Amazon ha introducido una nueva funcionalidad en su servicio SageMaker HyperPod, orientada a mejorar la experiencia de los desarrolladores que trabajan con inteligencia artificial (IA) y aprendizaje automático (ML). La actualización permite a los usuarios de SageMaker HyperPod, que utiliza Amazon Elastic Kubernetes Service (EKS) para la orquestación, crear y gestionar entornos de desarrollo interactivos como JupyterLab y Visual Studio Code. Esta mejora busca facilitar todo el ciclo de vida del desarrollo de modelos de ML.
El lanzamiento viene acompañado de Amazon SageMaker Spaces, una herramienta que permite a los desarrolladores de IA manejar entornos auto contenibles para ejecutar notebooks. Esta característica nueva permite a las organizaciones maximizar su inversión en unidades de procesamiento gráfico (GPU), ya que tendrán la capacidad de ejecutar tanto trabajos interactivos como de entrenamiento en la misma infraestructura. El soporte para asignaciones fraccionadas de GPU optimiza la eficiencia de costos y simplifica la gestión de múltiples entornos de desarrollo. Esto, a su vez, permite a los científicos de datos concentrarse más en el diseño y despliegue de modelos de IA y ML.
Los administradores de HyperPod podrán configurar espacios específicos para sus clústeres, permitiendo así que los científicos de datos creen y se conecten a estos entornos. Una nueva función incorpora la capacidad de conectarse directamente desde el entorno local de Visual Studio Code a los espacios en HyperPod.
Para comenzar, los administradores deben instalar el complemento SageMaker Spaces desde la consola de SageMaker AI, eligiendo entre una instalación rápida o personalizada. Una vez configurado el clúster, los científicos pueden crear espacios mediante la interfaz de línea de comandos de HyperPod o usando kubectl. Los usuarios tendrán la opción de acceder a estos espacios a través de una interfaz web segura o de conectarse remotamente desde su entorno local de Visual Studio Code.
Además, la funcionalidad incluye la capacidad de crear plantillas para los espacios, permitiendo así a los administradores establecer configuraciones predeterminadas que faciliten el trabajo de los científicos de datos. También se han introducido mejores prácticas para la gestión de usuarios y la colaboración, con la posibilidad de configurar espacios como privados o públicos, según las necesidades de privacidad y colaboración.
Con esta integración, se espera que SageMaker HyperPod impulse la productividad de los científicos de datos y desarrolladores de IA al ofrecer entornos de desarrollo gestionados que optimizan los recursos computacionales y reducen el tiempo dedicado a la configuración de entornos.
