[ad_1]
Lanzado en 2019, Amazon SageMaker Studio proporciona una ubicación central para todos los flujos de trabajo de aprendizaje automático (ML) de un extremo a otro, desde la preparación de datos hasta la construcción y la experimentación, la capacitación, el alojamiento y el monitoreo. A medida que continuamos innovando para aumentar la productividad de la ciencia de datos, nos complace anunciar la experiencia mejorada de SageMaker Studio, que permite a los usuarios seleccionar el entorno de desarrollo integrado (IDE) administrado de su elección mientras mantienen el acceso a los recursos y herramientas de SageMaker Studio disponibles en todo el mundo. IDE. Esta experiencia de usuario (UX) actualizada ofrece a los científicos de datos, ingenieros de datos e ingenieros de ML más opciones sobre dónde pueden construir y entrenar sus modelos de ML en SageMaker Studio. Como aplicación web, SageMaker Studio presenta un tiempo de carga mejorado, tiempos de arranque de IDE y kernel más rápidos y actualizaciones automáticas.
Además de JupyterLab y RStudio administrados en Amazon SageMaker, también presentamos Visual Studio Code Open Source (Code-OSS) administrado con SageMaker Studio. Una vez que un usuario selecciona el editor de código e inicia el panel del editor de código, respaldado por la potencia de procesamiento y el almacenamiento de su elección, puede usar las herramientas de SageMaker y Amazon Toolkit, así como la integración con Amazon EMR, Amazon CodeWhisperer, GitHub y usar el Función para personalizar el entorno con imágenes personalizadas. Al igual que hoy con JupyterLab y RStudio en SageMaker, los usuarios pueden cambiar el cálculo del editor de código sobre la marcha según sus necesidades.
Finalmente, para agilizar el proceso de ciencia de datos y evitar que los usuarios tengan que cambiar de la consola a Amazon SageMaker Studio, agregamos la capacidad de ver trabajos de capacitación y detalles de puntos finales en la interfaz de usuario (UI) de SageMaker Studio. todas las aplicaciones iniciadas. Además, hemos mejorado la experiencia con nuestros Jumpstart Foundation Models (FM) para que los usuarios puedan descubrir, importar, registrar, perfeccionar e implementar rápidamente un FM.
Descripción general de la solución
Lanzar IDE
La nueva versión de Amazon SageMaker Studio actualiza el servidor JupyterLab para brindar tiempos de inicio más rápidos y una experiencia más confiable. SageMaker Studio es ahora una aplicación web multiinquilino desde la cual los usuarios no solo pueden iniciar JupyterLab, sino que también tienen la capacidad de iniciar Visual Studio Code Open Source (Code-OSS), RStudio y Canvas como aplicaciones administradas. La interfaz de SageMaker Studio le permite acceder y descubrir recursos de SageMaker y herramientas de aprendizaje automático, como trabajos, puntos finales y canalizaciones, de manera coherente, independientemente del IDE que elija.
SageMaker Studio incluye un ámbito privado predeterminado al que solo usted puede acceder y ejecutar en JupyterLab o Code Editor.
También tiene la opción de crear un nuevo espacio en SageMaker Studio Classic que se compartirá con todos los usuarios de su dominio.
Flujo de trabajo de aprendizaje automático mejorado
Con la nueva experiencia interactiva, existen importantes mejoras y simplificación de partes del flujo de trabajo de ML de Amazon SageMaker existente. Particularmente en el espacio de capacitación y alojamiento, existe una experiencia impulsada por la interfaz de usuario mucho más intuitiva para crear nuevos trabajos y puntos finales, al tiempo que proporciona interfaces de monitoreo y seguimiento de métricas.
Capacitación
Para los modelos de capacitación en Amazon SageMaker, los usuarios pueden realizar capacitación de diferentes tipos, ya sea a través de un cuaderno de estudio, un trabajo de cuaderno, un trabajo de capacitación dedicado o un trabajo de ajuste a través de SageMaker JumpStart. Con la interfaz de usuario mejorada, puede realizar un seguimiento de los trabajos de capacitación pasados y actuales utilizando la ventana Studio Training.
También puede alternar entre trabajos de entrenamiento específicos para comprender el rendimiento, la ubicación de los artefactos del modelo y también configuraciones como el hardware y los hiperparámetros detrás de un trabajo de entrenamiento. La interfaz de usuario también brinda la flexibilidad de iniciar y detener trabajos de capacitación desde la consola.
Alojamiento
También hay una variedad de opciones de alojamiento diferentes en Amazon SageMaker que puede utilizar para la implementación del modelo dentro de la interfaz de usuario. Para crear un punto final de SageMaker, vaya a Modelos Sección donde podrás utilizar modelos existentes o crear uno nuevo.
Aquí puede utilizar un único modelo para implementar un punto final en tiempo real de Amazon SageMaker o varios modelos para trabajar con opciones avanzadas de alojamiento de SageMaker.
Opcionalmente, para los FM, también puede utilizar el panel JumpStart de Amazon SageMaker para cambiar entre la lista de FM disponibles y ajustarlos o implementarlos desde la interfaz de usuario.
Configuración
La experiencia actualizada de Amazon SageMaker Studio se lanza junto con la experiencia Amazon SageMaker Studio Classic. Puede probar la nueva interfaz y elegir que la experiencia actualizada sea la opción predeterminada para dominios nuevos y existentes. La documentación enumera los pasos para migrar desde SageMaker Studio Classic.
Diploma
En esta publicación, le mostramos las funciones disponibles en el nuevo y mejorado Amazon SageMaker Studio. Con la experiencia actualizada de SageMaker Studio, los usuarios ahora tienen la posibilidad de seleccionar su IDE preferido, impulsado por la potencia informática de su elección, e iniciar el kernel en cuestión de segundos, con acceso a las herramientas y recursos de SageMaker a través de la aplicación web SageMaker Studio. La incorporación de detalles de capacitación y puntos finales en SageMaker Studio, así como la mejorada Amazon SageMaker Jumpstart UX, permiten una integración perfecta de los pasos de ML en SageMaker Studio UX. Comience con SageMaker Studio aquí.
Sobre los autores
Mair Hasco es un especialista en IA/ML para Amazon SageMaker Studio. Ayuda a los clientes a optimizar sus cargas de trabajo de aprendizaje automático con Amazon SageMaker.
Ram Vegiraju es un arquitecto de ML en el equipo de servicio de SageMaker. Se centra en ayudar a los clientes a crear y optimizar sus soluciones de IA/ML en Amazon SageMaker. En su tiempo libre le gusta viajar y escribir.
Lauren Mullennex es arquitecto senior de soluciones especializado en IA/ML en AWS. Tiene una década de experiencia en DevOps, infraestructura y ML. También es autora de un libro sobre visión por computadora. En su tiempo libre le gusta viajar y hacer senderismo.
Khushboo Srivastava es gerente senior de productos de Amazon SageMaker. Le gusta desarrollar productos que simplifiquen los procesos de aprendizaje automático para los clientes y jugar con su hija de un año.
[ad_2]