Notebook Amazon SageMaker di JupyterLab

Notebook terkelola penuh di JupterLab untuk menjelajahi data dan membangun model ML
Luncurkan JupyterLab di SageMaker Studio

Apa itu notebook SageMaker?

Luncurkan JupyterLab yang terkelola penuh dari Amazon SageMaker Studio dalam hitungan detik. Gunakan lingkungan pengembangan terintegrasi (IDE) untuk notebook, kode, dan data. Anda dapat menggunakan notebook mulai cepat kolaboratif di IDE untuk mengakses alat ML yang dibangun khusus di SageMaker dan layanan AWS lainnya untuk pengembangan ML lengkap Anda, mulai dari menyiapkan data pada skala petabita menggunakan Spark di Amazon EMR, hingga model pelatihan dan debugging, melakukan deployment dan memantau model, serta mengelola pipeline, semuanya dalam satu antarmuka visual berbasis web. Panggil atau turunkan sumber daya komputasi dengan mudah tanpa mengganggu pekerjaan Anda.

Manfaat notebook SageMaker

Luncurkan JupyterLab terkelola penuh dalam hitungan detik di Amazon SageMaker Studio. SageMaker Studio hadir dengan konfigurasi awal distribusi SageMaker yang berisi kemasan populer untuk ML, termasuk kerangka kerja deep learning, seperti PyTorch, TensorFlow, dan Keras, serta paket Python populer, seperti NumPy, scikit-learn, dan pandas.
Naikkan atau turunkan skala sumber daya komputasi Anda dengan pilihan terluas dari instans komputasi yang dioptimalkan dan yang diakselerasi GPU di cloud.
Gunakan pendamping pengodean yang didukung AI generatif dan alat keamanan untuk menulis kode berkualitas tinggi lebih cepat. Buat, debug, dan jelaskan kode sumber dengan Amazon CodeWhisperer, serta lakukan pemindaian keamanan dan kualitas kode dengan Amazon CodeGuru.
Bangun alur kerja analitik dan ML terpadu di notebook yang sama. Jalankan tugas Spark interaktif di Amazon EMR dan infrastruktur nirserver AWS Glue, langsung dari notebook Anda. Pantau dan debug tugas lebih cepat menggunakan UI Spark inline. Otomatiskan persiapan data Anda dengan mudah dengan menjadwalkan notebook sebagai pekerjaan dalam beberapa langkah sederhana.

Bangun ML dalam skala besar

Mulai cepat

Luncurkan JupyterLab terkelola penuh di Studio dalam hitungan detik. SageMaker Studio sebelumnya dikonfigurasi dengan distribusi SageMaker prabangun yang berisi kemasan populer untuk ML, termasuk kerangka kerja deep learning seperti PyTorch, TensorFlow, dan Keras; paket Python populer seperti NumPy, scikit-learn, dan panda untuk membantu Anda memulai pembuatan model.

Komputasi elastis

Naikkan atau turunkan skala sumber daya komputasi dasar Anda, dan gunakan penyimpanan persisten bersama untuk mengalihkan komputasi, semuanya dilakukan tanpa mengganggu pekerjaan Anda. Pilih dari pilihan sumber daya komputasi terluas yang ditawarkan oleh AWS, termasuk instans GPU paling kuat untuk ML.

Tingkatkan produktivitas pengembangan ML

Persiapan data

Sederhanakan alur kerja data Anda dengan lingkungan terpadu. Buat, jelajahi, dan hubungkan dengan klaster Amazon EMR serta AWS Glue Interactive Sessions secara langsung dari JupyterLab. Gunakan kemampuan persiapan data bawaan untuk memvisualisasikan data dan meningkatkan kualitas data.

Tugas notebook

Anda dapat menggunakan tugas notebook SageMaker untuk membuat tugas noninteraktif yang akan dijalankan sesuai permintaan maupun sesuai jadwal. Gunakan antarmuka pengguna yang intuitif atau SageMaker Python SDK untuk menjadwalkan tugas Anda langsung dari JupyterLab. Setelah notebook dipilih, notebook SageMaker mengambil sebuah snapshot dari seluruh notebook, mengemas dependensinya dalam kontainer, membangun infrastruktur, menjalankan notebook sebagai tugas otomatis dengan jadwal yang diatur oleh praktisi, serta menghapus infrastruktur setelah tugas selesai. Tugas notebook SageMaker juga tersedia sebagai langkah native di Amazon SageMaker Pipelines agar Anda dapat mengotomatisasi notebook menjadi alur kerja multilangkah dengan dependensi untuk deployment CI/CD dalam beberapa baris kode.

Alat yang ditenagai AI

Amazon Q Developer menyediakan panduan “cara-cara” tentang fitur SageMaker, bantuan pembuatan kode, dan dukungan untuk pemecahan masalah di lingkungan JupyterLab. Cukup ajukan pertanyaan Anda dalam bahasa alami, seperti “Bagaimana cara menerapkan model saya pada titik akhir SageMaker untuk inferensi real-time? “, dan Amazon Q Developer akan memberikan petunjuk langkah demi langkah dan kode untuk membantu Anda memulai. Ketika Anda menemukan kesalahan saat mengeksekusi kode, Amazon Q Developer siap untuk membantu. Minta saja untuk memperbaiki kesalahan, dan itu akan memberikan langkah-langkah terperinci untuk men-debug dan menyelesaikan masalah.