Gerçek zamanlı işbirliği için SageMaker Studio'daki paylaşılan alanları kullanarak makine öğrenimi geliştirmeyi organize edin

Amazon SageMaker Stüdyosu makine öğrenimi (ML) için ilk tam entegre geliştirme ortamıdır (IDE). Veri hazırlama ve model oluşturma, eğitim ve dağıtma dahil olmak üzere tüm ML geliştirme adımlarını gerçekleştirebileceğiniz tek, web tabanlı bir görsel arabirim sağlar.

İçinde Amazon SageMaker Etki Alanı, kullanıcılar, Amazon'u incelemek için yerleşik entegrasyonlara sahip ücretsiz bir JupyterServer çalıştıran kişisel bir Amazon SageMaker Studio IDE uygulaması tedarik edebilir. SageMaker Deneyleri, orkestra Amazon SageMaker Ardışık Düzenleri, ve daha fazlası. Kullanıcılar yalnızca dizüstü bilgisayar çekirdeklerindeki esnek bilgi işlem için ödeme yapar. Bu kişisel uygulamalar, ilgili kullanıcının özel bilgilerini otomatik olarak bağlar. Amazon Elastik Dosya Sistemi (Amazon EFS) ana dizini, böylece kodu, verileri ve diğer dosyaları diğer kullanıcılardan ayrı tutabilirler. Amazon SageMaker Stüdyosu Not defterlerinin özel uygulamalar arasında paylaşılmasını zaten desteklemektedir., ancak zaman uyumsuz mekanizma yineleme sürecini yavaşlatabilir.

Şimdi birlikte Amazon SageMaker Studio'da paylaşılan alanlar, kullanıcılar, kendi Amazon SageMaker kullanıcı profilleriyle kullandıkları paylaşılan bir IDE uygulaması oluşturarak işbirliğine dayalı makine öğrenimi çabalarını ve girişimlerini organize edebilir. Paylaşılan bir alanda işbirliği yapan veri çalışanları, not defterlerine gerçek zamanlı olarak erişebilecekleri, okuyabilecekleri, düzenleyebilecekleri ve paylaşabilecekleri bir Amazon SageMaker Studio ortamına erişim elde eder; Veri çalışanları, gerçek zamanlı işbirliği yeteneklerini kullanarak aynı dizüstü bilgisayarda eş zamanlı olarak işbirliği bile yapabilir. Not defteri, birlikte düzenleme yapan her kullanıcıyı ilgili kullanıcı profili adını gösteren farklı bir imleçle gösterir.

SageMaker Studio'daki paylaşılan alanlar, bir çalışma alanı kapsamında oluşturulan Eğitim işleri, İşleme işleri, Deneyler, Ardışık Düzenler ve Model Kayıt Defteri girişleri gibi kaynakları ilgilileriyle otomatik olarak etiketler. sagemaker:space-arn. Alan, Amazon SageMaker Studio kullanıcı arayüzündeki (UI) bu kaynakları filtreler, böylece kullanıcılara yalnızca SageMaker Deneyleri, Ardışık Düzenler ve makine öğrenimi çabalarıyla ilgili diğer kaynaklar sunulur.

Çözüme genel bakış

Paylaşılan alanlar kaynakları otomatik olarak etiketlediğinden, yöneticiler bir makine öğrenimi girişimiyle ilişkili maliyetleri kolaylıkla izleyebilir ve aşağıdaki gibi araçları kullanarak bütçeleri planlayabilir: AWS Bütçeleri ve AWS Maliyet Gezgini. Yönetici olarak yalnızca bir maliyet ayırma etiketi için sagemaker:space-arn.

Bu tamamlandığında, bireysel makine öğrenimi projelerinin kuruluşunuza ne kadara mal olduğunu belirlemek için AWS Cost Explorer'ı kullanabilirsiniz.

Amazon SageMaker Studio'da paylaşılan alanlarla çalışmaya başlayın

Bu bölümde, Amazon SageMaker Studio'da paylaşılan alanlar oluşturmaya ve kullanmaya yönelik tipik iş akışını analiz edeceğiz.

Amazon SageMaker Studio'da paylaşılan bir alan oluşturun

Amazon SageMaker Konsolunu veya AWS Komut Satırı Arayüzü (AWS CLI) mevcut bir etki alanına alan desteği eklemek için. En güncel bilgiler için lütfen kontrol edin Paylaşılan bir alan oluşturun. Paylaşılan alanlar yalnızca bir JupyterLab 3 SageMaker Studio görüntüsüyle ve AWS Identity and Access Management (AWS IAM) kimlik doğrulamasını kullanan SageMaker Etki Alanları için çalışır.

Konsol oluşturma

Belirlenmiş bir Amazon SageMaker Etki Alanı içinde bir alan oluşturmak için öncelikle belirlenmiş bir alan varsayılan yürütme rolü ayarlamanız gerekir. itibaren Alan ayrıntıları sayfa Etki alanı ayarları Sekme ve seç Düzenle. Ardından, aşağıdaki şemada gösterildiği gibi, Etki Alanı başına yalnızca bir kez tamamlanması gereken bir alan varsayılan yürütme rolü ayarlayabilirsiniz:

Sonra, gidebilirsiniz Alan yönetimi etki alanınızdaki sekmesini seçin ve oluşturmak düğmesi, aşağıdaki şemada gösterildiği gibi:

AWS CLI oluşturma

AWS CLI'den varsayılan bir Etki Alanı alanı yürütme rolü de belirleyebilirsiniz. Bölgenizin JupyterLab3 görüntü ARN'sini belirlemek için kontrol edin Varsayılan bir JupyterLab sürümü ayarlama.

aws --region  
sagemaker update-domain 
--domain-id  
--default-space-settings "ExecutionRole="

Etki Alanınız için bu işlem tamamlandıktan sonra, CLI'den paylaşılan bir alan oluşturabilirsiniz.

aws --region  
sagemaker create-space 
--domain-id  
--space-name  

Amazon SageMaker Studio'da paylaşılan bir alan başlatın

Kullanıcılar, Başlatmak Amazon SageMaker Etki Alanı için AWS Konsolunda kullanıcı profillerinin yanındaki düğme.

Seçtikten sonra Uzayları İşbirliği bölümünün altında, ardından hangi Alanın başlatılacağını seçin:

Alternatif olarak kullanıcılar, AWS CLI aracılığıyla bir alan başlatmak için önceden imzalanmış bir URL oluşturabilir:

aws sagemaker create-presigned-domain-url 
--region  
--domain-id  
--space-name  
--user-profile-name  

Gerçek zamanlı işbirliği

Amazon SageMaker Studio paylaşılan alan IDE'si yüklendikten sonra kullanıcılar İşbirlikçiler Hangi kullanıcıların aktif olarak alanınızda ve hangi dizüstü bilgisayarda çalıştığını görmek için sol paneldeki sekmesini tıklayın. Aynı not defterinde birden fazla kişi çalışıyorsa, düzenledikleri diğer kullanıcının profil adının bulunduğu bir imleç görürsünüz:

Aşağıdaki ekran görüntüsünde, aynı not defterini düzenleyen ve görüntüleyen birinin farklı kullanıcı deneyimlerini görebilirsiniz:

Sonuç

Bu gönderide, SageMaker Studio'daki paylaşılan alanların Amazon SageMaker Studio'ya nasıl gerçek zamanlı iş birliğine dayalı bir IDE deneyimi eklediğini gösterdik. Otomatik etiketleme, kullanıcıların, kullanıcı üretkenliğini en üst düzeye çıkarmak için deneyler, işlem hatları ve model kayıt defteri girişlerini içeren Amazon SageMaker kaynaklarını kapsamlandırmasına ve filtrelemesine yardımcı olur. Ayrıca yöneticiler, AWS Cost Explorer ve AWS Budgets kullanarak belirli bir alanla ilişkili maliyetleri izlemek ve uygun bütçeleri ayarlamak için bu uygulanan etiketleri kullanabilir.

Özel makine öğrenimi çabalarınız için Amazon SageMaker Studio'da paylaşılan alanlar oluşturarak ekibinizin işbirliğini bugün hızlandırın!

yazarlar hakkında

Sean Morgan AWS'de AI/ML Çözümleri Mimarıdır. Yarı iletken ve akademik araştırma alanlarında deneyimi vardır ve bu deneyimini müşterilerin AWS'deki hedeflerine ulaşmalarına yardımcı olmak için kullanır. Sean boş zamanlarında aktif bir açık kaynak katılımcısı/koruyucusu ve TensorFlow Eklentileri için özel ilgi grubu lideridir.

Han Çang Amazon Web Services'ta Kıdemli Yazılım Mühendisidir. Amazon SageMaker Notebooks ve Amazon SageMaker Studio lansman ekibinin bir parçasıdır ve müşteriler için güvenli makine öğrenimi ortamları oluşturmaya odaklanmaktadır. Boş zamanlarında Kuzeybatı Pasifik'te yürüyüş yapmaktan ve kayak yapmaktan hoşlanıyor.

Arkaprava De AWS'de Kıdemli Yazılım Mühendisidir. 7 yılı aşkın süredir Amazon'da çalışıyor ve şu anda Amazon SageMaker Studio IDE deneyimini geliştirmek için çalışıyor. onu bulabilirsin LinkedIn.

Kunal Jaha AWS'de Kıdemli Ürün Yöneticisidir. Tüm makine öğrenimi geliştirme adımları için tercih edilen IDE olarak Amazon SageMaker Studio'yu oluşturmaya odaklanmıştır. Kunal boş zamanlarında kayak yapmaktan ve Kuzeybatı Pasifik'i keşfetmekten hoşlanır. onu bulabilirsin LinkedIn.