AWS запустила предварительную публичную версию Amazon SageMaker Studio Lab
AWS запустила предварительную публичную версию Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab — бесплатный сервис для разработчиков, ученых и дата-саентистов для ML экспериментов и изучения машинного обучения.
С помощью Amazon SageMaker Studio Lab пользователи смогут экспериментировать с данными и машинным обучением без необходимости настраивать или запускать какую-либо инфраструктуру. Он основан на опенсорсном веб-приложении JupyterLab, благодаря чему пользователи получают полностью открытое окружение с возможностью использования любого фреймворка, такого как Pytorch, TensorFlow, MxNet, или Hugging Face, и библиотек, таких как SciKitLearn, NumPy, и Pandas. В Studio Lab есть авто-сохранение, благодаря чему сессии пользователей сохраняются и они могут продолжить с того же места, на котором остановились, когда зайдут в следующий раз.
Чтобы начать работать со Studio Lab - запросите учетную запись https://studiolab.sagemaker.aws. Вам понадобится только ваш адрес электронной почты, чтобы зарегистрироваться. Когда ваш запрос будет одобрен, вы получите электронное письмо со ссылкой на страницу регистрации учетной записи Studio Lab. Теперь вы можете создать свою учетную запись с подтвержденным адресом электронной почты, задать пароль и имя пользователя. Этот аккаунт не зависит от аккаунта AWS и не требует предоставления платежной информации. Вскоре после этого вы сможете начать изучать машинное обучение и экспериментировать с Jupyter ноутбуками. Также там доступны такие примеры, как AWS Machine Learning University, Dive into DeepLearning, и ноутбуки Hugging Face.
Studio Lab проста в настройке. На самом деле, единственное, что вам нужно сделать — это выбрать, нужен ли вам инстанс CPU или GPU для вашего проекта.
Вы можете выбрать между 12 часами работы CPU или 4 часами GPU за одну сессию, при этом вам доступно неограниченное количество сессий. Кроме того, вы получаете не менее 15 ГБ постоянного хранилища на проект. По истечении сеанса Studio Lab сделает сохранение. Это позволяет вам продолжить с того места, где вы остановились.
Studio Lab поставляется с базовым образом Python, с которым вы можете начать работать. В образе предустановлено всего несколько библиотек, чтобы сэкономить доступное пространство для нужных фреймворков и библиотек.
Studio Lab тесно интегрирована с GitHub и предлагает полную поддержку командной строки Git. Это позволяет легко клонировать, копировать и сохранять проекты. Кроме того, вы можете добавить значок Open in Studio Lab в файл Readme.md или сохранять блокноты в общедоступном репозитории GitHub, чтобы поделиться своей работой с другими.
Вы можете запросить бесплатную учетную запись Amazon SageMaker Studio Lab уже сегодня. Количество регистраций новых учетных записей будет ограничено, чтобы обеспечить высокое качество обслуживания для всех пользователей. Образцы блокнотов можно найти в репозитории Studio Lab на GitHub.
Amazon SageMaker Canvas - это новый функционал Amazon SageMaker, который позволяет бизнес-аналитикам создавать точные модели машинного обучения и генерировать прогнозы с помощью графического интерфейса без необходимости писать код.
Amazon SageMaker Canvas предоставляет пользовательский интерфейс для быстрого подключения и доступа к данным из различных источников, а также для подготовки данных для построения моделей машинного обучения. SageMaker Canvas использует технологию AutoML, которая автоматически обучает и строит модели на основе ваших данных. Это позволяет SageMaker Canvas определять лучшую модель на основе этих данных, чтобы вы могли создавать единичные или групповые прогнозы. SageMaker Canvas интегрирован с SageMaker Studio, что позволяет бизнес-аналитикам легко делиться моделями со специалистами по анализу данных.
Amazon SageMaker Serverless Inference (Preview) - это новый бессерверный (serverless) способ развертывания ML моделей. При использовании Serverless Inference больше не надо думать о виртуальных машинах. Amazon SageMaker сам развернет модель и выполнит автоматическое масштабирование. Оплачивается только фактическое время работы моделей и объем обработанных данных, а не время простоя. Такая схема идеальна для моделей, работающих не всегда, или имеющих непредсказуемый паттерн использования.
С появлением SageMaker Serverless Inference, SageMaker теперь предоставляет четыре способа развертывания ML моделей. Помимо Serverless Inference это SageMaker Real-Time Inference для моделей, требующих низких (миллисекундных) задержек при работе. SageMaker Batch Transform для пакетной обработки больших объемов данных, а также SageMaker Asynchronous Inference для моделей, требующих асинхронной обработки из-за долгой работы или большого размера входных данных.
