Amazon SageMaker Studio, запущенная в 2019 году, предоставляет единое место для всех комплексных рабочих процессов машинного обучения (ML), включая подготовку данных, сборку и экспериментирование, обучение, хостинг и мониторинг. Продолжая внедрять инновации для повышения продуктивности обработки данных, мы рады объявить об улучшенном интерфейсе SageMaker Studio, который позволяет пользователям выбирать управляемую интегрированную среду разработки (IDE) по своему выбору, имея при этом доступ к ресурсам и инструментам SageMaker Studio. во всех IDE. Этот обновленный пользовательский интерфейс (UX) предоставляет специалистам по обработке и анализу данных, инженерам по данным и инженерам машинного обучения больше выбора в отношении того, где создавать и обучать свои модели машинного обучения в SageMaker Studio. В качестве веб-приложения SageMaker Studio имеет улучшенное время загрузки, более быстрое время запуска IDE и ядра, а также автоматическое обновление.

Помимо управляемых JupyterLab и RStudio на Amazon SageMaker, мы также запустили управляемые Код Visual Studio с открытым исходным кодом (Code-OSS) с помощью SageMaker Studio. Как только пользователь выбирает редактор кода и запускает пространство редактора кода, поддерживаемое вычислительными ресурсами и хранилищем по своему выбору, он может воспользоваться преимуществами инструментов SageMaker и Amazon Toolkit, а также интеграцией с Amazon EMR, Amazon CodeWhisperer, GitHub и возможностью для настройки среды с помощью пользовательских изображений. Как и сегодня с помощью JupyterLab и RStudio в SageMaker, пользователи могут переключать вычисления редактора кода на лету в зависимости от своих потребностей.

Наконец, чтобы упростить процесс обработки данных и избежать необходимости перехода пользователей с консоли на Amazon SageMaker Studio, мы добавили возможность просмотра обучающих заданий и сведений о конечных точках в пользовательском интерфейсе SageMaker Studio, а также включили возможность просматривать все запущенные экземпляры запущенных приложений. Кроме того, мы улучшили работу с базовыми моделями Jumpstart (FM), чтобы пользователи могли быстро находить, импортировать, регистрировать, точно настраивать и развертывать FM.

Обзор решения

Запуск IDE

В новой версии Amazon SageMaker Studio сервер JupyterLab обновлен, чтобы обеспечить более быстрое время запуска и более надежную работу. SageMaker Studio теперь представляет собой мультитенантное веб-приложение, в котором пользователи могут не только запускать JupyterLab, но также иметь возможность запускать Visual Studio Code с открытым исходным кодом (Code-OSS), RStudio и Canvas в качестве управляемых приложений. Пользовательский интерфейс SageMaker Studio позволяет единообразным образом получать доступ к ресурсам SageMaker и инструментам машинного обучения, таким как задания, конечные точки и конвейеры, независимо от выбранной вами среды разработки.


SageMaker Studio содержит личное пространство по умолчанию, к которому только вы можете получить доступ и запускать его в JupyterLab или редакторе кода.


У вас также есть возможность создать новое пространство в SageMaker Studio Classic, которое будет доступно всем пользователям вашего домена.

Улучшенный рабочий процесс машинного обучения

Новый интерактивный интерфейс значительно усовершенствовал и упростил некоторые части существующего рабочего процесса машинного обучения из Amazon SageMaker. В частности, в рамках обучения и хостинга существует гораздо более интуитивно понятный пользовательский интерфейс для создания новых заданий и конечных точек, а также интерфейсы отслеживания показателей и мониторинга.

Обучение

Для обучения моделей в Amazon SageMaker пользователи могут проводить обучение различных вариантов, будь то с помощью Studio Notebook посредством задания Notebook, специального задания обучения или задания тонкой настройки с помощью SageMaker JumpStart. Благодаря расширенному пользовательскому интерфейсу вы можете отслеживать прошлые и текущие задания по обучению с помощью панели «Обучение в Studio».

Вы также можете переключаться между конкретными заданиями обучения, чтобы понять производительность, расположение артефактов модели, а также такие конфигурации, как оборудование и гиперпараметры задания обучения. Пользовательский интерфейс также обеспечивает гибкость, позволяющую запускать и останавливать задания обучения через консоль.

Хостинг

В Amazon SageMaker также имеется множество различных вариантов хостинга, которые вы можете использовать для развертывания модели в пользовательском интерфейсе. Для создания конечной точки SageMaker вы можете перейти к Модели раздел, где вы можете использовать существующие модели или создать новую.

Здесь вы можете использовать либо одну модель для развертывания конечной точки реального времени Amazon SageMaker, либо несколько моделей для работы с вариантами расширенного хостинга SageMaker.

При желании для FM вы также можете использовать панель JumpStart Amazon SageMaker для переключения между списком доступных FM и либо точной настройки, либо развертывания через пользовательский интерфейс.

Настраивать

Обновленная версия Amazon SageMaker Studio запускается вместе с классической версией Amazon SageMaker Studio. Вы можете опробовать новый пользовательский интерфейс и принять решение сделать обновленный интерфейс вариантом по умолчанию для новых и существующих доменов. В документации перечислены шаги по переходу с SageMaker Studio Classic.

Заключение

В этом посте мы показали вам функции, доступные в новой и улучшенной Amazon SageMaker Studio. Благодаря обновленному интерфейсу SageMaker Studio пользователи теперь имеют возможность выбирать предпочитаемую среду разработки с поддержкой выбранных ими вычислительных ресурсов и запускать ядро ​​за считанные секунды, имея доступ к инструментам и ресурсам SageMaker через веб-приложение SageMaker Studio. Добавление сведений об обучении и конечных точках в SageMaker Studio, а также улучшенный пользовательский интерфейс Amazon SageMaker Jumpstart обеспечивает плавную интеграцию этапов машинного обучения в пользовательский интерфейс SageMaker Studio. Начните работу с SageMaker Studio здесь.

Об авторах

Майр Хаско — специалист по искусственному интеллекту и машинному обучению в Amazon SageMaker Studio. Она помогает клиентам оптимизировать рабочие нагрузки машинного обучения с помощью Amazon SageMaker.

Рам Вегираджу — архитектор машинного обучения в сервисной команде SageMaker. Он помогает клиентам создавать и оптимизировать свои решения искусственного интеллекта и машинного обучения на Amazon SageMaker. В свободное время он любит путешествовать и писать.

Лорен Малленнекс — старший специалист по архитектуре решений AI/ML в AWS. У нее десятилетний опыт работы в DevOps, инфраструктуре и машинном обучении. Она также является автором книги по компьютерному зрению. В свободное время она любит путешествовать и ходить в походы.

Кхушбу Шривастава — старший менеджер по продукту Amazon SageMaker. Ей нравится создавать продукты, упрощающие рабочие процессы машинного обучения для клиентов, и она любит играть со своей годовалой дочерью.