Amazon SageMaker Studio

Amazon SageMaker Studio 的功能

使用完全托管式 IDE 执行端到端机器学习开发

JupyterLab

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。

代码编辑器，基于 Code-OS

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 SageMaker AI 发行版，使用最常用的开箱即用型机器学习框架。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。

RStudio

使用面向 R 的完全托管式集成式开发环境（IDE），包括一个控制台、一个支持直接代码执行的语法突出显示编辑器，以及用于绘图、历史记录、调试和工作空间管理的工具。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 Visual Studio Code 构建人工智能模型

只需几分钟即可从 Visual Studio Code 连接到 Amazon SageMaker Studio 开发环境，从而快速扩展您的模型开发工作。使用本地 VS Code 环境（包括人工智能编程辅助工具及自定义扩展）的同时，访问 SageMaker AI 的可扩展计算资源。使用 VS Code 中的 AWS Toolkit 扩展程序或通过 SageMaker Studio 的 Web 界面进行身份验证。随后，只需执行几个步骤，即可连接到任何 SageMaker Studio 开发环境。在 Visual Studio Code 中进行人工智能模型开发与数据分析时，维持与 SageMaker Studio 网页环境相同的安全防护机制。

详细了解如何使用 Visual Studio Code 构建人工智能模型

Screenshot of the Amazon SageMaker Studio Space local IDE interface, showing workspace management, application launch options (JupyterLab, RStudio, Canvas, Code Editor, MLflow), space settings, and remote access controls in a machine learning development environment.

访问和评估基础模型

从 Amazon SageMaker JumpStart 中，使用数百个公开发布的基础模型以及只需几个步骤即可部署的预构建解决方案，快速开始进行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基础模型。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。

Screenshot of the Model Evaluations dashboard in Amazon SageMaker Studio, showing evaluation results for large language models (LLMs) including job names, statuses, model names, evaluation types, and sample notebook options.

大规模准备数据

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、共享和管理机器学习模型功能。

详细了解如何大规模准备数据

Screenshot of a Jupyter notebook in Amazon SageMaker Studio showing commands and output for connecting to an Amazon EMR cluster using PySpark. The example demonstrates loading the SageMaker Studio Analytics extension, connecting to an EMR cluster, and initializing a SparkSession. The version of PySpark used is 3.2.0-amzn-0.

利用优化的性能快速训练模型

Amazon SageMaker AI 可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。

详细了解如何快速训练模型

Screenshot of an Amazon SageMaker experiment interface displaying a line chart of test loss values over training steps. The chart visualizes model performance, with 'Test:loss_last' on the y-axis and training 'step' on the x-axis, helping users track loss during the model training process.

部署模型以获得最佳的推理性能和成本

使用广泛的机器学习基础设施和部署选项来部署模型，以便帮助满足您的机器学习推理需求。SageMaker AI 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。

详细了解如何扩展模型部署

Screenshot of Amazon SageMaker Studio Inference Recommender interface showing instance recommendations for deployment, estimated costs, model latency, throughput optimization, and endpoint creation options for machine learning inference jobs.

提供高性能的生产机器学习模型

SageMaker AI 提供专门构建的 MLOps 和治理工具，帮助您自动化、标准化和简化整个机器学习生命周期的文档编制流程。使用 SageMaker AI 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。

详细了解高性能 MLOps

Screenshot of an Amazon SageMaker Studio interface showing a machine learning pipeline execution graph, with nodes representing steps such as data processing, training, model evaluation, and model creation. The interface displays a failed execution and key metrics like run time and status for the AbalonePipeline.

获取由生成式人工智能提供支持的助手

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。使用 Amazon Q 开发者版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。

Screenshot of Amazon SageMaker Studio showing an example of training an XGBoost machine learning model, with code cells for data loading, preprocessing, and model training, as well as AI assistant suggestions.

加速机器学习和生成式人工智能开发

Amazon SageMaker AI 和 Amazon SageMaker 融通式合作开发工作室中现已提供 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。使用无缝的完全托管式体验，无需预置或运行基础设施，所有操作均在您的 SageMaker 环境的安全和隐私范围内进行。

详细了解 Amazon SageMaker 合作伙伴 AI 应用程序