입니다. 공간이 삭제될 때까지 계속 유지됩니다.
또한 다양한 공간, 사용자 또는 도메인 간에 환경과 아티팩트를 공유하려는 사용자를 위해 자체 파일 시스템 가져오기 기능을 도입했습니다. 이를 통해 선택적으로 Spaces에 자신만의 공간을 장착할 수 있습니다. 아마존 탄성 파일 시스템 (Amazon EFS) 마운트를 통해 다양한 작업 공간에서 리소스 공유를 촉진합니다.
공간 만들기
이제 새 공간을 만들고 시작하는 것이 빠르고 간단해졌습니다. 빠른 실행 인스턴스를 사용하여 새 Space를 설정하는 데는 몇 초밖에 걸리지 않으며 Space를 실행하는 데는 60초도 채 걸리지 않습니다. 공간에는 관리자가 관리하는 컴퓨팅 및 스토리지에 대해 사전 정의된 설정이 포함되어 있습니다. SageMaker Studio 관리자는 컴퓨팅, 스토리지 및 런타임 구성에 대한 도메인 수준 사전 설정을 설정할 수 있습니다. 이 설정을 사용하면 몇 번의 클릭만으로 최소한의 노력으로 새로운 공간을 빠르게 시작할 수 있습니다. 추가 사용자 정의를 위해 공간의 컴퓨팅, 스토리지 또는 런타임 구성을 수정할 수도 있습니다.
공간을 생성하려면 다음 예와 같은 정책을 사용하여 SageMaker 도메인 실행 역할을 업데이트해야 한다는 점에 유의하는 것이 중요합니다. 이러한 개인 공간에 액세스하는 데 필요한 개인 공간 및 사용자 프로필에 대한 권한을 사용자에게 부여해야 합니다. 자세한 지침은 다음을 참조하세요. 사용자에게 비공개 공간에 대한 액세스 권한 부여.
스페이스를 만들려면 다음 단계를 완료하세요.
- SageMaker Studio에서 다음을 선택합니다. 주피터랩 를 시청하여 이에 대해 더 많은 정보를 얻을 수 있습니다. 어플리케이션 메뉴를 선택합니다.
- 왼쪽 메뉴에서 JupyterLab 공간 만들기.
- 럭셔리 성함, 공간 이름을 입력하세요.
- 왼쪽 메뉴에서 공간 만들기.
- 왼쪽 메뉴에서 달리기 공간 기본 사전 설정으로 새 Space를 시작하거나 요구 사항에 따라 구성을 업데이트합니다.
공간 재구성
공간은 사용자가 필요에 따라 다양한 컴퓨팅 유형 간에 원활하게 전환할 수 있도록 설계되었습니다. 주로 컴퓨팅과 스토리지로 구성된 특정 구성으로 새 공간을 생성하는 것부터 시작할 수 있습니다. 워크플로의 어느 시점에서든 vCPU 수, 메모리 또는 GPU 기반 인스턴스가 많거나 적은 다른 컴퓨팅 유형으로 전환해야 하는 경우 쉽게 전환할 수 있습니다. Space를 중지한 후 UI 또는 API 업데이트된 SageMaker Studio 인터페이스를 통해 Space를 다시 시작하세요. SageMaker Studio는 기존 공간을 새 구성으로 프로비저닝하는 작업을 자동으로 처리하므로 추가 노력이 필요하지 않습니다.
기존 스페이스를 편집하려면 다음 단계를 완료하세요.
- 공간 세부정보 페이지에서 다음을 선택합니다. 정지 공간.
- 컴퓨팅, 스토리지 또는 런타임을 재구성합니다.
- 왼쪽 메뉴에서 달리기 공간 공간을 다시 시작하기 위해.
작업 공간은 요청한 새 스토리지 및 컴퓨팅 인스턴스 유형으로 업데이트됩니다.
새로운 SageMaker Studio JupyterLab 아키텍처
SageMaker Studio 팀은 새로운 완전 관리형 SageMaker Studio JupyterLab 환경 출시를 통해 계속해서 개발자 환경을 개발하고 단순화하고 있습니다. 새로운 SageMaker Studio JupyterLab 경험은 두 가지 장점, 즉 확장성과 유연성을 결합합니다. SageMaker Studio 클래식 (이 게시물 끝에 있는 부록 참조) 오픈 소스 JupyterLab의 안정성과 친숙성을 살펴보세요. 이 새로운 JupyterLab 환경의 디자인을 파악하기 위해 다음 아키텍처 다이어그램을 살펴보겠습니다. 이는 이 새로운 JupyterLab Spaces 플랫폼의 통합과 기능을 더 잘 이해하는 데 도움이 될 것입니다.
요약하자면, 우리는 지역화된 아키텍처로 전환했습니다. 이 새로운 설정에서 Jupyter 서버와 커널 프로세스는 동일한 ML 컴퓨팅 인스턴스에서 호스팅되는 단일 Docker 컨테이너에서 함께 작동합니다. 이러한 ML 인스턴스는 공간이 실행될 때 프로비저닝되고 공간이 처음 생성될 때 생성된 EBS 볼륨과 연결됩니다.
이 새로운 아키텍처는 여러 가지 이점을 제공합니다. 다음 섹션에서 이들 중 일부를 논의합니다.
대기 시간 감소 및 안정성 향상
SageMaker Studio는 코드가 EFS 마운트에 저장되고 원격 커널 게이트웨이를 통해 ML 인스턴스에서 원격으로 실행되는 이전 분할 모델에서 벗어나 로컬 실행 모델로 전환했습니다. 이전 설정에서는 헤드리스 웹 서버인 Kernel Gateway가 HTTPS/WSS를 통해 Jupyter 커널과의 원격 통신을 통해 커널 작업을 활성화했습니다. 코드 실행, 노트북 관리 또는 터미널 명령 실행과 같은 사용자 작업은 원격 ML 인스턴스의 Kernel Gateway 앱으로 처리되었으며, Kernel Gateway는 Docker 컨테이너 내의 ZeroMQ(ZMQ)를 통해 이러한 작업을 촉진했습니다. 다음 다이어그램은 이 아키텍처를 보여줍니다.
업데이트된 JupyterLab 아키텍처는 모든 커널 작업을 로컬 인스턴스에서 직접 실행합니다. 이 로컬 Jupyter Server 접근 방식은 일반적으로 향상된 성능과 간단한 아키텍처를 제공합니다. 대기 시간과 네트워크 복잡성을 최소화하고, 디버깅 및 유지 관리를 더 쉽게 하기 위해 아키텍처를 단순화하고, 리소스 활용도를 향상시키며, 다양하고 복잡한 워크로드에 대해 보다 유연한 메시징 패턴을 수용합니다.
본질적으로 이 업그레이드는 노트북과 코드를 커널에 훨씬 더 가깝게 실행하여 대기 시간을 크게 줄이고 안정성을 향상시킵니다.
프로비저닝된 스토리지에 대한 제어력 향상
SageMaker Studio Classic은 원래 Amazon EFS를 사용하여 SageMaker Studio 환경 내 사용자 홈 디렉터리에 대한 영구 공유 파일 스토리지를 제공했습니다. 이 설정을 사용하면 모든 SageMaker Studio 세션 및 인스턴스에서 액세스할 수 있는 노트북, 스크립트 및 기타 프로젝트 파일을 중앙에 저장할 수 있습니다.
SageMaker Studio의 최신 업데이트를 통해 Amazon EFS 기반 스토리지에서 Amazon EBS 기반 솔루션으로 전환되었습니다. SageMaker Studio Spaces로 프로비저닝된 EBS 볼륨은 다음과 같습니다. GP3 볼륨 볼륨 크기에 관계없이 3,000 IOPS의 일관된 기본 성능을 제공하도록 설계되었습니다. 이 새로운 Amazon EBS 스토리지는 모델 교육, 데이터 처리, 고성능 컴퓨팅, 데이터 시각화 등 I/O 집약적인 작업에 더 높은 성능을 제공합니다. 또한 이러한 전환을 통해 SageMaker Studio 관리자는 도메인 내 또는 SageMaker 전반에 걸쳐 사용자 프로필의 스토리지 사용량에 대해 더 큰 통찰력을 얻고 제어할 수 있습니다. 이제 기본값(DefaultEbsVolumeSizeInGb
) 및 최대(MaximumEbsVolumeSizeInGb
) 각 사용자 프로필 내의 JupyterLab 공간에 대한 저장소 크기입니다.
향상된 성능 외에도 관리 작업 없이 SageMaker Studio 인터페이스의 UI 또는 API 작업을 사용하여 Space 설정을 편집하여 Space의 ML 컴퓨팅 인스턴스에 연결된 스토리지 볼륨의 크기를 유연하게 조정할 수 있습니다. 그러나 EBS 볼륨 크기는 한 방향으로만 편집할 수 있습니다. Space의 EBS 볼륨 크기를 늘린 후에는 다시 줄일 수 없습니다.
SageMaker Studio는 이제 관리자를 위해 프로비저닝된 스토리지에 대한 향상된 제어 기능을 제공합니다.
- SageMaker Studio 관리자는 사용자 프로필의 EBS 볼륨 크기를 관리할 수 있습니다. 이러한 JupyterLab EBS 볼륨은 최소 5GB에서 최대 16TB까지 다양할 수 있습니다. 다음 코드 조각은 기본 및 최대 공간 설정을 사용하여 사용자 프로필을 생성하거나 업데이트하는 방법을 보여줍니다.
- SageMaker Studio는 이제 Amazon EBS 리소스에 대한 향상된 자동 태그 지정 기능을 제공하여 사용자가 생성한 볼륨에 도메인, 사용자 및 공간 정보를 자동으로 레이블 지정합니다. 이러한 발전은 스토리지 리소스에 대한 비용 할당 분석을 단순화하여 관리자가 비용을 보다 효과적으로 관리하고 할당하는 데 도움을 줍니다. 또한 이러한 EBS 볼륨은 서비스 계정 내에서 호스팅되므로 직접 확인할 수 없다는 점을 기억하는 것도 중요합니다. 그럼에도 불구하고 스토리지 사용량 및 관련 비용은 도메인 ARN, 사용자 프로필 ARN 및 공간 ARN에 직접 연결되므로 비용을 직접적으로 할당할 수 있습니다.
- 관리자는 고객 관리형 키(CMK)를 사용하여 저장 중인 공간의 EBS 볼륨 암호화를 제어할 수도 있습니다.
BYOD(Bring-Your-Own) EFS 파일 시스템을 사용한 공유 테넌시
ML 워크플로는 일반적으로 협업적이므로 팀 구성원 간에 데이터와 코드를 효율적으로 공유해야 합니다. 새로운 SageMaker Studio는 공유를 통해 데이터, 코드 및 기타 아티팩트를 공유할 수 있도록 하여 이러한 협업 측면을 향상시킵니다. 자체 EFS 파일 시스템 가져오기. 이 EFS 드라이브는 SageMaker와 독립적으로 설정되거나 기존 Amazon EFS 리소스일 수 있습니다. 프로비저닝된 후에는 SageMaker Studio 사용자 프로필에 원활하게 탑재될 수 있습니다. 이 기능은 단일 도메인 내의 사용자 프로필로 제한되지 않고 동일한 지역 내에 있는 한 여러 도메인으로 확장될 수 있습니다.
다음 예제 코드는 도메인을 생성하고 연결된 도메인을 사용하여 기존 EFS 볼륨을 여기에 연결하는 방법을 보여줍니다. fs-id
. 다음 명령에 설명된 것처럼 EFS 볼륨은 루트 또는 접두사 수준에서 도메인에 연결할 수 있습니다.
도메인 및 관련 사용자 프로필에서 EFS 마운트를 사용할 수 있게 되면 이를 새 공간에 연결하도록 선택할 수 있습니다. 다음 예와 같이 SageMaker Studio UI 또는 API 작업을 사용하여 이 작업을 수행할 수 있습니다. 도메인 수준에서 프로비저닝된 EFS 파일 시스템을 사용하여 공간이 생성되면 공간이 해당 속성을 상속한다는 점에 유의하는 것이 중요합니다. 즉, 파일 시스템이 도메인 내의 루트 또는 접두사 수준에서 프로비저닝된 경우 이러한 설정은 도메인 사용자가 만든 공간에 자동으로 적용됩니다.
Space에 마운트한 후 관리자가 제공한 마운트 지점 위에 있는 모든 파일을 찾을 수 있습니다. 이 파일은 디렉토리 경로에서 찾을 수 있습니다 /mnt/custom-file-system/efs/fs-12345678
.
EFS 마운트는 사용자의 공간 간, 여러 사용자 간 또는 도메인 간 아티팩트를 간단하게 공유하므로 협업 워크로드에 이상적입니다. 이 기능을 사용하면 다음을 수행할 수 있습니다.
- 데이터 공유 – EFS 마운트는 데이터 과학 실험에 중요한 대규모 데이터 세트를 저장하는 데 이상적입니다. 데이터 세트 소유자는 교육, 검증 및 테스트 데이터 세트를 사용하여 이러한 마운트를 로드하여 도메인 내 또는 여러 도메인에 걸쳐 사용자 프로필에 액세스할 수 있습니다. SageMaker Studio 관리자는 조직 보안 정책을 준수하면서 기존 애플리케이션 EFS 마운트를 통합할 수도 있습니다. 이는 유연한 접두사 수준 장착을 통해 수행됩니다. 예를 들어 프로덕션 데이터와 테스트 데이터가 동일한 EFS 마운트에 저장된 경우(예:
fs-12345678:/data/prod and fs-12345678:/data/test
), 장착/data/test
SageMaker 도메인의 사용자 프로필에 대한 사용자 액세스 권한은 테스트 데이터 세트에만 부여됩니다. 이 설정을 사용하면 생산 데이터를 안전하게 유지하고 액세스할 수 없도록 유지하면서 분석 또는 모델 교육이 가능합니다. - 코드 공유 – EFS 마운트를 사용하면 사용자 프로필 간에 코드 아티팩트를 빠르게 공유할 수 있습니다. 사용자가 빈번한 git push/pull 명령의 복잡성 없이 코드 샘플을 신속하게 공유하거나 공통 코드 기반에서 공동 작업해야 하는 시나리오에서는 공유 EFS 마운트가 매우 유용합니다. 이는 팀 내에서 또는 SageMaker Studio의 여러 팀 간에 진행 중인 작업 코드 아티팩트를 공유하는 편리한 방법을 제공합니다.
- 개발 환경 공유 – 공유 EFS 마운트는 사용자와 팀 간에 샌드박스 환경을 빠르게 전파하는 수단으로도 사용될 수 있습니다. EFS 마운트는 여러 작업 공간에서 conda 또는 virtualenv와 같은 Python 환경을 공유하기 위한 확실한 대안을 제공합니다. 이 접근 방식은 배포의 필요성을 우회합니다.
requirements.txt
orenvironment.yml
이는 종종 다양한 사용자 프로필에 걸쳐 환경을 생성하거나 다시 생성하는 반복적인 작업으로 이어질 수 있습니다.
이러한 기능은 SageMaker Studio 내의 협업 기능을 크게 향상시켜 팀이 복잡한 ML 프로젝트에서 효율적으로 함께 작업할 수 있도록 해줍니다. 또한 Code-OSS(Visual Studio Code Open Source) 기반 코드 편집기는 앞서 언급한 JupyterLab 경험과 동일한 아키텍처 원칙을 공유합니다. JupyterLab Spaces에서 제공되는 것과 유사한 공유 작업 공간.
JupyterLab Spaces의 생성적 AI 기반 도구
빠르게 발전하는 인공 지능 분야인 생성 AI(Generative AI)는 알고리즘을 사용하여 광범위한 기존 데이터에서 텍스트, 이미지, 코드와 같은 새로운 콘텐츠를 생성합니다. 이 기술은 일상적인 작업을 자동화하고, 복잡한 코드 구조를 생성하고, 지능적인 제안을 제공함으로써 코딩에 혁명을 일으켰습니다. 이를 통해 개발을 간소화하고 프로그래밍의 창의성과 문제 해결을 촉진했습니다. 개발자에게 없어서는 안 될 도구인 생성 AI는 생산성을 향상하고 기술 산업의 혁신을 주도합니다. SageMaker Studio는 생성 AI를 사용하여 개발 수명 주기를 가속화하는 Amazon CodeWhisperer 및 Jupyter AI와 같은 사전 설치된 도구를 통해 이러한 개발자 경험을 향상합니다.
아마존 코드위스퍼러
Amazon CodeWhisperer는 실시간 코드 추천 및 솔루션을 통해 개발자 생산성을 향상시키는 프로그래밍 도우미입니다. AWS 관리형 AI 서비스로서 SageMaker Studio JupyterLab IDE에 원활하게 통합됩니다. 이러한 통합을 통해 Amazon CodeWhisperer는 개발자의 워크플로에 유연하고 가치 있는 추가 기능을 제공합니다.
Amazon CodeWhisperer는 일반적인 코딩 작업을 자동화하고 보다 효과적인 코딩 패턴을 제안하며 디버깅 시간을 단축하여 개발자 효율성을 높이는 데 탁월합니다. 초보자와 노련한 코더 모두를 위한 필수 도구 역할을 하며 모범 사례에 대한 통찰력을 제공하고 개발 프로세스를 가속화하며 전반적인 코드 품질을 향상시킵니다. Amazon CodeWhisperer 사용을 시작하려면 다음을 확인하십시오. 자동 제안 재개 기능이 활성화됩니다. 다음을 사용하여 코드 제안을 수동으로 호출할 수 있습니다. 키보드 바로 가기.
또는 의도한 코드 기능을 설명하는 주석을 작성하고 코딩을 시작하세요. Amazon CodeWhisperer가 제안을 제공하기 시작합니다.
Amazon CodeWhisperer가 사전 설치되어 있더라도 codewhisperer:GenerateRecommendations
코드 추천을 받기 위한 실행 역할의 일부로 권한. 자세한 내용은 다음을 참조하세요. Amazon SageMaker Studio에서 CodeWhisperer 사용. 귀하가 Amazon CodeWhisperer를 사용하는 경우 AWS는 서비스 개선 목적으로 귀하의 사용량 및 콘텐츠에 대한 데이터를 저장할 수 있습니다. Amazon CodeWhisperer를 옵트아웃하려면 데이터 공유 정책, 다음으로 이동할 수 있습니다. 환경 상단 메뉴에서 옵션을 선택한 다음 설정 편집기 사용 중지 Amazon CodeWhisperer와 사용 데이터 공유 Amazon CodeWhisperer 설정 메뉴에서.
주피터 AI
주피터 AI Jupyter Notebook에 생성 AI를 제공하는 오픈 소스 도구로, 생성 AI 모델을 탐색하기 위한 강력하고 사용자 친화적인 플랫폼을 제공합니다. 노트북 내부에 생성적 AI 놀이터를 생성하기 위한 %%ai 매직, 대화 보조자로서 AI와 상호 작용하기 위한 JupyterLab의 기본 채팅 UI, 다양한 대규모 언어 지원과 같은 기능을 제공하여 JupyterLab 및 Jupyter 노트북의 생산성을 향상시킵니다. AI21, Anthropic, Cohere 및 Hugging Face와 같은 모델(LLM) 제공업체 또는 다음과 같은 관리형 서비스 아마존 기반암 및 SageMaker 엔드포인트. 이 통합은 데이터 분석, ML 및 코딩 작업을 위한 보다 효율적이고 혁신적인 방법을 제공합니다. 예를 들어 프로세스 및 워크플로에 대한 도움을 받기 위해 Jupyternaut 채팅 인터페이스를 사용하여 도메인 인식 LLM과 상호 작용하거나 SageMaker 엔드포인트에서 호스팅되는 CodeLlama를 통해 예제 코드를 생성할 수 있습니다. 이는 개발자와 데이터 과학자에게 귀중한 도구입니다.
Jupyter AI는 다음을 제공합니다. 광범위한 선택 즉시 사용할 수 있는 언어 모델입니다. 또한 SageMaker 엔드포인트를 통해 사용자 지정 모델도 지원되므로 사용자에게 유연성과 광범위한 옵션을 제공합니다. 또한 임베딩 모델에 대한 지원을 제공하므로 인라인 비교 및 테스트를 수행할 수 있으며 임시 RAG(Retrieval Augmented Generation) 앱을 구축하거나 테스트할 수도 있습니다.
Jupyter AI는 채팅 도우미 역할을 하여 코드 샘플을 지원하고 질문에 대한 답변을 제공하는 등 다양한 기능을 제공할 수 있습니다.
Jupyter AI를 사용할 수 있습니다. %%ai
다음 스크린샷과 같이 노트북 내부에 샘플 코드를 생성하는 마법이 있습니다.
주피터랩 4.0
JupyterLab 팀은 성능, 기능 및 사용자 경험이 크게 향상된 버전 4.0을 출시했습니다. 이번 출시에 대한 자세한 정보는 공식 홈페이지에서 확인할 수 있습니다. JupyterLab 문서.
현재 SageMaker Studio JupyterLab의 표준인 이 버전은 CSS 규칙 최적화, CodeMirror 6 및 MathJax 3 채택 등의 개선 덕분에 대규모 노트북 처리 및 더 빠른 작업을 위한 최적화된 성능을 도입합니다. 주요 개선 사항에는 더 나은 접근성 및 사용자 정의 기능을 갖춘 업그레이드된 텍스트 편집기가 포함됩니다. , Python 확장을 쉽게 설치할 수 있는 새로운 확장 관리자, 고급 기능을 갖춘 향상된 문서 검색 기능입니다. 또한 버전 4.0은 UI 개선, 접근성 향상, 개발 도구 업데이트를 제공하며 특정 기능이 JupyterLab 3.6으로 백포트되었습니다.
결론
특히 새로운 JupyterLab 환경을 통한 SageMaker Studio의 발전은 ML 개발에 있어서 중요한 도약을 의미합니다. JupyterLab, Code Editor 및 RStudio가 통합된 업데이트된 SageMaker Studio UI는 ML 개발자에게 비교할 수 없을 정도로 간소화된 환경을 제공합니다. JupyterLab Spaces의 도입으로 컴퓨팅 및 스토리지 리소스를 유연하고 쉽게 사용자 지정할 수 있어 ML 워크플로의 전반적인 효율성이 향상됩니다. 원격 커널 아키텍처에서 JupyterLab의 지역화된 모델로 전환하면 안정성이 크게 향상되는 동시에 시작 대기 시간이 단축됩니다. 그 결과 더 빠르고 안정적이며 응답성이 뛰어난 코딩 환경이 제공됩니다. 또한 Amazon CodeWhisperer 및 Jupyter AI와 같은 생성적 AI 도구를 JupyterLab에 통합하면 개발자의 역량이 더욱 강화되어 AI를 코딩 지원 및 혁신적인 문제 해결에 사용할 수 있습니다. 프로비저닝된 스토리지에 대한 향상된 제어 기능과 자체 관리형 EFS 마운트를 통해 손쉽게 코드 및 데이터를 공유하는 기능은 협업 프로젝트를 크게 촉진합니다. 마지막으로, SageMaker Studio 내의 JupyterLab 4.0 릴리스는 이러한 개선 사항을 강조하여 최적화된 성능, 향상된 접근성 및 보다 사용자 친화적인 인터페이스를 제공함으로써 현대 기술 환경에서 효율적이고 효과적인 ML 개발의 초석으로서 JupyterLab의 역할을 공고히 했습니다.
SageMaker Studio JupyterLab Spaces를 사용해 보세요. 빠른 온보드 기능, 이를 통해 몇 분 안에 단일 사용자를 위한 새 도메인을 가동할 수 있습니다. 댓글 섹션에서 여러분의 생각을 공유해 주세요!
부록: SageMaker Studio Classic의 커널 게이트웨이 아키텍처
A 세이지메이커 클래식 도메인은 EFS 볼륨, 도메인에 액세스할 수 있는 권한이 부여된 사용자 목록, 보안, 애플리케이션, 네트워킹 등과 관련된 구성의 논리적 집합입니다. SageMaker의 SageMaker Studio 클래식 아키텍처에서 SageMaker 도메인 내의 각 사용자는 고유한 사용자 프로필을 갖습니다. 이 프로필에는 사용자 역할, EFS 볼륨의 Posix 사용자 ID와 같은 특정 세부 정보와 기타 고유 데이터가 포함됩니다. 사용자는 웹 브라우저에서 HTTPS/WSS를 통해 연결된 전용 Jupyter Server 앱을 통해 개별 사용자 프로필에 액세스합니다. SageMaker Studio Classic은 Jupyter 서버와 커널 게이트웨이 앱 유형의 조합을 사용하는 원격 커널 아키텍처를 사용하므로 노트북 서버가 원격 호스트의 커널과 상호 작용할 수 있습니다. 이는 Jupyter 커널이 노트북 서버의 호스트가 아닌 별도의 호스트에 있는 Docker 컨테이너 내에서 작동한다는 것을 의미합니다. 본질적으로 노트북은 EFS 홈 디렉터리에 저장되며 다른 위치에서 원격으로 코드를 실행합니다. 아마존 엘라스틱 컴퓨트 클라우드 (Amazon EC2) 인스턴스에는 PyTorch, TensorFlow, Scikit-Learn 등과 같은 ML 라이브러리가 포함된 사전 구축된 Docker 컨테이너가 포함되어 있습니다.
SageMaker Studio의 원격 커널 아키텍처는 확장성과 유연성 측면에서 주목할만한 이점을 제공합니다. 그러나 인스턴스 유형당 최대 2개의 앱과 공통 ECXNUMX 인스턴스 유형에 대한 수많은 HTTPS/WSS 연결로 인한 잠재적인 병목 현상을 포함하여 제한 사항이 있습니다. 이러한 제한은 사용자 경험에 부정적인 영향을 미칠 수 있습니다.
다음 아키텍처 다이어그램은 SageMaker Studio 클래식 아키텍처를 보여줍니다. 이는 사용자가 선호하는 웹 브라우저를 사용하여 Jupyter Server 앱을 통해 Kernel Gateway 앱에 연결하는 프로세스를 보여줍니다.
저자 소개
프라나브 머티 AWS의 AI/ML 전문가 솔루션 아키텍트입니다. 그는 고객이 기계 학습(ML) 워크로드를 구축, 교육, 배포하고 SageMaker로 마이그레이션하도록 돕는 데 중점을 두고 있습니다. 그는 이전에 최첨단 ML 기술을 사용하여 반도체 프로세스를 개선하기 위해 대규모 컴퓨터 비전(CV) 및 자연어 처리(NLP) 모델을 개발하는 반도체 업계에서 일했습니다. 여가 시간에는 체스를 두거나 여행을 즐깁니다. Pranav는 다음에서 찾을 수 있습니다. 링크드인.
쿠날 자 AWS의 수석 제품 관리자입니다. 그는 엔드투엔드 ML 개발을 위한 동급 최고의 선택인 Amazon SageMaker Studio를 구축하는 데 주력하고 있습니다. 여가 시간에는 Kunal은 스키를 타거나 태평양 북서부 지역을 탐험하는 것을 즐깁니다. 당신은 그를 찾을 수 있습니다 링크드인.
마지샤 나마스 파람바스 Amazon SageMaker의 수석 소프트웨어 엔지니어입니다. 그녀는 Amazon에서 8년 넘게 근무했으며 현재 Amazon SageMaker Studio의 엔드투엔드 경험을 개선하기 위해 노력하고 있습니다.
바라트 난다무리 Amazon SageMaker Studio에서 일하는 수석 소프트웨어 엔지니어입니다. 그는 ML 시스템 엔지니어링에 중점을 두고 대규모 백엔드 서비스를 구축하는 데 열정을 갖고 있습니다. 업무 외에는 체스, 하이킹, 영화 감상을 즐깁니다.
데릭 라우스 AWS의 소프트웨어 엔지니어입니다. 그는 Amazon SageMaker Studio 및 노트북 인스턴스를 통해 고객에게 가치를 제공하기 위해 최선을 다하고 있습니다. 여가 시간에는 Derek은 가족, 친구와 함께 시간을 보내고 하이킹을 즐깁니다. 데릭을 찾을 수 있습니다 링크드인.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/
- :있다
- :이다
- :아니
- :어디
- $UP
- 000
- 100
- 11
- 12
- 16
- 25
- 60
- 7
- 8
- a
- 능력
- 할 수 있는
- 소개
- 위의
- 가속
- 가속하는
- ACCESS
- 접근성
- 얻기 쉬운
- 액세스
- 계정
- 가로질러
- 행동
- 동작
- 행위
- 활발히
- 행위
- Ad
- 또한
- 추가
- 또한
- 관리
- 관리
- 관리자
- 양자
- 많은
- 진보
- 발전
- 장점
- 영향을
- 후
- 집합
- AI
- AI 모델
- AI 기반
- AI / ML
- 알고리즘
- 조정
- All
- 배당
- 수
- 수
- 함께
- 또한
- 대안
- 이기는하지만
- 아마존
- 아마존 코드위스퍼러
- Amazon EC2
- 아마존 세이지 메이커
- 아마존 세이지 메이커 스튜디오
- Amazon Web Services
- 중
- an
- 분석
- 및
- 답변
- 인류
- 어떤
- 어딘가에
- API를
- 앱
- 어플리케이션
- 신청
- 접근
- 앱
- 건축
- 아키텍처
- 있군요
- 배열
- 미술
- 인조의
- 인공 지능
- AS
- 양상
- 원조
- 조수
- 관련
- At
- 붙이다
- 증강 된
- 저자
- 허가
- 자동적으로
- 자동화
- 가능
- 떨어져
- AWS
- 뒤로
- 백엔드
- 기지
- 기반으로
- 기준
- BE
- 된
- 시작하다
- 초보자
- 유익한
- 혜택
- BEST
- 모범 사례
- 더 나은
- 사이에
- 블록
- 후원
- 증폭
- 두
- 병목 현상
- 보물상자
- 돋보이게
- 넓은
- 브라우저
- 빌드
- 건물
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 캐시
- 라는
- CAN
- 기능
- 센터
- 어떤
- 체스
- 선택
- 왼쪽 메뉴에서
- 고전적인
- 자세히
- 암호
- 코드베이스
- 코딩
- 협력
- 협력
- 결합
- 결합
- 본문
- 댓글
- 저지른
- 공통의
- 의사 소통
- 동반자
- 비교
- 완전한
- 복잡한
- 복잡성
- 복잡성
- compliance
- 포괄적 인
- 계산
- 컴퓨터
- 컴퓨터 비전
- 컴퓨팅
- 개념
- 조건
- 구성
- 구성
- 연결
- 연결
- 연결
- 일관된
- 일관되게
- 구성
- 컨테이너
- 용기
- 함유량
- 계속
- 계속
- 제어
- 편리한
- 이야기 잘하는
- 기초
- 비용
- 비용
- 수
- 엄호
- 만들
- 만든
- 만들기
- 창의력
- 결정적인
- CSS
- 현재
- 관습
- 고객
- 고객
- 사용자 정의
- 사용자 정의
- 데이터
- 데이터 분석
- 데이터 처리
- 데이터 과학
- 데이터 시각화
- 데이터 세트
- 전용
- 태만
- 배달하다
- 동굴
- 보여
- 배포
- 배치
- 데릭
- 설명
- 디자인
- 설계
- 상세한
- 세부설명
- 개발자
- 개발자
- 개발
- 개발
- 개발 도구
- 다른
- 곧장
- 직접
- 디렉토리
- 토론
- 뚜렷한
- 배포
- 분포
- do
- 도커
- 문서
- 도메인
- 도메인
- 한
- 아래 (down)
- 드라이브
- 드라이브
- 두
- 마다
- 이전
- 완화
- 쉽게
- 쉽게
- 편집자
- 효과
- 유효한
- 효과적으로
- 효율성
- 효율적인
- 효율적으로
- 노력
- 힘들이지 않은
- 자연스럽게
- 중
- 높은
- 임베딩
- 능력을 키우다
- 힘을 실어
- 가능
- 사용 가능
- 수
- 가능
- 포괄
- 암호화
- end
- 끝으로 종료
- 기사
- 엔지니어링
- 강화
- 강화
- 향상
- 강화
- 강화
- 보장
- 엔터 버튼
- 환경
- 환경
- 갖추어 준
- 에센스
- 필수
- 세우다
- 조차
- 진화하는
- 예
- 실행
- 현존하는
- 경험
- 실험
- 설명
- 탐색
- 확장
- 확장자
- 확장
- 광대 한
- 여분의
- 페이스메이크업
- 용이하게하다
- 촉진
- 그릇된
- 정통
- 가족
- FAST
- 빠른
- 특색
- 특징
- 특색
- 를
- 들
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- Find
- 유연성
- 융통성있는
- 유연하게
- 유체
- 초점
- 집중
- 집중
- 수행원
- 럭셔리
- 앞으로
- 육성
- 발견
- 사
- 무료
- 빈번한
- 친구
- 에
- 충분히
- 기능
- 기능
- 추가
- 게이트웨이
- 생성
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 힘내
- 제공
- Go
- 부여
- 보조금
- 파악
- 큰
- 매우
- 처리
- 처리
- 있다
- he
- 도움
- 도움이
- 높은
- 고성능
- 더 높은
- 고도로
- 그를
- 그의
- 홈
- 주인
- 호스팅
- 호스트
- 집들이
- 방법
- How To
- 그러나
- HTML
- HTTP
- HTTPS
- ID
- 이상
- if
- 설명하다
- 일러스트
- 형상
- 중대한
- 중요하게
- 개선
- 개선하는
- 개량
- 개량
- 개선
- in
- 액세스
- 포함
- 포함
- 포함
- 증가
- 증가
- 증가
- 증가
- 독립
- 독립하여
- 개인
- 산업
- 정보
- 처음에는
- 혁신
- 혁신적인
- 내부
- 통찰력
- 통찰력
- 설치
- 예
- 명령
- 통합
- 통합 된
- 완성
- 인텔리전스
- 지능형
- 예정된
- 상호 작용하는
- 상호 작용
- 인터페이스
- 으로
- 소개
- 소개
- 소개합니다
- 소개
- 개요
- IT
- 그
- JPG
- 다만
- 유지
- 키
- 키
- 레이블링
- 경치
- 언어
- 넓은
- 마지막으로
- 숨어 있음
- 최근
- 시작
- 시작
- 진수
- 리드
- 뛰어 넘다
- 배우기
- 적게
- 레벨
- 도서관
- wifecycwe
- 처럼
- 한계
- 연결
- 링크드인
- 명부
- LLM
- 하중
- 지방의
- 위치한
- 논리
- 긴
- 보기
- 절감
- 기계
- 기계 학습
- 만든
- 마법
- 유지 보수
- 유지
- 확인
- 제작
- 유튜브 영상을 만드는 것은
- 관리
- 관리
- 매니저
- 관리
- 수동으로
- 표
- 최고
- XNUMX월..
- 방법
- 회원
- 메모리
- 메뉴
- 메시지
- 방법
- 이전
- 최소의
- 최소화하다
- 최저한의
- 회의록
- ML
- 모델
- 모델
- 현대
- 수정
- 배우기
- 보다 효율적으로
- 또한
- 가장
- 산
- 영화 산업
- 움직이는
- 많은
- 여러
- 절대로 필요한 것
- name
- 출신
- 자연의
- 자연 언어 처리
- 이동
- 필요한
- 필요
- 필요
- 부정적으로
- 네트워크
- 네트워킹
- 신제품
- nlp
- 아니
- 주목할 만한
- 주의
- 수첩
- 지금
- 다수의
- of
- 제공
- 제공
- 제공
- 제공
- 공무원
- 자주
- on
- 온보드
- ONE
- 만
- ~에
- 열 수
- 오픈 소스
- 운영
- 행정부
- 최적화
- 최적화
- 선택권
- 옵션
- or
- 조직
- 원래
- 기타
- 우리의
- 아웃
- 외부
- 위에
- 전체
- 자신의
- 소유자
- 태평양
- 페이지
- 부품
- 특별히
- 열렬한
- 통로
- 패턴
- 중지
- 용
- 수행
- 성능
- 허가
- 권한
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 운동장
- 연주
- 포인트 적립
- 정책
- 정책
- 게시하다
- 가능성
- 사례
- 선호하는
- 준비
- 너무 이른
- 이전에
- 주로
- 원칙
- 사설
- 문제 해결
- 방법
- 처리됨
- 프로세스
- 처리
- 프로덕트
- 제품 관리자
- 생산
- 생산력
- 프로필
- 프로필
- 프로그램 작성
- 프로젝트
- 프로젝트
- 속성
- 제공
- 제공
- 제공
- 제공
- 목적
- Python
- 파이 토치
- 품질
- 문의
- 빠른
- 빨리
- 빨리
- 범위
- 빠르게
- 준비
- 실시간
- 받다
- 추천
- 감소
- 감소
- 참조
- 관계없이
- 지방
- 관련
- 다시 시작하다
- 공개
- 출시
- 유적
- 먼
- 원격
- 반복적 인
- 대표
- 대표
- 요구조건 니즈
- 필요
- 의지
- 제품 자료
- 반응
- REST
- 다시 시작
- 한정된
- 결과
- 결과
- 이력서
- 혁명적 인
- 연락해주세요
- 강력한
- 직위별
- 뿌리
- 루틴
- 통치
- 달리기
- 달리는
- 실행
- 런타임
- 현자
- 같은
- 모래 상자
- 확장성
- 규모
- 시나리오
- 과학
- 과학자
- 사이 킷 학습
- 스크립트
- 원활한
- 완벽하게
- 검색
- 잘 마른
- 초
- 섹션
- 안전해야합니다.
- 보안
- 보안 정책
- 참조
- 반도체
- 연장자
- 별도의
- 서브
- 섬기는 사람
- 서버
- 봉사하다
- 서비스
- 서비스
- 세션
- 세션
- 세트
- 설정
- 설정
- 설치
- 몇몇의
- 공유
- 공유
- 공유
- 공유
- 그녀
- 변화
- 표시
- 쇼
- 상당한
- 크게
- 비슷한
- 단순화하다
- 단순화
- 단일
- 크기
- 크기
- 단편
- So
- 소프트웨어
- 소프트웨어 엔지니어
- 고체
- 응고
- 해결책
- 솔루션
- 일부
- 출처
- 스페이스 버튼
- 공간
- 전문가
- 구체적인
- 지출
- 회전
- 분열
- 안정
- 안정된
- 표준
- 스타트
- 시작
- 주 정부
- 성명서
- 미국
- 단계
- 단계
- 중지
- 정지
- 저장
- 저장
- 저장
- 저장
- 똑 바른
- 간소화 된
- 능률화
- 구조
- 스튜디오
- 이러한
- 개요
- SUPPORT
- 지원
- 확인
- 스위치
- 체계
- 시스템은
- 받아
- 소요
- 태스크
- 작업
- 팀
- 참여 연구원
- 팀
- 기술
- 첨단 산업
- 기법
- Technology
- 텐서 흐름
- 단말기
- 조건
- test
- 테스트
- 본문
- 보다
- 감사
- 그
- XNUMXD덴탈의
- 그들의
- 그들
- 그때
- 그곳에.
- 그것에 의하여
- Bowman의
- 그들
- 이
- 그
- 을 통하여
- 시간
- 에
- 함께
- 수단
- 검색을
- 상단
- 에 대한
- Train
- 트레이닝
- 전이
- 전환 된
- 여행
- 참된
- 시도
- 곡조
- 유형
- 유형
- 일반적으로
- ui
- 밑줄
- 이해
- 유일한
- 견줄 나위없는
- 까지
- 업데이트
- 업데이트
- 업데이트
- 업데이트
- 업그레이드
- 업그레이드
- us
- 용법
- 사용
- 익숙한
- 사용자
- 사용자 경험
- 사용하기 쉬운
- 사용자
- 사용
- 사용
- 확인
- 가치 있는
- 가치
- 종류
- 여러
- 버전
- 를 통해
- 가시성
- 시력
- 시각
- 심상
- 음량
- 볼륨
- 였다
- 시청
- 방법..
- we
- 웹
- 웹 브라우저
- 웹 서버
- 웹 서비스
- 웹 기반
- 했다
- 언제
- 때마다
- 여부
- 어느
- 동안
- 누구
- 넓은
- 의지
- 소원
- 과
- 이내
- 없이
- 작업
- 협력
- 일
- 워크플로우
- 워크 플로우
- 일하는
- 세계
- 쓰다
- 년
- 자신의
- 너의
- 제퍼 넷