Oggi siamo entusiasti di annunciare la semplificazione Configurazione rapida esperienza in Amazon SageMaker. Con questa nuova funzionalità, i singoli utenti possono avviare Amazon SageMaker Studio con le preimpostazioni predefinite in pochi minuti.
SageMaker Studio è un ambiente di sviluppo integrato (IDE) per l'apprendimento automatico (ML). I professionisti del machine learning possono eseguire tutte le fasi di sviluppo del machine learning, dalla preparazione dei dati alla creazione, formazione e distribuzione di modelli di machine learning, all'interno di un'unica interfaccia visiva integrata. Puoi anche accedere a un'ampia raccolta di modelli e soluzioni predefinite che puoi distribuire con pochi clic.
Per utilizzare SageMaker Studio o altre app personali come Amazon SageMaker Canvas o per collaborare in spazi condivisi, i clienti AWS devono prima configurare un dominio SageMaker. Un dominio SageMaker è costituito da un volume Amazon Elastic File System (Amazon EFS) associato, un elenco di utenti autorizzati e una varietà di configurazioni di sicurezza, applicazioni, policy e Amazon Virtual Private Cloud (Amazon VPC). Quando un utente viene inserito in un dominio SageMaker, gli viene assegnato un profilo utente che può utilizzare per avviare le proprie app. L'autenticazione dell'utente può avvenire tramite AWS IAM Identity Center (successore di AWS Single Sign-On) o AWS Identity and Access Management (IAM).
La configurazione di un dominio SageMaker e dei profili utente associati richiede la comprensione dei concetti di ruoli IAM, domini, autenticazione e VPC e l'esecuzione di una serie di passaggi di configurazione. Per completare questi passaggi di configurazione, i data scientist e gli sviluppatori in genere collaborano con i rispettivi team di amministratori IT che effettuano il provisioning di SageMaker Studio e configurano i giusti guardrail.
I clienti ci hanno detto che il processo di onboarding a volte può richiedere molto tempo, ritardando l'avvio di SageMaker Studio da parte di data scientist e team di ML. Abbiamo ascoltato e semplificato l'esperienza di onboarding!
Presentazione della configurazione semplificata di Quick Studio
La nuova esperienza di configurazione Quick Studio per SageMaker fornisce una nuova esperienza di onboarding e amministrazione che semplifica la configurazione e la gestione di SageMaker Studio da parte dei singoli utenti. I data scientist e gli amministratori di ML possono configurare SageMaker Studio in pochi minuti con un solo clic. SageMaker si occupa di fornire al dominio SageMaker le preimpostazioni predefinite, inclusa la configurazione del ruolo IAM, dell'autenticazione IAM e della modalità Internet pubblica. Gli amministratori ML possono modificare le impostazioni di SageMaker Studio per il dominio creato e personalizzare ulteriormente l'interfaccia utente in qualsiasi momento. Diamo un'occhiata a come funziona.
Prerequisiti
Per utilizzare la configurazione Quick Studio, è necessario quanto segue:
- Un account AWS
- Un ruolo IAM con autorizzazioni per creare le risorse necessarie per configurare un dominio SageMaker
Utilizza l'opzione di configurazione di Quick Studio
Parliamo di uno scenario in cui un nuovo utente desidera accedere a SageMaker Studio. L'esperienza utente include i seguenti passaggi:
- Nel tuo account AWS, vai alla console SageMaker e scegli Configurazione per utente singolo.
SageMaker inizia a preparare il dominio SageMaker. Questo processo richiede in genere alcuni minuti. Il nome del nuovo dominio ha il prefisso Dominio QuickSetup-.
Non appena il dominio SageMaker è pronto, sullo schermo viene visualizzata una notifica che indica "Il dominio SageMaker è pronto" e anche il profilo utente sotto il dominio viene creato con successo.
- Scegliere Lancio accanto al profilo utente creato e scegli Studio.
Poiché è la prima volta che SageMaker Studio viene avviato per questo profilo utente, SageMaker crea una nuova app JupyterServer, operazione che richiede alcuni minuti.
Pochi minuti dopo, l'IDE di Studio viene caricato e ti viene presentata la home page di SageMaker Studio.
Componenti della configurazione di Quick Studio
Quando si utilizza la configurazione Quick Studio, SageMaker crea le seguenti risorse:
- Un nuovo ruolo IAM con le autorizzazioni appropriate per l'utilizzo di SageMaker Studio, Amazon Simple Storage Service (Amazon S3) e SageMaker Canvas. Puoi modificare le autorizzazioni del ruolo IAM creato in qualsiasi momento in base al tuo caso d'uso o ai requisiti specifici della persona.
- Un altro ruolo IAM con il prefisso
AmazonSagemakerCanvasForecastRuolo-, che abilita le autorizzazioni per la funzionalità di previsione delle serie temporali di SageMaker Canvas.
- Un dominio SageMaker Studio e un profilo utente per il dominio con nomi univoci. IAM viene utilizzato come modalità di autenticazione. Il ruolo IAM creato viene utilizzato come ruolo di esecuzione SageMaker predefinito per il dominio e il profilo utente. Puoi avviare una qualsiasi delle app personali disponibili, come SageMaker Studio e SageMaker Canvas, che sono abilitate per impostazione predefinita.
- Un volume EFS, che funge da file system per SageMaker Studio. Oltre ad Amazon EFS, un nuovo bucket S3 con prefisso
sagemaker-studio-è stato creato per la condivisione del notebook.
SageMaker Studio utilizza anche il VPC predefinito e le sottoreti associate. Se non è presente alcun VPC predefinito o se il VPC predefinito non ha sottoreti, seleziona uno dei VPC esistenti a cui sono associate sottoreti. Se non è presente alcun VPC, verrà richiesto all'utente di crearne uno sulla console Amazon VPC. Il VPC con tutte le sottoreti sottostanti viene utilizzato per configurare Amazon EFS.
Conclusione
Ora basta un solo clic per iniziare a utilizzare SageMaker Studio. La configurazione Quick Studio per singoli utenti è disponibile in tutte le regioni commerciali AWS in cui SageMaker è attualmente disponibile.
Prova questa nuova funzionalità sulla console SageMaker e facci sapere cosa ne pensi. Aspettiamo sempre il tuo feedback! Puoi inviarlo tramite i tuoi soliti contatti AWS Support o pubblicarlo sul forum AWS per SageMaker.
Riguardo agli Autori
Vikesh Pandey è un Machine Learning Specialist Solutions Architect presso AWS, aiuta i clienti dei settori finanziari a progettare e realizzare soluzioni su AI generativa e ML. Al di fuori del lavoro, a Vikesh piace provare diverse cucine e praticare sport all'aria aperta.
Anastasia Tzeveleka è un architetto di soluzioni specializzato in machine learning e intelligenza artificiale presso AWS. Lavora con i clienti nell'area EMEA e li aiuta a progettare soluzioni di machine learning su larga scala utilizzando i servizi AWS. Ha lavorato a progetti in diversi ambiti tra cui l'elaborazione del linguaggio naturale (NLP), MLOps e strumenti low-code/no-code.
Italian 
English 
German 
Czech 
Malay 
French 
Spanish 
Chinese 
Hindi 
Arabic
lascia un commento