Mulai Cepat
Akses Notebook Jupyter yang dikelola sepenuhnya di Studio dengan cepat. Notebook SageMaker Studio telah dikonfigurasi sebelumnya dengan lingkungan deep learning untuk TensorFlow dan PyTorch yang dioptimalkan AWS untuk membantu Anda memulai pembuatan model.

Notebook Jupyter yang familier di cloud
Gunakan Notebook Jupyter dan JupyterLab yang Anda kenal dan percayai dalam layanan SageMaker yang dikelola sepenuhnya. Lupakan kerumitan dalam menyiapkan sumber daya komputasi, memutakhirkan ilmu data dan paket ML, serta menerapkan patch keamanan. Instans notebook SageMaker memungkinkan Anda fokus sepenuhnya pada ML, sekaligus menjaga lingkungan komputasi Anda tetap aman dan selalu diperbarui dengan perangkat lunak sumber terbuka terbaru.

Memproses data dalam skala besar
Sederhanakan alur kerja data Anda dengan lingkungan notebook terpadu untuk rekayasa data, analitik, dan ML. Buat, jelajahi, dan hubungkan dengan klaster Amazon EMR serta Sesi Interaktif AWS Glue secara langsung dari notebook SageMaker Studio. Pantau dan lakukan debug pada pekerjaan Spark menggunakan alat yang sudah dikenal, seperti Spark UI, langsung dari notebook. Gunakan kemampuan persiapan data bawaan yang didukung oleh Amazon SageMaker Data Wrangler secara langsung dari notebook untuk memvisualisasi data, mengidentifikasi masalah kualitas data, serta menerapkan solusi yang disarankan untuk memperbaiki kualitas data dan akurasi model, tanpa menulis satu baris kode pun.

Dapatkan performa AWS dan skalakan
Kurangi waktu yang diperlukan dari data ke wawasan dengan ilmu data yang dikemas sebelumnya dan kerangka kerja ML yang dioptimalkan untuk performa oleh AWS. Skalakan sumber daya Anda dengan memilih dari pilihan terluas dari instans komputasi yang dioptimalkan dan yang diakselerasi GPU di cloud. Gunakan SageMaker Python SDK bawaan untuk melatih dan melakukan deployment model di SageMaker. Dapatkan log Jupyter di Amazon CloudWatch untuk melacak peristiwa dan metrik, mendeteksi perilaku anamolous, menyetel alarm, dan menemukan pola penggunaan.

Elastic Compute
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.

Dapatkan inspirasi
Mencari ide tentang cara membangun? Instans notebook Anda berisi lebih dari 200 contoh notebook yang disediakan oleh SageMaker, bersama dengan kode yang menunjukkan cara menerapkan solusi ML menggunakan SageMaker.

Konversi otomatis kode notebook ke pekerjaan siap produksi
Setelah notebook dipilih, notebook SageMaker Studio mengambil sebuah snapshot dari seluruh notebook, mengemas dependensinya dalam kontainer, membangun infrastruktur, menjalankan notebook sebagai pekerjaan otomatis dengan jadwal yang diatur oleh praktisi, serta menghapus infrastruktur setelah pekerjaan selesai–mengurangi waktu yang diperlukan untuk memindahkan notebook ke produksi dari beberapa minggu menjadi beberapa jam. 

Dibuat untuk tim
Siapkan akses tim Anda ke notebook SageMaker Studio menggunakan Pusat Identitas AWS IAM (penerus AWS Masuk Tunggal). Buat lingkungan terpisah untuk administrator platform dan pemimpin bisnis untuk memantau biaya dan penggunaan SageMaker Studio. Buat ruang bersama tempat tim Anda dapat membaca, mengedit, dan menjalankan notebook bersama-sama dalam waktu nyata untuk menyederhanakan kolaborasi dan komunikasi. Rekan tim dapat meninjau hasil bersama-sama untuk segera memahami performa model tanpa bolak-balik meneruskan informasi. Dengan dukungan bawaan untuk layanan seperti BitBucket dan AWS CodeCommit, tim dapat dengan mudah mengelola versi notebook yang berbeda dan membandingkan perubahan dari waktu ke waktu. Semua sumber daya secara otomatis ditandai, sehingga lebih mudah untuk memantau biaya dan merencanakan anggaran menggunakan alat seperti AWS Budgets dan AWS Cost Explorer.

Dapat Disesuaikan
Bawa lingkungan pengembangan notebook Anda sendiri ke SageMaker Studio menggunakan citra docker khusus. Gunakan Konfigurasi Siklus Hidup untuk mengotomatiskan dan menyesuaikan lingkungan notebook untuk tim Anda. Misalnya, Anda dapat menginstal paket kustom dan ekstensi notebook, pramuat set data, dan mengotomatiskan penonaktifan instans idle.