Amazon SageMaker Notebooks

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

Starten Sie Ihre ML-Entwicklung schnell mit vollständig verwalteten Jupyter Notebooks in der Cloud.

Skalieren Sie Ihre Rechenressourcen nach oben oder unten mit der größten Auswahl an rechenoptimierten und GPU-beschleunigten Instances in der Cloud.

Arbeiten Sie in allen Phasen Ihres ML-Lebenszyklus effizient mit anderen Teams zusammen, indem Sie die gleichen Notebooks gemeinsam bearbeiten.

Gelangen Sie mit Optimierungen für beliebte Frameworks und Pakete wie Spark, NumPy und Scikit-learn bis zu zweimal schneller von Daten zu Erkenntnissen.

Amazon SageMaker bietet zwei Arten von vollständig verwalteten Jupyter Notebooks für die Datenexploration und die Erstellung von ML-Modellen: Amazon-SageMaker-Studio-Notebooks und Notebook-Instances für Amazon SageMaker.

SageMaker-Studio-Notebooks

Starten Sie schnell mit kollaborativen Notebooks, die mit speziell entwickelten ML-Tools in SageMaker und anderen AWS-Services für Ihre komplette ML-Entwicklung integriert werden. Dies reicht von der Vorbereitung von Daten im Petabyte-Maßstab mit Spark auf Amazon EMR bis hin zum Trainieren und Debuggen von Modellen, dem Verfolgen von Experimenten, dem Bereitstellen und Überwachen von Modellen und dem Verwalten von Pipelines. Alles in Amazon SageMaker Studio, einer vollständig integrierten Entwicklungsumgebung (IDE) für ML. Fahren Sie die zugrunde liegenden Rechenressourcen einfach hoch oder herunter, ohne Ihre Arbeit zu unterbrechen. Geben Sie Notizbücher über einen Link für die gemeinsame Nutzung mit Ihrem Team frei oder bearbeiten Sie ein einzelnes Notizbuch gleichzeitig.

Erste Schritte mit SageMaker-Studio-Notebook

Erstellung von ML-Modellen in großem Maßstab mit Amazon SageMaker Studio Notebooks (1:17)

Notebook-Instances für Amazon SageMaker

Eigenständige, vollständig verwaltete Jupyter-Notebook-Instances in der Konsole von Amazon SageMaker. Wählen Sie aus der größten Auswahl an Datenverarbeitungsressourcen, die in der Cloud verfügbar ist, einschließlich GPUs für beschleunigte Datenverarbeitung, und arbeiten Sie mit den neuesten Versionen von Open-Source-Software, der Sie vertrauen.

Erste Schritte mit SageMaker-Notebook-Instances

Einführung in die nächste Generation von SageMaker Notebooks (1:42)

Funktionsweise

  • SageMaker Studio Notebooks
  • So funktioniert Amazon SageMaker Studio Notebook
  • Notebook-Instances für SageMaker
  • Wie Amazon SageMaker Notebooks funktioniert

Schlüsselfunktionen

SageMaker-Studio-Notebooks

Instances für SageMaker-Notebook

Schnellstart
Greifen Sie schnell auf vollständig verwaltete Jupyter Notebooks in Studio zu. SageMaker-Studio-Notebooks sind mit Deep-Learning-Umgebungen für AWS-optimiertes TensorFlow und PyTorch vorkonfiguriert, um Ihnen den Einstieg in die Modellerstellung zu erleichtern.

Vertraute Jupyter Notebooks in der Cloud
Verwenden Sie die Jupyter und JupyterLab Notebooks, die Sie kennen und denen Sie vertrauen, mit dem vollständig verwalteten Service von SageMaker. 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.

Bereiten Sie Daten in großem Umfang vor
Vereinfachen Sie Ihre Daten-Workflows mit einer vereinheitlichten Notebook-Umgebung für das Daten-Engineering, Analytik und ML. Erstellen, durchsuchen und verbinden Sie sich mit Amazon-EMR-Clustern und interaktiven Sitzungen von AWS Glue direkt von SageMaker-Studio-Notebooks aus. Überwachen und debuggen Sie Spark-Aufträge mit vertrauten Tools wie der Spark-Benutzeroberfläche direkt von den Notebooks. Verwenden Sie die eingebauten Funktionen der Datenvorbereitung mit Unterstützung von Amazon SageMaker Data Wrangler direkt von den Notebooks aus, um Daten zu visualisieren, Probleme der Datenqualität zu erkennen und empfohlene Lösungen anzuwenden. um die Datenqualität und Modellgenauigkeit zu verbessern, ohne eine einzige Zeile Code schreiben zu müssen.

Holen Sie sich AWS-Leistung und -Skalierung
Reduzieren Sie die Zeit, die von Daten bis zu Erkenntnissen vergeht, mit vorgefertigten Datenwissenschaft- und ML-Frameworks, die von AWS für die Leistung optimiert wurden. Skalieren Sie Ihre Rechenressourcen nach oben oder unten mit der größten Auswahl an rechenoptimierten und GPU-beschleunigten Instances in der Cloud. Verwenden Sie das integrierte SageMaker-Python-SDK, um Modelle auf SageMaker zu trainieren und bereitzustellen. Holen Sie sich Jupyter-Protokolle in Amazon CloudWatch, um Ereignisse und Metriken zu verfolgen, anormales Verhalten zu erkennen, Alarme zu setzen und Nutzungsmuster zu entdecken.

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.

Lassen Sie sich inspirieren
Suchen Sie nach Ideen, wie Sie erstellen können? Ihre Notebook-Instance enthält mehr als 200 Beispiel-Notebooks, die von SageMaker bereitgestellt werden, zusammen mit dem Code, der zeigt, wie man ML-Lösungen mit SageMaker anwendet.

Automatische Konvertierung von Notebook-Code in produktionsreife Aufträge
Nach der Auswahl des Notebooks erstellt Amazon SageMaker Studio 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. Dadurch wird die Zeit, die für die Verschiebung eines Notebooks zur Produktion benötigt wird, von Wochen auf Stunden reduziert. 

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. Sie können beispielsweise benutzerdefinierte Pakete und Notebook-Erweiterungen installieren, Datensätze vorladen und das Herunterfahren von nicht genutzten Instances automatisieren.

Kunden

AstraZeneca

Mit Amazon SageMaker Studio war AstraZeneca in der Lage, schnell eine Lösung zur Analyse großer Datenmengen bereitzustellen und so die Erkenntnisse zu beschleunigen und gleichzeitig die manuelle Workload der Datenwissenschaftler zu reduzieren – eine wichtige Voraussetzung für die Mission von AstraZeneca, lebensverändernde Medikamente für Menschen auf der ganzen Welt zu entdecken und zu entwickeln.

„Anstatt viele manuelle Prozesse zu erstellen, können wir den Großteil des ML-Entwicklungsprozesses einfach innerhalb von Amazon SageMaker Studio automatisieren.“

Cherry Cabading, Global Senior Enterprise Architect – AstraZeneca

Das Fallbeispiel lesen

Vanguard
„Wir freuen uns, dass unsere Vanguard-Datenwissenschaftler und Dateningenieure jetzt in einem einzigen Notebook für Analysen und Machine Learning zusammenarbeiten können. Da Amazon SageMaker Studio nun über eingebaute Integrationen mit Spark, Hive und Presto verfügt, die alle auf Amazon EMR laufen, können unsere Entwicklungsteams produktiver arbeiten. Diese einheitliche Entwicklungsumgebung ermöglicht es unseren Teams, sich auf die Erstellung, das Training und die Bereitstellung von Machine-Learning-Modellen zu konzentrieren.“

Doug Stewart, Senior Director of Data and Analytics – Vanguard

Provectus
„Wir haben auf eine Funktion zum Erstellen und Verwalten von Amazon-EMR-Clustern direkt aus Amazon SageMaker Studio gewartet, damit unsere Kunden Spark-, Hive- und Presto-Workflows direkt aus Amazon-SageMaker-Studio-Notebooks ausführen können. Wir sind begeistert, dass Amazon SageMaker diese Fähigkeit jetzt nativ eingebaut hat, um die Verwaltung von Spark- und Machine-Learning-Aufträgen zu vereinfachen. Dies wird den Dateningenieuren und Datenwissenschaftlern unserer Kunden helfen, effektiver zusammenzuarbeiten, um interaktive Datenanalysen durchzuführen und Machine-Learning-Pipelines mit EMR-basierten Datentransformationen zu entwickeln.“

Stepan Pushkarev, CEO – Provectus

Starten Sie mit einem Tutorial

Folgen Sie dieser Schritt-für-Schritt-Anleitung, um ein Modell für die Inferenz mit Amazon SageMaker bereitzustellen.

Weitere Informationen 
Tutorial zu den ersten Schritten mit Amazon Pinpoint
Probieren Sie einen Selbstlern-Workshop aus

In dieser praxisorientierten Übung lernen Sie, wie Sie mit Amazon SageMaker ein ML-Modell entwickeln, trainieren und bereitstellen.

Weitere Informationen 
Beginnen Sie mit der Entwicklung in der Konsole

Beginnen Sie mit der Entwicklung mit Amazon SageMaker in der AWS-Managementkonsole.

Anmeldung