Оглавление

Как соощает AWS, Amazon SageMaker Unified Studio получил два важных обновления: редактор кода на базе VS Code Open Source и поддержку множественных рабочих пространств. Эти инструменты предназначены для ускорения разработки ML-моделей и генеративного ИИ за счет привычного интерфейса и расширенных возможностей отладки.

Ключевые возможности редактора

Новый редактор кода предлагает ML-инженерам и дата-сайентистам знакомую среду разработки с полной интеграцией в экосистему SageMaker. Основные преимущества:

  • Полностью управляемая инфраструктура — AWS автоматически обновляет инстансы и обеспечивает безопасность
  • Гибкое масштабирование ресурсов — возможность изменять тип инстанса и объем хранилища прямо во время работы
  • Предустановленные образы SageMaker Distribution — включают все популярные ML-фреймворки и AWS-библиотеки
  • Интеграция с Amazon Q Developer — ИИ-ассистент для генерации кода и решения задач разработки
  • Поддержка расширений Open VSX — доступ к тысячам совместимых плагинов

Архитектура и многопространственная работа

Code Editor работает в контейнерах на инстансах Amazon EC2, при этом вся инфраструктура управляется автоматически в сервисном аккаунте SageMaker Unified Studio. Новая функция множественых пространств позволяет пользователям создавать несколько рабочих пространств с разными вычислительными потребностями.

Каждое пространство поддерживает 1-к-1 отношение с экземпляром приложения, что позволяет эффективно организовывать хранилище и ресурсы. Это особенно полезно для параллельной работы над разными задачами ML-пайплайна.

При открытии Code Editor пространство автоматически инициализируется текущим состоянием репозитория проекта. Пользователи видят файл getting_started.ipynb, который можно сразу запустить для ознакомления с возможностями платформы.

Интерфейс редактора кода с проводником файлов и блокнотом getting_started
Источник: aws.amazon.com

Интеграция VS Code-подобного редактора в SageMaker — логичный шаг, учитывая популярность этой IDE среди разработчиков. Однако реальная ценность заключается не в самом редакторе, а в глубокой интеграции с ML-сервисами AWS и предустановленных образах, которые экономят часы на настройке окружения.

Практическое применение для ML-пайплайнов

Новые возможности позволяют ускорить разработку end-to-end ML пайплайнов, включая:

  1. Подготовку данных и проектирование функций
  2. Обучение и тонкую настройку моделей
  3. Оценку качества и валидацию
  4. Деплой моделей в продакшен (опционально)

Поддержка версионного контроля через GitHub, GitLab и Bitbucket обеспечивает коллаборацию между командами, что критично для промышленной ML-разработки.

Источник новости: AWS