Amazon ha presentado una nueva funcionalidad para su servicio SageMaker HyperPod, diseñada para mejorar la experiencia de los desarrolladores de inteligencia artificial (IA) y aprendizaje automático (ML). Ahora, los clústeres de SageMaker HyperPod, que utilizan Amazon Elastic Kubernetes Service (EKS) para la orquestación, permiten a los usuarios crear y gestionar entornos de desarrollo interactivos, como JupyterLab y Visual Studio Code, facilitando así el ciclo de vida del desarrollo de modelos de ML.
Esta característica se complementa con el lanzamiento de Amazon SageMaker Spaces, que proporciona a los desarrolladores de IA la capacidad de gestionar entornos auto contenibles para ejecutar notebooks. Con esta nueva funcionalidad, las organizaciones podrán maximizar su inversión en unidades de procesamiento gráfico (GPU) al ejecutar tanto cargas de trabajo interactivas como trabajos de entrenamiento en la misma infraestructura, gracias al soporte para asignaciones fraccionadas de GPU, lo que mejora la eficiencia de costos. Esto simplifica el manejo de múltiples entornos de desarrollo y permite a los científicos de datos enfocarse en la creación y despliegue de sus modelos de IA y ML.
Los administradores de HyperPod podrán configurar los espacios para sus clústeres y los científicos de datos podrán crear y conectarse a estos entornos. Además, se ha incluido la posibilidad de conectar directamente desde el entorno local de Visual Studio Code a los espacios creados en HyperPod.
Para empezar, los administradores deberán instalar el complemento SageMaker Spaces desde la consola de SageMaker AI, pudiendo elegir entre una opción de instalación rápida o personalizada. Una vez configurado el clúster, los científicos podrán crear espacios mediante la interfaz de línea de comandos de HyperPod o utilizando kubectl. Los usuarios tendrán la opción de acceder al espacio a través de una interfaz web segura o conectarse de forma remota desde su entorno local de Visual Studio Code.
La funcionalidad también proporciona la posibilidad de crear plantillas para los espacios, permitiendo a los administradores establecer configuraciones predeterminadas que faciliten el trabajo de los científicos de datos. Asimismo, se han incorporado mejores prácticas relacionadas con la gestión de usuarios y colaboración, resaltando que los espacios pueden ser privados o públicos, lo que permite una colaboración más abierta o una mayor privacidad, según sea necesario.
Con esta integración, se espera que SageMaker HyperPod potencie la productividad de los científicos de datos y desarrolladores de IA al ofrecer entornos de desarrollo gestionados que optimizan el uso de los recursos de computación y reducen el tiempo dedicado a la configuración de entornos.
vía: AWS machine learning blog
