Amazon-SageMaker-Notebooks in JupyterLab

Vollständig verwaltete Notebooks in JupyterLab für die Untersuchung von Daten und die Erstellung von ML-Modellen

Was sind SageMaker-Notebooks?

Starten Sie das vollständig verwaltete JupyterLab in Sekundenschnelle von Amazon SageMaker Studio aus. Verwenden Sie die integrierte Entwicklungsumgebung (IDE) für Notebooks, Code und Daten. Sie können die kollaborativen Schnellstart-Notebooks in der IDE verwenden, um auf speziell entwickelte ML-Tools in SageMaker und anderen AWS-Services für Ihre gesamte ML-Entwicklung zuzugreifen, von der Vorbereitung von Daten im Petabyte-Bereich mit Spark auf Amazon EMR bis hin zum Training und Debuggen von Modellen, der Bereitstellung und Überwachung von Modellen und der Verwaltung von Pipelines — alles in einer webbasierten visuellen Oberfläche. Fahren Sie die zugrunde liegenden Rechenressourcen einfach hoch oder herunter, ohne Ihre Arbeit zu unterbrechen.

Vorteile von SageMaker-Notebooks

Starten Sie das vollständig verwaltete JupyterLab in Sekundenschnelle in Amazon SageMaker Studio. SageMaker Studio ist mit der SageMaker-Distribution vorkonfiguriert, die beliebte Pakete für ML enthält, darunter Deep-Learning-Frameworks wie PyTorch, TensorFlow und Keras sowie beliebte Python-Pakete wie NumPy, scikit-learn und panda.
Skalieren Sie Ihre Rechenressourcen nach oben oder unten mit der größten Auswahl an rechenoptimierten und GPU-beschleunigten Instances in der Cloud.
Verwenden Sie die generativen KI-gestützten Codierungsbegleiter- und Sicherheitstools, um qualitativ hochwertigen Code schneller zu schreiben. Generieren, debuggen und erklären Sie den Quellcode mit Amazon CodeWhisperer und führen Sie Sicherheits- und Codequalitätsscans mit Amazon CodeGuru durch.
Erstellen Sie einheitliche Analyse- und ML-Workflows in demselben Notizbuch. Führen Sie interaktive Spark-Jobs auf der serverlosen Infrastruktur von Amazon EMR und AWS Glue direkt von Ihrem Notebook aus. Überwachen und debuggen Sie Jobs schneller mithilfe der Inline-Spark-Benutzeroberfläche. Automatisieren Sie Ihre Datenvorbereitung ganz einfach, indem Sie das Notizbuch in wenigen einfachen Schritten als Auftrag planen.

ML maßstabsgetreu erstellen

Quick Start

Starten Sie das vollständig verwaltete JupyterLab in Sekundenschnelle in Studio. SageMaker Studio wird mit einer vorkonfigurierten SageMaker-Distribution geliefert, die beliebte Pakete für ML enthält, darunter Deep-Learning-Frameworks wie PyTorch, TensorFlow und Keras; beliebte Python-Pakete wie NumPy, scikit-learn und panda, um Ihnen den Einstieg in die Modellbildung zu erleichtern.

Elastic Compute

Skalieren Sie Ihre zugrundeliegenden Rechenressourcen nach oben oder unten und nutzen Sie gemeinsam genutzten persistenten Speicher, um die Rechenleistung zu wechseln, ohne dafür Ihre Arbeit zu unterbrechen. Wählen Sie aus der größten Auswahl an Datenverarbeitungsressourcen von AWS, einschließlich der leistungsstärksten GPU-Instances für ML.

Produktivität der ML-Entwicklung steigern

Datenaufbereitung

Vereinfachen Sie Ihre Datenworkflows mit einer einheitlichen Umgebung. Erstellen, durchsuchen und verbinden Sie sich mit Amazon-EMR-Clustern und interaktiven Sitzungen von AWS Glue direkt von JupyterLab aus. Verwenden Sie die integrierte Datenaufbereitungsfunktion, um Daten zu visualisieren und die Datenqualität zu verbessern.

Notebook-Aufträge

Sie können SageMaker-Notebook-Aufträge verwenden, um einen nicht interaktiven Auftrag zu erstellen, der entweder bei Bedarf oder nach einem Zeitplan ausgeführt wird. Verwenden Sie eine intuitive Benutzeroberfläche oder das SageMaker Python SDK, um Ihre Aufträge direkt von JupyterLab aus zu planen. Nach der Auswahl des Notebooks erstellt SageMaker einen Snapshot des gesamten Notebooks, verpackt die Abhängigkeiten in einen Container, erstellt die Infrastruktur, führt das Notebook als einen automatisierten Auftrag gemäß eines vom Ausführenden festgelegten Terminplans aus und hebt die Infrastruktur nach Abschluss des Auftrags auf. SageMaker-Notebook-Aufträge sind auch als systemeigener Schritt in Amazon-SageMaker-Pipelines verfügbar, sodass Sie Ihre Notebooks innerhalb weniger Codezeilen in mehrstufige Workflows mit Abhängigkeiten für die CI/CD-Bereitstellung automatisieren können.

KI-gestützte Tools

Amazon Q Developer bietet Anleitungen zu den Features von SageMaker, Unterstützung bei der Codegenerierung und Unterstützung bei der Fehlerbehebung in der JupyterLab-Umgebung. Stellen Sie einfach Ihre Fragen in natürlicher Sprache, etwa „Wie setze ich mein Modell auf einem SageMaker-Endpunkt für Echtzeit-Inferenz ein?” und Amazon Q Developer wird Ihnen schrittweise Anweisungen und Code zur Verfügung stellen, um Ihnen den Einstieg zu erleichtern. Wenn bei der Ausführung des Codes Fehler auftreten, ist Amazon Q Developer zur Stelle, um zu helfen. Bitten Sie das Programm einfach, den Fehler zu beheben, und es wird Ihnen detaillierte Schritte zur Fehlerbehebung und Problemlösung bereitstellen.

Flexibilität und Anpassung

Für Teams entwickelt

Richten Sie den Zugriff Ihres Teams auf SageMaker-Studio-Notebooks mit AWS IAM Identity Center (Nachfolger von AWS Single Sign-On) ein. Erstellen Sie getrennte Umgebungen für Plattformadministratoren und Geschäftsleiter, um Kosten und Nutzung von SageMaker Studio zu überwachen. Erstellen Sie gemeinsam genutzte Bereiche, in denen Ihre Teams Notebooks gemeinsam in Echtzeit lesen, bearbeiten und ausführen können, um die Zusammenarbeit und Kommunikation zu optimieren. Teammitglieder können die Ergebnisse gemeinsam überprüfen, um sofort zu verstehen, wie ein Modell abschneidet, ohne Informationen hin- und herschicken zu müssen. Mit der integrierten Unterstützung für Dienste wie BitBucket und AWS CodeCommit können Teams unterschiedliche Notebook-Versionen einfach verwalten und die Änderungen im Laufe der Zeit vergleichen. Alle Ressourcen werden automatisch mit Tags versehen, was die Kostenüberwachung und Budgetplanung mit Tools wie AWS Budgets und AWS Cost Explorer erleichtert.

Anpassbar

Bringen Sie Ihre eigene Notebook-Entwicklungsumgebung in SageMaker Studio ein, indem Sie ein eigenes Docker-Image verwenden. Verwenden Sie Lebenszyklus-Konfigurationen zur Automatisierung und Anpassung von Notebook-Umgebungen für Ihr Team.

Eigenständige Notebook-Instances

Verwenden Sie die eigenständigen Jupyter-Notebooks, die Sie kennen und denen Sie vertrauen, im vollständig verwalteten SageMaker-Service. Vergessen Sie das mühsame Einrichten von Datenverarbeitungsressourcen, das Aktualisieren von Datenwissenschafts- und ML-Paketen und das Anwenden von Sicherheits-Patches. Mit Notebook-Instances für SageMaker können Sie sich ganz auf ML konzentrieren, während Ihre Rechenumgebung sicher und mit der aktuellsten Open-Source-Software auf dem neuesten Stand bleibt.