提升 Amazon SageMaker Studio 的生产力：JupyterLab Spaces 与生成 AI 工具的介绍

关键要点在这篇文章中，我们强调了最新的 SageMaker Studio 更新，特别是 JupyterLab Spaces 和生成 AI 工具如何提升机器学习开发者的生产力。新推出的 Spaces 允许用户灵活自定义计算、存储和运行时资源，从而改善机器学习工作流程。此外，JupyterLab 的本地执行模型提供了更快、更稳定和响应更迅速的编码体验。

在本文中，我们将深入探讨 SageMaker Studio 的更新，以及如何利用这些新功能提升工作效率。

新的 SageMaker Studio JupyterLab 更新

Amazon SageMaker Studio 提供了一系列完全托管的集成开发环境 (IDE)，支持机器学习ML开发，包括 JupyterLab、基于 CodeOSS 的代码编辑器和 RStudio。用户可以在几秒钟内启动预配置的 JupyterLab，以处理笔记本、代码和数据。SageMaker Studio 的灵活和可扩展界面使得用户能够轻松配置和排列 ML 工作流程，并且可以使用 AI 驱动的内联编码助手快速编写、调试、解释和测试代码。

在本篇文章中，我们将详细介绍更新后的 SageMaker Studio 和 JupyterLab IDE，旨在提升 ML 开发者的效率。我们介绍了 Spaces 的概念，并讨论了 JupyterLab Spaces 如何通过灵活地自定义计算、存储和运行时资源来提高工作效率。我们还讨论了在 JupyterLab 中转向本地执行模型的转变，使编码体验更快、更稳定且响应更快。此外，我们还将介绍在 SageMaker Studio JupyterLab Spaces 中无缝集成的 生成 AI 工具，如 Amazon CodeWhisperer 和 Jupyter AI，展示它们如何帮助开发者使用 AI 进行编码辅助和创新问题解决。

在 SageMaker Studio 中介绍 Spaces

新的 SageMaker Studio 网络界面作为启动您首选 IDE 和访问 Amazon SageMaker 工具的指挥中心，以构建、训练、调整和部署模型。除了 JupyterLab 和 RStudio，SageMaker Studio 现在还包含一个基于 CodeOSS (Visual Studio Code 开源) 的完全托管的代码编辑器。JupyterLab 和代码编辑器都可以通过一个灵活的工作区称为 Spaces 启动。

一旦创建，Space 就会配置好一个 Amazon Elastic Block Store (Amazon EBS) 卷，用于存储用户的文件、数据、缓存和其他产物。它会在每次运行 Space 时附加到 ML 计算实例。EBS 卷确保用户的文件、数据、缓存和会话状态在每次重新启动 Space 时一致恢复。重要的是，无论 Space 处于运行或停止状态，该 EBS 卷都将保持持久，直到 Space 被删除。

创建一个 Space

创建和启动新 Space 现在既快速又简单。只需几秒钟即可设置新的 Space，启动运算实例的时间不到 60 秒。Spaces 配备了管理员管理的计算和存储的预定义设置。SageMaker Studio 管理员可以为计算、存储和运行时配置建立域级预设。这种设置使您可以快速以最少的努力启动新的 Space，仅需要几次点击。您还可以选择修改 Space 的计算、存储或运行时配置以进行进一步的自定义。

创建 Space 时需要更新 SageMaker 域的执行角色，以便授予用户访问这些私有空间所需的权限。具体指导参见 给用户访问私有空间的权限。

json{ Version 20121017 Statement [ { Effect Allow Action [ sagemakerCreateApp sagemakerDeleteApp ] Resource arnawssagemaker{{Region}}{{AccountId}}app/ Condition { Null { sagemakerOwnerUserProfileArn true } } } ]}

重新配置一个 Space

Spaces 允许用户根据需要无缝切换不同的计算类型。您可以开始创建一个具有特定配置的新 Space，主要包括计算和存储。如果在工作流程中的任何时候需要切换到不同的计算类型，您可以轻松做到。在停止 Space 后，可以通过用户界面或更新后的 SageMaker Studio 接口使用 API 修改其设置，然后重新启动 Space。

新的 SageMaker Studio JupyterLab 架构

SageMaker Studio 团队不断为开发者提升体验，推出了全新的完全托管的 SageMaker Studio JupyterLab 体验。这种新体验的新架构在同一 ML 计算实例上运行 Jupyter 服务器和内核进程。这种新架构提供了更低的延迟和更高的稳定性，同时提升了对提供的存储的控制。

生成 AI 工具在 JupyterLab Spaces 的应用

生成 AI 是人工智能快速发展的领域，通过算法从大量现有数据中创建新内容，如文本、图像和代码。SageMaker Studio 通过预安装诸如 Amazon CodeWhisperer 和 Jupyter AI 的工具来提升开发者体验，利用生成 AI 加速开发周期。

亚马逊 CodeWhisperer

Amazon CodeWhisperer 是一个编程助手，通过实时代码推荐和解决方案提高开发者的生产力。此服务与其他生成 AI 工具的无缝集成，使得开发者能够在 SageMaker Studio JupyterLab IDE 中流畅使用。

借助这些更新，ML 开发和协作在 SageMaker Studio 中变得更加高效。在这篇文章的最后，我们鼓励大家尝试 SageMaker Studio JupyterLab Spaces，使用我们的 快速入门功能 来快速启动一个新的域。

结论

SageMaker Studio，特别是 JupyterLab 的新体验，标志着机器学习开发的重要飞跃。通过引入 JupyterLab Spaces 提供的灵活性和自定义计算及存储资源的能力，提高了整体工作流程效率。此外，生成 AI 工具的集成进一步增强了开发者的能力，支持他们有效地合作并管理复杂的 ML 项目。