Estúdio Amazon SageMaker oferece um amplo conjunto de ambientes de desenvolvimento integrado (IDEs) totalmente gerenciados para desenvolvimento de aprendizado de máquina (ML), incluindo JupyterLab, editor de código baseado em Code-OSS (Visual Studio Code Open Source) e RStudio. Ele fornece acesso ao conjunto mais abrangente de ferramentas para cada etapa do desenvolvimento de ML, desde a preparação de dados até a construção, treinamento, implantação e gerenciamento de modelos de ML. Você pode iniciar o JuptyerLab totalmente gerenciado com SageMaker Distribution pré-configurado em segundos para trabalhar com seus notebooks, código e dados. A interface flexível e extensível do SageMaker Studio permite que você configure e organize fluxos de trabalho de ML sem esforço, e você pode usar o companheiro de codificação inline com tecnologia de IA para criar, depurar, explicar e testar código rapidamente.
Nesta postagem, damos uma olhada mais de perto no SageMaker Studio atualizado e seu IDE JupyterLab, projetado para aumentar a produtividade dos desenvolvedores de ML. Apresentamos o conceito de Spaces e explicamos como os JupyterLab Spaces permitem a personalização flexível de recursos de computação, armazenamento e tempo de execução para melhorar a eficiência do fluxo de trabalho de ML. Também discutimos nossa mudança para um modelo de execução localizado no JupyterLab, resultando em uma experiência de codificação mais rápida, estável e responsiva. Além disso, cobrimos a integração perfeita de ferramentas generativas de IA, como Sussurrador de Código da Amazon e Jupyter AI no SageMaker Studio JupyterLab Spaces, ilustrando como eles capacitam os desenvolvedores a usar IA para assistência de codificação e solução inovadora de problemas.
Apresentando Espaços no SageMaker Studio
O novo Interface baseada na web do SageMaker Studio atua como um centro de comando para iniciar seu IDE preferido e acessar seu Amazon Sage Maker ferramentas para construir, treinar, ajustar e implantar modelos. Além do JupyterLab e do RStudio, o SageMaker Studio agora inclui um editor de código totalmente gerenciado baseado em Code-OSS (Visual Studio Code Open Source). Tanto o JupyterLab quanto o Code Editor podem ser iniciados usando um espaço de trabalho flexível chamado Spaces.
Um Espaço é uma representação de configuração de um IDE SageMaker, como JupyterLab ou Code Editor, projetado para persistir independentemente de um aplicativo (IDE) associado ao Espaço estar em execução ativa ou não. Um Espaço representa uma combinação de uma instância de computação, armazenamento e outras configurações de tempo de execução. Com o Spaces, você pode criar e dimensionar a computação e o armazenamento do seu IDE conforme você avança, personalizar ambientes de tempo de execução e pausar e retomar a codificação a qualquer momento e em qualquer lugar. Você pode ativar vários desses espaços, cada um configurado com uma combinação diferente de computação, armazenamento e tempos de execução.
Quando um Espaço é criado, ele é equipado com um Loja de blocos elásticos da Amazon (Amazônia EBS) volume, que é usado para armazenar arquivos, dados, caches e outros artefatos dos usuários. Ele é anexado a uma instância de computação de ML sempre que um espaço é executado. O volume EBS garante que os arquivos do usuário, os dados, o cache e os estados da sessão sejam restaurados de forma consistente sempre que o Space for reiniciado. É importante ressaltar que esse volume do EBS permanece persistente, esteja o espaço em estado de execução ou parado. Ele continuará a persistir até que o espaço seja excluído.
Além disso, introduzimos o recurso de sistema de arquivos próprio para usuários que desejam compartilhar ambientes e artefatos entre diferentes espaços, usuários ou até mesmo domínios. Isto permite-lhe equipar opcionalmente os seus Spaces com os seus próprios Sistema de arquivos elástico da Amazon (Amazon EFS), facilitando o compartilhamento de recursos em vários espaços de trabalho.
Criando um Espaço
Criar e lançar um novo Space agora é rápido e simples. Leva apenas alguns segundos para configurar um novo espaço com instâncias de inicialização rápida e menos de 60 segundos para executar um espaço. Os espaços são equipados com configurações predefinidas para computação e armazenamento, gerenciadas por administradores. Os administradores do SageMaker Studio podem estabelecer predefinições em nível de domínio para configurações de computação, armazenamento e tempo de execução. Esta configuração permite lançar rapidamente um novo espaço com esforço mínimo, exigindo apenas alguns cliques. Você também tem a opção de modificar as configurações de computação, armazenamento ou tempo de execução de um espaço para personalização adicional.
É importante observar que a criação de um Espaço requer a atualização da função de execução do domínio SageMaker com uma política como o exemplo a seguir. Você precisa conceder aos seus usuários permissões para espaços privados e perfis de usuário necessários para acessar esses espaços privados. Para obter instruções detalhadas, consulte Dê aos seus usuários acesso a espaços privados.
Para criar um espaço, execute as seguintes etapas:
- No SageMaker Studio, escolha JupyterLabGenericName na Aplicações menu.
- Escolha Criar espaço JupyterLab.
- Escolha Nome, insira um nome para o seu espaço.
- Escolha Crie espaço.
- Escolha Executar espaço para iniciar seu novo Space com predefinições padrão ou atualizar a configuração com base em seus requisitos.
Reconfigurando um espaço
Os espaços são projetados para que os usuários façam uma transição perfeita entre diferentes tipos de computação conforme necessário. Você pode começar criando um novo espaço com uma configuração específica, consistindo principalmente de computação e armazenamento. Se precisar mudar para um tipo de computação diferente com uma contagem de vCPU maior ou menor, mais ou menos memória ou uma instância baseada em GPU em qualquer ponto do seu fluxo de trabalho, você poderá fazer isso com facilidade. Depois de interromper o Space, você poderá modificar suas configurações usando a interface do usuário ou API por meio da interface atualizada do SageMaker Studio e reinicie o Space. O SageMaker Studio cuida automaticamente do provisionamento do seu espaço existente para a nova configuração, sem exigir nenhum esforço extra de sua parte.
Conclua as etapas a seguir para editar um espaço existente:
- Na página de detalhes do espaço, escolha Pare o espaço.
- Reconfigure a computação, o armazenamento ou o tempo de execução.
- Escolha Executar espaço para relançar o espaço.
Seu workspace será atualizado com o novo tipo de instância de armazenamento e computação solicitado.
A nova arquitetura do SageMaker Studio JupyterLab
A equipe do SageMaker Studio continua a inventar e simplificar sua experiência de desenvolvedor com o lançamento de uma nova experiência totalmente gerenciada do SageMaker Studio JupyterLab. A nova experiência do SageMaker Studio JupyterLab combina o melhor dos dois mundos: a escalabilidade e a flexibilidade do SageMaker Estúdio Clássico (veja o apêndice no final deste post) com a estabilidade e familiaridade do JupyterLab de código aberto. Para compreender o design desta nova experiência do JupyterLab, vamos nos aprofundar no diagrama de arquitetura a seguir. Isso nos ajudará a entender melhor a integração e os recursos desta nova plataforma JupyterLab Spaces.
Em resumo, fizemos a transição para uma arquitetura localizada. Nesta nova configuração, o servidor Jupyter e os processos do kernel operam lado a lado em um único contêiner Docker, hospedado na mesma instância de computação de ML. Essas instâncias de ML são provisionadas quando um espaço está em execução e vinculadas a um volume EBS criado quando o espaço foi criado inicialmente.
Esta nova arquitetura traz diversos benefícios; discutiremos alguns deles nas seções seguintes.
Latência reduzida e maior estabilidade
O SageMaker Studio fez a transição para um modelo de execução local, afastando-se do modelo dividido anterior, onde o código era armazenado em uma montagem EFS e executado remotamente em uma instância de ML por meio do Kernel Gateway remoto. Na configuração anterior, Kernel Gateway, um servidor web headless, habilitava operações de kernel por meio de comunicação remota com kernels Jupyter por meio de HTTPS/WSS. Ações do usuário, como execução de código, gerenciamento de notebooks ou execução de comandos de terminal, foram processadas por um aplicativo Kernel Gateway em uma instância remota de ML, com Kernel Gateway facilitando essas operações por ZeroMQ (ZMQ) em um contêiner Docker. O diagrama a seguir ilustra essa arquitetura.
A arquitetura JupyterLab atualizada executa todas as operações do kernel diretamente na instância local. Essa abordagem local do Jupyter Server normalmente fornece desempenho aprimorado e arquitetura simples. Ele minimiza a latência e a complexidade da rede, simplifica a arquitetura para facilitar a depuração e a manutenção, melhora a utilização de recursos e acomoda padrões de mensagens mais flexíveis para uma variedade de cargas de trabalho complexas.
Em essência, esta atualização aproxima os notebooks e o código em execução dos kernels, reduzindo significativamente a latência e aumentando a estabilidade.
Controle aprimorado sobre o armazenamento provisionado
O SageMaker Studio Classic originalmente usava o Amazon EFS para fornecer armazenamento de arquivos compartilhado e persistente para diretórios iniciais de usuários no ambiente do SageMaker Studio. Essa configuração permite armazenar centralmente notebooks, scripts e outros arquivos de projeto, acessíveis em todas as sessões e instâncias do SageMaker Studio.
Com a atualização mais recente do SageMaker Studio, há uma mudança do armazenamento baseado no Amazon EFS para uma solução baseada no Amazon EBS. Os volumes EBS, provisionados com SageMaker Studio Spaces, são Volumes GP3 projetado para fornecer um desempenho de linha de base consistente de 3,000 IOPS, independente do tamanho do volume. Esse novo armazenamento Amazon EBS oferece maior desempenho para tarefas com uso intensivo de E/S, como treinamento de modelo, processamento de dados, computação de alto desempenho e visualização de dados. Essa transição também oferece aos administradores do SageMaker Studio maior visão e controle sobre o uso do armazenamento por perfis de usuário dentro de um domínio ou no SageMaker. Agora você pode definir o padrão (DefaultEbsVolumeSizeInGb
) e máximo (MaximumEbsVolumeSizeInGb
) tamanhos de armazenamento para JupyterLab Spaces em cada perfil de usuário.
Além do desempenho aprimorado, você tem a capacidade de redimensionar com flexibilidade o volume de armazenamento anexado à instância de computação de ML do seu Space, editando a configuração do Space usando a UI ou a ação da API da interface do SageMaker Studio, sem exigir qualquer ação de administração. No entanto, observe que você só pode editar os tamanhos de volume do EBS em uma direção – depois de aumentar o tamanho do volume do EBS do Space, você não poderá reduzi-lo novamente.
O SageMaker Studio agora oferece controle elevado de armazenamento provisionado para administradores:
- Os administradores do SageMaker Studio podem gerenciar os tamanhos de volume do EBS para perfis de usuário. Esses volumes do JupyterLab EBS podem variar de um mínimo de 5 GB a um máximo de 16 TB. O trecho de código a seguir mostra como criar ou atualizar um perfil de usuário com configurações de espaço padrão e máximo:
- O SageMaker Studio agora oferece um recurso aprimorado de marcação automática para recursos do Amazon EBS, rotulando automaticamente os volumes criados pelos usuários com informações de domínio, usuário e espaço. Esse avanço simplifica a análise de alocação de custos para recursos de armazenamento, auxiliando os administradores no gerenciamento e na atribuição de custos de forma mais eficaz. Também é importante observar que esses volumes do EBS estão hospedados na conta de serviço, portanto você não terá visibilidade direta. No entanto, o uso do armazenamento e os custos associados estão diretamente ligados ao ARN do domínio, ao ARN do perfil do usuário e ao ARN do espaço, facilitando a alocação direta de custos.
- Os administradores também podem controlar a criptografia dos volumes EBS de um espaço, em repouso, usando chaves gerenciadas pelo cliente (CMK).
Locação compartilhada com sistema de arquivos EFS próprio
Os fluxos de trabalho de ML são normalmente colaborativos, exigindo compartilhamento eficiente de dados e códigos entre os membros da equipe. O novo SageMaker Studio aprimora esse aspecto colaborativo, permitindo que você compartilhe dados, códigos e outros artefatos por meio de um ambiente compartilhado. traga seu próprio sistema de arquivos EFS. Essa unidade EFS pode ser configurada independentemente do SageMaker ou pode ser um recurso existente do Amazon EFS. Depois de provisionado, ele pode ser montado perfeitamente nos perfis de usuário do SageMaker Studio. Esse recurso não está restrito a perfis de usuário em um único domínio; ele pode se estender a vários domínios, desde que estejam na mesma região.
O código de exemplo a seguir mostra como criar um domínio e anexar um volume EFS existente a ele usando seu volume associado fs-id
. Os volumes EFS podem ser anexados a um domínio no nível raiz ou de prefixo, como demonstram os seguintes comandos:
Quando uma montagem EFS é disponibilizada em um domínio e seus perfis de usuário relacionados, você pode optar por anexá-la a um novo espaço. Isso pode ser feito usando a UI do SageMaker Studio ou uma ação de API, conforme mostrado no exemplo a seguir. É importante observar que quando um espaço é criado com um sistema de arquivos EFS provisionado no nível do domínio, o espaço herda suas propriedades. Isso significa que se o sistema de arquivos for provisionado em nível raiz ou de prefixo dentro do domínio, essas configurações serão aplicadas automaticamente ao espaço criado pelos usuários do domínio.
Depois de montá-lo em um espaço, você pode localizar todos os seus arquivos localizados acima do ponto de montagem fornecido pelo administrador. Esses arquivos podem ser encontrados no caminho do diretório /mnt/custom-file-system/efs/fs-12345678
.
As montagens EFS são fáceis de compartilhar artefatos entre o espaço de um usuário ou entre vários usuários ou entre domínios, tornando-o ideal para cargas de trabalho colaborativas. Com esse recurso, você pode fazer o seguinte:
- Compartilhar dados – As montagens EFS são ideais para armazenar grandes conjuntos de dados cruciais para experimentos de ciência de dados. Os proprietários de conjuntos de dados podem carregar essas montagens com conjuntos de dados de treinamento, validação e teste, tornando-os acessíveis a perfis de usuário em um domínio ou em vários domínios. Os administradores do SageMaker Studio também podem integrar montagens EFS de aplicativos existentes, mantendo a conformidade com as políticas de segurança organizacionais. Isto é feito através de montagem flexível em nível de prefixo. Por exemplo, se os dados de produção e de teste forem armazenados na mesma montagem EFS (como
fs-12345678:/data/prod and fs-12345678:/data/test
), montagem/data/test
nos perfis de usuário do domínio SageMaker concede aos usuários acesso apenas ao conjunto de dados de teste. Esta configuração permite análise ou treinamento de modelo, mantendo os dados de produção seguros e inacessíveis. - Código de compartilhamento – As montagens EFS facilitam o compartilhamento rápido de artefatos de código entre perfis de usuário. Em cenários em que os usuários precisam compartilhar rapidamente amostras de código ou colaborar em uma base de código comum sem as complexidades dos comandos git push/pull frequentes, as montagens EFS compartilhadas são altamente benéficas. Eles oferecem uma maneira conveniente de compartilhar artefatos de código de trabalho em andamento dentro de uma equipe ou entre diferentes equipes no SageMaker Studio.
- Compartilhe ambientes de desenvolvimento – As montagens EFS compartilhadas também podem servir como um meio de disseminar rapidamente ambientes sandbox entre usuários e equipes. As montagens EFS fornecem uma alternativa sólida para compartilhar ambientes Python como conda ou virtualenv em vários espaços de trabalho. Esta abordagem contorna a necessidade de distribuição
requirements.txt
orenvironment.yml
arquivos, o que muitas vezes pode levar à tarefa repetitiva de criar ou recriar ambientes em diferentes perfis de usuário.
Esses recursos aprimoram significativamente os recursos colaborativos do SageMaker Studio, tornando mais fácil para as equipes trabalharem juntas com eficiência em projetos complexos de ML. Além disso, o Code Editor baseado em Code-OSS (Visual Studio Code Open Source) compartilha os mesmos princípios arquitetônicos da experiência JupyterLab mencionada acima. Esse alinhamento traz diversas vantagens, como latência reduzida, estabilidade aprimorada e controle administrativo aprimorado, e permite o acesso do usuário a espaços de trabalho compartilhados, semelhantes aos oferecidos nos JupyterLab Spaces.
Ferramentas generativas baseadas em IA no JupyterLab Spaces
A IA generativa, um campo em rápida evolução da inteligência artificial, utiliza algoritmos para criar novos conteúdos, como texto, imagens e código, a partir de extensos dados existentes. Esta tecnologia revolucionou a codificação ao automatizar tarefas rotineiras, gerar estruturas de código complexas e oferecer sugestões inteligentes, agilizando assim o desenvolvimento e estimulando a criatividade e a resolução de problemas na programação. Sendo uma ferramenta indispensável para os programadores, a IA generativa aumenta a produtividade e impulsiona a inovação na indústria tecnológica. O SageMaker Studio aprimora a experiência do desenvolvedor com ferramentas pré-instaladas, como Amazon CodeWhisperer e Jupyter AI, usando IA generativa para acelerar o ciclo de vida de desenvolvimento.
Sussurrador de Código da Amazon
Amazon CodeWhisperer é um assistente de programação que aumenta a produtividade do desenvolvedor por meio de recomendações e soluções de código em tempo real. Como um serviço de IA gerenciado pela AWS, ele é perfeitamente integrado ao IDE SageMaker Studio JupyterLab. Essa integração torna o Amazon CodeWhisperer uma adição fluida e valiosa ao fluxo de trabalho de um desenvolvedor.
O Amazon CodeWhisperer se destaca por aumentar a eficiência do desenvolvedor, automatizando tarefas comuns de codificação, sugerindo padrões de codificação mais eficazes e diminuindo o tempo de depuração. Ele serve como uma ferramenta essencial para programadores iniciantes e experientes, fornecendo insights sobre as melhores práticas, acelerando o processo de desenvolvimento e melhorando a qualidade geral do código. Para começar a usar o Amazon CodeWhisperer, certifique-se de que o Retomar sugestões automáticas recurso está ativado. Você pode invocar sugestões de código manualmente usando atalhos de teclado.
Como alternativa, escreva um comentário descrevendo a função de código pretendida e comece a codificar; O Amazon CodeWhisperer começará a fornecer sugestões.
Observe que embora o Amazon CodeWhisperer esteja pré-instalado, você deve ter o codewhisperer:GenerateRecommendations
permissão como parte da função de execução para receber recomendações de código. Para obter detalhes adicionais, consulte Usando CodeWhisperer com Amazon SageMaker Studio. Quando você usa o Amazon CodeWhisperer, a AWS pode, para fins de melhoria de serviço, armazenar dados sobre seu uso e conteúdo. Para cancelar o Amazon CodeWhisperer política de compartilhamento de dados, você pode navegar até o Configuração opção no menu superior e navegue até Editor de configurações e desativar Compartilhe dados de uso com o Amazon CodeWhisperer no menu de configurações do Amazon CodeWhisperer.
IA de Júpiter
IA de Júpiter é uma ferramenta de código aberto que traz IA generativa para notebooks Jupyter, oferecendo uma plataforma robusta e fácil de usar para explorar modelos de IA generativos. Ele aumenta a produtividade no JupyterLab e Jupyter Notebooks, fornecendo recursos como a magia %%ai para criar um playground de IA generativo dentro de notebooks, uma interface de bate-papo nativa no JupyterLab para interagir com a IA como um assistente de conversação e suporte para uma ampla variedade de linguagens grandes. provedores de modelo (LLM) como AI21, Anthropic, Cohere e Hugging Face ou serviços gerenciados como Rocha Amazônica e terminais SageMaker. Essa integração oferece métodos mais eficientes e inovadores para análise de dados, ML e tarefas de codificação. Por exemplo, você pode interagir com um LLM com reconhecimento de domínio usando a interface de bate-papo Jupyternaut para obter ajuda com processos e fluxos de trabalho ou gerar código de exemplo por meio do CodeLlama, hospedado em endpoints do SageMaker. Isso o torna uma ferramenta valiosa para desenvolvedores e cientistas de dados.
Jupyter AI fornece um seleção extensa de modelos de linguagem prontos para uso imediato. Além disso, modelos personalizados também são suportados por endpoints SageMaker, oferecendo flexibilidade e uma ampla gama de opções para os usuários. Ele também oferece suporte para modelos incorporados, permitindo que você execute comparações e testes em linha e até mesmo crie ou teste aplicativos de geração aumentada de recuperação (RAG) ad hoc.
O Jupyter AI pode atuar como seu assistente de bate-papo, ajudando você com exemplos de código, fornecendo respostas a perguntas e muito mais.
Você pode usar Jupyter AI %%ai
magic para gerar código de amostra dentro do seu notebook, conforme mostrado na captura de tela a seguir.
JupyterLab 4.0
A equipe do JupyterLab lançou a versão 4.0, apresentando melhorias significativas no desempenho, funcionalidade e experiência do usuário. Informações detalhadas sobre este lançamento estão disponíveis no site oficial Documentação JupyterLab.
Esta versão, agora padrão no SageMaker Studio JupyterLab, apresenta desempenho otimizado para lidar com notebooks grandes e operações mais rápidas, graças a melhorias como otimização de regras CSS e a adoção de CodeMirror 6 e MathJax 3. As principais melhorias incluem um editor de texto atualizado com melhor acessibilidade e personalização , um novo gerenciador de extensões para fácil instalação de extensões Python e recursos aprimorados de pesquisa de documentos com recursos avançados. Além disso, a versão 4.0 traz melhorias na interface do usuário, melhorias de acessibilidade e atualizações para ferramentas de desenvolvimento, e certos recursos foram transferidos para o JupyterLab 3.6.
Conclusão
Os avanços no SageMaker Studio, especialmente com a nova experiência do JupyterLab, marcam um avanço significativo no desenvolvimento de ML. A IU atualizada do SageMaker Studio, com integração de JupyterLab, Code Editor e RStudio, oferece um ambiente simplificado e incomparável para desenvolvedores de ML. A introdução do JupyterLab Spaces oferece flexibilidade e facilidade na personalização de recursos de computação e armazenamento, melhorando a eficiência geral dos fluxos de trabalho de ML. A mudança de uma arquitetura de kernel remota para um modelo localizado no JupyterLab aumenta muito a estabilidade e diminui a latência de inicialização. Isso resulta em uma experiência de codificação mais rápida, estável e responsiva. Além disso, a integração de ferramentas generativas de IA, como Amazon CodeWhisperer e Jupyter AI no JupyterLab, capacita ainda mais os desenvolvedores, permitindo que você use IA para assistência de codificação e solução inovadora de problemas. O controle aprimorado sobre o armazenamento provisionado e a capacidade de compartilhar código e dados sem esforço por meio de montagens EFS autogerenciadas facilitam muito os projetos colaborativos. Por último, o lançamento do JupyterLab 4.0 no SageMaker Studio destaca essas melhorias, oferecendo desempenho otimizado, melhor acessibilidade e uma interface mais amigável, solidificando assim o papel do JupyterLab como pedra angular do desenvolvimento de ML eficiente e eficaz no cenário tecnológico moderno.
Experimente o SageMaker Studio JupyterLab Spaces usando nosso recurso de integração rápida, que permite criar um novo domínio para usuários únicos em poucos minutos. Compartilhe seus pensamentos na seção de comentários!
Apêndice: Arquitetura de gateway do kernel do SageMaker Studio Classic
A SageMaker Clássico domínio é uma agregação lógica de um volume EFS, uma lista de usuários autorizados a acessar o domínio e configurações relacionadas a segurança, aplicativos, rede e muito mais. Na arquitetura SageMaker Studio Classic do SageMaker, cada usuário dentro do domínio SageMaker tem um perfil de usuário distinto. Este perfil abrange detalhes específicos como a função do usuário e seu ID de usuário Posix no volume EFS, entre outros dados exclusivos. Os usuários acessam seu perfil de usuário individual por meio de um aplicativo Jupyter Server dedicado, conectado via HTTPS/WSS em seu navegador da web. O SageMaker Studio Classic usa uma arquitetura de kernel remoto usando uma combinação dos tipos de aplicativos Jupyter Server e Kernel Gateway, permitindo que servidores de notebook interajam com kernels em hosts remotos. Isso significa que os kernels do Jupyter não operam no host do servidor do notebook, mas dentro dos contêineres do Docker em hosts separados. Em essência, seu notebook é armazenado no diretório inicial do EFS e executa o código remotamente em um local diferente. Amazon Elastic Compute Nuvem (Amazon EC2), que abriga um contêiner Docker pré-construído equipado com bibliotecas de ML, como PyTorch, TensorFlow, Scikit-Learn e muito mais.
A arquitetura de kernel remoto no SageMaker Studio oferece benefícios notáveis em termos de escalabilidade e flexibilidade. No entanto, ele tem suas limitações, incluindo um máximo de quatro aplicativos por tipo de instância e possíveis gargalos devido a inúmeras conexões HTTPS/WSS com um tipo de instância comum do EC2. Essas limitações podem afetar negativamente a experiência do usuário.
O diagrama de arquitetura a seguir descreve a arquitetura SageMaker Studio Classic. Ele ilustra o processo do usuário de conexão com um aplicativo Kernel Gateway por meio de um aplicativo Jupyter Server, usando seu navegador da Web preferido.
Sobre os autores
Pranav Murthy é arquiteto de soluções especialista em IA/ML na AWS. Ele se concentra em ajudar os clientes a criar, treinar, implantar e migrar cargas de trabalho de aprendizado de máquina (ML) para o SageMaker. Anteriormente, ele trabalhou na indústria de semicondutores desenvolvendo grandes modelos de visão computacional (CV) e processamento de linguagem natural (PNL) para melhorar processos de semicondutores usando técnicas de ML de última geração. Nas horas vagas, gosta de jogar xadrez e viajar. Você pode encontrar Pranav em LinkedIn.
Kunal Jha é gerente de produto sênior na AWS. Ele está focado em desenvolver o Amazon SageMaker Studio como a melhor opção para desenvolvimento de ML completo. Nas horas vagas, Kunal gosta de esquiar e explorar o noroeste do Pacífico. Você pode encontrá-lo em LinkedIn.
Majisha Namath Parambath é engenheiro de software sênior na Amazon SageMaker. Ela está na Amazon há mais de 8 anos e atualmente está trabalhando para melhorar a experiência completa do Amazon SageMaker Studio.
Bharat Nandamuri é engenheiro de software sênior e trabalha no Amazon SageMaker Studio. Ele é apaixonado por construir serviços de back-end de alta escala com foco em engenharia para sistemas de ML. Fora do trabalho, ele gosta de jogar xadrez, fazer caminhadas e assistir filmes.
Derek Lause é engenheiro de software na AWS. Ele está comprometido em agregar valor aos clientes por meio do Amazon SageMaker Studio e de instâncias de notebook. Em seu tempo livre, Derek gosta de passar tempo com a família e amigos e fazer caminhadas. Você pode encontrar Derek em LinkedIn.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/
- :tem
- :é
- :não
- :onde
- $UP
- 000
- 100
- 11
- 12
- 16
- 25
- 60
- 7
- 8
- a
- habilidade
- Capaz
- Sobre
- acima
- acelerar
- acelerando
- Acesso
- acessibilidade
- acessível
- acessando
- Conta
- em
- Aja
- Açao Social
- ações
- ativamente
- atos
- Ad
- Adição
- Adicional
- Adicionalmente
- administração
- administrativo
- administradores
- Adoção
- avançado
- avanço
- avanços
- vantagens
- afetar
- Depois de
- agregação
- AI
- Modelos de IA
- Alimentado por AI
- AI / ML
- algoritmos
- alinhamento
- Todos os Produtos
- alocação
- permitir
- permite
- ao lado de
- tb
- alternativa
- Apesar
- Amazon
- Sussurrador de Código da Amazon
- Amazon EC2
- Amazon Sage Maker
- Estúdio Amazon SageMaker
- Amazon Web Services
- entre
- an
- análise
- e
- respostas
- Antrópico
- qualquer
- qualquer lugar
- api
- app
- Aplicação
- Aplicar
- abordagem
- Aplicativos
- arquitetônico
- arquitetura
- SOMOS
- Ordem
- Arte
- artificial
- inteligência artificial
- AS
- aspecto
- Assistência
- Assistente
- associado
- At
- anexar
- aumentado
- autor
- autorizado
- automaticamente
- automatizando
- disponível
- longe
- AWS
- em caminho duplo
- Backend
- base
- baseado
- Linha de Base
- BE
- sido
- começar
- beginner
- benéfico
- Benefícios
- MELHOR
- melhores práticas
- Melhor
- entre
- Bloquear
- impulsionar
- impulsionar
- ambos
- gargalos
- Caixa
- Traz
- amplo
- navegador
- construir
- Prédio
- mas a
- by
- Esconderijo
- chamado
- CAN
- capacidades
- Centralização de
- certo
- xadrez
- escolha
- Escolha
- clássico
- mais próximo
- código
- base de código
- Codificação
- colaborar
- colaborativo
- combinação
- combina
- comentar
- comentários
- comprometido
- comum
- Comunicação
- companheiro
- comparações
- completar
- integrações
- complexidades
- complexidade
- compliance
- compreensivo
- Computar
- computador
- Visão de Computador
- computação
- conceito
- condição
- Configuração
- configurado
- conectado
- Conexão de
- Coneções
- consistente
- consistentemente
- Consistindo
- Recipiente
- Containers
- conteúdo
- continuar
- continua
- ao controle
- Conveniente
- conversação
- pedra angular
- Custo
- custos
- poderia
- cobrir
- crio
- criado
- Criar
- criatividade
- crucial
- APF
- Atualmente
- personalizadas
- cliente
- Clientes
- personalização
- personalizar
- dados,
- análise de dados
- informática
- ciência de dados
- Visualização de dados
- conjuntos de dados
- dedicado
- Padrão
- entregar
- mergulhar
- demonstrar
- implantar
- Implantação
- Derek
- descrevendo
- Design
- projetado
- detalhado
- detalhes
- Developer
- desenvolvedores
- em desenvolvimento
- Desenvolvimento
- ferramentas de desenvolvimento
- diferente
- diretamente
- diretamente
- diretórios
- discutir
- distinto
- distribuindo
- distribuição
- do
- Estivador
- documento
- domínio
- domínios
- feito
- down
- distância
- Acionadores
- dois
- cada
- Mais cedo
- facilidade
- mais fácil
- fácil
- editor
- efeito
- Eficaz
- efetivamente
- eficiência
- eficiente
- eficientemente
- esforço
- sem esforço
- sem esforço
- ou
- elevado
- embutindo
- autorizar
- empodera
- permitir
- habilitado
- permite
- permitindo
- engloba
- criptografia
- final
- end-to-end
- engenheiro
- Engenharia
- aumentar
- aprimorada
- Melhorias
- Melhora
- aprimorando
- garante
- Entrar
- Meio Ambiente
- ambientes
- equipado
- essência
- essencial
- estabelecer
- Mesmo
- evolução
- exemplo
- execução
- existente
- vasta experiência
- experimentos
- Explicação
- Explorando
- estender
- extensão
- extensões
- extenso
- extra
- Rosto
- facilitar
- facilitando
- falso
- Familiaridade
- família
- RÁPIDO
- mais rápido
- Característica
- Funcionalidades
- Apresentando
- poucos
- campo
- Envie o
- Arquivos
- Encontre
- Flexibilidade
- flexível
- flexivelmente
- fluido
- Foco
- focado
- concentra-se
- seguinte
- Escolha
- para a frente
- fomento
- encontrado
- quatro
- Gratuito
- freqüente
- amigos
- da
- totalmente
- função
- funcionalidade
- mais distante
- porta de entrada
- gerar
- gerando
- geração
- generativo
- IA generativa
- Git
- dá
- Go
- conceder
- subsídios
- aperto
- maior
- grandemente
- Alças
- Manipulação
- Ter
- he
- ajudar
- ajuda
- Alta
- alta performance
- superior
- altamente
- ele
- sua
- Início
- hospedeiro
- hospedado
- anfitriões
- casas
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- http
- HTTPS
- ID
- ideal
- if
- ilustra
- ilustrando
- imagens
- importante
- importante
- melhorar
- melhorado
- melhoria
- melhorias
- melhorar
- in
- inacessível
- incluir
- inclui
- Incluindo
- Crescimento
- aumentou
- Aumenta
- aumentando
- de treinadores em Entrevista Motivacional
- independentemente
- Individual
- indústria
- INFORMAÇÕES
- inicialmente
- Inovação
- inovadores
- dentro
- introspecção
- insights
- instalação
- instância
- instruções
- integrar
- integrado
- integração
- Inteligência
- Inteligente
- Pretendido
- interagir
- interagindo
- Interface
- para dentro
- introduzir
- introduzido
- Introduz
- introduzindo
- Introdução
- IT
- ESTÁ
- jpg
- apenas por
- manutenção
- Chave
- chaves
- marcação
- paisagem
- língua
- grande
- por último
- Latência
- mais recente
- lançamento
- lançado
- de lançamento
- conduzir
- Saltar
- aprendizagem
- menos
- Nível
- bibliotecas
- wifecycwe
- como
- limitações
- ligado
- Lista
- LLM
- carregar
- local
- localizado
- lógico
- longo
- olhar
- diminuir
- máquina
- aprendizado de máquina
- moldadas
- mágica
- Manter
- manutenção
- fazer
- FAZ
- Fazendo
- gerencia
- gerenciados
- Gerente
- gestão
- manualmente
- marca
- máximo
- Posso..
- significa
- Membros
- Memória
- Menu
- mensagens
- métodos
- migrado
- mínimo
- minimiza
- mínimo
- Minutos
- ML
- modelo
- modelos
- EQUIPAMENTOS
- modificar
- mais
- mais eficiente
- Além disso
- a maioria
- MONTE
- Filmes
- em movimento
- muito
- múltiplo
- devo
- nome
- nativo
- natural
- Processamento de linguagem natural
- Navegar
- necessário
- você merece...
- necessário
- negativamente
- rede
- networking
- Novo
- PNL
- não
- notável
- nota
- caderno
- agora
- numeroso
- of
- oferecer
- oferecido
- oferecendo treinamento para distância
- Oferece
- oficial
- frequentemente
- on
- A bordo
- ONE
- só
- para
- aberto
- open source
- operar
- Operações
- otimização
- otimizado
- Opção
- Opções
- or
- organizacional
- originalmente
- Outros
- A Nossa
- Fora
- lado de fora
- Acima de
- global
- próprio
- proprietários
- Pacífico
- página
- parte
- particularmente
- apaixonado
- caminho
- padrões
- pausa
- para
- Realizar
- atuação
- permissão
- permissões
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- recreio
- jogar
- ponto
- políticas
- Privacidade
- Publique
- potencial
- práticas
- preferido
- preparação
- anterior
- anteriormente
- principalmente
- princípios
- privado
- Solução de problemas
- processo
- Processado
- processos
- em processamento
- Produto
- gerente de produto
- Produção
- produtividade
- Perfil
- Perfis
- Programação
- projeto
- projetos
- Propriedades
- fornecer
- fornecedores
- fornece
- fornecendo
- fins
- Python
- pytorch
- qualidade
- Frequentes
- Links
- mais rápido
- rapidamente
- alcance
- rapidamente
- pronto
- em tempo real
- receber
- recomendações
- Reduzido
- redução
- referir
- Independentemente
- região
- relacionado
- relançar
- liberar
- liberado
- permanece
- remoto
- remotamente
- repetitivo
- representação
- representa
- Requisitos
- exige
- recurso
- Recursos
- responsivo
- DESCANSO
- reiniciado
- restringido
- resultando
- Resultados
- currículo
- revolucionou
- certo
- uma conta de despesas robusta
- Tipo
- raiz
- rotina
- Regra
- Execute
- corrida
- é executado
- tempo de execução
- sábio
- mesmo
- sandbox
- AMPLIAR
- Escala
- cenários
- Ciência
- cientistas
- scikit-learn
- Scripts
- desatado
- sem problemas
- Pesquisar
- temperado
- segundo
- seções
- seguro
- segurança
- políticas de segurança
- Vejo
- Semicondutor
- senior
- separado
- servir
- servidor
- Servidores
- serve
- serviço
- Serviços
- Sessão
- sessões
- conjunto
- contexto
- Configurações
- instalação
- vários
- Partilhar
- compartilhado
- ações
- compartilhando
- ela
- mudança
- mostrando
- Shows
- periodo
- de forma considerável
- semelhante
- simplifica
- simplificar
- solteiro
- Tamanho
- tamanhos
- fragmento
- So
- Software
- Engenheiro de Software
- sólido
- solidificando
- solução
- Soluções
- alguns
- fonte
- Espaço
- espaços
- especialista
- específico
- Passar
- Spin
- divisão
- Estabilidade
- estável
- padrão
- começo
- inicialização
- Estado
- Declaração
- Unidos
- Passo
- Passos
- Dê um basta
- parou
- armazenamento
- loja
- armazenadas
- armazenar
- franco
- simplificada
- racionalização
- estruturas
- estudo
- tal
- RESUMO
- ajuda
- Suportado
- certo
- Interruptor
- .
- sistemas
- Tire
- toma
- Tarefa
- tarefas
- Profissionais
- Membros do time
- equipes
- tecnologia
- indústria de tecnologia
- técnicas
- Tecnologia
- fluxo tensor
- terminal
- condições
- teste
- testes
- texto
- do que
- obrigado
- que
- A
- deles
- Eles
- então
- Lá.
- assim
- Este
- deles
- isto
- aqueles
- Através da
- tempo
- para
- juntos
- ferramenta
- ferramentas
- topo
- para
- Trem
- Training
- transição
- transicionado
- Viagens
- verdadeiro
- tentar
- afinação
- tipo
- tipos
- tipicamente
- ui
- sublinhados
- compreender
- único
- inigualável
- até
- Atualizar
- Atualizada
- Atualizações
- atualização
- atualização
- atualizado
- us
- Uso
- usar
- usava
- Utilizador
- Experiência do Usuário
- user-friendly
- usuários
- usos
- utilização
- validação
- Valioso
- valor
- variedade
- vário
- versão
- via
- visibilidade
- visão
- visual
- visualização
- volume
- volumes
- foi
- assistindo
- Caminho..
- we
- web
- navegador web
- servidor web
- serviços web
- Web-Based
- foram
- quando
- sempre que
- se
- qual
- enquanto
- QUEM
- Largo
- precisarão
- desejo
- de
- dentro
- sem
- Atividades:
- trabalhar juntos
- trabalhou
- de gestão de documentos
- fluxos de trabalho
- trabalhar
- do mundo
- escrever
- anos
- Vocês
- investimentos
- zefirnet