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.