Notebook Amazon SageMaker in JupyterLab

Notebook completamente gestiti in JupyterLab per l'esplorazione dei dati e la creazione di modelli di ML
Avvia JupyterLab in SageMaker Studio

Cosa sono i notebook SageMaker?

Avvia JupyterLab completamente gestito da Amazon SageMaker Studio in pochi secondi. Usa l'ambiente di sviluppo integrato (IDE) per notebook, codice e dati. Puoi utilizzare i notebook collaborativi con avvio rapido nell'IDE per accedere a strumenti di ML appositamente creati in SageMaker e altri servizi AWS per lo sviluppo completo del ML, dalla preparazione di dati su scala petabyte utilizzando Spark su Amazon EMR, alla formazione e al debug di modelli, alla distribuzione e monitoraggio dei modelli e alla gestione delle pipeline, il tutto in un'unica interfaccia visiva basata sul web. Aumenta o diminuisci facilmente le risorse di calcolo senza interrompere il tuo lavoro.

Vantaggi dei notebook SageMaker

Avvia in pochi secondi JupyterLab completamente gestito da Amazon SageMaker Studio. SageMaker Studio è preconfigurato con una distribuzione SageMaker contenente i pacchetti più diffusi per ML, inclusi framework di deep learning, come PyTorch, TensorFlow e Keras, e pacchetti Python popolari come NumPy, scikit-learn e panda.
Aumenta o riduci le tue risorse di calcolo con la più ampia selezione di istanze ottimizzate per il calcolo e con accelerazione GPU nel cloud.
Utilizza gli strumenti di codifica e di sicurezza basati sull'IA generativa per scrivere codice di alta qualità più velocemente. Genera, esegui il debug e spiega il codice sorgente con Amazon CodeWhisperer ed effettua scansioni di sicurezza e qualità con Amazon CodeGuru.
Crea flussi di lavoro di analisi di dati e ML nello stesso notebook. Esegui processi Spark interattivi sull'infrastruttura serverless Amazon EMR e AWS Glue, direttamente dal notebook. Monitora ed esegui il debug dei processi più velocemente con l'interfaccia utente Spark in linea. Automatizza con facilità la preparazione dei dati programmando il notebook come processo in pochi semplici passaggi.

Crea ML su larga scala

Quick Start

Avvia JupyterLab completamente gestito in Studio in pochi secondi. SageMaker Studio è preconfigurato con una distribuzione SageMaker precompilata contenente i pacchetti più diffusi per ML, inclusi framework di deep learning come PyTorch, TensorFlow e Keras; pacchetti Python popolari come NumPy, scikit-learn e panda per aiutarti a muovere i primi passi con la creazione di modelli.

Elastic Compute

Aumenta o riduci le tue risorse di elaborazione e utilizza l'archiviazione persistente condivisa per cambiare elaborazione, il tutto senza interrompere il tuo lavoro. Scegli dalla più ampia selezione di risorse di calcolo offerte da AWS, comprese le istanze GPU più potenti per il machine learning.

Incrementa la produttività dello sviluppo ML

Preparazione dei dati

Semplifica i flussi di lavoro dei dati con un ambiente unificato. Crea, naviga e connettiti a cluster Amazon EMR e sessioni interattive AWS Glue direttamente da JupyterLab. Usa la funzionalità di preparazione dei dati integrata per visualizzare i dati e migliorare la qualità dei dati.

Processi di notebook

È possibile utilizzare i processi di notebook SageMaker per creare un processo non interattivo da eseguire su richiesta o in base a una pianificazione. Utilizza un'interfaccia utente intuitiva o SageMaker Python SDK per pianificare i tuoi processi direttamente da JupyterLab. Una volta selezionato un notebook, il notebook SageMaker ne acquisisce uno snapshot completo, confeziona le relative dipendenze in un container, costruisce l'infrastruttura ed esegue il notebook come processo automatico secondo il piano stabilito dal professionista; infine, quando il processo è completo, annulla il provisioning dell'infrastruttura. SageMaker notebook jobs è disponibile anche come passaggio nativo nelle pipeline Amazon SageMaker per consentirti di automatizzare i tuoi notebook in flussi di lavoro in più fasi con dipendenze per l'implementazione CI/CD entro poche righe di codice.

Strumenti con tecnologia IA

Amazon Q Developer fornisce una guida pratica sulle funzionalità di SageMaker, assistenza per la generazione di codici e supporto per la risoluzione dei problemi nell'ambiente JupyterLab. Basta porre le domande in linguaggio naturale, ad esempio “Come posso implementare il mio modello su un endpoint SageMaker per l'inferenza in tempo reale?”, e Amazon Q Developer fornirà istruzioni dettagliate e codice per iniziare. In caso di errori durante l'esecuzione del codice, Amazon Q Developer è pronto per offrire supporto. Basta chiedergli di correggere l'errore e fornirà i passaggi dettagliati per eseguire il debug e risolvere il problema.