Blocs-notes Amazon SageMaker dans JupyterLab

Blocs-notes entièrement gérés dans JupyterLab pour l'exploration des données et la création de modèles de ML

Qu’est-ce que les blocs-notes SageMaker ?

Lancez un JupyterLab entièrement géré dans Amazon SageMaker Studio en quelques secondes. Utilisez l'environnement de développement intégré (IDE) pour les blocs-notes, le code et les données. Vous pouvez utilisez le démarrage rapide, les blocs-notes collaboratifs dans l'IDE pour accéder à des outils de ML spécialement conçus dans SageMaker et d'autres services AWS pour le développement complet de votre ML, de la préparation des données à l'échelle du pétaoctet à l'aide de Spark sur Amazon EMR, à l'entraînement et au débogage des modèles, au déploiement et à la surveillance des modèles et à la gestion des pipelines, le tout dans une seule interface visuelle basée sur le Web. Augmentez ou réduisez facilement le nombre de ressources de calcul sans interrompre votre travail.

Avantages des blocs-notes SageMaker

Lancez un JupyterLab entièrement géré en quelques secondes dans Amazon SageMaker Studio. SageMaker Studio est préconfiguré avec une distribution SageMaker qui contient des packages courants pour le ML, notamment des cadres de deep learning tels que PyTorch, TensorFlow et Keras ainsi que des packages Python courants tels que NumPy, scikit-learn et panda.
Augmentez ou diminuez vos ressources de calcul grâce au plus grand choix d'instance optimisé pour le calcul et accéléré par les GPU dans le cloud.
Utilisez le compagnon de codage et les outils de sécurité impulsés par l'IA générative pour écrire du code de haute qualité plus rapidement. Générez, déboguez et expliquez le code source avec Amazon CodeWhisperer et lancez des analyses de sécurité et de qualité sur le code avec Amazon CodeGuru.
Créez des flux de travail d'analyse et de ML unifiés dans le même bloc-notes. Exécutez des tâches Spark interactives sur l'infrastructure sans serveur d'Amazon EMR et d'AWS Glue directement depuis votre bloc-notes. Surveillez et déboguez les tâches plus rapidement à l'aide de l'interface utilisateur Spark incluse. Automatisez facilement la préparation de vos données en programmant le bloc-notes en tant que tâche en quelques étapes.

Développez le ML à grande échelle

Quick Start

Lancez un JupyterLab entièrement géré dans Studio en quelques secondes. SageMaker Studio est préconfiguré avec une distribution SageMaker prédéfinie qui contient des packages courants pour le ML, notamment des cadres de deep learning tels que PyTorch, TensorFlow et Keras ainsi que des packages Python courants tels que NumPy, scikit-learn et panda pour vous aider à démarrer avec la création de modèles.

Calcul Elastic

Augmentez ou diminuez vos ressources de calcul sous-jacentes, et utilisez le stockage persistant partagé pour changer de calcul, le tout sans interrompre votre travail. Choisissez parmi la plus large sélection de ressources de calcul proposées par AWS, y compris les instances GPU les plus puissantes le ML.

Boostez la productivité du développement du ML

Préparation des données

Simplifiez vos flux de données grâce à un environnement unifié. Créez, naviguez et connectez les clusters Amazon EMR et les sessions interactives AWS Glue directement à partir de JupyterLab. Utilisez la fonction intégrée de préparation des données pour visualiser les données et améliorer leur qualité.

Tâches de bloc-notes

Vous pouvez utiliser les tâches du bloc-notes SageMaker pour créer une tâche non interactive qui s'exécutera à la demande ou selon un calendrier. Utilisez une interface utilisateur intuitive ou SageMaker Python SDK pour planifier vos tâches directement depuis JupyterLab. Une fois qu'un bloc-notes est sélectionné, le bloc-notes SageMaker prend un instantané de l'ensemble du bloc-notes, rassemble ses dépendances dans un conteneur, créé l'infrastructure, exécute le bloc-notes en tant que tâche automatisée selon un programme défini par le praticien et déprovisionne l'infrastructure à la fin de la tâche. Les tâches de bloc-notes SageMaker sont également disponibles en tant qu'étape native dans les pipelines Amazon SageMaker pour vous permettre d'automatiser vos blocs-notes en flux de travail en plusieurs étapes avec des dépendances pour le déploiement de CI/CD en quelques lignes de code.

Outils à technologie d'IA

Amazon Q Developer fournit des conseils pratiques sur les fonctionnalités de SageMaker, une assistance à la génération de code et un support pour le dépannage dans l’environnement JupyterLab. Posez simplement vos questions en langage naturel, par exemple « Comment déployer mon modèle sur un point de terminaison SageMaker pour une inférence en temps réel ? », et Amazon Q Developer vous fournira des instructions détaillées et du code pour vous aider à démarrer. Lorsque vous rencontrez des erreurs lors de l’exécution du code, Amazon Q Developer est là pour vous aider. Demandez-lui simplement de corriger l’erreur et il vous fournira des étapes détaillées pour déboguer et résoudre le problème.