Cadernos do Amazon SageMaker

Cadernos totalmente gerenciados no JupyterLab para explorar dados e criar modelos de ML

O que são os cadernos do SageMaker?

Inicie o JupyterLab totalmente gerenciado do Amazon SageMaker Studio em segundos. Use o ambiente de desenvolvimento integrado (IDE) para cadernos, código e dados. Use os cadernos colaborativos de início rápido no IDE para acessar ferramentas de ML criadas especificamente no SageMaker e em outros serviços da AWS para o desenvolvimento completo de ML, desde a preparação de dados em escala de petabytes usando o Spark no Amazon EMR até o treinamento e depuração de modelos, implantação e monitoramento de modelos e gerenciamento de pipelines, tudo em uma interface visual baseada na Web. Mova com facilidade recursos de computação para cima ou para baixo sem interromper seu trabalho.

Benefícios dos cadernos do SageMaker

Inicie o JupyterLab totalmente gerenciado em segundos no Amazon SageMaker Studio. O SageMaker Studio vem pré-configurado com a distribuição SageMaker contendo pacotes populares para ML, incluindo estruturas de aprendizado profundo, como PyTorch, TensorFlow e Keras e pacotes Python populares, como NumPy, scikit-learn e pandas.
Aumente ou reduza a escala verticalmente de seus recursos de computação com a mais ampla seleção de instâncias otimizadas para computação e aceleradas por GPU na nuvem.
Use o complemento de codificação baseado em IA generativa e as ferramentas de segurança para escrever código de alta qualidade com mais rapidez. Gere, depure e explique o código-fonte com o Amazon CodeWhisperer e realize verificações de segurança e qualidade de código com o Amazon CodeGuru.
Crie fluxos de trabalho unificados de análises e ML no mesmo caderno. Execute trabalhos interativos do Spark na infraestrutura sem servidor Amazon EMR e AWS Glue, diretamente do seu notebook. Monitore e depure trabalhos com mais rapidez usando a interface embutida do Spark. Automatize facilmente sua preparação de dados agendando o caderno como um trabalho com apenas algumas etapas simples.

Crie ML em grande escala

Início rápido

Inicie o JupyterLab totalmente gerenciado no Studio em segundos. O SageMaker Studio vem pré-configurado com uma distribuição pré-criada do SageMaker contendo pacotes muito usados para ML, incluindo estruturas de aprendizado profundo como PyTorch, TensorFlow e Keras, pacotes Python muito usados como NumPy, scikit-learn e Panda para ajudar você a começar a criar modelos.

Elastic Compute

Aumente ou reduza a escala verticalmente de seus recursos de computação subjacentes e use o armazenamento persistente compartilhado para alternar a computação, tudo sem interromper seu trabalho. Escolha entre a mais ampla seleção de recursos de computação oferecidos pela AWS, incluindo as instâncias de GPU mais avançadas para ML.

Aumente a produtividade do desenvolvimento de ML

Preparação dos dados

Simplifique seus fluxos de trabalho de dados com um ambiente unificado. Crie, navegue e conecte-se a clusters do Amazon EMR e sessões interativas do AWS Glue diretamente do JupyterLab. Use o recurso integrado de preparação de dados para visualizar dados e melhorar a qualidade dos dados.

Trabalhos de cadernos

Você pode usar trabalhos de notebook do SageMaker para criar um trabalho não interativo para ser executado sob demanda ou de acordo com um cronograma. Use uma interface de usuário intuitiva ou o SDK do SageMaker Python para agendar seus trabalhos diretamente do JupyterLab. Quando selecionado, o caderno do SageMaker Studio tira um snapshot de todo o caderno, empacota suas dependências em um contêiner, cria a infraestrutura, executa o caderno como um trabalho automatizado em um cronograma definido pelo profissional e desprovisiona a infraestrutura após a conclusão do trabalho. Os trabalhos do caderno do SageMaker também estão disponíveis como uma etapa nativa no Amazon SageMaker Pipelines para permitir que você automatize seus cadernos em fluxos de trabalho de várias etapas com dependências para implantação de CI/CD em algumas linhas de código.

Ferramentas alimentadas por IA

O Amazon Q Developer fornece orientação prática sobre os recursos do SageMaker, assistência na geração de código e suporte para a solução de problemas no ambiente JupyterLab. Basta fazer perguntas em linguagem natural, como “Como faço para implantar um modelo em um endpoint do SageMaker para inferência em tempo real? “, que o Amazon Q Developer fornecerá um código e instruções passo a passo para você começar. Quando você encontra erros ao executar o código, o Amazon Q Developer está pronto para ajudar. Basta pedir que corrija o erro, e ele fornecerá etapas detalhadas para depurar e resolver o problema.

Flexibilidade e personalização

Desenvolvido para equipes

Configure o acesso de sua equipe aos cadernos do SageMaker Studio usando o Centro de Identidade do AWS IAM (sucessor do AWS Single Sign-on). Crie ambientes separados para administradores de plataforma e líderes de negócios para monitorar o custo e o uso do SageMaker Studio. Crie espaços compartilhados onde suas equipes possam ler, editar e executar notebooks juntas em tempo real para simplificar a colaboração e a comunicação. Os colegas de equipe podem revisar os resultados juntos para saber prontamente a performance de um modelo sem a necessidade de ficar trocando informações. Com suporte integrado para serviços como BitBucket e AWS CodeCommit, as equipes podem facilmente gerenciar diferentes versões de notebook e comparar alterações ao longo do tempo. Todos os recursos são automaticamente marcados, facilitando o monitoramento de custos e o planejamento de orçamentos usando ferramentas como o AWS Budgets e o Explorador de Custos da AWS.

Personalizável

Traga seu próprio ambiente de desenvolvimento de cadernos para o SageMaker Studio, usando uma imagem do Docker personalizada. Use configurações de ciclo de vida para automatizar e personalizar ambientes de notebook para sua equipe.

Instâncias autônomas de cadernos

Use os cadernos Jupyter autônomos que você conhece e nos quais confia, no serviço SageMaker totalmente gerenciado. Fique livre do transtorno de ter que configurar recursos de computação, fazer upgrade de pacotes de ciência de dados e ML e aplicar patches de segurança. As instâncias de notebook do SageMaker permitem que você se concentre totalmente no ML, mantendo seu ambiente de computação seguro e atualizado com o software de código aberto mais recente.