สตูดิโอ Amazon SageMaker เป็นสภาพแวดล้อมการพัฒนาแบบผสานรวม (IDE) สำหรับแมชชีนเลิร์นนิง (ML) ที่ช่วยให้นักวิทยาศาสตร์ข้อมูลและนักพัฒนาดำเนินการทุกขั้นตอนของเวิร์กโฟลว์ ML ตั้งแต่การเตรียมข้อมูลไปจนถึงการสร้าง การฝึกอบรม การปรับแต่ง และการปรับใช้โมเดล
ในการเข้าถึง SageMaker Studio ผืนผ้าใบ Amazon SageMaker, หรืออื่น ๆ สภาพแวดล้อม Amazon ML กดไลก์ RStudio บน Amazon SageMakerคุณต้องจัดเตรียมโดเมน SageMaker ก่อน โดเมน SageMaker ประกอบด้วยโดเมนที่เกี่ยวข้อง ระบบไฟล์ Amazon Elastic (Amazon EFS) ปริมาณ; รายชื่อผู้ใช้ที่ได้รับอนุญาต และการรักษาความปลอดภัย แอปพลิเคชัน นโยบาย และอีกมากมาย คลาวด์ส่วนตัวเสมือนของ Amazon การกำหนดค่า (Amazon VPC)
ขณะนี้ผู้ดูแลระบบสามารถจัดเตรียมโดเมน SageMaker ได้หลายโดเมนเพื่อแยกสายธุรกิจหรือทีมต่างๆ ภายในบัญชี AWS เดียว ซึ่งทำให้เกิดการแยกทางตรรกะระหว่างผู้ใช้ พื้นที่จัดเก็บไฟล์ และการตั้งค่าการกำหนดค่าสำหรับกลุ่มต่างๆ ในองค์กรของคุณ ตัวอย่างเช่น องค์กรของคุณอาจต้องการแยกสายธุรกิจทางการเงินของคุณออกจากแผนกวิจัยความยั่งยืน ดังที่แสดงในคอนโซลแบบหลายโดเมนต่อไปนี้
การสร้างโดเมน SageMaker หลายโดเมนยังช่วยให้คุณตั้งค่าระดับโดเมนอย่างละเอียด เช่น การกำหนดค่า VPC เพื่ออนุญาตการเข้าถึงอินเทอร์เน็ตสาธารณะสำหรับการวิจัยบางกลุ่ม ในขณะที่บังคับให้การรับส่งข้อมูลผ่าน VPC ที่ระบุสำหรับหน่วยธุรกิจที่มีข้อจำกัดมากขึ้น
การติดแท็กอัตโนมัติ
นอกจากการแยกผู้ใช้ ที่เก็บไฟล์ และการกำหนดค่าโดเมนแล้ว ผู้ดูแลระบบยังสามารถแยกทรัพยากร SageMaker ที่สร้างขึ้นภายในโดเมนของตนได้อีกด้วย ตามค่าเริ่มต้น ตอนนี้ SageMaker จะแท็กทรัพยากร SageMaker ใหม่โดยอัตโนมัติ เช่น งานฝึกอบรม งานประมวลผล การทดลอง ไปป์ไลน์ และรายการรีจิสตรีโมเดลตามลำดับ sagemaker:domain-arn
. SageMaker ยังแท็กทรัพยากรด้วย sagemaker:user-profile-arn
or sagemaker:space-arn
เพื่อกำหนดการสร้างทรัพยากรในระดับที่ละเอียดยิ่งขึ้น
การจัดสรรค่าใช้จ่าย
ผู้ดูแลระบบสามารถใช้การติดแท็กอัตโนมัติเพื่อตรวจสอบค่าใช้จ่ายที่เกี่ยวข้องกับสายงานธุรกิจ ทีม ผู้ใช้รายบุคคล หรือปัญหาทางธุรกิจแต่ละรายการได้โดยใช้เครื่องมือต่างๆ เช่น งบประมาณ AWS และ AWS Cost Explorer. ตัวอย่างเช่น ผู้ดูแลระบบสามารถแนบ แท็กการปันส่วนต้นทุน สำหรับ sagemaker:domain-arn
แท็ก
สิ่งนี้ช่วยให้พวกเขาใช้ Cost Explorer เพื่อแสดงภาพการใช้จ่ายของสมุดบันทึกสำหรับโดเมนที่กำหนด
การแยกทรัพยากรระดับโดเมน
ผู้ดูแลระบบสามารถแนบ AWS Identity และการจัดการการเข้าถึง นโยบาย (IAM) ที่รับรองว่าผู้ใช้ของโดเมนสามารถสร้างและเปิดทรัพยากร SageMaker ที่มาจากโดเมนของตนเท่านั้น รหัสต่อไปนี้เป็นตัวอย่างของนโยบายดังกล่าว:
สำหรับข้อมูลเพิ่มเติมโปรดดูที่ ภาพรวมหลายโดเมน.
ทดแทนทรัพยากรที่มีอยู่ด้วยแท็กโดเมน
ตั้งแต่เปิดตัวความสามารถหลายโดเมน ทรัพยากรใหม่จะถูกแท็กโดยอัตโนมัติ aws:ResourceTag/sagemaker:domain-arn
. อย่างไรก็ตาม หากคุณต้องการอัปเดตทรัพยากรที่มีอยู่เพื่ออำนวยความสะดวกในการแยกทรัพยากร การดูแลระบบสามารถใช้ add-tag
การเรียกใช้ SageMaker API ในสคริปต์ ตัวอย่างด้านล่างแสดงวิธีติดแท็กการทดสอบที่มีอยู่ทั้งหมดกับโดเมน:
คุณสามารถตรวจสอบได้ว่าทรัพยากรแต่ละรายการถูกแท็กอย่างถูกต้องด้วยตัวอย่างโค้ดต่อไปนี้:
ภาพรวมโซลูชัน
ในส่วนนี้ เราจะสรุปวิธีการตั้งค่าโดเมน SageMaker หลายโดเมนในบัญชี AWS ของคุณเอง คุณสามารถใช้ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือคอนโซล SageMaker อ้างถึง ออนบอร์ดไปยังโดเมน Amazon SageMaker สำหรับคำแนะนำล่าสุดเกี่ยวกับการสร้างโดเมน
สร้างโดเมนโดยใช้ AWS CLI
ไม่มีการเปลี่ยนแปลง API ที่จำเป็นจากก่อนหน้านี้ aws sagemaker create-domain
โทร CLI แต่ตอนนี้มีการสนับสนุนสำหรับ --default-space-settings
หากคุณต้องการใช้พื้นที่ที่ใช้ร่วมกันใน SageMaker Studio สำหรับข้อมูลเพิ่มเติม โปรดดูที่ พื้นที่ที่ใช้ร่วมกันใน Amazon SageMaker Studio.
สร้างโดเมนใหม่ด้วยการกำหนดค่าที่คุณระบุโดยใช้ aws sagemaker create-domain
จากนั้นคุณก็พร้อมที่จะเติมข้อมูลให้กับผู้ใช้
สร้างโดเมนโดยใช้คอนโซล SageMaker
บนคอนโซล SageMaker ที่อัปเดตแล้ว คุณสามารถจัดการโดเมนของคุณผ่านตัวเลือกใหม่ที่เรียกว่า โดเมน SageMaker ในบานหน้าต่างนำทาง
ที่นี่ คุณจะพบกับตัวเลือกในการเปิดโดเมนที่มีอยู่ หรือสร้างโดเมนใหม่โดยใช้อินเทอร์เฟซแบบกราฟิก
สรุป
การใช้โดเมน SageMaker หลายโดเมนให้ความยืดหยุ่นเพื่อตอบสนองความต้องการขององค์กรของคุณ ไม่ว่าคุณจะต้องการแยกผู้ใช้และกลุ่มธุรกิจของพวกเขา หรือคุณต้องการเรียกใช้โดเมนแยกต่างหากเนื่องจากความแตกต่างของการกำหนดค่า เราขอแนะนำให้คุณสร้างโดเมน SageMaker หลายโดเมนภายในบัญชี AWS เดียว!
เกี่ยวกับผู้เขียน
ฌอน มอร์แกน เป็นสถาปนิกโซลูชัน AI/ML ที่ AWS เขามีประสบการณ์ในสาขาเซมิคอนดักเตอร์และการวิจัยเชิงวิชาการ และใช้ประสบการณ์ของเขาเพื่อช่วยให้ลูกค้าบรรลุเป้าหมายบน AWS ในเวลาว่าง Sean เป็นผู้สนับสนุน/ผู้ดูแลโอเพนซอร์สที่ทำงานอยู่ และเป็นผู้นำกลุ่มความสนใจพิเศษสำหรับโปรแกรมเสริม TensorFlow
อัครปราวา เดช เป็นวิศวกรซอฟต์แวร์อาวุโสที่ AWS เขาอยู่ที่ Amazon มานานกว่า 7 ปี และกำลังดำเนินการปรับปรุงประสบการณ์การใช้งาน Amazon SageMaker Studio IDE คุณสามารถพบเขาได้ที่ LinkedIn.
กุลชาญ เป็นผู้จัดการผลิตภัณฑ์อาวุโสที่ AWS เขามุ่งเน้นที่การสร้าง Amazon SageMaker Studio เป็น IDE ทางเลือกสำหรับขั้นตอนการพัฒนา ML ทั้งหมด ในเวลาว่าง Kunal สนุกกับการเล่นสกีและสำรวจแปซิฟิกตะวันตกเฉียงเหนือ พบกับเขาได้ที่ LinkedIn.
ฮัน จาง เป็นวิศวกรซอฟต์แวร์อาวุโสที่ Amazon Web Services เธอเป็นส่วนหนึ่งของทีมเปิดตัวสำหรับ Amazon SageMaker Notebooks และ Amazon SageMaker Studio และได้มุ่งเน้นไปที่การสร้างสภาพแวดล้อมแมชชีนเลิร์นนิงที่ปลอดภัยสำหรับลูกค้า ในเวลาว่าง เธอชอบปีนเขาและเล่นสกีในแปซิฟิกตะวันตกเฉียงเหนือ
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- อเมซอน SageMaker
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- รองพื้น (100)
- google ai
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล