Gérez les Spaces Amazon SageMaker HyperPod directement depuis SageMaker Studio
Amazon Web Services a annoncé que les data scientists et ingénieurs en apprentissage automatique peuvent désormais créer et gérer des Amazon SageMaker Spaces sur des clusters HyperPod EKS directement depuis l'interface d'Amazon SageMaker Studio. Ils peuvent lancer des environnements JupyterLab et Code Editor dans leur navigateur, sans ligne de commande. Un nouvel onglet « IDE and Notebooks », placé sur la page de détail du cluster HyperPod, permet de créer, configurer, démarrer, arrêter et ouvrir des Spaces. Le formulaire guidé de création couvre le calcul, les espaces de noms, le stockage, la gouvernance des tâches HyperPod pour les quotas de calcul et les images. Un tableau consultable liste tous les Spaces avec leur nom, leur type d'application, leur statut, leur type d'accès, leur stockage et leurs allocations de GPU et de vCPU. Un Space s'ouvre dans le navigateur ou dans un IDE distant comme VS Code. Côté installation, l'administrateur déploie le module complémentaire SageMaker Spaces, en mode « Quick install » avec des réglages optimisés ou en « Custom install », indispensable pour l'accès par navigateur. Il configure ensuite les entrées d'accès EKS en associant trois politiques gérées aux rôles IAM des data scientists : AmazonSagemakerHyperpodSpacePolicy, AmazonSagemakerHyperpodUserClusterPolicy et AmazonSagemakerHyperpodSpaceTemplatePolicy.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Cette évolution déplace l'usage quotidien des Spaces vers un public plus large. Jusqu'ici, la création et la gestion passaient surtout par la CLI HyperPod ou kubectl, des outils précis mais peu adaptés aux profils qui préfèrent une interface visuelle. Désormais, la durée entre l'accès au cluster et le début du travail se réduit à quelques clics. Les équipes de science des données gagnent en autonomie, et les administrateurs se concentrent sur la préparation de l'infrastructure plutôt que sur les opérations courantes. Le démarrage et l'arrêt en une seule sélection facilitent aussi la libération des ressources quand un Space n'est plus utilisé, ce qui compte sur des accélérateurs coûteux. Les organisations peuvent ainsi mieux rentabiliser leurs investissements en GPU, en faisant cohabiter développement interactif, entraînement et déploiement de modèles sur la même infrastructure, avec des allocations fractionnaires de GPU.
Amazon SageMaker HyperPod fournit une infrastructure dédiée à l'entraînement et à l'inférence de grands modèles de fondation. Avec l'orchestration d'Amazon Elastic Kubernetes Service, les équipes lancent des entraînements distribués sur des centaines d'accélérateurs, avec résilience intégrée et reprise automatique après panne. La plateforme sert aussi l'inférence à faible latence pour des modèles de plusieurs milliards de paramètres. Plus tôt dans l'année, AWS avait lancé Amazon SageMaker Spaces pour HyperPod, un module permettant de créer des environnements de développement interactifs directement sur ces clusters. L'intégration à Studio prolonge cette stratégie, qui consiste à unifier sur une même couche Kubernetes l'ensemble du cycle de vie des modèles, face à des concurrents cloud qui proposent eux aussi des environnements de développement intégrés à leurs plateformes d'IA.
Pas d\'impact direct sur la France/UE