Amazon SageMaker Studio 的功能

在几秒钟内启动完全托管的 JupyterLab。使用最新的基于 Web 的交互式开发环境来处理笔记本、代码和数据。其界面灵活且可扩展，便于您轻松配置机器学习（ML）工作流。获取基于人工智能的代码生成、问题排查和专家指导，从而加速机器学习开发，所有这些均可在笔记本环境中实现。

使用轻巧而强大的代码编辑器，并使用其熟悉的快捷方式、终端、调试器和重构工具提高工作效率。从 Open VSX 扩展库中提供的数千个 Visual Studio 代码兼容扩展中进行选择，以增强您的开发体验。通过 GitHub 存储库启用版本控制和跨团队协作。通过预配置的 Amazon SageMaker Distribution，使用最常用的开箱即用型 ML 框架来缩短编码时间。通过 AWS Toolkit for Visual Studio Code 与 AWS 服务无缝集成，包括对 Amazon Simple Storage Service（Amazon S3）和 Amazon Redshift 等 AWS 数据来源的内置访问权限，并通过由 Amazon Q 开发者版提供支持的基于聊天的内联代码建议来提高编码效率。

使用带有控制台的完全托管的 IDE for R；支持直接执行代码的语法突出显示编辑器；以及用于绘图、历史记录、调试和工作区管理的工具。使用预先配置的 R 包（例如 devtools、tidyverse、shiny 和 rmarkdown）来生成见解，然后使用 RStudio Connect 进行发布。您可以在 RStudio、JupyterLab 和代码编辑器 IDE 中无缝切换，用于 R 和 Python 开发。 

使用数百个公开的 FM 和预构建的解决方案，从 Amazon SageMaker JumpStart 只需几步即可部署，快速开始生成式人工智能开发。使用 Amazon SageMaker Clarify，在几分钟内根据准确性、稳健性、毒性和偏差等各种标准快速评估、比较和选择最适合您的使用案例的 FM。使用精选的提示数据集开始使用 FM 评估，或者使用自己的自定义提示数据集扩展评估范围。人工评估可以用于更主观的维度，例如创造力和风格。

借助数据工程、分析和机器学习所用的统一环境，简化您的数据工作流。使用 Amazon EMR 和 AWS Glue 无服务器 Spark 环境，以交互方式运行 Spark 作业，并使用 Spark UI 监控它们。使用内置的数据准备功能可视化数据、识别数据质量问题并应用推荐的解决方案来提高数据质量。只需几个步骤即可将笔记本作为作业进行安排，从而快速自动化数据准备工作流程。在中央特征存放区中存储、共享和管理 ML 模型功能。

Amazon SageMaker 提供高性能分布式训练库和内置工具来优化模型性能。在将模型部署到生产环境之前，您可以自动调整模型并可视化和纠正性能问题。

使用广泛的 ML 基础设施和部署选项来部署模型，以帮助满足您的 ML 推理需求。它完全托管，并且与 MLOps 工具集成，因此您可以扩展模型部署、降低推理成本、在生产环境中更有效地管理模型并减轻运营负担。

SageMaker 提供专门构建的 MLOps 和治理工具，帮助您自动化、标准化和简化整个 ML 生命周期的文档流程。使用 SageMaker MLOps 工具，您可以轻松且大规模地对机器学习模型进行训练、测试、问题排查、部署和治理，同时保持模型生产环境中的性能。

在 JupyterLab 和代码编辑器上，借助由 Amazon Q 开发者版提供支持的人工智能助手，加快您的机器学习开发速度。利用内联代码建议和基于聊天的助手，根据需要获得操作说明指导、编程支持以及问题排查步骤。使用这款触手可及的强大工具，快速入门并提高工作效率。

Amazon SageMaker AI 和 Amazon SageMaker Unified Studio 中现已提供 AWS 合作伙伴的人工智能应用程序。请在 SageMaker 中查找、部署和使用这些人工智能应用程序。无需预置或运营基础设施即可实现无缝且完全托管的体验。一切都在 SageMaker 环境的安全和隐私范围之内实现。

了解有关 Amazon SageMaker 合作伙伴人工智能应用程序的更多信息