Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Inicio rápido: cree un dominio sandbox de SageMaker IA para lanzar clústeres de Amazon EMR en Studio
En esta sección, se explica la configuración rápida de un entorno de pruebas completo en Amazon SageMaker Studio. Creará un nuevo dominio de Studio que permitirá a los usuarios inicializar nuevos clústeres de Amazon EMR directamente desde Studio. Los pasos proporcionan un ejemplo de cuaderno que puede conectar a un clúster de Amazon EMR para empezar a ejecutar cargas de trabajo de Spark. Con este cuaderno, creará un sistema de generación aumentada (RAG) de recuperación utilizando el procesamiento distribuido y la base de datos vectoriales Amazon EMR Spark. OpenSearch
**nota**
Para empezar, inicie sesión en la consola de AWS administración con una cuenta de usuario AWS Identity and Access Management (IAM) con permisos de administrador. Para obtener más información sobre cómo registrar una cuenta de AWS y crear un usuario con acceso administrativo, consulte [Complete los requisitos previos de Amazon SageMaker AI](gs-set-up.md).
**Para configurar el entorno de pruebas de Studio y empezar a ejecutar trabajos de Spark:**
+ [Paso 1: Crear un dominio de SageMaker IA para lanzar clústeres de Amazon EMR en Studio](#studio-notebooks-emr-cluster-quickstart-setup)
+ [Paso 2: inicialización de un nuevo clúster de Amazon EMR desde la interfaz de usuario de Studio](#studio-notebooks-emr-cluster-quickstart-launch)
+ [Paso 3: Conectar un JupyterLab portátil al clúster de Amazon EMR](#studio-notebooks-emr-cluster-quickstart-connect)
+ [Paso 4: Limpia tu pila CloudFormation](#studio-notebooks-emr-cluster-quickstart-clean-stack)
## Paso 1: Crear un dominio de SageMaker IA para lanzar clústeres de Amazon EMR en Studio
En los siguientes pasos, aplicará una CloudFormation pila para crear automáticamente un nuevo dominio de SageMaker IA. La pila también crea un perfil de usuario y configura el entorno y los permisos necesarios. El dominio de SageMaker IA está configurado para permitirle lanzar directamente clústeres de Amazon EMR desde Studio. En este ejemplo, los clústeres de Amazon EMR se crean en la misma AWS cuenta que SageMaker AI sin autenticación. [Puede encontrar CloudFormation pilas adicionales que admiten varios métodos de autenticación, como Kerberos, en el repositorio getting\$1started.](https://github.com/aws-samples/sagemaker-studio-emr/tree/main/cloudformation/getting_started) GitHub
**nota**
SageMaker AI permite 5 dominios de Studio por AWS cuenta y de forma predeterminada. Región de AWS Asegúrese de que su cuenta no tenga más de 4 dominios en su región antes de crear la pila.
**Siga estos pasos para configurar un dominio de SageMaker IA para lanzar clústeres de Amazon EMR desde Studio.**
1. Descargue el archivo sin procesar de esta [CloudFormation plantilla](https://github.com/aws-samples/sagemaker-studio-foundation-models/blob/main/workshop-artifacts/cfn/workshop-cfn.yaml) desde el `sagemaker-studio-emr` GitHub repositorio.
1. Ve a la CloudFormation consola: [https://console.aws.amazon.com/cloudformation](https://console.aws.amazon.com/cloudformation/)
1. Elija **Crear pila** y seleccione **Con recursos nuevos (estándar)** en el menú desplegable.
1. En el **paso 1**:
1. En la sección **Preparar la plantilla**, seleccione **Elegir una plantilla existente**.
1. En la sección **Especificar plantilla**, elija **Cargar un archivo de plantilla**.
1. **Cargue la CloudFormation plantilla descargada y seleccione Siguiente.**
1. En el **paso 2**, introduce un **nombre para la pila** y **SageMakerDomainName**, a continuación, selecciona **Siguiente**.
1. En el **paso 3**, mantenga todos los valores predeterminados y elija **Siguiente**.
1. En el **paso 4**, marque la casilla para confirmar la creación del recurso y seleccione **Crear pila**. De este modo, se crea un dominio de Studio en su cuenta y región.
## Paso 2: inicialización de un nuevo clúster de Amazon EMR desde la interfaz de usuario de Studio
En los siguientes pasos, creará un nuevo clúster de Amazon EMR desde la IU de Studio.
1. Ve a la consola de SageMaker IA [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)y selecciona **Dominios** en el menú de la izquierda.
1. Haz clic en el **Generativo** de tu nombre de dominio AIDomain para abrir la página de **detalles del dominio**.
1. Inicialización de Studio desde el perfil de usuario `genai-user`.
1. En el panel de navegación izquierdo, vaya a **Datos** y luego a **Clústeres de Amazon EMR**.
1. En la página de clústeres de Amazon EMR , elija **Crear**. **Seleccione la plantilla **SageMaker Studio Domain No Auth EMR** creada por CloudFormation la pila y, a continuación, elija Siguiente.**
1. Introduzca el nombre del nuevo clúster de Amazon EMR. Si lo desea, actualice otros parámetros, como el tipo de instancia de los nodos principales y maestros, el tiempo de espera de inactividad o la cantidad de nodos principales.
1. Elija **Crear recurso** para inicializar el nuevo clúster de Amazon EMR.
Tras crear el clúster de Amazon EMR, siga el estado en la página **Clústeres de EMR**. Cuando el estado cambie a `Running/Waiting`, el clúster de Amazon EMR estará listo para usarse en Studio.
## Paso 3: Conectar un JupyterLab portátil al clúster de Amazon EMR
En los siguientes pasos, conectará un portátil JupyterLab al clúster de Amazon EMR en ejecución. Para este ejemplo, importa un bloc de notas que le permite crear un sistema de generación aumentada de recuperación (RAG) mediante el procesamiento distribuido y la base de datos vectoriales de Amazon EMR Spark. OpenSearch
1.
**Lance JupyterLab**
Desde Studio, inicia la JupyterLab aplicación.
1.
**Creación de un espacio privado**
Si no ha creado un espacio para JupyterLab la aplicación, elija **Crear un JupyterLab espacio**. Introduzca un nombre para el espacio y manténgalo como **Privado**. Deje todas las demás configuraciones en sus valores predeterminados y, a continuación, elija **Crear espacio**.
De lo contrario, ejecute su JupyterLab espacio para iniciar una JupyterLab aplicación.
1.
**Implementación de su LLM y sus modelos de incrustación para la inferencia**
+ En el menú superior, seleccione **Archivo**, **Nuevo** y, a continuación, **Terminal**.
+ En el terminal, ejecute el siguiente comando:
```
wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-00-setup/Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb
mkdir AWSGuides
cd AWSGuides
wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/AmazonSageMakerDeveloperGuide.pdf
wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/EC2DeveloperGuide.pdf
wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/S3DeveloperGuide.pdf
```
Al hacerlo, se recupera el cuaderno `Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb` en su directorio local y se descargan tres archivos PDF en una carpeta de `AWSGuides` local.
+ Abra `lab-00-setup/Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb`, conserve el kernel `Python 3 (ipykernel)` y ejecute cada celda.
**aviso**
En la sección **Acuerdo de licencia de Llama 2**, asegúrese de aceptar el EULA de Llama2 antes de continuar.
El cuaderno implementa dos modelos, `Llama 2` y `all-MiniLM-L6-v2 Models`, en `ml.g5.2xlarge` para realizar la inferencia.
La implementación de los modelos y la creación de los puntos de conexión puede llevar algún tiempo.
1.
**Apertura del cuaderno principal**
En JupyterLab, abre tu terminal y ejecuta el siguiente comando.
```
cd ..
wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb
```
Deberías ver el `Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb` cuaderno adicional en el panel izquierdo de JupyterLab.
1.
**Seleccione un kernel de `PySpark`.**
Abra su cuaderno de `Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb` y asegúrese de que está usando el kernel `SparkMagic PySpark`. Puede cambiar de kernel en la parte superior derecha de su cuaderno. Elija el nombre del kernel actual para abrir un modal de selección del kernel y, a continuación, elija`SparkMagic PySpark`.
1.
**Conexión del cuaderno al clúster**
1. En la parte superior del cuaderno, elija **Clúster**. Esta acción abre una ventana modal en la que se enumeran todos los clústeres en ejecución para los que tiene permiso de acceso.
1. Seleccione su clúster y elija **Conectar**. Se abre una nueva ventana modal de selección del tipo de credencial.
1. Elija **No hay credenciales** y luego **Conectar**.
![\[Modal que muestra una selección de credenciales de Amazon EMR para JupyterLab cuadernos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/emr/studio-notebooks-emr-credential-selection.png)
1. Se rellena y ejecuta automáticamente una celda del cuaderno. La celda del cuaderno carga la extensión `sagemaker_studio_analytics_extension.magics`, que proporciona la funcionalidad para conectarse al clúster de Amazon EMR. A continuación, utiliza el comando mágico `%sm_analytics` para iniciar la conexión con el clúster de Amazon EMR y la aplicación de Spark.
**nota**
Asegúrese de que la cadena de conexión a su clúster de Amazon EMR tenga un tipo de autenticación establecido en `None`. Esto se ilustra con el valor `--auth-type None` en el siguiente ejemplo. Puede modificar el campo si es necesario.
```
%load_ext sagemaker_studio_analytics_extension.magics
%sm_analytics emr connect --verify-certificate False --cluster-id your-cluster-id --auth-type None --language python
```
1. Una vez que haya establecido correctamente la conexión, el mensaje de salida de la celda de conexión debería mostrar sus detalles de `SparkSession`, incluidos el ID del clúster, el ID de la aplicación `YARN` y un enlace a la interfaz de usuario de Spark para supervisar sus trabajos de Spark.
Ya está listo para usar el cuaderno de `Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb`. Este cuaderno de ejemplo ejecuta PySpark cargas de trabajo distribuidas para crear un sistema RAG utilizando y. LangChain OpenSearch
## Paso 4: Limpia tu pila CloudFormation
Cuando termine, asegúrese de terminar sus dos puntos de conexión y de eliminar su pila de CloudFormation para evitar que le sigan cobrando. Al eliminar la pila, se limpian todos los recursos aprovisionados por la pila.
**Para eliminar tu CloudFormation pila cuando termines de usarla**
1. Ve a la CloudFormation consola: [https://console.aws.amazon.com/cloudformation](https://console.aws.amazon.com/cloudformation/)
1. Seleccione la pila que desea eliminar. Puede buscarla por su nombre o en la lista de pilas.
1. Haga clic en el botón **Eliminar** para finalizar la eliminación de la pila y, a continuación, en **Eliminar** de nuevo para confirmar que se eliminarán todos los recursos creados por la pila.
Espere a que finalice la eliminación de la pila. Esto puede tardar unos minutos. CloudFormation limpia automáticamente todos los recursos definidos en la plantilla de pila.
1. Compruebe que se hayan eliminado todos los recursos creados por la pila. Por ejemplo, compruebe si sobra algún clúster de Amazon EMR.
**Eliminación de los puntos de conexión de la API de un modelo**
1. Ve a la consola de SageMaker IA:. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. En el panel de navegación, seleccione **Inferencia** y elija **Puntos de conexión**.
1. Seleccione el punto de conexión `hf-allminil6v2-embedding-ep` y, a continuación, elija **Eliminar** en la lista desplegable **Acciones**. Repita el paso para el punto de conexión `meta-llama2-7b-chat-tg-ep`.