AWS запустила попередню публічну версію Amazon SageMaker Studio Lab
AWS запускає попередній перегляд лабораторії Amazon SageMaker Studio
Amazon SageMaker Studio Lab — це безкоштовний сервіс для розробників, науковців та науковців з даних, щоб експериментувати та вивчати машинне навчання.
За допомогою Amazon SageMaker Studio Lab користувачі можуть експериментувати з даними та машинним навчанням без необхідності налаштовувати або запускати будь-яку інфраструктуру. Він заснований на веб-додатку з відкритим вихідним кодом JupyterLab, завдяки якому користувачі отримують повністю відкрите середовище з можливістю використання будь-якого фреймворку, такого як Pytorch, TensorFlow, MxNet або Hugging Face, а також таких бібліотек, як SciKitLearn, NumPy і Pandas. Studio Lab має автоматичне збереження, тому сеанси користувачів зберігаються, і вони можуть забрати те місце, де зупинилися, під час наступного разу.
Щоб розпочати роботу зі Studio Lab, надішліть запит на https://studiolab.sagemaker.aws обліковий запис. Для реєстрації вам знадобиться лише ваша адреса електронної пошти. Коли ваш запит буде схвалено, ви отримаєте електронний лист із посиланням на сторінку реєстрації облікового запису Studio Lab. Тепер ви можете створити свій обліковий запис з підтвердженою адресою електронної пошти, встановити пароль і ім'я користувача. Цей обліковий запис не залежить від вашого облікового запису AWS і не вимагає від вас надання платіжної інформації. Незабаром після цього ви зможете почати навчання машинному навчанню та експериментувати з ноутбуками Jupyter. Також доступні такі приклади, як університет машинного навчання AWS, занурення в deeplearning та ноутбуки Hugging Face.
Studio Lab легко налаштувати. Насправді, єдине, що вам потрібно зробити, це вибрати, чи потрібен вам екземпляр процесора чи графічного процесора для вашого проекту.
Ви можете вибрати між 12 годинами роботи процесора або 4 годинами роботи графічного процесора за сеанс, при цьому у вас є доступ до необмеженої кількості сеансів. Крім того, ви отримуєте щонайменше 15 ГБ постійного сховища на проект. В кінці сесії Studio Lab зробить зекономлення. Це дозволяє забрати туди, де ви зупинилися.
Studio Lab поставляється з базовим зображенням Python, з яким можна почати працювати. У зображенні попередньо встановлено лише кілька бібліотек, щоб заощадити доступне місце для необхідних фреймворків і бібліотек.
Studio Lab тісно інтегрована з GitHub і пропонує повну підтримку командного рядка Git. Це дозволяє легко клонувати, копіювати та зберігати проекти. Також можна додати піктограму "Відкрити в Studio Lab" до файлу Readme.md або зберегти блокноти в загальнодоступному репозиторії GitHub, щоб поділитися своєю роботою з іншими.
Ви можете запросити безкоштовний обліковий запис Amazon SageMaker Studio Lab сьогодні. Кількість реєстрацій нових акаунтів буде обмежена, щоб забезпечити високу якість обслуговування для всіх користувачів. Зразки блокнотів можна знайти в репозиторії Studio Lab на GitHub.
Amazon SageMaker Canvas — це нова функція Amazon SageMaker, яка дозволяє бізнес-аналітикам створювати точні моделі машинного навчання та генерувати прогнози за допомогою графічного інтерфейсу без необхідності писати код.
Amazon SageMaker Canvas надає користувальницький інтерфейс для швидкого підключення та доступу до даних з різних джерел, а також для підготовки даних для побудови моделей машинного навчання. SageMaker Canvas використовує технологію AutoML для автоматичного навчання та побудови моделей на основі ваших даних. Це дозволяє SageMaker Canvas визначити найкращу модель на основі цих даних, щоб ви могли створювати одно- або групові прогнози. SageMaker Canvas інтегрований зі студією SageMaker, що дозволяє бізнес-аналітикам легко ділитися моделями з дослідниками даних.
Amazon SageMaker Serverless Inference (Попередній перегляд) — це новий безсерверний спосіб розгортання моделей ML. При використанні Serverless Inference вам більше не доведеться думати про віртуальні машини. Amazon SageMaker розгортає саму модель і виконує автоматичне масштабування. Оплачується тільки фактичний час роботи моделей і обсяг оброблюваних даних, а не простої. Така схема ідеально підходить для моделей, які не завжди працюють, або мають непередбачувану схему використання.
З впровадженням безсерверного висновку SageMaker, SageMaker тепер надає чотири способи розгортання моделей ML. На додаток до безсерверного умовиводу, це висновок реального часу SageMaker для моделей, які вимагають низьких (мілісекундних) затримок в роботі. Пакетне перетворення SageMaker для пакетної обробки великих обсягів даних, а також асинхронний висновок SageMaker для моделей, які потребують асинхронної обробки через тривалу роботу або великого розміру вхідних даних.
