Студия Amazon SageMaker — первая полностью интегрированная среда разработки (IDE) для машинного обучения (ML). Он предоставляет единый визуальный веб-интерфейс, в котором вы можете выполнять все этапы разработки машинного обучения, включая подготовку данных и построение, обучение и развертывание моделей.
В пределах Домен Amazon SageMaker, пользователи могут подготовить личное приложение Amazon SageMaker Studio IDE, которое запускает бесплатный сервер JupyterServer со встроенными интеграциями для изучения Amazon. SageMaker эксперименты, оркестровать Конвейеры Amazon SageMaker, и многое другое. Пользователи платят только за гибкие вычисления на ядрах своих ноутбуков. Эти личные приложения автоматически монтируют личные Эластичная файловая система Amazon (Amazon EFS), чтобы они могли хранить код, данные и другие файлы изолированными от других пользователей. Студия Amazon SageMaker уже поддерживает совместное использование ноутбуков между частными приложениями, но асинхронный механизм может замедлить процесс итерации.
Теперь с общие пространства в Amazon SageMaker Studio, пользователи могут организовывать совместные усилия и инициативы по машинному обучению, создавая общее приложение IDE, которое пользователи используют со своим собственным профилем пользователя Amazon SageMaker. Работники данных, работающие совместно в общем пространстве, получают доступ к среде Amazon SageMaker Studio, где они могут просматривать, читать, редактировать и совместно использовать свои записные книжки в режиме реального времени, что дает им самый быстрый способ начать работу над новыми идеями вместе со своими коллегами. Сотрудники, работающие с данными, могут даже одновременно работать над одним и тем же ноутбуком, используя возможности совместной работы в режиме реального времени. В записной книжке каждый пользователь, выполняющий совместное редактирование, обозначен отдельным курсором, который показывает имя соответствующего профиля пользователя.
Общие пространства в SageMaker Studio автоматически помечают ресурсы, такие как задания обучения, задания обработки, эксперименты, конвейеры и записи реестра моделей, созданные в рамках рабочей области, с их соответствующими тегами. sagemaker:space-arn
. Пространство фильтрует эти ресурсы в пользовательском интерфейсе (UI) Amazon SageMaker Studio, поэтому пользователям предоставляются только эксперименты SageMaker, конвейеры и другие ресурсы, которые имеют отношение к их усилиям по машинному обучению.
Обзор решения
Поскольку общие пространства автоматически помечают ресурсы, администраторы могут легко отслеживать расходы, связанные с ML, и планировать бюджеты с помощью таких инструментов, как Бюджеты AWS и Анализ затрат AWS. Как администратору вам нужно будет только прикрепить тег распределения затрат для sagemaker:space-arn
.
После этого вы можете использовать AWS Cost Explorer, чтобы определить, сколько стоят отдельные проекты машинного обучения для вашей организации.
Начните работу с общими пространствами в Amazon SageMaker Studio
В этом разделе мы проанализируем типичный рабочий процесс создания и использования общих пространств в Amazon SageMaker Studio.
Создайте общее пространство в Amazon SageMaker Studio
Вы можете использовать консоль Amazon SageMaker или Интерфейс командной строки AWS (AWS CLI), чтобы добавить поддержку пробелов в существующий домен. Для получения самой актуальной информации, пожалуйста, проверьте Создать общее пространство. Общие пространства работают только с образом JupyterLab 3 SageMaker Studio и доменами SageMaker, использующими аутентификацию AWS Identity and Access Management (AWS IAM).
Создание консоли
Чтобы создать пространство в выделенном домене Amazon SageMaker, сначала необходимо установить роль выполнения по умолчанию для выделенного пространства. От Детали домена страницы, выберите настройки домена И выберите Редактировать. Затем вы можете установить роль выполнения пространства по умолчанию, которую необходимо выполнить только один раз для каждого домена, как показано на следующей диаграмме:
Далее вы можете перейти к Управление пространством вкладку в вашем домене и выберите Создавай кнопку, как показано на следующей схеме:
Создание интерфейса командной строки AWS
Вы также можете установить роль выполнения пространства домена по умолчанию в интерфейсе командной строки AWS. Чтобы определить ARN образа JupyterLab3 вашего региона, проверьте Установка версии JupyterLab по умолчанию.
Как только это будет завершено для вашего домена, вы можете создать общее пространство из CLI.
Запустите общее пространство в Amazon SageMaker Studio
Пользователи могут запустить общее пространство, выбрав Презентация рядом со своим профилем пользователя в консоли AWS для своего домена Amazon SageMaker.
После выбора Spaces в разделе «Совместная работа», затем выберите пространство для запуска:
Кроме того, пользователи могут создать предварительно подписанный URL-адрес для запуска пространства через интерфейс командной строки AWS:
Сотрудничество в режиме реального времени
После загрузки IDE общего пространства Amazon SageMaker Studio пользователи могут выбрать Сотрудники вкладку на левой панели, чтобы увидеть, какие пользователи активно работают в вашем пространстве и на какой записной книжке. Если над одной записной книжкой работает несколько человек, вы увидите курсор с именем профиля другого пользователя, в котором они редактируют:
На следующем снимке экрана вы можете увидеть различное взаимодействие с пользователем при редактировании и просмотре одной и той же записной книжки:
Заключение
В этом посте мы показали, как общие пространства в SageMaker Studio добавляют в Amazon SageMaker Studio возможность совместной работы в среде IDE в реальном времени. Автоматическое добавление тегов помогает пользователям определять и фильтровать свои ресурсы Amazon SageMaker, в том числе: эксперименты, конвейеры и записи реестра моделей, чтобы максимально повысить производительность пользователей. Кроме того, администраторы могут использовать эти применяемые теги для отслеживания затрат, связанных с данным пространством, и устанавливать соответствующие бюджеты с помощью AWS Cost Explorer и AWS Budgets.
Ускорьте совместную работу вашей команды уже сегодня, настроив общие пространства в Amazon SageMaker Studio для конкретных задач машинного обучения!
Об авторах
Шон Морган является архитектором решений AI/ML в AWS. У него есть опыт работы в области полупроводников и академических исследований, и он использует свой опыт, чтобы помочь клиентам достичь своих целей в AWS. В свободное время Шон является активным участником/мейнтейнером с открытым исходным кодом и руководителем специальной группы по интересам надстроек TensorFlow.
Хан Чжан является старшим инженером-программистом в Amazon Web Services. Она входит в группу запуска Amazon SageMaker Notebooks и Amazon SageMaker Studio и занимается созданием безопасных сред машинного обучения для клиентов. В свободное время она любит ходить в походы и кататься на лыжах на северо-западе Тихого океана.
Аркаправа Де является старшим инженером-программистом в AWS. Он работает в Amazon более 7 лет и в настоящее время работает над улучшением среды разработки Amazon SageMaker Studio. Вы можете найти его на LinkedIn.
Кунал Джа является старшим менеджером по продуктам в AWS. Он сосредоточен на создании Amazon SageMaker Studio в качестве предпочтительной IDE для всех этапов разработки машинного обучения. В свободное время Кунал любит кататься на лыжах и исследовать северо-запад Тихого океана. Вы можете найти его на LinkedIn.
- AI
- ай искусство
- генератор искусств ай
- искусственный интеллект
- Эластичная файловая система Amazon (EFS)
- Создатель мудреца Амазонки
- искусственный интеллект
- сертификация искусственного интеллекта
- искусственный интеллект в банковском деле
- робот с искусственным интеллектом
- роботы с искусственным интеллектом
- программное обеспечение искусственного интеллекта
- Машинное обучение AWS
- блокчейн
- конференция по блокчейну
- Coingenius
- разговорный искусственный интеллект
- криптоконференция ИИ
- дал-и
- глубокое обучение
- google ai
- Средний (200)
- обучение с помощью машины
- Платон
- Платон Ай
- Платон Интеллектуальные данные
- Платон игра
- ПлатонДанные
- платогейминг
- масштаб ай
- синтаксис
- зефирнет