Cuadernos de Amazon SageMaker en JupyterLab

Cuadernos completamente administrados en JupyterLab para explorar datos y crear modelos de ML
Lanzar JupyterLab en SageMaker Studio

¿Qué son los cuadernos de SageMaker?

Inicie JupyterLab completamente administrado desde Amazon SageMaker Studio en cuestión de segundos. Utilice el entorno de desarrollo integrado (IDE) para cuadernos, código y datos. Puede utilizar los cuadernos colaborativos de inicio rápido del IDE para acceder a herramientas de ML diseñadas específicamente en SageMaker y otros servicios de AWS para su desarrollo completo de ML, desde la preparación de datos a escala de petabytes con Spark en Amazon EMR hasta el entrenamiento y la depuración de modelos, la implementación, la supervisión de modelos y la gestión de canalizaciones, todo en una interfaz visual basada en la web. Aumente o reduzca fácilmente los recursos de computación sin interrumpir el trabajo.

Beneficios de los cuadernos de SageMaker

Lance un JupyterLab completamente administrado en cuestión de segundos en Amazon SageMaker Studio. SageMaker Studio viene preconfigurado con la distribución de SageMaker que contiene paquetes populares para ML, incluidos marcos de aprendizaje profundo como PyTorch, TensorFlow y Keras; al igual que paquetes populares de Python como NumPy, scikit-learn y panda.
Escale o desescale verticalmente los recursos de computación con la selección más amplia de instancias optimizadas para computación y aceleradas por GPU en la nube.
Use el complemento de codificación y las herramientas de seguridad con IA generativa para escribir código de alta calidad más rápido. Genere, depure y explique el código fuente con Amazon CodeWhisperer y analice la seguridad y la calidad del código con Amazon CodeGuru.
Cree flujos de trabajo de análisis y ML unificados en el mismo cuaderno. Ejecute trabajos interactivos de Spark en la infraestructura sin servidor de Amazon EMR y AWS Glue, directamente desde su cuaderno. Monitoree y depure los trabajos más rápidamente con la interfaz de usuario de Spark integrada. Automatice fácilmente la preparación de datos mediante la programación del cuaderno como un trabajo con unos pocos pasos.

Desarrolle ML a escala

Quick Start

Inicie JupyterLab completamente administrado en Studio en cuestión de segundos. SageMaker Studio viene preconfigurado con una distribución de SageMaker prediseñada que contiene paquetes populares para ML, incluidos marcos de aprendizaje profundo como PyTorch, TensorFlow y Keras; paquetes populares de Python como NumPy, scikit-learn y panda para ayudarlo a comenzar a crear modelos.

Computación elástica

Escale o desescale verticalmente los recursos de computación subyacentes y utilice el almacenamiento persistente compartido para cambiar de computación, todo ello sin interrumpir el trabajo. Elija entre la más amplia selección de recursos de computación que AWS ofrece, incluidas las instancias de GPU más potentes para ML.

Aumente la productividad del desarrollo de ML

Preparación de datos

Simplifique sus flujos de trabajo de datos con un entorno unificado. Cree, explore y conéctese a clústeres de Amazon EMR y sesiones interactivas de AWS Glue directamente desde JupyterLab. Utilice la capacidad de preparación de datos integrada para visualizar los datos y mejorar su calidad.

Trabajos de cuadernos

Puede usar los trabajos del cuaderno de SageMaker para crear un trabajo no interactivo que se ejecute a petición o mediante una programación. Utilice una interfaz de usuario intuitiva o el SDK de Python de SageMaker para programar sus trabajos directamente desde JupyterLab. Después de seleccionar un cuaderno, el cuaderno de SageMaker tomará una instantánea de todo el cuaderno, empaquetará sus dependencias en un contenedor, creará la infraestructura, ejecutará el cuaderno como un trabajo automatizado según una programación establecida por el profesional y desaprovisionará la infraestructura una vez finalizado el trabajo. Los trabajos del cuaderno de SageMaker también están disponibles como un paso nativo en las canalizaciones de Amazon SageMaker, lo que le permite automatizar sus cuadernos y convertirlos en flujos de trabajo de varios pasos con dependencias para el despliegue de CI/CD en unas pocas líneas de código.

Herramientas basadas en IA

Amazon CodeWhisperer es un complemento de codificación de IA que genera sugerencias de código en tiempo real. Con CodeWhisperer, puede escribir un comentario en lenguaje natural que describa una tarea específica, como “Crear un marco de datos de pandas con un archivo CSV”, y CodeWhisperer recomendará uno o más fragmentos de código directamente en el cuaderno para realizar la tarea. Amazon CodeGuru Security ayuda a los usuarios de cuadernos a detectar vulnerabilidades de seguridad, como defectos de inyección, fugas de datos, criptografía débil o cifrado faltante en las celdas del cuaderno. Cuando se identifican vulnerabilidades o problemas de calidad, CodeGuru genera recomendaciones que solucionan esos problemas basándose en las prácticas recomendadas de seguridad de AWS.

Flexibilidad y personalización

Diseñado para equipos de trabajo

Configure el acceso del equipo de trabajo al cuaderno de SageMaker Studio mediante AWS IAM Identity Center (sucesor de AWS Single Sign-on). Cree entornos independientes para que los administradores de la plataforma y los responsables de la empresa supervisen los costos y el uso de SageMaker Studio. Cree espacios compartidos en los que los equipos de trabajo puedan leer, editar y ejecutar bloc de notas conjuntamente y en tiempo real para agilizar la colaboración y la comunicación. Los miembros del equipo pueden revisar juntos los resultados para comprender inmediatamente el rendimiento de un modelo sin tener que pasar información de un lado a otro. Gracias a la compatibilidad integrada con servicios como BitBucket y AWS CodeCommit, los equipos de trabajo pueden administrar fácilmente diferentes versiones de bloc de notas y comparar los cambios a lo largo del tiempo. Todos los recursos se etiquetan automáticamente, lo que facilita la supervisión de costos y la planificación de presupuestos mediante herramientas como AWS Budgets y el Explorador de costos de AWS.

Personalización

Utilice en SageMaker Studio un entorno de desarrollo de cuaderno propio mediante una imagen de Docker personalizada. Utilice las configuraciones del ciclo de vida para automatizar y personalizar los entornos de bloc de notas para el equipo de trabajo.

Instancias de cuadernos independientes

Utilice los cuadernos de Jupyter autónomos que conoce y en los que confía en el servicio de SageMaker completamente administrado. Olvídese de las complicaciones que supone configurar recursos de computación, actualizar paquetes de ciencia de datos y ML y aplicar revisiones de seguridad. Gracias a las instancias de bloc de notas de SageMaker, se podrá concentrar por completo en el ML, a la vez que mantiene el entorno de computación seguro y actualizado con el software de código abierto más reciente.