Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Ambienti di apprendimento automatico offerti da Amazon SageMaker AI
**Importante**
Amazon SageMaker Studio e Amazon SageMaker Studio Classic sono due degli ambienti di apprendimento automatico che puoi utilizzare per interagire con l' SageMaker intelligenza artificiale.
Se il tuo dominio è stato creato dopo il 30 novembre 2023, Studio è la tua esperienza predefinita.
Se il tuo dominio è stato creato prima del 30 novembre 2023, Amazon SageMaker Studio Classic è la tua esperienza predefinita. Per utilizzare Studio se Amazon SageMaker Studio Classic è la tua esperienza predefinita, consulta[Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md).
Quando esegui la migrazione da Amazon SageMaker Studio Classic ad Amazon SageMaker Studio, non si verifica alcuna perdita nella disponibilità delle funzionalità. Studio Classic esiste anche come IDE all'interno di Amazon SageMaker Studio per aiutarti a eseguire i tuoi flussi di lavoro di machine learning legacy.
SageMaker L'intelligenza artificiale supporta i seguenti ambienti di apprendimento automatico:
+ *Amazon SageMaker Studio* (consigliato): la più recente esperienza basata sul Web per l'esecuzione di flussi di lavoro ML con una suite di. IDEs Studio supporta le applicazioni seguenti:
+ Amazon SageMaker Studio Classic
+ Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source
+ JupyterLab
+ Amazon SageMaker Tela
+ RStudio
+ *Amazon SageMaker Studio Classic*: ti consente di creare, addestrare, eseguire il debug, distribuire e monitorare i tuoi modelli di machine learning.
+ *Istanze Amazon SageMaker Notebook*: consente di preparare ed elaborare dati e addestrare e distribuire modelli di machine learning da un'istanza di calcolo che esegue l'applicazione Jupyter Notebook.
+ *Amazon SageMaker Studio Lab*: Studio Lab è un servizio gratuito che consente di accedere alle risorse di AWS calcolo, in un ambiente basato sull'open source JupyterLab, senza richiedere un AWS account.
+ *Amazon SageMaker Canvas*: ti offre la possibilità di utilizzare l'apprendimento automatico per generare previsioni senza bisogno di codificare.
+ *Amazon SageMaker geospatial*: ti dà la possibilità di creare, addestrare e distribuire modelli geospaziali.
+ *RStudio su Amazon SageMaker AI*: RStudio è un IDE per [R](https://aws.amazon.com/blogs/opensource/getting-started-with-r-on-amazon-web-services/), con una console, un editor di evidenziazione della sintassi che supporta l'esecuzione diretta del codice e strumenti per il plottaggio, la cronologia, il debug e la gestione dello spazio di lavoro.
+ *SageMaker HyperPod*: SageMaker HyperPod consente di fornire cluster resilienti per l'esecuzione di carichi di lavoro di machine learning (ML) e lo sviluppo di state-of-the-art modelli come modelli di linguaggio di grandi dimensioni (), modelli di diffusione e modelli di base (). LLMs FMs
Per utilizzare questi ambienti di machine learning, tu o l'amministratore della tua organizzazione dovete creare un dominio Amazon SageMaker AI. Le eccezioni sono Studio Lab, SageMaker Notebook Instances e. SageMaker HyperPod
Invece di fornire manualmente le risorse e gestire le autorizzazioni per te e i tuoi utenti, puoi creare un dominio Amazon DataZone . Il processo di creazione di un DataZone dominio Amazon crea un dominio Amazon SageMaker AI corrispondente con AWS Glue o database Amazon Redshift per i tuoi flussi di lavoro ETL. La configurazione di un dominio tramite Amazon DataZone riduce il tempo necessario per configurare ambienti di SageMaker intelligenza artificiale per i tuoi utenti. Per ulteriori informazioni sulla configurazione di un dominio Amazon SageMaker AI all'interno di Amazon DataZone, consulta[Configura SageMaker Assets (guida per amministratori)](sm-assets-set-up.md).
Gli utenti all'interno del DataZone dominio Amazon dispongono delle autorizzazioni per tutte le azioni di Amazon SageMaker AI, ma le loro autorizzazioni sono limitate alle risorse all'interno del dominio Amazon. DataZone
La creazione di un DataZone dominio Amazon semplifica la creazione di un dominio che consente agli utenti di condividere dati e modelli tra loro. Per informazioni sulle modalità di condivisione di dati e modelli, consulta [Accesso controllato agli asset con Amazon SageMaker Assets](sm-assets.md).
**Topics**
+ [Amazon SageMaker Studio](studio-updated.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [Istanze SageMaker per notebook Amazon](nbi.md)
+ [Laboratorio Amazon SageMaker Studio](studio-lab.md)
+ [Amazon SageMaker Tela](canvas.md)
+ [Funzionalità SageMaker geospaziali di Amazon](geospatial.md)
+ [RStudio su Amazon SageMaker AI](rstudio.md)
+ [Editor di codice in Amazon SageMaker Studio](code-editor.md)
+ [Amazon SageMaker HyperPod](sagemaker-hyperpod.md)
+ [AI generativa in ambienti notebook SageMaker](jupyterai.md)
+ [Amazon Q Developer](studio-updated-amazon-q.md)
+ [Panoramica delle app Amazon SageMaker Partner AI](partner-apps.md)
# Amazon SageMaker Studio
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Amazon SageMaker Studio è l'esperienza basata sul Web più recente per l'esecuzione di flussi di lavoro ML. Studio offre una suite di ambienti di sviluppo integrati ()IDEs. Questi includono Code Editor, basato su Code-OSS, Visual Studio Code - Open Source, una nuova JupyterLab applicazione e Amazon SageMaker Studio Classic. RStudio Per ulteriori informazioni, consulta [Applicazioni supportate in Amazon SageMaker Studio](studio-updated-apps.md).
La nuova interfaccia utente basata sul Web di Studio è più veloce e fornisce l'accesso a tutte le risorse di SageMaker intelligenza artificiale, inclusi job ed endpoint, in un'unica interfaccia. I professionisti di ML possono anche scegliere il loro IDE preferito per accelerare lo sviluppo di ML. Un data scientist può utilizzarli JupyterLab per esplorare i dati e ottimizzare i modelli. Inoltre, un tecnico addetto alle operazioni di machine learning (MLOps) può utilizzare Code Editor con lo strumento pipelines di Studio per distribuire e monitorare i modelli in produzione.
La precedente esperienza di Studio è ancora supportata come Amazon SageMaker Studio Classic. Studio Classic è l’esperienza predefinita per i clienti esistenti ed è disponibile come applicazione in Studio. Per ulteriori informazioni su Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md). Per informazioni su come eseguire la migrazione da Studio Classic a Studio, consulta [Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md).
Studio offre i vantaggi seguenti:
+ Una nuova JupyterLab applicazione che ha un tempo di avvio più rapido ed è più affidabile dell'applicazione Studio Classic esistente. Per ulteriori informazioni, consulta [SageMaker JupyterLab](studio-updated-jl.md).
+ Una suite di queste IDEs si apre in una scheda separata, incluso il nuovo Code Editor, basato su Code-OSS, l'applicazione Visual Studio Code - Open Source. Gli utenti possono interagire con il supporto IDEs in un'esperienza a schermo intero. Per ulteriori informazioni, consulta [Applicazioni supportate in Amazon SageMaker Studio](studio-updated-apps.md).
+ Accedi a tutte le tue risorse SageMaker AI in un unico posto. Studio mostra le istanze in esecuzione su tutte le tue applicazioni.
+ Accesso a tutti i lavori di formazione in un'unica visualizzazione, indipendentemente dal fatto che siano stati pianificati da notebook o avviati da Amazon. SageMaker JumpStart
+ Flussi di lavoro semplificati di implementazione dei modelli e gestione e monitoraggio degli endpoint direttamente da Studio. Non è necessario accedere alla console AI. SageMaker
+ Creazione automatica di tutte le applicazioni configurate durante l’onboarding in un dominio. Per informazioni sull’onboarding in un dominio, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Un' JumpStart esperienza migliorata in cui puoi scoprire, importare, registrare, perfezionare e implementare un modello di base. Per ulteriori informazioni, consulta [SageMaker JumpStart modelli preaddestrati](studio-jumpstart.md).
**Topics**
+ [Avvia Amazon SageMaker Studio](studio-updated-launch.md)
+ [Panoramica dell'interfaccia utente di Amazon SageMaker Studio](studio-updated-ui.md)
+ [Montaggio automatico di Amazon EFS in Studio](studio-updated-automount.md)
+ [Spegnimento in modalità inattiva](studio-updated-idle-shutdown.md)
+ [Applicazioni supportate in Amazon SageMaker Studio](studio-updated-apps.md)
+ [Connect il tuo IDE remoto a SageMaker spazi con accesso remoto](remote-access.md)
+ [Bring Your Own Image (BYOI)](studio-updated-byoi.md)
+ [Configurazioni del ciclo di vita all'interno di Amazon Studio SageMaker](studio-lifecycle-configurations.md)
+ [Spazi Amazon SageMaker Studio](studio-updated-spaces.md)
+ [Propagazione attendibile delle identità con Studio](trustedidentitypropagation.md)
+ [Esecuzione di attività comuni nell’interfaccia utente](studio-updated-common.md)
+ [NVMe negozi con Amazon SageMaker Studio](studio-updated-nvme.md)
+ [Supporto in modalità locale in Amazon SageMaker Studio](studio-updated-local.md)
+ [Visualizzazione di istanze, applicazioni e spazi in esecuzione in Studio](studio-updated-running.md)
+ [Arresto ed eliminazione delle applicazioni e degli spazi in esecuzione in Studio](studio-updated-running-stop.md)
+ [SageMaker Politica di supporto delle immagini di Studio](sagemaker-distribution.md)
+ [Prezzi di Amazon SageMaker Studio](studio-updated-cost.md)
+ [Risoluzione dei problemi](studio-updated-troubleshooting.md)
+ [Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md)
+ [Amazon SageMaker Studio Classic](studio.md)
# Avvia Amazon SageMaker Studio
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Gli argomenti di questa pagina mostrano come avviare Amazon SageMaker Studio dalla console Amazon SageMaker AI e da AWS Command Line Interface (AWS CLI).
**Topics**
+ [Prerequisiti](#studio-updated-launch-prereq)
+ [Avvio dalla console Amazon SageMaker AI](#studio-updated-launch-console)
+ [Avvia utilizzando il AWS CLI](#studio-updated-launch-cli)
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ Accedi a un dominio SageMaker AI con accesso a Studio. Se non disponi delle autorizzazioni per impostare Studio come esperienza predefinita per il dominio, contatta l’amministratore. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Aggiorna il AWS CLI seguendo i passaggi descritti in [Installazione della AWS CLI versione corrente](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS credenziali](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html).
## Avvio dalla console Amazon SageMaker AI
Completa la seguente procedura per avviare Studio dalla console Amazon SageMaker AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, seleziona Studio.
1. Nella pagina di destinazione di Studio, seleziona il dominio e il profilo utente per avviare Studio.
1. Scegli **Apri Studio**.
1. Per avviare Studio, scegli **Avvia Studio personale**.
## Avvia utilizzando il AWS CLI
Questa sezione illustra come avviare Studio utilizzando. AWS CLI La procedura per accedere a Studio utilizzando il AWS CLI dipende se il dominio utilizza l'autenticazione o AWS IAM Identity Center l'autenticazione AWS Identity and Access Management (IAM). Puoi utilizzare il AWS CLI per avviare Studio creando un URL di dominio predefinito quando il dominio utilizza l'autenticazione IAM. Per informazioni su come avviare Studio con l’autenticazione del Centro identità IAM, consulta [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md).
### Modalità di avvio quando Studio è l’esperienza predefinita
Il frammento di codice seguente mostra come avviare Studio dalla AWS CLI utilizzando un URL di dominio prefirmato se Studio è l’esperienza predefinita. Per ulteriori informazioni, consulta [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200
```
### Avvia se Amazon SageMaker Studio Classic è la tua esperienza predefinita
Il frammento di codice seguente mostra come avviare Studio dalla AWS CLI utilizzando un URL di dominio prefirmato se Studio Classic è l’esperienza predefinita. Per ulteriori informazioni, consulta [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200 \
--landing-uri studio::
```
# Panoramica dell'interfaccia utente di Amazon SageMaker Studio
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
L'interfaccia utente di Amazon SageMaker Studio è suddivisa in tre parti distinte. Questa pagina fornisce informazioni su queste parti e sui relativi componenti.
+ **Barra di navigazione**: questa sezione dell’interfaccia utente include l’URL, i percorsi di navigazione, le notifiche e le opzioni utente.
+ **Riquadro di navigazione**: questa sezione dell’interfaccia utente include un elenco delle applicazioni supportate in Studio e le opzioni per i principali flussi di lavoro in Studio.
+ **Riquadro dei contenuti**: l’area di lavoro principale che mostra la pagina corrente dell’interfaccia utente di Studio aperta.
![\[Home page di Amazon SageMaker Studio con riquadro di navigazione e riquadro dei contenuti (area di lavoro principale).\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/monarch/studio-updated-ui.png)
**Topics**
+ [Barra di navigazione di Amazon SageMaker Studio](#studio-updated-ui-top)
+ [Pannello di navigazione di Amazon SageMaker Studio](#studio-updated-ui-left)
+ [Riquadro dei contenuti di Studio](#studio-updated-ui-working)
## Barra di navigazione di Amazon SageMaker Studio
La barra di navigazione dell’interfaccia utente di Studio include l’URL, i percorsi di navigazione, le notifiche e le opzioni utente.
**Struttura dell’URL**
L’URL di Studio cambia durante la navigazione nell’interfaccia utente. Quando accedi a un’altra pagina dell’interfaccia utente, l’URL cambia per corrispondere a quella pagina. Con l’URL aggiornato, apri direttamente qualsiasi pagina nell’interfaccia utente di Studio senza passare dalla pagina di destinazione.
**Percorsi di navigazione**
Mentre navighi nell’interfaccia utente di Studio, i percorsi di navigazione monitorano le pagine principali della pagina corrente. Scegliendo uno di questi percorsi di navigazione, puoi accedere alle pagine principali dell’interfaccia utente.
**Notifiche**
La sezione delle notifiche dell’interfaccia utente fornisce informazioni su importanti modifiche a Studio, aggiornamenti delle applicazioni e problemi da risolvere.
**Opzioni utente**
Scegli l’icona delle opzioni utente (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/monarch/user-settings.png)) per ottenere informazioni sul profilo utente che attualmente utilizza Studio e, se necessario, per disconnettersi da Studio.
## Pannello di navigazione di Amazon SageMaker Studio
**Riquadro di navigazione**
Il riquadro di navigazione dell’interfaccia utente include un elenco delle applicazioni supportate in Studio. Fornisce inoltre opzioni per i principali flussi di lavoro in Studio.
Questa sezione dell’interfaccia utente può essere visualizzata in modalità espansa o compressa. Per passare dalla modalità espansa a compressa e viceversa, seleziona l’icona **Comprimi** (![\[Square icon with "ID" text representing an identity or identification concept.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/monarch/collapse-ui.png)).
**Applicazioni**
La sezione Applicazioni elenca le applicazioni disponibili in Studio. Scegliendo un tipo di applicazione, si apre la pagina di destinazione dell’applicazione.
**Flussi di lavoro**
L’elenco dei flussi di lavoro include tutte le azioni che è possibile eseguire in Studio. Scegli una delle opzioni per accedere alla pagina di destinazione del flusso di lavoro. Se sono disponibili più flussi di lavoro per l’opzione selezionata, si apre un menu a discesa dal quale puoi scegliere la pagina di destinazione desiderata.
L’elenco seguente descrive le opzioni e fornisce un link per ottenere ulteriori informazioni.
+ **Home**: la pagina di destinazione principale, che include una panoramica, le informazioni introduttive e le novità.
+ **Istanze in esecuzione**: tutte le istanze attualmente in esecuzione in Studio. Per ulteriori informazioni, consulta [Visualizzazione di istanze, applicazioni e spazi in esecuzione in Studio](studio-updated-running.md).
+ **Dati**: opzioni di preparazione dei dati che consentono la collaborazione per archiviare, esplorare, preparare, trasformare e condividere i dati.
+ Per ulteriori informazioni su Amazon SageMaker Data Wrangler, consulta. [Preparazione dei dati](canvas-data-prep.md)
+ Per ulteriori informazioni su Amazon SageMaker Feature Store, consulta[Creazione, archiviazione e condivisione di funzionalità con l’archivio delle caratteristiche](feature-store.md).
+ Per ulteriori informazioni sui cluster Amazon EMR, consulta [Preparazione dei dati con Amazon EMR](studio-notebooks-emr-cluster.md).
+ **AutoML**: crea, addestra, ottimizza e implementa automaticamente i modelli di machine learning (ML). Per ulteriori informazioni, consulta [Amazon SageMaker Tela](canvas.md).
+ **Experiments**: crea, gestisci, analizza e confronta i tuoi esperimenti di machine learning utilizzando Amazon SageMaker Experiments. Per ulteriori informazioni, consulta [SageMaker Esperimenti di Amazon in Studio Classic](experiments.md).
+ **Processi**: visualizza i processi creati in Studio.
+ Per ulteriori informazioni sull’addestramento, consulta [Training del modello](train-model.md).
+ Per ulteriori informazioni sulla valutazione dei modelli, consulta [Comprendi le opzioni per valutare modelli linguistici di grandi dimensioni con Clarify SageMaker](clarify-foundation-model-evaluate.md).
+ **Pipelines**: automatizza il tuo flusso di lavoro ML con Amazon SageMaker Pipelines, che fornisce risorse per aiutarti a creare, tracciare e gestire le risorse della pipeline. Per ulteriori informazioni, consulta [Pipelines](pipelines.md).
+ **Modelli**: organizza i modelli in gruppi e raccolte nel registro dei modelli, dove puoi gestire le versioni dei modelli, visualizzare i metadati e implementare i modelli in produzione. Per ulteriori informazioni, consulta [Implementazione della registrazione del modello con il registro dei modelli](model-registry.md).
+ **JumpStart**— Amazon SageMaker JumpStart fornisce modelli open source preaddestrati per un'ampia gamma di tipi di problemi per aiutarti a iniziare con l'apprendimento automatico. Per ulteriori informazioni, consulta. [SageMaker JumpStart modelli preaddestrati](studio-jumpstart.md)
+ **Implementazioni**: implementa i modelli di machine learning (ML) per l’inferenza.
+ Per ulteriori informazioni su Amazon SageMaker Inference Recommender, consulta. [Raccomandazione Amazon SageMaker Inference](inference-recommender.md)
+ Per ulteriori informazioni sugli endpoint, consulta [Implementa modelli per l'inferenza](deploy-model.md).
## Riquadro dei contenuti di Studio
L’area di lavoro principale viene chiamata anche riquadro dei contenuti. Visualizza la pagina attualmente aperta dell’interfaccia utente di Studio.
**Home page di Studio**
La home page di Studio è la pagina di destinazione primaria nell’area di lavoro principale. La home page include due schede distinte: **Panoramica** e **Nozioni di base**.
**Panoramica**
La scheda **Panoramica** include le opzioni per avviare gli spazi per i tipi di applicazioni più diffusi, iniziare con le soluzioni predefinite e automatizzate per i flussi di lavoro di ML e passare alle attività più comuni nell’interfaccia utente di Studio.
**Nozioni di base**
La scheda **Nozioni di base** include informazioni, indicazioni e risorse su come iniziare a utilizzare Studio. Offre un tour guidato dell’interfaccia utente di Studio, un link alla documentazione su Studio e una selezione di suggerimenti rapidi.
# Montaggio automatico di Amazon EFS in Studio
Amazon SageMaker AI supporta il montaggio automatico di una cartella in un volume Amazon EFS per ogni utente in un dominio. Utilizzando questa cartella, gli utenti possono condividere i dati nei propri spazi privati. Tuttavia, gli utenti non possono condividere i dati con altri utenti del dominio. Gli utenti hanno accesso solo alla propria cartella.
È possibile accedere alla cartella dell’utente attraverso una cartella denominata `user-default-efs`. Questa cartella è presente nella directory `$HOME` dell’applicazione Studio.
Per informazioni sulla non adesione al montaggio automatico di Amazon EFS, consulta [Scelta dell’opzione di non adesione al montaggio automatico di Amazon EFS](studio-updated-automount-optout.md).
Il montaggio automatico di Amazon EFS facilita anche la migrazione dei dati da Studio Classic a Studio. Per ulteriori informazioni, consulta [(Facoltativo) Migrazione dei dati da Studio Classic a Studio](studio-updated-migrate-data.md).
**Informazioni sui punti di accesso**
Quando il montaggio automatico è attivato, l' SageMaker intelligenza artificiale utilizza un punto di accesso Amazon EFS per facilitare l'accesso ai dati nel volume Amazon EFS. Per ulteriori informazioni sugli access point, consulta [Lavorare con i punti di accesso Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/efs-access-points.html) L' SageMaker IA crea un punto di accesso unico per ogni profilo utente nel dominio durante la creazione del profilo utente o durante la creazione dell'applicazione per un profilo utente esistente. Il valore utente POSIX del punto di accesso corrisponde al `HomeEfsFileSystemUid` valore del profilo utente per cui l' SageMaker IA crea il punto di accesso. Per ottenere il valore dell'utente, vedi [DescribeUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeUserProfile.html#sagemaker-DescribeUserProfile-response-HomeEfsFileSystemUid). Anche il percorso della directory root è impostato sullo stesso valore del valore utente POSIX.
SageMaker AI imposta le autorizzazioni della nuova directory sui seguenti valori:
+ ID utente proprietario: `POSIX user value`
+ ID gruppo proprietario: `0`
+ Autorizzazioni `700`
Il punto di accesso è necessario per accedere al volume Amazon EFS. Di conseguenza, non è possibile eliminare o aggiornare il punto di accesso senza perdere l’accesso al volume Amazon EFS.
**Risoluzione degli errori**
Se l' SageMaker IA riscontra un problema durante il montaggio automatico della cartella utente Amazon EFS durante la creazione dell'applicazione, l'applicazione viene comunque creata. Tuttavia, in questo caso, l' SageMaker IA crea un file denominato `error.txt` anziché montare la cartella Amazon EFS. Questo file descrive l'errore riscontrato e i passaggi per risolverlo. SageMaker AI crea il `error.txt` file nella `user-default-efs` cartella situata nella `$HOME` directory dell'applicazione.
# Scelta dell’opzione di non adesione al montaggio automatico di Amazon EFS
Puoi disattivare il montaggio automatico delle cartelle utente Amazon EFS da parte di Amazon SageMaker AI durante la creazione del dominio e del profilo utente o per un dominio o un profilo utente esistente.
## Scelta dell’opzione di non adesione durante la creazione del dominio
Puoi scegliere di non aderire al montaggio automatico di Amazon EFS quando crei un dominio con la console o l’ AWS Command Line Interface.
### Console
Completa la procedura seguente per non aderire al montaggio automatico di Amazon EFS quando crei un dominio dalla console.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Completa la procedura in [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md) con la modifica seguente per configurare un dominio.
+ Nella fase di **configurazione dell’archiviazione**, disattiva **Monta automaticamente i dati e lo spazio di archiviazione EFS**.
### AWS CLI
Utilizza il comando seguente per non aderire al montaggio automatico di Amazon EFS quando crei un dominio con la AWS CLI. Per ulteriori informazioni sulla creazione di un dominio utilizzando il AWS CLI, consulta[Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md).
```
aws --region region sagemaker create-domain \
--domain-name "my-domain-$(date +%s)" \
--vpc-id default-vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role-arn,AutoMountHomeEFS=Disabled" \
--default-space-settings "ExecutionRole=execution-role-arn"
```
## Scelta dell’opzione di non adesione per un dominio esistente
Puoi scegliere di non aderire al montaggio automatico di Amazon EFS per un dominio esistente utilizzando la console o la AWS CLI.
### Console
Completa la procedura seguente per non aderire al montaggio automatico di Amazon EFS quando aggiorni un dominio dalla console.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel menu di navigazione a sinistra, in **Configurazioni di amministrazione**, scegli **Domini**.
1. Nella pagina **Domini**, seleziona il dominio che non desideri aderisca al montaggio automatico di Amazon EFS.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Passa alla sezione **Configurazioni di archiviazione**.
1. Seleziona **Edit (Modifica)**.
1. Nella pagina **Modifica le impostazioni di archiviazione**, disattiva **Monta automaticamente i dati e lo spazio di archiviazione EFS**.
1. Selezionare **Invia**.
### AWS CLI
Utilizza questo comando per non aderire al montaggio automatico di Amazon EFS quando aggiorni un dominio esistente con la AWS CLI.
```
aws --region region sagemaker update-domain \
--domain-id domain-id \
--default-user-settings "AutoMountHomeEFS=Disabled"
```
## Scelta dell’opzione di non adesione durante la creazione del profilo utente
Puoi scegliere di non aderire al montaggio automatico di Amazon EFS quando crei un profilo utente con la console o la AWS CLI.
### Console
Completa la procedura seguente per non aderire al montaggio automatico di Amazon EFS quando crei un profilo utente dalla console.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Completa la procedura in [Aggiunta di profili utente](domain-user-profile-add.md) con la modifica seguente per creare un profilo utente.
+ Nella fase **Dati e archiviazione**, disattiva **Eredita le impostazioni dal dominio**. In questo modo, l’utente può impostare un valore diverso rispetto a quelli predefiniti per il dominio.
+ Disattiva **Monta automaticamente i dati e lo spazio di archiviazione EFS**.
### AWS CLI
Utilizza il comando seguente per non aderire al montaggio automatico di Amazon EFS quando crei un profilo utente con la AWS CLI. Per ulteriori informazioni sulla creazione di un profilo utente utilizzando il AWS CLI, consulta[Aggiunta di profili utente](domain-user-profile-add.md).
```
aws --region region sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name "user-profile-$(date +%s)" \
--user-settings "ExecutionRole=arn:aws:iam::account-id:role/execution-role-name,AutoMountHomeEFS=Enabled/Disabled/DefaultAsDomain"
```
## Scelta dell’opzione di non adesione per un profilo utente esistente
Puoi scegliere di non aderire al montaggio automatico di Amazon EFS per un profilo utente esistente utilizzando la console o la AWS CLI.
### Console
Completa la procedura seguente per non aderire al montaggio automatico di Amazon EFS quando aggiorni un profilo utente dalla console.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel menu di navigazione a sinistra, in **Configurazioni di amministrazione**, scegli **Domini**.
1. Nella pagina **Domini**, seleziona il dominio che contiene il profilo utente che non desideri aderisca al montaggio automatico di Amazon EFS.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Profili utente**.
1. Seleziona il profilo utente da aggiornare.
1. Dalla scheda **Dettagli utente**, vai alla sezione **AutoMountHomeEFS**.
1. Seleziona **Edit (Modifica)**.
1. Nella pagina **Modifica le impostazioni di archiviazione**, disattiva **Eredita le impostazioni dal dominio**. In questo modo, l’utente può impostare un valore diverso rispetto a quelli predefiniti per il dominio.
1. Disattiva **Monta automaticamente i dati e lo spazio di archiviazione EFS**.
1. Selezionare **Invia**.
### AWS CLI
Utilizza questo comando per non aderire al montaggio automatico di Amazon EFS quando aggiorni un profilo utente esistente con la AWS CLI.
```
aws --region region sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings "AutoMountHomeEFS=DefaultAsDomain"
```
# Spegnimento in modalità inattiva
Amazon SageMaker AI supporta la chiusura delle risorse inattive per gestire i costi e prevenire gli sforamenti dei costi dovuti ai costi accumulati dalle risorse inattive e fatturabili. A tale scopo rileva lo stato inattivo di un’app e la arresta quando vengono soddisfatti i criteri di inattività.
SageMaker L'intelligenza artificiale supporta lo spegnimento in stato di inattività per le seguenti applicazioni. Lo spegnimento in modalità inattiva deve essere impostato separatamente per ogni tipo di applicazione.
+ JupyterLab
+ Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source
Lo spegnimento in modalità inattiva può essere impostato a livello di dominio o di profilo utente. Quando lo spegnimento in modalità inattiva è configurato a livello di dominio, le relative impostazioni si applicano a tutte le applicazioni create nel dominio. Se invece è configurato a livello di profilo utente, le impostazioni si applicano solo agli utenti specificati. Le impostazioni del profilo utente hanno la precedenza sulle impostazioni del dominio.
**Nota**
Lo spegnimento in modalità inattiva richiede l’utilizzo dell’immagine `SageMaker-distribution` (SMD) con la versione 2.0 o successiva. I domini con una versione precedente di SMD non possono utilizzare questa funzionalità. Questi utenti devono invece utilizzare una LCC per gestire lo spegnimento automatico.
## Definizione di inattività
Le impostazioni di spegnimento in modalità inattiva si applicano solo quando l’applicazione diventa inattiva e non ha alcun processo in esecuzione. SageMaker L'intelligenza artificiale non avvia il periodo di spegnimento dell'istanza finché l'istanza non diventa inattiva. La definizione di idle varia a seconda che il tipo di applicazione sia o meno Code Editor. JupyterLab
Per JupyterLab le applicazioni, l'istanza è considerata inattiva quando vengono soddisfatte le seguenti condizioni:
+ Nessuna sessione attiva del kernel Jupyter
+ Nessuna sessione attiva del terminale Jupyter
Per le applicazioni Editor di codice, l’istanza viene considerata inattiva quando vengono soddisfatte le condizioni seguenti:
+ Nessuna modifica al file di testo o al notebook
+ Nessun file visualizzato
+ Nessuna interazione con il terminale
# Configurazione dello spegnimento in modalità inattiva
Le sezioni seguenti mostrano come configurare lo spegnimento in modalità inattiva dalla console o dalla AWS CLI. Lo spegnimento in modalità inattiva può essere impostato a livello di dominio o di profilo utente.
## Prerequisiti
Per utilizzare lo spegnimento in modalità inattiva per l’applicazione, devi completare i prerequisiti seguenti.
+ Assicurati che l'applicazione utilizzi la versione 2.0 di SageMaker Distribution (SMD). Puoi selezionare questa versione mentre crei l’applicazione o aggiornare la versione dell’immagine dell’applicazione dopo la creazione. Per ulteriori informazioni, consulta [Aggiorna l'immagine SageMaker di distribuzione](studio-updated-jl-update-distribution-image.md).
+ Per le applicazioni create con immagini personalizzate, lo spegnimento in stato di inattività è supportato se l'immagine personalizzata viene creata con SageMaker Distribution (SMD) versione 2.0 o successiva come immagine di base. Se l'immagine personalizzata viene creata con un'immagine di base diversa, devi installare l'estensione [jupyter-activity-monitor-extension >= 0.3.1](https://anaconda.org/conda-forge/jupyter-activity-monitor-extension) sull'immagine e allegare l'immagine al tuo dominio Amazon SageMaker AI per le JupyterLab applicazioni. Per ulteriori informazioni sulle immagini personalizzate, consulta [Bring Your Own Image (BYOI)](studio-updated-byoi.md).
## Dalla console
Le sezioni seguenti mostrano come abilitare lo spegnimento in modalità inattiva dalla console.
### Aggiunta durante la creazione di un nuovo dominio
1. Crea un dominio seguendo la procedura descritta in [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md).
1. Quando configuri le impostazioni dell'applicazione nel dominio, accedi al Code Editor o alla sezione. JupyterLab
1. Seleziona **Abilita spegnimento inattivo**.
1. Inserisci un valore in minuti per il tempo di spegnimento in modalità inattiva predefinito. Se non viene immesso alcun valore, l’impostazione predefinita è `10,080`.
1. (Facoltativo) Seleziona **Consenti agli utenti di impostare un tempo di spegnimento inattivo personalizzato** per consentire agli utenti di modificare tale intervallo di tempo.
+ Inserisci un valore massimo che gli utenti possono utilizzare per impostare il tempo di spegnimento in modalità inattiva predefinito. È necessario inserire un valore massimo. Il valore minimo è impostato da Amazon SageMaker AI e deve essere`60`.
### Aggiunta a un dominio esistente
**Nota**
Se lo spegnimento in modalità inattiva viene impostato mentre le applicazioni sono in esecuzione, è necessario riavviarle affinché le impostazioni di questa funzionalità abbiano effetto.
1. Vai al dominio.
1. Scegli la scheda **Configurazioni app**.
1. Dalla scheda **Configurazioni dell'app**, vai all'editor di codice o alla JupyterLab sezione.
1. Seleziona **Edit (Modifica)**.
1. Seleziona **Abilita spegnimento inattivo**.
1. Inserisci un valore in minuti per il tempo di spegnimento in modalità inattiva predefinito. Se non viene immesso alcun valore, l’impostazione predefinita è `10,080`.
1. (Facoltativo) Seleziona **Consenti agli utenti di impostare un tempo di spegnimento inattivo personalizzato** per consentire agli utenti di modificare tale intervallo di tempo.
+ Inserisci un valore massimo che gli utenti possono utilizzare per impostare il tempo di spegnimento in modalità inattiva predefinito. Devi inserire un valore massimo. Il valore minimo è impostato da Amazon SageMaker AI e deve essere`60`.
1. Selezionare **Invia**.
### Aggiunta durante la creazione di un nuovo profilo utente
1. Aggiungi un profilo utente seguendo la procedura riportata in [Aggiunta di profili utente](domain-user-profile-add.md).
1. Quando configuri le impostazioni dell'applicazione per il profilo utente, accedi all'editor di codice o alla JupyterLab sezione.
1. Seleziona **Abilita spegnimento inattivo**.
1. Inserisci un valore in minuti per il tempo di spegnimento in modalità inattiva predefinito. Se non viene immesso alcun valore, l’impostazione predefinita è `10,080`.
1. (Facoltativo) Seleziona **Consenti agli utenti di impostare un tempo di spegnimento inattivo personalizzato** per consentire agli utenti di modificare tale intervallo di tempo.
+ Inserisci un valore massimo che gli utenti possono utilizzare per impostare il tempo di spegnimento in modalità inattiva predefinito. È necessario immettere un valore massimo. Il valore minimo è impostato da Amazon SageMaker AI e deve essere`60`.
1. Seleziona “Salva modifiche”.
### Aggiunta a un profilo utente esistente
Nota: se lo spegnimento in modalità inattiva è impostato mentre le applicazioni sono in esecuzione, è necessario riavviarle affinché le impostazioni di questa funzionalità abbiano effetto.
1. Vai al profilo utente.
1. Scegli la scheda **Configurazioni app**.
1. Dalla scheda ****Configurazioni dell'app****, vai all'editor di codice o alla JupyterLab sezione.
1. Seleziona **Edit (Modifica)**.
1. Se sono configurate per il dominio, le impostazioni di spegnimento in modalità inattiva corrisponderanno per impostazione predefinita alle impostazioni del dominio.
1. Seleziona **Abilita spegnimento inattivo**.
1. Inserisci un valore in minuti per il tempo di spegnimento in modalità inattiva predefinito. Se non viene immesso alcun valore, l’impostazione predefinita è `10,080`.
1. (Facoltativo) Seleziona **Consenti agli utenti di impostare un tempo di spegnimento inattivo personalizzato** per consentire agli utenti di modificare tale intervallo di tempo.
+ Inserisci un valore massimo che gli utenti possono utilizzare per impostare il tempo di spegnimento in modalità inattiva predefinito. Devi inserire un valore massimo. Il valore minimo è impostato da Amazon SageMaker AI e deve essere`60`.
1. Seleziona **Salva modifiche**.
## Dal AWS CLI
Nelle sezioni seguenti viene mostrato come abilitare lo spegnimento in modalità inattiva con la AWS CLI.
**Nota**
Per applicare un valore di timeout specifico da AWS CLI, è necessario impostare `IdleTimeoutInMinutes``MaxIdleTimeoutInMinutes`, e `MinIdleTimeoutInMinutes` sullo stesso valore.
### Dominio
Il comando seguente mostra come abilitare lo spegnimento in modalità inattiva quando si aggiorna un dominio esistente. Se invece desideri aggiungere la funzionalità di spegnimento in modalità inattiva a un nuovo dominio, utilizza il comando `create-domain`.
**Nota**
Se lo spegnimento in modalità inattiva viene impostato mentre le applicazioni sono in esecuzione, è necessario riavviarle affinché le impostazioni di questa funzionalità abbiano effetto.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings file://default-user-settings.json
## default-user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## default-user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
### Profilo utente
Il comando seguente mostra come abilitare lo spegnimento in modalità inattiva quando si aggiorna un profilo utente esistente. Se invece desideri aggiungere la funzionalità di spegnimento in modalità inattiva a un nuovo profilo utente, utilizza il comando `create-user-profile`.
**Nota**
Se lo spegnimento in modalità inattiva viene impostato mentre le applicazioni sono in esecuzione, è necessario riavviarle affinché le impostazioni di questa funzionalità abbiano effetto.
```
aws sagemaker update-user-profile --region region --domain-id domain-id \
--user-profile-name user-profile-name --user-settings file://user-settings.json
## user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
# Aggiornamento delle impostazioni predefinite per lo spegnimento in modalità inattiva
Puoi aggiornare le impostazioni predefinite per lo spegnimento in modalità inattiva a livello di dominio o di profilo utente.
**Nota**
Se lo spegnimento in modalità inattiva viene impostato mentre le applicazioni sono in esecuzione, è necessario riavviarle affinché le impostazioni di questa funzionalità abbiano effetto.
## Aggiornamento delle impostazioni di dominio
1. Vai al dominio.
1. Scegli la scheda **Configurazioni app**.
1. Dalla scheda **Configurazioni dell'app**, vai all'editor di codice o alla JupyterLab sezione.
1. Nella sezione relativa all’applicazione per cui desideri modificare il limite per il tempo di spegnimento in modalità inattiva, seleziona **Modifica**.
1. Aggiorna le impostazioni di spegnimento in modalità inattiva per il dominio.
1. Seleziona **Salva modifiche**.
## Aggiornamento delle impostazioni del profilo utente
1. Vai al dominio.
1. Scegli la scheda **Profili utente**.
1. Nella scheda **Profili utente**, seleziona il profilo utente da modificare.
1. Nella pagina **Profilo utente**, scegli la scheda **Applicazioni**.
1. Nella scheda **Applicazioni**, accedi all'editor di codice o alla JupyterLab sezione.
1. Nella sezione relativa all’applicazione per cui desideri modificare il limite per il tempo di spegnimento in modalità inattiva, seleziona **Modifica**.
1. Aggiorna le impostazioni di spegnimento in modalità inattiva per il profilo utente.
1. Seleziona **Salva modifiche**.
# Modifica del limite per il tempo di spegnimento in modalità inattiva
Gli utenti possono modificare il limite per il tempo di spegnimento in modalità inattiva se l’amministratore concede loro l’accesso quando aggiunge il supporto per lo spegnimento in modalità inattiva. Se viene aggiunto il supporto per lo spegnimento in modalità inattiva, potrebbe essere applicato un limite al tempo massimo consentito per lo spegnimento in modalità inattiva. Un utente può impostare qualsiasi valore compreso tra il limite inferiore e il limite superiore.
1. Avvia Amazon SageMaker Studio seguendo la procedura riportata di seguito[Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Nella sezione **Applicazioni**, seleziona il tipo di applicazione per cui aggiornare il tempo di spegnimento in modalità inattiva.
1. Seleziona lo spazio da aggiornare.
1. Aggiorna il campo **Tempo di spegnimento inattivo (minuti)** con il valore desiderato.
**Nota**
Se lo spegnimento in modalità inattiva viene impostato mentre le applicazioni sono in esecuzione, è necessario riavviarle affinché le impostazioni di questa funzionalità abbiano effetto.
# Applicazioni supportate in Amazon SageMaker Studio
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Amazon SageMaker Studio supporta le seguenti applicazioni:
+ **Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source**: l’Editor di codice offre un ambiente di sviluppo integrato (IDE) leggero e potente con scorciatoie familiari, terminali, funzionalità di debug avanzate e strumenti di rifattorizzazione avanzati. È un’applicazione completamente gestita e basata su browser in Studio. Per ulteriori informazioni, consulta [Editor di codice in Amazon SageMaker Studio](code-editor.md).
+ **Amazon SageMaker Studio Classic** — Amazon SageMaker Studio Classic è un IDE basato sul Web per l'apprendimento automatico. Con Studio Classic puoi creare, addestrare, eseguire il debug, implementare e monitorare i modelli di machine learning. Per ulteriori informazioni, consulta [Amazon SageMaker Studio Classic](studio.md).
+ **JupyterLab**— JupyterLab offre una serie di funzionalità che ampliano l'offerta di notebook completamente gestiti. Include kernel che si avviano in pochi secondi, un runtime preconfigurato con i più diffusi sistemi di data science, framework di machine learning e archiviazione a blocchi ad alte prestazioni. Per ulteriori informazioni, consulta [SageMaker JupyterLab](studio-updated-jl.md).
+ **Amazon SageMaker Canvas**: con SageMaker Canvas, puoi utilizzare l'apprendimento automatico per generare previsioni senza scrivere codice. Con Canvas, puoi chattare con i più diffusi modelli di linguaggio di grandi dimensioni (LLMs), accedere ai ready-to-use modelli o creare un modello personalizzato addestrato sui tuoi dati. Per ulteriori informazioni, consulta [Amazon SageMaker Tela](canvas.md).
+ **RStudio**— RStudio è un ambiente di sviluppo integrato per R. Include una console e un editor di evidenziazione della sintassi che supporta l'esecuzione diretta del codice. Include anche strumenti per la grafica, la cronologia, il debug e la gestione degli spazi di lavoro. Per ulteriori informazioni, consulta [RStudio su Amazon SageMaker AI](rstudio.md).
# Connect il tuo IDE remoto a SageMaker spazi con accesso remoto
Puoi connetterti in remoto dal tuo IDE remoto agli spazi Amazon SageMaker Studio. Puoi utilizzare la tua configurazione IDE locale personalizzata, inclusi strumenti di sviluppo assistito dall'intelligenza artificiale ed estensioni personalizzate, con le risorse di calcolo scalabili di Amazon AI. SageMaker In questa guida sono descritti i concetti e le istruzioni di configurazione per gli amministratori e gli utenti.
Una connessione IDE remota stabilisce una connessione sicura tra l'IDE locale e gli spazi. SageMaker Questa connessione consente di:
+ **Accedi alle risorse di calcolo SageMaker AI**: esegui codice su un'infrastruttura SageMaker AI scalabile dal tuo ambiente locale
+ **Mantieni i limiti di sicurezza**: lavora all'interno dello stesso framework di sicurezza dell'IA SageMaker
+ **Mantieni la tua esperienza IDE familiare**: utilizza estensioni, temi e configurazioni locali compatibili che supportano lo sviluppo remoto
**Nota**
Non tutte le estensioni IDE sono compatibili con lo sviluppo remoto. Le estensioni che richiedono componenti GUI locali, hanno dipendenze dall’architettura o richiedono interazioni client-server specifiche potrebbero non funzionare correttamente nell’ambiente remoto. Verifica che le estensioni richieste supportino lo sviluppo remoto prima dell'uso.
**Topics**
+ [Concetti chiave](#remote-access-key-concepts)
+ [Metodi di connessione](#remote-access-connection-methods)
+ [Supportato IDEs](#remote-access-supported-ides)
+ [Requisiti della versione IDE](#remote-access-ide-version-requirements)
+ [Requisiti del sistema operativo](#remote-access-os-requirements)
+ [Prerequisiti del computer locale](#remote-access-local-prerequisites)
+ [Requisiti delle immagini](#remote-access-image-requirements)
+ [Requisiti per l’istanza](#remote-access-instance-requirements)
+ [Configurazione dell’accesso remoto](remote-access-remote-setup.md)
+ [Configura IDE remoto](remote-access-local-ide-setup.md)
+ [AWS Regioni supportate](remote-access-supported-regions.md)
## Concetti chiave
+ **Connessione remota**: un tunnel sicuro tra l'IDE remoto e uno SageMaker spazio. Questa connessione consente lo sviluppo interattivo e l'esecuzione del codice utilizzando risorse di calcolo SageMaker AI.
+ [https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html): un ambiente dedicato all'interno di Amazon SageMaker Studio in cui puoi gestire lo storage e le risorse per le tue applicazioni Studio.
+ **Deep link**: un pulsante (URL diretto) dall' SageMaker interfaccia utente che avvia una connessione remota all'IDE locale.
## Metodi di connessione
Esistono tre modi principali per connettere l'IDE remoto agli SageMaker spazi:
+ **Accesso diretto**: puoi connetterti direttamente a uno spazio specifico utilizzando il pulsante **Apri spazio con** disponibile in SageMaker AI. Questo utilizza modelli di URL per stabilire una connessione remota e aprire il tuo SageMaker spazio nel tuo IDE remoto.
+ [https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html): puoi eseguire l’autenticazione con AWS Toolkit for Visual Studio Code. Ciò ti consente di connetterti agli spazi e aprire una finestra connessa in remoto dal tuo IDE remoto.
+ **Connessione terminale SSH**: puoi connetterti tramite riga di comando utilizzando la configurazione SSH.
## Supportato IDEs
La connessione remota agli spazi di Studio supporta:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Cursore](https://cursor.com/home)
## Requisiti della versione IDE
La tabella seguente elenca i requisiti minimi di versione per ogni IDE remoto supportato.
| IDE | Versione minima |
| --- | --- |
| Visual Studio Code | [v1.90 o superiore](https://code.visualstudio.com/updates/v1_90). Ti consigliamo di utilizzare l'[ultima versione stabile](https://code.visualstudio.com/updates). |
| Kiro | v0.10.78 o superiore |
| Cursore | v2.6.18 o superiore |
L'estensione AWS Toolkit è necessaria per connettere l'IDE remoto agli spazi di Studio. Per Kiro e Cursor, è richiesta la versione dell'estensione AWS Toolkit v3.100 o successiva.
## Requisiti del sistema operativo
Per connetterti in remoto agli spazi di Studio, devi disporre di uno dei seguenti sistemi operativi:
+ macOS 13\$1
+ Windows 10
+ [Il supporto per Windows 10 termina il 14 ottobre 2025](https://support.microsoft.com/en-us/windows/windows-10-support-ends-on-october-14-2025-2ca8b313-1946-43d3-b55c-2b95b107f281)
+ Windows 11
+ Linux
+ Per VS Code, installa il [Microsoft VS Code ufficiale per Linux](https://code.visualstudio.com/docs/setup/linux), non una versione open source
## Prerequisiti del computer locale
Prima di connettere l'IDE remoto agli spazi di Studio, assicurati che il computer locale disponga delle dipendenze e dell'accesso alla rete richiesti.
**Importante**
Gli ambienti con restrizioni all'installazione del software possono impedire agli utenti di installare le dipendenze richieste. Cerca AWS Toolkit for Visual Studio Code automaticamente queste dipendenze all'avvio delle connessioni remote e richiederà l'installazione se ce ne sono alcune mancanti. Coordinatevi con il vostro reparto IT per garantire la disponibilità di questi componenti.
**Dipendenze locali richieste**
Sul computer locale devono essere installati i seguenti componenti:
+ **[Remote-SSH Extension: estensione](https://code.visualstudio.com/docs/remote/ssh)** di sviluppo remoto per il tuo IDE (disponibile nel marketplace delle estensioni per VS Code, Kiro e Cursor)
+ **[Plugin Session Manager](https://docs.aws.amazon.com/systems-manager/latest/userguide/session-manager-working-with-install-plugin.html)**: necessario per la gestione sicura delle sessioni
+ **Client SSH**: componente standard sulla maggior parte delle macchine ([OpenSSH consigliato](https://learn.microsoft.com/en-us/windows-server/administration/openssh/openssh_install_firstuse) per Windows)
+ **Comando IDE CLI**: in genere incluso nell'installazione IDE (ad esempio, per VS Code, `code` per Kiro, `kiro` `cursor` per Cursor)
**Requisiti specifici della piattaforma**
+ **Utenti Windows**: per le connessioni terminali SSH è richiesta la versione PowerShell 5.1 o successiva
**requisiti di connettività di rete**
Il computer locale deve avere accesso di rete agli [endpoint di Session Manager](https://docs.aws.amazon.com/general/latest/gr/ssm.html). Ad esempio, negli Stati Uniti orientali (Virginia settentrionale) (us-east-1) questi possono essere:
+ ssm.us-east-1.amazonaws.com
+ ssm.us-east-1.api.aws
+ ssmmessages.us-east-1.amazonaws.com
+ ec2messages.us-east-1.amazonaws.com
## Requisiti delle immagini
**SageMaker Immagini di distribuzione**
Quando si utilizza SageMaker Distribution con accesso remoto, utilizzare [SageMaker Distribution](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-distribution.html) versione 2.7 o successiva.
**Immagini personalizzate**
Se utilizzi [Bring Your Own Image (BYOI)](studio-updated-byoi.md) l'accesso remoto, assicurati di seguire le [specifiche dell'immagine personalizzata](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-byoi-specs.html) e assicurati che siano installate le seguenti dipendenze:
+ `curl`o `wget` — Necessario per scaricare i componenti AWS CLI
+ `unzip`— Necessario per estrarre i file AWS CLI di installazione
+ `tar`— Necessario per l'estrazione dell'archivio
+ `gzip`— Necessario per la gestione di file compressi
## Requisiti per l’istanza
+ **Memoria**: almeno 8 GB
+ **Tipi di istanze**: utilizza istanze con almeno 8 GB di memoria. I seguenti tipi di istanze *non* sono supportati a causa della memoria insufficiente (meno di 8 GB): `ml.t3.medium`, `ml.c7i.large`, `ml.c6i.large`, `ml.c6id.large` e `ml.c5.large`. Per un elenco completo dei tipi di istanze, consulta la pagina [Amazon EC2 On-Demand Pricing](https://aws.amazon.com/ec2/pricing/on-demand/).
**Topics**
+ [Concetti chiave](#remote-access-key-concepts)
+ [Metodi di connessione](#remote-access-connection-methods)
+ [Supportato IDEs](#remote-access-supported-ides)
+ [Requisiti della versione IDE](#remote-access-ide-version-requirements)
+ [Requisiti del sistema operativo](#remote-access-os-requirements)
+ [Prerequisiti del computer locale](#remote-access-local-prerequisites)
+ [Requisiti delle immagini](#remote-access-image-requirements)
+ [Requisiti per l’istanza](#remote-access-instance-requirements)
+ [Configurazione dell’accesso remoto](remote-access-remote-setup.md)
+ [Configura IDE remoto](remote-access-local-ide-setup.md)
+ [AWS Regioni supportate](remote-access-supported-regions.md)
# Configurazione dell’accesso remoto
Prima che gli utenti possano connettere il proprio IDE remoto agli spazi di Studio, l'amministratore deve configurare le autorizzazioni. Questa sezione fornisce istruzioni per gli amministratori su come configurare il proprio dominio Amazon SageMaker AI con accesso remoto.
I diversi metodi di connessione richiedono autorizzazioni IAM specifiche. Configura le autorizzazioni appropriate a seconda del tipo di connessione utilizzato dagli utenti. Utilizza il flusso di lavoro seguente insieme alle autorizzazioni specifiche per il metodo di connessione.
**Importante**
Attualmente le connessioni remote agli IDE non vengono autenticate con il Centro identità IAM, ma con le credenziali IAM. Questo vale per i domini che utilizzano il [metodo di autenticazione](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html#onboard-custom-authentication-details) del Centro identità IAM per concedere agli utenti l’accesso al dominio. Se preferisci non utilizzare l’autenticazione IAM per le connessioni remote, puoi scegliere di non aderire disabilitando questa funzionalità con la chiave condizionale `RemoteAccess` nelle policy IAM. Per ulteriori informazioni, consulta [Applicazione dell’accesso remoto](remote-access-remote-setup-abac.md#remote-access-remote-setup-abac-remote-access-enforcement). Quando si utilizzano le credenziali IAM, le connessioni IDE remote possono mantenere le sessioni attive anche dopo la disconnessione dalla sessione di IAM Identity Center. A volte, queste connessioni IDE remote possono persistere fino a 12 ore. Per garantire la sicurezza dell'ambiente, gli amministratori devono rivedere le impostazioni sulla durata delle sessioni, ove possibile, e prestare attenzione quando utilizzano workstation condivise o reti pubbliche.
1. Scegli una delle autorizzazioni seguenti in base ai diversi metodi di connessione degli utenti descritti in [Metodi di connessione](remote-access.md#remote-access-connection-methods).
1. [Crea una policy IAM personalizzata](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) basata sull’autorizzazione per il metodo di connessione.
**Topics**
+ [Fase 1. Configura la sicurezza e le autorizzazioni](#remote-access-remote-setup-permissions)
+ [Fase 2. Abilita l’accesso remoto al tuo spazio](#remote-access-remote-setup-enable)
+ [Controllo degli accessi avanzato](remote-access-remote-setup-abac.md)
+ [Configurazione di Studio per l’esecuzione con sottoreti senza accesso a Internet all’interno di un VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md)
+ [Configura il filtraggio automatico dello spazio di Studio quando usi il AWS Toolkit](remote-access-remote-setup-filter.md)
## Fase 1. Configura la sicurezza e le autorizzazioni
**Topics**
+ [Metodo 1: autorizzazioni per i link diretti](#remote-access-remote-setup-method-1-deep-link-permissions)
+ [Metodo 2: autorizzazioni AWS Toolkit](#remote-access-remote-setup-method-2-aws-toolkit-permissions)
+ [Metodo 3: autorizzazioni del terminale SSH](#remote-access-remote-setup-method-3-ssh-terminal-permissions)
**Importante**
L'utilizzo di autorizzazioni ampie per`sagemaker:StartSession`, in particolare con una risorsa wildcard, `*` comporta il rischio che qualsiasi utente con questa autorizzazione possa avviare una sessione con qualsiasi SageMaker app Space dell'account. Ciò può comportare l'impatto dell'accesso involontario degli scienziati dei dati agli Spazi di altri utenti. SageMaker Per gli ambienti di produzione, è necessario limitare queste autorizzazioni a uno spazio specifico per ARNs applicare il principio del privilegio minimo. Vedi esempi [Controllo degli accessi avanzato](remote-access-remote-setup-abac.md) di politiche di autorizzazione più granulari che utilizzano risorse ARNs, tag e vincoli basati sulla rete.
### Metodo 1: autorizzazioni per i link diretti
[Per gli utenti che si connettono tramite deep link dall' SageMaker interfaccia utente, utilizza la seguente autorizzazione e collegala al ruolo di [esecuzione dello spazio SageMaker AI o al ruolo di esecuzione del dominio](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role-space).](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) Se il ruolo di esecuzione dello spazio non è configurato, per impostazione predefinita viene utilizzato il ruolo di esecuzione del dominio.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnSpacesToUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": "arn:*:sagemaker:*:*:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:ResourceTag/sagemaker:user-profile-arn": "arn:aws:sagemaker:*:*:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
}
}
}
]
}
```
------
### Metodo 2: autorizzazioni AWS Toolkit
Per gli utenti che si connettono tramite l' AWS Toolkit for Visual Studio Code estensione, allega la seguente politica a una delle seguenti:
+ Per l’autenticazione IAM, collega questa policy all’utente o al ruolo IAM.
+ Per l’autenticazione IdC, collega questa policy ai [set di autorizzazioni](https://docs.aws.amazon.com/singlesignon/latest/userguide/permissionsetsconcept.html) gestiti dall’IdC.
Per mostrare solo gli spazi relativi all'utente autenticato, consulta[Panoramica sulla funzionalità di filtraggio](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
**Importante**
Questa policy, che utilizza `*` come vincolo delle risorse, è consigliata solo per l’esecuzione di test rapidi. Per gli ambienti di produzione, è necessario limitare queste autorizzazioni a uno spazio specifico ARNs per applicare il principio del privilegio minimo. Vedi esempi [Controllo degli accessi avanzato](remote-access-remote-setup-abac.md) di politiche di autorizzazione più granulari che utilizzano risorse ARNs, tag e vincoli basati sulla rete.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:ListSpaces",
"sagemaker:DescribeSpace",
"sagemaker:ListApps",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:UpdateSpace",
"sagemaker:CreateApp",
"sagemaker:DeleteApp",
"sagemaker:AddTags"
],
"Resource": "*"
},
{
"Sid": "AllowStartSessionOnSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
### Metodo 3: autorizzazioni del terminale SSH
Per le connessioni terminali SSH, l'`StartSession`API viene richiamata dallo script di comando del proxy SSH riportato di seguito, utilizzando le credenziali locali. AWS AWS CLI Per informazioni e istruzioni [sulla configurazione](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html) delle credenziali locali dell'utente, consulta Configure the. AWS Per utilizzare queste autorizzazioni:
1. Collega questa policy all’utente o al ruolo IAM associato alle credenziali AWS locali.
1. Se utilizzi un profilo di credenziali denominato, modifica il comando proxy nella configurazione SSH:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
**Nota**
La policy deve essere collegata all'identità IAM (utente/ruolo) utilizzata nella configurazione delle AWS credenziali locali, non al ruolo di esecuzione del dominio Amazon SageMaker AI.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowStartSessionOnSpecificSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
Dopo la configurazione, gli utenti possono eseguire `ssh my_studio_space_abc` per avviare lo spazio. Per ulteriori informazioni, consulta [Metodo 3: connettersi dal terminale tramite la CLI SSH](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli).
## Fase 2. Abilita l’accesso remoto al tuo spazio
Dopo aver configurato le autorizzazioni, devi attivare l'**accesso remoto** e avviare lo spazio in Studio prima che l'utente possa connettersi utilizzando il proprio IDE remoto. Questa configurazione deve essere eseguita solo una volta.
**Nota**
Se gli utenti si connettono tramite[Metodo 2: autorizzazioni AWS Toolkit](#remote-access-remote-setup-method-2-aws-toolkit-permissions), questo passaggio non è necessariamente necessario. AWS Toolkit for Visual Studio gli utenti possono abilitare l'accesso remoto dal Toolkit.
**Attivazione dell’accesso remoto per lo spazio Studio**
1. [Avvia Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. Apri l’interfaccia utente di Studio.
1. Vai al tuo spazio.
1. Nei dettagli dello spazio, attiva l’opzione **Accesso remoto**.
1. Scegli **Esegui lo spazio**.
# Controllo degli accessi avanzato
Amazon SageMaker AI supporta il controllo degli [accessi basato sugli attributi (ABAC) per ottenere un controllo](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction_attribute-based-access-control.html) granulare degli accessi per le connessioni IDE remote utilizzando le politiche ABAC. Di seguito sono riportati alcuni esempi di politiche ABAC per connessioni IDE remote.
**Topics**
+ [Applicazione dell’accesso remoto](#remote-access-remote-setup-abac-remote-access-enforcement)
+ [Controllo degli accessi basato su tag](#remote-access-remote-setup-abac-tag-based-access-control)
## Applicazione dell’accesso remoto
Controlla l’accesso alle risorse utilizzando la chiave di condizione `sagemaker:RemoteAccess`. Questo è supportato sia da che`CreateSpace`. `UpdateSpace` APIs Nell'esempio seguente viene utilizzato `CreateSpace`.
Puoi impedire agli utenti di creare spazi con l’accesso remoto abilitato. Limitando le impostazioni predefinite di accesso, puoi garantire una maggiore sicurezza. La policy seguente consente agli utenti di:
+ Creare nuovi spazi Studio in cui l’accesso remoto è esplicitamente disabilitato.
+ Creare nuovi spazi Studio senza specificare alcuna impostazione di accesso remoto.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenyCreateSpaceRemoteAccessEnabled",
"Effect": "Deny",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*",
"Condition": {
"StringEquals": {
"sagemaker:RemoteAccess": [
"ENABLED"
]
}
}
},
{
"Sid": "AllowCreateSpace",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*"
}
]
}
```
------
## Controllo degli accessi basato su tag
Implementa il controllo degli accessi [basato su tag](https://docs.aws.amazon.com/whitepapers/latest/tagging-best-practices/what-are-tags.html) per limitare le connessioni in base ai tag di risorse e principali.
Puoi limitare l’accesso degli utenti esclusivamente alle risorse appropriate per i loro ruoli e le loro assegnazioni di progetto. Puoi utilizzare la policy seguente per:
+ Consentire agli utenti di connettersi solo agli spazi che corrispondono al team, all’ambiente e al centro di costo assegnato.
+ Implementare un controllo granulare degli accessi basato sulla struttura organizzativa.
In questo esempio, lo spazio contiene i tag seguenti:
```
{ "Team": "ML", "Environment": "Production", "CostCenter": "12345" }
```
È possibile avere un ruolo che contiene la policy seguente che associa i tag delle risorse e i tag dei principali:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnTaggedSpacesInDomain",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/Team": "${aws:PrincipalTag/Team}",
"aws:ResourceTag/Environment": "${aws:PrincipalTag/Environment}",
"aws:ResourceTag/CostCenter": "${aws:PrincipalTag/CostCenter}",
"aws:ResourceTag/IDC_UserName": "${aws:PrincipalTag/IDC_UserName}"
}
}
}
]
}
```
------
Quando i tag del ruolo corrispondono, l’utente è autorizzato ad avviare la sessione e a connettersi in remoto al proprio spazio. Per ulteriori informazioni, consulta [Controllo dell’accesso alle risorse AWS con i tag](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_tags.html).
# Configurazione di Studio per l’esecuzione con sottoreti senza accesso a Internet all’interno di un VPC
Questa guida mostra come connetterti agli spazi Amazon SageMaker Studio dal tuo IDE remoto quando il tuo dominio Amazon SageMaker AI viene eseguito in sottoreti private senza accesso a Internet. Scoprirai quali sono i requisiti di connettività e le opzioni di configurazione per stabilire connessioni remote sicure in ambienti di rete isolati.
Puoi configurare Amazon SageMaker Studio per l'esecuzione in modalità solo VPC con sottoreti senza accesso a Internet. Questa configurazione migliora la sicurezza dei carichi di lavoro di machine learning operando in un ambiente di rete isolato in cui tutto il traffico fluisce attraverso il VPC. Per abilitare le comunicazioni esterne mantenendo al contempo la sicurezza, utilizza gli endpoint VPC per i AWS servizi e configura PrivateLink VPC per le dipendenze richieste. AWS
**Supporto IDE per connessioni di sottorete private**
La tabella seguente mostra i metodi di connessione supportati per ogni IDE remoto quando ci si connette a spazi Studio in sottoreti private senza accesso a Internet.
| Metodo di connessione | VS Code | Kiro | Cursore |
| --- | --- | --- | --- |
| Supporto per proxy HTTP | Supportata | Supportata | Non supportata |
| Server remoto ed estensioni preconfezionati | Supportata | Non supportata | Non supportata |
**Importante**
Il cursore non è supportato per la connessione agli spazi Studio in sottoreti private senza accesso a Internet in uscita.
**Topics**
+ [Requisiti della rete di accesso remoto di Studio](#remote-access-remote-setup-vpc-subnets-without-internet-access-network-requirements)
+ [Configurazione della rete di accesso remoto di Studio](#remote-access-remote-setup-vpc-subnets-without-internet-access-setup)
## Requisiti della rete di accesso remoto di Studio
**Limitazioni della modalità VPC**: Studio in modalità VPC supporta solo le sottoreti private. Studio non funziona con le sottoreti collegate direttamente a un gateway Internet (IGW). Le connessioni IDE remote condividono le stesse limitazioni dell'IA. SageMaker Per ulteriori informazioni, consulta [Connessione dei notebook Studio in un VPC a risorse esterne](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html).
### Requisiti VPC PrivateLink
Quando l' SageMaker intelligenza artificiale viene eseguita in sottoreti private, configura questi endpoint VPC SSM oltre agli endpoint VPC standard richiesti per. SageMaker Per ulteriori informazioni, consulta [Connessione di Studio tramite un endpoint VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-interface-endpoint.html).
+ `com.amazonaws.REGION.ssm`
+ `com.amazonaws.REGION.ssmmessages`
**Raccomandazioni sulla policy degli endpoint VPC**
Di seguito sono riportate le policy degli endpoint VPC consigliate che consentono le azioni necessarie per l'accesso remoto utilizzando la `aws:PrincipalIsAWSService` condizione per garantire che solo servizi AWS come Amazon SageMaker AI possano effettuare le chiamate. Per ulteriori informazioni sulla chiave di `aws:PrincipalIsAWSService` condizione, consulta [la](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-principalisawsservice) documentazione.
**Politica degli endpoint SSM**
Utilizza la seguente politica per l'`com.amazonaws.REGION.ssm`endpoint:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssm:CreateActivation",
"ssm:RegisterManagedInstance",
"ssm:DeleteActivation",
"ssm:DeregisterManagedInstance",
"ssm:AddTagsToResource",
"ssm:UpdateInstanceInformation",
"ssm:UpdateInstanceAssociationStatus",
"ssm:DescribeInstanceInformation",
"ssm:ListInstanceAssociations",
"ssm:ListAssociations",
"ssm:GetDocument",
"ssm:PutInventory"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Politica degli endpoint dei messaggi SSM**
Utilizza la seguente politica per l'`com.amazonaws.REGION.ssmmessages`endpoint:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssmmessages:CreateControlChannel",
"ssmmessages:CreateDataChannel",
"ssmmessages:OpenControlChannel",
"ssmmessages:OpenDataChannel"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Requisiti di rete specifici di VS Code**
La connessione remota VS Code richiede lo sviluppo remoto VS Code, che a sua volta necessita di un accesso alla rete specifico per installare il server remoto e le estensioni. Consulta le [domande frequenti sullo sviluppo remoto](https://code.visualstudio.com/docs/remote/faq) nella documentazione di Visual Studio Code per i requisiti di rete completi. Di seguito è riportato un riepilogo dei requisiti:
+ L’accesso agli endpoint del server VS Code di Microsoft è necessario per installare e aggiornare il server remoto VS Code.
+ L’accesso a Visual Studio Marketplace e ai relativi endpoint CDN è necessario per installare le estensioni VS Code tramite il pannello delle estensioni (in alternativa, le estensioni possono essere installate manualmente utilizzando i file VSIX senza connessione Internet).
+ Alcune estensioni potrebbero richiedere l’accesso a ulteriori endpoint per scaricare le relative dipendenze specifiche. Consulta la documentazione dell’estensione per i requisiti di connettività specifici.
**Requisiti di rete specifici di Kiro**
La connessione remota a Kiro richiede lo sviluppo remoto di Kiro, che richiede un accesso specifico alla rete per installare il server remoto e le estensioni. Per la configurazione del firewall e del server proxy, consulta Configurazione del firewall [Kiro.](https://kiro.dev/docs/privacy-and-security/firewalls/) I requisiti sono simili a quelli di VS Code:
+ L'accesso agli endpoint del server Kiro è necessario per installare e aggiornare il server remoto Kiro.
+ L'accesso al marketplace delle estensioni e ai relativi endpoint CDN è necessario per installare le estensioni Kiro tramite il pannello di estensione.
+ Alcune estensioni potrebbero richiedere l’accesso a ulteriori endpoint per scaricare le relative dipendenze specifiche. Consulta la documentazione dell’estensione per i requisiti di connettività specifici.
## Configurazione della rete di accesso remoto di Studio
Sono disponibili le seguenti opzioni per connettere l'IDE remoto agli spazi Studio in sottoreti private:
+ Proxy HTTP (supportato per VS Code e Kiro)
+ Server remoto ed estensioni preconfezionati (solo VS Code)
### Configurazione del proxy HTTP con elenchi controllati di elementi consentiti
Se lo spazio di Studio è protetto da un firewall o da un proxy, consenti l'accesso al server IDE e agli endpoint relativi alle estensioni CDNs .
1. Per eseguire il proxy HTTP, configura una sottorete pubblica, ad esempio Squid, dove puoi specificare quali siti web autorizzare. Assicurati che il proxy HTTP sia accessibile tramite spazi. SageMaker
1. La sottorete pubblica può trovarsi nello stesso VPC utilizzato dallo Studio o in un VPC separato con tutti i domini di intelligenza artificiale VPCs utilizzati da Amazon. SageMaker
### Configura server ed estensioni remoti preconfezionati (solo VS Code)
**Nota**
Questa opzione è disponibile solo per Visual Studio Code. Kiro e Cursor non supportano la configurazione preconfezionata del server remoto.
Quando gli spazi Studio non possono accedere agli endpoint esterni per scaricare il server remoto e le estensioni VS Code, puoi preconfezionarli. Con questo approccio, esporti un tarball che contiene la directory `.VS Code-server` per una versione specifica di VS Code. Quindi, si utilizza uno script SageMaker AI Lifecycle Configuration (LCC) per copiare ed estrarre il tarball nella home directory () degli spazi di Studio. `/home/sagemaker-user` Questa soluzione basata su LCC funziona sia con immagini fornite che personalizzate. AWS Anche quando non si utilizzano sottoreti private, questo approccio accelera la configurazione del server remoto VS Code e delle estensioni preinstallate.
**Istruzioni per preconfezionare il server remoto e le estensioni VS Code**
1. Installa VS Code sul computer locale.
1. Avvia un container Docker basato su Linux (x64) con SSH abilitato, localmente o tramite uno spazio Studio con accesso a Internet. Per semplicità, consigliamo di utilizzare uno spazio Studio temporaneo con accesso remoto e accesso a Internet.
1. Connetti l’istanza VS Code installata sul container Docker locale tramite SSH remoto oppure connettiti allo spazio Studio tramite la funzionalità VS Code remoto di Studio. VS Code installa il server remoto in `.VS Code-server` nella home directory del container remoto durante la connessione. Per ulteriori informazioni, consulta [Esempio di utilizzo di Dockerfile per preconfezionare il server remoto e le estensioni VS Code](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-dockerfile).
1. Una volta completata la connessione remota, assicurati di utilizzare il profilo predefinito VS Code.
1. Installa le estensioni VS Code richieste e convalidane la funzionalità. Ad esempio, crea ed esegui un notebook per installare le estensioni relative al notebook Jupyter nel server remoto VS Code.
Assicurati di [installare l' AWS Toolkit for Visual Studio Code estensione](https://docs.aws.amazon.com/toolkit-for-visual-studio/latest/user-guide/setup.html) dopo aver effettuato la connessione al contenitore remoto.
1. Archivia la directory `$HOME/.VS Code-server` (ad esempio, `VS Code-server-with-extensions-for-1.100.2.tar.gz`) nel container Docker locale o nel terminale dello spazio Studio connesso in remoto.
1. Carica il tarball su Amazon S3.
1. Crea uno [script LCC](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lifecycle-configurations.html) ([Esempio di script LCC (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)) che:
+ Scarichi l’archivio specifico da Amazon S3.
+ Estragga l’archivio nella home directory quando viene avviato uno spazio Studio in una sottorete privata.
1. (Facoltativo) Estendi lo script LCC per supportare i tarball del server VS Code per ogni utente archiviati in cartelle Amazon S3 specifiche dell’utente.
1. (Facoltativo) Gestisci gli script LCC specifici della versione ([Esempio di script LCC (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)) da collegare ai tuoi spazi per garantire la compatibilità tra il client VS Code locale e il server remoto.
# Configura il filtraggio automatico dello spazio di Studio quando usi il AWS Toolkit
Gli utenti possono filtrare gli spazi nell' AWS Toolkit for Visual Studio Code explorer per visualizzare solo gli spazi pertinenti. Questa sezione fornisce informazioni sul filtraggio e su come configurare il filtraggio automatico.
Questa configurazione si applica solo quando si utilizza il [Metodo 2: AWS Toolkit nell'IDE remoto](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) metodo di connessione dall'IDE remoto agli spazi Amazon SageMaker Studio. Per ulteriori informazioni, consulta [Configurazione dell’accesso remoto](remote-access-remote-setup.md).
**Topics**
+ [Panoramica sulla funzionalità di filtraggio](#remote-access-remote-setup-filter-overview)
+ [Configurazione quando si esegue la connessione con le credenziali IAM](#remote-access-remote-setup-filter-set-up-iam-credentials)
## Panoramica sulla funzionalità di filtraggio
Il **filtraggio manuale** consente agli utenti di selezionare manualmente i profili utente per cui visualizzare gli spazi tramite l'interfaccia AWS Toolkit. Questo metodo funziona per tutti i tipi di autenticazione e ha la precedenza sul filtraggio automatico. Per il filtraggio manuale, consulta [Filtraggio manuale](remote-access-local-ide-setup-filter.md#remote-access-local-ide-setup-filter-manual).
Il **filtraggio automatico** mostra automaticamente solo gli spazi pertinenti per l’utente autenticato. Questo comportamento di filtraggio dipende dal metodo di autenticazione utilizzato durante l’accesso. [Per ulteriori informazioni, consulta Connessione AWS dal Toolkit](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) nella Guida per l'utente di Toolkit for VS Code. Di seguito sono elencate le opzioni di accesso.
+ **Autenticazione e connessione con SSO**: il filtraggio automatico è applicato per impostazione predefinita.
+ **Autenticazione e connessione con le credenziali IAM**: il filtraggio automatico **richiede che l’amministratore configuri** le credenziali IAM seguenti. Senza questa configurazione, AWS Toolkit non è in grado di identificare quali spazi appartengono all'utente, quindi tutti gli spazi vengono visualizzati per impostazione predefinita.
+ **Utilizzo delle credenziali utente IAM**
+ **Utilizzo delle credenziali della sessione del ruolo IAM assunto**
## Configurazione quando si esegue la connessione con le credenziali IAM
**Quando si utilizzano le credenziali utente IAM**
Il Kit di strumenti per VS Code può associare gli spazi appartenenti ai profili utente che iniziano con il nome utente IAM autenticato o il nome della sessione del ruolo assunto. Per configurarlo:
**Nota**
Per il corretto funzionamento del filtraggio automatico, gli amministratori devono configurare i nomi dei profili utente Studio in modo che seguano questa convenzione di denominazione.
+ Gli amministratori devono assicurarsi che i nomi dei profili utente Studio seguano la convenzione di denominazione:
+ Per gli utenti IAM: prefisso con `IAM-user-name-`.
+ Per i ruoli assunti: prefisso con `assumed-role-session-name-`.
+ `aws sts get-caller-identity` restituisce le informazioni sull’identità utilizzate per la corrispondenza.
+ Gli spazi che appartengono ai profili utente associati verranno filtrati automaticamente nel Kit di strumenti per VS Code.
**Quando si utilizzano le credenziali di sessione del ruolo IAM presunte** Oltre alla configurazione per l'utilizzo delle credenziali utente IAM di cui sopra, è necessario assicurarsi che la sessione ARNs includa gli identificatori utente come prefissi corrispondenti. Puoi configurare politiche di fiducia che assicurino che la sessione ARNs includa gli identificatori utente come prefissi. [Crea una policy di attendibilità](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) e collegala al ruolo assunto utilizzato per l’autenticazione.
Questa configurazione non è richiesta per le credenziali utente IAM dirette o per l’autenticazione IdC.
**Esempio di configurazione di una policy di attendibilità per le credenziali della sessione del ruolo IAM**: crea una policy di attendibilità che imponga alle sessioni del ruolo di includere il nome utente IAM. Di seguito è riportato un esempio di policy:
```
{
"Statement": [
{
"Sid": "RoleTrustPolicyRequireUsernameForSessionName",
"Effect": "Allow",
"Action": "sts:AssumeRole",
"Principal": {"AWS": "arn:aws:iam::ACCOUNT:root"},
"Condition": {
"StringLike": {"sts:RoleSessionName": "${aws:username}"}
}
}
]
}
```
# Configura IDE remoto
Dopo che gli amministratori hanno completato le istruzioni riportate in[Connect il tuo IDE remoto a SageMaker spazi con accesso remoto](remote-access.md), puoi connettere l'IDE remoto agli SageMaker spazi remoti.
**Topics**
+ [Configurazione dell’ambiente locale](#remote-access-local-ide-setup-local-environment)
+ [Connect al tuo IDE remoto](#remote-access-local-ide-setup-local-vs-code)
+ [Connessione a VPC con sottoreti senza accesso a Internet](remote-access-local-ide-setup-vpc-no-internet.md)
+ [Filtraggio degli spazi Studio](remote-access-local-ide-setup-filter.md)
## Configurazione dell’ambiente locale
Installa il tuo IDE remoto preferito sul tuo computer locale:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Cursore](https://cursor.com/home)
Per informazioni sui requisiti di versione, vedere[Requisiti della versione IDE](remote-access.md#remote-access-ide-version-requirements).
## Connect al tuo IDE remoto
Prima di poter stabilire una connessione dall'IDE remoto agli SageMaker spazi remoti, l'amministratore deve farlo[Configurazione dell’accesso remoto](remote-access-remote-setup.md). L’amministratore configura un metodo specifico per stabilire una connessione. Scegli il metodo che è stato configurato per te.
**Topics**
+ [Metodo 1: link diretto dall’interfaccia utente di Studio](#remote-access-local-ide-setup-local-vs-code-method-1-deep-link-from-studio-ui)
+ [Metodo 2: AWS Toolkit nell'IDE remoto](#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code)
+ [Metodo 3: connettersi dal terminale tramite la CLI SSH](#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli)
### Metodo 1: link diretto dall’interfaccia utente di Studio
Utilizza la procedura seguente per stabilire una connessione tramite link diretto.
1. [Avvia Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. Nell’interfaccia utente di Studio, accedi al tuo spazio.
1. Scegli **il pulsante Apri in VS Code**, **Apri in Kiro o** **Apri in cursore** per il tuo IDE preferito. Assicurati che il tuo IDE preferito sia già installato sul tuo computer locale.
1. Quando richiesto, conferma l'apertura dell'IDE. L'IDE si apre con un altro pop-up di conferma. Una volta completata, viene stabilita la connessione remota.
### Metodo 2: AWS Toolkit nell'IDE remoto
Utilizza la procedura seguente per stabilire una connessione con il AWS Toolkit for Visual Studio Code. Questo metodo è disponibile per VS Code, Kiro e Cursor.
1. Apri il tuo IDE remoto (VS Code, Kiro o Cursor).
1. Apri l'estensione AWS Toolkit.
1. [Connettiti ad AWS](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html).
1. In AWS Explorer, espandi **SageMaker AI**, quindi espandi **Studio**.
1. Trova il tuo spazio Studio.
1. Scegli l’icona **Connetti** accanto al tuo spazio per avviarlo.
**Nota**
Arresta e riavvia lo spazio nel Kit di strumenti per Visual Studio per abilitare l’accesso remoto, se non è già connesso.
Se lo spazio non utilizza una [dimensione dell’istanza](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html#remote-access-instance-requirements) supportata, ti verrà chiesto di modificare l’istanza.
### Metodo 3: connettersi dal terminale tramite la CLI SSH
Scegli una delle seguenti opzioni di piattaforma per visualizzare la procedura per stabilire una connessione utilizzando la CLI SSH.
**Nota**
Assicurati di avere [Prerequisiti del computer locale](remote-access.md#remote-access-local-prerequisites) installato le versioni più recenti prima di seguire le istruzioni riportate di seguito.
In caso [Bring Your Own Image (BYOI)](studio-updated-byoi.md) affermativo, assicuratevi di aver installato le dipendenze richieste elencate in [Requisiti delle immagini](remote-access.md#remote-access-image-requirements) prima di procedere
------
#### [ Linux/macOS ]
Crea uno script shell (ad esempio, `/home/user/sagemaker_connect.sh`):
```
#!/bin/bash
# Disable the -x option if printing each command is not needed.
set -exuo pipefail
SPACE_ARN="$1"
AWS_PROFILE="${2:-}"
# Validate ARN and extract region
if [[ "$SPACE_ARN" =~ ^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$ ]]; then
AWS_REGION="${BASH_REMATCH[1]}"
else
echo "Error: Invalid SageMaker Studio Space ARN format."
exit 1
fi
# Optional profile flag
PROFILE_ARG=()
if [[ -n "$AWS_PROFILE" ]]; then
PROFILE_ARG=(--profile "$AWS_PROFILE")
fi
# Start session
START_SESSION_JSON=$(aws sagemaker start-session \
--resource-identifier "$SPACE_ARN" \
--region "${AWS_REGION}" \
"${PROFILE_ARG[@]}")
# Extract fields using grep and sed
SESSION_ID=$(echo "$START_SESSION_JSON" | grep -o '"SessionId": "[^"]*"' | sed 's/.*: "//;s/"$//')
STREAM_URL=$(echo "$START_SESSION_JSON" | grep -o '"StreamUrl": "[^"]*"' | sed 's/.*: "//;s/"$//')
TOKEN=$(echo "$START_SESSION_JSON" | grep -o '"TokenValue": "[^"]*"' | sed 's/.*: "//;s/"$//')
# Validate extracted values
if [[ -z "$SESSION_ID" || -z "$STREAM_URL" || -z "$TOKEN" ]]; then
echo "Error: Failed to extract session information from sagemaker start session response."
exit 1
fi
# Call session-manager-plugin
session-manager-plugin \
"{\"streamUrl\":\"$STREAM_URL\",\"tokenValue\":\"$TOKEN\",\"sessionId\":\"$SESSION_ID\"}" \
"$AWS_REGION" "StartSession"
```
1. Rendi eseguibile lo script:
```
chmod +x /home/user/sagemaker_connect.sh
```
1. Configura `$HOME/.ssh/config` per aggiungere la voce seguente:
```
Host space-name
HostName 'arn:PARTITION:sagemaker:us-east-1:111122223333:space/domain-id/space-name'
ProxyCommand '/home/user/sagemaker_connect.sh' '%h'
ForwardAgent yes
AddKeysToAgent yes
StrictHostKeyChecking accept-new
```
Ad esempio, `PARTITION` può essere `aws`.
Se è necessario utilizzare un [profilo di AWS credenziali denominato](https://docs.aws.amazon.com/cli/v1/userguide/cli-configure-files.html#cli-configure-files-using-profiles), modificare il comando proxy come segue:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
+ Connettiti tramite SSH o esegui il comando SCP:
```
ssh space-name
scp file_abc space-name:/tmp/
```
------
#### [ Windows ]
**Prerequisiti per Windows:**
+ PowerShell 5.1 o versione successiva
+ Client SSH (OpenSSH consigliato)
Crea uno PowerShell script (ad esempio,): `C:\Users\user-name\sagemaker_connect.ps1`
```
# sagemaker_connect.ps1
param(
[Parameter(Mandatory=$true)]
[string]$SpaceArn,
[Parameter(Mandatory=$false)]
[string]$AwsProfile = ""
)
# Enable error handling
$ErrorActionPreference = "Stop"
# Validate ARN and extract region
if ($SpaceArn -match "^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$") {
$AwsRegion = $Matches[1]
} else {
Write-Error "Error: Invalid SageMaker Studio Space ARN format."
exit 1
}
# Build AWS CLI command
$awsCommand = @("sagemaker", "start-session", "--resource-identifier", $SpaceArn, "--region", $AwsRegion)
if ($AwsProfile) {
$awsCommand += @("--profile", $AwsProfile)
}
try {
# Start session and capture output
Write-Host "Starting SageMaker session..." -ForegroundColor Green
$startSessionOutput = & aws @awsCommand
# Try to parse JSON response
try {
$sessionData = $startSessionOutput | ConvertFrom-Json
} catch {
Write-Error "Failed to parse JSON response: $_"
Write-Host "Raw response was:" -ForegroundColor Yellow
Write-Host $startSessionOutput
exit 1
}
$sessionId = $sessionData.SessionId
$streamUrl = $sessionData.StreamUrl
$token = $sessionData.TokenValue
# Validate extracted values
if (-not $sessionId -or -not $streamUrl -or -not $token) {
Write-Error "Error: Failed to extract session information from sagemaker start session response."
Write-Host "Parsed response was:" -ForegroundColor Yellow
Write-Host ($sessionData | ConvertTo-Json)
exit 1
}
Write-Host "Session started successfully. Connecting..." -ForegroundColor Green
# Create session manager plugin command
$sessionJson = @{
streamUrl = $streamUrl
tokenValue = $token
sessionId = $sessionId
} | ConvertTo-Json -Compress
# Escape the JSON string
$escapedJson = $sessionJson -replace '"', '\"'
# Call session-manager-plugin
& session-manager-plugin "$escapedJson" $AwsRegion "StartSession"
} catch {
Write-Error "Failed to start session: $_"
exit 1
}
```
+ Configura `C:\Users\user-name\.ssh\config` per aggiungere la voce seguente:
```
Host space-name
HostName "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name"
ProxyCommand "C:\WINDOWS\System32\WindowsPowerShell\v1.0\powershell.exe" -ExecutionPolicy RemoteSigned -File "C:\\Users\\user-name\\sagemaker_connect.ps1" "%h"
ForwardAgent yes
AddKeysToAgent yes
User sagemaker-user
StrictHostKeyChecking accept-new
```
------
# Connessione a VPC con sottoreti senza accesso a Internet
Prima di connettere l'IDE remoto agli spazi di Studio in sottoreti private senza accesso a Internet, assicurati che l'amministratore lo abbia fatto. [Configurazione di Studio per l’esecuzione con sottoreti senza accesso a Internet all’interno di un VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md)
Sono disponibili le seguenti opzioni per connettere l'IDE remoto agli spazi Studio in sottoreti private:
+ Configura il proxy HTTP (supportato per VS Code e Kiro)
+ Server remoto ed estensioni preconfezionati (solo VS Code)
**Importante**
Il cursore non è supportato per la connessione agli spazi Studio in sottoreti private senza accesso a Internet in uscita.
**Topics**
+ [Proxy HTTP con elenchi controllati di elementi consentiti](#remote-access-local-ide-setup-vpc-no-internet-http-proxy-with-controlled-allow-listing)
+ [Server ed estensioni remoti preconfezionati (solo VS Code)](#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions)
## Proxy HTTP con elenchi controllati di elementi consentiti
Se lo spazio di Studio è protetto da un firewall o da un proxy, chiedete all'amministratore di consentire l'accesso al server IDE e agli endpoint relativi alle estensioni. CDNs Per ulteriori informazioni, consulta [Configurazione del proxy HTTP con elenchi controllati di elementi consentiti](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-http-proxy-with-controlled-allow-listing).
------
#### [ VS Code ]
Configura il proxy HTTP per lo sviluppo remoto di VS Code fornendo all'URL del proxy l'`remote.SSH.httpProxy`impostazione or. `remote.SSH.httpsProxy`
**Nota**
Prendi in considerazione l'abilitazione di «Remote.ssh: usa i file di configurazione Curl e Wget» per utilizzare la configurazione dall'ambiente e dai file remoti. `curlrc` `wgetrc` In questo modo i `wgetrc` file `curlrc` and, collocati nelle rispettive posizioni predefinite SageMaker nello spazio, possono essere utilizzati per abilitare determinati casi.
------
#### [ Kiro ]
Configura il proxy HTTP per lo sviluppo remoto di Kiro impostando l'`aws.sagemaker.ssh.kiro.httpsProxy`impostazione sul tuo endpoint proxy HTTP o HTTPS.
Se utilizzi i server MCP (Model Context Protocol) in Kiro, devi anche aggiungere le variabili di ambiente proxy alla configurazione del tuo server MCP:
```
"env": {
"http_proxy": "${http_proxy}",
"https_proxy": "${https_proxy}"
}
```
------
Questa opzione, che richiede le autorizzazioni per configurare il proxy HTTP, consente di installare estensioni aggiuntive in modo flessibile, visto che alcune estensioni richiedono un endpoint pubblico.
## Server ed estensioni remoti preconfezionati (solo VS Code)
**Nota**
Questa opzione è disponibile solo per Visual Studio Code. Kiro e Cursor non supportano la configurazione preconfezionata del server remoto.
Quando gli spazi Studio non possono accedere agli endpoint esterni per scaricare il server remoto e le estensioni VS Code, puoi preconfezionarli. Con questo approccio, l’amministratore può esportare un tarball che contiene la directory `.VS Code-server` per una versione specifica di VS Code. Quindi, l'amministratore utilizza uno script SageMaker AI Lifecycle Configuration (LCC) per copiare ed estrarre il tarball nella home directory (). `/home/sagemaker-user` Per ulteriori informazioni, consulta [Configura server ed estensioni remoti preconfezionati (solo VS Code)](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-pre-packaged-vs-code-remote-server-and-extensions).
**Istruzioni per utilizzare il preconfezionamento per il server remoto e le estensioni VS Code**
1. Installa VS Code sul computer locale.
1. Quando ti connetti allo spazio: SageMaker
+ Utilizza il profilo predefinito per garantire la compatibilità con le estensioni preconfezionate. In caso contrario, dovrai installare le estensioni utilizzando i file VSIX scaricati dopo la connessione allo spazio Studio.
+ Scegli uno script LCC specifico per la versione di VS Code da collegare allo spazio quando lo avvii.
### Esempio di utilizzo di Dockerfile per preconfezionare il server remoto e le estensioni VS Code
Di seguito è riportato un Dockerfile di esempio per avviare un container locale con il server SSH preinstallato, se non è possibile creare uno spazio con accesso remoto e accesso a Internet.
**Nota**
In questo esempio, il server SSH non richiede l’autenticazione e viene utilizzato solo per esportare il server remoto VS Code.
Il container deve essere creato ed eseguito su un’architettura x64.
```
FROM amazonlinux:2023
# Install OpenSSH server and required tools
RUN dnf install -y \
openssh-server \
shadow-utils \
passwd \
sudo \
tar \
gzip \
&& dnf clean all
# Create a user with no password
RUN useradd -m -s /bin/bash sagemaker-user && \
passwd -d sagemaker-user
# Add sagemaker-user to sudoers via wheel group
RUN usermod -aG wheel sagemaker-user && \
echo 'sagemaker-user ALL=(ALL) NOPASSWD:ALL' > /etc/sudoers.d/sagemaker-user && \
chmod 440 /etc/sudoers.d/sagemaker-user
# Configure SSH to allow empty passwords and password auth
RUN sed -i 's/^#\?PermitEmptyPasswords .*/PermitEmptyPasswords yes/' /etc/ssh/sshd_config && \
sed -i 's/^#\?PasswordAuthentication .*/PasswordAuthentication yes/' /etc/ssh/sshd_config
# Generate SSH host keys
RUN ssh-keygen -A
# Expose SSH port
EXPOSE 22
WORKDIR /home/sagemaker-user
USER sagemaker-user
# Start SSH server
CMD ["bash"]
```
Utilizza i comandi seguenti per creare ed eseguire il container:
```
# Build the image
docker build . -t remote_server_export
# Run the container
docker run --rm -it -d \
-v /tmp/remote_access/.VS Code-server:/home/sagemaker-user/.VS Code-server \
-p 2222:22 \
--name remote_server_export \
remote_server_export
# change the permisson for the mounted folder
docker exec -i remote_server_export \
bash -c 'sudo chown sagemaker-user:sagemaker-user ~/.VS Code-server'
# start the ssh server in the container
docker exec -i remote_server_export bash -c 'sudo /usr/sbin/sshd -D &'
```
Connettiti con il comando seguente:
```
ssh sagemaker-user@localhost -p 2222
```
Prima di connettere il container, configura quanto segue nel file `.ssh/config`. Successivamente, potrai visualizzare `remote_access_export` come nome host nel pannello laterale SSH remoto durante la connessione. Esempio:
```
Host remote_access_export
HostName localhost
User=sagemaker-user
Port 2222
ForwardAgent yes
```
Archivia `/tmp/remote_access/.VS Code-server` e segui la procedura indicata in Server remoto ed estensioni VS Code preconfezionati per connettere e installare l’estensione. Dopo la decompressione, assicurati che la cartella `.VS Code-server` venga visualizzata come cartella principale.
```
cd /tmp/remote_access/
sudo tar -czvf VS Code-server-with-extensions-for-1.100.2.tar.gz .VS Code-server
```
### Esempio di script LCC (LCC-install-VS C ode-server-v 1.100.2)
Di seguito è riportato un esempio che spiega come installare una versione specifica del server remoto VS Code.
```
#!/bin/bash
set -x
remote_server_file=VS Code-server-with-extensions-for-1.100.2.tar.gz
if [ ! -d "${HOME}/.VS Code-server" ]; then
cd /tmp
aws s3 cp s3://S3_BUCKET/remote_access/${remote_server_file} .
tar -xzvf ${remote_server_file}
mv .VS Code-server "${HOME}"
rm ${remote_server_file}
else
echo "${HOME}/.VS Code-server already exists, skipping download and install."
fi
```
# Filtraggio degli spazi Studio
Puoi utilizzare il filtro per visualizzare solo gli spazi Amazon SageMaker AI pertinenti nell' AWS Toolkit for Visual Studio Code explorer. Di seguito vengono fornite informazioni sul filtraggio manuale e sul filtraggio automatico. Per ulteriori informazioni sulle definizioni di filtraggio manuale e automatico, consulta [Panoramica sulla funzionalità di filtraggio](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
Questa configurazione si applica solo quando si utilizza il [Metodo 2: AWS Toolkit nell'IDE remoto](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) metodo di connessione dall'IDE remoto agli spazi Amazon SageMaker Studio. Per ulteriori informazioni, consulta [Configurazione dell’accesso remoto](remote-access-remote-setup.md).
**Topics**
+ [Filtraggio manuale](#remote-access-local-ide-setup-filter-manual)
+ [Configurazione del filtraggio automatico quando si utilizzano le credenziali IAM per l’accesso](#remote-access-local-ide-setup-filter-automatic-IAM-credentials)
## Filtraggio manuale
Per filtrare manualmente gli spazi visualizzati:
+ Apri il tuo IDE remoto e vai all'esploratore del pannello laterale Toolkit for VS Code
+ Trova la sezione **SageMaker AI**
+ Scegli l'icona del filtro a destra dell'intestazione della sezione SageMaker AI. Si apre un menu a discesa.
+ Dal menu a discesa, seleziona i profili utente per i quali desideri visualizzare gli spazi.
## Configurazione del filtraggio automatico quando si utilizzano le credenziali IAM per l’accesso
Il filtraggio automatico dipende dal metodo di autenticazione utilizzato durante l’accesso. [Per ulteriori informazioni, consulta Connecting to AWS from the Toolkit](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) nella Toolkit for VS Code User Guide.
Se utilizzi le **credenziali IAM** per l’autenticazione e la connessione, il filtraggio automatico richiede [Configurazione quando si esegue la connessione con le credenziali IAM](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-set-up-iam-credentials). Senza questa configurazione, se gli utenti aderiscono al filtraggio delle identità, non verranno visualizzati spazi.
Una volta impostato quanto sopra, AWS Toolkit abbina gli spazi appartenenti ai profili utente che iniziano con il nome utente IAM autenticato o il nome della sessione del ruolo assunto.
Il filtraggio automatico è opzionale per gli utenti:
+ Apri le impostazioni IDE remote
+ Vai all’estensione **Kit di strumenti AWS **.
+ Trova **Abilita filtraggio delle identità**.
+ Scegli di abilitare il filtraggio automatico degli spazi in base alla tua identità AWS .
# AWS Regioni supportate
La tabella seguente elenca le AWS regioni in cui sono supportate le connessioni IDE remote agli spazi di Studio, oltre a quelle IDEs disponibili in ciascuna regione.
| AWS Regione | VS Code | Kiro | Cursore |
| --- | --- | --- | --- |
| us-east-1 | Supportata | Supportato | Supportata |
| us-east-2 | Supportata | Supportato | Supportata |
| us-west-1 | Supportata | Supportato | Supportata |
| us-west-2 | Supportata | Supportato | Supportata |
| af-south-1 | Supportata | Supportato | Supportata |
| ap-east-1 | Supportata | Supportato | Supportata |
| ap-south-1 | Supportata | Supportato | Supportata |
| ap-northeast-1 | Supportata | Supportato | Supportata |
| ap-northeast-2 | Supportata | Supportato | Supportata |
| ap-northeast-3 | Supportata | Supportato | Supportata |
| ap-southeast-1 | Supportata | Supportato | Supportata |
| ap-southeast-2 | Supportata | Supportato | Supportata |
| ap-southeast-3 | Supportata | Supportato | Supportata |
| ap-southeast-5 | Supportata | Supportato | Supportata |
| ca-central-1 | Supportata | Supportato | Supportata |
| eu-central-1 | Supportata | Supportato | Supportata |
| eu-central-2 | Supportata | Supportato | Supportata |
| eu-north-1 | Supportata | Supportato | Supportata |
| eu-south-1 | Supportata | Supportato | Supportata |
| eu-south-2 | Supportata | Supportato | Supportata |
| eu-west-1 | Supportata | Supportato | Supportata |
| eu-west-2 | Supportata | Supportato | Supportata |
| eu-west-3 | Supportata | Supportato | Supportata |
| il-central-1 | Supportata | Supportato | Supportata |
| me-central-1 | Supportata | Non supportata | Non supportata |
| me-south-1 | Supportata | Non supportata | Non supportata |
| sa-east-1 | Supportata | Supportato | Supportata |
# Bring Your Own Image (BYOI)
Un’immagine è un file che identifica i kernel, i pacchetti linguistici e altre dipendenze necessarie per eseguire le applicazioni e include:
+ Linguaggi di programmazione (come Python o R)
+ Kernel
+ Librerie e pacchetti
+ Altro software necessario
Amazon SageMaker Distribution (`sagemaker-distribution`) è un set di immagini Docker che include framework e pacchetti popolari per l'apprendimento automatico, la scienza dei dati e la visualizzazione. Per ulteriori informazioni, consulta [SageMaker Politica di supporto delle immagini di Studio](sagemaker-distribution.md).
Se hai esigenze diverse, puoi utilizzare la funzionalità Bring Your Own Image (BYOI). Potresti voler creare un’immagine personalizzata se:
+ Hai bisogno di una versione specifica di un linguaggio di programmazione o di una libreria
+ Vuoi includere strumenti o pacchetti personalizzati
+ Stai lavorando con software specializzato non disponibile nelle immagini standard
## Terminologia chiave
La sezione seguente definisce i termini chiave per utilizzare la propria immagine con l'intelligenza artificiale. SageMaker
+ **Dockerfile:** un documento basato su testo con istruzioni per creare un’immagine Docker. Identifica i pacchetti linguistici e le altre dipendenze della tua immagine Docker.
+ **Immagine Docker:** un set di software e dipendenze preparato a partire da un Dockerfile.
+ **SageMaker AI image store:** un archivio delle tue immagini personalizzate in SageMaker AI.
**Topics**
+ [Terminologia chiave](#studio-updated-byoi-basics)
+ [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md)
+ [Come utilizzare la tua immagine](studio-updated-byoi-how-to.md)
+ [Avvio di un’immagine personalizzata in Studio](studio-updated-byoi-how-to-launch.md)
+ [Visualizzazione dei dettagli dell’immagine personalizzata](studio-updated-byoi-view-images.md)
+ [Accelera l'avvio dei container con SOCI](soci-indexing.md)
+ [Scollegamento e pulizia delle risorse delle immagini personalizzate](studio-updated-byoi-how-to-detach-from-domain.md)
# Specifiche dell’immagine personalizzata
Per crearla correttamente, l’immagine che specifichi nel tuo Dockerfile deve corrispondere alle specifiche descritte nelle sezioni seguenti.
**Topics**
+ [Esecuzione dell'immagine](#studio-updated-byoi-specs-run)
+ [Specifiche per l’utente e il file system](#studio-updated-byoi-specs-user-and-filesystem)
+ [Controllo dell’integrità e URL per le applicazioni](#studio-updated-byoi-specs-app-healthcheck)
+ [Esempi di Dockerfile](#studio-updated-byoi-specs-dockerfile-templates)
## Esecuzione dell'immagine
Le configurazioni seguenti possono essere effettuate aggiornando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html). Per vedere un esempio, consulta [Aggiornamento della configurazione del container](studio-updated-byoi-how-to-container-configuration.md).
+ `Entrypoint`: puoi configurare `ContainerEntrypoint` e `ContainerArguments` passati al container al runtime. Consigliamo di configurare il punto di ingresso utilizzando `ContainerConfig`. Per un esempio, apri il link qui sopra.
+ `EnvVariables`: quando utilizzi Studio, puoi definire variabili `ContainerEnvironment` personalizzate per il container. Se lo desideri, puoi anche aggiornare le variabili di ambiente con `ContainerConfig`. Per un esempio, apri il link qui sopra.
SageMaker Le variabili di ambiente specifiche dell'IA hanno la precedenza e sostituiranno qualsiasi variabile con lo stesso nome. Ad esempio, l' SageMaker intelligenza artificiale fornisce automaticamente variabili di ambiente con il prefisso `AWS_` e `SAGEMAKER_` per garantire una corretta integrazione con AWS i servizi e le funzionalità dell'intelligenza artificiale. SageMaker Di seguito sono riportati alcuni esempi di variabili di ambiente SageMaker specifiche dell'IA:
+ `AWS_ACCOUNT_ID`
+ `AWS_REGION`
+ `AWS_DEFAULT_REGION`
+ `AWS_CONTAINER_CREDENTIALS_RELATIVE_URI`
+ `SAGEMAKER_SPACE_NAME`
+ `SAGEMAKER_APP_TYPE`
## Specifiche per l’utente e il file system
+ `WorkingDirectory`: il volume Amazon EBS per il tuo spazio è montato sul percorso `/home/sagemaker-user`. Non puoi cambiare il percorso di montaggio. Utilizza le istruzioni `WORKDIR` per impostare la directory di lavoro dell’immagine in una cartella all’interno di `/home/sagemaker-user`.
+ `UID`: l’ID utente del container Docker. UID = 1000 è un valore supportato. Puoi aggiungere l’accesso sudo per i tuoi utenti. IDs Vengono rimappate per evitare che un processo in esecuzione nel contenitore disponga di più privilegi del necessario.
+ `GID`: l’ID del gruppo del container Docker. GID = 100 è un valore supportato. Puoi aggiungere l’accesso sudo per i tuoi utenti. IDs Vengono rimappati per evitare che un processo in esecuzione nel contenitore disponga di più privilegi del necessario.
+ Directory di metadati: le `/opt/ml` directory `/opt/.sagemakerinternal` e utilizzate da. AWS Il file di metadati `/opt/ml` contiene metadati relativi a risorse come `DomainId`.
Utilizza il comando seguente per visualizzare il contenuto del file system:
```
cat /opt/ml/metadata/resource-metadata.json
```
+ Directory di registrazione dei log: `/var/log/studio` è riservato alle directory di registrazione di log delle applicazioni e alle estensioni ad esse associate. È consigliabile non utilizzare queste cartelle per creare l’immagine.
## Controllo dell’integrità e URL per le applicazioni
Il controllo dell’integrità e l’URL dipendono dalle applicazioni. Scegli il link seguente associato all’applicazione per cui stai creando l’immagine.
+ [Controllo dell’integrità e URL per le applicazioni](code-editor-custom-images.md#code-editor-custom-images-app-healthcheck) per l’Editor di codice
+ [Controllo dell’integrità e URL per le applicazioni](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-admin-guide-custom-images-app-healthcheck) per JupyterLab
## Esempi di Dockerfile
Per esempi di Dockerfile che soddisfano sia i requisiti di questa pagina sia le esigenze specifiche dell’applicazione, vai ai Dockerfile di esempio nella sezione della rispettiva applicazione. Le seguenti opzioni includono le applicazioni Amazon SageMaker Studio.
+ [Esempi di Dockerfile](code-editor-custom-images.md#code-editor-custom-images-dockerfile-templates) per l’Editor di codice
+ [Esempi di Dockerfile](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-custom-images-dockerfile-templates)per JupyterLab
**Nota**
Se stai trasferendo la tua immagine in SageMaker Unified Studio, dovrai seguire le [specifiche di Dockerfile nella Guida](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) per l'utente di *Amazon SageMaker Unified* Studio.
`Dockerfile`alcuni esempi di SageMaker Unified Studio sono disponibili nell'[esempio di Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) nella *Amazon SageMaker Unified* Studio User Guide.
# Come utilizzare la tua immagine
Le pagine seguenti descrivono come utilizzare la tua immagine personalizzata. Verifica che i prerequisiti seguenti siano soddisfatti prima di continuare.
## Prerequisiti
Dovrai completare i seguenti prerequisiti per portare la tua immagine su Amazon SageMaker AI.
+ Configura l’applicazione Docker. Per ulteriori informazioni, consulta la sezione [Get started](https://docs.docker.com/get-started/) nella *documentazione Docker*.
+ Installa la versione più recente AWS CLI seguendo la procedura [descritta AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html) nella *Guida per l'AWS Command Line Interface utente della versione 2*.
+ Autorizzazioni per accedere al servizio Amazon Elastic Container Registry (Amazon ECR). Per ulteriori informazioni, consulta [Amazon ECR Managed Policies](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html) in *Amazon ECR User Guide*.
+ Un AWS Identity and Access Management ruolo a cui è allegata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)politica.
**Topics**
+ [Prerequisiti](#studio-updated-byoi-how-to-prerequisites)
+ [Creazione di un’immagine personalizzata e invio ad Amazon ECR](studio-updated-byoi-how-to-prepare-image.md)
+ [Collegamento dell’immagine personalizzata al dominio](studio-updated-byoi-how-to-attach-to-domain.md)
+ [Aggiornamento della configurazione del container](studio-updated-byoi-how-to-container-configuration.md)
# Creazione di un’immagine personalizzata e invio ad Amazon ECR
Questa pagina fornisce istruzioni su come creare un Dockerfile locale, elaborare l’immagine del container e aggiungere l’immagine ad Amazon Elastic Container Registry (Amazon ECR).
**Nota**
Negli esempi seguenti, i tag non sono specificati, quindi il tag `latest` viene applicato per impostazione predefinita. Se desideri specificare un tag, dovrai aggiungere `:tag` alla fine dei nomi delle immagini. Per ulteriori informazioni, consulta [docker image tag](https://docs.docker.com/reference/cli/docker/image/tag/) nella *documentazione Docker*.
**Topics**
+ [Creazione di un Dockerfile e di un’immagine del container](#studio-updated-byoi-how-to-create-local-dockerfile)
+ [Aggiunta di un’immagine Docker ad Amazon ECR](#studio-updated-byoi-add-container-image)
## Creazione di un Dockerfile e di un’immagine del container
Utilizza le istruzioni seguenti per creare un Dockerfile con il software e le dipendenze desiderati.
**Per creare il tuo Dockerfile**
1. Imposta innanzitutto le variabili per i AWS CLI comandi che seguono.
```
LOCAL_IMAGE_NAME=local-image-name
```
`local-image-name` è il nome dell’immagine del container sul dispositivo locale, che viene definito in questa sede.
1. Crea un documento basato su testo, denominato `Dockerfile`, che soddisfi le specifiche descritte in [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md).
Gli esempi di `Dockerfile` per le applicazioni supportate sono disponibili in [Esempi di Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
**Nota**
Se stai trasferendo la tua immagine in SageMaker Unified Studio, dovrai seguire le [specifiche di Dockerfile nella Guida](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) per l'utente di *Amazon SageMaker Unified* Studio.
`Dockerfile`alcuni esempi di SageMaker Unified Studio sono disponibili nell'[esempio di Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) nella *Amazon SageMaker Unified* Studio User Guide.
1. Nella directory che contiene `Dockerfile`, crea l’immagine Docker con il comando seguente. Il punto (`.`) specifica che `Dockerfile` deve trovarsi nel contesto del comando build.
```
docker build -t ${LOCAL_IMAGE_NAME} .
```
Una volta completata l’operazione build, puoi elencare le informazioni sull’immagine del container con il comando seguente.
```
docker images
```
1. (Facoltativo) Puoi testare l’immagine con il comando seguente.
```
docker run -it ${LOCAL_IMAGE_NAME}
```
Nell’output vedrai che il tuo server è in esecuzione su un URL, ad esempio `http://127.0.0.1:8888/...`. Puoi testare l’immagine copiando l’URL nel browser.
Se non funziona, potrebbe essere necessario includere `-p port:port` nel comando docker run. L’opzione mappa la porta esposta sul container alla porta sul sistema host. Per ulteriori informazioni su docker run, consulta la sezione [Running container](https://docs.docker.com/engine/containers/run/) nella *documentazione Docker*.
Dopo aver verificato il funzionamento del server, puoi arrestarlo e chiudere tutti i kernel prima di continuare. Le istruzioni sono disponibili nell’output.
## Aggiunta di un’immagine Docker ad Amazon ECR
Per aggiungere un’immagine del container ad Amazon ECR, procedi come segue.
+ Crea un repository Amazon ECR.
+ Accedi al registro predefinito.
+ Inserisci l'immagine nel repository Amazon ECR.
**Nota**
L'archivio Amazon ECR deve trovarsi nello Regione AWS stesso dominio a cui alleghi l'immagine.
**Per creare e inviare un’immagine del container ad Amazon ECR**
1. Per prima cosa imposta le variabili per i AWS CLI comandi che seguono.
```
ACCOUNT_ID=account-id
REGION=aws-region
ECR_REPO_NAME=ecr-repository-name
```
+ `account-id` è l’ID del tuo account. Puoi trovarlo in alto a destra in qualsiasi pagina della AWS console. Ad esempio, la [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
+ `aws-region`è il dominio Amazon SageMaker AI Regione AWS del tuo dominio Amazon. Puoi trovarlo in alto a destra in qualsiasi pagina della AWS console.
+ `ecr-repository-name` è il nome del tuo repository Amazon Elastic Container Registry, che viene definito in questa sede. Per visualizzare i tuoi repository Amazon ECR, passa alla [console di Amazon ECR](https://console.aws.amazon.com/ecr).
1. Accedi ad Amazon ECR, quindi a Docker.
```
aws ecr get-login-password \
--region ${REGION} | \
docker login \
--username AWS \
--password-stdin ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com
```
Una volta completata l’autenticazione, riceverai un messaggio di conferma dell’accesso.
**Importante**
Se ricevi un errore, potresti dover installare la AWS CLI o aggiornarla alla versione più recente. Per ulteriori informazioni, consulta [Installazione dell’ AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) nella *Guida per l’utente dell’AWS Command Line Interface *.
1. Tagga l’immagine in un formato compatibile con Amazon ECR per inviarla al tuo repository.
```
docker tag \
${LOCAL_IMAGE_NAME} \
${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
1. Crea un repository in Amazon ECR tramite la AWS CLI. Per creare il repository utilizzando la console di Amazon ECR, consulta [Creating an Amazon ECR private repository to store images](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--region ${REGION} \
--repository-name ${ECR_REPO_NAME}
```
1. Invia l’immagine al tuo repository Amazon ECR. Puoi anche taggare l’immagine Docker.
```
docker push ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
Una volta aggiunta correttamente l’immagine al repository Amazon ECR, puoi visualizzarla nella [console di Amazon ECR](https://console.aws.amazon.com/ecr).
# Collegamento dell’immagine personalizzata al dominio
Questa pagina fornisce istruzioni su come collegare l’immagine personalizzata al dominio. Utilizza la seguente procedura per utilizzare la console Amazon SageMaker AI per accedere al tuo dominio e avviare il processo di **collegamento dell'immagine**.
Le seguenti istruzioni presuppongono che tu abbia inviato un'immagine a un repository Amazon ECR nello Regione AWS stesso del tuo dominio. Se non l’hai ancora fatto, consulta [Creazione di un’immagine personalizzata e invio ad Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
Quando scegli di collegare un’immagine, hai due opzioni:
+ Allega una **nuova immagine**: questa opzione creerà un'immagine e una versione dell'immagine nel tuo archivio di immagini SageMaker AI e quindi le allegherà al tuo dominio.
**Nota**
Se stai continuando il processo BYOI, utilizza l’opzione **Nuova immagine** da [Creazione di un’immagine personalizzata e invio ad Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
+ Allega un'**immagine esistente**: se hai già creato l'immagine personalizzata desiderata nell'archivio di immagini SageMaker AI, usa questa opzione. Questa opzione collega un’immagine personalizzata esistente al tuo dominio. Per visualizzare le immagini personalizzate nell'archivio di immagini SageMaker AI, consulta[Visualizzazione dei dettagli dell’immagine personalizzata (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
------
#### [ New image ]
**Per collegare una nuova immagine al dominio**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Espandi la sezione **Configurazioni di amministrazione**, se non l’hai già fatto.
1. In **Configurazioni admin**, scegli **Domini**.
1. Dall’elenco di **domini**, seleziona il dominio a cui collegare l’immagine.
**Nota**
Se stai allegando l'immagine a un progetto SageMaker Unified Studio e hai bisogno di chiarimenti su quale dominio utilizzare, consulta [Visualizzare i dettagli del dominio SageMaker AI associato al](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain) tuo progetto.
1. Apri la scheda **Ambiente**.
1. Nella sezione **Immagini personalizzate per app Studio personali**, scegli **Collega immagine**.
1. In **Origine dell’immagine**, scegli **Nuova immagine**.
1. Includi l’URI dell’immagine Amazon ECR. Il formato è il seguente:
```
account-id.dkr.ecr.aws-region.amazonaws.com/repository-name:tag
```
1. Per ottenere l’URI dell’immagine Amazon ECR, accedi alla pagina [Repository privati di Amazon ECR](https://console.aws.amazon.com/ecr/private-registry/repositories).
1. Scegli il link con il nome del repository.
1. Scegli l’icona **Copia URI** che corrisponde alla versione dell’immagine (**Tag immagine**).
1. Segui le altre istruzioni per collegare l’immagine personalizzata.
**Nota**
Assicurati di utilizzare un tipo di applicazione compatibile con il `Dockerfile`. Per ulteriori informazioni, consulta [Esempi di Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Una volta che l’immagine è stata collegata correttamente al dominio, potrai visualizzarla nella scheda **Ambiente**.
------
#### [ Existing image ]
**Per collegare un’immagine esistente al dominio**
1. [Apri la console AI. SageMaker ](https://console.aws.amazon.com/sagemaker)
1. Espandi la sezione **Configurazioni di amministrazione**, se non l’hai già fatto.
1. In **Configurazioni admin**, scegli **Domini**.
1. Dall’elenco di **domini**, seleziona il dominio a cui collegare l’immagine.
**Nota**
Se stai allegando l'immagine a un progetto SageMaker Unified Studio e hai bisogno di chiarimenti su quale dominio utilizzare, consulta [Visualizzare i dettagli del dominio SageMaker AI associato al](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain) tuo progetto.
1. Apri la scheda **Ambiente**.
1. Nella sezione **Immagini personalizzate per app Studio personali**, scegli **Collega immagine**.
1. In **Origine dell’immagine**, scegli **Immagine esistente**.
1. Scegli un'immagine e una versione dell'immagine esistenti dall'archivio di immagini SageMaker AI.
Se non visualizzi la versione dell’immagine, potresti doverla creare. Per ulteriori informazioni, consulta [Visualizzazione dei dettagli dell’immagine personalizzata (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Segui le altre istruzioni per collegare l’immagine personalizzata.
**Nota**
Assicurati di utilizzare un tipo di applicazione compatibile con il `Dockerfile`. Per ulteriori informazioni, consulta [Esempi di Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Una volta che l’immagine è stata collegata correttamente al dominio, potrai visualizzarla nella scheda **Ambiente**.
------
Una volta che l’immagine è stata collegata correttamente al dominio, gli utenti del dominio possono scegliere l’immagine per la propria applicazione. Per ulteriori informazioni, consulta [Avvio di un’immagine personalizzata in Studio](studio-updated-byoi-how-to-launch.md).
**Nota**
Se hai allegato un'immagine personalizzata al tuo progetto SageMaker Unified Studio, dovrai avviare l'applicazione da SageMaker Unified Studio. Per ulteriori informazioni, consulta [Launch your custom image](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) nella *Amazon SageMaker Unified Studio User Guide*.
# Aggiornamento della configurazione del container
Puoi utilizzare immagini Docker personalizzate nei tuoi flussi di lavoro di machine learning. Un aspetto chiave della personalizzazione di queste immagini è la configurazione del container, o [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html). La pagina seguente fornisce un esempio di come configurare `ContainerConfig`.
Un punto di ingresso corrisponde al comando o allo script eseguito all’avvio del container. I punti di ingresso personalizzati consentono di configurare l’ambiente, inizializzare i servizi o completare le configurazioni necessarie prima dell’avvio dell’applicazione.
Questo esempio fornisce istruzioni su come configurare un punto di ingresso personalizzato, per la tua JupyterLab applicazione, utilizzando il. AWS CLI Questo esempio presuppone che tu abbia già creato un’immagine personalizzata e un dominio. Per istruzioni, consulta [Collegamento dell’immagine personalizzata al dominio](studio-updated-byoi-how-to-attach-to-domain.md).
1. Imposta innanzitutto le variabili per i AWS CLI comandi che seguono.
```
APP_IMAGE_CONFIG_NAME=app-image-config-name
ENTRYPOINT_FILE=entrypoint-file-name
ENV_KEY=environment-key
ENV_VALUE=environment-value
REGION=aws-region
DOMAIN_ID=domain-id
IMAGE_NAME=custom-image-name
IMAGE_VERSION=custom-image-version
```
+ `app-image-config-name` è il nome della configurazione dell’immagine dell’applicazione.
+ `entrypoint-file-name` è il nome dello script del punto di ingresso del container. Ad esempio, `entrypoint.sh`.
+ `environment-key` è il nome di una variabile di ambiente.
+ `environment-value` è il valore assegnato alla variabile di ambiente.
+ `aws-region`è il dominio Amazon SageMaker AI Regione AWS del tuo dominio Amazon. Puoi trovarlo in alto a destra in qualsiasi pagina della AWS console.
+ `domain-id` è il tuo ID dominio. Per visualizzare i tuoi domini, consulta [Visualizzazione dei domini](domain-view.md).
+ `custom-image-name` è il nome dell’immagine personalizzata. Per visualizzare i dettagli dell’immagine personalizzata, consulta [Visualizzazione dei dettagli dell’immagine personalizzata (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
Se hai seguito le istruzioni riportate in [Collegamento dell’immagine personalizzata al dominio](studio-updated-byoi-how-to-attach-to-domain.md), potresti voler utilizzare lo stesso nome dell’immagine indicato nella procedura.
+ `custom-image-version` è il numero della versione dell’immagine personalizzata. Dovrebbe essere un numero intero, che rappresenta la versione dell’immagine. Per visualizzare i dettagli dell’immagine personalizzata, consulta [Visualizzazione dei dettagli dell’immagine personalizzata (console)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Utilizza l’API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html) per creare una configurazione dell’immagine.
```
aws sagemaker create-app-image-config \
--region ${REGION} \
--app-image-config-name "${APP_IMAGE_CONFIG_NAME}" \
--jupyter-lab-app-image-config "ContainerConfig = {
ContainerEntrypoint = "${ENTRYPOINT_FILE}",
ContainerEnvironmentVariables = {
"${ENV_KEY}"="${ENV_VALUE}"
}
}"
```
1. Utilizza l’API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html) per aggiornare le impostazioni predefinite per il tuo dominio. In questo modo, verranno collegate sia l’immagine personalizzata che la configurazione dell’immagine dell’applicazione.
```
aws sagemaker update-domain \
--region ${REGION} \
--domain-id "${DOMAIN_ID}" \
--default-user-settings "{
\"JupyterLabAppSettings\": {
\"CustomImages\": [
{
\"ImageName\": \"${IMAGE_NAME}\",
\"ImageVersionNumber\": ${IMAGE_VERSION},
\"AppImageConfigName\": \"${APP_IMAGE_CONFIG_NAME}\"
}
]
}
}"
```
# Avvio di un’immagine personalizzata in Studio
Dopo aver allegato un'immagine personalizzata al tuo dominio Amazon SageMaker AI, l'immagine diventa disponibile per gli utenti del dominio. Utilizza le istruzioni seguenti per avviare un’applicazione con l’immagine personalizzata.
**Nota**
Se hai allegato un'immagine personalizzata al tuo progetto SageMaker Unified Studio, dovrai avviare l'applicazione da SageMaker Unified Studio. Per ulteriori informazioni, consulta [Launch your custom image](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) nella *Amazon SageMaker Unified Studio User Guide*.
1. Avvia Amazon SageMaker Studio. Per istruzioni, consulta [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Se non l’hai già fatto, espandi la sezione **Applicazioni**.
1. Scegli l’applicazione nella sezione **Applicazioni**. Se non visualizzi l’applicazione, potrebbe essere nascosta. In questo caso, contatta il tuo amministratore.
1. Per creare uno spazio, scegli **\$1 Crea *application* spazio** e segui le istruzioni per creare lo spazio.
Per scegliere uno spazio esistente, scegli il link con il nome dello spazio che desideri aprire.
1. In **Immagine**, scegli l’immagine da utilizzare.
Se l’elenco a discesa **Immagine** non è disponibile, potrebbe essere necessario arrestare lo spazio. Scegli **Interrompi spazio** per farlo.
1. Conferma le impostazioni dello spazio e scegli **Esegui lo spazio**.
# Visualizzazione dei dettagli dell’immagine personalizzata
La pagina seguente fornisce istruzioni su come visualizzare i dettagli dell'immagine personalizzata nell' SageMaker AI image store.
## Visualizzazione dei dettagli dell’immagine personalizzata (console)
Di seguito vengono fornite istruzioni su come visualizzare le immagini personalizzate utilizzando la console SageMaker AI. In questa sezione puoi visualizzare e modificare i dettagli dell’immagine.
**Visualizzazione delle immagini personalizzate (console)**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Espandi la sezione **Configurazioni di amministrazione**.
1. In **Configurazioni admin**, scegli **Immagini**.
1. Dall’elenco **Immagini personalizzate**, seleziona il collegamento ipertestuale del nome dell’immagine.
## Visualizzazione dei dettagli dell’immagine personalizzata (AWS CLI)
La sezione seguente mostra un esempio di come visualizzare le immagini personalizzate con la AWS CLI.
```
aws sagemaker list-images \
--region aws-region
```
# Accelera l'avvio dei container con SOCI
[L'indicizzazione SOCI (Seekable Open Container Initiative) consente il caricamento lento di immagini di container personalizzate in Amazon Unified Studio. [Amazon SageMaker Studio](studio-updated.md) SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html) SOCI riduce in modo significativo i tempi di avvio di circa il 30-70% per i contenitori personalizzati. [Bring Your Own Image (BYOI)](studio-updated-byoi.md) Il miglioramento della latenza varia a seconda delle dimensioni dell'immagine, della disponibilità dell'istanza di hosting e di altre dipendenze dell'applicazione. SOCI crea un indice che consente l'avvio dei contenitori solo con i componenti necessari, recuperando file aggiuntivi su richiesta, se necessario.
SOCI risolve i tempi lenti di avvio dei container, che interrompono i flussi di lavoro di sviluppo iterativo di machine learning (ML), per immagini personalizzate. Man mano che i carichi di lavoro ML diventano più complessi, le immagini dei container sono aumentate, creando ritardi all'avvio che ostacolano i cicli di sviluppo.
**Topics**
+ [Vantaggi principali](#soci-indexing-key-benefits)
+ [Come funziona l'indicizzazione SOCI](#soci-indexing-how-works)
+ [Componenti dell'architettura](#soci-indexing-architecture-components)
+ [Strumenti supportati](#soci-indexing-supported-tools)
+ [Autorizzazioni per l'indicizzazione SOCI](soci-indexing-setup.md)
+ [Crea indici SOCI con l'esempio nerdctl e SOCI CLI](soci-indexing-example-create-indexes.md)
+ [Integra immagini indicizzate SOC con l'esempio di Studio](soci-indexing-example-integrate-studio.md)
## Vantaggi principali
+ **Cicli di iterazione più rapidi**: riduci l'avvio dei container, a seconda dei tipi di immagine e istanza
+ **Ottimizzazione universale**: estendi i vantaggi prestazionali a tutti i contenitori BYOI personalizzati in Studio
## Come funziona l'indicizzazione SOCI
SOCI crea un indice di metadati specializzato che mappa la struttura dei file interni dell'immagine del contenitore. Questo indice consente l'accesso ai singoli file senza scaricare l'intera immagine. L'indice SOCI viene archiviato come elemento conforme a OCI (Open Container Initiative) in [Amazon](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html) ECR e collegato all'immagine originale del contenitore, preservando i digest delle immagini e la validità della firma.
Quando avvii un contenitore in Studio, il sistema utilizza l'indice SOCI per identificare e scaricare solo i file essenziali necessari all'avvio. I componenti aggiuntivi vengono recuperati in parallelo quando l'applicazione li richiede.
## Componenti dell'architettura
+ **Immagine originale del contenitore**: il tuo contenitore di base archiviato in Amazon ECR
+ Elemento **dell'indice SOCI: metadati che mappano la struttura del file** dell'immagine
+ **Manifesto dell'indice di immagini OCI**: collega l'immagine originale e l'indice SOCI
+ **Finch Container Runtime**: consente l'integrazione del lazy loading con Studio
## Strumenti supportati
| Strumento | Integrazione |
| --- | --- |
| nerdctl | Richiede la configurazione containerd |
| CLI Finch | Supporto SOCI nativo |
| CLI Docker \$1 SOCI | Sono necessari strumenti aggiuntivi |
**Topics**
+ [Vantaggi principali](#soci-indexing-key-benefits)
+ [Come funziona l'indicizzazione SOCI](#soci-indexing-how-works)
+ [Componenti dell'architettura](#soci-indexing-architecture-components)
+ [Strumenti supportati](#soci-indexing-supported-tools)
+ [Autorizzazioni per l'indicizzazione SOCI](soci-indexing-setup.md)
+ [Crea indici SOCI con l'esempio nerdctl e SOCI CLI](soci-indexing-example-create-indexes.md)
+ [Integra immagini indicizzate SOC con l'esempio di Studio](soci-indexing-example-integrate-studio.md)
# Autorizzazioni per l'indicizzazione SOCI
[Crea indici SOCI per le immagini dei tuoi container e archiviali in Amazon ECR prima di utilizzare l'indicizzazione SOCI con Amazon Unified Studio. [Amazon SageMaker Studio](studio-updated.md) SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html)
**Topics**
+ [Prerequisiti](#soci-indexing-setup-prerequisites)
+ [Autorizzazioni IAM richieste](#soci-indexing-setup-iam-permissions)
## Prerequisiti
+ Account AWS con un ruolo (IAM) con autorizzazioni di gestione [AWS Identity and Access Management](https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started.html)
+ [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html)
+ [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html)
+ [Archivi privati Amazon ECR per l'archiviazione delle](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Repositories.html) immagini dei container
+ [AWS CLI v2.0\$1](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) configurato con le credenziali appropriate
+ I seguenti strumenti di contenitore:
+ Richiesto: [soci-snapshotter](https://github.com/awslabs/soci-snapshotter)
+ Opzioni:
+ [nerdctl](https://github.com/containerd/nerdctl)
+ [fringuello](https://github.com/runfinch/finch)
## Autorizzazioni IAM richieste
Il tuo ruolo IAM richiede le autorizzazioni per:
+ Crea e gestisci risorse SageMaker AI (domini, immagini, configurazioni di app).
+ Puoi utilizzare la politica [SageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) AWS gestita. Per ulteriori dettagli sulle autorizzazioni, consulta[AWS politica gestita: AmazonSageMakerFullAccess](security-iam-awsmanpol.md#security-iam-awsmanpol-AmazonSageMakerFullAccess).
+ [Autorizzazioni IAM per il trasferimento di un'immagine a un repository privato Amazon ECR.](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-push-iam.html)
# Crea indici SOCI con l'esempio nerdctl e SOCI CLI
La pagina seguente fornisce un esempio su come creare indici SOCI con nerdctl e SOCI CLI.
**Esempio di creazione di indici SOCI**
1. Per prima cosa imposta le variabili per i AWS CLI comandi che seguono. Di seguito è riportato un esempio di impostazione delle variabili.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
REPOSITORY_NAME="repository-name"
ORIGINAL_IMAGE_TAG="original-image-tag"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Definizioni delle variabili:
+ `ACCOUNT_ID`è il tuo Account AWS ID
+ `REGION`è il Regione AWS tuo registro privato Amazon ECR
+ `REPOSITORY_NAME`è il nome del tuo registro privato Amazon ECR
+ `ORIGINAL_IMAGE_TAG`è il tag dell'immagine originale
+ `SOCI_IMAGE_TAG`è il tag della tua immagine indicizzata SOC
1. Installa gli strumenti necessari:
```
# Install SOCI CLI, containerd, and nerdctl
sudo yum install soci-snapshotter
sudo yum install containerd jq
sudo systemctl start soci-snapshotter
sudo systemctl restart containerd
sudo yum install nerdctl
```
1. Imposta le variabili del registro:
```
REGISTRY_USER=AWS
REGISTRY="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com"
```
1. Esporta la tua regione ed esegui l'autenticazione su Amazon ECR:
```
export AWS_REGION=$REGION
REGISTRY_PASSWORD=$(/usr/local/bin/aws ecr get-login-password --region $AWS_REGION)
echo $REGISTRY_PASSWORD | sudo nerdctl login -u $REGISTRY_USER --password-stdin $REGISTRY
```
1. Recupera l'immagine del contenitore originale:
```
sudo nerdctl pull $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG
```
1. Crea l'indice SOCI:
```
sudo nerdctl image convert --soci $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
1. Invia l'immagine indicizzata SOCI:
```
sudo nerdctl push --platform linux/amd64 $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
Questo processo crea due artefatti per l'immagine del contenitore originale nel tuo repository ECR:
+ Indice SOCI: metadati che consentono il caricamento lento
+ Image Index manifest - Manifesto conforme a OCI
# Integra immagini indicizzate SOC con l'esempio di Studio
È necessario fare riferimento al tag immagine indicizzato SOC per utilizzare le immagini con indicizzazione SOC in Studio, anziché al tag dell'immagine contenitore originale. Utilizzate il tag specificato durante il processo di conversione SOCI (ad esempio, in). `SOCI_IMAGE_TAG` [Crea indici SOCI con l'esempio nerdctl e SOCI CLI](soci-indexing-example-create-indexes.md)
**Esempio di integrazione di immagini indicizzate SOCI**
1. Per prima cosa imposta le variabili per i comandi che AWS CLI seguono. Di seguito è riportato un esempio di impostazione delle variabili.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
IMAGE_NAME="sagemaker-image-name"
IMAGE_CONFIG_NAME="sagemaker-image-config-name"
ROLE_ARN="your-role-arn"
DOMAIN_ID="domain-id"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Definizioni delle variabili:
+ `ACCOUNT_ID`è il tuo Account AWS ID
+ `REGION`è il Regione AWS tuo registro privato Amazon ECR
+ `IMAGE_NAME`è il nome della tua immagine SageMaker
+ `IMAGE_CONFIG_NAME`è il nome della configurazione SageMaker dell'immagine
+ `ROLE_ARN`[è l'ARN del ruolo di esecuzione con le autorizzazioni elencate in Autorizzazioni IAM richieste](soci-indexing-setup.md#soci-indexing-setup-iam-permissions)
+ `DOMAIN_ID`[è l'ID del dominio](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html)
**Nota**
Se stai allegando l'immagine a un progetto SageMaker Unified Studio e hai bisogno di chiarimenti su quale dominio utilizzare, consulta [Visualizzare i dettagli del dominio SageMaker AI associato al](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain) tuo progetto.
+ `SOCI_IMAGE_TAG`è il tag della tua immagine indicizzata SOC
1. Esporta la tua regione:
```
export AWS_REGION=$REGION
```
1. Crea un' SageMaker immagine:
```
aws sagemaker create-image \
--image-name "$IMAGE_NAME" \
--role-arn "$ROLE_ARN"
```
1. Crea una versione SageMaker dell'immagine utilizzando l'URI dell'indice SOCI:
```
IMAGE_INDEX_URI="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com/$IMAGE_NAME:$SOCI_IMAGE_TAG"
aws sagemaker create-image-version \
--image-name "$IMAGE_NAME" \
--base-image "$IMAGE_INDEX_URI"
```
1. Crea una configurazione dell'immagine dell'applicazione e aggiorna il tuo dominio Amazon SageMaker AI per includere l'immagine personalizzata per la tua app. Puoi farlo per Code Editor, basato su Code-OSS, Visual Studio Code - Open Source (Code Editor) e JupyterLab applicazioni. Scegli l'opzione di applicazione qui sotto per visualizzare i passaggi.
------
#### [ Code Editor ]
Crea una configurazione dell'immagine dell'applicazione per Code Editor:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--code-editor-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Aggiorna il tuo dominio Amazon SageMaker AI per includere l'immagine personalizzata per Code Editor:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"CodeEditorAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
#### [ JupyterLab ]
Crea una configurazione dell'immagine dell'applicazione per JupyterLab:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--jupyter-lab-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Aggiorna il tuo dominio Amazon SageMaker AI per includere l'immagine personalizzata per JupyterLab:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"JupyterLabAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
1. Dopo aver aggiornato il dominio per includere l'immagine personalizzata, puoi creare un'applicazione in Studio utilizzando l'immagine personalizzata. Quando ti [Avvio di un’immagine personalizzata in Studio](studio-updated-byoi-how-to-launch.md) assicuri di utilizzare l'immagine personalizzata.
# Scollegamento e pulizia delle risorse delle immagini personalizzate
La pagina seguente fornisce istruzioni su come scollegare le immagini personalizzate e ripulire le risorse correlate utilizzando la console Amazon SageMaker AI o il AWS Command Line Interface (AWS CLI).
**Importante**
Devi prima scollegare l'immagine personalizzata dal tuo dominio prima di eliminarla dall'archivio di immagini SageMaker AI. Se non lo fai, potrebbero verificarsi errori durante la visualizzazione delle informazioni sul dominio o il collegamento di nuove immagini personalizzate al dominio.
Se riscontri un errore durante il caricamento di un’immagine personalizzata, consulta [Errore durante il caricamento dell’immagine personalizzata](studio-updated-troubleshooting.md#studio-updated-troubleshooting-custom-image).
## Scollegamento ed eliminazione delle immagini personalizzate (console)
Di seguito vengono fornite istruzioni su come scollegare le immagini personalizzate dall' SageMaker intelligenza artificiale e ripulire le risorse di immagini personalizzate utilizzando la console.
**Scollegamento dell’immagine personalizzata dal dominio**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Espandi la sezione **Configurazioni di amministrazione**.
1. In **Configurazioni admin**, scegli **Domini**.
1. Scegli un dominio dall’elenco **Domini**.
1. Apri la scheda **Ambiente**.
1. In **Immagini personalizzate per app Studio personali**, seleziona le caselle di controllo relative alle immagini da scollegare.
1. Seleziona **Scollega**.
1. Segui le istruzioni per scollegare le immagini.
**Eliminazione dell’immagine personalizzata**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Espandi la sezione **Configurazioni di amministrazione**, se non l’hai già fatto.
1. In **Configurazioni admin**, scegli **Immagini**.
1. Seleziona l’immagine da eliminare dall’elenco **Immagini**.
1. Scegli **Elimina**.
1. Segui le istruzioni per eliminare la tua immagine e tutte le sue versioni dall' SageMaker IA.
**Eliminazione di immagini e repository personalizzati da Amazon ECR**
**Importante**
Questa operazione eliminerà anche tutte le immagini e gli artefatti del container in questo repository.
1. Apri la [console di Amazon ECR](https://console.aws.amazon.com/ecr).
1. Se non l’hai ancora fatto, espandi il riquadro di navigazione a sinistra.
1. In **Registro privato**, scegli **Repository**.
1. Seleziona i repository da eliminare.
1. Scegli **Elimina**.
1. Segui le istruzioni per l’eliminazione.
## Scollegamento ed eliminazione delle immagini personalizzate (AWS CLI)
La sezione seguente mostra un esempio di come scollegare le immagini personalizzate utilizzando la AWS CLI.
1. Per prima cosa imposta le variabili per i AWS CLI comandi che seguono.
```
ACCOUNT_ID=account-id
REGION=aws-region
APP_IMAGE_CONFIG=app-image-config
SAGEMAKER_IMAGE_NAME=custom-image-name
```
+ `aws-region`è il dominio Amazon SageMaker AI Regione AWS del tuo dominio Amazon. Puoi trovarlo in alto a destra in qualsiasi pagina della AWS console.
+ `app-image-config` è il nome della configurazione dell’immagine dell’applicazione. Usa il seguente AWS CLI comando per elencare le configurazioni delle immagini dell'applicazione nel tuo Regione AWS.
```
aws sagemaker list-app-image-configs \
--region ${REGION}
```
+ `custom-image-name` è il nome dell’immagine personalizzata. Usa il seguente AWS CLI comando per elencare le immagini presenti nel tuo Regione AWS.
```
aws sagemaker list-images \
--region ${REGION}
```
1. Per scollegare l’immagine e le versioni dell’immagine dal dominio utilizzando questa procedura, dovrai creare o aggiornare un file json per la configurazione del dominio.
**Nota**
Se hai seguito le istruzioni riportate in [Collegamento dell’immagine personalizzata al dominio](studio-updated-byoi-how-to-attach-to-domain.md), è probabile che il dominio sia stato aggiornato con il file denominato `update-domain.json`.
Se non hai questo file, puoi creare un nuovo file json.
Crea un file denominato `update-domain.json` da utilizzare per aggiornare il dominio.
1. Per eliminare le immagini personalizzate, dovrai lasciare vuoto il campo `CustomImages`, ad esempio `"CustomImages": []`. Scegliete una delle seguenti opzioni per visualizzare file di configurazione di esempio per Code Editor o JupyterLab.
------
#### [ Code Editor: update domain configuration file example ]
Un file di configurazione di esempio per l’Editor di codice che utilizza [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html).
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"CodeEditorAppSettings": {
"CustomImages": [
]
}
}
}
```
------
#### [ JupyterLab: update domain configuration file example ]
Un esempio di file di configurazione per JupyterLab, using [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html).
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"JupyterLabAppSettings": {
"CustomImages": [
]
}
}
}
```
------
`domain-id` è l’ID dominio a cui è collegata l’immagine. Utilizza il comando seguente per elencare i tuoi domini.
```
aws sagemaker list-domains \
--region ${REGION}
```
1. Salvare il file.
1. Chiama il [dominio di aggiornamento](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) AWS CLI utilizzando il file di configurazione del dominio di aggiornamento,. `update-domain.json`
**Nota**
Prima di aggiornare le immagini personalizzate, devi eliminare tutte le **applicazioni** nel dominio. **Non** è necessario eliminare i profili utente o gli spazi condivisi. Per istruzioni sull’eliminazione delle applicazioni, scegli una delle opzioni seguenti.
Se desideri utilizzare la console SageMaker AI, consulta. [Chiudi le risorse di SageMaker intelligenza artificiale nel tuo dominio](sm-console-domain-resources-shut-down.md)
Se desideri utilizzare il AWS CLI, segui i passaggi da 1 a 3 di[Eliminare un dominio Amazon SageMaker AI (AWS CLI)](gs-studio-delete-domain.md#gs-studio-delete-domain-cli).
```
aws sagemaker update-domain \
--cli-input-json file://update-domain.json \
--region ${REGION}
```
1. Elimina la configurazione dell'immagine dell'app.
```
aws sagemaker delete-app-image-config \
--app-image-config-name ${APP_IMAGE_CONFIG}
```
1. Elimina l’immagine personalizzata. Questa operazione elimina anche tutte le versioni dell’immagine, ma non l’immagine e le versioni dell’immagine del container Amazon ECR. A tale scopo, utilizza le fasi facoltative riportate di seguito.
```
aws sagemaker delete-image \
--image-name ${SAGEMAKER_IMAGE_NAME}
```
1. (Facoltativo) Elimina le risorse Amazon ECR. L'elenco seguente fornisce AWS CLI i comandi per ottenere informazioni sulle risorse Amazon ECR per i passaggi seguenti.
1. Imposta le variabili per i AWS CLI comandi seguenti.
```
ECR_REPO_NAME=ecr-repository-name
```
`ecr-repository-name` è il nome del repository Amazon Elastic Container Registry.
Per elencare i dettagli dei repository, utilizza il comando seguente.
```
aws ecr describe-repositories \
--region ${REGION}
```
1. Elimina il repository da Amazon ECR.
**Importante**
Questa operazione eliminerà anche tutte le immagini e gli artefatti del container in questo repository.
```
aws ecr delete-repository \
--repository-name ${ECR_REPO_NAME} \
--force \
--region ${REGION}
```
# Configurazioni del ciclo di vita all'interno di Amazon Studio SageMaker
Le configurazioni del ciclo di vita (LCCs) sono script che amministratori e utenti possono utilizzare per automatizzare la personalizzazione delle seguenti applicazioni all'interno del tuo ambiente Amazon Studio: SageMaker
+ Amazon SageMaker AI JupyterLab
+ Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source
+ Studio Classic
+ Istanza notebook
La personalizzazione dell’applicazione include:
+ Installazione di pacchetti personalizzati
+ Configurazione delle estensioni
+ Precaricamento dei set di dati
+ Impostazione dei repository di codice sorgente
Gli utenti creano e collegano configurazioni integrate del ciclo di vita ai propri profili utente. Gli amministratori creano e collegano configurazioni predefinite o integrate del ciclo di vita a livello di dominio, spazio o profilo utente.
**Importante**
Amazon SageMaker Studio esegue prima la configurazione del ciclo di vita integrata e quindi esegue la scheda LCC predefinita. Amazon SageMaker AI non risolverà i conflitti di pacchetti tra utente e amministratore LCCs. Ad esempio, se la LCC integrata installa `python3.11` e la LCC predefinita installa `python3.12`, Studio installa `python3.12`.
# Creazione e collegamento di configurazioni del ciclo di vita
Puoi creare e allegare configurazioni del ciclo di vita utilizzando o. Console di gestione AWS AWS Command Line Interface
**Topics**
+ [Creazione e collegamento di configurazioni del ciclo di vita (AWS CLI)](#studio-lifecycle-configurations-create-cli)
+ [Creazione e collegamento di configurazioni del ciclo di vita (console)](#studio-lifecycle-configurations-create-console)
## Creazione e collegamento di configurazioni del ciclo di vita (AWS CLI)
**Importante**
Prima di iniziare, completa i seguenti prerequisiti:
Aggiorna il AWS CLI seguendo la procedura descritta in [Installazione della](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) versione corrente. AWS CLI
Dal computer locale, esegui `aws configure` e fornisci AWS le tue credenziali. Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html) credenziali.
Effettua l'onboard nel dominio Amazon SageMaker AI. Per informazioni concettuali, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md). Per una guida di avvio rapido, consulta [Usa la configurazione rapida per Amazon SageMaker AI](onboard-quick-start.md).
La procedura seguente mostra come creare uno script di configurazione del ciclo di vita da stampare `Hello World` in Code Editor o. JupyterLab
**Nota**
Ogni script può contenere un massimo di **16.384 caratteri.**
1. Dal computer locale, crea un file denominato `my-script.sh` con il contenuto seguente:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Utilizza quanto segue per convertire il file `my-script.sh` nel formato base64. Questo requisito previene gli errori dovuti alla codifica della spaziatura e delle interruzioni di riga.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Creazione di una configurazione del ciclo di vita da utilizzare con Studio. Il comando seguente crea una configurazione del ciclo di vita che viene eseguita all’avvio di un’applicazione `JupyterLab` associata:
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type application-type
```
Per `studio-lifecycle-config-app-type`, specifica *CodeEditor* o *JupyterLab*.
**Nota**
L’ARN restituito per la configurazione del ciclo di vita appena creata. L’ARN è richiesto per collegare la configurazione del ciclo di vita all'applicazione.
Per garantire che gli ambienti siano personalizzati correttamente, utenti e amministratori utilizzano comandi diversi per collegare le configurazioni del ciclo di vita.
### Collegamento di configurazioni del ciclo di vita predefinite (amministratore)
Per collegare la configurazione del ciclo di vita, devi aggiornare `UserSettings` per il tuo dominio o profilo utente. Gli script di configurazione del ciclo di vita associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli script associati a livello di profilo utente sono limitati a un utente specifico.
Puoi creare un nuovo profilo utente, dominio o spazio a cui è collegata una configurazione del ciclo di vita utilizzando i comandi seguenti:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
Il comando seguente crea un profilo utente con una configurazione del ciclo di vita per un'applicazione. JupyterLab Aggiungi l’ARN della configurazione del ciclo di vita della fase precedente alle impostazioni `JupyterLabAppSettings` dell’utente. Se inoltri un elenco di configurazioni del ciclo di vita, puoi aggiungere più configurazioni contemporaneamente. Quando un utente avvia un' JupyterLab applicazione con AWS CLI, può specificare una configurazione del ciclo di vita anziché utilizzare quella predefinita. La configurazione del ciclo di vita inoltrata dall'utente deve appartenere all'elenco delle configurazioni del ciclo di vita in `JupyterLabAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Il comando seguente crea un profilo utente con una configurazione del ciclo di vita per un’applicazione dell’Editor di codice. Aggiungi l’ARN della configurazione del ciclo di vita della fase precedente alle impostazioni `CodeEditorAppSettings` dell’utente. Se inoltri un elenco di configurazioni del ciclo di vita, puoi aggiungere più configurazioni contemporaneamente. Quando un utente avvia un’applicazione dell’Editor di codice con la AWS CLI, può inoltrare una configurazione del ciclo di vita da utilizzare al posto di quella predefinita. La configurazione del ciclo di vita inoltrata dall'utente deve appartenere all'elenco delle configurazioni del ciclo di vita in `CodeEditorAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
### Collegamento delle configurazioni integrate del ciclo di vita (utente)
Per collegare la configurazione del ciclo di vita, devi aggiornare `UserSettings` per il tuo profilo utente.
Il comando seguente crea un profilo utente con una configurazione del ciclo di vita per un'applicazione. JupyterLab Aggiungi l’ARN della configurazione del ciclo di vita della fase precedente alle impostazioni `JupyterLabAppSettings` del profilo utente.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
Il comando seguente crea un profilo utente con una configurazione del ciclo di vita per un’applicazione dell’Editor di codice. Aggiungi l’ARN della configurazione del ciclo di vita della fase precedente alle impostazioni `CodeEditorAppSettings` del profilo utente. La configurazione del ciclo di vita inoltrata dall'utente deve appartenere all'elenco delle configurazioni del ciclo di vita in `CodeEditorAppSettings`.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
## Creazione e collegamento di configurazioni del ciclo di vita (console)
Per creare e collegare configurazioni del ciclo di vita in Console di gestione AWS, accedi alla [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker) e scegli le **configurazioni del ciclo** di vita nella barra di navigazione a sinistra. La console ti guiderà attraverso il processo di creazione della configurazione del ciclo di vita.
# Esecuzione del debug delle configurazioni del ciclo di vita
I seguenti contenuti spiegano come recuperare le informazioni sulle configurazioni del ciclo di vita e come eseguirne il debug.
**Topics**
+ [Verifica il processo di CloudWatch configurazione del ciclo di vita da Logs](#studio-lifecycle-configurations-debug-logs)
+ [Timeout della configurazione del ciclo di vita](studio-lifecycle-configurations-debug-timeout.md)
## Verifica il processo di CloudWatch configurazione del ciclo di vita da Logs
Le configurazioni del ciclo di vita eseguono solo log `STDOUT` e `STDERR`.
`STDOUT` è il formato di output predefinito per gli script bash. Puoi scrivere in `STDERR` aggiungendo `>&2` alla fine di un comando bash. Ad esempio, `echo 'hello'>&2`.
I log per le configurazioni del ciclo di vita vengono pubblicati su Amazon che utilizza Amazon. Account AWS CloudWatch Questi log possono essere trovati nel flusso di `/aws/sagemaker/studio` log della console. CloudWatch
1. Apri la CloudWatch console all'indirizzo [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Seleziona **Log** dal riquadro di navigazione a sinistra. Dal menu a discesa, seleziona **Gruppi di log**.
1. Nella pagina **Gruppi di log**, cerca `aws/sagemaker/studio`.
1. Seleziona il gruppo di log .
1. Nella pagina **Dettagli gruppo di log**, scegli la scheda **Flussi di log**.
1. Per trovare i log per uno spazio e un’app specifici, cerca nei flussi di log utilizzando il formato seguente:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Ad esempio, per trovare i log di configurazione del ciclo di vita per l’ID dominio `d-m85lcu8vbqmz`, lo spazio `i-sonic-js` e il tipo di applicazione `JupyterLab`, utilizza la stringa di ricerca seguente:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
1. Per visualizzare i log di esecuzione dello script, seleziona il flusso di log collegato a `LifecycleConfigOnStart`.
# Timeout della configurazione del ciclo di vita
Il limite di timeout della configurazione del ciclo di vita è di 5 minuti. Se l’esecuzione di uno script di configurazione del ciclo di vita impiega più di cinque minuti, viene visualizzato un errore.
Per risolvere questo errore, assicurati che lo script di configurazione del ciclo di vita venga completato in meno di cinque minuti.
Per ridurre il runtime degli script, prova quanto segue:
+ Elimina le fasi superflue. Ad esempio, limita gli ambienti conda in cui installare pacchetti di grandi dimensioni.
+ Esegui le attività in processi paralleli.
+ Utilizza il comando nohup nello script, che permette allo script di ignorare i segnali di arresto e, quindi, di completare l’esecuzione senza interruzioni.
# Spazi Amazon SageMaker Studio
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Gli spazi vengono utilizzati per gestire le esigenze di archiviazione e risorse di alcune applicazioni Amazon SageMaker Studio. Ogni spazio è composto da più risorse e può essere privato o condiviso. Ogni spazio ha una relazione 1:1 con un’istanza di un’applicazione. Ogni applicazione supportata ha un proprio spazio quando viene creata. Le applicazioni seguenti in Studio vengono eseguite su spazi:
+ [Editor di codice in Amazon SageMaker Studio](code-editor.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [Amazon SageMaker Studio Classic](studio.md)
Uno spazio è costituito dalle risorse seguenti:
+ Un volume di archiviazione.
+ Per Studio Classic, lo spazio è collegato al volume Amazon Elastic File System (Amazon EFS) condiviso per il dominio.
+ Per altre applicazioni, allo spazio viene collegato un volume Amazon Elastic Block Store (Amazon EBS) separato. A tutte le applicazioni viene assegnato un volume Amazon EBS. Le applicazioni non possono accedere al volume Amazon EBS di altre applicazioni. Per ulteriori informazioni sui volumi Amazon EBS, consulta [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com//AWSEC2/latest/UserGuide/AmazonEBS.html).
+ Il tipo di applicazione dello spazio.
+ L’immagine su cui si basa l’applicazione.
Gli spazi possono essere privati o condivisi:
+ **Privato**: gli spazi privati sono limitati a un singolo utente in un dominio. Gli spazi privati non possono essere condivisi con altri utenti. Tutte le applicazioni che supportano gli spazi supportano anche gli spazi privati.
+ **Condivisi**: gli spazi condivisi sono accessibili a tutti gli utenti del dominio. Per ulteriori informazioni sugli spazi condivisi, consulta [Collaborazione con spazi condivisi](domain-space.md).
Gli spazi possono essere creati in domini che utilizzano l'autenticazione AWS IAM Identity Center o AWS Identity and Access Management (IAM). Le sezioni seguenti forniscono informazioni generali su come accedere agli spazi. Per informazioni specifiche sulla creazione e l’accesso a uno spazio, consulta la documentazione relativa al tipo di applicazione dello spazio che stai creando.
Per informazioni sulla visualizzazione, l’interruzione o l’eliminazione di applicazioni, istanze o spazi, consulta [Arresto ed eliminazione delle applicazioni e degli spazi in esecuzione in Studio](studio-updated-running-stop.md).
**Topics**
+ [Avvio degli spazi](studio-updated-spaces-access.md)
+ [Collaborazione con spazi condivisi](domain-space.md)
# Avvio degli spazi
Le sezioni seguenti forniscono informazioni sull’accesso agli spazi in un dominio. Per accedere agli spazi sono disponibili diverse modalità:
+ dalla console Amazon SageMaker AI
+ da Studio.
+ utilizzando il AWS CLI
## Accesso agli spazi dalla console Amazon SageMaker AI
**Per accedere agli spazi dalla console Amazon SageMaker AI**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. In **Configurazioni admin**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio che contiene gli spazi.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**. Per ulteriori informazioni sulla gestione degli spazi, consulta [Collaborazione con spazi condivisi](domain-space.md).
1. Dall’elenco degli spazi del dominio, seleziona lo spazio da avviare.
1. Scegli **Avvia Studio** per lo spazio che desideri avviare.
## Accesso agli spazi da Studio
Segui questa procedura per accedere agli spazi da Studio per un tipo di applicazione specifico.
**Per accedere agli spazi da Studio**
1. Apri Studio seguendo le fasi descritte in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Seleziona il tipo di applicazione con gli spazi a cui desideri accedere.
## Accesso agli spazi utilizzando il AWS CLI
Le seguenti sezioni mostrano come accedere a uno spazio da AWS Command Line Interface (AWS CLI). Le procedure riguardano i domini che utilizzano AWS Identity and Access Management (IAM) o AWS IAM Identity Center l'autenticazione.
### Autenticazione IAM
La procedura seguente descrive in generale come accedere a uno spazio utilizzando l’autenticazione IAM dalla AWS CLI.
1. Crea un URL di dominio prefirmato specificando il nome dello spazio a cui desideri accedere.
```
aws \
--region region \
sagemaker \
create-presigned-domain-url \
--domain-id domain-id \
--user-profile-name user-profile-name \
--space-name space-name
```
1. Passa all’URL.
### Accesso a uno spazio con l’autenticazione del Centro identità IAM
La procedura seguente descrive come accedere a uno spazio utilizzando l’autenticazione del Centro identità IAM dalla AWS CLI.
1. Utilizza il comando seguente per restituire l’URL associato allo spazio.
```
aws \
--region region \
sagemaker \
describe-space \
--domain-id domain-id \
--space-name space-name
```
1. Aggiungi il rispettivo parametro di reindirizzamento per il tipo di applicazione all’URL da federare tramite il Centro identità IAM. Per ulteriori informazioni sui parametri di reindirizzamento, consulta [describe-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/describe-space.html).
1. Passa all’URL da federare tramite il Centro identità IAM.
# Collaborazione con spazi condivisi
Uno spazio condiviso Amazon SageMaker Studio Classic è costituito da un' JupyterServer applicazione condivisa e una directory condivisa. Uno spazio JupyterLab condiviso è costituito da un' JupyterLab applicazione condivisa e una directory condivisa all'interno di Amazon SageMaker Studio. Tutti i profili utente di un dominio hanno accesso a tutti gli spazi condivisi del dominio. Amazon SageMaker AI elabora automaticamente l'ambito delle risorse in uno spazio condiviso nel contesto dell'applicazione Amazon SageMaker Studio Classic che avvii in quello spazio condiviso. Le risorse in uno spazio condiviso includono notebook, file, esperimenti e modelli. Utilizza gli spazi condivisi per collaborare con altri utenti in tempo reale eseguendo funzionalità come il tagging automatico, la modifica congiunta in tempo reale dei notebook e la personalizzazione.
Gli spazi condivisi sono disponibili in:
+ Amazon SageMaker Studio Classic
+ JupyterLab
Uno spazio condiviso di Studio Classic supporta solo Studio Classic e KernelGateway le applicazioni. Uno spazio condiviso supporta solo l'uso di un Amazon Resource Name (ARN) a JupyterLab 3 immagini. Per ulteriori informazioni, consulta [JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md).
Amazon SageMaker AI etichetta automaticamente tutte le risorse di SageMaker intelligenza artificiale che crei nell'ambito di uno spazio condiviso. Puoi utilizzare questi tag per monitorare i costi e pianificare i budget utilizzando strumenti come Budget AWS.
Uno spazio condiviso utilizza le stesse impostazioni VPC del dominio in cui è stato creato.
**Nota**
Gli spazi condivisi non supportano l'uso di cluster cross-account Amazon SageMaker Data Wrangler o Amazon EMR.
**Tagging automatico**
A tutte le risorse create in uno spazio condiviso vengono automaticamente assegnati con tag ARN del dominio e un tag ARN dello spazio condiviso. Il tag ARN del dominio si basa sull’ID dominio, mentre il tag ARN dello spazio condiviso si basa sul nome dello spazio condiviso.
Puoi utilizzare questi tag per monitorare l'utilizzo. AWS CloudTrail Per ulteriori informazioni, consulta [Log Amazon SageMaker API Calls with AWS CloudTrail](https://docs.aws.amazon.com//sagemaker/latest/dg/logging-using-cloudtrail.html).
Puoi anche utilizzare questi tag per monitorare i costi con Gestione dei costi e fatturazione AWS. Per ulteriori informazioni, vedere [Utilizzo AWS dei tag di allocazione dei costi](https://docs.aws.amazon.com//awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
**Modifica condivisa in tempo reale dei notebook**
Un vantaggio chiave di uno spazio condiviso è che facilita la collaborazione tra i membri dello spazio condiviso in tempo reale. Gli utenti che collaborano in uno spazio di lavoro hanno accesso a un’applicazione Studio Classic condivisa in cui possono accedere, leggere e modificare i propri notebook in tempo reale. La collaborazione in tempo reale è supportata solo per JupyterServer le applicazioni all'interno di uno spazio condiviso.
Gli utenti con accesso a uno spazio condiviso possono aprire, visualizzare, modificare ed eseguire contemporaneamente i notebook Jupyter nello Studio Classic condiviso o nell'applicazione in quello spazio. JupyterLab
Il notebook indica ogni utente che collabora alle modifiche con un cursore diverso che mostra il nome del profilo utente. Sebbene più utenti possano visualizzare lo stesso notebook, la modifica in collaborazione è più adatta per piccoli gruppi con un numero da due a cinque utenti.
Per tenere traccia delle modifiche apportate da più utenti, consigliamo vivamente di utilizzare il controllo delle versioni integrato basato su Git di Studio Classic.
**JupyterServer 2**
Per utilizzare gli spazi condivisi in Studio Classic, è richiesta la versione 2 del server Jupyter. Alcune JupyterLab estensioni e pacchetti possono forzatamente effettuare il downgrade di Jupyter Server alla versione 1. Ciò impedisce l'uso dello spazio condiviso. Esegui quanto segue dal prompt dei comandi per modificare il numero di versione e continuare a utilizzare gli spazi condivisi.
```
conda activate studio
pip install jupyter-server==2.0.0rc3
```
**Personalizzazione di uno spazio condiviso**
Per collegare una configurazione del ciclo di vita o un'immagine personalizzata a uno spazio condiviso, è necessario utilizzare la AWS CLI. Per ulteriori informazioni su come creare e collegare configurazioni del ciclo di vita, consulta [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md). Per informazioni sulla creazione e il collegamento di immagini personalizzate, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md).
# Creazione di uno spazio condiviso
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Il seguente argomento dimostra come creare uno spazio condiviso in un dominio Amazon SageMaker AI esistente. Se hai creato il dominio senza il supporto per gli spazi condivisi, devi aggiungerlo prima di poter creare uno spazio condiviso.
**Topics**
+ [Aggiunta del supporto per gli spazi condivisi a un dominio esistente](#domain-space-add)
+ [Creazione di uno spazio condiviso](#domain-space-create-app)
## Aggiunta del supporto per gli spazi condivisi a un dominio esistente
Puoi utilizzare la console SageMaker AI o aggiungere il AWS CLI supporto per gli spazi condivisi a un dominio esistente. Se il dominio utilizza l’accesso alla rete `VPC only`, puoi aggiungere il supporto per gli spazi condivisi solo tramite la AWS CLI.
### Console
Completa la seguente procedura per aggiungere il supporto per gli spazi condivisi di Studio Classic a un dominio esistente dalla console SageMaker AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio per il quale desideri aprire la pagina **Impostazioni del dominio**.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Scegli **Modifica**.
1. In **Ruolo di esecuzione predefinito dello spazio**, imposta un ruolo IAM da utilizzare per impostazione predefinita per tutti gli spazi condivisi creati nel dominio.
1. Scegli **Next (Successivo)**.
1. Scegli **Next (Successivo)**.
1. Scegli **Next (Successivo)**.
1. Seleziona **Invia**.
### AWS CLI
------
#### [ Studio Classic ]
Esegui il seguente comando dal terminale del tuo computer locale per aggiungere impostazioni di spazio condiviso predefinite a un dominio dalla AWS CLI. Se stai aggiungendo impostazioni predefinite per lo spazio condiviso a un dominio all’interno di un Amazon VPC, devi includere anche un elenco di gruppi di sicurezza. Gli spazi condivisi di Studio Classic supportano solo l'uso di JupyterLab 3 immagini ARNs. Per ulteriori informazioni, consulta [JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=system,SageMakerImageArn=sagemaker-image-arn}},SecurityGroups=[security-groups]"
```
Utilizza il comando seguente per verificare che le impostazioni predefinite dello spazio condiviso siano state aggiornate.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
#### [ JupyterLab ]
Esegui il seguente comando dal terminale del tuo computer locale per aggiungere impostazioni di spazio condiviso predefinite a un dominio dalla AWS CLI. Se stai aggiungendo impostazioni predefinite per lo spazio condiviso a un dominio all’interno di un Amazon VPC, devi includere anche un elenco di gruppi di sicurezza. Gli spazi condivisi di Studio Classic supportano solo l'uso di JupyterLab 4 immagini ARNs. Per ulteriori informazioni, consulta [JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn", JupyterLabAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn, SecurityGroups=[security-groups]"
```
Utilizza il comando seguente per verificare che le impostazioni predefinite dello spazio condiviso siano state aggiornate.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
## Creazione di uno spazio condiviso
Le seguenti sezioni mostrano come creare uno spazio condiviso dalla console Amazon SageMaker AI, Amazon SageMaker Studio o AWS CLI.
### Creazione da Studio
Utilizza le procedure seguenti per creare uno spazio condiviso in un dominio da Studio.
------
#### [ Studio Classic ]
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **Studio Classic**.
1. Scegli **Crea spazio Studio Classic**.
1. Nella finestra pop-up, inserisci un nome per lo spazio.
1. Scegli **Crea spazio**.
------
#### [ JupyterLab ]
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **JupyterLab**.
1. Scegli **Crea JupyterLab spazio**
1. Nella finestra pop-up, inserisci un nome per lo spazio.
1. Scegli **Crea spazio**.
------
### Creazione dalla console
Completa la seguente procedura per creare uno spazio condiviso in un dominio dalla console SageMaker AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Nell’elenco di domini, seleziona quello per il quale desideri creare uno spazio condiviso.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**.
1. Scegli **Create** (Crea).
1. Inserisci un nome per lo spazio condiviso. I nomi degli spazi condivisi all’interno di un dominio devono essere univoci. Il ruolo di esecuzione per lo spazio condiviso è impostato sul ruolo di esecuzione IAM del dominio.
### Crea da AWS CLI
In questa sezione viene illustrato come creare uno spazio condiviso dalla AWS CLI.
Non è possibile impostare il ruolo di esecuzione di uno spazio condiviso durante la creazione o l'aggiornamento. `DefaultDomainExecRole`Può essere impostato solo durante la creazione o l'aggiornamento del dominio. gli spazi condivisi supportano solo l'uso di JupyterLab 3 immagini. ARNs Per ulteriori informazioni, consulta [JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md).
Per creare uno spazio condiviso da AWS CLI, esegui uno dei seguenti comandi dal terminale del tuo computer locale.
------
#### [ Studio Classic ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--ownership-settings "{\"OwnerUserProfileName\": \"user-profile-name\"}" \
--space-sharing-settings "{\"SharingType\": \"Shared\"}" \
--space-settings "{\"AppType\": \"JupyterLab\"}"
```
------
# Recupero di informazioni sugli spazi condivisi
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Questa guida mostra come accedere a un elenco di spazi condivisi in un dominio Amazon SageMaker AI con la console Amazon SageMaker AI, Amazon SageMaker Studio o il AWS CLI. Mostra anche come visualizzare i dettagli di uno spazio condiviso dalla AWS CLI.
**Topics**
+ [Elenchi di spazi condivisi](#domain-space-list-spaces)
+ [Visualizzazione dei dettagli dello spazio condiviso](#domain-space-describe)
## Elenchi di spazi condivisi
Il seguente argomento descrive come visualizzare un elenco di spazi condivisi all'interno di un dominio dalla console SageMaker AI o da AWS CLI.
### Elenco degli spazi condivisi da Studio
Completa la procedura seguente per visualizzare un elenco degli spazi condivisi in un dominio da Studio.
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **Studio Classic** o **JupyterLab**. Puoi visualizzare gli spazi utilizzati per l’esecuzione dello specifico tipo di applicazione.
### Elenchi di spazi condivisi dalla console
Completa la seguente procedura per visualizzare un elenco degli spazi condivisi in un dominio dalla console SageMaker AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona quello per il quale desideri visualizzare l’elenco degli spazi condivisi.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**.
### Elenca gli spazi condivisi da AWS CLI
Per elencare gli spazi condivisi in un dominio da AWS CLI, esegui il seguente comando dal terminale del tuo computer locale.
```
aws --region region \
sagemaker list-spaces \
--domain-id domain-id
```
## Visualizzazione dei dettagli dello spazio condiviso
La sezione seguente descrive come visualizzare i dettagli dello spazio condiviso dalla console SageMaker AI, da Studio o da AWS CLI.
### Visualizzazione dei dettagli degli spazi condivisi da Studio
Completa la procedura seguente per visualizzare i dettagli di uno spazio condiviso in un dominio da Studio.
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **Studio Classic** o **JupyterLab**. Puoi visualizzare gli spazi in cui è in esecuzione l’applicazione.
1. Seleziona il nome dello spazio per il quale desideri visualizzare i dettagli.
### Visualizzazione dei dettagli dello spazio condiviso dalla console
È possibile visualizzare i dettagli di uno spazio condiviso dalla console SageMaker AI utilizzando la seguente procedura.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona quello per il quale desideri visualizzare l’elenco degli spazi condivisi.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**.
1. Seleziona il nome dello spazio per aprire una nuova pagina in cui sono elencati i dettagli dello spazio condiviso.
### Visualizza i dettagli dello spazio condiviso dal AWS CLI
Per visualizzare i dettagli di uno spazio condiviso da AWS CLI, esegui il seguente comando dal terminale del tuo computer locale.
```
aws --region region \
sagemaker describe-space \
--domain-id domain-id \
--space-name space-name
```
# Modifica di uno spazio condiviso
Puoi modificare i dettagli di Amazon SageMaker Studio Classic o di uno spazio JupyterLab condiviso solo utilizzando AWS CLI. Non puoi modificare i dettagli di uno spazio condiviso dalla console Amazon SageMaker AI. È possibile aggiornare gli attributi dell'area di lavoro solo quando non ci sono applicazioni in esecuzione nello spazio condiviso.
------
#### [ Studio Classic ]
Per modificare i dettagli di uno spazio condiviso di Studio Classic da AWS CLI, esegui uno dei seguenti comandi dal terminale del tuo computer locale. gli spazi condivisi supportano solo l'uso di JupyterLab 3 immagini. ARNs Per ulteriori informazioni, consulta [JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--query SpaceArn --output text \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
Per modificare i dettagli di uno spazio JupyterLab condiviso da AWS CLI, esegui uno dei seguenti comandi dal terminale del tuo computer locale. gli spazi condivisi supportano solo l'uso di 4 immagini. JupyterLab ARNs Per ulteriori informazioni, consulta [SageMaker JupyterLab](studio-updated-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--space-settings "{
"SpaceStorageSettings": {
"EbsStorageSettings": {
"EbsVolumeSizeInGb":100
}
}
}
}"
```
------
# Eliminazione di uno spazio condiviso
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Il seguente argomento mostra come eliminare uno spazio condiviso Amazon SageMaker Studio Classic dalla console Amazon SageMaker AI o AWS CLI. Uno spazio condiviso può essere eliminato solo se non contiene applicazioni in esecuzione.
**Topics**
+ [Console](#domain-space-delete-console)
+ [AWS CLI](#domain-space-delete-cli)
## Console
Completa la seguente procedura per eliminare uno spazio condiviso nel dominio Amazon SageMaker AI dalla console SageMaker AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Nell’elenco di domini, seleziona quello per il quale desideri creare uno spazio condiviso.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**.
1. Seleziona lo spazio condiviso da eliminare. Lo spazio condiviso non deve contenere app non riuscite.
1. Scegli **Elimina**. Si apre una nuova finestra.
1. Seleziona **Sì, elimina lo spazio**.
1. Immetti *delete* nel campo.
1. Seleziona **Elimina spazio**.
## AWS CLI
Per eliminare uno spazio condiviso da AWS CLI, esegui il seguente comando dal terminale del tuo computer locale.
```
aws --region region \
sagemaker delete-space \
--domain-id domain-id \
--space-name space-name
```
# Propagazione attendibile delle identità con Studio
La propagazione affidabile delle identità è una AWS IAM Identity Center funzionalità che gli amministratori dei AWS servizi connessi possono utilizzare per concedere e controllare l'accesso ai dati del servizio. L’accesso a questi dati si basa su attributi utente come le associazioni di gruppo. La configurazione di una propagazione affidabile delle identità richiede la collaborazione tra gli amministratori dei AWS servizi connessi e l'amministratore di IAM Identity Center. Per ulteriori informazioni, consulta [Prerequisites and considerations](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html).
Gli amministratori di Amazon SageMaker Studio e IAM Identity Center possono collaborare per connettere i servizi per una propagazione affidabile delle identità. La propagazione affidabile delle identità risponde alle esigenze di autenticazione aziendale tra AWS i servizi semplificando:
+ Gli audit avanzati che monitorano le azioni eseguite da utenti specifici.
+ Gestione degli accessi per i carichi di lavoro di data science e machine learning attraverso l'integrazione con servizi compatibili AWS
+ I requisiti di conformità nei settori regolamentati.
Studio supporta la propagazione affidabile delle identità per scopi di audit e controllo degli accessi con servizi connessi AWS . La propagazione attendibile delle identità in Studio non gestisce direttamente le decisioni di autenticazione o autorizzazione all’interno di Studio stesso. Al contrario, propaga le informazioni sul contesto dell’identità a servizi compatibili che possono utilizzare queste informazioni per il controllo degli accessi.
Quando utilizzi la propagazione affidabile delle identità con Studio, la tua identità di IAM Identity Center si propaga ai AWS servizi connessi, creando autorizzazioni e governance di sicurezza più granulari.
**Topics**
+ [Architettura e compatibilità della propagazione attendibile delle identità](trustedidentitypropagation-compatibility.md)
+ [Configurazione della propagazione attendibile delle identità per Studio](trustedidentitypropagation-setup.md)
+ [Monitoraggio e controllo con CloudTrail](trustedidentitypropagation-auditing.md)
+ [Sessioni in background degli utenti](trustedidentitypropagation-user-background-sessions.md)
+ [Come connettersi ad altri AWS servizi con la propagazione affidabile delle identità abilitata](trustedidentitypropagation-connect-other.md)
# Architettura e compatibilità della propagazione attendibile delle identità
La propagazione affidabile delle identità si integra con AWS IAM Identity Center Amazon SageMaker Studio e altri AWS servizi connessi per diffondere il contesto dell'identità degli utenti tra i servizi. La pagina seguente riassume l'architettura affidabile di propagazione delle identità e la compatibilità con l'IA. SageMaker Per una panoramica completa di come funziona la propagazione delle identità affidabili AWS, consulta Panoramica sulla propagazione delle [identità affidabili](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overview.html).
I componenti chiave dell’architettura di propagazione attendibile delle identità includono:
+ **Propagazione attendibile delle identità**: una metodologia per la propagazione del contesto dell’identità dell’utente tra applicazioni e servizi.
+ **Contesto dell’identità**: informazioni su un utente.
+ **Sessione di ruolo IAM con identità migliorata: le sessioni di ruolo** con identità migliorata hanno un contesto di identità aggiunto che trasmette un identificatore utente al servizio che richiamano AWS
+ ** AWS Servizi connessi: altri AWS servizi** in grado di riconoscere il contesto di identità che viene propagato tramite una propagazione di identità affidabile
La propagazione affidabile delle identità consente ai AWS servizi connessi di prendere decisioni di accesso in base all'identità dell'utente. All’interno dello stesso Studio, i ruoli IAM vengono utilizzati come carrier del contesto dell’identità e non come strumenti per prendere decisioni sul controllo degli accessi. Il contesto dell'identità viene propagato ai AWS servizi connessi dove può essere utilizzato sia per il controllo degli accessi che per scopi di verifica. Per ulteriori informazioni, consulta [trusted identity propagation considerations](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-considerations).
Quando abiliti la propagazione affidabile dell'identità con Studio e esegui l'autenticazione tramite IAM Identity Center, AI: SageMaker
+ Acquisisce il contesto dell’identità dell’utente dal Centro identità IAM.
+ Crea una sessione del ruolo IAM rafforzata con l’identità che include il contesto dell’identità dell’utente.
+ Passa la sessione di ruolo IAM con identità migliorata ai AWS servizi compatibili quando l'utente accede alle risorse
+ Consente ai AWS servizi downstream di prendere decisioni di accesso e registrare le attività in base all'identità dell'utente
## Funzionalità SageMaker AI compatibili
La propagazione attendibile delle identità può essere utilizzata con le seguenti funzionalità di Studio:
+ Spazi privati di [Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html) (JupyterLab e Code Editor, basato su Code-OSS, Visual Studio Code - Open Source)
**Nota**
Quando viene avviato con la propagazione attendibile delle identità abilitata, Studio utilizza il contesto dell’identità dell’utente in aggiunta alle autorizzazioni del ruolo di esecuzione. Tuttavia, i seguenti processi durante la configurazione dell'istanza utilizzeranno solo le autorizzazioni del ruolo di esecuzione, senza il contesto dell'identità: Lifecycle Configuration Bring-Your-Own-Image, CloudWatch agente per l'inoltro dei log degli utenti.
[L’accesso remoto](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html) non è attualmente supportato con la propagazione attendibile delle identità.
Quando si utilizzano le operazioni di assunzione dei ruoli all'interno dei notebook di Studio, i ruoli assunti non propagano un contesto di propagazione dell'identità affidabile. Solo il ruolo di esecuzione originale mantiene il contesto di identità.
+ [SageMakerFormazione](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)
+ [SageMakerElaborazione](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html)
+ [SageMaker Hosting AI in tempo reale](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-options.html)
+ [SageMakerGasdotti](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-overview.html)
+ [SageMakerinferenza in tempo reale](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)
+ [SageMakerInferenza asincrona](https://docs.aws.amazon.com/sagemaker/latest/dg/async-inference.html)
+ [Gestito MLflow](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html)
## AWS Servizi compatibili
La propagazione affidabile delle identità per Amazon SageMaker Studio si integra con i AWS servizi compatibili, in cui è abilitata la propagazione delle identità affidabili. Consulta i [casi d’uso](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-integrations.html) per un elenco completo corredato da esempi su come abilitare la propagazione attendibile delle identità. I servizi compatibili con la propagazione attendibile delle identità includono quanto segue.
+ [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/workgroups-identity-center.html)
+ [Amazon EMR su EC2](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [AWS Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/identity-center-integration.html)
+ [API dati di Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Amazon S3 (tramite [Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html))
+ [Connessioni AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/security-trusted-identity-propagation.html)
Quando la propagazione delle identità attendibili è abilitata con l' SageMaker intelligenza artificiale, ogni altro AWS servizio con propagazione dell'identità affidabile è connesso. Una volta connessi, riconoscono e utilizzano il contesto dell’identità dell’utente per il controllo degli accessi e gli audit.
## Supportato Regioni AWS
Studio supporta la propagazione attendibile delle identità se [è supportato il Centro identità IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/regions.html) ed è supportato Studio con l’autenticazione del Centro identità IAM. Studio supporta la propagazione affidabile delle identità nei seguenti casi: Regioni AWS
+ af-south-1
+ ap-east-1
+ ap-northeast-1
+ ap-northeast-2
+ ap-northeast-3
+ ap-south-1
+ ap-southeast-1
+ ap-southeast-2
+ ap-southeast-3
+ ca-central-1
+ eu-central-1
+ eu-central-2
+ eu-north-1
+ eu-south-1
+ eu-west-1
+ eu-west-2
+ eu-west-3
+ il-central-1
+ me-south-1
+ sa-east-1
+ us-east-1
+ us-east-2
+ us-west-1
+ us-west-2
# Configurazione della propagazione attendibile delle identità per Studio
La configurazione della propagazione dell'identità affidabile per Amazon SageMaker Studio richiede che il tuo dominio Amazon SageMaker AI disponga del metodo di autenticazione IAM Identity Center configurato. Questa sezione ti guida attraverso i prerequisiti e le fasi necessari per abilitare e configurare la propagazione attendibile delle identità per gli utenti di Studio.
**Topics**
+ [Prerequisiti](#trustedidentitypropagation-setup-prerequisites)
+ [Abilita la propagazione affidabile delle identità per il tuo dominio Amazon SageMaker AI](#trustedidentitypropagation-setup-enable)
+ [Configura il tuo ruolo di esecuzione dell' SageMaker IA](#trustedidentitypropagation-setup-permissions)
## Prerequisiti
Prima di configurare la propagazione affidabile delle identità per l' SageMaker intelligenza artificiale, configura il tuo IAM Identity Center seguendo le seguenti istruzioni.
**Nota**
Assicurati che il tuo Centro identità IAM e il tuo dominio si trovino nella stessa Regione.
+ [IAM Identity Center trusted identity propagation prerequisites](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-prerequisites)
+ [Set up IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html)
+ [Add users to your IAM Identity Center directory](https://docs.aws.amazon.com/singlesignon/latest/userguide/addusers.html)
## Abilita la propagazione affidabile delle identità per il tuo dominio Amazon SageMaker AI
**Importante**
Puoi abilitare la propagazione attendibile delle identità solo per i domini in cui è configurato il metodo di autenticazione AWS IAM Identity Center .
Il tuo IAM Identity Center e il dominio Amazon SageMaker AI devono trovarsi nello stesso dominio Regione AWS.
Utilizza una delle opzioni seguenti per informazioni su come abilitare la propagazione attendibile delle identità per un dominio nuovo o esistente.
------
#### [ New domain - console ]
**Abilita la propagazione affidabile delle identità per un nuovo dominio utilizzando la console SageMaker AI**
1. Apri la [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Vai a **Domini**.
1. [Crea un dominio personalizzato](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html). Nel dominio deve essere configurato il metodo di autenticazione **AWS IAM Identity Center**.
1. Nella sezione **Propagazione attendibile delle identità**, scegli **Abilita la propagazione attendibile delle identità per tutti gli utenti di questo dominio**.
1. Completa il processo di creazione personalizzata.
------
#### [ Existing domain - console ]
**Abilita la propagazione affidabile delle identità per un dominio esistente utilizzando la console SageMaker AI**
**Nota**
Affinché la propagazione delle identità affidabili funzioni correttamente dopo essere stata abilitata per un dominio esistente, gli utenti dovranno riavviare le sessioni IAM Identity Center esistenti. Per farlo, puoi:
Gli utenti dovranno disconnettersi e accedere nuovamente alle sessioni IAM Identity Center esistenti
Gli amministratori possono [terminare le sessioni attive per gli utenti della forza lavoro](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
1. Apri la [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Vai a **Domini**.
1. Seleziona il dominio esistente. Nel dominio deve essere configurato il metodo di autenticazione **AWS IAM Identity Center**.
1. Nella scheda **Impostazioni del dominio**, scegli **Modifica** nella sezione **Autenticazione e autorizzazioni**.
1. Scegli **Abilita la propagazione attendibile delle identità per tutti gli utenti di questo dominio**.
1. Completa la configurazione del dominio.
------
#### [ Existing domain - AWS CLI ]
Abilita la propagazione affidabile delle identità per un dominio esistente utilizzando il AWS CLI
**Nota**
Affinché la propagazione delle identità affidabili funzioni correttamente dopo essere stata abilitata per un dominio esistente, gli utenti dovranno riavviare le sessioni di IAM Identity Center esistenti. Per farlo, puoi:
Gli utenti dovranno disconnettersi e accedere nuovamente alle sessioni IAM Identity Center esistenti
Gli amministratori possono [terminare le sessioni attive per gli utenti della forza lavoro](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
```
aws sagemaker update-domain \
--region $REGION \
--domain-id $DOMAIN_ID \
--domain-settings "TrustedIdentityPropagationSettings={Status=ENABLED}"
```
+ `DOMAIN_ID`è l'ID del dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Visualizzazione dei domini](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html).
+ `REGION`è il dominio Amazon SageMaker AI Regione AWS del tuo dominio Amazon. Puoi trovarlo in alto a destra in qualsiasi pagina della AWS console.
------
## Configura il tuo ruolo di esecuzione dell' SageMaker IA
Per abilitare la propagazione attendibile delle identità per gli utenti di Studio, tutti i ruoli di propagazione attendibile delle identità devono impostare le autorizzazioni seguenti per il contesto. Aggiorna la policy di attendibilità per tutti i ruoli per includere le azioni `sts:AssumeRole` e `sts:SetContext`. Utilizza la policy seguente quando [aggiorni la policy di attendibilità del tuo ruolo](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
]
}
]
}
```
------
# Monitoraggio e controllo con CloudTrail
Con la propagazione affidabile delle identità abilitata, AWS CloudTrail i log includono le informazioni sull'identità dell'utente specifico che ha eseguito un'azione, anziché solo il ruolo IAM. Ciò fornisce funzionalità di audit avanzate per la conformità e la sicurezza.
Per visualizzare le informazioni sull'identità nei CloudTrail log:
+ Apri la [CloudTrail console](https://console.aws.amazon.com/cloudtrail).
+ Nel riquadro di navigazione a sinistra, seleziona **Cronologia eventi**.
+ Scegli gli eventi dall' SageMaker intelligenza artificiale e dai servizi correlati.
+ In **Record di eventi**, cerca la chiave `onBehalfOf`. Questa contiene la chiave `userId` e altre informazioni di identificazione dell’utente che possono essere mappate a uno specifico utente del Centro identità IAM.
[Per ulteriori informazioni, consulta i casi d'CloudTrail uso di IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/sso-cloudtrail-use-cases.html).
# Sessioni in background degli utenti
Le sessioni in background degli utenti continuano anche quando l’utente non è più attivo. Consentono di eseguire processi di lunga durata che possono continuare anche dopo la disconnessione dell’utente. Ciò può essere reso possibile tramite la propagazione affidabile delle identità di SageMaker AI. La pagina seguente spiega le opzioni e i comportamenti di configurazione per le sessioni in background degli utenti.
**Nota**
Le sessioni utente già attive non sono interessate dall’abilitazione della propagazione attendibile delle identità. La durata predefinita si applica solo alle nuove sessioni utente o alle sessioni riavviate.
Le sessioni utente in background si applicano a qualsiasi flusso di lavoro di SageMaker intelligenza artificiale di lunga durata o a qualsiasi lavoro con stati persistenti. Ciò include, a titolo esemplificativo, tutte le risorse di SageMaker intelligenza artificiale che mantengono lo stato di esecuzione o richiedono un monitoraggio continuo. Ad esempio, i lavori di esecuzione di SageMaker Training, Processing e Pipelines.
**Topics**
+ [Configurazione della sessione in background dell’utente](#configure-user-background-sessions)
+ [Durata predefinita della sessione in background dell’utente](#default-user-background-session-duration)
+ [Impatto della disabilitazione della propagazione attendibile delle identità in Studio](#user-background-session-impact-disable-trustedidentitypropagation-studio)
+ [Impatto della disabilitazione delle sessioni in background degli utenti nella console del Centro identità IAM](#user-background-session-impact-disable-trustedidentitypropagation-identity-center)
+ [Considerazioni sul runtime](#user-background-session-runtime-considerations)
## Configurazione della sessione in background dell’utente
Una volta abilitata la propagazione affidabile delle identità per Amazon SageMaker Studio, i limiti di durata predefiniti possono essere configurati tramite le [sessioni utente in background nello IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html).
## Durata predefinita della sessione in background dell’utente
Per impostazione predefinita, tutte le sessioni in background degli utenti hanno una durata limitata a sette giorni. Gli amministratori possono [modificare questa durata nella console del Centro identità IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html). Questa impostazione si applica a livello di istanza del Centro identità IAM e interessa tutte le applicazioni del Centro identità IAM e i domini Studio supportati che si trovano in tale istanza.
Quando la propagazione affidabile delle identità è abilitata, gli amministratori nella console SageMaker AI troveranno un banner con le seguenti informazioni:
+ Il limite di durata per le sessioni in background degli utenti.
+ Un link alla console del Centro identità IAM in cui gli amministratori possono modificare questa configurazione.
+ La durata può essere impostata su un qualsiasi valore compreso tra 15 minuti e 90 giorni.
Quando una sessione in background dell’utente scade, viene visualizzato un messaggio di errore. Puoi utilizzare il link alla console del Centro identità IAM per aggiornare la durata.
## Impatto della disabilitazione della propagazione attendibile delle identità in Studio
Se un amministratore disabilita la propagazione delle identità affidabili, dopo averla inizialmente abilitata, nella console AI: SageMaker
+ Se le sessioni in background degli utenti sono abilitate, i processi esistenti continuano senza interruzioni.
+ Quando le sessioni utente in background sono disabilitate, tutti i flussi di lavoro di intelligenza artificiale o i lavori di SageMaker intelligenza artificiale di lunga durata con stati persistenti passeranno all'utilizzo di sessioni interattive. Ciò include, a titolo esemplificativo, tutte le risorse di SageMaker intelligenza artificiale che mantengono lo stato di esecuzione o richiedono un monitoraggio continuo. Ad esempio, i lavori di Amazon SageMaker Training and Processing.
+ Gli utenti possono riavviare i processi scaduti dai checkpoint.
+ I nuovi processi vengono eseguiti con le credenziali del ruolo IAM e non propagano il contesto dell’identità.
## Impatto della disabilitazione delle sessioni in background degli utenti nella console del Centro identità IAM
Quando la sessione utente in background è **disabilitata** per l'istanza IAM Identity Center, il job SageMaker AI utilizza sessioni interattive con l'utente. Quando si utilizzano sessioni interattive, un processo di SageMaker intelligenza artificiale fallirà entro 15 minuti quando:
+ L’utente si disconnette.
+ La sessione interattiva viene revocata dall’amministratore.
Quando la sessione utente in background è **abilitata** per l'istanza IAM Identity Center, il job SageMaker AI utilizza sessioni utente in background. Quando si utilizzano sessioni interattive, un processo di SageMaker intelligenza artificiale fallirà entro 15 minuti quando:
+ La sessione in background dell’utente scade.
+ La sessione in background dell’utente viene revocata manualmente da un amministratore.
Di seguito vengono forniti esempi di comportamento con i lavori di SageMaker formazione. Quando un amministratore abilita la propagazione attendibile delle identità, ma disabilita le [sessioni in background degli utenti](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html) nella console del Centro identità IAM:
+ Se l’utente rimane connesso, i job di addestramento creati mentre le sessioni in background erano disabilitate eseguono il fallback nella sessione interattiva.
+ Se l’utente si disconnette, la sessione scade e i job di addestramento che dipendono dalla sessione interattiva si interrompono con un errore.
+ Gli utenti possono riavviare il job di addestramento dall’ultimo checkpoint. La durata della sessione è determinata dal valore impostato per la durata della sessione interattiva nella console del Centro identità IAM.
+ Se un utente disabilita le sessioni in background **dopo** l’avvio di un processo, il processo continuerà a utilizzare le sessioni in background esistenti. In altre parole, l' SageMaker intelligenza artificiale non creerà nuove sessioni in background.
Lo stesso comportamento si applica se le sessioni in background sono abilitate a livello di istanza di IAM Identity Center ma disabilitate specificamente per l'applicazione Studio che utilizza [IAM Identity Center APIs](https://docs.aws.amazon.com/singlesignon/latest/APIReference/welcome.html).
## Considerazioni sul runtime
Quando un amministratore imposta processi `MaxRuntimeInSeconds` di formazione o elaborazione di lunga durata inferiori alla durata della sessione utente in background, SageMaker AI esegue il lavoro per la durata minima della sessione in background dell'utente `MaxRuntimeInSeconds` o della durata minima della sessione in background dell'utente. Per ulteriori informazioni su `MaxRuntimeInSeconds`, consultare [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html#sagemaker-CreateTrainingJob-request-StoppingCondition). Per informazioni su come impostare il runtime, consulta [User background sessions in IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html).
# Come connettersi ad altri AWS servizi con la propagazione affidabile delle identità abilitata
Quando la propagazione delle identità affidabili è abilitata per il tuo dominio Amazon SageMaker AI, gli utenti del dominio possono connettersi ad altri servizi affidabili abilitati AWS alla propagazione delle identità. Quando la propagazione attendibile delle identità è abilitata, il contesto dell’identità viene automaticamente propagato ai servizi compatibili, consentendo un controllo granulare degli accessi e audit migliori sui flussi di lavoro di machine learning. Questa integrazione elimina la necessità di un complesso cambio di ruolo IAM e offre un'esperienza di identità unificata tra i servizi. AWS Le pagine seguenti forniscono informazioni su come connettere Amazon SageMaker Studio ad altri AWS servizi quando è abilitata la propagazione di identità affidabili.
**Topics**
+ [Connetti JupyterLab i notebook Connect Studio ad Amazon S3 Access Grants con la propagazione affidabile delle identità abilitata](trustedidentitypropagation-s3-access-grants.md)
+ [Connetti i JupyterLab notebook Connect Studio ad Amazon EMR con la propagazione delle identità affidabile abilitata](trustedidentitypropagation-emr-ec2.md)
+ [Connect i JupyterLab notebook Studio a EMR Serverless con la propagazione affidabile delle identità abilitata](trustedidentitypropagation-emr-serverless.md)
+ [Connetti i JupyterLab notebook di Studio all'API Redshift Data con la propagazione affidabile delle identità abilitata](trustedidentitypropagation-redshift-data-apis.md)
+ [Connetti JupyterLab i notebook Studio a Lake Formation e Athena con la propagazione affidabile delle identità abilitata](trustedidentitypropagation-lake-formation-athena.md)
# Connetti JupyterLab i notebook Connect Studio ad Amazon S3 Access Grants con la propagazione affidabile delle identità abilitata
Puoi utilizzare [Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html) per concedere in modo flessibile il controllo granulare degli accessi basato sull’identità alle posizioni Amazon S3. In questo modo, i bucket Amazon S3 possono accedere direttamente agli utenti e ai gruppi aziendali. Le pagine seguenti forniscono informazioni e istruzioni su come utilizzare Amazon S3 Access Grants con la propagazione dell'identità affidabile per l'intelligenza artificiale. SageMaker
## Prerequisiti
Per connettere Studio a Lake Formation e Athena con la propagazione attendibile delle identità abilitata, assicurati di aver soddisfatto i prerequisiti seguenti:
+ [Configurazione della propagazione attendibile delle identità per Studio](trustedidentitypropagation-setup.md)
+ Segui le istruzioni in [Getting started with Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html) per configurare Amazon S3 Access Grants per il tuo bucket. Per ulteriori informazioni, consulta [Scaling data access with Amazon S3 Access Grants](https://aws.amazon.com/blogs/storage/scaling-data-access-with-amazon-s3-access-grants/).
**Nota**
Amazon S3 standard APIs non funziona automaticamente con Amazon S3 Access Grants. È necessario utilizzare in modo esplicito Amazon S3 Access Grants. APIs Per ulteriori informazioni, consulta [Managing access with Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html).
**Topics**
+ [Prerequisiti](#s3-access-grants-prerequisites)
+ [Connetti Amazon S3 Access Grants ai notebook Studio JupyterLab](s3-access-grants-setup.md)
+ [Connetti JupyterLab i notebook Studio ad Amazon S3 Access Grants con lavori di formazione ed elaborazione](trustedidentitypropagation-s3-access-grants-jobs.md)
# Connetti Amazon S3 Access Grants ai notebook Studio JupyterLab
Utilizza le seguenti informazioni per concedere Amazon S3 Access Grants nei notebook Studio. JupyterLab
Dopo aver configurato Amazon S3 Access Grants, [aggiungi le autorizzazioni seguenti](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) al [ruolo di esecuzione](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) del dominio o dell’utente.
+ `us-east-1` è la tua Regione AWS.
+ `111122223333` è il tuo ID Account AWS .
+ `S3-ACCESS-GRANT-ROLE` è il tuo ruolo Amazon S3 Access Grants.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForTIP",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
Verifica che la policy di attendibilità del tuo ruolo Amazon S3 Access Grants consenta le azioni `sts:SetContext` e `sts:AssumeRole`. Di seguito è riportato un esempio di policy da utilizzare quando [aggiorni la policy di attendibilità del ruolo](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"access-grants.s3.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
],
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333",
"aws:SourceArn": "arn:aws:s3:us-east-1:111122223333:access-grants/default"
}
}
}
]
}
```
------
## Utilizzo di Amazon S3 Access Grants per chiamare Amazon S3
Di seguito è riportato un esempio di script Python che mostra come utilizzare Amazon S3 Access Grants per chiamare Amazon S3. Ciò presuppone che tu abbia già configurato correttamente la propagazione delle identità affidabili con l'intelligenza artificiale. SageMaker
```
import boto3
from botocore.config import Config
def get_access_grant_credentials(account_id: str, target: str,
permission: str = 'READ'):
s3control = boto3.client('s3control')
response = s3control.get_data_access(
AccountId=account_id,
Target=target,
Permission=permission
)
return response['Credentials']
def create_s3_client_from_credentials(credentials) -> boto3.client:
return boto3.client(
's3',
aws_access_key_id=credentials['AccessKeyId'],
aws_secret_access_key=credentials['SecretAccessKey'],
aws_session_token=credentials['SessionToken']
)
# Create client
credentials = get_access_grant_credentials('111122223333',
"s3://tip-enabled-bucket/tip-enabled-path/")
s3 = create_s3_client_from_credentials(credentials)
s3.list_objects(Bucket="tip-enabled-bucket", Prefix="tip-enabled-path/")
```
Se utilizzi un percorso di un bucket Amazon S3 in cui non è abilitato Amazon S3 Access Grants, la chiamata non riuscirà.
Per ulteriori informazioni su altri linguaggi di programmazione, consulta [Managing access with Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html).
# Connetti JupyterLab i notebook Studio ad Amazon S3 Access Grants con lavori di formazione ed elaborazione
Utilizza le seguenti informazioni per concedere ad Amazon S3 Access Grants l'accesso ai dati nei job di Amazon SageMaker Training and Processing.
Quando un utente con la propagazione dell'identità affidabile abilitata avvia un processo di SageMaker formazione o elaborazione che deve accedere ai dati di Amazon S3:
+ SageMaker L'intelligenza artificiale chiama Amazon S3 Access Grants per ottenere credenziali temporanee basate sull'identità dell'utente
+ Se la chiamata riesce, l’utente accede ai dati di Amazon S3 con le credenziali temporanee.
+ In caso di esito negativo, l' SageMaker IA torna a utilizzare le credenziali del ruolo IAM
**Nota**
Per impostare la concessione di tutte le autorizzazioni tramite Amazon S3 Access Grants, dovrai rimuovere le relative autorizzazioni di accesso Amazon S3 dal tuo ruolo di esecuzione e collegarle all’autorizzazione [Amazon S3 Access Grant](https://docs.aws.amazon.com/singlesignon/latest/userguide/tip-tutorial-s3.html#tip-tutorial-s3-create-grant) corrispondente.
**Topics**
+ [Considerazioni](#s3-access-grants-jobs-considerations)
+ [Configurazione di Amazon S3 Access Grants con job di addestramento e processi di elaborazione](#s3-access-grants-jobs-setup)
## Considerazioni
Amazon S3 Access Grants non può essere utilizzato con la [modalità Pipe](https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest-stream.html) sia per la SageMaker formazione che per l'elaborazione per l'input di Amazon S3.
Quando la propagazione delle identità affidabili è abilitata, non è possibile avviare un SageMaker Training Job con la seguente funzionalità
+ Debug remoto
+ Debugger
+ Profiler
Quando la propagazione attendibile delle identità è abilitata, non è possibile avviare un processo di elaborazione con la funzionalità seguente:
+ DatasetDefinition
## Configurazione di Amazon S3 Access Grants con job di addestramento e processi di elaborazione
Dopo aver configurato Amazon S3 Access Grants, [aggiungi le autorizzazioni seguenti](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) al [ruolo di esecuzione](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) del dominio o dell’utente.
+ `us-east-1` è la tua Regione AWS.
+ `111122223333` è il tuo ID Account AWS .
+ `S3-ACCESS-GRANT-ROLE` è il tuo ruolo Amazon S3 Access Grants.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess",
"s3:GetAccessGrantsInstanceForPrefix"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForIdentificationPropagation",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
# Connetti i JupyterLab notebook Connect Studio ad Amazon EMR con la propagazione delle identità affidabile abilitata
La connessione dei JupyterLab notebook Amazon SageMaker Studio ai cluster Amazon EMR consente di sfruttare la potenza di calcolo distribuita di Amazon EMR per carichi di lavoro di elaborazione e analisi dei dati su larga scala. Con la propagazione attendibile delle identità abilitata, il contesto dell’identità viene propagato ad Amazon EMR, consentendo un controllo granulare degli accessi e audit trail completi. La pagina seguente fornisce istruzioni su come collegare il notebook Studio ai cluster Amazon EMR. Una volta configurata, puoi utilizzare l’opzione `Connect to Cluster` sul notebook Studio.
Per connettere Studio ad Amazon EMR con la propagazione attendibile delle identità abilitata, assicurati di aver completato le configurazioni seguenti:
+ [Configurazione della propagazione attendibile delle identità per Studio](trustedidentitypropagation-setup.md)
+ [Guida introduttiva all' AWS IAM Identity Center integrazione per Amazon EMR](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [Abilitazione delle comunicazioni tra i cluster Studio e Amazon EMR](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
**Connessione al cluster Amazon EMR**
Per un elenco completo delle opzioni su come connettere il JupyterLab notebook ad Amazon EMR, consulta [Connessione a un cluster Amazon EMR.](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-clusters.html)
# Connect i JupyterLab notebook Studio a EMR Serverless con la propagazione affidabile delle identità abilitata
Amazon EMR serverless offre un’opzione serverless per eseguire le applicazioni Apache Spark e Apache Hive senza dover gestire i cluster. Se integrato con la propagazione attendibile delle identità, EMR Serverless ridimensiona automaticamente le risorse di calcolo mantenendo il contesto dell’identità per gli audit e il controllo degli accessi. Questo approccio elimina il sovraccarico operativo della gestione dei cluster, preservando al contempo i vantaggi in termini di sicurezza offerti dal controllo degli accessi basato sull’identità. La sezione seguente fornisce informazioni su come connettere il tuo Studio con propagazione attendibile delle identità a EMR Serverless.
Per connettere Studio ad Amazon EMR serverless con la propagazione attendibile delle identità abilitata, assicurati di aver completato le configurazioni seguenti:
+ [Configurazione della propagazione attendibile delle identità per Studio](trustedidentitypropagation-setup.md)
+ [Propagazione attendibile delle identità con EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [Abilitazione delle comunicazioni tra Studio ed EMR Serverless](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-serverless.html)
**Connessione all’applicazione EMR Serverless**
Per un elenco completo delle opzioni su come connettere il JupyterLab notebook a EMR Serverless, vedere [Connessione a un'applicazione EMR](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-serverless-application.html) Serverless.
# Connetti i JupyterLab notebook di Studio all'API Redshift Data con la propagazione affidabile delle identità abilitata
L’API di dati di Amazon Redshift consente di interagire con i cluster Amazon Redshift in modo programmatico senza gestire connessioni persistenti. In combinazione con la propagazione attendibile delle identità, l’API di dati di Redshift offre un accesso sicuro e basato sull’identità al data warehouse, consentendoti di eseguire query SQL e recuperare i risultati, garantendo al tempo stesso audit trail completi sulle attività degli utenti. Questa integrazione è particolarmente utile per i flussi di lavoro di data science che richiedono l’accesso ai dati strutturati archiviati in Redshift. La pagina seguente include informazioni e istruzioni su come collegare la propagazione delle identità affidabili con Amazon SageMaker Studio all'API Redshift Data.
Per connettere Studio a l’API di dati di Redshift con la propagazione attendibile delle identità abilitata, assicurati di aver completato le configurazioni seguenti:
+ [Configurazione della propagazione attendibile delle identità per Studio](trustedidentitypropagation-setup.md)
+ [Utilizzo dell’API di dati di Redshift con propagazione attendibile delle identità](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Verifica che il tuo ruolo di esecuzione disponga delle autorizzazioni necessarie per l’API di dati di Redshift. Per ulteriori informazioni, consulta [Authorizing access](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-access.html).
+ [Semplifica la gestione degli accessi con Amazon Redshift e AWS Lake Formation per gli utenti di un provider di identità esterno](https://aws.amazon.com/blogs/big-data/simplify-access-management-with-amazon-redshift-and-aws-lake-formation-for-users-in-an-external-identity-provider/)
# Connetti JupyterLab i notebook Studio a Lake Formation e Athena con la propagazione affidabile delle identità abilitata
AWS Lake Formation e Amazon Athena collaborano per fornire una soluzione data lake completa con controllo granulare degli accessi e funzionalità di query serverless. Lake Formation centralizza la gestione delle autorizzazioni per il data lake, mentre Athena fornisce servizi di query interattivi. Se integrata con la propagazione attendibile delle identità, questa funzionalità consente ai Data Scientist di accedere solo ai dati che sono autorizzati a vedere, con tutte le query e l’accesso ai dati registrati automaticamente per scopi di conformità e audit. La pagina seguente fornisce informazioni e istruzioni su come collegare la propagazione delle identità affidabili con Amazon SageMaker Studio a Lake Formation e Athena.
Per connettere Studio a Lake Formation e Athena con la propagazione attendibile delle identità abilitata, assicurati di aver completato le configurazioni seguenti:
+ [Configurazione della propagazione attendibile delle identità per Studio](trustedidentitypropagation-setup.md)
+ [Creazione di un ruolo in Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/prerequisites-identity-center.html)
+ [Connessione di Lake Formation con il Centro identità IAM](https://docs.aws.amazon.com/lake-formation/latest/dg/connect-lf-identity-center.html)
+ Creazione di risorse per Lake Formation:
+ [Database](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-database.html)
+ [Tabelle](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-tables.html)
+ [Creazione di un gruppo di lavoro Athena](https://docs.aws.amazon.com/athena/latest/ug/creating-workgroups.html)
+ Scegli **AthenaSQL** per il motore
+ Scegli **Centro identità IAM** per il metodo di autenticazione
+ Creazione di un nuovo ruolo di servizio
+ Assicurati che gli utenti del Centro identità IAM abbiano accesso alla posizione dei risultati delle query con Amazon S3 Access Grants
+ [Concessione delle autorizzazioni al database tramite il metodo delle risorse denominate](https://docs.aws.amazon.com/lake-formation/latest/dg/granting-database-permissions.html)
# Esecuzione di attività comuni nell’interfaccia utente
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Le seguenti sezioni descrivono come eseguire attività comuni nell'interfaccia utente di Amazon SageMaker Studio. Per una panoramica dell'interfaccia utente di Studio, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio](studio-updated-ui.md).
**Impostazione delle preferenze relative ai cookie**
1. Avvia Studio seguendo le fasi descritte in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Nella parte inferiore dell’interfaccia utente di Studio, scegli **Preferenze relative ai cookie**.
1. Seleziona la casella di controllo per ogni tipo di cookie che desideri che Amazon SageMaker AI utilizzi.
1. Scegli **Save preferences** (Salva preferenze).
**Gestione delle notifiche**
Le notifiche forniscono informazioni su modifiche importanti a Studio, aggiornamenti alle applicazioni e problemi da risolvere.
1. Avvia Studio seguendo le fasi descritte in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Nella barra di navigazione in alto, scegli l’icona **Notifiche** (![\[Logo for Notifications, a cloud service with a stylized bell icon.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/monarch/notification.png)).
1. Dall’elenco delle notifiche, seleziona la notifica per la quale desideri ottenere informazioni.
**Inserimento di un feedback**
Ci interessa il tuo feedback. Ti invitiamo a fornire feedback.
Nella barra di navigazione superiore di Studio, scegli **Fornisci feedback**.
**Disconnessione**
Uscire dall’interfaccia utente di Studio non è come chiudere la finestra del browser. La disconnessione cancella i dati della sessione dal browser ed elimina le modifiche non salvate.
Lo stesso comportamento si applica anche al timeout della sessione di Studio, che si verifica dopo cinque minuti.
1. Avvia Studio seguendo le fasi descritte in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Scegli l’icona **Opzioni utente** (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/monarch/user-settings.png)).
1. Scegli **Esci**.
1. Nella finestra pop-up, scegli **Esci**.
# NVMe negozi con Amazon SageMaker Studio
Le applicazioni Amazon SageMaker Studio e i notebook associati vengono eseguiti su istanze Amazon Elastic Compute Cloud (Amazon EC2). Alcuni tipi di istanze Amazon EC2, come la famiglia di istanze, offrono archivi di `ml.m5d` istanze SSD (Solid State DriveNVMe) con memoria non volatile Express (). NVMe gli instance store sono archivi di dischi temporanei locali collegati fisicamente a un'istanza per uno storage temporaneo rapido. Le applicazioni Studio supportano gli store di NVMe istanze per i tipi di istanze supportati. Per ulteriori informazioni sui tipi di istanze e sui volumi di NVMe archiviazione associati, consulta i [dettagli sul tipo di istanza Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Questo argomento fornisce informazioni sull'accesso e sull'utilizzo degli NVMe instance store, nonché considerazioni sull'utilizzo degli NVMe instance store con Studio.
## Considerazioni
Le seguenti considerazioni si applicano all'utilizzo degli NVMe instance store con Studio.
+ Un NVMe instance store è un archivio temporaneo. I dati archiviati nell' NVMe archivio vengono eliminati quando l'istanza viene terminata, interrotta o ibernata. Quando si utilizzano gli NVMe store con le applicazioni Studio, i dati sull' NVMe instance store vengono persi ogni volta che l'applicazione viene eliminata, riavviata o applicata una patch. Ti consigliamo di eseguire il backup dei dati essenziali su soluzioni di archiviazione persistenti, come Amazon Elastic Block Store, Amazon Elastic File System o Amazon Simple Storage Service.
+ Studio applica periodicamente patch alle istanze per installare nuovi aggiornamenti di sicurezza. Quando viene applicata una patch, l’istanza viene riavviata. Questo riavvio comporta l'eliminazione dei dati archiviati nell' NVMe instance store. Ti consigliamo di eseguire spesso il backup dei dati necessari dall' NVMe Instance Store su soluzioni di storage persistenti, come Amazon Elastic Block Store, Amazon Elastic File System o Amazon Simple Storage Service.
+ Le seguenti applicazioni Studio supportano l'utilizzo NVMe dello storage:
+ JupyterLab
+ Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source
+ KernelGateway
## Accedi agli archivi di NVMe istanze
Quando si seleziona un tipo di istanza con archivi di NVMe istanze collegati per ospitare un'applicazione Studio, la directory dell' NVMe instance store viene montata nel contenitore dell'applicazione nella seguente posizione:
```
/mnt/sagemaker-nvme
```
Se a un'istanza è collegato più di un NVMe instance store, Studio crea un volume logico con striping che si estende su tutti i dischi locali collegati. A questo punto, Studio monta il volume logico con striping nella directory `/mnt/sagemaker-nvme`. Di conseguenza, la dimensione di archiviazione della directory è la somma di tutte le dimensioni del volume dell' NVMe Instance Store collegato all'istanza.
Se la `/mnt/sagemaker-nvme` directory non esiste, verifica che al tipo di istanza che ospita l'applicazione sia collegato un volume di NVMe instance store.
# Supporto in modalità locale in Amazon SageMaker Studio
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Le applicazioni Amazon SageMaker Studio supportano l'uso della modalità locale per creare stimatori, processori e pipeline, quindi distribuirli in un ambiente locale. Con la modalità locale, puoi testare gli script di machine learning prima di eseguirli in ambienti di hosting o formazione gestiti da Amazon SageMaker AI. Studio supporta la modalità locale nelle applicazioni seguenti:
+ Amazon SageMaker Studio Classic
+ JupyterLab
+ Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source
La modalità locale nelle applicazioni Studio viene richiamata utilizzando SageMaker Python SDK. Nelle applicazioni Studio, la modalità locale funziona in modo simile a come funziona nelle istanze di SageMaker notebook Amazon, con alcune differenze. Se è abilitata la [Configurazione di Docker rootless](studio-updated-local-get-started.md#studio-updated-local-rootless), puoi anche accedere a registri Docker aggiuntivi tramite la configurazione VPC, inclusi repository on-premises e registri pubblici. [Per ulteriori informazioni sull'uso della modalità locale con SageMaker Python SDK, consulta Local Mode.](https://sagemaker.readthedocs.io/en/stable/overview.html#local-mode)
**Nota**
Le applicazioni Studio non supportano processi multi-container in modalità locale. I processi in modalità locale sono limitati a una singola istanza per i job di addestramento, inferenza ed elaborazione. Quando crei un processo in modalità locale, il numero delle istanze deve essere configurato su `1`.
## Supporto di Docker
Nell’ambito del supporto della modalità locale, le applicazioni Studio supportano funzionalità limitate di accesso a Docker. Grazie a questo supporto, gli utenti possono interagire con l’API Docker dai notebook Jupyter o dal terminale delle immagini dell’applicazione. I clienti possono interagire con Docker utilizzando uno dei comandi seguenti:
+ [CLI Docker](https://docs.docker.com/engine/reference/run/)
+ [CLI Docker Compose](https://docs.docker.com/compose/reference/)
+ Client SDK Docker specifici per lingua
Studio supporta anche funzionalità limitate di accesso a Docker con le seguenti restrizioni:
+ L’utilizzo delle reti Docker non è supportato.
+ L’utilizzo [del volume](https://docs.docker.com/storage/volumes/) Docker non è supportato durante l’esecuzione del container. Durante l’orchestrazione del container sono consentiti solo gli input per il montaggio vincolato del volume. Gli input per il montaggio vincolato del volume devono essere posizionati sul volume Amazon Elastic File System (Amazon EFS) per Studio Classic. Per le applicazioni JupyterLab e Code Editor, deve trovarsi nel volume Amazon Elastic Block Store (Amazon EBS).
+ Le operazioni di ispezione dei container sono consentite.
+ La mappatura tra la porta del container e l’host non è consentita. Tuttavia, puoi specificare una porta per l’hosting. L’endpoint è quindi accessibile da Studio tramite l’URL seguente:
```
http://localhost:port
```
### Operazioni Docker supportate
La tabella seguente mostra tutti gli endpoint API Docker supportati in Studio, incluse le eventuali limitazioni al supporto. Se nella tabella manca un endpoint API, Studio non lo supporta.
| Documentazione API | Limitazioni |
| --- | --- |
| [SystemAuth](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemAuth) | |
| [SystemEvents](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemEvents) | |
| [SystemVersion](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemVersion) | |
| [SystemPing](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPing) | |
| [SystemPingHead](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPingHead) | |
| [ContainerCreate](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerCreate) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-updated-local.html) |
| [ContainerStart](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStart) | |
| [ContainerStop](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStop) | |
| [ContainerKill](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerKill) | |
| [ContainerDelete](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerDelete) | |
| [ContainerList](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerList) | |
| [ContainerLogs](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerLogs) | |
| [ContainerInspect](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerInspect) | |
| [ContainerWait](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerWait) | |
| [ContainerAttach](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerAttach) | |
| [ContainerPrune](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerPrune) | |
| [ContainerResize](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerResize) | |
| [ImageCreate](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageCreate) | Il supporto della modalità VPC-only è limitato alle immagini Amazon ECR negli account consentiti. Se è abilitata la [Configurazione di Docker rootless](studio-updated-local-get-started.md#studio-updated-local-rootless), puoi anche accedere a registri Docker aggiuntivi tramite la configurazione VPC, inclusi repository on-premises e registri pubblici. |
| [ImagePrune](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePrune) | |
| [ImagePush](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePush) | Il supporto della modalità VPC-only è limitato alle immagini Amazon ECR negli account consentiti. Se è abilitata la [Configurazione di Docker rootless](studio-updated-local-get-started.md#studio-updated-local-rootless), puoi anche accedere a registri Docker aggiuntivi tramite la configurazione VPC, inclusi repository on-premises e registri pubblici. |
| [ImageList](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageList) | |
| [ImageInspect](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageInspect) | |
| [ImageGet](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageGet) | |
| [ImageDelete](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageDelete) | |
| [ImageBuild](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageBuild) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-updated-local.html) |
**Topics**
+ [Supporto di Docker](#studio-updated-local-docker)
+ [Nozioni di base sulla modalità locale](studio-updated-local-get-started.md)
# Nozioni di base sulla modalità locale
Le seguenti sezioni descrivono i passaggi necessari per iniziare a utilizzare la modalità locale in Amazon SageMaker Studio, tra cui:
+ Completamento dei prerequisiti
+ Impostazione di `EnableDockerAccess`
+ Installazione di Docker
## Prerequisiti
Completa i prerequisiti seguenti per utilizzare la modalità locale nelle applicazioni Studio:
+ Per estrarre immagini da un repository Amazon Elastic Container Registry, l’account che ospita l’immagine Amazon ECR deve fornire l’autorizzazione di accesso per il ruolo di esecuzione dell’utente. Anche il ruolo di esecuzione del dominio deve consentire l’accesso ad Amazon ECR.
+ Verifica di disporre della versione più recente di Studio Python SDK utilizzando il comando seguente:
```
pip install -U sagemaker
```
+ Per utilizzare la modalità locale e le funzionalità Docker, imposta il parametro seguente `DockerSettings` del dominio dalla AWS Command Line Interface (AWS CLI):
```
EnableDockerAccess : ENABLED
```
+ Con `EnableDockerAccess`, puoi anche controllare se gli utenti del dominio possono utilizzare la modalità locale. Per impostazione predefinita, la modalità locale e le funzionalità Docker non sono consentite nelle applicazioni Studio. Per ulteriori informazioni, consulta [Impostazione di `EnableDockerAccess`](#studio-updated-local-enable).
+ Installa la CLI Docker nell’applicazione Studio seguendo la procedura in [Installazione di Docker](#studio-updated-local-docker-installation).
+ Per la [Configurazione di Docker rootless](#studio-updated-local-rootless), verifica che il VPC abbia gli endpoint appropriati e il routing configurato per i registri Docker desiderati.
## Impostazione di `EnableDockerAccess`
Le sezioni seguenti mostrano come impostare `EnableDockerAccess` quando il dominio dispone di un accesso pubblico a Internet o è in modalità `VPC-only`.
**Nota**
Le modifiche a `EnableDockerAccess` si applicano solo alle applicazioni create dopo l’aggiornamento del dominio. È necessario creare una nuova applicazione dopo l’aggiornamento del dominio.
**Accesso pubblico a Internet**
I comandi di esempio seguenti mostrano come impostare `EnableDockerAccess` quando crei un nuovo dominio o aggiorni un dominio esistente con accesso pubblico a Internet:
```
# create new domain
aws --region region \
sagemaker create-domain --domain-name domain-name \
--vpc-id vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role" \
--domain-settings '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}' \
--query DomainArn \
--output text
# update domain
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}'
```
**Modalità `VPC-only`**
Quando utilizzi un dominio in modalità `VPC-only`, le richieste push e pull delle immagini Docker non vengono instradate tramite il VPC configurato dal cliente, ma tramite il VPC del servizio. Grazie a questa funzionalità, gli amministratori possono configurare un elenco di Account AWS attendibili a cui gli utenti possono inviare richieste di operazioni pull e push Docker in Amazon ECR.
Se viene effettuata una richiesta push o pull di un'Dockerimmagine a un utente Account AWS che non è nell'elenco delle immagini attendibili Account AWS, la richiesta ha esito negativo. DockerLe operazioni pull and push al di fuori di Amazon Elastic Container Registry (Amazon ECR) non sono supportate in modalità. `VPC-only`
Le seguenti Account AWS sono considerate affidabili per impostazione predefinita:
+ L'account che ospita il dominio SageMaker AI.
+ SageMaker Account AI che ospitano le seguenti SageMaker immagini:
+ Immagini del framework DLC
+ SklearnSpark, XGBoost elaborazione delle immagini
Per configurare un elenco di altri affidabili Account AWS, specifica il `VpcOnlyTrustedAccounts` valore come segue:
```
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED", "VpcOnlyTrustedAccounts": ["account-list"]}}'
```
**Nota**
Quando [Configurazione di Docker rootless](#studio-updated-local-rootless) è abilitato, `VpcOnlyTrustedAccounts` viene ignorato e il traffico Docker viene instradato attraverso la configurazione VPC, consentendo l’accesso a qualsiasi registro raggiungibile dal VPC.
## Configurazione di Docker rootless
Quando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html) è abilitato, Studio utilizza un [daemon Docker rootless](https://docs.docker.com/engine/security/rootless/) che instrada il traffico attraverso il VPC. Ciò offre una maggiore sicurezza e consente l’accesso a ulteriori registri Docker. Le differenze principali con `RootlessDocker` sono:
+ Le porte dei container sono accessibili utilizzando l’IP del gateway Docker (`172.17.0.1`) anziché localhost.
+ La configurazione del VPC determina quali registri sono accessibili per le operazioni Docker. `VpcOnlyTrustedAccounts` viene ignorato e il traffico Docker viene instradato attraverso la configurazione del VPC.
Per utilizzare Docker rootless, devi impostare sia `EnableDockerAccess` che `RootlessDocker` su `ENABLED` per `DockerSettings`. Ad esempio, negli esempi [Impostazione di `EnableDockerAccess`](#studio-updated-local-enable) precedenti, puoi modificare le impostazioni del dominio per includere:
```
'{"DockerSettings": {"EnableDockerAccess": "ENABLED", "RootlessDocker": "ENABLED"}}'
```
## Installazione di Docker
Per utilizzare Docker, devi installare manualmente Docker dal terminale dell’applicazione Studio. La procedura per l’installazione di Docker può variare a seconda che il dominio abbia accesso a Internet o meno.
### Accesso a Internet
Se il dominio viene creato con accesso pubblico a Internet o in modalità `VPC-only` con accesso limitato a Internet, utilizza la procedura seguente per l’installazione di Docker.
1. (Facoltativo) Se il dominio è stato creato in modalità `VPC-only` con accesso limitato a Internet, crea un gateway NAT pubblico con accesso al sito web Docker. Per istruzioni, consulta [NAT gateways](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html).
1. Accedi al terminale dell’applicazione Studio in cui desideri installare Docker.
1. Per restituire il sistema operativo dell’applicazione, utilizza il comando seguente dal terminale:
```
cat /etc/os-release
```
1. Installa Docker seguendo le istruzioni per il sistema operativo dell'applicazione nel [repository Amazon SageMaker AI Local Mode Examples](https://github.com/aws-samples/amazon-sagemaker-local-mode/tree/main/sagemaker_studio_docker_cli_install).
Ad esempio, esegui l'installazione Docker Ubuntu seguendo lo script in [https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker\$1studio\$1docker\$1cli\$1install/sagemaker- ubuntu-focal-docker-cli -install.sh](https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker_studio_docker_cli_install/sagemaker-ubuntu-focal-docker-cli-install.sh) con le seguenti considerazioni:
+ Se i comandi concatenati non riescono, esegui un comando alla volta.
+ Studio supporta solo Docker versione `20.10.X.` e Docker Engine API versione `1.41`.
+ I seguenti pacchetti non sono necessari per utilizzare la CLI Docker in Studio e la loro installazione può essere ignorata:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**Nota**
Non è necessario avviare il servizio Docker nelle applicazioni. L’istanza che ospita l’applicazione Studio esegue il servizio Docker per impostazione predefinita. Tutte le chiamate API Docker vengono instradate automaticamente tramite il servizio Docker.
1. Utilizza il socket Docker esposto per le interazioni Docker all’interno delle applicazioni Studio. Per impostazione predefinita, è esposto il socket seguente:
```
unix:///docker/proxy.sock
```
La variabile di ambiente dell’applicazione Studio seguente per il valore `USER` predefinito utilizza questo socket esposto:
```
DOCKER_HOST
```
### Nessun accesso a Internet
Se il dominio viene creato in modalità `VPC-only` senza accesso a Internet, utilizza la procedura seguente per l’installazione di Docker.
1. Accedi al terminale dell’applicazione Studio in cui desideri installare Docker.
1. Utilizza il comando seguente dal terminale per restituire il sistema operativo dell’applicazione:
```
cat /etc/os-release
```
1. Scarica i file `.deb` Docker richiesti nel computer locale. Per istruzioni su come scaricare i file richiesti per il sistema operativo dell’applicazione Studio, consulta [Install Docker Engine](https://docs.docker.com/engine/install/).
Ad esempio, installa Docker da un pacchetto su Ubuntu seguendo le fasi da 1 a 4 in [Install from a package](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package) con le seguenti considerazioni:
+ Installa Docker da un pacchetto. Non sono previsti altri metodi di installazione di Docker.
+ Installa i pacchetti più recenti corrispondenti a Docker versione `20.10.X`.
+ I pacchetti seguenti non sono necessari per utilizzare la CLI Docker in Studio. Non è necessario installare quanto segue:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**Nota**
Non è necessario avviare il servizio Docker nelle applicazioni. L’istanza che ospita l’applicazione Studio esegue il servizio Docker per impostazione predefinita. Tutte le chiamate API Docker vengono instradate automaticamente tramite il servizio Docker.
1. Carica i file `.deb` nel file system Amazon EFS o nel file system Amazon EBS dell’applicazione.
1. Installa manualmente i pacchetti `docker-ce-cli` e `docker-compose-plugin` `.deb` dal terminale dell’applicazione Studio. Per ulteriori informazioni e istruzioni, consulta la fase 5 in [Install from a package](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package) sul sito web della documentazione Docker.
1. Utilizza il socket Docker esposto per le interazioni Docker all’interno delle applicazioni Studio. Per impostazione predefinita, è esposto il socket seguente:
```
unix:///docker/proxy.sock
```
La variabile di ambiente dell’applicazione Studio seguente per il valore `USER` predefinito utilizza questo socket esposto:
```
DOCKER_HOST
```
# Visualizzazione di istanze, applicazioni e spazi in esecuzione in Studio
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Gli argomenti seguenti includono informazioni e istruzioni su come visualizzare le istanze, le applicazioni e gli spazi in esecuzione in Studio. Per ulteriori informazioni sugli spazi Studio, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md).
## Visualizzazione delle istanze e delle applicazioni in esecuzione in Studio
La pagina **Istanze in esecuzione** fornisce informazioni su tutte le istanze di applicazioni in esecuzione create in Amazon SageMaker Studio dall'utente o condivise con l'utente.
Puoi visualizzare e arrestare le istanze in esecuzione per tutte le applicazioni e gli spazi. Se un’istanza viene arrestata, non viene visualizzata in questa pagina. Le istanze interrotte possono essere visualizzate nella pagina di destinazione dei rispettivi tipi di applicazione.
Puoi visualizzare un elenco di applicazioni in esecuzione e i relativi dettagli in Studio.
**Per visualizzare le istanze in esecuzione**
1. Avvia Studio seguendo le fasi descritte in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Nel riquadro di navigazione a sinistra, scegli **Istanze in esecuzione**.
1. Nella pagina **Istanze in esecuzione**, puoi visualizzare un elenco di applicazioni in esecuzione e i relativi dettagli.
Per visualizzare le istanze non in esecuzione, dal riquadro di navigazione a sinistra scegli l’applicazione pertinente in **Applicazioni**. Le applicazioni non in esecuzione avranno lo stato **Arrestato** nella colonna **Stato**.
## Visualizzazione degli spazi Studio
La sezione **Spazi** nella pagina **Dettagli del dominio** fornisce informazioni sugli spazi Studio all’interno del tuo dominio. In questa pagina puoi visualizzare, creare ed eliminare gli spazi.
Gli spazi visualizzabili nella sezione **Spazi** sono quelli in esecuzione per:
+ JupyterLab spazio privato. Per informazioni su JupyterLab, vedere[SageMaker JupyterLab](studio-updated-jl.md).
+ Spazio privato dell’Editor di codice. Per informazioni sull’Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source, consulta [Editor di codice in Amazon SageMaker Studio](code-editor.md).
+ Spazio condiviso di Studio Classic. Per informazioni sullo spazio condiviso di Studio Classic, consulta [Collaborazione con spazi condivisi](domain-space.md).
Non ci sono spazi per SageMaker Canvas, Studio Classic (privato) o RStudio.
**Visualizza i tuoi spazi Studio in un dominio**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio in cui desideri visualizzare gli spazi.
1. Nella pagina **Dettagli del dominio**, scegli la scheda **Gestione dello spazio** per aprire la sezione **Spazi**.
**Visualizza i tuoi spazi Studio utilizzando il AWS CLI**
Usa il seguente comando per elencare tutti gli spazi del tuo dominio:
```
aws sagemaker list-spaces --region us-east-1 --domain-id domain-id
```
+ `us-east-1`è tuo Regione AWS.
+ *domain-id* è il tuo ID dominio. Per ulteriori informazioni, consulta [Visualizzazione dei domini](domain-view.md).
# Arresto ed eliminazione delle applicazioni e degli spazi in esecuzione in Studio
La pagina seguente include informazioni e istruzioni su come bloccare ed eliminare risorse Amazon SageMaker Studio inutilizzate per evitare costi aggiuntivi indesiderati. Per le risorse di Studio che non desideri più utilizzare, dovrai eseguire queste due operazioni:
+ Arresta l’applicazione: questa operazione arresta l’applicazione ed elimina l’istanza su cui è in esecuzione. Dopo averla arrestata, puoi riavviare l’applicazione.
+ Elimina lo spazio: questa operazione elimina il volume Amazon EBS creato per l’applicazione e l’istanza.
**Importante**
Se elimini lo spazio, perderai l’accesso ai dati che contiene. Non eliminare lo spazio se hai dubbi sull’operazione.
Per ulteriori informazioni sulle differenze tra gli spazi e le applicazioni Studio, consulta [Visualizzazione di istanze, applicazioni e spazi in esecuzione in Studio](studio-updated-running.md).
**Topics**
+ [Interrompi la tua applicazione Amazon SageMaker Studio](#studio-updated-running-stop-app)
+ [Eliminazione di uno spazio Studio](#studio-updated-running-stop-space)
## Interrompi la tua applicazione Amazon SageMaker Studio
Per evitare costi aggiuntivi dovuti alle applicazioni in esecuzione non utilizzate, è necessario arrestarle. Di seguito sono riportate informazioni sugli effetti dell’arresto di un’applicazione e su come farlo.
+ Nelle istruzioni seguenti viene utilizzata l’API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) per arrestare l’applicazione. Viene arrestata anche l’istanza su cui è in esecuzione l’applicazione.
+ Dopo aver arrestato un’applicazione, è possibile riavviarla in un secondo momento.
+ Quando si arresta un’applicazione, i file nello spazio persistono. Se esegui di nuovo l’applicazione, dovresti accedere agli stessi file presenti nello spazio prima dell’eliminazione dell’applicazione.
+ Quando arresti un’applicazione, i relativi *metadati* verranno eliminati entro 24 ore. Per ulteriori informazioni, consulta la nota nell'elemento di `CreationTime` risposta per l'[DescribeApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-CreationTime)API.
**Nota**
Se il servizio rileva che un’applicazione non è integra, assume il ruolo collegato al servizio [AmazonSageMakerNotebooksServiceRolePolicy](security-iam-awsmanpol-notebooks.md#security-iam-awsmanpol-AmazonSageMakerNotebooksServiceRolePolicy) ed elimina l’applicazione con l’API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html).
Le seguenti schede forniscono istruzioni per interrompere un'applicazione dal tuo dominio utilizzando l'interfaccia utente di Studio, la console SageMaker AI o il AWS CLI.
**Nota**
Per visualizzare e arrestare tutte le istanze di Studio in esecuzione in un’unica posizione, consigliamo di scegliere il flusso di lavoro [Arresto delle applicazioni con l’interfaccia utente di Studio](#studio-updated-running-stop-app-using-studio-updated-ui) tra le seguenti opzioni.
### Arresto delle applicazioni con l’interfaccia utente di Studio
Per arrestare le applicazioni Studio con l’interfaccia utente di Studio, segui queste istruzioni.
**Per eliminare le applicazioni (interfaccia utente di Studio)**
1. Avvia Studio. Questo processo può variare a seconda della configurazione. Per informazioni su come avviare Studio, consulta [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Nel riquadro di navigazione a sinistra, scegli **Istanze in esecuzione**.
Se la tabella nella pagina è vuota, non ci sono istanze o applicazioni in esecuzione negli spazi.
1. Nella tabella sotto le colonne **Nome** e **Applicazione**, individua il nome dello spazio e l’applicazione da arrestare.
1. Scegli il pulsante **Arresta** corrispondente per arrestare l’applicazione.
### Interrompi le applicazioni che utilizzano la console SageMaker AI
Per visualizzare o arrestare le istanze di Studio in esecuzione da una posizione centralizzata, consulta [Arresto delle applicazioni con l’interfaccia utente di Studio](#studio-updated-running-stop-app-using-studio-updated-ui). In caso contrario, utilizza le seguenti istruzioni.
Nella console SageMaker AI, puoi interrompere l'esecuzione delle applicazioni Studio solo per gli spazi che puoi visualizzare nella sezione **Spaces** della console. Per un elenco degli spazi visualizzabili, consulta [Visualizzazione degli spazi Studio](studio-updated-running.md#studio-updated-running-view-space).
Questi passaggi mostrano come interrompere le applicazioni Studio utilizzando la console SageMaker AI.
**Per interrompere le applicazioni (console SageMaker AI)**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio da ripristinare.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**.
1.
**Importante**
Nella scheda **Gestione dello spazio**, hai la possibilità di eliminare lo spazio. Esiste una differenza tra l’eliminazione dello spazio e l’eliminazione di un’applicazione. Se elimini lo spazio, perderai l’accesso ai dati che contiene. Non eliminare lo spazio se hai dubbi sull’operazione.
Per arrestare l’applicazione, nella scheda **Gestione dello spazio** e nella colonna **Nome**, scegli lo spazio per l’applicazione.
1. Nella sezione **App** e nella colonna **Tipo di app**, cerca l’app da arrestare.
1. Nella colonna **Azione**, scegli il pulsante **Elimina app** corrispondente.
1. Nella finestra pop-up, scegli **Sì, elimina l’app**. A questo punto, il campo di input per l’eliminazione diventa disponibile.
1. Inserisci **delete** in questo campo per confermare l’eliminazione.
1. Scegli **Elimina**.
### Interrompi le applicazioni del tuo dominio utilizzando il AWS CLI
Per visualizzare o arrestare qualsiasi istanza di Studio in esecuzione da una posizione centralizzata, consulta [Arresto delle applicazioni con l’interfaccia utente di Studio](#studio-updated-running-stop-app-using-studio-updated-ui). In caso contrario, utilizza le seguenti istruzioni.
Gli esempi di codice seguenti utilizzano l’API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) per arrestare un’applicazione in un dominio di esempio.
Per interrompere l'esecuzione delle istanze **JupyterLab**o di **Code Editor**, utilizzate il seguente esempio di codice:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region Regione AWS \
--app-name default \
--app-type example-app-type \
--space-name example-space-name
```
+ Per ottenere `example-domain-id`, utilizza le istruzioni seguenti:
**Per ottenere `example-domain-id`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio pertinente.
1. Dalla pagina **Dettagli dominio**, seleziona la scheda **Impostazioni dominio**.
1. Copia l’**ID dominio**.
+ Per ottenere `Regione AWS`, segui queste istruzioni per assicurarti di utilizzare la Regione AWS corretta per il tuo dominio:
**Per ottenere `Regione AWS`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio pertinente.
1. Nella pagina **Dettagli del dominio**, verifica che si tratti del dominio pertinente.
1. Espandi l'elenco a discesa delle regioni in alto a destra della console SageMaker AI e utilizza l' Regione AWS ID corrispondente a destra del tuo Regione AWS nome. Ad esempio, `us-west-1`.
+ Per `example-app-type`, scegli il tipo di applicazione specifico dell’applicazione che desideri arrestare. Ad esempio, sostituisci `example-app-type` con uno dei seguenti tipi di applicazione:
+ JupyterLab tipo di applicazione:`JupyterLab`. Per informazioni su JupyterLab, vedere[SageMaker JupyterLab](studio-updated-jl.md).
+ Tipo di applicazione Editor di codice: `CodeEditor`. Per informazioni sull’Editor di codice, basato su Code-OSS, Visual Studio Code - Open Source, consulta [Editor di codice in Amazon SageMaker Studio](code-editor.md).
+ Utilizza la procedura seguente per ottenere `example-space-name`:
**Per ottenere `example-space-name`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio pertinente.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**.
1. Copia il nome dello spazio pertinente.
Per interrompere l'esecuzione di istanze per **SageMaker Canvas**, **Studio Classic** or **RStudio**, usa il seguente esempio di codice:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region Regione AWS \
--app-name default \
--app-type example-app-type \
--user-profile example-user-name
```
+ Per `example-app-type`, scegli il tipo di applicazione specifico dell’applicazione che desideri arrestare. Ad esempio, sostituisci `example-app-type` con uno dei seguenti tipi di applicazione:
+ SageMaker Tipo di applicazione Canvas:`Canvas`. Per informazioni su SageMaker Canvas, vedere[Amazon SageMaker Tela](canvas.md).
+ Tipo di applicazione Studio Classic: `JupyterServer`. Per informazioni su Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
+ RStudio tipo di applicazione:`RStudioServerPro`. Per informazioni su RStudio, vedere[RStudio su Amazon SageMaker AI](rstudio.md).
+ Per ottenere `example-user-name`, vai alla pagina **Dettagli del dominio**.
+ Quindi, scegli la scheda **Profili utente** e copia il nome dello spazio pertinente.
Per istruzioni alternative su come arrestare le applicazioni Studio in esecuzione, consulta:
+ JupyterLab: [Eliminazione delle risorse inutilizzate](studio-updated-jl-admin-guide-clean-up.md).
+ Editor di codice: [Chiusura delle risorse dell’Editor di codice](code-editor-use-log-out.md).
+ SageMaker Tela:[Disconnettersi da Amazon Canvas SageMaker](canvas-log-out.md).
+ Studio Classic: [Chiudi e aggiorna Amazon SageMaker Studio Classic e le app](studio-tasks-update.md).
+ RStudio: [Spegnere RStudio](rstudio-shutdown.md).
## Eliminazione di uno spazio Studio
**Importante**
L’eliminazione dello spazio comporta la perdita di tutti i dati in esso archiviati. Ti consigliamo di eseguire il backup dei dati prima di eliminare lo spazio.
Per eliminare uno spazio Studio, dovrai disporre delle autorizzazioni di amministratore, o almeno delle autorizzazioni per aggiornare il dominio, IAM e Amazon S3.
+ Gli spazi vengono utilizzati per gestire le esigenze in termini di archiviazione e risorse dell’applicazione in questione. Quando elimini uno spazio, viene eliminato anche il volume di archiviazione. Di conseguenza, perdi l’accesso ai file archiviati in quello spazio. Per ulteriori informazioni sugli spazi Studio, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md).
Se scegli di eliminare uno spazio, ti consigliamo di eseguire il backup dei dati.
+ Dopo aver eliminato uno spazio, non potrai più accedervi.
Puoi eliminare gli spazi di Studio visualizzabili nella sezione **Spazi** della console. Per un elenco degli spazi visualizzabili, consulta [Visualizzazione degli spazi Studio](studio-updated-running.md#studio-updated-running-view-space).
Non ci sono spazi per SageMaker Canvas, Studio Classic (privato) e RStudio. Per interrompere ed eliminare SageMaker Canvas, Studio Classic (privato) o RStudio applicazioni, consulta[Interrompi la tua applicazione Amazon SageMaker Studio](#studio-updated-running-stop-app).
### Eliminare uno spazio utilizzando la console SageMaker AI
La sezione **Spazi** nella pagina **Dettagli del dominio** fornisce informazioni sugli spazi Studio all’interno del tuo dominio. In questa pagina puoi visualizzare, creare ed eliminare gli spazi.
**Per visualizzare gli spazi di Studio in un dominio**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio in cui desideri visualizzare gli spazi.
1. In **Dettagli del dominio**, scegli **Gestione dello spazio** per aprire la sezione **Spazi**.
1. Seleziona lo spazio da eliminare.
1. Scegli **Elimina**.
1. Nella finestra pop-up **Elimina spazio** sono disponibili due opzioni:
+ Se hai già chiuso tutte le applicazioni presenti nello spazio, scegli **Sì, elimina spazio**.
+ Se ci sono ancora applicazioni in esecuzione nello spazio, scegli **Sì, chiudi tutte le app ed elimina spazio**.
1. Inserisci **delete** in questo campo per confermare l’eliminazione.
1. Per eliminare lo spazio, sono disponibili due opzioni:
+ Se hai già chiuso tutte le applicazioni presenti nello spazio, scegli **Elimina spazio**.
+ Se ci sono ancora applicazioni in esecuzione nello spazio, scegli **Arresta tutte le app ed elimina spazio**.
### Elimina uno spazio utilizzando il AWS CLI
Prima di poter eliminare uno spazio utilizzando il AWS CLI, è necessario eliminare l'applicazione ad esso associata. Per informazioni sull’arresto delle applicazioni Studio, consulta [Interrompi la tua applicazione Amazon SageMaker Studio](#studio-updated-running-stop-app).
Utilizzate il seguente AWS CLI comando per eliminare uno spazio all'interno di un dominio:
```
aws sagemaker delete-space \
--domain-id example-domain-id \
--region Regione AWS \
--space-name example-space-name
```
+ Per ottenere `example-domain-id`, utilizza le istruzioni seguenti:
**Per ottenere `example-domain-id`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio pertinente.
1. Dalla pagina **Dettagli dominio**, seleziona la scheda **Impostazioni dominio**.
1. Copia l’**ID dominio**.
+ Per ottenere `Regione AWS`, segui queste istruzioni per assicurarti di utilizzare la Regione AWS corretta per il tuo dominio:
**Per ottenere `Regione AWS`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio pertinente.
1. Nella pagina **Dettagli del dominio**, verifica che si tratti del dominio pertinente.
1. Espandi l'elenco a discesa delle regioni in alto a destra della console SageMaker AI e utilizza l' Regione AWS ID corrispondente a destra del tuo Regione AWS nome. Ad esempio, `us-west-1`.
+ Utilizza la procedura seguente per ottenere `example-space-name`:
**Per ottenere `example-space-name`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio pertinente.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Gestione dello spazio**.
1. Copia il nome dello spazio pertinente.
# SageMaker Politica di supporto delle immagini di Studio
**Importante**
Attualmente, tutti i pacchetti in SageMaker Distribution images sono concessi in licenza per l'uso con Amazon SageMaker AI e non richiedono licenze commerciali aggiuntive. Tuttavia, questa condizione potrebbe essere soggetta a modifiche in futuro, pertanto ti consigliamo di consultare regolarmente i termini di licenza per eventuali aggiornamenti.
Amazon SageMaker Distribution è un set di immagini Docker disponibili su SageMaker Studio che includono i framework più diffusi per l'apprendimento automatico, la scienza dei dati e la visualizzazione.
Le immagini includono framework di deep learning come PyTorch, TensorFlow e Keras; pacchetti Python popolari come numpy, scikit-learn e pandas; e IDEs like JupyterLab e Code Editor, basati su Code-OSS, Visual Studio Code - Open Source. La distribuzione contiene le versioni più recenti di tutti questi pacchetti per assicurarne la reciproca compatibilità.
Questa pagina descrive in dettaglio la politica di supporto e la disponibilità di Distribution Images on Studio. SageMaker SageMaker
## Controllo delle versioni, cadenza di rilascio e policy di supporto
La tabella seguente riporta il programma di rilascio delle versioni di SageMaker Distribution Image e il relativo supporto pianificato. AWS fornisce aggiornamenti continui di funzionalità e sicurezza per le versioni di immagini supportate. Le nuove versioni secondarie vengono rilasciate per 12 mesi per le versioni principali e le versioni secondarie supportate ricevono patch regolari di funzionalità e sicurezza. In alcuni casi, potrebbe essere necessario dichiarare fine del supporto per una versione di immagine prima di quanto inizialmente previsto se (a) i problemi di sicurezza non possono essere risolti mantenendo le linee guida semantiche per il controllo delle versioni o (b) una delle nostre principali dipendenze, come Python, è raggiungibile. end-of-life AWS rilascia versioni principali o secondarie ad hoc in base alle esigenze.
| Versione | Description | Cadenza di rilascio | Supporto pianificato |
| --- | --- | --- | --- |
| Principale | Le versioni principali di Amazon SageMaker Distribution prevedono l'aggiornamento di tutte le sue dipendenze principali alle versioni compatibili più recenti. Queste versioni principali possono anche aggiungere o rimuovere pacchetti nell’ambito dell’aggiornamento. Le versioni principali sono indicate dal primo numero nella stringa della versione, ad esempio 1.0, 2.0 o 3.0. | 6 mesi | 18 mesi |
| Secondaria | Le versioni secondarie di Amazon SageMaker Distribution includono l'aggiornamento di tutte le sue dipendenze principali alle versioni secondarie compatibili più recenti all'interno della stessa versione principale. SageMaker La distribuzione può aggiungere nuovi pacchetti durante il rilascio di una versione secondaria. Le versioni secondarie sono indicate dal secondo numero nella stringa della versione, ad esempio 1.1, 1.2 o 2.1. | 1 mese | 6 mesi |
| Patch | Le versioni patch di Amazon SageMaker Distribution includono l'aggiornamento di tutte le sue dipendenze principali alle ultime versioni di patch compatibili all'interno della stessa versione secondaria. SageMaker La distribuzione non aggiunge o rimuove alcun pacchetto durante il rilascio di una versione patch. Le versioni patch sono indicate dal terzo numero nella stringa della versione, ad esempio 1.1.1, 1.2.1 o 2.1.3. Poiché le versioni patch vengono generalmente rilasciate per correggere le vulnerabilità di sicurezza, consigliamo sempre di eseguire l’aggiornamento alla versione patch più recente appena viene resa disponibile. | Secondo necessità per la correzione delle vulnerabilità di sicurezza | Fino al rilascio della nuova versione patch |
Ogni versione principale di Amazon SageMaker Distribution è disponibile per 18 mesi. Ogni mese, durante i primi 12 mesi, vengono rilasciate nuove versioni secondarie. Per i restanti 6 mesi, le versioni secondarie esistenti continuano a essere supportate.
## Versioni dell’immagine supportate
Le tabelle seguenti elencano le versioni delle immagini di SageMaker Distribution supportate, le date di fine del supporto pianificate e la loro disponibilità su SageMaker Studio. Le versioni dell’immagine il cui supporto termina prima della data prevista continuano a essere disponibili su Studio fino alla data di disponibilità indicata. Puoi continuare a utilizzare l’immagine per avviare le applicazioni per un massimo di 90 giorni o fino alla data di disponibilità su Studio, a seconda di quale evento si verifica per primo. Per ulteriori informazioni su questi casi, contattate Supporto.
Per ricevere ininterrottamente gli aggiornamenti per la funzionalità e la sicurezza, esegui la migrazione a una versione più recente supportata il prima possibile. Quando scegli una versione dell'immagine in SageMaker Studio, ti consigliamo di scegliere una versione dell'immagine supportata dalle tabelle seguenti.
### Versioni principali supportate
La tabella seguente elenca le principali versioni delle immagini SageMaker di Distribution supportate.
| Versione dell’immagine | Rilascio più recente della versione secondaria | Data di fine supporto | Description |
| --- | --- | --- | --- |
| 1.x.x | 30 aprile 2025 | 30 ottobre 2025 | SageMaker La versione principale di Distribution 1 è stata creata con Python 3.10. |
| 2.x.x | 25 agosto 2025 | 25 febbraio 2026 | SageMaker La versione principale di Distribution 2 è stata creata con Python 3.11. |
| 3.x.x | 29 marzo 2026 | 29 settembre 2026 | SageMaker La versione principale di Distribution 3 è stata creata con Python 3.12. |
### Versioni secondarie dell’immagine per la CPU
La tabella seguente elenca le versioni delle immagini secondarie di SageMaker Distribution supportate per. CPUs
| Versione dell’immagine | URI dell’immagine Amazon ECR | Data di fine supporto prevista | Data di fine disponibilità in Studio | Note di rilascio |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker- distribuzione: 3.1 cpu | 19 novembre 2025 | 19 novembre 2025 | [Note di rilascio](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 3.0-cpu | 30 giugno 2025 | 29 settembre 2025 | [Note di rilascio](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.6-cpu | 30 giugno 2025 | 28 ottobre 2025 | [Note di rilascio](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Versioni secondarie dell’immagine per la GPU
La tabella seguente elenca le versioni delle immagini secondarie di Distribution SageMaker supportate per. GPUs
| Versione dell’immagine | URI dell’immagine Amazon ECR | Data di fine supporto prevista | Data di fine disponibilità in Studio | Note di rilascio per la patch più recente |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker- distribuzione: 3.1-gpu | 19 novembre 2025 | 19 novembre 2025 | [Note di rilascio](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 3.0-gpu | 30 giugno 2025 | 29 settembre 2025 | [Note di rilascio](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.6-gpu | 30 giugno 2025 | 28 ottobre 2025 | [Note di rilascio](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Immagini non supportate
La tabella seguente elenca le versioni di Distribution image non supportate. SageMaker
| Versione dell’immagine | URI dell’immagine Amazon ECR | Data di fine supporto | Data di fine disponibilità in Studio |
| --- | --- | --- | --- |
| 2.4.x | public.ecr. aws/sagemaker/sagemaker- distribuzione: 2,4 CPU pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2,4 CPU | 7 settembre 2025 | 7 settembre 2025 |
| 2.3.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.3-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.3-cpu | 27 luglio 2025 | 27 luglio 2025 |
| 2.2.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.2-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.2-gpu | 15 maggio 2025 | 15 maggio 2025 |
| 2.1.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.1 cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.1-gpu | 25 aprile 2025 | 12 maggio 2025 |
| 2.0.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.0-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 2.0-gpu | 25 febbraio 2025 | 21 aprile 2025 |
| 1.13.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.13-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.13-gpu | 15 maggio 2025 | 20 settembre 2025 |
| 1.12.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.12-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.12-gpu | 23 luglio 2025 | 23 luglio 2025 |
| 1.11.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.11-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.11-gpu | 1 aprile 2025 | 12 maggio 2025 |
| 1.10.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.10-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.10-gpu | 5 febbraio 2025 | 10 aprile 2025 |
| 1.9.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1,9 CPU pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.9-gpu | 15 gennaio 2025 | 10 aprile 2025 |
| 1.8.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.8-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.8-gpu | 31 dicembre 2024 | 10 aprile 2025 |
| 1.7.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.7 cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.7-gpu | 15 dicembre 2024 | 10 aprile 2025 |
| 1.6.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.6-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.6-gpu | 15 dicembre 2024 | 10 aprile 2025 |
| 1.5.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1,5 CPU pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.5-gpu | 31 ottobre 2024 | 1 novembre 2024 |
| 1.4.x | public.ecr. aws/sagemaker/sagemaker- distribuzione: 1.4-cpu pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.4-gpu | 31 ottobre 2024 | 1 novembre 2024 |
| 1.3.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.3 cpu | 28 giugno 2024 | 18 ottobre 2024 |
| 1.2.x | pubblico.ecr. aws/sagemaker/sagemaker- distribuzione: 1.2-cpu | 28 giugno 2024 | 18 ottobre 2024 |
### Domande frequenti
**Quali sono le caratteristiche di un rilascio della versione dell’immagine principale?**
Le versioni principali dell’immagine vengono rilasciate ogni 6 mesi. Una versione di immagine principale per Amazon SageMaker Distribution prevede l'aggiornamento di tutte le dipendenze principali alle versioni compatibili più recenti e può includere l'aggiunta o la rimozione di pacchetti. Il framework Python viene aggiornato solo con le nuove versioni principali. Ad esempio, con la versione principale 2, il framework Python è stato aggiornato da 3.10 a 3.11, PyTorch è stato aggiornato dalla 2.0 alla 2.3, è stato aggiornato dalla 2.14 alla 2.17, Autogluon TensorFlow è stato aggiornato da 0.8 a 1.1 e sono stati aggiunti 4 pacchetti all'immagine.
**Quali sono le caratteristiche di un rilascio della versione dell’immagine secondaria?**
Le versioni secondarie dell’immagine vengono rilasciate mensilmente per tutte le versioni principali supportate. Una versione di immagine secondaria per Amazon SageMaker Distribution prevede l'aggiornamento di tutte le dipendenze principali tranne Python e CUDA alle versioni secondarie compatibili più recenti all'interno della stessa versione principale e può includere l'aggiunta di nuovi pacchetti. Ad esempio, con il rilascio di una versione secondaria, langchain potrebbe essere aggiornato dalla versione 0.1 alla 0.2 e jupyter-ai dalla versione 2.18 alla 2.20.
**Quali sono le caratteristiche di un rilascio della versione patch dell’immagine?**
Le versioni patch dell’immagine vengono rilasciate se necessario per correggere le vulnerabilità di sicurezza. Una versione con immagine di patch per Amazon SageMaker Distribution prevede l'aggiornamento di tutte le sue dipendenze principali alle ultime versioni di patch compatibili all'interno della stessa versione secondaria. SageMaker La distribuzione non aggiunge o rimuove alcun pacchetto durante il rilascio di una versione patch. Ad esempio, con il rilascio di una versione patch, matplotlib potrebbe essere aggiornato dalla versione 3.9.1 alla 3.9.2 e boto3 dalla versione 1.34.131 alla 1.34.162.
**Dove posso trovare i pacchetti disponibili in una specifica versione dell’immagine?**
Ogni versione dell'immagine ha un `release.md` file nella `build_artifacts` cartella del [GitHub repository](https://github.com/aws/sagemaker-distribution), che mostra tutti i pacchetti e le versioni dei pacchetti per le immagini di CPU e GPU. File changelog separati per le versioni di CPU e GPU descrivono in dettaglio gli aggiornamenti dei pacchetti. I changelog confrontano la nuova versione dell’immagine con la precedente. Ad esempio, la versione 1.9.0 viene confrontata con l’ultima versione patch della versione 1.8, la versione 1.9.1 viene confrontata con la 1.9.0 e la versione 2.0.0 viene confrontata con l’ultima versione patch della versione secondaria più recente disponibile al momento.
**Come vengono scansionate le immagini alla ricerca di vulnerabilità ed esposizioni comuni ()? CVEs**
Amazon SageMaker AI sfrutta la [scansione avanzata di Amazon Elastic Container Registry (Amazon ECR)](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-scanning-enhanced.html) per rilevare automaticamente vulnerabilità e correzioni per le immagini di distribuzione. SageMaker AWS esegue continuamente la scansione avanzata ECR per l'ultima versione di patch di tutte le versioni di immagini supportate. Quando vengono rilevate vulnerabilità ed è disponibile una correzione, AWS rilascia una versione aggiornata dell'immagine per risolvere il problema.
**Posso continuare a utilizzare immagini precedenti dopo la fine del supporto di un’immagine?**
Le immagini sono disponibili su SageMaker Studio fino alla data di disponibilità designata. Le immagini precedenti rimangono disponibili in ECR dopo la fine del supporto e vengono rimosse da Studio. È possibile scaricare versioni precedenti di immagini da ECR e [creare un' SageMaker immagine personalizzata](studio-byoi-create.md). Tuttavia, consigliamo vivamente di eseguire l’aggiornamento a una versione dell’immagine supportata per ricevere continuamente gli aggiornamenti di sicurezza e le correzioni dei bug. I clienti che creano immagini personalizzate sono responsabili della scansione e dell’applicazione delle patch alle immagini. Per ulteriori informazioni, consulta il [Modello di responsabilità condivisa AWS](https://aws.amazon.com/compliance/shared-responsibility-model/).
**Importante**
SageMaker Distribution v0.x.y viene utilizzato solo in Studio Classic. SageMaker La distribuzione v1.x.y viene utilizzata solo in. JupyterLab
# Prezzi di Amazon SageMaker Studio
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Non sono previsti costi aggiuntivi per l'utilizzo dell'interfaccia utente di Amazon SageMaker Studio.
Gli elementi seguenti, invece, prevedono dei costi:
+ Volumi Amazon Elastic Block Store o Amazon Elastic File System montati con le applicazioni.
+ Tutti i processi e le risorse che gli utenti avviano dalle applicazioni Studio.
+ Avvio di un' JupyterLab applicazione, anche se nell'applicazione non sono state avviate risorse o lavori.
Per informazioni sulla fatturazione di Amazon SageMaker Studio Classic, consulta[Prezzi di Amazon SageMaker Studio Classic](studio-pricing.md).
Per ulteriori informazioni sulla fatturazione ed esempi di prezzi, consulta la pagina dei [ SageMaker prezzi di Amazon](https://aws.amazon.com//sagemaker/pricing/).
# Risoluzione dei problemi
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’esperienza Studio aggiornata. Per informazioni sull’utilizzo dell’applicazione Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Questa sezione mostra come risolvere i problemi più comuni in Amazon SageMaker Studio.
## Modalità di ripristino
La modalità di ripristino consente di accedere all’applicazione Studio quando un problema di configurazione ne impedisce il normale avvio. Fornisce un ambiente semplificato con funzionalità essenziali per aiutarti a diagnosticare e risolvere il problema.
Quando un’applicazione non viene avviata, potrebbe essere visualizzato un messaggio di errore che segnala l’accesso in modalità di ripristino per risolvere uno dei seguenti problemi di configurazione.
+ File [https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html](https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html) danneggiato.
Per informazioni sulla risoluzione dei problemi del file `.condarc`, consulta la pagina [Troubleshooting](https://docs.conda.io/projects/conda/en/latest/user-guide/troubleshooting.html) in *Conda user guide*.
+ Volume di archiviazione disponibile insufficiente.
Puoi aumentare lo spazio di archiviazione di Amazon EBS disponibile per l’applicazione o accedere alla modalità di ripristino per rimuovere i dati non necessari.
Per informazioni su come aumentare le dimensioni del volume Amazon EBS, consulta la pagina [Request a quota size](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) in *Service Quotas Developer Guide*.
In modalità di ripristino:
+ La home directory avrà un aspetto diverso rispetto a quello di un normale avvio. Questa directory è temporanea e garantisce che eventuali configurazioni danneggiate nella home directory standard non influiscano sulle operazioni della modalità di ripristino. Puoi accedere alla home directory standard utilizzando il comando `cd /home/sagemaker-user`.
+ Modalità standard: `/home/sagemaker-user`
+ Modalità di ripristino: `/tmp/sagemaker-recovery-mode-home`
+ L’ambiente conda utilizza un ambiente conda minimo che contiene solo i pacchetti essenziali. La configurazione conda semplificata aiuta a isolare i problemi relativi all’ambiente e fornisce funzionalità di base per la risoluzione dei problemi.
Puoi utilizzare l'interfaccia utente di Studio o accedere AWS CLI all'applicazione in modalità di ripristino.
### Utilizzo dell’interfaccia utente di Studio per accedere all’applicazione in modalità di ripristino
Di seguito vengono fornite istruzioni per accedere all’applicazione in modalità di ripristino.
1. Se non lo hai già fatto, avvia l’interfaccia utente di Studio seguendo le istruzioni riportate in [Avvio dalla console Amazon SageMaker AI](studio-updated-launch.md#studio-updated-launch-console).
1. Dal menu di navigazione a sinistra, scegli l’applicazione in **Applicazioni**.
1. Scegli lo spazio che presenta problemi di configurazione.
Le fasi seguenti diventano disponibili quando si verificano uno o più dei problemi di configurazione menzionati in precedenza. In questo caso, verranno visualizzati un banner di avviso e un messaggio sulla **modalità di ripristino**.
**Nota**
Il banner di avviso dovrebbe contenere una soluzione consigliata per il problema. Prendine nota prima di procedere.
1. Scegli **Esegui lo spazio (modalità di ripristino)**.
1. Per accedere all'applicazione in modalità di ripristino, scegli **Apri *application* (modalità di ripristino)**.
### Utilizzate il AWS CLI per accedere all'applicazione in modalità di ripristino
Per accedere all'applicazione in modalità di ripristino, è necessario aggiungerla `--recovery-mode` al comando [AWS CLI create-app](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-app.html). Di seguito viene fornito un esempio su come accedere all’applicazione in modalità di ripristino.
Per il seguente esempio, sono necessari:
+ *domain-id*
Per ottenere i dettagli del tuo dominio, consulta [Visualizzazione dei domini](domain-view.md).
+ *space-name*
Per ottenere i nomi degli spazi associati al tuo dominio, consulta [Usa il AWS CLI per visualizzare gli spazi SageMaker AI nel tuo dominio](sm-console-domain-resources-view.md#sm-console-domain-resources-view-spaces-cli).
+ *app-name*
Il nome dell'applicazione . Per visualizzare le tue applicazioni, consulta [Usa il AWS CLI per visualizzare le applicazioni SageMaker AI nel tuo dominio](sm-console-domain-resources-view.md#sm-console-domain-resources-view-apps-cli).
------
#### [ Access Code Editor application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type CodeEditor \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
#### [ Access JupyterLab application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type JupyterLab \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
## Impossibile eliminare l'editor di codice o l'applicazione JupyterLab
Questo problema si verifica quando un utente crea un'applicazione da Amazon SageMaker Studio, disponibile solo in Studio, quindi ripristina l'esperienza predefinita su Studio Classic. Di conseguenza, l'utente non può eliminare un'applicazione per Code Editor, basata su Code-OSS, Visual Studio Code - Open Source o JupyterLab perché non può accedere all'interfaccia utente di Studio.
Per risolvere questo problema, avvisa l'amministratore in modo che possa eliminare l'applicazione manualmente utilizzando AWS Command Line Interface ()AWS CLI.
## EC2InsufficientCapacityError
Questo problema si verifica quando si tenta di gestire uno spazio e al momento AWS non è disponibile una capacità on-demand sufficiente per soddisfare la richiesta.
Per risolvere il problema, procedi come segue.
+ Attendi alcuni minuti, quindi invia di nuovo la richiesta. La capacità dell’istanza cambia frequentemente.
+ Esegui lo spazio con una dimensione o un tipo di istanza alternativi.
**Nota**
La capacità è fornita da più zone di disponibilità. Per massimizzare la disponibilità della capacità per gli utenti, consigliamo di configurare le sottoreti in tutte le zone di disponibilità. Studio esegue diversi tentativi in tutte le zone di disponibilità configurate per il dominio.
La disponibilità del tipo di istanza varia a seconda delle Regioni. Per un elenco dei tipi di istanze supportati per regione, consulta i [prezzi di Amazon SageMaker AI](https://aws.amazon.com/sagemaker/pricing/))
La tabella seguente elenca le famiglie di istanze e le relative alternative consigliate.
| Famiglia di istanze | Tipo CPU | v CPUs | Memoria (GiB) | Tipo GPU | GPUs | Memoria GPU (GiB) | Alternativa consigliata |
| --- | --- | --- | --- | --- | --- | --- | --- |
| G4dn | Processori Intel Xeon scalabili di seconda generazione | Da 4 a 96 | Da 16 a 384 | NVIDIA T4 Tensor Core | Da 1 a 8 | 16 per GPU | G6 |
| G5 | Processori AMD EYPC di seconda generazione | Da 4 a 192 | Da 16 a 768 | NVIDIA A10G Tensor Core | Da 1 a 8 | 24 per GPU | G6e |
| G6 | Processori AMD EPYC di terza generazione | Da 4 a 192 | Da 16 a 768 | NVIDIA L4 Tensor Core | Da 1 a 8 | 24 per GPU | G4dn |
| G6e | Processori AMD EPYC di terza generazione | Da 4 a 192 | Da 32 a 1536 | NVIDIA L40S Tensor Core | Da 1 a 8 | 48 per GPU | G5, P4 |
| P3 | Processori scalabili Intel Xeon | Da 8 a 96 | Da 61 a 768 | NVIDIA Tesla V100 | Da 1 a 8 | 16 per GPU (32 per GPU per P3dn) | G6e, P4 |
| P4 | Processori Intel Xeon scalabili di seconda generazione | 96 | 1152 | NVIDIA A100 Tensor Core | 8 | 320 (640 per P4de) | G6e |
| P5 | Processori AMD EPYC di terza generazione | 192 | 2000 | NVIDIA H100 Tensor Core | 8 | 640 | P4de |
## Limite insufficiente (è necessario un aumento della quota)
Questo problema si verifica quando visualizzi il messaggio di errore seguente mentre tenti di eseguire uno spazio.
```
Error when creating application for space: ... : The account-level service limit is X Apps, with current utilization Y Apps and a request delta of 1 Apps. Please use Quote di servizio to request an increase for this quota.
```
Esiste un limite predefinito, per ciascun tipo di istanza, per il numero di istanze che puoi eseguire in ogni Regione AWS. Questo errore indica che hai raggiunto tale limite.
Per risolvere questo problema, richiedi un aumento del limite di istanza per Regione AWS lo spazio in cui stai avviando lo spazio. Per ulteriori informazioni, consulta la sezione [Richiesta di un aumento di quota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html).
## Errore durante il caricamento dell’immagine personalizzata
Questo problema si verifica quando un'immagine SageMaker AI viene eliminata prima di staccarla dal dominio. Il messaggio compare quando visualizzi la scheda **Ambiente** del dominio.
Per risolvere il problema, devi creare una nuova immagine temporanea con lo stesso nome di quella eliminata, scollegare l’immagine, quindi eliminare l’immagine temporanea. Utilizza le seguenti istruzioni per la procedura dettagliata.
1. Se non l'hai già fatto, avvia la [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Nel menu di navigazione a sinistra, in **Configurazioni di amministrazione**, scegli **Domini**.
1. Scegli il tuo dominio.
1. Scegli la scheda **Ambiente**. Il messaggio di errore compare in questa pagina.
1. Copia il nome dell’immagine dall’ARN dell’immagine.
1. Nel menu di navigazione a sinistra, in **Configurazioni di amministrazione**, scegli **Immagini**.
1. Scegliere **Create Image (Crea immagine)**.
1. Segui le fasi della procedura, ma assicurati che il nome dell’immagine sia uguale a quello dell’immagine precedente.
Se non disponi di un’immagine in una directory Amazon ECR, consulta le istruzioni in [Creazione di un’immagine personalizzata e invio ad Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
1. Dopo aver creato l'immagine SageMaker AI, torna alla scheda **Ambiente** del dominio. Viene visualizzata l’immagine collegata al dominio.
1. Seleziona l’immagine e scegli **Scollega**.
1. Segui le istruzioni per scollegare ed eliminare l'immagine SageMaker AI temporanea.
# Migrazione da Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Quando apri Amazon SageMaker Studio, l'interfaccia utente basata sul Web si basa sull'esperienza predefinita scelta. Amazon SageMaker AI attualmente supporta due diverse esperienze predefinite: l'esperienza Amazon SageMaker Studio e l'esperienza Amazon SageMaker Studio Classic. Per accedere alle funzionalità più recenti di Amazon SageMaker Studio, devi migrare i domini esistenti dall'esperienza Amazon SageMaker Studio Classic. Quando esegui la migrazione della tua esperienza predefinita da Studio Classic a Studio, non perdi alcuna funzionalità e puoi comunque accedere all’IDE di Studio Classic all’interno di Studio. Per informazioni sui vantaggi aggiuntivi dell’esperienza Studio, consulta [Amazon SageMaker Studio](studio-updated.md).
**Nota**
Per i clienti esistenti che hanno creato i propri account prima del 30 novembre 2023, Studio Classic potrebbe essere l’esperienza predefinita. Puoi abilitare Studio come esperienza predefinita utilizzando AWS Command Line Interface (AWS CLI) o la console Amazon SageMaker AI. Per ulteriori informazioni su Studio Classic, consulta [Amazon SageMaker Studio Classic](studio.md).
Ai clienti che hanno creato i propri account dopo il 30 novembre 2023, consigliamo di utilizzare Studio come esperienza predefinita perché contiene vari ambienti di sviluppo integrati (IDEs), incluso l'IDE Studio Classic e altre nuove funzionalità.
JupyterLab 3 ha raggiunto la data di fine della manutenzione il 15 maggio 2024. Dopo il 31 dicembre 2024, puoi creare nuovi notebook Studio Classic su JupyterLab 3 solo per un periodo limitato. Tuttavia, dopo il 31 dicembre 2024, l' SageMaker intelligenza artificiale non fornirà più correzioni per i problemi critici sui notebook Studio Classic on 3. JupyterLab Ti consigliamo di migrare i tuoi carichi di lavoro alla nuova esperienza Studio, che supporta 4. JupyterLab
+ Se Studio è l’esperienza predefinita, l’interfaccia utente sarà simile alle immagini visualizzate in [Panoramica dell'interfaccia utente di Amazon SageMaker Studio](studio-updated-ui.md).
+ Se Studio Classic è la tua esperienza predefinita, l’interfaccia utente sarà simile alle immagini visualizzate in [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
Per eseguire la migrazione, devi aggiornare un dominio esistente. La migrazione di un dominio esistente da Studio Classic a Studio richiede tre fasi distinte:
1. **Migrazione dell’interfaccia utente da Studio Classic a Studio**: attività semplice e una tantum che richiede la creazione di un dominio di test per garantire la conformità di Studio alle configurazioni di rete dell’organizzazione prima di eseguire la migrazione l’interfaccia utente del dominio esistente da Studio Classic a Studio.
1. **(Facoltativo) Migrazione delle immagini personalizzate e degli script di configurazione del ciclo di vita**: attività mediamente impegnativa per la migrazione di immagini personalizzate e script LCC da Studio Classic a Studio.
1. **(Facoltativo) Migrazione dei dati da Studio Classic a Studio**: attività impegnativa che richiede l’utilizzo di AWS DataSync per eseguire la migrazione dei dati dal volume Amazon Elastic File System di Studio Classic a un volume Amazon EFS o Amazon Elastic Block Store di destinazione.
1. **(Facoltativo) Migrazione dei flussi di dati da Data Wrangler in Studio Classic**: operazione unica e semplice per la migrazione dei flussi di dati da Data Wrangler in Studio Classic a Studio, a cui puoi quindi accedere nell'ultima versione di Studio tramite Canvas. SageMaker Per ulteriori informazioni, consulta [Migrazione dei flussi di dati da Data Wrangler](studio-updated-migrate-data.md#studio-updated-migrate-flows).
Gli argomenti seguenti mostrano come completare queste fasi per eseguire la migrazione di un dominio esistente da Studio Classic a Studio.
## Migrazione automatica
Nei mesi di luglio e agosto 2024, aggiorneremo automaticamente l’esperienza di destinazione predefinita per gli utenti alla nuova esperienza Studio. L’unica modifica riguarda l’interfaccia utente di destinazione predefinita, che corrisponderà all’interfaccia utente di Studio aggiornata. L’applicazione Studio Classic è ancora accessibile dalla nuova interfaccia utente di Studio.
Per garantire che la migrazione funzioni correttamente per i tuoi utenti, consulta [Migrazione dell’interfaccia utente da Studio Classic a Studio](studio-updated-migrate-ui.md). In particolare, verifica quanto segue:
+ il ruolo di esecuzione del dominio dispone delle autorizzazioni corrette
+ l’esperienza di destinazione predefinita è impostata su Studio
+ L’Amazon VPC del dominio, se applicabile, è configurato su Studio con l’endpoint VPC Studio
Tuttavia, se devi continuare a utilizzare Studio Classic come interfaccia utente predefinita per un periodo di tempo limitato, imposta esplicitamente l’esperienza di destinazione su Studio Classic. Per ulteriori informazioni, consulta [Impostazione di Studio Classic come esperienza predefinita](studio-updated-migrate-ui.md#studio-updated-migrate-revert).
**Topics**
+ [Migrazione automatica](#studio-updated-migrate-auto)
+ [Completamento dei prerequisiti per la migrazione dell’esperienza di Studio](studio-updated-migrate-prereq.md)
+ [Migrazione dell’interfaccia utente da Studio Classic a Studio](studio-updated-migrate-ui.md)
+ [(Facoltativo) Migrazione di immagini personalizzate e configurazioni del ciclo di vita](studio-updated-migrate-lcc.md)
+ [(Facoltativo) Migrazione dei dati da Studio Classic a Studio](studio-updated-migrate-data.md)
# Completamento dei prerequisiti per la migrazione dell’esperienza di Studio
La migrazione dell’esperienza predefinita da Studio Classic a Studio è gestita dall’amministratore del dominio esistente. Se non disponi delle autorizzazioni per impostare Studio come esperienza predefinita per il dominio esistente, contatta il tuo amministratore. Per migrare la tua esperienza predefinita, devi disporre delle autorizzazioni di amministratore o almeno delle autorizzazioni per aggiornare il dominio esistente AWS Identity and Access Management (IAM) e Amazon Simple Storage Service (Amazon S3). Completa i prerequisiti seguenti prima di eseguire la migrazione di un dominio esistente da Studio Classic a Studio.
+ Il AWS Identity and Access Management ruolo utilizzato per completare la migrazione deve avere una policy allegata con almeno le seguenti autorizzazioni. Per informazioni sulla creazione di una policy IAM, consultare [Creazione di policy IAM](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html).
**Nota**
La versione di Studio include aggiornamenti alle politiche AWS gestite. Per ulteriori informazioni, consulta [SageMaker Aggiornamenti AI alle politiche AWS gestite](security-iam-awsmanpol.md#security-iam-awsmanpol-updates).
+ Autorizzazioni richieste per la fase 1:
+ `iam:CreateServiceLinkedRole`
+ `iam:PassRole`
+ `sagemaker:DescribeDomain`
+ `sagemaker:UpdateDomain`
+ `sagemaker:CreateDomain`
+ `sagemaker:CreateUserProfile`
+ `sagemaker:ListApps`
+ `sagemaker:AddTags`
+ `sagemaker:DeleteApp`
+ `sagemaker:DeleteSpace`
+ `sagemaker:UpdateSpace`
+ `sagemaker:DeleteUserProfile`
+ `sagemaker:DeleteDomain`
+ `s3:PutBucketCORS`
+ Autorizzazioni richieste per la fase 2 (facoltative, solo se si utilizzano script di configurazione del ciclo di vita):
Non sono necessarie ulteriori autorizzazioni. Se il dominio esistente dispone di configurazioni del ciclo di vita e immagini personalizzate, l’amministratore avrà già le autorizzazioni richieste.
+ Autorizzazioni richieste per la fase 3 con Amazon Elastic File System personalizzato (facoltative, solo in caso di trasferimento di dati):
+ `efs:CreateFileSystem`
+ `efs:CreateMountTarget`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `efs:ModifyMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaceAttribute`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:ListUserProfiles`
+ `sagemaker:DescribeUserProfile`
+ `sagemaker:UpdateDomain`
+ `sagemaker:UpdateUserProfile`
+ Autorizzazioni richieste per la fase 3 con Amazon Simple Storage Service (facoltative, solo in caso di trasferimento di dati):
+ `iam:CreateRole`
+ `iam:GetRole`
+ `iam:AttachRolePolicy`
+ `iam:DetachRolePolicy`
+ `iam:DeleteRole`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:CreateSecurityGroup`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:DetachNetworkInterfaces`
+ `ec2:DeleteNetworkInterface`
+ `ec2:DeleteNetworkInterfacePermission`
+ `ec2:CreateTags`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateLocationS3`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DescribeTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:CreateStudioLifecycleConfig`
+ `sagemaker:UpdateDomain`
+ `s3:ListBucket`
+ `s3:GetObject`
+ Accesso ai AWS servizi da un ambiente terminale su:
+ Il computer locale utilizza la AWS CLI versione`2.13+`. Usa il seguente comando per verificare la AWS CLI versione.
```
aws --version
```
+ AWS CloudShell. Per ulteriori informazioni, vedi [Cos'è AWS CloudShell?](https://docs.aws.amazon.com/cloudshell/latest/userguide/welcome.html)
+ Dal computer locale oppure AWS CloudShell, esegui il comando seguente e fornisci le tue AWS credenziali. Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds.html) credenziali.
```
aws configure
```
+ Verificate che il processore JSON leggero,jq, sia installato nell'ambiente terminale. jqè necessario per analizzare le risposte. AWS CLI
```
jq --version
```
Se jq non è installato, installarlo con uno dei seguenti comandi:
+
```
sudo apt-get install -y jq
```
+
```
sudo yum install -y jq
```
# Migrazione dell’interfaccia utente da Studio Classic a Studio
La prima fase per la migrazione di un dominio esistente prevede la migrazione dell'interfaccia utente da Amazon SageMaker Studio Classic ad Amazon SageMaker Studio. Questa fase non include la migrazione dei dati. Gli utenti possono continuare a lavorare normalmente con i propri dati, come prima della migrazione. Per informazioni sulla migrazione dei dati, consulta [(Facoltativo) Migrazione dei dati da Studio Classic a Studio](studio-updated-migrate-data.md).
La fase 1 prevede i passaggi seguenti:
1. Aggiornare le autorizzazioni di creazione delle applicazioni per le nuove applicazioni disponibili in Studio.
1. Aggiornare la configurazione VPC per il dominio.
1. Aggiornare il dominio per utilizzare l’interfaccia utente di Studio.
## Prerequisiti
Prima di eseguire questa procedura, completa i prerequisiti descritti in [Completamento dei prerequisiti per la migrazione dell’esperienza di Studio](studio-updated-migrate-prereq.md).
## Fase 1. Aggiorna le autorizzazioni per la creazione di applicazioni
Prima di eseguire la migrazione del dominio, aggiorna il ruolo di esecuzione del dominio per concedere agli utenti le autorizzazioni per creare le applicazioni.
1. Crea una AWS Identity and Access Management policy con uno dei seguenti contenuti seguendo i passaggi descritti in [Creazione di politiche IAM](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html):
+ Utilizza la policy seguente per concedere le autorizzazioni per tutti i tipi e gli spazi delle applicazioni.
**Nota**
Se il dominio utilizza la policy `SageMakerFullAccess`, non è necessario eseguire questa azione. `SageMakerFullAccess` concede le autorizzazioni per creare tutte le applicazioni.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "SMStudioUserProfileAppPermissionsCreateAndDelete",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
},
{
"Sid": "AllowAppActionsForSharedSpaces",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:*:*:app/${sagemaker:DomainId}/*/*/*",
"Condition": {
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Shared"
]
}
}
}
]
}
```
------
+ Poiché Studio mostra un set esteso di applicazioni, gli utenti possono accedere ad applicazioni che prima non venivano visualizzate. Gli amministratori possono limitare l'accesso a queste applicazioni predefinite creando una policy AWS Identity and Access Management (IAM) che conceda le autorizzazioni di negazione per alcune applicazioni a utenti specifici.
**Nota**
I tipi di applicazione possono essere `jupyterlab` o `codeeditor`.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenySageMakerCreateAppForSpecificAppTypes",
"Effect": "Deny",
"Action": "sagemaker:CreateApp",
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/domain-id/*/app-type/*"
}
]
}
```
------
1. Associa la policy al ruolo di esecuzione del dominio. Per le istruzioni, segui la procedura descritta in [Adding IAM identity permissions (console)](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console).
## Fase 2. Aggiorna la configurazione VPC
Se utilizzi il dominio in modalità `VPC-Only`, assicurati che la configurazione del VPC soddisfi i requisiti per l’utilizzo di Studio in modalità `VPC-Only`. Per ulteriori informazioni, consulta [Connect Amazon SageMaker Studio in un VPC a risorse esterne](studio-updated-and-internet-access.md).
## Fase 3. Aggiorna l’interfaccia utente di Studio
Prima di eseguire la migrazione del dominio esistente da Studio Classic a Studio, consigliamo di creare un dominio di test utilizzando Studio con le stesse configurazioni del dominio esistente.
### (Facoltativo) Creazione di un dominio di test
Utilizza questo dominio di test per interagire con Studio, testare le configurazioni di rete e avviare le applicazioni, prima di eseguire la migrazione del dominio esistente.
1. Ottieni l’ID dominio del dominio esistente.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio esistente.
1. Dalla pagina **Dettagli dominio**, seleziona la scheda **Impostazioni dominio**.
1. Copia l’**ID dominio**.
1. Aggiungi l’ID dominio al dominio esistente.
```
export REF_DOMAIN_ID="domain-id"
export SM_REGION="region"
```
1. Utilizza `describe-domain` per ottenere informazioni importanti sul dominio esistente.
```
export REF_EXECROLE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.ExecutionRole')
export REF_VPC=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.VpcId')
export REF_SIDS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.SubnetIds | join(",")')
export REF_SGS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.SecurityGroups | join(",")')
export AUTHMODE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.AuthMode')
```
1. Convalida i parametri.
```
echo "Execution Role: $REF_EXECROLE || VPCID: $REF_VPC || SubnetIDs: $REF_SIDS || Security GroupIDs: $REF_SGS || AuthMode: $AUTHMODE"
```
1. Crea un dominio di test utilizzando le configurazioni del dominio esistente.
```
IFS=',' read -r -a subnet_ids <<< "$REF_SIDS"
IFS=',' read -r -a security_groups <<< "$REF_SGS"
security_groups_json=$(printf '%s\n' "${security_groups[@]}" | jq -R . | jq -s .)
aws sagemaker create-domain \
--domain-name "TestV2Config" \
--vpc-id $REF_VPC \
--auth-mode $AUTHMODE \
--subnet-ids "${subnet_ids[@]}" \
--app-network-access-type VpcOnly \
--default-user-settings "
{
\"ExecutionRole\": \"$REF_EXECROLE\",
\"StudioWebPortal\": \"ENABLED\",
\"DefaultLandingUri\": \"studio::\",
\"SecurityGroups\": $security_groups_json
}
"
```
1. Dopo aver creato il dominio di test `In Service`, utilizza l’ID del dominio di test per creare un profilo utente. Questo profilo utente viene utilizzato per avviare e testare le applicazioni.
```
aws sagemaker create-user-profile \
--region="$SM_REGION" --domain-id=test-domain-id \
--user-profile-name test-network-user
```
#### Test della funzionalità di Studio
Avvia il dominio di test utilizzando il profilo utente `test-network-user`. Ti consigliamo di testare accuratamente l’interfaccia utente di Studio e di creare applicazioni per testare la funzionalità di Studio in modalità `VPCOnly`. Testa i flussi di lavoro seguenti:
+ Crea un nuovo JupyterLab spazio, ambiente di test e connettività.
+ Crea un nuovo Editor di codice, basato sullo spazio, l’ambiente di test e la connettività Code-OSS, Visual Studio Code - Open Source.
+ Avvia una nuova app Studio Classic, un ambiente di test e una connettività.
+ Testa la connettività di Amazon Simple Storage Service con azioni di test di lettura e scrittura.
Se questi test hanno esito positivo, aggiorna il dominio esistente. In caso di errori, consigliamo di risolvere i problemi relativi ad ambiente e connettività prima di aggiornare il dominio esistente.
#### Pulizia delle risorse del dominio di test
Dopo aver eseguito la migrazione del dominio esistente, pulisci le risorse del dominio di test.
1. Aggiungi l’ID del dominio di test.
```
export TEST_DOMAIN="test-domain-id"
export SM_REGION="region"
```
1. Elenca tutte le applicazioni del dominio che sono in esecuzione.
```
active_apps_json=$(aws sagemaker list-apps --region=$SM_REGION --domain-id=$TEST_DOMAIN)
echo $active_apps_json
```
1. Analizza l’elenco JSON delle applicazioni in esecuzione ed eliminale. Se gli utenti hanno tentato di creare un’applicazione per la quale non dispongono delle autorizzazioni, potrebbero esserci degli spazi che non sono stati acquisiti nello script seguente. Questi spazi dovranno essere eliminati manualmente.
```
echo "$active_apps_json" | jq -c '.Apps[]' | while read -r app;
do
if echo "$app" | jq -e '. | has("SpaceName")' > /dev/null;
then
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
space_name=$(echo "$app" | jq -r '.SpaceName')
echo "Deleting App - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --space-name $space_name
echo "Deleting Space - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-space --region=$SM_REGION --domain-id=$domain_id \
--space-name $space_name
else
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
user_profile_name=$(echo "$app" | jq -r '.UserProfileName')
echo "Deleting Studio Classic - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || UserProfileName: $user_profile_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --user-profile-name $user_profile_name
fi
done
```
1. Elimina il profilo utente di test.
```
aws sagemaker delete-user-profile \
--region=$SM_REGION --domain-id=$TEST_DOMAIN \
--user-profile-name "test-network-user"
```
1. Elimina il dominio di test.
```
aws sagemaker delete-domain \
--region=$SM_REGION --domain-id=$TEST_DOMAIN
```
Dopo aver testato la funzionalità di Studio con le configurazioni nel dominio di test, esegui la migrazione del dominio esistente. Se Studio è l’esperienza predefinita per un dominio, lo sarà per tutti gli utenti del dominio. Tuttavia, le impostazioni utente sono prioritarie rispetto alle impostazioni del dominio. Di conseguenza, se Studio Classic è l’esperienza predefinita configurata nelle impostazioni di un utente, l’utente avrà Studio Classic come esperienza predefinita.
Puoi migrare il dominio esistente aggiornandolo dalla console SageMaker AI AWS CLI, o AWS CloudFormation. Scegli una delle schede seguenti per visualizzare le istruzioni pertinenti.
### Imposta Studio come esperienza predefinita per il dominio esistente utilizzando la console SageMaker AI
Puoi impostare Studio come esperienza predefinita per il dominio esistente utilizzando la console SageMaker AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio esistente per il quale desideri abilitare Studio come esperienza predefinita.
1. Nella pagina **Dettagli del dominio**, espandi **Abilita il nuovo Studio**.
1. (Facoltativo) Per visualizzare i dettagli sulla procedura necessaria per abilitare Studio come esperienza predefinita, scegli **Visualizza dettagli**. La pagina mostra quanto segue.
+ Nella sezione **Panoramica di SageMaker Studio** puoi visualizzare le applicazioni incluse o disponibili nell'interfaccia basata sul web di Studio.
+ Nella sezione **Processo di abilitazione** puoi vedere le descrizioni delle attività del flusso di lavoro per abilitare Studio.
**Nota**
Dovrai eseguire la migrazione dei dati manualmente. Per istruzioni sulla migrazione dei dati, consulta [(Facoltativo) Migrazione dei dati da Studio Classic a Studio](studio-updated-migrate-data.md).
+ Nella sezione **Torna all’esperienza Studio Classic** puoi vedere come tornare a Studio Classic dopo aver abilitato Studio come esperienza predefinita.
1. Per iniziare il processo di abilitazione di Studio come esperienza predefinita, scegli **Abilita il nuovo Studio**.
1. Nella sezione **Specifica e configura il ruolo** puoi vedere le applicazioni predefinite che vengono incluse automaticamente in Studio.
Per impedire agli utenti di eseguire queste applicazioni, scegli il ruolo AWS Identity and Access Management (IAM) con una policy IAM che rifiuta l’accesso. Per informazioni su come creare una policy per limitare l’accesso, consulta [Fase 1. Aggiorna le autorizzazioni per la creazione di applicazioni](#studio-updated-migrate-limit-apps).
1. Nella sezione **Scegli il bucket S3 predefinito per collegare la policy CORS** puoi concedere a Studio l’accesso ai bucket Amazon S3. In questo caso, il bucket Amazon S3 predefinito è quello per Studio Classic. In questa fase puoi procedere come descritto di seguito:
+ Verifica il bucket Amazon S3 predefinito del dominio a cui collegare la policy CORS. Se il tuo dominio non dispone di un bucket Amazon S3 predefinito, SageMaker AI crea un bucket Amazon S3 con la policy CORS corretta allegata.
+ Puoi includere altri dieci bucket Amazon S3 a cui collegare la policy CORS.
Se intendi includere più di dieci bucket, puoi aggiungerli manualmente. Per ulteriori informazioni su come collegare manualmente la policy CORS al bucket Amazon S3, consulta [(Facoltativo) Aggiornamento della policy CORS per accedere ai bucket Amazon S3](#studio-updated-migrate-cors).
Per procedere, seleziona la casella di controllo accanto ad **Accetti di sostituire qualsiasi policy CORS esistente sui bucket Amazon S3 scelti?**
1. La sezione **Esegui la migrazione dei dati** contiene informazioni sui diversi volumi di archiviazione di dati per Studio Classic e Studio. Con questo processo, non verrà eseguita automaticamente la migrazione dei dati. Per istruzioni sulla migrazione dei dati, sulle configurazioni del ciclo di vita e sulle estensioni, consulta. JupyterLab [(Facoltativo) Migrazione dei dati da Studio Classic a Studio](studio-updated-migrate-data.md)
1. Dopo aver completato le attività sulla pagina e verificato la configurazione, scegli **Abilita il nuovo Studio**.
### Imposta Studio come esperienza predefinita per il dominio esistente utilizzando il AWS CLI
Per impostare Studio come esperienza predefinita per il dominio esistente con la AWS CLI, utilizza la chiamata [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Devi impostare `ENABLED` come valore per `StudioWebPortal` e `studio::` come valore per `DefaultLandingUri` all’interno del parametro `default-user-settings`.
`StudioWebPortal` indica se Studio è l’esperienza predefinita e `DefaultLandingUri` indica l’esperienza predefinita alla quale viene indirizzato l’utente quando accede al dominio. In questo esempio, l’impostazione di questi valori a livello di dominio (in `default-user-settings`) rende Studio l’esperienza predefinita per gli utenti all’interno del dominio.
Se un utente all’interno del dominio ha impostato `StudioWebPortal` su `DISABLED` e `DefaultLandingUri` su `app:JupyterServer:` a livello utente (in `UserSettings`), queste impostazioni hanno la precedenza rispetto a quelle del dominio. In altre parole, l’utente avrà Studio Classic come esperienza predefinita, indipendentemente dalle impostazioni del dominio.
Nell’esempio di codice seguente viene illustrato come impostare Studio come esperienza predefinita per gli utenti all’interno del dominio:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region Regione AWS \
--default-user-settings '
{
"StudioWebPortal": "ENABLED",
"DefaultLandingUri": "studio::"
}
'
```
+ Per ottenere `existing-domain-id`, utilizza le istruzioni seguenti:
**Per ottenere `existing-domain-id`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio esistente.
1. Dalla pagina **Dettagli dominio**, seleziona la scheda **Impostazioni dominio**.
1. Copia l’**ID dominio**.
+ Per assicurarti di utilizzare quello corretto Regione AWS per il tuo dominio, utilizza le seguenti istruzioni:
**Per ottenere `Regione AWS`**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio esistente.
1. Nella pagina **Dettagli del dominio**, verifica che si tratti del dominio esistente.
1. Espandi l'elenco a Regione AWS discesa in alto a destra della console SageMaker AI e utilizza l' Regione AWS ID corrispondente a destra del tuo Regione AWS nome. Ad esempio, `us-west-1`.
Dopo aver eseguito la migrazione della tua esperienza predefinita a Studio, puoi concedere a Studio l’accesso ai bucket Amazon S3. Ad esempio, puoi includere l’accesso al tuo bucket Amazon S3 predefinito di Studio Classic e a bucket Amazon S3 aggiuntivi. Per farlo, devi collegare manualmente una configurazione [Condivisione delle risorse multiorigine](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) ai bucket Amazon S3. Per ulteriori informazioni su come collegare manualmente la policy CORS ai bucket Amazon S3, consulta [(Facoltativo) Aggiornamento della policy CORS per accedere ai bucket Amazon S3](#studio-updated-migrate-cors).
Allo stesso modo, puoi impostare Studio come esperienza predefinita quando crei un dominio dalla chiamata AWS CLI using the [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html).
### Imposta Studio come esperienza predefinita per il dominio esistente utilizzando AWS CloudFormation
Puoi impostare l’esperienza predefinita quando crei un dominio con AWS CloudFormation. Per un modello di CloudFormation migrazione, consulta [SageMaker Studio Administrator IaC Templates](https://github.com/aws-samples/sagemaker-studio-admin-iac-templates/tree/main?tab=readme-ov-file#phase-1-migration). Per ulteriori informazioni sulla creazione di un dominio utilizzando CloudFormation, consulta [Creazione di un dominio Amazon SageMaker AI utilizzando CloudFormation](https://github.com/aws-samples/cloudformation-studio-domain?tab=readme-ov-file#creating-sagemaker-studio-domains-using-cloudformation).
Per informazioni sulla risorsa di dominio supportata da AWS CloudFormation, consulta [AWS:: SageMaker AI: :Domain](https://docs.aws.amazon.com//AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-domain.html#cfn-sagemaker-domain-defaultusersettings).
Dopo aver eseguito la migrazione della tua esperienza predefinita a Studio, puoi concedere a Studio l’accesso ai bucket Amazon S3. Ad esempio, puoi includere l’accesso al tuo bucket Amazon S3 predefinito di Studio Classic e a bucket Amazon S3 aggiuntivi. Per farlo, devi collegare manualmente una configurazione [Condivisione delle risorse multiorigine](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) ai bucket Amazon S3. Per informazioni su come collegare manualmente la policy CORS ai bucket Amazon S3, consulta [(Facoltativo) Aggiornamento della policy CORS per accedere ai bucket Amazon S3](#studio-updated-migrate-cors).
### (Facoltativo) Aggiornamento della policy CORS per accedere ai bucket Amazon S3
In Studio Classic, gli utenti possono creare, elencare e caricare file nei bucket Amazon Simple Storage Service (Amazon S3). Per supportare la stessa esperienza in Studio, gli amministratori devono collegare una configurazione [Condivisione delle risorse multiorigine](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) ai bucket Amazon S3. Si tratta di un’operazione necessaria perché Studio effettua chiamate Amazon S3 dal browser Internet. Il browser invoca CORS per conto degli utenti. Di conseguenza, se la policy CORS non è collegata ai bucket Amazon S3, tutte le richieste ai bucket Amazon S3 hanno esito negativo.
Potrebbe essere necessario collegare manualmente la policy CORS ai bucket Amazon S3 per i seguenti motivi.
+ Se esiste già un bucket Amazon S3 predefinito a cui non è collegata la policy CORS corretta durante la migrazione dell’esperienza predefinita del dominio esistente a Studio.
+ Se utilizzi il AWS CLI per migrare l'esperienza predefinita del dominio esistente a Studio. Per informazioni sull'utilizzo di AWS CLI to migrate, consulta. [Imposta Studio come esperienza predefinita per il dominio esistente utilizzando il AWS CLI](#studio-updated-migrate-set-studio-updated-cli)
+ Se desideri collegare la policy CORS a ulteriori bucket Amazon S3.
**Nota**
Se prevedi di utilizzare la console SageMaker AI per abilitare Studio come esperienza predefinita, i bucket Amazon S3 a cui colleghi la policy CORS verranno sostituite dalle politiche CORS esistenti durante la migrazione. Per questo motivo, puoi ignorare le istruzioni manuali seguenti.
Tuttavia, se hai già utilizzato la console SageMaker AI per la migrazione e desideri includere altri bucket Amazon S3 a cui allegare la policy CORS, continua con le seguenti istruzioni manuali.
La procedura seguente mostra come aggiungere manualmente una configurazione CORS a un bucket Amazon S3.
**Per aggiungere una configurazione CORS a un bucket Amazon S3**
1. Verifica che esista un bucket Amazon S3 nello Regione AWS stesso dominio esistente con il nome seguente. Per istruzioni, consulta [Viewing the properties for an Amazon S3 bucket](https://docs.aws.amazon.com//AmazonS3/latest/userguide/view-bucket-properties.html).
```
sagemaker-region-account-id
```
1. Aggiungi una configurazione CORS con il contenuto seguente al bucket Amazon S3 predefinito. Per istruzioni, consulta [Configuring cross-origin resource sharing (CORS)](https://docs.aws.amazon.com//AmazonS3/latest/userguide/enabling-cors-examples.html).
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST",
"PUT",
"GET",
"HEAD",
"DELETE"
],
"AllowedOrigins": [
"https://*.sagemaker.aws"
],
"ExposeHeaders": [
"ETag",
"x-amz-delete-marker",
"x-amz-id-2",
"x-amz-request-id",
"x-amz-server-side-encryption",
"x-amz-version-id"
]
}
]
```
### (Facoltativo) Esegui la migrazione da Data Wrangler in Studio Classic a Canvas SageMaker
Amazon SageMaker Data Wrangler esiste come funzionalità propria nell'esperienza Studio Classic. Quando abiliti Studio come esperienza predefinita, utilizza l'applicazione [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) per accedere alla funzionalità Data Wrangler. SageMaker Canvas è un'applicazione in cui puoi addestrare e distribuire modelli di apprendimento automatico senza scrivere alcun codice e Canvas offre funzionalità di preparazione dei dati basate su Data Wrangler.
La nuova esperienza di Studio non supporta l’interfaccia utente classica di Data Wrangler, quindi devi creare un’applicazione Canvas per continuare a utilizzare Data Wrangler. Tuttavia, devi disporre delle autorizzazioni necessarie per creare e utilizzare le applicazioni Canvas.
Completa i seguenti passaggi per allegare le politiche di autorizzazione necessarie al ruolo IAM del tuo dominio SageMaker AI o al ruolo IAM dell'utente. AWS
**Per concedere le autorizzazioni per la funzionalità Data Wrangler all’interno di Canvas**
1. Allega la policy AWS gestita [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol.html#security-iam-awsmanpol-AmazonSageMakerFullAccess)al ruolo IAM del tuo utente. Per la procedura su come collegare le policy IAM a un ruolo, consulta [Adding IAM identity permissions (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) nella *Guida per l’utente di AWS IAM*.
Se questa policy di autorizzazione è troppo permissiva per il tuo caso d’uso, puoi creare policy limitate che includano almeno le autorizzazioni seguenti:
```
{
"Sid": "AllowStudioActions",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl",
"sagemaker:DescribeDomain",
"sagemaker:ListDomains",
"sagemaker:DescribeUserProfile",
"sagemaker:ListUserProfiles",
"sagemaker:DescribeSpace",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:ListApps"
],
"Resource": "*"
},
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
1. Allega la policy AWS gestita [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)al ruolo IAM del tuo utente.
Dopo aver assegnato le autorizzazioni necessarie, puoi creare un’applicazione Canvas e accedere. Per ulteriori informazioni, consulta [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md).
Dopo aver effettuato l’accesso a Canvas, puoi accedere direttamente a Data Wrangler e iniziare a creare flussi di dati. Per ulteriori informazioni, consulta [Preparazione dei dati](canvas-data-prep.md) nella documentazione di Canvas.
### (Facoltativo) Esegui la migrazione da Autopilot in Studio Classic a Canvas SageMaker
[Amazon SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/AWSIronmanApiDoc/integ/npepin-studio-migration-autopilot-to-canvas/latest/dg/autopilot-automate-model-development.html) esiste come funzionalità propria nell'esperienza Studio Classic. Quando esegui la migrazione all'utilizzo dell'esperienza Studio aggiornata, utilizza l'applicazione [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) per continuare a utilizzare le stesse funzionalità di apprendimento automatico (AutoML) tramite un'interfaccia utente (UI). SageMaker Canvas è un'applicazione in cui è possibile addestrare e distribuire modelli di machine learning senza scrivere alcun codice e Canvas fornisce un'interfaccia utente per eseguire le attività di AutoML.
La nuova esperienza di Studio non supporta l’interfaccia utente classica di Autopilot. Se desideri continuare a utilizzare le funzionalità AutoML di Autopilot tramite un’interfaccia utente, devi creare un’applicazione Canvas.
Tuttavia, devi disporre delle autorizzazioni necessarie per creare e utilizzare le applicazioni Canvas.
+ Se accedi a SageMaker Canvas da Studio, aggiungi tali autorizzazioni al ruolo di esecuzione del tuo dominio o profilo utente SageMaker AI.
+ Se accedi a SageMaker Canvas dalla console, aggiungi tali autorizzazioni al ruolo AWS IAM del tuo utente.
+ Se accedi a SageMaker Canvas tramite un [URL predefinito, aggiungi tali autorizzazioni al ruolo IAM che stai utilizzando per l'accesso SSO a Okta](https://docs.aws.amazon.com/sagemaker/latest/dg/setting-up-canvas-sso.html#canvas-optional-access).
Per abilitare le funzionalità AutoML in Canvas, aggiungi le policy seguenti al ruolo di esecuzione o al ruolo utente IAM.
+ AWS [politica gestita:. `CanvasFullAccess`](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)
+ Policy inline:
```
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
**Per collegare le policy IAM a un ruolo di esecuzione**
1.
**Trova il ruolo di esecuzione associato al tuo profilo utente SageMaker AI**
1. Nella console SageMaker AI[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/), vai su **Domini**, quindi scegli il tuo dominio SageMaker AI.
1. L’ARN del ruolo di esecuzione è elencato in *Ruolo di esecuzione* nella pagina **Dettagli utente** del profilo utente. Prendi nota del nome del ruolo di esecuzione nell’ARN.
1. Nella console IAM [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/), scegli **Ruoli**.
1. Cerca il ruolo in base al nome nel campo di ricerca.
1. Seleziona il ruolo.
1. Aggiungi le policy al ruolo.
1. Nella console IAM [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/), scegli **Ruoli**.
1. Cerca il ruolo in base al nome nel campo di ricerca.
1. Seleziona il ruolo.
1. Nella scheda **Autorizzazioni**, vai al menu a discesa **Aggiungi autorizzazioni**.
1.
+ Per le policy gestite: seleziona **Collega policy** e cerca il nome della policy gestita da collegare.
Seleziona la policy, quindi scegli **Aggiungi autorizzazioni**.
+ Per le policy inline: seleziona **Crea policy inline**, incolla la policy nella scheda JSON, scegli Avanti, assegna un nome alla policy e scegli **Crea**.
Per la procedura su come collegare le policy IAM a un ruolo, consulta [Adding IAM identity permissions (console)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) nella *Guida per l’utente di AWS IAM*.
Dopo aver assegnato le autorizzazioni necessarie, puoi creare un’applicazione Canvas e accedere. Per ulteriori informazioni, consulta [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md).
## Impostazione di Studio Classic come esperienza predefinita
Gli amministratori possono reimpostare Studio Classic come esperienza predefinita per un dominio esistente. Questa operazione può essere eseguita tramite la AWS CLI.
**Nota**
Quando è impostato come esperienza predefinita a livello di dominio, Studio Classic è l’esperienza predefinita per tutti gli utenti del dominio. Tuttavia, le impostazioni a livello di utente hanno la precedenza sulle impostazioni a livello di dominio. Quindi, se un utente ha impostato l’esperienza predefinita su Studio, avrà Studio come esperienza predefinita.
Per tornare a Studio Classic come esperienza predefinita per il dominio esistente utilizzando la AWS CLI, usa la chiamata [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Nel campo `default-user-settings`, imposta:
+ Il valore `StudioWebPortal` su `DISABLED`.
+ Il valore `DefaultLandingUri` su `app:JupyterServer:`.
`StudioWebPortal` indica se Studio è l’esperienza predefinita e `DefaultLandingUri` indica l’esperienza predefinita alla quale viene indirizzato l’utente quando accede al dominio. In questo esempio, l’impostazione di questi valori a livello di dominio (in `default-user-settings`) rende Studio Classic l’esperienza predefinita per gli utenti all’interno del dominio.
Se un utente all’interno del dominio ha impostato `StudioWebPortal` su `ENABLED` e `DefaultLandingUri` su `studio::` a livello utente (in `UserSettings`), queste impostazioni hanno la precedenza rispetto a quelle a livello di dominio. In altre parole, l’utente avrà Studio come esperienza predefinita, indipendentemente dalle impostazioni a livello di dominio.
Nell’esempio di codice seguente viene illustrato come impostare Studio Classic come esperienza predefinita per gli utenti all’interno del dominio:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region Regione AWS \
--default-user-settings '
{
"StudioWebPortal": "DISABLED",
"DefaultLandingUri": "app:JupyterServer:"
}
'
```
Utilizza le istruzioni seguenti per ottenere `existing-domain-id`.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio esistente.
1. Dalla pagina **Dettagli dominio**, seleziona la scheda **Impostazioni dominio**.
1. Copia l’**ID dominio**.
Per ottenere il tuo`Regione AWS`, usa le seguenti istruzioni per assicurarti di utilizzare quello corretto Regione AWS per il tuo dominio.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, espandi **Configurazioni di amministrazione** e scegli **Domini**.
1. Scegli il dominio esistente.
1. Nella pagina **Dettagli del dominio**, verifica che si tratti del dominio esistente.
1. Espandi l'elenco a Regione AWS discesa in alto a destra della console SageMaker AI e utilizza l' Regione AWS ID corrispondente a destra del tuo Regione AWS nome. Ad esempio, `us-west-1`.
# (Facoltativo) Migrazione di immagini personalizzate e configurazioni del ciclo di vita
È necessario aggiornare le immagini personalizzate e gli script di configurazione del ciclo di vita (LCC) per utilizzare il modello di esecuzione locale semplificato di Amazon Studio. SageMaker Se non hai creato immagini o configurazioni del ciclo di vita personalizzate nel tuo dominio, salta questa fase.
Amazon SageMaker Studio Classic funziona in un ambiente diviso con:
+ Un’applicazione `JupyterServer` che esegue il Jupyter Server.
+ Notebook Studio Classic eseguiti su una o più applicazioni `KernelGateway`.
Studio non utilizza più un ambiente diviso. Studio esegue JupyterLab and Code Editor, basato su applicazioni Code-OSS, Visual Studio Code - Open Source in un modello di runtime locale. Per ulteriori informazioni sulla modifica dell'architettura, consulta [Aumentare la produttività su Amazon SageMaker Studio](https://aws.amazon.com/blogs//machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/).
## Migrazione di immagini personalizzate
Le immagini personalizzate esistenti di Studio Classic potrebbero non funzionare in Studio. Ti consigliamo di creare una nuova immagine personalizzata che soddisfi i requisiti di Studio. La versione di Studio semplifica il processo di creazione di immagini personalizzate fornendo[SageMaker Politica di supporto delle immagini di Studio](sagemaker-distribution.md). SageMaker Le immagini di AI Distribution includono librerie e pacchetti popolari per l'apprendimento automatico, la scienza dei dati e la visualizzazione dell'analisi dei dati. Per un elenco delle immagini di SageMaker distribuzione di base e informazioni sull'account Amazon Elastic Container Registry, consulta[SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md).
Per creare un’immagine personalizzata, utilizza una delle operazioni seguenti.
+ Estendi un'immagine di SageMaker distribuzione con pacchetti e moduli personalizzati. Queste immagini sono preconfigurate con un JupyterLab editor di codice, basato su Code-OSS, Visual Studio Code - Open Source.
+ Crea un file Dockerfile personalizzato seguendo le istruzioni riportate in [Bring Your Own Image (BYOI)](studio-updated-byoi.md). Per assicurare la compatibilità con Studio, devi installare JupyterLab e CodeServer open source sull’immagine.
## Migrazione delle configurazioni del ciclo di vita
Grazie al modello di runtime locale semplificato di Studio, consigliamo di migrare la struttura di Studio Classic esistente. LCCs In Studio Classic, spesso è necessario creare configurazioni del ciclo di vita separate per entrambe le applicazioni, KernelGateway e JupyterServer. Poiché le KernelGateway applicazioni JupyterServer e vengono eseguite su risorse di elaborazione separate all'interno di Studio Classic, Studio Classic LCCs può essere di entrambi i tipi:
+ JupyterServerLCC: gestiscono LCCs principalmente le azioni domestiche di un utente, tra cui l'impostazione del proxy, la creazione di variabili di ambiente e lo spegnimento automatico delle risorse.
+ KernelGatewayLCC: LCCs regolano le ottimizzazioni dell'ambiente dei notebook Studio Classic. Queste includono l’aggiornamento delle versioni del pacchetto numpy nel kernel `Data Science 3.0` e l’installazione del pacchetto snowflake nel kernel `Pytorch 2.0 GPU`.
Nell’architettura semplificata di Studio, è necessario solo uno script LCC da eseguire all’avvio dell’applicazione. Sebbene la migrazione degli script LCC vari in base all'ambiente di sviluppo, consigliamo di combinare JupyterServer e KernelGateway LCCs creare un LCC combinato.
LCCs in Studio può essere associato a una delle seguenti applicazioni:
+ JupyterLab
+ Editor di codici
Gli utenti possono selezionare la LCC per il rispettivo tipo di applicazione durante la creazione di uno spazio oppure possono utilizzare la LCC predefinita impostata dall’amministratore.
**Nota**
Gli script di spegnimento automatico di Studio Classic esistenti non funzionano con Studio. Per un esempio di script di spegnimento automatico di Studio, consulta Esempi di configurazione del [ciclo di vita di SageMaker Studio](https://github.com/aws-samples/sagemaker-studio-apps-lifecycle-config-examples).
### Considerazioni relative al refactoring LCCs
Considerate le seguenti differenze tra Studio Classic e Studio durante il refactoring del vostro. LCCs
+ JupyterLab e le applicazioni Code Editor, una volta create, vengono eseguite come `sagemaker-user` con `UID:1001` e. `GID:101` Per impostazione predefinita, `sagemaker-user` dispone delle autorizzazioni necessarie per assumere le sudo/root autorizzazioni. KernelGatewayle applicazioni vengono eseguite come impostazione `root` predefinita.
+ SageMaker Le immagini di distribuzione eseguite all'interno delle app Code Editor JupyterLab e Code Editor utilizzano il gestore di pacchetti Debian basato,`apt-get`.
+ Le applicazioni Studio JupyterLab e Code Editor utilizzano il gestore di Conda pacchetti. SageMaker L'intelligenza artificiale crea un unico Python3 Conda ambiente di base all'avvio di un'applicazione Studio. Per informazioni sull’aggiornamento dei pacchetti nell’ambiente Conda di base e sulla creazione di nuovi ambienti Conda, consulta [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md). D’altro canto, non tutte le applicazioni KernelGateway utilizzano Conda come gestore dei pacchetti.
+ L' JupyterLab applicazione Studio utilizza`JupyterLab 4.0`, mentre Studio Classic utilizza`JupyterLab 3.0`. Verifica che tutte le estensioni JupyterLab che utilizzi siano compatibili con `JupyterLab 4.0`. Per ulteriori informazioni sulle estensioni, consulta [Compatibilità delle estensioni con JupyterLab 4.0](https://github.com/jupyterlab/jupyterlab/issues/14590).
# (Facoltativo) Migrazione dei dati da Studio Classic a Studio
Studio Classic e Studio utilizzano due diversi tipi di volumi di archiviazione. Studio Classic utilizza un singolo volume Amazon Elastic File System (Amazon EFS) per archiviare i dati di tutti gli utenti e gli spazi condivisi nel dominio. In Studio, ogni spazio ha il proprio volume Amazon Elastic Block Store (Amazon EBS). Quando aggiorni l'esperienza predefinita di un dominio esistente, SageMaker AI monta automaticamente una cartella in un volume Amazon EFS per ogni utente in un dominio. Di conseguenza, gli utenti possono accedere ai file da Studio Classic nelle proprie applicazioni Studio. Per ulteriori informazioni, consulta [Montaggio automatico di Amazon EFS in Studio](studio-updated-automount.md).
Puoi anche non aderire al montaggio automatico di Amazon EFS ed eseguire la migrazione manuale dei dati per consentire agli utenti di accedere ai file da Studio Classic nelle applicazioni Studio. Per farlo, devi trasferire i file dalle home directory degli utenti ai volumi Amazon EBS associati a tali spazi. La sezione seguente fornisce informazioni su questo flusso di lavoro. Per ulteriori informazioni sulla non adesione al montaggio automatico di Amazon EFS, consulta [Scelta dell’opzione di non adesione al montaggio automatico di Amazon EFS](studio-updated-automount-optout.md).
## Migrazione manuale di tutti i dati da Studio Classic
La sezione seguente descrive come eseguire la migrazione di tutti i dati dal volume di archiviazione di Studio Classic alla nuova esperienza Studio.
Durante la migrazione manuale di dati, codice e artefatti di un utente da Studio Classic a Studio, suggeriamo di utilizzare uno dei seguenti approcci:
1. Utilizzo di un volume Amazon EFS personalizzato
1. Utilizzo di Amazon Simple Storage Service (Amazon S3)
Se hai utilizzato Amazon SageMaker Data Wrangler in Studio Classic e desideri migrare i file del flusso di dati, scegli una delle seguenti opzioni di migrazione:
+ Se desideri eseguire la migrazione di tutti i dati dal volume di archiviazione di Studio Classic, inclusi i file del flusso di dati, consulta [Migrazione manuale di tutti i dati da Studio Classic](#studio-updated-migrate-data-all) e segui le istruzioni nella sezione **Utilizzo di Amazon S3 per eseguire la migrazione dei dati**. Quindi, passa alla sezione [Importazione dei file del flusso in Canvas](#studio-updated-migrate-flows-import).
+ Se desideri eseguire la migrazione dei soli file del flusso di dati, senza includere gli altri dati del volume di archiviazione di Studio Classic, vai alla sezione [Migrazione dei flussi di dati da Data Wrangler](#studio-updated-migrate-flows).
### Prerequisiti
Prima di eseguire questa procedura, completa i prerequisiti descritti in [Completamento dei prerequisiti per la migrazione dell’esperienza di Studio](studio-updated-migrate-prereq.md). Devi anche completare le fasi indicate in [Migrazione dell’interfaccia utente da Studio Classic a Studio](studio-updated-migrate-ui.md).
### Scelta di un approccio
Considera quanto segue quando scegli un approccio per la migrazione dei dati di Studio Classic.
**Pro e contro dell’utilizzo di un volume Amazon EFS personalizzato**
In questo approccio, utilizzi un' AWS DataSync attività Amazon EFS-to-Amazon EFS (una tantum o con cadenza) per copiare i dati, quindi monti il volume Amazon EFS di destinazione negli spazi di un utente. In questo modo, gli utenti possono accedere ai dati di Studio Classic nei propri ambienti di calcolo Studio.
Pro:
+ Negli spazi dell’utente sono visibili solo i dati della home directory dell’utente. Non si verifica alcun incrocio dei dati.
+ La sincronizzazione dal volume Amazon EFS di origine a un volume Amazon EFS di destinazione è più sicura rispetto al montaggio diretto del volume Amazon EFS di origine gestito dall' SageMaker IA negli spazi. In questo modo si evita il potenziale impatto sui file dell’utente nella home directory.
+ Gli utenti hanno la flessibilità di continuare a lavorare nelle applicazioni Studio Classic e Studio, oltre ad avere i dati disponibili in entrambe le applicazioni se AWS DataSync è configurato a cadenza regolare.
+ Non è necessario ripetere le operazioni di push and pull con Amazon S3.
Contro:
+ Nessun accesso in scrittura al volume Amazon EFS di destinazione montato negli spazi dell’utente. Per ottenere l’accesso in scrittura al volume Amazon EFS di destinazione, i clienti devono montare il volume Amazon EFS di destinazione su un’istanza Amazon Elastic Compute Cloud e fornire agli utenti le autorizzazioni appropriate per scrivere nel prefisso Amazon EFS.
+ Richiede la modifica dei gruppi di sicurezza gestiti dall' SageMaker IA per consentire il flusso in entrata e in uscita del file system di rete (NFS).
+ Costa di più rispetto all’utilizzo di Amazon S3.
+ Se stai [eseguendo la migrazione dei flussi di dati da Data Wrangler a Studio Classic](#studio-updated-migrate-flows), devi seguire la procedura per esportare manualmente i file del flusso.
**Pro e contro dell’utilizzo di Amazon S3**
In questo approccio, utilizzi un' AWS DataSync attività Amazon EFS-to-Amazon S3 (una tantum o con cadenza) per copiare i dati, quindi crei una configurazione del ciclo di vita per copiare i dati dell'utente da Amazon S3 al volume Amazon EBS del suo spazio privato.
Pro:
+ Se la LCC è collegata al dominio, gli utenti possono scegliere di utilizzarla per copiare i dati nel proprio spazio o di eseguire lo spazio senza script LCC. In questo modo gli utenti possono scegliere di copiare i propri file solo negli spazi necessari.
+ Se un' AWS DataSync attività è impostata su una cadenza, gli utenti possono riavviare l'applicazione Studio per scaricare i file più recenti.
+ Poiché i dati vengono copiati su Amazon EBS, gli utenti dispongono delle autorizzazioni di scrittura sui file.
+ L’archiviazione Amazon S3 è più conveniente di Amazon EFS.
+ Se stai [migrando i flussi di dati da Data Wrangler in Studio Classic](#studio-updated-migrate-flows), puoi saltare i passaggi di esportazione manuale e importare direttamente i flussi di dati in Canvas da SageMaker Amazon S3.
Contro:
+ Per prevenire l’incrocio di dati, gli amministratori devono creare policy AWS Identity and Access Management a livello di utente per garantire che gli utenti possano accedere solo al prefisso Amazon S3 che contiene i loro file.
### Utilizzo di un volume Amazon EFS personalizzato per eseguire la migrazione dei dati
In questo approccio, utilizzi un Amazon EFS-to-Amazon EFS AWS DataSync per copiare il contenuto di un volume Amazon EFS Studio Classic su un volume Amazon EFS di destinazione una volta o con cadenza regolare, quindi monta il volume Amazon EFS di destinazione negli spazi di un utente. In questo modo, gli utenti possono accedere ai dati di Studio Classic nei propri ambienti di calcolo Studio.
1. Crea un volume Amazon EFS di destinazione. Per trasferire i dati in questo volume Amazon EFS e montarlo nello spazio dell’utente corrispondente, utilizza il montaggio a livello di prefisso.
```
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export TARGET_EFS=$(aws efs create-file-system --performance-mode generalPurpose --throughput-mode bursting --encrypted --region $REGION | jq -r '.FileSystemId')
echo "Target EFS volume Created: $TARGET_EFS"
```
1. Aggiungi le variabili per il volume Amazon EFS di origine attualmente collegato al dominio e utilizzato da tutti gli utenti. Le informazioni su Amazon Virtual Private Cloud del dominio sono necessarie per garantire che Amazon EFS di destinazione venga creato nello stesso Amazon VPC, nella stessa sottorete e con la stessa configurazione del gruppo di sicurezza.
```
export SOURCE_EFS=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
export VPC_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.VpcId')
echo "EFS managed by SageMaker: $SOURCE_EFS | VPC: $VPC_ID"
```
1. Crea una destinazione di montaggio Amazon EFS nello stesso Amazon VPC e nella stessa sottorete Amazon del volume Amazon EFS di origine, con la stessa configurazione del gruppo di sicurezza. La destinazione di montaggio diventa disponibile dopo alcuni minuti.
```
export EFS_VPC_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].VpcId")
export EFS_AZ_NAME=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneName")
export EFS_AZ_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneId")
export EFS_SUBNET_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].SubnetId")
export EFS_MOUNT_TARG_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export EFS_SG_IDS=$(aws efs describe-mount-target-security-groups --mount-target-id $EFS_MOUNT_TARG_ID | jq -r '.SecurityGroups[]')
aws efs create-mount-target \
--file-system-id $TARGET_EFS \
--subnet-id $EFS_SUBNET_ID \
--security-groups $EFS_SG_IDS
```
1. Crea posizioni di origine e destinazione di Amazon EFS per l' AWS DataSync attività.
```
export SOURCE_EFS_ARN=$(aws efs describe-file-systems --file-system-id $SOURCE_EFS | jq -r ".FileSystems[0].FileSystemArn")
export TARGET_EFS_ARN=$(aws efs describe-file-systems --file-system-id $TARGET_EFS | jq -r ".FileSystems[0].FileSystemArn")
export EFS_SUBNET_ID_ARN=$(aws ec2 describe-subnets --subnet-ids $EFS_SUBNET_ID | jq -r ".Subnets[0].SubnetArn")
export ACCOUNT_ID=$(aws ec2 describe-security-groups --group-id $EFS_SG_IDS | jq -r ".SecurityGroups[0].OwnerId")
export EFS_SG_ID_ARN=arn:aws:ec2:$REGION:$ACCOUNT_ID:security-group/$EFS_SG_IDS
export SOURCE_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $SOURCE_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
export DESTINATION_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $TARGET_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
```
1. Consenti il traffico tra i montaggi del file system di rete (NFS) di origine e di destinazione. Quando viene creato un nuovo dominio, l' SageMaker IA crea 2 gruppi di sicurezza.
+ Gruppo di sicurezza NFS in entrata con solo traffico in entrata.
+ Gruppo di sicurezza NFS in uscita con solo traffico in uscita.
Il file system di rete di origine e quello di destinazione si trovano all’interno degli stessi gruppi di sicurezza. È possibile consentire il traffico tra questi supporti da Console di gestione AWS o AWS CLI.
+ Consenti il traffico proveniente da Console di gestione AWS
1. Accedi Console di gestione AWS e apri la console Amazon VPC all'indirizzo. [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/)
1. Scegli i **Security Groups** (Gruppi di sicurezza).
1. Cerca l’ID del dominio esistente nella pagina **Gruppi di sicurezza**.
```
d-xxxxxxx
```
I risultati dovrebbero restituire due gruppi di sicurezza che includono l’ID dominio nel nome.
+ `security-group-for-inbound-nfs-domain-id`
+ `security-group-for-outbound-nfs-domain-id`
1. Seleziona l’ID del gruppo di sicurezza in entrata. Viene aperta una nuova pagina con i dettagli sul gruppo di sicurezza.
1. Seleziona la scheda **Regole in uscita**.
1. Scegli **Modifica le regole in uscita**.
1. Aggiorna le regole in uscita esistenti o aggiungi una nuova regola in uscita con i valori seguenti:
+ **Type (Tipo)**: NFS
+ **Protocollo**: TCP
+ **Intervallo porte**: 2049
+ **Destinazione**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Scegliere **Salva regole**.
1. Seleziona la scheda **Regole in entrata**.
1. Scegli **Modifica le regole in entrata**.
1. Aggiorna le regole in entrata esistenti o aggiungi una nuova regola in uscita con i valori seguenti:
+ **Type (Tipo)**: NFS
+ **Protocollo**: TCP
+ **Intervallo porte**: 2049
+ **Destinazione**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Scegliere **Salva regole**.
+ Consenti il traffico proveniente da AWS CLI
1. Aggiorna le regole in entrata e in uscita del gruppo di sicurezza con i valori seguenti:
+ **Protocollo**: TCP
+ **Intervallo porte**: 2049
+ **ID gruppo**: ID del gruppo di sicurezza in entrata o ID del gruppo di sicurezza in uscita
```
export INBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-inbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
export OUTBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-outbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
echo "Outbound SG ID: $OUTBOUND_SG_ID | Inbound SG ID: $INBOUND_SG_ID"
aws ec2 authorize-security-group-egress \
--group-id $INBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $OUTBOUND_SG_ID
aws ec2 authorize-security-group-ingress \
--group-id $OUTBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $INBOUND_SG_ID
```
1. Aggiungi i gruppi di sicurezza in entrata e in uscita alle destinazioni di montaggio Amazon EFS di origine e di destinazione. In questo modo, si consente il traffico tra i due montaggi Amazon EFS.
```
export SOURCE_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export TARGET_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $TARGET_EFS | jq -r ".MountTargets[0].MountTargetId")
aws efs modify-mount-target-security-groups \
--mount-target-id $SOURCE_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
aws efs modify-mount-target-security-groups \
--mount-target-id $TARGET_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
```
1. Crea un' AWS DataSync attività. Viene restituito un ARN dell’attività che può essere utilizzato per eseguire l’attività on demand o a cadenza regolare.
```
export EXTRA_XFER_OPTIONS='VerifyMode=ONLY_FILES_TRANSFERRED,OverwriteMode=ALWAYS,Atime=NONE,Mtime=NONE,Uid=NONE,Gid=NONE,PreserveDeletedFiles=REMOVE,PreserveDevices=NONE,PosixPermissions=NONE,TaskQueueing=ENABLED,TransferMode=CHANGED,SecurityDescriptorCopyFlags=NONE,ObjectTags=NONE'
export DATASYNC_TASK_ARN=$(aws datasync create-task --source-location-arn $SOURCE_LOCATION_ARN --destination-location-arn $DESTINATION_LOCATION_ARN --name "SMEFS_to_CustomEFS_Sync" --region $REGION --options $EXTRA_XFER_OPTIONS | jq -r ".TaskArn")
```
1. Avvia un' AWS DataSync attività per copiare automaticamente i dati dall'Amazon EFS di origine al mount Amazon EFS di destinazione. Non vengono mantenute le autorizzazioni POSIX del file, quindi gli utenti possono leggere, ma non scrivere, nel montaggio Amazon EFS di destinazione.
```
aws datasync start-task-execution --task-arn $DATASYNC_TASK_ARN
```
1. Monta il volume Amazon EFS di destinazione sul dominio a livello root.
```
aws sagemaker update-domain --domain-id $SOURCE_DOMAIN_ID \
--default-user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig": {"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "/"}}]}'
```
1. Sovrascrivi ogni profilo utente con un prefisso `FileSystemPath`. Il prefisso include l'UID dell'utente, creato dall' SageMaker IA. In questo modo, gli utenti possono accedere solo ai propri dati, evitando eventuali incroci. Quando viene creato uno spazio nel dominio e il volume Amazon EFS di destinazione viene montato sull’applicazione, il prefisso dell’utente sovrascrive il prefisso del dominio. Di conseguenza, SageMaker AI monta la `/user-id` directory solo sull'applicazione dell'utente.
```
aws sagemaker list-user-profiles --domain-id $SOURCE_DOMAIN_ID | jq -r '.UserProfiles[] | "\(.UserProfileName)"' | while read user; do
export uid=$(aws sagemaker describe-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user | jq -r ".HomeEfsFileSystemUid")
echo "$user $uid"
aws sagemaker update-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user --user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig":{"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "'"/$uid/"'"}}]}'
done
```
1. Gli utenti possono quindi selezionare il file system Amazon EFS personalizzato all’avvio di un’applicazione. Per ulteriori informazioni, consulta [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md) o [Avvio di un’applicazione Editor di codice in Studio](code-editor-use-studio.md).
### Utilizzo di Amazon S3 per eseguire la migrazione dei dati
In questo approccio, utilizzi un' AWS DataSync attività Amazon EFS-to-Amazon S3 per copiare il contenuto di un volume Amazon EFS Studio Classic in un bucket Amazon S3 una volta o con cadenza regolare, quindi crea una configurazione del ciclo di vita per copiare i dati dell'utente da Amazon S3 al volume Amazon EBS del suo spazio privato.
**Nota**
Questo approccio funziona solo per i domini con accesso a Internet.
1. Imposta l’ID del volume Amazon EFS di origine dal dominio che contiene i dati di cui stai eseguendo la migrazione.
```
timestamp=$(date +%Y%m%d%H%M%S)
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
export EFS_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
```
1. Imposta il nome del bucket Amazon S3 di destinazione. Per informazioni sulla creazione di un bucket Amazon S3, consulta [Creating a bucket](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html). Il bucket utilizzato deve avere una policy CORS come descritto in [(Facoltativo) Aggiornamento della policy CORS per accedere ai bucket Amazon S3](studio-updated-migrate-ui.md#studio-updated-migrate-cors). Gli utenti del dominio devono disporre anche delle autorizzazioni per accedere al bucket Amazon S3.
In questo esempio, stiamo copiando i file in un prefisso denominato `studio-new`. Se utilizzi un singolo bucket Amazon S3 per eseguire la migrazione di più domini, utilizza il prefisso `studio-new/` per limitare le autorizzazioni ai file tramite IAM.
```
export BUCKET_NAME=s3-bucket-name
export S3_DESTINATION_PATH=studio-new
```
1. Crea una politica di fiducia che dia le AWS DataSync autorizzazioni per assumere il ruolo di esecuzione del tuo account.
```
export TRUST_POLICY=$(cat <
Se in precedenza hai utilizzato Amazon SageMaker Data Wrangler in Amazon SageMaker Studio Classic per attività di preparazione dei dati, puoi migrare al nuovo Amazon SageMaker Studio e accedere all'ultima versione di Data Wrangler in Amazon Canvas. SageMaker Data Wrangler in SageMaker Canvas ti offre un'esperienza utente migliorata e l'accesso alle funzionalità più recenti, come un'interfaccia in linguaggio naturale e prestazioni più elevate.
Puoi accedere a SageMaker Canvas in qualsiasi momento per iniziare a utilizzare la nuova esperienza Data Wrangler. Per ulteriori informazioni, consulta [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md).
Se hai salvato in Studio Classic file del flusso di dati su cui stavi lavorando, puoi effettuare l’onboarding in Studio e quindi importare i file del flusso in Canvas. Per la migrazione sono disponibili le opzioni seguenti:
+ Migrazione con un solo clic: quando accedi a Canvas, puoi utilizzare l’opzione di importazione una tantum che esegue automaticamente la migrazione di tutti i file del flusso.
+ Migrazione manuale: puoi importare manualmente i file del flusso in Canvas. Da Studio Classic, esporta i file su Amazon S3 o scaricali sul tuo computer locale. Quindi, accedi all'applicazione SageMaker Canvas, importi i file di flusso e continui le attività di preparazione dei dati.
La guida seguente descrive i prerequisiti per la migrazione e fornisce indicazioni su come eseguire la migrazione dei file del flusso di dati utilizzando l’opzione manuale o con un solo clic.
### Prerequisiti
Verifica i prerequisiti seguenti prima di iniziare la migrazione dei file del flusso.
**Fase 1: Migrazione del dominio e concessione delle autorizzazioni**
Prima di migrare i file del flusso di dati, devi seguire i passaggi specifici della [Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md) guida per assicurarti che il ruolo di esecuzione AWS IAM del tuo profilo utente disponga delle autorizzazioni richieste. Prima di procedere, segui le indicazioni nella sezione dei [prerequisiti](studio-updated-migrate-prereq.md) e in [Migrazione dell’interfaccia utente da Studio Classic a Studio](studio-updated-migrate-ui.md), che descrivono come concedere le autorizzazioni richieste, configurare Studio come nuova esperienza ed eseguire la migrazione del dominio esistente.
In particolare, è necessario disporre delle autorizzazioni per creare un'applicazione SageMaker Canvas e utilizzare le funzionalità di preparazione dei dati SageMaker Canvas. Per ottenere queste autorizzazioni, puoi:
+ Aggiungi la [ AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)policy al tuo ruolo IAM, oppure
+ Allega una politica relativa ai permessi minimi, come mostrato nella sezione **(Facoltativo) Migrazione da Data Wrangler in Studio Classic** a Canvas della pagina. SageMaker [Migrazione dell’interfaccia utente da Studio Classic a Studio](studio-updated-migrate-ui.md)
Assicurati di utilizzare lo stesso profilo utente sia per Studio che per Canvas. SageMaker
Dopo aver completato i prerequisiti indicati nella guida alla migrazione, dovresti disporre di un nuovo dominio con le autorizzazioni necessarie per accedere a SageMaker Canvas tramite Studio.
**Fase 2. (Facoltativo) Preparazione di una posizione Amazon S3**
Se stai eseguendo una migrazione manuale e prevedi di utilizzare Amazon S3 invece dell’opzione di download locale, per trasferire i file del flusso, nell’account deve essere disponibile un bucket Amazon S3 in cui archiviare i file del flusso.
### Metodo di migrazione con un solo clic
SageMaker Canvas offre un'opzione di importazione unica per la migrazione dei flussi di dati da Data Wrangler in Studio Classic a Data Wrangler in Canvas. SageMaker Se le applicazioni Studio Classic e Canvas condividono lo stesso volume di archiviazione Amazon EFS, puoi eseguire la migrazione con un clic da Canvas. Questo processo semplificato elimina i passaggi manuali di esportazione e importazione e consente di importare tutti i flussi contemporaneamente.
Utilizza questa procedura per eseguire la migrazione di tutti i file del flusso:
1. Apri la versione più recente di Studio.
1. In Studio, nel riquadro di navigazione a sinistra, scegli il menu a discesa **Dati**.
1. Dalle opzioni di navigazione, scegli **Data Wrangler**.
1. Nella pagina **Data Wrangler**, scegli **Esegui in Canvas**. Se hai impostato correttamente le autorizzazioni, verrà creata automaticamente un’applicazione Canvas. Potrebbero essere necessari alcuni minuti prima che l’applicazione Canvas sia pronta.
1. Quando Canvas è pronta, scegli **Apri in Canvas**.
1. Canvas si apre sulla pagina **Data Wrangler** e nella parte superiore della pagina viene visualizzato un banner con il messaggio Importa i flussi di dati da Data Wrangler in Studio Classic a Canvas. Si tratta di un’importazione una tantum. Ulteriori informazioni. Nel banner, scegli **Importa tutto**.
**avvertimento**
Se chiudi la notifica del banner, non potrai più riaprirla, né utilizzare il metodo di migrazione con un solo clic.
Viene visualizzata una notifica pop-up che indica che Canvas sta importando i file del flusso da Studio Classic. Se l’importazione ha esito positivo, riceverai un’altra notifica che indica che sono stati importati `X` file del flusso, che possono essere visualizzati nella pagina **Data Wrangler** dell’applicazione Canvas. Tutti i file del flusso importati che hanno lo stesso nome dei flussi di dati esistenti nell’applicazione Canvas vengono rinominati con un suffisso. Puoi aprire un flusso di dati per verificare che abbia l’aspetto previsto.
Nel caso in cui uno dei file del flusso non venga importato correttamente, riceverai una notifica che indica che l’importazione è riuscita solo parzialmente o non è riuscita. Scegli **Visualizza errori** nel messaggio di notifica per controllare i singoli messaggi di errore e ottenere indicazioni su come riformattare gli eventuali file del flusso formattati in modo errato.
Dopo aver importato i file di flusso, ora dovresti essere in grado di continuare a utilizzare Data Wrangler per preparare i dati in Canvas. SageMaker
### Metodo di migrazione manuale
Le sezioni seguenti descrivono come importare manualmente i file del flusso in Canvas nel caso in cui il metodo di migrazione con un solo clic non abbia funzionato.
#### Esportazione dei file del flusso da Studio Classic
**Nota**
Se hai già eseguito la migrazione dei dati di Studio Classic ad Amazon S3 seguendo le istruzioni riportate in [(Facoltativo) Migrazione dei dati da Studio Classic a Studio](#studio-updated-migrate-data), puoi saltare questa fase e andare direttamente alla sezione [Importazione dei file del flusso in Canvas](#studio-updated-migrate-flows-import), nella quale importi i file del flusso dalla posizione Amazon S3 in cui sono archiviati i dati di Studio Classic.
Puoi esportare i file del flusso salvandoli su Amazon S3 o scaricandoli sul tuo computer locale. Quando importi i file di flusso in SageMaker Canvas nel passaggio successivo, se scegli l'opzione di caricamento locale, puoi caricare solo 20 file di flusso alla volta. Se devi importare un alto numero di file del flusso, ti raccomandiamo di utilizzare Amazon S3.
Segui le istruzioni riportate in [Metodo 1: utilizzare Amazon S3 per trasferire i file del flusso](#studio-updated-migrate-flows-export-s3) o [Metodo 2: utilizzare il computer locale per trasferire i file del flusso](#studio-updated-migrate-flows-export-local) per procedere.
##### Metodo 1: utilizzare Amazon S3 per trasferire i file del flusso
Con questo metodo, utilizzi Amazon S3 come intermediario tra Data Wrangler in Studio Classic e Data Wrangler in SageMaker Canvas (accessibile tramite l'ultima versione di Studio). Esporti i file del flusso da Studio Classic ad Amazon S3 e quindi, nella fase successiva, accedi a Canvas tramite Studio e importi i file del flusso da Amazon S3.
Assicurati che un bucket Amazon S3 sia disponibile come posizione di archiviazione per i file del flusso.
Utilizza la procedura seguente per esportare i file del flusso da Studio Classic ad Amazon S3:
1. Apri Studio Classic.
1. Apri un nuovo terminale con la procedura seguente:
1. Nella barra di navigazione in alto, seleziona **File**.
1. Nel menu contestuale, passa il mouse su **Nuovo**, quindi seleziona **Terminale**.
1. Per impostazione predefinita, il terminale dovrebbe aprirsi nella home directory. Accedi alla cartella che contiene tutti i file del flusso di cui eseguire la migrazione.
1. Utilizza il comando seguente per sincronizzare tutti i file del flusso nella posizione Amazon S3 specificata. Sostituisci `{bucket-name}` e `{folder}` con il percorso della posizione Amazon S3 desiderata. Per ulteriori informazioni sul comando e sui parametri, consulta il comando [sync](https://docs.aws.amazon.com/cli/latest/reference/s3/sync.html) nel Command Reference. AWS AWS CLI
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow"
```
Se stai usando il tuo AWS KMS key, usa invece il comando seguente per sincronizzare i file e specificare l'ID della tua chiave KMS. Verifica che il ruolo di esecuzione IAM dell’utente (che dovrebbe essere lo stesso ruolo utilizzato nella **Fase 1. Migrazione del dominio e concessione delle autorizzazioni** dei [prerequisiti](#studio-updated-migrate-flows-prereqs) precedenti) disponga dell’accesso per utilizzare la chiave KMS.
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow" --sse-kms-key-id {your-key-id}
```
I file del flusso ora dovrebbero essere stati esportati. Puoi controllare il tuo bucket Amazon S3 per assicurarti che i file del flusso siano sincronizzati correttamente.
Per importare questi file nella versione più recente di Data Wrangler, segui la procedura in [Importazione dei file del flusso in Canvas](#studio-updated-migrate-flows-import).
##### Metodo 2: utilizzare il computer locale per trasferire i file del flusso
Con questo metodo puoi scaricare i file del flusso da Studio Classic sul computer locale. Puoi scaricare i file direttamente oppure comprimerli come archivio zip. Nel secondo caso, decomprimi il file zip localmente (se applicabile), accedi a Canvas e importa i file del flusso caricandoli dal tuo computer locale.
Utilizza la procedura seguente per scaricare i file del flusso da Studio Classic:
1. Apri Studio Classic.
1. (Facoltativo) Se desideri comprimere più file del flusso in un archivio zip e scaricarli tutti in una volta, procedi come descritto di seguito:
1. Nella barra di navigazione in alto di Studio Classic, scegli **File**.
1. Nel menu contestuale, passa il mouse su **Nuovo**, quindi seleziona **Terminale**.
1. Per impostazione predefinita, il terminale si apre nella home directory. Accedi alla cartella che contiene tutti i file del flusso di cui eseguire la migrazione.
1. Utilizza il comando seguente per comprimere i file del flusso nella directory corrente come file zip. Il comando esclude qualsiasi file nascosto:
```
find . -not -path "*/.*" -name "*.flow" -print0 | xargs -0 zip my_archive.zip
```
1. Scarica l’archivio zip o i singoli file del flusso sul tuo computer locale seguendo questa procedura:
1. Nel riquadro di navigazione a sinistra di Studio Classic, scegli **Browser di file**.
1. Trova il file da scaricare nel browser di file.
1. Fai clic con il pulsante destro del mouse sul file e, nel menu contestuale, seleziona **Scarica**.
Il file dovrebbe essere scaricato nel computer locale. Se li hai compressi come archivio zip, estrai i file localmente. Dopo aver estratto i file, per importarli nell’ultima versione di Data Wrangler, segui la procedura riportata in [Importazione dei file del flusso in Canvas](#studio-updated-migrate-flows-import).
#### Importazione dei file del flusso in Canvas
Dopo aver esportato i file del flusso, accedi a Canvas tramite Studio e importa i file.
Utilizza la procedura seguente per importare i file del flusso in Canvas:
1. Apri la versione più recente di Studio.
1. In Studio, nel riquadro di navigazione a sinistra, scegli il menu a discesa **Dati**.
1. Dalle opzioni di navigazione, scegli **Data Wrangler**.
1. Nella pagina **Data Wrangler**, scegli **Esegui in Canvas**. Se hai impostato correttamente le autorizzazioni, verrà creata automaticamente un’applicazione Canvas. Potrebbero essere necessari alcuni minuti prima che l’applicazione Canvas sia pronta.
1. Quando Canvas è pronta, scegli **Apri in Canvas**.
1. Canvas si apre nella pagina **Data Wrangler**. Nel riquadro superiore, scegli **Importa flussi di dati**.
1. Da **Origine dati**, scegli **Amazon S3** o **Caricamento locale**.
1. Seleziona i file del flusso dal tuo bucket Amazon S3 o carica i file dal tuo computer locale.
**Nota**
Per il caricamento locale, puoi caricare un massimo di 20 file del flusso alla volta. Per importazioni di dimensioni maggiori, utilizza Amazon S3. Se selezioni una cartella da importare, vengono importati anche tutti i file del flusso nelle sottocartelle.
1. Scegli **Import data** (Importa dati).
Se l’importazione riesce, riceverai una notifica che indica che `X` file del flusso sono stati importati correttamente.
Nel caso in cui i file di flusso non vengano importati correttamente, riceverai una notifica nell'applicazione SageMaker Canvas. Scegli **Visualizza errori** nel messaggio di notifica per controllare i singoli messaggi di errore e ottenere indicazioni su come riformattare gli eventuali file del flusso formattati in modo errato.
Al termine dell'importazione dei file di flusso, vai alla pagina **Data Wrangler** dell'applicazione SageMaker Canvas per visualizzare i flussi di dati. Puoi provare ad aprire un flusso di dati per verificare che abbia l’aspetto previsto.
# Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic è un ambiente di sviluppo integrato (IDE) basato sul Web per l'apprendimento automatico (ML). Studio Classic consente di creare, addestrare, eseguire il debug, implementare e monitorare i modelli di ML. Studio Classic include tutti gli strumenti necessari per gestire le varie fasi dei modelli, dalla preparazione dei dati alla sperimentazione fino alla produzione, aumentando al tempo stesso la produttività. Puoi eseguire tutte queste attività in un’unica interfaccia visiva:
+ Scrivere ed eseguire codice nei notebook Jupyter
+ Preparare dati per il machine learning
+ Costruire e addestrare modelli di ML
+ Distribuire i modelli e monitorare le prestazioni delle previsioni
+ Monitorare ed eseguire il debug degli esperimenti di ML
+ Collaborare con altri utenti in tempo reale
Per informazioni sulla procedura di onboarding per Studio Classic, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Per informazioni sulla collaborazione con altri utenti in tempo reale, consulta [Collaborazione con spazi condivisi](domain-space.md).
Per le AWS regioni supportate da Studio Classic, consulta[Regioni e quote supportate](regions-quotas.md).
## Piano della fase di manutenzione di Amazon SageMaker Studio Classic
La tabella seguente fornisce informazioni sulla tempistica di inizio della fase di manutenzione estesa di Amazon SageMaker Studio Classic.
| Data | Description |
| --- | --- |
| 31/12/2024 | Il 31 dicembre Studio Classic ha raggiunto la fine della manutenzione. Da questa data in poi, Studio Classic non riceverà più aggiornamenti e correzioni di sicurezza. Tutti i nuovi domini verranno creati con Amazon SageMaker Studio come impostazione predefinita. |
| 31/1/2025 | A partire dal 31 gennaio, gli utenti non potranno più creare JupyterLab 3 nuovi notebook in Studio Classic. Inoltre, non possono riavviare o aggiornare i notebook esistenti. L’accesso alle applicazioni Studio Classic esistenti da Studio è consentito solo al fine di eliminare o arrestare i notebook esistenti. |
**Nota**
La migrazione a Studio non viene eseguita automaticamente per il tuo dominio Studio Classic esistente. Per ulteriori informazioni sulla migrazione, consulta [Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Piano della fase di manutenzione di Amazon SageMaker Studio Classic](#studio-deprecation)
+ [Caratteristiche di Amazon SageMaker Studio Classic](#studio-features)
+ [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md)
+ [Avvia Amazon SageMaker Studio Classic](studio-launch.md)
+ [JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md)
+ [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
+ [Usa i notebook Amazon SageMaker Studio Classic](notebooks.md)
+ [Personalizzazione di Amazon SageMaker Studio Classic](studio-customize.md)
+ [Esegui attività comuni in Amazon SageMaker Studio Classic](studio-tasks.md)
+ [Prezzi di Amazon SageMaker Studio Classic](studio-pricing.md)
+ [Risoluzione dei problemi di Amazon SageMaker Studio Classic](studio-troubleshooting.md)
## Caratteristiche di Amazon SageMaker Studio Classic
Studio Classic include le seguenti funzionalità:
+ [SageMaker Pilota automatico](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html)
+ [SageMaker Chiarire](https://docs.aws.amazon.com/sagemaker/latest/dg/model-explainability.html)
+ [SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html)
+ [SageMaker Debugger](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html)
+ [SageMaker Experiments](https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html)
+ [SageMaker Feature Store](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-use-with-studio.html)
+ [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)
+ [Amazon SageMaker Pipeline](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio.html)
+ [SageMaker Registro dei modelli](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html)
+ [SageMaker Progetti](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects.html)
+ [SageMakerNotebook Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html)
+ [SageMaker Notebook universale Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
# Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic estende le funzionalità JupyterLab con risorse personalizzate in grado di accelerare il processo di Machine Learning (ML) sfruttando la potenza dell' AWS elaborazione. Gli utenti precedenti di JupyterLab noteranno la somiglianza dell'interfaccia utente. Gli elementi più importanti sono illustrati nei dettagli nelle sezioni seguenti. Per una panoramica dell' JupyterLab interfaccia originale, vedere [L' JupyterLabinterfaccia](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
L'immagine seguente mostra la visualizzazione predefinita all'avvio di Amazon SageMaker Studio Classic. Il *pannello di navigazione a sinistra* mostra tutte le categorie di funzionalità di primo livello e una *[Pagina iniziale di Amazon SageMaker Studio Classic](#studio-ui-home)* è aperta nell’*area di lavoro principale.* È possibile tornare a questo punto centrale di orientamento scegliendo l’icona **Home** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/house.png)) in qualsiasi momento, quindi selezionando il nodo **Home** nel menu di navigazione.
Prova il **notebook Getting** started per una guida pratica integrata nel prodotto su come configurare e acquisire familiarità con le funzionalità di Amazon SageMaker Studio Classic. Nella sezione **Azioni rapide** della home page di Studio Classic, scegli **Apri notebook Nozioni di base**.
![\[SageMaker Home page di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-home.png)
**Nota**
Questo capitolo si basa sull'interfaccia utente (UI) aggiornata di Studio Classic disponibile nella versione JupyterLab 3 `v5.38.x` e successive.
Per recuperare la versione dell’interfaccia utente di Studio Classic, apri un terminale di sistema da [Utilità di avvio di Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html), quindi
Esegui `conda activate studio`
Esegui `jupyter labextension list`
Cerca la versione visualizzata dopo `@amzn/sagemaker-ui version` nell’output.
Per informazioni sull'aggiornamento di Amazon SageMaker Studio Classic, consulta[Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
**Topics**
+ [Pagina iniziale di Amazon SageMaker Studio Classic](#studio-ui-home)
+ [Layout Amazon SageMaker Studio Classic](#studio-ui-layout)
## Pagina iniziale di Amazon SageMaker Studio Classic
La Home page consente di accedere alle attività e ai flussi di lavoro comuni. In particolare, include un elenco di **Azioni rapide** per attività comuni come **Apri utilità di avvio** per creare notebook e altre risorse e **Importa e prepara dati visivamente** per creare un nuovo flusso in Data Wrangler. La **Home page** offre anche suggerimenti sui controlli chiave dell’interfaccia utente.
Le **soluzioni predefinite e automatizzate** ti aiutano a iniziare rapidamente con le soluzioni low-code di SageMaker AI come Amazon SageMaker JumpStart e Autopilot.
In **Workflows and tasks**, puoi trovare un elenco di attività pertinenti per ogni fase del flusso di lavoro ML che ti porta allo strumento giusto per il lavoro. Ad esempio, **Transform, analyse, and export data ti porta ad Amazon SageMaker Data** Wrangler e apre il flusso di lavoro per creare un nuovo flusso di dati, oppure **Visualizza tutti gli esperimenti** ti porta a SageMaker Esperimenti e apre la visualizzazione elenco degli esperimenti.
All’avvio di Studio Classic, la **home page** si apre nell’area di lavoro principale. **Puoi personalizzare la tua **home** page SageMaker AI scegliendo l'icona **Personalizza layout** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/layout.png)) in alto a destra nella scheda Home.**
## Layout Amazon SageMaker Studio Classic
L'interfaccia di Amazon SageMaker Studio Classic è composta da una *barra dei menu* nella parte superiore, una *barra laterale sinistra* pieghevole che mostra una varietà di icone come l'icona **Home** e il **File Browser**, una *barra di stato* nella parte inferiore dello schermo e un'*area centrale* divisa orizzontalmente in due riquadri. Il pannello a sinistra è un *pannello di navigazione* pieghevole. Il pannello a destra, o area di lavoro principale, contiene una o più schede per risorse quali utilità di avvio, notebook, terminali, parametri e grafici e può essere ulteriormente suddiviso.
**Segnala un bug** in Studio Classic o scegli l'icona di notifica (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Notification.png)) per visualizzare le notifiche di Studio Classic, come nuove versioni di Studio Classic e nuove funzionalità di SageMaker intelligenza artificiale, nell'angolo destro della barra dei menu. Per eseguire l’aggiornamento a una nuova versione di Studio Classic, consulta [Chiudi e aggiorna Amazon SageMaker Studio Classic e le app](studio-tasks-update.md).
Le sezioni seguenti descrivono le aree principali dell’interfaccia utente di Studio Classic.
### Barra laterale sinistra
La *barra laterale sinistra* include le seguenti icone. Quando si passa il mouse su un’icona, un suggerimento visualizza il nome dell’icona. Un solo clic su un’icona apre il pannello di navigazione a sinistra con le funzionalità descritte. Un doppio clic minimizza il pannello di navigazione a sinistra.
| Icon | Description |
| --- | --- |
| ![\[L’icona Home.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/house@2x.png) | **Home** Scegli l’icona **Home** per aprire un menu di navigazione di primo livello nel pannello di *navigazione a sinistra*. Utilizzando il menu di navigazione **Home**, puoi scoprire e accedere agli strumenti giusti per ogni fase del flusso di lavoro ML. Il menu fornisce anche scorciatoie per soluzioni di avvio rapido e risorse di apprendimento come documentazione e tutorial guidati. Le categorie del menu raggruppano le funzioni pertinenti. **Choosing Data**, ad esempio, amplia le funzionalità di SageMaker intelligenza artificiale pertinenti per le attività di preparazione dei dati. Da qui, puoi preparare i tuoi dati con Data Wrangler, creare e archiviare funzionalità di machine learning con Amazon SageMaker Feature Store e gestire i cluster Amazon EMR per l'elaborazione di dati su larga scala. Le categorie sono ordinate in base a un tipico flusso di lavoro ML, dalla preparazione dei dati alla creazione, addestramento e distribuzione di modelli ML (dati, pipeline, modelli e implementazioni). Quando scegli un nodo specifico (come Data Wrangler), viene aperta una pagina corrispondente nell’area di lavoro principale. Scegli **Home** nel menu di navigazione per aprire [Pagina iniziale di Amazon SageMaker Studio Classic](#studio-ui-home) |
| ![\[L’icona Browser di file.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder@2x.png) | **Browser di file** Il **browser di file** visualizza gli elenchi dei notebook, degli esperimenti, delle prove, dei componenti di prova e degli endpoint. Il fatto che ci si trovi in uno spazio personale o condiviso determina chi ha accesso ai propri file. È possibile identificare il tipo di spazio in cui ci si trova guardando l’angolo in alto a destra. **Se utilizzi un'app personale, vedi un'icona utente seguita da *[user\$1name]***/Personal Studio** e se lavori in uno spazio collaborativo, vedi l'icona a forma di globo seguita da "/» *[user\$1name] *** *[space\$1name].* [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) Per le voci gerarchiche, un breadcrumb selezionabile nella parte superiore del browser mostra la tua posizione nella gerarchia. |
| ![\[L’icona Controllo proprietà.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/gears@2x.png) | **Property Inspector** Property Inspector è un inspector degli strumenti delle celle dei notebook che visualizza le impostazioni delle proprietà contestuali quando è aperto. |
| ![\[L’icona Terminali e kernel in esecuzione.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels@2x.png) | **Terminali e kernel in esecuzione** È possibile controllare l’elenco di tutti i *kernel* e i *terminali* attualmente in esecuzione su tutti i notebook, le console di codice e le directory. Puoi arrestare risorse singole, inclusi notebook, terminali, kernel, app e istanze. Puoi anche arrestare contemporaneamente tutte le risorse di una di queste categorie. Per ulteriori informazioni, consulta [Chiudi le risorse di Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md). |
| ![\[L’icona Git.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git@2x.png) | **Git** È possibile connettersi a un repository Git e quindi accedere a una gamma completa di strumenti e operazioni Git. Per ulteriori informazioni, consulta [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md). |
| ![\[L’icona Sommario.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/table-of-contents@2x.png) | **Sommario**È possibile navigare nella struttura di un documento quando un notebook o file Python sono aperti. Vene generato automaticamente un sommario nel pannello di navigazione a sinistra quando sono aperti un notebook, file Markdown o file Python. Puoi fare clic sulle voci e scorrere il documento fino all’intestazione in questione. |
| ![\[L’icona Estensioni.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/extensions@2x.png) | **Estensioni** Puoi attivare e gestire estensioni di terze parti JupyterLab . Puoi controllare le estensioni già installate e cercarle digitando il nome nella barra di ricerca. Una volta trovata l’estensione che desideri installare, scegli **Installa**. Dopo aver installato le nuove estensioni, assicurati di riavviare il browser JupyterLab aggiornando il browser. Per ulteriori informazioni, consulta la [documentazione JupyterLab sulle estensioni](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html). |
### Pannello di navigazione a sinistra
Il contenuto del pannello di navigazione a sinistra varia a seconda dell’icona selezionata nella barra laterale sinistra.
Ad esempio, scegliendo l’icona **Home** viene visualizzato il menu di navigazione. Scegliendo **Browser di file** vengono elencati tutti i file e le directory disponibili nell’area di lavoro (notebook, esperimenti, flussi di dati, versioni di prova, componenti di prova, endpoint o soluzioni di codice a uso limitato).
Nel menu di navigazione, scegliendo un nodo viene visualizzata la pagina di funzionalità corrispondente nell’area di lavoro principale. Ad esempio, selezionando **Data Wrangler** nel menu **Dati** si apre **Data Wrangler** che elenca tutti i flussi esistenti.
### Area di lavoro principale
L’area di lavoro principale è costituita da più schede che contengono i notebook e i terminali aperti e informazioni dettagliate sugli esperimenti e sugli endpoint. Nell’area di lavoro principale, è possibile organizzare documenti (come notebook e file di testo) e altre attività (come terminali e console di codice) in pannelli di schede che è possibile ridimensionare o suddividere. Trascina una scheda al centro di un pannello a schede per spostarla sul pannello. Suddividi un pannello a schede trascinandolo verso sinistra, destra, in alto o in basso rispetto al pannello. La scheda per l’attività attuale è contrassegnata da un bordo superiore colorato (blu per impostazione predefinita).
**Nota**
Tutte le pagine di funzionalità forniscono un aiuto contestuale integrato nel prodotto. Per accedere alla guida, scegli **Mostra informazioni**. L’interfaccia di aiuto fornisce una breve introduzione allo strumento e collegamenti a risorse aggiuntive, come video, tutorial o blog.
# Avvia Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Dopo aver effettuato l'onboarding su un dominio Amazon SageMaker AI, puoi avviare un'applicazione Amazon SageMaker Studio Classic dalla console SageMaker AI o dal. AWS CLI Per ulteriori informazioni sull’onboarding in un dominio, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**Topics**
+ [Avvia Amazon SageMaker Studio Classic utilizzando la console Amazon SageMaker AI](#studio-launch-console)
+ [Avvia Amazon SageMaker Studio Classic utilizzando AWS CLI](#studio-launch-cli)
## Avvia Amazon SageMaker Studio Classic utilizzando la console Amazon SageMaker AI
Il processo per accedere a Studio Classic dalla console Amazon SageMaker AI varia a seconda che Studio Classic o Amazon SageMaker Studio siano impostati come esperienza predefinita per il tuo dominio. Per ulteriori informazioni su come configurare l’esperienza predefinita per il tuo dominio, consulta [Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Prerequisito](#studio-launch-console-prerequisites)
### Prerequisito
Per completare questa procedura, devi effettuare l'onboarding su un dominio seguendo i passaggi descritti in [Onboard to Amazon SageMaker AI](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html) domain.
### Avvio di Studio Classic se Studio è la tua esperienza predefinita
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **Studio Classic**.
1. Nella pagina di destinazione di Studio Classic, seleziona l’istanza di Studio Classic da aprire.
1. Scegli “Apri”.
## Avvia Amazon SageMaker Studio Classic utilizzando AWS CLI
Puoi utilizzare AWS Command Line Interface (AWS CLI) per avviare Amazon SageMaker Studio Classic creando un URL di dominio predefinito.
**Prerequisiti**
Prima di iniziare, completa i seguenti prerequisiti:
+ Effettua l'onboard nel dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
+ Aggiorna il AWS CLI seguendo la procedura descritta in [Installazione della AWS CLI versione corrente](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Dal computer locale, esegui `aws configure` e fornisci AWS le tue credenziali. Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html) credenziali.
Il seguente frammento di codice mostra come avviare Amazon SageMaker Studio Classic AWS CLI utilizzando un URL di dominio predefinito. Per ulteriori informazioni, consulta [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--space-name space-name \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200
```
# JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
L'interfaccia Amazon SageMaker Studio Classic si basa su JupyterLab, un ambiente di sviluppo interattivo basato sul Web per notebook, codice e dati. Studio Classic supporta solo l'utilizzo di 3. JupyterLab
Se hai creato il dominio e il profilo utente utilizzando il codice Console di gestione AWS precedente al 31/08/2022 o il precedente 22/02/23, l' AWS Command Line Interface istanza di Studio Classic è impostata come predefinita su 1. JupyterLab Dopo il 07/01/2024, non è possibile creare alcuna applicazione Studio Classic che esegua 1. JupyterLab
## JupyterLab 3
JupyterLab 3 include le seguenti funzionalità che non sono disponibili nelle versioni precedenti. Per ulteriori informazioni su queste funzionalità, vedi [è stata rilasciata la JupyterLab versione 3.0\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Debugger visivo quando utilizzi i kernel Base Python 2.0 e Data Science 2.0.
+ Filtro del browser di file
+ Sommario
+ Supporto multilingue
+ Modalità semplice
+ Modalità interfaccia singola
### Modifiche importanti a JupyterLab 3
Quando usi JupyterLab 3, considera quanto segue:
+ Quando impostate la JupyterLab versione utilizzando il AWS CLI, selezionate l'immagine corrispondente per la vostra regione e JupyterLab versione dall'elenco delle immagini in[Dal AWS CLI](#studio-jl-set-cli).
+ In JupyterLab 3, è necessario attivare l'ambiente `studio` conda prima di installare le estensioni. Per ulteriori informazioni, consulta [Installazione JupyterLab e estensioni di Jupyter Server](#studio-jl-install).
+ Debugger è supportato solo quando si utilizzano le seguenti immagini:
+ Base Python 2.0
+ Data Science 2.0
+ Base Python 3.0
+ Data Science 3.0
## Limitazione della JupyterLab versione predefinita utilizzando una chiave di condizione della policy IAM
Puoi utilizzare le chiavi delle condizioni della policy IAM per limitare la versione JupyterLab che gli utenti possono lanciare.
La seguente politica mostra come limitare la JupyterLab versione a livello di dominio.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockJupyterLab3DomainLevelAppCreation",
"Effect": "Deny",
"Action": [
"sagemaker:CreateDomain",
"sagemaker:UpdateDomain"
],
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
La seguente politica mostra come limitare la JupyterLab versione a livello di profilo utente.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockUsersFromCreatingJupyterLab3Apps",
"Effect": "Deny",
"Action": [
"sagemaker:CreateUserProfile",
"sagemaker:UpdateUserProfile"
],
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
La seguente politica mostra come limitare la JupyterLab versione a livello di applicazione. La richiesta `CreateApp` deve includere l’ARN immagine affinché questa policy venga applicata.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockJupyterLab3AppLevelAppCreation",
"Effect": "Deny",
"Action": "sagemaker:CreateApp",
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
## Impostazione di una JupyterLab versione predefinita
Nelle sezioni seguenti viene illustrato come impostare una JupyterLab versione predefinita per Studio Classic utilizzando la console o il AWS CLI.
### Mediante la console
È possibile selezionare la JupyterLab versione predefinita da utilizzare a livello di dominio o di profilo utente durante la creazione delle risorse. Per impostare la JupyterLab versione predefinita utilizzando la console, vedere[Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
### Dal AWS CLI
È possibile selezionare la JupyterLab versione predefinita da utilizzare a livello di dominio o di profilo utente utilizzando AWS CLI.
Per impostare la JupyterLab versione predefinita utilizzando AWS CLI, è necessario includere l'ARN della JupyterLab versione predefinita desiderata come parte di un AWS CLI comando. Questo ARN si differenzia in base alla versione e alla regione del SageMaker dominio AI.
La tabella seguente elenca le ARNs JupyterLab versioni disponibili per ogni regione:
| Region | JL3 |
| --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/jupyter-server-3 |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/jupyter-server-3 |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/jupyter-server-3 |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/jupyter-server-3 |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/jupyter-server-3 |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/jupyter-server-3 |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/jupyter-server-3 |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/jupyter-server-3 |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/jupyter-server-3 |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/jupyter-server-3 |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/jupyter-server-3 |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/jupyter-server-3 |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/jupyter-server-3 |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/jupyter-server-3 |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/jupyter-server-3 |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/jupyter-server-3 |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/jupyter-server-3 |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/jupyter-server-3 |
| eu-south-2 | arn:aws:sagemaker:eu-south-2:127363102723:image/jupyter-server-3 |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/jupyter-server-3 |
| cn-north-1 | arn:aws-cn:sagemaker:cn-north-1:390048526115:image/jupyter-server-3 |
| cn-northwest-1 | arn:aws-cn:sagemaker:cn-northwest-1:390780980154:image/jupyter-server-3 |
#### Creazione o aggiornamento del dominio
È possibile impostare una JupyterServer versione predefinita a livello di dominio richiamando [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)o [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)e passando il `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
Di seguito viene illustrato come creare un dominio con JupyterLab 3 come impostazione predefinita, utilizzando: AWS CLI
```
aws --region \
sagemaker create-domain \
--domain-name \
--auth-mode \
--subnet-ids \
--vpc-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
Di seguito viene illustrato come aggiornare un dominio per utilizzare JupyterLab 3 come predefinito, utilizzando AWS CLI:
```
aws --region \
sagemaker update-domain \
--domain-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
#### Creazione o aggiornamento di un profilo utente
È possibile impostare una JupyterServer versione predefinita a livello di profilo utente richiamando [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)o [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)e passando il `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
Di seguito viene illustrato come creare un profilo utente con JupyterLab 3 come impostazione predefinita su un dominio esistente, utilizzando: AWS CLI
```
aws --region \
sagemaker create-user-profile \
--domain-id \
--user-profile-name \
--query UserProfileArn --output text \
--user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
Di seguito viene illustrato come aggiornare un profilo utente per utilizzare JupyterLab 3 come predefinito, utilizzando AWS CLI:
```
aws --region \
sagemaker update-user-profile \
--domain-id \
--user-profile-name \
--user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
## Visualizza e aggiorna la JupyterLab versione di un'applicazione dalla console
Di seguito viene illustrato come visualizzare e aggiornare la JupyterLab versione di un'applicazione.
1. Vai alla pagina dei **domini SageMaker ** AI.
1. Seleziona un dominio per visualizzarne i profili utente.
1. Seleziona un utente per visualizzarne le applicazioni.
1. Per visualizzare la JupyterLab versione di un'applicazione, seleziona il nome dell'applicazione.
1. Per aggiornare la JupyterLab versione, seleziona **Azione**.
1. Dal menu a discesa, seleziona **Cambia JupyterLab versione**.
1. Dalla pagina delle **impostazioni di Studio Classic**, seleziona la JupyterLab versione dal menu a discesa.
1. Dopo aver aggiornato correttamente la JupyterLab versione del profilo utente, riavvia l' JupyterServer applicazione per rendere effettive le modifiche alla versione. Per ulteriori informazioni sul riavvio di un' JupyterServer applicazione, vedere. [Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md)
## Installazione JupyterLab e estensioni di Jupyter Server
In JupyterLab 3, è necessario attivare l'ambiente `studio` conda prima di installare le estensioni. Il metodo varia se stai installando le estensioni da Studio Classic o con uno script di configurazione del ciclo di vita.
### Installazione dell’estensione da Studio Classic
Prima di installare le estensioni da Studio Classic, devi attivare l’ambiente `studio`.
```
# Before installing extensions
conda activate studio
# Install your extensions
pip install
# After installing extensions
conda deactivate
```
### Installazione delle estensioni tramite uno script di configurazione del ciclo di vita
Se state installando JupyterLab estensioni di Jupyter Server nello script di configurazione del ciclo di vita, dovete modificare lo script in modo che funzioni con 3. JupyterLab Le sezioni seguenti mostrano il codice necessario per gli script di configurazione del ciclo di vita esistenti e nuovi.
#### Script di configurazione del ciclo di vita
Se stai riutilizzando uno script di configurazione del ciclo di vita esistente che deve funzionare con entrambe le versioni di JupyterLab, utilizza il codice seguente nello script:
```
# Before installing extension
export AWS_SAGEMAKER_JUPYTERSERVER_IMAGE="${AWS_SAGEMAKER_JUPYTERSERVER_IMAGE:-'jupyter-server'}"
if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ] ; then
eval "$(conda shell.bash hook)"
conda activate studio
fi;
# Install your extensions
pip install
# After installing extension
if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ]; then
conda deactivate
fi;
```
#### Nuovo script di configurazione del ciclo di vita
Se stai scrivendo un nuovo script di configurazione del ciclo di vita che utilizza solo JupyterLab 3, puoi utilizzare il seguente codice nello script:
```
# Before installing extension
eval "$(conda shell.bash hook)"
conda activate studio
# Install your extensions
pip install
conda deactivate
```
# Usa Amazon SageMaker Studio Classic Launcher
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi usare Amazon SageMaker Studio Classic Launcher per creare notebook e file di testo e per avviare terminali e shell Python interattive.
Puoi aprire l’utilità di avvio di Studio Classic nei seguenti modi:
+ Scegli **Amazon SageMaker Studio Classic** nella parte superiore sinistra dell'interfaccia di Studio Classic.
+ Utilizza la scelta rapida da tastiera `Ctrl + Shift + L`.
+ Dal menu di Studio Classic, scegli **File**, quindi **Nuova utilità di avvio**.
+ Se il browser di file SageMaker AI è aperto, scegli il segno più (**\$1**) nel menu del file browser di Studio Classic.
+ Nella sezione **Azioni rapide** della scheda **Home**, scegli **Apri utilità di avvio**. L’utilità di avvio viene aperta in una nuova scheda. La sezione **Azioni rapide** è visibile per impostazione predefinita ma può essere disattivata. Scegli **Personalizza layout** per riattivare questa sezione.
![\[SageMaker Avvio di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
L’utilità di avvio include le due sezioni seguenti:
**Topics**
+ [Notebook e risorse di calcolo](#studio-launcher-launch)
+ [Utilità e file](#studio-launcher-other)
## Notebook e risorse di calcolo
In questa sezione puoi creare un notebook, aprire un terminale di immagini o aprire una console Python.
Per creare o avviare uno di questi elementi:
1. Scegliete **Cambia ambiente** per selezionare un' SageMaker immagine, un kernel, un tipo di istanza e, facoltativamente, aggiungere uno script di configurazione del ciclo di vita da eseguire all'avvio dell'immagine. Per ulteriori informazioni sugli script di configurazione del ciclo di vita, consulta [Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker](studio-lcc.md). Per ulteriori informazioni sugli aggiornamenti del kernel, consulta [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
1. Selezione di un elemento.
**Nota**
Quando scegli un articolo da questa sezione, potresti incorrere in costi di utilizzo aggiuntivi. Per ulteriori informazioni, consulta [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Sono disponibili i seguenti tipi di elementi:
+ **Notebook**
Avvia il notebook in una sessione del kernel sull'immagine scelta. SageMaker
Crea il notebook nella cartella attualmente selezionata nel browser di file. Per visualizzare il browser di file, nella barra laterale sinistra di Studio Classic seleziona l’icona **Browser di file**.
+ **Console**
Avvia la shell in una sessione del kernel sull'immagine scelta. SageMaker
Apre la shell nella cartella attualmente selezionata nel browser di file.
+ **Immagine del terminale**
Avvia il terminale in una sessione terminale sull'immagine scelta. SageMaker
Apre il terminale nella cartella principale dell’utente (come mostrato dalla cartella **Home** nel browser di file).
**Nota**
Per impostazione predefinita, le istanze CPU vengono avviate su un’istanza `ml.t3.medium`, mentre le istanze GPU vengono avviate su un’istanza `ml.g4dn.xlarge`.
## Utilità e file
In questa sezione, è possibile aggiungere un aiuto contestuale in un notebook, creare file Python, Markdown e di testo e aprire un terminale di sistema.
**Nota**
Gli articoli in questa sezione vengono eseguiti nel contesto di Amazon SageMaker Studio Classic e non comportano costi di utilizzo.
Sono disponibili i seguenti tipi di elementi:
+ **Mostra la guida contestuale**
Apre una nuova scheda che mostra la guida contestuale per le funzioni in un notebook di Studio Classic. Per visualizzare la guida, scegli una funzione in un notebook attivo. Per facilitare la visualizzazione della guida nel contesto, trascina la scheda di aiuto in modo che sia adiacente alla scheda del notebook. Per aprire la scheda della guida dall’interno di un notebook, premi `Ctrl + I`.
Lo screenshot seguente mostra la guida contestuale per il metodo `Experiment.create`.
![\[SageMaker Guida contestuale di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-context-help.png)
+ **Terminale di sistema**
Apre una shell `bash` nella cartella principale dell’utente (come mostrato dalla cartella **Home** nel browser di file).
+ **File di testo** e **file Markdown**
Crea un file del tipo associato nella cartella attualmente selezionata nel browser di file. Per visualizzare il browser di file, nella barra laterale sinistra seleziona l'icona **Browser di file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)).
# Usa i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic sono notebook collaborativi che puoi avviare rapidamente perché non è necessario configurare prima istanze di calcolo e storage di file. I notebook Studio Classic forniscono un’archiviazione persistente, che consente di visualizzare e condividere i notebook anche se le istanze su cui i notebook vengono eseguiti sono chiuse.
Puoi condividere i notebook con altri utenti, in modo che possano riprodurre facilmente i risultati e collaborare durante la creazione di modelli e l’esplorazione dei dati. Fornisci l’accesso a una copia di sola lettura del notebook tramite un URL protetto. Le dipendenze per il notebook sono incluse nei metadati del notebook. Quando i colleghi copiano il notebook, viene aperto nello stesso ambiente del notebook originale.
Un notebook Studio Classic viene eseguito in un ambiente definito da quanto segue:
+ Tipo di istanza Amazon EC2: configurazione hardware su cui viene eseguito il notebook. La configurazione include il numero e il tipo di processori (vCPU e vGPU), nonché la quantità e il tipo di memoria. Il tipo di istanza determina i prezzi.
+ SageMaker image: un'immagine del contenitore compatibile con Studio Classic. SageMaker L’immagine è costituita dai kernel, dai pacchetti linguistici e da altri file necessari per eseguire un notebook in Studio Classic. Possono esserci più immagini in un’istanza. Per ulteriori informazioni, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md).
+ KernelGateway app: un' SageMaker immagine viene eseguita come KernelGateway app. Viene fornito l’accesso ai kernel dell’immagine. Esiste una one-to-one corrispondenza tra un'immagine SageMaker AI e un' KernelGateway app.
+ Kernel: processo che ispeziona ed esegue il codice contenuto nel notebook. Un kernel è definito da una *specifica del kernel nell’immagine*. In un’immagine possono esserci più kernel.
Puoi modificare una qualsiasi di queste risorse dal notebook.
Il diagramma seguente illustra come funziona il kernel di un notebook in relazione all' KernelGatewayapp, all'utente e al dominio.
![\[Come funziona un kernel di un notebook in relazione all' KernelGateway app, all'utente e al dominio.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-components.png)
[I notebook Sample SageMaker Studio Classic sono disponibili nella cartella [aws\$1sagemaker\$1studio](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_sagemaker_studio) del repository di esempio Amazon. SageMaker GitHub ](https://github.com/awslabs/amazon-sagemaker-examples) Ogni notebook viene fornito con l'immagine necessaria che apre il notebook con il kernel appropriato. SageMaker
Si consiglia di acquisire familiarità con l'interfaccia di SageMaker Studio Classic e la barra degli strumenti del notebook Studio Classic prima di creare o utilizzare un notebook Studio Classic. Per ulteriori informazioni, consultare [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md) e [Utilizzo della barra degli strumenti dei notebook Studio Classic](notebooks-menu.md).
**Topics**
+ [In che modo i notebook Amazon SageMaker Studio Classic sono diversi dalle istanze Notebook?](notebooks-comparison.md)
+ [Inizia a usare i notebook Amazon SageMaker Studio Classic](notebooks-get-started.md)
+ [Tour classico di Amazon SageMaker Studio](gs-studio-end-to-end.md)
+ [Crea o apri un notebook Amazon SageMaker Studio Classic](notebooks-create-open.md)
+ [Utilizzo della barra degli strumenti dei notebook Studio Classic](notebooks-menu.md)
+ [Installazione di librerie e kernel esterni in Amazon SageMaker Studio Classic](studio-notebooks-add-external.md)
+ [Condividi e usa un notebook Amazon SageMaker Studio Classic](notebooks-sharing.md)
+ [Ottieni i metadati delle app e dei notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-metadata.md)
+ [Scopri le differenze tra i notebook in Amazon SageMaker Studio Classic](notebooks-diff.md)
+ [Gestisci le risorse per i notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage.md)
+ [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md)
+ [Risorse disponibili per i notebook Amazon SageMaker Studio Classic](notebooks-resources.md)
# In che modo i notebook Amazon SageMaker Studio Classic sono diversi dalle istanze Notebook?
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Quando inizi a creare un nuovo notebook, ti consigliamo di crearlo in Amazon SageMaker Studio Classic anziché avviare un'istanza di notebook dalla console Amazon SageMaker AI. L’utilizzo di un notebook Studio Classic offre numerosi vantaggi, inclusi i seguenti:
+ **Più velocità:** l’avvio di un notebook Studio Classic è più veloce rispetto a uno basato su istanze. In genere, è 5-10 volte più veloce dei notebook basati su istanze.
+ **Condivisione semplificata dei notebook:** la condivisione dei notebook è una funzionalità integrata in Studio Classic. Gli utenti possono generare un link condivisibile che riproduce il codice del notebook e anche l' SageMaker immagine necessaria per eseguirlo, in pochi clic.
+ **SDK Python più recente:** [i notebook Studio Classic sono preinstallati con l'ultimo SDK Amazon Python. SageMaker ](https://sagemaker.readthedocs.io/en/stable)
+ **Accesso a tutte le funzionalità di Studio Classic:** i notebook Studio Classic sono accessibili dall’interno di Studio Classic. Ciò consente di creare, addestrare, eseguire il debug, tracciare e monitorare i modelli senza uscire da Studio Classic.
+ **Directory utenti persistenti:** ogni membro di un team di Studio ottiene la propria home directory per archiviare i propri notebook e altri file. La directory viene montata automaticamente su tutte le istanze e i kernel all’avvio, in modo che i relativi notebook e altri file siano sempre disponibili. Le home directory sono archiviate in Amazon Elastic File System (Amazon EFS) in modo che siano accessibili da altri servizi.
+ **Accesso diretto:** quando utilizzi il Centro identità IAM, le credenziali del Centro identità IAM vengono fornite tramite un URL univoco che consente di accedere direttamente a Studio Classic. Non è necessario interagire con loro per far funzionare i notebook. Console di gestione AWS
+ **Immagini ottimizzate:** i notebook Studio Classic sono dotati di una serie di impostazioni di SageMaker immagine predefinite per consentirti di iniziare più velocemente.
**Nota**
I notebook Studio Classic non supportano la *modalità locale*. Tuttavia, puoi utilizzare un’istanza del notebook per addestrare localmente un campione del set di dati e quindi utilizzare lo stesso codice in un notebook di Studio Classic per eseguire l’addestramento sul set di dati completo.
Quando si apre un notebook in SageMaker Studio Classic, la visualizzazione è un'estensione dell'interfaccia. JupyterLab Le funzionalità principali sono le stesse, quindi troverai le caratteristiche tipiche di un notebook Jupyter e. JupyterLab Per ulteriori informazioni sull’interfaccia di Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
# Inizia a usare i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Per iniziare, tu o l'amministratore della tua organizzazione dovete completare il processo di onboarding del dominio SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Puoi accedere a un notebook Studio Classic in uno dei seguenti modi:
+ Riceverai un invito via e-mail per accedere a Studio Classic tramite l'IAM Identity Center della tua organizzazione, che include un link diretto per accedere a Studio Classic senza dover utilizzare la console Amazon SageMaker AI. Puoi passare alle [Fasi successive](#notebooks-get-started-next-steps).
+ Riceverai un link a un notebook Studio Classic condiviso, che include un collegamento diretto per accedere a Studio Classic senza dover utilizzare la console SageMaker AI. Puoi passare alle [Fasi successive](#notebooks-get-started-next-steps).
+ Effettua l'onboarding a un dominio e poi accedi alla console SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Avvia Amazon SageMaker AI
Completa la procedura in [Avvia Amazon SageMaker Studio Classic](studio-launch.md) per avviare Studio Classic.
## Fasi successive
Dopo aver effettuato l’accesso a Studio Classic, puoi provare una delle opzioni seguenti:
+ Per creare un notebook Studio Classic o esplorare i taccuini con end-to-end tutorial di Studio Classic, consulta la sezione [Tour classico di Amazon SageMaker Studio](gs-studio-end-to-end.md) successiva.
+ Per familiarizzare con l’interfaccia di Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md) o prova il **notebook Nozioni di base** selezionando **Apri notebook Nozioni di base** nella sezione **Azioni rapide** della home page di Studio Classic.
# Tour classico di Amazon SageMaker Studio
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
[Per una guida dettagliata che illustra le caratteristiche principali di Amazon SageMaker Studio Classic, consulta il notebook di esempio [xgboost\$1customer\$1churn\$1studio.ipynb](https://sagemaker-examples.readthedocs.io/en/latest/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.html) dal repository aws/. amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub Il codice contenuto nel notebook SageMaker addestra SageMaker più modelli e configura Debugger e Model Monitor. Nella procedura dettagliata viene illustrato come visualizzare le versioni di prova, confrontare i modelli risultanti, mostrare i risultati del debugger e implementare il modello migliore utilizzando l’interfaccia utente di Studio Classic. Non è necessario comprendere il codice per seguire questa procedura dettagliata.
**Prerequisiti**
Per eseguire il notebook in questa presentazione, è necessario:
+ Un account IAM per accedere a Studio. Per informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Familiarità di base con l'interfaccia utente Studio e i notebook Jupyter. Per informazioni, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
+ Una copia del amazon-sagemaker-examples repository [aws/](https://github.com/aws/amazon-sagemaker-examples) nell'ambiente Studio.
**Per clonare il repository**
1. Avvia Studio Classic con la procedura descritta in [Avvia Amazon SageMaker Studio Classic](studio-launch.md). Gli utenti del Centro identità IAM possono accedere utilizzando l’URL nell’e-mail di invito.
1. Nel menu in alto, scegli **File**, poi **Nuovo**, quindi **Terminale**.
1. [Al prompt dei comandi, esegui il seguente comando per clonare il repository aws/. amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub
```
$ git clone https://github.com/aws/amazon-sagemaker-examples.git
```
**Per accedere al notebook di esempio**
1. Dal **File Browser** nel menu a sinistra, seleziona. **amazon-sagemaker-examples**
1. Vai al notebook di esempio con il seguente percorso.
`~/amazon-sagemaker-examples/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.ipynb`
1. Segui il notebook per scoprire le funzionalità principali di Studio Classic.
**Nota**
Se riscontri un errore durante l'esecuzione del notebook di esempio ed è passato del tempo dalla clonazione del repository, controlla il notebook sul repository remoto per verificare la presenza di eventuali aggiornamenti.
# Crea o apri un notebook Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Quando utilizzi [Creazione di un notebook dal menu File](#notebooks-create-file-menu) Amazon SageMaker Studio Classic o [Apertura di un notebook in Studio Classic](#notebooks-open) per la prima volta, ti viene richiesto di configurare il tuo ambiente scegliendo SageMaker un'immagine, un kernel, un tipo di istanza e, facoltativamente, uno script di configurazione del ciclo di vita da eseguire all'avvio dell'immagine. SageMaker L'intelligenza artificiale avvia il notebook su un'istanza del tipo scelto. Per immagini basate su CPU, il tipo di istanza predefinito è `ml.t3.medium` (disponibile come parte del [AWS Piano gratuito](https://aws.amazon.com/free)). Per le immagini basate su GPU, il tipo di istanza predefinito è `ml.g4dn.xlarge`.
Se crei o apri notebook aggiuntivi che utilizzano lo stesso tipo di istanza, a prescindere che i notebook utilizzino o meno lo stesso kernel, i notebook vengono eseguiti sulla stessa istanza di tale tipo di istanza.
Dopo aver avviato un notebook, è possibile modificarne il tipo di istanza, SageMaker l'immagine e il kernel dall'interno del notebook. Per ulteriori informazioni, consultare [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md) e [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**Nota**
Puoi avere una sola istanza per tipo di istanza. Ogni istanza può avere più SageMaker immagini in esecuzione su di essa. Ogni SageMaker immagine può eseguire più kernel o istanze di terminale.
La fatturazione avviene per istanza e inizia quando viene avviata la prima istanza di un determinato tipo di istanza. Se desideri creare o aprire un notebook senza il rischio di sostenere costi, apri il notebook dal menu **File** e scegli **Nessun kernel** dalla finestra di dialogo **Seleziona kernel**. Puoi leggere e modificare un notebook senza un kernel, ma non puoi eseguire celle di codice.
La fatturazione termina quando l' SageMaker immagine dell'istanza viene chiusa. Per ulteriori informazioni, consulta [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Per informazioni sull'arresto dei notebook, consulta [Arresto delle risorse](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
**Topics**
+ [Apertura di un notebook in Studio Classic](#notebooks-open)
+ [Creazione di un notebook dal menu File](#notebooks-create-file-menu)
+ [Creazione di un notebook dall'utilità di avvio](#notebooks-create-launcher)
+ [Elenco dei tipi di istanze, immagini e kernel disponibili](#notebooks-instance-image-kernels)
## Apertura di un notebook in Studio Classic
Amazon SageMaker Studio Classic può aprire solo i notebook elencati nel browser di file Studio Classic. Per istruzioni sull'aggiunta di un notebook al browser di file, vedere [Caricare file su Amazon SageMaker Studio Classic](studio-tasks-files.md) o [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md).
**Per aprire un notebook**
1. Nella barra laterale sinistra, seleziona l'icona **File Browser (Browser di file)** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) per visualizzare il browser di file.
1. Individua un file notebook e fai doppio clic per aprire il notebook in una nuova scheda.
## Creazione di un notebook dal menu File
**Per creare un notebook dal menu File**
1. Dal menu di Studio Classic, scegli **File**, **Nuovo**, quindi **Notebook**.
1. Nella finestra di dialogo **Cambia ambiente**, utilizza i menu a discesa per selezionare **immagine**, **kernel**, **tipo di istanza** e **script di avvio**, quindi scegli **Seleziona**. Studio Classic avvia e apre il notebook in una nuova scheda.
![\[Configurazione dell’ambiente del notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-environment-setup.png)
## Creazione di un notebook dall'utilità di avvio
**Per creare un notebook dall'utilità di avvio**
1. Per aprire il Launcher, scegli **Amazon SageMaker Studio Classic** in alto a sinistra dell'interfaccia di Studio Classic o usa la scorciatoia `Ctrl + Shift + L` da tastiera.
Per informazioni sulle modalità di apertura dell’utilità di avvio disponibili, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. Nell’utilità di avvio, nella sezione **Notebook e risorse di calcolo**, scegli **Cambia ambiente**.
![\[SageMaker Studio Classic imposta l'ambiente per notebook.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-launcher-notebook-creation.png)
1. Nella finestra di dialogo **Cambia ambiente**, utilizza i menu a discesa per selezionare **immagine**, **kernel**, **tipo di istanza** e **script di avvio**, quindi scegli **Seleziona**.
1. Nell’utilità di avvio, selezionare **Crea notebook**. Studio Classic avvia e apre il notebook in una nuova scheda.
Per visualizzare la sessione di kernel del notebook, nella barra laterale sinistra, seleziona l’icona **Terminali e kernel in esecuzione** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)). Puoi interrompere la sessione kernel del notebook da questa visualizzazione.
## Elenco dei tipi di istanze, immagini e kernel disponibili
Per un elenco di tutte le risorse disponibili, consulta:
+ [Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic](notebooks-available-instance-types.md)
+ [SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md)
# Utilizzo della barra degli strumenti dei notebook Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic estendono l'interfaccia. JupyterLab [Per una panoramica dell' JupyterLabinterfaccia originale, consulta The Interface. JupyterLab](https://jupyterlab.readthedocs.io/en/latest/user/interface.html)
L’immagine seguente mostra la barra degli strumenti e una cella vuota di un notebook Studio Classic.
![\[SageMaker Menu del notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu.png)
Passando il cursore su un’icona della barra degli strumenti, un tooltip ne mostra la funzione. Ulteriori comandi del notebook sono disponibili nel menu principale di Studio Classic. La barra degli strumenti include le seguenti icone:
| Icon | Description |
| --- | --- |
| ![\[L’icona Salva ed esegui il checkpoint.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png) | **Salva ed esegui il checkpoint** Salva il notebook e aggiorna il file del checkpoint. Per ulteriori informazioni, consulta [Ottieni la differenza tra l'ultimo checkpoint](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[L’icona Inserisci cella.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-insert-cell.png) | **Inserisci cella** Inserisce una cella di codice sotto la cella corrente. La cella corrente è annotata dal marcatore verticale blu nel margine sinistro. |
| ![\[Le icone Taglia, copia e incolla celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-cut-copy-paste.png) | **Taglia, copia e incolla celle** Taglia, copia e incolla le celle selezionate. |
| ![\[L’icona Esegui celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-run.png) | **Esegui celle** Esegue le celle selezionate e quindi rende la cella che segue l'ultima cella selezionata la nuova cella selezionata. |
| ![\[L’icona Interrompi kernel.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-interrupt-kernel.png) | **Interrompi kernel** Interrompe il kernel, il che annulla l'operazione attualmente in esecuzione. Il kernel rimane attivo. |
| ![\[L’icona Riavvia kernel.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel.png) | **Riavvia kernel** Riavvia il kernel. Le variabili vengono reimpostate. Le informazioni non salvate non sono interessate. |
| ![\[L’icona Riavvia kernel ed esegui tutte le celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel-run-all-cells.png) | **Riavvia kernel ed esegui tutte le celle** Riavvia il kernel, quindi esegue tutte le celle del notebook. |
| ![\[L’icona Tipo di cella.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-cell-type.png) | **Tipo di cella** Visualizza o modifica il tipo di cella corrente. I tipi di cella sono: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-menu.html) |
| ![\[L’icona Avvia terminale.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png) | **Avvio terminale** Avvia un terminale nell' SageMaker immagine che ospita il notebook. Per vedere un esempio, consulta [Ottenere i metadati dell’app](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app). |
| ![\[L’icona Diff checkpoint.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png) | **Diff checkpoint** Apre una nuova scheda che visualizza la differenza tra il notebook e il file del checkpoint. Per ulteriori informazioni, consulta [Ottieni la differenza tra l'ultimo checkpoint](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[L’icona Diff Git.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png) | **Git diff** Abilitato solo se il notebook viene aperto da un repository Git. Apre una nuova scheda che visualizza la differenza tra il notebook e l'ultimo commit Git. Per ulteriori informazioni, consulta [Ottenere la differenza tra l'ultimo commit](notebooks-diff.md#notebooks-diff-git). |
| **2 vCPU \$1 4 GiB** | **Tipo di istanza** Visualizza o modifica il tipo di istanza in cui viene eseguito il notebook. Il formato è il seguente: `number of vCPUs + amount of memory + number of GPUs` `Unknown` indica che il notebook è stato aperto senza specificare un kernel. Il notebook funziona sull'istanza SageMaker Studio e non comporta costi di runtime. Non è possibile assegnare il notebook a un tipo di istanza. È necessario specificare un kernel e quindi Studio assegna il notebook a un tipo predefinito. Per ulteriori informazioni, consultare [Crea o apri un notebook Amazon SageMaker Studio Classic](notebooks-create-open.md) e [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md). |
| ![\[L’icona Cluster.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-cluster.png) | **Cluster** Connette il notebook a un cluster Amazon EMR e dimensiona le attività ETL o esegue l’addestramento di modelli su larga scala utilizzando Apache Spark, Hive o Presto. Per ulteriori informazioni, consulta [Preparazione dei dati con Amazon EMR](studio-notebooks-emr-cluster.md). |
| **Python 3 (Data Science)** | **Kernel e Image SageMaker ** Visualizza o modifica il kernel che elabora le celle nel notebook. Il formato è il seguente: `Kernel (SageMaker Image)` `No Kernel` indica che il notebook è stato aperto senza specificare un kernel. È possibile modificare il notebook ma non è possibile eseguire alcuna cella. Per ulteriori informazioni, consulta [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md). |
| ![\[L’icona Stato kernel occupato.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-kernel-status.png) | **Stato kernel occupato** Visualizza lo stato occupato del kernel. Quando il bordo del cerchio e il suo interno sono dello stesso colore il kernel è occupato. Il kernel è occupato all'avvio e quando sta elaborando le celle. Gli stati aggiuntivi del kernel vengono visualizzati nella barra di stato nell'angolo inferiore sinistro di Studio. SageMaker |
| ![\[L’icona Condividi notebook.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-share.png) | **Condividi notebook** Condivide il notebook. Per ulteriori informazioni, consulta [Condividi e usa un notebook Amazon SageMaker Studio Classic](notebooks-sharing.md). |
Per selezionare più celle, fai clic sul margine sinistro all'esterno di una cella. Tieni premuto il tasto `Shift` e premi `K` o il tasto `Up` per selezionare le celle precedenti oppure utilizza `J` o il tasto `Down` per selezionare le celle seguenti.
# Installazione di librerie e kernel esterni in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic sono dotati di più immagini già installate. Queste immagini contengono kernel e pacchetti Python tra cui scikit-learn, NumPy Pandas,,, e. TensorFlow PyTorch MXNet Puoi anche installare le tue immagini che contengono la tua scelta di pacchetti e kernel. Per ulteriori informazioni sull'installazione delle tue immagini, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md).
I diversi kernel Jupyter nei notebook SageMaker Amazon Studio Classic sono ambienti conda separati. Per informazioni sugli ambienti conda, consulta [Managing Environments](https://conda.io/docs/user-guide/tasks/manage-environments.html).
## Strumenti di installazione dei pacchetti
**Importante**
Attualmente, tutti i pacchetti di SageMaker notebook Amazon sono concessi in licenza per l'uso con Amazon SageMaker AI e non richiedono licenze commerciali aggiuntive. Tuttavia, questa condizione potrebbe essere soggetta a modifiche in futuro, pertanto ti consigliamo di consultare regolarmente i termini di licenza per eventuali aggiornamenti.
Il metodo da utilizzare per installare i pacchetti Python dal terminale varia a seconda dell'immagine. Studio Classic supporta i seguenti strumenti di installazione dei pacchetti:
+ **Notebook**: sono supportati i seguenti comandi. Se uno dei seguenti comandi non funziona sulla tua immagine, prova l'altro.
+ `%conda install`
+ `%pip install`
+ **Terminale Jupyter**: puoi installare pacchetti utilizzando direttamente pip e conda. Puoi anche usare `apt-get install` per installare pacchetti di sistema dal terminale.
**Nota**
Non è consigliabile utilizzare `pip install -u` o`pip install --user`, poiché tali comandi installano pacchetti sul volume Amazon EFS dell'utente e possono potenzialmente bloccare il riavvio delle JupyterServer app. Utilizza, invece, una configurazione del ciclo di vita per reinstallare i pacchetti richiesti al riavvio dell’app, come mostrato in [Installazione dei pacchetti utilizzando le configurazioni del ciclo di vita](#nbi-add-external-lcc).
Si consiglia di utilizzare `%pip` e `%conda` per installare i pacchetti dall'interno di un notebook, perché tengono correttamente conto dell'ambiente attivo o dell'interprete utilizzato. Per ulteriori informazioni, consulta [Add %pip and %conda magic functions](https://github.com/ipython/ipython/pull/11524). Per installare i pacchetti, puoi anche utilizzare la sintassi dei comandi di sistema (righe che iniziano con \$1). Ad esempio `!pip install` e `!conda install`.
### Conda
Conda è un sistema open source di gestione dei pacchetti e un sistema di gestione dell'ambiente in grado di installare pacchetti e le relative dipendenze. SageMaker L'intelligenza artificiale supporta l'utilizzo di conda con il canale conda-forge. Per ulteriori informazioni, consulta la pagina [Conda channels](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). Il canale conda-forge è un community channel in cui i contributori possono caricare pacchetti.
**Nota**
L'installazione di pacchetti da conda-forge può richiedere fino a 10 minuti. Il tempo varia in base al metodo usato da conda per risolvere il grafico delle dipendenze.
Tutti gli ambienti forniti dall' SageMaker intelligenza artificiale sono funzionali. I pacchetti installati dall'utente potrebbero non funzionare correttamente.
Conda si avvale di due metodi per attivare gli ambienti: `conda activate` e `source activate`. Per ulteriori informazioni, consulta [Managing environment](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html).
**Operazioni supportate da conda**
+ `conda install` di un pacchetto in un unico ambiente
+ `conda install` di un pacchetto in tutti gli ambienti
+ Installazione di un pacchetto dal repository principale di conda
+ Installazione di un pacchetto da conda-forge
+ Modifica della posizione di installazione di conda per utilizzare Amazon EBS
+ Supporta sia `conda activate` che `source activate`
### Pip
Pip è lo strumento per installare e gestire i pacchetti Python. Per impostazione predefinita, pip cerca i pacchetti nell’indice dei pacchetti Python (PyPI). A differenza di conda, pip non dispone di un supporto integrato per l’ambiente. Pertanto, pip non è così completo come conda quando si tratta di pacchetti con dipendenze di librerie native o di sistema. Puoi usare pip per installare pacchetti in ambienti conda. Invece che l’indice PyPI, con pip puoi anche usare repository di pacchetti alternativi.
**Operazioni supportate da pip**
+ Uso di pip per installare un pacchetto senza un ambiente conda attivo
+ Uso di pip per installare un pacchetto in un ambiente conda
+ Uso di pip per installare un pacchetto in tutti gli ambienti conda
+ Modifica della posizione di installazione di pip per utilizzare Amazon EBS
+ Uso di un repository alternativo per installare pacchetti con pip
### Non supportato.
SageMaker L'intelligenza artificiale mira a supportare il maggior numero possibile di operazioni di installazione dei pacchetti. Tuttavia, se i pacchetti sono stati installati dall' SageMaker IA e si utilizzano le seguenti operazioni su questi pacchetti, l'ambiente potrebbe diventare instabile:
+ Disinstallazione
+ Downgrade
+ Aggiornamento
A causa di potenziali problemi relativi alle condizioni o alle configurazioni della rete o alla disponibilità di conda or PyPi, i pacchetti potrebbero non essere installati in un periodo di tempo fisso o deterministico.
**Nota**
Il tentativo di installare un pacchetto in un ambiente con dipendenze incompatibili può causare un errore. In caso di problemi, è possibile contattare il responsabile della libreria per aggiornare le dipendenze del pacchetto. Modificare l'ambiente, ad esempio rimuovendo o aggiornando pacchetti esistenti, può rendere quell’ambiente instabile.
## Installazione dei pacchetti utilizzando le configurazioni del ciclo di vita
Installa immagini e kernel personalizzati sul volume Amazon EBS dell'istanza Studio Classic in modo che persistano quando fermi e riavvii il notebook e che le librerie esterne installate non vengano aggiornate dall'IA. SageMaker Per farlo, usa una configurazione del ciclo di vita che includa sia uno script che venga eseguito quando crei il notebook (`on-create)` sia uno script che venga eseguito ogni volta che riavvii il notebook (`on-start`). Per ulteriori informazioni sull’utilizzo delle configurazioni del ciclo di vita con Studio Classic, consulta [Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker](studio-lcc.md). Per esempi di script di configurazione del ciclo di vita, consulta Esempi di configurazione del ciclo di vita di [SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples).
# Condividi e usa un notebook Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi condividere i tuoi notebook Amazon SageMaker Studio Classic con i tuoi colleghi. Il notebook condiviso è una copia. Dopo aver condiviso il notebook, le eventuali modifiche apportate al notebook originale non vengono riflesse nel notebook condiviso e le eventuali modifiche apportate dal collega nelle copie condivise del notebook non vengono riflesse nel notebook originale. Se si desidera condividere la versione più recente, è necessario creare un nuovo snapshot e condividerlo.
**Topics**
+ [Condivisione di un notebook](#notebooks-sharing-share)
+ [Utilizzo di un notebook condiviso](#notebooks-sharing-using)
+ [Spazi condivisi e collaborazione in tempo reale](#notebooks-sharing-rtc)
## Condivisione di un notebook
Lo screenshot seguente mostra il menu di un notebook Studio Classic.
![\[La posizione dell’icona Condividi in un notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-share.png)
**Per condividere un notebook**
1. Nell'angolo in alto a destra del notebook, scegli **Condividi**.
1. (Facoltativo) In **Crea snapshot condivisibe**, scegli uno dei seguenti elementi:
+ **Includi informazioni sul repository Git**: include un link al repository Git che contiene il notebook. Ciò consente all'utente e al destinatario di collaborare e contribuire allo stesso repository Git.
+ **Includi output**: include tutto l'output del notebook che è stato salvato.
**Nota**
Se sei un utente in IAM Identity Center e queste opzioni non sono visibili, è probabile che l'amministratore del tuo IAM Identity Center abbia disabilitato la funzionalità. Contatta l'amministratore
1. Scegli **Create** (Crea).
1. Dopo aver creato lo snapshot, scegli **Copia collegamento** e poi **Chiudi**.
1. Condivisione del link con un collega.
Dopo aver selezionato le opzioni di condivisione, viene fornito un URL. Puoi condividere questo link con gli utenti che hanno accesso ad Amazon SageMaker Studio Classic. Quando l'utente apre l'URL, viene richiesto di accedere con IAM Identity Center o tramite autenticazione IAM. Questo notebook condiviso diventa una copia, pertanto le modifiche apportate dal destinatario non verranno riprodotte nel notebook originale.
## Utilizzo di un notebook condiviso
Un notebook condiviso viene utilizzato nello stesso modo di qualsiasi notebook creato autonomamente. Devi prima accedere al tuo account, quindi aprire il link condiviso. Se non hai una sessione attiva, sarà visualizzato un messaggio di errore.
Quando selezioni un collegamento a un notebook condiviso per la prima volta, viene aperta una versione di sola lettura del notebook. Per modificare il notebook condiviso, scegli **Crea una copia**. In questo modo il notebook condiviso viene copiato nello storage personale.
Il notebook copiato viene avviato su un'istanza del tipo di istanza e SageMaker dell'immagine utilizzati dal notebook quando il mittente lo ha condiviso. Se non stai eseguendo attualmente un'istanza del tipo corretto, viene avviata una nuova istanza. La personalizzazione dell' SageMaker immagine non è condivisa. È inoltre possibile controllare l'istantanea del notebook scegliendo **Dettagli snapshot**.
Di seguito sono riportate alcune considerazioni importanti relative alla condivisione e all'autenticazione;
+ Se hai una sessione attiva, viene visualizzata una visualizzazione di sola lettura del notebook finché non selezioni **Crea una copia**.
+ Se non hai una sessione attiva, è necessario effettuare il login.
+ Se utilizzi IAM per accedere, dopo aver effettuato l’accesso, seleziona il tuo profilo utente, quindi scegli **Apri Studio Classic**. Quindi, seleziona il link che ti è stato inviato.
+ Se utilizzi IAM Identity Center per accedere, dopo aver effettuato il login, il notebook condiviso viene aperto automaticamente in Studio.
## Spazi condivisi e collaborazione in tempo reale
Uno spazio condiviso è costituito da un' JupyterServer applicazione condivisa e una directory condivisa. Un vantaggio chiave di uno spazio condiviso è che facilita la collaborazione tra i membri dello spazio condiviso in tempo reale. Gli utenti che collaborano in uno spazio di lavoro hanno accesso a un’applicazione Studio Classic condivisa in cui possono accedere, leggere e modificare i propri notebook in tempo reale. La collaborazione in tempo reale è supportata solo per JupyterServer le applicazioni all'interno di uno spazio condiviso. Gli utenti con accesso a uno spazio condiviso possono aprire, visualizzare, modificare ed eseguire contemporaneamente i notebook Jupyter nell’applicazione Studio Classic condivisa in quello spazio. Per ulteriori informazioni sugli spazi condivisi e la collaborazione in tempo reale, consulta [Collaborazione con spazi condivisi](domain-space.md).
# Ottieni i metadati delle app e dei notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi accedere ai metadati del notebook e ai metadati delle app utilizzando l'interfaccia utente di Amazon SageMaker Studio Classic.
**Topics**
+ [Recupero dei metadati dei notebook Studio Classic](#notebooks-run-and-manage-metadata-notebook)
+ [Ottenere i metadati dell’app](#notebooks-run-and-manage-metadata-app)
## Recupero dei metadati dei notebook Studio Classic
I notebook Jupyter contengono metadati opzionali a cui puoi accedere tramite l'interfaccia utente di Amazon Studio Classic. SageMaker
**Per visualizzare i metadati del notebook:**
1. Nella barra laterale destra, seleziona l’icona **Controllo proprietà** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/gears.png)).
1. Apri la sezione **Strumenti avanzati**.
I metadati dovrebbero avere un aspetto simile al seguente.
```
{
"instance_type": "ml.t3.medium",
"kernelspec": {
"display_name": "Python 3 (Data Science)",
"language": "python",
"name": "python3__SAGEMAKER_INTERNAL__arn:aws:sagemaker:us-west-2::image/datascience-1.0"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.7.10"
}
}
```
## Ottenere i metadati dell’app
Quando crei un notebook in Amazon SageMaker Studio Classic, i metadati dell'app vengono scritti in un file denominato `resource-metadata.json` nella cartella`/opt/ml/metadata/`. È possibile ottenere i metadati dell'app aprendo un terminale immagine dall'interno del notebook. I metadati forniscono le seguenti informazioni, tra cui l' SageMaker immagine e il tipo di istanza in cui viene eseguito il notebook:
+ **AppType** – `KernelGateway`
+ **DomainId**— Uguale allo Studio ClassicID
+ **UserProfileName**— Il nome del profilo dell'utente corrente
+ **ResourceArn**— L'Amazon Resource Name (ARN) dell'app, che include il tipo di istanza
+ **ResourceName**— Il nome dell'immagine SageMaker
Potrebbero essere inclusi ulteriori metadati per uso interno di Studio Classic, che sono soggetti a modifica.
**Per ottenere i metadati dell'app**
1. Al centro del menu del notebook, scegli l’icona **Avvia terminale** (![\[Dollar sign icon representing currency or financial transactions.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png)). Si apre un terminale nell' SageMaker immagine in cui gira il notebook.
1. Esegui i seguenti comandi per visualizzare il contenuto del file `resource-metadata.json`.
```
$ cd /opt/ml/metadata/
cat resource-metadata.json
```
Il file si presenta in maniera simile a quanto riportato di seguito:
```
{
"AppType": "KernelGateway",
"DomainId": "d-xxxxxxxxxxxx",
"UserProfileName": "profile-name",
"ResourceArn": "arn:aws:sagemaker:us-east-2:account-id:app/d-xxxxxxxxxxxx/profile-name/KernelGateway/datascience--1-0-ml-t3-medium",
"ResourceName": "datascience--1-0-ml",
"AppImageVersion":""
}
```
# Scopri le differenze tra i notebook in Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi visualizzare la differenza tra il notebook corrente e l'ultimo checkpoint o l'ultimo commit Git utilizzando l'interfaccia utente di Amazon SageMaker AI.
Lo screenshot seguente mostra il menu di un notebook Studio Classic.
![\[La posizione del menu pertinente in un notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-diffs.png)
**Topics**
+ [Ottieni la differenza tra l'ultimo checkpoint](#notebooks-diff-checkpoint)
+ [Ottenere la differenza tra l'ultimo commit](#notebooks-diff-git)
## Ottieni la differenza tra l'ultimo checkpoint
Quando crei un notebook, viene creato un file di checkpoint nascosto corrispondente al notebook. È possibile visualizzare le modifiche tra il notebook e il file del checkpoint oppure ripristinare il notebook in modo che corrisponda al file del checkpoint.
Per impostazione predefinita, un notebook viene salvato automaticamente ogni 120 secondi e anche quando si chiude il notebook. Tuttavia, il file del checkpoint non viene aggiornato in modo che corrisponda al notebook. Per salvare il notebook e aggiornare il file del checkpoint in modo che corrisponda, è necessario scegliere l'icona **Salva notebook e crea checkpoint** ( ![\[Padlock icon representing security or access control in cloud services.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png)) a sinistra del menu del notebook o utilizzare la scelta rapida da tastiera `Ctrl + S`.
Per visualizzare le modifiche tra il notebook e il file del checkpoint, scegli l’icona **Diff checkpoint** (![\[Clock icon representing time or duration in a user interface.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png)) al centro del menu del notebook.
Per ripristinare il notebook nel file del checkpoint, scegli **File** dal menu principale di Studio Classic, quindi seleziona **Ripristina notebook su checkpoint**.
## Ottenere la differenza tra l'ultimo commit
Se un notebook viene aperto da un repository Git, è possibile visualizzare la differenza tra il notebook e l'ultimo commit Git.
Per visualizzare le modifiche nel notebook dall’ultimo commit di Git, scegli l’icona **Diff Git** (![\[Dark button with white text displaying "git" in lowercase letters.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png)) al centro del menu del notebook.
# Gestisci le risorse per i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi modificare il tipo di istanza, SageMaker l'immagine e il kernel direttamente da un notebook Amazon SageMaker Studio Classic. Per creare un kernel personalizzato da utilizzare con i notebook, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md).
**Topics**
+ [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md)
+ [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md)
+ [Chiudi le risorse di Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md)
# Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic
La prima volta che si apre un nuovo notebook Studio Classic, viene assegnato un tipo di istanza predefinito Amazon Elastic Compute Cloud (Amazon EC2) per eseguire il notebook. Quando si aprono notebook aggiuntivi sulla stessa istanza, i notebook vengono eseguiti sullo stesso tipo di istanza come il primo notebook, anche se i notebook utilizzano kernel differenti.
Puoi modificare il tipo di istanza su cui viene eseguito il notebook Studio Classic dall’interno del notebook.
Le informazioni seguenti si applicano solo ai notebook Studio Classic. Per informazioni su come modificare il tipo di istanza di un'istanza Amazon SageMaker Notebook, consulta[Aggiornamento di un'istanza del notebook](nbi-update.md).
**Importante**
Se modifichi il tipo di istanza, le informazioni non salvate e le impostazioni esistenti per il notebook vengono perse e i pacchetti installati devono essere reinstallati.
Il tipo di istanza precedente resta in esecuzione, anche se ci sono sessioni o app kernel attive. Devi inviare un comando esplicito di arresto dell'istanza per arrestare l'accumulo di addebiti. Per arrestare l'istanza, consulta [Arresto delle risorse](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
Lo screenshot seguente mostra il menu di un notebook Studio Classic. Il processore e la memoria del tipo di istanza che alimenta il notebook vengono visualizzati come **2 vCPU \$1 4 GiB**.
![\[La posizione del processore e della memoria del tipo di istanza per il notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-instance.png)
**Per cambiare il tipo di istanza**
1. Scegli il processore e la memoria del tipo di istanza che alimentano il notebook. Viene visualizzata una finestra pop-up.
1. Dalla finestra pop-up, scegli **Configura ambiente notebook**, quindi seleziona **Tipo di istanza** dal menu a discesa.
1. Dal menu a discesa scegli **Tipo di istanza**, quindi seleziona uno dei tipi di istanza elencati.
1. Dopo aver scelto un tipo di istanza, sceglie **Seleziona**.
1. Attendi che la nuova istanza venga abilitata; verranno visualizzate le informazioni sul nuovo tipo di istanza.
Per un elenco dei tipi di istanza disponibili, consulta [Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic](notebooks-available-instance-types.md).
# Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Con i notebook Amazon SageMaker Studio Classic, puoi modificare l'immagine o il kernel del notebook direttamente dal notebook.
Lo screenshot seguente mostra il menu di un notebook Studio Classic. Il kernel e l'immagine SageMaker AI correnti vengono visualizzati come **Python 3 (Data Science**), `Python 3` dove indica il kernel `Data Science` e indica l'immagine AI che contiene il kernel. SageMaker Il colore del cerchio a destra indica lo stato inattivo o occupato del kernel. Il kernel è occupato quando il bordo del cerchio e il suo centro sono dello stesso colore.
![\[La posizione del kernel e dell’immagine correnti nella barra dei menu di un notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-kernel.png)
**Per modificare l'immagine o il kernel di un notebook**
1. Scegli il nome nel menu del taccuino. image/kernel
1. Dalla finestra pop-up, scegli **Configura ambiente notebook**, quindi seleziona **Immagine** o **Kernel** dal menu a discesa.
1. Dal menu a discesa, scegli una delle immagini o dei kernel elencati.
1. Dopo aver scelto un'immagine o un kernel, scegli **Seleziona**.
1. Attendi che lo stato del kernel venga visualizzato come inattivo, il che indica che il kernel è stato avviato.
Per un elenco delle SageMaker immagini e dei kernel disponibili, consulta[SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md).
# Chiudi le risorse di Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi disattivare singole risorse di Amazon SageMaker AI, inclusi notebook, terminali, kernel, app e istanze di Studio Classic. Puoi anche chiudere contemporaneamente tutte le risorse di una di queste categorie. Amazon SageMaker Studio Classic non supporta la chiusura delle risorse dall'interno di un notebook.
**Nota**
Quando chiudi un’istanza del notebook Studio Classic, le risorse aggiuntive create in Studio Classic non vengono eliminate. Ad esempio, le risorse aggiuntive possono includere endpoint SageMaker AI, cluster Amazon EMR e bucket Amazon S3. Per arrestare l’accumulo degli addebiti, è necessario eliminare manualmente queste risorse. Per informazioni sulla ricerca di risorse che comportano addebiti, consulta [Analyzing your costs with AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html).
I seguenti argomenti mostrano come eliminare queste risorse AI. SageMaker
**Topics**
+ [Arresto di un notebook aperto](#notebooks-run-and-manage-shut-down-notebook)
+ [Arresto delle risorse](#notebooks-run-and-manage-shut-down-sessions)
## Arresto di un notebook aperto
Quando chiudi un notebook Studio Classic, il notebook non viene eliminato. Il kernel su cui è in esecuzione il notebook viene chiuso e tutte le informazioni non salvate nel notebook vengono perse. Puoi chiudere un notebook aperto dal menu **File** di Studio Classic o dal riquadro Terminali e kernel in esecuzione. La procedura seguente mostra come chiudere un notebook aperto dal menu **File** di Studio Classic.
**Per arrestare un notebook aperto dal menu File**
1. Avvia Studio Classic seguendo la procedura indicata in [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. (Facoltativo) Salva il contenuto del notebook scegliendo **File** e **Salva notebook**.
1. Scegli **File**.
1. Scegli **Chiudi e arresta notebook**. Viene visualizzata una finestra pop-up.
1. Dalla finestra pop-up, scegli **OK**.
## Arresto delle risorse
Puoi accedere al pannello **Running Terminals and Kernels** di Amazon SageMaker Studio Classic selezionando l'icona **Running Terminals and Kernels** (). ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png) Il riquadro **Running Terminals and Kernels** è composto da quattro sezioni. Ogni sezione elenca tutte le risorse di quel tipo. È possibile arrestare ogni risorsa singolarmente o arrestare contemporaneamente tutte le risorse di una sezione.
Se si arrestano tutte le risorse di una sezione, si verifica quanto segue:
+ ** INSTANCES/RUNNING APP IN ESECUZIONE**: tutte le istanze, le app, i notebook, le sessioni del kernel, le console/shell e i terminali di immagine vengono chiusi. I terminali di sistema non vengono arrestati.
+ **SESSIONI DEL KERNEL: tutti i kernel**, i notebook e i notebook vengono chiusi. consoles/shells
+ **SESSIONI DEL TERMINALE**: tutti i terminali di immagine e i terminali di sistema vengono arrestati.
**Per arrestare le risorse**
1. Avvia Studio Classic seguendo la procedura indicata in [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. Scegli l’icona **Terminali e kernel in esecuzione**.
1. Esegui una delle operazioni seguenti:
+ Per chiudere una risorsa specifica, scegli l’icona **Chiudi** nella stessa riga della risorsa.
Per le istanze in esecuzione, una finestra di dialogo di conferma elenca tutte le risorse che l'IA chiuderà. SageMaker Una finestra di dialogo di conferma mostra tutte le app in esecuzione. Scegli **Chiudi tutto** per continuare.
**Nota**
Non viene visualizzata alcuna finestra di dialogo di conferma per le sessioni del kernel o del terminale.
+ Per arrestare tutte le risorse in una sezione, sceglie la **X** a destra dell'etichetta della sezione. Non viene visualizzata alcuna finestra di dialogo di conferma. Scegli **Arresta tutto** per continuare.
**Nota**
Quando chiudi queste risorse di Studio Classic, tutte le risorse aggiuntive create da Studio Classic, come endpoint SageMaker AI, cluster Amazon EMR e bucket Amazon S3, non vengono eliminate. È necessario eliminare manualmente queste risorse per evitare l’accumulo di addebiti. [Per informazioni sulla ricerca di risorse a cui vengono addebitati costi, consulta Analisi dei costi con. AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html)
# Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Non sono previsti costi aggiuntivi per l'utilizzo di Amazon SageMaker Studio Classic. I costi sostenuti per l'esecuzione di notebook, shell interattive, console e terminali Amazon SageMaker Studio Classic si basano sull'utilizzo delle istanze Amazon Elastic Compute Cloud (Amazon EC2).
Quando esegui le seguenti risorse, devi scegliere un'immagine e un kernel: SageMaker
**Dall’utilità di avvio di Studio Classic**
+ Notebook
+ Shell interattiva
+ Immagine del terminale
**Dal menu **File****
+ Notebook
+ Console
Quando viene avviata, la risorsa viene eseguita su un'istanza Amazon EC2 del tipo di istanza selezionata. Se un'istanza di quel tipo è stata avviata in precedenza ed è disponibile, la risorsa viene eseguita su tale istanza.
Per le immagini basate su CPU, il tipo di istanza predefinito consigliato è `ml.t3.medium`. Per le immagini basate su GPU, il tipo di istanza predefinito consigliato è `ml.g4dn.xlarge`.
I costi sostenuti si basano sul tipo di istanza. I costi vengono fatturati separatamente per ogni istanza.
La misurazione inizia quando viene creata un'istanza. La misurazione termina quando si arrestano tutte le app sull'istanza o quando si arresta l'istanza stessa. Per informazioni su come arrestare un'istanza, consulta [Chiudi le risorse di Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md).
**Importante**
Per evitare di accumulare ulteriori addebiti, è necessario arrestare l’istanza. Se si arresta il notebook in esecuzione sull'istanza ma non si arresta l'istanza, verranno comunque addebitati dei costi. Quando chiudi le istanze del notebook Studio Classic, tutte le risorse aggiuntive, come endpoint SageMaker AI, cluster Amazon EMR e bucket Amazon S3 creati da Studio Classic, non vengono eliminate. Elimina queste risorse per evitare l'accumulo di addebiti.
Quando apri più notebook sullo stesso tipo di istanza, i notebook vengono eseguiti sulla stessa istanza anche se utilizzano kernel diversi. Ti viene addebitato solo il tempo di esecuzione dell'istanza.
Puoi modificare il tipo di istanza dall'interno del notebook dopo averlo aperto. Per ulteriori informazioni, consulta [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
Per informazioni sulla fatturazione ed esempi di prezzi, consulta la pagina dei [ SageMaker prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/).
# Risorse disponibili per i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Nelle seguenti sezioni sono elencate le risorse disponibili per i notebook Amazon SageMaker Studio Classic.
**Topics**
+ [Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic](notebooks-available-instance-types.md)
+ [SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md)
# Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic vengono eseguiti su istanze Amazon Elastic Compute Cloud (Amazon EC2). I seguenti tipi di istanze Amazon EC2 sono disponibili per l’utilizzo con i notebook Studio Classic. Per informazioni dettagliate sui tipi di istanza adatti al tuo caso d'uso e sulle relative funzionalità prestazionali, consulta [ Amazon Elastic Compute Cloud Instance types](https://aws.amazon.com/ec2/instance-types/). Per ulteriori informazioni sui prezzi di questi tipi di istanza, consulta [Prezzi di Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Per informazioni sui tipi di istanze Amazon SageMaker Notebook disponibili, consulta [CreateNotebookInstance](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html#sagemaker-CreateNotebookInstance-request-InstanceType).
**Nota**
Per la maggior parte dei casi d'uso, è consigliabile utilizzare un `ml.t3.medium`. Questo è il tipo di istanza predefinito per SageMaker le immagini basate su CPU ed è disponibile come parte del piano [AWS gratuito](https://aws.amazon.com/free).
**Topics**
+ [Istanze CPU](#notebooks-resources-no-gpu)
+ [Istanze con 1 o più GPUs](#notebooks-resources-gpu)
## Istanze CPU
La tabella seguente elenca i tipi di istanze Amazon EC2 CPU senza GPU collegate disponibili per l’utilizzo con i notebook Studio Classic. Inoltre, fornisce informazioni sulle specifiche di ogni tipo di istanza. Per le immagini basate su CPU, il tipo di istanza predefinito è `ml.t3.medium`.
Per informazioni dettagliate sui tipi di istanza adatti al tuo caso d'uso e sulle relative funzionalità prestazionali, consulta [Amazon Elastic Compute Cloud Instance types](https://aws.amazon.com/ec2/instance-types/). Per ulteriori informazioni sui prezzi di questi tipi di istanza, consulta [Prezzi di Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Istanze CPU
| Istanza | Caso d’uso | Avvio rapido | VPCU | Memoria (GiB) | Archiviazione delle istanze (GB) |
| --- | --- | --- | --- | --- | --- |
| ml.t3.medium | Uso generale | Sì | 2 | 4 | Solo Amazon EBS |
| ml.t3.large | Uso generale | No | 2 | 8 | Solo Amazon EBS |
| ml.t3.xlarge | Uso generale | No | 4 | 16 | Solo Amazon EBS |
| ml.t3.2xlarge | Uso generale | No | 8 | 32 | Solo Amazon EBS |
| ml.m5.large | Uso generale | Sì | 2 | 8 | Solo Amazon EBS |
| ml.m5.xlarge | Uso generale | No | 4 | 16 | Solo Amazon EBS |
| ml.m5.2xlarge | Uso generale | No | 8 | 32 | Solo Amazon EBS |
| ml.m5.4xlarge | Uso generale | No | 16 | 64 | Solo Amazon EBS |
| ml.m5.8xlarge | Uso generale | No | 32 | 128 | Solo Amazon EBS |
| ml.m5.12xlarge | Uso generale | No | 48 | 192 | Solo Amazon EBS |
| ml.m5.16xlarge | Uso generale | No | 64 | 256 | Solo Amazon EBS |
| ml.m5.24xlarge | Uso generale | No | 96 | 384 | Solo Amazon EBS |
| ml.m5d.large | Uso generale | No | 2 | 8 | 1 x SSD da 75 NVMe |
| ml.m5d.xlarge | Uso generale | No | 4 | 16 | 1 x 150 SSD NVMe |
| ml.m5d.2xlarge | Uso generale | No | 8 | 32 | 1 x 300 SSD NVMe |
| ml.m5d.4xlarge | Uso generale | No | 16 | 64 | 2 unità SSD da 300 NVMe |
| ml.m5d.8xlarge | Uso generale | No | 32 | 128 | 2 unità SSD da 600 NVMe |
| ml.m5d.12xlarge | Uso generale | No | 48 | 192 | 2 unità SSD 900 NVMe |
| ml.m5d.16xlarge | Uso generale | No | 64 | 256 | SSD 4 x 600 NVMe |
| ml.m5d.24xlarge | Uso generale | No | 96 | 384 | Unità SSD 4 x 900 NVMe |
| ml.c5.large | Calcolo ottimizzato | Sì | 2 | 4 | Solo Amazon EBS |
| ml.c5.xlarge | Calcolo ottimizzato | No | 4 | 8 | Solo Amazon EBS |
| ml.c5.2xlarge | Calcolo ottimizzato | No | 8 | 16 | Solo Amazon EBS |
| ml.c5.4xlarge | Calcolo ottimizzato | No | 16 | 32 | Solo Amazon EBS |
| ml.c5.9xlarge | Calcolo ottimizzato | No | 36 | 72 | Solo Amazon EBS |
| ml.c5.12xlarge | Calcolo ottimizzato | No | 48 | 96 | Solo Amazon EBS |
| ml.c5.18xlarge | Calcolo ottimizzato | No | 72 | 144 | Solo Amazon EBS |
| ml.c5.24xlarge | Calcolo ottimizzato | No | 96 | 192 | Solo Amazon EBS |
| ml.r5.large | Memoria ottimizzata | No | 2 | 16 | Solo Amazon EBS |
| ml.r5.xlarge | Memoria ottimizzata | No | 4 | 32 | Solo Amazon EBS |
| ml.r5.2xlarge | Memoria ottimizzata | No | 8 | 64 | Solo Amazon EBS |
| ml.r5.4xlarge | Memoria ottimizzata | No | 16 | 128 | Solo Amazon EBS |
| ml.r5.8xlarge | Memoria ottimizzata | No | 32 | 256 | Solo Amazon EBS |
| ml.r5.12xlarge | Memoria ottimizzata | No | 48 | 384 | Solo Amazon EBS |
| ml.r5.16xlarge | Memoria ottimizzata | No | 64 | 512 | Solo Amazon EBS |
| ml.r5.24xlarge | Memoria ottimizzata | No | 96 | 768 | Solo Amazon EBS |
## Istanze con 1 o più GPUs
La tabella seguente elenca i tipi di istanze Amazon EC2 con 1 o più collegamenti che GPUs sono disponibili per l'uso con i notebook Studio Classic. Inoltre, fornisce informazioni sulle specifiche di ogni tipo di istanza. Per le immagini basate su GPU, il tipo di istanza predefinito è `ml.g4dn.xlarge`.
Per informazioni dettagliate sui tipi di istanza adatti al tuo caso d'uso e sulle relative funzionalità prestazionali, consulta [ Amazon Elastic Compute Cloud Instance types](https://aws.amazon.com/ec2/instance-types/). Per ulteriori informazioni sui prezzi di questi tipi di istanza, consulta [Prezzi di Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Istanze con 1 o più GPUs
| Istanza | Caso d’uso | Avvio rapido | GPUs | VPCU | Memoria (GiB) | Memoria GPU (GiB) | Archiviazione delle istanze (GB) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| ml.p3.2xlarge | Elaborazione accelerata | No | 1 | 8 | 61 | 16 | Solo Amazon EBS |
| ml.p3.8xlarge | Elaborazione accelerata | No | 4 | 32 | 244 | 64 | Solo Amazon EBS |
| ml.p3.16xlarge | Elaborazione accelerata | No | 8 | 64 | 488 | 128 | Solo Amazon EBS |
| ml.p3dn.24xlarge | Elaborazione accelerata | No | 8 | 96 | 768 | 256 | 2 x 900 SSD NVMe |
| ml.p4d.24xlarge | Elaborazione accelerata | No | 8 | 96 | 1152 | 320 GB HBM2 | NVMe SSD 8 x 1000 |
| ml.p4de.24xlarge | Elaborazione accelerata | No | 8 | 96 | 1152 | 640 GB HBM2e | SSD 8 x 1000 NVMe |
| ml.g4dn.xlarge | Elaborazione accelerata | Sì | 1 | 4 | 16 | 16 | 1 unità SSD da 125 NVMe |
| ml.g4dn.2xlarge | Elaborazione accelerata | No | 1 | 8 | 32 | 16 | 1 x SSD da 225 NVMe |
| ml.g4dn.4xlarge | Elaborazione accelerata | No | 1 | 16 | 64 | 16 | 1 x SSD da 225 NVMe |
| ml.g4dn.8xlarge | Elaborazione accelerata | No | 1 | 32 | 128 | 16 | 1 x SSD 900 NVMe |
| ml.g4dn.12xlarge | Elaborazione accelerata | No | 4 | 48 | 192 | 64 | 1 x SSD 900 NVMe |
| ml.g4dn.16xlarge | Elaborazione accelerata | No | 1 | 64 | 256 | 16 | 1 x SSD 900 NVMe |
| ml.g5.xlarge | Elaborazione accelerata | No | 1 | 4 | 16 | 24 | 1 x 250 SSD NVMe |
| ml.g5.2xlarge | Elaborazione accelerata | No | 1 | 8 | 32 | 24 | 1 x SSD da 450 NVMe |
| ml.g5.4xlarge | Elaborazione accelerata | No | 1 | 16 | 64 | 24 | 1 x SSD 600 NVMe |
| ml.g5.8xlarge | Elaborazione accelerata | No | 1 | 32 | 128 | 24 | 1 x SSD 900 NVMe |
| ml.g5.12xlarge | Elaborazione accelerata | No | 4 | 48 | 192 | 96 | 1 x SSD 3800 NVMe |
| ml.g5.16xlarge | Elaborazione accelerata | No | 1 | 64 | 256 | 24 | 1 x SSD 1900 NVMe |
| ml.g5.24xlarge | Elaborazione accelerata | No | 4 | 96 | 384 | 96 | 1 x SSD 3800 NVMe |
| ml.g5.48xlarge | Elaborazione accelerata | No | 8 | 192 | 768 | 192 | 2 x SSD 3800 NVMe |
# SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Questa pagina elenca le SageMaker immagini e i kernel associati disponibili in Amazon SageMaker Studio Classic. Questa pagina fornisce anche informazioni sul formato necessario per creare l'ARN per ogni immagine. SageMaker le immagini contengono l'ultimo [SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) e l'ultima versione del kernel. Per ulteriori informazioni, consulta [Deep Learning Containers Images](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/deep-learning-containers-images.html).
**Topics**
+ [Formato ARN dell’immagine](#notebooks-available-images-arn)
+ [Tag URI supportati](#notebooks-available-uri-tag)
+ [Immagini supportate](#notebooks-available-images-supported)
+ [Immagini destinate al ritiro](#notebooks-available-images-deprecation)
+ [Immagini obsolete](#notebooks-available-images-deprecated)
## Formato ARN dell’immagine
La tabella seguente elenca il formato degli ARN delle immagini e degli URI per ogni Regione. Per creare l'ARN completo per un'immagine, sostituisci il *resource-identifier* segnaposto con l'identificatore di risorsa corrispondente per l'immagine. L'identificatore di risorsa si trova nella tabella delle immagini e dei SageMaker kernel. Per creare l'URI completo per un'immagine, sostituisci il *tag* segnaposto con il tag cpu o gpu corrispondente. Per l’elenco dei tag che puoi utilizzare, consulta [Tag URI supportati](#notebooks-available-uri-tag).
**Nota**
SageMaker Le immagini di distribuzione utilizzano un insieme distinto di immagini ARNs, elencate nella tabella seguente.
| Region | Formato ARN dell’immagine | SageMaker Formato ARN dell'immagine di distribuzione | SageMaker Formato URI dell'immagine di distribuzione |
| --- | --- | --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/resource-identifier | arn:aws:sagemaker:us-east-1:885854791233:image/resource-identifier | 885854791233.dkr. ecr.us-east-1.amazonaws.com/: sagemaker-distribution-prod tag |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/resource-identifier | arn:aws:sagemaker:us-east-2:137914896644:image/resource-identifier | 137914896644.dkr. ecr.us-east-2.amazonaws.com/sagemaker-distribution-prod: tag |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/resource-identifier | arn:aws:sagemaker:us-west-1:053634841547:image/resource-identifier | 053634841547.dkr. ecr.us-west-1.amazonaws.com/sagemaker-distribution-prod: tag |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/resource-identifier | arn:aws:sagemaker:us-west-2:542918446943:image/resource-identifier | 542918446943.dkr. ecr.us-west-2.amazonaws.com/sagemaker-distribution-prod: tag |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/resource-identifier | arn:aws:sagemaker:af-south-1:238384257742:image/resource-identifier | 238384257742.dkr. ecr.af-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/resource-identifier | arn:aws:sagemaker:ap-east-1:523751269255:image/resource-identifier | 523751269255dkr. ecr.ap-east-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/resource-identifier | arn:aws:sagemaker:ap-south-1:245090515133:image/resource-identifier | 245090515133dkr. ecr.ap-south-1.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/resource-identifier | arn:aws:sagemaker:ap-northeast-2:064688005998:image/resource-identifier | 064688005998.dkr. ecr.ap-northeast-2.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/resource-identifier | arn:aws:sagemaker:ap-southeast-1:022667117163:image/resource-identifier | 022667117163.dkr. ecr.ap-southeast-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/resource-identifier | arn:aws:sagemaker:ap-southeast-2:648430277019:image/resource-identifier | 648430277019.dkr. ecr.ap-southeast-2.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/resource-identifier | arn:aws:sagemaker:ap-northeast-1:010972774902:image/resource-identifier | 010972774902.dkr. ecr.ap-northeast-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/resource-identifier | arn:aws:sagemaker:ca-central-1:481561238223:image/resource-identifier | 481561238223.dkr. ecr.ca-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/resource-identifier | arn:aws:sagemaker:eu-central-1:545423591354:image/resource-identifier | 545423591354.dkr. ecr.eu-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/resource-identifier | arn:aws:sagemaker:eu-west-1:819792524951:image/resource-identifier | 819792524951.dkr. ecr.eu-west-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/resource-identifier | arn:aws:sagemaker:eu-west-2:021081402939:image/resource-identifier | 021081402939dkr. ecr.eu-west-2.amazonaws.com/: sagemaker-distribution-prod tag |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/resource-identifier | arn:aws:sagemaker:eu-west-3:856416204555:image/resource-identifier | 856416204555.dkr. ecr.eu-west-3.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/resource-identifier | arn:aws:sagemaker:eu-north-1:175620155138:image/resource-identifier | 175620155138.dkr. ecr.eu-north-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/resource-identifier | arn:aws:sagemaker:eu-south-1:810671768855:image/resource-identifier | 810671768855.dkr. ecr.eu-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/resource-identifier | arn:aws:sagemaker:sa-east-1:567556641782:image/resource-identifier | 567556641782.dkr. ecr.sa-east-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-northeast-3 | arn:aws:sagemaker:ap-northeast-3:792733760839:image/resource-identifier | arn:aws:sagemaker:ap-northeast-3:564864627153:image/resource-identifier | 564864627153.dkr. ecr.ap-northeast-3.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-southeast-3 | arn:aws:sagemaker:ap-southeast-3:276181064229:image/resource-identifier | arn:aws:sagemaker:ap-southeast-3:370607712162:image/resource-identifier | 370607712162.dkr. ecr.ap-southeast-3.amazonaws.com/sagemaker-distribution-prod: tag |
| me-south-1 | arn:aws:sagemaker:me-south-1:117516905037:image/resource-identifier | arn:aws:sagemaker:me-south-1:523774347010:image/resource-identifier | 523774347010.dkr. ecr.me-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| me-central-1 | arn:aws:sagemaker:me-central-1:103105715889:image/resource-identifier | arn:aws:sagemaker:me-central-1:358593528301:image/resource-identifier | 358593528301.dkr. ecr.me-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
## Tag URI supportati
L’elenco seguente mostra i tag che puoi includere nell’URI dell’immagine.
+ 1-cpu
+ 1-gpu
+ 0-cpu
+ 0-gpu
**Gli esempi seguenti vengono illustrati con vari formati di tag: URIs **
+ 542918446943.dkr. ecr.us-west-2.amazonaws.com /:1-cpu sagemaker-distribution-prod
+ 542918446943.dkr. ecr.us-west-2.amazonaws.com /:0-gpu sagemaker-distribution-prod
## Immagini supportate
La tabella seguente fornisce informazioni sulle SageMaker immagini e sui kernel associati disponibili in Amazon SageMaker Studio Classic. Fornisce inoltre informazioni sull’identificatore della risorsa e sulla versione Python inclusi nell’immagine.
SageMaker immagini e kernel
| SageMaker Immagine | Description | Identificatore di risorsa | Kernel (e identificatore) | Versione di Python |
| --- | --- | --- | --- | --- |
| Base Python 4.3 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 4.2 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 4.1 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 4.0 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 3.0 | Immagine ufficiale di Python 3.10 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-310-v1 | Python 3 (python3) | Python 3.10 |
| Data Science 5.3 | Data Science 5.3 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.2 | Data Science 5.2 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.1 | Data Science 5.1 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.0 | Data Science 5.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 4.0 | Data Science 4.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione 22.04 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-311-v1 | Python 3 (python3) | Python 3.11 |
| Data Science 3.0 | Data Science 3.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.10 basata sulla versione 22.04 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-310-v1 | Python 3 (python3) | Python 3.10 |
| Geospatial 1.0 | Amazon SageMaker geospatial è un'immagine Python composta da librerie geospaziali di uso comune come GDAL, Fiona, Shapley e Rasterio. GeoPandas Ti consente di visualizzare i SageMaker dati geospaziali all'interno dell'IA. Per ulteriori informazioni, consulta [Amazon SageMaker geospatial](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-notebook-sdk.html) Notebook SDK | sagemaker-geospatial-1.0 | Python 3 (python3) | Python 3.10 |
| SparkAnalytics 4.3 | L'immagine SparkAnalytics 4.3 fornisce le opzioni Spark e del PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.2 | L'immagine SparkAnalytics 4.2 fornisce le opzioni Spark e del PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.1 | L'immagine SparkAnalytics 4.1 fornisce le opzioni Spark e del PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.0 | L'immagine SparkAnalytics 4.0 fornisce opzioni Spark e PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 3.0 | L'immagine SparkAnalytics 3.0 fornisce opzioni Spark e PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-sparkanalytics-311-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 2.0 | Anaconda Individual Edition con kernel PySpark Spark. Per ulteriori informazioni, vedi [sparkmagic.](https://github.com/jupyter-incubator/sparkmagic) | sagemaker-sparkanalytics-310-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.10 |
| PyTorch 2.4.0 Python 3.11 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.4.0 con CUDA 12.4 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.4.0-cpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.4.0 Python 3.11 GPU ottimizzata | I AWS Deep Learning Containers for PyTorch 2.4.0 con CUDA 12.4 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.4.0-gpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.3.0 Python 3.11 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.3.0 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.3.0-cpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.3.0 GPU Python 3.11 ottimizzata | I AWS Deep Learning Containers for PyTorch 2.3.0 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.3.0-gpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.2.0 Python 3.10 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.2 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.2.0-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.2.0 Python 3.10 GPU ottimizzata | I AWS Deep Learning Containers for PyTorch 2.2 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.2.0-gpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.1.0 Python 3.10 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.1 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.1.0-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.1.0 Python 3.10 GPU ottimizzata | I AWS Deep Learning Containers for PyTorch 2.1 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.1.0-gpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 1.13 HuggingFace Python 3.10 Neuron ottimizzato | PyTorch Immagine 1.13 con pacchetti Neuron installati per l'addestramento su istanze Trainium ottimizzate per prestazioni HuggingFace e scalabilità. AWS | hf-neuron-pypytorch-1.13- 310 | Python 3 (python3) | Python 3.10 |
| PyTorch 1.13 Python 3.10 Neuron ottimizzato | PyTorch Immagine 1.13 con pacchetti Neuron installati per l'addestramento su istanze Trainium ottimizzate per prestazioni e scalabilità. AWS | pytorch-1.13-neuron-py310 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 ottimizzato per la CPU | I AWS Deep Learning Containers for TensorFlow 2.14 con CUDA 11.8 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.14.1-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 GPU ottimizzata | I AWS Deep Learning Containers for TensorFlow 2.14 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.14.1-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
## Immagini destinate al ritiro
SageMaker L'intelligenza artificiale interrompe il supporto per le immagini il giorno successivo alla scadenza del ciclo di vita di uno qualsiasi dei pacchetti dell'immagine da parte dell'editore. Le seguenti SageMaker immagini sono destinate a diventare obsolete.
Immagini basate su Python 3.8 raggiunte il 31 [end-of-life](https://endoflife.date/python)ottobre 2024. A partire dal 1° novembre 2024, l' SageMaker IA interromperà il supporto per queste immagini e non saranno selezionabili dall'interfaccia utente di Studio Classic. Per evitare problemi di compatibilità, se utilizzi una di queste immagini, ti consigliamo di passare a un'immagine con una versione più recente.
SageMaker immagini destinate a diventare obsolete
| SageMaker Immagine | Data di ritiro | Description | Identificatore di risorsa | Kernel | Versione di Python |
| --- | --- | --- | --- | --- | --- |
| SageMaker CPU di distribuzione v0.12 | 1 novembre 2024 | SageMaker Distribution v0 CPU è un'immagine Python 3.8 che include framework popolari per machine learning, data science e visualizzazione su CPU. Ciò include framework di deep learning come TensorFlow e Keras; pacchetti Python popolari come numpy PyTorch, scikit-learn e pandas; e come Jupyter Lab. IDEs Per ulteriori informazioni, consulta il repository [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution). | sagemaker-distribution-cpu-v0 | Python 3 (python3) | Python 3.8 |
| SageMaker GPU di distribuzione v0.12 | 1 novembre 2024 | SageMaker Distribution v0 GPU è un'immagine Python 3.8 che include framework popolari per machine learning, data science e visualizzazione su GPU. Ciò include framework di deep learning come TensorFlow e Keras; pacchetti Python popolari come numpy PyTorch, scikit-learn e pandas; e come Jupyter Lab. IDEs Per ulteriori informazioni, consulta il repository [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution). | sagemaker-distribution-gpu-v0 | Python 3 (python3) | Python 3.8 |
| Base Python 2.0 | 1 novembre 2024 | Immagine ufficiale di Python 3.8 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-38 | Python 3 (python3) | Python 3.8 |
| Data Science 2.0 | 1 novembre 2024 | Data Science 2.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.8 basata sulla versione 22.04 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.13 Python 3.9 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.13 con CUDA 11.3 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-1.13-cpu-py39 | Python 3 (python3) | Python 3.9 |
| PyTorch 1.13 Python 3.9 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.13 con CUDA 11.7 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-1.13-gpu-py39 | Python 3 (python3) | Python 3.9 |
| PyTorch 1.12 Python 3.8 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.12 con CUDA 11.3 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.12.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/). | pytorch-1.12-cpu-py38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.12 GPU Python 3.8 ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.12 con CUDA 11.3 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.12.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/). | pytorch-1.12-gpu-py38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.10 Python 3.8 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.10 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.10.2 on SageMaker ](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/) AI. | pytorch-1.10-cpu-py38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.10 Python 3.8 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.10 con CUDA 11.3 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.10.2 on SageMaker ](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/) AI. | pytorch-1.10-gpu-py38 | Python 3 (python3) | Python 3.8 |
| SparkAnalytics 1.0 | 1 novembre 2024 | Anaconda Individual Edition con kernel PySpark Spark. Per ulteriori informazioni, vedi [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.8 |
| TensorFlow 2.13.0 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.13 con CUDA 11.8 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.13.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.13.0 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.13 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.13.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.6 Python 3.8 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.6 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità AWS. Per ulteriori informazioni, consulta [AWS Deep Learning Containers for TensorFlow 2.6](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/). | tensorflow-2.6-cpu-py38-ubuntu20.04-v1 | Python 3 (python3) | Python 3.8 |
| TensorFlow 2.6 Python 3.8 ottimizzato per GPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.6 con CUDA 11.2 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for TensorFlow 2.6](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/). | tensorflow-2.6-gpu-py38-cu112-ubuntu20.04-v1 | Python 3 (python3) | Python 3.8 |
| PyTorch 2.0.1 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.1 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.1-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.0.1 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.1 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.1-gpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.0.0 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.0 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.0-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.0.0 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.0 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.0-gpu-py310 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.12.0 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers per TensorFlow 2.12.0 con CUDA 11.2 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.12.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.12.0 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers per TensorFlow 2.12.0 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.11.0 Python 3.9 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.11.0 con CUDA 11.2 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.11.0-cpu-py39-ubuntu20.04-sagemaker-v1.1 | Python 3 (python3) | Python 3.9 |
| TensorFlow 2.11.0 Python 3.9 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.11.0 con CUDA 11.2 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.11.0-gpu-py39-cu112-ubuntu20.04-sagemaker-v1.1 | Python 3 (python3) | Python 3.9 |
| TensorFlow 2.10 Python 3.9 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.10 con CUDA 11.2 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.10.1-cpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3 (python3) | Python 3.9 |
| TensorFlow 2.10 Python 3.9 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.10 con CUDA 11.2 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.10.1-gpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3 (python3) | Python 3.9 |
## Immagini obsolete
SageMaker L'IA ha interrotto il supporto per le seguenti immagini. L’obsolescenza si applica il giorno successivo alla scadenza del ciclo di vita di uno qualsiasi dei pacchetti nell’immagine stabilita dai rispettivi publisher.
SageMaker immagini destinate alla deprecazione
| SageMaker Immagine | Data di ritiro | Description | Identificatore di risorsa | Kernel | Versione di Python |
| --- | --- | --- | --- | --- | --- |
| Data science | 30 ottobre 2023 | Data Science è un'immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.7 con i pacchetti e le librerie Python più comunemente usati, come Learn. NumPy SciKit | datascience-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart Scienza dei dati 1.0 | 30 ottobre 2023 | SageMaker JumpStart Data Science 1.0 è un' JumpStart immagine che include pacchetti e librerie di uso comune. | sagemaker-jumpstart-data-science-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart MXNet 1,0 | 30 ottobre 2023 | SageMaker JumpStart MXNet 1.0 è un' JumpStart immagine che include MXNet. | sagemaker-jumpstart-mxnet-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart PyTorch 1,0 | 30 ottobre 2023 | SageMaker JumpStart PyTorch 1.0 è un' JumpStart immagine che include PyTorch. | sagemaker-jumpstart-pytorch-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart TensorFlow 1,0 | 30 ottobre 2023 | SageMaker JumpStart TensorFlow 1.0 è un' JumpStart immagine che include TensorFlow. | sagemaker-jumpstart-tensorflow-1,0 | Python 3 | Python 3.7 |
| SparkMagic | 30 ottobre 2023 | Anaconda Individual Edition con kernel PySpark Spark. Per ulteriori informazioni, vedi [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkmagic | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.7 |
| TensorFlow 2.3 Python 3.7 ottimizzato per la CPU | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 2.3 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità AWS. Per ulteriori informazioni, consulta [AWS Deep Learning Containers with TensorFlow 2.3.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-with-tensorflow-2-3-0/). | tensorflow-2.3-cpu-py37-ubuntu18.04-v1 | Python 3 | Python 3.7 |
| TensorFlow 2.3 Python 3.7 GPU ottimizzata | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 2.3 con CUDA 11.0 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers per TensorFlow 2.3.1 con CUDA 11.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-3-1-with-cuda-11-0/). | tensorflow-2.3-gpu-py37-cu110-ubuntu18.04-v3 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 ottimizzato per la CPU | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 1.15 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/) per. TensorFlow | tensorflow-1.15-cpu-py37-ubuntu18.04-v7 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 GPU ottimizzata | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 1.15 con CUDA 11.0 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/) per. TensorFlow | tensorflow-1.15-gpu-py37-cu110-ubuntu18.04-v8 | Python 3 | Python 3.7 |
# Personalizzazione di Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Esistono quattro opzioni per personalizzare il tuo ambiente Amazon SageMaker Studio Classic. Puoi portare la tua SageMaker immagine, utilizzare uno script di configurazione del ciclo di vita, allegare repository Git suggeriti a Studio Classic o creare kernel utilizzando ambienti Conda persistenti in Amazon EFS. Puoi scegliere se usare una sola opzione o usarle insieme.
+ **Porta la tua SageMaker immagine: un'** SageMaker immagine è un file che identifica i kernel, i pacchetti linguistici e le altre dipendenze necessarie per eseguire un notebook Jupyter in Amazon Studio Classic. SageMaker Amazon SageMaker AI fornisce molte immagini integrate da utilizzare. Se hai bisogno di altre funzionalità, puoi utilizzare le tue immagini personalizzate in Studio Classic.
+ **Usa le configurazioni del ciclo di vita con Amazon SageMaker Studio Classic:** le configurazioni del ciclo di vita sono script di shell attivati da eventi del ciclo di vita di Amazon SageMaker Studio Classic, come l'avvio di un nuovo notebook Studio Classic. Puoi utilizzare le configurazioni del ciclo di vita per automatizzare la personalizzazione del tuo ambiente Studio Classic. Ad esempio, puoi installare pacchetti personalizzati, configurare estensioni per notebook, precaricare set di dati e configurare repository di codice sorgente.
+ **Allega repository Git suggeriti a Studio Classic:** puoi allegare il repository Git consigliato URLs a livello di dominio Amazon SageMaker AI o profilo utente. Quindi, puoi selezionare l’URL del repository dall’elenco dei suggerimenti e clonarlo nel tuo ambiente utilizzando l’estensione Git in Studio Classic.
+ **Rendi gli ambienti Conda persistenti sul volume Amazon EFS di Studio Classic:** Studio Classic utilizza un volume Amazon EFS come livello di archiviazione persistente. Puoi salvare il tuo ambiente Conda su questo volume Amazon EFS, quindi utilizzare l'ambiente salvato per creare kernel. Studio Classic preleva automaticamente tutti gli ambienti validi salvati in Amazon EFS come KernelGateway kernel. Questi kernel perdurano, anche dopo il riavvio del kernel, dell’app e di Studio Classic. Per ulteriori informazioni, consulta la sezione **Persistenza degli ambienti Conda nel volume Studio Classic EFS** in [Quattro approcci per gestire i pacchetti Python nei notebook Amazon SageMaker ](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/) Studio Classic.
I seguenti argomenti mostrano come utilizzare queste tre opzioni per personalizzare l'ambiente Amazon SageMaker Studio Classic.
**Topics**
+ [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md)
+ [Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker](studio-lcc.md)
+ [Allega repository Git consigliati ad Amazon SageMaker Studio Classic](studio-git-attach.md)
# Immagini personalizzate in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Un' SageMaker immagine è un file che identifica i kernel, i pacchetti linguistici e altre dipendenze necessarie per eseguire un notebook Jupyter in Amazon Studio Classic. SageMaker Queste immagini vengono utilizzate per creare un ambiente da cui poi eseguire i notebook Jupyter. Amazon SageMaker AI fornisce molte immagini integrate da utilizzare. Per l'elenco delle immagini integrate, consulta [SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md).
Se hai bisogno di altre funzionalità, puoi utilizzare le tue immagini personalizzate in Studio Classic. Puoi creare immagini e versioni di immagini e allegare versioni di immagini al tuo dominio o spazio condiviso utilizzando il pannello di controllo SageMaker AI [AWS SDK per Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), e il [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/). Puoi anche creare immagini e versioni di immagini utilizzando la console SageMaker AI, anche se non hai effettuato l'onboarding a un dominio SageMaker AI. SageMaker AI fornisce Dockerfile di esempio da utilizzare come punto di partenza per le SageMaker immagini personalizzate nel repository [SageMaker Studio Classic Custom](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/) Image Samples.
I seguenti argomenti spiegano come importare la propria immagine utilizzando la console SageMaker AI o AWS CLI come avviare l'immagine in Studio Classic. Per un articolo di blog simile, consulta [Porting your own R environment to Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/). Per i notebook che mostrano come utilizzare la propria immagine per la formazione e l'inferenza, consulta [Amazon SageMaker Studio Classic Container](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_sagemaker_studio/sagemaker_studio_image_build) Build CLI.
## Terminologia chiave
La sezione seguente definisce i termini chiave da conoscere quando si utilizza la propria immagine con Studio Classic.
+ **File Docker:** un file Docker è un file che identifica pacchetti linguistici e altre dipendenze della tua immagine Docker.
+ **Immagine Docker:** l'immagine Docker è un file Docker integrato. Questa immagine viene archiviata in Amazon ECR e funge da base per l'immagine SageMaker AI.
+ **SageMaker immagine:** Un' SageMaker immagine è un supporto per un set di versioni di immagini SageMaker AI basate su immagini Docker. Le singole versioni dell’immagine non sono modificabili.
+ **Versione immagine:** una versione immagine di un' SageMaker immagine rappresenta un'immagine Docker ed è archiviata in un repository Amazon ECR. Le singole versioni dell’immagine non sono modificabili. Queste versioni dell’immagine possono essere collegate a un dominio o a uno spazio condiviso e utilizzate con Studio Classic.
**Topics**
+ [Terminologia chiave](#studio-byoi-basics)
+ [Specifiche di SageMaker immagine personalizzate per Amazon SageMaker Studio Classic](studio-byoi-specs.md)
+ [Prerequisiti per le immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi-prereq.md)
+ [Aggiungi un'immagine Docker compatibile con Amazon SageMaker Studio Classic ad Amazon ECR](studio-byoi-sdk-add-container-image.md)
+ [Crea un' SageMaker immagine personalizzata per Amazon SageMaker Studio Classic](studio-byoi-create.md)
+ [Allega un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic](studio-byoi-attach.md)
+ [Avvio di un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic](studio-byoi-launch.md)
+ [Risorse di pulizia per immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi-cleanup.md)
# Specifiche di SageMaker immagine personalizzate per Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Le seguenti specifiche si applicano all'immagine del contenitore rappresentata da una versione di immagine SageMaker AI.
**Esecuzione dell'immagine**
`ENTRYPOINT`e `CMD` le istruzioni vengono sovrascritte per consentire all'immagine di funzionare come KernelGateway app.
La porta 8888 nell'immagine è riservata all'esecuzione del server KernelGateway Web.
**Arresto dell'immagine**
L’API `DeleteApp` invia l’equivalente di un comando `docker stop`. Gli altri processi nel contenitore non riceveranno i SIGKILL/SIGTERM segnali.
**Riconoscimento dei kernel**
SageMaker [L'intelligenza artificiale riconosce i kernel come definito dalle specifiche del kernel di Jupyter.](https://jupyter-client.readthedocs.io/en/latest/kernels.html#kernelspecs)
Puoi specificare una lista di kernel da visualizzare prima di eseguire l'immagine. In caso contrario, viene visualizzato python3. Usa l'[DescribeAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAppImageConfig.html)API per visualizzare l'elenco dei kernel.
Per impostazione predefinita, gli ambienti conda sono riconosciuti come specifiche del kernel.
**File system**
Le directory `/opt/.sagemakerinternal` e `/opt/ml` sono riservate. I dati presenti in queste directory potrebbero non essere visibili durante il runtime.
**Dati utente**
A ogni utente di un dominio viene associata una directory utente su un volume Amazon Elastic File System condiviso nell'immagine. La posizione della directory dell'utente corrente sul volume Amazon EFS è configurabile. Per impostazione predefinita, la posizione della directory è `/home/sagemaker-user`.
SageMaker L'IA configura le UID/GID mappature POSIX tra l'immagine e l'host. L'impostazione predefinita è la mappatura dell'utente root UID/GID (0/0) su quello dell'host. UID/GID
È possibile specificare questi valori utilizzando l'API. [CreateAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html)
**Limiti GID/UID**
Amazon SageMaker Studio Classic supporta solo `DefaultUID` le seguenti `DefaultGID` combinazioni:
+ DefaultUID 1000 e DefaultGID 100, che corrisponde a un utente senza privilegi.
+ DefaultUID 0 e DefaultGID 0, che corrisponde all'accesso root.
**Metadati**
Un file di metadati si trova in `/opt/ml/metadata/resource-metadata.json`. Alle variabili definite nell'immagine non viene aggiunta alcuna variabile di ambiente. Per ulteriori informazioni, consulta [Ottenere i metadati dell’app](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
In un'istanza GPU, l'immagine viene eseguita con l'opzione `--gpus`. Nell'immagine deve essere incluso solo il toolkit CUDA, non i driver NVIDIA. Per ulteriori informazioni, consulta [Guida per l'utente di NVIDIA](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Parametri e logging**
I log del KernelGateway processo vengono inviati ad Amazon CloudWatch nell'account del cliente. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/KernelGateway/$appName`.
**Dimensione dell’immagine**
Massimo 35 GB. Per visualizzare le dimensioni della tua immagine, esegui `docker image ls`.
## File Docker di esempio
Il seguente file Docker di esempio crea un’immagine basata su Amazon Linux 2, installa pacchetti di terze parti e il kernel `python3` e imposta l'ambito dell’utente senza privilegi.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2
ARG NB_USER="sagemaker-user"
ARG NB_UID="1000"
ARG NB_GID="100"
RUN \
yum install --assumeyes python3 shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
yum clean all && \
jupyter-activity-monitor-extension \
python3 -m pip install ipykernel && \
python3 -m ipykernel install
USER ${NB_UID}
```
# Prerequisiti per le immagini personalizzate in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
È necessario soddisfare i seguenti prerequisiti per portare il proprio contenitore da utilizzare con Amazon SageMaker Studio Classic.
+ L'applicazione Docker. Per informazioni sulla configurazione di Docker, consulta [Orientation and setup](https://docs.docker.com/get-started/).
+ Installa il AWS CLI seguendo la procedura descritta in [Guida introduttiva a](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html). AWS CLI
+ Una copia locale di ogni Dockerfile per creare un’immagine compatibile con Studio Classic. Per immagini personalizzate di esempio, consulta il repository di [esempi di immagini personalizzate SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/).
+ Autorizzazioni per accedere al servizio Amazon Elastic Container Registry (Amazon ECR). Per ulteriori informazioni, consulta [Amazon ECR Managed Policies ](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html).
+ Un ruolo di AWS Identity and Access Management esecuzione a cui è allegata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)policy. Se hai effettuato l'onboarding nel dominio Amazon SageMaker AI, puoi ottenere il ruolo dalla sezione **Domain Summary** del pannello di controllo SageMaker AI.
+ Installa la CLI di creazione di immagini Studio Classic seguendo i passaggi di [SageMaker Docker](https://github.com/aws-samples/sagemaker-studio-image-build-cli) Build. Questa CLI consente di creare un Dockerfile utilizzando. AWS CodeBuild
# Aggiungi un'immagine Docker compatibile con Amazon SageMaker Studio Classic ad Amazon ECR
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Esegui le seguenti fasi per aggiungere un'immagine del container ad Amazon ECR:
+ Crea un repository Amazon ECR.
+ Effettua l'autenticazione su Amazon ECR.
+ Crea un’immagine Docker compatibile con Studio Classic.
+ Inserisci l'immagine nel repository Amazon ECR.
**Nota**
Il repository Amazon ECR deve trovarsi nello stesso spazio di Studio Regione AWS Classic.
**Per creare e aggiungere un'immagine da un container ad Amazon ECR**
1. Crea un repository in Amazon ECR tramite la AWS CLI. Per creare il repository utilizzando la console Amazon ECR, consulta la sezione [Creating a repository](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name smstudio-custom \
--image-scanning-configuration scanOnPush=true
```
Il risultato dovrebbe essere simile al seguente.
```
{
"repository": {
"repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/smstudio-custom",
"registryId": "acct-id",
"repositoryName": "smstudio-custom",
"repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/smstudio-custom",
...
}
}
```
1. Crea il `Dockerfile` utilizzando la CLI di Studio Classic Image Build. Il punto (.) specifica che il file Docker deve trovarsi nel contesto del comando build. Questo comando crea l'immagine e carica l'immagine creata nel repository ECR. Quindi, genera l'URI dell'immagine.
```
sm-docker build . --repository smstudio-custom:custom
```
Il risultato dovrebbe essere simile al seguente.
```
Image URI: .dkr.ecr..amazonaws.com/
```
# Crea un' SageMaker immagine personalizzata per Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Questo argomento descrive come creare un' SageMaker immagine personalizzata utilizzando la console SageMaker AI o. AWS CLI
Quando crei un'immagine dalla console, SageMaker AI crea anche una versione iniziale dell'immagine. Ogni versione dell’immagine rappresenta un'immagine del container presente in [Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). L'immagine del contenitore deve soddisfare i requisiti per essere utilizzata in Amazon SageMaker Studio Classic. Per ulteriori informazioni, consulta [Specifiche di SageMaker immagine personalizzate per Amazon SageMaker Studio Classic](studio-byoi-specs.md). Per informazioni su come testare l'immagine localmente e risolvere i problemi più comuni, consulta il repository [SageMaker Studio Classic Custom Image Samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
Dopo aver creato SageMaker l'immagine personalizzata, è necessario allegarla al dominio o allo spazio condiviso per utilizzarla con Studio Classic. Per ulteriori informazioni, consulta [Allega un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic](studio-byoi-attach.md).
## Crea un' SageMaker immagine dalla console
La sezione seguente mostra come creare un' SageMaker immagine personalizzata dalla console SageMaker AI.
**Come creare un’immagine**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel pannello di navigazione sinistro scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Immagini**.
1. Nella pagina **Immagini personalizzate**, scegli **Crea immagine**.
1. In **Origine dell’immagine**, inserisci il percorso di registrazione dell'immagine del container in Amazon ECR. Il percorso si presenta nel formato seguente:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Seleziona **Successivo**.
1. In **Proprietà dell’immagine**, inserisci quanto segue:
+ Nome immagine: il nome deve essere univoco per il tuo account nella Regione AWS corrente.
+ (Facoltativo) Nome visualizzato: il nome visualizzato nell’interfaccia utente di Studio Classic. Se non fornito, viene visualizzato `Image name`.
+ (Facoltativo) Descrizione: descrizione dell’immagine.
+ Ruolo IAM: al ruolo deve essere associata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)policy. Usa il menu a discesa per selezionare una delle seguenti opzioni:
+ Crea un nuovo ruolo: specifica eventuali bucket Amazon Simple Storage Service (Amazon S3) a cui desideri che gli utenti dei tuoi notebook abbiano accesso. Se preferisci non consentire l'accesso ad altri bucket, scegli **Nessuno**.
SageMaker L'intelligenza artificiale associa la `AmazonSageMakerFullAccess` policy al ruolo. Il ruolo consente agli utenti dei tuoi notebook di accedere ai bucket S3 elencati accanto ai segni di spunta.
+ Inserisci un ARN personalizzato per il ruolo IAM: inserisci il nome della risorsa Amazon (ARN) del ruolo IAM.
+ Usa un ruolo esistente: scegli dell’elenco uno dei tuoi ruoli già esistenti.
+ (Facoltativo) Tagga l’immagine: scegli **Aggiungi nuovo tag**. Puoi aggiungere fino a 50 tag. I tag sono ricercabili utilizzando l'interfaccia utente di Studio Classic, la console SageMaker AI o l'`Search`API SageMaker AI.
1. Seleziona **Invia**.
La nuova immagine viene visualizzata nell'elenco **Immagini personalizzate** ed evidenziata per qualche secondo. Una volta che l'immagine è stata creata con successo, puoi scegliere il nome dell'immagine per visualizzarne le proprietà o scegliere **Crea versione** per crearne un'altra versione.
**Per creare un'altra versione dell'immagine**
1. Scegli **Crea versione** sulla stessa riga dell'immagine.
1. In **Origine dell’immagine**, inserisci il percorso di registrazione dell'immagine del container Amazon ECR. L'immagine del contenitore non deve essere la stessa immagine utilizzata in una versione precedente dell' SageMaker immagine.
## Crea un' SageMaker immagine da AWS CLI
Per creare SageMaker un'immagine dall'immagine del contenitore, effettuate le seguenti operazioni utilizzando il AWS CLI.
+ Creazione di `Image`.
+ Creazione di `ImageVersion`.
+ Creazione di un file di configurazione.
+ Creazione di `AppImageConfig`.
**Per creare le entità SageMaker dell'immagine**
1. Crea un' SageMaker immagine.
```
aws sagemaker create-image \
--image-name custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
Il risultato dovrebbe essere simile al seguente.
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/custom-image"
}
```
1. Crea una versione SageMaker dell'immagine dall'immagine del contenitore.
```
aws sagemaker create-image-version \
--image-name custom-image \
--base-image .dkr.ecr..amazonaws.com/smstudio-custom:custom-image
```
Il risultato dovrebbe essere simile al seguente.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1"
}
```
1. Verifica che la versione dell'immagine sia stata creata correttamente.
```
aws sagemaker describe-image-version \
--image-name custom-image \
--version-number 1
```
Il risultato dovrebbe essere simile al seguente.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**Nota**
Se l’esito è `"ImageVersionStatus": "CREATED_FAILED"`, l’esito include anche il motivo dell'errore. Un problema di autorizzazioni è una causa di errore comune. Puoi anche controllare CloudWatch i log di Amazon se riscontri un errore durante l'avvio o l'esecuzione dell' KernelGateway app per un'immagine personalizzata. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/KernelGateway/$appName`.
1. Creazione di un file di configurazione denominato `app-image-config-input.json`. Il `Name` valore di `KernelSpecs` deve corrispondere al nome del kernelSpec disponibile nell'immagine associata a questa `AppImageConfig`. Questo valore prevede la distinzione tra lettere maiuscole e minuscole. Puoi trovare i kernelSpec disponibili in un'immagine eseguendo `jupyter-kernelspec list` da una shell all'interno del container. `MountPath` è il percorso all'interno dell'immagine per montare la home directory Amazon Elastic File System (Amazon EFS). Deve essere diverso dal percorso che usi all'interno del container, perché quel percorso verrà sovrascritto una volta montata la tua home directory Amazon EFS.
**Nota**
Le combinazioni seguenti `DefaultUID` e `DefaultGID` sono gli unici valori accettati:
DefaultUID 1000 e DefaultGID 100
DefaultUID 0 e DefaultGID 0
```
{
"AppImageConfigName": "custom-image-config",
"KernelGatewayImageConfig": {
"KernelSpecs": [
{
"Name": "python3",
"DisplayName": "Python 3 (ipykernel)"
}
],
"FileSystemConfig": {
"MountPath": "/home/sagemaker-user",
"DefaultUid": 1000,
"DefaultGid": 100
}
}
}
```
1. Crea il file AppImageConfig utilizzando il file creato nel passaggio precedente.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/custom-image-config"
}
```
# Allega un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Per utilizzare un' SageMaker immagine personalizzata, devi allegare una versione dell'immagine al tuo dominio o spazio condiviso. Quando alleghi una versione dell'immagine, questa viene visualizzata in SageMaker Studio Classic Launcher ed è disponibile nell'elenco a discesa **Seleziona immagine**, che gli utenti utilizzano per avviare un'attività o modificare l'immagine utilizzata da un taccuino.
Per rendere disponibile un' SageMaker immagine personalizzata a tutti gli utenti all'interno di un dominio, è necessario allegare l'immagine al dominio. Collegando un’immagine a uno spazio condiviso, la si rende disponibile a tutti gli utenti all'interno di quello spazio condiviso. Collegando un’immagine a un profilo utente, la si rende disponibile a quel singolo utente. Quando alleghi un'immagine, l' SageMaker IA utilizza la versione più recente dell'immagine per impostazione predefinita. È inoltre possibile collegare una versione specifica dell'immagine. Dopo aver allegato la versione, puoi scegliere la versione da SageMaker AI Launcher o dal selettore di immagini quando avvii un notebook.
Il numero di versioni dell’immagine che si possono collegare in un dato momento è limitato. Una volta raggiunto il limite, dovrai scollegare una versione per collegare un'altra versione dell'immagine.
Le sezioni seguenti mostrano come allegare un' SageMaker immagine personalizzata al tuo dominio utilizzando la console SageMaker AI o il. AWS CLI Puoi collegare un’immagine personalizzata a uno spazio condiviso solo utilizzando la AWS CLI.
## Allega l' SageMaker immagine a un dominio
### Allega l' SageMaker immagine utilizzando la console
Questo argomento descrive come allegare una versione di SageMaker immagine personalizzata esistente al dominio utilizzando il pannello di controllo SageMaker AI. Puoi anche creare un' SageMaker immagine e una versione dell'immagine personalizzate e quindi allegare quella versione al tuo dominio. Per conoscere la procedura per creare un'immagine e una versione dell'immagine, consulta [Crea un' SageMaker immagine personalizzata per Amazon SageMaker Studio Classic](studio-byoi-create.md).
**Per collegare un'immagine esistente**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Nella pagina **Domini**, seleziona il dominio a cui collegare l’immagine.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. Nella scheda **Ambiente**, in **Immagini Custom SageMaker Studio Classic allegate al dominio**, scegli **Allega immagine**.
1. In **Origine dell’immagine**, scegli **Immagine esistente**.
1. Seleziona un’immagine esistente dall'elenco.
1. Seleziona una versione dell'immagine dall'elenco.
1. Seleziona **Successivo**.
1. Verifica i valori per **Nome dell’immagine**, **Nome visualizzato dell’immagine** e **Descrizione**.
1. Seleziona il ruolo IAM. Per ulteriori informazioni, consulta [Crea un' SageMaker immagine personalizzata per Amazon SageMaker Studio Classic](studio-byoi-create.md).
1. (Facoltativo) Aggiunta di tag all'immagine.
1. Specifica il percorso di montaggio EFS. Si tratta del percorso all'interno dell'immagine dove montare la directory principale Amazon Elastic File System (EFS) dell'utente.
1. Per **Tipo di immagine**, seleziona **Immagine da SageMaker Studio**
1. In **Nome kernel**, inserisci nell’immagine il nome di un kernel esistente. Per informazioni su come ottenere le informazioni sul kernel dall'immagine, vedete [SVILUPPO](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md) nel repository SageMaker Studio Classic Custom Image Samples. Per ulteriori informazioni, consulta le sezioni **Kernel discovery** e **User data** di [Specifiche di SageMaker immagine personalizzate per Amazon SageMaker Studio Classic](studio-byoi-specs.md).
1. (Facoltativo) In **Nome di visualizzazione del kernel**, inserisci il nome visualizzato per il kernel.
1. Scegli **Aggiungi kernel**.
1. Seleziona **Invia**.
1. Attendi che la versione dell'immagine venga collegata al dominio. Una volta collegata, la versione viene visualizzata nella lista **Immagini personalizzate** ed evidenziata per qualche secondo.
### Allega l' SageMaker immagine usando il AWS CLI
Nelle sezioni seguenti viene illustrato come allegare SageMaker un'immagine personalizzata quando si crea un nuovo dominio o si aggiorna il dominio esistente utilizzando il AWS CLI.
#### Allega l' SageMaker immagine a un nuovo dominio
La sezione seguente mostra come creare un nuovo dominio collegandovi la versione dell’immagine. Queste fasi richiedono di specificare le informazioni sul cloud privato virtuale (VPC) di Amazon e sul ruolo di esecuzione, necessarie per creare il dominio. Per creare il dominio e allegare l' SageMaker immagine personalizzata, attenersi alla seguente procedura:
+ Ottieni l'ID VPC e la sottorete predefiniti. IDs
+ Crea il file di configurazione per il dominio, il quale specifica l'immagine.
+ Crea il dominio con il file di configurazione.
**Per aggiungere l' SageMaker immagine personalizzata al tuo dominio**
1. Ottieni l’ID del tuo VPC predefinito.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
Il risultato dovrebbe essere simile al seguente.
```
vpc-xxxxxxxx
```
1. Ottieni la tua sottorete predefinita IDs utilizzando l'ID VPC del passaggio precedente.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
Il risultato dovrebbe essere simile al seguente.
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Crea un file di configurazione denominato `create-domain-input.json`. Inserisci l'ID VPC, la sottorete IDs e `AppImageConfigName` dai passaggi precedenti. `ImageName` Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica.
```
{
"DomainName": "domain-with-custom-image",
"VpcId": "",
"SubnetIds": [
""
],
"DefaultUserSettings": {
"ExecutionRole": "",
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "custom-image",
"AppImageConfigName": "custom-image-config"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Crea il dominio con l'immagine personalizzata SageMaker allegata.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx",
"Url": "https://d-xxxxxxxxxxxx.studio.us-east-2.sagemaker.aws/..."
}
```
#### Allega l' SageMaker immagine al tuo dominio attuale
Se hai effettuato l'onboarding a un dominio SageMaker AI, puoi allegare l'immagine personalizzata al tuo dominio attuale. Per ulteriori informazioni sull'onboarding in un dominio SageMaker AI, consulta. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md) Non è necessario specificare le informazioni sul VPC e sul ruolo di esecuzione per collegare un'immagine personalizzata al tuo dominio corrente. Dopo aver collegato la versione, devi eliminare tutte le app all’interno del dominio e riaprire Studio Classic. Per informazioni su come eliminare le app, consulta [Eliminare un dominio Amazon SageMaker AI](gs-studio-delete-domain.md).
Per aggiungere l' SageMaker immagine al dominio corrente, procedi nel seguente modo.
+ Scaricala `DomainID` dal pannello di controllo SageMaker AI.
+ Usa il `DomainID` per ottenere `DefaultUserSettings` per il dominio.
+ Aggiungi `ImageName` e `AppImageConfig` come `CustomImage` a `DefaultUserSettings`.
+ Aggiornamento del tuo dominio per includere l'immagine personalizzata.
**Per aggiungere l' SageMaker immagine personalizzata al tuo dominio**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Nella pagina **Domini**, seleziona il dominio a cui collegare l’immagine.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Nella scheda **Impostazioni del dominio**, in **Impostazioni generali**, trova `DomainId`. L'ID è nel formato seguente: `d-xxxxxxxxxxxx`.
1. Utilizza l'ID del dominio per generare la descrizione del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salva la sezione delle impostazioni utente predefinite del risultato in un file denominato `default-user-settings.json`.
1. Inserisci `ImageName` e `AppImageConfigName` dalle fasi precedenti come immagine personalizzata. Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica.
```
{
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni utente predefinite per aggiornare il dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Allega l' SageMaker immagine a uno spazio condiviso
È possibile allegare l' SageMaker immagine a uno spazio condiviso solo utilizzando AWS CLI. Dopo aver collegato la versione, devi eliminare tutte le applicazioni all’interno del tuo spazio condiviso e riaprire Studio Classic. Per informazioni su come eliminare le app, consulta [Eliminare un dominio Amazon SageMaker AI](gs-studio-delete-domain.md).
Per aggiungere l' SageMaker immagine a uno spazio condiviso, si eseguono le seguenti operazioni.
+ Scaricala `DomainID` dal pannello di controllo SageMaker AI.
+ Usa il `DomainID` per ottenere `DefaultSpaceSettings` per il dominio.
+ Aggiungi `ImageName` e `AppImageConfig` come `CustomImage` a `DefaultSpaceSettings`.
+ Aggiornamento del tuo dominio per includere l'immagine personalizzata per lo spazio condiviso.
**Per aggiungere l' SageMaker immagine personalizzata al tuo spazio condiviso**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Nella pagina **Domini**, seleziona il dominio a cui collegare l’immagine.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Nella scheda **Impostazioni del dominio**, in **Impostazioni generali**, trova `DomainId`. L'ID è nel formato seguente: `d-xxxxxxxxxxxx`.
1. Utilizza l'ID del dominio per generare la descrizione del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainId": "d-xxxxxxxxxxxx",
...
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salva la sezione delle impostazioni spazio predefinite che visualizzi nel risultato in un file denominato `default-space-settings.json`.
1. Inserisci `ImageName` e `AppImageConfigName` dalle fasi precedenti come immagine personalizzata. Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica.
```
{
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni spazio predefinite per aggiornare il dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-space-settings.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Visualizza l'immagine allegata in SageMaker AI
Dopo aver creato l' SageMaker immagine personalizzata e averla associata al dominio, l'immagine viene visualizzata nella scheda **Ambiente** del dominio. È possibile visualizzare solo le immagini allegate per gli spazi condivisi AWS CLI utilizzando il comando seguente.
```
aws sagemaker describe-domain \
--domain-id
```
# Avvio di un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Dopo aver creato SageMaker l'immagine personalizzata e averla associata al dominio o allo spazio condiviso, l'immagine e il kernel personalizzati vengono visualizzati nei selettori della finestra di dialogo **Cambia ambiente** di Studio Classic Launcher.
**Per avviare e selezionare la propria immagine personalizzata e il kernel**
1. In Amazon SageMaker Studio Classic, apri il Launcher. Per aprire il Launcher, scegli **Amazon SageMaker Studio Classic** in alto a sinistra dell'interfaccia di Studio Classic o usa la scorciatoia `Ctrl + Shift + L` da tastiera.
Per informazioni sulle modalità di apertura dell’utilità di avvio disponibili, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
![\[SageMaker Launcher di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
1. Nell’utilità di avvio, nella sezione **Notebooks and compute resources**, scegli **Cambia ambiente**.
1. Nella finestra di dialogo **Cambia ambiente**, usa i menu a discesa per selezionare la tua **immagine** dalla sezione **Immagine personalizzata** e il tuo **kernel**, quindi scegli **Seleziona**.
1. Nell’utilità di avvio, scegli **Crea notebook** o **Open image terminal**. Il notebook o il terminale si avvia nell'immagine personalizzata e nel kernel selezionati.
Per modificare l'immagine o il kernel in un notebook aperto, consulta [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**Nota**
Se riscontri un errore durante l'avvio dell'immagine, controlla i CloudWatch log di Amazon. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/KernelGateway/$appName`.
# Risorse di pulizia per immagini personalizzate in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Le sezioni seguenti mostrano come ripulire le risorse create nelle sezioni precedenti dalla console SageMaker AI o. AWS CLI Per pulire le risorse, procedi come segue:
+ Scollega l'immagine e le relative versioni dal tuo dominio.
+ Elimina l'immagine, la versione dell'immagine e la configurazione dell'immagine nell'app.
+ Elimina l'immagine e il repository del container da Amazon ECR. Per ulteriori informazioni, consulta [Deleting a repository](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Pulisci le risorse dalla console SageMaker AI
La sezione seguente mostra come pulire le risorse dalla console SageMaker AI.
Quando si scollega un'immagine da un dominio, vengono scollegate anche tutte le versioni dell'immagine. Quando un'immagine viene scollegata, tutti gli utenti del dominio perdono l'accesso alle versioni dell'immagine. Un notebook in esecuzione che ha una sessione del kernel su una versione dell’immagine continua a funzionare anche quando questa viene scollegata. Quando il notebook viene interrotto o il kernel viene arrestato, la versione dell'immagine non risulta più disponibile.
**Per scollegare un'immagine**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel pannello di navigazione sinistro scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Immagini**.
1. In **Immagini Custom SageMaker Studio Classic allegate al dominio**, scegli l'immagine, quindi scegli **Scollega.**
1. (Facoltativo) Per eliminare l'immagine e tutte le versioni da SageMaker AI, seleziona **Elimina anche le immagini selezionate**... . Questa azione non elimina le immagini del container associate da Amazon ECR.
1. Seleziona **Scollega**.
## Ripulisci le risorse di AWS CLI
La sezione seguente mostra come pulire risorse da AWS CLI.
**Per eliminare le risorse**
1. Scollega l'immagine e le versioni delle immagini dal tuo dominio inoltrando al dominio un elenco di immagini personalizzate vuoto. Apri il file `default-user-settings.json` creato in [Allega l' SageMaker immagine al tuo dominio attuale](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain). Per scollegare l'immagine e la versione dell'immagine da uno spazio condiviso, apri il file `default-space-settings.json`.
1. Elimina le immagini personalizzate e quindi salva il file.
```
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
...
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni utente predefinite per aggiornare il dominio. Utilizza il file delle impostazioni dello spazio predefinito per aggiornare lo spazio condiviso.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Elimina la configurazione dell'immagine dell'app.
```
aws sagemaker delete-app-image-config \
--app-image-config-name custom-image-config
```
1. Eliminare l' SageMaker immagine, eliminando anche tutte le versioni dell'immagine. Le immagini dei container in ECR rappresentate dalle versioni delle immagini non vengono eliminate.
```
aws sagemaker delete-image \
--image-name custom-image
```
# Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic attiva gli script della shell di configurazione del ciclo di vita durante importanti eventi del ciclo di vita, come l'avvio di un nuovo notebook Studio Classic. Puoi utilizzare le configurazioni del ciclo di vita per automatizzare la personalizzazione del tuo ambiente Studio Classic. Questa personalizzazione include l'installazione di pacchetti personalizzati, la configurazione delle estensioni dei notebook, il precaricamento di set di dati e la configurazione di repository di codice sorgente.
Le configurazioni del ciclo di vita ti offrono la flessibilità e il controllo necessari per configurare Studio Classic in base alle tue esigenze specifiche. Ad esempio, puoi utilizzare immagini del container personalizzate con script di configurazione del ciclo di vita per modificare l’ambiente. Crea prima di tutto un set minimo di immagini del container di base, quindi installa i pacchetti e le librerie utilizzati più di frequente in tali immagini. Dopo aver completato le immagini, utilizza le configurazioni del ciclo di vita per installare pacchetti aggiuntivi per casi d’uso specifici. Questa procedura offre la flessibilità necessaria per modificare l’ambiente nei vari team di data science e machine learning in base alle loro esigenze specifiche.
Gli utenti possono selezionare solo gli script di configurazione del ciclo di vita a cui hanno accesso. Sebbene sia possibile consentire l’accesso a più script di configurazione del ciclo di vita, puoi anche scegliere di impostare script di configurazione del ciclo di vita predefiniti per le risorse. A seconda della risorsa per cui è impostata la configurazione del ciclo di vita predefinita, l’opzione predefinita viene eseguita automaticamente oppure viene mostrata per prima.
[Per esempi di script di configurazione del ciclo di vita, consulta l'archivio di esempi di Studio Classic Lifecycle Configuration. GitHub ](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples) Per un blog sull'implementazione della configurazione del ciclo di vita, consulta Personalizza [Amazon SageMaker Studio Classic usando le configurazioni del ciclo di vita](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/).
**Nota**
Ogni script ha un limite di **16.384 caratteri**.
**Topics**
+ [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md)
+ [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
+ [Configurazioni del ciclo di vita di debug in Amazon Studio Classic SageMaker](studio-lcc-debug.md)
+ [Aggiorna e scollega le configurazioni del ciclo di vita in Amazon Studio Classic SageMaker](studio-lcc-delete.md)
# Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker AI fornisce applicazioni interattive che abilitano l'interfaccia visiva, la creazione di codice e l'esperienza di esecuzione di Studio Classic. Questa serie mostra come creare una configurazione del ciclo di vita e associarla a un SageMaker dominio AI.
I tipi di applicazione possono essere `JupyterServer` o `KernelGateway`.
+ **Applicazioni `JupyterServer`:** questo tipo di applicazioni consente l’accesso all’interfaccia visiva di Studio Classic. Ogni utente e spazio condiviso in Studio Classic dispone della propria applicazione. JupyterServer
+ **Applicazioni `KernelGateway`:** questo tipo di applicazioni consente l’accesso all’ambiente di esecuzione del codice e ai kernel per i notebook e i terminali Studio Classic. Per ulteriori informazioni, consulta [Jupyter Kernel Gateway](https://jupyter-kernel-gateway.readthedocs.io/en/latest/).
Per ulteriori informazioni sull'architettura di Studio Classic e sulle applicazioni Studio Classic, consulta [Usare Amazon SageMaker Studio Classic Notebooks](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html).
**Topics**
+ [Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md)
+ [Crea una configurazione del ciclo di vita dalla console SageMaker AI per Amazon Studio Classic SageMaker](studio-lcc-create-console.md)
# Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
L'argomento seguente mostra come creare una configurazione del ciclo di vita utilizzando AWS CLI per automatizzare la personalizzazione dell'ambiente Studio Classic.
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ AWS CLI Aggiornate il file seguendo la procedura descritta in [Installazione](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) della versione corrente. AWS CLI
+ Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS credenziali](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Effettua l'accesso al dominio SageMaker AI seguendo i passaggi indicati. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
## Fase 1: creazione di una configurazione del ciclo di vita
La procedura seguente mostra come creare uno script di configurazione del ciclo di vita che stampa `Hello World`.
**Nota**
Ogni script può contenere un massimo di **16.384 caratteri.**
1. Dal tuo computer locale, crea un file locale denominato `my-script.sh` con il seguente contenuto.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Converti il file `my-script.sh` in formato base64. Questo requisito previene gli errori dovuti alla codifica della spaziatura e delle interruzioni di riga.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Creazione di una configurazione del ciclo di vita da utilizzare con Studio Classic. Il comando seguente crea una configurazione del ciclo di vita che viene eseguita all'avvio di un'applicazione `KernelGateway` associata.
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-studio-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type KernelGateway
```
Prendi nota dell'ARN (nome della risorsa Amazon) della configurazione del ciclo di vita appena creata che viene restituito. L’ARN è richiesto per collegare la configurazione del ciclo di vita all'applicazione.
## Fase 2: collegamento della configurazione del ciclo di vita al proprio dominio, profilo utente o spazio condiviso
Per collegare la configurazione del ciclo di vita, devi aggiornare `UserSettings` del tuo dominio o profilo utente o `SpaceSettings` per uno spazio condiviso. Gli script di configurazione del ciclo di vita associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli script associati a livello di profilo utente sono limitati a un utente specifico, mentre gli script associati a livello di spazio condiviso sono limitati allo spazio condiviso.
Nell'esempio seguente viene illustrato come creare un nuovo profilo utente con la configurazione del ciclo di vita collegata. Puoi anche creare un nuovo dominio o spazio con una configurazione del ciclo di vita collegata utilizzando rispettivamente i comandi [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) e [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html).
Aggiungi l'ARN della configurazione del ciclo di vita della fase precedente alle impostazioni del tipo di app appropriato. Ad esempio, inseriscilo in `JupyterServerAppSettings` dell'utente. Puoi aggiungere più configurazioni del ciclo di vita contemporaneamente inoltrando un elenco di configurazioni del ciclo di vita. Quando un utente avvia un' JupyterServer applicazione con il AWS CLI, può passare una configurazione del ciclo di vita da utilizzare al posto di quella predefinita. La configurazione del ciclo di vita inoltrata dall'utente deve appartenere all'elenco delle configurazioni del ciclo di vita in `JupyterServerAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Nell'esempio seguente viene illustrato come aggiornare uno spazio condiviso esistente per collegare la configurazione del ciclo di vita. [È inoltre possibile aggiornare un dominio o un profilo utente esistente con una configurazione del ciclo di vita allegata utilizzando il comando update-domain o. [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) Quando aggiorni l'elenco delle configurazioni del ciclo di vita collegate, devi inoltrare tutte le configurazioni del ciclo di vita come parte dell'elenco. Se una configurazione del ciclo di vita non fa parte di questo elenco, non verrà collegata all'applicazione.
```
aws sagemaker update-space --domain-id domain-id \
--space-name space-name \
--region region \
--space-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Per informazioni sull'impostazione di una configurazione del ciclo di vita predefinita per una risorsa, consulta [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md).
## Fase 3: avvio dell'applicazione con configurazione del ciclo di vita
Dopo aver collegato una configurazione del ciclo di vita a un dominio, un profilo utente o uno spazio, l'utente può selezionarla all'avvio di un'applicazione con la AWS CLI. Questa sezione spiega come avviare un'applicazione con una configurazione del ciclo di vita collegata. Per informazioni sulla modifica della configurazione del ciclo di vita predefinita dopo l'avvio di un'applicazione, vedere. JupyterServer [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
Avvia il tipo di applicazione desiderato utilizzando il comando `create-app` e specifica l'ARN della configurazione del ciclo di vita nell'argomento `resource-spec`.
+ L'esempio seguente mostra come creare un’applicazione `JupyterServer` con una configurazione del ciclo di vita associata. Quando crei il `JupyterServer`, il `app-name` deve essere `default`. La configurazione del ciclo di vita ARN passata come parte del `resource-spec` parametro deve far parte dell'elenco delle configurazioni del ciclo di vita ARNs specificate in `UserSettings` per il dominio o il profilo utente o per uno spazio condiviso. `SpaceSettings`
```
aws sagemaker create-app --domain-id domain-id \
--region region \
--user-profile-name user-profile-name \
--app-type JupyterServer \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn \
--app-name default
```
+ L'esempio seguente mostra come creare un’applicazione `KernelGateway` con una configurazione del ciclo di vita associata.
```
aws sagemaker create-app --domain-id domain-id \
--region region \
--user-profile-name user-profile-name \
--app-type KernelGateway \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn,SageMakerImageArn=sagemaker-image-arn,InstanceType=instance-type \
--app-name app-name
```
# Crea una configurazione del ciclo di vita dalla console SageMaker AI per Amazon Studio Classic SageMaker
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
L'argomento seguente mostra come creare una configurazione del ciclo di vita dalla console Amazon SageMaker AI per automatizzare la personalizzazione per il tuo ambiente Studio Classic.
## Prerequisiti
Prima di procedere con questo tutorial, completa i prerequisiti descritti di seguito:
+ Effettua il login su Amazon SageMaker Studio Classic. Per ulteriori informazioni, consulta [Onboard to Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
## Fase 1: creazione di una nuova configurazione del ciclo di vita
Puoi creare una configurazione del ciclo di vita inserendo uno script dalla console Amazon SageMaker AI.
**Nota**
Ogni script può contenere un massimo di **16.384 caratteri.**
La procedura seguente mostra come creare uno script di configurazione del ciclo di vita che stampa `Hello World`.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel pannello di navigazione sinistro scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Configurazioni del ciclo di vita**.
1. Scegli la scheda **Studio**.
1. Scegli **Crea configurazione**.
1. In **Seleziona il tipo di configurazione**, seleziona il tipo di applicazione a cui collegare la configurazione del ciclo di vita. Per ulteriori informazioni sulla scelta dell'applicazione a cui collegare la configurazione del ciclo di vita, consulta [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md).
1. Scegli **Next (Successivo)**.
1. Nella sezione denominata **Impostazioni di configurazione**, inserisci un nome per la configurazione del ciclo di vita.
1. Nella sezione **Script**, inserisci il seguente contenuto.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. (Facoltativo) Crea un tag per la configurazione del ciclo di vita.
1. Seleziona **Invia**.
## Fase 2: collegamento della configurazione del ciclo di vita al un dominio o a un profilo utente
Gli script di configurazione del ciclo di vita associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli script associati a livello di profilo utente sono limitati a un utente specifico.
Puoi collegare più configurazioni del ciclo di vita a un dominio o a un profilo utente per entrambe le JupyterServer applicazioni. KernelGateway
**Nota**
Per collegare una configurazione del ciclo di vita a uno spazio condiviso, è necessario utilizzare la AWS CLI. Per ulteriori informazioni, consulta [Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md).
Le sezioni seguenti spiegano come collegare una configurazione del ciclo di vita al proprio dominio o profilo utente.
### Collegamento a un dominio
Di seguito viene illustrato come collegare una configurazione del ciclo di vita al dominio esistente dalla console AI. SageMaker
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio a cui collegare la configurazione del ciclo di vita.
1. Da **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. In **Configurazioni del ciclo di vita per app Studio personali**, scegli **Collega**.
1. In **Origine**, scegli **Configurazione esistente**.
1. In **Configurazioni del ciclo di vita in Studio**, seleziona la configurazione del ciclo di vita creata nella fase precedente.
1. Seleziona **Collega al dominio**.
### Collegamento al proprio profilo utente
Di seguito viene illustrato come collegare una configurazione del ciclo di vita al proprio profilo utente esistente.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio che contiene il profilo utente a cui collegare la configurazione del ciclo di vita.
1. In **Profili utente**, seleziona il profilo utente.
1. Nella pagina **Dettagli utente** seleziona **Modifica**.
1. Nella barra di navigazione a sinistra, scegli **Impostazioni di Studio**.
1. In **Configurazioni del ciclo di vita collegate all'utente**, scegli **Collega**.
1. In **Origine**, scegli **Configurazione esistente**.
1. In **Configurazioni del ciclo di vita in Studio**, seleziona la configurazione del ciclo di vita creata nella fase precedente.
1. Seleziona **Collega al profilo utente**.
## Fase 3: avvio di un’applicazione con la configurazione del ciclo di vita
Dopo aver collegato una configurazione del ciclo di vita a un dominio o a un profilo utente, puoi avviare un'applicazione con quella configurazione del ciclo di vita collegata. La scelta della configurazione del ciclo di vita da avviare dipende dal tipo di applicazione.
+ **JupyterServer**: Quando avvia un' JupyterServerapplicazione dalla console, l' SageMaker intelligenza artificiale utilizza sempre la configurazione predefinita del ciclo di vita. Non è possibile utilizzare una configurazione del ciclo di vita diversa quando si avvia dalla console. Per informazioni sulla modifica della configurazione del ciclo di vita predefinita dopo l'avvio di un'applicazione, consulta. JupyterServer [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
Per selezionare un’altra configurazione del ciclo di vita collegata, devi eseguire l’avvio con AWS CLI. Per ulteriori informazioni sull'avvio di un' JupyterServer applicazione con una configurazione del ciclo di vita associata da, vedere. AWS CLI[Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md)
+ **KernelGateway**: È possibile selezionare una qualsiasi delle configurazioni del ciclo di vita allegate all'avvio di un' KernelGateway applicazione utilizzando Studio Classic Launcher.
La procedura seguente descrive come avviare un' KernelGateway applicazione con una configurazione del ciclo di vita collegata dalla console AI. SageMaker
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Avvia Studio Classic. Per ulteriori informazioni, consulta [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. Nell’interfaccia utente di Studio Classic, apri l’utilità di avvio di Studio Classic. Per ulteriori informazioni, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Nell’utilità di avvio di Studio Classic, vai alla sezione **Notebook e risorse di calcolo**.
1. Fai clic sul tasto **Cambia ambiente**.
1. Nella finestra di dialogo **Cambia ambiente**, usa i menu a discesa per selezionare **immagine**, **kernel**, **tipo di istanza** e **script di avvio**. Se non esiste una configurazione predefinita del ciclo di vita, il valore dello **script di avvio** predefinito è `No script`. Altrimenti, il valore dello **script di avvio** è la configurazione del ciclo di vita predefinita. Dopo aver selezionato una configurazione del ciclo di vita, puoi visualizzare l'intero script.
1. Fai clic su **Seleziona**.
1. Tornando all’utilità di avvio, fai clic su **Crea notebook** per avviare un nuovo kernel del notebook con l'immagine e la configurazione del ciclo di vita selezionate.
## Fase 4: visualizzazione dei log di una configurazione del ciclo di vita
Puoi visualizzare i log relativi alla configurazione del ciclo di vita dopo averla collegata a un dominio o a un profilo utente.
1. Innanzitutto, fornisci l'accesso CloudWatch al tuo ruolo AWS Identity and Access Management (IAM). Aggiungi le autorizzazioni di lettura per i seguenti gruppo di log e flusso di log.
+ **Gruppo di log:**`/aws/sagemaker/studio`
+ **Flusso di log:**`domain/user-profile/app-type/app-name/LifecycleConfigOnStart`
Per informazioni sull'aggiunta di autorizzazioni, consulta [Abilitazione della registrazione da determinati AWS servizi](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/AWS-logs-and-resource-policy.html).
1. Da Studio Classic, vai all’icona **Terminali e kernel in esecuzione** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)) per monitorare la configurazione del ciclo di vita.
1. Seleziona un'applicazione dall'elenco delle applicazioni in esecuzione. Le applicazioni con configurazioni del ciclo di vita collegate hanno un'icona indicatore ![\[Code brackets symbol representing programming or markup languages.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-lcc-indicator-icon.png)collegata.
1. Seleziona l'icona indicatore per la tua applicazione. Si aprirà un nuovo pannello su cui verrà visualizzata la configurazione del ciclo di vita.
1. Dal nuovo pannello, seleziona `View logs`. Si aprirà una nuova scheda su cui verranno visualizzati i log.
# Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Sebbene sia possibile allegare più script di configurazione del ciclo di vita a una singola risorsa, è possibile impostare solo una configurazione del ciclo di vita predefinita per ciascuna applicazione. JupyterServer KernelGateway Il comportamento della configurazione del ciclo di vita predefinita dipende dal fatto che sia impostata per o app. JupyterServer KernelGateway
+ **JupyterServer app:** se impostato come script di configurazione del ciclo di vita predefinito per JupyterServer le app, lo script di configurazione del ciclo di vita viene eseguito automaticamente quando l'utente accede a Studio Classic per la prima volta o riavvia Studio Classic. Utilizza questa configurazione predefinita del ciclo di vita per automatizzare le azioni di configurazione una tantum per l'ambiente di sviluppo Studio Classic, come l'installazione di estensioni per notebook o la configurazione di un repository. GitHub Per un esempio di ciò, consulta [Personalizzare Amazon SageMaker Studio utilizzando le configurazioni del ciclo](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/) di vita.
+ **KernelGateway app:** se impostato come script di configurazione del ciclo di vita predefinito per KernelGateway le app, la configurazione del ciclo di vita viene selezionata per impostazione predefinita nel launcher di Studio Classic. Gli utenti possono avviare un notebook o un terminale con lo script predefinito selezionato oppure selezionarne uno diverso dall'elenco delle configurazioni del ciclo di vita.
SageMaker L'intelligenza artificiale supporta l'impostazione di una configurazione del ciclo di vita predefinita per le seguenti risorse:
+ Domini
+ Profili utente
+ Spazi condivisi
Sebbene i domini e i profili utente supportino l'impostazione di una configurazione del ciclo di vita predefinita sia dalla console Amazon SageMaker AI che dagli spazi condivisi supportano solo l'impostazione di una configurazione del ciclo di vita predefinita da. AWS Command Line Interface AWS CLI
Puoi impostare una configurazione del ciclo di vita come predefinita quando crei una nuova risorsa o aggiorni una risorsa esistente. I seguenti argomenti mostrano come impostare una configurazione del ciclo di vita predefinita utilizzando la console AI e. SageMaker AWS CLI
## Ereditarietà della configurazione del ciclo di vita
Le configurazioni del ciclo di vita predefinite impostate a livello di *dominio* vengono ereditate da tutti gli utenti e da tutti gli spazi condivisi. Le configurazioni del ciclo di vita predefinite impostate a livello di *utente* e *spazio condiviso* sono limitate a quell'utente o a quello spazio condiviso. Le impostazioni predefinite per utente e spazio hanno la precedenza su quelle impostate a livello di dominio.
Un set di configurazione KernelGateway del ciclo di vita predefinito per un dominio si applica a tutte le KernelGateway applicazioni avviate nel dominio. A meno che l’utente non selezioni una configurazione del ciclo di vita diversa dall’elenco presente nell’utilità di avvio di Studio Classic, viene applicata la configurazione del ciclo di vita predefinita. Lo script predefinito viene eseguito anche se `No Script` è selezionato dall'utente. Per ulteriori informazioni su come selezionare uno script, consulta [Fase 3: avvio di un’applicazione con la configurazione del ciclo di vita](studio-lcc-create-console.md#studio-lcc-create-console-step3).
**Topics**
+ [Ereditarietà della configurazione del ciclo di vita](#studio-lcc-defaults-inheritance)
+ [Imposta i valori predefiniti da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-defaults-cli.md)
+ [Imposta i valori predefiniti dalla console SageMaker AI per Amazon Studio Classic SageMaker](studio-lcc-defaults-console.md)
# Imposta i valori predefiniti da per AWS CLI Amazon Studio Classic SageMaker
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
È possibile impostare gli script di configurazione del ciclo di vita predefiniti dalle seguenti AWS CLI risorse:
+ Domini
+ Profili utente
+ Spazi condivisi
Le sezioni seguenti spiegano come impostare gli script di configurazione del ciclo di vita predefiniti dalla AWS CLI.
**Topics**
+ [Prerequisiti](#studio-lcc-defaults-cli-prereq)
+ [Impostazione di una configurazione del ciclo di vita predefinita quando si crea una nuova risorsa](#studio-lcc-defaults-cli-new)
+ [Impostazione di una configurazione del ciclo di vita predefinita per una risorsa esistente](#studio-lcc-defaults-cli-existing)
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ AWS CLI Aggiornate il file seguendo la procedura descritta in [Installazione della](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) versione corrente. AWS CLI
+ Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS credenziali](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Effettua l'accesso al dominio SageMaker AI seguendo i passaggi indicati. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
+ Crea una configurazione del ciclo di vita seguendo le fasi descritte in [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md).
## Impostazione di una configurazione del ciclo di vita predefinita quando si crea una nuova risorsa
Per impostare una configurazione del ciclo di vita predefinita durante la creazione di un nuovo dominio, profilo utente o spazio, passa l'ARN della configurazione del ciclo di vita precedentemente creata come parte di uno dei seguenti comandi: AWS CLI
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/opensearch/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
È necessario passare l'ARN di configurazione del ciclo di vita per i seguenti valori nelle impostazioni o predefinite: KernelGateway JupyterServer
+ `DefaultResourceSpec`:`LifecycleConfigArn`: specifica la configurazione del ciclo di vita predefinita per il tipo di applicazione.
+ `LifecycleConfigArns`: è l'elenco di tutte le configurazioni del ciclo di vita collegate al tipo di applicazione. Anche la configurazione del ciclo di vita predefinita deve far parte di questo elenco.
Ad esempio, la seguente chiamata API crea un nuovo profilo utente con una configurazione del ciclo di vita predefinita.
```
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"KernelGatewayAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "ml.t3.medium",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
## Impostazione di una configurazione del ciclo di vita predefinita per una risorsa esistente
Per impostare o aggiornare la configurazione del ciclo di vita predefinita per una risorsa esistente, passa l'ARN della configurazione del ciclo di vita precedentemente creata come parte di uno dei seguenti comandi: AWS CLI
+ [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)
+ [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)
+ [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html)
È necessario passare l'ARN di configurazione del ciclo di vita per i seguenti valori nelle impostazioni o predefinite: KernelGateway JupyterServer
+ `DefaultResourceSpec`:`LifecycleConfigArn`: specifica la configurazione del ciclo di vita predefinita per il tipo di applicazione.
+ `LifecycleConfigArns`: è l'elenco di tutte le configurazioni del ciclo di vita collegate al tipo di applicazione. Anche la configurazione del ciclo di vita predefinita deve far parte di questo elenco.
Ad esempio, la seguente chiamata API aggiorna un nuovo profilo utente con una configurazione del ciclo di vita predefinita.
```
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"KernelGatewayAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "ml.t3.medium",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
La seguente chiamata API aggiorna un dominio per impostare una nuova configurazione del ciclo di vita predefinita.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "system",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
# Imposta i valori predefiniti dalla console SageMaker AI per Amazon Studio Classic SageMaker
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi impostare script di configurazione del ciclo di vita predefiniti dalla console SageMaker AI per le seguenti risorse.
+ Domini
+ Profili utente
Non è possibile impostare script di configurazione del ciclo di vita predefiniti per gli spazi condivisi dalla console AI. SageMaker Per informazioni su come impostare i valori predefiniti per gli spazi condivisi, consulta [Imposta i valori predefiniti da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-defaults-cli.md).
Le sezioni seguenti descrivono come impostare gli script di configurazione del ciclo di vita predefiniti dalla console AI. SageMaker
**Topics**
+ [Prerequisiti](#studio-lcc-defaults-cli-prerequisites)
+ [Impostazione di una configurazione del ciclo di vita predefinita per un dominio](#studio-lcc-defaults-cli-domain)
+ [Impostazione di una configurazione del ciclo di vita predefinita per un profilo utente](#studio-lcc-defaults-cli-user-profile)
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ Effettua l'accesso al dominio SageMaker AI seguendo i passaggi indicati. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
+ Crea una configurazione del ciclo di vita seguendo le fasi descritte in [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md).
## Impostazione di una configurazione del ciclo di vita predefinita per un dominio
La procedura seguente mostra come impostare una configurazione del ciclo di vita predefinita per un dominio dalla SageMaker console AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dall'elenco dei domini, seleziona il nome del dominio per cui impostare la configurazione del ciclo di vita.
1. Da **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. In **Lifecycle configurations for personal Studio apps**, seleziona la configurazione del ciclo di vita che desideri impostare come predefinita per il dominio. Puoi impostare impostazioni predefinite JupyterServer e KernelGateway applicazioni distinte.
1. Scegli **Imposta come predefinito**. Si apre una finestra pop-up che elenca le impostazioni predefinite correnti per e le applicazioni. JupyterServer KernelGateway
1. Scegli **Imposta come predefinito** per impostare la configurazione del ciclo di vita come predefinita per il rispettivo tipo di applicazione.
## Impostazione di una configurazione del ciclo di vita predefinita per un profilo utente
La procedura seguente mostra come impostare una configurazione del ciclo di vita predefinita per un profilo utente dalla console AI. SageMaker
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dall'elenco dei domini, seleziona il nome del dominio che contiene il profilo utente per cui desideri impostare la configurazione del ciclo di vita predefinita.
1. Da **Dettagli del dominio**, seleziona la scheda **Profilo utente**.
1. Seleziona il nome del profilo utente per cui impostare la configurazione del ciclo di vita predefinita. Si aprirà una pagina denominata **Dettagli utente**.
1. Nella pagina **Dettagli utente** seleziona **Modifica**. Si aprirà una pagina denominata **Modifica profilo utente**.
1. Dalla pagina **Modifica profilo utente**, scegli **Impostazioni Studio fase 2**.
1. In **Lifecycle configurations attached to user**, seleziona la configurazione del ciclo di vita che desideri impostare come predefinita per il profilo utente. Puoi impostare impostazioni predefinite JupyterServer e KernelGateway applicazioni distinte.
1. Scegli **Imposta come predefinito**. Si apre una finestra pop-up che elenca le impostazioni predefinite correnti per e le applicazioni. JupyterServer KernelGateway
1. Scegli **Imposta come predefinito** per impostare la configurazione del ciclo di vita come predefinita per il rispettivo tipo di applicazione.
# Configurazioni del ciclo di vita di debug in Amazon Studio Classic SageMaker
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I seguenti contenuti spiegano come recuperare le informazioni sulle configurazioni del ciclo di vita e come eseguirne il debug.
**Topics**
+ [Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch](#studio-lcc-debug-logs)
+ [JupyterServer errore dell'app](#studio-lcc-debug-jupyterserver)
+ [KernelGateway errore dell'app](#studio-lcc-debug-kernel)
+ [Timeout della configurazione del ciclo di vita](#studio-lcc-debug-timeout)
## Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch
Le configurazioni del ciclo di vita eseguono solo log `STDOUT` e `STDERR`.
`STDOUT` è il formato di output predefinito per gli script bash. Puoi scrivere in `STDERR` aggiungendo `>&2` alla fine di un comando bash. Ad esempio, `echo 'hello'>&2`.
I log per le configurazioni del ciclo di vita vengono pubblicati su Amazon che utilizza Amazon. Account AWS CloudWatch Questi log possono essere trovati nel flusso di `/aws/sagemaker/studio` log della console. CloudWatch
1. Apri la CloudWatch console all'indirizzo [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Scegli **Log** dal lato sinistro. Dal menu a discesa, seleziona **Gruppi di log**.
1. Nella pagina **Gruppi di log**, cerca `aws/sagemaker/studio`.
1. Seleziona il gruppo di log .
1. Nella pagina **Dettagli gruppo di log**, scegli la scheda **Flussi di log**.
1. Per trovare i log di un'app specifica, cerca nei flussi di log utilizzando il seguente formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Ad esempio, per trovare i log della configurazione del ciclo di vita per il dominio `d-m85lcu8vbqmz`, il nome dello spazio `i-sonic-js` e il tipo di applicazione `JupyterLab`, utilizza la seguente stringa di ricerca:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## JupyterServer errore dell'app
Se JupyterServer l'app si blocca a causa di un problema con la configurazione del ciclo di vita allegata, Studio Classic visualizza il seguente messaggio di errore nella schermata di avvio di Studio Classic.
```
Failed to create SageMaker Studio due to start-up script failure
```
Seleziona il `View script logs` link per visualizzare i CloudWatch log dell'app. JupyterServer
Nel caso in cui la configurazione del ciclo di vita difettosa sia specificata in `DefaultResourceSpec` del dominio, del profilo utente o dello spazio condiviso, Studio Classic continua a utilizzare la configurazione del ciclo di vita anche dopo il riavvio di Studio Classic.
Per risolvere questo errore, segui le fasi descritte in [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md) per rimuovere lo script di configurazione del ciclo di vita da `DefaultResourceSpec` o imposta un altro script come predefinito. Quindi avvia una nuova JupyterServer app.
## KernelGateway errore dell'app
Se KernelGateway l'app si blocca a causa di un problema con la configurazione del ciclo di vita allegata, Studio Classic visualizza il messaggio di errore nel notebook Studio Classic.
Scegli `View script logs` di visualizzare i CloudWatch log della tua app. KernelGateway
In questo caso, la configurazione del ciclo di vita viene specificata nell’utilità di avvio di Studio Classic all’avvio di un nuovo notebook Studio Classic.
Per risolvere questo errore, utilizza l’utilità di avvio di Studio Classic per selezionare un’altra configurazione del ciclo di vita o seleziona `No script`.
**Nota**
La configurazione KernelGateway del ciclo di vita predefinita specificata in `DefaultResourceSpec` si applica a tutte le KernelGateway immagini nel dominio, nel profilo utente o nello spazio condiviso, a meno che l'utente non selezioni uno script diverso dall'elenco presentato nel programma di avvio di Studio Classic. Lo script predefinito viene eseguito anche se `No Script` è selezionato dall'utente. Per ulteriori informazioni su come selezionare uno script, consulta [Fase 3: avvio di un’applicazione con la configurazione del ciclo di vita](studio-lcc-create-console.md#studio-lcc-create-console-step3).
## Timeout della configurazione del ciclo di vita
Il limite di timeout della configurazione del ciclo di vita è di 5 minuti. Se l’esecuzione di uno script di configurazione del ciclo di vita impiega più di cinque minuti, Studio Classic genera un errore.
Per risolvere questo errore, assicurati che lo script di configurazione del ciclo di vita venga completato in meno di 5 minuti.
Per ridurre il tempo di esecuzione degli script, prova a:
+ Eliminare le fasi non necessarie. Ad esempio, limita gli ambienti conda in cui installare pacchetti di grandi dimensioni.
+ Esegui le attività in processi paralleli.
+ Utilizza il comando `nohup` nel tuo script per assicurarti che i segnali di arresto vengano ignorati e non interrompano l'esecuzione dello script.
# Aggiorna e scollega le configurazioni del ciclo di vita in Amazon Studio Classic SageMaker
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Uno script di configurazione del ciclo di vita non può essere modificato dopo che è stato creato. Per aggiornare lo script, devi creare un nuovo script di configurazione del ciclo di vita e collegarlo al rispettivo dominio, profilo utente o spazio condiviso. Per ulteriori informazioni su come creare e collegare la configurazione del ciclo di vita, consulta [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md).
L'argomento seguente mostra come scollegare una configurazione del ciclo di vita utilizzando la console e AI. AWS CLI SageMaker
**Topics**
+ [Prerequisiti](#studio-lcc-delete-pre)
+ [Staccare utilizzando il AWS CLI](#studio-lcc-delete-cli)
## Prerequisiti
Prima di scollegare una configurazione del ciclo di vita, completa i seguenti prerequisiti.
+ Per scollegare correttamente una configurazione del ciclo di vita, nessuna applicazione in esecuzione deve utilizzare la configurazione del ciclo di vita. Come prima cosa, devi chiudere le applicazioni in esecuzione come illustrato in [Chiudi e aggiorna Amazon SageMaker Studio Classic e le app](studio-tasks-update.md).
## Staccare utilizzando il AWS CLI
Per scollegare una configurazione del ciclo di vita utilizzando il AWS CLI, rimuovete la configurazione del ciclo di vita desiderata dall'elenco delle configurazioni del ciclo di vita allegate alla risorsa e passate l'elenco come parte del rispettivo comando:
+ [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)
+ [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)
+ [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html)
Ad esempio, il comando seguente rimuove tutte le configurazioni del ciclo di vita collegate al dominio. KernelGateways
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"KernelGatewayAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Allega repository Git consigliati ad Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic offre un'estensione Git che ti consente di inserire l'URL di un repository Git (repo), clonarlo nel tuo ambiente, inviare modifiche e visualizzare la cronologia dei commit. Oltre a questa estensione Git, puoi anche allegare un repository Git consigliato URLs a livello di dominio Amazon SageMaker AI o profilo utente. Quindi, puoi selezionare l’URL del repository dall’elenco dei suggerimenti e clonarlo nel tuo ambiente utilizzando l’estensione Git in Studio Classic.
I seguenti argomenti mostrano come collegare il repository Git URLs a un dominio o a un profilo utente dalla AWS CLI console SageMaker AI. Imparerai anche come scollegare questi repository. URLs
**Topics**
+ [Collega un repository Git da AWS CLI per Amazon SageMaker Studio Classic](studio-git-attach-cli.md)
+ [Collega un repository Git dalla console SageMaker AI per Amazon SageMaker Studio Classic](studio-git-attach-console.md)
+ [Scollegare i repository Git da Amazon Studio Classic SageMaker](studio-git-detach.md)
# Collega un repository Git da AWS CLI per Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
L'argomento seguente mostra come allegare l'URL di un repository Git utilizzando AWS CLI, in modo che Amazon SageMaker Studio Classic lo suggerisca automaticamente per la clonazione. Dopo aver collegato l'URL repository Git, puoi clonarlo seguendo le fasi descritte in [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md).
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ Aggiorna il AWS CLI seguendo i passaggi descritti in [Installazione della versione AWS CLI corrente](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html) credenziali.
+ Effettua l'onboard nel dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Collegamento del repository Git a un dominio o a un profilo utente
I repository Git URLs associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, i repository URLs Git associati a livello di profilo utente sono riservati a un utente specifico. Puoi allegare più repository Git URLs a un dominio o a un profilo utente passando un elenco di repository URLs.
Le sezioni seguenti mostrano come collegare un URL dei repository Git al dominio e al profilo utente.
### Collegamento a un dominio
Il comando seguente collega un URL dei repository Git a un dominio esistente.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### Collegamento a un profilo utente
L'esempio seguente mostra come collegare un URL repository Git a un profilo utente esistente.
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
# Collega un repository Git dalla console SageMaker AI per Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
L'argomento seguente mostra come associare un URL di repository Git dalla console Amazon SageMaker AI per clonarlo nel tuo ambiente Studio Classic. Dopo aver associato l'URL repository Git, puoi clonarlo seguendo le fasi descritte in [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md).
## Prerequisiti
Prima di iniziare questo tutorial, devi effettuare l'onboarding del dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Collegamento del repository Git a un dominio o a un profilo utente
I repository Git URLs associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli URL repository Git associati a livello di profilo utente sono limitati a un utente specifico.
Le sezioni seguenti mostrano come collegare un URL dei repository Git a un dominio e a un profilo utente.
### Collegamento a un dominio
**Per collegare un URL dei repository Git a un dominio esistente**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio a cui collegare il repository Git.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. Nella scheda **Suggested code repositories for the domain**, scegli **Collega**.
1. In **Origine**, inserisci l'URL repository Git.
1. Seleziona **Collega al dominio**.
### Collegamento a un profilo utente
L'esempio seguente mostra come collegare un URL repository Git a un profilo utente esistente.
**Per collegare un URL repository Git a un profilo utente**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio che include il profilo utente a cui collegare il repository Git.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Profili utente**.
1. Seleziona il profilo utente a cui collegare l'URL repository Git.
1. Nella pagina **Dettagli utente**, scegli **Modifica**.
1. Nella pagina **Impostazioni di Studio**, scegli **Collega** dalla sezione **Suggested code repositories for the user**.
1. In **Origine**, inserisci l'URL repository Git.
1. Scegli **Collega all'utente**.
# Scollegare i repository Git da Amazon Studio Classic SageMaker
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Questa guida mostra come scollegare l'archivio Git URLs da un dominio o profilo utente Amazon SageMaker AI utilizzando la console AWS CLI Amazon SageMaker AI.
**Topics**
+ [Stacca un repository Git usando il AWS CLI](#studio-git-detach-cli)
+ [Scollega il repository Git usando la SageMaker console AI](#studio-git-detach-console)
## Stacca un repository Git usando il AWS CLI
Per scollegare tutti i repository Git URLs da un dominio o da un profilo utente, devi passare un elenco vuoto di repository di codice. Questo elenco viene passato come parte del parametro `JupyterServerAppSettings` in un comando `update-domain` o `update-user-profile`. Per scollegare solo un URL repository Git, passa l'elenco dei repository di codice senza l'URL repository Git desiderato. Questa sezione mostra come scollegare tutti i repository Git URLs dal tuo dominio o profilo utente usando AWS Command Line Interface ()AWS CLI.
### Scollegamento da un dominio
Il comando seguente scollega tutti i repository Git URLs da un dominio.
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterServerAppSettings={CodeRepositories=[]}
```
### Scollegamento da un profilo utente
Il comando seguente scollega tutti i repository Git URLs da un profilo utente.
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[]}
```
## Scollega il repository Git usando la SageMaker console AI
Le seguenti sezioni mostrano come scollegare un URL del repository Git da un dominio o da un profilo utente utilizzando la console SageMaker AI.
### Scollegamento da un dominio
Utilizza le fasi seguenti per scollegare un URL dei repository Git da un dominio esistente.
**Per scollegare un URL dei repository Git da un dominio esistente**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio con l’URL dei repository Git che desideri scollegare.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. Nella scheda **Repository di codice suggeriti per il dominio**, seleziona l'URL repository Git da scollegare.
1. Seleziona **Scollega**.
1. Nella nuova finestra, scegli **Scollega**.
### Scollegamento da un profilo utente
Utilizza le fasi seguenti per scollegare un URL repository Git da un profilo utente.
**Per scollegare un URL repository Git da un profilo utente**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio che include il profilo utente con l’URL dei repository Git che desideri scollegare.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Profili utente**.
1. Seleziona il profilo utente con l'URL repository Git che desideri scollegare.
1. Nella pagina **Dettagli utente**, scegli **Modifica**.
1. Nella pagina **Impostazioni di Studio**, seleziona l'URL repository Git da scollegare dalla scheda **Repository di codice suggeriti per l’utente**.
1. Seleziona **Scollega**.
1. Nella nuova finestra, scegli **Scollega**.
# Esegui attività comuni in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Le seguenti sezioni descrivono come eseguire attività comuni in Amazon SageMaker Studio Classic. Per una panoramica dell’interfaccia di Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
**Topics**
+ [Caricare file su Amazon SageMaker Studio Classic](studio-tasks-files.md)
+ [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md)
+ [Interrompi un corso di formazione in Amazon SageMaker Studio Classic](studio-tasks-stop-training-job.md)
+ [Utilizzo TensorBoard in Amazon SageMaker Studio Classic](studio-tensorboard.md)
+ [Usa Amazon Q Developer con Amazon SageMaker Studio Classic](sm-q.md)
+ [Gestisci il tuo volume di storage Amazon EFS in Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md)
+ [Fornisci feedback su Amazon SageMaker Studio Classic](studio-tasks-provide-feedback.md)
+ [Chiudi e aggiorna Amazon SageMaker Studio Classic e le app](studio-tasks-update.md)
# Caricare file su Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Quando effettui l'onboarding su Amazon SageMaker Studio Classic, viene creata per te una home directory nel volume Amazon Elastic File System (Amazon EFS) creato per il tuo team. Studio Classic può aprire solo i file che sono stati caricati nella tua directory. Il browser di file di Studio Classic esegue la mappatura alla home directory.
**Nota**
Studio Classic non supporta il caricamento di cartelle. Sebbene sia possibile caricare solo singoli file, puoi caricare più file contemporaneamente.
**Per caricare i file nella home directory**
1. Nella barra laterale sinistra, selezionare l'icona **File Browser (Browser di file)** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)).
1. Nel browser di file, scegli l’icona **Carica file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/File_upload_squid.png)).
1. Seleziona i file da caricare, quindi scegli **Apri**.
1. Fai doppio clic su un file per aprirlo in una nuova scheda in Studio Classic.
# Clona un repository Git in Amazon Studio Classic SageMaker
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic può connettersi solo a un repository Git locale (repo). Ciò significa che devi clonare il repository Git dall’interno di Studio Classic per accedere ai file nel repository. Studio Classic offre un’estensione Git che ti consente di inserire l’URL di un repository Git, clonarlo nel tuo ambiente, apportare modifiche e visualizzare la cronologia dei commit. Se il repository è privato e richiede credenziali per l'accesso, ti viene richiesto di inserire le credenziali utente. Ciò include il nome utente e il token di accesso personale. Per ulteriori informazioni sui token di accesso personali, consulta [Managing your personal access tokens](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Gli amministratori possono anche allegare il repository Git consigliato a URLs livello di dominio Amazon SageMaker AI o profilo utente. Gli utenti possono quindi selezionare l’URL del repository dall’elenco di suggerimenti e clonarlo in Studio Classic. Per ulteriori informazioni sul collegamento di repository suggeriti, consulta [Allega repository Git consigliati ad Amazon SageMaker Studio Classic](studio-git-attach.md).
La procedura seguente mostra come clonare un GitHub repository da Studio Classic.
**Per clonare il repository**
1. Nella barra laterale sinistra, scegliere l'icona **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git.png)).
1. Scegli **Clona un repository**. Si apre una nuova finestra.
1. Nella finestra **Clona un repository Git**, inserisci l'URL nel seguente formato per il repository Git che desideri clonare o seleziona un repository dall'elenco di **Repository suggeriti**.
```
https://github.com/path-to-git-repo/repo.git
```
1. Se hai inserito manualmente l'URL del repository Git, seleziona **Clone "*git-url*"** dal menu a discesa.
1. In **Directory del progetto in cui clonare**, inserisci il percorso della directory locale in cui vuoi clonare il repository Git. Se questo valore viene lasciato vuoto, Studio Classic clona il repository nella directory principale. JupyterLab
1. Seleziona **Clona**. Si apre una nuova finestra di terminale.
1. Se il repository richiede credenziali, ti viene richiesto di inserire il tuo nome utente e il token di accesso personale. Non si accettano password, pertanto devi utilizzare un token di accesso personale. Per ulteriori informazioni sui token di accesso personali, consulta [Managing your personal access tokens](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
1. Attendi la fine del download. Dopo la clonazione del repository, si apre il **Browser di file** per visualizzare il repository clonato.
1. Fare doppio clic sul repository per aprirlo.
1. Scegli l'icona **Git** per visualizzare l'interfaccia utente di Git che ora tiene traccia del repository.
1. Per tenere traccia di un repository diverso, apri il repository nel browser di file e poi scegli l'icona **Git**.
# Interrompi un corso di formazione in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi interrompere un processo di formazione con l'interfaccia utente di Amazon SageMaker Studio Classic. Quando interrompi un processo di addestramento, il suo stato cambia in `Stopping` e la fatturazione cessa. Un algoritmo può ritardare la fine per salvare gli artefatti del modello dopo i quali lo stato del lavoro cambia in `Stopped`. Per ulteriori informazioni, consulta il metodo [stop\$1training\$1job](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.stop_training_job) in AWS SDK per Python (Boto3).
**Per interrompere un processo di addestramento**
1. Seguire la procedura [Visualizzare esperimenti ed esecuzioni](experiments-view-compare.md) su questa pagina fino ad aprire la scheda **Descrivi componente di prova** .
1. Nella parte in alto a destra della scheda, scegliere **Interrompi processo di addestramento**. Lo **stato** in alto a sinistra della scheda cambia in **Interrotto**.
1. Per visualizzare il tempo di addestramento e il tempo di fatturazione, scegli **Impostazioni AWS **.
# Utilizzo TensorBoard in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Il seguente documento descrive come installare ed eseguire TensorBoard Amazon SageMaker Studio Classic.
**Nota**
Questa guida mostra come aprire l' TensorBoard applicazione tramite un server notebook SageMaker Studio Classic di un profilo utente di un dominio SageMaker AI individuale. Per un' TensorBoard esperienza più completa integrata con SageMaker Training e le funzionalità di controllo degli accessi del dominio SageMaker AI, consulta[TensorBoard in Amazon SageMaker AI](tensorboard-on-sagemaker.md).
## Prerequisiti
Questo tutorial richiede un dominio SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
## Configurazione di `TensorBoardCallback`
1. Avvia Studio Classic e apri l’utilità di avvio. Per ulteriori informazioni, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. In Amazon SageMaker Studio Classic Launcher, sotto`Notebooks and compute resources`, scegli il pulsante **Cambia ambiente**.
1. Nella finestra di dialogo **Cambia ambiente**, utilizza i menu a discesa per selezionare l’**immagine** `TensorFlow 2.6 Python 3.8 CPU Optimized` di Studio Classic.
1. Tornando all'utilità di avvio, fai clic sul riquadro **Crea notebook**. Studio Classic avvia e apre il notebook in una nuova scheda.
1. Esegui questo codice dall'interno delle celle del tuo notebook.
1. Importa i pacchetti richiesti.
```
import os
import datetime
import tensorflow as tf
```
1. Crea un modello Keras.
```
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
def create_model():
return tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
```
1. Crea una directory per i tuoi log TensorBoard
```
LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
```
1. Esegui l'allenamento con TensorBoard.
```
model = create_model()
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=LOG_DIR, histogram_freq=1)
model.fit(x=x_train,
y=y_train,
epochs=5,
validation_data=(x_test, y_test),
callbacks=[tensorboard_callback])
```
1. Genera il percorso EFS per TensorBoard i log. Utilizza questo percorso per configurare i log dal terminale.
```
EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1])
print (EFS_PATH_LOG_DIR)
```
Recupera il valore `EFS_PATH_LOG_DIR`. Ti servirà nella sezione di TensorBoard installazione.
## Installa TensorBoard
1. Fai clic sul `Amazon SageMaker Studio Classic` pulsante nell'angolo in alto a sinistra di Studio Classic per aprire Amazon SageMaker Studio Classic Launcher. Questa utilità di avvio deve essere aperta dalla directory root. Per ulteriori informazioni, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. Nell'utilità di avvio, in `Utilities and files`, fai clic su `System terminal`.
1. Dal terminale, esegui i comandi seguenti: Copia `EFS_PATH_LOG_DIR` dal notebook Jupyter. Devi eseguirlo dalla directory root di `/home/sagemaker-user`.
```
pip install tensorboard
tensorboard --logdir
```
## Avvia TensorBoard
1. Per avviare TensorBoard, copia l'URL di Studio Classic e `lab?` sostituiscilo con il `proxy/6006/` seguente. Devi includere il carattere `/` finale.
```
https://.studio.region.sagemaker.aws/jupyter/default/proxy/6006/
```
1. Vai all'URL per esaminare i risultati.
# Usa Amazon Q Developer con Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic è un ambiente di apprendimento automatico integrato in cui puoi creare, addestrare, distribuire e analizzare i tuoi modelli nella stessa applicazione. Puoi generare consigli sul codice e suggerire miglioramenti relativi ai problemi di codice utilizzando Amazon Q Developer con Amazon SageMaker AI.
Amazon Q Developer è un assistente conversazionale generativo basato sull'intelligenza artificiale (AI) che può aiutarti a comprendere, creare, estendere e utilizzare le applicazioni. AWS Nel contesto di un ambiente di AWS codifica integrato, Amazon Q può generare consigli sul codice degli sviluppatori e sui loro commenti in linguaggio naturale.
Amazon Q offre il supporto massimo per Java, Python,, C\$1, Go JavaScript TypeScript, PHP, Rust, Kotlin e SQL, oltre ai linguaggi Infrastructure as Code (IaC) JSON (), YAML (), HCL (Terraform CloudFormation) e CDK (CloudFormation Typescript, Python). Supporta anche la generazione di codice per Ruby, C\$1\$1, C, Shell e Scala. Per esempi di come Amazon Q si integra con Amazon SageMaker AI e visualizza suggerimenti di codice nell'IDE Amazon SageMaker Studio Classic, consulta [Code Examples](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/inline-suggestions-code-examples.html) nella *Amazon Q Developer User Guide*.
Per ulteriori informazioni sull'uso di Amazon Q con Amazon SageMaker Studio Classic, consulta la [Amazon Q Developer User Guide](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/sagemaker-setup.html).
# Gestisci il tuo volume di storage Amazon EFS in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
La prima volta che un utente del tuo team accede ad Amazon SageMaker Studio Classic, Amazon SageMaker AI crea un volume Amazon Elastic File System (Amazon EFS) per il team. Nel volume viene creata una home directory per ogni utente che accede a Studio Classic come parte del team. I file di notebook e i file di dati sono archiviati in queste directory. Gli utenti non hanno accesso alle home directory degli altri membri del team. Il dominio Amazon SageMaker AI non supporta il montaggio di volumi Amazon EFS personalizzati o aggiuntivi.
**Importante**
Non eliminare il volume Amazon EFS. In caso contrario, il dominio non funzionerà più e tutti gli utenti perderanno il loro lavoro.
**Per trovare il volume Amazon EFS**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dalla pagina **Domini**, seleziona il dominio per cui trovare l'ID.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. In **Impostazioni generali**, trova l'**ID dominio**. Il formato dell'ID sarà il seguente: `d-xxxxxxxxxxxx`.
1. Passa `Domain ID`, come `DomainId`, al metodo [describe\$1domain](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.describe_domain).
1. Nella risposta da `describe_domain`, prendi nota del valore per la chiave `HomeEfsFileSystemId`. Questo è l'ID del file system Amazon EFS da utilizzare.
1. Apri la [Console di Amazon EFS](https://console.aws.amazon.com/efs#/file-systems/). Assicurati che la AWS regione sia la stessa utilizzata da Studio Classic.
1. In **File system**, scegli l'ID del file system nella fase precedente.
1. Per verificare di aver scelto il file system corretto, seleziona l'intestazione **Tag**. Il valore corrispondente alla chiave `ManagedByAmazonSageMakerResource` deve corrispondere a `Studio Classic ID`.
Per informazioni su come accedere al volume Amazon EFS, consulta [Using file systems in Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/using-fs.html).
Per eliminare il volume Amazon EFS, consulta [Deleting an Amazon EFS file system](https://docs.aws.amazon.com/efs/latest/ug/delete-efs-fs.html).
# Fornisci feedback su Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Amazon SageMaker AI prende sul serio il tuo feedback. Ti invitiamo a fornire feedback.
**Per fornire feedback**
1. A destra di SageMaker Studio Classic, trova l'icona **Feedback** (![\[Speech bubble icon representing messaging or communication functionality.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/feedback.png)).
1. Scegli un'emoji sorridente per farci sapere quanto sei soddisfatto di SageMaker Studio Classic e aggiungi qualsiasi feedback che desideri condividere con noi.
1. Decidi se condividere la tua identità con noi, quindi seleziona **Invia**.
# Chiudi e aggiorna Amazon SageMaker Studio Classic e le app
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Negli argomenti seguenti viene illustrato come chiudere e aggiornare le app SageMaker Studio Classic e Studio Classic.
Studio Classic fornisce un’icona di notifica (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Notification.png)) nell’angolo in alto a destra dell’interfaccia utente di Studio Classic. Questa icona di notifica mostra il numero di avvisi non letti. Per leggere gli avvisi, seleziona l'icona.
Studio Classic offre due tipi di notifiche:
+ Aggiornamento: notifica visualizzata quando Studio Classic o una delle app di Studio Classic rilascia una nuova versione. Per aggiornare Studio Classic, consulta [Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md). Per aggiornare le app di Studio Classic, consulta [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md).
+ Informazioni: viene visualizzata per nuove funzionalità e altre informazioni.
Per reimpostare l'icona di notifica, devi selezionare il collegamento in ogni avviso. Le notifiche di lettura potrebbero ancora essere visualizzate nell'icona. Ciò non indica che gli aggiornamenti siano ancora necessari dopo aver aggiornato Studio Classic e le app di Studio Classic.
Per informazioni su come aggiornare [Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html), consulta. [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md)
Per assicurarti di disporre degli aggiornamenti software più recenti, aggiorna Amazon SageMaker Studio Classic e le tue app Studio Classic utilizzando i metodi descritti nei seguenti argomenti.
**Topics**
+ [Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md)
+ [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md)
# Chiudi e aggiorna Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Per aggiornare Amazon SageMaker Studio Classic all'ultima versione, devi chiudere l' JupyterServer app. Puoi chiudere l' JupyterServer app dalla console SageMaker AI, da Amazon SageMaker Studio o da Studio Classic. Dopo aver chiuso l' JupyterServer app, devi riaprire Studio Classic tramite la console SageMaker AI o da Studio che crea una nuova versione dell' JupyterServer app.
Non è possibile eliminare l' JupyterServer applicazione mentre l'interfaccia utente di Studio Classic è ancora aperta nel browser. Se elimini l' JupyterServer applicazione mentre l'interfaccia utente di Studio Classic è ancora aperta nel browser, SageMaker AI ricrea automaticamente l' JupyterServer applicazione.
Qualsiasi informazione non salvata sul notebook viene persa nel processo. I dati utente nel volume Amazon EFS non subiscono alcun impatto.
Alcuni servizi di Studio Classic, come Data Wrangler, vengono eseguiti sulle rispettive app. Per aggiornare questi servizi, devi eliminare l'app relativa a quel servizio. Per ulteriori informazioni, consulta [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md).
**Nota**
Un' JupyterServer app è associata a un singolo utente di Studio Classic. Quando aggiorni l'app per un utente, ciò non influisce su altri utenti.
La pagina seguente mostra come aggiornare l' JupyterServer app dalla console SageMaker AI, da Studio o dall'interno di Studio Classic.
## Arresta e aggiorna dalla console SageMaker AI
1. Accedi a [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio che include l’applicazione Studio Classic da aggiornare.
1. In **Profili utente**, seleziona il tuo nome utente.
1. In **App**, nella riga visualizzata **JupyterServer**, scegli **Azione**, quindi scegli **Elimina**.
1. Scegli **Sì, elimina l'app**.
1. Digita **delete** nella casella di conferma.
1. Scegli **Elimina**.
1. Dopo aver eliminato l’app, avvia una nuova app Studio Classic per scaricare la versione più recente.
## Chiusura e aggiornamento da Studio
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **Studio Classic**.
1. Nella pagina di destinazione di Studio Classic, seleziona l’istanza di Studio Classic da arrestare.
1. Scegli **Stop (Arresta)**.
1. Dopo aver arrestato l’app, seleziona **Esegui** per utilizzare la versione più recente.
## Chiusura e aggiornamento dall’interno di Studio Classic
1. Avvia Studio Classic.
1. Nel menu in alto, scegli **File** quindi **Arresta**.
1. Scegli una delle seguenti opzioni:
+ **Shutdown Server**: chiude l'app. JupyterServer Le sessioni di terminale, le sessioni del kernel, SageMaker le immagini e le istanze non vengono chiuse. Queste risorse continuano ad essere addebitate.
+ **Chiudi tutto: chiude tutte le** app, le sessioni terminali, le sessioni del kernel, le immagini e le istanze. SageMaker Queste risorse non vengono più addebitate.
1. Chiudi la finestra
1. Dopo aver eliminato l’app, avvia una nuova app Studio Classic per utilizzare la versione più recente.
# Chiudi e aggiorna le app Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Per aggiornare un'app Amazon SageMaker Studio Classic all'ultima versione, devi prima chiudere l' KernelGateway app corrispondente dalla console SageMaker AI. Dopo aver chiuso l' KernelGateway app, devi riaprirla tramite SageMaker Studio Classic eseguendo un nuovo kernel. Il kernel si aggiorna automaticamente. Qualsiasi informazione non salvata sul notebook viene persa nel processo. I dati utente nel volume Amazon EFS non subiscono alcun impatto.
Dopo che un'applicazione è stata chiusa per 24 ore, SageMaker AI elimina tutti i metadati dell'applicazione. Per essere considerato un aggiornamento e per conservare i metadati dell'applicazione, le applicazioni devono essere riavviate entro 24 ore dalla chiusura dell'applicazione precedente. Dopo questa finestra temporale, la creazione di un'applicazione viene considerata una nuova applicazione anziché un aggiornamento dell'applicazione precedente.
**Nota**
Un' KernelGateway app è associata a un singolo utente di Studio Classic. Quando si aggiorna l'app per un utente, ciò non influisce su altri utenti.
**Per aggiornare l' KernelGateway app**
1. Accedi a [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio che include l’applicazione da aggiornare.
1. In **Profili utente**, seleziona il tuo nome utente.
1. In **App**, nella riga che mostra il **Nome dell'app**, scegli **Azioni**, quindi scegli **Elimina**
Per aggiornare Data Wrangler, elimina l'app che inizia con. **sagemaker-data-wrang**
1. Scegli **Sì, elimina l'app**.
1. Digita **delete** nella casella di conferma.
1. Scegli **Elimina**.
1. Dopo aver eliminato l’app, avvia un nuovo kernel da Studio Classic per utilizzare la versione più recente.
# Prezzi di Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Quando il primo membro del team accede ad Amazon SageMaker Studio Classic, Amazon SageMaker AI crea un volume Amazon Elastic File System (Amazon EFS) per il team. Quando questo o un altro membro del team apre Studio Classic, viene creata una home directory nel volume per questa persona. Per questa directory viene addebitato un costo per lo storage. Successivamente, vengono addebitati costi per lo storage. aggiuntivi per i notebook e i file di dati archiviati nella home directory del membro. Per informazioni sui prezzi di Amazon EFS, consulta [Prezzi di Amazon EFS](https://aws.amazon.com/efs/pricing/).
L’esecuzione di altre operazioni all’interno di Studio Classic, ad esempio l’esecuzione di un notebook, l’esecuzione di job di addestramento e l’hosting di un modello, potrebbe comportare costi aggiuntivi.
Per informazioni sui costi associati all’utilizzo dei notebook Studio Classic, consulta [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Per informazioni sulla fatturazione ed esempi di prezzi, consulta la pagina dei [ SageMaker prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/).
Se Amazon SageMaker Studio è la tua esperienza predefinita, consulta [Prezzi di Amazon SageMaker Studio](studio-updated-cost.md) la pagina per ulteriori informazioni sui prezzi.
# Risoluzione dei problemi di Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Questo argomento descrive come risolvere i problemi più comuni di Amazon SageMaker Studio Classic durante la configurazione e l'uso. Di seguito sono riportati gli errori più comuni che potrebbero verificarsi durante l'utilizzo di Amazon SageMaker Studio Classic. Ogni errore è seguito dalla relativa soluzione.
## Problemi relativi all’applicazione Studio Classic
I problemi seguenti si verificano durante l’avvio e l’utilizzo dell’applicazione Studio Classic.
+ **La schermata non si carica: cancellare l'area di lavoro e attendere non aiuta**
Quando si avvia l’applicazione Studio Classic, viene visualizzata una finestra pop-up con il messaggio seguente. Indipendentemente dall’opzione selezionata, Studio Classic non viene caricato.
```
Loading...
The loading screen is taking a long time. Would you like to clear the workspace or keep waiting?
```
L’applicazione Studio Classic può subire un ritardo nell’avvio se nello spazio di lavoro di Studio Classic sono aperte più schede o se ci sono diversi file su Amazon EFS. Questa finestra pop-up dovrebbe scomparire in pochi secondi appena lo spazio di lavoro di Studio Classic è pronto.
Se continui a visualizzare una schermata di caricamento con uno spinner dopo aver selezionato una delle opzioni, potrebbero esserci problemi di connettività con Amazon Virtual Private Cloud utilizzato da Studio Classic.
Per risolvere i problemi di connettività con Amazon Virtual Private Cloud (Amazon VPC) utilizzato da Studio Classic, verifica le configurazioni di rete seguenti:
+ Se il tuo dominio è configurato in `VpcOnly` modalità: verifica che esista un endpoint Amazon VPC per o un gateway NAT per AWS STS il traffico in uscita, incluso il traffico su Internet. A tale scopo, segui le fasi descritte in [Connessione dei notebook Studio in un VPC a risorse esterne](studio-notebooks-and-internet-access.md).
+ Se il tuo Amazon VPC è configurato con un DNS personalizzato anziché il DNS fornito da Amazon: verifica che i percorsi siano configurati utilizzando Dynamic Host Configuration Protocol (DHCP) per ogni endpoint Amazon VPC aggiunto all’Amazon VPC utilizzato da Studio Classic. Per ulteriori informazioni sull'impostazione di set di opzioni DHCP predefiniti e personalizzati, consulta [DHCP option sets in Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_DHCP_Options.html).
+ ****Internal Failure** all’avvio di Studio Classic**
L’interfaccia utente di Studio Classic non viene visualizzata all’avvio di Studio Classic. Viene inoltre visualizzato un errore simile al seguente, con **Guasto interno** come dettaglio dell'errore.
```
Amazon SageMaker Studio
The JupyterServer app default encountered a problem and was stopped.
```
Questo errore può essere causato da diversi fattori. Se il completamento di questi passaggi non risolve il problema, crea un problema con. https://aws.amazon.com/premiumsupport/
+ **Destinazione di montaggio Amazon EFS mancante**: Studio Classic utilizza Amazon EFS per l’archiviazione. Il volume Amazon EFS necessita di una destinazione di montaggio per ogni sottorete in cui viene creato il dominio Amazon SageMaker AI. Se questa destinazione di montaggio Amazon EFS viene eliminata accidentalmente, l’applicazione Studio Classic non può essere caricata perché non può montare la directory dei file dell’utente. Per risolvere il problema, completa la seguente procedura.
**Per verificare o creare target di montaggio**
1. Trova il volume Amazon EFS associato al dominio utilizzando la chiamata [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Accedi Console di gestione AWS e apri la console Amazon EFS all'indirizzo [ https://console.aws.amazon.com/efs/](https://console.aws.amazon.com/efs/).
1. Dall'elenco dei volumi Amazon EFS, seleziona il volume Amazon EFS associato al dominio.
1. Nella pagina dei dettagli di Amazon EFS, seleziona la scheda **Rete**. Verifica che esistano target di montaggio per tutte le sottoreti in cui è configurato il dominio.
1. Se mancano i target di montaggio, aggiungi le destinazioni di montaggio Amazon EFS mancanti. Per istruzioni, consulta [Creating and managing mount targets and security groups](https://docs.aws.amazon.com/efs/latest/ug/accessing-fs.html).
1. Dopo aver creato le destinazioni di montaggio mancanti, avvia l’applicazione Studio Classic.
+ **File in conflitto nella `.local` cartella dell'utente**: se utilizzi la JupyterLab versione 1 su Studio Classic, le librerie in conflitto `.local` nella cartella possono causare problemi all'avvio dell'applicazione Studio Classic. Per risolvere questo problema, aggiorna la JupyterLab versione predefinita del profilo utente alla 3.0. JupyterLab Per ulteriori informazioni sulla visualizzazione e l'aggiornamento della JupyterLab versione, vedere[JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md).
+ ****ConfigurationError:** all' LifecycleConfigavvio di Studio Classic**
L’interfaccia utente di Studio Classic non viene visualizzata all’avvio di Studio Classic. Ciò è causato da problemi con lo script di configurazione del ciclo di vita predefinito collegato al dominio.
**Per risolvere i problemi di configurazione del ciclo di vita**
1. Visualizza Amazon CloudWatch Logs per la configurazione del ciclo di vita per tracciare il comando che ha causato l'errore. Per visualizzare il log, segui le fasi descritte in [Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch](studio-lcc-debug.md#studio-lcc-debug-logs).
1. Scollega lo script predefinito dal profilo utente o dal dominio. Per ulteriori informazioni, consulta [Aggiorna e scollega le configurazioni del ciclo di vita in Amazon Studio Classic SageMaker](studio-lcc-delete.md).
1. Avvia l’applicazione Studio Classic.
1. Esegui il debug dello script di configurazione del ciclo di vita. Puoi eseguire lo script di configurazione del ciclo di vita dal terminale di sistema per risolvere i problemi. Quando lo script viene eseguito correttamente dal terminale, puoi collegarlo al profilo utente o al dominio.
+ **SageMaker Le funzionalità principali di Studio Classic non sono disponibili.**
Se ricevi questo messaggio di errore all’apertura di Studio Classic, potrebbe essere dovuto a conflitti di versione del pacchetto Python. Ciò si verifica se hai utilizzato i seguenti comandi in un notebook o in un terminale per installare pacchetti Python che presentano conflitti di versione con le dipendenze dei pacchetti SageMaker AI.
```
!pip install
```
```
pip install --user
```
Per risolvere il problema, completala seguente procedura:
1. Disinstalla i pacchetti Python installati di recente. Se non sei sicuro del pacchetto da disinstallare, crea un problema con. https://aws.amazon.com/premiumsupport/
1. Riavvia Studio Classic:
1. Chiudi Studio Classic dal menu **File**.
1. Attendi un minuto.
1. Riapri Studio Classic aggiornando la pagina o aprendola dalla Console di gestione AWS.
Il problema dovrebbe essere risolto se è stato disinstallato il pacchetto che ha causato il conflitto. Per installare i pacchetti senza causare nuovamente questo problema, utilizza `%pip install` senza il flag `--user`.
Se il problema persiste, crea un nuovo profilo utente e configura l'ambiente con quel profilo utente.
Se queste soluzioni non risolvono il problema, crea un problema con https://aws.amazon.com/premiumsupport/.
+ **Impossibile aprire Studio Classic dalla Console di gestione AWS.**
Se non riesci ad aprire Studio Classic e non riesci a creare una nuova istanza in esecuzione con tutte le impostazioni predefinite, crea un problema con https://aws.amazon.com/premiumsupport/.
## KernelGateway problemi relativi all'applicazione
I seguenti problemi sono specifici KernelGateway delle applicazioni avviate in Studio Classic.
+ **Impossibile accedere alla sessione Kernel**
Quando l'utente avvia un nuovo notebook, non è in grado di connettersi alla sessione del notebook. Se lo stato dell' KernelGateway applicazione è`In Service`, puoi verificare quanto segue per risolvere il problema.
+ **Controllo delle configurazioni dei gruppi di sicurezza**
Se il dominio è configurato in `VPCOnly` modalità, il gruppo di sicurezza associato al dominio deve consentire il traffico tra le porte nell'intervallo di `8192-65535` connettività tra le JupyterServer e KernelGateway le app.
**Per verificare le regole del gruppo di sicurezza**
1. Ottieni i gruppi di sicurezza associati al dominio utilizzando la chiamata [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Accedi Console di gestione AWS e apri la console Amazon VPC all'indirizzo. [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/)
1. Nel riquadro di navigazione a sinistra, in **Sicurezza**, scegli **Gruppi di sicurezza**.
1. Filtra in base ai gruppi IDs di sicurezza associati al dominio.
1. Per ogni gruppo di sicurezza:
1. Seleziona il gruppo di sicurezza.
1. Dalla pagina dei dettagli del gruppo di sicurezza, visualizza le **Regole in entrata**. Verifica che il traffico sia consentito tra le porte dell'intervallo `8192-65535`.
Per ulteriori informazioni sulle regole del gruppo di sicurezza, consulta [Control traffic to resources using security groups](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_SecurityGroups.html#working-with-security-group-rules). Per ulteriori informazioni sui requisiti per utilizzare Studio Classic in modalità `VPCOnly`, consulta [Connessione dei notebook Studio in un VPC a risorse esterne](studio-notebooks-and-internet-access.md).
+ **Verifica il firewall e WebSocket le connessioni**
Se le KernelGateway app hanno uno `InService` stato e l'utente non è in grado di connettersi alla sessione del notebook Studio Classic, verifica il firewall e WebSocket le impostazioni.
1. Avvia l’applicazione Studio Classic. Per ulteriori informazioni, consulta [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. Apri gli strumenti per sviluppatori del tuo browser Web.
1. Scegli la scheda **Rete**.
1. Cerca una voce che corrisponda al formato seguente.
```
wss://.studio..sagemaker.aws/jupyter/default/api/kernels//channels?session_id=
```
Se lo stato o il codice di risposta dell'immissione è diverso da questo`101`, le impostazioni di rete impediscono la connessione tra l'applicazione Studio Classic e le KernelGateway app.
Per risolvere questo problema, contattate il team che gestisce le impostazioni di rete per consentire l'elenco dell'URL di Studio Classic e l'attivazione delle WebSocket connessioni.
+ **Impossibile avviare un'app a causa del superamento delle quote delle risorse**
Quando un utente tenta di avviare un nuovo notebook, la creazione del notebook non riesce e causa uno dei seguenti errori. Ciò è causato dal superamento delle quote delle risorse.
+
```
Unable to start more Apps of AppType [KernelGateway] and ResourceSpec(instanceType=[]) for UserProfile []. Please delete an App with a matching AppType and ResourceSpec, then try again
```
Studio Classic supporta fino a quattro KernelGateway app in esecuzione sulla stessa istanza. Per risolvere il problema, puoi procedere in uno dei seguenti modi:
+ Elimina un' KernelGateway applicazione esistente in esecuzione sull'istanza, quindi riavvia il nuovo notebook.
+ Avviare il nuovo notebook su un tipo di istanza diverso
Per ulteriori informazioni, consulta [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
+
```
An error occurred (ResourceLimitExceeded) when calling the CreateApp operation
```
In questo caso, l’account non ha limiti sufficienti per creare un’applicazione Studio Classic sul tipo di istanza specificato. Per risolvere il problema, accedi alla Quote di servizio console all'indirizzo [https://console.aws.amazon.com/servicequotas/](https://console.aws.amazon.com/servicequotas/). In quella console, richiedi di aumentare il limite `Studio KernelGateway Apps running on instance-type instance`. Per ulteriori informazioni, consulta [AWS service quotas](https://docs.aws.amazon.com/general/latest/gr/aws_service_limits.html).
# SageMaker JupyterLab
Crea uno JupyterLab spazio all'interno di Amazon SageMaker Studio per avviare l' JupyterLabapplicazione. Uno JupyterLab spazio è uno spazio privato o condiviso all'interno di Studio che gestisce le risorse di archiviazione e di calcolo necessarie per eseguire l' JupyterLab applicazione. L' JupyterLab applicazione è un ambiente di sviluppo interattivo (IDE) basato sul Web per notebook, codice e dati. Utilizza l'interfaccia flessibile ed estesa dell' JupyterLab applicazione per configurare e organizzare i flussi di lavoro di machine learning (ML).
Per impostazione predefinita, l' JupyterLab applicazione viene fornita con l'immagine SageMaker Distribution. L’immagine di Distribution contiene pacchetti molto diffusi, ad esempio:
+ PyTorch
+ TensorFlow
+ Keras
+ NumPy
+ Pandas
+ Scikit-learn
Puoi utilizzare gli spazi condivisi per collaborare sui tuoi notebook Jupyter con altri utenti in tempo reale. Per ulteriori informazioni sugli spazi condivisi, consulta [Collaborazione con spazi condivisi](domain-space.md).
All'interno dell' JupyterLab applicazione, puoi utilizzare Amazon Q Developer, un complemento di codice generativo basato sull'intelligenza artificiale per generare, eseguire il debug e spiegare il codice. Per informazioni sull’utilizzo di Amazon Q Developer, consulta [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md). Per informazioni sulla configurazione di Amazon Q Developer, consulta [JupyterLab guida per amministratori](studio-updated-jl-admin-guide.md).
Crea flussi di lavoro di analisi e machine learning unificati nello stesso notebook Jupyter. Esegui Spark lavori interattivi su Amazon EMR e sull'infrastruttura AWS Glue serverless, direttamente dal tuo notebook. Monitora ed esegui il debug dei processi più velocemente utilizzando l’interfaccia utente inline di Spark. In poche fasi, puoi automatizzare la preparazione dei dati pianificando il notebook come processo.
L' JupyterLab applicazione ti aiuta a lavorare in modo collaborativo con i tuoi colleghi. Usa l'integrazione Git integrata nell' JupyterLab IDE per condividere e modificare il codice. Porta il tuo sistema di archiviazione dei file, se hai un volume Amazon EFS.
L' JupyterLab applicazione viene eseguita su una singola istanza Amazon Elastic Compute Cloud (Amazon EC2) e utilizza un singolo volume Amazon Elastic Block Store (Amazon EBS) per lo storage. Puoi passare tra le istanze più velocemente o aumentare la dimensione del volume Amazon EBS in base alle tue esigenze.
L'applicazione JupyterLab 4 viene eseguita in JupyterLab uno spazio all'interno di Studio. Studio Classic utilizza l'applicazione JupyterLab 3. JupyterLab 4 offre i seguenti vantaggi:
+ Un IDE più veloce di Amazon SageMaker Studio Classic, in particolare con notebook di grandi dimensioni
+ Ricerca dei documenti migliorata
+ Un editor di testo più performante e accessibile
[Per ulteriori informazioni su JupyterLab, consulta Documentazione. JupyterLab](https://jupyterlab.readthedocs.io/en/stable/#)
**Topics**
+ [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md)
+ [JupyterLab guida per amministratori](studio-updated-jl-admin-guide.md)
# JupyterLab guida per l'utente
Questa guida mostra JupyterLab agli utenti come eseguire flussi di lavoro di analisi e apprendimento automatico all'interno SageMaker di Studio. Puoi accelerare l’archiviazione e scalare le capacità di calcolo a seconda delle tue esigenze.
JupyterLab supporta spazi privati e condivisi. Gli spazi privati sono limitati a un singolo utente in un dominio. Gli spazi condivisi consentono agli altri utenti del dominio di collaborare con te in tempo reale. Per informazioni sull’utilizzo degli spazi di Studio, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md).
Per iniziare a utilizzarlo JupyterLab, crea uno spazio e avvia JupyterLab l'applicazione. Lo spazio su cui è in esecuzione JupyterLab l'applicazione è uno JupyterLab spazio. Lo JupyterLab spazio utilizza una singola istanza Amazon EC2 per l'elaborazione e un singolo volume Amazon EBS per lo storage. Tutti gli elementi presenti nel tuo spazio, ad esempio il codice, il profilo Git e le variabili di ambiente, vengono archiviati nello stesso volume Amazon EBS. Il volume ha 3000 IOPS e un throughput di 125 megabyte al secondo (). MBps Puoi utilizzare l’archiviazione rapida per aprire ed eseguire più notebook Jupyter sulla stessa istanza. Puoi anche passare molto rapidamente tra i vari kernel di un notebook.
L’amministratore configura le impostazioni predefinite di archiviazione Amazon EBS per il tuo spazio. La dimensione dell’archiviazione predefinita è di 5 GB, ma puoi aumentare la quantità di spazio disponibile. Puoi chiedere al tuo amministratore di fornirti delle linee guida.
Puoi cambiare il tipo di istanza Amazon EC2 che usi per l'esecuzione JupyterLab, scalando il calcolo verso l'alto o verso il basso a seconda delle tue esigenze. Le istanze con la funzionalità di **avvio rapido** si avviano più velocemente delle altre istanze.
L’amministratore potrebbe fornirti una configurazione del ciclo di vita per personalizzare il tuo ambiente. Puoi specificare la configurazione del ciclo di vita quando crei lo spazio.
Se il tuo amministratore ti dà accesso a un Amazon EFS, puoi configurare il tuo JupyterLab spazio per accedervi.
Per impostazione predefinita, l' JupyterLab applicazione utilizza l'immagine SageMaker di distribuzione. Ciò include il supporto per molti pacchetti di machine learning, analisi e deep learning. Tuttavia, se hai bisogno di un’immagine personalizzata, l’amministratore può aiutarti concedendoti l’accesso alle immagini personalizzate.
Il volume Amazon EBS persiste indipendentemente dalla durata di un’istanza. Non perderai i tuoi dati quando cambi istanza. Utilizza le librerie di gestione dei pacchetti conda e pip per creare ambienti personalizzati riproducibili che persistono anche quando cambi tipo di istanza.
Dopo l'apertura JupyterLab, è possibile configurare l'ambiente utilizzando il terminale. Per aprire il terminale, vai all’**utilità di avvio** e scegli **Terminale**.
Di seguito sono riportati alcuni esempi di diversi modi in cui è possibile configurare un ambiente JupyterLab.
**Nota**
All’interno di Studio, puoi utilizzare le configurazioni del ciclo di vita per personalizzare l’ambiente, anche se ti consigliamo di utilizzare un gestore dei pacchetti. L’utilizzo delle configurazioni del ciclo di vita è un metodo più soggetto a errori. È più facile aggiungere o rimuovere le dipendenze piuttosto che eseguire il debug di uno script di configurazione del ciclo di vita. Può anche aumentare il tempo JupyterLab di avvio.
Per informazioni sulle configurazioni del ciclo di vita, consulta [Configurazioni del ciclo di vita con JupyterLab](jl-lcc.md).
**Topics**
+ [Creazione di uno spazio](studio-updated-jl-user-guide-create-space.md)
+ [Configurazione di uno spazio](studio-updated-jl-user-guide-configure-space.md)
+ [Personalizzazione dell’ambiente con un gestore dei pacchetti](studio-updated-jl-user-guide-customize-package-manager.md)
+ [Pulizia di un ambiente conda](studio-updated-jl-clean-up-conda.md)
+ [Condivisione di ambienti conda tra diversi tipi di istanze](studio-updated-jl-create-conda-share-environment.md)
+ [Utilizzo di Amazon Q per accelerare i flussi di lavoro di machine learning](studio-updated-jl-user-guide-use-amazon-q.md)
# Creazione di uno spazio
Per iniziare a utilizzarlo JupyterLab, crea uno spazio o scegli lo spazio che l'amministratore ha creato per te e apri JupyterLab.
Utilizza la procedura seguente per creare uno spazio e aprirlo JupyterLab.
**Per creare uno spazio e aprirlo JupyterLab**
1. Apri Studio. Per informazioni su come aprire Studio, consulta [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Scegli **JupyterLab**.
1. Scegli **Crea JupyterLab spazio**.
1. Per **Nome**, specifica il nome dello spazio.
1. (Facoltativo) Seleziona **Condividi con il mio dominio** per creare uno spazio condiviso.
1. Scegli **Crea spazio**.
1. (Facoltativo) In **Istanza**, specifica l’istanza Amazon EC2 che esegue lo spazio.
1. (Facoltativo) In **Immagine**, specifica un’immagine fornita dall’amministratore per personalizzare l’ambiente.
**Importante**
Le policy IAM personalizzate che consentono agli utenti di Studio di creare spazi devono concedere anche le autorizzazioni per elencare le immagini (`sagemaker: ListImage`) per poter visualizzare le immagini personalizzate. Per aggiungere l’autorizzazione, consulta [Add or remove identity permissions](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) in *AWS Identity and Access Management* User Guide.
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che concedono le autorizzazioni per creare risorse SageMaker AI includono già le autorizzazioni per elencare le immagini durante la creazione di tali risorse.
1. (Facoltativo) In **Impostazioni spazio**, specifica quanto segue:
+ **Archiviazione (GB)**: fino a 100 GB o la quantità specificata dall’amministratore.
+ **Configurazione del ciclo di vita**: una configurazione del ciclo di vita specificata dall’amministratore.
+ **Allega un file system EFS personalizzato**: un Amazon EFS per il quale l’amministratore fornisce l’accesso.
1. Scegli **Esegui lo spazio**.
1. Seleziona **Apri JupyterLab**.
# Configurazione di uno spazio
Dopo aver creato uno JupyterLab spazio, puoi configurarlo per eseguire le seguenti operazioni:
+ Cambiare il tipo di istanza.
+ Modificare il volume di archiviazione.
+ (È richiesta la configurazione dell’amministratore) Utilizzare un’immagine personalizzata.
+ (È richiesta la configurazione dell’amministratore) Utilizzare una configurazione del ciclo di vita.
+ (È richiesta la configurazione dell’amministratore) Collegare un Amazon EFS personalizzato.
**Importante**
È necessario interrompere lo JupyterLab spazio ogni volta che lo si configura. Utilizza la procedura seguente per configurare lo spazio.
**Per configurare uno spazio**
1. All'interno di Studio, accedi alla pagina JupyterLab dell'applicazione.
1. Scegli il nome dello spazio.
1. (Facoltativo) In **Immagine**, specifica un’immagine fornita dall’amministratore per personalizzare l’ambiente.
**Importante**
Le policy IAM personalizzate che consentono agli utenti di Studio di creare spazi devono concedere anche le autorizzazioni per elencare le immagini (`sagemaker: ListImage`) per poter visualizzare le immagini personalizzate. Per aggiungere l’autorizzazione, consulta [Add or remove identity permissions](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) in *AWS Identity and Access Management* User Guide.
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che concedono le autorizzazioni per creare risorse SageMaker AI includono già le autorizzazioni per elencare le immagini durante la creazione di tali risorse.
1. (Facoltativo) In **Impostazioni spazio**, specifica quanto segue:
+ **Archiviazione (GB)**: fino a 100 GB o la quantità che l’amministratore ha configurato per lo spazio.
+ **Configurazione del ciclo di vita**: una configurazione del ciclo di vita fornita dall’amministratore.
+ **Allega un file system EFS personalizzato**: un Amazon EFS per il quale l’amministratore fornisce l’accesso.
1. Scegli **Esegui lo spazio**.
Quando apri l' JupyterLab applicazione, il tuo spazio ha la configurazione aggiornata.
# Personalizzazione dell’ambiente con un gestore dei pacchetti
Utilizza pip o conda per personalizzare il tuo ambiente. Consigliamo di utilizzare gestori dei pacchetti anziché script di configurazione del ciclo di vita.
## Creazione e attivazione dell’ambiente personalizzato
Questa sezione fornisce esempi di diversi modi in cui è possibile configurare un ambiente JupyterLab.
Un ambiente conda di base ha il numero minimo di pacchetti necessari per i flussi di lavoro in SageMaker AI. Utilizza il modello seguente per creare un ambiente conda di base:
```
# initialize conda for shell interaction
conda init
# create a new fresh environment
conda create --name test-env
# check if your new environment is created successfully
conda info --envs
# activate the new environment
conda activate test-env
# install packages in your new conda environment
conda install pip boto3 pandas ipykernel
# list all packages install in your new environment
conda list
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# to exit your new environment
conda deactivate
```
L’immagine seguente mostra la posizione dell’ambiente creato.
![\[L’ambiente test-env viene visualizzato nell’angolo in alto a destra della schermata.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png)
Per modificare l’ambiente, selezionalo e scegli un’opzione dal menu a discesa.
![\[Il segno di spunta e il testo corrispondente mostrano un ambiente di esempio creato in precedenza.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jupyter-notebook-select-env.png)
Scegli **Seleziona** per selezionare un kernel per l’ambiente.
## Creazione di un ambiente conda con una specifica versione di Python
La pulizia degli ambienti conda non utilizzati può aiutare a liberare spazio su disco e migliorare le prestazioni. Utilizza il modello seguente per pulire un ambiente conda:
```
# create a conda environment with a specific python version
conda create --name py38-test-env python=3.8.10
# activate and test your new python version
conda activate py38-test-env & python3 --version
# Install ipykernel to facilicate env registration
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your py38 test environment
conda deactivate
```
## Creazione di un ambiente conda con un set specifico di pacchetti
Utilizza il modello seguente per creare un ambiente conda con una versione di Python e un set di pacchetti specifici:
```
# prefill your conda environment with a set of packages,
conda create --name py38-test-env python=3.8.10 pandas matplotlib=3.7 scipy ipykernel
# activate your conda environment and ensure these packages exist
conda activate py38-test-env
# check if these packages exist
conda list | grep -E 'pandas|matplotlib|scipy'
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Clonazione di conda da un ambiente esistente
Clona il tuo ambiente conda per preservarne lo stato di funzionamento. Conduci esperimenti nell’ambiente clonato senza temere di introdurre modifiche pericolose nel tuo ambiente di test.
Utilizza il comando seguente per clonare un ambiente.
```
# create a fresh env from a base environment
conda create --name py310-base-ext --clone base # replace 'base' with another env
# activate your conda environment and ensure these packages exist
conda activate py310-base-ext
# install ipykernel to register your env
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Clonazione di conda da un file YAML di riferimento
Crea un ambiente conda da un file YAML di riferimento. Di seguito è riportato un file YAML di esempio che puoi utilizzare.
```
# anatomy of a reference environment.yml
name: py311-new-env
channels:
- conda-forge
dependencies:
- python=3.11
- numpy
- pandas
- scipy
- matplotlib
- pip
- ipykernel
- pip:
- git+https://github.com/huggingface/transformers
```
In `pip`, consigliamo di specificare solo le dipendenze che non sono disponibili con conda.
Utilizza i comandi seguenti per creare un ambiente conda da un file YAML.
```
# create your conda environment
conda env create -f environment.yml
# activate your env
conda activate py311-new-env
```
# Pulizia di un ambiente conda
La pulizia degli ambienti conda non utilizzati può aiutare a liberare spazio su disco e migliorare le prestazioni. Utilizza il modello seguente per pulire un ambiente conda:
```
# list your environments to select an environment to clean
conda info --envs # or conda info -e
# once you've selected your environment to purge
conda remove --name test-env --all
# run conda environment list to ensure the target environment is purged
conda info --envs # or conda info -e
```
# Condivisione di ambienti conda tra diversi tipi di istanze
Puoi condividere gli ambienti conda salvandoli in una directory Amazon EFS esterna al tuo volume Amazon EBS. Un altro utente può accedere all’ambiente nella directory in cui lo hai salvato.
**Importante**
La condivisione degli ambienti presenta delle limitazioni. Ad esempio, non consigliamo di preferire un ambiente progettato per l’esecuzione su un’istanza GPU di Amazon EC2 rispetto a un ambiente in esecuzione su un’istanza CPU.
Utilizza i comandi seguenti come modello per specificare la directory di destinazione in cui stai creando un ambiente personalizzato. Stai creando un conda all’interno di un percorso particolare. Lo crei all’interno della directory Amazon EFS. Puoi avviare una nuova istanza ed eseguire il percorso di attivazione conda all’interno di Amazon EFS.
```
# if you know your environment path for your conda environment
conda create --prefix /home/sagemaker-user/my-project/py39-test python=3.9
# activate the env with full path from prefix
conda activate home/sagemaker-user/my-project/py39-test
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | awk -F' : ' '{print $2}' | awk -F'/' '{print $NF}')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env-prefix:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
# Utilizzo di Amazon Q per accelerare i flussi di lavoro di machine learning
Amazon Q Developer è il tuo partner basato sull’IA per lo sviluppo del machine learning. Con Amazon Q Developer, puoi:
+ Ricevi step-by-step indicazioni sull'utilizzo delle funzionalità di SageMaker intelligenza artificiale in modo indipendente o in combinazione con altri AWS servizi.
+ Ottieni codice di esempio per iniziare le tue attività di machine learning come la preparazione dei dati, la formazione, l'inferenza e MLOps.
+ Ricevere assistenza sulla risoluzione dei problemi per eseguire il debug e correggere gli errori riscontrati durante l’esecuzione del codice.
Amazon Q Developer si integra perfettamente nel tuo JupyterLab ambiente. Per utilizzare Amazon Q Developer, scegli **Q** dalla barra di navigazione a sinistra del tuo JupyterLab ambiente o dall'ambiente Code Editor.
Se non vedi l’icona **Q**, il tuo amministratore deve configurarla per te. Per ulteriori informazioni sulla configurazione di Amazon Q Developer, consulta [Configurazione di Amazon Q Developer per i tuoi utenti](studio-updated-amazon-q-admin-guide-set-up.md).
Amazon Q fornisce automaticamente suggerimenti per aiutarti a scrivere il codice. Puoi anche chiedere suggerimenti tramite l’interfaccia della chat.
# JupyterLab guida per amministratori
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Questa guida per gli amministratori descrive JupyterLab le risorse SageMaker AI, come quelle di Amazon Elastic Block Store (Amazon EBS) e Amazon Elastic Compute Cloud (Amazon EC2) Elastic Compute Cloud (Amazon EC2). Gli argomenti mostrano anche come fornire l’accesso agli utenti e modificare la dimensione dell’archiviazione.
Uno JupyterLab spazio SageMaker AI è composto dalle seguenti risorse:
+ Un volume Amazon EBS distinto che archivia tutti i dati, come il codice e le variabili di ambiente.
+ L’istanza Amazon EC2 utilizzata per eseguire lo spazio.
+ L'immagine utilizzata per l'esecuzione JupyterLab.
**Nota**
Le applicazioni non hanno accesso al volume EBS di altre applicazioni. Ad esempio, Code Editor, basato su Code-OSS, Visual Studio Code - Open Source non ha accesso al volume EBS per. JupyterLab Per ulteriori informazioni sui volumi EBS, consulta [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/AmazonEBS.html).
Puoi utilizzare l' SageMaker API Amazon per effettuare le seguenti operazioni:
+ Modificare la dimensione dell’archiviazione predefinita del volume EBS per i tuoi utenti.
+ Modificare la dimensione massima dell’archiviazione EBS.
+ Specificare le impostazioni utente per l’applicazione. Ad esempio, puoi specificare se l’utente sta utilizzando un’immagine personalizzata o un repository di codice.
+ Specificare il tipo di applicazione di supporto.
La dimensione predefinita del volume Amazon EBS è di 5 GB. Puoi aumentarla fino a un massimo di 16.384 GB. Se non apporti modifiche, gli utenti possono aumentare la dimensione del volume fino a 100 GB. La dimensione del volume può essere modificata solo una volta in un intervallo di sei ore.
I kernel associati all' JupyterLab applicazione vengono eseguiti sulla stessa istanza Amazon EC2 in esecuzione. JupyterLab Quando crei uno spazio, per impostazione predefinita viene utilizzata la versione più recente dell'immagine di SageMaker distribuzione. Per ulteriori informazioni sulle immagini SageMaker di distribuzione, vedere[SageMaker Politica di supporto delle immagini di Studio](sagemaker-distribution.md).
**Importante**
Per informazioni sull'aggiornamento dello spazio per utilizzare la versione più recente di SageMaker AI Distribution Image, consulta[Aggiorna l'immagine SageMaker di distribuzione](studio-updated-jl-update-distribution-image.md).
La directory di lavoro degli utenti all’interno del volume di archiviazione è `/home/sagemaker-user`. Se specifichi la tua AWS KMS chiave per crittografare il volume, tutto ciò che si trova nella directory di lavoro viene crittografato utilizzando la chiave gestita dal cliente. Se non si specifica alcuna AWS KMS chiave, i dati all'interno `/home/sagemaker-user` vengono crittografati con una chiave AWS gestita. Indipendentemente dal fatto che venga specificata una AWS KMS chiave, tutti i dati al di fuori della directory di lavoro vengono crittografati con una chiave AWS gestita.
Le sezioni seguenti forniscono istruzioni sulle configurazioni che devi eseguire in qualità di amministratore.
**Topics**
+ [Concessione agli utenti dell’accesso agli spazi](studio-updated-jl-admin-guide-permissions.md)
+ [Modifica la dimensione di archiviazione predefinita per i tuoi utenti JupyterLab](studio-updated-jl-admin-guide-storage-size.md)
+ [Configurazioni del ciclo di vita con JupyterLab](jl-lcc.md)
+ [Repos Git in JupyterLab](studio-updated-jl-admin-guide-git-attach.md)
+ [Immagini personalizzate](studio-updated-jl-admin-guide-custom-images.md)
+ [Aggiorna l'immagine SageMaker di distribuzione](studio-updated-jl-update-distribution-image.md)
+ [Eliminazione delle risorse inutilizzate](studio-updated-jl-admin-guide-clean-up.md)
+ [Quote](studio-updated-jl-admin-guide-quotas.md)
# Concessione agli utenti dell’accesso agli spazi
Per consentire agli utenti di accedere a spazi privati o condivisi, devi collegare una policy di autorizzazione ai loro ruoli IAM. Puoi utilizzare la policy di autorizzazione anche per limitare gli spazi privati e le relative applicazioni associate a un profilo utente specifico.
La policy di autorizzazione seguente consente l’accesso a spazi privati e condivisi. Consente agli utenti di creare il proprio spazio ed elencare altri spazi all’interno del proprio dominio. Un utente con questa policy non può accedere allo spazio privato di un altro utente. Per informazioni sull’utilizzo degli spazi di Studio, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md).
La policy di esempio seguente fornisce le autorizzazioni per:
+ Spazi privati o spazi condivisi.
+ Un profilo utente per accedere a tali spazi.
Per fornire le autorizzazioni, puoi definire l’ambito delle autorizzazioni della policy seguente e aggiungerla ai ruoli IAM dei tuoi utenti. Puoi utilizzare questa policy anche per limitare i tuoi spazi e le relative applicazioni associate a un profilo utente specifico.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
}
]
}
```
------
# Modifica la dimensione di archiviazione predefinita per i tuoi utenti JupyterLab
Puoi modificare le impostazioni di archiviazione predefinite per gli utenti. Puoi anche modificare le impostazioni di archiviazione predefinite in base ai requisiti organizzativi e alle esigenze degli utenti.
Per modificare la dimensione dell’archiviazione, questa sezione fornisce i comandi per:
1. Aggiorna le impostazioni di storage di Amazon EBS nel dominio Amazon SageMaker AI (dominio).
1. Creare un profilo utente e specificare le impostazioni di archiviazione al suo interno.
Utilizza i seguenti comandi AWS Command Line Interface (AWS CLI) per modificare la dimensione di storage predefinita.
Utilizzate il seguente AWS CLI comando per aggiornare il dominio:
```
aws --region Regione AWS sagemaker update-domain \
--domain-id domain-id \
--default-user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Utilizzate il seguente AWS CLI comando per creare il profilo utente e specificare le impostazioni di archiviazione predefinite:
```
aws --region Regione AWS sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Utilizza i seguenti AWS CLI comandi per aggiornare le impostazioni di archiviazione predefinite nel profilo utente:
```
aws --region Regione AWS sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":25,
"MaximumEbsVolumeSizeInGb":200
}
}
}'
```
# Configurazioni del ciclo di vita con JupyterLab
Le configurazioni del ciclo di vita sono script di shell attivati da JupyterLab eventi del ciclo di vita, come l'avvio di un nuovo notebook. JupyterLab È possibile utilizzare le configurazioni del ciclo di vita per automatizzare la personalizzazione del proprio ambiente. JupyterLab Questa personalizzazione include l'installazione di pacchetti personalizzati, la configurazione delle estensioni dei notebook, il precaricamento di set di dati e la configurazione di repository di codice sorgente.
L'utilizzo delle configurazioni del ciclo di vita offre flessibilità e controllo per la configurazione in base alle esigenze specifiche. JupyterLab Ad esempio, puoi creare un set minimo di immagini del container di base con i pacchetti e le librerie utilizzati più di frequente. Puoi quindi utilizzare le configurazioni del ciclo di vita per installare pacchetti aggiuntivi per casi d’uso specifici per i team di data science e machine learning.
**Nota**
Ogni script ha un limite di **16.384 caratteri**.
**Topics**
+ [Errore di configurazione del ciclo di vita](jl-lcc-create.md)
+ [Esecuzione del debug delle configurazioni del ciclo di vita](jl-lcc-debug.md)
+ [Scollegamento delle configurazioni del ciclo di vita](jl-lcc-delete.md)
# Errore di configurazione del ciclo di vita
Questo argomento include istruzioni per creare e associare una configurazione del ciclo di vita a. JupyterLab È possibile utilizzare il AWS Command Line Interface (AWS CLI) o il Console di gestione AWS per automatizzare la personalizzazione del proprio ambiente. JupyterLab
Le configurazioni del ciclo di vita sono script di shell attivati da eventi del JupyterLab ciclo di vita, come l'avvio di un nuovo notebook. JupyterLab Per ulteriori informazioni sulle configurazioni del ciclo di vita, consulta [Configurazioni del ciclo di vita con JupyterLab](jl-lcc.md).
## Creazione di una configurazione del ciclo di vita (AWS CLI)
Scopri come creare una configurazione del ciclo di vita utilizzando AWS Command Line Interface ()AWS CLI per automatizzare la personalizzazione del tuo ambiente Studio.
### Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ Aggiorna il file AWS CLI seguendo la procedura descritta in [Installazione](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) della versione corrente. AWS CLI
+ Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS credenziali](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Effettua l'onboard nel dominio Amazon SageMaker AI. Per informazioni concettuali, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md). Per una guida di avvio rapido, consulta [Usa la configurazione rapida per Amazon SageMaker AI](onboard-quick-start.md).
### Fase 1: creazione di una configurazione del ciclo di vita
La procedura seguente mostra come creare uno script di configurazione del ciclo di vita che stampa `Hello World`.
**Nota**
Ogni script può contenere un massimo di **16.384 caratteri.**
1. Dal computer locale, crea un file denominato `my-script.sh` con il contenuto seguente:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Utilizza quanto segue per convertire il file `my-script.sh` nel formato base64. Questo requisito previene gli errori dovuti alla codifica della spaziatura e delle interruzioni di riga.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Creazione di una configurazione del ciclo di vita da utilizzare con Studio. Il comando seguente crea una configurazione del ciclo di vita che viene eseguita all’avvio di un’applicazione `JupyterLab` associata:
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-jl-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type JupyterLab
```
Prendi nota dell’ARN (nome della risorsa Amazon) della configurazione del ciclo di vita appena creata che viene restitutio. L’ARN è richiesto per collegare la configurazione del ciclo di vita all'applicazione.
### Fase 2: collega la configurazione del ciclo di vita al dominio Amazon SageMaker AI (dominio) e al profilo utente
Per collegare la configurazione del ciclo di vita, devi aggiornare `UserSettings` per il tuo dominio o profilo utente. Gli script di configurazione del ciclo di vita associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli script associati a livello di profilo utente sono limitati a un utente specifico.
Puoi creare un nuovo profilo utente, dominio o spazio a cui è collegata una configurazione del ciclo di vita utilizzando i comandi seguenti:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
Il comando seguente crea un profilo utente con una configurazione del ciclo di vita. Aggiungi l’ARN della configurazione del ciclo di vita della fase precedente alle impostazioni `JupyterLabAppSettings` dell’utente. Se inoltri un elenco di configurazioni del ciclo di vita, puoi aggiungere più configurazioni contemporaneamente. Quando un utente avvia un' JupyterLab applicazione con AWS CLI, può specificare una configurazione del ciclo di vita anziché utilizzare quella predefinita. La configurazione del ciclo di vita inoltrata dall'utente deve appartenere all'elenco delle configurazioni del ciclo di vita in `JupyterLabAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
## Creazione di una configurazione del ciclo di vita (console)
Scopri come creare una configurazione del ciclo di vita utilizzando Console di gestione AWS per automatizzare la personalizzazione del tuo ambiente Studio.
### Fase 1: creazione di una configurazione del ciclo di vita
Utilizza la procedura seguente per creare uno script di configurazione del ciclo di vita che stampa `Hello World`.
**Per creare una configurazione del ciclo di vita**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel pannello di navigazione sinistro scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Configurazioni del ciclo di vita**.
1. Scegli la scheda **JupyterLab**.
1. Scegli **Crea configurazione**.
1. In **Nome**, specifica il nome della configurazione del ciclo di vita.
1. Nella casella di testo sotto **Script**, specifica la configurazione del ciclo di vita seguente:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Scegli **Crea configurazione**.
### Fase 2: collega la configurazione del ciclo di vita al dominio Amazon SageMaker AI (dominio) e al profilo utente
Gli script di configurazione del ciclo di vita associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli script associati a livello di profilo utente sono limitati a un utente specifico.
Puoi collegare più configurazioni del ciclo di vita a un dominio o a un profilo utente per. JupyterLab
Utilizza la procedura seguente per collegare una configurazione del ciclo di vita a un dominio.
**Per collegare una configurazione del ciclo di vita a un dominio**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio a cui collegare la configurazione del ciclo di vita.
1. Da **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. In **Configurazioni del ciclo di vita per app Studio personali**, scegli **Collega**.
1. In **Origine**, scegli **Configurazione esistente**.
1. In **Configurazioni del ciclo di vita in Studio**, seleziona la configurazione del ciclo di vita creata nella fase precedente.
1. Seleziona **Collega al dominio**.
Utilizza la procedura seguente per collegare una configurazione del ciclo di vita a un profilo utente.
**Per collegare una configurazione del ciclo di vita a un profilo utente**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio che contiene il profilo utente a cui collegare la configurazione del ciclo di vita.
1. In **Profili utente**, seleziona il profilo utente.
1. Nella pagina **Dettagli utente** seleziona **Modifica**.
1. Nella barra di navigazione a sinistra, scegli **Impostazioni di Studio**.
1. In **Configurazioni del ciclo di vita collegate all'utente**, scegli **Collega**.
1. In **Origine**, scegli **Configurazione esistente**.
1. In **Configurazioni del ciclo di vita in Studio**, seleziona la configurazione del ciclo di vita creata nella fase precedente.
1. Seleziona **Collega al profilo utente**.
# Esecuzione del debug delle configurazioni del ciclo di vita
I seguenti contenuti spiegano come recuperare le informazioni sulle configurazioni del ciclo di vita e come eseguirne il debug.
**Topics**
+ [Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch](#jl-lcc-debug-logs)
+ [Timeout della configurazione del ciclo di vita](#jl-lcc-debug-timeout)
## Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch
Le configurazioni del ciclo di vita eseguono solo log `STDOUT` e `STDERR`.
`STDOUT` è il formato di output predefinito per gli script bash. Puoi scrivere in `STDERR` aggiungendo `>&2` alla fine di un comando bash. Ad esempio, `echo 'hello'>&2`.
I log per le configurazioni del ciclo di vita vengono pubblicati su Amazon che utilizza Amazon. Account AWS CloudWatch Questi log possono essere trovati nel flusso di `/aws/sagemaker/studio` log della console. CloudWatch
1. Apri la CloudWatch console all'indirizzo [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Seleziona **Log** dal riquadro di navigazione a sinistra. Dal menu a discesa, seleziona **Gruppi di log**.
1. Nella pagina **Gruppi di log**, cerca `aws/sagemaker/studio`.
1. Seleziona il gruppo di log .
1. Nella pagina **Dettagli gruppo di log**, scegli la scheda **Flussi di log**.
1. Per trovare i log di uno spazio specifico, cerca nei flussi di log utilizzando il seguente formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Ad esempio, per trovare i log di configurazione del ciclo di vita per l’ID dominio `d-m85lcu8vbqmz`, lo spazio `i-sonic-js` e il tipo di applicazione `JupyterLab`, utilizza la stringa di ricerca seguente:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## Timeout della configurazione del ciclo di vita
Il limite di timeout della configurazione del ciclo di vita è di 5 minuti. Se l’esecuzione di uno script di configurazione del ciclo di vita impiega più di cinque minuti, viene visualizzato un errore.
Per risolvere questo errore, assicurati che lo script di configurazione del ciclo di vita venga completato in meno di cinque minuti.
Per ridurre il runtime degli script, prova quanto segue:
+ Elimina le fasi superflue. Ad esempio, limita gli ambienti conda in cui installare pacchetti di grandi dimensioni.
+ Esegui le attività in processi paralleli.
+ Utilizza il comando nohup nello script, che permette allo script di ignorare i segnali di arresto e, quindi, di completare l’esecuzione senza interruzioni.
# Scollegamento delle configurazioni del ciclo di vita
Per aggiornare lo script, devi creare un nuovo script di configurazione del ciclo di vita e collegarlo al rispettivo dominio Amazon SageMaker AI (dominio), profilo utente o spazio condiviso. Uno script di configurazione del ciclo di vita non può essere modificato dopo che è stato creato. Per ulteriori informazioni su come creare e collegare la configurazione del ciclo di vita, consulta [Errore di configurazione del ciclo di vita](jl-lcc-create.md).
La sezione seguente mostra come scollegare una configurazione del ciclo di vita utilizzando la AWS Command Line Interface (AWS CLI).
## Scollega utilizzando il AWS CLI
Per scollegare una configurazione del ciclo di vita utilizzando la AWS CLI, rimuovi la configurazione del ciclo di vita desiderata dall’elenco delle configurazioni del ciclo di vita collegate alla risorsa. Quindi, passa l’elenco come parte del rispettivo comando:
+ [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)
+ [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)
+ [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html)
Ad esempio, il comando seguente rimuove tutte le configurazioni del ciclo di vita per l' JupyterLab applicazione collegata al dominio.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Repos Git in JupyterLab
JupyterLab offre un'estensione Git per inserire l'URL di un repository Git (repo), clonarlo in un ambiente, inviare modifiche e visualizzare la cronologia dei commit. Puoi anche allegare il repository Git consigliato URLs a un dominio (dominio) o a un profilo utente Amazon SageMaker AI.
Le seguenti sezioni mostrano come collegare o scollegare il URLs repository Git.
**Topics**
+ [Collegamento di un repository Git (AWS CLI)](studio-updated-git-attach-cli.md)
+ [Scollegare il repository Git URLs](studio-updated-git-detach.md)
# Collegamento di un repository Git (AWS CLI)
Questa sezione mostra come allegare un URL del repository Git (repo) utilizzando il. AWS CLI Dopo aver collegato l’URL dei repository Git, puoi clonarlo seguendo le fasi descritte in [Clona un repository Git in Amazon Studio SageMaker](#studio-updated-tasks-git).
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ Aggiorna il AWS CLI seguendo la procedura descritta in [Installazione della versione corrente AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS credenziali](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Effettua l'onboard nel dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Collega il repository Git a un dominio Amazon SageMaker AI (dominio) o a un profilo utente
I repository URLs Git associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, i repository URLs Git associati a livello di profilo utente sono riservati a un utente specifico. Puoi collegare più repository Git URLs a un dominio Amazon SageMaker AI o a un profilo utente passando un elenco di repository URLs.
Le sezioni seguenti mostrano come collegare un URL dei repository Git al tuo dominio e profilo utente.
### Collegamento a un dominio Amazon SageMaker AI
Il comando seguente collega un URL dei repository Git a un dominio esistente:
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### Collegamento a un profilo utente
Il comando seguente collega un URL dei repository Git a un profilo utente esistente:
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
## Clona un repository Git in Amazon Studio SageMaker
Amazon SageMaker Studio si connette solo a un repository Git locale. Per accedere ai file nel repository, clona il repository Git dall’interno di Studio. A tale scopo, Studio offre un’estensione Git che ti consente di inserire l’URL di un repository Git, clonarlo nel tuo ambiente, apportare modifiche e visualizzare la cronologia dei commit.
Se il repository è privato e richiede credenziali per l’accesso, viene richiesto di inserire le credenziali utente, che includono il nome utente e il token di accesso personale. Per ulteriori informazioni sui token di accesso personali, consulta [Managing your personal access tokens](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Gli amministratori possono anche allegare il repository Git consigliato a URLs livello di dominio Amazon SageMaker AI o profilo utente. Gli utenti possono quindi selezionare l'URL del repository dall'elenco di suggerimenti e clonarlo in Studio. Per ulteriori informazioni sul collegamento di repository suggeriti, consulta [Allega repository Git consigliati ad Amazon SageMaker Studio Classic](studio-git-attach.md).
# Scollegare il repository Git URLs
Questa sezione mostra come scollegare l'archivio Git URLs da un dominio Amazon SageMaker AI (dominio) o da un profilo utente. Puoi scollegare il repository URLs utilizzando AWS Command Line Interface (AWS CLI) o la console Amazon SageMaker AI.
## Stacca un repository Git usando il AWS CLI
Per scollegare tutti i repository Git URLs da un dominio o da un profilo utente, devi passare un elenco vuoto di repository di codice. Questo elenco viene passato come parte del parametro `JupyterLabAppSettings` in un comando `update-domain` o `update-user-profile`. Per scollegare solo un URL repository Git, passa l'elenco dei repository di codice senza l'URL repository Git desiderato.
### Staccare da un dominio Amazon SageMaker AI
Il comando seguente scollega tutti i repository Git URLs da un dominio:
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterLabAppSettings={CodeRepositories=[]}
```
### Scollegamento da un profilo utente
Il comando seguente scollega tutti i repository Git URLs da un profilo utente:
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[]}
```
# Immagini personalizzate
Se hai bisogno di funzionalità diverse da quelle fornite dalla SageMaker distribuzione, puoi aggiungere la tua immagine con estensioni e pacchetti personalizzati. Puoi anche usarla per personalizzare l' JupyterLab interfaccia utente in base alle tue esigenze di branding o di conformità.
La pagina seguente fornirà informazioni e modelli JupyterLab specifici per creare immagini AI personalizzate SageMaker . Questo ha lo scopo di integrare le informazioni e le istruzioni di Amazon SageMaker Studio su come creare la propria immagine SageMaker AI e portare la propria immagine in Studio. Per informazioni sulle immagini Amazon SageMaker AI personalizzate e su come portare la tua immagine in Studio, consulta[Bring Your Own Image (BYOI)](studio-updated-byoi.md).
**Topics**
+ [Controllo dell’integrità e URL per le applicazioni](#studio-updated-jl-admin-guide-custom-images-app-healthcheck)
+ [Esempi di Dockerfile](#studio-updated-jl-custom-images-dockerfile-templates)
## Controllo dell’integrità e URL per le applicazioni
+ `Base URL`: l’URL di base per l’applicazione BYOI deve essere `jupyterlab/default`. È possibile avere una sola applicazione e deve avere sempre il nome `default`.
+ `HealthCheck API`— L' SageMaker intelligenza artificiale utilizza l'endpoint Health Check presso la porta `8888` per verificare lo stato dell' JupyterLabapplicazione. `jupyterlab/default/api/status`è l'endpoint per il controllo dello stato di salute.
+ `Home/Default URL`— Le `/opt/ml` directory `/opt/.sagemakerinternal` e che vengono utilizzate da. AWS Il file di metadati `/opt/ml` contiene metadati relativi a risorse come `DomainId`.
+ Autenticazione: per abilitare l’autenticazione per i tuoi utenti, disattiva il token dei notebook Jupyter o l’autenticazione basata su password e consenti tutte le origini.
## Esempi di Dockerfile
Gli esempi seguenti sono `Dockerfile` che soddisfano le informazioni descritte sopra e quelle in [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md).
**Nota**
Se stai trasferendo la tua immagine in SageMaker Unified Studio, dovrai seguire le [specifiche di Dockerfile nella Guida](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) per l'utente di *Amazon SageMaker Unified* Studio.
`Dockerfile`alcuni esempi di SageMaker Unified Studio sono disponibili nell'[esempio di Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) nella *Amazon SageMaker Unified* Studio User Guide.
------
#### [ Example AL2023 Dockerfile ]
L’esempio seguente è un Dockerfile AL2023 che soddisfa le informazioni descritte sopra e quelle in [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md).
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2023
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
# Install Python3, pip, and other dependencies
RUN yum install -y \
python3 \
python3-pip \
python3-devel \
gcc \
shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
yum clean all
RUN python3 -m pip install --no-cache-dir \
'jupyterlab>=4.0.0,<5.0.0' \
urllib3 \
jupyter-activity-monitor-extension \
--ignore-installed
# Verify versions
RUN python3 --version && \
jupyter lab --version
USER ${NB_UID}
CMD jupyter lab --ip 0.0.0.0 --port 8888 \
--ServerApp.base_url="/jupyterlab/default" \
--ServerApp.token='' \
--ServerApp.allow_origin='*'
```
------
#### [ Example SageMaker Distribuzione Amazon Dockerfile ]
L’esempio seguente è un Dockerfile Amazon SageMaker Distribution che soddisfa le informazioni descritte sopra e quelle in [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md).
```
FROM public.ecr.aws/sagemaker/sagemaker-distribution:latest-cpu
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
ENV MAMBA_USER=$NB_USER
USER root
RUN apt-get update
RUN micromamba install sagemaker-inference --freeze-installed --yes --channel conda-forge --name base
USER $MAMBA_USER
ENTRYPOINT ["entrypoint-jupyter-server"]
```
------
# Aggiorna l'immagine SageMaker di distribuzione
**Importante**
Questo argomento presuppone che tu abbia creato uno spazio e concesso l’accesso all’utente. Per ulteriori informazioni, consulta [Concessione agli utenti dell’accesso agli spazi](studio-updated-jl-admin-guide-permissions.md).
Aggiorna gli JupyterLab spazi che hai già creato per utilizzare l'ultima versione dell'immagine di SageMaker distribuzione per accedere alle funzionalità più recenti. Puoi utilizzare l'interfaccia utente di Studio o AWS Command Line Interface (AWS CLI) per aggiornare l'immagine.
Nelle sezioni seguenti vengono fornite informazioni sull’aggiornamento di un’immagine.
## Aggiornamento dell’immagine (interfaccia utente)
L'aggiornamento dell'immagine comporta il riavvio dello JupyterLab spazio dell'utente. Utilizzate la procedura seguente per aggiornare JupyterLab lo spazio dell'utente con l'immagine più recente.
**Per aggiornare l’immagine (interfaccia utente)**
1. Apri Studio. Per informazioni su come aprire Studio, consulta [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Scegli **JupyterLab**.
1. Seleziona lo JupyterLab spazio del tuo utente.
1. Scegli **Interrompi spazio**.
1. Per **Immagine**, seleziona una versione aggiornata di SageMaker AI Distribution Image. Per l’immagine più recente, scegli **Più recente**.
1. Scegli **Esegui lo spazio**.
## Aggiornamento dell’immagine (AWS CLI)
Questa sezione presuppone che tu abbia installato AWS Command Line Interface (AWS CLI). Per informazioni sull'installazione di AWS CLI, consulta [Installare o aggiornare alla versione più recente di AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
Per aggiornare l’immagine, esegui queste operazioni per lo spazio dell’utente:
1. Eliminare l' JupyterLab applicazione
1. Aggiornamento dello spazio
1. Creazione dell’applicazione
**Importante**
Per aggiornare l’immagine, devi disporre delle informazioni seguenti:
ID di dominio: l'ID del dominio Amazon SageMaker AI del tuo utente.
Tipo di applicazione: JupyterLab.
Nome dell’applicazione: predefinito.
Nome dello spazio: il nome specificato per lo spazio.
Tipo di istanza: il tipo di istanza Amazon EC2 utilizzata per eseguire l’applicazione. Ad esempio, `ml.t3.medium`.
SageMaker ARN dell'immagine: Amazon Resource Name (ARN) dell'immagine di distribuzione AI SageMaker . Puoi fornire la versione più recente dell' SageMaker AI Distribution Image specificando una delle due `sagemaker-distribution-cpu` o `sagemaker-distribution-gpu` come identificatore di risorsa.
Per eliminare l' JupyterLab applicazione, esegui il seguente comando:
```
aws sagemaker delete-app \
--domain-id your-user's-domain-id
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space
```
Per aggiornare lo spazio dell’utente, utilizza il comando seguente:
```
aws sagemaker update-space \
--space-name name-of-your-user's-space \
--domain-id your-user's-domain-id
```
Se hai aggiornato correttamente lo spazio, vedrai l’ARN dello spazio nella risposta:
```
{
"SpaceArn": "arn:aws:sagemaker:Regione AWS:111122223333:space/your-user's-domain-id/name-of-your-user's-space"
}
```
Per creare l’applicazione, utilizza il comando seguente:
```
aws sagemaker create-app \
--domain-id your-user's-domain-id \
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space \
--resource-spec "InstanceType=instance-type,SageMakerImageArn=arn:aws:sagemaker:Regione AWS:555555555555:image/sagemaker-distribution-resource-identifier"
```
# Eliminazione delle risorse inutilizzate
Per evitare di incorrere in costi di gestione aggiuntivi JupyterLab, consigliamo di eliminare le risorse non utilizzate nel seguente ordine:
1. JupyterLab applicazioni
1. Spazi
1. Profili utente
1. domains
Utilizzate i seguenti comandi AWS Command Line Interface (AWS CLI) per eliminare le risorse all'interno di un dominio:
------
#### [ Delete a JupyterLab application ]
```
aws --region Regione AWS sagemaker delete-app --domain-id example-domain-id --app-name default --app-type JupyterLab --space-name example-space-name
```
------
#### [ Delete a space ]
**Importante**
Se elimini uno spazio, elimini anche il volume Amazon EBS associato. Ti consigliamo di eseguire il backup di tutti i dati importanti prima di eliminare lo spazio.
```
aws --region Regione AWS sagemaker delete-space --domain-id example-domain-id --space-name example-space-name
```
------
#### [ Delete a user profile ]
```
aws --region Regione AWS sagemaker delete-user-profile --domain-id example-domain-id --user-profile example-user-profile
```
------
# Quote
JupyterLab, ha quote per quanto segue:
+ La somma di tutti i volumi Amazon EBS all’interno di un Account AWS.
+ I tipi di istanze disponibili per gli utenti.
+ Il numero di istanze che gli utenti possono avviare per un particolare elemento.
Per aumentare le capacità di archiviazione e di calcolo per i tuoi utenti, richiedi un aumento delle quote di AWS . Per ulteriori informazioni sulla richiesta di un aumento delle quote, consulta [Endpoint e quote Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
# Istanze SageMaker per notebook Amazon
Un'istanza Amazon SageMaker Notebook è un'istanza di calcolo di machine learning (ML) che esegue l'applicazione Jupyter Notebook. Uno dei modi migliori per i professionisti del machine learning (ML) di utilizzare Amazon SageMaker AI è addestrare e distribuire modelli di machine learning utilizzando SageMaker istanze notebook. Le istanze SageMaker notebook aiutano a creare l'ambiente avviando i server Jupyter su Amazon Elastic Compute Cloud (Amazon EC2) e fornendo kernel preconfigurati con i seguenti pacchetti: SageMaker Amazon AWS SDK per Python (Boto3) Python AWS Command Line Interface SDK AWS CLI, (), Conda, Pandas, librerie framework di deep learning e altre librerie per la scienza dei dati e l'apprendimento automatico.
Utilizza i notebook Jupyter nell’istanza del notebook per:
+ preparare ed elaborare i dati
+ scrivere codice per addestrare i modelli
+ distribuisci modelli all'hosting SageMaker
+ testare o convalidare i modelli
Per informazioni sui prezzi con le istanze per SageMaker notebook Amazon, consulta la pagina [ SageMaker Prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/).
## Maintenance (Manutenzione)
SageMaker L'intelligenza artificiale aggiorna il software sottostante per Amazon SageMaker Notebook Instances almeno una volta ogni 90 giorni. Alcuni aggiornamenti di manutenzione, come gli aggiornamenti del sistema operativo, possono richiedere che l'applicazione venga messa offline per un breve periodo di tempo. Non è possibile eseguire alcuna operazione durante questo periodo mentre il software sottostante è in fase di aggiornamento. Si consiglia di riavviare i notebook almeno una volta ogni 30 giorni per utilizzare automaticamente le patch.
Se l'istanza del notebook non è aggiornata e utilizza software non sicuro, l' SageMaker IA potrebbe aggiornare periodicamente l'istanza come parte della manutenzione regolare. Durante questi aggiornamenti, i dati al di fuori della cartella non `/home/ec2-user/SageMaker` vengono mantenuti.
Per ulteriori informazioni, contatta il [Supporto AWS](https://aws.amazon.com/premiumsupport/).
## Machine Learning con SageMaker Python SDK
Per addestrare, convalidare, distribuire e valutare un modello ML in un'istanza SageMaker notebook, usa Python SageMaker SDK. Gli abstract AWS SDK per Python (Boto3) dell'SDK SageMaker Python e le operazioni API. SageMaker Ti consente di integrare e orchestrare altri AWS servizi, come Amazon Simple Storage Service (Amazon S3) per il salvataggio di dati e artefatti del modello, Amazon Elastic Container Registry (ECR) per l'importazione e la manutenzione dei modelli ML, Amazon Elastic Compute Cloud (Amazon EC2) per la formazione e l'inferenza.
Puoi anche sfruttare le funzionalità di SageMaker intelligenza artificiale che ti aiutano a gestire ogni fase di un ciclo di machine learning completo: etichettatura dei dati, preelaborazione dei dati, formazione dei modelli, implementazione del modello, valutazione delle prestazioni di previsione e monitoraggio della qualità del modello in produzione.
Se sei un utente di SageMaker intelligenza artificiale per la prima volta, ti consigliamo di utilizzare SageMaker Python SDK, seguendo end-to-end il tutorial ML. Per trovare la documentazione open source, consulta l'[SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Maintenance (Manutenzione)](#nbi-maintenance)
+ [Machine Learning con SageMaker Python SDK](#gs-ml-with-sagemaker-pysdk)
+ [Tutorial per la creazione di modelli con le istanze del notebook](gs-console.md)
+ [AL2023 istanze di notebook](nbi-al2023.md)
+ [Istanze del notebook Amazon Linux 2](nbi-al2.md)
+ [JupyterLab controllo delle versioni](nbi-jl.md)
+ [Crea un'istanza Amazon SageMaker Notebook](howitworks-create-ws.md)
+ [Accesso alle istanze del notebook](howitworks-access-ws.md)
+ [Aggiornamento di un'istanza del notebook](nbi-update.md)
+ [Personalizzazione di un'istanza di SageMaker notebook utilizzando uno script LCC](notebook-lifecycle-config.md)
+ [Impostazione del kernel notebook](howitworks-set-kernel.md)
+ [Archivi Git con istanze SageMaker AI Notebook](nbi-git-repo.md)
+ [Metadati dell'istanza del notebook](nbi-metadata.md)
+ [Monitora i log di Jupyter in Amazon Logs CloudWatch](jupyter-logs.md)
# Tutorial per la creazione di modelli con le istanze del notebook
Questo tutorial introduttivo ti spiega come creare un'istanza di notebook, aprire un SageMaker notebook Jupyter con un kernel preconfigurato con l'ambiente Conda per l'apprendimento automatico e avviare una sessione di intelligenza artificiale per eseguire un SageMaker ciclo di machine learning. end-to-end Imparerai come salvare un set di dati in un bucket Amazon S3 predefinito associato SageMaker automaticamente alla sessione di intelligenza artificiale, inviare un processo di formazione su un modello ML ad Amazon EC2 e distribuire il modello addestrato per la previsione mediante hosting o inferenza in batch tramite Amazon EC2.
Questo tutorial mostra esplicitamente un flusso di apprendimento automatico completo per addestrare il modello dal pool di modelli integrato nell'intelligenza artificiale. XGBoost SageMaker Utilizzi il [set di dati del censimento degli adulti degli Stati Uniti](https://archive.ics.uci.edu/ml/datasets/adult) e valuti le prestazioni del XGBoost modello di SageMaker intelligenza artificiale addestrato nella previsione del reddito delle persone.
+ [SageMaker AI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html): il [XGBoost](https://xgboost.readthedocs.io/en/latest/)modello è adattato all'ambiente SageMaker AI e preconfigurato come contenitori Docker. SageMaker L'intelligenza artificiale fornisce una suite di [algoritmi integrati](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html) preparati per l'utilizzo SageMaker delle funzionalità di intelligenza artificiale. Per saperne di più su quali algoritmi ML sono adattati all' SageMaker intelligenza artificiale, consulta [Scegli un algoritmo e usa gli algoritmi SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/algorithms-choose.html) [integrati di Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html). Per le operazioni API basate sull'algoritmo SageMaker AI, consulta [First-Party Algorithms](https://sagemaker.readthedocs.io/en/stable/algorithms/index.html) in Amazon [Python SDK SageMaker ](https://sagemaker.readthedocs.io/en/stable).
+ [Set di dati Adult Census](https://archive.ics.uci.edu/ml/datasets/adult): il set di dati del [database del Census Bureau del 1994](http://www.census.gov/en.html) di Ronny Kohavi e Barry Becker (Data Mining and Visualization, Silicon Graphics). Il XGBoost modello di SageMaker intelligenza artificiale viene addestrato utilizzando questo set di dati per prevedere se un individuo guadagna più di 50.000 dollari all'anno o meno.
**Topics**
+ [Crea un'istanza Amazon SageMaker Notebook per il tutorial](gs-setup-working-env.md)
+ [Crea un notebook Jupyter nell'istanza del notebook SageMaker](ex1-prepare.md)
+ [Preparazione di un set di dati](ex1-preprocess-data.md)
+ [Eseguire il training di un modello](ex1-train-model.md)
+ [Implementazione del modello in Amazon EC2](ex1-model-deployment.md)
+ [Valutazione del modello](ex1-test-model.md)
+ [Pulisci le risorse delle istanze di SageMaker notebook Amazon](ex1-cleanup.md)
# Crea un'istanza Amazon SageMaker Notebook per il tutorial
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Un'istanza Amazon SageMaker Notebook è un'istanza di calcolo Amazon Elastic Compute Cloud (Amazon EC2) di machine learning (ML) completamente gestita. Un'istanza Amazon SageMaker Notebook esegue l'applicazione Jupyter Notebook. Utilizza l’istanza del notebook per creare e gestire i notebook Jupyter per pre-elaborare i dati e per addestrare e implementare i modelli di ML.
**Per creare un'istanza di notebook SageMaker**
![\[Schermata animata che mostra come creare un'istanza di SageMaker notebook.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-instance.gif)
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Scegli **istanze del notebook**, quindi **Crea un'istanza del notebook**.
1. Nella pagina **Crea un'istanza del notebook** specifica le seguenti informazioni (se un campo non è citato, lasciare i valori predefiniti):
1. In **Nome istanza del notebook** digita un nome per l'istanza del notebook.
1. Per **Tipo di istanza del notebook**, scegli `ml.t2.medium`. Questo è il tipo di istanza meno costoso supportato dalle istanze del notebook ed è sufficiente per questo esercizio. Se un tipo di istanza `ml.t2.medium` non è disponibile nella Regione AWS corrente, scegli `ml.t3.medium`.
1. Per **Identificatore piattaforma**, scegli un tipo di piattaforma su cui creare l'istanza del notebook. Questo tipo di piattaforma definisce il sistema operativo e la JupyterLab versione con cui viene creata l'istanza del notebook. La versione più recente e consigliata è`notebook-al2023-v1`, per un'istanza di notebook Amazon Linux 2023. Per informazioni sui tipi di identificatori di piattaforma, consulta [AL2023 istanze di notebook](nbi-al2023.md) e[Istanze del notebook Amazon Linux 2](nbi-al2.md). Per informazioni sulle JupyterLab versioni, vedere[JupyterLab controllo delle versioni](nbi-jl.md).
1. In **Ruolo IAM** scegli **Crea un nuovo ruolo**, quindi **Crea ruolo**. Questo ruolo IAM ottiene automaticamente le autorizzazioni per accedere a qualsiasi bucket S3 il cui nome contiene `sagemaker`. Ottiene queste autorizzazioni tramite la `AmazonSageMakerFullAccess` policy, che l' SageMaker IA attribuisce al ruolo.
**Nota**
Per concedere al ruolo IAM l’autorizzazione per accedere ai bucket S3 che non includono `sagemaker` nel nome, devi collegare la policy `S3FullAccess`. Puoi anche limitare le autorizzazioni per specifici bucket S3 al ruolo IAM. Per ulteriori informazioni ed esempi sull'aggiunta di policy del bucket al ruolo IAM, consulta [Bucket policy examples](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-bucket-policies.html).
1. Scegli **Crea un'istanza del notebook**.
In pochi minuti, l' SageMaker intelligenza artificiale avvia un'istanza notebook e vi allega un volume di storage Amazon EBS da 5 GB. L'istanza notebook ha un server notebook Jupyter preconfigurato, librerie SageMaker AI e AWS SDK e un set di librerie Anaconda.
[Per ulteriori informazioni sulla creazione di un'istanza di notebook, consulta Creare un'istanza SageMaker Notebook.](https://docs.aws.amazon.com/sagemaker/latest/dg/howitworks-create-ws.html)
## (Facoltativo) Modifica le impostazioni dell'istanza SageMaker Notebook
Per modificare il tipo di istanza di calcolo ML o la dimensione dello storage Amazon EBS di un'istanza notebook SageMaker AI, modifica le impostazioni dell'istanza notebook.
**Per modificare e aggiornare il tipo di istanza SageMaker Notebook e il volume EBS**
1. Nella pagina delle **istanze di Notebook** nella console SageMaker AI, scegli l'istanza del tuo notebook.
1. Scegli **Azioni**, **Arresta**, quindi attendi che l'istanza del notebook si fermi completamente.
1. Dopo che lo stato dell'istanza del notebook è stato modificato in **Arrestato**, scegli **Azioni**, quindi **Aggiorna le impostazioni**.
![\[Schermata animata che mostra come aggiornare le impostazioni delle istanze di SageMaker Notebook.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-update-instance.gif)
1. Per **Tipo di istanza del notebook**, scegli un tipo di istanza ML diverso.
1. Per **Dimensioni del volume in GB**, digita un numero intero diverso per specificare una nuova dimensione del volume EBS.
**Nota**
I volumi di archiviazione EBS sono crittografati, quindi l' SageMaker IA non può determinare la quantità di spazio libero disponibile sul volume. Per questo motivo è possibile aumentare, ma non ridurre, le dimensioni del volume quando si aggiorna un'istanza del notebook. Per ridurre le dimensioni del volume di storage ML in uso, è necessario creare una nuova istanza del notebook con le dimensioni desiderate.
1. Nella parte inferiore della pagina, seleziona **Aggiorna l'istanza del notebook**.
1. Una volta completato l'aggiornamento, **avvia** l'istanza del notebook con le nuove impostazioni.
Per ulteriori informazioni sull'aggiornamento delle impostazioni delle istanze di SageMaker Notebook, consulta [Aggiornare un'istanza Notebook](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi-update.html).
## (Facoltativo) Impostazioni avanzate per le istanze SageMaker Notebook
Il seguente video tutorial mostra come configurare e utilizzare le istanze di SageMaker notebook tramite la console SageMaker AI. Include opzioni avanzate, come la configurazione del ciclo di vita dell' SageMaker IA e l'importazione di repository. GitHub (Durata: 26:04)
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/X5CLunIzj3U)
Per una documentazione completa sull'istanza di SageMaker notebook, consulta [Use Amazon SageMaker Notebook Instances.](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi.html)
# Crea un notebook Jupyter nell'istanza del notebook SageMaker
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Per iniziare a creare script per l'addestramento e la distribuzione del modello, create un notebook Jupyter nell'istanza del notebook. SageMaker Utilizzando il notebook Jupyter, è possibile eseguire esperimenti di machine learning (ML) per l'addestramento e l'inferenza utilizzando le funzionalità di intelligenza artificiale e l'infrastruttura. SageMaker AWS
**Per creare un notebook Jupyter**
![\[Schermata animata che mostra come creare un notebook Jupyter nell'istanza del notebook AI. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-notebook.gif)
1. Apri l'istanza del notebook come segue:
1. Accedi alla console AI all'indirizzo. SageMaker [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Nella pagina **Istanze del notebook**, apri l’istanza del notebook scegliendo una delle opzioni seguenti:
+ **Apri JupyterLab** l' JupyterLabinterfaccia
+ **Apri Jupyter** per la visualizzazione classica di Jupyter
**Nota**
Se lo stato dell'istanza del notebook è **In attesa** nella colonna **Stato**, l'istanza del notebook è ancora in fase di creazione. Lo stato cambierà **InService**quando l'istanza del notebook sarà pronta per l'uso.
1. Crea un notebook nel modo seguente:
+ Se hai aperto il taccuino nella JupyterLab visualizzazione, scegli **Nuovo** dal menu **File**, quindi scegli **Notebook**. In **Seleziona kernel** scegli **conda\$1python3**. Queste ambiente preinstallato include l'installazione personalizzata di Anaconda e Python 3.
+ Se hai aperto il notebook nella visualizzazione Jupyter classica, nella scheda **File** scegli **Nuovo** e quindi **conda\$1python3**. Queste ambiente preinstallato include l'installazione personalizzata di Anaconda e Python 3.
1. Salva i notebook come segue:
+ Nella JupyterLab visualizzazione, scegli **File**, scegli **Salva taccuino con nome...** , quindi rinomina il taccuino.
+ Nella visualizzazione Jupyter classica, scegli **File**, quindi **Salva con nome...** e infine rinomina il notebook.
# Preparazione di un set di dati
In questo passaggio, carichi il [set di dati Adult Census sull'](https://archive.ics.uci.edu/ml/datasets/adult)istanza del tuo notebook utilizzando la libreria SHAP (SHapley Additive Explanations), esamini il set di dati, lo trasformi e lo carichi su Amazon S3. SHAP è un approccio teorico ai giochi per spiegare l'output di qualsiasi modello di machine learning. Per ulteriori informazioni su SHAP, consulta [Welcome to the SHAP documentation](https://shap.readthedocs.io/en/latest/).
Per eseguire il seguente esempio, incolla il codice di esempio in una cella dell'istanza del notebook.
## Caricamento del set di dati del censimento degli adulti utilizzando SHAP
Utilizzando la libreria SHAP, importa il set di dati Adult Census come mostrato di seguito:
```
import shap
X, y = shap.datasets.adult()
X_display, y_display = shap.datasets.adult(display=True)
feature_names = list(X.columns)
feature_names
```
**Nota**
Se il kernel Jupyter corrente non dispone della libreria SHAP, installala eseguendo il comando `conda` seguente:
```
%conda install -c conda-forge shap
```
Se lo utilizzi JupyterLab, devi aggiornare manualmente il kernel al termine dell'installazione e degli aggiornamenti. Esegui lo IPython script seguente per spegnere il kernel (il kernel si riavvierà automaticamente):
```
import IPython
IPython.Application.instance().kernel.do_shutdown(True)
```
L'oggetto elenco `feature_names` dovrebbe restituire il seguente elenco di funzionalità:
```
['Age',
'Workclass',
'Education-Num',
'Marital Status',
'Occupation',
'Relationship',
'Race',
'Sex',
'Capital Gain',
'Capital Loss',
'Hours per week',
'Country']
```
**Suggerimento**
Se inizi con dati senza etichetta, puoi utilizzare Amazon SageMaker Ground Truth per creare un flusso di lavoro di etichettatura dei dati in pochi minuti. Per ulteriori informazioni, consulta [Label Data](https://docs.aws.amazon.com/sagemaker/latest/dg/data-label.html).
## Panoramica del set di dati
Esegui il seguente script per visualizzare la panoramica statistica del set di dati e gli istogrammi delle funzionalità numeriche.
```
display(X.describe())
hist = X.hist(bins=30, sharey=True, figsize=(20, 10))
```
![\[Panoramica del set di dati del censimento degli adulti.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-1.png)
**Suggerimento**
Se desideri utilizzare un set di dati che deve essere pulito e trasformato, puoi semplificare e ottimizzare la preelaborazione dei dati e l'ingegneria delle funzionalità utilizzando Amazon SageMaker Data Wrangler. Per ulteriori informazioni, consulta [Prepare i dati ML con Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html).
## Suddivisione del set di dati in set di dati di addestramento, di convalida e di test
Utilizzando Sklearn, suddividi il set di dati in un set di addestramento e un set di test. Il set di addestramento viene utilizzato per addestrare il modello, mentre il set di test viene utilizzato per valutare le prestazioni del modello addestrato finale. Il set di dati viene ordinato casualmente in base al seed casuale fisso: l'80% del set di dati per il set di addestramento e il 20% per un set di test.
```
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
X_train_display = X_display.loc[X_train.index]
```
Suddividi il set di addestramento per separare un set di convalida. Il set di convalida viene utilizzato per valutare le prestazioni del modello addestrato ottimizzando al contempo gli iperparametri del modello. Il 75% del set di addestramento diventa il set di addestramento finale e il resto è il set di convalida.
```
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=1)
X_train_display = X_display.loc[X_train.index]
X_val_display = X_display.loc[X_val.index]
```
Utilizzando il pacchetto pandas, allinea esplicitamente ogni set di dati concatenando le funzionalità numeriche con le etichette vere.
```
import pandas as pd
train = pd.concat([pd.Series(y_train, index=X_train.index,
name='Income>50K', dtype=int), X_train], axis=1)
validation = pd.concat([pd.Series(y_val, index=X_val.index,
name='Income>50K', dtype=int), X_val], axis=1)
test = pd.concat([pd.Series(y_test, index=X_test.index,
name='Income>50K', dtype=int), X_test], axis=1)
```
Controlla se il set di dati è suddiviso e strutturato come previsto:
```
train
```
![\[Il set di dati di addestramento di esempio.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-train.png)
```
validation
```
![\[Il set di dati di convalida di esempio.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-validation.png)
```
test
```
![\[Il set di dati di test di esempio.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-test.png)
## Conversione dei set di dati di addestramento e di convalida in file CSV
Converti gli oggetti `train` e `validation` dataframe in file CSV in modo che corrispondano al formato del file di input per l'algoritmo. XGBoost
```
# Use 'csv' format to store the data
# The first column is expected to be the output column
train.to_csv('train.csv', index=False, header=False)
validation.to_csv('validation.csv', index=False, header=False)
```
## Caricamento dei set di dati su Amazon S3
Utilizzando SageMaker AI e Boto3, carica i set di dati di addestramento e convalida nel bucket Amazon S3 predefinito. I set di dati nel bucket S3 verranno utilizzati da un'istanza ottimizzata per il calcolo su SageMaker Amazon EC2 per la formazione.
Il codice seguente configura l'URI predefinito del bucket S3 per la sessione SageMaker AI corrente, crea una nuova `demo-sagemaker-xgboost-adult-income-prediction` cartella e carica i set di dati di addestramento e convalida nella sottocartella. `data`
```
import sagemaker, boto3, os
bucket = sagemaker.Session().default_bucket()
prefix = "demo-sagemaker-xgboost-adult-income-prediction"
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/validation.csv')).upload_file('validation.csv')
```
Esegui quanto segue AWS CLI per verificare se i file CSV sono stati caricati correttamente nel bucket S3.
```
! aws s3 ls {bucket}/{prefix}/data --recursive
```
Dovrebbe essere restituito il seguente output:
![\[Output del comando CLI per controllare i set di dati nel bucket S3.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-3.png)
# Eseguire il training di un modello
In questa fase, scegli un algoritmo di addestramento ed esegui un job di addestramento per il modello. L'[SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) fornisce stimatori di framework e stimatori generici per addestrare il modello mentre orchestrate il ciclo di vita dell'apprendimento automatico (ML), accedendo alle funzionalità di SageMaker intelligenza artificiale per la formazione e alle infrastrutture AWS , come Amazon Elastic Container Registry (Amazon ECR), Amazon Elastic Compute Cloud (Amazon EC2), Amazon Simple Storage Service (Amazon) 3) Simple Storage Service S3. Per ulteriori informazioni sugli stimatori di framework integrati nell' SageMaker intelligenza artificiale, consulta [Frameworks](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) nella documentazione di Amazon [Python SageMaker SDK](https://sagemaker.readthedocs.io/en/stable). Per ulteriori informazioni sugli algoritmi integrati, consulta [Algoritmi integrati e modelli preaddestrati in Amazon SageMaker](algos.md).
**Topics**
+ [Scegliere l'algoritmo di addestramento](#ex1-train-model-select-algorithm)
+ [Creazione ed esecuzione di un processo di addestramento](#ex1-train-model-sdk)
## Scegliere l'algoritmo di addestramento
Per scegliere l'algoritmo giusto per il tuo set di dati, in genere devi valutare diversi modelli per trovare i modelli più adatti ai tuoi dati. Per semplicità, l'algoritmo [XGBoost algoritmo con Amazon SageMaker AI](xgboost.md) integrato di SageMaker intelligenza artificiale viene utilizzato in questo tutorial senza la valutazione preliminare dei modelli.
**Suggerimento**
Se desideri che l' SageMaker intelligenza artificiale trovi un modello appropriato per il tuo set di dati tabulari, usa Amazon SageMaker Autopilot che automatizza una soluzione di machine learning. Per ulteriori informazioni, consulta [SageMaker Pilota automatico](autopilot-automate-model-development.md).
## Creazione ed esecuzione di un processo di addestramento
Dopo aver capito quale modello usare, inizia a costruire uno stimatore di intelligenza artificiale per la formazione. SageMaker Questo tutorial utilizza l'algoritmo XGBoost integrato per lo stimatore generico SageMaker AI.
**Per eseguire il processo di addestramento di un modello**
1. Importa l'[SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) e inizia recuperando le informazioni di base dalla tua sessione di intelligenza artificiale corrente. SageMaker
```
import sagemaker
region = sagemaker.Session().boto_region_name
print("AWS Region: {}".format(region))
role = sagemaker.get_execution_role()
print("RoleArn: {}".format(role))
```
Questa procedura restituisce le seguenti informazioni:
+ `region`— La AWS regione corrente in cui è in esecuzione l'istanza SageMaker AI Notebook.
+ `role`: il ruolo IAM utilizzato dall'istanza del notebook.
**Nota**
Controlla la versione di SageMaker Python SDK eseguendo. `sagemaker.__version__` Questo tutorial è basato su `sagemaker>=2.20`. Se l'SDK non è aggiornato, installa la versione più recente eseguendo il seguente comando:
```
! pip install -qU sagemaker
```
Se esegui questa installazione nelle istanze di SageMaker Studio o notebook esistenti, devi aggiornare manualmente il kernel per completare l'applicazione dell'aggiornamento della versione.
1. Crea uno XGBoost stimatore usando la classe. `sagemaker.estimator.Estimator` Nel codice di esempio seguente, lo XGBoost stimatore è denominato. `xgb_model`
```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs
from sagemaker.session import TrainingInput
s3_output_location='s3://{}/{}/{}'.format(bucket, prefix, 'xgboost_model')
container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")
print(container)
xgb_model=sagemaker.estimator.Estimator(
image_uri=container,
role=role,
instance_count=1,
instance_type='ml.m4.xlarge',
volume_size=5,
output_path=s3_output_location,
sagemaker_session=sagemaker.Session(),
rules=[
Rule.sagemaker(rule_configs.create_xgboost_report()),
ProfilerRule.sagemaker(rule_configs.ProfilerReport())
]
)
```
Per costruire lo stimatore SageMaker AI, specifica i seguenti parametri:
+ `image_uri`: specifica l'URI dell'immagine del container di addestramento. In questo esempio, l'URI del contenitore di XGBoost addestramento SageMaker AI viene specificato utilizzando. `sagemaker.image_uris.retrieve`
+ `role`— Il ruolo AWS Identity and Access Management (IAM) utilizzato dall' SageMaker IA per eseguire attività per tuo conto (ad esempio, leggere i risultati della formazione, chiamare gli artefatti del modello di chiamata da Amazon S3 e scrivere i risultati della formazione su Amazon S3).
+ `instance_count` e `instance_type`: il tipo e il numero di istanze di calcolo ML Amazon EC2 da utilizzare per l'addestramento del modello. Per questo esercizio di addestramento, utilizza una singola istanza `ml.m4.xlarge` con 4 CPU, 16 GB di memoria, uno storage Amazon Elastic Block Store (Amazon EBS) e prestazioni di rete elevate. Per ulteriori informazioni sui tipi di istanze di calcolo EC2, consulta [Amazon EC2 Instance Types](https://aws.amazon.com/ec2/instance-types/). Per ulteriori informazioni sulla fatturazione, consulta i [ SageMaker prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/).
+ `volume_size`: la dimensione, in GB, del volume di storage EBS da collegare all'istanza di addestramento. Deve avere spazio sufficiente per archiviare i dati di addestramento se utilizzi la modalità `File` (la modalità `File` è attivata per impostazione predefinita). Se non specifichi questo parametro, il suo valore predefinito è 30.
+ `output_path`— Il percorso verso il bucket S3 in cui l' SageMaker intelligenza artificiale archivia l'artefatto del modello e i risultati dell'allenamento.
+ `sagemaker_session`— L'oggetto di sessione che gestisce le interazioni con le operazioni SageMaker API e altri AWS servizi utilizzati dal processo di formazione.
+ `rules`— Specificare un elenco di regole integrate nel SageMaker Debugger. In questo esempio, la `create_xgboost_report()` regola crea un XGBoost report che fornisce informazioni dettagliate sui progressi e sui risultati della formazione e la `ProfilerReport()` regola crea un report sull'utilizzo delle risorse di calcolo EC2. Per ulteriori informazioni, consulta [SageMaker Report interattivo del debugger per XGBoost](debugger-report-xgboost.md).
**Suggerimento**
Se desideri eseguire l'addestramento distribuito di modelli di deep learning di grandi dimensioni, come reti neurali convoluzionali (CNN) e modelli di elaborazione del linguaggio naturale (NLP), utilizza SageMaker AI Distributed per il parallelismo dei dati o il parallelismo dei modelli. Per ulteriori informazioni, consulta [Formazione distribuita in Amazon SageMaker AI](distributed-training.md).
1. Imposta gli iperparametri per l'algoritmo chiamando il metodo dello stimatore. XGBoost `set_hyperparameters` Per un elenco completo degli XGBoost iperparametri, vedere. [XGBoost iperparametri](xgboost_hyperparameters.md)
```
xgb_model.set_hyperparameters(
max_depth = 5,
eta = 0.2,
gamma = 4,
min_child_weight = 6,
subsample = 0.7,
objective = "binary:logistic",
num_round = 1000
)
```
**Suggerimento**
Puoi anche ottimizzare gli iperparametri utilizzando la funzione di ottimizzazione degli iperparametri SageMaker AI. Per ulteriori informazioni, consulta [Ottimizzazione automatica dei modelli con AI SageMaker](automatic-model-tuning.md).
1. Utilizza la classe `TrainingInput` per configurare un flusso di input di dati per l'addestramento. Il seguente codice di esempio mostra come configurare gli oggetti `TrainingInput` per utilizzare i set di dati di addestramento e di convalida che hai caricato su Amazon S3 nella sezione [Suddivisione del set di dati in set di dati di addestramento, di convalida e di test](ex1-preprocess-data.md#ex1-preprocess-data-transform).
```
from sagemaker.session import TrainingInput
train_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/train.csv"), content_type="csv"
)
validation_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/validation.csv"), content_type="csv"
)
```
1. Per iniziare l'addestramento del modello, chiama il metodo `fit` dello strumento di valutazione con i set di dati di addestramento e di convalida. Impostando `wait=True`, il metodo `fit` visualizza i log di avanzamento e attende il completamento dell'addestramento.
```
xgb_model.fit({"train": train_input, "validation": validation_input}, wait=True)
```
Per ulteriori informazioni sull’addestramento del modello, consulta [Addestra un modello con Amazon SageMaker](how-it-works-training.md). Questo processo di addestramento del tutorial potrebbe richiedere fino a 10 minuti.
Al termine del processo di formazione, puoi scaricare un rapporto di XGBoost formazione e un rapporto di profilazione generati da Debugger. SageMaker Il rapporto sull' XGBoost allenamento offre informazioni dettagliate sui progressi e sui risultati dell'allenamento, ad esempio la funzione di perdita rispetto all'iterazione, l'importanza delle funzionalità, la matrice di confusione, le curve di precisione e altri risultati statistici dell'allenamento. Ad esempio, è possibile trovare la seguente curva di perdita nel rapporto sull' XGBoost allenamento, che indica chiaramente l'esistenza di un problema di sovradattamento.
![\[Il grafico nel rapporto di XGBoost allenamento.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-train-loss-curve-validation-overfitting.png)
Esegui il seguente codice per specificare l'URI del bucket S3 in cui vengono generati i report di addestramento di Debugger e controlla se i report esistono.
```
rule_output_path = xgb_model.output_path + "/" + xgb_model.latest_training_job.job_name + "/rule-output"
! aws s3 ls {rule_output_path} --recursive
```
Scarica i report di XGBoost formazione e profilazione di Debugger nell'area di lavoro corrente:
```
! aws s3 cp {rule_output_path} ./ --recursive
```
Eseguite lo IPython script seguente per ottenere il collegamento al file del rapporto di formazione: XGBoost
```
from IPython.display import FileLink, FileLinks
display("Click link below to view the XGBoost Training report", FileLink("CreateXgboostReport/xgboost_report.html"))
```
Il seguente script IPython restituisce il collegamento al file del report di profiling di Debugger che mostra riepiloghi e dettagli relativi a utilizzo delle risorse dell'istanza EC2, risultati del rilevamento dei colli di bottiglia del sistema e risultati di profiling delle operazioni Python:
```
profiler_report_name = [rule["RuleConfigurationName"]
for rule in xgb_model.latest_training_job.rule_job_summary()
if "Profiler" in rule["RuleConfigurationName"]][0]
profiler_report_name
display("Click link below to view the profiler report", FileLink(profiler_report_name+"/profiler-output/profiler-report.html"))
```
**Suggerimento**
Se i report HTML non visualizzano grafici nella JupyterLab vista, è necessario scegliere **Trust HTML** nella parte superiore dei report.
Per identificare problemi di formazione, come l'overfit, la scomparsa dei gradienti e altri problemi che impediscono la convergenza del modello, usa SageMaker Debugger e intraprendi azioni automatiche durante la prototipazione e l'addestramento dei modelli ML. Per ulteriori informazioni, consulta [Amazon SageMaker Debugger](train-debugger.md). Per trovare un'analisi completa dei parametri del modello, consulta il notebook di esempio [Explainability with Amazon SageMaker Debugger](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/xgboost_census_explanations/xgboost-census-debugger-rules.html#Explainability-with-Amazon-SageMaker-Debugger).
Ora disponi di un modello addestrato. XGBoost SageMaker L'intelligenza artificiale memorizza l'artefatto del modello nel tuo bucket S3. Per trovare la posizione dell'artefatto del modello, esegui il seguente codice per stampare l'attributo model\$1data dello strumento di valutazione `xgb_model`:
```
xgb_model.model_data
```
**Suggerimento**
Per misurare le distorsioni che possono verificarsi durante ogni fase del ciclo di vita del machine learning (raccolta dei dati, addestramento e ottimizzazione dei modelli e monitoraggio dei modelli ML utilizzati per la previsione), usa Clarify. SageMaker Per ulteriori informazioni, consulta [Spiegabilità del modello](clarify-model-explainability.md). Per un end-to-end esempio, consultate il taccuino di esempio [Fairness](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-clarify/fairness_and_explainability/fairness_and_explainability.html) and Explainability with Clarify. SageMaker
# Implementazione del modello in Amazon EC2
Per ottenere previsioni, distribuisci il tuo modello su Amazon EC2 utilizzando SageMaker Amazon AI.
**Topics**
+ [Implementa il modello su AI Hosting Services SageMaker](#ex1-deploy-model)
+ [(Facoltativo) Usa SageMaker AI Predictor per riutilizzare l'endpoint ospitato](#ex1-deploy-model-sdk-use-endpoint)
+ [(Facoltativo) Formulazione di previsioni con la trasformazione di batch](#ex1-batch-transform)
## Implementa il modello su AI Hosting Services SageMaker
Per ospitare un modello tramite Amazon EC2 utilizzando Amazon SageMaker AI, distribuisci il modello su cui hai effettuato la formazione [Creazione ed esecuzione di un processo di addestramento](ex1-train-model.md#ex1-train-model-sdk) chiamando il `deploy` metodo dello estimatore. `xgb_model` Quando chiami il metodo `deploy`, devi specificare il numero e il tipo di istanze ML EC2 che vuoi utilizzare per l'hosting di un endpoint.
```
import sagemaker
from sagemaker.serializers import CSVSerializer
xgb_predictor=xgb_model.deploy(
initial_instance_count=1,
instance_type='ml.t2.medium',
serializer=CSVSerializer()
)
```
+ `initial_instance_count` (int): il numero di istanze per distribuire il modello.
+ `instance_type` (str): il tipo di istanze che desideri per utilizzare il modello distribuito.
+ `serializer`(int) — Serializza i dati di input di vari formati (un NumPy array, un elenco, un file o un buffer) in una stringa in formato CSV. Lo usiamo perché l' XGBoost algoritmo accetta file di input in formato CSV.
Il `deploy` metodo crea un modello implementabile, configura l'endpoint dei servizi di hosting SageMaker AI e avvia l'endpoint per ospitare il modello. Per ulteriori informazioni, consulta il [metodo della classe deploy del generico SageMaker AI Estimator nell'SDK](https://sagemaker.readthedocs.io/en/stable/estimators.html#sagemaker.estimator.Estimator.deploy) Amazon [Python SageMaker ](https://sagemaker.readthedocs.io/en/stable). Per recuperare il nome dell'endpoint generato dal metodo `deploy`, esegui il seguente codice:
```
xgb_predictor.endpoint_name
```
Questo dovrebbe restituire il nome dell'endpoint di `xgb_predictor`. Il formato del nome dell'endpoint è `"sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS"`. Questo endpoint rimane attivo nell'istanza ML e puoi effettuare previsioni istantanee in qualsiasi momento, a meno che non lo arresti in un secondo momento. Copia il nome di questo endpoint e salvalo per riutilizzarlo ed effettuare previsioni in tempo reale altrove nelle istanze di notebook Studio o AI. SageMaker SageMaker
**Suggerimento**
Per ulteriori informazioni sulla compilazione e sull'ottimizzazione del modello per la distribuzione su istanze Amazon EC2 o dispositivi edge, consulta [Compile and Deploy Models with Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).
## (Facoltativo) Usa SageMaker AI Predictor per riutilizzare l'endpoint ospitato
Dopo aver distribuito il modello su un endpoint, puoi configurare un nuovo predittore SageMaker AI associando l'endpoint ed effettuare continuamente previsioni in tempo reale su qualsiasi altro notebook. Il codice di esempio seguente mostra come utilizzare la classe SageMaker AI Predictor per configurare un nuovo oggetto predittore utilizzando lo stesso endpoint. Riutilizza il nome dell'endpoint che hai usato per `xgb_predictor`.
```
import sagemaker
xgb_predictor_reuse=sagemaker.predictor.Predictor(
endpoint_name="sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS",
sagemaker_session=sagemaker.Session(),
serializer=sagemaker.serializers.CSVSerializer()
)
```
Il predittore `xgb_predictor_reuse` si comporta esattamente come `xgb_predictor` originale. Per ulteriori informazioni, consulta la classe [SageMaker AI Predictor](https://sagemaker.readthedocs.io/en/stable/predictors.html#sagemaker.predictor.RealTimePredictor) nell'SDK [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
## (Facoltativo) Formulazione di previsioni con la trasformazione di batch
Invece di ospitare un endpoint in produzione, puoi eseguire un processo di inferenza in batch una tantum per fare previsioni su un set di dati di test utilizzando la trasformazione in batch AI. SageMaker [Una volta completato l'addestramento del modello, puoi estendere lo estimatore a un `transformer` oggetto, basato sulla classe AI Transformer. SageMaker ](https://sagemaker.readthedocs.io/en/stable/api/inference/transformer.html) Il trasformatore di batch legge i dati di input da un bucket S3 specificato ed effettua previsioni.
**Per creare un processo di trasformazione di batch**
1. Esegui il seguente codice per convertire le colonne delle funzionalità del set di dati di test in un file CSV e i caricamenti nel bucket S3:
```
X_test.to_csv('test.csv', index=False, header=False)
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'test/test.csv')).upload_file('test.csv')
```
1. Specificate il bucket S3 URIs di input e output per il processo di trasformazione in batch come illustrato di seguito:
```
# The location of the test dataset
batch_input = 's3://{}/{}/test'.format(bucket, prefix)
# The location to store the results of the batch transform job
batch_output = 's3://{}/{}/batch-prediction'.format(bucket, prefix)
```
1. Crea un oggetto trasformatore specificando il numero minimo di parametri: i parametri `instance_count` e `instance_type` per eseguire il processo di trasformazione di batch e `output_path` per salvare i dati di previsione, come mostrato di seguito:
```
transformer = xgb_model.transformer(
instance_count=1,
instance_type='ml.m4.xlarge',
output_path=batch_output
)
```
1. Avvia il processo di trasformazione di batch eseguendo il metodo `transform()` dell'oggetto `transformer` come mostrato di seguito:
```
transformer.transform(
data=batch_input,
data_type='S3Prefix',
content_type='text/csv',
split_type='Line'
)
transformer.wait()
```
1. Quando il processo di trasformazione in batch è completo, SageMaker AI crea i dati di `test.csv.out` previsione salvati nel `batch_output` percorso, che dovrebbero avere il seguente formato:. `s3://sagemaker--111122223333/demo-sagemaker-xgboost-adult-income-prediction/batch-prediction` Esegui quanto segue AWS CLI per scaricare i dati di output del processo di trasformazione in batch:
```
! aws s3 cp {batch_output} ./ --recursive
```
Ciò dovrebbe creare il file `test.csv.out` nella directory di lavoro corrente. Sarete in grado di visualizzare i valori float previsti in base alla regressione logistica del processo di formazione. XGBoost
# Valutazione del modello
Ora che hai addestrato e distribuito un modello utilizzando Amazon SageMaker AI, valuta il modello per assicurarti che generi previsioni accurate su nuovi dati. Per la valutazione del modello, utilizza il set di dati di test creato in [Preparazione di un set di dati](ex1-preprocess-data.md).
## Valuta il modello implementato nei servizi di hosting AI SageMaker
Per valutare il modello e utilizzarlo in produzione, richiama l'endpoint con il set di dati di test e verifica se le inferenze ottenute restituiscono la precisione desiderata.
**Per valutare il modello**
1. Configura la seguente funzione per prevedere ogni riga del set di test. Nel seguente codice di esempio, l'argomento `rows` consiste nello specificare il numero di righe da prevedere alla volta. Puoi modificarne il valore per eseguire un'inferenza in batch che utilizzi appieno la risorsa hardware dell'istanza.
```
import numpy as np
def predict(data, rows=1000):
split_array = np.array_split(data, int(data.shape[0] / float(rows) + 1))
predictions = ''
for array in split_array:
predictions = ','.join([predictions, xgb_predictor.predict(array).decode('utf-8')])
return np.fromstring(predictions[1:], sep=',')
```
1. Esegui il seguente codice per fare previsioni sul set di dati di test e tracciare un istogramma. Devi prendere solo le colonne delle funzionalità del set di dati di test, esclusa la colonna 0 per i valori effettivi.
```
import matplotlib.pyplot as plt
predictions=predict(test.to_numpy()[:,1:])
plt.hist(predictions)
plt.show()
```
![\[Un istogramma dei valori previsti.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-eval-predicted-values-histogram.png)
1. I valori previsti sono di tipo float. Per determinare `True` o `False` in base ai valori float, devi impostare un valore limite. Come mostrato nel seguente codice di esempio, utilizza la libreria Scikit-learn per restituire i parametri di confusione di output e il report di classificazione con un limite di 0,5.
```
import sklearn
cutoff=0.5
print(sklearn.metrics.confusion_matrix(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
print(sklearn.metrics.classification_report(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
```
Questo dovrebbe restituire la seguente matrice di confusione:
![\[Un esempio di matrice di confusione e statistiche dopo aver ottenuto l'inferenza del modello distribuito.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-confusion-matrix.png)
1. Per trovare il limite migliore con il set di test specificato, calcola la funzione di perdita di log della regressione logistica. La funzione di perdita di log è definita come la probabilità log negativa di un modello logistico che restituisce le probabilità di previsione per le etichette ground truth. Il seguente codice di esempio calcola numericamente e iterativamente i valori di perdita di log (`-(y*log(p)+(1-y)log(1-p)`), dove `y` è l'etichetta vera e `p` è una stima della probabilità dell'esempio di test corrispondente. Restituisce una perdita di log rispetto al grafico limite.
```
import matplotlib.pyplot as plt
cutoffs = np.arange(0.01, 1, 0.01)
log_loss = []
for c in cutoffs:
log_loss.append(
sklearn.metrics.log_loss(test.iloc[:, 0], np.where(predictions > c, 1, 0))
)
plt.figure(figsize=(15,10))
plt.plot(cutoffs, log_loss)
plt.xlabel("Cutoff")
plt.ylabel("Log loss")
plt.show()
```
Ciò deve restituire la seguente curva di perdita di log.
![\[Esempio che segue la curva di perdita dei log.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-logloss-vs-cutoff.png)
1. Trova i punti minimi della curva di errore utilizzando le `min` funzioni NumPy `argmin` and:
```
print(
'Log loss is minimized at a cutoff of ', cutoffs[np.argmin(log_loss)],
', and the log loss value at the minimum is ', np.min(log_loss)
)
```
Ciò dovrebbe restituire: `Log loss is minimized at a cutoff of 0.53, and the log loss value at the minimum is 4.348539186773897`.
Invece di calcolare e ridurre al minimo la funzione di perdita di log, puoi stimare una funzione di costo come alternativa. Ad esempio, se desideri addestrare un modello a eseguire una classificazione binaria per un problema aziendale, ad esempio un problema di predizione del tasso di abbandono dei clienti, puoi impostare pesi sugli elementi della matrice di confusione e calcolare di conseguenza la funzione di costo.
Ora hai addestrato, implementato e valutato il tuo primo modello di intelligenza artificiale. SageMaker
**Suggerimento**
Per monitorare la qualità del modello, la qualità dei dati e la deriva dei bias, usa Amazon SageMaker Model Monitor e SageMaker AI Clarify. Per ulteriori informazioni, consulta [Amazon SageMaker Model Monitor, Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html) [Data Quality](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html), [Monitor Model Quality](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html), [Monitor Bias Drift](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html) e [Monitor Feature Attribution](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-feature-attribution-drift.html) Drift.
**Suggerimento**
Per ottenere la revisione umana di previsioni ML a bassa attendibilità o di un campione casuale di previsioni, utilizza i flussi di lavoro di revisione umana di IA aumentata Amazon. Per ulteriori informazioni, consulta [Using Amazon Augmented AI for Human Review](https://docs.aws.amazon.com/sagemaker/latest/dg/a2i-use-augmented-ai-a2i-human-review-loops.html).
# Pulisci le risorse delle istanze di SageMaker notebook Amazon
Per evitare di incorrere in addebiti inutili, usa Console di gestione AWS per eliminare gli endpoint e le risorse che hai creato durante l'esecuzione degli esercizi.
**Nota**
I log e i processi di addestramento non possono essere eliminati e vengono conservati a tempo indeterminato.
**Nota**
Se prevedi di esplorare altri esercizi in questa guida, ti consigliamo tenere alcune di queste risorse, ad esempio la tua istanza del notebook, il bucket S3 e il ruolo IAM.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)ed elimina le seguenti risorse:
+ L'endpoint. L'eliminazione dell'endpoint comporta anche l'eliminazione dell'istanza di calcolo ML o delle istanze che la supportano.
1. In **Inferenza**, scegli **Endpoint**.
1. Seleziona l'endpoint creato nell'esempio, scegli **Azioni**, quindi **Elimina**.
+ La configurazione dell'endpoint.
1. In **Inferenza**, scegli **Configurazioni endpoint**.
1. Seleziona la configurazione dell'endpoint creata nell'esempio, scegli **Azioni**, quindi **Elimina**.
+ Il modello.
1. In **Inferenza**, scegli **Modelli**.
1. Seleziona il modello creato nell'esempio, scegli **Azioni**, quindi **Elimina**.
+ L'istanza del notebook. Prima di eliminare l'istanza del notebook, è necessario arrestarla.
1. In **Notebook**, scegli **Istanze del notebook**.
1. Seleziona l'istanza del notebook creata nell'esempio, scegli **Azioni**, quindi **Arresta**. L'istanza del notebook richiede diversi minuti per essere arrestata. Quando **Stato** passa a **Arrestato**, vai alla fase successiva.
1. Scegli **Azioni**, quindi **Elimina**.
1. Apri la console Amazon S3 all'indirizzo [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/), quindi elimina il bucket creato per archiviare gli artefatti del modello e il set di dati di addestramento.
1. Apri la CloudWatch console Amazon all'indirizzo [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/), quindi elimina tutti i gruppi di log i cui nomi iniziano con`/aws/sagemaker/`.
# AL2023 istanze di notebook
Le istanze di SageMaker notebook Amazon attualmente supportano i sistemi AL2023 operativi. AL2023è ora il sistema operativo più recente e consigliato per le istanze dei notebook. Puoi selezionare il sistema operativo su cui si basa l'istanza del notebook quando crei l'istanza del notebook.
SageMaker L'IA supporta le istanze di notebook basate sui seguenti AL2023 sistemi operativi.
+ **notebook-al2023-v1**: queste istanze per notebook supportano la versione 4. JupyterLab Per informazioni sulle [JupyterLab controllo delle versioni](nbi-jl.md) versioni JupyterLab , vedere.
**Topics**
+ [Tipi di istanze supportati](#nbi-al2023-instances)
+ [Kernel disponibili](#nbi-al2023-kernel)
## Tipi di istanze supportati
AL2023 supporta i tipi di istanze elencati nella sezione **Notebook Instances** in [SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing/), con l'eccezione che AL2023 non supporta `ml.p2` le `ml.g3` istanze. `ml.p3`
## Kernel disponibili
La tabella seguente fornisce informazioni sui kernel disponibili per le istanze dei SageMaker notebook. Tutte queste immagini sono supportate sulle istanze di notebook basate sul `notebook-al2023-v1` sistema operativo.
| Nome del kernel | Description |
| --- | --- |
| R | Un kernel utilizzato per eseguire l'analisi e la visualizzazione dei dati utilizzando il codice R di un notebook Jupyter. |
| Sparkmagic () PySpark | Un kernel utilizzato per eseguire la data science con cluster Spark remoti dei notebook Jupyter utilizzando il linguaggio di programmazione Python. Questo kernel viene fornito con Python 3.10. |
| Sparkmagic (Spark) | Un kernel utilizzato per eseguire la data science con cluster Spark remoti di notebook Jupyter utilizzando il linguaggio di programmazione Scala. Questo kernel viene fornito con Python 3.10. |
| Sparkmagic (SparkR) | Un kernel utilizzato per eseguire la data science con cluster Spark remoti di notebook Jupyter utilizzando il linguaggio di programmazione R. Questo kernel viene fornito con Python 3.10. |
| conda\$1python3 | Un ambiente conda preinstallato con i pacchetti più diffusi per data science e machine learning. Questo kernel viene fornito con Python 3.10. |
| conda\$1pytorch | Un ambiente conda preinstallato con la PyTorch versione 2.7.0, oltre ai più diffusi pacchetti di data science e machine learning. Questo kernel viene fornito con Python 3.10. |
# Istanze del notebook Amazon Linux 2
**Importante**
JupyterLab 1 e JupyterLab 3 non sono più supportate a partire dal 30 giugno 2025. Non puoi più creare nuove istanze del notebook o riavviare istanze del notebook interrotte utilizzando queste versioni. Le istanze in servizio esistenti potrebbero continuare a funzionare, ma non riceveranno più aggiornamenti di sicurezza o correzioni di bug. Esegui la migrazione a JupyterLab 4 istanze di notebook per un supporto continuo. Per ulteriori informazioni, consulta [JupyterLab manutenzione della versione](nbi-jl.md#nbi-jl-version-maintenance).
**Nota**
AL2023 è il sistema operativo più recente e consigliato disponibile per le istanze dei notebook. Per ulteriori informazioni, consulta [AL2023 istanze di notebook](nbi-al2023.md).
Le istanze di SageMaker notebook Amazon attualmente supportano i sistemi operativi Amazon Linux 2 (AL2). Puoi selezionare il sistema operativo su cui si basa l'istanza del notebook quando crei l'istanza del notebook.
SageMaker AI supporta istanze di notebook basate sui seguenti sistemi operativi Amazon Linux 2.
+ **notebook-al2-v1 (deprecato): queste istanze di notebook supportavano la versione 1**. JupyterLab A partire dal 30 giugno 2025, non sarà più possibile creare nuove istanze con questo identificatore di piattaforma. Per informazioni sulle versioni JupyterLab , [JupyterLab controllo delle versioni](nbi-jl.md) vedere.
+ **notebook-al2-v2** (obsoleta): queste istanze di notebook supportavano la versione 3. JupyterLab A partire dal 30 giugno 2025, non sarà più possibile creare nuove istanze con questo identificatore di piattaforma. Per informazioni sulle versioni JupyterLab , [JupyterLab controllo delle versioni](nbi-jl.md) vedere.
+ **notebook-al2-v3**: queste istanze di notebook supportano la versione 4. JupyterLab Per informazioni sulle [JupyterLab controllo delle versioni](nbi-jl.md) versioni JupyterLab , vedere.
Le istanze di notebook create prima del 18/08/2021 vengono eseguite automaticamente su Amazon Linux (). AL1 Le istanze di notebook basate su AL1 sono entrate in fase di manutenzione il 12/01/2022 e non sono più disponibili per la creazione di nuove istanze notebook a partire dal 02/01/2023. Per sostituire AL1, ora hai la possibilità di creare istanze di SageMaker notebook Amazon con AL2. Per ulteriori informazioni, consulta [AL1 Piano della fase di manutenzione](#nbi-al2-deprecation).
**Topics**
+ [Tipi di istanze supportati](#nbi-al2-instances)
+ [Kernel disponibili](#nbi-al2-kernel)
+ [AL1 Piano della fase di manutenzione](#nbi-al2-deprecation)
## Tipi di istanze supportati
Amazon Linux 2 supporta i tipi di istanze elencati nella sezione **Notebook Instances** in [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/), con l'eccezione che Amazon Linux 2 non supporta le `ml.p2` istanze.
## Kernel disponibili
La tabella seguente fornisce informazioni sui kernel disponibili per SageMaker le istanze di notebook. Tutte queste immagini sono supportate sulle istanze del notebook basate sui sistemi operativi `notebook-al2-v1`, `notebook-al2-v2` e `notebook-al2-v3`.
SageMaker kernel delle istanze di notebook
| Nome del kernel | Description |
| --- | --- |
| R | Un kernel utilizzato per eseguire l'analisi e la visualizzazione dei dati utilizzando il codice R di un notebook Jupyter. |
| Sparkmagic () PySpark | Un kernel utilizzato per eseguire la data science con cluster Spark remoti dei notebook Jupyter utilizzando il linguaggio di programmazione Python. Questo kernel viene fornito con Python 3.10. |
| Sparkmagic (Spark) | Un kernel utilizzato per eseguire la data science con cluster Spark remoti di notebook Jupyter utilizzando il linguaggio di programmazione Scala. Questo kernel viene fornito con Python 3.10. |
| Sparkmagic (SparkR) | Un kernel utilizzato per eseguire la data science con cluster Spark remoti di notebook Jupyter utilizzando il linguaggio di programmazione R. Questo kernel viene fornito con Python 3.10. |
| conda\$1python3 | Un ambiente conda preinstallato con i pacchetti più diffusi per data science e machine learning. Questo kernel viene fornito con Python 3.10. |
| conda\$1pytorch\$1p310 | Un ambiente conda preinstallato con la PyTorch versione 2.2.0, oltre ai più diffusi pacchetti di data science e machine learning. Questo kernel viene fornito con Python 3.10. |
| conda\$1tensorflow2\$1p310 | Un ambiente conda preinstallato con la TensorFlow versione 2.16.0, oltre ai più diffusi pacchetti di data science e machine learning. Questo kernel viene fornito con Python 3.10. |
## AL1 Piano della fase di manutenzione
La tabella seguente riporta una tempistica relativa all' AL1 entrata nella fase di manutenzione estesa. La fase AL1 di manutenzione coincide anche con la deprecazione di Python 2 e Chainer. I notebook basati su AL2 non dispongono di kernel Python 2 e Chainer gestiti.
| Data | Description |
| --- | --- |
| 18/08/2021 | Vengono lanciate le istanze di notebook basate su. AL2 Le istanze di notebook appena lanciate continuano a essere impostate come impostazione predefinita. AL1 AL1 è supportato da patch e aggiornamenti di sicurezza, ma non da nuove funzionalità. Puoi scegliere tra i due sistemi operativi durante l'avvio di una nuova istanza del notebook. |
| 31/10/2022 | L'identificatore di piattaforma predefinito per le istanze di SageMaker notebook cambia da Amazon Linux (al1-v1) ad Amazon Linux 2 (al2-v2). Puoi scegliere tra i due sistemi operativi durante l'avvio di una nuova istanza del notebook. |
| 12/01/2022 | AL1 non è più supportato con patch e aggiornamenti di sicurezza non critici. AL1 riceve ancora correzioni per problemi [critici](https://nvd.nist.gov/vuln-metrics/cvss#) relativi alla sicurezza. Puoi comunque avviare le istanze su AL1, ma assumerti i rischi associati all'utilizzo di un sistema operativo non supportato. |
| 01/02/2023 | AL1 non è più un'opzione disponibile per la creazione di nuove istanze di notebook. Dopo questa data, i clienti possono creare istanze di notebook con gli identificatori della AL2 piattaforma. I notebook esistenti con uno `INSERVICE` stato devono essere migrati alla piattaforma più recente poiché non è possibile garantire la disponibilità continua delle istanze dei AL1 notebook. |
| 31/03/2024 | AL1 raggiungerà la fine del ciclo di vita delle istanze dei notebook il 31 marzo 2024. Dopo questa data, non AL1 riceverà più aggiornamenti di sicurezza, correzioni di bug e non sarà più disponibile per la creazione di nuove istanze di notebook. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/nbi-al2.html) |
### Migrazione ad Amazon Linux 2
L'istanza del AL1 notebook esistente non viene migrata automaticamente ad Amazon Linux 2. Per aggiornare l'istanza del AL1 notebook ad Amazon Linux 2, è necessario creare una nuova istanza notebook, replicare il codice e l'ambiente ed eliminare la vecchia istanza del notebook. Per ulteriori informazioni, consulta il blog [Amazon Linux 2 migration](https://aws.amazon.com/blogs/machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/ ).
# JupyterLab controllo delle versioni
**Importante**
JupyterLab Le versioni 1 e JupyterLab 3 non sono più supportate a partire dal 30 giugno 2025. Non puoi più creare nuove istanze del notebook o riavviare istanze del notebook interrotte utilizzando queste versioni. Le istanze in servizio esistenti potrebbero continuare a funzionare, ma non riceveranno più aggiornamenti di sicurezza o correzioni di bug. Esegui la migrazione a JupyterLab 4 istanze di notebook per un supporto continuo. Per ulteriori informazioni, consulta [JupyterLab manutenzione della versione](#nbi-jl-version-maintenance).
L'interfaccia delle istanze di SageMaker notebook Amazon si basa su JupyterLab, un ambiente di sviluppo interattivo basato sul Web per notebook, codice e dati. I notebook ora supportano l'utilizzo di 1, 3 o JupyterLab 4. JupyterLab JupyterLab Una singola istanza di notebook può eseguire una singola istanza di JupyterLab (al massimo). È possibile disporre di più istanze di notebook con JupyterLab versioni diverse.
È possibile configurare il notebook per eseguire la JupyterLab versione preferita selezionando l'identificatore di piattaforma appropriato. Usa la console AI AWS CLI o la console SageMaker AI per creare l'istanza del tuo notebook. Per ulteriori informazioni sugli identificatori di piattaforma, consulta [AL2023 istanze di notebook](nbi-al2023.md) e[Istanze del notebook Amazon Linux 2](nbi-al2.md). Se non configuri esplicitamente un identificatore di piattaforma, l'istanza del notebook esegue per impostazione predefinita 1. JupyterLab
**Topics**
+ [JupyterLab manutenzione della versione](#nbi-jl-version-maintenance)
+ [JupyterLab 4](#nbi-jl-4)
+ [JupyterLab 3](#nbi-jl-3)
+ [Crea un taccuino JupyterLab con la tua versione](nbi-jl-create.md)
+ [Visualizza la JupyterLab versione di un notebook dalla console](nbi-jl-view.md)
## JupyterLab manutenzione della versione
JupyterLab Le piattaforme 1 e JupyterLab 3 hanno raggiunto la fine del supporto standard il 30 giugno 2025. A partire da questa data:
+ Non è più possibile creare nuove istanze di notebook o riavviare le istanze di JupyterLab 1 e JupyterLab 3 notebook interrotte.
+ Le istanze notebook JupyterLab 1 e JupyterLab 3 esistenti in servizio possono continuare a funzionare, ma non ricevono più aggiornamenti di sicurezza SageMaker AI o correzioni di bug critici.
+ La gestione della sicurezza di queste istanze obsolete è responsabilità dell’utente.
+ In caso di problemi con JupyterLab 1 o JupyterLab 3 istanze di notebook esistenti, l' SageMaker intelligenza artificiale non può garantirne la disponibilità continua. È necessario migrare il carico di lavoro su un'istanza per JupyterLab 4 notebook.
Esegui la migrazione del tuo lavoro su JupyterLab 4 istanze di notebook (l'identificatore di piattaforma della versione più recente è [notebook-al2023-v1](nbi-al2023.md)) per assicurarti un ambiente sicuro e supportato. Ciò consente di sfruttare le versioni più recenti dei notebook Jupyter e di altre librerie ML. JupyterLab Per istruzioni, consulta [migrare il tuo lavoro su un'istanza di notebook SageMaker AI con Amazon Linux 2](https://aws.amazon.com/blogs//machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/).
## JupyterLab 4
JupyterLab Il supporto 4 è disponibile solo sulla piattaforma del sistema operativo Amazon Linux 2. JupyterLab 4 include le seguenti funzionalità che non sono disponibili in JupyterLab 3:
+ Rendering ottimizzato per un’esperienza più veloce
+ Impostazioni di adesione per un cambio di scheda più rapido e prestazioni migliori con notebook lunghi. Per ulteriori informazioni, consulta il post sul blog [ JupyterLab 4.0 is Here](https://blog.jupyter.org/jupyterlab-4-0-is-here-388d05e03442).
+ Editor di testo aggiornato
+ Nuovo gestore di estensioni che si installa da pypi
+ Nuovi miglioramenti all’interfaccia utente, tra cui la ricerca dei documenti e accessibilità migliorata
È possibile eseguire JupyterLab 4 specificando [notebook-al2023-v1 (la versione più recente e consigliata) o notebook-al2-v3](nbi-al2023.md) come identificatore di piattaforma durante la creazione dell'istanza del [notebook](nbi-al2.md).
**Nota**
Se si tenta di migrare a un'istanza JupyterLab 4 Notebook da un'altra JupyterLab versione, le modifiche alla versione del pacchetto tra 3 e 4 potrebbero interrompere qualsiasi configurazione o estensione del ciclo di vita esistente. JupyterLab JupyterLab Jupyter/JupyterLab
**Modifiche alla versione del pacchetto**
JupyterLab 4 presenta le seguenti modifiche alla versione del pacchetto rispetto alla 3: JupyterLab
+ JupyterLab è stato aggiornato da 3.x a 4.x.
+ Il notebook Jupyter è stato aggiornato dalla versione 6.x alla 7.x.
+ jupyterlab-git è stato aggiornato alla versione 0.50.0.
## JupyterLab 3
**Importante**
JupyterLab 1 e JupyterLab 3 non sono più supportati a partire dal 30 giugno 2025. Non puoi più creare nuove istanze del notebook o riavviare istanze del notebook interrotte utilizzando queste versioni. Le istanze in servizio esistenti potrebbero continuare a funzionare, ma non riceveranno più aggiornamenti di sicurezza o correzioni di bug. Esegui la migrazione a JupyterLab 4 istanze di notebook per un supporto continuo. Per ulteriori informazioni, consulta [JupyterLab manutenzione della versione](#nbi-jl-version-maintenance).
JupyterLab Il supporto 3 è disponibile solo sulla piattaforma del sistema operativo Amazon Linux 2. JupyterLab 3 include le seguenti funzionalità che non sono disponibili in JupyterLab 1. Per ulteriori informazioni su queste funzionalità, vedi [è stata rilasciata la JupyterLab versione 3.0\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Debugger visivo quando si utilizzano i seguenti kernel:
+ conda\$1pytorch\$1p38
+ conda\$1tensorflow2\$1p38
+ conda\$1amazonei\$1pytorch\$1latest\$1p37
+ Filtro del browser di file
+ Sommario
+ Supporto multilingue
+ Modalità semplice
+ Modalità interfaccia singola
+ Modifica live di file in formato SVG con rendering aggiornato
+ Interfaccia utente per i tag delle celle del notebook
### Modifiche importanti a JupyterLab 3
Per informazioni sulle modifiche importanti quando si utilizza JupyterLab 3, consulta i seguenti registri delle JupyterLab modifiche:
+ [v2.0.0](https://github.com/jupyterlab/jupyterlab/releases)
+ [v3.0.0](https://jupyterlab.readthedocs.io/en/stable/getting_started/changelog.html#for-developers)
**Modifiche alla versione del pacchetto**
JupyterLab 3 presenta le seguenti modifiche alla versione del pacchetto rispetto alla JupyterLab 1:
+ JupyterLab è stato aggiornato da 1.x a 3.x.
+ Il notebook Jupyter è stato aggiornato da 5.x a 6.x.
+ jupyterlab-git è stato aggiornato alla versione 0.37.1.
+ nbserverproxy 0.x (0.3.2) è stato sostituito con 3.x (3.2.1). jupyter-server-proxy
# Crea un taccuino JupyterLab con la tua versione
**Importante**
JupyterLab Le versioni 1 e JupyterLab 3 non sono più supportate a partire dal 30 giugno 2025. Non puoi più creare nuove istanze del notebook o riavviare istanze del notebook interrotte utilizzando queste versioni. Le istanze in servizio esistenti potrebbero continuare a funzionare, ma non riceveranno più aggiornamenti di sicurezza o correzioni di bug. Esegui la migrazione a JupyterLab 4 istanze di notebook per un supporto continuo. Per ulteriori informazioni, consulta [JupyterLab manutenzione della versione](nbi-jl.md#nbi-jl-version-maintenance).
È possibile selezionare la JupyterLab versione al momento della creazione dell'istanza del notebook dalla console seguendo la procedura riportata di seguito. [Crea un'istanza Amazon SageMaker Notebook](howitworks-create-ws.md)
È inoltre possibile selezionare la JupyterLab versione passando il `platform-identifier` parametro durante la creazione dell'istanza del notebook utilizzando AWS CLI quanto segue:
```
create-notebook-instance --notebook-instance-name \
--instance-type \
--role-arn \
--platform-identifier notebook-al2-v3
```
# Visualizza la JupyterLab versione di un notebook dalla console
**Importante**
JupyterLab 1 e JupyterLab 3 non sono più supportati a partire dal 30 giugno 2025. Non puoi più creare nuove istanze del notebook o riavviare istanze del notebook interrotte utilizzando queste versioni. Le istanze in servizio esistenti potrebbero continuare a funzionare, ma non riceveranno più aggiornamenti di sicurezza o correzioni di bug. Esegui la migrazione a JupyterLab 4 istanze di notebook per un supporto continuo. Per ulteriori informazioni, consulta [JupyterLab manutenzione della versione](nbi-jl.md#nbi-jl-version-maintenance).
È possibile visualizzare la JupyterLab versione di un notebook utilizzando la seguente procedura:
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel pannello di navigazione a sinistra seleziona **Notebook**.
1. Dal menu a discesa, seleziona **Istanze del notebook** per accedere alla pagina **Istanze del notebook**.
1. Dall'elenco delle istanze del notebook, seleziona il nome istanza del notebook.
1. Nella pagina delle **impostazioni dell'istanza Notebook**, visualizza il **Platform Identifier** per vedere la JupyterLab versione del notebook.
# Crea un'istanza Amazon SageMaker Notebook
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Un'istanza Amazon SageMaker Notebook è un'istanza di calcolo ML che esegue l'applicazione Jupyter Notebook. SageMaker L'intelligenza artificiale gestisce la creazione dell'istanza e delle relative risorse. Utilizza i notebook Jupyter nell’istanza del notebook per:
+ preparare ed elaborare i dati
+ scrivere codice per addestrare i modelli
+ distribuisci modelli all'hosting SageMaker AI
+ testare o convalidare i modelli
Per creare un'istanza notebook, utilizza la console SageMaker AI o il [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html)API.
Il tipo di istanza del notebook scelta dipende da come utilizzi l'istanza del notebook. Controlla che l’istanza del notebook non sia vincolata da memoria, CPU o IO. Per caricare un set di dati in memoria sull’istanza del notebook per esplorarlo o pre-elaborarlo, ti consigliamo di scegliere un tipo di istanza con memoria RAM sufficiente per il set di dati. Ciò richiede un’istanza con almeno 16 GB di memoria (.xlarge o superiore). Se prevedi di utilizzare l’istanza del notebook per la preelaborazione intensiva di elaborazione, ti consigliamo di scegliere un'istanza ottimizzata per il calcolo, ad esempio c4 o c5.
Una procedura ottimale per l'utilizzo di un SageMaker notebook consiste nell'utilizzare l'istanza del notebook per orchestrare altri AWS servizi. Ad esempio, puoi utilizzare l’istanza del notebook per gestire l’elaborazione di set di dati di grandi dimensioni. A tale scopo, effettua chiamate ai servizi AWS Glue for ETL (extract, transform, and load) o Amazon EMR per la mappatura e la riduzione dei dati tramite Hadoop. Puoi utilizzare AWS i servizi come forme temporanee di calcolo o archiviazione per i tuoi dati.
Puoi archiviare e recuperare i dati di addestramento e test utilizzando un bucket Amazon Simple Storage Service. Puoi quindi utilizzare l' SageMaker intelligenza artificiale per addestrare e costruire il tuo modello. Il risultato è che il tipo di istanza del notebook non influirà sulla velocità di addestramento e test del modello.
Dopo aver ricevuto la richiesta, SageMaker AI esegue le seguenti operazioni:
+ **Crea un'interfaccia di rete**: se scegli la configurazione VPC opzionale SageMaker , AI crea l'interfaccia di rete nel tuo VPC. Utilizza l'ID di sottorete fornito nella richiesta per determinare in quale zona di disponibilità creare la sottorete. SageMaker L'IA associa il gruppo di sicurezza fornito nella richiesta alla sottorete. Per ulteriori informazioni, consulta [Connessione di un'istanza del notebook in un VPC a risorse esterne](appendix-notebook-and-internet-access.md).
+ **Avvia un'istanza di calcolo ML: SageMaker AI avvia un'istanza** di calcolo ML in un VPC AI. SageMaker SageMaker L'intelligenza artificiale esegue le attività di configurazione che le consentono di gestire l'istanza del notebook. Se hai specificato il tuo VPC, l' SageMaker IA abilita il traffico tra il tuo VPC e l'istanza del notebook.
+ **Installa pacchetti e librerie Anaconda per piattaforme di deep learning comuni**: SageMaker AI installa tutti i pacchetti Anaconda inclusi nel programma di installazione. [Per ulteriori informazioni, consulta l'elenco dei pacchetti di Anaconda.](https://docs.anaconda.com/free/anaconda/pkg-docs/) SageMaker L'IA installa anche le librerie di deep learning TensorFlow e Apache MXNet .
+ **Allega un volume di archiviazione ML: l'SageMaker IA collega un volume** di archiviazione ML all'istanza di calcolo ML. Puoi utilizzare il volume come un'area di lavoro per pulire il set di dati di addestramento o per archiviare temporaneamente dati di convalida, testo o altri dati. Scegli qualsiasi dimensione tra 5 e 16384 GB, in incrementi di 1 GB, per il volume. Il valore predefinito è 5 GB. I volumi di archiviazione ML sono crittografati, quindi l' SageMaker IA non può determinare la quantità di spazio libero disponibile sul volume. Per questo motivo è possibile aumentare, ma non ridurre, le dimensioni del volume quando si aggiorna un'istanza del notebook. Per ridurre le dimensioni del volume di storage ML in uso, è necessario creare una nuova istanza del notebook con le dimensioni desiderate.
Solo i file e i dati salvati all'interno della cartella `/home/ec2-user/SageMaker` persistono tra sessioni di istanze del notebook. I file e i dati che vengono salvati all'esterno di questa directory vengono sovrascritti quando l'istanza del notebook viene arrestata e riavviata. La `/tmp` directory di ogni istanza di notebook fornisce un minimo di 10 GB di spazio di archiviazione in un instance store. Un archivio dell'istanza è uno storage temporaneo a livello di blocco che non è persistente. Quando l'istanza viene arrestata o riavviata, SageMaker AI elimina il contenuto della directory e tutte le personalizzazioni del sistema operativo. Questo storage temporaneo fa parte del volume root dell'istanza del notebook.
Se l'istanza del notebook non è aggiornata e utilizza software non sicuro, l' SageMaker IA potrebbe aggiornare periodicamente l'istanza come parte della manutenzione regolare. Durante questi aggiornamenti, i dati al di fuori della cartella non `/home/ec2-user/SageMaker` vengono mantenuti. Per ulteriori informazioni sulle patch di manutenzione e sicurezza, vedere. [Maintenance (Manutenzione)](nbi.md#nbi-maintenance)
Se il tipo di istanza utilizzato dall'istanza notebook è NVMe supportato, i clienti possono utilizzare i volumi di NVMe Instance Store disponibili per quel tipo di istanza. Per le istanze con volumi di NVMe store, tutti i volumi di instance store vengono automaticamente collegati all'istanza al momento del lancio. Per ulteriori informazioni sui tipi di istanze e sui volumi di NVMe archiviazione associati, consulta i [dettagli sul tipo di istanza Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/).
Per rendere disponibile il volume di NVMe archiviazione collegato per l'istanza notebook, completa i passaggi in [Rendere disponibili i volumi di store delle istanze sull'istanza](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/add-instance-store-volumes.html#making-instance-stores-available-on-your-instances). Completa le fasi con l’accesso root o utilizzando uno script di configurazione del ciclo di vita.
**Nota**
NVMe i volumi dell'instance store non sono storage persistente. Questa archiviazione è di breve durata nell’istanza e deve essere riconfigurata ogni volta che viene avviata un’istanza con questa archiviazione.
**Per creare un'istanza di notebook SageMaker AI:**
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Scegli **Istanze del notebook**, quindi **Crea un'istanza del notebook**.
1. Nella pagina **Crea un'istanza del notebook**, fornisci le seguenti informazioni:
1. In **Nome dell’istanza notebook**, digita un nome per l'istanza del notebook.
1. Per il **Tipo di istanza notebook**, scegli una dimensione dell'istanza adatta al tuo caso d'uso. Per un elenco dei tipi di istanze e delle quote supportati, consulta [Amazon SageMaker AI Service](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html#limits_sagemaker) Quotas.
1. Per **Identificatore piattaforma**, scegli un tipo di piattaforma su cui creare l'istanza del notebook. Questo tipo di piattaforma determina il sistema operativo e la JupyterLab versione con cui viene creata l'istanza del notebook. La versione più recente e consigliata è`notebook-al2023-v1`, per un'istanza di notebook Amazon Linux 2023. Al 30 giugno 2025, solo JupyterLab 4 sono supportate per le nuove istanze. Per informazioni sui tipi di identificatori di piattaforma, consulta e. [AL2023 istanze di notebook](nbi-al2023.md) [Istanze del notebook Amazon Linux 2](nbi-al2.md) Per informazioni sulle JupyterLab versioni, vedere[JupyterLab controllo delle versioni](nbi-jl.md).
**Importante**
JupyterLab Le versioni 1 e JupyterLab 3 non sono più supportate a partire dal 30 giugno 2025. Non puoi più creare nuove istanze del notebook o riavviare istanze del notebook interrotte utilizzando queste versioni. Le istanze in servizio esistenti potrebbero continuare a funzionare, ma non riceveranno più aggiornamenti di sicurezza o correzioni di bug. Esegui la migrazione a JupyterLab 4 istanze di notebook per un supporto continuo. Per ulteriori informazioni, consulta [JupyterLab manutenzione della versione](nbi-jl.md#nbi-jl-version-maintenance).
1. (Facoltativo) L'opzione **Configurazione aggiuntiva** consente agli utenti avanzati di creare uno script shell che può essere eseguito durante la creazione o l'avvio dell'istanza. Questo script, chiamato script di configurazione del ciclo di vita, può essere utilizzato per impostare l'ambiente per il notebook o per eseguire altre funzioni. Per informazioni, consulta [Personalizzazione di un'istanza di SageMaker notebook utilizzando uno script LCC](notebook-lifecycle-config.md).
1. (Facoltativo) **Configurazione aggiuntiva** consente inoltre di specificare la dimensione, in GB, del volume di storage ML collegato all'istanza del notebook. È possibile scegliere una dimensione compresa tra 5 GB e 16.384 GB, in incrementi di 1 GB. Puoi utilizzare il volume per pulire il set di dati di addestramento o per archiviare temporaneamente dati di convalida o di altro tipo.
1. (Facoltativo) Per **Versione minima di IMDS**, seleziona una versione dall'elenco a discesa. Se questo valore è impostato su v1, con l'istanza del notebook si possono utilizzare entrambe le versioni. Se è selezionata la versione v2, IMDSv2 può essere utilizzata solo con l'istanza del notebook. Per informazioni su IMDSv2, consulta [ IMDSv2Use](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/configuring-instance-metadata-service.html).
**Nota**
A partire dal 31 ottobre 2022, la versione IMDS minima predefinita per le istanze dei SageMaker notebook cambia da a IMDSv1 . IMDSv2
A partire dal 1° febbraio 2023, IMDSv1 non sarà più disponibile per la creazione di nuove istanze di notebook. Dopo questa data, potrai creare istanze del notebook con una versione minima di IMDS di 2.
1. Per il **ruolo IAM**, scegli un ruolo IAM esistente nel tuo account con le autorizzazioni necessarie per accedere alle risorse SageMaker AI o **crea un nuovo ruolo**. Se scegli **Crea un nuovo ruolo**, l' SageMaker IA crea un ruolo IAM denominato`AmazonSageMaker-ExecutionRole-YYYYMMDDTHHmmSS`. La policy AWS gestita `AmazonSageMakerFullAccess` è allegata al ruolo. Il ruolo fornisce autorizzazioni che consentono all'istanza del notebook di chiamare SageMaker AI e Amazon S3.
1. In **Accesso root**, per abilitare l’accesso root per tutti gli utenti dell’istanza del notebook, scegli **Abilita**. Per disabilitare l’accesso root per gli utenti, scegli **Disabilita**. Se abiliti l’accesso root, tutti gli utenti dell’istanza del notebook avranno privilegi di amministratore e potranno accedere a tutti i file che contiene e modificarli.
1. (Facoltativo) L'opzione **Chiave di crittografia** consente di crittografare i dati sul volume di storage ML collegato all'istanza del notebook utilizzando una chiave AWS Key Management Service (AWS KMS). Se si prevede di archiviare informazioni sensibili nel volume di storage ML, valutare se crittografare le informazioni.
1. (Facoltativo) **Rete** consente di inserire l'istanza del notebook in cloud privato virtuale (VPC, Virtual Private Cloud). Un VPC fornisce sicurezza aggiuntiva e limita l’accesso alle risorse del VPC da origini esterne al VPC. Per ulteriori informazioni VPCs, consulta la [Amazon VPC User Guide](https://docs.aws.amazon.com/vpc/latest/userguide/).
**Per aggiungere l'istanza del notebook a un VPC:**
1. Scegli il **VPC** e un. **SubnetId**
1. Per **(Gruppo di sicurezza**, scegli il gruppo di sicurezza predefinito del VPC.
1. Se l'istanza del notebook deve disporre dell'accesso a Internet, abilita l'accesso diretto a Internet. Per **Accesso diretto a Internet**, scegli **Abilita**. L'accesso a Internet può ridurre la sicurezza dell'istanza del notebook. Per ulteriori informazioni, consulta [Connessione di un'istanza del notebook in un VPC a risorse esterne](appendix-notebook-and-internet-access.md).
1. (Facoltativo) Per associare i repository Git all'istanza del notebook, scegli un repository di default e fino a tre repository aggiuntivi. Per ulteriori informazioni, consulta [Archivi Git con istanze SageMaker AI Notebook](nbi-git-repo.md).
1. Scegli **Crea un'istanza del notebook**.
In pochi minuti, Amazon SageMaker AI lancia un'istanza di calcolo ML, in questo caso un'istanza notebook, e vi allega un volume di storage ML. L'istanza del notebook include un server Notebook Jupyter preconfigurato e un set di librerie Anaconda. Per ulteriori informazioni, consulta l'API [
`CreateNotebookInstance`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html).
1. Quando lo stato dell'istanza del notebook è `InService`, nella console, l'istanza del notebook è pronta per l'uso. Scegli **Apri Jupyter** accanto al nome notebook per aprire il panello di controllo di Jupyter in formato classico.
**Nota**
Per aumentare la sicurezza della tua istanza di SageMaker notebook Amazon, tutti i `notebook.region.sagemaker.aws` domini regionali sono registrati nella [Public Suffix List (](https://publicsuffix.org/)PSL) di Internet. Per una maggiore sicurezza, ti consigliamo di utilizzare i cookie con un `__Host-` prefisso per impostare cookie sensibili per i domini delle istanze del tuo notebook. SageMaker Questa pratica ti aiuterà a difendere il tuo dominio dai tentativi CSRF (cross-site request forgery). Per ulteriori informazioni, consulta la pagina [Set-Cookie](https://developer.mozilla.org/en-US/docs/Web/HTTP/Headers/Set-Cookie#cookie_prefixes) nel sito web con la documentazione per gli sviluppatori [mozilla.org](https://www.mozilla.org/en-GB/?v=1).
Puoi scegliere **Apri JupyterLab per aprire** la dashboard. JupyterLab La dashboard fornisce l’accesso all’istanza del notebook.
Per ulteriori informazioni sui notebook Jupyter, consulta il [notebook Jupyter ](https://jupyter-notebook.readthedocs.io/en/stable/).
# Accesso alle istanze del notebook
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Per accedere alle tue istanze di SageMaker notebook Amazon, scegli una delle seguenti opzioni:
+ Tramite la console.
Scegli **Istanze del notebook**. La console visualizza un elenco di istanze del notebook nel tuo account. Per aprire un'istanza del notebook con un'interfaccia Jupyter standard, scegli **Apri Jupyter** per tale istanza. Per aprire un'istanza di notebook con un' JupyterLab interfaccia, scegli **Apri JupyterLab** per quell'istanza.
![\[Esempio di sezione Istanze del notebook nella console.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/ws-notebook-10.png)
La console utilizza le tue credenziali di accesso per inviare un [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html)Richiesta API all'IA. SageMaker SageMaker L'IA restituisce l'URL dell'istanza del notebook e la console apre l'URL in un'altra scheda del browser e visualizza la dashboard del notebook Jupyter.
**Nota**
L'URL che puoi ottenere da una chiamata a [
`CreatePresignedNotebookInstanceUrl`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) è valido solo per 5 minuti. Se tenti di utilizzare l'URL dopo la scadenza del limite di 5 minuti, verrai indirizzato alla pagina di accesso. Console di gestione AWS
+ Utilizzo dell'API.
Per ottenere l'URL dell'istanza del notebook, chiama l'API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) e utilizza l'URL restituito dall'API per aprire l'istanza del notebook.
Utilizza il pannello di controllo del notebook Jupyter per creare e gestire i notebook e scrivere codice. Per ulteriori informazioni sui notebook Jupyter, consulta [http://jupyter.org/documentation.html](http://jupyter.org/documentation.html).
# Aggiornamento di un'istanza del notebook
Dopo aver creato un'istanza di notebook, puoi aggiornarla utilizzando la console SageMaker AI e il funzionamento dell'[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html)API.
Puoi aggiornare i tag di un'istanza del notebook il cui stato è `InService`. Per aggiornare qualsiasi altro attributo di un'istanza del notebook, il suo stato deve essere `Stopped`.
**Per aggiornare un'istanza di notebook nella console SageMaker AI:**
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Scegli **Istanze del notebook**.
1. Scegli l'istanza del notebook che desideri aggiornare selezionando il **nome** dell'istanza del notebook dall'elenco.
1. Se lo **stato** del notebook non è `Stopped`, seleziona il pulsante **Stop** per arrestare l'istanza del notebook.
Quando esegui questa operazione, lo stato dell'istanza del notebook cambia in `Stopping`. Attendi che lo stato cambi in `Stopped` per completare le seguenti fasi.
1. Seleziona il pulsante **Modifica** per aprire la pagina **Modifica istanza del notebook**. Per informazioni sulle proprietà del notebook che è possibile aggiornare, consulta [Crea un'istanza Amazon SageMaker Notebook](howitworks-create-ws.md).
1. Aggiorna l'istanza del notebook e successivamente seleziona il pulsante **Aggiorna istanza del notebook** nella parte inferiore della pagina per tornare alla pagina delle istanze del notebook. Lo stato dell'istanza del notebook cambia in **Aggiornamento in corso**.
Al termine dell'aggiornamento dell’istanza del notebook, lo stato cambia in `Stopped`.
# Personalizzazione di un'istanza di SageMaker notebook utilizzando uno script LCC
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Una *configurazione del ciclo di vita* (LCC) fornisce gli script shell che vengono eseguiti solo quando crei o avvii l’istanza del notebook. Quando crei un’istanza del notebook, puoi creare una nuova LCC o collegare una LCC già disponibile. Gli script di configurazione del ciclo di vita sono utili per i seguenti casi d’uso:
+ Installazione di pacchetti o notebook di esempio su un’istanza del notebook
+ Configurazione della rete e della sicurezza per un’istanza del notebook
+ Utilizzo di uno script shell per personalizzare un’istanza del notebook
È inoltre possibile utilizzare uno script di configurazione del ciclo di vita per accedere ai AWS servizi dal notebook. Ad esempio, puoi creare uno script che ti consenta di utilizzare il tuo notebook per controllare altre AWS risorse, come un'istanza Amazon EMR.
[Gestiamo un archivio pubblico di script di configurazione del ciclo di vita dei notebook che riguardano casi d'uso comuni per la personalizzazione delle istanze dei notebook all'indirizzo -. https://github.com/aws-samples/ amazon-sagemaker-notebook-instance lifecycle-config-samples](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples)
**Nota**
Ogni script ha un limite di 16.384 caratteri.
Il valore della variabile di ambiente `$PATH` disponibile per entrambi gli script è `/usr/local/sbin:/usr/local/bin:/usr/bin:/usr/sbin:/sbin:/bin`. La directory di lavoro, che è il valore della variabile di ambiente `$PWD`, è `/`.
Visualizza CloudWatch i log per le configurazioni del ciclo di vita delle istanze di notebook nel gruppo di log nel flusso di log. `/aws/sagemaker/NotebookInstances` `[notebook-instance-name]/[LifecycleConfigHook]`
Gli script non possono essere eseguiti per più di 5 minuti. Se uno script viene eseguito per più di 5 minuti, ha esito negativo e l'istanza del notebook non viene creata né avviata. Per ridurre il tempo di esecuzione degli script, prova a:
Eliminare le fasi non necessarie. Ad esempio, limita gli ambienti conda in cui installare pacchetti di grandi dimensioni.
Esegui le attività in processi paralleli.
Utilizzare il comando `nohup` nello script.
**È possibile visualizzare un elenco delle configurazioni del ciclo di vita delle istanze notebook create in precedenza selezionando la configurazione del ciclo di vita nella console AI.** SageMaker Puoi collegare una LCC di un’istanza del notebook quando crei una nuova istanza del notebook. Per ulteriori informazioni sulla creazione di un'istanza del notebook, consulta [Crea un'istanza Amazon SageMaker Notebook](howitworks-create-ws.md).
# Creazione di uno script di configurazione del ciclo di vita
La procedura seguente mostra come creare uno script di configurazione del ciclo di vita da utilizzare con un'istanza Amazon SageMaker Notebook. Per ulteriori informazioni sulla creazione di un'istanza del notebook, consulta [Crea un'istanza Amazon SageMaker Notebook](howitworks-create-ws.md).
**Per creare una configurazione del ciclo di vita**
1. Apri la console SageMaker AI all'indirizzo. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Nel pannello di navigazione sinistro scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Configurazioni del ciclo di vita**.
1. Dalla pagina **Configurazioni del ciclo di vita**, scegli la scheda **Istanza del notebook**.
1. Scegli **Crea configurazione)**.
1. Per **Nome**, digita un nome utilizzando caratteri alfanumerici e "-", ma senza spazi. Un nome può contenere un massimo di 63 caratteri.
1. (Facoltativo) Per creare uno script che viene eseguito quando si crea o si avvia un notebook, scegli **Avvia notebook**.
1. Nell'editor **Avvia notebook** digita lo script.
1. (Facoltativo) Per creare uno script che viene eseguito solo una volta, quando viene creato il notebook, scegli **Crea notebook**.
1. Nell'editor **Crea notebook** digita lo script di configurazione delle reti.
1. Scegli **Crea configurazione**.
## Best practice per la configurazione del ciclo di vita
Di seguito sono indicate le best practice per l'utilizzo delle configurazioni del ciclo di vita:
**Importante**
Non è consigliabile archiviare informazioni sensibili nello script di configurazione del ciclo di vita.
**Importante**
Gli script di configurazione del ciclo di vita vengono eseguiti con accesso root e privilegi di ruolo di esecuzione IAM dell'istanza notebook, indipendentemente dall'impostazione di accesso root per gli utenti di notebook. I responsabili con le autorizzazioni per creare o modificare le configurazioni del ciclo di vita e aggiornare le istanze del notebook possono eseguire codice con le credenziali del ruolo di esecuzione. Per ulteriori informazioni, consulta [Controlla l'accesso root a un'istanza di notebook SageMaker](nbi-root-access.md).
+ Le configurazioni del ciclo di vita vengono eseguite dall'utente `root`. Se lo script apporta modifiche all'interno della directory `/home/ec2-user/SageMaker`, ad esempio installando un pacchetto con `pip`, utilizza il comando `sudo -u ec2-user` per l'esecuzione come utente `ec2-user`. Si tratta dello stesso utente con cui viene eseguito Amazon SageMaker AI.
+ SageMaker Le istanze di notebook AI utilizzano `conda` ambienti per implementare kernel diversi per i notebook Jupyter. Per installare pacchetti disponibili per uno o più kernel del notebook, racchiudi i comandi per installare i pacchetti con i comandi di ambiente `conda` che attivano l'ambiente conda che contiene il kernel in cui desideri installare i pacchetti.
Ad esempio, per installare un pacchetto solo per l'ambiente `python3`, utilizza il codice seguente:
```
#!/bin/bash
sudo -u ec2-user -i <
**Importante**
Attualmente, tutti i pacchetti negli ambienti di istanze notebook sono concessi in licenza per l'uso con Amazon SageMaker AI e non richiedono licenze commerciali aggiuntive. Tuttavia, questa condizione potrebbe essere soggetta a modifiche in futuro, pertanto ti consigliamo di consultare regolarmente i termini di licenza per eventuali aggiornamenti.
Le istanze di SageMaker notebook Amazon sono dotate di più ambienti già installati. Questi ambienti contengono kernel Jupyter e pacchetti Python tra cui: scikit, Pandas, e. NumPy TensorFlow MXNet Questi ambienti, insieme a tutti i file nella cartella `sample-notebooks`, vengono aggiornati quando interrompi e avvii un'istanza del notebook. Puoi anche installare i tuoi ambienti che contengono la tua scelta di pacchetti e kernel.
I diversi kernel Jupyter nelle istanze di notebook SageMaker Amazon sono ambienti conda separati. Per informazioni sugli ambienti conda, consulta [Managing environments](https://conda.io/docs/user-guide/tasks/manage-environments.html) nella documentazione di *Conda*.
Installazione di ambienti e kernel personalizzati sul volume Amazon EBS dell'istanza del notebook. Ciò garantisce che persistano quando si arresta e si riavvia l'istanza del notebook e che tutte le librerie esterne installate non vengano aggiornate dall'IA. SageMaker Per farlo, usa una configurazione del ciclo di vita che includa sia uno script che venga eseguito quando crei l’istanza del notebook (`on-create)` sia uno script che venga eseguito ogni volta che riavvii l’istanza del notebook (`on-start`). Per ulteriori informazioni sull’utilizzo delle configurazioni del ciclo di vita dell'istanza del notebook, consulta [Personalizzazione di un'istanza di SageMaker notebook utilizzando uno script LCC](notebook-lifecycle-config.md). Esiste un GitHub repository che contiene esempi di script di configurazione del ciclo di vita in [SageMaker AI Notebook Instance Lifecycle](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples) Config Samples.
Gli esempi in [https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh e https://github.com/aws-samples/ amazon-sagemaker-notebook-instance -lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh)[-start.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-start.sh) mostrano le migliori pratiche per l'installazione di ambienti e kernel su un'istanza di notebook. Lo script `on-create` installa la libreria `ipykernel` per creare ambienti personalizzati come kernel Jupyter, quindi utilizza `pip install` e `conda install` per installare le librerie. È possibile adattare lo script per creare ambienti personalizzati e installare le librerie desiderate. SageMaker L'intelligenza artificiale non aggiorna queste librerie quando interrompi e riavvii l'istanza del notebook, quindi puoi assicurarti che il tuo ambiente personalizzato disponga delle versioni specifiche delle librerie che desideri. Lo script `on-start` installa tutti gli ambienti personalizzati creati come kernel Jupyter, in modo che vengano visualizzati nell'elenco a discesa del menu **Nuovo** di Jupyter.
## Strumenti di installazione dei pacchetti
SageMaker i notebook supportano i seguenti strumenti di installazione dei pacchetti:
+ installazione conda
+ installazione pip
Puoi installare pacchetti utilizzando i seguenti metodi:
+ Script di configurazione del ciclo di vita.
Per gli script di esempio, consulta [SageMaker AI Notebook Instance Lifecycle Config](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples) Samples. Per ulteriori informazioni sulla configurazione del ciclo di vita, consulta [Customize a Notebook Instance Using a Lifecycle Configuration Script](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-lifecycle-config.html).
+ Notebook: sono supportati i seguenti comandi.
+ `%conda install`
+ `%pip install`
+ Terminale Jupyter: puoi installare pacchetti utilizzando direttamente pip e conda.
Dall'interno di un notebook puoi utilizzare la sintassi del comando di sistema (le righe che iniziano con\$1) per installare pacchetti, ad esempio, `!pip install` e `!conda install`. Più recentemente, sono stati aggiunti nuovi comandi a: and. IPython `%pip` `%conda` Si consiglia di utilizzare questi comandi per installare i pacchetti dall'interno di un notebook, perché tengono correttamente conto dell'ambiente attivo o dell'interprete utilizzato. Per ulteriori informazioni, consulta [Add %pip and %conda magic functions](https://github.com/ipython/ipython/pull/11524).
### Conda
Conda è un sistema open source di gestione dei pacchetti e un sistema di gestione dell'ambiente, che può installare pacchetti e le loro dipendenze. SageMaker L'intelligenza artificiale supporta l'utilizzo di Conda con uno dei due canali principali, il canale predefinito e il canale conda-forge. Per ulteriori informazioni, consulta la pagina [Conda channels](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). Il canale conda-forge è un community channel in cui i collaboratori possono caricare pacchetti.
**Nota**
Per via del modo in cui Conda risolve il grafico delle dipendenze, l'installazione di pacchetti da conda-forge può richiedere molto più tempo (nel peggiore dei casi, fino a 10 minuti).
Deep Learning AMI include molti ambienti conda e molti pacchetti preinstallati. A causa del numero di pacchetti preinstallati, è difficile trovare un set di pacchetti la cui compatibilità sia garantita. Potresti visualizzare il seguente avviso: “L'ambiente non è coerente, controlla attentamente il piano dei pacchetti”. Nonostante questo avviso, l' SageMaker IA garantisce che tutti gli ambienti forniti dall' SageMaker IA siano corretti. SageMaker L'IA non può garantire che i pacchetti installati dall'utente funzionino correttamente.
**Nota**
Gli utenti di SageMaker AI AWS Deep Learning AMIs e Amazon EMR possono accedere all'archivio commerciale di Anaconda senza richiedere una licenza commerciale fino al 1° febbraio 2024 se utilizzano Anaconda in tali servizi. Per qualsiasi utilizzo del repository commerciale Anaconda successivo al 1° febbraio 2024, i clienti sono responsabili di determinare autonomamente i propri obblighi in merito alla licenza Anaconda.
Conda ha due metodi per attivare gli ambienti: conda. activate/deactivate, and source activate/deactivate Per ulteriori informazioni, consulta [Should I use 'conda activate' or 'source activate' in Linux](https://stackoverflow.com/questions/49600611/python-anaconda-should-i-use-conda-activate-or-source-activate-in-linux).
SageMaker L'intelligenza artificiale supporta lo spostamento degli ambienti Conda sul volume Amazon EBS, che viene mantenuto quando l'istanza viene interrotta. Gli ambienti non sono persistenti quando vengono installati nel volume root, che è il comportamento predefinito. Per un esempio di script del ciclo di vita, consulta. [persistent-conda-ebs](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/tree/master/scripts/persistent-conda-ebs)
**Operazioni conda supportate (vedi la nota in fondo a questo argomento)**
+ installazione conda di un pacchetto in un unico ambiente
+ installazione conda di un pacchetto in tutti gli ambienti
+ installazione conda di un pacchetto R nell’ambiente R
+ Installazione di un pacchetto dal repository principale di conda
+ Installazione di un pacchetto da conda-forge
+ Modifica della posizione di installazione di conda per utilizzare EBS
+ Supporta sia conda activate che source activate
### Pip
Pip è lo strumento preposto all’installazione e alla gestione dei pacchetti Python. Per impostazione predefinita, Pip cerca i pacchetti nell’indice dei pacchetti Python (PyPI). A differenza di Conda, pip non ha un supporto ambientale integrato e non è così completo come Conda quando si tratta di pacchetti con dipendenze di libreria. native/system Puoi usare pip per installare pacchetti in ambienti Conda.
Invece che l’indice PyPI, con pip puoi anche usare repository di pacchetti alternativi. Per un esempio di script del ciclo di vita, consulta [on-start.sh.](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/add-pypi-repository/on-start.sh)
**Operazioni conda supportate (vedi la nota in fondo a questo argomento)**
+ Uso di pip per installare un pacchetto senza un ambiente conda attivo (installazione di pacchetti a livello di sistema)
+ Uso di pip per installare un pacchetto in un ambiente conda
+ Uso di pip per installare un pacchetto in tutti gli ambienti conda
+ Modifica della posizione di installazione di pip per utilizzare EBS
+ Uso di un repository alternativo per installare pacchetti con pip
### Non supportato.
SageMaker L'intelligenza artificiale mira a supportare il maggior numero possibile di operazioni di installazione dei pacchetti. Tuttavia, se i pacchetti sono stati installati da SageMaker AI o DLAMI e si utilizzano le seguenti operazioni su questi pacchetti, l'istanza del notebook potrebbe diventare instabile:
+ Disinstallazione
+ Downgrade
+ Aggiornamento
Non offriamo supporto per l'installazione di pacchetti tramite yum o per l'installazione di pacchetti R da CRAN.
A causa di potenziali problemi relativi alle condizioni o alle configurazioni della rete o alla disponibilità di Conda or PyPi, non possiamo garantire che i pacchetti vengano installati in un periodo di tempo fisso o deterministico.
**Nota**
Non possiamo garantire che l'installazione di un pacchetto avvenga correttamente. Il tentativo di installare un pacchetto in un ambiente con dipendenze incompatibili può causare un errore. In tal caso, è necessario contattare il manutentore della libreria per vedere se è possibile aggiornare le dipendenze del pacchetto. In alternativa, si può tentare di modificare l'ambiente in modo da rendere possibile l'installazione. Questa modifica, tuttavia, comporterà probabilmente la rimozione o l'aggiornamento dei pacchetti esistenti, il che significa che non possiamo più garantire la stabilità di questo ambiente.
# Aggiornamenti software dell'istanza del notebook
Amazon SageMaker AI testa e rilascia periodicamente il software installato sulle istanze dei notebook. Questo include:
+ Aggiornamenti del kernel
+ Patch di sicurezza
+ AWS Aggiornamenti SDK
+ Aggiornamenti dell'[ SageMaker SDK Amazon Python](https://sagemaker.readthedocs.io/en/stable)
+ Aggiornamenti software open source
Per assicurarti di disporre degli aggiornamenti software più recenti, interrompi e riavvia l'istanza del notebook, nella console SageMaker AI o chiamando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html).
Puoi anche aggiornare manualmente il software installato sull'istanza del notebook mentre è in esecuzione utilizzando i comandi di aggiornamento in un terminale o in un notebook.
**Nota**
L'aggiornamento dei kernel e di alcuni pacchetti potrebbe dipendere dal fatto che l'accesso root sia abilitato per l'istanza del notebook. Per ulteriori informazioni, consulta [Controlla l'accesso root a un'istanza di notebook SageMaker](nbi-root-access.md).
Puoi controllare [Personal Health Dashboard](https://aws.amazon.com/premiumsupport/technology/personal-health-dashboard/) o il bollettino di sicurezza nella pagina [Bollettini di sicurezza](https://aws.amazon.com/security/security-bulletins/) per aggiornamenti.
# Controllo di un'istanza Amazon EMR Spark utilizzando un notebook
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
È possibile utilizzare un'istanza di notebook creata con uno script di configurazione del ciclo di vita personalizzato per accedere ai AWS servizi dal notebook. Ad esempio, puoi creare uno script che consente di utilizzare il notebook con Sparkmagic per controllare altre risorse AWS , ad esempio un'istanza Amazon EMR. Puoi quindi utilizzare l'istanza Amazon EMR per elaborare i dati anziché eseguire l'analisi dei dati sul notebook. Ciò consente di creare un'istanza del notebook più piccola perché non la si utilizzerà per elaborare i dati. Ciò è utile quando si dispone di set di dati di grandi dimensioni che richiederebbero un'istanza del notebook di grandi dimensioni per elaborare i dati.
Il processo richiede tre procedure utilizzando la console Amazon SageMaker AI:
+ Creazione di un'istanza Amazon EMR Spark
+ Creazione del notebook Jupyter
+ Verificare la notebook-to-Amazon connessione EMR
**Per creare un'istanza Amazon EMR Spark controllabile da un notebook mediante Sparkmagic**
1. Apri la console di Amazon EMR all'indirizzo [https://console.aws.amazon.com/elasticmapreduce/](https://console.aws.amazon.com/elasticmapreduce/).
1. Nel riquadro di navigazione, scegli **Crea cluster**.
1. Nella pagina **Crea cluster - Opzioni rapide** in **Configurazione del software**, scegli **Spark: Spark 2.4.4 on Hadoop 2.8.5 YARN with Ganglia 3.7.2 and Zeppelin 0.8.2**.
1. Imposta i parametri aggiuntivi nella pagina e quindi scegli **Crea cluster**.
1. Nella pagina **Cluster** scegli il nome del cluster creato. Annota i nomi di **DNS pubblico master**, **gruppo di sicurezza del master EMR** e VPC e l'ID sottorete in cui è stato creato il cluster EMR. Questi valori verranno utilizzati quando si crea un notebook.
**Per creare un notebook che utilizza Sparkmagic per controllare un'istanza Amazon EMR Spark**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione, in **Istanze del notebook**, scegli **Crea notebook**.
1. Immetti il nome dell'istanza del notebook e scegli il tipo di istanza.
1. Scegli **Configurazione aggiuntiva**, quindi in **Configurazione ciclo di vita**, scegli **Crea una nuova configurazione del ciclo di vita**.
1. Aggiungi il codice seguente allo script di configurazione del ciclo di vita:
```
# OVERVIEW
# This script connects an Amazon EMR cluster to an Amazon SageMaker notebook instance that uses Sparkmagic.
#
# Note that this script will fail if the Amazon EMR cluster's master node IP address is not reachable.
# 1. Ensure that the EMR master node IP is resolvable from the notebook instance.
# One way to accomplish this is to have the notebook instance and the Amazon EMR cluster in the same subnet.
# 2. Ensure the EMR master node security group provides inbound access from the notebook instance security group.
# Type - Protocol - Port - Source
# Custom TCP - TCP - 8998 - $NOTEBOOK_SECURITY_GROUP
# 3. Ensure the notebook instance has internet connectivity to fetch the SparkMagic example config.
#
# https://aws.amazon.com/blogs/machine-learning/build-amazon-sagemaker-notebooks-backed-by-spark-in-amazon-emr/
# PARAMETERS
EMR_MASTER_IP=your.emr.master.ip
cd /home/ec2-user/.sparkmagic
echo "Fetching Sparkmagic example config from GitHub..."
wget https://raw.githubusercontent.com/jupyter-incubator/sparkmagic/master/sparkmagic/example_config.json
echo "Replacing EMR master node IP in Sparkmagic config..."
sed -i -- "s/localhost/$EMR_MASTER_IP/g" example_config.json
mv example_config.json config.json
echo "Sending a sample request to Livy.."
curl "$EMR_MASTER_IP:8998/sessions"
```
1. Nella sezione `PARAMETERS` dello script, sostituisci `your.emr.master.ip` con il nome DNS pubblico master per l'istanza Amazon EMR.
1. Scegli **Crea configurazione**.
1. Nella pagina **Crea notebook** scegli **Rete - facoltativa**.
1. Scegli il VPC e la sottorete in cui si trova l'istanza Amazon EMR.
1. Scegli il gruppo di sicurezza utilizzato dal nodo principale di Amazon EMR.
1. Scegli **Crea un'istanza del notebook**.
Durante la creazione dell'istanza del notebook, lo stato è **Pending**. Dopo che l'istanza è stata creata e lo script di configurazione del ciclo di vita è stato eseguito correttamente, lo stato è. **InService**
**Nota**
Se l'istanza notebook non riesce a connettersi all'istanza Amazon EMR, l' SageMaker intelligenza artificiale non può creare l'istanza notebook. La connessione può non riuscire se l'istanza Amazon EMR e il notebook non si trovano negli stessi VPC e sottorete, se il gruppo di sicurezza master di Amazon EMR non viene utilizzato dal notebook o se il nome DNS pubblico master nello script non è corretto.
**Per testare la connessione tra l'istanza Amazon EMR e il notebook**
1. Quando lo stato del notebook è impostato **InService**, scegli **Open Jupyter** per aprirlo.
1. Scegli **Nuovo**, quindi scegli **Sparkmagic** (). PySpark
1. Nella cella di codice immetti **%%info** ed esegui la cella.
L'output visualizzato dovrebbe essere simile al seguente
```
Current session configs: {'driverMemory': '1000M', 'executorCores': 2, 'kind': 'pyspark'}
No active sessions.
```
# Impostazione del kernel notebook
Amazon SageMaker AI fornisce diversi kernel per Jupyter che forniscono supporto per Python 2 e 3, Apache e. MXNet TensorFlow PySpark Per impostare un kernel per un nuovo notebook nel pannello di controllo del notebook Jupyter, seleziona **Nuovo**, quindi scegli il kernel dall'elenco. Per ulteriori informazioni sui kernel disponibili, consulta [Kernel disponibili](nbi-al2.md#nbi-al2-kernel).
![\[Posizione dell’elenco a discesa Nuovo nella dashboard del notebook Jupyter.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/nbi-set-kernel.png)
È inoltre possibile creare un kernel personalizzato che è possibile utilizzare nell'istanza del notebook. Per informazioni, consulta [Installazione di librerie e kernel esterni](nbi-add-external.md).
# Archivi Git con istanze SageMaker AI Notebook
Associa i repository Git all'istanza del notebook per salvare i notebook in un ambiente di controllo dell'origine che persiste anche se l'istanza del notebook viene arrestata o eliminata. Puoi associare un repository predefinito e fino a tre repository aggiuntivi a un'istanza del notebook. I repository possono essere ospitati in AWS CodeCommit o su qualsiasi altro server Git. GitHub L'associazione di repository Git all'istanza del notebook può essere utile per:
+ Persistenza: i notebook in un'istanza del notebook vengono archiviati su volumi Amazon EBS durevoli, ma non persistono oltre la durata dell'istanza del notebook. L'archiviazione di notebook in un repository Git consente di archiviare e utilizzare notebook anche se l'istanza del notebook viene arrestata o eliminata.
+ Collaborazione: i colleghi in un team lavorano spesso insieme su progetti di machine learning. L'archiviazione di notebook in repository Git permette ai colleghi che lavorano su istanze del notebook diverse di condividere notebook e collaborare su di essi in un ambiente con controllo dell'origine.
+ Apprendimento: molti notebook Jupyter che dimostrano le tecniche di machine learning sono disponibili in repository Git ospitati pubblicamente, come on. GitHub Puoi associare l'istanza del notebook a un repository per caricare facilmente notebook Jupyter contenuti in tale repository.
Sono disponibili due modi per associare un repository Git a un'istanza del notebook:
+ Aggiungi un repository Git come risorsa nel tuo account Amazon SageMaker AI. Quindi, per accedere al repository, puoi specificare un segreto di AWS Secrets Manager che contenga le credenziali. In questo modo, puoi accedere ai repository che richiedono l'autenticazione.
+ Associazione di un repository Git pubblico che non è una risorsa nell'account. In questo caso, non puoi specificare credenziali per accedere al repository.
**Topics**
+ [Aggiungi un repository Git al tuo account Amazon SageMaker AI](nbi-git-resource.md)
+ [Creazione di un'istanza del notebook con un repository Git associato](nbi-git-create.md)
+ [Associate un CodeCommit repository in un AWS account diverso a un'istanza di Notebook](nbi-git-cross.md)
+ [Utilizzo di repository Git in un'istanza del notebook](git-nbi-use.md)
# Aggiungi un repository Git al tuo account Amazon SageMaker AI
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Per gestire i tuoi GitHub repository, associarli facilmente alle istanze del tuo notebook e associare le credenziali per i repository che richiedono l'autenticazione, aggiungi i repository come risorse nel tuo account Amazon AI. SageMaker Puoi visualizzare un elenco di repository archiviati nel tuo account e i dettagli su ciascun repository nella console SageMaker AI e utilizzando l'API.
Puoi aggiungere repository Git al tuo account SageMaker AI nella console SageMaker AI o utilizzando il AWS CLI.
**Nota**
Puoi usare l' SageMaker API AI [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html)per aggiungere repository Git al tuo account SageMaker AI, ma step-by-step le istruzioni non sono fornite qui.
## Aggiungi un repository Git al tuo account SageMaker AI (Console)
**Per aggiungere un repository Git come risorsa nel tuo account SageMaker AI**
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Scegli **Notebook**, scegli **Repository Git**, quindi seleziona **Aggiungi repository**.
1. Per aggiungere un CodeCommit repository, scegli **AWS CodeCommit**. Per aggiungere uno GitHub o un altro repository basato su Git, scegli **GitHub/Altro** repository basato su Git.
**Per aggiungere un repository esistente CodeCommit**
1. Scegli **Utilizza repository esistente**.
1. Per **Repository**, scegli un repository dall'elenco.
1. Inserisci un nome da utilizzare per il repository in SageMaker AI. Il nome deve essere composto da 1 a 63 caratteri. I caratteri validi sono a–z, A-Z, 0–9 e - (trattino).
1. Scegli **Aggiungi repository**.
**Per creare un nuovo repository CodeCommit**
1. Scegli **Crea un nuovo repository**.
1. Inserisci un nome per il repository che puoi usare sia CodeCommit in AI che in AI. SageMaker Il nome deve essere composto da 1 a 63 caratteri. I caratteri validi sono a–z, A-Z, 0–9 e - (trattino).
1. Scegli **Create repository (Crea repository)**.
**Per aggiungere un repository Git ospitato in un posto diverso da CodeCommit**
1. Scegli **GitHub/Altro repository basato su Git.**
1. Immetti un nome fino a 63 caratteri. I caratteri validi includono caratteri alfanumerici, un trattino (-) e 0-9.
1. Immetti l'URL per il repository. Non fornire un nome utente nell'URL. Aggiungi le credenziali di accesso Gestione dei segreti AWS come descritto nel passaggio successivo.
1. Per **Credenziali Git**, scegli le credenziali da utilizzare per l'autenticazione nel repository. Questa operazione è necessaria solo se il repository Git è privato.
**Nota**
Se per il repository Git è abilitata l'autenticazione a due fattori, inserisci un token di accesso personale generato dal fornitore di servizi Git nel campo `password`.
1. Per utilizzare un segreto esistente di AWS Secrets Manager, scegli **Usa segreto esistente**, quindi scegli un segreto dall'elenco. Per ulteriori informazioni sulla creazione e l'archiviazione di un bucket, consulta [Creating a basic secret](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html) nella *Guida per l'utente di AWS Secrets Manager*. Il nome del segreto utilizzato deve contenere la stringa `sagemaker`.
**Nota**
Il segreto deve avere un'etichetta di gestione temporanea di `AWSCURRENT` e deve avere il formato seguente:
`{"username": UserName, "password": Password}`
Per i GitHub repository, consigliamo di utilizzare un token di accesso personale sul `password` campo. Per informazioni, vedere [https://help.github.com/articles/creating-a-personal-access- token-for-the-command -line/](https://help.github.com/articles/creating-a-personal-access-token-for-the-command-line/).
1. Per creare un nuovo segreto di AWS Secrets Manager, scegli **Crea segreto**, inserisci un nome per il segreto, quindi inserisci le credenziali di accesso da utilizzare per l'autenticazione nel repository. Il nome per il segreto deve contenere la stringa `sagemaker`.
**Nota**
Il ruolo IAM utilizzato per creare il segreto deve disporre dell'autorizzazione `secretsmanager:GetSecretValue` nella sua policy IAM.
Il segreto deve avere un'etichetta di gestione temporanea di `AWSCURRENT` e deve avere il formato seguente:
`{"username": UserName, "password": Password}`
Per i GitHub repository, consigliamo di utilizzare un token di accesso personale.
1. Per non utilizzare le credenziali, scegli **Nessun segreto**.
1. Scegli **Crea segreto**.
# Aggiungi un repository Git al tuo account Amazon SageMaker AI (CLI)
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Usa il `create-code-repository` AWS CLI comando per aggiungere un repository Git ad Amazon SageMaker AI per consentire agli utenti di accedere a risorse esterne. Specifica un nome per il repository come il valore dell'argomento `code-repository-name`. Il nome deve essere composto da 1 a 63 caratteri. I caratteri validi sono a–z, A-Z, 0–9 e - (trattino). Specifica inoltre le impostazioni seguenti:
+ Il ramo predefinito
+ L'URL del repository Git
**Nota**
Non fornire un nome utente nell'URL. Aggiungi le credenziali di accesso Gestione dei segreti AWS come descritto nel passaggio successivo.
+ L'Amazon Resource Name (ARN) di un segreto di AWS Secrets Manager che contiene le credenziali da utilizzare per autenticare il repository come valore dell'argomento `git-config`
Per ulteriori informazioni sulla creazione e l'archiviazione di un bucket, consulta [Creating a basic secret](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html) nella *Guida per l'utente di AWS Secrets Manager*. Il comando seguente crea un nuovo repository denominato `MyRespository` nel tuo account Amazon SageMaker AI che punta a un repository Git ospitato su. `https://github.com/myprofile/my-repo"`
Per Linux, OS X o Unix:
```
aws sagemaker create-code-repository \
--code-repository-name "MyRepository" \
--git-config Branch=branch,RepositoryUrl=https://github.com/myprofile/my-repo,SecretArn=arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE
```
Per Windows:
```
aws sagemaker create-code-repository ^
--code-repository-name "MyRepository" ^
--git-config "{\"Branch\":\"master\", \"RepositoryUrl\" :
\"https://github.com/myprofile/my-repo\", \"SecretArn\" : \"arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE\"}"
```
**Nota**
Il segreto deve avere un'etichetta di gestione temporanea di `AWSCURRENT` e deve avere il formato seguente:
`{"username": UserName, "password": Password}`
Per i GitHub repository, consigliamo di utilizzare un token di accesso personale.
# Creazione di un'istanza del notebook con un repository Git associato
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
È possibile associare i repository Git a un'istanza di notebook quando si crea l'istanza del notebook utilizzando Console di gestione AWS, o il AWS CLI. Se desideri utilizzare un CodeCommit repository che si trova in un AWS account diverso rispetto all'istanza del notebook, configura l'accesso tra account per il repository. Per informazioni, consulta [Associate un CodeCommit repository in un AWS account diverso a un'istanza di Notebook](nbi-git-cross.md).
**Topics**
+ [Creazione di un'istanza del notebook con un repository Git associato (console)](#nbi-git-create-console)
+ [Creazione di un'istanza del notebook con un repository Git associato (CLI)](nbi-git-create-cli.md)
## Creazione di un'istanza del notebook con un repository Git associato (console)
**Per creare un'istanza notebook e associare repository Git nella console Amazon SageMaker AI**
1. Segui le istruzioni riportate in [Crea un'istanza Amazon SageMaker Notebook per il tutorial](gs-setup-working-env.md).
1. Per **Repository Git**, scegli i repository Git da associare all'istanza del notebook.
1. Per **Deposito predefinito**, scegli un repository che desideri utilizzare come repository predefinito. SageMaker AI clona questo repository come sottodirectory nella directory di avvio di Jupyter in. `/home/ec2-user/SageMaker` L'istanza del notebook viene aperta in questo repository. Per scegliere un repository che viene archiviato come una risorsa nell'account, scegli il nome dall'elenco. Per aggiungere un nuovo repository come risorsa nel tuo account, scegli **Aggiungi un repository all' SageMaker AI (apre il flusso Aggiungi repository in una nuova finestra) e segui le istruzioni in**. [Creazione di un'istanza del notebook con un repository Git associato (console)](#nbi-git-create-console) Per clonare un repository pubblico che non è archiviato nell'account, scegli **Clona un repository Git pubblico solo in questa istanza del notebook**, quindi specifica l'URL per tale repository.
1. Per **Archivio aggiuntivo 1**, scegli un repository che desideri aggiungere come directory aggiuntiva. SageMaker AI clona questo repository come sottodirectory nella directory di avvio di Jupyter in. `/home/ec2-user/SageMaker` Per scegliere un repository che viene archiviato come una risorsa nell'account, scegli il nome dall'elenco. Per aggiungere un nuovo repository come risorsa nel tuo account, scegli **Aggiungi un repository all' SageMaker AI (apre il flusso Aggiungi repository in una nuova finestra) e segui le istruzioni in**. [Creazione di un'istanza del notebook con un repository Git associato (console)](#nbi-git-create-console) Per clonare un repository che non è archiviato nell'account, scegli **Clona un repository Git pubblico solo in questa istanza del notebook**, quindi specifica l'URL per tale repository.
Ripeti questa fase fino a tre volte per aggiungere fino a tre repository aggiuntivi all'istanza del notebook.
# Creazione di un'istanza del notebook con un repository Git associato (CLI)
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Per creare un'istanza del notebook e associare repository Git utilizzando AWS CLI, utilizza il comando `create-notebook-instance` come segue:
+ Specifica il repository che desideri utilizzare come repository predefinito come valore dell'argomento `default-code-repository`. Amazon SageMaker AI clona questo repository come sottodirectory nella directory di avvio di Jupyter all'indirizzo. `/home/ec2-user/SageMaker` L'istanza del notebook viene aperta in questo repository. Per utilizzare un repository archiviato come risorsa nel tuo account SageMaker AI, specifica il nome del repository come valore dell'argomento. `default-code-repository` Per utilizzare un repository che non è archiviato nell'account , specifica l'URL del repository come il valore dell'argomento `default-code-repository`.
+ Specificate fino a tre repository aggiuntivi come valore dell'argomento. `additional-code-repositories` SageMaker AI clona questo repository come sottodirectory nella directory di avvio di Jupyter in `/home/ec2-user/SageMaker` e il repository viene escluso dal repository predefinito aggiungendolo alla directory del repository predefinito. `.git/info/exclude` Per utilizzare i repository archiviati come risorse nel tuo account SageMaker AI, specifica i nomi dei repository come valore dell'argomento. `additional-code-repositories` Per utilizzare i repository che non sono archiviati nel tuo account, specifica i URLs repository come valore dell'argomento. `additional-code-repositories`
Ad esempio, il comando seguente crea un'istanza di notebook con un repository denominato`MyGitRepo`, archiviato come risorsa nel tuo account SageMaker AI, come repository predefinito e un repository aggiuntivo ospitato su: GitHub
```
aws sagemaker create-notebook-instance \
--notebook-instance-name "MyNotebookInstance" \
--instance-type "ml.t2.medium" \
--role-arn "arn:aws:iam::012345678901:role/service-role/AmazonSageMaker-ExecutionRole-20181129T121390" \
--default-code-repository "MyGitRepo" \
--additional-code-repositories "https://github.com/myprofile/my-other-repo"
```
**Nota**
Se utilizzi un AWS CodeCommit repository che non contiene "SageMaker" nel nome, aggiungi le `codecommit:GitPush` autorizzazioni `codecommit:GitPull` e al ruolo che passi come argomento al `role-arn` comando. `create-notebook-instance` Per informazioni su come aggiungere autorizzazioni a un ruolo, consulta [Adding and Removing IAM Policies](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) nella *AWS Identity and Access Management Guida per l'utente*.
# Associate un CodeCommit repository in un AWS account diverso a un'istanza di Notebook
Per associare un CodeCommit repository in un AWS account diverso all'istanza del notebook, configura l'accesso tra account diversi per il repository. CodeCommit
**Per configurare l'accesso tra più account per un CodeCommit repository e associarlo a un'istanza di notebook:**
1. Nell' AWS account che contiene il CodeCommit repository, crea una policy IAM che consenta l'accesso al repository agli utenti dell'account che contiene l'istanza del notebook. Per informazioni, consultare la [Fase 1: creare una policy per l'accesso al repository nell'AccountA](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-policy-a) nella *Guida per l'utente di CodeCommit *.
1. Nell' AWS account che contiene il CodeCommit repository, crea un ruolo IAM e collega a quel ruolo la policy creata nel passaggio precedente. Per informazioni, consultare la [Fase 2: creare un ruolo per l'accesso al repository nell'AccountA](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-role-a) nella *Guida per l'utente di CodeCommit *.
1. Nell'istanza del notebook, crea un profilo che usa il ruolo creato nella fase precedente:
1. Apri l'istanza del notebook.
1. Apri un terminale nell'istanza del notebook.
1. Modifica un nuovo profilo digitando il seguente comando nel terminale:
```
vi /home/ec2-user/.aws/config
```
1. Modifica il file con le seguenti informazioni di profilo:
```
[profile CrossAccountAccessProfile]
region = us-west-2
role_arn = arn:aws:iam::CodeCommitAccount:role/CrossAccountRepositoryContributorRole
credential_source=Ec2InstanceMetadata
output = json
```
*CodeCommitAccount*Dov'è l'account che contiene l' CodeCommit archivio, *CrossAccountAccessProfile* è il nome del nuovo profilo e *CrossAccountRepositoryContributorRole* il nome del ruolo che hai creato nel passaggio precedente.
1. Nell'istanza del notebook, configura Git in modo che usi il profilo creato nella fase precedente:
1. Apri l'istanza del notebook.
1. Apri un terminale nell'istanza del notebook.
1. Modifica il file di configurazione Git digitando il seguente comando nel terminale:
```
vi /home/ec2-user/.gitconfig
```
1. Modifica il file con le seguenti informazioni di profilo:
```
[credential]
helper = !aws codecommit credential-helper --profile CrossAccountAccessProfile $@
UseHttpPath = true
```
*CrossAccountAccessProfile*Dov'è il nome del profilo che hai creato nel passaggio precedente.
# Utilizzo di repository Git in un'istanza del notebook
Quando apri un'istanza del notebook cui sono associati repository Git, questa viene aperta nel repository predefinito, il quale è installato nell'istanza del notebook direttamente in `/home/ec2-user/SageMaker`. Puoi aprire e creare notebook ed eseguire manualmente comandi Git in un cella di notebook. Esempio:
```
!git pull origin master
```
Per aprire uno dei repository aggiuntivi, passa alla cartella superiore nella gerarchia. I repository aggiuntivi vengono anche installati come directory in `/home/ec2-user/SageMaker`.
Se apri l'istanza del notebook con un' JupyterLab interfaccia, l'estensione jupyter-git viene installata e disponibile per l'uso. [Per informazioni sull'estensione jupyter-git per, vedi jupyterlab-git. JupyterLab https://github.com/jupyterlab/](https://github.com/jupyterlab/jupyterlab-git)
Quando apri un'istanza di notebook in JupyterLab, vedi i repository git ad essa associati nel menu a sinistra:
![\[Esempio di browser di file in JupyterLab.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/git-notebook.png)
Puoi utilizzare l'estensione jupyter-git per gestire git visivamente, anziché utilizzare la riga di comando:
![\[Esempio dell'estensione jupyter-git in. JupyterLab\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jupyterlab-git.png)
# Metadati dell'istanza del notebook
Quando crei un'istanza notebook, Amazon SageMaker AI crea un file JSON sull'istanza nella posizione `/opt/ml/metadata/resource-metadata.json` che contiene l'istanza `ResourceName` e l'istanza `ResourceArn` del notebook. Questi metadati sono accessibili da qualsiasi punto all'interno del notebook, incluse le configurazioni del ciclo di vita dell'istanza. Per informazioni sulle configurazioni del ciclo di vita dell'istanza del notebook, consulta [Personalizzazione di un'istanza di SageMaker notebook utilizzando uno script LCC](notebook-lifecycle-config.md).
**Nota**
Il file `resource-metadata.json` può essere modificato con accesso root.
Il file `resource-metadata.json` ha la struttura seguente:
```
{
"ResourceArn": "NotebookInstanceArn",
"ResourceName": "NotebookInstanceName"
}
```
È possibile utilizzare questi metadati dall'interno dell'istanza del notebook per ottenere altre informazioni sull'istanza del notebook. Ad esempio, i seguenti comandi ottengono i tag associati all'istanza del notebook:
```
NOTEBOOK_ARN=$(jq '.ResourceArn'
/opt/ml/metadata/resource-metadata.json --raw-output)
aws sagemaker list-tags --resource-arn $NOTEBOOK_ARN
```
L'output sarà simile al seguente:
```
{
"Tags": [
{
"Key": "test",
"Value": "true"
}
]
}
```
# Monitora i log di Jupyter in Amazon Logs CloudWatch
I log di Jupyter includono informazioni importanti come eventi, metriche e informazioni sullo stato di salute che forniscono informazioni utili durante l'esecuzione di notebook Amazon. SageMaker Importando i log di Jupyter in Logs, i clienti possono utilizzare CloudWatch Logs per rilevare CloudWatch comportamenti anomali, impostare allarmi e scoprire informazioni utili a far funzionare i notebook AI in modo più fluido. SageMaker Puoi accedere ai log anche quando l'istanza Amazon EC2 che ospita il notebook non risponde e utilizzare i log per risolvere i problemi relativi a notebook che non rispondono. Le informazioni sensibili come AWS account IDs, chiavi segrete e token di autenticazione predefinite vengono rimosse in modo che i clienti possano condividere i log senza divulgare informazioni private. URLs
**Per visualizzare i log Jupyter per un'istanza del notebook:**
1. Accedi Console di gestione AWS e apri la console AI all' SageMaker indirizzo. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Scegli **Istanze del notebook**.
1. Nell'elenco delle istanze del notebook, scegli l'istanza del notebook per la quale desideri visualizzare i log Jupyter selezionando il **Nome** dell’istanza del notebook.
In questo modo accederai alla pagina dei dettagli per quell'istanza del notebook.
1. In **Monitoraggio** nella pagina dei dettagli dell'istanza del notebook, scegli **Vedi log**.
1. Nella CloudWatch console, scegli il flusso di log per l'istanza del tuo notebook. Il formato del nome è `NotebookInstanceName/jupyter.log`.
Per ulteriori informazioni sul monitoraggio dei CloudWatch log per l' SageMaker IA, consulta[CloudWatch Registri per Amazon SageMaker AI](logging-cloudwatch.md).
# Laboratorio Amazon SageMaker Studio
**Nota**
A partire dall'8 agosto 2025, Amazon SageMaker Studio Lab ne utilizza JupyterLab 4 anziché JupyterLab 3. Se riscontri problemi con le dipendenze, reinstalla tutte le estensioni che hai aggiunto ai tuoi ambienti.
Amazon SageMaker Studio Lab è un servizio gratuito che offre ai clienti l'accesso alle risorse di AWS elaborazione, in un ambiente basato sull'open source 4 JupyterLab . Si basa sulla stessa architettura e interfaccia utente di Amazon SageMaker Studio Classic, ma con un sottoinsieme di funzionalità di Studio Classic.
Con Studio Lab, puoi utilizzare le risorse di AWS elaborazione per creare ed eseguire i tuoi notebook Jupyter senza creare un account. AWS Poiché Studio Lab è basato sull'open source JupyterLab, puoi sfruttare le estensioni Jupyter open source per eseguire i tuoi notebook Jupyter.
**Studio Lab a confronto con Amazon SageMaker Studio Classic**
Sebbene Studio Lab fornisca l'accesso gratuito alle risorse di AWS elaborazione, Amazon SageMaker Studio Classic offre le seguenti funzionalità avanzate di apprendimento automatico che Studio Lab non supporta.
+ Integrazione e distribuzione continue (Pipelines)
+ Previsioni in tempo reale
+ Apprendimento distribuito su larga scala
+ Preparazione dei dati (Amazon SageMaker Data Wrangler)
+ Etichettatura dei dati (Amazon SageMaker Ground Truth)
+ Archivio funzionalità
+ Analisi dei bias (Clarify)
+ Distribuzione di modelli
+ Monitoraggio del modello
Studio Classic supporta anche il controllo granulare degli accessi e la sicurezza utilizzando AWS Identity and Access Management (IAM), Amazon Virtual Private Cloud (Amazon VPC) e (). AWS Key Management Service AWS KMS Studio Lab non supporta queste funzionalità di Studio Classic, né supporta l'uso di stimatori e algoritmi di intelligenza artificiale integrati. SageMaker
Per esportare i progetti di Studio Lab da utilizzare con Studio Classic, consulta [Esportazione di un ambiente Amazon SageMaker Studio Lab in Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
I seguenti argomenti forniscono informazioni su Studio Lab e su come utilizzarlo
**Topics**
+ [Panoramica dei componenti di Amazon SageMaker Studio Lab](studio-lab-overview.md)
+ [Accedere ad Amazon SageMaker Studio Lab](studio-lab-onboard.md)
+ [Gestisci il tuo account](studio-lab-manage-account.md)
+ [Avvia il runtime del tuo progetto Amazon SageMaker Studio Lab](studio-lab-manage-runtime.md)
+ [Usa le risorse iniziali di Amazon SageMaker Studio Lab](studio-lab-integrated-resources.md)
+ [Ambienti Studio Lab preinstallati](studio-lab-environments.md)
+ [Usa il runtime del progetto Amazon SageMaker Studio Lab](studio-lab-use.md)
+ [Risoluzione dei problemi](studio-lab-troubleshooting.md)
# Panoramica dei componenti di Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab è composto dai seguenti componenti. I seguenti argomenti forniscono maggiori dettagli su questi componenti.
**Topics**
+ [Pagina di destinazione](#studio-lab-overview-landing)
+ [Account Studio Lab](#studio-lab-overview-account)
+ [Pagina di panoramica del progetto](#studio-lab-overview-project-overview)
+ [Pagina di anteprima](#studio-lab-overview-preview)
+ [Progetto](#studio-lab-overview-project)
+ [Tipo di istanza di calcolo](#studio-lab-overview-project-compute)
+ [Runtime del progetto](#studio-lab-overview-runtime)
+ [Sessione](#studio-lab-overview-session)
## Pagina di destinazione
Puoi richiedere un account e accedere a un account esistente sulla tua pagina di destinazione. Per accedere alla pagina di destinazione, consulta il [sito Web di Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). Per ulteriori informazioni su come creare un account Studio Lab, consulta [Accedere ad Amazon SageMaker Studio Lab](studio-lab-onboard.md).
La schermata seguente mostra l'interfaccia della pagina di destinazione di Studio Lab per la richiesta di un account utente e l'accesso.
![\[Il layout della pagina di destinazione di Amazon SageMaker Studio Lab.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio-lab-landing.png)
## Account Studio Lab
Il tuo account Studio Lab ti consente di accedere a Studio Lab. Per ulteriori informazioni su come creare un account utente, consulta [Accedere ad Amazon SageMaker Studio Lab](studio-lab-onboard.md).
## Pagina di panoramica del progetto
Puoi avviare un'istanza di calcolo e visualizzare le informazioni sul tuo progetto in questa pagina. Per accedere a questa pagina, devi accedere dal [sito Web di Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
La schermata seguente mostra una panoramica del progetto nell'interfaccia utente di Studio Lab.
![\[Il layout dell’interfaccia utente per la panoramica del progetto.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio-lab-overview.png)
## Pagina di anteprima
In questa pagina, puoi accedere a un'anteprima di sola lettura di un notebook Jupyter. Non puoi eseguire il notebook dall'anteprima, ma puoi copiare quel notebook nel tuo progetto. Per molti clienti, questa potrebbe essere la prima pagina di Studio Lab che i clienti vedono, in quanto potrebbero aprire un notebook da un GitHub notebook. Per ulteriori informazioni su come utilizzare GitHub le risorse, consulta[Usa le risorse GitHub](studio-lab-use-external.md#studio-lab-use-external-clone-github).
Per copiare l'anteprima del notebook nel tuo progetto Studio Lab:
1. Accedi al tuo account Studio Lab. Per ulteriori informazioni su come creare un account Studio Lab, consulta [Accedere ad Amazon SageMaker Studio Lab](studio-lab-onboard.md).
1. In **Istanza di calcolo notebook**, scegli un tipo di istanza di calcolo. Per ulteriori informazioni sui tipi di istanza di calcolo, consulta [Tipo di istanza di calcolo](#studio-lab-overview-project-compute).
1. Scegli **Avvia runtime**. È possibile che ti venga chiesto di risolvere un puzzle CAPTCHA. Per ulteriori informazioni sul CAPTCHA, vedi [Cos'è un puzzle CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
1. Configurazione una tantum, per avviare il runtime per la prima volta utilizzando il tuo account Studio Lab:
1. Inserisci un numero di cellulare da associare al tuo account Amazon SageMaker Studio Lab e scegli **Continua**.
Per informazioni sui paesi e le Regioni supportati, consulta [Paesi e aree geografiche supportati (canale SMS)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Inserisci il codice a 6 cifre inviato al numero di cellulare associato e scegli **Verifica**.
1. Scegli **Copia nel progetto**.
## Progetto
Il progetto contiene tutti i file e le cartelle, inclusi i notebook Jupyter. Hai il controllo completo sui file del tuo progetto. Il tuo progetto include anche l'interfaccia utente JupyterLab basata su di essa. Da questa interfaccia, puoi interagire con i tuoi notebook Jupyter, modificare i file di codice sorgente, effettuare l'integrazione e GitHub connetterti ad Amazon S3. Per ulteriori informazioni, consulta [Usa il runtime del progetto Amazon SageMaker Studio Lab](studio-lab-use.md).
La schermata seguente mostra un progetto Studio Lab con il browser dei file aperto e l'utilità di avvio di Studio Lab visualizzata.
![\[Il layout dell’interfaccia utente del progetto.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio-lab-ui.png)
## Tipo di istanza di calcolo
Il runtime del tuo progetto Amazon SageMaker Studio Lab si basa su un'istanza EC2. Ti vengono assegnati 15 GB di spazio di archiviazione e 16 GB di RAM. La disponibilità delle istanze di calcolo non è garantita ed è soggetta alla domanda. Se hai bisogno di risorse di archiviazione o di calcolo aggiuntive, valuta la possibilità di passare a Studio.
Amazon SageMaker Studio Lab offre la scelta tra una CPU (Central Processing Unit) e una GPU (Graphical Processing Unit). Le seguenti sezioni forniscono informazioni su queste due opzioni, inclusa una guida alla selezione.
**CPU**
Un'unità di elaborazione centrale (CPU) è progettata per gestire un'ampia gamma di attività in modo efficiente, ma è limitata nel numero di attività che può eseguire contemporaneamente. Per il machine learning, una CPU è consigliata per algoritmi ad alta intensità di calcolo, come serie temporali, previsioni e dati tabulari.
Il tipo di elaborazione della CPU ha un massimo di 4 ore alla volta con un limite di 8 ore in un periodo di 24 ore.
**GPU**
Un'unità di elaborazione grafica (GPU) è progettata per eseguire il rendering simultaneo di immagini e video ad alta risoluzione. Una GPU è consigliata per le attività di deep learning, in particolare per i trasformatori e la visione artificiale.
Il tipo di elaborazione GPU ha un massimo di 4 ore alla volta con un limite di 4 ore in un periodo di 24 ore.
**Tempo di calcolo**
Quando il tempo di elaborazione per Studio Lab raggiunge il limite di tempo, l'istanza interrompe tutti i calcoli in esecuzione. Studio Lab non supporta aumenti dei limiti di tempo.
Studio Lab salva automaticamente l'ambiente quando si aggiorna l'ambiente e ogni volta che si crea un nuovo file. Le estensioni e i pacchetti installati in modo personalizzato persistono anche dopo la fine del runtime.
Le modifiche ai file vengono salvate periodicamente, ma non vengono salvate al termine del runtime. Per assicurarti di non perdere i tuoi progressi, salva il lavoro manualmente. Se hai contenuti nel tuo progetto Studio Lab che non vuoi perdere, ti consigliamo di eseguirne il backup altrove. Per ulteriori informazioni sull'esportazione dell'ambiente e dei file, consulta [Esportazione di un ambiente Amazon SageMaker Studio Lab in Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Durante lunghi calcoli, non è necessario tenere aperto il progetto. Ad esempio, potete iniziare ad addestrare un modello, quindi chiudere il browser. L'istanza continua a funzionare fino al limite del tipo di elaborazione in un periodo di tempo di 24 ore. Puoi quindi accedere in un secondo momento per continuare il tuo lavoro.
Ti consigliamo di utilizzare il checkpointing nei tuoi lavori di deep learning. Puoi utilizzare i checkpoint salvati per riavviare un lavoro dal checkpoint salvato in precedenza. Per ulteriori informazioni, consulta [I/O file](https://d2l.ai/chapter_deep-learning-computation/read-write.html?highlight=checkpointing).
## Runtime del progetto
Il runtime del progetto è il periodo di tempo in cui l'istanza di calcolo è in esecuzione.
## Sessione
Una sessione utente inizia ogni volta che si avvia il progetto.
# Accedere ad Amazon SageMaker Studio Lab
Per effettuare l'onboarding in Amazon SageMaker Studio Lab, segui i passaggi descritti in questa guida. Nelle sezioni seguenti, imparerai come richiedere un account Studio Lab, creare il tuo account e accedere.
**Topics**
+ [Richiedi un account Studio Lab](#studio-lab-onboard-request)
+ [Crea un account Studio Lab](#studio-lab-onboard-register)
+ [Esegui l’accesso Studio Lab](#studio-lab-onboard-signin)
## Richiedi un account Studio Lab
Per utilizzare Studio Lab, devi prima richiedere l'approvazione per creare un account Studio Lab. Non è possibile utilizzare un AWS account per l'onboarding su Studio Lab.
Nelle fasi seguenti viene illustrato come richiedere un account Studio Lab.
1. Vai alla [pagina di destinazione di Studio Lab](https://studiolab.sagemaker.aws).
1. Seleziona **Richiedi account**.
1. Inserisci le informazioni richieste nel modulo.
1. Seleziona **Invia richiesta**.
1. Se ricevi un'e-mail per verificare l'indirizzo e-mail, segui le istruzioni contenute nell'e-mail per completare questa fase.
La richiesta di account deve essere approvata prima di poter registrare un account Studio Lab. La tua richiesta verrà esaminata entro cinque giorni lavorativi. Quando la richiesta di account viene approvata, riceverai un'e-mail con un link alla pagina di registrazione dell'account Studio Lab. Questo link scade sette giorni dopo l'approvazione della richiesta. Se il link scade, devi inviare una nuova richiesta di account.
Nota: la richiesta del tuo account viene rifiutata se la tua e-mail è stata associata ad attività che violano i nostri [Termini di servizio](https://aws.amazon.com/service-terms/) o altri accordi.
### Codici di riferimento
I codici di riferimento di Studio Lab consentono l'approvazione automatica delle richieste di nuovi account per supportare eventi di machine learning come workshop, hackathon e lezioni. Con un codice di riferimento, un host affidabile può consentire ai partecipanti di accedere immediatamente a Studio Lab. Dopo che un account è stato creato utilizzando un codice di riferimento, l'account continua a esistere dopo la scadenza del codice.
Per ottenere un codice di riferimento, contatta il [Supporto vendite](https://aws.amazon.com/contact-us/sales-support/). Per utilizzare un codice di riferimento, inseriscilo nel modulo di richiesta dell'account.
## Crea un account Studio Lab
Dopo l'approvazione della richiesta, completa la procedura seguente per creare il tuo account Studio Lab.
1. Seleziona **Crea account** nell'e-mail di approvazione della richiesta dell'account per aprire una nuova pagina.
1. Dalla nuova pagina, inserisci la tua **e-mail**, una **password** e un **nome utente**.
1. Seleziona **Crea account**.
È possibile che ti venga chiesto di risolvere un puzzle CAPTCHA. Per ulteriori informazioni sul CAPTCHA, vedi [Cos'è un puzzle CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
## Esegui l’accesso Studio Lab
Dopo aver registrato l'account, puoi accedere a Studio Lab.
1. Vai alla [pagina di destinazione di Studio Lab](https://studiolab.sagemaker.aws).
1. Seleziona **Accedi** per aprire una nuova pagina.
1. Inserisci la tua **e-mail** o **nome utente** e **password**.
1. Seleziona **Accedi** per aprire una nuova pagina del tuo progetto.
È possibile che ti venga chiesto di risolvere un puzzle CAPTCHA. Per ulteriori informazioni sul CAPTCHA, vedi [Cos'è un puzzle CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
# Gestisci il tuo account
Il seguente argomento fornisce informazioni sulla gestione del tuo account, inclusa la modifica della password, l'eliminazione dell'account e l'ottenimento delle informazioni che abbiamo raccolto. Questi argomenti richiedono l'accesso al tuo account Amazon SageMaker Studio Lab. Per ulteriori informazioni, consulta [Esegui l’accesso Studio Lab](studio-lab-onboard.md#studio-lab-onboard-signin).
## Modifica la password
Segui questi passaggi per modificare la password di Amazon SageMaker Studio Lab.
1. Vai alla pagina di panoramica del progetto Studio Lab. L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
1. Dall'angolo in alto a destra, seleziona il tuo nome utente per aprire un menu a discesa.
1. Dal menu a discesa, seleziona **Cambia password** per aprire una nuova pagina.
1. Inserisci la tua password attuale nel campo **Inserisci la tua password attuale**.
1. Inserisci la tua nuova password nei campi **Crea una nuova password** e **Conferma la nuova password**.
1. Selezionare **Invia**.
## Elimina l'account
Completa la procedura seguente per eliminare l'account Studio Lab.
1. Vai alla pagina di panoramica del progetto Studio Lab. L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
1. Dall'angolo in alto a destra, seleziona il tuo nome utente per aprire un menu a discesa.
1. Dal menu a discesa, seleziona **Elimina account** per aprire una nuova pagina.
1. Inserisci la password per confermare l'eliminazione del tuo account Studio Lab.
1. Selezionare **Elimina**.
## Informazioni sui clienti
Studio Lab raccoglie l'indirizzo e-mail, il nome utente, la password crittografata, i file di progetto e i metadati. Quando richiedi un account, puoi facoltativamente scegliere di fornire nome e cognome, paese, nome dell'organizzazione, professione e il motivo del tuo interesse per questo prodotto. Proteggiamo tutti i dati personali dei clienti con crittografia. Per ulteriori informazioni su come vengono gestite le tue informazioni personali, consulta l'[Informativa sulla privacy](https://aws.amazon.com//privacy/).
Quando elimini il tuo account, tutte le tue informazioni vengono eliminate immediatamente. Se hai una domanda in merito, invia il [modulo Amazon SageMaker Studio Lab](https://pages.awscloud.com/GLOBAL_PM_PA_amazon-sagemaker_20211116_7014z000000rjq2-registration.html). Per informazioni e supporto relativi alla conformità AWS , consulta [Supporto per la conformità](https://aws.amazon.com//contact-us/compliance-support/).
# Avvia il runtime del tuo progetto Amazon SageMaker Studio Lab
Il runtime del progetto Amazon SageMaker Studio Lab ti consente di scrivere ed eseguire codice direttamente dal tuo browser. È basato su JupyterLab e dispone di un terminale e una console integrati. Per ulteriori informazioni in merito JupyterLab, consulta la [JupyterLabDocumentazione](https://jupyterlab.readthedocs.io/en/stable/).
Il seguente argomento fornisce informazioni su come gestire il runtime del progetto. Questi argomenti richiedono l'accesso al tuo account Amazon SageMaker Studio Lab. Per ulteriori informazioni sulla firma, consulta [Esegui l’accesso Studio Lab](studio-lab-onboard.md#studio-lab-onboard-signin). Per ulteriori informazioni sul progetto, consulta [Panoramica dei componenti di Amazon SageMaker Studio Lab](studio-lab-overview.md).
**Topics**
+ [Avvio del runtime del progetto](#studio-lab-manage-runtime-start)
+ [Interrompi il runtime del progetto](#studio-lab-manage-runtime-stop)
+ [Visualizza il tempo di calcolo rimanente](#studio-lab-manage-runtime-view)
+ [Cambia il tipo di calcolo](#studio-lab-manage-runtime-change)
## Avvio del runtime del progetto
Per utilizzare Studio Lab, è necessario avviare il runtime del progetto. Questo runtime ti consente di accedere all' JupyterLab ambiente.
1. Vai alla pagina di panoramica del progetto Studio Lab. L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
1. In **Il mio progetto**, seleziona un tipo di calcolo. Per ulteriori informazioni sui tipi di calcolo, consulta [Tipo di istanza di calcolo](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Seleziona **Avvia runtime**.
È possibile che ti venga chiesto di risolvere un puzzle CAPTCHA. Per ulteriori informazioni sul CAPTCHA, vedi [Cos'è un puzzle CAPTCHA](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)?
1. Configurazione una tantum, per avviare il runtime per la prima volta utilizzando il tuo account Studio Lab:
1. Inserisci un numero di cellulare da associare al tuo account Amazon SageMaker Studio Lab e scegli **Continua**.
Per informazioni sui paesi e le Regioni supportati, consulta [Paesi e aree geografiche supportati (canale SMS)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Inserisci il codice a 6 cifre inviato al numero di cellulare associato e scegli **Verifica**.
1. Dopo l'esecuzione del runtime, seleziona **Apri progetto** per aprire l'ambiente di runtime del progetto in una nuova scheda del browser.
## Interrompi il runtime del progetto
Quando si interrompe il runtime del progetto, i file non vengono salvati automaticamente. Per evitare di perdere il lavoro svolto, salva tutte le modifiche prima di interrompere il runtime del progetto.
+ In **Il mio progetto**, seleziona **Arresta il runtime**.
## Visualizza il tempo di calcolo rimanente
Il tempo di runtime del progetto ha un tempo di calcolo limitato in base al tipo di calcolo selezionato. Per ulteriori informazioni sul tempo di calcolo in Studio Lab, consulta [Tipo di istanza di calcolo](studio-lab-overview.md#studio-lab-overview-project-compute).
+ In **Il mio progetto**, visualizza **Tempo rimanente**.
## Cambia il tipo di calcolo
Puoi cambiare il tipo di calcolo in base al tuo flusso di lavoro. Per ulteriori informazioni sui tipi di calcolo, consulta [Tipo di istanza di calcolo](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Salva tutti i file di progetto prima di modificare il tipo di calcolo.
1. Vai alla pagina di panoramica del progetto Studio Lab. L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
1. In **Il mio progetto**, seleziona il tipo di calcolo desiderato (CPU o GPU).
1. Conferma la tua scelta selezionando **Riavvia** nella finestra di dialogo **Riavviare runtime del progetto?**. Studio Lab interrompe il runtime corrente del progetto, quindi avvia un nuovo runtime del progetto con il tipo di calcolo aggiornato.
1. Dopo l'avvio del runtime del progetto, seleziona **Apri progetto**. In tal modo viene aperto l'ambiente di runtime del progetto in una nuova scheda del browser. Per ulteriori informazioni sull’ambiente di runtime del progetto, consulta [Usa il runtime del progetto Amazon SageMaker Studio Lab](studio-lab-use.md).
# Usa le risorse iniziali di Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab supporta le seguenti risorse per aiutare i professionisti dell'apprendimento automatico (ML) a iniziare. Questa guida mostra come clonare i notebook per il progetto.
**Nozioni di base sul notebook**
Studio Lab è dotato di un notebook per principianti che fornisce informazioni generali e guida l'utente attraverso i principali flussi di lavoro. Quando si avvia il runtime del progetto per la prima volta, questo notebook si apre automaticamente.
**Immergiti nel Deep Learning**
Immergiti nel Deep Learning (D2L) è un libro interattivo e open source che insegna le idee, la teoria matematica e il codice alla base del machine learning. Con oltre 150 notebook Jupyter, D2L offre una panoramica completa dei principi del deep learning. Per ulteriori informazioni su D2L, consulta il [sito Web D2L](https://d2l.ai/).
La procedura seguente mostra come clonare i notebook D2L Jupyter nell'istanza.
1. Avvia e apri l'ambiente di runtime del progetto Studio Lab seguendo [Avvio del runtime del progetto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Una volta aperto Studio Lab, scegli la scheda Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git.png)) nella barra laterale sinistra.
1. Scegli **Clona un repository**.
Se non vedi l’opzione **Clona un repository**, è possibile che ti trovi attualmente in un repository Git. In alternativa, utilizza le fasi secondarie seguenti.
1. Scegli la scheda Cartella (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) nella barra laterale sinistra.
1. Sotto la barra di ricerca dei file, scegli l’icona a forma di cartella a sinistra del repository attualmente selezionato. Quando passi il mouse sull’icona a forma di cartella, vedrai la directory utente (`/home/studio-lab-user`).
1. Una volta nella directory utente, scegli la scheda Git nella barra laterale sinistra.
1. Scegli **Clona un repository**.
1. In **URL dei repository Git (.git)** ti verrà chiesto di fornire un URL.
1. In una nuova scheda del browser, accedi alla pagina di panoramica del progetto Studio Lab. L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
1. In **Sei nuovo nel mondo del machine learning?**, scegli **Immergiti nel Deep Learning**.
1. Dalla nuova scheda del browser **Dive into Deep Learning**, scegli di **GitHub**aprire una nuova pagina con i taccuini di esempio.
1. **Scegli **Code** e copia l'URL del GitHub repository nella scheda HTTPS.**
1. Torna alla scheda Apri browser progetti di Studio Lab, incolla l'URL del repository D2L e clona il repository.
**AWS Università di Machine Learning**
La AWS Machine Learning University (MLU) fornisce l'accesso ai corsi di machine learning utilizzati per formare gli sviluppatori di Amazon. Con AWS MLU, qualsiasi sviluppatore può imparare a usare l'apprendimento automatico con la serie di apprendimento learn-at-your-own -pace MLU Accelerator. La serie MLU Accelerator è progettata per aiutare gli sviluppatori a iniziare il loro viaggio nel machine learning. Offre corsi fondamentali di tre giorni su questi tre argomenti: elaborazione del linguaggio naturale, dati tabulari e visione artificiale. Per ulteriori informazioni, consulta [Machine Learning University](https://aws.amazon.com//machine-learning/mlu/).
La procedura seguente mostra come clonare i notebook AWS MLU Jupyter sulla propria istanza.
1. Avvia e apri l'ambiente di runtime del progetto Studio Lab seguendo [Avvio del runtime del progetto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Una volta aperto Studio Lab, scegli la scheda Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git.png)) nella barra laterale sinistra.
1. Scegli **Clona un repository**.
Se non vedi l’opzione **Clona un repository**, è possibile che ti trovi attualmente in un repository Git. In alternativa, utilizza le fasi secondarie seguenti.
1. Scegli la scheda Cartella (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) nella barra laterale sinistra.
1. Sotto la barra di ricerca dei file, scegli l’icona a forma di cartella a sinistra del repository attualmente selezionato. Quando passi il mouse sull’icona a forma di cartella, vedrai la directory utente (`/home/studio-lab-user`).
1. Una volta nella directory utente, scegli la scheda Git nella barra laterale sinistra.
1. Scegli **Clona un repository**.
1. In **URL dei repository Git (.git)** ti verrà chiesto di fornire un URL.
1. In una nuova scheda del browser, accedi alla pagina di panoramica del progetto Studio Lab. L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
1. In **Sei nuovo nel mondo del machine learning?** , scegli **AWS Machine Learning University**.
1. Dalla nuova scheda del browser di **AWS Machine Learning University**, trova un corso che ti interessa leggendo il **riepilogo del corso** per ogni corso.
1. Scegliete l' GitHub archivio di interesse corrispondente in **Contenuto del corso, per aprire una nuova pagina con i taccuini** di esempio.
1. **Scegli **Code** e copia l'URL del GitHub repository nella scheda HTTPS.**
1. Torna alla scheda Apri browser progetti di Studio Lab, incolla l’URL del repository MLU e scegli **Clona** per clonare il repository.
** Roboflow**
Roboflow ti offre gli strumenti per addestrare, ottimizzare ed etichettare oggetti per applicazioni di visione artificiale. Per ulteriori informazioni, consulta [https://roboflow.com/](https://roboflow.com/).
La procedura seguente mostra come clonare i notebook Jupyter Roboflow nell'istanza.
1. Vai alla pagina di panoramica del progetto Studio Lab. L'URL ha il seguente formato.
```
https://studiolab.sagemaker.aws/users/
```
1. In **Risorse e community**, trova **Crea immagini generate dall’IA**.
1. In **Crea immagini generate dall’IA**, scegli **Apri notebook**.
1. Segui il tutorial sotto l'anteprima del Notebook.
# Ambienti Studio Lab preinstallati
Amazon SageMaker Studio Lab utilizza ambienti conda per gestire pacchetti (o librerie) per i tuoi progetti. Questa guida spiega cosa sono gli ambienti conda, come interagire con essi e i diversi ambienti preinstallati disponibili in Studio Lab.
Un ambiente conda è una directory che contiene una raccolta dei pacchetti che hai installato. Consente di creare ambienti isolati con versioni specifiche dei pacchetti, prevenendo conflitti tra progetti con dipendenze diverse.
Puoi interagire con gli ambienti conda in Studio Lab in due modi:
+ Terminale: utilizza il terminale per creare, attivare e gestire gli ambienti.
+ JupyterLab Notebook: quando apri un JupyterLab notebook, seleziona il kernel con il nome dell'ambiente che desideri utilizzare per utilizzare i pacchetti installati in quell'ambiente.
Per la procedura dettagliata su come gestire gli ambienti, consulta [Gestisci il tuo ambiente](studio-lab-use-manage.md).
Studio Lab viene fornito con diversi ambienti di memoria preinstallati, di tipo persistente o non persistente. Qualsiasi modifica apportata agli ambienti di memoria persistente rimarrà valida per la sessione successiva. Eventuali modifiche agli ambienti di memoria non persistente non rimarranno valide per le sessioni successive, ma i pacchetti all'interno verranno aggiornati e testati per la compatibilità da Amazon SageMaker AI. Ecco una panoramica di ogni ambiente e dei relativi casi d’uso:
+ `sagemaker-distribution`: ambiente non persistente gestito da Amazon SageMaker AI. Contiene i pacchetti più diffusi per il machine learning, la data science e la visualizzazione. Questo ambiente viene aggiornato e testato regolarmente per verificarne la compatibilità. Utilizza questo ambiente se desideri una configurazione completamente gestita con pacchetti comuni preinstallati.
L'`sagemaker-distribution`ambiente è strettamente correlato all'ambiente utilizzato in Amazon SageMaker Studio Classic, quindi dopo il passaggio da Studio Lab a Studio Classic i notebook dovrebbero funzionare in modo simile. Per informazioni su come esportare l’ambiente da Studio Lab a Studio Classic, consulta [Esportazione di un ambiente Amazon SageMaker Studio Lab in Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
+ `default`: un ambiente persistente con un numero minimo di pacchetti preinstallati. Utilizza questo ambiente se desideri apportare personalizzazioni significative installando pacchetti aggiuntivi.
+ `studiolab`: Un ambiente persistente in cui sono installati i pacchetti JupyterLab correlati. Utilizzate questo ambiente per configurare l'interfaccia JupyterLab utente e installare le estensioni del server Jupyter.
+ `studiolab-safemode`: un ambiente non persistente che si attiva automaticamente in caso di problemi con il runtime del progetto. Utilizza questo ambiente per la risoluzione dei problemi. Per informazioni sulla risoluzione dei problemi, consulta [Risoluzione dei problemi](studio-lab-troubleshooting.md).
+ `base`: un ambiente non persistente utilizzato per gli strumenti di sistema. Questo ambiente non è destinato ai clienti.
Per visualizzare i pacchetti in un ambiente, esegui il comando `conda list`.
Per ulteriori informazioni sull'installazione dei pacchetti nel tuo ambiente, consulta [Personalizza il tuo ambiente](studio-lab-use-manage.md#studio-lab-use-manage-conda-default-customize).
Se hai intenzione di passare da Studio Lab ad Amazon SageMaker Studio Classic, vedi[Esportazione di un ambiente Amazon SageMaker Studio Lab in Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Per informazioni sulle SageMaker immagini e sulle relative versioni, consulta[SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md).
# Usa il runtime del progetto Amazon SageMaker Studio Lab
I seguenti argomenti forniscono informazioni sull'uso del runtime del progetto Amazon SageMaker Studio Lab. Prima di poter utilizzare il runtime del progetto Studio Lab, devi effettuare l'onboarding a Studio Lab seguendo i passaggi indicati[Accedere ad Amazon SageMaker Studio Lab](studio-lab-onboard.md).
**Topics**
+ [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Lab](studio-lab-use-ui.md)
+ [Crea o apri un notebook Amazon SageMaker Studio Lab](studio-lab-use-create.md)
+ [Usa la barra degli strumenti dei notebook Amazon SageMaker Studio Lab](studio-lab-use-menu.md)
+ [Gestisci il tuo ambiente](studio-lab-use-manage.md)
+ [Usa risorse esterne in Amazon SageMaker Studio Lab](studio-lab-use-external.md)
+ [Ottieni differenze nel notebook](studio-lab-use-diff.md)
+ [Esportazione di un ambiente Amazon SageMaker Studio Lab in Amazon SageMaker Studio Classic](studio-lab-use-migrate.md)
+ [Chiusura delle risorse di Studio Lab](studio-lab-use-shutdown.md)
# Panoramica dell'interfaccia utente di Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab estende l' JupyterLab interfaccia. Gli utenti precedenti di JupyterLab noteranno delle somiglianze tra l' JupyterLab interfaccia utente di Studio Lab, inclusa l'area di lavoro. Per una panoramica dell' JupyterLab interfaccia di base, consulta [The JupyterLab](https://jupyterlab.readthedocs.io/en/latest/user/interface.html) Interface.
L'immagine seguente mostra Studio Lab con il browser dei file aperto e l’utilità di avvio di Studio Lab visualizzata.
![\[Il layout dell’interfaccia utente del progetto.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio-lab-ui.png)
Nella parte superiore dello schermo è disponibile la *barra dei menu*. La *barra laterale sinistra* contiene icone per aprire browser di file, browser di risorse e strumenti. La *barra di stato* si trova nell'angolo in basso a sinistra di Studio Lab.
L'area di lavoro principale è divisa orizzontalmente in due riquadri. Il riquadro sinistro è il *browser di file e risorse*. Il riquadro di destra contiene una o più schede per risorse quali notebook e terminali.
**Topics**
+ [Barra laterale sinistra](#studio-lab-use-ui-nav-bar)
+ [Browser di file e risorse](#studio-lab-use-ui-browser)
+ [Area di lavoro principale](#studio-lab-use-ui-work)
## Barra laterale sinistra
La barra laterale sinistra include le seguenti icone. Quando si passa il mouse su un'icona, un suggerimento visualizza il nome dell'icona. Quando si seleziona un'icona, il browser di file e risorse visualizza la funzionalità descritta. Per le voci gerarchiche, un breadcrumb selezionabile nella parte superiore del browser mostra la tua posizione nella gerarchia.
| Icon | Description |
| --- | --- |
| ![\[L’icona Browser di file\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/File_browser_squid@2x.png) | **Browser di file** Scegli l’icona **Carica file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/File_upload_squid.png)) per aggiungere file a Studio Lab. Fare doppio clic su un file per aprire il file in una nuova scheda. Per aprire i file adiacenti, scegliere una scheda contenente un blocco appunti, Python o file di testo, quindi scegliere **Nuova vista per File**. Nel menu nella parte superiore del browser di file, scegliere il segno più (**\$1**) per aprire l'utilità di avvio di Studio Lab. |
| ![\[L‘icona Terminali e kernel in esecuzione\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Running_squid@2x.png) | **Terminali e kernel in esecuzione** Puoi vedere un elenco completo di tutti terminali e kernel in esecuzione nel tuo progetto. Per ulteriori informazioni, consulta [Chiusura delle risorse di Studio Lab](studio-lab-use-shutdown.md). |
| ![\[L’icona Git\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Git_squid@2x.png) | **Git** È possibile connettersi a un repository Git e quindi accedere a una gamma completa di strumenti e operazioni Git. Per ulteriori informazioni, consulta [Usa risorse esterne in Amazon SageMaker Studio Lab](studio-lab-use-external.md). |
| ![\[L’icona Sommario\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-toc.png) | **Sommario** Puoi accedere al sommario del tuo attuale notebook Jupyter. |
| ![\[L’icona Gestore estensioni\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-extension.png) | **Extension Manager** Puoi abilitare e gestire JupyterLab estensioni di terze parti. |
## Browser di file e risorse
Il browser di file e risorse mostra gli elenchi dei tuoi notebook e dei tuoi file. Nel menu nella parte superiore del browser di file, scegliere il segno più (**\$1**) per aprire l'utilità di avvio di Studio Lab. L'utilità di avvio consente di creare un notebook o aprire un terminale.
## Area di lavoro principale
L'area di lavoro principale presenta più schede che contengono i notebook e i terminali aperti.
# Crea o apri un notebook Amazon SageMaker Studio Lab
Quando crei un notebook in Amazon SageMaker Studio Lab o apri un notebook in Studio Lab, devi selezionare un kernel per il notebook. Negli argomenti seguenti viene descritto come creare e aprire notebook in Studio Lab.
Per informazioni sull'arresto dei notebook, consulta [Chiusura delle risorse di Studio Lab](studio-lab-use-shutdown.md).
**Topics**
+ [Apertura di un notebook in Studio Lab](#studio-lab-use-create-open)
+ [Creazione di un notebook dal menu File](#studio-lab-use-create-file)
+ [Creazione di un notebook dall'utilità di avvio](#studio-lab-use-create-launcher)
## Apertura di un notebook in Studio Lab
Studio Lab può aprire solo i notebook elencati nel browser dei file Studio Lab. Per clonare un notebook nel browser di file da un repository esterno, consulta [Usa risorse esterne in Amazon SageMaker Studio Lab](studio-lab-use-external.md)
**Per aprire un notebook**
1. Nella barra laterale sinistra, seleziona l’icona **Browser di file** (![\[Dark blue square icon with a white outline of a cloud and an arrow pointing upward.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/File_browser_squid.png)) per visualizzare il browser di file.
1. Individua un file notebook e fai doppio clic per aprire il notebook in una nuova scheda.
## Creazione di un notebook dal menu File
**Per creare un notebook dal menu File**
1. Dal menu di Studio Lab, scegliere **File**, **Nuovo**, quindi **Notebook**.
1. Per utilizzare il kernel predefinito, nella finestra di dialogo **Seleziona kernel**, scegliere **Seleziona**. In caso contrario, utilizzare il menu a discesa per selezionare un kernel diverso.
## Creazione di un notebook dall'utilità di avvio
**Per creare un notebook dall'utilità di avvio**
1. Apri l’utilità di avvio usando i tasti di scelta rapida `Ctrl + Shift + L`.
In alternativa, puoi aprire l’utilità di avvio dalla barra laterale sinistra: scegli l'icona **Browser di file**, quindi scegli l'icona più (**\$1**).
1. Per usare il kernel predefinito dell’utilità di avvio, in **Notebook**, scegli **Default:Python**. Altrimenti, seleziona un kernel diverso.
Dopo aver scelto il kernel, il notebook viene avviato e aperto in una nuova scheda Studio Lab.
Per visualizzare la sessione di kernel del notebook, nella barra laterale sinistra, seleziona l’icona **Terminali e kernel in esecuzione** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Running_squid.png)). Puoi interrompere la sessione kernel del notebook da questa visualizzazione.
# Usa la barra degli strumenti dei notebook Amazon SageMaker Studio Lab
I notebook Amazon SageMaker Studio Lab estendono l'interfaccia. JupyterLab [Per una panoramica dell'interfaccia di base, consulta The JupyterLab Interface. JupyterLab](https://jupyterlab.readthedocs.io/en/latest/user/interface.html)
L'immagine seguente mostra la barra degli strumenti e una cella vuota di un notebook Studio Lab.
![\[Il layout della barra degli strumenti del notebook, incluse le icone della barra degli strumenti.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio-lab-menu.png)
Quando si passa il mouse su un'icona della barra degli strumenti, un suggerimento visualizza il nome dell'icona. Puoi trovare ulteriori comandi del notebook nel menu principale di Studio Lab. La barra degli strumenti include le seguenti icone:
| Icon | Description |
| --- | --- |
| ![\[L’icona Salva ed esegui il checkpoint.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-save-and-checkpoint.png) | **Salva ed esegui il checkpoint** Salva il notebook e aggiorna il file del checkpoint. |
| ![\[L’icona Inserisci cella.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-insert-cell.png) | **Inserisci cella** Inserisce una cella di codice sotto la cella corrente. La cella corrente è annotata dal marcatore verticale blu nel margine sinistro. |
| ![\[L’icona Taglia, copia e incolla celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab_cut_copy_paste.png) | **Taglia, copia e incolla celle** Taglia, copia e incolla le celle selezionate. |
| ![\[L’icona Esegui celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-run.png) | **Esegui celle** Esegue le celle selezionate. La cella che segue l'ultima cella selezionata diventa la nuova cella selezionata. |
| ![\[L’icona Interrompi kernel.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-interrupt-kernel.png) | **Interrompi kernel** Interrompe il kernel che annulla l'operazione attualmente in esecuzione. Il kernel rimane attivo. |
| ![\[L’icona Riavvia kernel.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-restart-kernel.png) | **Riavvia kernel** Riavvia il kernel. Le variabili vengono reimpostate. Le informazioni non salvate non sono interessate. |
| ![\[L’icona Riavvia il kernel e riesegui il notebook.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-restart-rerun-kernel.png) | **Riavvia il kernel e riavvia il notebook** Riavvia il kernel. Le variabili vengono reimpostate. Le informazioni non salvate non sono interessate. Quindi riavvia l'intero notebook. |
| ![\[L’icona Tipo di cella.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab_cell.png) | **Tipo di cella** Visualizza o modifica il tipo di cella corrente. I tipi di cella sono: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-lab-use-menu.html) |
| ![\[L’icona Diff checkpoint.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-checkpoint-diff.png) | **Diff checkpoint** Apre una nuova scheda che visualizza la differenza tra il notebook e il file del checkpoint. Per ulteriori informazioni, consulta [Ottieni differenze nel notebook](studio-lab-use-diff.md). |
| ![\[L’icona Diff Git.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-git-diff.png) | **Git diff** Abilitato solo se il notebook viene aperto da un repository Git. Apre una nuova scheda che visualizza la differenza tra il notebook e l'ultimo commit Git. Per ulteriori informazioni, consulta [Ottieni differenze nel notebook](studio-lab-use-diff.md). |
| **default** | **Kernel** Visualizza o modifica il kernel che elabora le celle nel notebook. `No Kernel` indica che il notebook è stato aperto senza specificare un kernel. È possibile modificare il notebook ma non è possibile eseguire alcuna cella. |
| ![\[L’icona Stato kernel occupato.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/studio-lab-kernel.png) | **Stato kernel occupato** Visualizza lo stato di occupato del kernel mostrando il bordo e l'interno del cerchio con lo stesso colore. Il kernel è occupato all'avvio e quando sta elaborando le celle. Ulteriori stati del kernel vengono visualizzati nella barra di stato nell'angolo inferiore sinistro di Studio Lab. |
# Gestisci il tuo ambiente
Amazon SageMaker Studio Lab fornisce ambienti preinstallati per le istanze notebook Studio Lab. Gli ambienti consentono di avviare un'istanza del notebook Studio Lab con i pacchetti che si desidera utilizzare. Questo viene fatto installando i pacchetti nell'ambiente e quindi selezionando l'ambiente come kernel.
Studio Lab ha diversi ambienti preinstallati per te. In genere è preferibile utilizzare l'ambiente `sagemaker-distribution` se desideri utilizzare un ambiente completamente gestito che contenga già molti pacchetti popolari utilizzati dagli ingegneri del machine learning (ML) e dai data scientist. Altrimenti puoi usare l'ambiente `default` se desideri una personalizzazione persistente per il tuo ambiente. Per ulteriori informazioni sugli ambienti Studio Lab preinstallati disponibili, consulta [Ambienti Studio Lab preinstallati](studio-lab-environments.md).
È possibile personalizzare l'ambiente aggiungendovi nuovi pacchetti (o librerie). Puoi anche creare nuovi ambienti da Studio Lab, importare ambienti compatibili, reimpostare l'ambiente per creare spazio e altro ancora.
I seguenti comandi sono destinati all'esecuzione in un terminale di Studio Lab. Tuttavia, durante l’installazione dei pacchetti, consigliamo vivamente di installarli all’interno del notebook Jupyter di Studio Lab. In questo modo i pacchetti vengono installati nell’ambiente previsto. Per eseguire i comandi in un notebook Jupyter, inserisci un prefisso `%` per il comando prima di eseguire la cella. Ad esempio, il frammento di codice `pip list` in un terminale è lo stesso di `%pip list` in un notebook Jupyter.
Le sezioni seguenti forniscono informazioni sull'ambiente conda `default`, su come personalizzarlo e su come aggiungere e rimuovere ambienti conda. Per un elenco di ambienti di esempio che è possibile installare in Studio Lab, consulta [Creazione di ambienti conda personalizzati](https://github.com/aws/studio-lab-examples/tree/main/custom-environments). Per utilizzare questi file YAML di ambiente di esempio con Studio Lab, consulta [Fase 4. Installa gli ambienti conda di Studio Lab in Studio Classic](studio-lab-use-migrate.md#studio-lab-use-migrate-step4).
**Topics**
+ [Il tuo ambiente predefinito](#studio-lab-use-manage-conda-default)
+ [Visualizza gli ambienti](#studio-lab-use-view-conda-envs)
+ [Crea, attiva e utilizza nuovi ambienti conda](#studio-lab-use-manage-conda-new-conda)
+ [Utilizzo di ambienti Studio Lab di esempio](#studio-lab-use-manage-conda-sample)
+ [Personalizza il tuo ambiente](#studio-lab-use-manage-conda-default-customize)
+ [Aggiorna Studio Lab](#studio-lab-use-manage-conda-reset)
## Il tuo ambiente predefinito
Studio Lab utilizza ambienti conda per incapsulare i pacchetti software necessari per eseguire i notebook. [Il progetto contiene un ambiente conda predefinito, denominato`default`, con il kernel. IPython ](https://ipython.readthedocs.io/en/stable/) Questo ambiente funge da kernel predefinito per i notebook Jupyter.
## Visualizza gli ambienti
Per visualizzare gli ambienti in Studio Lab puoi utilizzare un terminale o un notebook Jupyter. Il comando seguente sarà per un terminale Studio Lab. Se desideri eseguire i comandi corrispondenti in un notebook Jupyter, consulta [Gestisci il tuo ambiente](#studio-lab-use-manage).
Apri il terminale Studio Lab dal pannello **Browser di file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)), scegli il segno più (**\$1**) nel menu nella parte superiore del browser di file per aprire l’**utilità di avvio**, quindi scegli **Terminale**. Dal terminale Studio Lab, elenca gli ambienti conda eseguendo quanto segue.
```
conda env list
```
Questo comando restituisce un elenco degli ambienti conda e delle loro posizioni nel file system. Quando esegui l’integrazione in Studio Lab, attivi automaticamente l'ambiente conda `studiolab`. Di seguito è riportato un esempio degli ambienti elencati dopo l’integrazione.
```
# conda environments:
#
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
sagemaker-distribution /opt/conda/envs/sagemaker-distribution
```
`*` indica l'ambiente attivato.
## Crea, attiva e utilizza nuovi ambienti conda
Se desideri mantenere più ambienti per diversi casi d'uso, puoi creare nuovi ambienti conda nel tuo progetto. Nelle sezioni seguenti viene descritto come creare e attivare nuovi ambienti conda. Per un notebook Jupyter che mostra come creare un ambiente personalizzato, vedi [Configurazione di un ambiente personalizzato in Studio Lab](https://github.com/aws/studio-lab-examples/blob/main/custom-environments/custom_environment.ipynb). SageMaker
**Nota**
Il mantenimento di più ambienti dipende dalla memoria di Studio Lab disponibile.
**Crea un ambiente conda**
Per creare un ambiente conda, esegui il seguente comando conda dal tuo terminale. Questo esempio crea un nuovo ambiente con Python 3.9.
```
conda create --name python=3.9
```
Una volta creato l'ambiente conda, puoi visualizzare l'ambiente nell'elenco degli ambienti. Per ulteriori informazioni su come visualizzare l'elenco degli ambienti, consulta [Visualizza gli ambienti](#studio-lab-use-view-conda-envs).
**Attiva un ambiente Conda**
Per attivare qualsiasi ambiente conda, esegui il comando seguente nel terminale.
```
conda activate
```
Quando esegui questo comando, tutti i pacchetti installati utilizzando conda o pip vengono installati nell'ambiente. Per ulteriori informazioni sull'installazione dei pacchetti, consulta [Personalizza il tuo ambiente](#studio-lab-use-manage-conda-default-customize).
**Usa un ambiente conda**
1. Per usare i tuoi nuovi ambienti conda con i notebook, assicurati che il pacchetto `ipykernel` sia installato nell'ambiente.
```
conda install ipykernel
```
1. Una volta installato il pacchetto `ipykernel` nell'ambiente, puoi selezionare l'ambiente come kernel per il notebook.
Potrebbe essere necessario riavviare il sistema JupyterLab per visualizzare l'ambiente disponibile come kernel. Questo può essere fatto scegliendo **Amazon SageMaker Studio Lab** nel menu in alto del progetto aperto di Studio Lab e scegliendo **Riavvia JupyterLab...** .
1. Puoi scegliere il kernel per un notebook esistente oppure quando creai un nuovo notebook.
+ Per un notebook esistente: apri il notebook e scegli il kernel corrente dal lato destro del menu in alto. Puoi scegliere il kernel da utilizzare dal menu a discesa.
+ Per un nuovo notebook: apri l’utilità di avvio di Studio Lab e scegli il kernel in **Notebook**. Il notebook si aprirà con il kernel scelto.
Per una panoramica dell'interfaccia utente di Studio Lab, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Lab](studio-lab-use-ui.md).
## Utilizzo di ambienti Studio Lab di esempio
Studio Lab fornisce esempi di ambienti personalizzati tramite il repository [SageMaker Studio Lab Examples](https://github.com/aws/studio-lab-examples). Di seguito viene illustrato come clonare e creare tali ambienti.
1. Clona il GitHub repository SageMaker Studio Lab Examples seguendo le istruzioni contenute in. [Usa le risorse GitHub](studio-lab-use-external.md#studio-lab-use-external-clone-github)
1. In Studio Lab scegli l'icona **Browser di file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) nel menu a sinistra, in modo che il pannello **Browser di file** sia visualizzato sulla sinistra.
1. Vai alla directory `studio-lab-examples/custom-environments` nel Browser di file.
1. Apri la directory per l’ambiente che desideri creare.
1. Fai clic con il pulsante destro del mouse sul file `.yml` nella cartella, quindi seleziona **Crea ambiente conda**.
1. Ora puoi usare l'ambiente come kernel dopo che il tuo ambiente conda ha terminato la creazione. Per istruzioni su come utilizzare un ambiente esistente come kernel, consulta [Crea, attiva e utilizza nuovi ambienti conda](#studio-lab-use-manage-conda-new-conda).
## Personalizza il tuo ambiente
Puoi personalizzare l'ambiente installando e rimuovendo estensioni e pacchetti in base alle esigenze. Studio Lab include ambienti con pacchetti preinstallati e l'utilizzo di un ambiente esistente può far risparmiare tempo e memoria, poiché i pacchetti preinstallati non contano sulla memoria di Studio Lab disponibile. Per ulteriori informazioni sugli ambienti Studio Lab preinstallati disponibili, consulta [Ambienti Studio Lab preinstallati](studio-lab-environments.md).
Tutte le estensioni e i pacchetti installati nell’ambiente `default` persisteranno nel progetto. Ciò significa che non è necessario installare i pacchetti per ogni sessione di runtime del progetto. Tuttavia, le estensioni e i pacchetti installati nell'ambiente `sagemaker-distribution` non persisteranno, quindi sarà necessario installare nuovi pacchetti durante la sessione successiva. Pertanto, si consiglia vivamente di installare i pacchetti sul notebook per assicurarsi che siano installati nell'ambiente previsto.
Per visualizzare i tuoi ambienti, esegui il comando `conda env list`.
Per attivare l'ambiente, esegui il comando `conda activate `.
Per visualizzare i pacchetti in un ambiente, esegui il comando `conda list`.
**Installa i pacchetti**
Si consiglia vivamente di installare i pacchetti sul notebook Jupyter per assicurarsi che siano installati nell'ambiente previsto. Per installare pacchetti aggiuntivi nell'ambiente da un notebook Jupyter, esegui uno dei seguenti comandi in una cella del notebook Jupyter. Questi comandi installano i pacchetti nell'ambiente attualmente attivato.
+ `%conda install `
+ `%pip install `
Non è consigliabile utilizzare i comandi `!pip` o `!conda` perché possono comportarsi in modi imprevisti quando si hanno più ambienti.
Dopo aver installato nuovi pacchetti nell'ambiente, potrebbe essere necessario riavviare il kernel per assicurarsi che i pacchetti funzionino sul notebook. Questo può essere fatto scegliendo **Amazon SageMaker Studio Lab** nel menu in alto del progetto aperto di Studio Lab e scegliendo **Riavvia JupyterLab...** .
**Rimuovi i pacchetti**
Per rimuovere un pacchetto, esegui il comando
```
%conda remove
```
Questo comando rimuoverà anche qualsiasi pacchetto che dipende da ``, a meno che non sia possibile trovarne uno sostitutivo senza tale dipendenza.
Per rimuovere tutti i pacchetti in un ambiente, esegui il comando
```
conda deactivate
&& conda env remove --name
```
## Aggiorna Studio Lab
Per aggiornare Studio Lab, rimuovi tutti gli ambienti e i file.
1. Elenca tutti gli ambienti conda.
```
conda env list
```
1. Attiva l'ambiente di base.
```
conda activate base
```
1. Rimuovi ogni ambiente nell'elenco degli ambienti conda, oltre a quello di base.
```
conda remove --name --all
```
1. Elimina tutti i file dal tuo Studio Lab.
```
rm -rf *.*
```
# Usa risorse esterne in Amazon SageMaker Studio Lab
Con Amazon SageMaker Studio Lab, puoi integrare risorse esterne, come notebook e dati Jupyter, dai repository Git e Amazon S3. Puoi anche aggiungere un pulsante **Apri in Studio Lab al repository e ai notebook**. GitHub Questo pulsante consente di clonare i notebook direttamente da Studio Lab.
I seguenti argomenti mostrano come integrare risorse esterne.
**Topics**
+ [Usa le risorse GitHub](#studio-lab-use-external-clone-github)
+ [Aggiungi un pulsante **Apri in Studio Lab** al tuo notebook](#studio-lab-use-external-add-button)
+ [Importa file dal tuo computer](#studio-lab-use-external-import)
+ [Connessione ad Amazon S3](#studio-lab-use-external-s3)
## Usa le risorse GitHub
Studio Lab offre l'integrazione con GitHub. Con questa integrazione, puoi clonare notebook e repository direttamente nel tuo progetto Studio Lab.
I seguenti argomenti forniscono informazioni su come utilizzare GitHub le risorse con Studio Lab.
### Notebook di esempio di Studio Lab
Per iniziare con un repository di notebook di esempio personalizzati per Studio Lab, consulta [Notebook di esempio di Studio Lab](https://github.com/aws/studio-lab-examples#sagemaker-studio-lab-sample-notebooks).
Questo repository fornisce notebook per i seguenti casi d'uso e altri.
+ Visione artificiale
+ Connessione a AWS
+ Creazione di ambienti personalizzati
+ Analisi di dati geospaziali
+ Elaborazione linguaggio naturale
+ Usare R
### Clona un repository GitHub
Per clonare un GitHub repository nel tuo progetto Studio Lab, segui questi passaggi.
1. Avvia il runtime del progetto Studio Lab. Per ulteriori informazioni sull'avvio del runtime del progetto Studio Lab, consulta [Avvio del runtime del progetto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. In Studio Lab scegli l'icona **Browser di file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) nel menu a sinistra, in modo che il pannello **Browser di file** sia visualizzato sulla sinistra.
1. Accedi alla tua directory utente scegliendo l'icona del file sotto la barra di ricerca dei file.
1. Seleziona l'icona **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git.png)) dal menu a sinistra per aprire un nuovo menu a discesa.
1. Scegli **Clona un repository**.
1. Incolla l'URL del repository in **URL repository Git (.git**).
1. Seleziona **Clona**.
### Clona singoli notebook da GitHub
Per aprire un notebook in Studio Lab, devi avere accesso al repository in cui si trova il notebook. Gli esempi seguenti descrivono il comportamento relativo alle autorizzazioni di Studio Lab in varie situazioni.
+ Se un repository è pubblico, puoi clonare automaticamente il notebook nel tuo progetto dalla pagina di anteprima di Studio Lab.
+ Se un repository è privato, ti viene richiesto di accedere GitHub dalla pagina di anteprima di Studio Lab. Se hai accesso a un repository privato, puoi clonare il notebook nel tuo progetto.
+ Se non hai accesso a un repository privato, non puoi clonare il notebook dalla pagina di anteprima di Studio Lab.
Le sezioni seguenti mostrano due opzioni per copiare un GitHub taccuino nel progetto Studio Lab. Queste opzioni dipendono dal fatto che il notebook disponga del pulsante **Apri in Studio Lab**.
#### Opzione 1: Copia il notebook con il pulsante **Apri in Studio Lab**
La procedura seguente mostra come copiare un notebook con il pulsante **Apri in Studio Lab**. Se desideri aggiungere questo pulsante al tuo notebook, consulta [Aggiungi un pulsante **Apri in Studio Lab** al tuo notebook](#studio-lab-use-external-add-button).
1. Accedi a Studio Lab seguendo le fasi descritte in [Esegui l’accesso Studio Lab](studio-lab-onboard.md#studio-lab-onboard-signin).
1. In una nuova scheda del browser, accedete al GitHub taccuino che desiderate clonare.
1. Nel notebook, seleziona il pulsante **Apri in Studio Lab** per aprire una nuova pagina in Studio Lab con un'anteprima del notebook.
1. Se il runtime del progetto non è già in esecuzione, avvialo scegliendo il pulsante **Avvia runtime** nella parte superiore della pagina di anteprima. Attendi l’avvio del runtime prima di continuare con la fase successiva.
1. Dopo l'avvio del runtime del progetto, seleziona **Copia nel progetto** per aprire il runtime del progetto in una nuova scheda del browser.
1. Nella **copia da GitHub**? nella finestra di dialogo, seleziona **Copia solo taccuino**. In questo modo il file del notebook viene copiato nel progetto.
#### Opzione 2: clona qualsiasi notebook GitHub
La procedura seguente mostra come copiare qualsiasi notebook da GitHub.
1. Accedere al taccuino in GitHub.
1. Nella barra degli indirizzi del browser, modifica l'URL del notebook, come segue.
```
# Original URL
https://github.com/
# Modified URL
https://studiolab.sagemaker.aws/import/github/
```
1. Accedi all'URL modificato. Si apre un'anteprima del notebook in Studio Lab.
1. Se il runtime del progetto non è già in esecuzione, avvialo scegliendo il pulsante **Avvia runtime** nella parte superiore della pagina di anteprima. Attendi l’avvio del runtime prima di continuare con la fase successiva.
1. Dopo l'avvio del runtime del progetto, seleziona **Copia nel progetto** per aprire il runtime del progetto in una nuova scheda del browser.
1. Nella **copia da GitHub?** nella finestra di dialogo, seleziona **Copia solo il taccuino** per copiare il file del taccuino nel progetto.
## Aggiungi un pulsante **Apri in Studio Lab** al tuo notebook
Quando aggiungi il pulsante **Apri in Studio Lab** ai tuoi notebook, altri possono clonare i tuoi notebook o repository direttamente nei propri progetti Studio Lab. Se condividi il tuo taccuino all'interno di un GitHub archivio pubblico, il contenuto sarà leggibile pubblicamente. Non condividete contenuti privati, come chiavi di AWS accesso o AWS Identity and Access Management credenziali, nel vostro taccuino.
Per aggiungere il funzionale pulsante **Apri in Studio Lab** al notebook o al repository Jupyter, aggiungi il seguente markdown nella parte superiore del notebook o del repository.
```
[](https://studiolab.sagemaker.aws/import/github/)
```
## Importa file dal tuo computer
Le fasi seguenti mostrano come importare file dal computer al progetto Studio Lab.
1. Apri il runtime del progetto Studio Lab.
1. Apri il pannello **Browser di file**.
1. Nella barra delle azioni del pannello **Browser di file**, seleziona il pulsante **Carica file**.
1. Seleziona i file che desideri caricare dal computer locale.
1. Seleziona **Apri**.
In alternativa puoi trascinare e rilasciare i file selezionati da un computer a un pannello **Browser di file**.
## Connessione ad Amazon S3
AWS CLI Consente l' AWS integrazione nel progetto Studio Lab. Con questa integrazione, puoi estrarre risorse da Amazon S3 da utilizzare con i tuoi notebook Jupyter.
Per utilizzarlo AWS CLI con Studio Lab, completa i seguenti passaggi. Per un taccuino che descrive questa integrazione, consulta [Using Studio Lab with AWS Resources](https://github.com/aws/studio-lab-examples/blob/main/connect-to-aws/Access_AWS_from_Studio_Lab.ipynb).
1. Installa AWS CLI i seguenti passaggi in [Installazione o aggiornamento della versione più recente di AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
1. Configura AWS le tue credenziali seguendo la procedura descritta in [Configurazione rapida](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-quickstart.html). Il ruolo del tuo AWS account deve disporre delle autorizzazioni per accedere al bucket Amazon S3 da cui stai copiando i dati.
1. Clona le risorse dal bucket Amazon S3, se necessario. Il comando seguente mostra come clonare tutte le risorse da un percorso Amazon S3 al progetto. Per ulteriori informazioni, consulta la sezione relativa alle [informazioni di riferimento ai comandi di AWS CLI](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/s3/cp.html).
```
!aws s3 cp s3://// / --recursive
```
# Ottieni differenze nel notebook
Puoi visualizzare la differenza tra il notebook corrente e l'ultimo checkpoint, o l'ultimo commit Git, utilizzando l'interfaccia utente del progetto Amazon SageMaker Studio Lab.
**Topics**
+ [Ottieni la differenza tra l'ultimo checkpoint](#studio-lab-use-diff-checkpoint)
+ [Ottieni la differenza tra l'ultimo commit](#studio-lab-use-diff-git)
## Ottieni la differenza tra l'ultimo checkpoint
Quando crei un notebook, viene creato un file di checkpoint nascosto corrispondente al notebook. È possibile visualizzare le modifiche tra il notebook e il file del checkpoint oppure ripristinare il notebook in modo che corrisponda al file del checkpoint.
Per salvare il notebook Studio Lab e aggiornare il file del checkpoint in modo che corrisponda: scegli l’icona **Salva notebook e crea il checkpoint** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Notebook_save.png)). Si trova sul lato sinistro del menu di Studio Lab. I tasti di scelta rapida per **Salva notebook e crea il checkpoint** sono `Ctrl + s`.
Per visualizzare le modifiche tra il notebook Studio Lab e il file del checkpoint, scegli l’icona **Diff checkpoint** (![\[Camera icon representing image capture or photo functionality.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Checkpoint_diff.png)) al centro del menu di Studio Lab.
Per ripristinare il notebook Studio lab nel file del checkpoint, scegli **File** dal menu principale di Studio Lab, quindi **Ripristina notebook su Checkpoint**.
## Ottieni la differenza tra l'ultimo commit
Se un notebook viene aperto da un repository Git, è possibile visualizzare la differenza tra il notebook e l'ultimo commit Git.
Per visualizzare le modifiche nel notebook dall’ultimo commit di Git, scegli l’icona **Diff Git** (![\[GitHub icon representing version control and source code management.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Git_diff.png)) al centro del menu del notebook.
# Esportazione di un ambiente Amazon SageMaker Studio Lab in Amazon SageMaker Studio Classic
Amazon SageMaker Studio Classic offre molte funzionalità per i flussi di lavoro di machine learning e deep learning che non sono disponibili in Amazon SageMaker Studio Lab. Questa pagina mostra come eseguire la migrazione di un ambiente Studio Lab a Studio Classic per sfruttarne le maggiori capacità di calcolo, l’archiviazione e le funzionalità. Tuttavia, potresti voler acquisire familiarità con i container predefiniti di Studio Classic, ottimizzati per l’intera pipeline di MLOP. Per ulteriori informazioni, consulta [Laboratorio Amazon SageMaker Studio](studio-lab.md)
Per eseguire la migrazione del tuo ambiente Studio Lab a Studio Classic, devi prima effettuare l’onboarding a Studio Classic seguendo le fasi descritte in [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**Topics**
+ [Fase 1: esportare il proprio ambiente Studio Lab conda](#studio-lab-use-migrate-step1)
+ [Fase 2: salvare gli artefatti di Studio Lab](#studio-lab-use-migrate-step2)
+ [Fase 3. Importa gli artefatti di Studio Lab in Studio Classic](#studio-lab-use-migrate-step3)
+ [Fase 4. Installa gli ambienti conda di Studio Lab in Studio Classic](#studio-lab-use-migrate-step4)
## Fase 1: esportare il proprio ambiente Studio Lab conda
Puoi esportare un ambiente conda e aggiungere librerie o pacchetti all'ambiente seguendo le fasi indicate in [Gestisci il tuo ambiente](studio-lab-use-manage.md). Nell’esempio seguente viene illustrato l’utilizzo dell’ambiente `default` da esportare in Studio Classic.
1. Apri il terminale Studio Lab dal pannello **Browser di file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)), scegli il segno più (**\$1**) nel menu nella parte superiore del browser di file per aprire l’**utilità di avvio**, quindi scegli **Terminale**. Dal terminale Studio Lab, elenca gli ambienti conda eseguendo quanto segue.
```
conda env list
```
Questo comando restituisce un elenco degli ambienti conda e delle loro posizioni nel file system. Quando esegui l’integrazione in Studio Lab, attivi automaticamente l'ambiente conda `studiolab`.
```
# conda environments: #
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
```
Ti consigliamo di non esportare gli ambienti `studiolab``studiolab-safemode`, e`base`. Questi ambienti non sono utilizzabili in Studio Classic per i seguenti motivi:
+ `studiolab`: Questo configura l' JupyterLab ambiente per Studio Lab. Studio Lab esegue una versione principale diversa da Studio Classic, quindi non è utilizzabile in Studio Classic. JupyterLab
+ `studiolab-safemode`: Questo configura anche l' JupyterLab ambiente per Studio Lab. Studio Lab esegue una versione principale diversa da Studio Classic, quindi non è utilizzabile in Studio Classic. JupyterLab
+ `base`: Questo ambiente viene fornito con conda per impostazione predefinita. L’ambiente `base` di Studio Lab e l’ambiente `base` di Studio Classic hanno versioni incompatibili di molti pacchetti.
1. Per eseguire la migrazione dell’ambiente conda a Studio Classic, devi prima attivare prima l’ambiente conda. L’ambiente `default` viene quindi modificato quando vengono installate o rimosse nuove librerie. Per ottenere lo stato esatto dell'ambiente, esportalo in un file YAML utilizzando la riga di comando. Le seguenti righe di comando esportano l'ambiente predefinito in un file YAML, creando un file chiamato `myenv.yml`.
```
conda activate default
conda env export > ~/myenv.yml
```
## Fase 2: salvare gli artefatti di Studio Lab
Ora che hai salvato l'ambiente in un file YAML, puoi spostare il file di ambiente su qualsiasi piattaforma.
------
#### [ Save to a local machine using Studio Lab GUI ]
**Nota**
Il download di una directory dalla GUI di Studio Lab facendo clic con il pulsante destro del mouse sulla directory non è attualmente disponibile. Se desideri esportare una directory, esegui le fasi utilizzando la scheda **Salva in repository Git**.
Un'opzione è salvare l'ambiente sul computer locale. A tale scopo, procedi come indicato di seguito.
1. In Studio Lab scegli l'icona **Browser di file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) nel menu a sinistra, in modo che il pannello **Browser di file** sia visualizzato sulla sinistra.
1. Accedi alla tua directory utente scegliendo l'icona del file sotto la barra di ricerca dei file.
1. Scegli (fai clic con il pulsante destro del mouse) il file `myenv.yml`, quindi scegli **Scarica**. Puoi ripetere questo processo per gli altri file che desideri importare in Studio Classic.
------
#### [ Save to a Git repository ]
Un'altra opzione è salvare l'ambiente in un repository Git. Questa opzione utilizza GitHub come esempio. Questi passaggi richiedono un GitHub account e un repository. Per ulteriori informazioni, consulta [GitHub](https://github.com/). La procedura seguente mostra come sincronizzare i contenuti con l' GitHub utilizzo del terminale Studio Lab.
1. Dal terminale Studio Lab, accedi alla tua directory utente e crea una nuova directory per contenere i file che desideri esportare.
```
cd ~
mkdir
```
1. Dopo aver creato una nuova directory, copia qualsiasi file o cartella che desideri esportare in ``.
Copia un file utilizzando il seguente formato di codice:
```
cp
```
Ad esempio, sostituisci `` con `myenv.yml`.
Copia una directory qualsiasi utilizzando il seguente formato di codice:
```
cp -r
```
Ad esempio, sostituisci `` con qualsiasi nome di directory nella tua directory utente.
1. Passa alla nuova directory e inizializza la directory come repository Git usando il seguente comando. Per ulteriori informazioni, consulta la [documentazione cloud-init](https://git-scm.com/docs/git-init).
```
cd
git init
```
1. Usando Git, aggiungi tutti i file pertinenti e poi esegui il commit delle modifiche.
```
git add .
git commit -m ""
```
Ad esempio, sostituisci `` con `Add Amazon SageMaker Studio Lab artifacts to GitHub repository to migrate to Amazon SageMaker Studio Classic `.
1. Esegui il push del commit sul repository remoto. Questo repository ha il formato `https://github.com// .git` in cui `` è il nome GitHub utente e il `` nome del repository remoto. Crea un ramo `` per inviare il contenuto al repository. GitHub
```
git branch -M
git remote add origin https://github.com//.git
git push -u origin
```
------
## Fase 3. Importa gli artefatti di Studio Lab in Studio Classic
La procedura seguente mostra come importare artefatti in Studio Classic. Le istruzioni sull’utilizzo dell’archivio delle caratteristiche dalla console variano a seconda che l’esperienza predefinita sia impostata su Studio o Studio Classic. Per informazioni sull’accesso a Studio Classic tramite la console, consulta [Avvio di Studio Classic se Studio è la tua esperienza predefinita](studio-launch.md#studio-launch-console-updated).
Da Studio Classic, puoi importare file dal tuo computer locale o da un repository Git. Puoi scegliere se utilizzare la GUI o il terminale di Studio Classic. La procedura seguente usa gli esempi da [Fase 2: salvare gli artefatti di Studio Lab](#studio-lab-use-migrate-step2).
------
#### [ Import using the Studio Classic GUI ]
Se hai salvato i file sul tuo computer locale, puoi importarli in Studio Classic utilizzando la procedura seguente.
1. Apri il pannello **Browser di file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) in alto a sinistra di Studio Classic.
1. Scegli l’icona **Carica file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/File_upload_squid.png)) nel menu in alto nel pannello **Browser di file**.
1. Accedi al file da importare, quindi scegli **Apri**.
**Nota**
Per importare una directory in Studio Classic, comprimi prima la directory sul tuo computer locale in un file. Su Mac, fai clic con il pulsante destro del mouse sulla directory e scegli **Comprimi "» ****. In Windows, fai clic con il pulsante destro del mouse sulla directory e scegli **Invia a**, quindi scegli **Cartella compressa (zip)**. Dopo aver compresso la directory, importa il file compresso utilizzando le fasi precedenti. Decomprimi il file compresso accedendo al terminale di Studio Classic ed eseguendo il comando `.zip`.
------
#### [ Import using a Git repository ]
Questo esempio fornisce due opzioni su come clonare un GitHub repository in Studio Classic. Puoi utilizzare la GUI di Studio Classic scegliendo la scheda **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git.png)) sul lato sinistro di Studio Classic. Scegli **Clona un repository**, quindi incolla l'URL del repository da. GitHub [Fase 2: salvare gli artefatti di Studio Lab](#studio-lab-use-migrate-step2) Un’altra opzione consiste nell’utilizzare il terminale di Studio Classic con la procedura seguente.
1. Apri l’**utilità di avvio** di Studio Classic. Per ulteriori informazioni sull'apertura del **Launcher**, consulta [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html).
1. Nell’**utilità di avvio**, nella sezione **Notebook e risorse di calcolo**, scegli **Cambia ambiente**.
1. Apri l’**utilità di avvio** in Studio Classic. Per aprire il **Launcher**, scegli **Amazon SageMaker Studio Classic** nell'angolo in alto a sinistra di Studio Classic.
Per informazioni sulle modalità di apertura dell’**utilità di avvio** disponibili, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Nella finestra di dialogo **Cambia ambiente**, utilizza l'elenco a discesa **Immagine** per selezionare l'immagine **Data Science** e scegli **Seleziona**. Questa immagine viene fornita con conda preinstallato.
1. Nell’**utilità di avvio** di Studio Classic, scegli **Apri terminale di immagini**.
1. Dal terminale di immagini, esegui il comando seguente per clonare il repository. Questo comando crea una directory denominata `` nell’istanza di Studio Classic e clona gli artefatti in tale repository.
```
git clone https://github.com//.git
```
------
## Fase 4. Installa gli ambienti conda di Studio Lab in Studio Classic
Ora puoi ricreare il tuo ambiente conda utilizzando il file YAML nell’istanza di Studio Classic. Apri l’**utilità di avvio** di Studio Classic. Per ulteriori informazioni sull'apertura del **Launcher**, consulta [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html). Dall’**utilità di avvio**, scegli **Apri terminale di immagini**. Nel terminale accedi alla directory che contiene il file YAML, quindi esegui i comandi seguenti.
```
conda env create --file .yml
conda activate
```
Una volta completati questi comandi, puoi selezionare l’ambiente come kernel per le istanze del notebook Studio Classic. Per visualizzare l'ambiente disponibile, esegui `conda env list`. Per attivare l'ambiente, esegui `conda activate `.
# Chiusura delle risorse di Studio Lab
Puoi visualizzare e chiudere le tue risorse Amazon SageMaker Studio Lab in esecuzione da un'unica posizione nel tuo ambiente Studio Lab. I tipi di risorse in esecuzione includono terminali e kernel. Puoi anche chiudere contemporaneamente tutte le risorse di un determinato tipo.
Se chiudi tutte le risorse di uno specifico tipo, si verifica quanto segue:
+ **KERNEL**: tutti i kernel, i notebook e le console vengono arrestati.
+ **TERMINALI**: tutti i terminali vengono arrestati.
**Chiusura delle risorse di Studio Lab**
1. Avvia il runtime del progetto Studio Lab. Per ulteriori informazioni sull'avvio del runtime del progetto Studio Lab, consulta [Avvio del runtime del progetto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Nel riquadro di navigazione a sinistra, scegli l’icona **Terminali e kernel in esecuzione** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Running_squid.png)).
1. Scegli il simbolo **X** a destra della risorsa che desideri chiudere. Puoi visualizzare il simbolo **X** posizionando il cursore su una risorsa.
1. (Facoltativo) Puoi chiudere tutte le risorse di uno specifico tipo scegliendo **Chiudi tutto** a destra del nome del tipo di risorsa.
# Risoluzione dei problemi
La guida mostra gli errori più comuni che potrebbero verificarsi durante l'utilizzo di Amazon SageMaker Studio Lab (Studio Lab). Ogni errore contiene una descrizione e una soluzione all'errore.
**Nota**
Non puoi condividere la tua password con più utenti o utilizzare Studio Lab per estrarre criptovalute. Non è consigliabile utilizzare Studio Lab per le attività di produzione a causa dei limiti di runtime.
**Problemi con le dipendenze**
L'8 agosto 2025, Studio Lab è passato da JupyterLab 3 a JupyterLab 4. Per informazioni su JupyterLab 4, consulta la versione [4.0.0 - Highlights](https://jupyterlab.readthedocs.io/en/4.0.x/getting_started/changelog.html#highlights) in the Changelog. JupyterLab Se avete installato JupyterLab le estensioni nell'ambiente Studio Lab prima dell'8 agosto 2025, potrebbe essere necessario reinstallarle nell'ambiente 4. JupyterLab
**Impossibile accedere all'account**
Se non riesci ad accedere al tuo account, verifica di utilizzare l'email e la password corrette. Se hai dimenticato la password, procedi nel seguente modo per reimpostarla. Se ancora non riesci ad accedere al tuo account, devi richiedere e registrarti per creare un nuovo account utilizzando le istruzioni riportate in [Accedere ad Amazon SageMaker Studio Lab](studio-lab-onboard.md).
**Password dimenticata**
Se dimentichi la password, devi reimpostarla con la seguente procedura.
1. Vai alla [pagina di destinazione di Studio Lab](https://studiolab.sagemaker.aws).
1. Seleziona **Accedi**.
1. Seleziona **Password dimenticata?** per aprire una nuova pagina.
1. Inserisci l'indirizzo e-mail che hai usato per creare un account.
1. Seleziona **Invia link di reimpostazione** per inviare un'email con un link per la reimpostazione della password.
1. Dall'e-mail di reimpostazione della password, seleziona **Reimposta la password**.
1. Inserisci la nuova password.
1. Selezionare **Invia**.
**Impossibile avviare il runtime del progetto**
Se il runtime del progetto Studio Lab non si avvia, prova a riavviarlo. Se il problema persiste, cambia il tipo di istanza da CPU a GPU (o viceversa). Per ulteriori informazioni, consulta [Cambia il tipo di calcolo](studio-lab-manage-runtime.md#studio-lab-manage-runtime-change).
**L'esecuzione del runtime si è interrotta in modo imprevisto**
Se c'è un problema con l'ambiente utilizzato per l'esecuzione JupyterLab, Studio Lab ricreerà automaticamente l'ambiente. Studio Lab non supporta l'attivazione manuale di questo processo.
**Versioni in conflitto**
Poiché è possibile aggiungere pacchetti e modificare l'ambiente in base alle esigenze, è possibile che si verifichino conflitti tra i pacchetti dell'ambiente. In caso di conflitti tra i pacchetti del proprio ambiente, è necessario rimuovere il pacchetto in conflitto.
**La compilazione dell'ambiente fallisce**
Quando si crea un ambiente da un file YAML, un conflitto tra versioni del pacchetto o un problema di file potrebbe causare il fallimento della compilazione. Per risolvere questo problema, rimuovi l'ambiente mediante il comando seguente. Esegui questa operazione prima di tentare di crearlo di nuovo.
```
conda remove --name --all
```
**Messaggio di errore relativo al permesso di scaricare lo script dal dominio \$1.awswaf.com**
Studio Classic utilizza il servizio Web Application Firewall AWS WAF per proteggere le risorse, che utilizza JavaScript. Se si utilizza un plug-in di sicurezza del browser che JavaScript impedisce il download, è possibile che venga visualizzato questo errore. Per utilizzare Studio Classic, consenti il JavaScript download da \$1.awswaf.com come dominio affidabile. Per ulteriori informazioni su AWS WAF, vedere [AWS WAF](https://docs.aws.amazon.com/waf/latest/developerguide/waf-chapter.html)from the, e. AWS WAF AWS Firewall Manager AWS Shield Advanced Guida per gli sviluppatori.
**Lo spazio su disco è pieno**
Se ricevi una notifica che indica che lo spazio su disco è pieno o un **errore di caricamento del file **** durante il tentativo di aprire un file, puoi rimuovere file, directory, librerie o ambienti per aumentare lo spazio. Per ulteriori informazioni sulla gestione delle librerie e degli ambienti, consulta [Gestisci il tuo ambiente](studio-lab-use-manage.md).
****Notifica indicante che il runtime del progetto è in modalità sicura****
Se ricevi una notifica che indica che il **runtime del progetto è in modalità sicura**, devi liberare spazio su disco per riprendere a utilizzare il runtime del progetto Studio Lab. Segui le istruzioni del precedente elemento di risoluzione dei problemi, lo **spazio su disco è pieno**. Dopo aver liberato almeno 500 MB di spazio, puoi riavviare il runtime del progetto per utilizzare Studio Lab. Questo può essere fatto scegliendo **Amazon SageMaker Studio Lab** nel menu in alto di Studio Lab e scegliendo **Riavvia JupyterLab...** .
git **Impossibile importare `cv2`**
Se si verifica un errore durante l'importazione di `cv2` dopo l'installazione di `opencv-python`, è necessario disinstallare `opencv-python` e installare `opencv-python-headless` come segue.
```
%pip uninstall opencv-python --yes
%pip install opencv-python-headless
```
È quindi possibile importare `cv2` come previsto.
**Studio Lab non risponde all'apertura di file di grandi dimensioni**
L'IDE di Studio Lab potrebbe non riuscire a eseguire il rendering quando vengono aperti file di grandi dimensioni, con conseguente blocco dell'accesso alle risorse di Studio Lab. Per risolvere questo problema, reimpostate l'area di lavoro di Studio Lab utilizzando la procedura seguente.
1. Dopo aver aperto l'IDE, copia l'URL nella barra degli indirizzi del browser. L’URL deve essere nel formato `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab`. Chiudi la scheda.
1. In una nuova scheda, incolla l'URL e rimuovi tutto ciò che segue `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab`.
1. Aggiungi `?reset` alla fine dell'URL, in modo che sia nel formato `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab?reset`.
1. Passa all'URL aggiornato. Ciò ripristina lo stato dell'interfaccia utente salvato e rende reattivo l'IDE di Studio Lab.
# Amazon SageMaker Tela
Amazon SageMaker Canvas ti offre la possibilità di utilizzare l'apprendimento automatico per generare previsioni senza dover scrivere alcun codice. Di seguito sono riportati alcuni casi d'uso in cui è possibile utilizzare SageMaker Canvas:
+ Previsione dell'abbandono del cliente
+ Pianificazione efficiente dell'inventario
+ Ottimizzazione di prezzi e ricavi
+ Miglioramento della puntualità delle consegne
+ Classificazione di testo o immagini in base a categorie personalizzate
+ Identificazione di oggetti e testo nelle immagini
+ Estrazione di informazioni dai documenti
Con Canvas, puoi chattare con i più diffusi modelli di linguaggio di grandi dimensioni (LLMs), accedere ai Ready-to-use modelli o creare un modello personalizzato basato sui tuoi dati.
Canvas chat è una funzionalità che sfrutta l'open source e Amazon LLMs per aiutarti a incrementare la tua produttività. Puoi chiedere ai modelli di ricevere assistenza per attività come generazione di contenuti, riepilogo o categorizzazione di documenti e generazione di risposte alle domande. Per ulteriori informazioni, consulta [Modelli di base generativi di intelligenza artificiale in Canvas SageMaker](canvas-fm-chat.md).
I [Ready-to-use modelli](canvas-ready-to-use-models.md) di Canvas possono estrarre informazioni dai tuoi dati per una varietà di casi d'uso. [https://docs.aws.amazon.com/textract/latest/dg/what-is.html](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) Devi solo importare i tuoi dati e iniziare a utilizzare una soluzione per generare previsioni.
Se desideri un modello personalizzato in base al tuo caso d'uso e addestrato con i tuoi dati, puoi usare la funzionalità [crea un modello](canvas-custom-models.md). Puoi ottenere previsioni personalizzate in base ai tuoi dati eseguendo le seguenti operazioni:
1. Importazione dei tuoi dati da una o più origini dati.
1. Creazione di un modello predittivo.
1. Valutazione delle prestazioni del modello.
1. Generazione di previsioni con il modello.
Canvas supporta i seguenti tipi di modelli personalizzati:
+ Previsione numerica (nota anche come *regressione*)
+ Previsione categoriale per 2 e più di 3 categorie (nota anche come classificazione *binaria* e *multiclasse*)
+ Previsione di serie temporali
+ Previsione di immagini a etichetta singola (nota anche come *classificazione delle immagini*)
+ Previsione di testo multicategoria (nota anche come *classificazione del testo multiclasse*)
[Per ulteriori informazioni sui prezzi, consulta la pagina dei prezzi di Canvas. SageMaker ](https://aws.amazon.com/sagemaker/canvas/pricing/) Per ulteriori informazioni, consulta anche [Fatturazione e costi in Canvas SageMaker](canvas-manage-cost.md).
SageMaker Canvas è attualmente disponibile nelle seguenti regioni:
+ Stati Uniti orientali (Ohio)
+ Stati Uniti orientali (Virginia settentrionale)
+ Stati Uniti occidentali (California settentrionale)
+ Stati Uniti occidentali (Oregon)
+ Asia Pacifico (Mumbai)
+ Asia Pacifico (Seoul)
+ Asia Pacifico (Singapore)
+ Asia Pacifico (Sydney)
+ Asia Pacifico (Tokyo)
+ Canada (Centrale)
+ Europa (Francoforte)
+ Europa (Irlanda)
+ Europa (Londra)
+ Europe (Paris)
+ Europa (Stoccolma)
+ Sud America (San Paolo)
**Topics**
+ [Sei un utente SageMaker Canvas per la prima volta?](#canvas-first-time-user)
+ [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md)
+ [Tutorial: crea un flusso di lavoro di apprendimento end-to-end automatico in Canvas SageMaker](canvas-end-to-end-machine-learning-workflow.md)
+ [Configurazione e gestione delle autorizzazioni di Amazon SageMaker Canvas (per amministratori IT)](canvas-setting-up.md)
+ [Assistenza dell’IA generativa per risolvere i problemi di ML in Canvas con Amazon Q Developer](canvas-q.md)
+ [Importazione dei dati](canvas-importing-data.md)
+ [Preparazione dei dati](canvas-data-prep.md)
+ [Modelli di base generativi di intelligenza artificiale in Canvas SageMaker](canvas-fm-chat.md)
+ [Ready-to-use modelli](canvas-ready-to-use-models.md)
+ [Modelli personalizzati](canvas-custom-models.md)
+ [Disconnettersi da Amazon Canvas SageMaker](canvas-log-out.md)
+ [Limitazioni e risoluzione dei problemi](canvas-limits.md)
+ [Fatturazione e costi in Canvas SageMaker](canvas-manage-cost.md)
## Sei un utente SageMaker Canvas per la prima volta?
Se sei un utente di SageMaker Canvas per la prima volta, ti consigliamo di iniziare leggendo le seguenti sezioni:
+ Per amministratori IT: [Configurazione e gestione delle autorizzazioni di Amazon SageMaker Canvas (per amministratori IT)](canvas-setting-up.md)
+ Per analisti e singoli utenti: [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md)
+ Per un esempio di flusso di lavoro end-to-end: [Tutorial: crea un flusso di lavoro di apprendimento end-to-end automatico in Canvas SageMaker](canvas-end-to-end-machine-learning-workflow.md)
# Guida introduttiva all'utilizzo di Amazon SageMaker Canvas
Questa guida spiega come iniziare a usare SageMaker Canvas. Se sei un amministratore IT e desideri dettagli più approfonditi, consulta la sezione Configurazione [Configurazione e gestione delle autorizzazioni di Amazon SageMaker Canvas (per amministratori IT)](canvas-setting-up.md) di SageMaker Canvas per i tuoi utenti.
**Topics**
+ [Prerequisiti per la configurazione di Amazon Canvas SageMaker](#canvas-prerequisites)
+ [Passaggio 1: accedi a Canvas SageMaker](#canvas-getting-started-step1)
+ [Passaggio 2: usa SageMaker Canvas per ottenere previsioni](#canvas-getting-started-step2)
## Prerequisiti per la configurazione di Amazon Canvas SageMaker
Per configurare un'applicazione SageMaker Canvas, esegui l'onboard utilizzando uno dei seguenti metodi di configurazione:
1. **A bordo con la console. AWS ** Per effettuare l'onboarding tramite la AWS console, devi prima creare un dominio Amazon SageMaker AI. SageMaker [I domini AI supportano i vari ambienti di apprendimento automatico (ML) come Canvas e SageMaker Studio.](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html) Per ulteriori informazioni sui domini, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
1. (Rapido) [Usa la configurazione rapida per Amazon SageMaker AI](onboard-quick-start.md): scegli questa opzione per configurare rapidamente un dominio. Con questa procedura, l’utente ottiene tutte le autorizzazioni Canvas predefinite e le funzionalità di base. Qualsiasi funzionalità aggiuntiva, come le [query sui documenti](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query), può essere abilitata in un secondo momento da un amministratore. Per configurare autorizzazioni più granulari, è preferibile scegliere l’opzione Avanzata.
1. (Standard) [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md): scegli questa opzione per una configurazione più avanzata del tuo dominio. Mantieni il controllo granulare sulle autorizzazioni degli utenti, ad esempio l’accesso alle funzionalità di preparazione dei dati, alle capacità di IA generativa e alle implementazioni dei modelli.
1. **A bordo con. CloudFormation** [CloudFormation](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/Welcome.html)automatizza l'approvvigionamento di risorse e configurazioni in modo da poter configurare Canvas per uno o più profili utente contemporaneamente. Utilizza questa opzione per automatizzare il processo di onboarding su larga scala e assicurarti che le tue applicazioni siano configurate sempre allo stesso modo. Il [CloudFormation modello](https://github.com/aws-samples/cloudformation-studio-domain) seguente fornisce un modo semplificato per effettuare l'onboarding su Canvas, garantendo che tutti i componenti necessari siano configurati correttamente e consentendoti di concentrarti sulla creazione e l'implementazione dei tuoi modelli di machine learning.
La sezione seguente descrive come effettuare l'onboarding su Canvas utilizzando la AWS console per creare un dominio.
**Importante**
Per poter configurare Amazon SageMaker Canvas, la tua versione di Amazon SageMaker Studio deve essere la 3.19.0 o successiva. Per informazioni sull'aggiornamento di Amazon SageMaker Studio, consulta[Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
### A bordo con la console AWS
Se stai eseguendo la configurazione rapida del dominio, puoi seguire le istruzioni riportate in [Usa la configurazione rapida per Amazon SageMaker AI](onboard-quick-start.md), saltare il resto di questa sezione e passare a [Passaggio 1: accedi a Canvas SageMaker](#canvas-getting-started-step1).
Se stai eseguendo la configurazione standard del dominio, puoi specificare le funzionalità Canvas per le quali concedere l’accesso ai tuoi utenti. Per la configurazione standard del dominio, utilizza il resto di questa sezione per configurare le autorizzazioni specifiche di Canvas.
Nelle istruzioni di configurazione [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md), seleziona le autorizzazioni Canvas che desideri concedere nella **Fase 2. Utenti e attività di ML**. Nella sezione **Attività di ML**, puoi selezionare le policy di autorizzazione seguenti per concedere l’accesso alle funzionalità di Canvas. Quando configuri il dominio, puoi selezionare un massimo di otto **attività di ML** in totale. Le prime due autorizzazioni nell’elenco seguente sono necessarie per utilizzare Canvas, mentre le altre sono per funzionalità aggiuntive.
+ **Esecuzione di applicazioni Studio**: queste autorizzazioni sono necessarie per avviare l’applicazione Canvas.
+ **[Accesso di base Canvas](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)**: queste autorizzazioni consentono di accedere all’applicazione e alle funzionalità di base di Canvas, come la creazione di set di dati, l’utilizzo di trasformazioni di dati di base e la creazione e l’analisi di modelli.
+ (Facoltativo) **[Preparazione dei dati Canvas (con tecnologia Data Wrangler)](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)**: queste autorizzazioni concedono l’accesso per la creazione di flussi di dati e l’uso di trasformazioni avanzate per preparare i dati in Canvas. Queste autorizzazioni sono necessarie anche per creare processi di elaborazione dati e pianificazioni dei processi di preparazione dati.
+ (Facoltativo) **[Servizi AI Canvas](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasAIServicesAccess.html)**: queste autorizzazioni ti consentono di accedere ai Ready-to-use modelli, ai modelli di base e alle funzionalità di Chat with Data in Canvas.
+ (Facoltativo) **Accesso Kendra**: questa autorizzazione consente di accedere alla funzionalità di [query sui documenti](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query), che permette di eseguire query sui documenti archiviati in un indice Amazon Kendra utilizzando i modelli di fondazione in Canvas.
Se selezioni questa opzione, nella sezione **Canvas Kendra** Access, inserisci IDs gli indici Amazon Kendra a cui desideri concedere l'accesso.
+ (Facoltativo) **[Canvas MLOps](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDirectDeployAccess.html)**: questa autorizzazione ti consente di accedere alla funzionalità di [distribuzione dei modelli](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-deploy-model.html) in Canvas, dove puoi distribuire modelli da utilizzare in produzione.
Nella sezione **Fase 3. Applicazioni** della configurazione del dominio, scegli **Configura Canvas** e quindi procedi come descritto di seguito:
1. Per la **configurazione di archiviazione Canvas**, specifica dove desideri che Canvas archivi i dati dell’applicazione, come artefatti del modello, previsioni in batch, set di dati e log. SageMaker L'IA crea una `Canvas/` cartella all'interno di questo bucket per archiviare i dati. Per ulteriori informazioni, consulta [Configurazione dello storage Amazon S3](canvas-storage-configuration.md). In questa sezione, completa le operazioni seguenti:
1. Seleziona **Sistema gestito** se desideri impostare la posizione sul bucket predefinito SageMaker creato dall'intelligenza artificiale che segue lo schema. `s3://sagemaker-{Region}-{your-account-id}`
1. Seleziona **Custom S3** per specificare il tuo bucket Amazon S3 come percorso di archiviazione. Immetti quindi l'URI di Amazon S3.
1. (Facoltativo) In **Chiave di crittografia**, specifica una chiave KMS per crittografare gli artefatti Canvas archiviati nel percorso specificato.
1. (Facoltativo) In **Amazon Q Developer**, procedi come descritto di seguito:
1. **Attiva Abilita Amazon Q Developer in SageMaker Canvas per il machine learning in linguaggio naturale per** concedere ai tuoi utenti le autorizzazioni per sfruttare l'assistenza generativa dell'intelligenza artificiale durante il loro flusso di lavoro ML in Canvas. Questa opzione autorizza solo a eseguire query in Amazon Q Developer per ottenere assistenza in merito ad attività predeterminate che possono essere completate nell’applicazione Canvas.
1. **Attiva la chat per sviluppatori di Amazon Q per AWS domande generali per** concedere ai tuoi utenti le autorizzazioni per effettuare domande generative di intelligenza artificiale relative ai servizi. AWS
1. (Facoltativo) Configura la sezione **Elaborazione di grandi quantità di dati** se i tuoi utenti intendono elaborare set di dati più grandi di 5 GB in Canvas. Per informazioni dettagliate su come configurare queste opzioni, consulta [Concessione di autorizzazioni agli utenti per utilizzare grandi quantità di dati nel ciclo di vita di ML](canvas-large-data-permissions.md).
1. (Facoltativo) Per la sezione **Configurazione delle autorizzazioni ML Ops**, completa le operazioni seguenti:
1. Lascia attivata l'opzione **Abilita la distribuzione diretta dei modelli Canvas** per concedere ai tuoi utenti le autorizzazioni per distribuire i loro modelli da Canvas a un endpoint AI. SageMaker Per maggiori informazioni sull’implementazione di un modello in Canvas, consulta [Distribuzione di modelli su un endpoint](canvas-deploy-model.md).
1. Lascia **attiva l'opzione Abilita le autorizzazioni di registrazione del registro dei modelli per tutti gli utenti** per concedere ai tuoi utenti le autorizzazioni per registrare la versione del loro modello nel registro dei modelli SageMaker AI (è attivata per impostazione predefinita). Per ulteriori informazioni, consulta [Registra una versione del modello nel registro dei modelli AI SageMaker](canvas-register-model.md).
1. Se hai lasciato attiva l’opzione **Abilita le autorizzazioni di registrazione nel registro dei modelli per tutti gli utenti**, seleziona **Registra solo nel registro dei modelli** o **Registra e approva il modello ne registro dei modelli**.
1. (Facoltativo) Nella sezione **Configurazione del caricamento di file locali**, attiva l’opzione **Abilita caricamento di file locali** per concedere agli utenti le autorizzazioni per caricare file su Canvas dai loro computer locali. L’attivazione di questa opzione collega una policy Condivisione delle risorse multiorigine (CORS) al bucket Amazon S3 specificato nella **configurazione di archiviazione Canvas** (e sostituisce qualsiasi policy CORS esistente). Per ulteriori informazioni sulle autorizzazioni di caricamento di file locali, consulta [Concedi ai tuoi utenti le autorizzazioni per caricare file locali](canvas-set-up-local-upload.md).
1. (Facoltativo) Per la sezione **OAuth delle impostazioni**, effettuate le seguenti operazioni:
1. **Scegliete Aggiungi OAuth configurazione**.
1. In **Origine dati**, seleziona la tua origine dati.
1. In **Configurazione del segreto**, seleziona **Crea un nuovo segreto** e inserisci le informazioni che hai ricevuto dal tuo gestore dell’identità digitale. Se non hai ancora eseguito la OAuth configurazione iniziale con la tua fonte di dati, vedi[Configura le connessioni alle sorgenti dati con OAuth](canvas-setting-up-oauth.md).
1. (Facoltativo) Per la **configurazione Ready-to-use dei modelli Canvas**, effettuate le seguenti operazioni:
1. Lascia **attiva l'opzione Abilita Ready-to-use modelli Canvas** per concedere ai tuoi utenti le autorizzazioni per generare previsioni con Ready-to-use modelli in Canvas (è attivata per impostazione predefinita). Questa opzione concede anche le autorizzazioni per chattare con modelli basati su IA generativa. Per ulteriori informazioni, consulta [Modelli di base generativi di intelligenza artificiale in Canvas SageMaker](canvas-fm-chat.md).
1. Lascia attivata l'opzione **Abilita query sui documenti utilizzando Amazon Kendra** per concedere ai tuoi utenti le autorizzazioni per utilizzare i modelli di base per fare query sui documenti archiviati in un indice Amazon Kendra. Quindi, dal menu a discesa, seleziona gli indici esistenti ai quali desideri concedere l’accesso. Per ulteriori informazioni, consulta [Modelli di base generativi di intelligenza artificiale in Canvas SageMaker](canvas-fm-chat.md).
1. In **Ruolo di Amazon Bedrock**, seleziona **Crea e utilizza un nuovo ruolo di esecuzione** per creare un nuovo ruolo di esecuzione IAM che abbia una relazione di attendibilità con Amazon Bedrock. Questo ruolo IAM viene assunto da Amazon Bedrock per ottimizzare modelli di linguaggio di grandi dimensioni (LLMs) in Canvas. Se disponi già di un ruolo di esecuzione con una relazione di attendibilità, seleziona **Utilizza un ruolo di esecuzione esistente** e scegli il tuo ruolo dall’elenco a discesa. Per ulteriori informazioni sulla configurazione manuale delle autorizzazioni per il tuo ruolo di esecuzione, consulta [Concessione di autorizzazioni agli utenti per utilizzare le funzionalità di Amazon Bedrock e di IA generativa in Canvas](canvas-fine-tuning-permissions.md).
1. Completa la configurazione del resto delle impostazioni del dominio utilizzando le procedure in [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md).
**Nota**
Se riscontri problemi con la concessione delle autorizzazioni tramite la console, ad esempio le autorizzazioni per Ready-to-use i modelli, consulta l'argomento. [Risoluzione dei problemi relativi alla concessione delle autorizzazioni tramite la console AI SageMaker](canvas-limits.md#canvas-troubleshoot-trusted-services)
Ora dovresti avere un dominio SageMaker AI configurato e tutte le autorizzazioni Canvas configurate.
Puoi modificare le autorizzazioni Canvas per un dominio o un utente specifico dopo la configurazione iniziale del dominio. Le impostazioni dei singoli utenti hanno la precedenza sulle impostazioni del dominio. Per informazioni su come modificare le autorizzazioni di Canvas nelle impostazioni del dominio, consulta [Modifica delle impostazioni del dominio](domain-edit.md).
### Concediti le autorizzazioni per utilizzare funzionalità specifiche in Canvas
Le informazioni seguenti descrivono le diverse autorizzazioni che puoi concedere a un utente Canvas per consentire l’utilizzo di varie opzioni e funzionalità all’interno di Canvas: Alcune di queste autorizzazioni possono essere concesse durante la configurazione del dominio, ma altre richiedono autorizzazioni o configurazioni aggiuntive. Fai riferimento alle informazioni sulle autorizzazioni specifiche per ogni funzionalità che desideri abilitare:
+ **Caricamento dei file locali**. Le autorizzazioni per il caricamento dei file locali vengono attivate per impostazione predefinita nelle autorizzazioni di base di Canvas durante la configurazione del dominio. Se non riesci a caricare file locali dalla tua macchina SageMaker su Canvas, puoi allegare una policy CORS al bucket Amazon S3 che hai specificato nella configurazione di storage Canvas. Se hai consentito all' SageMaker IA di utilizzare il bucket predefinito, il bucket segue lo schema di denominazione. `s3://sagemaker-{Region}-{your-account-id}` Per ulteriori informazioni, consulta [Grant Your Users Permissions to Upload Local Files](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-set-up-local-upload.html).
+ **Modelli di previsione di immagini e testi personalizzati**. Le autorizzazioni per la creazione di modelli di previsione di immagini e testo personalizzati vengono attivate per impostazione predefinita nelle autorizzazioni di base di Canvas durante la configurazione del dominio. Tuttavia, se disponi di una configurazione IAM personalizzata e non desideri collegare la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)policy al ruolo di esecuzione IAM dell'utente, devi concedere esplicitamente all'utente le autorizzazioni necessarie. Per ulteriori informazioni, consulta [Concedi ai tuoi utenti le autorizzazioni per creare modelli di previsione di immagini e testo personalizzati](canvas-set-up-cv-nlp.md).
+ **Ready-to-use modelli e modelli di base.** Potresti voler utilizzare i Ready-to-use modelli Canvas per fare previsioni per i tuoi dati. Con le autorizzazioni Ready-to-use dei modelli, puoi anche chattare con modelli generativi basati sull'intelligenza artificiale. Le autorizzazioni vengono attivate per impostazione predefinita durante la configurazione del dominio oppure puoi modificare le autorizzazioni per un dominio creato in precedenza. L'opzione di autorizzazione Ready-to-use dei modelli Canvas aggiunge la politica di [AmazonSageMakerCanvasAIServicesaccesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) al ruolo di esecuzione. Per ulteriori informazioni, consulta la [Nozioni di base](canvas-ready-to-use-models.md#canvas-ready-to-use-get-started) sezione della documentazione dei Ready-to-use modelli.
Per ulteriori informazioni sulle nozioni di base sui modelli di fondazione dell'IA generativa, consulta [Modelli di base generativi di intelligenza artificiale in Canvas SageMaker](canvas-fm-chat.md).
+ **Fine-tuning dei modelli di fondazione.** Per eseguire il fine-tuning dei modelli di fondazione in Canvas, puoi aggiungere le autorizzazioni durante la configurazione del dominio oppure puoi modificare le autorizzazioni per il dominio o il profilo utente dopo aver creato il dominio. Devi aggiungere la policy di [AmazonSageMakerCanvasAIServicesaccesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) al ruolo AWS IAM che hai scelto durante la configurazione del profilo utente e devi anche aggiungere una relazione di trust con Amazon Bedrock al ruolo. Per istruzioni su come aggiungere queste autorizzazioni al ruolo IAM, consulta [Concessione di autorizzazioni agli utenti per utilizzare le funzionalità di Amazon Bedrock e di IA generativa in Canvas](canvas-fine-tuning-permissions.md).
+ **Invia previsioni in batch a Quick.** Potresti voler [inviare *previsioni in batch, o set di dati di previsioni*](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html) generati da un modello personalizzato, a Quick per l'analisi. In [QuickSight](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html), puoi creare e pubblicare dashboard predittivi con i risultati delle tue previsioni. Per istruzioni su come aggiungere queste autorizzazioni al ruolo IAM del tuo utente Canvas, consulta [Concedi ai tuoi utenti le autorizzazioni per inviare previsioni a](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html) Quick.
+ **Distribuisci i modelli Canvas su un endpoint AI. SageMaker ** SageMaker AI Hosting offre *endpoint* che puoi utilizzare per implementare il tuo modello da utilizzare in produzione. Puoi distribuire modelli integrati in Canvas su un endpoint di SageMaker intelligenza artificiale e quindi fare previsioni a livello di codice in un ambiente di produzione. Per ulteriori informazioni, consulta [Distribuzione di modelli su un endpoint](canvas-deploy-model.md).
+ **Registrazione delle versioni del modello nel Model Registry.** Potresti voler registrare *le versioni* del tuo [modello nel registro dei modelli SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html), che è un archivio per tracciare lo stato delle versioni aggiornate del tuo modello. Un data scientist o un MLOps team che lavora nel SageMaker Model Registry può visualizzare le versioni del modello che hai creato e approvarle o rifiutarle. Quindi, può implementare la versione del modello in produzione o avviare un flusso di lavoro automatizzato. Le autorizzazioni di registrazione dei modelli per il tuo dominio sono attive per impostazione predefinita. Puoi gestire le autorizzazioni a livello di profilo utente e concedere o rimuovere le autorizzazioni a utenti specifici. Per ulteriori informazioni, consulta [Registra una versione del modello nel registro dei modelli AI SageMaker](canvas-register-model.md).
+ **Importa dati da Amazon Redshift.** Se desideri importare dati da Amazon Redshift, devi concederti autorizzazioni aggiuntive. Devi aggiungere la policy `AmazonRedshiftFullAccess` gestita al ruolo AWS IAM che hai scelto durante la configurazione del profilo utente. Per istruzioni su come aggiungere la policy al ruolo, consulta [Grant Users Permissions to Import Amazon Redshift Data](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
**Nota**
Le autorizzazioni necessarie per l'importazione tramite altre fonti di dati, come Amazon Athena e piattaforme SaaS, sono incluse nelle politiche e. [AmazonSageMakerFullAccess[AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) Se hai seguito le istruzioni di configurazione standard, queste policy dovrebbero essere già collegate al tuo ruolo di esecuzione. Per ulteriori informazioni su queste origini dati e le relative autorizzazioni, consulta [Connessione alle origini dati](canvas-connecting-external.md).
## Passaggio 1: accedi a Canvas SageMaker
Una volta completata la configurazione iniziale, puoi accedere a SageMaker Canvas con uno dei seguenti metodi, a seconda del caso d'uso:
+ Nella [console SageMaker AI](https://console.aws.amazon.com/sagemaker/), scegli **Canvas** nel riquadro di navigazione a sinistra. Quindi, nella pagina **Canvas**, seleziona il tuo utente dall’elenco a discesa e avvia l’applicazione Canvas.
+ Apri [SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html) e, nell'interfaccia di Studio, vai alla pagina Canvas e avvia l'applicazione Canvas.
+ Utilizza i metodi SSO basati su SAML 2.0 della tua organizzazione, come Okta o Centro identità IAM.
Quando accedi a SageMaker Canvas per la prima volta, SageMaker AI crea l'applicazione e uno *spazio SageMaker * AI per te. I dati dell’applicazione Canvas vengono archiviati nello spazio. Per ulteriori informazioni sugli spazi, consulta [Collaborazione con spazi condivisi](domain-space.md). Lo spazio è composto dalle applicazioni del tuo profilo utente e da una directory condivisa per tutti i dati delle tue applicazioni. Se non desideri utilizzare lo spazio predefinito creato dall' SageMaker IA e preferisci creare il tuo spazio per l'archiviazione dei dati dell'applicazione, consulta la pagina[Archivia i dati delle applicazioni SageMaker Canvas nel tuo spazio AI SageMaker](canvas-spaces-setup.md).
## Passaggio 2: usa SageMaker Canvas per ottenere previsioni
Dopo aver effettuato l'accesso a Canvas, puoi iniziare a creare modelli e generare previsioni per i tuoi dati.
Puoi utilizzare i Ready-to-use modelli Canvas per fare previsioni senza creare un modello oppure creare un modello personalizzato per il tuo problema aziendale specifico. Consulta le seguenti informazioni per decidere se Ready-to-use i modelli o i modelli personalizzati sono i migliori per il tuo caso d'uso.
+ **Ready-to-use modelli.** Con Ready-to-use i modelli, puoi utilizzare modelli predefiniti per estrarre informazioni dai tuoi dati. I Ready-to-use modelli coprono una varietà di casi d'uso, come il rilevamento del linguaggio e l'analisi dei documenti. Per iniziare a fare previsioni con Ready-to-use i modelli, consulta[Ready-to-use modelli](canvas-ready-to-use-models.md).
+ **Modelli personalizzati.** Con i modelli personalizzati puoi creare diversi tipi di modelli personalizzati per generare previsioni per i tuoi dati. Utilizza i modelli personalizzati se desideri creare un modello addestrato sui dati specifici della tua azienda e se desideri utilizzare funzionalità come la [valutazione delle prestazioni del modello](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html). Per iniziare a creare un modello personalizzato, consulta [Modelli personalizzati](canvas-custom-models.md).
# Tutorial: crea un flusso di lavoro di apprendimento end-to-end automatico in Canvas SageMaker
Questo tutorial ti guida attraverso un flusso di lavoro di end-to-end machine learning (ML) utilizzando Amazon SageMaker Canvas. SageMaker Canvas è un'interfaccia visiva senza codice che puoi utilizzare per preparare dati e addestrare e distribuire modelli ML. Per il tutorial, utilizzi un set di dati sui taxi di New York per addestrare un modello che prevede l’importo della tariffa per un determinato viaggio. Acquisisci esperienza pratica con attività di machine learning chiave come la valutazione della qualità dei dati e la risoluzione dei problemi relativi ai dati, la suddivisione dei dati in set di formazione e test, la formazione e la valutazione dei modelli, la creazione di previsioni e l'implementazione del modello addestrato, il tutto all'interno dell'applicazione Canvas. SageMaker
**Importante**
Questo tutorial presuppone che tu o il tuo amministratore abbiate creato un account. AWS Per informazioni sulla creazione di un AWS account, vedi [Guida introduttiva: sei un AWS utente per la prima volta](https://docs.aws.amazon.com/accounts/latest/reference/welcome-first-time-user.html)?
## Configurazione
Un dominio Amazon SageMaker AI è un luogo centralizzato per gestire tutti gli ambienti e le risorse Amazon SageMaker AI. Un dominio funge da confine virtuale per il tuo lavoro nell' SageMaker intelligenza artificiale, fornendo isolamento e controllo degli accessi per le tue risorse di machine learning (ML).
Per iniziare a usare Amazon SageMaker Canvas, tu o il tuo amministratore dovete accedere alla console di SageMaker intelligenza artificiale e creare un dominio Amazon SageMaker AI. Un dominio dispone delle risorse di archiviazione e calcolo necessarie per eseguire SageMaker Canvas. All'interno del dominio, configuri SageMaker Canvas per accedere ai bucket Amazon S3 e distribuire modelli. Utilizza la seguente procedura per configurare un dominio rapido e creare un' SageMaker applicazione Canvas.
**Per configurare SageMaker Canvas**
1. Vai alla [console SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Nella barra di navigazione a sinistra, scegli SageMaker Canvas.
1. Scegli **Crea un dominio SageMaker AI**.
1. Scegliere **Set up (Configura)**. La configurazione del dominio può richiedere alcuni minuti.
La procedura precedente utilizza una configurazione rapida del dominio, ma è possibile eseguire una configurazione avanzata per controllare tutti gli aspetti della configurazione dell’account, tra cui autorizzazioni, integrazioni e crittografia. Per ulteriori informazioni sulla configurazione personalizzata, consulta [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md).
Per impostazione predefinita, la configurazione rapida del dominio fornisce le autorizzazioni per implementare i modelli. Se le autorizzazioni personalizzate sono configurate tramite un dominio standard e devi concedere manualmente le autorizzazioni di implementazione dei modelli, consulta [Gestione delle autorizzazioni](canvas-deploy-model.md#canvas-deploy-model-prereqs).
## Creazione di flussi
Amazon SageMaker Canvas è una piattaforma di apprendimento automatico che consente agli utenti di creare, addestrare e distribuire modelli di apprendimento automatico senza una vasta esperienza di programmazione o apprendimento automatico. Una delle potenti funzionalità di Amazon SageMaker Canvas è la capacità di importare e lavorare con set di dati di grandi dimensioni da varie fonti, come Amazon S3.
Per questo tutorial, utilizziamo il set di dati dei taxi di New York per prevedere l'importo della tariffa per ogni viaggio utilizzando un flusso di dati Amazon SageMaker Canvas Data Wrangler. La procedura seguente descrive le fasi per importare una versione modificata del set di dati dei taxi di New York in un flusso di dati.
**Nota**
Per migliorare l'elaborazione, SageMaker Canvas importa un campione dei tuoi dati. Per impostazione predefinita, estrae in modo casuale un campione di 50.000 righe.
**Per importare il set di dati dei taxi di New York**
1. Dalla home page di SageMaker Canvas, scegli **Data Wrangler**.
1. Scegli **Import data** (Importa dati).
1. Seleziona **Tabulare**.
1. Scegli la casella degli strumenti accanto all’origine dati.
1. Seleziona **Amazon S3** dall’elenco a discesa.
1. In **Inserisci endpoint S3**, specifica `s3://amazon-sagemaker-data-wrangler-documentation-artifacts/canvas-single-file-nyc-taxi-dataset.csv`.
1. Scegli **Vai**.
1. Seleziona la casella di controllo accanto al set di dati.
1. Scegli **Anteprima dati**.
1. Scegli **Save** (Salva).
## Report Qualità e informazioni approfondite sui dati 1 (campione)
Dopo aver importato un set di dati in Amazon SageMaker Canvas, puoi generare un rapporto Data Quality and Insights su un campione di dati. Utilizzalo per estrarre informazioni preziose dal set di dati. Il report:
+ Valuta la completezza del set di dati
+ Identifica i valori mancanti e anomali
Può identificare altri potenziali problemi che potrebbero influire sulle prestazioni del modello. Valuta inoltre il potere predittivo di ciascuna funzionalità rispetto alla variabile di destinazione, consentendo di identificare le funzionalità più rilevanti per il problema che stai cercando di risolvere.
Possiamo utilizzare le informazioni approfondite del report per prevedere l’importo della tariffa. Specificando la colonna “**Importo della tariffa**” come variabile di destinazione e selezionando **Regressione** come tipo di problema, il report analizzerà l’idoneità del set di dati per la previsione di valori continui come i prezzi delle tariffe. Il report dovrebbe indicare che funzionalità come **year** e **hour\$1of\$1day** hanno un basso potere predittivo per la variabile di destinazione scelta, fornendoti informazioni preziose.
Utilizza la procedura seguente per ottenere un report Qualità e informazioni approfondite sui dati su un campione di 50.000 righe del set di dati.
**Per ottenere un report su un campione**
1. Scegli **Ottieni informazioni approfondite sui dati** dalla finestra pop-up accanto al nodo **Tipi di dati**.
1. In **Nome dell’analisi**, specifica un nome per il report.
1. In **Tipo di problema**, scegli **Regressione**.
1. In **Colonna di destinazione**, scegli **Importo della tariffa**.
1. Scegli **Create** (Crea).
Puoi esaminare il report Qualità e informazioni approfondite sui dati basato su un campione di dati. Il report indica che le funzionalità **year** e **hour\$1of\$1day** non prevedono la variabile di destinazione, **Importo della tariffa**.
Nella parte superiore della navigazione, scegli il nome del flusso di dati per visualizzarlo di nuovo.
## Eliminazione di anno e ora del giorno
Stiamo utilizzando le informazioni approfondite del report per eliminare le colonne **year** e **hour\$1of\$1day** per ottimizzare lo spazio delle funzionalità e migliorare potenzialmente le prestazioni del modello.
Amazon SageMaker Canvas offre un'interfaccia e strumenti intuitivi per eseguire tali trasformazioni di dati.
Utilizza la seguente procedura per eliminare le colonne **anno** e **ora\$1giorno dal set di** dati dei taxi di New York utilizzando lo strumento Data Wrangler in Amazon Canvas. SageMaker
1. Scegli l’icona accanto a **Tipi di dati**.
1. Scegli **Aggiungi fase**.
1. Nella barra di ricerca, scrivi **Elimina colonna**.
1. Scegli **Gestisci colonne**.
1. Scegli **Elimina colonna**.
1. In **Colonne da eliminare**, seleziona le colonne **year** e **hour\$1of\$1day**.
1. Scegli **Anteprima** per vedere in che modo questa trasformazione modifica i dati.
1. Scegliere **Aggiungi**.
Puoi utilizzare la procedura precedente come base per aggiungere tutte le altre trasformazioni in Canvas. SageMaker
## Qualità e informazioni approfondite sui dati 2 (set di dati completo)
Nel report precedente, abbiamo utilizzato un campione del set di dati dei taxi di New York. Per il nostro secondo report, eseguiamo un’analisi completa sull’intero set di dati per identificare potenziali problemi che influiscono sulle prestazioni del modello.
Utilizza la procedura seguente per creare un report Qualità e informazioni approfondite sui dati per l’intero set di dati.
**Per ottenere un report sull’intero set di dati**
1. Scegli l’icona accanto al nodo **Elimina colonne**.
1. Scegli **Ottieni informazioni approfondite sui dati**.
1. In **Nome dell’analisi**, specifica un nome per il report.
1. In **Tipo di problema**, scegli **Regressione**.
1. In **Colonna di destinazione**, scegli **Importo della tariffa**.
1. In **Dimensioni dei dati**, scegli **Set di dati completo**.
1. Scegli **Create** (Crea).
Di seguito è riportata un’immagine tratta dal report delle informazioni approfondite:
![\[Le righe duplicate, le destinazioni disallineate e un punteggio del modello rapido molto basso sono elencati come insightsP\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/canvas-tutorial-dqi-insights.png)
Mostra i problemi seguenti:
+ Righe duplicate
+ Destinazione disallineata
Le righe duplicate possono portare a data leakage, perché il modello è esposto agli stessi dati durante l’addestramento e i test. Possono portare a metriche sulle prestazioni eccessivamente ottimistiche. La rimozione delle righe duplicate garantisce che il modello venga addestrato su istanze uniche, riducendo il rischio di data leakage e migliorando la capacità di generalizzazione del modello.
Una distribuzione disallineata delle variabili di destinazione, in questo caso la colonna **Importo della tariffa**, può produrre classi squilibrate, in cui il modello potrebbe orientarsi verso la classe maggioritaria. Questo può tradursi in prestazioni scadenti nelle classi minoritarie, un problema particolarmente sentito in scenari in cui è importante prevedere con precisione le istanze rare o sottorappresentate.
## Risoluzione dei problemi di qualità dei dati
Per risolvere questi problemi e preparare il set di dati per la modellazione, puoi cercare le seguenti trasformazioni e applicarle:
1. Elimina i duplicati utilizzando la trasformazione **Gestisci righe**.
1. **Gestisci i valori anomali** nella colonna **Importo della tariffa** utilizzando i **valori anomali numerici con deviazione standard robusta**.
1. **Gestisci i valori anomali** nelle colonne **Distanza della corsa** e **Durata della corsa** utilizzando i **valori anomali numerici con deviazione standard**.
1. Utilizza la **codifica categorica** per codificare le colonne **ID codice tariffa**, **Tipo di pagamento**, **Flag extra** e **Flag pedaggio** come tipo in virgola mobile.
Se hai dubbi su come applicare una trasformazione, consulta [Eliminazione di anno e ora del giorno](#canvas-tutorial-drop-year-and-hour-of-day).
Risolvendo questi problemi di qualità dei dati e applicando le trasformazioni appropriate, puoi migliorare l’idoneità del set di dati per la modellazione.
## Verifica della qualità dei dati e accuratezza del modello rapido
Dopo aver applicato le trasformazioni per risolvere i problemi di qualità dei dati, come la rimozione delle righe duplicate, creiamo il nostro report finale Qualità e informazioni approfondite sui dati. Questo report aiuta a verificare che le trasformazioni applicate abbiano risolto i problemi e che il set di dati sia ora in uno stato adatto per la modellazione.
Durante la revisione del report finale Qualità e informazioni approfondite sui dati, non dovrebbero essere segnalati problemi importanti relativi alla qualità dei dati. Il report dovrebbe indicare che:
+ La variabile di destinazione non è più disallineata
+ Non ci sono valori anomali o righe duplicate
Inoltre, il report dovrebbe fornire un punteggio del modello rapido basato su un modello baseline addestrato sul set di dati trasformato. Questo punteggio funge da indicatore iniziale dell’accuratezza e delle prestazioni potenziali del modello.
Utilizza la procedura seguente per creare un report Qualità e informazioni approfondite sui dati.
**Per creare un report Qualità e informazioni approfondite sui dati**
1. Scegli l’icona accanto al nodo **Elimina colonne**.
1. Scegli **Ottieni informazioni approfondite sui dati**.
1. In **Nome dell’analisi**, specifica un nome per il report.
1. In **Tipo di problema**, scegli **Regressione**.
1. In **Colonna di destinazione**, scegli **Importo della tariffa**.
1. In **Dimensioni dei dati**, scegli **Set di dati completo**.
1. Scegli **Create** (Crea).
## Suddivisione dei dati in set di dati di addestramento e di test
Per addestrare un modello e valutarne le prestazioni, utilizziamo la trasformazione **Suddividi dati** per suddividere i dati in set di addestramento e test.
Per impostazione predefinita, SageMaker Canvas utilizza una divisione randomizzata, ma puoi anche utilizzare i seguenti tipi di suddivisioni:
+ Ordinata
+ Stratificata
+ Suddivisione per chiave
Puoi modificare la **percentuale di suddivisione** o aggiungere suddivisioni.
Per questo tutorial, utilizza tutte le impostazioni predefinite nella suddivisione. Per visualizzarne il nome, fai doppio clic sul set di dati. Il nome del set di dati di addestramento è **Set di dati (addestramento)**.
Accanto al nodo **Codifica ordinale**, applica la trasformazione **Suddividi dati**.
## Addestramento del modello
Dopo aver suddiviso i dati, puoi addestrare un modello. Questo modello impara dai modelli presenti nei dati. Puoi utilizzarlo per generare previsioni o ottenere informazioni approfondite.
SageMaker Canvas ha sia build rapide che build standard. Utilizza una build standard per addestrare il modello con le migliori prestazioni in base ai tuoi dati.
Prima di iniziare ad addestrare un modello, devi prima esportare il set di dati di addestramento come set di dati Canvas. SageMaker
**Per esportare il set di dati**
1. Accanto al nodo per il set di dati di addestramento, scegli l’icona e seleziona **Esporta**.
1. Seleziona il set di dati **SageMaker Canvas.**
1. Scegli **Esporta** per esportare il set di dati.
Dopo aver creato un set di dati, puoi addestrare un modello sul set di dati SageMaker Canvas che hai creato. Per informazioni sul training di un modello, consulta [Creazione di un modello di previsione numerico o categorico personalizzato](canvas-build-model-how-to.md#canvas-build-model-numeric-categorical).
## Valutazione del modello e generazione di previsioni
Dopo aver addestrato il modello di machine learning, è fondamentale valutarne le prestazioni per assicurarsi che soddisfi i requisiti e funzioni correttamente sui dati non visibili. Amazon SageMaker Canvas offre un'interfaccia intuitiva per valutare l'accuratezza del modello, esaminarne le previsioni e ottenere informazioni sui suoi punti di forza e di debolezza. Puoi utilizzare queste informazioni approfondite per prendere decisioni informate sull’implementazione e sulle potenziali aree di miglioramento del modello.
Utilizza la procedura seguente per valutare un modello prima di distribuirlo.
**Per valutare un modello**
1. Scegli **I miei modelli**.
1. Scegli il modello che hai creato.
1. In **Versioni**, seleziona la versione corrispondente al modello.
Ora puoi visualizzare le metriche di valutazione del modello.
Dopo aver valutato il modello, puoi generare previsioni su nuovi dati. Stiamo utilizzando il set di dati di test che abbiamo creato.
Per utilizzare il set di dati di test per le previsioni, dobbiamo convertirlo in un set di dati Canvas. SageMaker Il set di dati SageMaker Canvas è in un formato interpretabile dal modello.
Utilizzate la seguente procedura per creare un set di dati SageMaker Canvas dal set di dati di test.
**Per creare un set di dati Canvas SageMaker**
1. Accanto al set di dati **Set di dati (test)**, scegli l’icona di opzione.
1. Seleziona **Esporta**.
1. Seleziona il **set di dati SageMaker Canvas**.
1. In **Nome set di dati**, specifica il nome del set di dati.
1. Scegli **Export** (Esporta).
Utilizza la procedura seguente per generare previsioni. Si presuppone che tu sia ancora nella pagina **Analizza**.
**Per generare previsioni sul set di dati di test**
1. Scegli **Prevedi**.
1. Scegli **Manuale**.
1. Seleziona il set di dati che hai esportato.
1. Scegli **Genera previsioni**.
1. Quando SageMaker Canvas ha finito di generare previsioni, seleziona l'icona a destra del set di dati.
1. Scegli **Anteprima** per visualizzare le previsioni.
## Distribuzione di un modello
Dopo aver valutato il modello, puoi implementarlo su un endpoint. Puoi inviare richieste all’endpoint per ottenere previsioni.
Utilizza la procedura seguente per implementare un modello. Si presuppone che tu sia ancora nella pagina **Prevedi**.
**Per implementare un modello**
1. Seleziona **Implementa**.
1. Scegli **Create deployment (Crea distribuzione)**.
1. Seleziona **Implementa**.
## Pulizia
Il tutorial è stato completato correttamente. Per evitare di incorrere in costi aggiuntivi, elimina le risorse che non stai utilizzando.
Utilizza la procedura seguente per eliminare l’endpoint creato. Si presuppone che tu sia ancora nella pagina **Implementa**.
**Come eliminare un endpoint**
1. Scegli il pulsante di opzione a destra dell’implementazione.
1. Seleziona **Elimina implementazione**.
1. Scegli **Elimina**.
Dopo aver eliminato la distribuzione, elimina i set di dati che hai creato all'interno di Canvas. SageMaker Utilizza la procedura seguente per eliminare i set di dati.
**Per eliminare i set di dati**
1. Nel pannello di navigazione a sinistra, scegli **Set di dati**.
1. Seleziona il set di dati che hai analizzato e il set di dati sintetico utilizzato per le previsioni.
1. Scegli **Elimina**.
Per evitare di incorrere in costi aggiuntivi, devi disconnetterti da Canvas. SageMaker Per ulteriori informazioni, consulta [Disconnettersi da Amazon Canvas SageMaker](canvas-log-out.md).
# Configurazione e gestione delle autorizzazioni di Amazon SageMaker Canvas (per amministratori IT)
Le pagine seguenti spiegano come gli amministratori IT possono configurare Amazon SageMaker Canvas e concedere autorizzazioni agli utenti all'interno delle loro organizzazioni. Scopri come configurare la configurazione dello storage, gestire la crittografia dei dati e VPCs controllare l'accesso a funzionalità specifiche come i modelli di base generativi di intelligenza artificiale, l'integrazione con altri AWS servizi come Amazon Redshift e altro ancora. Seguendo questi passaggi, puoi personalizzare SageMaker Canvas per i tuoi utenti in base ai requisiti specifici della tua organizzazione.
Puoi anche configurare SageMaker Canvas per i tuoi utenti con AWS CloudFormation. Per ulteriori informazioni, consulta [AWS:: SageMaker AI: App](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-app.html) nella *Guida per l'AWS CloudFormation utente*.
**Topics**
+ [Concedi ai tuoi utenti le autorizzazioni per caricare file locali](canvas-set-up-local-upload.md)
+ [Configura SageMaker Canvas per i tuoi utenti](setting-up-canvas-sso.md)
+ [Configurazione dello storage Amazon S3](canvas-storage-configuration.md)
+ [Concessione delle autorizzazioni per l’archiviazione multi-account in Amazon S3](canvas-permissions-cross-account.md)
+ [Concessione di autorizzazioni agli utenti per utilizzare grandi quantità di dati nel ciclo di vita di ML](canvas-large-data-permissions.md)
+ [Crittografa i tuoi dati SageMaker Canvas con AWS KMS](canvas-kms.md)
+ [Archivia i dati delle applicazioni SageMaker Canvas nel tuo spazio AI SageMaker](canvas-spaces-setup.md)
+ [Concedi ai tuoi utenti le autorizzazioni per creare modelli di previsione di immagini e testo personalizzati](canvas-set-up-cv-nlp.md)
+ [Concessione di autorizzazioni agli utenti per utilizzare le funzionalità di Amazon Bedrock e di IA generativa in Canvas](canvas-fine-tuning-permissions.md)
+ [Aggiorna SageMaker Canvas per i tuoi utenti](canvas-update.md)
+ [Richiedi un aumento delle quote.](canvas-requesting-quota-increases.md)
+ [Concedere agli utenti le autorizzazioni per importare dati Amazon Redshift](canvas-redshift-permissions.md)
+ [Concedi ai tuoi utenti le autorizzazioni per inviare previsioni a Quick](canvas-quicksight-permissions.md)
+ [Gestione delle applicazioni](canvas-manage-apps.md)
+ [Configura Amazon SageMaker Canvas in un VPC senza accesso a Internet](canvas-vpc.md)
+ [Configura le connessioni alle sorgenti dati con OAuth](canvas-setting-up-oauth.md)
# Concedi ai tuoi utenti le autorizzazioni per caricare file locali
Se i tuoi utenti caricano file dai loro computer locali SageMaker su Canvas, devi allegare una configurazione CORS (cross-origin resource sharing) al bucket Amazon S3 che stanno utilizzando. Quando configuri o modifichi il dominio o il profilo utente SageMaker AI, puoi specificare una posizione Amazon S3 personalizzata o la posizione predefinita, ovvero un bucket Amazon S3 creato da SageMaker AI con un nome che utilizza il seguente schema:. `s3://sagemaker-{Region}-{your-account-id}` SageMaker Canvas aggiunge i dati degli utenti al bucket ogni volta che caricano un file.
Per concedere agli utenti le autorizzazioni per caricare file locali nel bucket, puoi collegarvi una configurazione CORS utilizzando una delle seguenti procedure. Puoi utilizzare il primo metodo per modificare le impostazioni del tuo dominio, in cui consenti all' SageMaker IA di allegare la configurazione CORS al bucket per te. Puoi utilizzare il primo metodo anche per modificare un profilo utente all’interno di un dominio. Il secondo metodo è il metodo manuale, in cui è possibile collegare autonomamente la configurazione CORS al bucket.
## SageMaker Metodo di impostazione del dominio AI
Per concedere ai tuoi utenti le autorizzazioni per caricare file locali, puoi modificare la configurazione dell’applicazione Canvas nelle impostazioni del dominio. Ciò collega una configurazione Cross-Origin Resource Sharing (CORS) al bucket Amazon S3 della configurazione di archiviazione Canvas e concede a tutti gli utenti del dominio l'autorizzazione a caricare file locali in Canvas. SageMaker Per impostazione predefinita, l’opzione delle autorizzazioni è attivata quando configuri un nuovo dominio, ma è possibile attivarla e disattivarla in base alle esigenze.
**Nota**
Se disponi di una configurazione CORS esistente nel bucket Amazon S3 per la configurazione di archiviazione, l’attivazione dell’opzione di caricamento dei file locali sovrascrive la configurazione esistente con la nuova configurazione.
La procedura seguente mostra come attivare questa opzione modificando le impostazioni del dominio nella console AI. SageMaker
1. Vai alla console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Domains** (Domini).
1. Dall’elenco di domini, scegli il tuo dominio.
1. Nella pagina Dettagli del dominio, seleziona la scheda **Configurazioni app**.
1. Vai alla sezione **Canvas** e scegli **Modifica**.
1. Attiva l’opzione **Abilita caricamento di file locali**. Questa opzione collega la configurazione CORS e concede le autorizzazioni di caricamento dei file locali.
1. Seleziona **Invia**.
Gli utenti del dominio specificato ora dovrebbero avere le autorizzazioni per il caricamento dei file locali.
Puoi anche concedere le autorizzazioni a profili utente specifici in un dominio seguendo la procedura precedente e accedendo alle impostazioni del profilo utente anziché alle impostazioni generali del dominio.
## Metodo con bucket Amazon S3
Se desideri collegare manualmente la configurazione CORS al bucket SageMaker AI Amazon S3, utilizza la seguente procedura.
1. Eseguire l'accesso ad [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Scegli il bucket. Se il tuo dominio utilizza il bucket predefinito creato dall' SageMaker IA, il nome del bucket utilizza il seguente schema:. `s3://sagemaker-{Region}-{your-account-id}`
1. Seleziona **Autorizzazioni**.
1. Vai a **Condivisione delle risorse multiorigine (CORS)**.
1. Scegli **Modifica**.
1. Aggiungi la policy CORS seguente:
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST"
],
"AllowedOrigins": [
"*"
],
"ExposeHeaders": []
}
]
```
1. Scegli **Save changes** (Salva modifiche).
Nella procedura precedente, la policy CORS deve avere `"POST"` inserito in `AllowedMethods`.
Dopo aver completato la procedura, dovresti avere:
+ Un ruolo IAM assegnato a ciascuno dei tuoi utenti.
+ Autorizzazioni di runtime di Amazon SageMaker Studio Classic per ciascuno dei tuoi utenti. SageMaker Canvas utilizza Studio Classic per eseguire i comandi dei tuoi utenti.
+ Se gli utenti riescono a caricare file dalle loro macchine locali, al loro bucket Amazon S3 è collegata una policy CORS.
Se gli utenti non riescono ancora a caricare i file locali dopo l'aggiornamento della policy CORS, è possibile che il browser stia memorizzando nella cache le impostazioni CORS di un precedente tentativo di caricamento. In caso di problemi, chiedi ai tuoi utenti di svuotare la cache del browser e riprovare.
# Configura SageMaker Canvas per i tuoi utenti
Per configurare Amazon SageMaker Canvas, procedi come segue:
+ Crea un dominio Amazon SageMaker AI.
+ Crea i profili utente per il dominio.
+ Configura Okta Single Sign-On (Okta SSO) per i tuoi utenti.
+ Attiva la condivisione dei link per i modelli.
Usa Okta Single-Sign On (Okta SSO) per concedere ai tuoi utenti l'accesso ad Amazon Canvas. SageMaker SageMaker Canvas supporta i metodi SSO SAML 2.0. Le seguenti sezioni spiegano le procedure per configurare Okta SSO.
Per configurare un dominio, consulta [Usa una configurazione personalizzata per Amazon SageMaker AI](onboard-custom.md) e segui le istruzioni per configurare il tuo dominio con l’autenticazione IAM. Puoi utilizzare le informazioni seguenti per completare la procedura nella sezione:
+ Puoi ignorare la fase relativa alla creazione di progetti.
+ Non è necessario fornire l'accesso a ulteriori bucket Amazon S3. I tuoi utenti possono utilizzare il bucket predefinito che forniamo quando creiamo un ruolo.
+ Per concedere ai tuoi utenti l'accesso per condividere notebook con i data scientist, attiva **Configurazione della condivisione del notebook**.
+ Usa Amazon SageMaker Studio Classic versione 3.19.0 o successiva. Per informazioni sull'aggiornamento di Amazon SageMaker Studio Classic, consulta[Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
Completa la procedura seguente per configurare Okta. Per tutte le seguenti procedure, dovrai specificare lo stesso ruolo IAM per `IAM-role` .
## Aggiungi l'applicazione SageMaker Canvas a Okta
Configura il metodo Sign-On per Okta.
1. Accedi al pannello di controllo per amministratori di Okta.
1. Scegli **Aggiungi applicazione**. Cerca **AWS Federazione account**.
1. Scegli **Aggiungi**.
1. Facoltativo: modifica il nome in **Amazon SageMaker Canvas**.
1. Scegli **Next (Successivo)**.
1. Scegli **SAML 2.0** come metodo **Sign-On**.
1. Scegli **Metadati del provider di identità** per aprire il file XML dei metadati. Salva il file localmente.
1. Seleziona **Fatto**.
## Configura la federazione degli ID in IAM
AWS Identity and Access Management (IAM) è il AWS servizio che usi per accedere al tuo AWS account. Puoi accedere AWS tramite un account IAM.
1. Accedi alla AWS console.
1. Scegli **AWS Identity and Access Management (IAM)**.
1. Scegli **Provider di identità**.
1. Scegli **Crea provider**.
1. In **Configura provider**, specifica quanto segue:
+ **Tipo di provider**: scegli **SAML** dall'elenco a discesa.
+ **Nome provider**: specifica **Okta**.
+ **Documento di metadati**: carica il documento XML che hai salvato localmente dalla fase 7 di [Aggiungi l'applicazione SageMaker Canvas a Okta](#canvas-set-up-okta).
1. Trova il tuo provider di identità in **Provider di identità**. Copia il valore **ARN del provider**.
1. In **Ruoli**, scegli il ruolo IAM che stai utilizzando per l'accesso SSO a Okta.
1. In **Relazione di attendibilità** per il ruolo IAM, scegli **Modifica relazione di attendibilità**.
1. Modifica la policy della relazione di attendibilità del ruolo IAM specificando il valore **ARN del provider** che hai copiato in precedenza e aggiungi la seguente policy:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:AssumeRoleWithSAML",
"sts:TagSession"
],
"Condition": {
"StringEquals": {
"SAML:aud": "https://signin.aws.amazon.com/saml"
}
}
},
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:SetSourceIdentity"
]
}
]
}
```
------
1. In **Autorizzazioni**, aggiungi la policy seguente:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*"
}
]
}
```
------
## Configura SageMaker Canvas in Okta
Configura Amazon SageMaker Canvas in Okta utilizzando la seguente procedura.
Per configurare Amazon SageMaker Canvas per l'utilizzo di Okta, segui i passaggi in questa sezione. È necessario specificare nomi utente univoci per ogni **SageMakerStudioProfileName**campo. Ad esempio, puoi utilizzare `user.login` come valore. Se il nome utente è diverso dal nome del profilo SageMaker Canvas, scegli un attributo identificativo univoco diverso. Ad esempio, puoi utilizzare il numero di un ID dipendente per il nome del profilo.
Per un esempio di valori che è possibile impostare in **Attributi**, consulta il codice che segue la procedura.
1. In **Directory**, scegli **Gruppi**.
1. Aggiungi un gruppo come da schema seguente: `sagemaker#canvas#IAM-role#AWS-account-id`.
1. In Okta, apri la configurazione dell’integrazione dell'applicazione **AWS Federazione account**.
1. Seleziona **Accedi per l'**applicazione AWS Account Federation.
1. Scegli **Modifica** e specifica quanto segue:
+ SAML 2.0
+ **Stato di inoltro predefinito**: https://*Region*.console.aws.amazon. com/sagemaker/home? regione = *Region* studio/canvas/open \$1//. *StudioId* Puoi trovare lo Studio Classic ID nella console: [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Scegli **Attributi**.
1. Nei **SageMakerStudioProfileName**campi, specifica valori univoci per ogni nome utente. I nomi utente devono corrispondere ai nomi utente che hai creato nella console AWS .
```
Attribute 1:
Name: https://aws.amazon.com/SAML/Attributes/PrincipalTag:SageMakerStudioUserProfileName
Value: ${user.login}
Attribute 2:
Name: https://aws.amazon.com/SAML/Attributes/TransitiveTagKeys
Value: {"SageMakerStudioUserProfileName"}
```
1. Seleziona **Tipo di ambiente**. Scegli **Normale AWS**.
+ Se il tuo tipo di ambiente non è presente nell’elenco, puoi impostare il tuo URL ACS nel campo **URL ACS**. Se il tipo di ambiente è presente nell’elenco, non devi inserire il tuo URL ACS
1. In **ARN del provider di identità**, specifica l'ARN utilizzato nella fase 6 della procedura precedente.
1. Specifica una **durata della sessione**.
1. Scegli **Collega tutti i ruoli**.
1. Attiva **Usa la mappatura dei gruppi** specificando i seguenti campi:
+ **Filtro dell’app**: `okta`
+ **Filtro del gruppo**: `^aws\#\S+\#(?IAM-role[\w\-]+)\#(?accountid\d+)$`
+ **Modello del valore del ruolo**: `arn:aws:iam::$accountid:saml-provider/Okta,arn:aws:iam::$accountid:role/IAM-role`
1. Scegli **Salva/Successivo**.
1. In **Assegnazioni**, assegna l'applicazione al gruppo che hai creato.
## Aggiunta di policy opzionali sul controllo degli accessi in IAM
In IAM, puoi applicare la seguente policy all'utente amministratore che crea i profili utente.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "CreateSageMakerStudioUserProfilePolicy",
"Effect": "Allow",
"Action": "sagemaker:CreateUserProfile",
"Resource": "*",
"Condition": {
"ForAnyValue:StringEquals": {
"aws:TagKeys": [
"studiouserid"
]
}
}
}
]
}
```
------
Se scegli di aggiungere la policy precedente all'utente amministratore, devi utilizzare le seguenti autorizzazioni da [Configura la federazione degli ID in IAM](#set-up-id-federation-IAM).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*",
"Condition": {
"StringEquals": {
"sagemaker:ResourceTag/studiouserid": "${aws:PrincipalTag/SageMakerStudioUserProfileName}"
}
}
}
]
}
```
------
# Configurazione dello storage Amazon S3
Quando configuri l'applicazione SageMaker Canvas, la posizione di archiviazione predefinita per gli artefatti del modello, i set di dati e altri dati dell'applicazione è un bucket Amazon S3 creato da Canvas. Questo bucket Amazon S3 predefinito segue lo schema di denominazione `s3://sagemaker-{Region}-{your-account-id}` e si trova nella stessa Regione dell'applicazione Canvas. Tuttavia, puoi personalizzare il percorso di archiviazione e specificare il tuo bucket Amazon S3 per archiviare i dati dell'applicazione Canvas. Potresti voler utilizzare il tuo bucket Amazon S3 per archiviare i dati dell'applicazione per uno dei seguenti motivi:
+ La tua organizzazione utilizza convenzioni di denominazione interne per i bucket Amazon S3.
+ Vuoi abilitare l'accesso multi-account agli artefatti del modello o ad altri dati Canvas.
+ Vuoi essere conforme alle linee guida di sicurezza interne, come la limitazione degli utenti che possono accedere a bucket Amazon S3 o ad artefatti del modello specifici.
+ Desideri una visibilità e un accesso migliori ai log prodotti da Canvas, indipendentemente dalla console o da Studio Classic. AWS SageMaker
Specificando il tuo bucket Amazon S3, puoi avere un maggiore controllo sul tuo storage ed agire in conformità con gli standard della tua organizzazione.
Per iniziare, puoi creare un nuovo dominio o profilo utente SageMaker AI oppure aggiornare un dominio o un profilo utente esistente. Tieni presente che le impostazioni del profilo utente hanno la precedenza sulle impostazioni a livello di dominio. Ad esempio, puoi utilizzare la configurazione del bucket predefinita a livello di dominio, ma puoi specificare un bucket Amazon S3 personalizzato per un singolo utente. Dopo aver specificato il bucket Amazon S3 per il dominio o il profilo utente, Canvas crea una sottocartella chiamata `Canvas/` sotto l’URI di input di Amazon S3 e salva tutti gli artefatti generati nell’applicazione Canvas in questa sottocartella.
**Importante**
Se aggiorni un dominio o un profilo utente esistente, non avrai più accesso agli artefatti Canvas nella posizione precedente. I tuoi file sono ancora nella vecchia posizione di Amazon S3, ma non puoi più visualizzarli da Canvas. La nuova configurazione ha effetto a partire dal successivo login all'applicazione.
Per ulteriori informazioni sulla concessione dell'accesso multi-account al tuo bucket Amazon S3, consulta [Granting cross-account object permissions](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example4.html#access-policies-walkthrough-example4-overview) in *Guida per l’utente di Amazon S3*.
Le sezioni seguenti spiegano come specificare un bucket Amazon S3 personalizzato nella configurazione di archiviazione di Canvas. Se stai configurando un nuovo dominio SageMaker AI (o un nuovo utente in un dominio), usa il [Metodo di configurazione di un nuovo dominio](#canvas-storage-configuration-new-domain) o il[Metodo con configurazione di un nuovo profilo utente](#canvas-storage-configuration-new-user). Se disponi di un profilo utente Canvas esistente e desideri aggiornare la configurazione di archiviazione del profilo, usa [Metodo con utente esistente](#canvas-storage-configuration-existing-user).
## Prima di iniziare
Se stai specificando un URI Amazon S3 da un account AWS diverso o se utilizzi un bucket crittografato AWS KMS con, devi configurare le autorizzazioni prima di procedere. Devi concedere le autorizzazioni AWS IAM per garantire che Canvas possa scaricare e caricare oggetti da e verso il tuo bucket. Per ulteriori informazioni su come concedere le autorizzazioni necessarie, consulta [Concessione delle autorizzazioni per l’archiviazione multi-account in Amazon S3](canvas-permissions-cross-account.md).
Inoltre, l'URI finale di Amazon S3 per la cartella di addestramento nel percorso di archiviazione di Canvas deve contenere al massimo 128 caratteri. L'URI finale di Amazon S3 è costituito dal percorso bucket `s3:////` più il percorso che Canvas aggiunge al bucket: `Canvas//Training`. Ad esempio, un percorso accettabile che contenga meno di 128 caratteri può essere `s3:////Canvas//Training`.
## Metodo di configurazione di un nuovo dominio
Se stai configurando un nuovo dominio e una nuova applicazione Canvas, utilizza questa sezione per configurare la posizione di archiviazione a livello di dominio. Questa configurazione si applica a tutti i nuovi utenti che crei nel dominio, a meno che non specifichi una posizione di archiviazione diversa per i singoli profili utente.
Quando esegui una **Configurazione standard** per il tuo dominio, nella pagina **Fase 3. Configura le applicazioni (facoltativo)**, utilizza la procedura seguente per la sezione **Canvas**:
1. In **Configurazioni di archiviazione di Canvas**, procedi come segue:
1. Seleziona **Sistema gestito** se desideri impostare la posizione sul bucket SageMaker AI predefinito che segue lo schema. `s3://sagemaker-{Region}-{your-account-id}`
1. Seleziona **Custom S3** per specificare il tuo bucket Amazon S3 come percorso di archiviazione. Immetti quindi l'URI di Amazon S3.
1. (Facoltativo) In **Chiave di crittografia**, specifica una chiave KMS per crittografare gli artefatti Canvas archiviati nel percorso specificato.
1. Completa la configurazione del dominio e scegli **Invia**.
Il tuo dominio è ora configurato per utilizzare la posizione Amazon S3 che hai specificato per lo storage delle applicazioni SageMaker Canvas.
## Metodo con configurazione di un nuovo profilo utente
Se stai configurando un nuovo profilo utente nel tuo dominio, utilizza questa sezione per configurare la posizione di archiviazione per l’utente. Questa configurazione ha la precedenza sulla configurazione a livello di dominio.
Quando aggiungi un profilo utente al dominio, in **Fase 2. Configura le applicazioni** utilizza la procedura seguente nella sezione **Canvas**:
1. In **Configurazioni di archiviazione di Canvas**, procedi come segue:
1. Seleziona **Sistema gestito** se desideri impostare la posizione sul bucket predefinito creato dall' SageMaker IA che segue lo schema. `s3://sagemaker-{Region}-{your-account-id}`
1. Seleziona **Custom S3** per specificare il tuo bucket Amazon S3 come percorso di archiviazione. Immetti quindi l'URI di Amazon S3.
1. (Facoltativo) In **Chiave di crittografia**, specifica una chiave KMS per crittografare gli artefatti Canvas archiviati nel percorso specificato.
1. Completa la configurazione del profilo utente e scegli **Invia**.
Il tuo profilo utente è ora configurato per utilizzare la posizione Amazon S3 che hai specificato per lo storage delle applicazioni SageMaker Canvas.
## Metodo con utente esistente
Se disponi di un profilo utente Canvas esistente e desideri aggiornare la posizione di archiviazione di Amazon S3, puoi modificare il dominio SageMaker AI o le impostazioni del profilo utente. La modifica ha effetto a partire dal successivo login all'applicazione Canvas.
**Nota**
Quando modifichi il percorso di archiviazione per un'applicazione Canvas esistente, perdi l'accesso agli artefatti Canvas dal percorso di archiviazione precedente. I tuoi artefatti sono ancora nel vecchio percorso Amazon S3, ma non puoi più visualizzarli da Canvas.
Ricorda che le impostazioni del profilo utente hanno la precedenza sulle impostazioni generali del dominio, quindi puoi aggiornare la posizione di archiviazione di Amazon S3 per profili utente specifici senza modificarla per tutti gli utenti. Puoi aggiornare la configurazione di archiviazione per un dominio o un utente esistente utilizzando le procedure seguenti.
------
#### [ Update an existing domain ]
Utilizza la procedura seguente per aggiornare la configurazione di archiviazione per un dominio.
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Domini**.
1. Dall’elenco di domini, scegli il tuo dominio.
1. Nella pagina **Dettagli del dominio**, scegli la scheda **Configurazioni app**.
1. Scorri verso il basso fino alla sezione **Canvas** e scegli **Modifica**.
1. Viene visualizzata la pagina **Modifica le impostazioni di Canvas**. In **Configurazione di archiviazione Canvas**, procedi come descritto di seguito:
1. Seleziona **Sistema gestito** se desideri impostare la posizione sul bucket predefinito creato dall' SageMaker IA che segue lo schema`s3://sagemaker-{Region}-{your-account-id}`.
1. Seleziona **Custom S3** per specificare il tuo bucket Amazon S3 come percorso di archiviazione. Immetti quindi l'URI di Amazon S3.
1. (Facoltativo) In **Chiave di crittografia**, specifica una chiave KMS per crittografare gli artefatti Canvas archiviati nel percorso specificato.
1. Apporta tutte le altre modifiche desiderate al dominio, quindi scegli **Invia** per salvare le modifiche.
------
#### [ Update an existing user profile ]
Utilizza la procedura seguente per aggiornare la configurazione di archiviazione per un profilo utente.
1. Apri la console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di **domini**, scegli il tuo dominio.
1. Nell’elenco degli utenti del dominio, scegli l’utente per cui desideri modificare la configurazione.
1. Nella pagina **Dettagli utente** scegli **Modifica**.
1. Nel riquadro di navigazione, seleziona **Impostazioni Canvas**.
1. In **Configurazioni di archiviazione di Canvas**, procedi come segue:
1. Seleziona **Sistema gestito** se desideri impostare la posizione sul bucket SageMaker AI predefinito che segue lo schema`s3://sagemaker-{Region}-{your-account-id}`.
1. Seleziona **Custom S3** per specificare il tuo bucket Amazon S3 come percorso di archiviazione. Immetti quindi l'URI di Amazon S3.
1. (Facoltativo) In **Chiave di crittografia**, specifica una chiave KMS per crittografare gli artefatti Canvas archiviati nel percorso specificato.
1. Completa tutte le altre modifiche che desideri apportare al profilo utente, quindi scegli **Invia** per salvare le modifiche.
------
Il percorso di archiviazione del tuo profilo utente Canvas dovrebbe ora essere aggiornato. La prossima volta che effettuerai il login all'applicazione Canvas, riceverai la notifica che il percorso di archiviazione è stato aggiornato. Perderai l'accesso a tutti gli artefatti precedenti che hai creato in Canvas. Puoi comunque accedere ai file in Amazon S3, ma non puoi più visualizzarli in Canvas.
# Concessione delle autorizzazioni per l’archiviazione multi-account in Amazon S3
Quando configuri il tuo dominio SageMaker AI o il profilo utente per consentire agli utenti di accedere a SageMaker Canvas, specifichi una posizione di archiviazione Amazon S3 per gli artefatti Canvas. Questi artefatti includono copie salvate dei set di dati di input, degli artefatti del modello, delle previsioni e di altri dati dell'applicazione. Puoi utilizzare il bucket Amazon S3 predefinito creato dall' SageMaker IA oppure personalizzare la posizione di archiviazione e specificare il tuo bucket per archiviare i dati delle applicazioni Canvas.
Puoi specificare un bucket Amazon S3 in un altro AWS account per archiviare i tuoi dati Canvas, ma prima devi concedere le autorizzazioni per più account in modo che Canvas possa accedere al bucket.
Le seguenti sezioni descrivono come concedere le autorizzazioni a Canvas per caricare e scaricare oggetti da e verso un bucket Amazon S3 in un altro account. Sono disponibili autorizzazioni aggiuntive per quando il bucket è crittografato con. AWS KMS
## Requisiti
Prima di iniziare, verifica i seguenti requisiti:
+ I bucket Amazon S3 per più account (e tutte le chiavi AWS KMS associate) devono trovarsi nella AWS stessa regione del dominio utente o del profilo utente Canvas.
+ L'URI finale di Amazon S3 per la cartella di addestramento nel percorso di archiviazione di Canvas deve contenere al massimo 128 caratteri. L'URI finale di S3 è costituito dal percorso bucket `s3:////` più il percorso che Canvas aggiunge al bucket: `Canvas//Training`. Ad esempio, un percorso accettabile che contenga meno di 128 caratteri può essere `s3:////Canvas//Training`.
## Autorizzazioni per bucket Amazon S3 multi-account
La sezione seguente descrive le fasi di base per concedere le autorizzazioni necessarie in modo che Canvas possa accedere al tuo bucket Amazon S3 in un altro account. Per istruzioni più dettagliate, consulta [Example 2: bucket owner granting cross-account bucket permissions](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example2.html) in *Guida per l'utente di Amazon S3*.
1. Creazione di un bucket Amazon S3, `bucketA`, in Account A.
1. L'utente Canvas esiste in un altro account chiamato Account B. Nelle fasi seguenti, facciamo riferimento al ruolo IAM dell'utente di Canvas come `roleB` nell'Account B.
Concedi al ruolo IAM `roleB` nell'Account B l'autorizzazione a scaricare (`GetObject`) e caricare (`PutObject`) oggetti da e verso `bucketA` nell'Account A, collegando una policy IAM.
Per limitare l'accesso a una cartella di bucket specifica, definisci il nome cartella nell'elemento della risorsa, ad esempio `arn:aws:s3:::/FolderName/*`. Per ulteriori informazioni, consulta [How can I use IAM policies to grant user-specific access to specific folders?](https://aws.amazon.com/premiumsupport/knowledge-center/iam-s3-user-specific-folder/)
**Nota**
Le operazioni a livello di bucket, come `GetBucketCors` e `GetBucketLocation`, devono essere aggiunte alle risorse a livello di bucket, non alle cartelle.
L'esempio seguente di policy IAM concede le autorizzazioni necessarie a `roleB` per accedere agli oggetti in `bucketA`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
}
]
}
```
------
1. Configura la policy del bucket per `bucketA` nell'Account A per concedere le autorizzazioni al ruolo IAM `roleB` nell'Account B.
**Nota**
Gli amministratori devono inoltre disattivare l'opzione **Blocca tutti gli accessi pubblici** nella sezione **Autorizzazioni** del bucket.
Quello che segue è un esempio di policy del bucket per `bucketA` affinché siano concesse le autorizzazioni necessarie a `roleB`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
Dopo aver configurato le autorizzazioni precedenti, il tuo profilo utente Canvas nell'Account B può utilizzare il bucket Amazon S3 nell'Account A come percorso di archiviazione per gli artefatti Canvas.
## Autorizzazioni per i bucket Amazon S3 tra account crittografati con AWS KMS
La procedura seguente mostra come concedere le autorizzazioni necessarie in modo che Canvas possa accedere al tuo bucket Amazon S3 in un altro account crittografato con. AWS KMS Le fasi sono simili a quelle della procedura precedente, ma con autorizzazioni aggiuntive. Per ulteriori informazioni su come concedere l'accesso multi-account a una chiave KMS, consulta [Allowing users in other accounts to use a KMS key](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-modifying-external-accounts.html) in *AWS KMS Guida per gli sviluppatori*.
1. Crea un bucket Amazon S3, `bucketA`, e una chiave KMS di Amazon S3, `s3KmsInAccountA`, nell’Account A.
1. L'utente Canvas esiste in un altro account chiamato Account B. Nelle fasi seguenti, facciamo riferimento al ruolo IAM dell'utente di Canvas come `roleB` nell'Account B.
Concedi al ruolo IAM `roleB` nell'Account B l'autorizzazione a procedere come segue:
+ Scarica (`GetObject`) e carica (`PutObject`) oggetti da e verso `bucketA` nell'Account A.
+ Accedi alla AWS KMS chiave `s3KmsInAccountA` nell'Account A.
L'esempio seguente di policy IAM concede le autorizzazioni necessarie a `roleB` per accedere agli oggetti in `bucketA` e utilizzare la chiave KMS `s3KmsInAccountA`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
},
{
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Effect": "Allow",
"Resource": "arn:aws:kms:us-east-1:111122223333:key/s3KmsInAccountA"
}
]
}
```
------
1. Configura la policy del bucket per `bucketA` e la policy della chiave per `s3KmsInAccountA` nell'Account A per concedere le autorizzazioni al ruolo IAM `roleB` nell'Account B.
Quello che segue è un esempio di policy del bucket per `bucketA` affinché siano concesse le autorizzazioni necessarie a `roleB`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
L'esempio seguente è una policy della chiave da collegare alla chiave KMS `s3KmsInAccountA` nell'account A per concedere l'accesso a `roleB`. Per ulteriori informazioni su come creare e collegare un’istruzione della policy della chiave, consulta [Creating a key policy](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-overview.html) in *AWS KMS Guida per gli sviluppatori*.
```
{
"Sid": "Allow use of the key",
"Effect": "Allow",
"Principal": {
"AWS": [
"arn:aws:iam::accountB:role/roleB"
]
},
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Resource": "*"
}
```
Dopo aver configurato le autorizzazioni precedenti, il tuo profilo utente Canvas nell’Account B può utilizzare il bucket Amazon S3 nell’Account A come posizione di archiviazione per gli artefatti Canvas.
# Concessione di autorizzazioni agli utenti per utilizzare grandi quantità di dati nel ciclo di vita di ML
Gli utenti di Amazon SageMaker Canvas che lavorano con set di dati di dimensioni superiori a 10 GB in formato CSV o 2,5 GB in formato Parquet richiedono autorizzazioni specifiche per l'elaborazione di dati di grandi dimensioni. Queste autorizzazioni sono essenziali per la gestione dei dati su larga scala durante l’intero ciclo di vita di machine learning. Quando i set di dati superano le soglie dichiarate o la capacità di memoria locale dell'applicazione, Canvas SageMaker utilizza Amazon EMR Serverless per un'elaborazione efficiente. Questo approccio si applica a:
+ Importazione dei dati: importazione di set di dati di grandi dimensioni con campionamento casuale o stratificato.
+ Preparazione dei dati: esportazione dei dati elaborati da Data Wrangler in Canvas ad Amazon S3, a un nuovo set di dati Canvas o a un modello Canvas.
+ Creazione dei modelli: addestramento dei modelli su set di dati di grandi dimensioni.
+ Inferenza: generazione di previsioni su set di dati di grandi dimensioni.
Per impostazione predefinita, SageMaker Canvas utilizza EMR Serverless per eseguire questi lavori remoti con le seguenti impostazioni dell'app:
+ Capacità preinizializzata: non configurata
+ Limiti delle applicazioni: capacità massima di 400 vCPUs, massimo 16 V simultanei CPUs per account, 3000 GB di memoria, disco da 20000 GB
+ Configurazione Metastore: AWS Glue Data Catalog
+ Registri delle applicazioni: storage AWS gestito (abilitato), utilizzando una AWS chiave di crittografia proprietaria
+ Comportamento dell’applicazione: si avvia automaticamente quando viene inviato il processo e si arresta automaticamente se l’applicazione resta inattiva per 15 minuti
Per abilitare queste funzionalità di elaborazione di dati di grandi dimensioni, gli utenti necessitano delle autorizzazioni necessarie, che possono essere concesse tramite le impostazioni del dominio Amazon SageMaker AI. Il metodo per concedere queste autorizzazioni dipende dalla configurazione iniziale del dominio Amazon SageMaker AI. Tratteremo tre scenari principali:
+ Configurazione rapida del dominio
+ Configurazione personalizzata del dominio (con access/without VPC Internet pubblico)
+ Configurazione personalizzata del dominio (con VPC e senza accesso pubblico a Internet)
Ogni scenario richiede passaggi specifici per garantire che gli utenti dispongano delle autorizzazioni necessarie per sfruttare EMR Serverless per l'elaborazione di dati di grandi dimensioni durante l'intero ciclo di vita dell'apprendimento automatico in Canvas. SageMaker
## Scenario 1. Configurazione rapida del dominio
Se hai utilizzato l'opzione di **configurazione rapida** durante la creazione del tuo dominio SageMaker AI, segui questi passaggi:
1. Passa alle impostazioni del dominio Amazon SageMaker AI:
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Domains** (Domini).
1. Scegli il tuo dominio.
1. Scegli la scheda **Configurazioni app**.
1. Scorri fino alla sezione **Canvas** e scegli **Modifica**.
1. Abilita l’elaborazione di grandi quantità di dati:
1. Nella sezione **Configurazione di elaborazione di grandi quantità di dati**, attiva **Abilita EMR Serverless per l’elaborazione di grandi quantità di dati**.
1. Crea o seleziona un ruolo EMR Serverless:
1. Scegli **Crea e utilizza un nuovo ruolo di esecuzione** per creare un nuovo ruolo IAM che abbia una relazione di attendibilità con EMR Serverless e la policy [AWS politica gestita: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy) collegata. Questo ruolo IAM viene assunto da Canvas per creare processi EMR Serverless.
1. In alternativa, se hai già un ruolo di esecuzione con una relazione di attendibilità per EMR Serverless, seleziona **Utilizza un ruolo di esecuzione esistente** e scegli il ruolo dall’elenco a discesa.
+ Il nome del ruolo esistente deve iniziare con il prefisso `AmazonSageMakerCanvasEMRSExecutionAccess-`.
+ Inoltre, il ruolo selezionato deve avere almeno le autorizzazioni descritte nella policy [AWS politica gestita: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy).
+ Il ruolo deve avere una policy di attendibilità EMR Serverless, come illustrato di seguito:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "EMRServerlessTrustPolicy",
"Effect": "Allow",
"Principal": {
"Service": "emr-serverless.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333"
}
}
}
]
}
```
------
1. (Facoltativo) Aggiungi le autorizzazioni Amazon S3 per i bucket Amazon S3 personalizzati:
1. La policy gestita da Canvas concede automaticamente le autorizzazioni di lettura e scrittura per i bucket Amazon S3 con `sagemaker` o `SageMaker AI` nel nome. Concede inoltre le autorizzazioni di lettura per gli oggetti nei bucket Amazon S3 personalizzati con il tag `"SageMaker": "true"`.
1. Per i bucket Amazon S3 personalizzati senza il tag richiesto, aggiungi la policy seguente al tuo ruolo EMR Serverless:
1.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::*"
]
}
]
}
```
------
1. Ti consigliamo di limitare le autorizzazioni agli specifici bucket Amazon S3 a cui desideri che Canvas acceda.
1. Salva le modifiche e riavvia l'applicazione SageMaker Canvas.
## Scenario 2: configurazione personalizzata del dominio (con access/without VPC Internet pubblico)
Se hai creato o utilizzi un dominio personalizzato, segui le fasi 1-3 dello Scenario 1, quindi completa queste fasi aggiuntive:
1. Aggiungi le autorizzazioni per l'`DescribeImages`operazione Amazon ECR al tuo ruolo di esecuzione di Amazon SageMaker AI, poiché Canvas utilizza immagini Docker pubbliche di Amazon ECR per la preparazione dei dati e l'addestramento dei modelli:
1. Accedi alla AWS console e apri la console IAM all'indirizzo. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Scegli **Ruoli**.
1. Nella casella di ricerca, cerca il tuo ruolo di esecuzione SageMaker AI per nome e selezionalo.
1. Aggiungi la seguente policy al tuo ruolo di esecuzione dell' SageMaker IA. Per farlo, puoi aggiungerla come nuova policy inline oppure puoi aggiungere l’istruzione di policy a una policy esistente. Tieni presente che a un ruolo IAM può essere collegato al massimo a dieci policy.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [{
"Sid": "ECRDescribeImagesOperation",
"Effect": "Allow",
"Action": "ecr:DescribeImages",
"Resource": [
"arn:aws:ecr:*:*:repository/sagemaker-data-wrangler-emr-container",
"arn:aws:ecr:*:*:repository/ap-dataprep-emr"
]
}]
}
```
------
1. Salva le modifiche e riavvia l'applicazione SageMaker Canvas.
## Scenario 3. Configurazione personalizzata del dominio (con VPC e senza accesso pubblico a Internet)
Se hai creato o utilizzi un dominio personalizzato, segui tutte le fasi dello Scenario 2, quindi completa queste fasi aggiuntive:
1. Assicurati che le sottoreti VPC siano private:
1. Verifica che la tabella di routing per le sottoreti non abbia una mappatura delle voci `0.0.0.0/0` a un gateway Internet.
1. Aggiungi le autorizzazioni per la creazione di interfacce di rete:
1. Quando si utilizza SageMaker Canvas con EMR Serverless per l'elaborazione di dati su larga scala, EMR Serverless richiede la possibilità di creare Amazon EC2 per ENIs abilitare la comunicazione di rete tra le applicazioni EMR Serverless e le risorse VPC.
1. Aggiungi la seguente policy al tuo ruolo di esecuzione di Amazon SageMaker AI. Per farlo, puoi aggiungerla come nuova policy inline oppure puoi aggiungere l’istruzione di policy a una policy esistente. Tieni presente che a un ruolo IAM può essere collegato al massimo a dieci policy.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowEC2ENICreation",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:network-interface/*"
],
"Condition": {
"StringEquals": {
"aws:CalledViaLast": "ops.emr-serverless.amazonaws.com"
}
}
}
]
}
```
------
1. (Facoltativo) Limita la creazione di ENI a sottoreti specifiche:
1. Per proteggere ulteriormente la tua configurazione limitando la creazione di determinate sottoreti ENIs all'interno del tuo VPC, puoi etichettare ogni sottorete con condizioni specifiche.
1. Utilizza la seguente policy IAM per garantire che le applicazioni EMR Serverless possano creare Amazon EC2 solo ENIs all'interno delle sottoreti e dei gruppi di sicurezza consentiti:
```
{
"Sid": "AllowEC2ENICreationInSubnetAndSecurityGroupWithEMRTags",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:subnet/*",
"arn:aws:ec2:*:*:security-group/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/KEY": "VALUE"
}
}
}
```
1. Segui i passaggi indicati nella pagina [Configura Amazon SageMaker Canvas in un VPC senza accesso a Internet](canvas-vpc.md) per impostare l'endpoint VPC per Amazon S3, richiesto da EMR Serverless e da altri servizi utilizzati da Canvas. AWS SageMaker
1. Salva le modifiche e riavvia l'applicazione Canvas. SageMaker
Seguendo questi passaggi, puoi abilitare l'elaborazione di dati di grandi dimensioni in SageMaker Canvas per varie configurazioni di dominio, incluse quelle con configurazioni VPC personalizzate. Ricordati di riavviare l'applicazione SageMaker Canvas dopo aver apportato queste modifiche per applicare le nuove autorizzazioni.
# Crittografa i tuoi dati SageMaker Canvas con AWS KMS
Potresti avere dati che desideri crittografare durante l'utilizzo di Amazon SageMaker Canvas, come le informazioni private della tua azienda o i dati dei clienti. SageMaker Canvas utilizza AWS Key Management Service per proteggere i tuoi dati. AWS KMS è un servizio che puoi utilizzare per creare e gestire chiavi crittografiche per la crittografia dei dati. Per ulteriori informazioni [AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/overview.html)in merito AWS KMS, consulta la Guida per gli *AWS KMS sviluppatori*.
Amazon SageMaker Canvas offre diverse opzioni per crittografare i dati. SageMaker Canvas fornisce la crittografia predefinita all'interno dell'applicazione per attività come la creazione di un modello e la generazione di approfondimenti. Puoi anche scegliere di crittografare i dati archiviati in Amazon S3 per proteggere i tuoi dati a riposo. SageMaker Canvas supporta l'importazione di set di dati crittografati, in modo da poter stabilire un flusso di lavoro crittografato. Le sezioni seguenti descrivono come utilizzare la AWS KMS crittografia per proteggere i dati durante la creazione di modelli con SageMaker Canvas.
## Crittografa i tuoi dati in Canvas SageMaker
Con SageMaker Canvas, puoi utilizzare due diverse chiavi di AWS KMS crittografia per crittografare i tuoi dati in SageMaker Canvas, che puoi specificare quando [configuri il dominio utilizzando la configurazione](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html) standard del dominio. Queste chiavi sono specificate nella procedura seguente di configurazione del dominio:
+ **Fase 3. Configura le applicazioni (facoltativo)**: quando configuri la sezione **Configurazione di archiviazione Canvas**, puoi specificare una **chiave di crittografia**. Questa è una chiave KMS che SageMaker Canvas utilizza per l'archiviazione a lungo termine di oggetti del modello e set di dati, che vengono archiviati nel bucket Amazon S3 fornito per il tuo dominio. Se crei un'applicazione Canvas con l'[CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API, usa il `S3KMSKeyId` campo per specificare questa chiave.
+ **Fase 6: Configurazione dello storage**: SageMaker Canvas utilizza una chiave per crittografare lo spazio privato di Amazon SageMaker Studio creato per l'applicazione Canvas, che include lo storage temporaneo delle applicazioni, le visualizzazioni e i processi di calcolo (come la creazione di modelli). Puoi utilizzare la chiave AWS gestita predefinita o specificarne una personalizzata. Se si specifica la AWS KMS chiave, i dati memorizzati nella `/home/sagemaker-user` directory vengono crittografati con la chiave. Se non specifichi alcuna AWS KMS chiave, i dati all'interno `/home/sagemaker-user` vengono crittografati con una chiave AWS gestita. Indipendentemente dal fatto che venga specificata una AWS KMS chiave, tutti i dati al di fuori della directory di lavoro vengono crittografati con una chiave AWS gestita. Per ulteriori informazioni sullo spazio di Studio e sull’archiviazione dell’applicazione Canvas, consulta [Archivia i dati delle applicazioni SageMaker Canvas nel tuo spazio AI SageMaker](canvas-spaces-setup.md). Se crei un'applicazione Canvas con l'[CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API, usa il `KmsKeyID` campo per specificare questa chiave.
Le chiavi precedenti possono essere le stesse chiavi KMS o chiavi diverse.
### Prerequisiti
Per utilizzare la tua chiave KMS per uno degli scopi descritti in precedenza, devi innanzitutto concedere al ruolo IAM dell'utente l'autorizzazione a utilizzare la chiave. Quindi, puoi specificare la chiave KMS durante la configurazione del dominio.
Il modo più semplice per concedere al tuo ruolo il permesso di utilizzare la chiave è modificare la policy della chiave. Utilizza la procedura seguente per concedere al tuo ruolo le autorizzazioni necessarie.
1. Apri la [AWS KMS console](https://console.aws.amazon.com/kms/).
1. Nella sezione **Policy della chiave**, scegli **Passa alla visualizzazione della policy**.
1. Modifica la policy della chiave per concedere le autorizzazioni `kms:GenerateDataKey` e le azioni `kms:Decrypt` al ruolo IAM. Inoltre, se stai modificando la policy della chiave che crittografa l’archiviazione dell’applicazione Canvas nello spazio di Studio, esegui l’azione `kms:CreateGrant`. Puoi aggiungere un'istruzione simile alla seguente:
```
{
"Sid": "ExampleStmt",
"Action": [
"kms:CreateGrant", #this permission is only required for the key that encrypts your SageMaker Canvas application storage
"kms:Decrypt",
"kms:GenerateDataKey"
],
"Effect": "Allow",
"Principal": {
"AWS": ""
},
"Resource": "*"
}
```
1. Scegli **Save changes** (Salva modifiche).
Il metodo meno consigliato consiste nel modificare il ruolo IAM dell'utente per concedere all'utente le autorizzazioni per utilizzare o gestire la chiave KMS. Se utilizzi questo metodo, la policy della chiave KMS deve consentire anche la gestione degli accessi tramite IAM. Per sapere come concedere l'autorizzazione a una chiave KMS tramite il ruolo IAM dell'utente, consulta [Specifying KMS keys in IAM policy statements](https://docs.aws.amazon.com/kms/latest/developerguide/cmks-in-iam-policies.html) in *AWS KMS Guida per gli sviluppatori*.
### Crittografa i tuoi dati nell'applicazione SageMaker Canvas
La prima chiave KMS che puoi utilizzare in SageMaker Canvas viene utilizzata per crittografare i dati delle applicazioni archiviati nei volumi Amazon Elastic Block Store (Amazon EBS) e nell'Amazon Elastic File System SageMaker creato dall'intelligenza artificiale nel tuo dominio. SageMaker Canvas crittografa i dati con questa chiave nell'applicazione sottostante e nei sistemi di storage temporanei creati quando si utilizzano istanze di calcolo per creare modelli e generare approfondimenti. SageMaker Canvas passa la chiave ad altri AWS servizi, come Autopilot, ogni volta che SageMaker Canvas avvia dei lavori con loro per elaborare i dati.
Puoi specificare questa chiave impostando `KmsKeyID` nella chiamata API `CreateDomain` o durante la configurazione del dominio standard nella console. Se non specifichi la tua chiave KMS, SageMaker AI utilizza una chiave KMS AWS gestita predefinita per crittografare i dati nell'applicazione Canvas. SageMaker
Per specificare la tua chiave KMS da utilizzare nell'applicazione SageMaker Canvas tramite la console, configura prima il tuo dominio Amazon SageMaker AI utilizzando la **configurazione Standard**. Utilizza la procedura seguente per completare la **sezione Rete e archiviazione** del dominio.
1. Compila le impostazioni del VPC Amazon desiderate.
1. In **Chiave di crittografia**, scegli **Inserisci l’ARN della chiave KMS**.
1. In **ARN KMS**, inserisci l'ARN per la tua chiave KMS, che dovrebbe avere un formato simile al seguente: `arn:aws:kms:example-region-1:123456789098:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
### Crittografa i tuoi dati SageMaker Canvas salvati in Amazon S3
La seconda chiave KMS che puoi specificare viene utilizzata per i dati che SageMaker Canvas archivia su Amazon S3. Questa chiave KMS viene specificata nel `S3KMSKeyId` campo della chiamata `CreateDomain` API o durante la configurazione standard del dominio nella SageMaker console AI. SageMaker Canvas salva i duplicati dei set di dati di input, dei dati di applicazioni e modelli e invia i dati nel bucket SageMaker AI S3 predefinito della regione per il tuo account. Lo schema di denominazione per questo bucket è`s3://sagemaker-{Region}-{your-account-id}`, e SageMaker Canvas memorizza i dati nella cartella. `Canvas/`
1. Attiva **Abilita la condivisione delle risorse notebook**.
1. In **Percorso S3 per le risorse notebook condivisibili**, mantieni il percorso Amazon S3 predefinito. Tieni presente che SageMaker Canvas non utilizza questo percorso Amazon S3; questo percorso Amazon S3 viene utilizzato per i notebook Studio Classic.
1. In **Chiave di crittografia**, scegli **Inserisci l’ARN della chiave KMS**.
1. In **ARN KMS**, inserisci l'ARN per la tua chiave KMS, che dovrebbe avere un formato simile al seguente: `arn:aws:kms:us-east-1:111122223333:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
## Importazione di set di dati crittografati da Amazon S3
I tuoi utenti potrebbero avere set di dati crittografati con una chiave KMS. Sebbene la sezione precedente mostri come crittografare i dati in SageMaker Canvas e i dati archiviati su Amazon S3, devi concedere al ruolo IAM dell'utente autorizzazioni aggiuntive se desideri importare dati da Amazon S3 che sono già crittografati con. AWS KMS
Per concedere ai tuoi utenti le autorizzazioni per importare set di dati crittografati da Amazon S3 SageMaker in Canvas, aggiungi le seguenti autorizzazioni al ruolo di esecuzione IAM che hai utilizzato per il profilo utente.
```
"kms:Decrypt",
"kms:GenerateDataKey"
```
Per sapere come modificare le autorizzazioni IAM per un ruolo, consulta la pagina [Adding and removing IAM identity permissions](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) in *Guida per l'utente IAM*. Per ulteriori informazioni sulle chiavi KMS, consulta [Policy della chiave AWS Key Management Service](https://docs.aws.amazon.com//kms/latest/developerguide/key-policies.html) in *AWS KMS Guida per gli sviluppatori*.
## FAQs
Consulta le seguenti domande frequenti per le risposte alle domande più frequenti sul supporto di Canvas. SageMaker AWS KMS
### D: SageMaker Canvas conserva la mia chiave KMS?
R: No. SageMaker Canvas può temporaneamente memorizzare nella cache la chiave o trasmetterla ad altri AWS servizi (come Autopilot), ma SageMaker Canvas non conserva la chiave KMS.
### D. Ho specificato una chiave KMS durante la configurazione del mio dominio. Perché il mio set di dati non è stato importato in Canvas? SageMaker
R: Il ruolo IAM dell'utente potrebbe non disporre delle autorizzazioni per utilizzare quella chiave KMS. Per concedere le autorizzazioni utente, consulta [Prerequisiti](#canvas-kms-app-data-prereqs). Un altro possibile errore si verifica quando si ha una policy di bucket Amazon S3 che richiede l’utilizzo di una chiave KMS specifica che non corrisponde alla chiave KMS specificata nel dominio. Assicurati di specificare la stessa chiave KMS per il bucket Amazon S3 e il dominio.
### D: Come posso trovare il bucket SageMaker AI Amazon S3 predefinito della regione per il mio account?
R: Il bucket Amazon S3 predefinito segue lo schema di denominazione `s3://sagemaker-{Region}-{your-account-id}`. La `Canvas/` cartella in questo bucket memorizza i dati dell'applicazione SageMaker Canvas.
### D: Posso modificare il bucket SageMaker AI Amazon S3 predefinito utilizzato per SageMaker archiviare i dati Canvas?
R: No, l' SageMaker intelligenza artificiale crea questo bucket per te.
### D: Cosa memorizza SageMaker Canvas nel bucket SageMaker AI predefinito di Amazon S3?
R: SageMaker Canvas utilizza il bucket SageMaker AI Amazon S3 predefinito per archiviare duplicati dei set di dati di input, degli artefatti del modello e degli output del modello.
### D: Quali casi d'uso sono supportati per l'utilizzo delle chiavi KMS con Canvas? SageMaker
R: Con SageMaker Canvas, puoi utilizzare le tue chiavi di crittografia AWS KMS per creare modelli di regressione, classificazione binaria e multiclasse e modelli di previsione delle serie temporali, nonché per l'inferenza in batch con il tuo modello.
# Archivia i dati delle applicazioni SageMaker Canvas nel tuo spazio AI SageMaker
I dati dell'applicazione Amazon SageMaker Canvas, come i set di dati importati e gli artefatti del modello, vengono archiviati in uno spazio privato di *Amazon SageMaker Studio*. Lo spazio è costituito da un volume di archiviazione per i dati dell’applicazione con 100 GB di spazio di archiviazione per profilo utente, dal tipo di spazio (in questo caso, un’applicazione Canvas) e dall’immagine per il container dell’applicazione. Quando configuri Canvas e avvii l'applicazione per la prima volta, l' SageMaker intelligenza artificiale crea uno spazio privato predefinito assegnato al tuo profilo utente e memorizza i tuoi dati Canvas. Non è necessario eseguire alcuna configurazione aggiuntiva per configurare lo spazio perché l' SageMaker IA crea automaticamente lo spazio per tuo conto. Tuttavia, se non desideri utilizzare lo spazio predefinito, puoi specificare uno spazio creato da te. Questa opzione può essere utile se desideri isolare i tuoi dati. La pagina seguente spiega come creare e configurare il tuo spazio Studio per l’archiviazione dei dati dell’applicazione Canvas.
**Nota**
Puoi configurare uno spazio Studio personalizzato solo per nuove applicazioni Canvas. Non puoi modificare la configurazione dello spazio per le applicazioni Canvas esistenti.
## Prima di iniziare
Il tuo dominio o profilo utente Amazon SageMaker AI deve avere almeno 100 GB di spazio di archiviazione per creare e utilizzare l'applicazione SageMaker Canvas.
Se hai creato il dominio tramite la console SageMaker AI, per impostazione predefinita viene fornito spazio di archiviazione sufficiente e non è necessario intraprendere alcuna azione aggiuntiva. Se hai creato il dominio o il profilo utente con [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)o [ CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) APIs, assicurati di impostare il `MaximumEbsVolumeSizeInGb` valore su almeno 100 GB. Per impostare un valore di archiviazione maggiore, puoi creare un nuovo dominio o profilo utente oppure aggiornare un dominio o un profilo utente esistente utilizzando [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)o [ UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html) APIs.
## Creazione di un nuovo spazio
Prima di tutto, crea un nuovo spazio Studio configurato per archiviare i dati dell’applicazione Canvas. Questo è lo spazio che specifichi durante la creazione di una nuova applicazione Canvas nella fase successiva.
Per creare uno spazio, puoi usare AWS SDK per Python (Boto3) o il AWS CLI.
------
#### [ SDK for Python (Boto3) ]
L'esempio seguente mostra come utilizzare il AWS SDK per Python (Boto3) `create_space` metodo per creare uno spazio utilizzabile per le applicazioni Canvas. Assicurati di specificare questi parametri:
+ `DomainId`: Specificate l'ID per il vostro dominio SageMaker AI. Per trovare il tuo ID, puoi accedere alla console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e individuare il tuo dominio nella sezione **Domini**.
+ `SpaceName`: specifica un nome per il nuovo spazio.
+ `EbsVolumeSizeinGb`: specifica la dimensione del volume di archiviazione per il tuo spazio (in GB). Il valore minimo è `5` e il valore massimo è `16384`.
+ `SharingType`: specifica questo campo come `Private`. Per ulteriori informazioni, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md).
+ `OwnerUserProfileName`: specifica il nome del profilo utente. Per trovare i nomi dei profili utente associati a un dominio, puoi andare alla console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e individuare il tuo dominio nella sezione **Domini**. Nelle impostazioni del dominio, puoi visualizzare i profili utente.
+ `AppType`: specifica questo campo come `Canvas`.
```
response = client.create_space(
DomainId='',
SpaceName='',
SpaceSettings={
'AppType': 'Canvas',
'SpaceStorageSettings': {
'EbsStorageSettings': {
'EbsVolumeSizeInGb':
}
},
},
OwnershipSettings={
'OwnerUserProfileName': ''
},
SpaceSharingSettings={
'SharingType': 'Private'
}
)
```
------
#### [ AWS CLI ]
L'esempio seguente mostra come utilizzare il AWS CLI `create-space` metodo per creare uno spazio utilizzabile per le applicazioni Canvas. Assicurati di specificare questi parametri:
+ `domain-id`: specifica l’ID per il tuo dominio. Per trovare il tuo ID, puoi accedere alla console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e individuare il tuo dominio nella sezione **Domini**.
+ `space-name`: specifica un nome per il nuovo spazio.
+ `EbsVolumeSizeinGb`: specifica la dimensione del volume di archiviazione per il tuo spazio (in GB). Il valore minimo è `5` e il valore massimo è `16384`.
+ `SharingType`: specifica questo campo come `Private`. Per ulteriori informazioni, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md).
+ `OwnerUserProfileName`: specifica il nome del profilo utente. Per trovare i nomi dei profili utente associati a un dominio, puoi andare alla console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)e individuare il tuo dominio nella sezione **Domini**. Nelle impostazioni del dominio, puoi visualizzare i profili utente.
+ `AppType`: specifica questo campo come `Canvas`.
```
create-space
--domain-id
--space-name
--space-settings '{
"AppType": "Canvas",
"SpaceStorageSettings": {
"EbsStorageSettings": {"EbsVolumeSizeInGb": }
},
}'
--ownership-settings '{"OwnerUserProfileName": ""}'
--space-sharing-settings '{"SharingType": "Private"}'
```
------
A questo punto, dovresti avere uno spazio. Annota il nome del tuo spazio per la fase successiva.
## Creazione di una nuova applicazione Canvas
Dopo aver creato uno spazio, crea una nuova applicazione Canvas che specifichi lo spazio come posizione di archiviazione.
Per creare una nuova applicazione Canvas, puoi usare AWS SDK per Python (Boto3) o il AWS CLI.
**Importante**
È necessario utilizzare AWS SDK per Python (Boto3) o AWS CLI per creare l'applicazione Canvas. La specificazione di uno spazio personalizzato durante la creazione di applicazioni Canvas tramite la console SageMaker AI non è supportata.
------
#### [ SDK for Python (Boto3) ]
L'esempio seguente mostra come utilizzare il AWS SDK per Python (Boto3) `create_app` metodo per creare una nuova applicazione Canvas. Assicurati di specificare questi parametri:
+ `DomainId`: Specificate l'ID per il vostro dominio SageMaker AI.
+ `SpaceName`: specifica il nome dello spazio creato nella fase precedente.
+ `AppType`: specifica questo campo come `Canvas`.
+ `AppName`: specifica `default` come nome dell’app.
```
response = client.create_app(
DomainId='',
SpaceName='',
AppType='Canvas',
AppName='default'
)
```
------
#### [ AWS CLI ]
L'esempio seguente mostra come utilizzare il AWS CLI `create-app` metodo per creare una nuova applicazione Canvas. Assicurati di specificare questi parametri:
+ `DomainId`: Specificate l'ID per il vostro dominio SageMaker AI.
+ `SpaceName`: specifica il nome dello spazio creato nella fase precedente.
+ `AppType`: specifica questo campo come `Canvas`.
+ `AppName`: specifica `default` come nome dell’app.
```
create-app
--domain-id
--space-name
--app-type Canvas
--app-name default
```
------
A questo punto, dovresti avere una nuova applicazione Canvas che utilizza uno spazio Studio personalizzato come posizione di archiviazione per i dati dell’applicazione.
**Importante**
Ogni volta che elimini l’applicazione Canvas (o ti disconnetti) e devi ricrearla, devi inserire lo spazio nel campo `SpaceName` per assicurarti che Canvas lo utilizzi.
Lo spazio è collegato al profilo utente specificato nella configurazione dello spazio. Puoi eliminare l’applicazione Canvas senza eliminare lo spazio per conservare i dati archiviati nello spazio. I dati archiviati nello spazio vengono eliminati solo se elimini il profilo utente o direttamente lo spazio.
# Concedi ai tuoi utenti le autorizzazioni per creare modelli di previsione di immagini e testo personalizzati
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
In Amazon SageMaker Canvas, puoi creare [modelli personalizzati](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) per soddisfare le tue esigenze aziendali specifiche. Due di questi tipi di modelli personalizzati sono la previsione di immagini a etichetta singola e la previsione di testo multicategoria. Le autorizzazioni per creare questi tipi di modelli sono incluse nella policy AWS Identity and Access Management (IAM) denominata [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess), che SageMaker AI associa per impostazione predefinita al ruolo di esecuzione IAM dell'utente se lasci attivate [le autorizzazioni di base Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). Tuttavia, se utilizzi una configurazione IAM personalizzata, devi aggiungere esplicitamente le autorizzazioni al ruolo di esecuzione IAM dell’utente per consentire la creazione di tipi di modelli di previsione di immagini e testo personalizzati. Per concedere le autorizzazioni necessarie per creare modelli di previsione di immagini e testo, leggi la sezione seguente per scoprire come collegare una policy di autorizzazioni minime al tuo ruolo.
Per aggiungere le autorizzazioni al ruolo IAM dell'utente, procedi come segue:
1. Vai alla [console IAM](https://console.aws.amazon.com/iamv2).
1. Scegli **Ruoli**.
1. Nella casella di ricerca, cerca il ruolo IAM dell'utente per nome, quindi selezionalo.
1. Nella pagina del ruolo dell'utente, in **Autorizzazioni**, scegli **Aggiungi autorizzazioni**.
1. Scegli **Crea policy inline**.
1. Seleziona la scheda JSON e incolla la seguente policy di autorizzazioni minime nell'editor.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateAutoMLJobV2",
"sagemaker:DescribeAutoMLJobV2"
],
"Resource": "*"
}
]
}
```
------
1. Scegli **Esamina la policy**.
1. Inserisci un **Nome** per la policy.
1. Scegli **Crea policy**.
*Per ulteriori informazioni sulle policy AWS gestite, consulta [Managed policies e inline policies](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) nella IAM User Guide.*
# Concessione di autorizzazioni agli utenti per utilizzare le funzionalità di Amazon Bedrock e di IA generativa in Canvas
Le funzionalità di intelligenza artificiale generativa di Amazon SageMaker Canvas si basano sui modelli di base di Amazon Bedrock, che sono modelli linguistici di grandi dimensioni (LLMs) che hanno la capacità di comprendere e generare testo simile a quello umano. Questa pagina descrive come concedere le autorizzazioni necessarie per le seguenti funzionalità di Canvas: SageMaker
+ [Chatta e confronta i modelli Amazon Bedrock](canvas-fm-chat.md): accedi e avvia chat conversazionali con i modelli Amazon Bedrock tramite Canvas. SageMaker
+ [Utilizza la funzionalità Chat per la preparazione dei dati in Data Wrangler](canvas-chat-for-data-prep.md): utilizza il linguaggio naturale per esplorare, visualizzare e trasformare i tuoi dati. Questa funzionalità si basa su Anthropic Claude 2.
+ [Esegui il fine-tuning dei modelli di fondazione di Amazon Bedrock](canvas-fm-chat-fine-tune.md): esegui il fine-tuning di un modello di fondazione Amazon Bedrock utilizzando i tuoi dati per ricevere risposte personalizzate.
Per utilizzare queste funzionalità, devi richiedere prima di tutto l’accesso al modello Amazon Bedrock specifico che desideri utilizzare. Quindi, aggiungi le autorizzazioni AWS IAM necessarie e una relazione di fiducia con Amazon Bedrock al ruolo di esecuzione dell'utente. Per concedere le autorizzazioni al ruolo, puoi scegliere uno dei metodi seguenti:
+ Crea un nuovo dominio o profilo utente Amazon SageMaker AI e attiva le autorizzazioni Amazon Bedrock. Per ulteriori informazioni, consulta [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md).
+ Modifica le impostazioni per un dominio o un profilo utente Amazon SageMaker AI esistente.
+ Aggiungi manualmente le autorizzazioni e una relazione di attendibilità al ruolo IAM di un dominio o di un utente.
## Fase 1. Aggiungi l’accesso ai modelli Amazon Bedrock
L'accesso ai modelli Amazon Bedrock non è concesso per impostazione predefinita, quindi devi accedere alla console Amazon Bedrock per richiedere l'accesso ai modelli per il tuo AWS account.
Per informazioni su come richiedere l’accesso a un modello Amazon Bedrock specifico, segui la procedura **Add model access** nella pagina [Manage access to Amazon Bedrock foundation models](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html) in *Amazon Bedrock User Guide*.
## Fase 2. Concedi le autorizzazioni al ruolo IAM dell’utente
Quando configuri il tuo dominio o profilo utente Amazon SageMaker AI, al ruolo di esecuzione IAM dell'utente deve essere associata la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)policy, nonché una relazione di fiducia con Amazon Bedrock, in modo che l'utente possa accedere ai modelli Amazon Bedrock da SageMaker Canvas.
Puoi modificare le impostazioni del dominio e creare un nuovo ruolo di esecuzione (a cui SageMaker AI assegna le autorizzazioni necessarie) o specificare un ruolo esistente.
In alternativa, puoi modificare manualmente le autorizzazioni per un ruolo IAM esistente tramite la console IAM.
Entrambi i metodi vengono descritti nelle sezioni seguenti.
### Concessione delle autorizzazioni tramite le impostazioni del dominio
Puoi modificare le impostazioni del dominio o del profilo utente per attivare l'impostazione di **configurazione dei Ready-to-use modelli Canvas** e specificare un ruolo Amazon Bedrock.
Per modificare le impostazioni del dominio e concedere l’accesso ai modelli Amazon Bedrock per gli utenti Canvas del dominio, procedi come descritto di seguito:
1. Vai alla console SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Domains** (Domini).
1. Dall’elenco di domini, scegli il tuo dominio.
1. Scegli la scheda **Configurazioni app**.
1. Nella sezione **Canvas**, scegli **Modifica**.
1. Viene visualizzata la pagina **Modifica le impostazioni di Canvas**. Per la sezione di **configurazione Ready-to-use dei modelli Canvas**, procedi come segue:
1. Attiva l'**opzione Abilita Ready-to-use i modelli Canvas**.
1. Per il **ruolo Amazon Bedrock**, seleziona **Crea e usa un nuovo ruolo di esecuzione** per creare un nuovo ruolo di esecuzione IAM con la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)policy allegata e una relazione di trust con Amazon Bedrock. Questo ruolo IAM viene assunto da Amazon Bedrock quando accedi ai modelli Amazon Bedrock, utilizzi la chat per la funzionalità di preparazione dei dati o esegui il fine-tuning dei modelli Amazon Bedrock in Canvas. Se disponi già di un ruolo di esecuzione con una relazione di attendibilità, seleziona **Utilizza un ruolo di esecuzione esistente** e scegli il tuo ruolo dall’elenco a discesa.
1. Scegli **Invia** per salvare le modifiche.
I tuoi utenti dovrebbero ora disporre delle autorizzazioni necessarie per accedere ai modelli Amazon Bedrock, utilizzare la funzionalità di chat per la preparazione dei dati e eseguire il fine-tuning dei modelli Amazon Bedrock in Canvas.
Puoi utilizzare la stessa procedura descritta sopra per modificare le impostazioni di un singolo utente, accedendo però al profilo di tale utente dalla pagina del dominio e modificando le impostazioni utente. Le autorizzazioni concesse a un singolo utente non si applicano agli altri utenti del dominio, mentre le autorizzazioni concesse tramite le impostazioni del dominio si applicano a tutti i profili utente del dominio.
Per istruzioni su come modificare le impostazioni del dominio, consulta [Visualizzazione e modifica dei domini](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view-edit.html).
### Concessione manuale delle autorizzazioni tramite IAM
Puoi concedere manualmente agli utenti le autorizzazioni per accedere ed eseguire il fine-tuning dei modelli Amazon Bedrock in Canvas, aggiungendo le autorizzazioni al ruolo IAM specificato per il dominio o il profilo utente. Il ruolo IAM deve avere la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)policy allegata e un rapporto di fiducia con Amazon Bedrock.
La sezione seguente mostra come collegare la policy al tuo ruolo IAM e creare una relazione di attendibilità con Amazon Bedrock.
Innanzitutto, prendi nota del ruolo IAM del tuo dominio o profilo utente. Tieni presente che le autorizzazioni concesse a un singolo utente non si applicano agli altri utenti del dominio, mentre le autorizzazioni concesse tramite il dominio si applicano a tutti i profili utente del dominio.
Per configurare il ruolo IAM e concedere le autorizzazioni per eseguire il fine-tuning dei modelli di fondazione in Canvas, procedi come descritto di seguito:
1. Vai alla console IAM all'indirizzo [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Nel pannello di navigazione a sinistra, seleziona **Ruoli**.
1. Cerca il ruolo IAM dell'utente per nome dall'elenco dei ruoli e selezionalo.
1. Nella scheda **Permissions (Autorizzazioni)**, scegliere **Add permissions (Aggiungi autorizzazioni)**. Dal menu a discesa scegli **Collega policy**.
1. Cerca la policy `AmazonSageMakerCanvasBedrockAccess` e selezionala.
1. Scegli **Aggiungi autorizzazioni**.
1. Nella pagina del ruolo IAM, scegli la scheda **Relazioni di attendibilità**.
1. Seleziona **Modifica policy di attendibilità**.
1. Nell’editor delle policy, trova l’opzione **Aggiungi un principale** nel pannello di destra e scegli **Aggiungi**.
1. Nella finestra di dialogo, in **Tipo principale**, seleziona **Servizi AWS **.
1. In **ARN**, inserisci **bedrock.amazonaws.com**.
1. Seleziona **Aggiungi principale**.
1. Scegli **Aggiorna policy**.
Ora dovresti avere un ruolo IAM con la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)policy allegata e un rapporto di fiducia con Amazon Bedrock. Per informazioni sulle policy AWS gestite, consulta [Managed policies e inline policies](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) nella *IAM User Guide*.
# Aggiorna SageMaker Canvas per i tuoi utenti
Puoi eseguire l'aggiornamento alla versione più recente di Amazon SageMaker Canvas come utente o amministratore IT. Puoi aggiornare Amazon SageMaker Canvas per un singolo utente alla volta.
Per aggiornare l'applicazione Amazon SageMaker Canvas, devi eliminare la versione precedente.
**Importante**
L'eliminazione della versione precedente di Amazon SageMaker Canvas non elimina i dati o i modelli creati dagli utenti.
Utilizza la seguente procedura per accedere AWS, aprire il dominio Amazon SageMaker AI e aggiornare Amazon SageMaker Canvas. Gli utenti possono iniziare a utilizzare l'applicazione SageMaker Canvas quando effettuano nuovamente l'accesso.
1. Accedi alla console Amazon SageMaker AI su [Amazon SageMaker Runtime](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Nella pagina **Domini**, scegli il tuo dominio.
1. Dall'elenco **Profili utente**, scegli un profilo utente.
1. Per l'elenco delle **App**, trova l'applicazione Canvas (il **tipo di app** indica **Canvas**) e scegli **Elimina app**.
1. Completa la finestra di dialogo e scegli **Conferma azione**.
L'immagine seguente mostra la pagina del profilo utente ed evidenzia l'azione **Elimina app** della procedura precedente.
![\[Screenshot della pagina del profilo utente con l’azione Elimina app evidenziata.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-update-app-1.png)
# Richiedi un aumento delle quote.
I tuoi utenti potrebbero utilizzare AWS le risorse in quantità superiori a quelle specificate dalle loro quote. Se i tuoi utenti hanno risorse limitate e riscontrano errori in SageMaker Canvas, puoi richiedere un aumento della quota per loro.
[Per maggiori dettagli sulle quote SageMaker AI e su come richiedere un aumento delle quote, consulta Quote.](https://docs.aws.amazon.com/sagemaker/latest/dg/regions-quotas.html#regions-quotas-quotas)
Amazon SageMaker Canvas utilizza i seguenti servizi per elaborare le richieste dei tuoi utenti:
+ Amazon SageMaker Autopilot
+ Dominio Amazon SageMaker Studio Classic
Per un elenco delle quote disponibili per le operazioni SageMaker Canvas, consulta [Endpoint e quote Amazon SageMaker AI](https://docs.aws.amazon.com//general/latest/gr/sagemaker.html).
## Richiedi un aumento affinché le istanze possano creare modelli personalizzati
Quando crei un modello personalizzato, se durante l'analisi successiva alla creazione riscontri un errore che riferisce la necessità di aumentare la quota per le istanze `ml.m5.2xlarge`, utilizza le seguenti informazioni per risolvere il problema.
Devi aumentare la quota di endpoint di SageMaker AI Hosting per il tipo di `ml.m5.2xlarge` istanza portandola a un valore diverso da zero nel tuo account. AWS Dopo aver creato un modello, SageMaker Canvas ospita il modello su un endpoint di hosting SageMaker AI e utilizza l'endpoint per generare l'analisi successiva alla creazione. Se non aumenti la quota predefinita dell'account di 0 per `ml.m5.2xlarge` le istanze, SageMaker Canvas non può completare questo passaggio e genera un errore durante l'analisi successiva alla creazione.
Per la procedura di aumento della quota, consulta [Requesting a quota increase](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) in *Service Quotas User Guide*.
# Concedere agli utenti le autorizzazioni per importare dati Amazon Redshift
I tuoi utenti potrebbero avere set di dati archiviati in Amazon Redshift. Prima che gli utenti possano importare dati da Amazon Redshift in SageMaker Canvas, devi aggiungere la policy `AmazonRedshiftFullAccess` gestita al ruolo di esecuzione IAM che hai utilizzato per il profilo utente e aggiungere Amazon Redshift come service principal alla policy di fiducia del ruolo. Inoltre, devi associare il ruolo di esecuzione IAM al tuo cluster Amazon Redshift. Completa le procedure descritte nelle seguenti sezioni per concedere ai tuoi utenti le autorizzazioni necessarie per importare dati Amazon Redshift.
## Aggiungi le autorizzazioni di Amazon Redshift al tuo ruolo IAM
Devi concedere le autorizzazioni di Amazon Redshift al ruolo IAM specificato nel tuo profilo utente.
Per aggiungere la policy `AmazonRedshiftFullAccess` al ruolo IAM dell'utente, procedi come segue.
1. Accedi alla console IAM all'indirizzo. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Scegli **Ruoli**.
1. Nella casella di ricerca, cerca il ruolo IAM dell'utente per nome, quindi selezionalo.
1. Nella pagina del ruolo dell'utente, in **Autorizzazioni**, scegli **Aggiungi autorizzazioni**.
1. Scegli **Collega policy**.
1. Cerca la policy gestita `AmazonRedshiftFullAccess` e selezionala.
1. Scegli **Collega policy** per collegare la policy al ruolo.
Dopo aver collegato la policy, la sezione **Autorizzazioni** del ruolo dovrebbe includere `AmazonRedshiftFullAccess`.
Per aggiungere Amazon Redshift come principale del servizio al ruolo IAM, procedi come segue.
1. Nella stessa pagina del ruolo IAM, in **Relazioni di attendibilità**, scegli **Modifica policy di attendibilità**.
1. Nell'editor **Modifica policy di attendibilità**, aggiorna la policy di attendibilità per aggiungere Amazon Redshift come principale del servizio. Un ruolo IAM che permette ad Amazon Redshift di accedere ad altri servizi AWS per tuo conto ha una relazione di attendibilità come illustrato di seguito:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "redshift.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
1. Dopo aver modificato la policy di attendibilità, scegli **Aggiorna policy**.
Ora dovresti avere un ruolo IAM a cui è `AmazonRedshiftFullAccess` associata la policy e una relazione di fiducia stabilita con Amazon Redshift, che consenta agli utenti di importare i dati di Amazon Redshift in Canvas. SageMaker Per ulteriori informazioni sulle politiche AWS gestite, consulta le politiche [gestite e le politiche in linea](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) nella Guida per l'utente *IAM*.
## Associazione del ruolo IAM al proprio cluster Amazon Redshift
Nelle impostazioni del tuo cluster Amazon Redshift, devi associare il ruolo IAM a cui hai concesso le autorizzazioni nella sezione precedente.
Per associare un ruolo IAM al tuo cluster, procedi come segue.
1. Accedi alla console Amazon Redshift all'indirizzo. [https://console.aws.amazon.com/redshiftv2/](https://console.aws.amazon.com/redshiftv2/)
1. Dal menu di navigazione scegli **Cluster**, quindi scegli il cluster che desideri aggiornare.
1. Nel menu a discesa **Azioni**, scegli **Gestisci ruoli IAM**. Viene visualizzata la pagina **Autorizzazioni del cluster**.
1. In **Ruoli IAM disponibili**, inserisci l'ARN o il nome del ruolo IAM, oppure scegli il ruolo IAM dall'elenco.
1. Quindi scegli **Associa ruolo IAM** per aggiungerlo all'elenco dei **Ruoli IAM associati**.
1. Scegli **Salva le modifiche** per associare il ruolo IAM al cluster.
Amazon Redshift modifica il cluster per completare la modifica e il ruolo IAM a cui in precedenza hai concesso le autorizzazioni Amazon Redshift è ora associato al tuo cluster Amazon Redshift. I tuoi utenti ora dispongono delle autorizzazioni necessarie per importare i dati SageMaker di Amazon Redshift in Canvas.
# Concedi ai tuoi utenti le autorizzazioni per inviare previsioni a Quick
Devi concedere agli utenti SageMaker Canvas le autorizzazioni per inviare previsioni in batch a Quick. In Quick, gli utenti possono creare analisi e report con un set di dati e preparare dashboard per condividere i risultati. Per ulteriori informazioni sull'invio della previsione a QuickSight fini di analisi, consulta. [Invia previsioni a Quick](canvas-send-predictions.md)
Per concedere le autorizzazioni necessarie per condividere le previsioni in batch con gli utenti QuickSight, devi aggiungere una politica di autorizzazioni al ruolo di esecuzione AWS Identity and Access Management (IAM) che hai utilizzato per il profilo utente. La sezione seguente mostra come collegare una policy di autorizzazioni minime al tuo ruolo.
**Aggiungi la policy di autorizzazione al tuo ruolo IAM**
**Utilizza la seguente procedura per aggiungere la policy di autorizzazione:**
1. Accedi alla console IAM all'indirizzo. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Scegli **Ruoli**.
1. Nella casella di ricerca, cerca il ruolo IAM dell'utente per nome, quindi selezionalo.
1. Nella pagina del ruolo dell'utente, in **Autorizzazioni**, scegli **Aggiungi autorizzazioni**.
1. Scegli **Crea policy inline**.
1. Seleziona la scheda JSON e incolla la seguente policy di autorizzazioni minime nell'editor. Sostituisci i segnaposto `` con il tuo numero di account AWS .
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"quicksight:CreateDataSet",
"quicksight:ListUsers",
"quicksight:ListNamespaces",
"quicksight:CreateDataSource",
"quicksight:PassDataSet",
"quicksight:PassDataSource"
],
"Resource": [
"arn:aws:quicksight:*:111122223333:datasource/*",
"arn:aws:quicksight:*:111122223333:user/*",
"arn:aws:quicksight:*:111122223333:namespace/*",
"arn:aws:quicksight:*:111122223333:dataset/*"
]
}
]
}
```
------
1. Scegli **Esamina la policy**.
1. Inserisci un **Nome** per la policy.
1. Scegli **Crea policy**.
Ora dovresti avere una policy IAM gestita dal cliente associata al tuo ruolo di esecuzione che conceda agli utenti di Canvas le autorizzazioni necessarie per inviare previsioni in batch agli utenti. QuickSight
# Gestione delle applicazioni
Le seguenti sezioni descrivono come gestire le applicazioni SageMaker Canvas. Puoi visualizzare, eliminare o riavviare le tue applicazioni dalla sezione **Domini** della console AI. SageMaker
**Topics**
+ [Verifica della presenza di applicazioni attive](canvas-manage-apps-active.md)
+ [Eliminazione di un'applicazione](canvas-manage-apps-delete.md)
+ [Riavvio di un’applicazione](canvas-manage-apps-relaunch.md)
# Verifica della presenza di applicazioni attive
Per verificare se avete applicazioni SageMaker Canvas in esecuzione attivamente, utilizzate la seguente procedura.
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Dashboard**.
1. Nella sezione **LCNC**, c'è una riga per Canvas che indica quante app attive sono in esecuzione. Scegli il numero per visualizzare l'elenco delle app.
La colonna **Stato** mostra lo stato dell’applicazione, ad esempio **Pronta**, **In sospeso** o **Eliminata**. Se l'applicazione è **pronta**, l'istanza dell'area di lavoro SageMaker Canvas è attiva. È possibile eliminare l'applicazione dalla console oppure riaprire Canvas e disconnettersi.
# Eliminazione di un'applicazione
Se desideri terminare l'istanza dell'area di lavoro SageMaker Canvas, puoi disconnetterti dall'applicazione SageMaker Canvas o eliminare l'applicazione dalla console SageMaker AI. Un'*istanza dell'area di lavoro* è dedicata all'uso da quando inizi a utilizzare SageMaker Canvas fino al momento in cui smetti di usarla. L’eliminazione dell’applicazione termina solo l’istanza dello spazio di lavoro e arresta i relativi addebiti. I modelli e i set di dati non sono interessati, ma le attività della build rapida si riavviano automaticamente all’accesso successivo.
Per eliminare l'applicazione Canvas tramite la AWS console, chiudi innanzitutto la scheda del browser in cui era aperta l'applicazione Canvas. Quindi, utilizzate la seguente procedura per eliminare l'applicazione SageMaker Canvas.
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Domini**.
1. Nella pagina **Domini**, scegli il tuo dominio.
1. Nella pagina dei **dettagli del dominio**, scegli **Risorse**.
1. In **Applicazioni**, trova l'applicazione che dice **Canvas** nella colonna **Tipo di app**.
1. Seleziona la casella di controllo accanto all'applicazione Canvas e scegli **Stop**.
Ora hai arrestato con successo l'applicazione e terminato l'istanza del workspace.
Puoi anche terminare l'istanza del workspace [disconnettendoti dall'interno dell'applicazione Canvas](canvas-log-out.md). SageMaker
# Riavvio di un’applicazione
Se elimini o ti disconnetti dall'applicazione SageMaker Canvas e desideri riavviare l'applicazione, usa la seguente procedura.
1. [Vai alla console AI. SageMaker ](https://console.aws.amazon.com/sagemaker/)
1. Nel riquadro di navigazione, seleziona **Canvas**.
1. Nella pagina di destinazione di SageMaker Canvas, nella casella **Inizia**, seleziona il tuo profilo utente dal menu a discesa.
1. Scegli **Apri Canvas** per aprire l'applicazione.
SageMaker Canvas inizia a lanciare l'applicazione.
Puoi utilizzare anche la seguente procedura secondaria, in caso di problemi con la procedura precedente.
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Nella pagina **Domini**, scegli il tuo dominio.
1. Nella pagina dei **dettagli del dominio**, in **Profili utente**, seleziona il nome del profilo utente per l'applicazione SageMaker Canvas che desideri visualizzare.
1. Scegli **Avvia** e seleziona **Canvas** dall'elenco a discesa.
SageMaker Canvas inizia a lanciare l'applicazione.
# Configura Amazon SageMaker Canvas in un VPC senza accesso a Internet
L'applicazione Amazon SageMaker Canvas viene eseguita in un contenitore in un Amazon Virtual Private Cloud (VPC) AWS gestito. Se desideri controllare ulteriormente l'accesso alle tue risorse o eseguire SageMaker Canvas senza accesso pubblico a Internet, puoi configurare il dominio Amazon SageMaker AI e le impostazioni VPC. All'interno del tuo VPC, puoi configurare impostazioni come gruppi di sicurezza (firewall virtuali che controllano il traffico in entrata e in uscita dalle istanze Amazon EC2) e sottoreti (intervalli di indirizzi IP nel tuo VPC). Per ulteriori informazioni VPCs, consulta [Come funziona Amazon VPC.](https://docs.aws.amazon.com/vpc/latest/userguide/how-it-works.html)
Quando l'applicazione SageMaker Canvas è in esecuzione nel VPC AWS gestito, può interagire con altri AWS servizi utilizzando una connessione Internet o tramite endpoint VPC creati in un VPC gestito dal cliente (senza accesso pubblico a Internet). SageMaker Le applicazioni Canvas possono accedere a questi endpoint VPC tramite un'interfaccia di rete creata da Studio Classic che fornisce connettività al VPC gestito dal cliente. Il comportamento predefinito dell'applicazione Canvas prevede l'accesso a Internet. SageMaker Quando si utilizza una connessione Internet, i container dei processi precedenti accedono a risorse AWS su Internet, come i bucket Amazon S3, in cui vengono archiviati i dati di addestramento e gli artefatti del modello.
Tuttavia, se hai requisiti di sicurezza per controllare l'accesso ai contenitori di dati e lavori, ti consigliamo di configurare SageMaker Canvas e il tuo VPC in modo che dati e contenitori non siano accessibili su Internet. SageMaker AI utilizza le impostazioni di configurazione VPC specificate durante la configurazione del dominio per SageMaker Canvas.
Se desideri configurare la tua applicazione SageMaker Canvas senza accesso a Internet, devi configurare le impostazioni VPC durante l'onboarding nel [dominio Amazon SageMaker AI](gs-studio-onboard.md), configurare gli endpoint VPC e concedere le autorizzazioni necessarie. AWS Identity and Access Management Per informazioni sulla configurazione di un VPC in SageMaker Amazon AI, consulta. [Scelta di un Amazon VPC](onboard-vpc.md) Le sezioni seguenti descrivono come eseguire SageMaker Canvas in un VPC senza accesso pubblico a Internet.
## Configura Amazon SageMaker Canvas in un VPC senza accesso a Internet
Puoi inviare traffico da SageMaker Canvas ad altri AWS servizi tramite il tuo VPC. Se il tuo VPC non dispone di accesso pubblico a Internet e hai impostato il dominio in modalità **solo VPC**, SageMaker Canvas non avrà nemmeno l'accesso pubblico a Internet. Ciò include tutte le richieste, come l'accesso ai set di dati in Amazon S3 o i processi di addestramento per le build Standard, che quindi passano attraverso gli endpoint VPC nel tuo VPC anziché tramite la rete Internet pubblica. Quando effettui l’onboarding nel dominio e in [Scelta di un Amazon VPC](onboard-vpc.md), puoi impostare il tuo VPC come predefinito per il dominio e puoi specificare le impostazioni desiderate per il gruppo di sicurezza e la sottorete. Quindi, l' SageMaker intelligenza artificiale crea un'interfaccia di rete nel tuo VPC che SageMaker Canvas utilizza per accedere agli endpoint VPC nel tuo VPC.
Assicurati di configurare uno o più gruppi di sicurezza nel VPC con regole in entrata e in uscita che consentano il [traffico TCP all’interno del gruppo di sicurezza](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Questa configurazione è richiesta per la connettività tra l’applicazione del server Jupyter e le applicazioni del gateway kernel. Devi consentire l'accesso ad almeno le porte dell'intervallo `8192-65535`. Crea anche un gruppo di sicurezza distinto per ogni profilo utente e aggiungi l’accesso in entrata dallo stesso gruppo di sicurezza. Consigliamo di non riutilizzare un gruppo di sicurezza a livello di dominio per i profili utente. Se il gruppo di sicurezza a livello di dominio consente l’accesso in entrata a se stesso, tutte le applicazioni del dominio avranno accesso a tutte le altre applicazioni del dominio. Tieni presente che le impostazioni del gruppo di sicurezza e della sottorete vengono configurate dopo aver completato l’onboarding nel dominio.
Durante l'onboarding sul dominio, se scegli **Solo Internet pubblico** come tipo di accesso alla rete, il VPC è gestito dall' SageMaker IA e consente l'accesso a Internet.
Puoi modificare questo comportamento scegliendo **solo VPC** in modo che l' SageMaker IA invii tutto il traffico a un'interfaccia di rete creata dall' SageMaker IA nel VPC specificato. Quando scegli questa opzione, devi fornire le sottoreti, i gruppi di sicurezza e gli endpoint VPC necessari per comunicare con l' SageMaker API e SageMaker AI Runtime e vari AWS servizi, come Amazon S3 e CloudWatch Amazon, utilizzati da Canvas. SageMaker Tieni presente che puoi importare dati da bucket Amazon S3 solo se sono situati nella stessa Regione del tuo VPC.
Le seguenti procedure mostrano come configurare queste impostazioni per utilizzare SageMaker Canvas senza Internet.
### Fase 1: onboarding verso il dominio Amazon SageMaker AI
[Per inviare il traffico SageMaker Canvas a un'interfaccia di rete nel tuo VPC anziché su Internet, specifica il VPC che desideri utilizzare per l'onboarding sul dominio Amazon AI. SageMaker ](gs-studio-onboard.md) È inoltre necessario specificare almeno due sottoreti nel VPC che SageMaker l'IA può utilizzare. Scegli **Configurazione standard** ed esegui questa procedura per configurare la **sezione Rete e archiviazione** del dominio.
1. Seleziona il **VPC** desiderato.
1. Scegli due o più **sottoreti**. Se non specifichi le sottoreti, l' SageMaker IA utilizza tutte le sottoreti nel VPC.
1. Scegli uno o più **Gruppi di sicurezza**.
1. Scegli **Solo VPC** per disattivare l'accesso diretto a Internet nel AWS VPC gestito in cui SageMaker è ospitato Canvas.
Dopo aver disabilitato l’accesso a Internet, completa la procedura di onboarding per configurare il tuo dominio. Per ulteriori informazioni sulle impostazioni VPC per il dominio Amazon SageMaker AI, consulta. [Scelta di un Amazon VPC](onboard-vpc.md)
### Fase 2: configurazione di endpoint VPC e accesso
**Nota**
Per configurare Canvas nel tuo VPC, devi abilitare i nomi host DNS privati per i tuoi endpoint VPC. Per ulteriori informazioni, consulta [Connect to SageMaker AI Through a VPC Interface](https://docs.aws.amazon.com/sagemaker/latest/dg/interface-vpc-endpoint.html) Endpoint.
SageMaker Canvas accede ad altri AWS servizi solo per gestire e archiviare i dati per le sue funzionalità. Ad esempio, si connette ad Amazon Redshift se gli utenti accedono a un database Amazon Redshift. Può connettersi a un AWS servizio come Amazon Redshift utilizzando una connessione Internet o un endpoint VPC. Usa gli endpoint VPC se desideri configurare connessioni dal tuo VPC a AWS servizi che non utilizzano la rete Internet pubblica.
Un endpoint VPC crea una connessione privata a un AWS servizio che utilizza un percorso di rete isolato dalla rete Internet pubblica. Ad esempio, se configuri l'accesso ad Amazon S3 utilizzando un endpoint VPC dal tuo VPC, l'applicazione Canvas SageMaker può accedere ad Amazon S3 tramite l'interfaccia di rete del tuo VPC e quindi tramite l'endpoint VPC che si connette ad Amazon S3. La comunicazione tra SageMaker Canvas e Amazon S3 è privata.
Per ulteriori informazioni sulla configurazione degli endpoint VPC per il tuo VPC, consulta [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/privatelink/what-is-privatelink.html). Se utilizzi modelli Amazon Bedrock in Canvas con un VPC, per ulteriori informazioni sul controllo dell'accesso ai tuoi dati, consulta [Protect jobs using a VPC](https://docs.aws.amazon.com/bedrock/latest/userguide/usingVPC.html#configureVPC) in *Guida per l’utente di Amazon Bedrock*.
Di seguito sono riportati gli endpoint VPC per ogni servizio che puoi utilizzare con Canvas: SageMaker
| Servizio | Endpoint | Tipo di endpoint |
| --- | --- | --- |
| AWS Application Auto Scaling | com.amazonaws. *Region*.scalabilità automatica delle applicazioni | Interfaccia |
| Amazon Athena | com.amazonaws. *Region*.atena | Interfaccia |
| Amazon SageMaker AI | com.amazonaws.it. *Region*.sagemaker.api com.amazonaws. *Region*.sagemaker.runtime com.amazonaws. *Region*.taccuino | Interfaccia |
| Assistente di data science di Amazon SageMaker AI | com.amazonaws. *Region*. sagemaker-data-science-assistant | Interfaccia |
| AWS Security Token Service | com.amazonaws. *Region*.sts | Interfaccia |
| Amazon Elastic Container Registry (Amazon ECR) | com.amazonaws.it. *Region*.ecr.api com.amazonaws. *Region*.ecr.dkr | Interfaccia |
| Amazon Elastic Compute Cloud (Amazon EC2) | com.amazonaws. *Region*.ec2 | Interfaccia |
| Amazon Simple Storage Service (Amazon S3) | com.amazonaws.it. *Region*.s3 | Gateway |
| Amazon Redshift | com.amazonaws.it. *Region*.redshift-dati | Interfaccia |
| Gestione dei segreti AWS | com.amazonaws. *Region*. gestore dei segreti | Interfaccia |
| AWS Systems Manager | com.amazonaws.it. *Region*.ssm | Interfaccia |
| Amazon CloudWatch | com.amazonaws. *Region*.monitoraggio | Interfaccia |
| CloudWatch Registri Amazon | com.amazonaws.it. *Region*.registri | Interfaccia |
| Amazon Forecast | com.amazonaws.it. *Region*.previsione com.amazonaws.it. *Region*.query di previsione | Interfaccia |
| Amazon Textract | com.amazonaws. *Region*.tr estrarre | Interfaccia |
| Amazon Comprehend | com.amazonaws.it. *Region*. comprendere | Interfaccia |
| Amazon Rekognition | com.amazonaws. *Region*.riconoscimento | Interfaccia |
| AWS Glue | com.amazonaws. *Region*.colla | Interfaccia |
| AWS Application Auto Scaling | com.amazonaws. *Region*.scalabilità automatica delle applicazioni | Interfaccia |
| Amazon Relational Database Service (Amazon RDS) | com.amazonaws. *Region*.rds | Interfaccia |
| Amazon Bedrock (vedi nota dopo la tabella) | com.amazonaws.it. *Region*.bedrock-runtime | Interfaccia |
| Amazon Kendra | com.amazonaws.it. *Region*.kendra | Interfaccia |
| Amazon EMR Serverless | com.amazonaws. *Region*.emr senza server | Interfaccia |
| Amazon Q Developer (vedi nota dopo la tabella) | com.amazonaws. *Region*q. | Interfaccia |
**Nota**
L’endpoint VPC Amazon Q Developer è attualmente disponibile solo nella Regione Stati Uniti orientali (Virginia settentrionale). Per connetterti da altre Regioni, puoi scegliere una delle seguenti opzioni in base alle tue preferenze di sicurezza e infrastruttura:
**Configura un gateway NAT**. Configura un gateway NAT nella sottorete privata del tuo VPC per abilitare la connettività Internet per l’endpoint Q Developer. Per ulteriori informazioni, consulta [Come posso configurare un gateway NAT pubblico per accedere a Internet da una sottorete privata in Amazon VPC?](https://repost.aws/knowledge-center/nat-gateway-vpc-private-subnet)
**Abilita l’accesso agli endpoint VPC tra Regioni**. Configura l’accesso agli endpoint VPC tra Regioni per Q Developer. Utilizza questa opzione per connetterti in modo sicuro senza richiedere l’accesso a Internet. Per ulteriori informazioni, consulta la pagina che spiega come [configurare l’accesso agli endpoint VPC tra Regioni](https://repost.aws/knowledge-center/vpc-endpoints-cross-region-aws-services).
**Nota**
Per Amazon Bedrock, il nome servizio endpoint dell’interfaccia `com.amazonaws.Region.bedrock` è obsoleto. Crea un nuovo endpoint VPC con il nome servizio elencato nella tabella precedente.
Inoltre, non è possibile ottimizzare i modelli di base di Canvas senza accesso VPCs a Internet. Questo perché Amazon Bedrock non supporta gli endpoint VPC per la personalizzazione dei modelli. APIs Per ulteriori informazioni sul fine-tuning dei modelli di fondazione in Canvas, consulta [Fine-tuning dei modelli di fondazione](canvas-fm-chat-fine-tune.md).
È inoltre necessario aggiungere una policy per gli endpoint per Amazon S3 per AWS controllare l'accesso principale all'endpoint VPC. Per informazioni su come aggiornare la policy degli endpoint VPC, consulta [Control access to VPC endpoints using endpoint policies](https://docs.aws.amazon.com/vpc/latest/privatelink/vpc-endpoints-access.html).
Di seguito sono riportate due policy degli endpoint VPC che puoi utilizzare. Utilizza la prima policy per concedere l’accesso solo alle funzionalità di base di Canvas, come l’importazione di dati e la creazione di modelli. Utilizza la seconda policy per concedere l’accesso alle [funzionalità di IA generativa](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html) aggiuntive in Canvas.
------
#### [ Basic VPC endpoint policy ]
La policy seguente garantisce l’accesso necessario all’endpoint VPC per le operazioni di base in Canvas.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
#### [ Generative AI VPC endpoint policy ]
La policy seguente garantisce l’accesso necessario all’endpoint VPC per le operazioni di base in Canvas, nonché l’utilizzo di modelli di fondazione di IA generativa.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*",
"arn:aws:s3:::*fmeval/datasets*",
"arn:aws:s3:::*jumpstart-cache-prod*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
### Fase 3: concessione delle autorizzazioni IAM
L'utente SageMaker Canvas deve disporre delle AWS Identity and Access Management autorizzazioni necessarie per consentire la connessione agli endpoint VPC. Il ruolo IAM a cui concedi le autorizzazioni deve essere lo stesso che hai utilizzato per l'onboarding sul dominio Amazon SageMaker AI. Puoi collegare la `AmazonSageMakerFullAccess` policy gestita dall' SageMaker IA al ruolo IAM in modo che l'utente fornisca all'utente le autorizzazioni richieste. Se richiedi autorizzazioni IAM più restrittive e utilizzi invece policy personalizzate, concedi l'autorizzazione al ruolo dell'utente. `ec2:DescribeVpcEndpointServices` SageMaker Canvas richiede queste autorizzazioni per verificare l'esistenza degli endpoint VPC richiesti per i lavori di compilazione standard. Se rileva questi endpoint VPC, i processi Standard build vengono eseguiti per impostazione predefinita nel tuo VPC. In caso contrario, verranno eseguiti nel VPC AWS gestito predefinito.
Per ricevere istruzioni su come collegare la policy IAM `AmazonSageMakerFullAccess` al tuo ruolo IAM dell'utente, consulta [Adding and removing IAM identity permissions](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html).
Per concedere al tuo ruolo IAM dell'utente l'autorizzazione granulare `ec2:DescribeVpcEndpointServices`, utilizza la procedura seguente.
1. Accedi Console di gestione AWS e apri la [console IAM](https://console.aws.amazon.com/iam/).
1. Nel riquadro di navigazione, seleziona **Ruoli**.
1. Nell'elenco, scegliere il numero del ruolo per il quale si desidera concedere le autorizzazioni.
1. Scegli la scheda **Autorizzazioni**.
1. Scegli **Aggiungi autorizzazioni**, quindi seleziona **Crea policy inline**.
1. Scegli la scheda **JSON** e inserisci la seguente policy, che concede l'autorizzazione `ec2:DescribeVpcEndpointServices`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": "ec2:DescribeVpcEndpointServices",
"Resource": "*"
}
]
}
```
------
1. Scegli **Esamina la policy** quindi scegli un **Nome** per la policy (per esempio, `VPCEndpointPermissions`).
1. Scegli **Crea policy**.
Il ruolo IAM dell'utente dovrebbe ora disporre delle autorizzazioni per accedere agli endpoint VPC configurati nel tuo VPC.
### (Facoltativo) Fase 4: sovrascrivere le impostazioni dei gruppi di sicurezza per utenti specifici
Se sei un amministratore, potresti desiderare che utenti diversi abbiano impostazioni VPC diverse o impostazioni VPC specifiche dell'utente. Quando sovrascrivi le impostazioni predefinite del gruppo di sicurezza VPC per un utente specifico, queste impostazioni vengono trasmesse all'applicazione SageMaker Canvas per quell'utente.
Quando configuri un nuovo profilo utente in Studio Classic, puoi sostituire i gruppi di sicurezza a cui un utente specifico ha accesso nel tuo VPC. È possibile utilizzare la chiamata [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) SageMaker API (o [create\$1user\$1profile](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_user_profile) con [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-welcome.html)), quindi in, è possibile specificare l'indirizzo per l'`UserSettings`utente. `SecurityGroups`
# Configura le connessioni alle sorgenti dati con OAuth
La sezione seguente descrive i passaggi da eseguire per configurare le OAuth connessioni alle fonti di dati da Canvas. SageMaker [OAuth](https://oauth.net/2/)è una piattaforma di autenticazione comune per concedere l'accesso alle risorse senza condividere le password. Con OAuth, puoi connetterti rapidamente ai tuoi dati da Canvas e importarli per creare modelli. Attualmente Canvas supporta OAuth Snowflake e Salesforce Data Cloud.
**Nota**
È possibile stabilire una sola OAuth connessione per ogni fonte di dati.
## Configurazione OAuth per Salesforce Data Cloud
Per eseguire la configurazione OAuth per Salesforce Data Cloud, segui questi passaggi generali:
1. Accedi al cloud dei dati Salesforce.
1. Nel cloud dei dati Salesforce, crea una nuova connessione all'app ed effettua le seguenti operazioni:
1. Abilita le impostazioni. OAuth
1. Quando viene richiesto un URL di callback (o l'URL della risorsa che accede ai tuoi dati), specificare l'URL per l'applicazione Canvas. L'URL dell'applicazione Canvas segue il seguente formato: `https://.studio..sagemaker.aws/canvas/default`
1. Copia la chiave e il segreto utente.
1. Copia l'URL di autorizzazione e l'URL del token.
Per istruzioni più dettagliate sull'esecuzione delle attività precedenti nel cloud dei dati Salesforce, consulta[Importare dati da Salesforce Data Cloud](data-wrangler-import.md#data-wrangler-import-salesforce-data-cloud) nella documentazione di Data Wrangler per l'importazione di dati dal cloud dei dati Salesforce.
Dopo aver abilitato l'accesso da Salesforce Data Cloud e aver ottenuto le informazioni di connessione, devi creare un [Gestione dei segreti AWS](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)segreto per archiviare le informazioni e aggiungerle al tuo dominio o profilo utente Amazon SageMaker AI. Tieni presente che puoi aggiungere un segreto sia a un dominio che a un profilo utente, ma Canvas cerca prima i segreti nel profilo utente.
Per aggiungere un segreto al dominio o al profilo utente, procedi come descritto di seguito:
1. Vai alla [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Nel riquadro di navigazione, scegli **Domini**.
1. Dall’elenco di **domini**, scegli il tuo dominio.
1. Se aggiungi il segreto al dominio, procedi come descritto di seguito:
1. Scegli il dominio.
1. Nella pagina **Impostazioni del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Scegli **Modifica**.
1. Se aggiungi il segreto al tuo profilo utente, effettua le seguenti operazioni:
1. Scegli il dominio dell’utente.
1. Nella pagina **Impostazioni del dominio**, scegli il profilo utente.
1. Nella pagina **Dettagli dell’utente** scegli **Modifica utente**.
1. Nel riquadro di navigazione, seleziona **Impostazioni Canvas**.
1. Per **OAuth le impostazioni**, scegli **Aggiungi OAuth configurazione**.
1. Per **Origine dati**, seleziona **Cloud dati Salesforce**.
1. Per **Configurazione del segreto**, seleziona **Crea un nuovo segreto**. In alternativa, se hai già creato un Gestione dei segreti AWS segreto con le tue credenziali, inserisci l'ARN per il segreto. Per creare un nuovo segreto, effettua le seguenti operazioni:
1. Per **Provider di identità**, seleziona **SALESFORCE**.
1. Per **Client ID**, **Client Secret**, **Authorization URL** e **Token URL**, inserisci tutte le informazioni raccolte dal cloud dei dati Salesforce nella procedura precedente.
1. Salva le impostazioni del dominio o del profilo utente.
Ora dovresti essere in grado di creare una connessione ai tuoi dati nel cloud dei dati Salesforce da Canvas.
## Configurazione per Snowflake OAuth
Per configurare l'autenticazione per Snowflake, Canvas supporta gestori dell'identità che puoi utilizzare anziché chiedere agli utenti di inserire direttamente le proprie credenziali in Canvas.
Di seguito sono riportati i collegamenti alla documentazione Snowflake per i gestori dell'identità supportati da Canvas:
+ [Azure AD](https://docs.snowflake.com/en/user-guide/oauth-azure.html)
+ [Okta](https://docs.snowflake.com/en/user-guide/oauth-okta.html)
+ [Ping Federate](https://docs.snowflake.com/en/user-guide/oauth-pingfed.html)
La procedura riportata di seguito illustra il processo generale. Per istruzioni più dettagliate sull'esecuzione di queste fasi, è possibile fare riferimento alla sezione [Configurazione di Snowflake Access OAuth](data-wrangler-import.md#data-wrangler-snowflake-oauth-setup) della documentazione di Data Wrangler per l'importazione di dati da Snowflake.
OAuth Per configurare Snowflake, procedi come segue:
1. Registra Canvas come applicazione con il gestore dell'identità. Ciò richiede la specificazione di un URL di reindirizzamento a Canvas, che dovrebbe seguire questo formato: `https://.studio..sagemaker.aws/canvas/default`
1. All'interno del provider di identità, crea un server o un'API che invii OAuth token a Canvas in modo che Canvas possa accedere a Snowflake. Quando configurate il server, utilizzate il codice di autorizzazione e i tipi di concessione del token di aggiornamento, specificate la durata del token di accesso e impostate una policy del token di aggiornamento. Inoltre, all'interno dell'integrazione di OAuth sicurezza esterna per Snowflake, abilita. `external_oauth_any_role_mode`
1. Ottieni le seguenti informazioni dal gestore dell'identità: URL del token, URL di autorizzazione, ID client, segreto del cliente. Per Azure AD, recupera anche le credenziali dell'ambito. OAuth
1. Archivia le informazioni recuperate nel passaggio precedente in un luogo segreto. Gestione dei segreti AWS
1. Per Okta e Ping Federate, il segreto dovrebbe avere il seguente formato:
```
{"token_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/token",
"client_id":"example-client-id", "client_secret":"example-client-secret", "identity_provider":"OKTA"|"PING_FEDERATE",
"authorization_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/authorize"}
```
1. Per Azure AD, il segreto deve includere anche le credenziali dell' OAuth ambito come campo. `datasource_oauth_scope`
Dopo aver configurato il provider di identità e il segreto, devi creare un [Gestione dei segreti AWS](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)segreto per archiviare le informazioni e aggiungerlo al tuo dominio o profilo utente Amazon SageMaker AI. Tieni presente che puoi aggiungere un segreto sia a un dominio che a un profilo utente, ma Canvas cerca prima i segreti nel profilo utente.
Per aggiungere un segreto al dominio o al profilo utente, procedi come descritto di seguito:
1. Vai alla [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Nel riquadro di navigazione, scegli **Domini**.
1. Dall’elenco di **domini**, scegli il tuo dominio.
1. Se aggiungi il segreto al dominio, procedi come descritto di seguito:
1. Scegli il dominio.
1. Nella pagina **Impostazioni del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Scegli **Modifica**.
1. Se aggiungi il segreto al tuo profilo utente, effettua le seguenti operazioni:
1. Scegli il dominio dell’utente.
1. Nella pagina **Impostazioni del dominio**, scegli il profilo utente.
1. Nella pagina **Dettagli dell’utente** scegli **Modifica utente**.
1. Nel riquadro di navigazione, seleziona **Impostazioni Canvas**.
1. Per **OAuth le impostazioni**, scegli **Aggiungi OAuth configurazione**.
1. Per **Origine dati**, seleziona **Snowflake.**
1. Per **Configurazione del segreto**, seleziona **Crea un nuovo segreto**. In alternativa, se hai già creato un Gestione dei segreti AWS segreto con le tue credenziali, inserisci l'ARN del segreto. Per creare un nuovo segreto, effettua le seguenti operazioni:
1. Per **Provider di identità**, seleziona **SNOWFLAKE**.
1. Per **Client ID**, **Client secret**, **Authorization URL** e **Token URL**, inserisci tutte le informazioni raccolte dal gestore dell'identità nella procedura precedente.
1. Salva le impostazioni del dominio o del profilo utente.
Ora dovresti essere in grado di creare una connessione ai tuoi dati nel cloud dei dati Salesforce da Canvas.
# Assistenza dell’IA generativa per risolvere i problemi di ML in Canvas con Amazon Q Developer
Durante l'utilizzo di Amazon SageMaker Canvas, puoi chattare con Amazon Q Developer in linguaggio naturale per sfruttare l'intelligenza artificiale generativa e risolvere i problemi. Q Developer è un assistente che ti aiuta a tradurre gli obiettivi in attività di machine learning (ML) e descrive ogni fase del flusso di lavoro di ML. Q Developer aiuta gli utenti di Canvas a ridurre la quantità di tempo, impegno e competenze nel campo della data science necessaria per sfruttare il machine learning e prendere decisioni basate sui dati per le proprie organizzazioni.
Conversando con Q Developer, puoi avviare azioni in Canvas come la preparazione dei dati, la creazione di un modello di ML, la generazione di previsioni e l’implementazione di un modello. Q Developer propone suggerimenti per le fasi successive e fornisce un contesto man mano che vengono completate le singole fasi. Inoltre, ti informa sui risultati. Ad esempio, se Canvas utilizza best practice per trasformare il tuo set di dati, Q Developer può elencare le trasformazioni utilizzate e perché sono state applicate.
Amazon Q Developer è disponibile in SageMaker Canvas senza costi aggiuntivi per gli utenti di Amazon Q Developer Pro Tier e Free Tier. Tuttavia, si applicano tariffe standard per risorse come l'istanza dell' SageMaker area di lavoro Canvas e tutte le risorse utilizzate per la creazione o la distribuzione di modelli. Per ulteriori informazioni sui prezzi, consulta i [prezzi di Amazon SageMaker Canvas](https://aws.amazon.com/sagemaker-ai/canvas/pricing/).
L’utilizzo di Amazon Q è concesso in licenza ai sensi della [licenza 0 del MIT](https://github.com/aws/mit-0) ed è soggetto alla [policy sull’IA responsabile AWS](https://aws.amazon.com/machine-learning/responsible-ai/policy/). Quando lo utilizzi al di fuori degli Stati Uniti, Q Developer elabora i dati in tutte le Regioni degli Stati Uniti. Per ulteriori informazioni, consulta [Cross region inference in Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/cross-region-inference.html).
**Nota**
Amazon Q Developer in SageMaker Canvas non utilizza i contenuti degli utenti per migliorare il servizio, indipendentemente dal fatto che utilizzi l'abbonamento Free-tier o Pro-tier. Per scopi di telemetria del servizio, Q Developer potrebbe tenere traccia dell’utilizzo da parte dell’utente, ad esempio il numero di domande poste e se le raccomandazioni sono state accettate o rifiutate. Questi dati di telemetria non includono informazioni di identificazione personale come l’indirizzo IP.
## Come funziona
Amazon Q Developer è un assistente generativo basato sull'intelligenza artificiale disponibile in SageMaker Canvas che puoi interrogare utilizzando il linguaggio naturale. Q Developer propone suggerimenti per ogni fase del flusso di lavoro di machine learning, spiegando i concetti e fornendo opzioni e ulteriori dettagli in base alle esigenze. Puoi utilizzare Q Developer per ottenere assistenza con i casi d’uso di regressione, classificazione binaria e classificazione multiclasse.
Ad esempio, per prevedere il tasso di abbandono dei clienti, utilizza Q Developer per caricare un set di dati con le informazioni cronologiche sul tasso di abbandono dei clienti su Canvas. Q Developer suggerisce un tipo di modello di ML appropriato e le procedure per risolvere i problemi relativi ai set di dati, creare un modello e generare previsioni.
**Importante**
Amazon Q Developer è destinato alle conversazioni sui problemi di apprendimento automatico all'interno di SageMaker Canvas. Guida gli utenti attraverso le azioni di Canvas e, facoltativamente, risponde a domande sui Servizi AWS. Q Developer elabora gli input del modello solo in lingua inglese. Per ulteriori informazioni su come utilizzare Q Developer, consulta [Funzionalità di Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/features.html) in *Guida per l’utente di Amazon Q Developer*.
## Regioni supportate
Amazon Q Developer è disponibile all'interno di SageMaker Canvas nei seguenti modi Regioni AWS:
+ Stati Uniti orientali (Virginia settentrionale)
+ Stati Uniti orientali (Ohio)
+ Stati Uniti occidentali (Oregon)
+ Asia Pacifico (Mumbai)
+ Asia Pacifico (Seoul)
+ Asia Pacifico (Singapore)
+ Asia Pacifico (Sydney)
+ Asia Pacifico (Tokyo)
+ Europa (Francoforte)
+ Europa (Irlanda)
+ Europa (Parigi)
## Funzionalità di Amazon Q Developer disponibili in Canvas
L’elenco seguente riepiloga le attività di Canvas per le quali Q Developer può fornire assistenza:
+ **Descrivi il tuo obiettivo**: Q Developer può suggerire un tipo di modello di ML e un approccio generale per risolvere il problema.
+ **Importa e analizza i set di dati**: indica a Q Developer dove è archiviato il set di dati o carica un file per salvarlo come set di dati Canvas. Richiedi a Q Developer di identificare eventuali problemi nel set di dati, come valori anomali o valori mancanti. Q Developer fornisce statistiche di riepilogo sul set di dati ed elenca gli eventuali problemi rilevati.
Q Developer supporta le query sulle statistiche seguenti per le singole colonne:
+ Colonne numeriche: `number of valid values`, `feature type`, `mean`, `median`, `minimum`, `maximum`, `standard deviation`, `25th percentile`, `75th percentile`, `number of outliers`
+ Colonne categoriche: `number of missing values`, `number of valid values`, `feature type`, `most frequent`, `most frequent category`, `most frequent category count`, `least frequent`, `least frequent category`, `least frequent category count`, `categories`
+ **Risolvi i problemi relativi al set di dati**: richiedi a Q Developer di utilizzare le funzionalità di trasformazione dei dati di Canvas per creare una versione rivista del set di dati. Canvas crea un flusso di dati Data Wrangler e applica le trasformazioni in base alle best practice di data science. Per ulteriori informazioni, consulta [Preparazione dei dati](canvas-data-prep.md).
Se desideri eseguire attività di analisi o preparazione dei dati più avanzate rispetto a quelle proposte da Q Developer, ti consigliamo di utilizzare l’interfaccia del flusso di dati di Data Wrangler.
+ **Addestra un modello**: Q Developer ti suggerisce il tipo di modello di ML consigliato per il tuo problema e propone una configurazione per la creazione del modello. Puoi utilizzare le impostazioni predefinite suggerite per eseguire una build rapida oppure modificare la configurazione ed eseguire una build standard. Al termine, chiedi a Q Developer di creare il tuo modello Canvas.
Sono supportati tutti i tipi di modelli personalizzati. Per ulteriori informazioni sui tipi di modello e sulle build rapide e standard, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md).
+ **Valuta l’accuratezza del modello**: dopo aver creato un modello, Q Developer fornisce un riepilogo dei punteggi del modello in base a varie metriche. Queste metriche ti aiutano a determinare l’utilità e l’accuratezza del tuo modello. Q Developer può spiegare in dettaglio qualsiasi concetto o metrica.
Per esaminare tutti i dettagli e le visualizzazioni, apri il modello dalla chat o dalla pagina **I miei modelli** di Canvas. Per ulteriori informazioni, consulta [Valutazione del modello](canvas-evaluate-model.md).
+ **Genera previsioni per i nuovi dati**: puoi caricare un nuovo set di dati e chiedere a Q Developer di aprire la funzionalità di previsione di Canvas.
Q Developer apre una nuova finestra nell’applicazione in cui puoi generare una singola previsione o previsioni in batch con un nuovo set di dati. Per ulteriori informazioni, consulta [Previsioni con modelli personalizzati](canvas-make-predictions.md).
+ **Implementa un modello**: chiedi a Q Developer di aiutarti a implementare il modello per la produzione con Canvas. Q Developer apre una nuova finestra in cui puoi configurare l’implementazione.
Quando hai finito, visualizza i dettagli dell’implementazione 1) nella scheda **Implementa** del modello sulla pagina **I miei modelli** di Canvas o 2) nella scheda **Implementazioni** della pagina **MLOps**. Per ulteriori informazioni, consulta [Distribuzione di modelli su un endpoint](canvas-deploy-model.md).
## Prerequisiti
Per utilizzare Amazon Q Developer per creare modelli ML in SageMaker Canvas, completa i seguenti prerequisiti:
**Configurazione di un’applicazione Canvas**
Assicurati di aver configurato un’applicazione Canvas. Per informazioni su come configurare un’applicazione Canvas, consulta [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md).
**Concessione delle autorizzazioni per Q Developer**
Per accedere a Q Developer mentre usi Canvas, devi assegnare le autorizzazioni necessarie al ruolo AWS IAM utilizzato per il tuo dominio o profilo utente SageMaker AI. Per farlo, puoi utilizzare la console descritta in questa sezione. Se riscontri problemi di autorizzazione dovuti all'utilizzo del metodo della console, collega manualmente la policy AWS gestita [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)al ruolo IAM.
Le autorizzazioni associate a livello di dominio si applicano a tutti i profili utente del dominio, a meno che non vengano concesse o revocate autorizzazioni individuali a livello del profilo utente.
------
#### [ SageMaker AI console method ]
Puoi concedere le autorizzazioni modificando il dominio SageMaker AI o le impostazioni del profilo utente.
Per concedere le autorizzazioni tramite le impostazioni del dominio nella console SageMaker AI, procedi come segue:
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Domini**.
1. Dall’elenco di domini, scegli il tuo dominio.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Configurazioni app**.
1. Nella sezione **Canvas**, scegli **Modifica**.
1. Nella pagina **Modifica le impostazioni di Canvas**, vai alla sezione **Amazon Q Developer** e procedi come descritto di seguito:
1. **Attiva Abilita Amazon Q Developer in SageMaker Canvas per il machine learning in linguaggio naturale per** aggiungere le autorizzazioni per chattare con Q Developer in Canvas al ruolo di esecuzione del tuo dominio.
1. (Facoltativo) **Attiva la chat per sviluppatori di Amazon Q per AWS domande generali** se desideri porre domande a Q Developer su vari argomenti Servizi AWS (ad esempio: descrivi come funziona Athena).
**Nota**
Quando fai AWS domande generiche a Q Developer, le tue richieste vengono inoltrate attraverso gli Stati Uniti orientali (Virginia settentrionale). Regione AWS Per impedire l’instradamento dei dati attraverso la Regione degli Stati Uniti orientali (Virginia settentrionale), disattiva l’opzione **Abilita la chat di Amazon Q Developer per domande generali su AWS **.
------
#### [ Manual method ]
Allega la [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)policy al ruolo AWS IAM utilizzato per il tuo dominio o profilo utente. Per ulteriori informazioni, consulta [Adding and removing IAM identity permissions](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) nella *Guida per l’utente di AWS IAM*.
------
**(Facoltativo) Configurazione dell’accesso a Q Developer dal VPC**
Se disponi di un VPC configurato senza accesso pubblico a Internet, puoi aggiungere un endpoint VPC per Q Developer. Per ulteriori informazioni, consulta [Configura Amazon SageMaker Canvas in un VPC senza accesso a Internet](canvas-vpc.md).
## Nozioni di base
Per utilizzare Amazon Q Developer per creare modelli ML in SageMaker Canvas, procedi come segue:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **Amazon Q**.
1. Scegli **Inizia una nuova conversazione** per aprire una nuova chat.
Quando avvii una nuova chat, Q Developer ti chiede di descrivere il problema o di fornire un set di dati.
![\[La formula di saluto di Q Developer all’inizio di una nuova chat.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/amazon-q-greeting.png)
Dopo aver importato i dati, puoi chiedere a Q Developer di fornirti statistiche di riepilogo sul set di dati oppure puoi porre domande su colonne specifiche. Per un elenco delle diverse statistiche supportate da Q Developer, consulta la sezione precedente [Funzionalità di Amazon Q Developer disponibili in Canvas](#canvas-q-capabilities). Lo screenshot seguente mostra un esempio di come chiedere le statistiche sul set di dati e la categoria più frequente in una colonna di categorie di prodotti.
![\[Finestra di chat in cui viene chiesto a Q Developer di fornire statistiche sul set di dati e sulle categorie più frequenti.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/amazon-q-dataset-statistics.png)
Q Developer tiene traccia di tutti gli artefatti Canvas importati o creati durante la conversazione, come set di dati e modelli trasformati. Puoi accedervi dalla chat o da altre schede dell’applicazione Canvas. Ad esempio, se Q Developer risolve problemi nel tuo set di dati, puoi accedere al nuovo set di dati trasformato dalle posizioni seguenti:
+ La barra laterale degli artefatti nell’interfaccia della chat di Q Developer
+ La pagina **Set di dati** di Canvas, dove puoi visualizzare sia i set di dati originali che quelli trasformati. Al set di dati trasformato viene aggiunta l’etichetta **Creato da Amazon Q**.
+ La pagina **Data Wrangler** di Canvas, in cui Q Developer crea un nuovo flusso di dati per il set di dati
Lo screenshot seguente mostra il set di dati originale e il set di dati trasformato nella barra laterale di una chat.
![\[Gli artefatti, ovvero un set di dati e un set di dati trasformato, visualizzati nella barra laterale di una chat di Q Developer.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/amazon-q-artifacts.png)
Quando i dati sono pronti, chiedi a Q Developer di aiutarti a creare un modello Canvas. Q Developer potrebbe chiederti di confermare alcuni campi e di rivedere la configurazione della build. Se utilizzi la configurazione della build predefinita, il modello viene creato con una build rapida. Se intendi personalizzare qualsiasi parte della configurazione della build, ad esempio selezionando gli algoritmi da utilizzare o modificando la metrica obiettivo, il modello viene creato con una build standard.
Lo screenshot seguente mostra come chiedere a Q Developer di avviare la creazione di un modello Canvas con pochi prompt. Questo esempio utilizza la configurazione predefinita per avviare una build rapida.
![\[Una conversazione con Q Developer in cui l’utente chiede di avviare la creazione di un modello Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/amazon-q-training-chat.png)
Dopo aver creato il modello, puoi eseguire ulteriori azioni utilizzando il linguaggio naturale nella chat o il menu della barra laterale degli artefatti. Ad esempio, puoi visualizzare i dettagli e le metriche del modello, generare previsioni o implementare il modello. Lo screenshot seguente mostra la barra laterale in cui puoi scegliere queste opzioni aggiuntive.
![\[Il menu di conversazione con tre puntini di Q Developer espanso, che mostra le opzioni per la visualizzazione dei dettagli, delle previsioni e dell’implementazione dei modelli.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/amazon-q-ellipsis-menu.png)
Puoi anche eseguire una qualsiasi di queste azioni accedendo alla pagina **I miei modelli** di Canvas e selezionando il modello. Nella pagina del modello puoi accedere alle schede **Analizza**, **Prevedi** e **Implementa** per, rispettivamente, visualizzare le metriche e le visualizzazioni del modello, generare previsioni e gestire le implementazioni.
# Registrazione delle conversazioni di Q Developer con AWS CloudTrail
AWS CloudTrail è un servizio che registra le azioni intraprese da utenti, ruoli o Servizi AWS in Amazon SageMaker AI. CloudTrail acquisisce le chiamate API derivanti dalle tue interazioni con Amazon Q Developer (un assistente di intelligenza artificiale conversazionale) durante l'utilizzo di SageMaker Canvas (un'interfaccia ML senza codice). CloudTrail i dati mostrano i dettagli della richiesta, l'indirizzo IP del richiedente, chi ha effettuato la richiesta e quando.
Le tue interazioni con Q Developer vengono inviate come chiamate `SendConversation` API al servizio SageMaker AI Data Science Assistant, un servizio interno che Canvas sfrutta sul backend. L’origine degli eventi per le chiamate API `SendConversation` è `sagemaker-data-science-assistant.amazonaws.com`.
**Nota**
Per motivi di privacy e sicurezza, il contenuto delle conversazioni è nascosto nei log e appare come `HIDDEN_DUE_TO_SECURITY_REASONS` negli elementi di richiesta e risposta.
Per saperne di più CloudTrail, consulta la Guida per l'[https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html](https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html). Per ulteriori informazioni sull' CloudTrail SageMaker intelligenza artificiale, consulta[Registrazione delle chiamate API Amazon SageMaker AI tramite AWS CloudTrail](logging-using-cloudtrail.md).
Nell’esempio seguente viene mostrata una voce del file di log per l’API `SendConversation`:
```
{
"eventVersion":"1.10",
"userIdentity": {
"type":"AssumedRole",
"principalId":"AROA123456789EXAMPLE:user-Isengard",
"arn":"arn:aws:sts::111122223333:assumed-role/Admin/user",
"accountId":"111122223333",
"accessKeyId":"ASIAIOSFODNN7EXAMPLE",
"sessionContext": {
"sessionIssuer": {
"type":"Role",
"principalId":"AROA123456789EXAMPLE",
"arn":"arn:aws:iam::111122223333:role/Admin",
"accountId":"111122223333",
"userName":"Admin"
},
"attributes": {
"creationDate":"2024-11-11T22:04:37Z",
"mfaAuthenticated":"false"
}
}
},
"eventTime":"2024-11-11T22:09:22Z",
"eventSource":"sagemaker-data-science-assistant.amazonaws.com",
"eventName":"SendConversation",
"awsRegion":"us-west-2",
"sourceIPAddress":"192.0.2.0",
"userAgent":"Boto3/1.33.13 md/Botocore#1.33.13 ua/2.0 os/linux#5.10.227-198.884.amzn2int.x86_64 md/arch#x86_64 lang/python#3.7.16 md/pyimpl#CPython cfg/retry-mode#legacy Botocore/1.33.13",
"requestParameters": {
"conversation": [
{
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"utterance":"HIDDEN_DUE_TO_SECURITY_REASONS",
"timestamp":"Feb 4, 2020, 7:46:29 AM",
"utteranceType":"User"
}
],
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111"
},
"responseElements": {
"responseCode":"CHAT_RESPONSE",
"conversationId":"1234567890abcdef0",
"response": {
"chat": {
"body":"HIDDEN_DUE_TO_SECURITY_REASONS"
}
}
},
"requestID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"eventID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"readOnly":false,
"eventType":"AwsApiCall",
"managementEvent":true,
"recipientAccountId":"123456789012",
"eventCategory":"Management",
"tlsDetails": {
"tlsVersion":"TLSv1.2",
"cipherSuite":"ECDHE-RSA-AES128-GCM-SHA256",
"clientProvidedHostHeader":"gamma.us-west-2.data-science-assistant.sagemaker.aws.dev"
}
}
```
# Importazione dei dati
Amazon SageMaker Canvas supporta l'importazione di dati tabulari, di immagini e documenti. Puoi importare set di dati dal tuo computer locale, da servizi Amazon come Amazon S3 e Amazon Redshift e da origini dati esterne. Quando importi set di dati da Amazon S3, i set di dati possono avere qualsiasi dimensione. Utilizza i set di dati che importi per creare modelli e fare previsioni per altri set di dati.
Ogni caso d'uso per il quale è possibile creare un modello personalizzato accetta diversi tipi di input. Ad esempio, se desideri creare un modello di classificazione delle immagini a etichetta singola, devi importare i dati di immagini. Per ulteriori informazioni sui diversi tipi di modello e sui dati che accettano, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md). Puoi importare dati e creare modelli personalizzati in SageMaker Canvas per i seguenti tipi di dati:
+ **Tabulare** (CSV, Parquet o tabelle)
+ Categoriale: utilizza i dati categoriali per creare modelli di previsione categoriali personalizzati per previsioni a 2 e 3 o più categorie.
+ Numerico: utilizza dati numerici per creare modelli di previsione numerici personalizzati.
+ Testo: utilizza i dati di testo per creare modelli di previsione testuale multicategoria personalizzati.
+ Serie temporali: utilizza i dati delle serie temporali per creare modelli di previsione di serie temporali personalizzati.
+ **Immagine** (JPG o PNG): utilizza i dati di immagini per creare modelli di previsione delle immagini personalizzati con etichetta singola.
+ **Documento** (PDF, JPG, PNG, TIFF): i dati del documento sono supportati solo per i Ready-to-use modelli SageMaker Canvas. Per ulteriori informazioni sui Ready-to-use modelli in grado di effettuare previsioni per i dati dei documenti, consulta. [Ready-to-use modelli](canvas-ready-to-use-models.md)
È possibile importare dati in Canvas dalle seguenti origini dati:
+ File locali sul tuo computer
+ Bucket Amazon S3
+ Cluster con provisioning Amazon Redshift (non Amazon Redshift serverless)
+ AWS Glue Data Catalog tramite Amazon Athena
+ Amazon Aurora
+ Amazon Relational Database Service (Amazon RDS)
+ Data Cloud di Salesforce
+ Snowflake
+ Databricks, SQLServer MariaDB e altri database popolari tramite connettori JDBC
+ Oltre 40 piattaforme SaaS esterne, come SAP OData
Per un elenco completo di origini dati da cui è possibile eseguire l’importazione, consulta la seguente tabella:
| Origine | Tipo | Tipi di dati supportati |
| --- | --- | --- |
| Caricamento dei file locali | Locale | Tabella, immagine, documento |
| Amazon Aurora | Interno di Amazon | Tabulare |
| Bucket Amazon S3 | Interno di Amazon | Tabella, immagine, documento |
| Amazon RDS | Interno di Amazon | Tabulare |
| Cluster con provisioning Amazon Redshift (non Redshift serverless) | Interno di Amazon | Tabulare |
| AWS Glue Data Catalog (tramite Amazon Athena) | Interno di Amazon | Tabulare |
| [Databricks](https://www.databricks.com/) | Esterno | Tabulare |
| Snowflake | Esterno | Tabulare |
| [Data Cloud di Salesforce](https://www.salesforce.com/products/genie/overview/) | Esterno | Tabulare |
| SQLServer | Esterno | Tabulare |
| MySQL | Esterno | Tabulare |
| PostgreSQL | Esterno | Tabulare |
| MariaDB | Esterno | Tabulare |
| [Amplitude](https://docs.aws.amazon.com/appflow/latest/userguide/amplitude.html) | Piattaforma SaaS esterna | Tabulare |
| [CircleCI](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-circleci.html) | Piattaforma SaaS esterna | Tabulare |
| [DocuSign Monitor (Monitoraggio)](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-docusign-monitor.html) | Piattaforma SaaS esterna | Tabulare |
| [Domo](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-domo.html) | Piattaforma SaaS esterna | Tabulare |
| [Datadog](https://docs.aws.amazon.com/appflow/latest/userguide/datadog.html) | Piattaforma SaaS esterna | Tabulare |
| [Dynatrace](https://docs.aws.amazon.com/appflow/latest/userguide/dynatrace.html) | Piattaforma SaaS esterna | Tabulare |
| [Annunci su Facebook](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-ads.html) | Piattaforma SaaS esterna | Tabulare |
| [Approfondimenti sulla pagina Facebook](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-page-insights.html) | Piattaforma SaaS esterna | Tabulare |
| [Annunci Google](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-ads.html) | Piattaforma SaaS esterna | Tabulare |
| [Google Analytics 4](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-analytics-4.html) | Piattaforma SaaS esterna | Tabulare |
| [Console di ricerca Google](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-search-console.html) | Piattaforma SaaS esterna | Tabulare |
| [GitHub](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-github.html) | Piattaforma SaaS esterna | Tabulare |
| [GitLab](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-gitlab.html) | Piattaforma SaaS esterna | Tabulare |
| [Infor Nexus](https://docs.aws.amazon.com/appflow/latest/userguide/infor-nexus.html) | Piattaforma SaaS esterna | Tabulare |
| [Annunci su Instagram](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-instagram-ads.html) | Piattaforma SaaS esterna | Tabulare |
| [Jira Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-jira-cloud.html) | Piattaforma SaaS esterna | Tabulare |
| [LinkedIn Annunci](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Piattaforma SaaS esterna | Tabulare |
| [LinkedIn Annunci](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Piattaforma SaaS esterna | Tabulare |
| [Mailchimp](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mailchimp.html) | Piattaforma SaaS esterna | Tabulare |
| [Marketo](https://docs.aws.amazon.com/appflow/latest/userguide/marketo.html) | Piattaforma SaaS esterna | Tabulare |
| [Microsoft Teams](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-microsoft-teams.html) | Piattaforma SaaS esterna | Tabulare |
| [Mixpanel](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mixpanel.html) | Piattaforma SaaS esterna | Tabulare |
| [Okta](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-okta.html) | Piattaforma SaaS esterna | Tabulare |
| [Salesforce](https://docs.aws.amazon.com/appflow/latest/userguide/salesforce.html) | Piattaforma SaaS esterna | Tabulare |
| [Salesforce Marketing Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-salesforce-marketing-cloud.html) | Piattaforma SaaS esterna | Tabulare |
| [Salesforce Pardot](https://docs.aws.amazon.com/appflow/latest/userguide/pardot.html) | Piattaforma SaaS esterna | Tabulare |
| [SAP OData](https://docs.aws.amazon.com/appflow/latest/userguide/sapodata.html) | Piattaforma SaaS esterna | Tabulare |
| [SendGrid](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-sendgrid.html) | Piattaforma SaaS esterna | Tabulare |
| [ServiceNow](https://docs.aws.amazon.com/appflow/latest/userguide/servicenow.html) | Piattaforma SaaS esterna | Tabulare |
| [Singular](https://docs.aws.amazon.com/appflow/latest/userguide/singular.html) | Piattaforma SaaS esterna | Tabulare |
| [Slack](https://docs.aws.amazon.com/appflow/latest/userguide/slack.html) | Piattaforma SaaS esterna | Tabulare |
| [Stripe](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-stripe.html) | Piattaforma SaaS esterna | Tabulare |
| [Trend Micro](https://docs.aws.amazon.com/appflow/latest/userguide/trend-micro.html) | Piattaforma SaaS esterna | Tabulare |
| [Typeform](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-typeform.html) | Piattaforma SaaS esterna | Tabulare |
| [Veeva](https://docs.aws.amazon.com/appflow/latest/userguide/veeva.html) | Piattaforma SaaS esterna | Tabulare |
| [Zendesk](https://docs.aws.amazon.com/appflow/latest/userguide/zendesk.html) | Piattaforma SaaS esterna | Tabulare |
| [Chat Zendesk](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-chat.html) | Piattaforma SaaS esterna | Tabulare |
| [Zendesk Sell](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sell.html) | Piattaforma SaaS esterna | Tabulare |
| [Zendesk Sunshine](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sunshine.html) | Piattaforma SaaS esterna | Tabulare |
| [Riunioni Zoom](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zoom.html) | Piattaforma SaaS esterna | Tabulare |
Per istruzioni su come importare dati e informazioni sui requisiti dei dati di input, ad esempio la dimensione massima del file per le immagini, consulta [Creazione di un set di dati](canvas-import-dataset.md).
Canvas fornisce anche diversi set di dati di esempio nell'applicazione per aiutarti a iniziare. [Per saperne di più sui set di dati di esempio SageMaker forniti dall'intelligenza artificiale che puoi sperimentare, consulta Utilizzare set di dati di esempio.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-sample-datasets.html)
Dopo aver importato un set di dati in Canvas, è possibile aggiornare il set di dati in qualsiasi momento. È possibile eseguire un aggiornamento manuale o impostare una pianificazione per gli aggiornamenti automatici dei set di dati. Per ulteriori informazioni, consulta [Aggiornamento di un set di dati](canvas-update-dataset.md).
Per ulteriori informazioni specifiche per ciascun tipo di set di dati, consulta le sezioni seguenti:
**Tabulare**
Per importare dati da un'origine dati esterna (come un database Snowflake o una piattaforma SaaS), è necessario autenticarsi e connettersi all'origine dati nell'applicazione Canvas. Per ulteriori informazioni, consulta [Connessione alle origini dati](canvas-connecting-external.md).
Se intendi importare set di dati di dimensioni superiori a 5 GB da Amazon S3 in Canvas, puoi ottenere un campionamento più rapido utilizzando Amazon Athena per eseguire query e campionamento dei dati da Amazon S3.
Dopo aver creato i set di dati in Canvas, puoi preparare e trasformare i dati con la funzionalità di preparazione dei dati di Data Wrangler. Puoi utilizzare Data Wrangler per gestire i valori mancanti, trasformare le funzionalità, eseguire il join di più set di dati in un unico set di dati e altro ancora. Per ulteriori informazioni, consulta [Preparazione dei dati](canvas-data-prep.md).
**Suggerimento**
Finché i dati sono disposti in tabelle, è possibile unire set di dati provenienti da varie fonti, come Amazon Redshift, Amazon Athena o Snowflake.
**Immagine**
Per informazioni su come modificare un set di dati di immagini ed eseguire attività come l'assegnazione o la riassegnazione di etichette, l'aggiunta di immagini o l'eliminazione di immagini, consulta [Modifica di un set di dati di immagini](canvas-edit-image.md).
# Creazione di un set di dati
**Nota**
Se stai importando set di dati di dimensioni superiori a 5 GB in Amazon SageMaker Canvas, ti consigliamo di utilizzare la [funzionalità Data Wrangler](canvas-data-prep.md) in Canvas per creare un flusso di dati. Data Wrangler supporta funzionalità avanzate di preparazione dei dati come il [join](canvas-transform.md#canvas-transform-join) e la [concatenazione](canvas-transform.md#canvas-transform-concatenate) dei dati. Dopo aver creato un flusso di dati, puoi esportarlo come set di dati Canvas e iniziare a creare un modello. Per ulteriori informazioni, consulta [Esportazione per creare un modello](canvas-processing-export-model.md).
Le seguenti sezioni descrivono come creare un set di dati in Amazon SageMaker Canvas. Per i modelli personalizzati, è possibile creare set di dati per dati tabulari e di immagini. Per Ready-to-use i modelli, puoi utilizzare set di dati tabulari e di immagini, nonché set di dati di documenti. Scegli il tuo flusso di lavoro in base alle informazioni seguenti:
+ Per dati categorici, numerici, testuali e di serie temporali, consulta [Importazione dei dati tabulari](#canvas-import-dataset-tabular).
+ Per i dati di immagini, consulta [Importazione dei dati di immagini](#canvas-import-dataset-image).
+ Per i dati dei documenti, consulta [Importazione di dati dei documenti](#canvas-ready-to-use-import-document).
Un set di dati può essere composto da più file. Ad esempio, potresti avere più file di dati di inventario in formato CSV. È possibile caricare questi file insieme come set di dati purché lo schema (o i nomi delle colonne e i tipi di dati) dei file corrispondano.
Canvas supporta anche la gestione di più versioni del tuo set di dati. Quando crei un set di dati, la prima versione è etichettata come `V1`. È possibile creare una nuova versione del tuo set di dati aggiornandolo. È possibile eseguire un aggiornamento manuale oppure impostare una pianificazione automatica per l'aggiornamento del set di dati con nuovi dati. Per ulteriori informazioni, consulta [Aggiornamento di un set di dati](canvas-update-dataset.md).
Quando importi i tuoi dati in Canvas, assicurati che soddisfino i requisiti di input nella tabella seguente. Le limitazioni sono specifiche del tipo di modello che stai creando.
| Limite | Modelli a 2 categorie, a 3 o più categorie, numerici e modelli di serie temporali | Modelli di previsione di testo | Modelli di previsione di immagini | \$1Dati del documento per i modelli Ready-to-use |
| --- | --- | --- | --- | --- |
| Tipi di file supportati | CSV e Parquet (caricamento locale, Amazon S3 o database) JSON (database) | CSV e Parquet (caricamento locale, Amazon S3 o database) JSON (database) | JPG, PNG | PDF, JPG, PNG, TIFF |
| Dimensione massima dei file | Caricamento locale: 5 GB Fonti di dati: PBs | Caricamento locale: 5 GB Fonti di dati: PBs | 30 MB per immagine | 5 MB per documento |
| Numero massimo di file che puoi caricare alla volta | 30 | 30 | N/D | N/D |
| Numero massimo di colonne | 1.000 | 1.000 | N/D | N/D |
| Numero massimo di voci (righe, immagini o documenti) per le **Creazioni rapide** | N/D | 7.500 righe | 5.000 immagini | N/D |
| Numero massimo di voci (righe, immagini o documenti) per le **Creazioni standard** | N/D | 150.000 righe | 180.000 immagini | N/D |
| Numero minimo di voci (righe) per le **Creazioni rapide** | A 2 categorie: 500 righe A 3 o più categorie, numeriche, serie temporali: N/D | N/D | N/D | N/D |
| Numero minimo di voci (righe, immagini o documenti) per le **Creazioni standard** | 250 righe | 50 righe | 50 immagini | N/D |
| Numero minimo di voci (righe o immagini) per etichetta | N/D | 25 righe | 25 righe | N/D |
| Numero minimo di etichette | A 2 categorie: 2 A 3 o più categorie: 3 Numerico, serie temporali: N/D | 2 | 2 | N/D |
| Dimensione minima del campione per il campionamento casuale | 500 | N/D | N/D | N/D |
| Dimensione massima del campione per il campionamento casuale | 200.000 | N/D | N/D | N/D |
| Numero massimo di etichette | A 2 categorie: 2 A 3 o più categorie, numeriche, serie temporali: N/D | 1000 | 1000 | N/D |
\$1I dati del documento sono attualmente supportati solo per [Ready-to-use i modelli](canvas-ready-to-use-models.md) che accettano i dati del documento. Non è possibile creare un modello personalizzato con i dati del documento.
Si noti inoltre che sono valide le seguenti limitazioni:
+ Quando importi dati da un bucket Amazon S3, verifica che il nome del bucket Amazon S3 non contenga un `.`. Se il nome del bucket contiene un `.`, potresti riscontrare errori quando cerchi di importare i dati in Canvas.
+ Per i dati tabulari, Canvas non consente la selezione di file con estensioni diverse da .csv, .parquet, .parq e .pqt sia per il caricamento locale che per l'importazione da Amazon S3. I file CSV possono utilizzare qualsiasi delimitazione generale o personalizzata e non devono contenere caratteri di nuova riga, tranne quando indicano effettivamente una nuova riga.
+ Per i dati tabulari che utilizzano i file Parquet, tieni presente quanto segue:
+ I file Parquet non possono includere tipi complessi come mappe ed elenchi.
+ I nomi delle colonne dei file Parquet non possono contenere spazi.
+ Se si utilizza la compressione, i file Parquet devono utilizzare tipi di compressione gzip o snappy. Per ulteriori informazioni sui tipi di compressione precedenti, consulta la [documentazione di gzip](https://www.gzip.org/) e la [documentazione di snappy](https://github.com/google/snappy).
+ Per quanto riguarda i dati di immagini, se hai immagini senza etichetta, devi etichettarle prima di creare il modello. Per informazioni su come assegnare etichette alle immagini all'interno dell'applicazione Canvas, consulta [Modifica di un set di dati di immagini](canvas-edit-image.md).
+ Se si impostano aggiornamenti automatici dei set di dati o configurazioni automatiche di previsione in batch, è possibile creare solo un totale di 20 configurazioni nell'applicazione Canvas. Per ulteriori informazioni, consulta [Come gestire le automazioni](canvas-manage-automations.md).
Dopo aver importato un set di dati, è possibile visualizzarli nella pagina **Set di dati** in qualsiasi momento.
## Importazione dei dati tabulari
Con i set di dati tabulari, è possibile creare modelli di previsione categoriale, numerica, di previsione di serie temporali e di previsione testuale. Esamina la tabella delle limitazioni nella sezione precedente **Importazione di un set di dati** per assicurarti che il set di dati di immagini soddisfi i requisiti per i dati tabulari.
Attieniti alla procedura seguente per importare un set di dati tabulare in Canvas:
1. Apri l'applicazione SageMaker Canvas.
1. Nel pannello di navigazione a sinistra, scegli **Set di dati**.
1. Scegli **Import data** (Importa dati).
1. Dal menu a discesa, scegli **Tabulare**.
1. Nella finestra di dialogo popup, nel campo **Nome set di dati**, inserisci un nome per il set di dati e scegli **Crea**.
1. Nella pagina **Crea set di dati tabulare**, apri il menu a discesa **Origine dati**.
1. Seleziona l'origine dati:
+ Per caricare file dal computer, seleziona **Caricamento locale**.
+ Per importare dati da un'altra origine, ad esempio un bucket Amazon S3 o un database Snowflake, cerca la tua origine dati nella barra **Cerca origine dati**. Quindi scegli il riquadro per l’origine dati desiderata.
**Nota**
È possibile importare dati solo dai riquadri che hanno una connessione attiva. Se desideri connetterti a un'origine dati che non è disponibile per te, contatta l'amministratore. Se sei un amministratore, consulta [Connessione alle origini dati](canvas-connecting-external.md).
Il seguente screenshot mostra il menu a discesa **Origine dati**.
![\[Screenshot che mostra il menu a discesa Origine dati e la ricerca di una origine dati nella barra di ricerca.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/import-data-choose-source.png)
1. (Facoltativo) Se ti connetti a un database Amazon Redshift o Snowflake per la prima volta, viene visualizzata una finestra di dialogo per creare una connessione. Compila la finestra di dialogo con le tue credenziali e scegli **Crea connessione**. Se hai già una connessione, scegli la tua.
1. Dall’origine dati, seleziona i file da importare. Per il caricamento e l'importazione locali da Amazon S3, è possibile selezionare i file. Solo per Amazon S3, hai anche la possibilità di inserire direttamente l’URI, l’alias o l’ARN S3 del tuo bucket o punto di accesso S3 nel campo **Inserisci endpoint S3**, quindi scegliere i file da importare. Per le fonti del database, puoi visualizzare le tabelle di drag-and-drop dati dal riquadro di navigazione a sinistra.
1. (Facoltativo) Per le origini dati tabulari che supportano le query SQL (come Amazon Redshift, Amazon Athena o Snowflake), puoi scegliere **Modifica in SQL** per creare query SQL prima di importarle.
Il seguente screenshot mostra la visualizzazione **Modifica SQL** per un'origine dati Amazon Athena.
![\[Screenshot che mostra una query SQL nella vista Modifica SQL per i dati di Amazon Athena.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/import-data-edit-sql.png)
1. Scegli **Anteprima set di dati** per visualizzare l’anteprima del set di dati prima dell’importazione.
1. In **Impostazioni di importazione**, inserisci un valore in **Nome del set di dati** o utilizza il nome del set di dati predefinito.
1. (Facoltativo) Per i dati importati da Amazon S3, vengono visualizzate le impostazioni **Avanzate** e puoi compilare i seguenti campi:
1. Attiva l’opzione **Utilizza la prima riga come intestazione** se intendi utilizzare la prima riga del set di dati per i nomi delle colonne. Se hai selezionato più file, l’impostazione si applica a ogni file.
1. Se stai importando un file CSV, nell’elenco a discesa **Codifica file (CSV)** seleziona la codifica del file del set di dati. `UTF-8` è l’impostazione predefinita.
1. Nell’elenco a discesa **Delimitatore**, seleziona il delimitatore che separa ogni cella dei tuoi dati. Il delimitatore predefinito è `,`. Puoi anche specificare un delimitatore personalizzato.
1. Seleziona **Rilevamento di più righe** se desideri che Canvas analizzi manualmente l’intero set di dati alla ricerca di celle con più righe. Per impostazione predefinita, questa opzione non è selezionata e Canvas determina se utilizzare o meno il supporto di più righe prelevando un campione dei tuoi dati. Tuttavia, Canvas potrebbe non rilevare alcuna cella di più righe nel campione. Se sono presenti celle di più righe, ti consigliamo di selezionare l’opzione **Rilevamento di più righe** per forzare Canvas a verificare la presenza di tali celle nell’intero set di dati.
1. Quando è tutto pronto per importare i dati, seleziona **Crea set di dati**.
Durante l'importazione del set di dati in Canvas, è possibile vedere i tuoi set di dati elencati nella pagina **Set di dati.** In questa pagina, è possibile [Visualizzazione dei dettagli dei set di dati](#canvas-view-dataset-details).
Quando lo **Stato** dei tuoi set di dati si presenta come `Ready`, Canvas ha importato correttamente i dati ed è possibile procedere con la [creazione di un modello.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html)
Se disponi di una connessione a un'origine dati, ad esempio un database Amazon Redshift o un connettore SaaS, è possibile tornare a quella connessione. Per Amazon Redshift e Snowflake, è possibile aggiungere un'altra connessione creando un altro set di dati, tornando alla pagina **Importa dati** e scegliendo il riquadro **Origine dati** per quella connessione. Dal menu a discesa, è possibile aprire la connessione precedente o scegliere **Aggiungi connessione.**
**Nota**
Per le piattaforme SaaS, è possibile avere solo una connessione per origine dati.
## Importazione dei dati di immagini
Con i set di dati di immagini, è possibile creare modelli personalizzati di previsione delle immagini con etichetta singola, che prevedono l'etichetta di un'immagine. Esamina la tabella delle limitazioni nella sezione precedente **Importa un set di dati** per assicurarti che il set di dati di immagini soddisfi i requisiti per gli stessi.
**Nota**
È possibile importare set di dati di immagini solo dal caricamento di file locali o da un bucket Amazon S3 Inoltre, per i set di dati di immagini, devi avere almeno 25 immagini per etichetta.
Utilizza la procedura seguente per importare un set di dati di immagini in Canvas:
1. Apri l'applicazione SageMaker Canvas.
1. Nel pannello di navigazione a sinistra, scegli **Set di dati**.
1. Scegli **Import data** (Importa dati).
1. Dal menu a discesa, scegli **Immagine**.
1. Nella finestra di dialogo popup, nel campo **Nome set di dati**, inserisci un nome per il set di dati e scegli **Crea**.
1. Nella pagina **Importa**, apri il menu a discesa **Origine dati**.
1. Scegli l'origine dati. Per caricare file dal computer, seleziona **Caricamento locale**. Per importare file da Amazon S3, seleziona **AmazonS3**.
1. Dal computer o dal bucket Amazon S3, seleziona le immagini o le cartelle di immagini che desideri caricare.
1. Quando è tutto pronto per importare i dati, seleziona **Importa dati**.
Durante l'importazione del set di dati in Canvas, è possibile vedere i tuoi set di dati elencati nella pagina **Set di dati.** In questa pagina, è possibile [Visualizzazione dei dettagli dei set di dati](#canvas-view-dataset-details).
Quando lo **Stato** dei tuoi set di dati si presenta come `Ready`, Canvas ha importato correttamente i dati ed è possibile procedere con la [creazione di un modello](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html).
Durante la creazione del modello, è possibile modificare il set di dati di immagini e assegnare o riassegnare etichette, aggiungere immagini o eliminare immagini dal set di dati. Per ulteriori informazioni su come modificare il set di dati di immagini, consulta [Modifica di un set di dati di immagini](canvas-edit-image.md).
## Importazione di dati dei documenti
I Ready-to-use modelli per l'analisi delle spese, l'analisi dei documenti di identità, l'analisi dei documenti e le interrogazioni sui documenti supportano i dati dei documenti. Non è possibile creare un modello personalizzato con i dati del documento.
Con i set di dati documentali, è possibile generare previsioni per l'analisi delle spese, l'analisi dei documenti di identità, l'analisi dei documenti e i modelli di interrogazione dei documenti. Ready-to-use Consulta la tabella delle limitazioni nella sezione [Creazione di un set di dati](#canvas-import-dataset) per assicurarti che il set di dati di documenti soddisfi i requisiti per gli stessi.
**Nota**
È possibile importare set di dati di immagini solo dal caricamento di file locali o da un bucket Amazon S3.
Attieniti alla procedura seguente per importare un set di dati di documenti in Canvas:
1. Apri l'applicazione Canvas. SageMaker
1. Nel pannello di navigazione a sinistra, scegli **Set di dati**.
1. Scegli **Import data** (Importa dati).
1. Dal menu a discesa scegli **Documento**.
1. Nella finestra di dialogo popup, nel campo **Nome set di dati**, inserisci un nome per il set di dati e seleziona **Crea**.
1. Nella pagina **Importa**, apri il menu a discesa **Origine dati**.
1. Scegli l'origine dati. Per caricare file dal computer, seleziona **Caricamento locale**. Per importare file da Amazon S3, seleziona **AmazonS3**.
1. Dal computer o dal bucket Amazon S3, seleziona i file di documento che desideri caricare.
1. Quando è tutto pronto per importare i dati, seleziona **Importa dati**.
Durante l'importazione del set di dati in Canvas, è possibile vedere i tuoi set di dati elencati nella pagina **Set di dati.** In questa pagina, è possibile [Visualizzazione dei dettagli dei set di dati](#canvas-view-dataset-details).
Quando lo **Stato** dei tuoi set di dati si presenta come `Ready`, Canvas ha importato i dati con successo.
Nella pagina **Set di dati**, è possibile scegliere il tuo set di dati per visualizzarne l'anteprima, che mostrerà fino ai primi 100 documenti.
## Visualizzazione dei dettagli dei set di dati
Per ciascuno dei tuoi set di dati, è possibile visualizzare tutti i file in un set di dati, la cronologia delle versioni del set di dati e qualsiasi configurazione di aggiornamento automatico per il set di dati. Dalla pagina **Set di dati**, puoi anche avviare azioni come [Aggiornamento di un set di dati](canvas-update-dataset.md) o [Funzionamento dei modelli personalizzati](canvas-build-model.md).
Per visualizzare i dettagli di un set di dati, effettua le seguenti operazioni:
1. Apri l'applicazione SageMaker Canvas.
1. Nel pannello di navigazione a sinistra, scegli **Set di dati**.
1. Dall'elenco dei set di dati, scegli il tuo set di dati.
Nella scheda **Dati**, è possibile vedere un'anteprima dei tuoi dati. Se scegli **Dettagli dei set di dati**, è possibile visualizzare tutti i file che fanno parte del tuo set di dati. Scegli un file per visualizzare solo i dati di quel file nell'anteprima. Per i set di dati di immagini, l'anteprima mostra solo le prime 100 immagini del tuo set di dati.
Nella scheda **Cronologia delle versioni**, è possibile visualizzare un elenco di tutte le versioni del tuo set di dati. Ogni volta che aggiorni un set di dati viene creata una nuova versione. Per scoprire di più sull'aggiornamento di un set di dati, consulta [Aggiornamento di un set di dati](canvas-update-dataset.md). Il seguente screenshot mostra la scheda **Cronologia delle versioni** nell'applicazione Canvas.
![\[Screenshot della scheda Cronologia delle versioni di un set di dati, con un elenco delle versioni del set di dati.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-version-history.png)
Nella scheda **Aggiornamenti automatici**, è possibile abilitare gli aggiornamenti automatici per il set di dati e impostare una configurazione per aggiornare il set di dati a intervalli regolari. Per scoprire di più sulla configurazione degli aggiornamenti automatici per i set di dati, consulta [Configurazione degli aggiornamenti automatici per un set di dati](canvas-update-dataset-auto.md). Il seguente screenshot mostra la scheda **Aggiornamenti automatici** con gli aggiornamenti automatici attivati e un elenco dei processi di aggiornamento automatico che sono stati eseguiti sul set di dati.
![\[Scheda Aggiornamenti automatici del set di dati che mostra gli aggiornamenti automatici attivati e un elenco di processi di aggiornamento automatico.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-auto-updates.png)
# Aggiornamento di un set di dati
Dopo aver importato il set di dati iniziale in Amazon SageMaker Canvas, potresti avere altri dati da aggiungere al tuo set di dati. Ad esempio, potresti ricevere dati di inventario alla fine di ogni settimana che desideri aggiungere al tuo set di dati. Invece di importare i dati più volte, è possibile aggiornare il set di dati esistente e aggiungere o rimuovere file da esso.
**Nota**
È possibile aggiornare solo i set di dati che hai importato tramite caricamento locale o Amazon S3.
È possibile aggiornare il set di dati manualmente o automaticamente. Per ulteriori informazioni sugli aggiornamenti automatici per i set di dati, consulta [Configurazione degli aggiornamenti automatici per un set di dati](canvas-update-dataset-auto.md).
Ogni volta che si aggiorna il set di dati, Canvas crea una nuova versione del set di dati. È possibile utilizzare solo la versione più recente del tuo set di dati per creare un modello o generare previsioni. Per ulteriori informazioni sulla visualizzazione della cronologia delle versioni del tuo set di dati, consulta [Visualizzazione dei dettagli dei set di dati](canvas-import-dataset.md#canvas-view-dataset-details).
Inoltre, puoi utilizzare gli aggiornamenti dei set di dati con previsioni automatiche in batch, che avviano un processo di previsione in batch ogni volta che aggiorni il set di dati. Per ulteriori informazioni, consulta [Previsioni in batch in Canvas SageMaker](canvas-make-predictions-batch.md).
La sezione seguente descrive come eseguire gli aggiornamenti manuali del set di dati.
## Aggiorna manualmente un set di dati
Per eseguire un aggiornamento manuale, effettua le seguenti operazioni:
1. Apri l'applicazione Canvas. SageMaker
1. Nel pannello di navigazione a sinistra, scegli **Set di dati**.
1. Dall'elenco dei set di dati, scegli il set di dati che desideri aggiornare.
1. Scegli il menu a discesa **Aggiorna set di dati** e scegli **Aggiornamento manuale**. Si verrà indirizzati verso il flusso di lavoro di importazione dati.
1. Dal menu a discesa **Origine dati**, scegli **Caricamento locale** o **Amazon S3**.
1. La pagina mostra un'anteprima dei tuoi dati. Da qui, è possibile aggiungere o rimuovere file dal set di dati. Se stai importando dati tabulari, lo schema dei nuovi file (nomi colonne e tipi di dati) deve corrispondere allo schema dei file esistenti. Inoltre, i nuovi file non devono superare la dimensione massima del set di dati o la dimensione del file. Per ulteriori informazioni su queste limitazioni, consulta [Import a dataset](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html).
**Nota**
Se aggiungi un file con lo stesso nome di un file esistente nel set di dati, il nuovo file sovrascrive la vecchia versione del file.
1. Quando sei pronto per salvare le modifiche, scegli **Aggiorna set di dati**.
Ora dovresti avere una nuova versione del tuo set di dati.
Nella pagina **Set di dati**, è possibile scegliere la scheda **Cronologia delle versioni** per vedere tutte le versioni del tuo set di dati e la cronologia degli aggiornamenti manuali e automatici che hai effettuato.
# Configurazione degli aggiornamenti automatici per un set di dati
Dopo aver importato il set di dati iniziale in Amazon SageMaker Canvas, potresti avere altri dati da aggiungere al tuo set di dati. Ad esempio, potresti ricevere dati di inventario alla fine di ogni settimana che desideri aggiungere al tuo set di dati. Invece di importare i dati più volte, è possibile aggiornare il set di dati esistente e aggiungere o rimuovere file da esso.
**Nota**
È possibile aggiornare solo i set di dati che hai importato tramite caricamento locale o Amazon S3.
Con gli aggiornamenti automatici del set di dati, specifichi una posizione in cui Canvas controlla i file con una frequenza programmata. Se si importano nuovi file durante l'aggiornamento, lo schema dei file deve corrispondere esattamente al set di dati esistente.
Ogni volta che si aggiorna il set di dati, Canvas crea una nuova versione del set di dati. È possibile utilizzare solo la versione più recente del tuo set di dati per creare un modello o generare previsioni. Per ulteriori informazioni sulla visualizzazione della cronologia delle versioni del tuo set di dati, consulta [Visualizzazione dei dettagli dei set di dati](canvas-import-dataset.md#canvas-view-dataset-details).
Inoltre, puoi utilizzare gli aggiornamenti dei set di dati con previsioni automatiche in batch, che avviano un processo di previsione in batch ogni volta che aggiorni il set di dati. Per ulteriori informazioni, consulta [Previsioni in batch in Canvas SageMaker](canvas-make-predictions-batch.md).
La sezione seguente descrive come eseguire gli aggiornamenti automatici del set di dati.
Un aggiornamento automatico si verifica quando si imposta una configurazione per Canvas per aggiornare il set di dati a una determinata frequenza. Ti consigliamo di utilizzare questa opzione se ricevi regolarmente nuovi file di dati che desideri aggiungere al tuo set di dati.
Quando imposti la configurazione dell'aggiornamento automatico, specifichi una posizione Amazon S3 in cui caricare i file e una frequenza con cui Canvas controlla la posizione e importa i file. Ogni istanza di Canvas che aggiorna il set di dati viene definita *processo*. Per ogni processo, Canvas importa tutti i file nella posizione Amazon S3. Se hai un file con lo stesso nome di file esistenti nel set di dati, Canvas sovrascrive i vecchi file con i nuovi.
Per gli aggiornamenti automatici dei set di dati, Canvas non esegue la convalida dello schema. Se lo schema dei file importati durante un aggiornamento automatico non corrisponde allo schema dei file esistenti o supera i limiti di dimensione (consulta [Import a dataset](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html) per una tabella delle limitazioni delle dimensioni dei file), si verificheranno errori durante l'esecuzione dei processi.
**Nota**
È possibile impostare solo un massimo di 20 configurazioni automatiche nell'applicazione Canvas. Inoltre, Canvas esegue aggiornamenti automatici solo quando sei connesso all'applicazione Canvas. Se esci dall'applicazione Canvas, gli aggiornamenti automatici vengono sospesi fino a quando non effettui nuovamente l'accesso.
Per configurare gli aggiornamenti automatici per il set di dati, effettua le seguenti operazioni:
1. Apri l'applicazione Canvas. SageMaker
1. Nel pannello di navigazione a sinistra, scegli **Set di dati**.
1. Dall'elenco dei set di dati, scegli il set di dati che desideri aggiornare.
1. Scegli il menu a discesa **Aggiorna set di dati** e scegli **Aggiornamento manuale.** Verrai reindirizzato alla scheda **Aggiornamenti automatici** del set di dati.
1. Attiva l'opzione **Aggiornamento automatico abilitato**.
1. Per **Specifica un'origine dati**, inserisci il percorso Amazon S3 di una cartella in cui prevedi di caricare regolarmente i file.
1. Per **Scegli una frequenza**, seleziona **Oraria**, **Settimanale** o **Giornaliera**.
1. Per **Specifica un'ora di inizio**, utilizza il calendario e il selettore dell'ora per selezionare quando si desidera avviare il primo processo di aggiornamento automatico.
1. Quando si è pronti per creare la configurazione di aggiornamento automatico, scegliere **Salva**.
Canvas avvia il primo processo della cadenza di aggiornamento automatico all'ora di inizio specificata.
# Visualizza i processi di aggiornamento automatico dei set di dati
Per visualizzare la cronologia dei lavori per gli aggiornamenti automatici dei set di dati in Amazon SageMaker Canvas, nella pagina dei dettagli del set di dati, scegli la scheda **Aggiornamenti automatici**.
Ciascun aggiornamento automatico di un set di dati viene visualizzato come un processo nella scheda **Aggiornamenti automatici** nella sezione **Cronologia del processo**. Per ogni processo, vedrai:
+ **Processo creato**: il timestamp di quando Canvas ha iniziato ad aggiornare il set di dati.
+ **File**: il numero di file nel set di dati.
+ **Celle (colonne x righe)**: il numero di colonne e righe nel set di dati.
+ **Stato**: lo stato del set di dati dopo l'aggiornamento. Se il processo è riuscito, lo stato è **Pronto**. Se il processo non è riuscito per qualsiasi motivo, lo stato è **Non riuscito** ed è possibile passare il mouse sullo stato per ulteriori dettagli.
# Modifica della configurazione di aggiornamento automatico del set di dati
Potresti voler apportare modifiche alla configurazione dell'aggiornamento automatico per un set di dati, ad esempio cambiando la frequenza degli aggiornamenti. Potresti anche voler disattivare la configurazione di aggiornamento automatico per sospendere gli aggiornamenti del tuo set di dati.
Per apportare modifiche alla configurazione di aggiornamento automatico per un set di dati, vai alla scheda **Aggiornamenti automatici** del set di dati e scegli **Modifica**.
Per sospendere gli aggiornamenti dei set di dati, disattiva la configurazione automatica. È possibile disattivare gli aggiornamenti automatici accedendo alla scheda **Aggiornamenti automatici** del tuo set di dati e disattivando l'opzione **Abilita aggiornamenti automatici**. Per riprendere la pianificazione degli aggiornamenti è possibile riattivare l'opzione in qualsiasi momento.
Per scoprire come eliminare la tua configurazione, consulta [Eliminazione di una configurazione automatica](canvas-manage-automations-delete.md).
# Connessione alle origini dati
In Amazon SageMaker Canvas, puoi importare dati da una posizione esterna al tuo file system locale tramite un AWS servizio, una piattaforma SaaS o altri database utilizzando connettori JDBC. Ad esempio, magari vuoi importare tabelle da un data warehouse in Amazon Redshift o importare i dati di Google Analytics.
Quando esegui il flusso di lavoro di **importazione** per importare dati nell'applicazione Canvas, è possibile scegliere l'origine dei dati e selezionare i dati che desideri importare. Per alcune origine dati, come Snowflake e Amazon Redshift, devi specificare le tue credenziali e aggiungere una connessione all'origine dati.
Il seguente screenshot mostra la barra degli strumenti dell'origine dati nel flusso di lavoro di **importazione**, con tutte le origini dati disponibili evidenziate. È possibile importare dati solo dalle origini dati disponibili. Contatta l'amministratore se l'origine dati desiderata non è disponibile.
![\[Il menu a discesa Origine dati nella pagina Importa dati in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/data-sources.png)
Le seguenti sezioni forniscono informazioni su come stabilire connessioni a origini dati esterne e importare dati da esse. Consulta innanzitutto la sezione seguente per determinare quali autorizzazioni sono necessarie per importare dati dalla tua origine dati.
## Permissions
Esamina le seguenti informazioni per assicurarti di disporre delle autorizzazioni necessarie per importare dati dalla tua origine dati:
+ **Amazon S3:** è possibile importare dati da qualsiasi bucket Amazon S3, a condizione che l'utente disponga delle autorizzazioni di accesso al bucket. *Per ulteriori informazioni sull'utilizzo di AWS IAM per controllare l'accesso ai bucket Amazon S3, consulta [Gestione delle identità e degli accessi in Amazon S3 nella Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-access-control.html) User Guide.*
+ **Amazon Athena:** se disponi della [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)policy e della [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)policy allegate al ruolo di esecuzione del tuo utente, puoi interrogarlo AWS Glue Data Catalog con Amazon Athena. Se fai parte di un gruppo di lavoro Athena, assicurati che l'utente Canvas disponga delle autorizzazioni per eseguire le query Athena sui dati. Per ulteriori informazioni, consulta la sezione [Using workgroups for running queries](https://docs.aws.amazon.com/athena/latest/ug/workgroups.html) nella *Guida per l'utente di Amazon Athena*.
+ **Amazon DocumentDB:** puoi importare dati da qualsiasi database Amazon DocumentDB se disponi delle credenziali (nome utente e password) per la connessione al database e delle autorizzazioni Canvas di base minime associate al ruolo di esecuzione dell’utente. Per ulteriori informazioni sulle autorizzazioni Canvas, consulta [Prerequisiti per la configurazione di Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
+ **Amazon Redshift:** per concederti le autorizzazioni necessarie per importare dati da Amazon Redshift, consulta [Grant Users Permissions to Import Amazon Redshift Data](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
+ **Amazon RDS:** se hai la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)policy associata al ruolo di esecuzione del tuo utente, potrai accedere ai tuoi database Amazon RDS da Canvas.
+ **Piattaforme SaaS:** se disponi della [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)policy e della [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)policy allegate al ruolo di esecuzione dell'utente, disponi delle autorizzazioni necessarie per importare dati dalle piattaforme SaaS. Per ulteriori informazioni sulla connessione a un connettore SaaS specifico, consulta [Usa connettori SaaS con Canvas](#canvas-connecting-external-appflow).
+ **Connettori JDBC:** per le fonti di database come Databricks, MySQL o MariaDB, devi abilitare l'autenticazione di nome utente e password sul database di origine prima di tentare la connessione da Canvas. Se ti connetti a un database Databricks, devi disporre dell'URL JDBC che contiene le credenziali necessarie.
## Connect a un database archiviato in AWS
Potresti voler importare i dati che hai archiviato in AWS. Puoi importare dati da Amazon S3, utilizzare Amazon Athena per interrogare un database in AWS Glue Data Catalog, importare dati da [Amazon RDS o stabilire una connessione a un database Amazon](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/Welcome.html) Redshift fornito (non Redshift Serverless).
È possibile creare più connessioni a Amazon Redshift. Per Amazon Athena, è possibile accedere a qualsiasi database che hai nel tuo [AWS Glue Data Catalog](https://docs.aws.amazon.com/prescriptive-guidance/latest/serverless-etl-aws-glue/aws-glue-data-catalog.html). Per Amazon S3, è possibile importare dati da un bucket purché si disponga delle autorizzazioni necessarie.
Consulta le sezioni seguenti per informazioni dettagliate.
### Connessione ai dati in Amazon S3, Amazon Athena o Amazon RDS
Amazon S3: è possibile importare dati da qualsiasi bucket Amazon S3, a condizione che l'utente disponga delle autorizzazioni di accesso al bucket.
[Per Amazon Athena, puoi accedere ai database se disponi delle autorizzazioni tramite il tuo AWS Glue Data Catalog gruppo di lavoro Amazon Athena.](https://docs.aws.amazon.com/athena/latest/ug/manage-queries-control-costs-with-workgroups.html)
Per Amazon RDS, se hai la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)policy associata al tuo ruolo utente, potrai importare dati dai tuoi database Amazon RDS in Canvas.
Per importare dati da un bucket Amazon S3 o eseguire query e importare tabelle di dati con Amazon Athena, consulta [Creazione di un set di dati](canvas-import-dataset.md). È possibile importare solo dati tabulari da Amazon Athena e importare dati tabulari e di immagini da Amazon S3.
### Connessione a un database Amazon DocumentDB
Amazon DocumentDB è un servizio di database di documenti serverless e completamente gestito. Puoi importare dati di documenti non strutturati archiviati in un database Amazon DocumentDB SageMaker in Canvas come set di dati tabulare e quindi creare modelli di apprendimento automatico con i dati.
**Importante**
Il tuo dominio SageMaker AI deve essere configurato in modalità **solo VPC** per aggiungere connessioni ad Amazon DocumentDB. È possibile accedere ai cluster Amazon DocumentDB solo nello stesso Amazon VPC dell’applicazione Canvas. Inoltre, Canvas può connettersi solo a cluster Amazon DocumentDB abilitati per TLS. Per ulteriori informazioni su come configurare Canvas in modalità **Solo VPC**, consulta [Configura Amazon SageMaker Canvas in un VPC senza accesso a Internet](canvas-vpc.md).
Per importare dati dai database Amazon DocumentDB, è necessario disporre delle credenziali per accedere al database Amazon DocumentDB e specificare il nome utente e la password durante la creazione di una connessione al database. Puoi configurare autorizzazioni più granulari e limitare l’accesso modificando le autorizzazioni utente di Amazon DocumentDB. Per ulteriori informazioni sul controllo degli accessi in Amazon DocumentDB, consulta [Database Access Using Role-Based Access Control](https://docs.aws.amazon.com/documentdb/latest/developerguide/role_based_access_control.html) in *Amazon DocumentDB Developer Guide*.
Quando effettui l’importazione da Amazon DocumentDB, Canvas converte i dati non strutturati in un set di dati tabulare mappando i campi alle colonne di una tabella. Vengono create tabelle aggiuntive per ogni campo complesso (o struttura annidata) nei dati, in cui le colonne corrispondono ai sottocampi del campo complesso. Per informazioni più dettagliate su questo processo ed esempi di conversione dello schema, consulta la pagina [Amazon DocumentDB JDBC Driver](https://github.com/aws/amazon-documentdb-jdbc-driver/blob/develop/src/markdown/schema/schema-discovery.md) Schema Discovery. GitHub
Canvas può stabilire una connessione solo a un singolo database in Amazon DocumentDB. Per importare dati da un database diverso, devi creare una nuova connessione.
Puoi importare dati da Amazon DocumentDB a Canvas utilizzando i seguenti metodi:
+ [Creazione di un set di dati](canvas-import-dataset.md). Puoi importare i dati di Amazon DocumentDB e creare un set di dati tabulare in Canvas. Se scegli questo metodo, assicurati di seguire la procedura di [importazione dei dati tabulari](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html#canvas-import-dataset-tabular).
+ [Creazione di un flusso di dati](canvas-data-flow.md). Puoi creare una pipeline di preparazione dei dati in Canvas e aggiungere il tuo database Amazon DocumentDB come origine dati.
Per procedere con l’importazione dei dati, segui la procedura per uno dei metodi collegati nell’elenco precedente.
Quando raggiungi la fase di scelta di un’origine dati in uno dei due flussi di lavoro (fase 6 per la creazione di un set di dati o fase 8 per la creazione di un flusso di dati), procedi come descritto di seguito:
1. In **Origine dati**, apri il menu a discesa e scegli **DocumentDB**.
1. Scegli **Aggiungi connessione**.
1. Nella finestra di dialogo, specifica le credenziali Amazon DocumentDB:
1. Inserisci un **Nome della connessione**. Si tratta di un nome usato da Canvas per identificare questa connessione.
1. In **Cluster**, seleziona il cluster in Amazon DocumentDB che archivia i tuoi dati. Canvas compila automaticamente il menu a discesa con i cluster Amazon DocumentDB nello stesso VPC dell’applicazione Canvas.
1. Inserisci il **nome utente** per il tuo cluster Amazon DocumentDB.
1. Inserisci la **password** per il tuo cluster Amazon DocumentDB.
1. Scegli il nome del **database** a cui desideri connetterti.
1. L’opzione **Preferenza di lettura** specifica da quali tipi di istanze del cluster Canvas legge i dati. Selezionare uno dei seguenti:
+ **Secondario preferito**: per impostazione predefinita, Canvas legge i dati dalle istanze secondarie del cluster ma, se queste non sono disponibili, Canvas utilizza un’istanza primaria.
+ **Secondario**: Canvas legge i dati solo dalle istanze secondarie del cluster. Questa impostazione evita che le operazioni di lettura interferiscano con le normali operazioni di lettura e scrittura del cluster.
1. Scegli **Aggiungi connessione**. L’immagine seguente mostra la finestra di dialogo con i campi precedenti per una connessione ad Amazon DocumentDB.
![\[Screenshot della finestra di dialogo Aggiungi una nuova connessione a DocumentDB in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/add-docdb-connection.png)
A questo punto, dovresti disporre di una connessione ad Amazon DocumentDB e puoi utilizzare i dati di Amazon DocumentDB in Canvas per creare un set di dati o un flusso di dati.
### Connessione a un database Amazon Redshift
È possibile importare dati da Amazon Redshift, un data warehouse in cui la tua organizzazione conserva i propri dati. Prima di poter importare dati da Amazon Redshift, al ruolo AWS IAM utilizzato deve essere associata la policy `AmazonRedshiftFullAccess` gestita. Per istruzioni su come collegare la policy, consulta [Concedere agli utenti le autorizzazioni per importare dati Amazon Redshift](canvas-redshift-permissions.md).
Per importare dati da Amazon Redshift, effettua le seguenti operazioni:
1. Crea una connessione a un database Amazon Redshift.
1. Scegli i dati che stai importando.
1. Importa i dati.
Puoi utilizzare l'editor di Amazon Redshift per trascinare i set di dati nel riquadro di importazione e importarli in Canvas. SageMaker Per un maggiore controllo sui valori restituiti nel set di dati, è possibile utilizzare quanto segue:
+ Query SQL
+ Join
Con le query SQL puoi personalizzare il modo in cui importi i valori nel set di dati. Ad esempio, è possibile specificare le colonne restituite nel set di dati o l'intervallo di valori per una colonna.
È possibile utilizzare join per combinare più set di dati di Amazon Redshift in un set di dati singolo. È possibile trascinare i tuoi set di dati da Amazon Redshift nel pannello che ti dà la possibilità di collegare i set di dati.
È possibile utilizzare l'editor SQL per modificare il set di dati che hai collegato e convertire il set di dati collegati in un nodo singolo. È possibile collegare un altro set di dati al nodo. Puoi importare i dati che hai selezionato in SageMaker Canvas.
Utilizza la procedura seguente per importare dati da Amazon Redshift.
1. Nell'applicazione SageMaker Canvas, vai alla pagina **Datasets**.
1. Scegli **Importa dati** e, dal menu a discesa, scegli **Tabulare**.
1. Inserisci un nome per il set di dati, quindi scegli **Crea**.
1. Per **Origine dati**, apri il menu a discesa e scegli **Redshift**.
1. Scegli **Aggiungi connessione**.
1. Nella finestra di dialogo, specifica le credenziali Amazon Redshift:
1. Per **Metodo di autenticazione**, scegli **IAM**.
1. Inserisci l'**identificatore del cluster** per specificare a quale cluster vuoi collegarti. Inserisci solo l'identificatore del cluster e non l'endpoint completo del cluster Amazon Redshift.
1. Inserisci il **Nome del database** a cui desideri collegarti.
1. Inserisci un **utente del database** per identificare l'utente che desideri utilizzare per collegarti al database.
1. Per **ARN**, inserisci l'ARN del ruolo IAM che il cluster Amazon Redshift dovrebbe assumere per spostare e scrivere dati su Amazon S3. Per ulteriori informazioni su questo ruolo, consulta [Autorizzazione di Amazon Redshift ad accedere ad AWS altri servizi per tuo conto](https://docs.aws.amazon.com/redshift/latest/mgmt/authorizing-redshift-service.html) nella *Amazon Redshift Management Guide*.
1. Inserisci un **Nome della connessione**. Si tratta di un nome usato da Canvas per identificare questa connessione.
1. Dalla scheda contenente il nome della connessione, trascina il file .csv che stai importando nel pannello **Trascina e rilascia la tabella da importare**.
1. Facoltativo: trascina le tabelle aggiuntive nel pannello di importazione. È possibile utilizzare la GUI per collegare le tabelle. Per una maggiore specificità nei tuoi join, scegli **Modifica in SQL**.
1. Facoltativo: se utilizzi SQL per interrogare i dati, è possibile scegliere **Contesto** per aggiungere contesto alla connessione specificando i valori per quanto segue:
+ **Warehouse**
+ **Database**
+ **Schema**
1. Scegli **Importa dati**.
L'immagine seguente mostra un esempio di campi specificati per una connessione Amazon Redshift.
![\[Screenshot della finestra di dialogo Aggiungi una nuova connessione a Redshift in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-add-connection.png)
L'immagine seguente mostra la pagina utilizzata per combinare set di dati in Amazon Redshift.
![\[Screenshot della pagina Importa in Canvas, che mostra il join di due set di dati.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-join.png)
L'immagine seguente mostra una query SQL utilizzata per modificare un join in Amazon Redshift.
![\[Screenshot di una query SQL nell’editor Modifica SQL nella pagina Importa in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-edit-sql.png)
## Connettiti ai tuoi dati con connettori JDBC
Con JDBC, puoi connetterti ai tuoi database da fonti come Databricks, MySQL, SQLServer PostgreSQL, MariaDB, Amazon RDS e Amazon Aurora.
Devi assicurarti di avere le credenziali e le autorizzazioni necessarie per creare la connessione da Canvas.
+ Per Databricks, devi fornire un URL JDBC. La formattazione dell'URL può variare tra le istanze di Databricks. Per informazioni su come trovare l'URL e specificare i parametri al suo interno, consulta [JDBC configuration and connection parameters](https://docs.databricks.com/integrations/bi/jdbc-odbc-bi.html#jdbc-configuration-and-connection-parameters) nella documentazione di Databricks. Di seguito è riportato un esempio di formato dell'URL: `jdbc:spark://aws-sagemaker-datawrangler.cloud.databricks.com:443/default;transportMode=http;ssl=1;httpPath=sql/protocolv1/o/3122619508517275/0909-200301-cut318;AuthMech=3;UID=token;PWD=personal-access-token`
+ Per altre origini di database, devi impostare l'autenticazione con nome utente e password, quindi specificare tali credenziali quando ci si connette al database da Canvas.
Inoltre, l’origine dati deve essere accessibile tramite la rete Internet pubblica oppure, se l’applicazione Canvas è in esecuzione in modalità **Solo VPC**, l’origine dati deve essere eseguita nello stesso VPC. *Per ulteriori informazioni sulla configurazione di un database Amazon RDS in un VPC, consulta Amazon [VPC VPCs e Amazon RDS nella Amazon RDS](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/USER_VPC.html) User Guide.*
Dopo aver configurato le credenziali dell'origine dati, è possibile accedere all'applicazione Canvas e creare una connessione all'origine dati. Specifica le tue credenziali (o, per Databricks, l'URL) durante la creazione della connessione.
## Connect a fonti di dati con OAuth
Canvas supporta l'utilizzo OAuth come metodo di autenticazione per la connessione ai dati in Snowflake e Salesforce Data Cloud. [OAuth](https://oauth.net/2/)è una piattaforma di autenticazione comune per concedere l'accesso alle risorse senza condividere le password.
**Nota**
È possibile stabilire una sola OAuth connessione per ogni fonte di dati.
Per autorizzare la connessione, è necessario seguire la configurazione iniziale descritta in [Configura le connessioni alle sorgenti dati con OAuth](canvas-setting-up-oauth.md).
Dopo aver impostato le OAuth credenziali, puoi fare quanto segue per aggiungere una connessione Snowflake o Salesforce Data Cloud con: OAuth
1. Accedi all'applicazione Canvas.
1. Crea un set di dati tabulare. Quando ti viene richiesto di caricare dati, scegli il cloud dei dati Snowflake o Salesforce come origine dati.
1. Crea una nuova connessione alla tua origine dati nel cloud dei dati Snowflake o Salesforce. Specificate OAuth come metodo di autenticazione e inserite i dettagli della connessione.
Ora dovresti essere in grado di importare dati dai tuoi database nel cloud dei dati Snowflake o Salesforce.
## Connessione a una piattaforma SaaS
È possibile importare dati da Snowflake e oltre 40 altre piattaforme SaaS esterne. Per l'elenco completo dei connettori, consulta la tabella su [Importazione dei dati](canvas-importing-data.md).
**Nota**
È possibile importare solo dati tabulari, come tabelle di dati, da piattaforme SaaS.
### Utilizzo di Snowflake con Canvas
Snowflake è un servizio di archiviazione e analisi dei dati e puoi importare i tuoi dati da Snowflake in Canvas. SageMaker Per ulteriori informazioni su Snowflake, consulta la [documentazione di Snowflake](https://www.snowflake.com/en/).
È possibile importare i dati dal tuo account Snowflake eseguendo le seguenti operazioni:
1. Crea una connessione al database Snowflake.
1. Scegli i dati da importare trascinando la tabella dal menu di navigazione a sinistra all'editor.
1. Importa i dati.
Puoi utilizzare l'editor Snowflake per trascinare i set di dati nel riquadro di importazione e importarli in Canvas. SageMaker Per un maggiore controllo sui valori restituiti nel set di dati, è possibile utilizzare quanto segue:
+ Query SQL
+ Join
Con le query SQL puoi personalizzare il modo in cui importi i valori nel set di dati. Ad esempio, è possibile specificare le colonne restituite nel set di dati o l'intervallo di valori per una colonna.
È possibile combinare più set di dati Snowflake in un singolo set di dati prima di importarli in Canvas utilizzando SQL o l'interfaccia Canvas. È possibile trascinare i tuoi set di dati da Snowflake nel pannello che ti dà la possibilità di collegare i set di dati, oppure puoi modificare i join in SQL e convertire l'SQL in un nodo singolo. È possibile unire altri nodi al nodo che hai convertito. Ora è possibile combinare i set di dati che hai collegato in un nodo singolo e collegare i nodi a un set di dati Snowflake diverso. Infine, è possibile importare i dati che hai selezionato in Canvas.
Utilizza la seguente procedura per importare dati da Snowflake ad Amazon SageMaker Canvas.
1. Nell'applicazione SageMaker Canvas, vai alla pagina **Datasets**.
1. Scegli **Importa dati** e, dal menu a discesa, scegli **Tabulare**.
1. Inserisci un nome per il set di dati, quindi scegli **Crea**.
1. Per **Origine dati**, apri il menu a discesa e scegli **Snowflake**.
1. Scegli **Aggiungi connessione**.
1. Nella finestra di dialogo **Aggiungi una nuova connessione Snowflake**, specifica le tue credenziali Snowflake. In **Metodo di autenticazione**, scegli una delle opzioni seguenti:
+ **Base (nome utente e password)**: fornisci l’ID, il nome utente e la password del tuo account Snowflake.
+ **ARN**: per una migliore protezione delle tue credenziali Snowflake, fornisci l'ARN di un segreto che contiene le tue credenziali. Gestione dei segreti AWS *Per ulteriori informazioni, consulta [Creare un Gestione dei segreti AWS](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html) segreto nella Guida per l'utente.Gestione dei segreti AWS *
Le credenziali Snowflake del tuo segreto devono essere archiviate nel formato JSON seguente:
```
{"accountid": "ID",
"username": "username",
"password": "password"}
```
+ **OAuth**— OAuth consente l'autenticazione senza fornire una password ma richiede una configurazione aggiuntiva. Per ulteriori informazioni sulla configurazione delle OAuth credenziali per Snowflake, consulta. [Configura le connessioni alle sorgenti dati con OAuth](canvas-setting-up-oauth.md)
1. Scegli **Aggiungi connessione**.
1. Dalla scheda contenente il nome della connessione, trascina il file .csv che stai importando nel pannello **Trascina e rilascia la tabella da importare**.
1. Facoltativo: trascina le tabelle aggiuntive nel pannello di importazione. È possibile utilizzare l'interfaccia utente per collegare le tabelle. Per una maggiore specificità nei tuoi join, scegli **Modifica in SQL**.
1. Facoltativo: se utilizzi SQL per interrogare i dati, è possibile scegliere **Contesto** per aggiungere contesto alla connessione specificando i valori per quanto segue:
+ **Warehouse**
+ **Database**
+ **Schema**
L'aggiunta di contesto a una connessione semplifica la specificazione di query future.
1. Scegli **Importa dati**.
L'immagine seguente mostra un esempio di campi specificati per una connessione Snowflake.
![\[Screenshot della finestra di dialogo Aggiungi una nuova connessione a Snowflake in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-connection.png)
L'immagine seguente mostra la pagina utilizzata per aggiungere contesto a una connessione.
![\[Screenshot della pagina Importa in Canvas, che mostra la finestra di dialogo Contesto.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-connection-context.png)
L'immagine seguente mostra la pagina utilizzata per combinare set di dati in Snowflake.
![\[Screenshot della pagina Importa in Canvas, che mostra il join di più set di dati.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-join.png)
L'immagine seguente mostra una query SQL utilizzata per modificare un join in Snowflake.
![\[Screenshot di una query SQL nell’editor Modifica SQL nella pagina Importa in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-edit-sql.png)
### Usa connettori SaaS con Canvas
**Nota**
Per le piattaforme SaaS oltre a Snowflake, è possibile avere solo una connessione per origine dati.
Prima di poter importare dati da una piattaforma SaaS, l'amministratore deve autenticarsi e creare una connessione all'origine dati. Per ulteriori informazioni su come gli amministratori possono creare una connessione con una piattaforma SaaS, consulta [Managing Amazon connections nella AppFlow * AppFlow Amazon*](https://docs.aws.amazon.com/appflow/latest/userguide/connections.html) User Guide.
Se sei un amministratore che inizia a usare Amazon AppFlow per la prima volta, consulta la sezione Guida [introduttiva](https://docs.aws.amazon.com/appflow/latest/userguide/getting-started.html) nella *Amazon AppFlow User Guide*.
Per importare dati da una piattaforma SaaS, è possibile seguire la procedure [Importazione dei dati tabulari](canvas-import-dataset.md#canvas-import-dataset-tabular) standard, che mostra come importare set di dati tabulari in Canvas.
# Set di dati di esempio in Canvas
SageMaker Canvas fornisce set di dati di esempio che riguardano casi d'uso unici in modo da poter iniziare a creare, addestrare e convalidare modelli rapidamente senza scrivere alcun codice. I casi d'uso associati a questi set di dati evidenziano le funzionalità di SageMaker Canvas e puoi sfruttare questi set di dati per iniziare a creare modelli. Puoi trovare i set di dati di esempio nella pagina Datasets della tua **applicazione Canvas**. SageMaker
I seguenti set di dati sono gli esempi forniti da SageMaker Canvas per impostazione predefinita. Questi set di dati coprono casi d'uso come la previsione dei prezzi delle abitazioni, l'insolvenza dei prestiti e la riammissione per i pazienti diabetici, la previsione delle vendite, la previsione dei guasti delle macchine per semplificare la manutenzione predittiva nelle unità di produzione e la generazione di previsioni sulla filiera per il trasporto e la logistica. I set di dati sono archiviati nella `sample_dataset` cartella del bucket Amazon S3 predefinito SageMaker che AI crea per il tuo account in una regione.
+ **canvas-sample-diabetic-readmission.csv:** questo set di dati contiene dati storici tra cui oltre quindici funzionalità con esiti dei pazienti e degli ospedali. È possibile utilizzare questo set di dati per prevedere se è probabile che i pazienti diabetici ad alto rischio vengano riammessi in ospedale entro 30 giorni dalla dimissione, dopo 30 giorni o non vengano ricoverati affatto. Utilizza la colonna **redadmitted** come colonna di destinazione e utilizza il tipo di modello di previsione a 3 o più categorie con questo set di dati. [Per saperne di più su come costruire un modello con questo set di dati, consulta la pagina del workshop Canvas. SageMaker ](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/5-hcls) Questo set di dati è stato ottenuto dall'[UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/diabetes+130-us+hospitals+for+years+1999-2008).
+ **canvas-sample-housing.csv:** Questo set di dati contiene dati sulle caratteristiche legate a un determinato prezzo delle abitazioni. È possibile utilizzare questo set di dati per prevedere i prezzi delle abitazioni. Utilizza la colonna **median\$1house\$1value** come colonna di destinazione e utilizza il tipo di modello di previsione numerico con questo set di dati. [Per saperne di più sulla creazione di un modello con questo set di dati, consulta la pagina del SageMaker workshop Canvas.](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/2-real-estate) [Questo è il set di dati sugli alloggi della California ottenuto dal StatLib repository.](https://www.dcc.fc.up.pt/~ltorgo/Regression/cal_housing.html)
+ **canvas-sample-loans.csv:** Questo set di dati contiene dati completi sui prestiti per tutti i prestiti emessi dal 2007 al 2011, tra cui lo stato attuale del prestito e le ultime informazioni di pagamento. È possibile utilizzare questo set di dati per prevedere se un cliente rimborserà un prestito. Utilizza la colonna **loan\$1status** come colonna di destinazione e utilizza il tipo di modello di previsione a 3 o più categorie con questo set di dati. [Per saperne di più su come costruire un modello con questo set di dati, consulta la pagina del workshop Canvas. SageMaker ](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/4-finserv) Questi dati utilizzano i LendingClub dati ottenuti da [Kaggle](https://www.kaggle.com/datasets/wordsforthewise/lending-club).
+ **canvas-sample-maintenance.csv:** questo set di dati contiene dati sulle caratteristiche legate a un determinato tipo di errore di manutenzione. È possibile utilizzare questo set di dati per prevedere quali guasti si verificheranno in futuro. Utilizza la colonna **Tipo di errore** come colonna di destinazione e utilizza il tipo di modello di previsione a 3 o più categorie con questo set di dati. [Per saperne di più su come creare un modello con questo set di dati, consulta la pagina del SageMaker workshop Canvas.](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/6-manufacturing) Questo set di dati è stato ottenuto dall'[UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/AI4I+2020+Predictive+Maintenance+Dataset).
+ **canvas-sample-shipping-logs.csv:** Questo set di dati contiene dati di spedizione completi per tutti i prodotti consegnati, compresi i tempi stimati, la priorità di spedizione, il corriere e l'origine. È possibile utilizzare questo set di dati per prevedere l'ora di arrivo prevista della spedizione in numero di giorni. Usa la **ActualShippingDays**colonna come colonna di destinazione e usa il tipo di modello di previsione numerica con questo set di dati. Per saperne di più su come costruire un modello con questi dati, consulta la pagina del workshop [SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/7-supply-chain). Si tratta di un set di dati sintetico creato da Amazon.
+ **canvas-sample-sales-forecasting.csv:** questo set di dati contiene dati storici sulle vendite in serie temporali per i negozi al dettaglio. È possibile utilizzare questo set di dati per prevedere le vendite di un particolare punto vendita al dettaglio. Utilizza la colonna **sales** come colonna di destinazione e utilizza il tipo di modello di previsione delle serie temporali con questo set di dati. [Per saperne di più su come creare un modello con questo set di dati, consulta la pagina del SageMaker workshop Canvas.](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/3-retail) Si tratta di un set di dati sintetico creato da Amazon.
# Reimporta un set di dati di esempio eliminato
Amazon SageMaker Canvas fornisce set di dati di esempio per vari casi d'uso che evidenziano le funzionalità di Canvas. Per ulteriori informazioni sui set di dati di esempio disponibili, consulta [Set di dati di esempio in Canvas](canvas-sample-datasets.md). Se non desideri più utilizzare i set di dati di esempio, puoi eliminarli dalla pagina **Datasets** dell'applicazione Canvas. SageMaker Tuttavia, questi set di dati sono ancora archiviati nel bucket Amazon S3 che hai specificato come [Percorso di archiviazione Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-storage-configuration.html), per cui è sempre possibile accedervi in un secondo momento.
Se hai utilizzato il bucket Amazon S3 predefinito, il nome del bucket segue lo schema `sagemaker-{region}-{account ID}`. È possibile trovare i set di dati di esempio nel Percorso directory `Canvas/sample_dataset`.
Se eliminate un set di dati di esempio dall'applicazione SageMaker Canvas e desiderate accedere nuovamente al set di dati di esempio, utilizzate la procedura seguente.
1. Vai alla pagina **Datasets** nell'applicazione Canvas. SageMaker
1. Scegli **Importa dati**.
1. Dall'elenco dei bucket Amazon S3, seleziona il bucket che rappresenta il tuo percorso di archiviazione Canvas. Se si utilizza il bucket Amazon S3 predefinito SageMaker creato dall'intelligenza artificiale, segue lo schema di denominazione. `sagemaker-{region}-{account ID}`
1. Seleziona la cartella **Canvas**.
1. Seleziona la cartella **sample\$1dataset**, che contiene tutti i set di dati di esempio per Canvas. SageMaker
1. Seleziona il set di dati che desideri importare, quindi scegli **Importa dati.**
# Preparazione dei dati
**Nota**
In precedenza, Amazon SageMaker Data Wrangler faceva parte dell'esperienza SageMaker Studio Classic. Ora, se esegui l'aggiornamento alla nuova esperienza Studio, devi usare SageMaker Canvas per accedere a Data Wrangler e ricevere gli ultimi aggiornamenti delle funzionalità. Se finora hai utilizzato Data Wrangler in Studio Classic e desideri eseguire la migrazione a Data Wrangler in Canvas, potresti dover concedere autorizzazioni aggiuntive per creare e utilizzare un’applicazione Canvas. Per ulteriori informazioni, consulta [(Facoltativo) Esegui la migrazione da Data Wrangler in Studio Classic a Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-dw).
Per informazioni su come eseguire la migrazione dei flussi di dati da Data Wrangler a Studio Classic, consulta [(Facoltativo) Migrazione dei dati da Studio Classic a Studio](studio-updated-migrate-data.md).
Usa Amazon SageMaker Data Wrangler in Amazon SageMaker Canvas per preparare, personalizzare e analizzare i tuoi dati. Puoi integrare un flusso di preparazione dei dati di Data Wrangler nei flussi di lavoro di machine learning (ML) per semplificare e ottimizzare la preelaborazione dei dati e l'ingegneria delle funzionalità utilizzando poca o nessuna codifica. Puoi anche aggiungere i tuoi script e le trasformazioni Python per personalizzare i flussi di lavoro.
+ **Flusso di dati**: crea un flusso di dati per definire una serie di fasi di preparazione dei dati ML. Puoi utilizzare un flusso per combinare set di dati provenienti da diverse origini dati, identificare il numero e i tipi di trasformazioni che desideri applicare ai set di dati e definire un flusso di lavoro di preparazione dei dati che può essere integrato in una pipeline ML.
+ **Trasforma**: pulisci e trasforma il tuo set di dati utilizzando *trasformazioni* standard come strumenti di formattazione di dati in stringhe, vettoriali e numerici. Personalizza i tuoi dati utilizzando trasformazioni come testo e incorporamento e codifica categorica. date/time
+ **Genera informazioni sui dati**: verifica automaticamente la qualità dei dati e rileva le anomalie nei dati con il report Qualità e informazioni approfondite sui dati di Data Wrangler.
+ **Analizza**: analizza le funzionalità del tuo set di dati in qualsiasi momento del flusso. Data Wrangler include strumenti integrati di visualizzazione dei dati come grafici a dispersione e istogrammi, oltre a strumenti di analisi dei dati come l'analisi delle fughe di obiettivi e la modellazione rapida per comprendere la correlazione delle funzionalità.
+ **Esporta**: esporta il flusso di lavoro di preparazione dei dati in una posizione diversa. Di seguito sono riportati alcuni esempi di posizioni:
+ Bucket Amazon Simple Storage Service (Amazon S3)
+ Amazon SageMaker Feature Store: archivia le funzionalità e i relativi dati in un archivio centralizzato.
+ **Automatizza la preparazione dei dati**: crea flussi di lavoro di machine learning dal tuo flusso di dati.
+ Amazon SageMaker Pipelines: crea flussi di lavoro che gestiscono i lavori di preparazione dei dati di SageMaker intelligenza artificiale, formazione dei modelli e implementazione dei modelli.
+ Pipeline di inferenza seriale: crea una pipeline di inferenza seriale dal tuo flusso di dati. Utilizzala per generare previsioni sui nuovi dati.
+ Script Python: archivia i dati e le loro trasformazioni in uno script Python per i tuoi flussi di lavoro personalizzati.
# Creazione di un flusso di dati
Utilizza un flusso Data Wrangler in SageMaker Canvas, o flusso di *dati, per creare e modificare una pipeline* di preparazione dei dati. Ti consigliamo di utilizzare Data Wrangler per i set di dati di dimensioni superiori a 5 GB.
Per iniziare, utilizza la procedura seguente per importare i dati in un flusso di dati.
1. Apri Canvas. SageMaker
1. Nel pannello di navigazione a sinistra, scegli **Data Wrangler**.
1. Scegli **Importa e prepara**.
1. Dal menu a discesa, scegli **Tabulare** o **Immagine**.
1. In **Seleziona un’origine dati**, scegli l’origine dati e seleziona i dati da importare. Puoi selezionare un massimo di 30 file o una cartella. Se hai già un set di dati importato in Canvas, scegli **Set di dati Canvas** come origine. In caso contrario, connettiti a un’origine dati come Amazon S3 o Snowflake e sfoglia i tuoi dati. Per informazioni sulla connessione a un’origine dati o sull’importazione di dati, consulta le pagine seguenti:
+ [Importazione dei dati](canvas-importing-data.md)
+ [Connessione alle origini dati](canvas-connecting-external.md)
1. Dopo aver selezionato i dati da importare, scegli **Avanti**.
1. (Facoltativo) Nella sezione **Impostazioni di importazione**, espandi il menu a discesa **Avanzate** durante l’importazione di un set di dati tabulare. Puoi specificare le impostazioni avanzate seguenti per le importazioni di flussi di dati:
+ **Metodo di campionamento**: seleziona il metodo di campionamento e la dimensione del campione che desideri utilizzare. Per ulteriori informazioni su come modificare il campionamento, consulta la sezione [Modifica della configurazione per il campionamento del flusso di dati](canvas-data-flow-edit-sampling.md).
+ **Codifica file (CSV)**: seleziona la codifica del file del set di dati. `UTF-8` è l’impostazione predefinita.
+ **Ignora le prime righe**: se hai righe ridondanti all’inizio del set di dati, inserisci il numero di righe da escludere dall’importazione.
+ **Delimitatore**: seleziona il delimitatore che separa ogni cella dei tuoi dati. Puoi anche specificare un delimitatore personalizzato.
+ **Rilevamento di più righe**: seleziona questa opzione se desideri che Canvas analizzi manualmente l’intero set di dati alla ricerca di celle con più righe. Canvas determina se utilizzare o meno il supporto di più righe prelevando un campione di dati, ma nel campione potrebbero non esserci celle con più righe. In questo caso, consigliamo di selezionare l’opzione **Rilevamento di più righe** per forzare Canvas a verificare la presenza tali celle nell’intero set di dati.
1. Scegli **Importa**.
A questo punto, dovresti avere un nuovo flusso di dati e puoi iniziare ad aggiungere fasi di trasformazione e analisi.
# Come funziona l’interfaccia utente del flusso di dati
Per aiutarti a navigare nel flusso di dati, Data Wrangler offre le schede seguenti nel riquadro di navigazione in alto:
+ **Flusso di dati**: questa scheda offre una visualizzazione visiva della fase del flusso di dati in cui puoi aggiungere o rimuovere le trasformazioni ed esportare i dati.
+ **Dati**: questa scheda offre un’anteprima dei dati che ti consente di controllare i risultati delle trasformazioni. Puoi anche visualizzare un elenco ordinato delle fasi del flusso di dati e modificare o riordinare tali fasi.
**Nota**
In questa scheda, puoi osservare in anteprima solo le visualizzazioni dei dati (come la distribuzione dei valori per colonna) per le origini dati Amazon S3. Le visualizzazioni per altre origini dati, come Amazon Athena, non sono supportate.
+ **Analisi**: in questa scheda, puoi visualizzare schede secondarie separate per ogni analisi che crei. Ad esempio, se crei un istogramma e un report Qualità e informazioni approfondite sui dati, Canvas crea una scheda per ciascuno.
**Quando importi un set di dati, il set di dati originale viene visualizzato nel flusso di dati e viene denominato Source.** SageMaker **Canvas deduce automaticamente i tipi di ogni colonna del set di dati e crea un nuovo dataframe denominato Tipi di dati.** Puoi selezionare questo frame per aggiornare i tipi di dati dedotti.
I set di dati, le trasformazioni e le analisi utilizzati nel flusso di dati sono rappresentati come *fasi*. Ogni volta che aggiungi una fase di trasformazione, crei un nuovo dataframe. Quando più fasi di trasformazione (diverse da **Unisci** o **Concatena**) vengono aggiunte allo stesso set di dati, vengono impilate.
Nell’opzione **Combina dati**, **Unisci** e **Concatena** creano fasi standalone che contengono il nuovo set di dati di join o concatenato.
# Modifica della configurazione per il campionamento del flusso di dati
Quando importi dati tabulari in un flusso di dati Data Wrangler, puoi decidere di prelevare un campione del set di dati per accelerare il processo di esplorazione e pulizia dei dati. L’esecuzione di trasformazioni esplorative su un campione del set di dati è spesso più veloce rispetto all’esecuzione di trasformazioni sull’intero set di dati. Inoltre, quando è tutto pronto per esportare il set di dati e creare un modello, puoi applicare le trasformazioni all’intero set di dati.
Canvas supporta i metodi di campionamento seguenti:
+ **FirstK**: Canvas seleziona i primi *K* elementi dal set di dati, dove *K* è un numero che specifichi. Questo metodo di campionamento è semplice, ma può introdurre bias se il set di dati non è ordinato in modo casuale.
+ **Casuale**: Canvas seleziona gli elementi dal set di dati in modo casuale, quindi ogni elemento ha la stessa probabilità di essere scelto. Questo metodo di campionamento contribuisce a garantire che il campione sia rappresentativo dell’intero set di dati.
+ **Stratificato**: Canvas divide il set di dati in gruppi (o *strati*) in base a uno o più attributi (ad esempio, età e livello di reddito). Quindi, un numero proporzionale di elementi viene selezionato casualmente da ciascun gruppo. Questo metodo garantisce che tutti i sottogruppi pertinenti siano adeguatamente rappresentati nel campione.
Puoi modificare la configurazione del campionamento in qualsiasi momento per ridimensionare il campione utilizzato per l’esplorazione dei dati.
Per modificare la configurazione del campionamento, procedi come descritto di seguito:
1. Nel grafo del flusso di dati, seleziona il nodo dell’origine dati.
1. Scegli **Campionamento** nella barra di navigazione in basso.
1. Si apre la finestra di dialogo **Campionamento**. Nell’elenco a discesa **Metodo di campionamento**, seleziona il metodo di campionamento desiderato.
1. In **Dimensione massima del campione**, inserisci il numero di righe da campionare.
1. Scegli **Update (Aggiorna)** per salvare le modifiche.
A questo punto, le modifiche alla configurazione del campionamento dovrebbero essere applicate.
# Aggiunta di una fase al flusso di dati
Nei flussi di dati di Data Wrangler, puoi aggiungere fasi che rappresentano le trasformazioni e le analisi dei dati.
Per aggiungere una fase al flusso di dati, seleziona il segno **\$1** accanto a qualsiasi nodo del set di dati o alla fase aggiunta in precedenza. Quindi seleziona una delle seguenti opzioni:
+ **Modifica i tipi di dati** (solo per una fase **Tipi di dati**): se non hai aggiunto alcuna trasformazione a una fase **Tipi di dati**, puoi fare doppio clic sulla fase **Tipi di dati** del flusso per aprire la scheda **Dati** e modificare i tipi di dati dedotti da Data Wrangler durante l’importazione del set di dati.
+ **Aggiungi trasformazione**: aggiunge una nuova fase di trasformazione. Consulta [Trasformazione dei dati](canvas-transform.md) per saperne di più sulle trasformazioni dei dati che puoi aggiungere.
+ **Ottieni informazioni approfondite sui dati**: aggiungi analisi, come istogrammi o visualizzazioni personalizzate. Puoi utilizzare questa opzione per analizzare i dati in qualsiasi momento del flusso di dati. Consulta [Esecuzione di un’analisi esplorativa dei dati (EDA)](canvas-analyses.md) per saperne di più sulle analisi che puoi aggiungere.
+ **Unisci**: utilizza questa opzione in **Combina dati** per eseguire il join di due set di dati e aggiungere il set di dati risultante al flusso di dati. Per ulteriori informazioni, consulta [Unire i set di dati](canvas-transform.md#canvas-transform-join).
+ **Concatena**: utilizza questa opzione in **Combina dati** per concatenare due set di dati e aggiungere il set di dati risultante al flusso di dati. Per ulteriori informazioni, consulta [Concatena i set di dati](canvas-transform.md#canvas-transform-concatenate).
# Modifica delle fasi del flusso di dati
In Amazon SageMaker Canvas, puoi modificare singoli passaggi dei flussi di dati per trasformare il set di dati senza dover creare un nuovo flusso di dati. La pagina seguente illustra come modificare le fasi di join e concatenazione, nonché le fasi relative all’origine dati.
## Modifica delle fasi di join e concatenazione
All’interno dei flussi di dati, puoi modificare in modo flessibile le fasi di join e concatenazione. Puoi apportare le modifiche necessarie al flusso di lavoro di elaborazione dei dati, assicurando che i dati vengano combinati e trasformati correttamente senza dover ripetere l’intero flusso di dati.
Per modificare una fase di join o di concatenazione nel flusso di dati, procedi come descritto di seguito:
1. Apri il flusso di dati.
1. Scegli l’icona più (**\$1**) accanto al nodo di join o concatenazione che desideri modificare.
1. Nel menu contestuale, selezionare **Edit** (Modifica).
1. Si apre un pannello laterale in cui puoi modificare i dettagli del join o della concatenazione. Modifica i campi della fase, ad esempio il tipo di join. Per sostituire un nodo di dati e selezionarne uno diverso di cui eseguire il join o da concatenare, scegli l’icona di eliminazione accanto al nodo e quindi, nella visualizzazione del flusso di dati, seleziona il nuovo nodo da includere nella trasformazione.
**Nota**
Quando sostituisci un nodo durante il processo di modifica, puoi selezionare solo le fasi che si verificano prima dell’operazione di join o concatenazione. Puoi scambiare il nodo sinistro o destro, ma solo un nodo alla volta. Inoltre, non è possibile selezionare un nodo di origine come sostituto.
1. Scegli **Anteprima** per visualizzare il risultato dell’operazione di combinazione.
1. Scegli **Update (Aggiorna)** per salvare le modifiche.
Il flusso di dati dovrebbe essere ora aggiornato.
## Modifica o sostituzione di una fase relativa all’origine dati
Potrebbe essere necessario apportare modifiche all’origine dati o al set di dati senza eliminare le trasformazioni e le fasi del flusso di dati applicate ai dati originali. In Data Wrangler, puoi modificare o sostituire la configurazione dell’origine dati mantenendo le fasi del flusso di dati. Quando modifichi un’origine dati, puoi modificare le impostazioni di importazione, come la dimensione o il metodo di campionamento, e qualsiasi impostazione avanzata. Puoi anche aggiungere altri file con lo stesso schema oppure, per origini dati basate su query come Amazon Athena, puoi modificare la query. Quando sostituisci un’origine dati, hai la possibilità di selezionare un set di dati diverso o persino di importare i dati da un’origine dati completamente diversa, purché lo schema dei nuovi dati corrisponda ai dati originali.
Per modificare una configurazione dell’origine dati, procedi come descritto di seguito:
1. Nell’applicazione Canvas, vai alla pagina **Data Wrangler**.
1. Scegli il flusso di dati per visualizzarlo.
1. Nella scheda **Flusso di dati** che mostra le fasi del flusso di dati, trova il nodo **Origine** da modificare.
1. Scegli l’icona con tre puntini accanto al nodo **Origine**.
1. Nel menu contestuale, selezionare **Edit** (Modifica).
1. Per le origini dati Amazon S3 e il caricamento locale, hai la possibilità di selezionare o caricare più file con lo stesso schema dei dati originali. Per le origini dati basate su query come Amazon Athena, puoi rimuovere e selezionare tabelle diverse nel generatore di query visive oppure modificare direttamente la query SQL. Al termine, selezionare **Next (Successivo)**.
1. In **Impostazioni di importazione**, apporta le modifiche desiderate.
1. Al termine, scegli **Salva le modifiche**.
Ora l’origine dati dovrebbe essere aggiornata.
Per sostituire un’origine dati, procedi come descritto di seguito:
1. Nell’applicazione Canvas, vai alla pagina **Data Wrangler**.
1. Scegli il flusso di dati per visualizzarlo.
1. Nella scheda **Flusso di dati** che mostra le fasi del flusso di dati, trova il nodo **Origine** da modificare.
1. Scegli l’icona con tre puntini accanto al nodo **Origine**.
1. Seleziona **Sostituisci** dal menu contestuale.
1. Passa all’[esperienza di creazione di un flusso di dati](canvas-data-flow.md) per selezionare un’altra origine dati e altri dati.
1. Una volta selezionati i dati e quando è tutto pronto per aggiornare il nodo di origine, scegli **Salva**.
A questo punto, dovresti vedere il nodo di **origine** aggiornato nel tuo flusso di dati.
# Riordinamento delle fasi del flusso di dati
Dopo aver aggiunto le fasi al flusso di dati, hai la possibilità di riordinarle invece di eliminarle, quindi di aggiungerle nuovamente nell’ordine corretto. Ad esempio, potresti decidere di spostare una trasformazione per attribuire i valori mancanti prima di una fase di formattazione delle stringhe.
**Nota**
Non è possibile modificare l’ordine di determinati tipi di fase, ad esempio la definizione dell’origine dati, la modifica dei tipi di dati, il join, la concatenazione o la divisione. Le fasi che non possono essere riordinate sono visualizzate in grigio nell’interfaccia utente dell’applicazione Canvas.
Per riordinare le fasi del flusso di dati, procedi come descritto di seguito:
1. Durante la modifica di un flusso di dati in Data Wrangler, scegli la scheda **Dati**. Un pannello laterale chiamato **Fasi** elenca le fasi del flusso di dati in ordine.
1. Passa il mouse su una fase di trasformazione e scegli l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) accanto alla fase.
1. Seleziona **Riordina** dal menu contestuale.
1. Trascina e rilascia le fasi del flusso di dati nell’ordine desiderato.
1. Al termine, scegli **Save**.
Ora le fasi e il grafo del flusso di dati dovrebbero riflettere le modifiche apportate.
# Eliminazione di una fase dal flusso di dati
All’interno dei flussi di dati, puoi eliminare in modo flessibile le fasi di join e concatenazione e scegliere se applicare o meno eventuali trasformazioni successive ai tuoi dati.
Per eliminare una fase di join o concatenazione dal flusso di dati, procedi come descritto di seguito:
1. Apri il flusso di dati.
1. Scegli l’icona del segno più (**\$1**) accanto al nodo di join o concatenazione da eliminare.
1. Nel menu contestuale, scegliere **Delete** (Elimina).
1. (Facoltativo) Se sono presenti fasi di trasformazione successive alla fase di join o concatenazione, puoi scegliere se mantenerle o meno e aggiungerle separatamente a ciascun nodo di dati. Nel pannello laterale **Elimina join**, scegli un nodo per deselezionarlo e rimuovere eventuali fasi di trasformazione successive. Puoi lasciare entrambi i nodi selezionati per mantenere tutte le fasi di trasformazione oppure puoi deselezionare entrambi i nodi per ignorarle
Lo screenshot seguente mostra questa fase con solo il secondo dei due nodi di dati selezionato. Quando il join viene eliminato correttamente, la successiva trasformazione **Rinomina colonna** viene conservata solo dal secondo nodo di dati.
![\[Screenshot di un flusso di dati in Data Wrangler che mostra la visualizzazione di eliminazione del join.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-data-flow-delete-step.png)
1. Scegli **Elimina**.
Ora la fase di join o concatenazione dovrebbe essere stata rimossa dal flusso di dati.
# Esecuzione di un’analisi esplorativa dei dati (EDA)
Data Wrangler include analisi integrate che aiutano a generare visualizzazioni e analisi dei dati in pochi clic. Puoi anche creare analisi personalizzate utilizzando il tuo codice.
Puoi aggiungere un'analisi a un dataframe selezionando una fase nel flusso di dati e quindi scegliendo **Aggiungi analisi**. Per accedere a un'analisi che hai creato, seleziona la fase che contiene l'analisi e seleziona l'analisi.
Le analisi vengono generate utilizzando un campione con un massimo di 200.000 righe del set di dati e la dimensione del campione può essere configurata. Per ulteriori informazioni sulla modifica della dimensione del campione del flusso di dati, consulta [Modifica della configurazione per il campionamento del flusso di dati](canvas-data-flow-edit-sampling.md).
**Nota**
Le analisi sono ottimizzate per dati con un massimo di 1000 colonne. Potresti riscontrare una certa latenza durante la generazione di analisi per dati con colonne aggiuntive.
Puoi aggiungere l'analisi seguente a un dataframe:
+ Visualizzazioni dei dati, inclusi istogrammi e grafici a dispersione.
+ Un breve riepilogo del set di dati, incluso il numero di voci, i valori minimo e massimo (per i dati numerici) e le categorie più e meno frequenti (per i dati categoriali).
+ Un modello rapido del set di dati, che può essere utilizzato per generare un punteggio di importanza per ciascuna funzionalità.
+ Un report sulla perdita di dati, che puoi utilizzare per determinare se una o più funzionalità sono fortemente correlate alla funzionalità di destinazione.
+ Una visualizzazione personalizzata che utilizza il tuo codice.
Utilizza le seguenti sezioni per avere ulteriori informazioni su queste opzioni.
## Recupero di informazioni approfondite sui dati e sulla loro qualità
Utilizza il **Report della qualità e dei dettagli dei dati** per eseguire un'analisi dei dati che hai importato in Data Wrangler. Si consiglia di creare il report dopo l'importazione del set di dati. Puoi utilizzare il report per aiutarti a pulire ed elaborare i tuoi dati. Il report fornisce informazioni come il numero di valori mancanti e il numero di valori anomali. In caso di problemi con i dati, come la perdita o lo squilibrio di dati di destinazione, il report sulle informazioni può richiamare l'attenzione su tali problemi.
Utilizza la procedura seguente per creare un report Qualità e dettagli dei dati. Si presuppone che tu abbia già importato un set di dati nel flusso di Data Wrangler.
**Per creare un report Qualità e dettagli dei dati**
1. Scegli l’icona con tre puntini accanto a un nodo nel flusso di Data Wrangler.
1. Seleziona **Ottieni dettagli dei dati**.
1. In **Tipo di analisi**, seleziona **Report Qualità e informazioni approfondite sui dati**.
1. In **Nome dell'analisi**, specifica un nome per il report dei dettagli.
1. In **Tipo di problema**, specifica **Regressione** o **Classificazione**.
1. Nella **Colonna di destinazione**, specifica la colonna di destinazione.
1. In **Dimensione dei dati**, specifica uno dei seguenti valori:
+ **Set di dati campionato**: utilizza il campione interattivo prelevato dal tuo flusso di dati, che può contenere fino a 200.000 righe del tuo set di dati. Per informazioni su come modificare le dimensioni del campione, consulta [Modifica della configurazione per il campionamento del flusso di dati](canvas-data-flow-edit-sampling.md).
+ **Set di dati completo**: utilizza il set di dati completo dell’origine dati per creare il report.
**Nota**
La creazione di un report Data Quality and Insights sull'intero set di dati utilizza un processo di SageMaker elaborazione Amazon. Un SageMaker processo di elaborazione fornisce le risorse di elaborazione aggiuntive necessarie per ottenere informazioni dettagliate su tutti i tuoi dati. Per ulteriori informazioni sui SageMaker processi di elaborazione, vedere[Carichi di lavoro di trasformazione dei dati con Processing SageMaker](processing-job.md).
1. Scegli **Create** (Crea).
I seguenti argomenti mostrano le sezioni del report:
**Topics**
+ [Riepilogo](#canvas-data-insights-summary)
+ [Colonna di destinazione](#canvas-data-insights-target-column)
+ [Modello rapido](#canvas-data-insights-quick-model)
+ [Sintesi delle funzionalità](#canvas-data-insights-feature-summary)
+ [Esempi](#canvas-data-insights-samples)
+ [Definizioni](#canvas-data-insights-definitions)
Puoi scaricare il report o visualizzarlo online. Per scaricare il report, scegli il pulsante di download nell'angolo in alto a destra dello schermo.
### Riepilogo
Il report dei dettagli contiene un breve riepilogo dei dati che include informazioni generali come valori mancanti, valori non validi, tipi di funzionalità, conteggi dei valori anomali e altro ancora. Può anche includere avvisi di elevata gravità che indicano probabili problemi con i dati. Si consiglia di esaminare gi avvisi.
### Colonna di destinazione
Quando crei il report di Qualità e informazioni approfondite sui dati, Data Wrangler ti offre la possibilità di selezionare una colonna di destinazione. Una colonna di destinazione è una colonna che stai cercando di prevedere. Quando scegli una colonna di destinazione, Data Wrangler crea automaticamente un'analisi della colonna di destinazione. Inoltre classifica le funzionalità in base al loro potere predittivo. Quando selezioni una colonna di destinazione, devi specificare se stai cercando di risolvere una regressione o un problema di classificazione.
Per la classificazione, Data Wrangler mostra una tabella e un istogramma delle classi più comuni. Una classe è una categoria. Presenta inoltre osservazioni, o righe, con un valore di destinazione mancante o non valido.
Per la regressione, Data Wrangler mostra un istogramma di tutti i valori nella colonna di destinazione. Presenta inoltre osservazioni, o righe, con un valore obiettivo mancante, non valido o anomalo.
### Modello rapido
Il **modello rapido** fornisce una stima della qualità prevista di un modello che si addestra sulla base dei dati.
Data Wrangler suddivide i dati in file di addestramento e convalida. Utilizza l'80% dei campioni per l’addestramento e il 20% dei valori per la convalida. Per la classificazione, il campione viene suddiviso in strati. Per una suddivisione stratificata, ogni partizione di dati ha la stessa percentuale di etichette. Per problemi di classificazione, è importante avere la stessa percentuale di etichette tra i fold di addestramento e di classificazione. Data Wrangler addestra il XGBoost modello con gli iperparametri predefiniti. Applica l'arresto anticipato dei dati di convalida ed esegue una preelaborazione minima delle funzionalità.
Per i modelli di classificazione, Data Wrangler restituisce sia un riepilogo del modello che una matrice di confusione.
Per ulteriori informazioni sulle informazioni restituite dal riepilogo del modello di classificazione, consulta [Definizioni](#canvas-data-insights-definitions)
Una matrice di confusione fornisce le seguenti informazioni:
+ Il numero di volte in cui l'etichetta prevista corrisponde all'etichetta vera.
+ Il numero di volte in cui l'etichetta prevista non corrisponde all'etichetta vera.
L'etichetta vera rappresenta un'osservazione effettiva nei dati. Ad esempio, se utilizzi un modello per rilevare transazioni fraudolente, la vera etichetta rappresenta una transazione che è effettivamente fraudolenta o non fraudolenta. L'etichetta prevista rappresenta l'etichetta che il modello assegna ai dati.
Puoi utilizzare la matrice di confusione per vedere quanto bene il modello prevede la presenza o l'assenza di una condizione. Se prevedi transazioni fraudolente, puoi utilizzare la matrice di confusione per avere un'idea sia della sensibilità che della specificità del modello. La sensibilità si riferisce alla capacità del modello di rilevare transazioni fraudolente. La specificità si riferisce alla capacità del modello di evitare di rilevare transazioni non fraudolente come fraudolente.
### Sintesi delle funzionalità
Quando specifichi una colonna di destinazione, Data Wrangler ordina le funzionalità in base alla loro potenza di previsione. La potenza di previsione viene misurata sui dati dopo averli suddivisi in gruppi con l’80% di dati di addestramento e il 20% di dati di convalida. Data Wrangler inserisce un modello per ogni funzionalità separatamente nella cartella di addestramento. Applica una preelaborazione minima delle funzionalità e misura le prestazioni di previsione sui dati di convalida.
Normalizza i punteggi nell'intervallo [0,1]. I punteggi di previsione più alti indicano le colonne più utili per prevedere da sole l'obiettivo. I punteggi più bassi indicano colonne che non sono predittive della colonna di destinazione.
È raro che una colonna che di per sé non è predittiva lo sia quando viene utilizzata insieme ad altre colonne. Puoi utilizzare con sicurezza i punteggi di previsione per determinare se una funzionalità del tuo set di dati è predittiva.
Un punteggio basso di solito indica che la funzionalità è ridondante. Un punteggio pari a 1 implica capacità predittive perfette, il che spesso indica una perdita dei dati di destinazione. La perdita dei dati di destinazione si verifica in genere quando il set di dati contiene una colonna che non è disponibile al momento della previsione. Ad esempio, potrebbe essere un duplicato della colonna di destinazione.
### Esempi
Data Wrangler fornisce informazioni sull'eventuale presenza di campioni anomali o duplicati nel set di dati.
Data Wrangler rileva campioni anomali utilizzando l'*algoritmo della foresta di isolamento*. La foresta di isolamento associa un punteggio di anomalia a ciascun campione (riga) del set di dati. Punteggi di anomalia bassi indicano campioni anomali. I punteggi più alti sono associati a campioni non anomali. I campioni con un punteggio di anomalia negativo sono generalmente considerati anomali e i campioni con un punteggio di anomalia positivo sono considerati non anomali.
Quando si esamina un campione che potrebbe essere anomalo, si consiglia di prestare attenzione ai valori insoliti. Ad esempio, potresti avere valori anomali derivanti da errori nella raccolta e nell'elaborazione dei dati. Di seguito è riportato un esempio dei campioni più anomali secondo l'implementazione dell'algoritmo della foresta di isolamento da parte di Data Wrangler. Si consiglia di utilizzare la conoscenza del dominio e la logica aziendale quando si esaminano i campioni anomali.
Data Wrangler rileva le righe duplicate e calcola il rapporto tra le righe duplicate nei dati. Alcune origini dati potrebbero includere duplicati validi. Altre origini dati potrebbero avere duplicati che indicano problemi nella raccolta dei dati. I campioni duplicati derivanti da una raccolta errata dei dati potrebbero interferire con i processi di machine learning che si basano sulla suddivisione dei dati in moduli di addestramento e convalida indipendenti.
Di seguito sono riportati alcuni elementi del rapporto di approfondimento che possono essere influenzati da campioni duplicati:
+ Modello rapido
+ Stima della potenza di previsione
+ Ottimizzazione automatica degli iperparametri
È possibile rimuovere campioni duplicati dal set di dati utilizzando la trasformazione **Elimina duplicati** in **Gestisci righe**. Data Wrangler mostra le righe duplicate più frequentemente.
### Definizioni
Di seguito sono riportate le definizioni dei termini tecnici utilizzati nel report di analisi dei dati.
------
#### [ Feature types ]
Di seguito sono riportate le definizioni per ogni tipo di funzionalità:
+ **Numerico**: i valori numerici possono essere variabili o numeri interi, ad esempio età o reddito. I modelli di machine learning presuppongono che i valori numerici siano ordinati e su di essi sia definita una distanza. Ad esempio, 3 è più vicino a 4 che a 10 e 3 < 4 < 10.
+ **Categorico**: le voci della colonna appartengono a un set di valori univoci, che in genere è molto inferiore rispetto al numero di voci nella colonna. Ad esempio, una colonna di lunghezza 100 potrebbe contenere i valori univoci `Dog`, `Cat` e `Mouse`. I valori possono essere numerici, di testo o una combinazione di entrambi. `Horse`, `House`, `8`, `Love` e `3.1` sarebbero tutti valori validi e potrebbero essere trovati nella stessa colonna categorica. Il modello di machine learning non presuppone ordine o distanza sui valori delle funzionalità categoriali, a differenza delle funzionalità numeriche, anche quando tutti i valori sono numeri.
+ **Binario**: le funzionalità binarie sono un tipo di funzionalità categoriale speciale in cui la cardinalità dell'insieme di valori univoci è 2.
+ **Testo**: una colonna di testo contiene molti valori univoci non numerici. In casi estremi, tutti gli elementi della colonna sono unici. In un caso estremo, non esistono due voci uguali.
+ **Datetime**: una colonna datetime contiene informazioni sulla data o l'ora. Può contenere informazioni sia sulla data che sull'ora.
------
#### [ Feature statistics ]
Di seguito sono riportate le definizioni per ciascuna delle statistiche sulle funzionalità:
+ **Potenza di previsione**: la potenza di previsione misura l'utilità della colonna per prevedere l'obiettivo.
+ **Valori anomali** (in colonne numeriche): Data Wrangler rileva i valori anomali utilizzando due statistiche affidabili rispetto ai valori anomali: deviazione standard mediana e deviazione standard robusta (median and robust standard deviation, RSTD). RSTD è derivata ritagliando i valori delle funzionalità nell'intervallo [5 percentile, 95 percentile] e calcolando la deviazione standard del vettore ritagliato. Tutti i valori superiori alla mediana \$1 5 \$1 RSTD o inferiori alla mediana - 5 \$1 RSTD sono considerati valori anomali.
+ **Inclinazione** (in colonne numeriche): l'inclinazione misura la simmetria della distribuzione ed è definita come il terzo momento della distribuzione diviso per la terza potenza della deviazione standard. L'asimmetria della distribuzione normale o di qualsiasi altra distribuzione simmetrica è zero. I valori positivi implicano che la coda destra della distribuzione è più lunga della coda sinistra. I valori negativi implicano che la coda sinistra della distribuzione è più lunga della coda destra. Come regola generale, una distribuzione è considerata distorta quando il valore assoluto dell'inclinazione è maggiore di 3.
+ **Kurtosis** (in colonne numeriche): la kurtosis di Pearson misura la pesantezza della coda della distribuzione. È definita come il quarto momento della distribuzione diviso per il quadrato del secondo momento. La kurtosis della distribuzione normale è 3. Valori di kurtosis inferiori a 3 implicano che la distribuzione sia concentrata attorno alla media e che le code siano più leggere delle code della distribuzione normale. Valori di kurtosis superiori a 3 implicano code o valori anomali più pesanti.
+ **Valori mancanti**: gli oggetti di tipo NULL, le stringhe vuote e le stringhe composte solo da spazi bianchi sono considerati mancanti.
+ **Valori validi per funzionalità numeriche o obiettivi di regressione**: tutti i valori che è possibile convertire in numeri a virgola mobile finiti sono validi. I valori mancanti non sono validi.
+ **Valori validi per funzionalità categoriche, binarie o di testo o per l'obiettivo di classificazione**: tutti i valori che non mancano sono validi.
+ **Funzionalità datetime**: tutti i valori che è possibile trasmettere a un oggetto datetime sono validi. I valori mancanti non sono validi.
+ **Valori non validi**: valori mancanti o che non è possibile trasmettere correttamente. Ad esempio, in una colonna numerica, non è possibile inserire la stringa `"six"` o un valore nullo.
------
#### [ Quick model metrics for regression ]
Di seguito sono riportate le definizioni per le metriche del modello rapido:
+ R2 o coefficiente di determinazione): R2 è la proporzione della variazione dell'obiettivo prevista dal modello. R2 è compreso nell'intervallo [-infty, 1]. 1 è il punteggio del modello che prevede perfettamente l'obiettivo e 0 è il punteggio del modello banale che prevede sempre la media dell'obiettivo.
+ MSE o errore quadratico medio: MSE è compreso nell'intervallo [0, infty]. 0 è il punteggio del modello che prevede perfettamente l'obiettivo.
+ MAE o errore assoluto medio: MAE è compreso nell'intervallo [0, infty] dove 0 è il punteggio del modello che prevede perfettamente l'obiettivo.
+ RMSE o radice dell’errore quadratico medio: RMSE è compreso nell'intervallo [0, infty] dove 0 è il punteggio del modello che prevede perfettamente l'obiettivo.
+ Errore massimo: il valore assoluto massimo dell'errore nel set di dati. L'errore massimo è compreso nell'intervallo [0, infty]. 0 è il punteggio del modello che prevede perfettamente l'obiettivo.
+ Errore assoluto medio: l'errore assoluto medio è compreso nell'intervallo [0, infty]. 0 è il punteggio del modello che prevede perfettamente l'obiettivo.
------
#### [ Quick model metrics for classification ]
Di seguito sono riportate le definizioni per le metriche del modello rapido:
+ **Precisione**: la precisione è il rapporto tra campioni previsti con precisione. La precisione è compresa nell'intervallo [0, 1]. 0 è il punteggio del modello che prevede tutti i campioni in modo errato e 1 è il punteggio del modello perfetto.
+ **Precisione bilanciata**: la precisione bilanciata è il rapporto tra i campioni che viene previsto con precisione quando i pesi delle classi vengono regolati per bilanciare i dati. A tutte le classi viene data la stessa importanza, indipendentemente dalla frequenza. La precisione bilanciata è compresa nell'intervallo [0, 1]. 0 è il punteggio del modello che prevede tutti i campioni errati. 1 è il punteggio del modello perfetto.
+ **AUC (classificazione binaria)**: questa è l'area sotto la curva caratteristica operativa del ricevitore. L'AUC è nell'intervallo [0, 1] in cui un modello casuale restituisce un punteggio di 0,5 e il modello perfetto restituisce un punteggio di 1.
+ **AUC (OVR)**: per la classificazione multiclasse, si tratta dell'area sotto la curva caratteristica operativa del ricevitore calcolata separatamente per ciascuna etichetta utilizzando una contro la resto. Data Wrangler riporta la media delle aree. L'AUC è nell'intervallo [0, 1] in cui un modello casuale restituisce un punteggio di 0,5 e il modello perfetto restituisce un punteggio di 1.
+ **Precisione**: la precisione è definita per una classe specifica. La precisione è la frazione di veri positivi tra tutte le istanze classificate dal modello come tale classe. La precisione è compresa nell'intervallo [0, 1]. 1 è il punteggio del modello che non presenta falsi positivi per la classe. Per la classificazione binaria, Data Wrangler riporta la precisione della classe positiva.
+ **Recupero**: il recupero è definito per una classe specifica. Il recupero è la frazione delle istanze di classe pertinenti che vengono recuperate con successo. Il recupero è compreso nell'intervallo [0, 1]. 1 è il punteggio del modello che classifica correttamente tutte le istanze della classe. Per la classificazione binaria, Data Wrangler riporta il recupero della classe positiva.
+ **F1**: F1 è definito per una classe specifica. È la media armonica tra precisione e recupero. F1 è nell'intervallo [0, 1]. 1 è il punteggio del modello perfetto. Per la classificazione binaria, Data Wrangler riporta F1 per le classi con valori positivi.
------
#### [ Textual patterns ]
I **modelli** descrivono il formato testuale di una stringa utilizzando un formato di facile lettura. Di seguito sono riportati alcuni esempi di modelli testuali:
+ «\$1digits:4-7\$1» descrive una sequenza di cifre con una lunghezza compresa tra 4 e 7.
+ «\$1alnum:5\$1» descrive una stringa alfanumerica con una lunghezza esattamente di 5.
Data Wrangler deduce i modelli esaminando esempi di stringhe non vuote dai dati. Può descrivere molti dei modelli comunemente usati. La **attendibilità** espressa in percentuale indica la quantità di dati stimata in base al modello. Utilizzando lo schema testuale, puoi vedere quali righe dei dati devi correggere o eliminare.
Di seguito vengono descritti i modelli che Data Wrangler è in grado di riconoscere:
| Pattern | Formato testuale |
| --- | --- |
| \$1album\$1 | Stringhe alfanumeriche |
| \$1any\$1 | Qualsiasi stringa di caratteri di parole |
| \$1digits\$1 | Una sequenza di cifre |
| \$1lower\$1 | Una parola minuscola |
| \$1mixed\$1 | Una parola composta da maiuscole e minuscole |
| \$1name\$1 | Una parola che inizia con una lettera maiuscola |
| \$1upper\$1 | Una parola in maiuscolo |
| \$1whitespace\$1 | Caratteri di spazio |
Un carattere di parole è un carattere di sottolineatura o un carattere che può apparire in una parola in qualsiasi lingua. Ad esempio, le stringhe `'Hello_word'` e `'écoute'` sono entrambe costituite da caratteri di parole. 'H' e 'é' sono entrambi esempi di caratteri di parole.
------
## Report di bias
SageMaker Canvas fornisce il rapporto sulle distorsioni in Data Wrangler per aiutarti a scoprire potenziali pregiudizi nei dati. Il report sui bias analizza la relazione tra la colonna di destinazione (etichetta) e una colonna che ritieni possa contenere bias (variabile facet). Ad esempio, se stai cercando di prevedere la conversione dei clienti, la variabile facet potrebbe essere l’età del cliente. Il report sui bias può aiutarti a determinare se i dati sono prevenuti o meno verso una determinata fascia di età.
Per generare un report sui bias in Canvas, procedi come descritto di seguito:
1. Nel flusso di dati in Data Wrangler, scegli l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) accanto a un nodo del flusso.
1. Dal menu contestuale, scegli **Ottieni informazioni approfondite sui dati**.
1. Si apre il pannello laterale **Crea analisi**. Nel menu a discesa **Tipo di analisi**, seleziona **Report sui bias**.
1. Nel campo **Nome dell’analisi**, inserisci un nome per il report sui bias.
1. Nel menu a discesa **Seleziona la colonna prevista dal modello (destinazione)**, seleziona la colonna di destinazione.
1. In **La colonna prevista è un valore o una soglia?**, seleziona **Valore** se la colonna di destinazione contiene valori categorici o **Soglia** se contiene valori numerici.
1. In **Valore previsto** (o **Soglia prevista**, a seconda della selezione effettuata nella fase precedente), inserisci il valore o i valori della colonna di destinazione che corrispondono a un risultato positivo. Ad esempio, se la previsione riguarda la conversione dei clienti, il valore potrebbe essere `yes`, che indica l’acquisizione di un cliente.
1. Nel menu a discesa **Seleziona la colonna da analizzare per i bias**, seleziona la colonna che ritieni possa contenere bias, nota anche come variabile facet.
1. In **La colonna è un valore o una soglia?**, seleziona **Valore** se la variabile facet contiene valori categorici o **Soglia** se contiene valori numerici.
1. Per **Valori della colonna da analizzare per i bias** (o **Soglia della colonna per analizzare per i bias**, a seconda della selezione effettuata nella fase precedente), inserisci il valore o i valori da analizzare alla ricerca di eventuali bias. Ad esempio, se stai cercando bias nei confronti di clienti che hanno superato una certa età, indica come soglia l’età iniziale di questa fascia di età.
1. In **Scegli le metriche sui bias**, seleziona le metriche sui bias da includere nel report sui bias. Passa il mouse sulle icone informative per ulteriori dettagli su ciascuna metrica.
1. (Facoltativo) Quando viene chiesto **Vuoi analizzare metriche aggiuntive?**, seleziona **Sì** per visualizzare e includere altre metriche sui bias.
1. Quando è tutto pronto per creare il report sui bias, scegli **Aggiungi**.
Una volta generato, il report offre una panoramica delle metriche sui bias selezionate. Puoi visualizzare il report sui bias in qualsiasi momento dalla scheda **Analisi** del flusso di dati.
## Istogramma
Utilizza gli istogrammi per visualizzare i conteggi dei valori delle funzionalità per una funzionalità specifica. Puoi esaminare le relazioni tra le funzionalità utilizzando l'opzione **Colora per**.
Puoi utilizzare la funzionalità **Facet per** per creare istogrammi di una colonna, per ogni valore in un'altra colonna.
## Grafico a dispersione
Usa la funzionalità **Grafico a dispersione** per esaminare la relazione tra le funzionalità. Per creare un grafico a dispersione, seleziona una funzionalità da tracciare sull'**asse X** e sull'**asse Y**. Entrambe queste colonne devono essere colonne di tipo numerico.
Puoi colorare i grafici a dispersione in base a una colonna aggiuntiva.
Inoltre, puoi suddividere i grafici a dispersione in base alle funzionalità.
## Riepilogo della tabella
Utilizza l'analisi **Riepilogo della tabella** per riepilogare rapidamente i dati.
Per le colonne con dati numerici, inclusi dati di log e float, una tabella di riepilogo riporta il numero di voci (conteggio), minimo (min), massimo (max), di media e deviazione standard (stddev) per ogni colonna.
Per le colonne con dati non numerici, incluse le colonne con stringhe, valori booleani o date/time dati, un riepilogo della tabella riporta il numero di voci (conteggio), il valore meno frequente (min) e il valore più frequente (max).
## Modello rapido
Usa la visualizzazione **Modello rapido** per valutare rapidamente i tuoi dati e generare punteggi di importanza per ogni funzionalità. Un [punteggio di importanza della funzionalità](http://spark.apache.org/docs/2.1.0/api/python/pyspark.ml.html#pyspark.ml.classification.DecisionTreeClassificationModel.featureImportances) indica quanto sia utile una funzionalità per prevedere un'etichetta di destinazione. Il punteggio di importanza della funzionalità è compreso tra [0, 1] e un numero più alto indica che la funzionalità è più importante per l'intero set di dati. Nella parte superiore del grafico del modello rapido, c'è un punteggio del modello. Un problema di classificazione mostra un punteggio in F1. Un problema di regressione ha un punteggio di errore quadratico medio (MSE).
Quando si crea un grafico di modello rapido, si seleziona un set di dati da valutare e un'etichetta di destinazione rispetto alla quale si desidera confrontare l'importanza delle funzionalità. Data Wrangler esegue le seguenti operazioni:
+ Deduce i tipi di dati per l'etichetta di destinazione e ogni funzionalità nel set di dati selezionato.
+ Determina il tipo di problema. In base al numero di valori distinti nella colonna dell'etichetta, Data Wrangler determina se si tratta di un tipo di problema di regressione o classificazione. Data Wrangler imposta una soglia categorica su 100. Se ci sono più di 100 valori distinti nella colonna dell'etichetta, Data Wrangler lo classifica come un problema di regressione; in caso contrario, viene classificato come un problema di classificazione.
+ Preelabora le funzionalità e i dati delle etichette per l’addestramento. L'algoritmo utilizzato richiede funzionalità di codifica in tipo vettoriale e etichette di codifica in doppio tipo.
+ Addestra un algoritmo forestale casuale con il 70% dei dati. Spark's [RandomForestRegressor](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-regression)viene utilizzato per addestrare un modello per problemi di regressione. [RandomForestClassifier](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-classifier)Viene utilizzato per addestrare un modello per problemi di classificazione.
+ Valuta un modello di foresta casuale con il restante 30% di dati. Data Wrangler valuta i modelli di classificazione utilizzando un punteggio F1 e valuta i modelli di regressione utilizzando un punteggio MSE.
+ Calcola l'importanza delle funzionalità per ogni funzionalità utilizzando il metodo di importanza Gini.
## Target leakage
La perdita dei dati di destinazione si verifica quando in un set di dati di addestramento di machine learning sono presenti dati fortemente correlati all'etichetta di destinazione, ma non disponibili nei dati del mondo reale. Ad esempio, è possibile che nel set di dati sia presente una colonna che funge da proxy per la colonna che si desidera prevedere con il modello.
Quando utilizzi l'analisi **Perdita di dati di destinazione**, devi specificare quanto segue:
+ **Destinazione**: questa è la funzionalità in merito alla quale desideri che il tuo modello ML sia in grado di fare previsioni.
+ **Tipo di problema**: questo è il tipo di problema di machine learning su cui stai lavorando. Il tipo di problema può essere di **classificazione** o **regressione**.
+ (Facoltativo) **Numero massimo di funzionalità**: si tratta del numero massimo di funzionalità da presentare nella visualizzazione, che mostra le funzionalità classificate in base al rischio di perdita di dati.
Per la classificazione, l'analisi della perdita di dati di destinazione utilizza l'area sotto la funzionalità operativa del ricevitore, o la curva AUC - ROC per ogni colonna, fino alle **funzionalità max.** Per la regressione, utilizza un coefficiente di determinazione, o parametro R2.
La curva AUC - ROC fornisce un parametro predittivo, calcolato individualmente per ogni colonna utilizzando la convalida incrociata, su un campione di un massimo di circa 1000 righe. Un punteggio pari a 1 indica capacità predittive perfette, il che spesso indica una perdita dei dati di destinazione. Un punteggio pari o inferiore a 0,5 indica che le informazioni sulla colonna non sono in grado di fornire, da sole, alcuna informazione utile per prevedere l'obiettivo. Anche se può succedere che una colonna di per sé non sia informativa ma sia utile per prevedere l'obiettivo se utilizzata insieme ad altre funzionalità, un punteggio basso potrebbe indicare che la funzionalità è ridondante.
## Multicollinearità
La multicollinearità è una circostanza in cui due o più variabili predittive sono correlate tra loro. Le variabili predittive sono le funzionalità del set di dati che utilizzi per prevedere una variabile di destinazione. In presenza di multicollinearità, le variabili predittive non sono solo predittive della variabile di destinazione, ma anche predittive l'una dell'altra.
Puoi utilizzare il **fattore di inflazione della varianza (Variance Inflation Factor, VIF)**, l’**analisi delle componenti principali (Principal Component Analysis, PCA)** o la **selezione delle funzionalità Lasso** come misure per la multicollinearità dei dati. Per ulteriori informazioni, consulta gli argomenti seguenti.
------
#### [ Variance Inflation Factor (VIF) ]
Il fattore di inflazione della varianza (VIF) è una misura della collinearità tra coppie di variabili. Data Wrangler restituisce un punteggio VIF come misura della stretta relazione tra le variabili. Un punteggio VIF rappresenta un numero positivo maggiore o uguale a 1.
Un punteggio pari a 1 significa che la variabile non è correlata con le altre variabili. I punteggi superiori a 1 indicano una correlazione più elevata.
In teoria, puoi avere un punteggio VIF con un valore infinito. Data Wrangler porta i punteggi più alti a 50. Se hai un punteggio VIF superiore a 50, Data Wrangler imposta il punteggio su 50.
Puoi utilizzare le seguenti linee guida per l'interpretazione dei punteggi VIF:
+ Un punteggio VIF inferiore o uguale a 5 indica che le variabili sono moderatamente correlate con le altre variabili.
+ Un punteggio VIF maggiore o uguale a 5 indica che le variabili sono altamente correlate con le altre variabili.
------
#### [ Principle Component Analysis (PCA) ]
L’analisi delle componenti principali (PCA) misura la varianza dei dati lungo diverse direzioni nello spazio delle funzionalità. Lo spazio delle funzionalità è costituito da tutte le variabili predittive utilizzate per prevedere la variabile di destinazione nel set di dati.
Ad esempio, se stai cercando di prevedere chi è sopravvissuto sull'*RMS Titanic* dopo che questo ha colpito un iceberg, lo spazio delle funzionalità può includere l'età, il sesso e la tariffa pagata dai passeggeri.
Dallo spazio delle funzionalità, PCA genera un elenco ordinato di variazioni. Queste variazioni sono definite anche valori singolari. I valori nell'elenco delle varianze sono maggiori o uguali a 0. Possiamo usarli per determinare la quantità di multicollinearità presente nei nostri dati.
Quando i numeri sono più o meno uniformi, i dati presentano pochissime istanze di multicollinearità. Quando esiste molta variabilità tra i valori, abbiamo molti casi di multicollinearità. Prima di eseguire la PCA, Data Wrangler normalizza ogni funzionalità in modo che abbia una media di 0 e una deviazione standard di 1.
**Nota**
La PCA in questa circostanza può anche essere denominata decomposizione dei singoli valori (Singular Value Decomposition, SVD).
------
#### [ Lasso feature selection ]
La selezione delle funzionalità Lasso utilizza la tecnica di regolarizzazione L1 per includere solo le funzionalità più predittive nel set di dati.
Sia per la classificazione che per la regressione, la tecnica di regolarizzazione genera un coefficiente per ogni funzionalità. Il valore assoluto del coefficiente fornisce un punteggio di importanza per la funzionalità. Un punteggio di importanza più elevato indica che è più predittivo della variabile di destinazione. Un metodo di selezione delle funzionalità comune consiste nell'utilizzare tutte le funzionalità con un coefficiente di lasso diverso da zero.
------
## Rilevamento delle anomalie nei dati di serie temporali
Puoi utilizzare la visualizzazione del rilevamento delle anomalie per individuare i valori anomali nei dati di serie temporali. Per comprendere cosa determina un'anomalia, devi capire che scomponiamo le serie temporali in un termine previsto e un termine di errore. Consideriamo la stagionalità e l'andamento delle serie temporali come termine previsto. Trattiamo i residui come termine di errore.
Per il termine di errore, si specifica una soglia come il numero di deviazioni standard, il residuo può essere lontano dalla media perché venga considerato un'anomalia. Ad esempio, puoi specificare una soglia come 3 deviazioni standard. Qualsiasi residuo superiore a 3 deviazioni standard dalla media è un'anomalia.
È possibile utilizzare la procedura seguente per eseguire un'analisi di **rilevamento delle anomalie**.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi analisi**.
1. Per **Tipo di analisi**, scegli **Serie temporali**.
1. Per **Visualizzazione**, scegli **Rilevamento delle anomalie**.
1. Per **Soglia di anomalia**, scegli la soglia per cui un valore è considerato un'anomalia.
1. Scegli **Anteprima** per generare un'anteprima dell'analisi.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
## Scomposizione delle tendenze stagionali nei dati di serie temporali
Puoi determinare se esiste una stagionalità nei dati di serie temporali utilizzando la visualizzazione Scomposizione delle tendenze stagionali. Utilizziamo il metodo STL (Seasonal Trend decomposition using LOESS) per eseguire la scomposizione. Scomponiamo le serie temporali nelle sue componenti stagionali, di tendenza e residue. La tendenza riflette la progressione a lungo termine della serie. La componente stagionale è un segnale che ricorre in un determinato periodo di tempo. Dopo aver rimosso la tendenza e le componenti stagionali dalla serie temporale, si ottiene il residuo.
È possibile utilizzare la procedura seguente per eseguire un'analisi della **scomposizione delle tendenze stagionali.**
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi analisi**.
1. Per **Tipo di analisi**, scegli **Serie temporali**.
1. Per **Visualizzazione**, scegli **Scomposizione delle tendenze stagionali**.
1. Per **Soglia di anomalia**, scegli la soglia per cui un valore è considerato un'anomalia.
1. Scegli **Anteprima** per generare un'anteprima dell'analisi.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
## Creazione di visualizzazioni personalizzate
Puoi aggiungere un'analisi al flusso di Data Wrangler per creare una visualizzazione personalizzata. [Il tuo set di dati, con tutte le trasformazioni che hai applicato, è disponibile come Pandas. DataFrame](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.html) Data Wrangler utilizza la variabile per memorizzare il dataframe. `df` Puoi accedere al dataframe chiamando la variabile.
Devi fornire la variabile di output, `chart`, per memorizzare un grafico di output [Altair](https://altair-viz.github.io/). Ad esempio, puoi utilizzare il seguente blocco di codice per creare un istogramma personalizzato utilizzando il set di dati del Titanic.
```
import altair as alt
df = df.iloc[:30]
df = df.rename(columns={"Age": "value"})
df = df.assign(count=df.groupby('value').value.transform('count'))
df = df[["value", "count"]]
base = alt.Chart(df)
bar = base.mark_bar().encode(x=alt.X('value', bin=True, axis=None), y=alt.Y('count'))
rule = base.mark_rule(color='red').encode(
x='mean(value):Q',
size=alt.value(5))
chart = bar + rule
```
**Per creare una visualizzazione personalizzata:**
1. Accanto al nodo contenente la trasformazione che desideri visualizzare, scegli **\$1**.
1. Scegli **Aggiungi analisi**.
1. Per **Tipo di analisi**, scegli **Visualizzazione personalizzata**.
1. Per **Nome dell'analisi**, specifica un nome.
1. Inserisci il codice nella casella del codice.
1. Scegli **Anteprima** per visualizzare in anteprima la visualizzazione.
1. Scegli **Salva** per aggiungere la tua visualizzazione.
Se non sai come usare il pacchetto di visualizzazione Altair in Python, puoi usare frammenti di codice personalizzati per iniziare.
Data Wrangler dispone di una raccolta ricercabile di frammenti di visualizzazione. Per utilizzare uno snippet di visualizzazione, scegli **Cerca frammenti di esempio** e specifica una query nella barra di ricerca.
L'esempio seguente utilizza lo snippet di codice **Scatterplot Binned**. Traccia un istogramma per 2 dimensioni.
Gli snippet contengono commenti per aiutarti a comprendere le modifiche da apportare al codice. In genere è necessario specificare i nomi delle colonne del set di dati nel codice.
```
import altair as alt
# Specify the number of top rows for plotting
rows_number = 1000
df = df.head(rows_number)
# You can also choose bottom rows or randomly sampled rows
# df = df.tail(rows_number)
# df = df.sample(rows_number)
chart = (
alt.Chart(df)
.mark_circle()
.encode(
# Specify the column names for binning and number of bins for X and Y axis
x=alt.X("col1:Q", bin=alt.Bin(maxbins=20)),
y=alt.Y("col2:Q", bin=alt.Bin(maxbins=20)),
size="count()",
)
)
# :Q specifies that label column has quantitative type.
# For more details on Altair typing refer to
# https://altair-viz.github.io/user_guide/encoding.html#encoding-data-types
```
# Trasformazione dei dati
Amazon SageMaker Data Wrangler offre numerose trasformazioni di dati ML per semplificare la pulizia e la personalizzazione dei dati. Utilizzando gli strumenti interattivi di preparazione dei dati di Data Wrangler, puoi campionare set di dati di qualsiasi dimensione con diverse tecniche di campionamento e iniziare a esplorare i dati in pochi minuti. Dopo aver finalizzato le trasformazioni sui dati campionati, puoi scalare il flusso di dati per applicare tali trasformazioni all’intero set di dati.
Quando aggiungi una trasformazione, aggiunge una fase al flusso di dati. Ogni trasformazione aggiunta modifica il set di dati e produce un nuovo dataframe. Tutte le trasformazioni successive si applicano al dataframe risultante.
Data Wrangler include trasformazioni integrate, che puoi utilizzare per trasformare le colonne senza alcun codice. Se sai come preparare i dati ma non sai come iniziare o quali trasformazioni utilizzare, puoi ricorrere alla funzionalità di preparazione dei dati della chat per interagire in modo colloquiale con Data Wrangler e applicare le trasformazioni con il linguaggio naturale. Per ulteriori informazioni, consulta [Chat per la preparazione dei dati](canvas-chat-for-data-prep.md).
Puoi anche aggiungere trasformazioni personalizzate utilizzando PySpark Python (funzione definita dall'utente), panda e SQL. PySpark Alcune trasformazioni funzionano sul posto, mentre altre creano una nuova colonna di output nel set di dati.
È possibile applicare le trasformazioni a più colonne contemporaneamente. Ad esempio, puoi eliminare più colonne in un’unica fase.
Puoi applicare le trasformazioni **Elabora valori numerici** e **Gestisci valori mancanti** solo a una singola colonna.
Utilizza questa pagina per saperne di più sulle trasformazioni integrate e personalizzate offerte da Data Wrangler.
## Unire i set di dati
Puoi eseguire il join dei set di dati direttamente nel tuo flusso di dati. Quando unisci due set di dati, il set di dati unito risultante viene visualizzato nel flusso. I seguenti tipi di unione sono supportati da Data Wrangler.
+ **Sinistra esterno**: include tutte le righe della tabella a sinistra. Se il valore della colonna unita in una riga della tabella sinistra non corrisponde a nessun valore della riga della tabella destra, tale riga contiene valori nulli per tutte le colonne della tabella destra nella tabella unita.
+ **Sinistra anteriore**: include le righe della tabella a sinistra che non contengono valori nella tabella a destra per la colonna con join.
+ **Sinistra parziale**: include una sola riga della tabella a sinistra per tutte le righe identiche che soddisfano i criteri dell'istruzione di unione. Ciò esclude le righe duplicate dalla tabella a sinistra che corrispondono ai criteri dell'unione.
+ **Destra esterno**: include tutte le righe della tabella a destra. Se il valore della colonna unita in una riga della tabella destra non corrisponde a nessun valore della riga della tabella sinistra, quella riga contiene valori nulli per tutte le colonne della tabella sinistra nella tabella unita.
+ **Interno**: include le righe delle tabelle sinistra e destra che contengono valori corrispondenti nella colonna unita.
+ **Completo esterno**: include tutte le righe delle tabelle a sinistra e a destra. Se il valore della riga per la colonna unita in una delle due tabelle non corrisponde, vengono create righe separate nella tabella unita. Se una riga non contiene un valore per una colonna nella tabella unita, viene inserito null per quella colonna.
+ **Croce cartesiana**: include le righe che combinano ogni riga della prima tabella con ogni riga della seconda tabella. Si tratta di un [Prodotto cartesiano](https://en.wikipedia.org/wiki/Cartesian_product) delle righe delle tabelle dell'unione. Il risultato di questo prodotto è la dimensione della tabella sinistra moltiplicata per la dimensione della tabella destra. Pertanto, consigliamo cautela nell'utilizzo di questa unione tra set di dati molto grandi.
Utilizza la procedura seguente per eseguire il join di due set di dati. Dovresti aver già importato due origini dati nel tuo flusso di dati.
1. Seleziona l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) accanto al nodo a sinistra di cui eseguire il join. Il primo nodo selezionato è sempre la tabella a sinistra del join.
1. Passa il mouse su **Combina dati**, quindi scegli **Esegui join**.
1. Seleziona il nodo a destra. Il secondo nodo selezionato è sempre la tabella a destra del join.
1. Il campo **Tipo di join** è impostato su **Join interno** per impostazione predefinita. Seleziona il menu a discesa per modificare il tipo di join.
1. In **Chiavi di join**, verifica le colonne delle tabelle a sinistra e a destra da utilizzare per eseguire il join dei dati. Puoi aggiungere o rimuovere altre chiavi di join.
1. In **Nome del join**, inserisci un nome per i dati di cui viene eseguito il join o utilizza il nome predefinito.
1. (Facoltativo) Scegli **Anteprima** per visualizzare in anteprima i dati di cui è stato eseguito il join.
1. Scegli **Aggiungi** per completare il join.
**Nota**
Se ricevi una notifica secondo cui Canvas non ha identificato alcuna riga corrispondente durante il join dei dati, ti consigliamo di verificare di aver selezionato le colonne corrette o di aggiornare il campione per cercare di trovare le righe corrispondenti. Puoi scegliere una strategia di campionamento diversa o modificare la dimensione del campione. Per informazioni su come modificare il campione, consulta [Modifica della configurazione per il campionamento del flusso di dati](canvas-data-flow-edit-sampling.md).
A questo punto, dovresti vedere un nodo di join aggiunto al tuo flusso di dati.
## Concatena i set di dati
La concatenazione combina due set di dati aggiungendo le righe da un set di dati all’altro.
Utilizza la procedura seguente per concatenare due set di dati. Dovresti aver già importato due origini dati nel tuo flusso di dati.
**Per concatenare due set di dati:**
1. Seleziona l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) accanto al nodo a sinistra da concatenare. Il primo nodo selezionato è sempre la tabella a sinistra dell’operazione di concatenazione.
1. Passa il mouse su **Combina dati**, quindi scegli **Concatena**.
1. Seleziona il nodo a destra. Il secondo nodo selezionato è sempre la tabella a destra della concatenazione.
1. (Facoltativo) Seleziona la casella di controllo accanto a **Rimuovi duplicati dopo la concatenazione** per rimuovere le colonne duplicate.
1. (Facoltativo) Seleziona la casella di controllo accanto ad **Aggiungi colonna per indicare il dataframe di origine** per aggiungere una colonna al dataframe risultante che elenca il set di dati di origine per ogni record.
1. In **Nome della colonna dell’indicatore**, inserisci un nome per la colonna aggiunta.
1. In **Stringa che indica il primo set di dati**, inserisci il valore da utilizzare per contrassegnare i record del primo set di dati (o nodo a sinistra).
1. In **Stringa che indica il secondo set di dati**, inserisci il valore da utilizzare per contrassegnare i record del secondo set di dati (o nodo a destra).
1. In **Nome della concatenazione**, inserisci un nome per la concatenazione.
1. (Facoltativo) Scegli **Anteprima** per visualizzare in anteprima i dati concatenati.
1. Scegli **Aggiungi** per aggiungere il nuovo set di dati al flusso di dati.
A questo punto, dovresti vedere un nodo concatenato aggiunto al tuo flusso di dati.
## Bilanciamento dei dati
È possibile bilanciare i dati dei set di dati con una categoria sottorappresentata. Il bilanciamento di un set di dati può aiutarti a creare modelli migliori per la classificazione binaria.
**Nota**
Non è possibile bilanciare set di dati contenenti vettori di colonna.
È possibile utilizzare l'operazione **Bilancia dati** per bilanciare i dati utilizzando uno dei seguenti operatori:
+ *Sovracampionamento casuale*: duplica in modo casuale i campioni della categoria minoritaria. Ad esempio, se stai cercando di rilevare frodi, potresti avere casi di frode solo nel 10% dei tuoi dati. Per una proporzione uguale di casi fraudolenti e non fraudolenti, questo operatore duplica casualmente i casi di frode all'interno del set di dati per 8 volte.
+ *Sottocampionamento casuale*: all'incirca equivalente al sovracampionamento casuale. Rimuove in modo casuale i campioni dalla categoria sovrarappresentata per ottenere la proporzione di campioni desiderata.
+ *Synthetic Minority Oversampling Technique (SMOTE)*: utilizza campioni della categoria sottorappresentata per interpolare nuovi campioni sintetici minoritari. Per ulteriori informazioni su SMOTE, consulta la descrizione seguente.
È possibile utilizzare tutte le trasformazioni per set di dati contenenti caratteristiche sia numeriche che non numeriche. SMOTE interpola i valori utilizzando campioni adiacenti. Data Wrangler utilizza la distanza R al quadrato per determinare l'area circostante per interpolare i campioni aggiuntivi. Data Wrangler utilizza solo caratteristiche numeriche per calcolare le distanze tra i campioni del gruppo sottorappresentato.
Per due campioni reali nel gruppo sottorappresentato, Data Wrangler interpola le caratteristiche numeriche utilizzando una media ponderata. Assegna in modo casuale dei pesi a quei campioni nell'intervallo di [0, 1]. Per quanto riguarda le caratteristiche numeriche, Data Wrangler interpola i campioni utilizzando una media ponderata dei campioni. Per i campioni A e B, Data Wrangler può assegnare in modo casuale un peso di 0,7 ad A e 0,3 a B. Il campione interpolato ha un valore di 0,7A \$1 0,3B.
Data Wrangler interpola caratteristiche non numeriche copiando da uno dei campioni reali interpolati. Copia i campioni con una probabilità che assegna casualmente a ciascun campione. Per i campioni A e B, può assegnare probabilità 0,8 a A e 0,2 a B. Per le probabilità assegnate, copia A l'80% delle volte.
## Trasformazioni personalizzate
Il gruppo **Custom Transforms** consente di utilizzare Python (User-Defined Function) PySpark, panda PySpark o (SQL) per definire trasformazioni personalizzate. Per tutte e tre le opzioni, utilizza la variabile per accedere al dataframe `df` a cui desideri applicare la trasformazione. Per applicare il codice personalizzato al dataframe, assegna al dataframe le trasformazioni che hai apportato alla variabile `df`. Se non utilizzi Python (funzione definita dall'utente), non devi includere un'istruzione restituita. Scegli **Anteprima** per visualizzare in anteprima il risultato della trasformazione personalizzata. Scegli **Aggiungi** per aggiungere la trasformazione personalizzata all'elenco delle **fasi precedenti**.
Puoi importare le librerie più diffuse con un'istruzione `import` nel blocco di codice di trasformazione personalizzata, come il seguente:
+ NumPy versione 1.19.0
+ scikit-learn versione 0.23.2
+ SciPy versione 1.5.4
+ pandas versione 1.0.3
+ PySpark versione 3.0.0
**Importante**
La **Trasformazione personalizzata** non supporta colonne con spazi o caratteri speciali nel nome. Ti consigliamo di specificare nomi di colonna che contengano solo caratteri alfanumerici e caratteri di sottolineatura. È possibile utilizzare la trasformazione **Rinomina colonna** nel gruppo di trasformazione **Gestisci colonne** per rimuovere gli spazi dal nome di una colonna. Puoi anche aggiungere una **Trasformazione personalizzata** in **Python (Pandas)** simile alla seguente per rimuovere gli spazi da più colonne in un’unica fase. Questo esempio modifica rispettivamente le colonne denominate `A column` e `B column` in `A_column` e `B_column`
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
Se includi istruzioni di stampa nel blocco di codice, il risultato viene visualizzato quando selezioni **Anteprima**. È possibile ridimensionare il pannello di trasformatore del codice personalizzato. Il ridimensionamento del pannello offre più spazio per scrivere codici.
Le sezioni seguenti forniscono contesto ed esempi aggiuntivi per la scrittura del codice di trasformazione personalizzata.
**Python (funzione definita dall'utente)**
La funzione Python ti dà la possibilità di scrivere trasformazioni personalizzate senza dover conoscere Apache Spark o pandas. Data Wrangler è ottimizzato per eseguire rapidamente il codice personalizzato. Ottieni prestazioni simili utilizzando codice Python personalizzato e un plug-in Apache Spark.
Per utilizzare il blocco di codice Python (Funzione definita dall'utente), specifica quanto segue:
+ **Colonna di input**: la colonna di input in cui si applica la trasformazione.
+ **Modalità**: la modalità di scripting, pandas o Python.
+ **Tipo restituito**: il tipo di dati del valore che stai restituendo.
L'uso della modalità pandas offre prestazioni migliori. La modalità Python semplifica la scrittura di trasformazioni utilizzando funzioni Python pure.
**PySpark**
L'esempio seguente estrae data e ora da un timestamp.
```
from pyspark.sql.functions import from_unixtime, to_date, date_format
df = df.withColumn('DATE_TIME', from_unixtime('TIMESTAMP'))
df = df.withColumn( 'EVENT_DATE', to_date('DATE_TIME')).withColumn(
'EVENT_TIME', date_format('DATE_TIME', 'HH:mm:ss'))
```
**pandas**
L'esempio seguente fornisce una panoramica del dataframe a cui si sta aggiungendo le trasformazioni.
```
df.info()
```
**PySpark (SQL)**
L'esempio seguente crea un nuovo dataframe con quattro colonne: *nome*, *fare*, *pclass*, *survived*.
```
SELECT name, fare, pclass, survived FROM df
```
Se non sai come usare PySpark, puoi usare frammenti di codice personalizzati per aiutarti a iniziare.
Data Wrangler ha una raccolta ricercabile di frammenti di codice. È possibile utilizzare i frammenti di codice per eseguire attività come eliminare colonne, raggruppare per colonne o modellare.
Per utilizzare un frammento di codice, scegli **Cerca frammenti di esempio e specifica una query nella barra di ricerca**. Il testo specificato nella query non deve necessariamente corrispondere esattamente al nome del frammento di codice.
L'esempio seguente mostra un frammento di codice **Elimina le righe duplicate** che può eliminare righe con dati simili nel set di dati. Puoi trovare il frammento di codice cercando uno dei seguenti:
+ Duplicato
+ Identico
+ Rimuovi
Il seguente frammento contiene commenti per aiutarti a comprendere le modifiche da apportare. Per la maggior parte dei frammenti, è necessario specificare i nomi delle colonne del set di dati nel codice.
```
# Specify the subset of columns
# all rows having identical values in these columns will be dropped
subset = ["col1", "col2", "col3"]
df = df.dropDuplicates(subset)
# to drop the full-duplicate rows run
# df = df.dropDuplicates()
```
Per utilizzare un frammento, copia e incolla il suo contenuto nel campo **Trasformazione personalizzata.** Puoi copiare e incollare più frammenti di codice nel campo Trasformazione personalizzata.
## Formula personalizzata
Usa la **Formula personalizzata** per definire una nuova colonna usando un'espressione SQL Spark per effettuare la query dei dati nel dataframe corrente. La query deve utilizzare le convenzioni delle espressioni SQL di Spark.
**Importante**
La **Formula personalizzata** non supporta colonne con spazi o caratteri speciali nel nome. Ti consigliamo di specificare nomi di colonna che contengano solo caratteri alfanumerici e caratteri di sottolineatura. È possibile utilizzare la trasformazione **Rinomina colonna** nel gruppo di trasformazione **Gestisci colonne** per rimuovere gli spazi dal nome di una colonna. Puoi anche aggiungere una **Trasformazione personalizzata** in **Python (Pandas)** simile alla seguente per rimuovere gli spazi da più colonne in un’unica fase. Questo esempio modifica rispettivamente le colonne denominate `A column` e `B column` in `A_column` e `B_column`
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
È possibile utilizzare questa trasformazione per eseguire operazioni sulle colonne, facendo riferimento alle colonne per nome. Ad esempio, supponendo che il dataframe corrente contenga colonne denominate *col\$1a* e *col\$1b*, è possibile utilizzare la seguente operazione per produrre una **colonna di output** che sia il prodotto di queste due colonne con il codice seguente:
```
col_a * col_b
```
Altre operazioni comuni includono le seguenti, supponendo che un dataframe contenga `col_a` e `col_b` colonne:
+ Concatena due colonne: `concat(col_a, col_b)`
+ Aggiungi due colonne: `col_a + col_b`
+ Sottrai due colonne: `col_a - col_b`
+ Dividi due colonne: `col_a / col_b`
+ Prendi il valore assoluto di una colonna: `abs(col_a)`
Per maggiori informazioni, consulta la [documentazione di Spark](http://spark.apache.org/docs/latest/api/python) sulla selezione dei dati.
## Ridurre la dimensionalità all'interno di un set di dati
Riduci la dimensionalità dei dati utilizzando Principal Component Analysis (PCA). La dimensionalità del set di dati corrisponde al numero di funzionalità. Quando si utilizza la riduzione della dimensionalità in Data Wrangler, si ottiene un nuovo set di funzionalità chiamate componenti. Ogni componente rappresenta una certa variabilità nei dati.
Il primo componente rappresenta la maggiore quantità di variazioni nei dati. Il secondo componente rappresenta la seconda maggiore quantità di variazioni nei dati e così via.
È possibile utilizzare la riduzione della dimensionalità per ridurre le dimensioni dei set di dati utilizzati per addestrare i modelli. Invece di utilizzare le funzionalità del set di dati, è possibile utilizzare i componenti principali.
Per eseguire la PCA, Data Wrangler crea assi per i dati. Un asse è una combinazione affine di colonne nel set di dati. Il primo componente principale è il valore sull'asse che presenta la maggiore varianza. Il secondo componente principale è il valore sull'asse che presenta la seconda maggiore varianza. L'ennesima componente principale è il valore sull'asse che presenta l'ennesima maggiore varianza.
È possibile configurare il numero di componenti principali restituiti da Data Wrangler. È possibile specificare direttamente il numero di componenti principali oppure specificare la percentuale di soglia di varianza. Ogni componente principale spiega una quantità di varianza nei dati. Ad esempio, si potrebbe disporre di un componente principale con un valore di 0,5. Il componente spiegherebbe il 50% della variazione dei dati. Quando si specifica una percentuale di soglia di varianza, Data Wrangler restituisce il numero minimo di componenti che soddisfano la percentuale specificata.
Di seguito sono riportati alcuni esempi di componenti principali con la quantità di varianza che spiegano nei dati.
+ Componente 1 – 0,5
+ Componente 2 – 0,45
+ Componente 3 – 0,05
Se si specifica una percentuale di soglia di varianza pari a `94` o`95`, Data Wrangler restituisce Component 1 e Component 2. Se si specifica una percentuale di soglia di varianza di `96`, Data Wrangler restituisce tutti e tre i componenti principali.
Si può utilizzare la procedura seguente per eseguire PCA sul set di dati.
Per eseguire PCA sul set di dati, completare le seguenti operazioni.
1. Apri il flusso di dati Data Wrangler.
1. Scegli il **segno \$1** e seleziona **Aggiungi**.
1. Scegli **Aggiungi fase**.
1. Scegli **riduzione della dimensionalità**.
1. Per **Colonne di input**, scegli le funzionalità da ridurre ai componenti principali.
1. (Facoltativo) Per **Numero di componenti principali**, scegli il numero di componenti principali che Data Wrangler restituisce nel tuo set di dati. Se si specifica un valore per il campo, non è possibile specificare un valore per la **Percentuale della soglia di varianza**.
1. (Facoltativo) Per la **Percentuale della soglia di varianza**, specifica la percentuale di variazione dei dati che desideri venga spiegata dai componenti principali. Data Wrangler utilizza il valore predefinito `95` se non specifichi un valore per la soglia di varianza. Non puoi specificare una percentuale di soglia di varianza se hai specificato un valore per il **Numero di componenti principali**.
1. (Facoltativo) Deseleziona **Centro** per non utilizzare la media delle colonne come centro dei dati. Per impostazione predefinita, Data Wrangler centra i dati con la media prima del ridimensionamento.
1. (Facoltativo) Deseleziona **Scala** per non ridimensionare i dati con la deviazione standard unitaria.
1. (Facoltativo) Scegli **Colonne** per esportare i componenti in colonne separate. Scegli **Vettore** per visualizzare i componenti come un unico vettore.
1. (Facoltativo) Per la **Colonna di output**, specificate un nome per una colonna di output. Se stai inviando i componenti in colonne separate, il nome specificato è un prefisso. Se stai inviando i componenti in un vettore, il nome specificato è il nome della colonna vettoriale.
1. (Facoltativo) Seleziona **Mantieni le colonne di input**. Non consigliamo di selezionare questa opzione se prevedi di utilizzare solo i componenti principali per addestrare il tuo modello.
1. Scegli **Anteprima**.
1. Scegli **Aggiungi**.
## Codifica categorica
I dati categoriali sono generalmente composti da un numero finito di categorie, in cui ogni categoria è rappresentata da una stringa. Ad esempio, se disponi di una tabella di dati sui clienti, una colonna che indica il Paese in cui vive una persona è di categoria. Le categorie sarebbero *Afghanistan*, *Albania*, *Algeria* e così via. I dati categoriali possono essere *nominali* o *ordinali.* Le categorie ordinali hanno un ordine intrinseco, mentre le categorie nominali no. Il grado più alto ottenuto (*Scuola superiore*, *Laurea*, *Master* e così via) è un esempio di categorie ordinali.
La codifica dei dati categoriali è il processo di creazione di una rappresentazione numerica per le categorie. Ad esempio, se le categorie sono *Cane* e *Gatto*, puoi codificare queste informazioni in due vettori: `[1,0]` per rappresentare *Cane* e `[0,1]` per rappresentare *Gatto*.
Quando codifichi le categorie ordinali, potrebbe essere necessario tradurre l'ordine naturale delle categorie nella codifica. Per esempio, puoi rappresentare il grado più alto ottenuto con la seguente mappa: `{"High school": 1, "Bachelors": 2, "Masters":3}`.
Usa la codifica categoriale per codificare i dati categoriali in formato stringa in matrici di numeri interi.
I codificatori di categoria Data Wrangler creano codifiche per tutte le categorie presenti in una colonna al momento della definizione della fase. Se sono state aggiunte nuove categorie a una colonna quando si avvia un processo di Data Wrangler per elaborare il set di dati al momento *t* e questa colonna è stata l'input per una trasformazione di codifica categoriale di Data Wrangler al momento *t*-1, queste nuove categorie sono considerate *mancanti* nel processo Data Wrangler. L'opzione selezionata per **Strategia di gestione non valida** viene applicata a questi valori mancanti. Esempi di quando ciò può verificarsi sono:
+ Quando si utilizza un file.flow per creare un processo Data Wrangler per elaborare un set di dati che è stato aggiornato dopo la creazione del flusso di dati. Ad esempio, ogni mese puoi utilizzare un flusso di dati per elaborare regolarmente i dati di vendita. Se tali dati di vendita vengono aggiornati settimanalmente, è possibile inserire nuove categorie nelle colonne per le quali viene definita una fase di codifica categoriale.
+ Quando selezioni **Campionamento** nell'importare il set di dati, alcune categorie potrebbero essere escluse dall'esempio.
In queste situazioni, le nuove categorie sono considerate valori mancanti nel processo di Data Wrangler.
È possibile scegliere e configurare una codifica *ordinale* e una *codifica one-hot*. Utilizza le seguenti sezioni per avere ulteriori informazioni su queste opzioni.
Entrambe le trasformazioni creano una nuova colonna denominata **Nome colonna di output**. Specifica il formato di output di questa colonna con lo **Stile di output**:
+ Seleziona **Vettore** per produrre una singola colonna con un vettore sparso.
+ Seleziona **Colonne** per creare una colonna per ogni categoria con una variabile indicatore che indica se il testo nella colonna originale contiene un valore uguale a quella categoria.
### Codifica ordinale
Seleziona **Codifica ordinale** per codificare le categorie in un numero intero compreso tra 0 e il numero totale di categorie nella **Colonna di input** selezionata.
**Strategia di gestione non valida**: seleziona un metodo per gestire i valori non validi o mancanti.
+ Scegli **Ignora** se desiderate omettere le righe con valori mancanti.
+ Scegli **Mantieni** per mantenere i valori mancanti come ultima categoria.
+ Scegli **Errore** se desideri che Data Wrangler generi un errore se vengono rilevati valori mancanti nella **Colonna di input**.
+ Scegli **Sostituisci con NaN** per sostituire i valori mancanti con NaN. Questa opzione è consigliata se l'algoritmo di ML è in grado di gestire i valori mancanti. In caso contrario, le prime tre opzioni di questo elenco potrebbero produrre risultati migliori.
### Codifica one-Hot
Seleziona **Codifica one-hot** per far sì che **Trasformazione** utilizzi la codifica one-hot. Configura questa trasformazione utilizzando quanto segue:
+ **Elimina l'ultima categoria**: se `True` l'ultima categoria non ha un indice corrispondente nella codifica one-hot. Quando è possibili che manchino dei valori, una categoria mancante è sempre l'ultima e impostarla su `True` significa che un valore mancante si traduce in un vettore tutto zero.
+ **Strategia di gestione non valida**: seleziona un metodo per gestire i valori non validi o mancanti.
+ Scegli **Ignora** se desiderate omettere le righe con valori mancanti.
+ Scegli **Mantieni** per mantenere i valori mancanti come ultima categoria.
+ Scegli **Errore** se desideri che Data Wrangler generi un errore se vengono rilevati valori mancanti nella **colonna di input**.
+ **L'input ordinale è codificato:**: seleziona questa opzione se il vettore di input contiene dati codificati ordinali. Questa opzione richiede che i dati di input contengano numeri interi non negativi. Se **Vero**, l'input *i* viene codificato come vettore con un valore diverso da zero nella posizione *i*.
### Codifica di similarità
Usa la codifica di similarità quando hai quanto segue:
+ Un gran numero di variabili categoriali
+ Dati di disturbo
L'encoder di similarità crea incorporamenti per colonne con dati categoriali. L'incorporamento è una mappatura di oggetti discreti, come le parole, a vettori di numeri reali. Codifica stringhe simili a vettori contenenti valori simili. Ad esempio, crea codifiche molto simili per «California» e «Calfornia».
Data Wrangler converte ogni categoria del set di dati in un set di token utilizzando un tokenizzatore da 3 grammi. Converte i token in un incorporamento utilizzando la codifica min-hash.
Le codifiche di similarità create da Data Wrangler:
+ Hanno una bassa dimensionalità
+ Sono scalabili per un gran numero di categorie
+ Sono robuste e resistenti ai valori di disturbo
Per i motivi precedenti, la codifica di similarità è più versatile della codifica one-hot.
Per aggiungere la trasformazione di codifica di similarità al set di dati, utilizza la procedura seguente.
Per utilizzare la codifica di similarità, completare le seguenti operazioni.
1. Accedi alla [console Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Scegli **Apri Studio Classic**.
1. Scegli **Avvia l'applicazione**.
1. Scegli **Studio**
1. Specificate il flusso di dati.
1. Scegli una fase con una trasformazione.
1. Scegli **Aggiungi fase**.
1. Scegli **Codifica categorica**.
1. Specificare le impostazioni seguenti:
+ **Trasformazione**: **Codifica per somiglianza**
+ **Colonna di input**: la colonna contenente i dati categoriali che stai codificando.
+ **Dimensione di destinazione**: (facoltativa) la dimensione del vettore di incorporamento categorico. Il valore predefinito è 30. Ti consigliamo di utilizzare una dimensione target più grande se disponi di un set di dati di grandi dimensioni con molte categorie.
+ **Stile di output**: scegli **Vettore** per un singolo vettore con tutti i valori codificati. Scegli **Colonna** per avere i valori codificati in colonne separate.
+ **Colonna di output**: (facoltativo) il nome della colonna di output per un output con codifica vettoriale. Per un output con codifica a colonne, questo è il prefisso dei nomi delle colonne seguito dal numero elencato.
## Caratterizzazione del testo
Utilizza il gruppo di trasformazione **Caratterizzazione del testo** per ispezionare le colonne di tipo stringa e utilizzate l'incorporamento del testo per caratterizzare queste colonne.
Questo gruppo di funzionalità contiene due funzionalità, *Statistiche dei caratteri* e *Vettorizza*. Utilizza le seguenti sezioni per avere ulteriori informazioni su queste trasformazioni. Per entrambe le opzioni, la **Colonna di input** deve contenere dati di testo (tipo di stringa).
### Statistiche dei caratteri
Utilizza le **Statistiche dei caratteri** per generare statistiche per ogni riga di una colonna contenente dati di testo.
Questa trasformazione calcola i seguenti rapporti e conteggi per ogni riga e crea una nuova colonna per riportare il risultato. La nuova colonna viene denominata utilizzando il nome della colonna di input come prefisso e un suffisso specifico del rapporto o del conteggio.
+ **Numero di parole**: il numero totale di parole in quella riga. Il suffisso di questa colonna di output è `-stats_word_count`.
+ **Numero di caratteri**: il numero totale di caratteri in quella riga. Il suffisso di questa colonna di output è `-stats_char_count`.
+ **Rapporto tra maiuscole**: il numero di caratteri maiuscoli, dalla A alla Z, diviso per tutti i caratteri della colonna. Il suffisso di questa colonna di output è `-stats_capital_ratio`.
+ **Rapporto tra minuscole**: il numero di caratteri minuscoli, dalla a alla z, diviso per tutti i caratteri della colonna. Il suffisso di questa colonna di output è `-stats_lower_ratio`.
+ **Rapporto tra cifre**: il rapporto tra le cifre in una singola riga e la somma delle cifre nella colonna di input. Il suffisso di questa colonna di output è `-stats_digit_ratio`.
+ **Rapporto tra caratteri speciali**: il rapporto tra caratteri non alfanumerici (caratteri come \$1\$1&%: @) e la somma di tutti i caratteri nella colonna di input. Il suffisso di questa colonna di output è `-stats_special_ratio`.
### Vettorizza
L'incorporamento del testo implica la mappatura di parole o frasi da un vocabolario a vettori di numeri reali. Usa la trasformazione di incorporamento del testo di Data Wrangler per tokenizzare e vettorializzare i dati di testo in vettori TF-IDF (Term Frequency—Inverse Document Frequency).
Quando TF-IDF viene calcolato per una colonna di dati di testo, ogni parola di ogni frase viene convertita in un numero reale che ne rappresenta l'importanza semantica. I numeri più alti sono associati a parole meno frequenti, che tendono ad essere più significative.
Quando si definisce una fase di trasformazione **Vettorizza**, Data Wrangler utilizza i dati del set di dati per definire il vettorizzatore di conteggi e i metodi TF-IDF. L'esecuzione di un processo Data Wrangler utilizza gli stessi metodi.
Configura questa trasformazione utilizzando quanto segue:
+ **Nome della colonna di output**: questa trasformazione crea una nuova colonna con il testo incorporato. Usa questo campo per specificare un nome per questa colonna di output.
+ **Tokenizer***: un tokenizer converte la frase in un elenco di parole o token.*
Scegli **Standard** per utilizzare un tokenizer che divide per spazio bianco e converte ogni parola in minuscolo. Ad esempio, `"Good dog"` è tokenizzato in `["good","dog"]`.
Scegli **Personalizzato** per utilizzare un tokenizer personalizzato. Se scegli **Personalizzato**, puoi utilizzare i seguenti campi per configurare il tokenizer:
+ **Lunghezza minima del token**: la lunghezza minima, in caratteri, affinché un token sia valido. L’impostazione predefinita è `1`. Ad esempio, se si specifica `3` come lunghezza minima del token, le parole come `a, at, in` vengono eliminate dalla frase tokenizzata.
+ **L'espressione regolare dovrebbe dividersi sugli spazi vuoti**: se selezionata, **l'espressone regolare** si suddivide sugli spazi vuoti. In caso contrario, corrisponde ai token. L’impostazione predefinita è `True`.
+ **Modello espressione regolare**: modello espressione regolare che definisce il processo di tokenizzazione. L’impostazione predefinita è `' \\ s+'`.
+ **Converti in minuscolo**: se selezionato, Data Wrangler converte tutti i caratteri in minuscolo prima della tokenizzazione. L’impostazione predefinita è `True`.
Per ulteriori informazioni, consulta la documentazione di Spark su [Tokenizer](https://spark.apache.org/docs/latest/ml-features#tokenizer).
+ **Vettorizzatore**: il vettorizzatore converte l'elenco dei token in un vettore numerico sparso. Ogni token corrisponde a un indice nel vettore e un valore diverso da zero indica l'esistenza del token nella frase di input. Puoi scegliere tra due opzioni di vettorizzazione, *Conteggio* e *Hashing*.
+ **Conta vettoriale**: consente personalizzazioni che filtrano i token poco frequenti o troppo comuni. I **Parametri di conteggio vettoriale** includono quanto segue:
+ **Frequenza minima dei termini**: in ogni riga, vengono filtrati i termini (token) con frequenza minore. Se si specifica un numero intero, si tratta di una soglia assoluta (inclusa). Se si specifica una frazione compresa tra 0 (incluso) e 1, la soglia è relativa al conteggio totale dei termini. L’impostazione predefinita è `1`.
+ **Frequenza minima dei documenti**: numero minimo di righe in cui deve apparire un termine (token). Se si specifica un numero intero, si tratta di una soglia assoluta (inclusa). Se si specifica una frazione compresa tra 0 (incluso) e 1, la soglia è relativa al conteggio totale dei termini. L’impostazione predefinita è `1`.
+ **Frequenza massima dei documenti**: numero massimo di documenti (righe) in cui un termine (token) può apparire per essere incluso. Se si specifica un numero intero, si tratta di una soglia assoluta (inclusa). Se si specifica una frazione compresa tra 0 (incluso) e 1, la soglia è relativa al conteggio totale dei termini. L’impostazione predefinita è `0.999`.
+ **Dimensione massima del vocabolario**: dimensione massima del vocabolario. Il vocabolario è composto da tutti i termini (token) presenti in tutte le righe della colonna. L’impostazione predefinita è `262144`.
+ **Output binari**: se selezionato, gli output vettoriali non includono il numero di apparizioni di un termine in un documento, ma sono piuttosto un indicatore binario del suo aspetto. L’impostazione predefinita è `False`.
Per ulteriori informazioni su questa opzione, consulta la documentazione di Spark su [CountVectorizer](https://spark.apache.org/docs/latest/ml-features#countvectorizer).
+ **L'hashing** è computazionalmente più veloce. I **parametri di vettorizzazione hash** includono quanto segue:
+ **Numero di funzionalità durante l'hashing**: un vettorizzatore di hash mappa i token su un indice vettoriale in base al loro valore di hash. Questa funzione determina il numero di valori hash possibili. Valori elevati comportano un minor numero di collisioni tra i valori hash a fronte di un vettore di output di dimensioni maggiori.
Per saperne di più su questa opzione, consulta la documentazione di Spark su [FeatureHasher](https://spark.apache.org/docs/latest/ml-features#featurehasher)
+ **Applica IDF**: applica una trasformazione IDF, che moltiplica la frequenza del termine per la frequenza inversa standard del documento utilizzata per l'incorporamento di TF-IDF. I **parametri IDF** includono quanto segue:
+ **Frequenza minima dei documenti**: numero minimo di documenti (righe) in cui deve apparire un termine (token). Se **count\$1vectorize** è il vettorizzatore scelto, ti consigliamo di mantenere il valore predefinito e di modificare solo il campo **min\$1doc\$1freq** nei **Parametri di conteggio vettoriale**. L’impostazione predefinita è `5`.
+ **Formato di output**: il formato di output di ogni riga.
+ Seleziona **Vettore** per produrre una singola colonna con un vettore sparso.
+ Seleziona **Appiattito** per creare una colonna per ogni categoria con una variabile indicatore che indica se il testo nella colonna originale contiene un valore uguale a quella categoria. Puoi scegliere appiattito solo quando **Vectorizer** è impostato come **Vettorizzatore di conteggi.**
## Serie temporale di trasformazione
In Data Wrangler, puoi trasformare i dati di serie temporali. I valori in un set di dati di serie temporali sono indicizzati in base a un periodo di tempo specifico. Ad esempio, un set di dati che mostra il numero di clienti in un negozio per ogni ora del giorno è un set di dati di serie temporali. La tabella seguente mostra un esempio di set di dati di serie temporali.
Numero orario di clienti in un negozio
| Numero di clienti | Tempo (ora) |
| --- | --- |
| 4 | 09:00 |
| 10 | 10:00 |
| 14 | 11:00 |
| 25 | 12:00 |
| 20 | 13:00 |
| 18 | 14:00 |
Per la tabella precedente, la colonna **Numero di clienti** contiene i dati di serie temporali. I dati di serie temporali sono indicizzati in base ai dati orari nella colonna **Tempo (ora)**.
Potrebbe essere necessario eseguire una serie di trasformazioni sui dati per ottenere un formato che possa essere utilizzato per l'analisi. Utilizza il gruppo di trasformazione delle **Serie temporali** per trasformare i dati di serie temporali. Per ulteriori informazioni sulle trasformazioni che è possibile eseguire, consulta le sezioni successive.
**Topics**
+ [Raggruppa per serie temporale](#canvas-group-by-time-series)
+ [Ricampiona i dati di serie temporali](#canvas-resample-time-series)
+ [Gestisci i dati di serie temporali mancanti](#canvas-transform-handle-missing-time-series)
+ [Convalida il timestamp dei dati di serie temporali](#canvas-transform-validate-timestamp)
+ [Standardizzazione della durata delle serie temporali](#canvas-transform-standardize-length)
+ [Estrai funzionalità dai dati delle serie temporali](#canvas-transform-extract-time-series-features)
+ [Usa le funzionalità ritardate dei dati di serie temporali](#canvas-transform-lag-time-series)
+ [Crea un intervallo di date e orari nella tua serie temporale](#canvas-transform-datetime-range)
+ [Usare una finestra mobile nella serie temporale](#canvas-transform-rolling-window)
### Raggruppa per serie temporale
È possibile utilizzare l'operazione di raggruppamento per raggruppare i dati delle serie temporali di valori specifici in una colonna.
Ad esempio, è disponibile la tabella seguente che tiene traccia del consumo medio giornaliero di elettricità in una famiglia.
Consumo medio giornaliero di elettricità per uso domestico
| ID della famiglia | Timestamp giornaliero | Consumo di elettricità (kWh) | Numero di occupanti della famiglia |
| --- | --- | --- | --- |
| famiglia\$10 | 1/1/2020 | 30 | 2 |
| famiglia\$10 | 02/1/2020 | 40 | 2 |
| famiglia\$10 | 4/1/2020 | 35 | 3 |
| famiglia\$11 | 02/1/2020 | 45 | 3 |
| famiglia\$11 | 3/1/2020 | 55 | 4 |
Se scegli di raggruppare per ID, ottieni la seguente tabella.
Consumo di elettricità raggruppato per ID famiglia
| ID della famiglia | Serie di utilizzo dell'elettricità (kWh) | Serie del numero di occupanti della famiglia |
| --- | --- | --- |
| famiglia\$10 | [30, 40, 35] | [2, 2, 3] |
| famiglia\$11 | [45, 55] | [3, 4] |
Ogni voce nella sequenza delle serie temporali è ordinata in base al timestamp corrispondente. Il primo elemento della sequenza corrisponde al primo timestamp della serie. Per `household_0`, `30` è il primo valore della **serie sull'uso dell'elettricità**. Il valore `30` corrisponde al primo timestamp di `1/1/2020`
È possibile includere il timestamp di inizio e il timestamp di fine. La tabella seguente mostra come vengono visualizzate queste informazioni.
Consumo di elettricità raggruppato per ID famiglia
| ID della famiglia | Serie di utilizzo dell'elettricità (kWh) | Serie del numero di occupanti della famiglia | Start\$1time | End\$1time |
| --- | --- | --- | --- | --- |
| famiglia\$10 | [30, 40, 35] | [2, 2, 3] | 1/1/2020 | 4/1/2020 |
| famiglia\$11 | [45, 55] | [3, 4] | 02/1/2020 | 3/1/2020 |
Puoi utilizzare la procedura seguente per raggruppare in base a una colonna di serie temporali.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Serie temporali**.
1. In **Trasformazione**, scegli **Raggruppa per**.
1. Specifica una colonna in **Raggruppa in base a questa colonna**.
1. Per **Applica alle colonne**, specificare un valore.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Ricampiona i dati di serie temporali
I dati di serie temporali di solito contengono osservazioni che non vengono effettuate a intervalli regolari. Ad esempio, un set di dati potrebbe contenere alcune osservazioni registrate ogni ora e altre osservazioni registrate ogni due ore.
Molte analisi, come gli algoritmi di previsione, richiedono che le osservazioni vengano eseguite a intervalli regolari. Il ricampionamento consente di stabilire intervalli regolari per le osservazioni nel set di dati.
È possibile campionare o sottocampionare una serie temporale. Il sottocampionamento aumenta l'intervallo tra le osservazioni nel set di dati. Ad esempio, se si esegue il sottocampionamento di osservazioni effettuate ogni ora o ogni due ore, ogni osservazione del set di dati viene eseguita ogni due ore. Le osservazioni orarie vengono aggregate in un unico valore utilizzando un metodo di aggregazione come la media o la mediana.
Il sovracampionamento riduce l'intervallo tra le osservazioni nel set di dati. Ad esempio, se si convertono le osservazioni effettuate ogni due ore in osservazioni orarie, è possibile utilizzare un metodo di interpolazione per dedurre le osservazioni orarie da quelle effettuate ogni due ore. [Per informazioni sui metodi di interpolazione, vedere pandas. DataFrame.interpolare.](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html)
È possibile ricampionare dati numerici e non numerici.
Utilizza l'operazione **Ricampiona** per ricampionare i dati di serie temporali. Se nel set di dati sono presenti più serie temporali, Data Wrangler standardizza l'intervallo temporale per ogni serie temporale.
La tabella seguente mostra un esempio di sottocampionamento dei dati delle serie temporali utilizzando la media come metodo di aggregazione. I dati vengono sottoposti a sottocampionamento da ogni due ore a ogni ora.
Letture della temperatura oraria nell'arco di un giorno prima del sottocampionamento
| Timestamp | Temperatura (gradi Celsius) |
| --- | --- |
| 12:00 | 30 |
| 1:00 | 32 |
| 2:00 | 35 |
| 3:00 | 32 |
| 4:00 | 30 |
Letture della temperatura con un campionamento ridotto a due ore
| Time stamp | Temperatura (gradi Celsius) |
| --- | --- |
| 12:00 | 30 |
| 2:00 | 33,5 |
| 4:00 | 35 |
Puoi utilizzare la procedura seguente per ricampionare i dati di serie temporali.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Ricampiona**.
1. Per **Timestamp**, scegli la colonna Timestamp.
1. Per **Unità di frequenza**, specifica la frequenza da ricampionare.
1. (Facoltativo) Specifica un valore per la **Quantità di frequenza**.
1. Configura la trasformazione specificando i campi rimanenti.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Gestisci i dati di serie temporali mancanti
Se nel set di dati mancano valori, puoi eseguire una delle seguenti operazioni:
+ Per i set di dati con più serie temporali, elimina le serie temporali con valori mancanti superiori alla soglia specificata.
+ Importa i valori mancanti in una serie temporale utilizzando altri valori della serie temporale.
L'imputazione di un valore mancante implica la sostituzione dei dati specificando un valore o utilizzando un metodo inferenziale. Di seguito sono riportati i metodi che è possibile utilizzare per l'imputazione:
+ Valore costante: sostituisci tutti i dati mancanti nel set di dati con un valore specificato dall'utente.
+ Valore più comune: sostituisce tutti i dati mancanti con il valore che possiede la frequenza più alta nel set di dati.
+ Riempimento in avanti: utilizza un riempimento in avanti per sostituire i valori mancanti con il valore non mancante che precede i valori mancanti. Per la sequenza: [2, 4, 7, NaN, NaN, NaN, 8], tutti i valori mancanti vengono sostituiti con 7. La sequenza che risulta dall'utilizzo di un riempimento in avanti è [2, 4, 7, 7, 7, 7, 8].
+ Riempimento all'indietro: utilizza un riempimento all'indietro per sostituire i valori mancanti con il valore non mancante che segue i valori mancanti. Per la sequenza: [2, 4, 7, NaN, NaN, NaN, 8], tutti i valori mancanti vengono sostituiti con 8. La sequenza che risulta dall'utilizzo di un riempimento all'indietro è [2, 4, 7, 8, 8, 8, 8].
+ Interpolazione: utilizza una funzione di interpolazione per imputare i valori mancanti. [Per ulteriori informazioni sulle funzioni che puoi usare per l'interpolazione, vedi pandas. DataFrame.interpolare.](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html)
Alcuni metodi di imputazione potrebbero non essere in grado di imputare tutto il valore mancante nel set di dati. Ad esempio, un **Riempimento in avanti** non può imputare un valore mancante che appare all'inizio della serie temporale. È possibile imputare i valori utilizzando un riempimento in avanti o un riempimento all'indietro.
È possibile imputare i valori mancanti all'interno di una cella o all'interno di una colonna.
L'esempio seguente mostra come i valori vengono imputati all'interno di una cella.
Consumo di elettricità con valori mancanti
| ID della famiglia | Serie di utilizzo dell'elettricità (kWh) |
| --- | --- |
| famiglia\$10 | [30, 40, 35, NaN, NaN] |
| famiglia\$11 | [45, NaN, 55] |
Consumo di elettricità con valori imputati utilizzando un riempimento in avanti
| ID della famiglia | Serie di utilizzo dell'elettricità (kWh) |
| --- | --- |
| famiglia\$10 | [30, 40, 35, 35, 35] |
| famiglia\$11 | [45, 45, 55] |
L'esempio seguente mostra come i valori vengono imputati all'interno di una colonna.
Consumo medio giornaliero di elettricità per uso domestico con valori mancanti
| ID della famiglia | Consumo di elettricità (kWh) |
| --- | --- |
| famiglia\$10 | 30 |
| famiglia\$10 | 40 |
| famiglia\$10 | NaN |
| famiglia\$11 | NaN |
| famiglia\$11 | NaN |
Consumo medio giornaliero di elettricità per uso domestico con valori imputati utilizzando un rifornimento a termine
| ID della famiglia | Consumo di elettricità (kWh) |
| --- | --- |
| famiglia\$10 | 30 |
| famiglia\$10 | 40 |
| famiglia\$10 | 40 |
| famiglia\$11 | 40 |
| famiglia\$11 | 40 |
Per gestire i valori mancanti utilizza la procedura seguente.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Gestisci mancanti**.
1. Per il **tipo di input delle serie temporali**, scegli se desideri gestire i valori mancanti all'interno di una cella o lungo una colonna.
1. Per **Immetti i valori mancanti per questa colonna**, specifica la colonna con i valori mancanti.
1. Per **Metodo di imputazione dei valori**, seleziona un metodo.
1. Configura la trasformazione specificando i campi rimanenti.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Se hai dei valori mancanti, puoi specificare un metodo per imputarli in **Metodo per l'imputazione dei valori**.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Convalida il timestamp dei dati di serie temporali
È possibile che i dati del timestamp non siano validi. È possibile utilizzare la funzione **Convalida timestamp** per determinare se i timestamp nel set di dati sono validi. Il timestamp potrebbe non essere valido per uno o più dei seguenti motivi:
+ La colonna del timestamp presenta dei valori mancanti.
+ I valori nella colonna del timestamp non sono formattati correttamente.
Se nel set di dati sono presenti timestamp non validi, non è possibile eseguire correttamente l'analisi. Puoi utilizzare Data Wrangler per identificare timestamp non validi e capire dove è necessario ripulire i dati.
La convalida delle serie temporali funziona in due modi:
Puoi configurare Data Wrangler per eseguire una delle seguenti operazioni se rileva valori mancanti nel set di dati:
+ Elimina le righe con i valori mancanti o non validi.
+ Identifica le righe con valori mancanti o non validi.
+ Genera un errore se rileva valori mancanti o non validi nel set di dati.
Puoi convalidare i timestamp sulle colonne che hanno il tipo `timestamp` o `string`. Se la colonna ha il tipo `string`, Data Wrangler converte il tipo di colonna in `timestamp` ed esegue la convalida.
Per convalidare i timestamp nel set di dati puoi utilizzare la procedura seguente.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Convalida i timestamp**.
1. Per **Colonna timestamp**, scegli la colonna Timestamp.
1. Per **Policy**, scegli se vuoi gestire i timestamp mancanti.
1. (Facoltativo) Per la **colonna di output**, specifica un nome per la colonna di output.
1. Se la colonna della data e dell'ora è formattata per il tipo di stringa, scegli **Trasmetti a datetime**.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Standardizzazione della durata delle serie temporali
Se si dispone di dati di serie temporali archiviati come matrici, è possibile standardizzare ogni serie temporale sulla stessa durata. La standardizzazione della durata dell'array delle serie temporali potrebbe semplificare l'esecuzione dell'analisi sui dati.
È possibile standardizzare le serie temporali per le trasformazioni dei dati che richiedono una durata fissa dei dati.
Molti algoritmi di ML richiedono di appiattire i dati di serie temporali prima di utilizzarli. L'appiattimento dei dati di serie temporali consiste nel separare ogni valore di serie temporale in una colonna distinta all'interno di un set di dati. Il numero di colonne in un set di dati non può cambiare, quindi è necessario standardizzare le durate delle serie temporali: ogni array viene suddiviso in un insieme di funzionalità.
Ogni serie temporale è impostata sulla durata specificata come quantile o percentile del set di serie temporali. Ad esempio, è possibile che tu disponga di tre sequenze con le seguenti durate:
+ 3
+ 4
+ 5
Puoi impostare la durata di tutte le sequenze come la durata della sequenza che ha il 50° percentile di durata.
Agli array di serie temporali più brevi della durata specificata vengono aggiunti i valori mancanti. Di seguito è riportato un esempio di formato di standardizzazione delle serie temporali su una durata maggiore: [2, 4, 5, NaN, NaN, NaN].
È possibile utilizzare approcci diversi per gestire i valori mancanti. Per ulteriori informazioni su tali approcci, consultare [Gestisci i dati di serie temporali mancanti](#canvas-transform-handle-missing-time-series).
Gli array di serie temporali più lunghi della durata specificata vengono troncati.
Puoi utilizzare la procedura seguente per standardizzare la durata delle serie temporali.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Standardizza la durata**.
1. Per **Standardizzare la durata delle serie temporali per la colonna**, scegli una colonna.
1. (Facoltativo) Per la **colonna di output**, specifica un nome per la colonna di output. Se non specifichi un nome, la trasformazione avverrà in loco.
1. Se la colonna datetime è formattata per il tipo di stringa, scegli **Trasmetti a datetime**.
1. Scegli **Taglio quantile** e specificate un quantile per impostare la durata della sequenza.
1. Scegli **Appiattisci l'output** per visualizzare i valori delle serie temporali in colonne separate.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Estrai funzionalità dai dati delle serie temporali
Se stai eseguendo un algoritmo di classificazione o regressione sui dati di serie temporali, ti consigliamo di estrarre le funzionalità dalle serie temporali prima di eseguire l'algoritmo. Le funzioni di estrazione potrebbero migliorare le prestazioni dell'algoritmo.
Utilizza le seguenti opzioni per scegliere come estrarre le funzionalità dai dati:
+ Usa **Sottoinsieme minimo** per specificare l'estrazione di 8 funzionalità che sai essere utili nelle analisi a valle. È possibile utilizzare un sottoinsieme minimo quando è necessario eseguire calcoli rapidamente. È inoltre possibile utilizzarlo quando l'algoritmo di ML presenta un elevato rischio di overfitting e si desidera dotarlo di un numero inferiore di funzionalità.
+ Utilizza il **Sottoinsieme efficiente** per specificare l'estrazione del maggior numero possibile di funzionalità senza estrarre funzionalità che richiedono un uso intensivo di calcolo nelle analisi.
+ Utilizza **Tutte le funzionalità** per specificare l'estrazione di tutte le funzionalità dalla serie.
+ Usa il **Sottoinsieme manuale** per scegliere un elenco di funzionalità che ritieni spieghino bene la variazione dei tuoi dati.
Utilizza la procedura seguente per estrarre le funzionalità dai dati di serie temporali.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Funzionalità di estrazione**.
1. Per **Funzionalità di estrazione per questa colonna**, scegli una colonna.
1. (Facoltativo) Seleziona **Appiattisci** per visualizzare le funzionalità in colonne separate.
1. Per **Strategia**, scegli una strategia per estrarre le funzionalità.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Usa le funzionalità ritardate dei dati di serie temporali
In molti casi d'uso, il modo migliore per prevedere il comportamento futuro delle serie temporali consiste nell'utilizzare il comportamento più recente.
Gli usi più comuni delle funzionalità ritardate sono i seguenti:
+ Raccolta di una manciata di valori passati. Ad esempio, per time, t \$1 1, raccogli t, t - 1, t - 2 e t - 3.
+ Raccolta di valori che corrispondono al comportamento stagionale nei dati. Ad esempio, per prevedere l'occupazione di un ristorante alle 13:00, potresti voler utilizzare le funzionalità a partire dalle 13:00 del giorno precedente. L'utilizzo delle funzionalità a partire dalle 12:00 o dalle 11:00 dello stesso giorno potrebbe non essere così predittivo come l'utilizzo delle funzionalità dei giorni precedenti.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Funzionalità ritardate**.
1. Per **Genera funzionalità di ritardo per questa colonna**, scegli una colonna.
1. Per **Colonna timestamp**, scegli la colonna che contiene i timestamp.
1. Per **Ritardo**, specificate la durata del ritardo.
1. (Facoltativo) Configura l'output utilizzando una delle seguenti opzioni:
+ **Includi l'intera finestra di ritardo**
+ **Appiattisci l'output**
+ **Elimina le righe senza cronologia**
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Crea un intervallo di date e orari nella tua serie temporale
Potresti avere dati di serie temporali che non hanno timestamp. Se sai che le osservazioni sono state effettuate a intervalli regolari, puoi generare timestamp per le serie temporali in una colonna separata. Per generare i timestamp, specifica il valore del timestamp di inizio e la frequenza dei timestamp.
Ad esempio, potresti avere le seguenti dati di serie temporali sul numero di clienti in un ristorante.
Dati di serie temporali sul numero di clienti in un ristorante
| Numero di clienti |
| --- |
| 10 |
| 14 |
| 24 |
| 40 |
| 30 |
| 20 |
Se sai che il ristorante ha aperto alle 17:00 e che le osservazioni vengono effettuate ogni ora, puoi aggiungere una colonna timestamp che corrisponda ai dati delle serie temporali. Puoi visualizzare la colonna timestamp nella tabella seguente.
Dati di serie temporali sul numero di clienti in un ristorante
| Numero di clienti | Time stamp |
| --- | --- |
| 10 | 13:00 |
| 14 | 14:00 |
| 24 | 15:00 |
| 40 | 16:00 |
| 30 | 17:00 |
| 20 | 18:00 |
Utilizza la procedura seguente per aggiungere ai tuoi dati un intervallo di data e ora.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli l'**intervallo di data/ora**.
1. Per **Tipo di frequenza**, scegli l'unità utilizzata per misurare la frequenza dei timestamp.
1. Per **Timestamp di inizio**, specifica il timestamp di inizio.
1. Per **Colonna di output**, specificate un nome per la colonna di output.
1. (Facoltativo) Configura l'output utilizzando i campi rimanenti.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
### Usare una finestra mobile nella serie temporale
È possibile estrarre le funzionalità in un periodo di tempo. Ad esempio, per time (ora), *t*, e una finestra temporale della durata di 3 e per la riga che indica il timestamp *t*, aggiungiamo le caratteristiche estratte dalle serie temporali ai tempi *t* - 3, *t* -2 e *t* - 1. Per informazioni sull'estrazione delle funzionalità, consulta [Estrai funzionalità dai dati delle serie temporali](#canvas-transform-extract-time-series-features).
È possibile utilizzare la procedura seguente per estrarre le funzionalità in un periodo di tempo.
1. Apri il flusso di dati Data Wrangler.
1. Nel flusso di dati, in **Tipi di dati**, scegli **\$1** e seleziona **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Funzionalità finestra mobile**.
1. Per **Generare le funzionalità di finestra mobile per questa colonna**, scegli una colonna.
1. Per **Colonna timestamp**, scegli la colonna che contiene i timestamp.
1. (Facoltativo) Per **Colonna di output**, specifica il nome della colonna di output.
1. Per **Dimensioni della finestra**, specificate le dimensioni della finestra.
1. Per **Strategia**, scegli la strategia di estrazione.
1. Scegli **Anteprima** per generare un'anteprima della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione al flusso di dati di Data Wrangler.
## Personalizza datetime
Usa **Personalizza data/ora** per creare un incorporamento vettoriale che rappresenta un campo datetime. Per utilizzare questa trasformazione, i dati datetime devono essere in uno dei seguenti formati:
+ Stringhe che descrivono datetime: Per esempio, `"January 1st, 2020, 12:44pm"`.
+ Un timestamp Unix: un timestamp Unix descrive il numero di secondi, millisecondi, microsecondi o nanosecondi a partire da 1/1/1970.
Puoi scegliere **Formato inferisci datetime** e fornire un **Formato datetime**. Se fornisci un formato datetime, devi usare i codici descritti nella [Documentazione di Python](https://docs.python.org/3/library/datetime.html#strftime-and-strptime-format-codes). Le opzioni selezionate per queste due configurazioni hanno implicazioni sulla velocità dell'operazione e sui risultati finali.
+ L'opzione più manuale e computazionalmente più veloce consiste nello specificare un **Formato datetime** e selezionare **No** per il **Formato inferisci datetime**.
+ Per ridurre il lavoro manuale, puoi scegliere il **Formato inferisci datetime** e non specificare un formato datetime. È anche un'operazione computazionalmente veloce; tuttavia, si presume che il primo formato datetime rilevato nella colonna di input sia il formato dell'intera colonna. Se nella colonna sono presenti altri formati, questi valori sono NaN nell'output finale. L'inferenza del formato datetime può fornire stringhe non analizzate.
+ Se non specifichi un formato e selezioni **No** per il **Formato inferisci datetime**, otterrai i risultati più affidabili. Tutte le stringhe datetime valide vengono analizzate. Tuttavia, questa operazione può essere un ordine di grandezza più lento rispetto alle prime due opzioni di questo elenco.
Quando si utilizza questa trasformazione, si specifica una **Colonna di input** che contiene dati datetime in uno dei formati sopra elencati. La trasformazione crea una colonna di output denominata **Nome colonna di output**. Il formato della colonna di output dipende dalla configurazione utilizzata utilizzando quanto segue:
+ **Vettore**: restituisce una singola colonna come vettore.
+ **Colonne**: crea una nuova colonna per ogni funzionalità. Ad esempio, se l'output contiene un anno, un mese e un giorno, vengono create tre colonne separate per anno, mese e giorno.
Inoltre, è necessario scegliere una **Modalità di incorporamento.** Per i modelli lineari e le reti profonde, consigliamo di scegliere la modalità **ciclica**. **Per gli algoritmi ad albero, consigliamo di scegliere il valore ordinale.**
## Formattazione stringa
Le trasformazioni **Formattazione stringa** contengono operazioni standard di formattazione delle stringhe. Ad esempio, è possibile utilizzare queste operazioni per rimuovere caratteri speciali, normalizzare la lunghezza delle stringhe e aggiornare l'intestazione delle stringhe.
Questo gruppo di funzionalità contiene le seguenti trasformazioni. Tutte le trasformazioni restituiscono copie delle stringhe nella **Colonna di input** e aggiungono il risultato a una nuova colonna di output.
| Name | Funzione |
| --- | --- |
| Impagina a sinistra | Impagina a sinistra la stringa con un determinato **Carattere di riempimento** alla **larghezza** indicata. Se la stringa è più lunga della **larghezza**, il valore restituito viene ridotto a caratteri di **larghezza**. |
| Impagina a destra | Impagina a destra la stringa con un determinato **Carattere di riempimento** alla **larghezza** indicata. Se la stringa è più lunga della **larghezza**, il valore restituito viene ridotto a caratteri di **larghezza**. |
| Centro (impagina su entrambi i lati) | Posiziona la stringa al centro (aggiunge un riempimento su entrambi i lati della stringa) con un determinato **Carattere di riempimento** alla **larghezza** indicata. Se la stringa è più lunga della **larghezza**, il valore restituito viene ridotto a caratteri di **larghezza**. |
| Anteponi gli zeri | Riempie a sinistra una stringa numerica con zeri, fino a una determinata **larghezza**. Se la stringa è più lunga della **larghezza**, il valore restituito viene ridotto a caratteri di **larghezza**. |
| Striscia a destra e a sinistra | Restituisce una copia della stringa con i caratteri iniziali e finali rimossi. |
| Elimina i caratteri da sinistra | Restituisce una copia della stringa con i caratteri iniziali rimossi. |
| Elimina i caratteri da destra | Restituisce una copia della stringa con i caratteri finali rimossi. |
| Minuscolo | Converte tutte le lettere del testo in lettere minuscole. |
| Maiuscolo | Converte tutte le lettere del testo in maiuscolo. |
| Scrivi in maiuscolo | Scrive in maiuscolo la prima lettera di ogni frase. |
| Scambio maiuscolo/minuscolo | Converte tutti i caratteri maiuscoli in minuscoli e tutti i caratteri minuscoli in caratteri maiuscoli della stringa data e la restituisce. |
| Aggiungi prefisso o suffisso | Aggiunge un prefisso e un suffisso alla colonna della stringa. È necessario specificare almeno un **Prefisso** e un **Suffisso**. |
| Rimuovi i simboli | Rimuove i simboli dati da una stringa. Tutti i caratteri elencati vengono rimossi. Il valore predefinito è lo spazio bianco. |
## Gestisci i valori anomali
I modelli di machine learning sono sensibili alla distribuzione e alla gamma dei valori delle funzionalità. I valori anomali o rari, possono influire negativamente sulla precisione del modello e portare a tempi di addestramento più lunghi. Usa questo gruppo di funzionalità per rilevare e aggiornare i valori anomali nel tuo set di dati.
Quando si definisce una fase di trasformazione **Gestisci i valori anomali**, le statistiche utilizzate per rilevare i valori anomali vengono generate sui dati disponibili in Data Wrangler durante la definizione di questa fase. Queste stesse statistiche vengono utilizzate durante l'esecuzione di un processo Data Wrangler.
Utilizza le sezioni seguenti per avere ulteriori informazioni sulle trasformazioni contenute in questo gruppo. Si specifica un **Nome di output** e ciascuna di queste trasformazioni produce una colonna di output con i dati risultanti.
### Irrobustisci i valori anomali numerici di deviazione standard
Questa trasformazione rileva e corregge i valori anomali nelle funzionalità numeriche utilizzando statistiche affidabili rispetto ai valori anomali.
È necessario definire un **Quantile superiore** e un **Quantile inferiore** per le statistiche utilizzate per calcolare i valori anomali. È inoltre necessario specificare il numero di **Deviazioni standard** rispetto alle quali un valore deve variare dalla media per essere considerato un valore anomalo. Ad esempio, se si specifica 3 per **Deviazioni standard**, un valore deve scendere di più di 3 deviazioni standard dalla media per essere considerato un valore anomalo.
Il **Metodo di correzione** è il metodo utilizzato per gestire i valori anomali quando vengono rilevati. È possibile scegliere tra le seguenti opzioni:
+ **Taglia**: utilizza questa opzione per ritagliare i valori anomali nel limite di rilevamento dei valori anomali corrispondente.
+ **Rimuovi**: utilizza questa opzione per rimuovere le righe con valori anomali dal dataframe.
+ **Invalida**: utilizzate questa opzione per sostituire valori anomali con quelli non validi.
### Valori anomali numerici con deviazione standard
Questa trasformazione rileva e corregge i valori anomali nelle funzionalità numeriche utilizzando la media e la deviazione standard.
Si specifica il numero di **Deviazioni standard**. Un valore deve variare dalla media per essere considerato un valore anomalo. Ad esempio, se si specifica 3 per **Deviazioni standard**, un valore deve scendere di più di 3 deviazioni standard dalla media per essere considerato un valore anomalo.
Il **Metodo di correzione** è il metodo utilizzato per gestire i valori anomali quando vengono rilevati. È possibile scegliere tra le seguenti opzioni:
+ **Taglia**: utilizza questa opzione per ritagliare i valori anomali nel limite di rilevamento dei valori anomali corrispondente.
+ **Rimuovi**: utilizza questa opzione per rimuovere le righe con valori anomali dal dataframe.
+ **Invalida**: utilizzate questa opzione per sostituire valori anomali con quelli non validi.
### Valori anomali numerici quantili
Utilizza questa trasformazione per rilevare e correggere i valori anomali nelle funzionalità numeriche utilizzando i quantili. È possibile definire un **Quantile superiore** e un **Quantile inferiore**. Tutti i valori che rientrano al di sopra del quantile superiore o al di sotto del quantile inferiore sono considerati valori anomali.
Il **Metodo di correzione** è il metodo utilizzato per gestire i valori anomali quando vengono rilevati. È possibile scegliere tra le seguenti opzioni:
+ **Taglia**: utilizza questa opzione per ritagliare i valori anomali nel limite di rilevamento dei valori anomali corrispondente.
+ **Rimuovi**: utilizza questa opzione per rimuovere le righe con valori anomali dal dataframe.
+ **Invalida**: utilizzate questa opzione per sostituire valori anomali con quelli non validi.
### Valori anomali numerici min-max
Questa trasformazione rileva e corregge i valori anomali nelle funzionalità numeriche utilizzando soglie superiori e inferiori. Utilizza questo metodo se conosci i valori di soglia che contraddistinguono i valori anomali.
Si specifica una **Soglia superiore** e una **Soglia inferiore** e, se i valori sono rispettivamente superiori o inferiori a tali soglie, vengono considerati valori anomali.
Il **Metodo di correzione** è il metodo utilizzato per gestire i valori anomali quando vengono rilevati. È possibile scegliere tra le seguenti opzioni:
+ **Taglia**: utilizza questa opzione per ritagliare i valori anomali nel limite di rilevamento dei valori anomali corrispondente.
+ **Rimuovi**: utilizza questa opzione per rimuovere le righe con valori anomali dal dataframe.
+ **Invalida**: utilizzate questa opzione per sostituire valori anomali con quelli non validi.
### Sostituisci raro
Quando si utilizza la trasformazione **Sostituisci raro**, si specifica una soglia e Data Wrangler trova tutti i valori che soddisfano tale soglia e li sostituisce con una stringa specificata dall'utente. Ad esempio, potresti voler utilizzare questa trasformazione per classificare tutti i valori anomali in una colonna in una categoria «Altri».
+ **Stringa sostitutiva**: la stringa con cui sostituire i valori anomali.
+ **Soglia assoluta**: una categoria è rara se il numero di istanze è inferiore o uguale a questa soglia assoluta.
+ **Soglia di frazione**: una categoria è rara se il numero di istanze è inferiore o uguale a questa soglia di frazione moltiplicata per il numero di righe.
+ **Numero massimo di categorie comuni**: numero massimo di categorie non rare che rimangono dopo l'operazione. Se la soglia non filtra un numero sufficiente di categorie, quelle con il maggior numero di presenze vengono classificate come non rare. Se impostato su 0 (impostazione predefinita), non esiste un limite rigido al numero di categorie.
## Gestisci valori mancanti
I valori mancanti sono un evento comune nei set di dati di machine learning. In alcune situazioni, è opportuno attribuire ai dati mancanti un valore calcolato, ad esempio un valore medio o categoricamente comune. È possibile elaborare i valori mancanti utilizzando il gruppo di trasformazione **Gestisci valori mancanti**. Questo gruppo contiene le seguenti trasformazioni.
### Riempi mancante
Utilizza la trasformazione **Riempi mancante** per sostituire i valori mancanti con un **Valore di riempimento** definito da te.
### Imputa mancanti
Usa la trasformazione **Imputa mancanti** per creare una nuova colonna che contiene valori imputati in cui i valori mancanti sono stati trovati nei dati categorici e numerici di input. La configurazione dipende dal tipo di dati.
Per i dati numerici, scegli una strategia di imputazione, la strategia utilizzata per determinare il nuovo valore da imputare. Puoi scegliere di imputare la media o la mediana sui valori presenti nel tuo set di dati. Data Wrangler utilizza il valore calcolato per imputare i valori mancanti.
Per i dati categoriali, Data Wrangler imputa i valori mancanti utilizzando il valore più frequente nella colonna. Per imputare una stringa personalizzata, usa invece la trasformazione **Riempi mancante**.
### Aggiungi indicatore per mancanti
Utilizza la trasformazione **Aggiungi indicatore per mancanti** per creare una nuova colonna di indicatore, che contiene un valore booleano `"false"` se una riga contiene un valore e `"true"` se una riga contiene un valore mancante.
### Elimina mancanti
Utilizza l'opzione **Elimina mancanti** per eliminare le righe che contengono valori mancanti dalla **Colonna di input**.
## Gestisci colonne
Puoi utilizzare le seguenti trasformazioni per aggiornare e gestire rapidamente le colonne nel tuo set di dati:
****
| Name | Funzione |
| --- | --- |
| Escludi colonna | Elimina una colonna |
| Duplica colonna | Duplica una colonna |
| Rinomina colonna | Rinomina una colonna |
| Sposta colonna | Sposta la posizione di una colonna nel set di dati. Scegli di spostare la colonna all'inizio o alla fine del set di dati, prima o dopo una colonna di riferimento o in un indice specifico. |
## Gestisci righe
Usa questo gruppo di trasformazione per eseguire rapidamente operazioni di ordinamento e rimescolamento delle righe. Questo gruppo contiene quanto segue:
+ **Ordina**: ordina l'intero dataframe in base a una determinata colonna. Seleziona la casella di controllo accanto a **Ordine crescente** per questa opzione; in caso contrario, deseleziona la casella di controllo e per l'ordinamento verrà utilizzato l'ordine decrescente.
+ **Mescola**: mescola in modo casuale tutte le righe del set di dati.
## Gestisci i vettori
Usa questo gruppo di trasformazione per combinare o appiattire le colonne vettoriali. Questo gruppo contiene le seguenti trasformazioni.
+ **Assembla**: usa questa trasformazione per combinare i vettori Spark e i dati numerici in un'unica colonna. Ad esempio, puoi combinare tre colonne: due contenenti dati numerici e una contenente vettori. Aggiungi tutte le colonne che desideri combinare nelle **Colonne di input** e specifica un **Nome colonna di output** per i dati combinati.
+ **Appiattisci**: usa questa trasformazione per appiattire una singola colonna contenente dati vettoriali. La colonna di input deve contenere PySpark vettori o oggetti simili a matrici. È possibile controllare il numero di colonne create specificando un **Metodo per rilevare il numero di output**. Ad esempio, se si seleziona **Lunghezza del primo vettore**, il numero di elementi nel primo vettore o matrice valido trovato nella colonna determina il numero di colonne di output che vengono create. Tutti gli altri vettori di input con troppi elementi vengono troncati. Gli input con un numero insufficiente di elementi vengono riempiti con. NaNs
È inoltre necessario specificare un **Prefisso di output**, che viene utilizzato come prefisso per ogni colonna di output.
## Elaborazione numerica
Utilizza il gruppo di funzionalità **Elaborazione numerica** per elaborare dati numerici. Ogni scala in questo gruppo è definito utilizzando la libreria Spark. Sono supportate le seguenti scale:
+ **Scala standard**: standardizza la colonna di input sottraendo la media da ogni valore e scalando alla varianza unitaria. Per saperne di più, consulta la documentazione di Spark per. [StandardScaler](https://spark.apache.org/docs/latest/ml-features#standardscaler)
+ **Scala robusta**: ridimensiona la colonna di input utilizzando statistiche affidabili rispetto ai valori anomali. Per saperne di più, consulta la documentazione di Spark per. [RobustScaler](https://spark.apache.org/docs/latest/ml-features#robustscaler)
+ **Scala min-max**: trasforma la colonna di input ridimensionando ogni funzione in un determinato intervallo. Per saperne di più, consulta la documentazione di Spark per. [MinMaxScaler](https://spark.apache.org/docs/latest/ml-features#minmaxscaler)
+ **Scala assoluta max**: ridimensiona la colonna di input dividendo ogni valore per il valore assoluto massimo. Per saperne di più, consulta la documentazione di Spark per. [MaxAbsScaler](https://spark.apache.org/docs/latest/ml-features#maxabsscaler)
## Campionamento
Dopo aver importato i dati, puoi utilizzare il trasformatore **Campionamento** per prelevarne uno o più campioni. Quando utilizzi il trasformatore di campionamento, Data Wrangler campiona il set di dati originale.
Puoi scegliere uno dei seguenti metodi di campionamento:
+ **Limite**: campiona il set di dati a partire dalla prima riga fino al limite specificato.
+ **Randomizzato**: preleva un campione casuale della dimensione specificata.
+ **Stratificato**: preleva un campione a caso stratificato.
È possibile stratificare un campione randomizzato per assicurarsi che rappresenti la distribuzione originale del set di dati.
Potresti eseguire la preparazione dei dati per diversi casi d'uso. Per ogni caso d'uso, puoi prendere un campione diverso e applicare un diverso set di trasformazioni.
La procedura seguente descrive la creazione di un campione casuale.
Per prelevare un campione casuale dai dati.
1. Scegli il **segno \$1** a destra del set di dati che hai importato. Il nome del set di dati si trova sotto il **segno \$1**.
1. Scegli **Aggiungi trasformazione**.
1. Scegli **Campionamento**.
1. Per **Metodo di campionamento**, scegli il metodo di campionamento.
1. Per **Dimensione approssimativa del campione**, scegli il numero approssimativo di osservazioni da inserire nel campione.
1. (Facoltativo) Specifica un numero intero per **Seme casuale** per creare un campione riproducibile.
La procedura seguente descrive il processo di creazione di un campione stratificato.
Per prelevare un campione stratificato dai dati.
1. Scegli il **segno \$1** a destra del set di dati che hai importato. Il nome del set di dati si trova sotto il **segno \$1**.
1. Scegli **Aggiungi trasformazione**.
1. Scegli **Campionamento**.
1. Per **Metodo di campionamento**, scegli il metodo di campionamento.
1. Per **Dimensione approssimativa del campione**, scegli il numero approssimativo di osservazioni da inserire nel campione.
1. Per **Stratifica colonna**, specifica il nome della colonna che vuoi stratificare.
1. (Facoltativo) Specifica un numero intero per **Seme casuale** per creare un campione riproducibile.
## Ricerca e modifica
Usa questa sezione per cercare e modificare modelli specifici all'interno delle stringhe. Ad esempio, puoi trovare e aggiornare stringhe all'interno di frasi o documenti, dividere le stringhe per delimitatori e trovare le occorrenze di stringhe specifiche.
In **Cerca e modifica** sono supportate le seguenti trasformazioni. Tutte le trasformazioni restituiscono copie delle stringhe nella **Colonna di input** e aggiungono il risultato a una nuova colonna di output.
****
| Name | Funzione |
| --- | --- |
| Trova una sottostringa | Restituisce l'indice della prima occorrenza della **Sottostringa** che hai cercato. Puoi iniziare e terminare la ricerca rispettivamente da **Inizio** e **Fine**. |
| Trova la sottostringa (da destra) | Restituisce l'indice dell'ultima occorrenza della **Sottostringa** che hai cercato. Puoi iniziare e terminare la ricerca rispettivamente con **Inizio** e **Fine**. |
| Abbina il prefisso | Restituisce un valore booleano se la stringa contiene un determinato **Pattern**. Un pattern può essere una sequenza di caratteri o un'espressione regolare. Facoltativamente, puoi fare distinzione tra maiuscole e minuscole nel pattern. |
| Trova tutte le occorrenze | Restituisce un array con tutte le occorrenze di un determinato pattern. Un pattern può essere una sequenza di caratteri o un'espressione regolare. |
| Estrai usando espressione regolare | Restituisce una stringa che corrisponde a un determinato pattern di espressione regolare. |
| Estrai tra i delimitatori | Restituisce una stringa con tutti i caratteri trovati tra il **Delimitatore sinistro** e il **Delimitatore destro**. |
| Estrai dalla posizione | Restituisce una stringa, a partire dalla **Posizione iniziale** della stringa di input, che contiene tutti i caratteri fino alla posizione iniziale più la **Lunghezza**. |
| Trova e sostituisci la sottostringa | Restituisce una stringa con tutte le corrispondenze di un determinato **Pattern** (espressione regolare) sostituite dalla **Stringa sostitutiva**. |
| Sostituisci tra i delimitatori | Restituisce una stringa con la sottostringa trovata tra la prima apparizione di un **Delimitatore sinistro** e l'ultima apparizione di un **Delimitatore destro** sostituita dalla **Stringa di sostituzione**. Se non viene trovata alcuna corrispondenza, non verrà sostituito nulla. |
| Sostituzione dalla posizione | Restituisce una stringa con la sottostringa compresa tra la **Posizione iniziale** e la **Posizione iniziale** più la **Lunghezza** sostituita dalla **Stringa di sostituzione**. Se la **Posizione iniziale** più la **Lunghezza** è maggiore della lunghezza della stringa sostitutiva, l'output contiene**...** |
| Converti le espressioni regolari in espressioni mancanti | Converte una stringa in `None` se non è valida e restituisce il risultato. La validità è definita con un'espressione regolare in **Pattern**. |
| Suddividi la stringa per delimitatore | Restituisce un array di stringhe dalla stringa di input, suddiviso per **Delimitatore**, con un **Numero massimo di suddivisioni ** (opzionale). Per impostazione predefinita, il delimitatore è lo spazio bianco. |
## Suddividi dati
Usa la trasformazione **Suddividi dati** per suddividere il tuo set di dati in due o tre set di dati. Ad esempio, puoi suddividere il tuo set di dati in uno utilizzato per addestrare il modello e uno utilizzato per testarlo. È possibile determinare la proporzione del set di dati da inserire in ciascuna suddivisione. Ad esempio, se stai suddividendo un set di dati in due set di dati, il set di dati di addestramento può contenere l'80% dei dati mentre il set di dati di test ne ha il 20%.
La suddivisione dei dati in tre set di dati consente di creare set di dati di addestramento, convalida e test. Puoi vedere le prestazioni del modello sul set di dati di test eliminando la colonna di destinazione.
Il tuo caso d'uso determinerà la quantità di set di dati originali che ciascuno dei tuoi set di dati riceverà e il metodo da utilizzare per suddividere i dati. Ad esempio, potresti voler utilizzare una suddivisione stratificata per assicurarti che la distribuzione delle osservazioni nella colonna di destinazione sia la stessa tra i set di dati. È possibile utilizzare le seguenti trasformazioni di suddivisione:
+ Suddivisione randomizzata: ogni suddivisione è un campione casuale e non sovrapposto del set di dati originale. Per set di dati più grandi, l'utilizzo di una suddivisione randomizzata potrebbe essere costoso dal punto di vista computazionale e richiedere più tempo di una suddivisione ordinata.
+ Suddivisione ordinata: suddivide il set di dati in base all'ordine sequenziale delle osservazioni. Ad esempio, per una suddivisione 80/20 tra addestramento-test, le prime osservazioni che costituiscono l'80% del set di dati vengono inserite nel set di dati di addestramento. L'ultimo 20% delle osservazioni va al set di dati di test. Le suddivisioni ordinate sono efficaci nel mantenere l'ordine esistente dei dati tra le suddivisioni.
+ Suddivisione stratificata: divide il set di dati per garantire che il numero di osservazioni nella colonna di input abbia una rappresentazione proporzionale. Per una colonna di input contenente le osservazioni 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, una suddivisione 80/20 sulla colonna significherebbe circa l'80% degli 1, l'80% dei 2 e l'80% dei 3 vanno al set di addestramento. Circa il 20% di ogni tipo di osservazione va al set di test.
+ Suddividi per chiave: evita che i dati con la stessa chiave si trovino in più di una suddivisione. Ad esempio, se disponi di un set di dati con la colonna «id\$1cliente» e lo utilizzi come chiave, nessun ID cliente è presente in più di una suddivisione.
Dopo aver suddiviso i dati, puoi applicare trasformazioni aggiuntive a ciascun set di dati. Per la maggior parte dei casi d'uso, non sono necessarie.
Data Wrangler calcola le proporzioni delle suddivisioni in termini di prestazioni. È possibile scegliere una soglia di errore per impostare la precisione delle suddivisioni. Le soglie di errore più basse riflettono in modo più accurato le proporzioni specificate per le suddivisioni. Se si imposta una soglia di errore più elevata, si ottengono prestazioni migliori, ma una precisione inferiore.
Per una suddivisione dei dati perfetta, imposta la soglia di errore su 0. Per ottenere prestazioni migliori, puoi specificare una soglia compresa tra 0 e 1. Se specifichi un valore maggiore di 1, Data Wrangler interpreta tale valore come 1.
Se hai 10.000 righe nel tuo set di dati e specifichi una suddivisione 80/20 con un errore di 0,001, otterrai osservazioni che si avvicinano a uno dei seguenti risultati:
+ 8.010 osservazioni nel set di addestramento e 1.990 nel set di test
+ 7.990 osservazioni nel set di addestramento e 2.010 nel set di test
Il numero di osservazioni per il test impostato nell'esempio precedente è compreso nell'intervallo tra 8.010 e 7.990.
Per impostazione predefinita, Data Wrangler utilizza un seme casuale per rendere riproducibili le suddivisioni. È possibile specificare un valore diverso per il seme per creare una suddivisione riproducibile diversa.
------
#### [ Randomized split ]
Utilizza la procedura seguente per eseguire una suddivisione randomizzata del set di dati.
Per la suddivisione casuale del set di dati, procedi nel seguente modo
1. Scegli il **segno \$1** accanto al nodo contenente il set di dati da suddividere.
1. Scegli **Aggiungi trasformazione**.
1. Scegli **Suddividi dati**.
1. (Facoltativo) Per **Suddivisioni**, specifica i nomi e le proporzioni di ciascuna suddivisione. La somma delle proporzioni deve essere 1.
1. (Facoltativo) Scegli il **segno \$1** per creare una suddivisione aggiuntiva.
1. Specifica i nomi e le proporzioni di tutte le suddivisioni. La somma delle proporzioni deve essere 1.
1. (Facoltativo) Specifica un valore per la **Soglia di errore** diverso dal valore predefinito.
1. (Facoltativo) Specifica un valore per **Seme casuale**.
1. Scegli **Anteprima**.
1. Scegli **Aggiungi**.
------
#### [ Ordered split ]
Utilizza la procedura seguente per eseguire una suddivisione ordinata del set di dati.
Per creare una suddivisione ordinata del set di dati, procedi come segue.
1. Scegli il **segno \$1** accanto al nodo contenente il set di dati da suddividere.
1. Scegli **Aggiungi trasformazione**.
1. Per **Trasformazione**, scegli **Suddivisione ordinata**.
1. Scegli **Suddividi dati**.
1. (Facoltativo) Per **Suddivisioni**, specifica i nomi e le proporzioni di ciascuna suddivisione. La somma delle proporzioni deve essere 1.
1. (Facoltativo) Scegli il **segno \$1** per creare una suddivisione aggiuntiva.
1. Specifica i nomi e le proporzioni di tutte le suddivisioni. La somma delle proporzioni deve essere 1.
1. (Facoltativo) Specifica un valore per la **Soglia di errore** diverso dal valore predefinito.
1. (Facoltativo) Per la **Colonna di input**, specifica una colonna con valori numerici. Utilizza i valori delle colonne per dedurre quali record sono presenti in ogni suddivisione. I valori più piccoli si trovano in una suddivisione, i valori più grandi nelle altre suddivisioni.
1. (Facoltativo) Seleziona **Gestisci i duplicati** per aggiungere valori di disturbo ai valori duplicati e creare un set di dati di valori completamente unici.
1. (Facoltativo) Specifica un valore per **Seme casuale**.
1. Scegli **Anteprima**.
1. Scegli **Aggiungi**.
------
#### [ Stratified split ]
Utilizza la procedura seguente per eseguire una suddivisione stratificata sul set di dati.
Per creare una suddivisione stratificata nel set di dati, procedi come segue.
1. Scegli il **segno \$1** accanto al nodo contenente il set di dati da suddividere.
1. Scegli **Aggiungi trasformazione**.
1. Scegli **Suddividi dati**.
1. Per **Trasformazione**, scegli **Suddivisione stratificata**.
1. (Facoltativo) Per **Suddivisioni**, specifica i nomi e le proporzioni di ciascuna suddivisione. La somma delle proporzioni deve essere 1.
1. (Facoltativo) Scegli il **segno \$1** per creare una suddivisione aggiuntiva.
1. Specifica i nomi e le proporzioni di tutte le suddivisioni. La somma delle proporzioni deve essere 1.
1. Per la **Colonna di input**, specifica una colonna con un massimo di 100 valori univoci. Data Wrangler non può stratificare una colonna con più di 100 valori univoci.
1. (Facoltativo) Specifica un valore per la **Soglia di errore** diverso dal valore predefinito.
1. (Facoltativo) Specificate un valore per **Seme casuale** per specificare un'origine diversa.
1. Scegli **Anteprima**.
1. Scegli **Aggiungi**.
------
#### [ Split by column keys ]
Utilizza la procedura seguente per suddividere in base alle chiavi della colonna nel set di dati.
Per suddividere in base alle chiavi della colonna nel set di dati, procedi come segue.
1. Scegli il **segno \$1** accanto al nodo contenente il set di dati da suddividere.
1. Scegli **Aggiungi trasformazione**.
1. Scegli **Suddividi dati**.
1. Per **Trasformazione**, scegli **Suddividi per chiave**.
1. (Facoltativo) Per **Suddivisioni**, specifica i nomi e le proporzioni di ciascuna suddivisione. La somma delle proporzioni deve essere 1.
1. (Facoltativo) Scegli il **segno \$1** per creare una suddivisione aggiuntiva.
1. Specifica i nomi e le proporzioni di tutte le suddivisioni. La somma delle proporzioni deve essere 1.
1. Per **Colonne chiave**, specifica le colonne con valori che non desideri vengano visualizzati in entrambi i set di dati.
1. (Facoltativo) Specifica un valore per la **Soglia di errore** diverso dal valore predefinito.
1. Scegli **Anteprima**.
1. Scegli **Aggiungi**.
------
## Analizza il valore come tipo
Usa questa trasformazione per convertire una colonna in un nuovo tipo. I tipi di dati supportati da Data Wrangler sono:
+ Long
+ Float
+ Booleano
+ Data, nel formato dd-MM-yyyy, che rappresenta rispettivamente giorno, mese e anno.
+ Stringa
## Convalida stringa
Utilizzate le trasformazioni **Convalida stringa** per creare una nuova colonna che indichi che una riga di dati di testo soddisfa una condizione specificata. Ad esempio, puoi utilizzare una trasformazione **Convalida stringa** per verificare che una stringa contenga solo caratteri minuscoli. In **Convalida stringa** sono supportate le seguenti trasformazioni.
Le seguenti trasformazioni sono incluse in questo gruppo di trasformazioni. Se una trasformazione emette un valore booleano, `True` viene rappresentato con un `1` e `False` viene rappresentata con uno `0`.
****
| Name | Funzione |
| --- | --- |
| Lunghezza delle stringhe | Restituisce `True` se la lunghezza di una stringa è uguale alla lunghezza specificata. In caso contrario, restituisce `False`. |
| Inizia con | Restituisce `True` se una stringa inizia con un prefisso specificato. In caso contrario, restituisce `False`. |
| Ends with | Restituisce `True` se la lunghezza di una stringa è uguale alla lunghezza specificata. In caso contrario, restituisce `False`. |
| È alfanumerico | Restituisce `True` se una stringa contiene solo numeri e lettere. In caso contrario, restituisce `False`. |
| È alfa (lettere) | Restituisce `True` se una stringa contiene solo lettere. In caso contrario, restituisce `False`. |
| È una cifra | Restituisce `True` se una stringa contiene solo cifre. In caso contrario, restituisce `False`. |
| È spazio | Restituisce `True` se una stringa contiene solo numeri e lettere. In caso contrario, restituisce `False`. |
| È titolo | Restituisce `True` se una stringa contiene spazi bianchi. In caso contrario, restituisce `False`. |
| È in minuscolo | Restituisce `True` se una stringa contiene solo lettere minuscole. In caso contrario, restituisce `False`. |
| È in maiuscolo | Restituisce `True` se una stringa contiene solo lettere maiuscole. In caso contrario, restituisce `False`. |
| È numerico | Restituisce `True` se una stringa contiene solo numeri. In caso contrario, restituisce `False`. |
| È decimale | Restituisce `True` se una stringa contiene solo numeri decimali. In caso contrario, restituisce `False`. |
## Unnest dei dati JSON
Se hai un file.csv, potresti avere valori nel tuo set di dati che sono stringhe JSON. Allo stesso modo, potresti avere dati annidati nelle colonne di un file Parquet o di un documento JSON.
Utilizza l'operatore **Strutturato appiattito** per separare le chiavi di primo livello in colonne separate. Una chiave di primo livello è una chiave che non è annidata all'interno di un valore.
Ad esempio, potresti avere un set di dati contenente una colonna relativa alle *persone* con informazioni demografiche su ogni persona archiviate come stringhe JSON. Una stringa JSON potrebbe assomigliare alla seguente.
```
"{"seq": 1,"name": {"first": "Nathaniel","last": "Ferguson"},"age": 59,"city": "Posbotno","state": "WV"}"
```
L'operatore **Strutturato appiattito** converte le seguenti chiavi di primo livello in colonne aggiuntive del set di dati:
+ seq
+ nome
+ età
+ città
+ stato
Data Wrangler inserisce i valori delle chiavi come valori sotto le colonne. Nell'esempio seguente vengono mostrati i nomi e i valori delle colonne del JSON.
```
seq, name, age, city, state
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV
```
Per ogni valore del set di dati contenente JSON, l'operatore **Strutturato appiattito** crea colonne per le chiavi di primo livello. Per creare colonne per chiavi annidate, richiama nuovamente l'operatore. Nell'esempio precedente, la chiamata all'operatore crea le colonne:
+ nome
+ cognome
L'esempio seguente mostra il set di dati che risulta richiamando l'operazione.
```
seq, name, age, city, state, name_first, name_last
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV, Nathaniel, Ferguson
```
Scegli **Chiavi su cui appiattire** per specificare le chiavi di primo livello che desideri estrarre come colonne separate. Se non specifichi alcuna chiave, per impostazione predefinita Data Wrangler estrae tutte le chiavi.
## Esplodi array
Usa **Esplodi array** per espandere i valori dell'array in righe di output separate. Ad esempio, l'operazione può prendere ogni valore dell'array, [[1, 2, 3,], [4, 5, 6], [7, 8, 9]] e creare una nuova colonna con le seguenti righe:
```
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
```
Data Wrangler nomina la nuova colonna, input\$1colonna\$1nome\$1appiattito.
È possibile chiamare l'operazione **Esplodi array** più volte per ottenere i valori annidati dell'array in colonne di output separate. L'esempio seguente mostra il risultato di una chiamata all'operazione più volte su un set di dati con un array annidato.
Inserimento dei valori di una matrice nidificata in colonne separate
| id | array | id | elementi\$1array | id | elementi\$1elemento\$1array |
| --- | --- | --- | --- | --- | --- |
| 1 | [[gatto, cane], [pipistrello, rana]] | 1 | [gatto, cane] | 1 | gatto |
| 2 | [[rosa, petunia], [giglio, margherita]] | 1 | [pipistrello, rana] | 1 | cane |
| | | 2 | [rosa, petunia] | 1 | pipistrello |
| | | 2 | [giglio, margherita] | 1 | rana |
| | | | 2 | 2 | rosa |
| | | | 2 | 2 | petunia |
| | | | 2 | 2 | giglio |
| | | | 2 | 2 | margherita |
## Trasformazione dei dati di immagine
Usa Data Wrangler per importare e trasformare le immagini che utilizzi per le tue pipeline di machine learning (ML). Dopo aver preparato i dati delle immagini, puoi esportarli dal flusso di Data Wrangler alla pipeline di ML.
Puoi utilizzare le informazioni fornite qui per acquisire familiarità con l'importazione e la trasformazione dei dati di immagine in Data Wrangler. Data Wrangler utilizza OpenCV per importare immagini. Per ulteriori informazioni sui formati di immagine supportati, consulta [Lettura e scrittura di file immagine](https://docs.opencv.org/3.4/d4/da8/group__imgcodecs.html#ga288b8b3da0892bd651fce07b3bbd3a56).
Dopo aver acquisito familiarità con i concetti di trasformazione dei dati di immagine, segui il seguente tutorial, [Prepara i dati delle immagini con Amazon SageMaker ](https://aws.amazon.com/blogs/machine-learning/prepare-image-data-with-amazon-sagemaker-data-wrangler/) Data Wrangler.
I seguenti settori e casi d'uso sono esempi in cui l'applicazione della machine learning ai dati delle immagini trasformati può essere utile:
+ Produzione: identificazione dei difetti negli articoli della linea di assemblaggio
+ Cibo: individuazione di alimenti avariati o marci
+ Medicina: individuazione delle lesioni nei tessuti
Quando lavori con dati di immagine in Data Wrangler, segui il seguente processo:
1. Importa: seleziona le immagini scegliendo la directory che le contiene nel bucket Amazon S3.
1. Trasforma: utilizza le trasformazioni integrate per preparare le immagini per la tua pipeline di machine learning.
1. Esporta: esporta le immagini che hai trasformato in una posizione accessibile dalla pipeline.
Utilizza la procedura seguente per importare i dati di immagine.
**Per importare i dati delle immagini**
1. Vai alla pagina **Crea connessione**.
1. Seleziona **Amazon S3**.
1. Specifica il percorso del file Amazon S3 che contiene i dati di immagine.
1. Per **Tipo di file**, scegli **Immagine**.
1. (Facoltativo) Scegli **Importa directory annidate** per importare immagini da più percorsi Amazon S3.
1. Scegli **Importa**.
Per le trasformazioni delle immagini integrate Data Wrangler utilizza la libreria open source [imgaug](https://imgaug.readthedocs.io/en/latest/). È possibile utilizzare le seguenti trasformazioni integrate:
+ **ResizeImage**
+ **EnhanceImage**
+ **CorruptImage**
+ **SplitImage**
+ **DropCorruptedImages**
+ **DropImageDuplicates**
+ **Luminosità**
+ **ColorChannels**
+ **Scala di grigi**
+ **Ruota**
Utilizza la procedura seguente per trasformare le tue immagini senza scrivere il codice.
**Per trasformare i dati dell'immagine senza scrivere il codice**
1. Dal flusso Data Wrangler, scegli il **segno \$1** accanto al nodo che rappresenta le immagini che hai importato.
1. Scegli **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli la trasformazione e configurala.
1. Scegli **Anteprima**.
1. Scegli **Aggiungi**.
Oltre a utilizzare le trasformazioni fornite da Data Wrangler, puoi anche utilizzare frammenti di codice personalizzati. Per ulteriori informazioni sull'utilizzo di frammenti di codice personalizzati, consulta [Trasformazioni personalizzate](#canvas-transform-custom). Puoi importare le librerie OpenCV e imgaug all'interno dei tuoi frammenti di codice e utilizzare le trasformazioni ad esse associate. Il seguente è un esempio di un frammento di codice che rileva i bordi all'interno delle immagini.
```
# A table with your image data is stored in the `df` variable
import cv2
import numpy as np
from pyspark.sql.functions import column
from sagemaker_dataprep.compute.operators.transforms.image.constants import DEFAULT_IMAGE_COLUMN, IMAGE_COLUMN_TYPE
from sagemaker_dataprep.compute.operators.transforms.image.decorators import BasicImageOperationDecorator, PandasUDFOperationDecorator
@BasicImageOperationDecorator
def my_transform(image: np.ndarray) -> np.ndarray:
# To use the code snippet on your image data, modify the following lines within the function
HYST_THRLD_1, HYST_THRLD_2 = 100, 200
edges = cv2.Canny(image,HYST_THRLD_1,HYST_THRLD_2)
return edges
@PandasUDFOperationDecorator(IMAGE_COLUMN_TYPE)
def custom_image_udf(image_row):
return my_transform(image_row)
df = df.withColumn(DEFAULT_IMAGE_COLUMN, custom_image_udf(column(DEFAULT_IMAGE_COLUMN)))
```
Quando applica trasformazioni nel flusso di Data Wrangler, Data Wrangler le applica solo a un campione delle immagini nel set di dati. Per ottimizzare l'esperienza con l'applicazione, Data Wrangler non applica le trasformazioni a tutte le immagini.
## Filtrare i dati
Usa Data Wrangler per filtrare i dati nelle tue colonne. Quando si filtrano i dati in una colonna, si specificano i seguenti campi:
+ **Nome colonna**: il nome della colonna che stai utilizzando per filtrare i dati.
+ **Condizione**: il tipo di filtro che applichi ai valori nella colonna.
+ **Valore**: il valore o la categoria nella colonna a cui stai applicando il filtro.
Puoi applicare un filtro alle seguenti condizioni:
+ **=**: restituisce valori che corrispondono al valore o alla categoria specificati.
+ **\$1= **: restituisce valori che non corrispondono al valore o alla categoria specificati.
+ **>= **: per dati **Long** o **Float**, filtra i valori maggiori o uguali al valore specificato.
+ **<=** : per dati **Long** o **Float**, filtra i valori inferiori o uguali al valore specificato.
+ **>** : per dati **Long** o **Float**, filtra i valori che sono maggiori del valore specificato.
+ **<** : per dati **Long** o **Float**, filtra i valori inferiori al valore specificato.
Per una colonna che contiene le categorie `male` e `female`, puoi filtrare tutti i valori `male`. Puoi anche filtrare tutti i valori `female`. Poiché nella colonna sono presenti solo valori `male` e `female`, il filtro restituisce una colonna contenente solo valori `female`.
Puoi inoltre aggiungere più filtri. I filtri possono essere applicati su più colonne o sulla stessa colonna. Ad esempio, se stai creando una colonna con valori solo all'interno di un determinato intervallo, aggiungi due filtri diversi. Un filtro specifica che la colonna deve avere valori maggiori del valore fornito. L'altro filtro specifica che la colonna deve avere valori inferiori al valore fornito.
Utilizza la seguente procedura per aggiungere la trasformazione del filtro ai tuoi dati.
**Per filtrare i dati**
1. Dal flusso Data Wrangler, scegli il **segno \$1** accanto al nodo con i dati che stai filtrando.
1. Scegli **Aggiungi trasformazione**.
1. Scegli **Aggiungi fase**.
1. Scegli **Filtra dati**.
1. Specifica i seguenti campi:
+ **Nome colonna**: la colonna che stai filtrando.
+ **Condizione**: la condizione del filtro.
+ **Valore**: il valore o la categoria nella colonna a cui stai applicando il filtro.
1. (Facoltativo) Scegli **il segno \$1** dopo il filtro che hai creato.
1. Configurare il filtro.
1. Scegli **Anteprima**.
1. Scegli **Aggiungi**.
# Chat per la preparazione dei dati
**Importante**
Per gli amministratori:
La chat per la preparazione dei dati richiede la policy `AmazonSageMakerCanvasAIServicesAccess`. Per ulteriori informazioni, consulta [AWS politica gestita: accesso AmazonSageMakerCanvas AIServices](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess)
La chat per la preparazione dei dati richiede l’accesso ad Amazon Bedrock e al modello **Anthropic Claude** al suo interno. Per ulteriori informazioni, consulta [Aggiungi accesso a modello](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html#add-model-access).
Devi eseguire la preparazione dei dati di SageMaker Canvas nella stessa regione in cui Regione AWS esegui il modello. La chat per la preparazione dei dati è disponibile negli Stati Uniti orientali (Virginia settentrionale), negli Stati Uniti occidentali (Oregon) e in Europa (Francoforte). Regioni AWS
Oltre a utilizzare le trasformazioni e le analisi integrate, puoi utilizzare il linguaggio naturale per esplorare, visualizzare e trasformare i dati in un’interfaccia conversazionale. All’interno dell’interfaccia conversazionale, puoi utilizzare query in linguaggio naturale per comprendere e preparare i dati per creare modelli di ML.
Di seguito sono riportati alcuni prompt di esempio che puoi utilizzare:
+ Riepiloga i miei dati
+ Elimina la colonna `example-column-name`
+ Sostituisci i valori mancanti con la mediana
+ Traccia l’istogramma dei prezzi
+ Qual è l’articolo più costoso venduto?
+ Quanti articoli diversi sono stati venduti?
+ Ordina i dati per Regione
Quando trasformi i dati utilizzando i prompt, puoi visualizzare un’anteprima che mostra come vengono trasformati i dati. Puoi scegliere di aggiungere l’operazione come fase del flusso di Data Wrangler in base a ciò che vedi nell’anteprima.
Le risposte ai prompt generano codice per le tue trasformazioni e analisi. Puoi modificare il codice per aggiornare l’output del prompt. Ad esempio, puoi modificare il codice di un’analisi per modificare i valori degli assi di un grafico.
Utilizza la procedura seguente per iniziare a chattare con i tuoi dati:
**Per chattare con i tuoi dati**
1. Apri il flusso di dati SageMaker Canvas.
1. Scegli l’icona a forma di fumetto.
![\[La chat per la preparazione dei dati si trova nella parte superiore dello schermo\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/chat-for-data-prep-welcome-step.png)
1. Specifica un prompt.
1. (Facoltativo) Se è stata generata un’analisi dalla query, scegli **Aggiungi alle analisi** per farvi riferimento in un secondo momento.
![\[La visualizzazione di un blocco di codice modificabile e copiabile.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/encanto-query-for-visualization.png)
1. (Facoltativo) Se hai trasformato i dati utilizzando un prompt, procedi come segue.
1. Scegli **Anteprima** per visualizzare i risultati.
1. (Facoltativo) Modifica il codice nella trasformazione e scegli **Aggiorna**.
1. (Facoltativo) Se i risultati della trasformazione sono soddisfacenti, scegli **Aggiungi alle fasi** per aggiungerla al pannello delle fasi nella barra di navigazione a destra.
![\[Aggiunta alle fasi conferma che la trasformazione è stata aggiunta al flusso.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/transform-added-to-steps-panel.png)
Dopo aver preparato i dati utilizzando il linguaggio naturale, puoi creare un modello con i dati trasformati. Per ulteriori informazioni sulla creazione di un modello, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md).
# Come funziona l’elaborazione dei dati in Data Wrangler
Mentre lavori con i dati in modo interattivo in un flusso di SageMaker dati Amazon Data Wrangler, Amazon SageMaker Canvas applica le trasformazioni solo a un set di dati di esempio per consentirti di visualizzarne l'anteprima. Dopo aver terminato il flusso di dati in SageMaker Canvas, puoi elaborare tutti i dati e salvarli in una posizione adatta ai flussi di lavoro di machine learning.
Dopo aver terminato la trasformazione dei dati in Data Wrangler, si può procedere in diversi modi:
+ [Crea un modello](canvas-processing-export-model.md). Puoi creare un modello Canvas, iniziando a creare direttamente un modello con i dati preparati. Puoi creare un modello dopo aver elaborato l’intero set di dati o esportando solo i dati di esempio che hai utilizzato in Data Wrangler. Canvas salva i dati elaborati (l’intero set di dati o i dati di esempio) come set di dati Canvas.
Ti consigliamo di utilizzare i dati di esempio per le iterazioni rapide e tutti i dati per addestrare il modello finale. Quando si creano modelli tabulari, i set di dati di dimensioni superiori a 5 GB vengono automaticamente sottoposti a downsampling a 5 GB, mentre i set di dati per i modelli di previsione delle serie temporali di dimensioni superiori a 30 GB vengono sottoposti a downsampling a 30 GB.
Per ulteriori informazioni sulla creazione di un modello, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md).
+ [Esporta i dati](canvas-export-data.md). Puoi esportare i dati per utilizzarli nei flussi di lavoro di machine learning. Quando scegli di esportare i dati, puoi procedere in diversi modi:
+ Puoi salvare i dati nell’applicazione Canvas come set di dati. Per ulteriori informazioni sui tipi di file supportati per i set di dati Canvas e sui requisiti aggiuntivi per l’importazione di dati in Canvas, consulta [Creazione di un set di dati](canvas-import-dataset.md).
+ Puoi salvare i dati in Amazon S3. A seconda della disponibilità di memoria Canvas, i dati vengono elaborati nell’applicazione e quindi esportati in Amazon S3. Se la dimensione del set di dati supera quella gestibile da Canvas, per impostazione predefinita Canvas utilizza un processo EMR Serverless per scalare su più istanze di calcolo, elaborare il set di dati completo ed esportarlo in Amazon S3. Puoi anche configurare manualmente un processo di SageMaker elaborazione per avere un controllo più granulare sulle risorse di calcolo utilizzate per elaborare i dati.
+ [Esporta un flusso di dati](canvas-export-data-flow.md). Potresti voler salvare il codice per il tuo flusso di dati per modificare o eseguire le trasformazioni all’esterno di Canvas. Canvas consente di salvare le trasformazioni del flusso di dati come codice Python in un notebook Jupyter, che puoi quindi esportare in Amazon S3 per utilizzarlo altrove nei tuoi flussi di lavoro di machine learning.
Quando esporti i dati da un flusso di dati e li salvi come set di dati Canvas o su Amazon S3, Canvas crea un nuovo nodo di destinazione nel flusso di dati, ovvero un nodo finale che mostra dove sono archiviati i dati elaborati. Puoi aggiungere altri nodi di destinazione al flusso se intendi eseguire più operazioni di esportazione. Ad esempio, puoi esportare i dati da diversi punti del flusso di dati per applicare solo alcune trasformazioni oppure puoi esportare i dati trasformati in diverse posizioni Amazon S3. Per ulteriori informazioni su come aggiungere o modificare un nodo di destinazione, consulta [Aggiunta di nodi di destinazione](canvas-destination-nodes-add.md) e [Modifica di un nodo di destinazione](canvas-destination-nodes-edit.md).
Per ulteriori informazioni sulla configurazione di una pianificazione con Amazon EventBridge per elaborare ed esportare automaticamente i dati in base a una pianificazione, consulta[Creazione di una pianificazione per elaborare automaticamente i nuovi dati](canvas-data-export-schedule-job.md).
# Esportazione per creare un modello
Con pochi clic nel flusso di dati, puoi esportare i dati trasformati e iniziare a creare un modello di ML in Canvas. Canvas salva i dati come set di dati Canvas e ti indirizza alla pagina di configurazione per la creazione di un nuovo modello.
Per creare un modello Canvas con i dati trasformati:
1. Accedi al tuo flusso di dati.
1. Scegli l’icona con tre puntini accanto al nodo da esportare.
1. Dal menu contestuale, scegli **Crea modello**.
1. Nel pannello laterale **Esporta per creare un modello**, inserisci il **nome** per il nuovo set di dati.
1. Lascia selezionata l’opzione **Elabora l’intero set di dati** per elaborare ed esportare l’intero set di dati prima di procedere con la creazione di un modello. Disattiva questa opzione per addestrare il modello utilizzando i dati di esempio interattivi con cui stai lavorando nel flusso di dati.
1. Inserisci il **nome del modello** per assegnare un nome al nuovo modello.
1. Seleziona un **tipo di problema** o il tipo di modello che intendi creare. Per ulteriori informazioni sui tipi di modello supportati in SageMaker Canvas, consulta[Funzionamento dei modelli personalizzati](canvas-build-model.md).
1. Seleziona la **colonna di destinazione** o il valore che desideri che il modello preveda.
1. Scegli **Esporta e crea modello**.
Dovrebbe aprirsi la scheda **Crea** per un nuovo modello Canvas, dove puoi completare la configurazione e l’addestramento del modello. Per ulteriori informazioni sulla creazione di un modello, consulta [Crea un modello](canvas-build-model-how-to.md).
# Esporta dati
Esporta i dati per applicare le trasformazioni dal flusso di dati all’intero set di dati importato. Puoi esportare qualsiasi nodo del flusso di dati nelle seguenti posizioni:
+ SageMaker Set di dati Canvas
+ Simple Storage Service (Amazon S3)
Per addestrare i modelli in Canvas, puoi esportare il tuo set di dati completo e trasformato come set di dati Canvas. Se desideri utilizzare i dati trasformati in flussi di lavoro di machine learning esterni a SageMaker Canvas, puoi esportare il tuo set di dati in Amazon S3.
## Esportazione in un set di dati Canvas
Utilizza la seguente procedura per esportare un set di dati SageMaker Canvas da un nodo del flusso di dati.
**Per esportare un nodo nel flusso come set di dati SageMaker Canvas**
1. Accedi al tuo flusso di dati.
1. Scegli l’icona con tre puntini accanto al nodo da esportare.
1. Nel menu contestuale, passa il mouse su **Esporta**, quindi seleziona **Esporta dati nel set di dati Canvas**.
1. Nel pannello laterale **Esporta ne set di dati Canvas**, inserisci un **nome** per il nuovo set di dati.
1. Lascia selezionata l'opzione **Elabora l'intero set** di dati se desideri che SageMaker Canvas elabori e salvi l'intero set di dati. Disattiva questa opzione per applicare le trasformazioni solo ai dati di esempio con cui stai lavorando nel flusso di dati.
1. Scegli **Export** (Esporta).
A questo punto, dovresti poter accedere alla pagina **Set di dati** dell’applicazione Canvas e vedere il tuo nuovo set di dati.
## Esportazione in Amazon S3
Quando esporti i dati in Amazon S3, puoi scalare per trasformare ed elaborare dati di qualsiasi dimensione. Canvas elabora automaticamente i dati in locale se la memoria dell’applicazione è in grado di gestire le dimensioni del set di dati. Se la dimensione del set di dati supera la capacità della memoria locale di 5 GB, Canvas avvia un processo remoto per conto dell’utente per allocare risorse di calcolo aggiuntive ed elaborare i dati più rapidamente. Per impostazione predefinita, Canvas utilizza Amazon EMR serverless per eseguire questi processi remoti. Tuttavia, puoi configurare manualmente Canvas per utilizzare EMR Serverless o un processo di SageMaker elaborazione con le tue impostazioni.
**Nota**
Quando esegui un processo EMR Serverless, per impostazione predefinita il processo eredita il ruolo IAM, le impostazioni delle chiavi KMS e i tag dell’applicazione Canvas.
Di seguito viene riportato un riepilogo delle opzioni per i processi remoti in Canvas:
+ **EMR Serverless**: questa è l’opzione predefinita utilizzata da Canvas per i processi remoti. EMR Serverless alloca e scala automaticamente le risorse di calcolo per elaborare i dati, così non devi preoccuparti di scegliere le risorse di calcolo giuste per il tuo carico di lavoro. Per ulteriori informazioni su EMR Serverless, consulta la [Guida per l’utente di EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/emr-serverless.html).
+ **SageMaker SageMaker Elaborazione**: i lavori di elaborazione offrono opzioni più avanzate e un controllo granulare sulle risorse di calcolo utilizzate per elaborare i dati. Ad esempio, puoi specificare il tipo e il numero di istanze di calcolo, configurare il processo nel tuo VPC e controllare l’accesso alla rete, automatizzare i processi di elaborazione e altro ancora. Per ulteriori informazioni sull’automazione dei processi di elaborazione, consulta [Creazione di una pianificazione per elaborare automaticamente i nuovi dati](canvas-data-export-schedule-job.md). Per informazioni più generali sui SageMaker processi di elaborazione, vedere. [Carichi di lavoro di trasformazione dei dati con Processing SageMaker](processing-job.md)
I tipi di file seguenti sono supportati durante l’esportazione in Amazon S3:
+ CSV
+ Parquet
Per iniziare, esamina i prerequisiti seguenti.
### Prerequisiti per i processi EMR Serverless
Per creare un processo remoto che utilizza risorse EMR Serverless, devi disporre delle autorizzazioni richieste. Puoi concedere le autorizzazioni tramite il dominio Amazon SageMaker AI o le impostazioni del profilo utente oppure puoi configurare manualmente il ruolo AWS IAM dell'utente. Per istruzioni su come concedere agli utenti le autorizzazioni per eseguire l’elaborazione di grandi quantità di dati, consulta [Concessione di autorizzazioni agli utenti per utilizzare grandi quantità di dati nel ciclo di vita di ML](canvas-large-data-permissions.md).
Se non desideri configurare queste politiche ma devi comunque elaborare set di dati di grandi dimensioni tramite Data Wrangler, in alternativa puoi utilizzare un processo di elaborazione. SageMaker
Utilizza le procedure seguenti per esportare i dati in Amazon S3. Per configurare un processo remoto, segui le fasi avanzate facoltative.
**Per esportare un nodo del flusso in Amazon S3**
1. Accedi al tuo flusso di dati.
1. Scegli l’icona con tre puntini accanto al nodo da esportare.
1. Nel menu contestuale, passa il mouse su **Esporta**, quindi seleziona **Esporta dati su Amazon S3**.
1. Nel pannello laterale **Esporta in Amazon S3**, puoi modificare il **nome** per il nuovo set di dati.
1. In **Posizione S3**, inserisci la posizione Amazon S3 in cui esportare il set di dati. Puoi inserire l’URI S3, l’alias o l’ARN della posizione S3 o del punto di accesso S3. Per ulteriori informazioni sui punti di accesso, consulta [Managing data access with Amazon S3 access points](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) in *Amazon S3 User Guide*.
1. (Facoltativo) In **Impostazioni avanzate**, specifica i valori per i campi seguenti:
1. **Tipo di file**: il formato file dei dati esportati.
1. **Delimitatore**: il delimitatore utilizzato per separare i valori nel file.
1. **Compressione**: il metodo di compressione utilizzato per ridurre le dimensioni del file.
1. **Numero di partizioni**: il numero di file del set di dati che Canvas scrive come output del processo.
1. **Scegli colonne**: puoi scegliere un sottoinsieme di colonne dai dati da includere nelle partizioni.
1. Lascia selezionata l’opzione **Elabora l’intero set di dati** se desideri che Canvas applichi le trasformazioni del flusso di dati all’intero set di dati ed esporti il risultato. Se deselezioni questa opzione, Canvas applica le trasformazioni solo al campione del set di dati utilizzato nel flusso di dati interattivo di Data Wrangler.
**Nota**
Se esporti solo un campione di dati, Canvas elabora i dati nell’applicazione e non crea un processo remoto per conto tuo.
1. Lascia selezionata l’opzione **Configurazione automatica del processo** se desideri che Canvas decida automaticamente se eseguire il processo con la memoria dell’applicazione Canvas o con un processo EMR Serverless. Se si deseleziona questa opzione e si configura manualmente il processo, è possibile scegliere di utilizzare un processo EMR Serverless o SageMaker un processo di elaborazione. Per istruzioni su come configurare un processo EMR Serverless o di SageMaker elaborazione, vedere la sezione successiva a questa procedura prima di esportare i dati.
1. Scegli **Export** (Esporta).
Le seguenti procedure mostrano come configurare manualmente le impostazioni del processo remoto per EMR Serverless o SageMaker Processing durante l'esportazione del set di dati completo in Amazon S3.
------
#### [ EMR Serverless ]
Per configurare un processo EMR Serverless durante l’esportazione in Amazon S3, procedi come descritto di seguito:
1. Nel pannello laterale Esporta in Amazon S3, disattiva l’opzione di **configurazione automatica del processo**.
1. Seleziona **EMR Serverless**.
1. In **Nome processo**, inserisci un nome per il processo EMR Serverless. Il nome può contenere solo lettere, numeri, trattini e caratteri di sottolineatura.
1. In **Ruolo IAM**, inserisci il ruolo di esecuzione IAM dell’utente. Questo ruolo deve disporre delle autorizzazioni necessarie per eseguire applicazioni EMR Serverless. Per ulteriori informazioni, consulta [Concessione di autorizzazioni agli utenti per utilizzare grandi quantità di dati nel ciclo di vita di ML](canvas-large-data-permissions.md).
1. (Facoltativo) Per la **chiave KMS**, specificare l'ID della chiave o l'ARN di AWS KMS key un per crittografare i registri dei lavori. Se non inserisci una chiave, Canvas utilizza una chiave predefinita per EMR Serverless.
1. (Facoltativo) Per la **configurazione del monitoraggio**, inserisci il nome di un gruppo di log di Amazon CloudWatch Logs in cui desideri pubblicare i log.
1. (Facoltativo) In **Tag**, aggiungi i tag dei metadati al processo EMR Serverless costituiti da coppie chiave-valore. Questi tag possono essere utilizzati per classificare e cercare i processi.
1. Scegli **Export** (Esporta) per avviare il processo.
------
#### [ SageMaker Processing ]
Per configurare un SageMaker processo di elaborazione durante l'esportazione in Amazon S3, procedi come segue:
1. Nel pannello laterale **Esporta in Amazon S3**, disattiva l’opzione di **configurazione automatica del processo**.
1. **Seleziona SageMaker Elaborazione.**
1. Per **Job name**, inserisci un nome per il tuo job di SageMaker AI Processing.
1. In **Tipo di istanza**, seleziona il tipo di istanza di calcolo per eseguire il processo di elaborazione.
1. In **Numero di istanze**, specifica il numero di istanze di calcolo da avviare.
1. In **Ruolo IAM**, inserisci il ruolo di esecuzione IAM dell’utente. Questo ruolo deve disporre delle autorizzazioni necessarie affinché l' SageMaker IA possa creare ed eseguire lavori di elaborazione per tuo conto. Queste autorizzazioni vengono concesse se hai la [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)policy allegata al tuo ruolo IAM.
1. In **Dimensioni volume**, inserisci la dimensione dell’archiviazione in GB per il volume di archiviazione di ML collegato a ciascuna istanza di elaborazione. Scegli questo valore in base alla dimensione prevista dei dati di input e output.
1. (Facoltativo) In **Chiave KMS del volume**, specifica una chiave KMS per crittografare il volume di archiviazione. Se non specifichi una chiave, viene utilizzata la chiave di crittografia predefinita di Amazon EBS.
1. (Facoltativo) In **Chiave KMS**, specifica una chiave KMS per crittografare le origini dati di input e output di Amazon S3 utilizzate dal processo di elaborazione.
1. (Facoltativo) In **Configurazione memoria Spark**, procedi come descritto di seguito:
1. Inserisci la **memoria del driver in MB** per il nodo driver Spark che gestisce il coordinamento e la pianificazione dei processi.
1. Inserisci la **memoria dell’esecutore in MB** per i nodi dell’esecutore Spark che eseguono le singole attività nel processo.
1. (Facoltativo) In **Configurazione di rete**, procedi come descritto di seguito:
1. Per la **configurazione IDs della sottorete**, inserisci le sottoreti VPC per le istanze di elaborazione in cui avviare. Per impostazione predefinita, il processo utilizza le impostazioni del VPC predefinito.
1. Per la **configurazione del gruppo di sicurezza**, inserisci uno dei gruppi IDs di sicurezza per controllare le regole di connettività in entrata e in uscita.
1. Attiva l’opzione **Abilita la crittografia del traffico tra container** per crittografare le comunicazioni di rete tra i container di elaborazione durante il processo.
1. (Facoltativo) Per le **pianificazioni di affiliazione**, puoi scegliere di creare una EventBridge pianificazione Amazon per far sì che il processo di elaborazione venga eseguito a intervalli ricorrenti. Scegli **Crea nuova pianificazione** e compila la finestra di dialogo. Per ulteriori informazioni sulla compilazione di questa sezione e sull’esecuzione dei processi di elaborazione in base a una pianificazione, consulta [Creazione di una pianificazione per elaborare automaticamente i nuovi dati](canvas-data-export-schedule-job.md).
1. (Facoltativo) Aggiungi i **tag** come coppie chiave-valore in modo da poter classificare e cercare i processi di elaborazione.
1. Scegli **Esporta** per avviare il processo di elaborazione.
------
Dopo aver esportato i dati, dovresti trovare il set di dati completamente elaborato nella posizione Amazon S3 specificata.
# Esportazione di un flusso di dati
L’esportazione del flusso di dati traduce le operazioni che hai eseguito in Data Wrangler e le esporta in un notebook Jupyter di codice Python che puoi modificare ed eseguire. Questo può essere utile per integrare il codice per le trasformazioni dei dati nelle pipeline di machine learning.
Puoi scegliere qualsiasi nodo di dati nel flusso di dati ed esportarlo. L'esportazione del nodo di dati esporta la trasformazione che il nodo rappresenta e le trasformazioni che la precedono.
**Per esportare un flusso di dati come notebook Jupyter**
1. Accedi al tuo flusso di dati.
1. Scegli l’icona con tre puntini accanto al nodo da esportare.
1. Nel menu contestuale, passa il mouse su **Esporta**, quindi su **Esporta tramite notebook Jupyter**.
1. Seleziona una delle seguenti opzioni:
+ **SageMaker Pipelines**
+ **Amazon S3**
+ **SageMaker Pipeline di inferenza AI**
+ **SageMaker AI Feature Store**
+ **Codice Python**
1. Viene visualizzata la finestra di dialogo **Esporta flusso di dati come notebook**. Selezionare uno dei seguenti:
+ **Scarica una copia locale**
+ **Esporta in una posizione S3**
1. Se hai selezionato **Esporta in una posizione S3**, inserisci la posizione Amazon S3 in cui esportare il notebook.
1. Scegli **Export** (Esporta).
Il notebook Jupyter deve essere scaricato sul computer locale oppure è possibile trovarlo salvato nella posizione Amazon S3 specificata.
# Aggiunta di nodi di destinazione
Un nodo di destinazione in SageMaker Canvas specifica dove archiviare i dati elaborati e trasformati. Quando scegli di esportare i dati trasformati in Amazon S3, Canvas utilizza la posizione del nodo di destinazione specificata, applicando tutte le trasformazioni che hai configurato nel flusso di dati. Per ulteriori informazioni sui processi di esportazione in Amazon S3, consulta la sezione precedente [Esportazione in Amazon S3](canvas-export-data.md#canvas-export-data-s3).
Per impostazione predefinita, la scelta di esportare i dati in Amazon S3 aggiunge un nodo di destinazione al flusso di dati. Tuttavia, se aggiungi più nodi di destinazione al flusso, puoi esportare contemporaneamente diversi set di trasformazioni o variazioni dei dati in diverse posizioni Amazon S3. Ad esempio, puoi creare un nodo di destinazione che esporta i dati dopo aver applicato tutte le trasformazioni e un altro nodo di destinazione che esporta i dati solo dopo aver applicato specifiche trasformazioni iniziali, ad esempio un’operazione di join. Questa flessibilità consente di esportare e archiviare diverse versioni o sottoinsiemi dei dati trasformati in posizioni S3 separate per vari i casi d’uso.
Utilizza la procedura seguente per aggiungere un nodo di destinazione al flusso di dati.
**Per aggiungere un nuovo nodo di destinazione**
1. Accedi al tuo flusso di dati.
1. Scegli l’icona con tre puntini accanto al nodo in cui posizionare il nodo di destinazione.
1. Nel menu contestuale, passa il mouse su **Esporta**, quindi seleziona **Aggiungi destinazione**.
1. Nel pannello laterale **Destinazione di esportazione**, inserisci un **nome per il set di dati** per assegnare un nome all’output.
1. In **Posizione Amazon S3**, inserisci la posizione Amazon S3 in cui esportare l’output. Puoi inserire l’URI S3, l’alias o l’ARN della posizione S3 o del punto di accesso S3. Per ulteriori informazioni sui punti di accesso, consulta [Managing data access with Amazon S3 access points](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) in *Amazon S3 User Guide*.
1. In **Impostazioni di esportazione**, specifica i seguenti campi:
1. **Tipo di file**: il formato file dei dati esportati.
1. **Delimitatore**: il delimitatore utilizzato per separare i valori nel file.
1. **Compressione**: il metodo di compressione utilizzato per ridurre le dimensioni del file.
1. In **Partizionamento**, specifica i seguenti campi:
1. **Numero di partizioni**: il numero di file di set di dati che SageMaker Canvas scrive come output del lavoro.
1. **Scegli colonne**: puoi scegliere un sottoinsieme di colonne dai dati da includere nelle partizioni.
1. Scegli **Aggiungi** per aggiungere semplicemente un nodo di destinazione al flusso di dati oppure scegli **Aggiungi** ed **Esporta** per aggiungere il nodo e avviare un processo di esportazione.
A questo punto, dovresti vedere un nuovo nodo di destinazione nel tuo flusso.
# Modifica di un nodo di destinazione
Un *nodo di destinazione* in un flusso di dati Amazon SageMaker Canvas specifica la posizione Amazon S3 in cui vengono archiviati i dati elaborati e trasformati, applicando tutte le trasformazioni configurate nel flusso di dati. Puoi modificare la configurazione di un nodo di destinazione esistente e quindi scegliere di rieseguire il processo per sovrascrivere i dati nella posizione Amazon S3 specificata. Per ulteriori informazioni sull’aggiunta di un nuovo nodo di destinazione, consulta [Aggiunta di nodi di destinazione](canvas-destination-nodes-add.md).
Utilizza la procedura seguente per modificare un nodo di destinazione nel flusso di dati e avviare un processo di esportazione.
**Per modificare un nodo di destinazione**
1. Accedi al tuo flusso di dati.
1. Scegli l’icona con tre puntini accanto al nodo di destinazione da modificare.
1. Nel menu contestuale, scegli **Modifica**.
1. Si apre il pannello laterale **Modifica destinazione**. Da questo pannello, puoi modificare dettagli come il nome del set di dati, la posizione Amazon S3 e le impostazioni di esportazione e partizionamento.
1. (Facoltativo) In **Nodi aggiuntivi da esportare**, puoi selezionare più nodi di destinazione da elaborare quando esegui il processo di esportazione.
1. Lascia selezionata l’opzione **Elabora l’intero set di dati** se desideri che Canvas applichi le trasformazioni del flusso di dati all’intero set di dati ed esporti il risultato. Se deselezioni questa opzione, Canvas applica le trasformazioni solo al campione del set di dati utilizzato nel flusso di dati interattivo di Data Wrangler.
1. Lascia selezionata l’opzione **Configurazione automatica del processo** se desideri che Canvas decida automaticamente se eseguire il processo con la memoria dell’applicazione Canvas o con un processo EMR Serverless. Se si deseleziona questa opzione e si configura manualmente il processo, è possibile scegliere di utilizzare un processo EMR Serverless o SageMaker un processo di elaborazione. Per istruzioni su come configurare un processo EMR Serverless o di SageMaker elaborazione, vedere la sezione precedente. [Esportazione in Amazon S3](canvas-export-data.md#canvas-export-data-s3)
1. Una volta completate le modifiche, scegli **Aggiorna**.
Il salvataggio delle modifiche alla configurazione del nodo di destinazione non riesegue automaticamente un processo né sovrascrive i dati che sono già stati elaborati ed esportati. Esporta nuovamente i dati per eseguire un processo con la nuova configurazione. Se decidi di esportare nuovamente i dati con un processo, Canvas utilizza la configurazione aggiornata del nodo di destinazione per trasformare e inviare i dati nella posizione specificata, sovrascrivendo i dati esistenti.
# Creazione di una pianificazione per elaborare automaticamente i nuovi dati
**Nota**
La sezione seguente si applica solo ai lavori di SageMaker elaborazione. Se hai utilizzato le impostazioni predefinite di Canvas o EMR Serverless per creare un processo remoto per applicare le trasformazioni al set di dati completo, puoi ignorare questa sezione.
Se elabori i dati periodicamente, puoi creare una pianificazione per eseguire automaticamente il processo di elaborazione. Ad esempio, è possibile creare una pianificazione che esegue automaticamente un processo di elaborazione quando si ottengono nuovi dati. Per ulteriori informazioni sui processi di elaborazione, consulta [Esportazione in Amazon S3](canvas-export-data.md#canvas-export-data-s3).
Quando crei un processo, devi specificare un ruolo IAM con le autorizzazioni per creare il processo. È possibile utilizzare la [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)politica per aggiungere autorizzazioni.
Aggiungi la seguente politica di fiducia al ruolo per EventBridge consentirne l'assunzione.
```
{
"Effect": "Allow",
"Principal": {
"Service": "events.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
```
**Importante**
Quando crei una pianificazione, Data Wrangler crea un `eventRule` ingresso. EventBridge Ti vengono addebitati costi sia per le regole degli eventi che crei sia per le istanze utilizzate per eseguire il processo di elaborazione.
Per informazioni sui EventBridge prezzi, consulta la pagina [ EventBridge dei prezzi di Amazon](https://aws.amazon.com/eventbridge/pricing/). Per informazioni sui prezzi dei lavori di elaborazione, consulta [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
Puoi impostare una pianificazione utilizzando uno dei seguenti metodi:
+ [Espressioni CRON](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html)
**Nota**
Data Wrangler non supporta le seguenti espressioni:
LW\$1
Abbreviazioni per i giorni
Abbreviazioni per i mesi
+ [Espressioni della FREQUENZA](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html#eb-rate-expressions)
+ Ricorrente: per l'esecuzione del processo Imposta un intervallo orario o giornaliero.
+ Ora specifica: per l'esecuzione del processo imposta giorni e orari specifici.
Le seguenti sezioni forniscono le procedure per la pianificazione dei lavori durante la compilazione delle impostazioni del processo di elaborazione SageMaker AI durante l'[esportazione dei dati in Amazon S3](canvas-export-data.md#canvas-export-data-s3). Tutte le seguenti istruzioni iniziano nella sezione **Pianificazioni degli associati** delle impostazioni del processo di SageMaker elaborazione.
------
#### [ CRON ]
Utilizza la procedura seguente per creare una pianificazione con un'espressione CRON.
1. **Nel pannello laterale **Esporta in Amazon S3**, assicurati di aver disattivato l'interruttore di **configurazione automatica del lavoro** e di aver selezionato l'SageMaker opzione Elaborazione.**
1. Nelle impostazioni del **SageMaker processo di elaborazione**, apri la sezione **Pianificazioni di associazione** e scegli **Crea** nuova pianificazione.
1. Si apre la finestra di dialogo **Crea una nuova pianificazione**. Per **Nome della pianificazione**, specifica il nome della pianificazione.
1. Per **Frequenza di esecuzione**, seleziona **CRON**.
1. Per ciascuno dei campi **Minuti**, **Ore**, **Giorni del mese**, **Mese** e **Giorno della settimana**, inserisci valori di espressione Cron validi.
1. Scegli **Create** (Crea).
1. (Facoltativo) seleziona **Aggiungi un’altra pianificazione** per eseguire il lavoro in base a una pianificazione aggiuntiva.
**Nota**
È possibile associare un massimo di due pianificazioni. Le pianificazioni sono indipendenti e non si influenzano tra loro a meno che i tempi non si sovrappongano.
1. Seleziona una delle seguenti opzioni:
+ **Pianifica ed esegui ora**: il processo viene eseguito immediatamente, quindi si ripete in base alle pianificazioni.
+ **Solo pianificazione**: il processo viene eseguito solo in base alle pianificazioni specificate.
1. Scegli **Esporta** dopo aver compilato il resto delle impostazioni del processo di esportazione.
------
#### [ RATE ]
Utilizza la procedura seguente per creare una pianificazione con un'espressione della FREQUENZA.
1. **Nel pannello laterale **Esporta in Amazon S3**, assicurati di aver disattivato l'interruttore di **configurazione automatica del lavoro** e di aver selezionato l'SageMaker opzione Elaborazione.**
1. Nelle impostazioni del **SageMaker processo di elaborazione**, apri la sezione **Pianificazioni di associazione** e scegli **Crea** nuova pianificazione.
1. Si apre la finestra di dialogo **Crea una nuova pianificazione**. Per **Nome della pianificazione**, specifica il nome della pianificazione.
1. Per **Frequenza di esecuzione**, seleziona **Frequenza**.
1. Per **Valore**, specifica un numero intero.
1. Per **Unità**, seleziona una delle opzioni seguenti:
+ **Minuti**
+ **Ore**
+ **Giorni**
1. Scegli **Create** (Crea).
1. (Facoltativo) seleziona **Aggiungi un’altra pianificazione** per eseguire il lavoro in base a una pianificazione aggiuntiva.
**Nota**
È possibile associare un massimo di due pianificazioni. Le pianificazioni sono indipendenti e non si influenzano tra loro a meno che i tempi non si sovrappongano.
1. Seleziona una delle seguenti opzioni:
+ **Pianifica ed esegui ora**: il processo viene eseguito immediatamente, quindi si ripete in base alle pianificazioni.
+ **Solo pianificazione**: il processo viene eseguito solo in base alle pianificazioni specificate.
1. Scegli **Esporta** dopo aver compilato il resto delle impostazioni del processo di esportazione.
------
#### [ Recurring ]
Utilizza la procedura seguente per creare una pianificazione che esegua un processo su base ricorrente.
1. **Nel pannello laterale **Esporta in Amazon S3**, assicurati di aver disattivato l'interruttore di **configurazione automatica del lavoro** e di aver selezionato l'SageMaker opzione Elaborazione.**
1. Nelle impostazioni del **SageMaker processo di elaborazione**, apri la sezione **Pianificazioni di associazione** e scegli **Crea** nuova pianificazione.
1. Si apre la finestra di dialogo **Crea una nuova pianificazione**. Per **Nome della pianificazione**, specifica il nome della pianificazione.
1. In **Frequenza di esecuzione**, scegli **Ricorrente**.
1. Per **Ogni x ore**, specifica la frequenza oraria di esecuzione del processo durante il giorno. I valori validi sono numeri interi compresi nell'intervallo tra **1** e **23**.
1. Per **In giorni**, seleziona una delle seguenti opzioni:
+ **Ogni giorno**
+ **Fine settimana**
+ **Giorni della settimana**
+ **Seleziona giorni**
1. (Facoltativo) Se hai selezionato **Seleziona giorni**, seleziona i giorni della settimana in cui eseguire il processo.
**Nota**
La pianificazione viene ripristinata ogni giorno. Se pianifichi l'esecuzione di un processo ogni cinque ore, questo viene eseguito nelle seguenti ore del giorno:
00:00
05:00
10:00
15:00
20:00
1. Scegli **Create** (Crea).
1. (Facoltativo) seleziona **Aggiungi un’altra pianificazione** per eseguire il lavoro in base a una pianificazione aggiuntiva.
**Nota**
È possibile associare un massimo di due pianificazioni. Le pianificazioni sono indipendenti e non si influenzano tra loro a meno che i tempi non si sovrappongano.
1. Seleziona una delle seguenti opzioni:
+ **Pianifica ed esegui ora**: il processo viene eseguito immediatamente, quindi si ripete in base alle pianificazioni.
+ **Solo pianificazione**: il processo viene eseguito solo in base alle pianificazioni specificate.
1. Scegli **Esporta** dopo aver compilato il resto delle impostazioni del processo di esportazione.
------
#### [ Specific time ]
Utilizzare la procedura seguente per creare una pianificazione che esegua un processo a orari specifici.
1. **Nel pannello laterale **Esporta in Amazon S3**, assicurati di aver disattivato l'interruttore di **configurazione automatica del lavoro** e di aver selezionato l'SageMaker opzione Elaborazione.**
1. Nelle impostazioni del **SageMaker processo di elaborazione**, apri la sezione **Pianificazioni di associazione** e scegli **Crea** nuova pianificazione.
1. Si apre la finestra di dialogo **Crea una nuova pianificazione**. Per **Nome della pianificazione**, specifica il nome della pianificazione.
1. In **Frequenza di esecuzione**, scegli **Ora di inizio**.
1. In **Ora di inizio**, inserisci un’ora in formato UTC (ad esempio, **09:00**). Per impostazione predefinita, l’ora di inizio si basa sul fuso orario in cui ti trovi.
1. Per **In giorni**, seleziona una delle seguenti opzioni:
+ **Ogni giorno**
+ **Fine settimana**
+ **Giorni della settimana**
+ **Seleziona giorni**
1. (Facoltativo) Se hai selezionato **Seleziona giorni**, seleziona i giorni della settimana in cui eseguire il processo.
1. Scegli **Create** (Crea).
1. (Facoltativo) seleziona **Aggiungi un’altra pianificazione** per eseguire il lavoro in base a una pianificazione aggiuntiva.
**Nota**
È possibile associare un massimo di due pianificazioni. Le pianificazioni sono indipendenti e non si influenzano tra loro a meno che i tempi non si sovrappongano.
1. Seleziona una delle seguenti opzioni:
+ **Pianifica ed esegui ora**: il processo viene eseguito immediatamente, quindi si ripete in base alle pianificazioni.
+ **Solo pianificazione**: il processo viene eseguito solo in base alle pianificazioni specificate.
1. Scegli **Esporta** dopo aver compilato il resto delle impostazioni del processo di esportazione.
------
Puoi utilizzare l' SageMaker intelligenza artificiale Console di gestione AWS per visualizzare i lavori la cui esecuzione è pianificata. I processi di elaborazione vengono eseguiti in Pipelines. Ogni processo di elaborazione ha una propria pipeline. Viene eseguito come fase di elaborazione all'interno della pipeline. All'interno di una pipeline puoi visualizzare le pianificazioni che hai creato. Per informazioni sulla visualizzazione di una pipeline, consulta [Visualizzazione dei dettagli di una pipeline](pipelines-studio-list.md).
Per visualizzare i processi pianificati utilizza la procedura seguente.
Per visualizzare i processi che hai programmato, procedi come segue.
1. Apri Amazon SageMaker Studio Classic.
1. Apri Pipelines.
1. Visualizza le pipeline dei lavori che hai creato.
La pipeline che esegue il processo utilizza il nome del processo come prefisso. Ad esempio, se hai creato un processo denominato `housing-data-feature-enginnering`, il nome della pipeline sarà `canvas-data-prep-housing-data-feature-engineering`
1. Selezionare la pipeline contenente il tuo processo.
1. Visualizza lo stato delle pipeline. Le pipeline con **stato** **Riuscito** hanno eseguito correttamente il processo di elaborazione.
Per interrompere l'esecuzione del processo di elaborazione, effettua le seguenti operazioni:
Per interrompere l'esecuzione di un processo di elaborazione, elimina la regola di evento che specifica la pianificazione. L'eliminazione di una regola di evento interrompe l'esecuzione di tutti i processi associati alla pianificazione. Per informazioni sull'eliminazione di una regola, consulta [Disabilitazione o eliminazione di una regola Amazon](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-delete-rule.html). EventBridge
Puoi anche interrompere ed eliminare le pipeline associate alle pianificazioni. Per informazioni sull'arresto di una pipeline, consulta. [StopPipelineExecution](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopPipelineExecution.html) Per informazioni sull'eliminazione di una pipeline, vedere. [DeletePipeline](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeletePipeline.html#API_DeletePipeline_RequestSyntax)
# Automatizza la preparazione dei dati in Canvas SageMaker
Dopo aver trasformato i dati in un flusso di dati, puoi esportare le trasformazioni nei flussi di lavoro di machine learning. Quando esporti le tue trasformazioni, SageMaker Canvas crea un notebook Jupyter. È necessario eseguire il notebook all'interno di Amazon SageMaker Studio Classic. Per informazioni su come iniziare con Studio Classic, contatta l’amministratore.
## Automazione della preparazione dei dati con Pipelines
Se desideri creare e distribuire flussi di lavoro di machine learning (ML) su larga scala, puoi utilizzare Pipelines per creare flussi di lavoro che gestiscono e implementano lavori di intelligenza artificiale. SageMaker Con Pipelines, puoi creare flussi di lavoro che gestiscono la preparazione dei dati di SageMaker intelligenza artificiale, la formazione dei modelli e i lavori di implementazione dei modelli. Puoi utilizzare gli algoritmi proprietari offerti dall' SageMaker intelligenza artificiale utilizzando Pipelines. [Per ulteriori informazioni sulle pipeline, consulta Pipelines. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html)
Quando esporti una o più fasi dal flusso di dati a Pipelines, Data Wrangler crea un notebook Jupyter che puoi utilizzare per definire, creare istanze, eseguire e gestire una pipeline.
### Per creare una pipeline usare un notebook Jupyter
Utilizza la procedura seguente per creare un notebook Jupyter per esportare il flusso di Data Wrangler in Pipelines.
Utilizza la procedura seguente per generare un notebook Jupyter ed eseguilo per esportare il flusso di Data Wrangler in Pipelines.
1. Seleziona la **\$1** accanto al nodo che desideri esportare.
1. Seleziona **Esporta flusso di dati**.
1. Seleziona **Pipelines (tramite Notebook Jupyter)**.
1. Scarica il notebook Jupyter o copialo in una posizione Amazon S3. Ti consigliamo di copiarlo in una posizione Amazon S3 a cui puoi accedere da Studio Classic. Contatta l’amministratore se hai bisogno di assistenza per la scelta della posizione ottimale.
1. Esecuzione del notebook Jupyter
Per definire una pipeline è possibile utilizzare il notebook Jupyter prodotto da Data Wrangler. La pipeline include le fasi di elaborazione dati definite dal flusso di Data Wrangler.
Puoi aggiungere ulteriori fasi alla tua pipeline aggiungendo fasi all'elenco `steps` nel seguente codice del notebook:
```
pipeline = Pipeline(
name=pipeline_name,
parameters=[instance_type, instance_count],
steps=[step_process], #Add more steps to this list to run in your Pipeline
)
```
Per ulteriori informazioni sulla definizione delle pipeline, consulta [ SageMaker Define](https://docs.aws.amazon.com/sagemaker/latest/dg/define-pipeline.html) AI Pipeline.
## Automazione della preparazione dei dati utilizzando un endpoint di inferenza
Usa il tuo flusso Data Wrangler per elaborare i dati al momento dell'inferenza creando una pipeline di inferenza seriale SageMaker AI dal tuo flusso Data Wrangler. Una pipeline di inferenza è una serie di fasi che si traducono in un modello addestrato che effettua previsioni su nuovi dati. Una pipeline di inferenza seriale all'interno di Data Wrangler trasforma i dati grezzi e li fornisce al modello di machine learning per una previsione. Puoi creare, eseguire e gestire la pipeline di inferenza da un notebook Jupyter all’interno di Studio Classic. Per ulteriori informazioni sull’accesso al notebook, consultare [Utilizzo di un notebook Jupyter per creare un endpoint di inferenza](#canvas-inference-notebook).
All'interno del notebook, puoi addestrare un modello di machine learning o specificarne uno che hai già addestrato. Puoi utilizzare Amazon SageMaker Autopilot o XGBoost addestrare il modello utilizzando i dati che hai trasformato nel flusso di Data Wrangler.
La pipeline offre la possibilità di eseguire inferenze in batch o in tempo reale. Puoi anche aggiungere il flusso Data Wrangler a Model Registry. SageMaker Per ulteriori informazioni sui modelli di hosting, consulta [Endpoint multi-modello](multi-model-endpoints.md).
**Importante**
Non è possibile esportare il flusso di Data Wrangler su un endpoint di inferenza se presenta le seguenti trasformazioni:
Join
Concatenazione
Gruppo da
Se per preparare i dati è necessario utilizzare le trasformazioni precedenti, utilizza la procedura seguente.
Crea un flusso di Data Wrangler.
Applica le trasformazioni precedenti non supportate.
Esporta i dati in un bucket Amazon S3.
Crea un flusso di Data Wrangler separato.
Importa i dati che hai esportato dal flusso precedente.
Applica le trasformazioni rimanenti.
Crea una pipeline di inferenza seriale utilizzando il notebook Jupyter che forniamo.
Per informazioni sull'esportazione dei dati in un bucket Amazon S3 consulta [Esporta dati](canvas-export-data.md). Per informazioni sull'apertura del notebook Jupyter utilizzato per creare la pipeline di inferenza seriale, consulta [Utilizzo di un notebook Jupyter per creare un endpoint di inferenza](#canvas-inference-notebook).
Data Wrangler ignora le trasformazioni che rimuovono i dati al momento dell'inferenza. Ad esempio, Data Wrangler ignora la trasformazione [Gestisci valori mancanti](canvas-transform.md#canvas-transform-handle-missing) se si utilizza la configurazione **Drop mancante**.
Se hai effettuato l'adattamento delle trasformazioni all'intero set di dati, le trasformazioni vengono trasferite alla tua pipeline di inferenza. Ad esempio, se hai utilizzato il valore mediano per imputare i valori mancanti, il valore mediano ottenuto dall'adattamento della trasformazione viene applicato alle tue richieste di inferenza. Puoi scegliere di riadattare le trasformazioni dal flusso di Data Wrangler quando utilizzi il notebook Jupyter o quando esporti i dati in una pipeline di inferenza.
La pipeline di inferenza seriale supporta i seguenti tipi di dati per le stringhe di input e output. Ogni tipo di dati ha una serie di requisiti.
**Tipi di dati supportati**
+ `text/csv` – il tipo di dati per le stringhe CSV
+ La stringa non può avere un'intestazione.
+ Le funzionalità utilizzate per la pipeline di inferenza devono essere nello stesso ordine delle funzionalità nel set di dati di addestramento.
+ Tra le funzionalità deve esserci una virgola come delimitatore.
+ I record devono essere delimitati da un carattere ritorno a capo.
Di seguito è riportato un esempio di una stringa CSV in formato valido che è possibile fornire in una richiesta di inferenza.
```
abc,0.0,"Doe, John",12345\ndef,1.1,"Doe, Jane",67890
```
+ `application/json` – il tipo di dati per le stringhe JSON
+ Le funzionalità utilizzate nel set di dati per la pipeline di inferenza devono essere nello stesso ordine delle funzionalità nel set di dati di addestramento.
+ I dati devono avere uno schema specifico. Lo schema viene definito come un singolo oggetto `instances` con un set di `features`. Ogni oggetto `features` rappresenta un'osservazione.
Di seguito è riportato un esempio di una stringa JSON in formato valido che è possibile fornire in una richiesta di inferenza.
```
{
"instances": [
{
"features": ["abc", 0.0, "Doe, John", 12345]
},
{
"features": ["def", 1.1, "Doe, Jane", 67890]
}
]
}
```
### Utilizzo di un notebook Jupyter per creare un endpoint di inferenza
Utilizza la seguente procedura per esportare il flusso di Data Wrangler per creare una pipeline di inferenza.
Per creare una pipeline di inferenza utilizzando un notebook Jupyter, procedi come segue.
1. Seleziona la **\$1** accanto al nodo che desideri esportare.
1. Seleziona **Esporta flusso di dati**.
1. Scegli **SageMaker AI Inference Pipeline (tramite** Jupyter Notebook).
1. Scarica il notebook Jupyter o copialo in una posizione Amazon S3. Ti consigliamo di copiarlo in una posizione Amazon S3 a cui puoi accedere da Studio Classic. Contatta l’amministratore se hai bisogno di assistenza per la scelta della posizione ottimale.
1. Esecuzione del notebook Jupyter
Quando si esegue il notebook Jupyter, viene creato un artefatto del flusso di inferenza. Un artefatto del flusso di inferenza è un file di flusso di Data Wrangler con metadati aggiuntivi utilizzati per creare la pipeline di inferenza seriale. Il nodo che stai esportando include tutte le trasformazioni dei nodi precedenti.
**Importante**
Data Wrangler ha bisogno dell'artefatto del flusso di inferenza per eseguire la pipeline di inferenza. Non puoi usare il tuo file di flusso come artefatto. È necessario crearlo utilizzando la procedura precedente.
## Automazione della preparazione dei dati con il codice Python
Per esportare tutte le fasi del flusso di dati in un file Python che puoi integrare manualmente in qualsiasi flusso di lavoro di elaborazione dati, usa la procedura seguente.
Utilizza la procedura seguente per generare un notebook Jupyter ed eseguilo per esportare il flusso di Data Wrangler nel codice Python.
1. Seleziona la **\$1** accanto al nodo che desideri esportare.
1. Seleziona **Esporta flusso di dati**.
1. Seleziona **Python Code** (Codice Python).
1. Scarica il notebook Jupyter o copialo in una posizione Amazon S3. Ti consigliamo di copiarlo in una posizione Amazon S3 a cui puoi accedere da Studio Classic. Contatta l’amministratore se hai bisogno di assistenza per la scelta della posizione ottimale.
1. Esecuzione del notebook Jupyter
Per farlo eseguire nella pipeline potrebbe essere necessario configurare lo script Python. Ad esempio, se utilizzi un ambiente Spark, assicurati di eseguire lo script da un ambiente che dispone dell'autorizzazione per accedere alle risorse. AWS
# Modelli di base generativi di intelligenza artificiale in Canvas SageMaker
Amazon SageMaker Canvas fornisce modelli di base di intelligenza artificiale generativa che puoi utilizzare per avviare chat conversazionali. Tali modelli di generazione di contenuti vengono addestrati su grandi quantità di dati di testo per apprendere i modelli statistici e le relazioni tra le parole e riescono a produrre testo coerente che è statisticamente simile al testo su cui sono stati addestrati. È possibile utilizzare tale funzionalità per aumentare la produttività eseguendo le seguenti operazioni:
+ Genera contenuti, come schemi di documenti, report e blog
+ Riassumi il testo partendo da grandi corpus di testo, ad esempio guadagni, trascrizioni di chiamate in videoconferenza, report annuali o capitoli di manuali utente
+ Estrai approfondimenti e principali conclusioni da ampi passaggi di testo, come appunti di riunioni o racconti
+ Migliora il testo e trova errori grammaticali o di battitura
I modelli base sono una combinazione di modelli linguistici di grandi dimensioni [Amazon SageMaker JumpStart e Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-service.html) (LLMs). Canvas offre i seguenti modelli:
| Modello | Tipo | Description |
| --- | --- | --- |
| Amazon Titan | Modello Amazon Bedrock | Amazon Titan è un potente modello linguistico generico che è possibile utilizzare per attività quali riepilogo, generazione di testo (come la creazione di un post in un blog), classificazione, domande e risposte aperte ed estrazione di informazioni. È preaddestrato su set di dati di grandi dimensioni, il che lo rende adatto per attività e ragionamenti complessi. Per continuare a supportare le best practice sull’utilizzo responsabile dell’IA, i modelli di fondazione Amazon Titan sono progettati per rilevare e rimuovere i contenuti dannosi nei dati, rifiutare i contenuti inappropriati nell’input dell’utente e filtrare gli output dei modelli che includono contenuti inappropriati (come incitamento all’odio, oscenità e violenza). |
| Anthropic Claude Instant | Modello Amazon Bedrock | Claude Instant di Anthropic è un modello più rapido ed economico ma pur sempre molto capace. Questo modello è in grado di gestire una serie di attività, tra cui dialoghi informali, analisi del testo, riepilogo e risposta alle domande dei documenti. Proprio come Claude-2, Claude Instant può supportare fino a 100.000 token in ogni prompt, equivalenti a circa 200 pagine di informazioni. |
| Anthropic Claude-2 | Modello Amazon Bedrock | Claude-2 è il modello più potente di Anthropic, che eccelle in un'ampia gamma di attività, dai dialoghi sofisticati alla generazione di contenuti creativi fino a seguire istruzioni dettagliate. Claude-2 può supportare fino a 100.000 token in ogni prompt, equivalenti a circa 200 pagine di informazioni. Può generare risposte più lunghe rispetto alla versione precedente. Supporta casi d'uso come la risposta a domande, l'estrazione di informazioni, la rimozione delle PII, la generazione di contenuti, la classificazione a scelta multipla, il gioco di ruolo, il confronto di testo, il riepilogo e le domande e risposte di documenti con citazioni. |
| Falcon-7B-Instruct | JumpStart modello | Falcon-7B-Instruct ha 7 miliardi di parametri ed è stato ottimizzato su una combinazione di set di dati di chat e istruzioni. È adatto come assistente virtuale e offre le migliori prestazioni quando si seguono le istruzioni o si partecipa a una conversazione. Poiché il modello è stato addestrato su grandi quantità di dati web in lingua inglese, presenta gli stereotipi e i pregiudizi comunemente presenti online e non è adatto per lingue diverse dall'inglese. Rispetto al Falcon-40B-Instruct, Falcon-7B-Instruct è un modello leggermente più piccolo e compatto. |
| Falcon-40B-Instruct | JumpStart modello | Falcon-40B-Instruct ha 40 miliardi di parametri ed è stato ottimizzato su una combinazione di set di dati di chat e istruzioni. È adatto come assistente virtuale e offre le migliori prestazioni quando si seguono le istruzioni o si partecipa a una conversazione. Poiché il modello è stato addestrato su grandi quantità di dati web in lingua inglese, presenta gli stereotipi e i pregiudizi comunemente presenti online e non è adatto per lingue diverse dall'inglese. Rispetto al Falcon-40B-Instruct, Falcon-7B-Instruct è un modello leggermente più grande e potente. |
| Jurassic-2 Mid | Modello Amazon Bedrock | Jurassic-2 Mid è un modello di generazione del testo ad alte prestazioni addestrato su un enorme corpus di testi (aggiornato fino alla metà del 2022). È altamente versatile, generico e in grado di comporre testi simili a quelli umani e risolvere attività complesse come la risposta a domande, la classificazione del testo e molti altri. Questo modello offre funzionalità di istruzione zero-shot, consentendo che sia diretto solo con il linguaggio naturale e senza l'uso di esempi e funziona fino al 30% più velocemente rispetto al suo predecessore, il modello Jurassic-1. Jurassic-2 Mid è AI21 il modello di medie dimensioni, progettato con cura per trovare il giusto equilibrio tra qualità eccezionale e convenienza. |
| Jurassic-2 Ultra | Modello Amazon Bedrock | Jurassic-2 Ultra è un modello di generazione del testo ad alte prestazioni addestrato su un enorme corpus di testi (aggiornato fino alla metà del 2022). È altamente versatile, generico e in grado di comporre testi simili a quelli umani e risolvere attività complesse come la risposta a domande, la classificazione del testo e molti altri. Questo modello offre funzionalità di istruzione zero-shot, consentendo che sia diretto solo con il linguaggio naturale e senza l'uso di esempi e funziona fino al 30% più velocemente rispetto al suo predecessore, il modello Jurassic-1. Rispetto a Jurassic-2 Mid, Jurassic-2 Ultra è un modello leggermente più grande e potente. |
| Llama-2-7b-Chat | JumpStart modello | Llama-2-7b-Chat è un modello di fondazione di Meta ideale per condurre conversazioni significative e coerenti, generare nuovi contenuti ed estrarre risposte da note esistenti. Poiché il modello è stato addestrato su grandi quantità di dati Internet in lingua inglese, presenta i bias e le limitazioni generalmente presenti online ed è più adatto per attività in lingua inglesa. |
| Llama-2-13B-Chat | Modello Amazon Bedrock | Llama-2-13B-Chat di Meta è stato ottimizzato con fine-tuning sui dati conversazionali dopo un addestramento iniziale sui dati Internet. Le sue capacità ottimizzate per dialoghi naturali e chat coinvolgenti lo rendono un agente conversazionale ottimale. Grazie a un numero di parametri quasi doppio rispetto al modello ridotto Llama-2-7b-Chat, Llama-2-13B-Chat può ricordare più contesto e produrre risposte conversazionali più complesse. Come Llama-2-7b-Chat, Llama-2-13B-Chat è stato addestrato con dati in lingua inglese e funziona meglio per le attività in questa lingua. |
| Llama-2-70B-Chat | Modello Amazon Bedrock | Come Llama-2-7b-Chat e Llama-2-13B-Chat, il modello Llama-2-70B-Chat di Meta è ottimizzato per condurre dialoghi naturali e significativi. Con 70 miliardi di parametri, questo modello conversazionale di grandi dimensioni può ricordare un contesto più ampio e produrre risposte altamente coerenti rispetto alle versioni del modello più compatte. Tuttavia, questo si traduce in risposte più lente e in un maggior fabbisogno di risorse. Llama-2-70B-Chat è stato addestrato su grandi quantità di dati Internet in lingua inglese e funziona meglio per le attività in questa lingua. |
| Mistral-7B | JumpStart modello | Mistral-7B di Mistral.AI è un eccellente modello linguistico generico adatto per un’ampia gamma di attività in linguaggio naturale (NLP) come la generazione di testo, il riepilogo e la risposta alle domande. Utilizza l’attenzione alle query raggruppate (GQA), che aumenta la velocità di inferenza e rende le prestazioni del modello paragonabili a quelle di modelli con il doppio o il triplo dei parametri. È stato addestrato su una combinazione di dati di testo tra cui libri, siti web e articoli scientifici in lingua inglese, quindi funziona meglio per le attività in questa lingua. |
| Mistral-7B-Chat | JumpStart modello | Mistral-7B-Chat è un modello conversazionale di Mistral.AI basato su Mistral-7B. Sebbene Mistral-7B sia ideale per le attività generiche di NLP, Mistral-7B-Chat è stato ulteriormente ottimizzato con fine-tuning sui dati conversazionali per migliorare le sue capacità di creare chat naturali e coinvolgenti. Di conseguenza, Mistral-7B-Chat genera risposte più simili a quelle umane e ricorda il contesto delle risposte precedenti. Come Mistral-7B, questo modello è più adatto per le attività in lingua inglese. |
| MPT-7B-Instruct | JumpStart modello | MPT-7B-Instruct è un modello per istruzioni in forma lunga che seguono le attività e può aiutarti nella scrittura di attività, tra cui il riepilogo del testo e le risposte alle domande, per risparmiare tempo e fatica. Questo modello è stato addestrato su grandi quantità di dati ottimizzati e può affrontare input più grandi, come documenti complessi. Utilizzare questo modello quando si desidera elaborare grandi quantità di testo o che il modello generi risposte lunghe. |
I modelli di base di Amazon Bedrock sono attualmente disponibili solo nelle Regioni Stati Uniti orientali (Virginia settentrionale) e Stati Uniti occidentali (Oregon). Inoltre, quando si utilizzano modelli di base di Amazon Bedrock, i costi vengono calcolati in base al volume dei token di input e di output, come specificato da ciascun fornitore di modelli. Per ulteriori informazioni, consulta la pagina [Prezzi di Amazon Bedrock](https://aws.amazon.com/bedrock/pricing/). I modelli JumpStart base vengono implementati su istanze di SageMaker AI Hosting e ti viene addebitata la durata dell'utilizzo in base al tipo di istanza utilizzato. Per ulteriori informazioni sul costo dei diversi tipi di istanze, consulta la sezione Amazon SageMaker AI Hosting: Real-Time Inference nella [pagina dei SageMaker prezzi](https://aws.amazon.com/sagemaker/pricing/).
L'interrogazione dei documenti è una funzionalità aggiuntiva che è possibile utilizzare per interrogare e ottenere informazioni dai documenti archiviati negli indici utilizzando Amazon Kendra. Con questa funzionalità, è possibile generare contenuti dal contesto di tali documenti e ricevere risposte specifiche per il caso d'uso aziendale, anziché risposte generiche alle grandi quantità di dati su cui sono stati addestrati i modelli di base. Per ulteriori informazioni sugli indici in Amazon Kendra, consulta [Guida per gli sviluppatori di Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Se desideri ricevere risposte da uno qualsiasi dei modelli di fondazione personalizzati in base ai tuoi dati e al tuo caso d’uso, puoi eseguire il fine-tuning dei modelli di fondazione. Per ulteriori informazioni, consulta [Fine-tuning dei modelli di fondazione](canvas-fm-chat-fine-tune.md).
*Se desideri ottenere previsioni da un modello Amazon SageMaker JumpStart Foundation tramite un'applicazione o un sito Web, puoi implementare il modello su un endpoint di SageMaker intelligenza artificiale.* SageMaker Gli endpoint di intelligenza artificiale ospitano il tuo modello e puoi inviare richieste all'endpoint tramite il codice dell'applicazione per ricevere previsioni dal modello. Per ulteriori informazioni, consulta [Distribuzione di modelli su un endpoint](canvas-deploy-model.md).
# Completa i prerequisiti per i modelli di base in Canvas SageMaker
Le sezioni seguenti descrivono i prerequisiti per interagire con i modelli di base e utilizzare la funzionalità di interrogazione dei documenti in Canvas. Il resto del contenuto di questa pagina presuppone che tu abbia soddisfatto i prerequisiti per i modelli di base. La funzionalità di interrogazione dei documenti richiede autorizzazioni aggiuntive.
## Prerequisiti per i modelli di base
Le autorizzazioni necessarie per interagire con i modelli sono incluse nelle autorizzazioni dei modelli Canvas. Ready-to-use Per utilizzare i modelli generativi basati sull'intelligenza artificiale in Canvas, devi attivare le autorizzazioni di configurazione dei ** Ready-to-usemodelli Canvas durante la configurazione** del tuo dominio Amazon AI. SageMaker Per ulteriori informazioni, consulta [Prerequisiti per la configurazione di Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites). La **configurazione dei Ready-to-use modelli Canvas** collega la policy di [AmazonSageMakerCanvasAIServicesaccesso al ruolo](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) di esecuzione dell'utente Canvas AWS Identity and Access Management (IAM). Se riscontri problemi con la concessione delle autorizzazioni, consulta l’argomento [Risoluzione dei problemi relativi alla concessione delle autorizzazioni tramite la console AI SageMaker](canvas-limits.md#canvas-troubleshoot-trusted-services).
Se hai già configurato il dominio, puoi modificarne le impostazioni e attivare le autorizzazioni. Per istruzioni su come modificare le impostazioni del dominio, consulta [Modifica delle impostazioni del dominio](domain-edit.md). Quando modifichi le impostazioni per il tuo dominio, vai alle **impostazioni di Canvas** e attiva l'opzione **Abilita i Ready-to-use modelli Canvas**.
Alcuni modelli di JumpStart base richiedono inoltre la richiesta di un aumento della quota delle istanze SageMaker AI. Canvas ospita i modelli con cui interagisci attualmente su queste istanze, ma la quota predefinita per il tuo account potrebbe essere insufficiente. Se riscontri un errore durante l'esecuzione di uno dei seguenti modelli, richiedi un aumento della quota per i tipi di istanza associati:
+ Falcon-40B: `ml.g5.12xlarge`, `ml.g5.24xlarge`
+ Falcon-13B: `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
+ MPT-7B-Instruct: `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
Per i tipi di istanze precedenti, richiedi un aumento da 0 a 1 per la quota di utilizzo dell'endpoint. Per ulteriori informazioni su come aumentare la quota delle istanze per il tuo account, consulta [Requesting a quota increase](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) nella *Guida per l'utente di Service Quotas*.
## Prerequisiti per l'interrogazione dei documenti
**Nota**
L'interrogazione dei documenti è supportata nei seguenti paesi Regioni AWS: Stati Uniti orientali (Virginia settentrionale), Stati Uniti orientali (Ohio), Stati Uniti occidentali (Oregon), Europa (Irlanda), Asia Pacifico (Singapore), Asia Pacifico (Sydney), Asia Pacifico (Tokyo) e Asia Pacifico (Mumbai).
La funzionalità di interrogazione dei documenti richiede che si disponga già di un indice Amazon Kendra che memorizzi i documenti e i metadati dei documenti. Per ulteriori informazioni sugli indici in Amazon Kendra, consulta [Guida per gli sviluppatori di Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html). Per saperne di più sulle quote degli indici di query, consulta [Quotas](https://docs.aws.amazon.com/kendra/latest/dg/quotas.html) nella *Guida per gli sviluppatori di Amazon Kendra*.
Devi anche assicurarti che il tuo profilo utente Canvas disponga delle autorizzazioni necessarie per eseguire la query dei documenti. La [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)policy deve essere associata al ruolo di esecuzione AWS IAM per il dominio SageMaker AI che ospita l'applicazione Canvas (questa policy è allegata per impostazione predefinita a tutti i profili utente Canvas nuovi ed esistenti). È inoltre necessario concedere specificamente le autorizzazioni per l'interrogazione dei documenti e specificare l'accesso a uno o più indici Amazon Kendra.
Se l’amministratore di Canvas sta configurando un nuovo dominio o profilo utente, chiedigli di configurare il dominio seguendo le istruzioni riportate in [Prerequisiti per la configurazione di Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites). Durante la configurazione del dominio, possono attivare le autorizzazioni di interrogazione del documento tramite la configurazione dei ** Ready-to-usemodelli Canvas**.
L'amministratore di Canvas può gestire le autorizzazioni di interrogazione dei documenti anche a livello di profilo utente. Ad esempio, se l'amministratore desidera concedere le autorizzazioni per l'interrogazione dei documenti ad alcuni profili utente, ma rimuovere le autorizzazioni per altri, può modificare le autorizzazioni per un utente specifico.
Nella procedura di seguito viene illustrato la modalità di attivazione delle autorizzazioni di interrogazione dei documenti per un profilo utente specifico:
1. Apri la console SageMaker AI all'indirizzo. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio del profilo utente.
1. Nella pagina **Dettagli del dominio**, scegli il **Profilo utente** di cui desideri modificare le autorizzazioni.
1. Nella pagina **Dettagli utente** scegli **Modifica**.
1. Nel riquadro di navigazione sinistro, seleziona **Impostazioni Canvas**.
1. Nella sezione di **configurazione Ready-to-use dei modelli Canvas**, attiva l'interruttore **Abilita la query del documento utilizzando Amazon Kendra**.
1. Nel menu a discesa, seleziona uno o più indici Amazon Kendra a cui desideri concedere l'accesso.
1. Scegli **Invia** per salvare le modifiche alle impostazioni del dominio.
Ora dovresti essere in grado di utilizzare i modelli di base Canvas per interrogare i documenti negli indici Amazon Kendra specificati.
# Avvio di una nuova conversazione per generare, estrarre o riepilogare i contenuti
Per iniziare con i modelli di base di IA generativa in Canvas, puoi avviare una nuova sessione di chat con uno dei modelli. Per JumpStart quanto riguarda i modelli, l'addebito viene effettuato mentre il modello è attivo, quindi è necessario avviare i modelli quando si desidera utilizzarli e spegnerli quando si termina l'interazione. Se non spegni un JumpStart modello, Canvas lo spegne dopo 2 ore di inattività. Per i modelli Amazon Bedrock (come Amazon Titan), l’addebito viene effettuato in base al prompt. I modelli sono già attivi e non devono essere avviati o chiusi. L'utilizzo di tali modelli ti viene addebitato direttamente da Amazon Bedrock.
Per aprire una chat con un modello, effettua le seguenti operazioni:
1. Aprite l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **eady-to-useModelli R.**
1. Scegli **Genera, estrai e riepiloga il contenuto**.
1. Nella pagina di benvenuto, riceverai un consiglio per avviare il modello predefinito. È possibile avviare il modello consigliato oppure è possibile scegliere **Seleziona un altro modello** dal menu a discesa per sceglierne uno diverso.
1. Se hai selezionato un modello di JumpStart base, devi avviarlo prima che sia disponibile per l'uso. Scegli **Avvia il modello**, quindi il modello viene distribuito su un'istanza SageMaker AI. Il completamento dell'operazione potrebbe richiedere qualche minuto. Quando il modello è pronto, è possibile inserire istruzioni e porre domande al modello.
Se hai selezionato un modello base da Amazon Bedrock, puoi iniziare ad utilizzarlo immediatamente inserendo un prompt e ponendo domande.
A seconda del modello, è possibile eseguire diverse attività. Ad esempio, è possibile inserire un passaggio di testo e chiedere al modello di riepilogarlo. In alternativa, è possibile chiedere al modello di fornire un breve riepilogo delle tendenze di mercato nel tuo dominio.
Le risposte del modello in una chat si basano sul contesto delle tue istruzioni precedenti. Se desideri porre una nuova domanda nella chat che non è correlata all'argomento della conversazione precedente, ti consigliamo di iniziare una nuova chat con il modello.
# Estrazione di informazioni dai documenti con l'interrogazione dei documenti
**Nota**
In questa sezione si presuppone che l'utente abbia completato la sezione precedente [Prerequisiti per l'interrogazione dei documenti](canvas-fm-chat-prereqs.md#canvas-fm-chat-prereqs-kendra).
L'interrogazione dei documenti è una funzionalità che è possibile mentre si interagisce con i modelli di base in Canvas. Con l'interrogazione dei documenti, puoi accedere a un corpus di documenti archiviati in un *indice* Amazon Kendra, che detiene il contenuto dei tuoi documenti ed è strutturato in modo da renderli ricercabili. Puoi porre domande specifiche mirate ai dati del tuo indice Amazon Kendra e il modello di base restituirà le risposte alle tue domande. Ad esempio, è possibile interrogare una knowledge base interna di informazioni IT e porre domande quali “Come posso connettermi alla rete della mia azienda?” Per ulteriori informazioni sulle impostazioni di un indice, consulta la [Guida per gli sviluppatori di Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Quando si utilizza la funzionalità di interrogazione dei documenti, i modelli di base limitano le risposte al contenuto dei documenti dell'indice con una tecnica chiamata Retrieval Augmented Generation (RAG). Questa tecnica raggruppa le informazioni più rilevanti dell'indice insieme al prompt dell'utente e le invia al modello di base per ottenere una risposta. Le risposte sono limitate a ciò che è possibile trovare nell'indice, per evitare che il modello fornisca risposte errate basate su dati esterni. Per ulteriori informazioni su questo processo, consulta il post del blog [Quickly build high-accuracy Generative AI applications on enterprise data](https://aws.amazon.com/blogs/machine-learning/quickly-build-high-accuracy-generative-ai-applications-on-enterprise-data-using-amazon-kendra-langchain-and-large-language-models/).
Per iniziare, in una chat con un modello di base in Canvas, attiva la funzionalità **Interrogazione dei documenti** nella parte superiore della pagina. Dal menu a discesa, seleziona l'indice Amazon Kendra che desideri interrogare. Quindi, puoi iniziare a porre domande relative ai documenti del tuo indice.
**Importante**
L'interrogazione dei documenti supporta la funzionalità [Confronto degli output del modello](canvas-fm-chat-compare.md). Qualsiasi cronologia chat esistente viene sovrascritta quando si avvia una nuova chat per confrontare i risultati del modello.
# Avvio dei modelli
**Nota**
La sezione seguente descrive i modelli di avvio, che si applicano solo ai modelli di JumpStart base, come Falcon-40B-Instruct. Puoi accedere ai modelli Amazon Bedrock, come Amazon Titan, all'istante e in qualsiasi momento.
Puoi avviare tutti i modelli che desideri. JumpStart Ogni JumpStart modello attivo comporta addebiti sul tuo account, quindi ti consigliamo di non avviare più modelli di quelli che utilizzi attualmente.
Per avviare un altro modello, effettua le seguenti operazioni:
1. Nella pagina **Genera, estrai e riepiloga i contenuti**, scegli **Nuova chat**.
1. Dal menu a discesa, scegli Elimina. Se desideri scegliere un modello non visualizzato nel menu a discesa, scegli **Avvia un altro modello**, quindi seleziona il modello che desideri avviare.
1. Scegli **Avvia modello**.
Il modello dovrebbe iniziare ad avviarsi e nell'arco di pochi minuti potrai chattare con il modello.
# Chiusura dei modelli
Ti consigliamo vivamente di chiudere i modelli che non utilizzi. I modelli si chiudono automaticamente dopo 2 ore di inattività. Tuttavia, per chiudere manualmente un modello, è possibile effettuare le seguenti operazioni:
1. Nella pagina **Genera, estrai e riepiloga i contenuti**, apri la chat relativa al modello che desideri chiudere.
1. Nella pagina della chat, scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Scegli il **Chiudi modello**.
1. Nella casella di conferma **Chiudi modello**, scegli **Chiudi**.
Il modello inizia a chiudersi. Se la chat mette a confronto due o più modelli, puoi chiudere un singolo modello dalla pagina di chat scegliendo l'icona **Altre opzioni** del modello (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e quindi scegliendo **Chiudi modello**.
# Confronto degli output del modello
Potresti voler confrontare l'output di diversi modelli uno accanto all'altro per vedere quale modello di output preferisci. In questo modo puoi decidere quale modello è più adatto al tuo caso d'uso. È possibile confrontare fino a tre modelli nelle chat.
**Nota**
Ogni singolo modello comporta addebiti sul tuo account.
È necessario avviare una nuova chat per aggiungere modelli da confrontare. Per confrontare i risultati dei modelli affiancati in una chat, effettua le seguenti operazioni:
1. In una chat, scegli **Nuova chat**.
1. Scegli **Confronta** e utilizza il menu a discesa per selezionare il modello che desideri aggiungere. Per aggiungere un terzo modello, scegli nuovamente **Confronta** per aggiungere un altro modello.
**Nota**
Se desideri utilizzare un JumpStart modello che non è attualmente attivo, ti viene richiesto di avviare il modello.
Quando i modelli sono attivi, puoi vedere i due modelli uno accanto all'altro nella chat. È possibile inviare la richiesta e ciascun modello risponde nella stessa chat, come mostrato nello screenshot seguente.
![\[Schermata dell'interfaccia Canvas con l'output di due modelli mostrati fianco a fianco.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-chat-compare-outputs.png)
Quando hai finito di interagire, assicurati di spegnere tutti i JumpStart modelli singolarmente per evitare di incorrere in ulteriori addebiti.
# Fine-tuning dei modelli di fondazione
I modelli base a cui puoi accedere tramite Amazon SageMaker Canvas possono aiutarti con una serie di attività generiche. Tuttavia, se hai un caso d’uso specifico e desideri personalizzare le risposte in base ai tuoi dati, puoi *eseguire il fine-tuning* di un modello di fondazione.
Per eseguire il fine-tuning di un modello di fondazione, devi fornire un set di dati composto da prompt di esempio e risposte del modello. Quindi, addestri il modello di fondazione sui dati. A questo punto, il modello di fondazione ottimizzato con fine-tuning è in grado di fornirti risposte più specifiche.
L’elenco seguente contiene i modelli di fondazione di cui puoi eseguire il fine-tuning in Canvas:
+ Titan Express
+ Falcon-7B
+ Falcon-7B-Instruct
+ Falcon-40B-Instruct
+ Falcon-40B
+ Flan-T5-Large
+ Flan-T5-Xl
+ Flan-T5-Xxl
+ MPT-7B
+ MPT-7B-Instruct
È possibile accedere a informazioni più dettagliate su ciascun modello di fondazione nell’applicazione Canvas durante il fine-tuning di un modello. Per ulteriori informazioni, consulta [Fine-tuning del modello](#canvas-fm-chat-fine-tune-procedure-model).
Questo argomento descrive come eseguire il fine-tuning dei modelli di fondazione in Canvas.
## Prima di iniziare
Prima di perfezionare un modello di base, assicurati di disporre delle autorizzazioni per i Ready-to-use modelli in Canvas e di disporre di un ruolo di AWS Identity and Access Management esecuzione che abbia un rapporto di fiducia con Amazon Bedrock, che consenta ad Amazon Bedrock di assumere il tuo ruolo durante la messa a punto dei modelli di base.
Durante la configurazione o la modifica del dominio Amazon SageMaker AI, devi 1) attivare le autorizzazioni di configurazione dei Ready-to-use modelli Canvas e 2) creare o specificare un ruolo Amazon Bedrock, che è un ruolo di esecuzione IAM a cui l' SageMaker IA collega una relazione di fiducia con Amazon Bedrock. Per ulteriori informazioni sulla configurazione di queste impostazioni, consulta [Prerequisiti per la configurazione di Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
Puoi configurare il ruolo Amazon Bedrock manualmente se preferisci utilizzare il tuo ruolo di esecuzione IAM (anziché lasciare che l' SageMaker IA ne crei uno per tuo conto). Per ulteriori informazioni sulla configurazione della relazione di attendibilità del tuo ruolo di esecuzione IAM con Amazon Bedrock, consulta [Concessione di autorizzazioni agli utenti per utilizzare le funzionalità di Amazon Bedrock e di IA generativa in Canvas](canvas-fine-tuning-permissions.md).
È inoltre necessario disporre di un set di dati formattato per la messa a punto di modelli linguistici di grandi dimensioni (). LLMs Di seguito è riportato un elenco di requisiti per il set di dati:
+ Il set di dati deve essere tabulare e contenere almeno due colonne di dati di testo: una colonna di input (che contiene esempi di prompt per il modello) e una colonna di output (che contiene esempi di risposte del modello).
Di seguito è riportato un esempio:
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html)
+ Consigliamo di creare set di dati con almeno 100 coppie di testo (righe di elementi di input e output corrispondenti). Questo garantisce che il modello di fondazione abbia dati sufficienti per il fine-tuning e aumenta l’accuratezza delle risposte.
+ Ogni elemento di input e output deve contenere un massimo di 512 caratteri. Gli elementi più lunghi vengono ridotti a 512 caratteri durante il fine-tuning del modello di fondazione.
Quando si esegue il fine-tuning di un modello Amazon Bedrock, è necessario rispettare le quote Amazon Bedrock. Per ulteriori informazioni, consulta [Model customization quotas](https://docs.aws.amazon.com/bedrock/latest/userguide/quotas.html#model-customization-quotas) in *Amazon Bedrock User Guide*.
Per ulteriori informazioni sui requisiti e le limitazioni generali dei set di dati in Canvas, consulta [Creazione di un set di dati](canvas-import-dataset.md).
## Ottimizzare un modello di fondazione
È possibile eseguire il fine-tuning di un modello di fondazione utilizzando uno dei metodi seguenti nell’applicazione Canvas:
+ Durante una chat **Genera, estrai e riepiloga i contenuti** con un modello di fondazione, scegli l’icona **Fine-tuning di un modello** (![\[Magnifying glass icon with a plus sign, indicating a search or zoom-in function.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/wrench-icon-small.png)).
+ Durante una chat con un modello di fondazione, se hai rigenerato la risposta due o più volte, Canvas ti offre la possibilità di **eseguire il fine-tuning del modello**. Lo screenshot seguente mostra cosa viene visualizzato.
![\[Screenshot dell’opzione Ottimizza modello di fondazione visualizzata in una chat.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/fine-tuning-ingress.png)
+ Nella pagina **I miei modelli**, puoi creare un nuovo modello scegliendo **Nuovo modello**, quindi selezionando **Ottimizza modello di fondazione**.
+ **Nella home page dei **Ready-to-use modelli**, puoi scegliere **Crea il tuo modello, quindi nella finestra di dialogo Crea nuovo modello****, scegli Fine-tune Foundation model**.**
+ Mentre sfogli i tuoi set di dati nella scheda **Data Wrangler**, puoi selezionare un set di dati e scegliere **Crea un modello**. Quindi, scegli **Ottimizza modello di fondazione**.
Dopo aver iniziato a eseguire il fine-tuning di un modello, procedi come descritto di seguito:
### Selezione di un set di dati
Nella scheda **Seleziona** della sezione di fine-tuning di un modello, scegli i dati su cui desideri addestrare il modello di fondazione.
Seleziona un set di dati esistente o creane uno nuovo che soddisfi i requisiti elencati nella sezione [Prima di iniziare](#canvas-fm-chat-fine-tune-prereqs). Per informazioni su come creare un set di dati, consulta [Creazione di un set di dati](canvas-import-dataset.md).
Una volta selezionato o creato un set di dati e quando è tutto pronto per continuare, scegli **Seleziona set di dati**.
### Fine-tuning del modello
Ora che i dati sono selezionati, è tutto pronto per iniziare l’addestramento e il fine-tuning del modello.
Nella scheda **Ottimizza**, procedi come descritto di seguito:
1. (Facoltativo) Scegli **Ulteriori informazioni sui nostri modelli di fondazione** per accedere a ulteriori informazioni su ciascun modello che possono aiutarti a decidere quale modello o modelli di fondazione implementare.
1. Per **selezionare fino a 3 modelli base**, apri il menu a discesa e controlla fino a 3 modelli base (fino a 2 JumpStart modelli e 1 modello Amazon Bedrock) che desideri perfezionare durante il processo di formazione. Eseguendo il fine-tuning di più modelli di fondazione, puoi confrontarne le prestazioni e infine scegliere come modello predefinito quello più adatto al tuo caso d’uso. Per ulteriori informazioni sui modelli predefiniti, consulta [Visualizzazione dei modelli candidati nella classifica dei modelli](canvas-evaluate-model-candidates.md).
1. In **Seleziona colonna input**, seleziona la colonna di dati di testo nel set di dati che contiene i prompt del modello di esempio.
1. In **Seleziona colonna output**, seleziona la colonna di dati di testo nel set di dati che contiene le risposte del modello di esempio.
1. (Facoltativo) Per configurare le impostazioni avanzate per il job di addestramento, scegli **Configura modello**. Per ulteriori informazioni sulle impostazioni avanzate per la creazione dei modelli, consulta [Configurazioni avanzate per la creazione dei modelli](canvas-advanced-settings.md).
Nella finestra pop-up **Configura modello**, procedi come descritto di seguito:
1. In **Iperparametri**, puoi regolare **Numero Epoch**, **Dimensioni batch**, **Tasso di apprendimento** e **Fasi di riscaldamento del tasso di apprendimento** per ogni modello selezionato. Per ulteriori informazioni su questi parametri, consulta la sezione [Iperparametri nella documentazione](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-fine-tune.html#jumpstart-hyperparameters). JumpStart
1. In **Suddivisione dei dati**, puoi specificare le percentuali in base alle quali dividere i dati tra il **set di addestramento** e il **set di convalida**.
1. In **Massimo runtime del processo**, puoi impostare il tempo massimo per l’esecuzione del processo di creazione in Canvas. Questa funzionalità è disponibile solo per i modelli di JumpStart base.
1. Dopo aver configurato le impostazioni, scegli **Salva**.
1. Scegli **Ottimizza** per iniziare ad addestrare i modelli di fondazione selezionati.
Una volta che il processo di fine-tuning viene avviato, puoi abbandonare la pagina. Il modello è pronto per essere utilizzato quando mostra lo stato **Pronto** nella pagina **I miei modelli**. Ora puoi analizzare le prestazioni del modello di fondazione ottimizzato con fine-tuning.
### Analisi del modello di fondazione ottimizzato con fine-tuning
Nella scheda **Analizza** del modello di fondazione ottimizzato con fine-tuning, puoi vedere le prestazioni del modello.
La scheda **Panoramica** in questa pagina mostra i punteggi di perplessità e di perdita, insieme alle analisi che visualizzano il miglioramento del modello nel tempo durante l’addestramento. Lo screenshot seguente mostra la scheda **Panoramica**.
![\[La scheda Analizza di un modello di fondazione ottimizzato con fine-tuning in Canvas, che mostra le curve di perplessità e perdita.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-analyze-2.png)
In questa pagina puoi visualizzare:
+ La **curva di perplessità** misura quanto efficacemente il modello prevede la parola successiva in una sequenza o quanto è grammaticalmente corretto l’output del modello. Idealmente, man mano che il modello migliora durante l’addestramento, il punteggio diminuisce e la curva si abbassa e si appiattisce gradualmente.
+ La **curva di perdita** quantifica la differenza tra l’output corretto e l’output previsto del modello. Una curva di perdita che diminuisce e si appiattisce gradualmente indica che il modello sta migliorando la sua capacità di generare previsioni accurate.
La scheda **Metriche avanzate** mostra gli iperparametri e le metriche aggiuntive per il modello. È simile alla scheda mostrata nello screenshot seguente:
![\[Screenshot della scheda Metriche avanzate di un modello di fondazione con fine-tuning in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-metrics.png)
La scheda **Metriche avanzate** contiene le informazioni seguenti:
+ La sezione **Spiegabilità** contiene gli **Iperparametri**, ovvero valori impostati prima del processo per guidare il fine-tuning del modello. Se non hai specificato iperparametri personalizzati nelle impostazioni avanzate del modello nella sezione [Fine-tuning del modello](#canvas-fm-chat-fine-tune-procedure-model), Canvas seleziona automaticamente gli iperparametri predefiniti.
Per JumpStart i modelli, puoi anche consultare la metrica avanzata [ROUGE (Recall-Oriented Understudy for Gisting Evaluation)](https://en.wikipedia.org/wiki/ROUGE_(metric)), che valuta la qualità dei riepiloghi generati dal modello. Misura la capacità del modello di riassumere i punti principali di un passaggio.
+ La sezione **Artefatti** fornisce link agli artefatti generati durante il processo di fine-tuning. Puoi accedere ai dati di addestramento e convalida salvati in Amazon S3, nonché al link al report di valutazione del modello (per ulteriori informazioni, consulta il paragrafo seguente).
Per ottenere ulteriori informazioni sulla valutazione del modello, puoi scaricare un rapporto generato utilizzando [SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-configure-processing-jobs.html), una funzionalità che può aiutarti a rilevare distorsioni nel modello e nei dati. Innanzitutto, genera il report selezionando **Genera report di valutazione** nella parte inferiore della pagina. Una volta generato, puoi scaricare il report completo scegliendo **Scarica report** o tornando alla sezione **Artefatti**.
Puoi anche accedere a un notebook Jupyter che ti mostra come replicare il tuo processo di fine-tuning in codice Python. Puoi utilizzarlo per replicare o apportare modifiche programmatiche al processo di fine-tuning oppure per comprendere più a fondo in che modo Canvas esegue il fine-tuning del modello. Per ulteriori informazioni sui notebook del modello e su come accedervi, consulta [Download di un notebook del modello](canvas-notebook.md).
Per ulteriori informazioni su come interpretare le informazioni nella scheda **Analizza** del modello di fondazione ottimizzato con fine-tuning, consulta l’argomento [Valutazione del modello](canvas-evaluate-model.md).
Dopo aver analizzato le schede **Panoramica** e **Metriche avanzate**, puoi anche scegliere di aprire la **Classifica dei modelli**, che mostra l’elenco dei modelli di base addestrati durante la creazione. Il modello con il punteggio di perdita più basso è considerato il modello con le migliori prestazioni e viene selezionato come **modello predefinito**, ovvero il modello la cui analisi viene visualizzata nella scheda **Analizza**. Puoi testare e implementare solo il modello predefinito. Per ulteriori informazioni sulla classifica dei modelli e su come cambiare il modello predefinito, consulta [Visualizzazione dei modelli candidati nella classifica dei modelli](canvas-evaluate-model-candidates.md).
### Test di un modello di fondazione ottimizzato con fine-tuning in una chat
Dopo aver analizzato le prestazioni di un modello di fondazione ottimizzato con fine-tuning, potresti volerlo testare o confrontare le sue risposte con il modello di base. Puoi testare un modello di fondazione ottimizzato con fine-tuning in una chat nella funzionalità **Genera, estrai e riepiloga i contenuti**.
Avvia una chat con un modello ottimizzato con fine-tuning scegliendo uno dei seguenti metodi:
+ **Nella scheda **Analizza** del modello ottimizzato, scegliete Test in modelli di base. Ready-to-use**
+ Nella pagina dei **Ready-to-use modelli** Canvas, scegli **Genera, estrai e** riepiloga il contenuto. Quindi scegli **Nuova chat** e seleziona la versione del modello da testare.
Il modello si avvia in una chat e puoi interagire con esso come con qualsiasi altro modello di fondazione. Puoi aggiungere altri modelli alla chat e confrontarne i risultati. Per ulteriori informazioni sulla funzionalità di chat, consulta [Modelli di base generativi di intelligenza artificiale in Canvas SageMaker](canvas-fm-chat.md).
## Rendere operativi i modelli di fondazione ottimizzati con fine-tuning
Dopo aver eseguito il fine-tuning del modello in Canvas, puoi fare quanto segue:
+ Registra il modello nel Model SageMaker Registry per l'integrazione nei MLOps processi della tua organizzazione. Per ulteriori informazioni, consulta [Registra una versione del modello nel registro dei modelli AI SageMaker](canvas-register-model.md).
+ *Implementa il modello su un endpoint di SageMaker intelligenza artificiale e invia richieste al modello dalla tua applicazione o dal tuo sito Web per ottenere previsioni (o inferenze).* Per ulteriori informazioni, consulta [Distribuzione di modelli su un endpoint](canvas-deploy-model.md).
**Importante**
Puoi registrare e distribuire solo modelli di base ottimizzati JumpStart basati su Amazon Bedrock, non modelli basati su Amazon Bedrock.
# Ready-to-use modelli
Con Ready-to-use i modelli Amazon SageMaker Canvas, puoi fare previsioni sui tuoi dati senza scrivere una sola riga di codice o dover creare un modello: tutto ciò che devi portare sono i tuoi dati. I Ready-to-use modelli utilizzano modelli predefiniti per generare previsioni senza dover spendere il tempo, l'esperienza o i costi necessari per creare un modello, e puoi scegliere tra una varietà di casi d'uso che vanno dal rilevamento del linguaggio all'analisi delle spese.
Canvas si integra con AWS servizi esistenti, come [Amazon Textract, Amazon](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) [Rekognition](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html) e [Amazon Comprehend, per analizzare i dati](https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html) e fare previsioni o estrarre informazioni. Puoi utilizzare la potenza predittiva di questi servizi direttamente dall'applicazione Canvas per ottenere previsioni di alta qualità per i tuoi dati.
Canvas supporta i seguenti tipi di modelli: Ready-to-use
| Ready-to-use modello | Description | Tipo di dati supportati |
| --- | --- | --- |
| Analisi delle emozioni | Rileva le emozioni nelle righe di testo, che possono essere positive, negative, neutre o miste. Al momento, puoi eseguire solo l'analisi delle emozioni per testi in lingua inglese. | Testo semplice o tabulare (CSV, Parquet) |
| Estrazione delle entità | Estrai dal testo le entità, che sono oggetti del mondo reale come persone, luoghi e articoli commerciali, o unità come date e quantità. | Testo semplice o tabulare (CSV, Parquet) |
| Rilevamento della lingua | Determina la lingua dominante in un testo come l'inglese, il francese o il tedesco. | Testo semplice o tabulare (CSV, Parquet) |
| Rilevazione delle informazioni personali | Rileva dal testo le informazioni personali che potrebbero essere utilizzate per identificare un individuo, come indirizzi, numeri di conto corrente e numeri di telefono. | Testo semplice o tabulare (CSV, Parquet) |
| Rilevamento di oggetti nelle immagini | Rileva oggetti, concetti, scene e azioni nelle tue immagini. | Immagine (JPG, PNG) |
| Rilevamento del testo nelle immagini | Rileva il testo nelle tue immagini. | Immagine (JPG, PNG) |
| Analisi delle spese | Estrai informazioni da fatture e ricevute, come data, numero, prezzi degli articoli, importo totale e termini di pagamento. | Documento (PDF, JPG, PNG, TIFF) |
| Analisi dei documenti d'identità | Estrai informazioni da passaporti, patenti di guida e altri documenti di identità rilasciati dal governo statunitense. | Documento (PDF, JPG, PNG, TIFF) |
| Analisi dei documenti | Analizza documenti e moduli per individuare le relazioni tra il testo rilevato. | Documento (PDF, JPG, PNG, TIFF) |
| Domande sui documenti | Estrai informazioni da documenti strutturati come buste paga, estratti conto bancari, dichiarazione dei redditi e moduli di richiesta di mutuo ponendo domande utilizzando il linguaggio naturale. | Documento (PDF) |
## Nozioni di base
Per iniziare a usare i Ready-to-use modelli, consulta le seguenti informazioni.
**Prerequisiti**
Per utilizzare Ready-to-use i modelli in Canvas, devi attivare le autorizzazioni di **configurazione Ready-to-use dei modelli Canvas** durante la [configurazione del tuo dominio Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). La **configurazione dei Ready-to-use modelli Canvas** collega la politica di [AmazonSageMakerCanvasAIServicesaccesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) al ruolo di esecuzione dell'utente Canvas AWS Identity and Access Management (IAM). Se riscontri problemi con la concessione delle autorizzazioni, consulta l’argomento [Risoluzione dei problemi relativi alla concessione delle autorizzazioni tramite la console AI SageMaker](canvas-limits.md#canvas-troubleshoot-trusted-services).
Se hai già configurato il dominio, puoi modificarne le impostazioni e attivare le autorizzazioni. Per istruzioni su come modificare le impostazioni del dominio, consulta [Modifica delle impostazioni del dominio](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-edit.html). Quando modifichi le impostazioni per il tuo dominio, vai alle **impostazioni di Canvas** e attiva l'opzione **Abilita i Ready-to-use modelli Canvas**.
**(Facoltativo) Non adesione all’archiviazione di dati dei servizi IA**
Alcuni servizi di AWS intelligenza artificiale archiviano e utilizzano i tuoi dati per apportare miglioramenti al servizio. Puoi non aderire all’archiviazione e all’utilizzo dei tuoi dati per migliorare il servizio. Per ulteriori informazioni sulla non adesione, consulta [Policy di non adesione ai servizi di IA](https://docs.aws.amazon.com/organizations/latest/userguide/orgs_manage_policies_ai-opt-out.html) nella *Guida per l’utente di AWS Organizations *.
**Come usare i Ready-to-use modelli**
Per iniziare a usare i Ready-to-use modelli, procedi come segue:
1. **(Facoltativo) Importa i tuoi dati.** Puoi importare un set di dati tabulare, di immagini o di documenti per generare previsioni in batch o un set di dati di previsioni, con modelli. Ready-to-use Per iniziare a importare un set di dati, consulta [Creazione di un flusso di dati](canvas-data-flow.md).
1. **Genera previsioni.** Puoi generare previsioni singole o in batch con il modello scelto. Ready-to-use Per iniziare a generare previsioni, consulta [Fai previsioni per i dati di testo](canvas-ready-to-use-predict-text.md).
# Fai previsioni per i dati di testo
Le procedure seguenti descrivono come eseguire previsioni singole e in batch per set di dati di testo. Ogni Ready-to-use modello supporta sia le **previsioni Single che le previsioni** **Batch** per il tuo set di dati. Una **previsione singola** è quando è sufficiente fare una sola previsione. Ad esempio, hai un'immagine da cui vuoi estrarre il testo o un paragrafo di testo per il quale desideri rilevare la lingua dominante. Una **previsione in batch** è quando desideri generare previsioni per un intero set di dati. Ad esempio, potresti avere un file CSV contenente le recensioni dei clienti per le quali desideri analizzare il sentiment dei clienti, oppure hai una cartella di file di immagine che desideri classificare.
È possibile utilizzare queste procedure per i seguenti tipi di Ready-to-use modelli: analisi del sentiment, estrazione delle entità, rilevamento del linguaggio e rilevamento delle informazioni personali.
**Nota**
Per l'analisi del sentiment, è possibile utilizzare solo testo in lingua inglese.
## Previsioni singole
Per fare una singola previsione per Ready-to-use i modelli che accettano dati di testo, procedi come segue:
1. Nel riquadro di navigazione a sinistra dell'applicazione Canvas, scegli **eady-to-useModelli R.**
1. Nella pagina dei **Ready-to-use modelli**, scegli il Ready-to-use modello per il tuo caso d'uso. Per i dati di testo, dovrebbe essere uno dei seguenti: **Analisi del sentiment**, **Estrazione delle entità**, **Rilevamento della lingua** o **Rilevamento delle informazioni personali**.
1. Nella pagina **Esegui previsioni** per il Ready-to-use modello scelto, scegli **Previsione singola**.
1. Nel campo **Testo**, inserisci il testo per il quale desideri ottenere una previsione.
1. Scegli **Genera risultati di previsione** per ottenere la tua previsione.
Nel riquadro a destra **Risultati delle previsioni**, riceverai un'analisi del testo oltre a un punteggio di **attendibilità** per ogni risultato o etichetta. Ad esempio, se hai scelto il rilevamento della lingua e hai inserito un passaggio di testo in francese, potresti ottenere francese con un punteggio di attendibilità del 95% e tracce di altre lingue, come l'inglese, con un punteggio di attendibilità del 5%.
Il seguente screenshot mostra i risultati di una singola previsione che utilizza il rilevamento della lingua in cui il modello è sicuro al 100% che il passaggio sia in inglese.
![\[Schermata dei risultati di una singola previsione con il modello di rilevamento del linguaggio. Ready-to-use\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-text-prediction.png)
## Previsioni in batch
Per fare previsioni in batch per Ready-to-use modelli che accettano dati di testo, procedi come segue:
1. Nel riquadro di navigazione a sinistra dell'applicazione Canvas, scegli **eady-to-useModelli R.**
1. Nella pagina dei **Ready-to-use modelli**, scegli il Ready-to-use modello per il tuo caso d'uso. Per i dati di testo, dovrebbe essere uno dei seguenti: **Analisi del sentiment**, **Estrazione delle entità**, **Rilevamento della lingua** o **Rilevamento delle informazioni personali**.
1. Nella pagina **Esegui previsioni** per il Ready-to-use modello scelto, scegli **Previsione Batch**.
1. Scegli **Seleziona set di dati** se hai già importato il tuo set di dati. In caso contrario, scegli **Importa nuovo set di dati** e verrai indirizzato al flusso di lavoro di importazione dei dati.
1. Dall'elenco dei set di dati disponibili, seleziona il tuo set di dati e scegli **Genera previsioni** per ottenere le tue previsioni.
Al termine dell'esecuzione del processo di previsione, nella pagina **Esegui previsioni** visualizzerai un set di dati di output elencato in **Previsioni**. Questo set di dati contiene i tuoi risultati e, se selezioni l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puoi visualizzare un’**anteprima** dei dati di output. Quindi, puoi scegliere **Scarica** per scaricare i risultati.
# Esecuzione di previsioni per i dati di immagini
Le procedure seguenti descrivono come eseguire previsioni singole e in batch per set di dati di immagini. Ogni Ready-to-use modello supporta sia le **previsioni Single che le previsioni** **Batch** per il tuo set di dati. Una **previsione singola** è quando è sufficiente fare una sola previsione. Ad esempio, hai un'immagine da cui vuoi estrarre il testo o un paragrafo di testo per il quale desideri rilevare la lingua dominante. Una **previsione in batch** è quando desideri generare previsioni per un intero set di dati. Ad esempio, potresti avere un file CSV contenente le recensioni dei clienti per le quali desideri analizzare il sentiment dei clienti, oppure hai una cartella di file di immagine che desideri classificare.
È possibile utilizzare queste procedure per i seguenti tipi di Ready-to-use modello: immagini di rilevamento di oggetti e rilevamento del testo nelle immagini.
## Previsioni singole
Per effettuare un'unica previsione per Ready-to-use i modelli che accettano dati di immagine, effettuate le seguenti operazioni:
1. Nel riquadro di navigazione a sinistra dell'applicazione Canvas, scegli **eady-to-useModelli R.**
1. Nella pagina dei **Ready-to-use modelli**, scegli il Ready-to-use modello per il tuo caso d'uso. Per i dati di immagini, dovrebbe essere uno dei seguenti: **Immagini di rilevamento di oggetti** o **Immagini di rilevamento di testo**.
1. Nella pagina **Esegui previsioni** per il Ready-to-use modello scelto, scegli **Previsione singola**.
1. Scegli **Carica nuova**.
1. Ti verrà richiesto di selezionare un'immagine da caricare dal tuo computer locale. Seleziona l'immagine dai file locali, quindi i risultati delle previsioni che verranno generati.
Nel riquadro destro **Risultati delle previsioni**, ricevi un'analisi dell'immagine oltre a un punteggio di **attendibilità** per ogni oggetto o testo rilevato. Ad esempio, se hai scelto il rilevamento di oggetti nelle immagini, riceverai un elenco di oggetti nell'immagine insieme a un punteggio di attendibilità che indica la certezza del modello che ogni oggetto sia stato rilevato con precisione, ad esempio 93%.
Il seguente screenshot mostra i risultati di una singola previsione che utilizza la soluzione di rilevamento di oggetti nelle immagini, in cui il modello prevede oggetti come una torre dell'orologio e un autobus con un'attendibilità del 100%.
![\[I risultati di una singola previsione con la soluzione di rilevamento di oggetti nel modello di immagini. Ready-to-use\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-image-prediction.png)
## Previsioni in batch
Per effettuare previsioni in batch per Ready-to-use modelli che accettano dati di immagini, procedi come segue:
1. Nel riquadro di navigazione a sinistra dell'applicazione Canvas, scegli **eady-to-useModelli R.**
1. Nella pagina dei **Ready-to-use modelli**, scegli il Ready-to-use modello per il tuo caso d'uso. Per i dati di immagini, dovrebbe essere uno dei seguenti: **Immagini di rilevamento di oggetti** o **Immagini di rilevamento di testo**.
1. Nella pagina **Esegui previsioni** per il Ready-to-use modello scelto, scegli **Previsione Batch**.
1. Scegli **Seleziona set di dati** se hai già importato il tuo set di dati. In caso contrario, scegli **Importa nuovo set di dati** e verrai indirizzato al flusso di lavoro di importazione dei dati.
1. Dall'elenco dei set di dati disponibili, seleziona il tuo set di dati e scegli **Genera previsioni** per ottenere le tue previsioni.
Al termine dell'esecuzione del processo di previsione, nella pagina **Esegui previsioni** visualizzerai un set di dati di output elencato in **Previsioni**. Questo set di dati contiene i risultati e, se si seleziona l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), è possibile scegliere **Visualizza i risultati della previsione per visualizzare** in anteprima i dati di output. Quindi, è possibile scegliere **Scarica previsione** e scaricare i risultati in formato CSV o file zip.
# Esecuzione di previsioni per i dati di documenti
Le procedure seguenti descrivono come eseguire previsioni singole e in batch per set di dati di testo. Ogni Ready-to-use modello supporta sia le **previsioni Single che le previsioni** **Batch** per il tuo set di dati. Una **previsione singola** è quando è sufficiente fare una sola previsione. Ad esempio, hai un'immagine da cui vuoi estrarre il testo o un paragrafo di testo per il quale desideri rilevare la lingua dominante. Una **previsione in batch** è quando desideri generare previsioni per un intero set di dati. Ad esempio, potresti avere un file CSV contenente le recensioni dei clienti per le quali desideri analizzare il sentiment dei clienti, oppure hai una cartella di file di immagine che desideri classificare.
È possibile utilizzare queste procedure per i seguenti tipi di Ready-to-use modello: analisi delle spese, analisi dei documenti di identità e analisi dei documenti.
**Nota**
Per le query di documenti, attualmente sono supportate solo previsioni singole.
## Previsioni singole
Per fare un'unica previsione per Ready-to-use i modelli che accettano i dati dei documenti, procedi come segue:
1. Nel riquadro di navigazione a sinistra dell'applicazione Canvas, scegli **eady-to-useModelli R.**
1. Nella pagina dei **Ready-to-use modelli**, scegli il Ready-to-use modello per il tuo caso d'uso. Per i dati dei documenti, dovrebbe essere uno dei seguenti: **Analisi delle spese**, **Analisi dei documenti di identità** o **Analisi dei documenti**.
1. Nella pagina **Esegui previsioni** per il Ready-to-use modello scelto, scegli **Previsione singola**.
1. Se il tuo Ready-to-use modello è l'analisi dei documenti di identità o l'analisi dei documenti, completa le seguenti azioni. Se stai eseguendo un'analisi delle spese o query di documenti, salta questa fase e vai rispettivamente alla fase 5 o alla fase 6.
1. Seleziona **Carica documento**.
1. Ti verrà richiesto di caricare un file PDF, JPG o PNG dal tuo computer locale. Seleziona il documento dai file locali, quindi i risultati delle previsioni che verranno generati.
1. Se il Ready-to-use modello è l'analisi delle spese, procedi come segue:
1. Seleziona **Carica fattura o ricevuta**.
1. Ti verrà richiesto di caricare un file PDF, JPG, PNG o TIFF dal tuo computer locale. Seleziona il documento dai file locali, quindi i risultati delle previsioni che verranno generati.
1. Se il Ready-to-use modello è costituito da interrogazioni su documenti, procedi come segue:
1. Seleziona **Carica documento**.
1. Ti verrà richiesto di caricare un file PDF dal tuo computer locale. Seleziona il documento dai file locali. Il PDF deve avere una lunghezza compresa tra 1 e 100 pagine.
**Nota**
Se ti trovi nelle Regioni Asia Pacifico (Seoul), Asia Pacifico (Singapore), Asia Pacifico (Sydney) o Europa (Francoforte), la dimensione massima del PDF per le query di documenti è di 20 pagine.
1. Nel riquadro laterale destro, inserisci le query per cercare informazioni nel documento. Il numero di caratteri che è possibile inserire in una singola query è compreso tra 1 e 200. È possibile aggiungere fino a 15 query alla volta.
1. Scegli **Invia query** e i risultati verranno generati con le risposte alle tue query. Per ciascun invio di query che effettui, verrà effettuato un solo addebito.
Nel riquadro a destra **Risultati delle previsioni**, riceverai un'analisi del tuo documento.
Le seguenti informazioni descrivono i risultati per ogni tipo di soluzione:
+ Per l'analisi delle spese, i risultati sono suddivisi in campi ** Riepilogo**, che includono campi come il totale di una ricevuta e campi **Voce**, che includono campi come i singoli articoli di una ricevuta. I campi identificati sono evidenziati sull'immagine del documento nell'output.
+ Per l'analisi dei documenti di identità, l'output mostra i campi identificati dal Ready-to-use modello, come nome e cognome, indirizzo o data di nascita. I campi identificati sono evidenziati sull'immagine del documento nell'output.
+ Per l'analisi dei documenti, i risultati sono suddivisi in **Testo non elaborato**, **Moduli**, **Tabelle** e **Firme**. Il **Testo non elaborato** include tutto il testo estratto, mentre **Moduli**, **Tabelle** e **Firme** includono solo le informazioni sul modulo che rientra in tali categorie. Ad esempio, **Tabelle** include solo le informazioni estratte dalle tabelle nel documento. I campi identificati sono evidenziati sull'immagine del documento nell'output.
+ Per le query di documenti, Canvas risponde a ciascuna delle tue query. È possibile aprire il menu a discesa delle query comprimibili per visualizzare un risultato, insieme a un punteggio di attendibilità per la previsione. Se Canvas trova più risposte nel documento, si potrebbe avere più di un risultato per ogni query.
Il seguente screenshot mostra i risultati di una singola previsione utilizzando la soluzione per l'analisi dei documenti.
![\[Schermata dei risultati di una singola previsione con il modello di analisi Ready-to-use dei documenti.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-document-analysis.png)
## Previsioni in batch
Per fare previsioni in batch per Ready-to-use i modelli che accettano i dati dei documenti, procedi come segue:
1. Nel riquadro di navigazione a sinistra dell'applicazione Canvas, scegli **eady-to-useModelli R.**
1. Nella pagina dei **Ready-to-use modelli**, scegli il Ready-to-use modello per il tuo caso d'uso. Per i dati di immagini, dovrebbe essere uno dei seguenti: **Analisi delle spese**, **Analisi dei documenti di identità** o **Analisi dei documenti**.
1. Nella pagina **Esegui previsioni** per il Ready-to-use modello scelto, scegli **Previsione Batch**.
1. Scegli **Seleziona set di dati** se hai già importato il tuo set di dati. In caso contrario, scegli **Importa nuovo set di dati** e verrai indirizzato al flusso di lavoro di importazione dei dati.
1. Dall'elenco dei set di dati disponibili, seleziona il tuo set di dati e scegli **Genera previsioni.** Se il tuo caso d'uso è l'analisi dei documenti, continua con la fase 6.
1. (Facoltativo) Se il tuo caso d'uso è l'analisi dei documenti, viene visualizzata un'altra finestra di dialogo denominata **Seleziona le caratteristiche da includere nella previsione in batch**. È possibile selezionare **Moduli**, **Tabelle** e **Firme** per raggruppare i risultati in base a tali funzionalità. Quindi, scegli **Genera previsioni**.
Al termine dell'esecuzione del processo di previsione, nella pagina **Esegui previsioni** visualizzerai un set di dati di output elencato in **Previsioni**. Questo set di dati contiene i risultati e, se si seleziona l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), è possibile scegliere **Visualizza i risultati della previsione per visualizzare** in anteprima l'analisi dei dati del documento.
Le seguenti informazioni descrivono i risultati per ogni tipo di soluzione:
+ Per l'analisi delle spese, i risultati sono suddivisi in campi ** Riepilogo**, che includono campi come il totale di una ricevuta e campi **Voce**, che includono campi come i singoli articoli di una ricevuta. I campi identificati sono evidenziati sull'immagine del documento nell'output.
+ Per l'analisi dei documenti di identità, l'output mostra i campi identificati dal Ready-to-use modello, come nome e cognome, indirizzo o data di nascita. I campi identificati sono evidenziati sull'immagine del documento nell'output.
+ Per l'analisi dei documenti, i risultati sono suddivisi in **Testo non elaborato**, **Moduli**, **Tabelle** e **Firme**. Il **Testo non elaborato** include tutto il testo estratto, mentre **Moduli**, **Tabelle** e **Firme** includono solo le informazioni sul modulo che rientra in tali categorie. Ad esempio, **Tabelle** include solo le informazioni estratte dalle tabelle nel documento. I campi identificati sono evidenziati sull'immagine del documento nell'output.
Dopo aver visualizzato l'anteprima dei risultati, è possibile scegliere **Scarica previsione** e scaricare i risultati come file ZIP.
# Modelli personalizzati
In Amazon SageMaker Canvas, puoi addestrare modelli di machine learning personalizzati in base a dati e casi d'uso specifici. Addestrando un modello personalizzato sui tuoi dati, potrai acquisire caratteristiche e tendenze specifiche e più rappresentative dei propri dati. Ad esempio, potresti voler creare un modello di previsione delle serie temporali personalizzato da addestrare sui dati dell’inventario del tuo warehouse per gestire le operazioni logistiche.
Canvas supporta l’addestramento di una vasta gamma di tipi di modelli. Dopo aver addestrato un modello personalizzato, puoi valutare le prestazioni e l’accuratezza del modello. Una volta soddisfatto di un modello, puoi fare previsioni su nuovi dati e hai anche la possibilità di condividere il modello personalizzato con i data scientist per ulteriori analisi o di distribuirlo su un endpoint ospitato dall' SageMaker intelligenza artificiale per inferenze in tempo reale, il tutto direttamente dall'applicazione Canvas.
È possibile addestrare un modello personalizzato Canvas sui seguenti tipi di set di dati:
+ Tabulare (inclusi dati numerici, categorici, di serie temporali e di testo)
+ Immagine
La tabella seguente mostra i tipi di modelli personalizzati che puoi creare in Canvas, insieme ai tipi di dati e alle origini dati supportati.
| Tipo di modello | Esempio di caso d’uso | Tipi di dati supportati | Origini dati supportate |
| --- | --- | --- | --- |
| Previsione numerica | Previsione dei prezzi delle case in base a caratteristiche come la metratura | Numerico | Caricamento locale, Amazon S3, connettori SaaS |
| Previsione a 2 categorie | Previsione dell’eventuale probabilità di abbandono di un cliente | Binario o categorico | Caricamento locale, Amazon S3, connettori SaaS |
| Previsione con tre o più categorie | Previsione degli esiti dei pazienti dopo la dimissione dall'ospedale | Categoriale | Caricamento locale, Amazon S3, connettori SaaS |
| Previsione di serie temporali | Previsione dell'inventario per il trimestre successivo | Serie temporali | Caricamento locale, Amazon S3, connettori SaaS |
| Previsione di immagini con etichetta singola | Previsione dei tipi di difetti di produzione in immagini | Immagine (JPG, PNG) | Caricamento locale, Amazon S3 |
| Previsione del testo multicategoria | Previsione di categorie di prodotti, come abbigliamento, elettronica o articoli per la casa in base alle descrizioni dei prodotti | Colonna di origine: testo Colonna di destinazione: binaria o categorica | Caricamento locale, Amazon S3 |
**Nozioni di base**
Per iniziare a creare e generare previsioni a partire da un modello personalizzato, effettua le seguenti operazioni:
+ Determina il caso d'uso e il tipo di modello che desideri creare. Per ulteriori informazioni sui tipi di modello personalizzato, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md). Per ulteriori informazioni sui tipi e le origini dati supportati per i modelli personalizzati, consulta [Importazione dei dati](canvas-importing-data.md).
+ [Importa i tuoi dati](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-importing-data.html) in Canvas. È possibile creare un modello personalizzato con qualsiasi set di dati tabulare o di immagini che soddisfi i requisiti di input. Per ulteriori informazioni sui requisiti, consulta [Creazione di un set di dati](canvas-import-dataset.md).
Per saperne di più sui set di dati di esempio forniti dall' SageMaker intelligenza artificiale con cui sperimentare, consulta. [Set di dati di esempio in Canvas](canvas-sample-datasets.md)
+ [Crea](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) il tuo modello personalizzato. È possibile eseguire una **Creazione rapida** per ottenere il tuo modello e iniziare a fare previsioni più rapidamente, oppure è possibile creare una **Creazione standard** per una maggiore precisione.
Per i tipi di modelli di previsione numerici, categorici e delle serie temporali, puoi pulire e preparare i dati con la [funzionalità Data Wrangler](canvas-data-prep.md). In Data Wrangler, puoi creare un flusso di dati e utilizzare varie tecniche di preparazione dei dati, come l’applicazione di trasformazioni avanzate o il join di set di dati. Per i modelli di previsione delle immagini, è possibile [Modifica di un set di dati di immagini](canvas-edit-image.md) per aggiornare le etichette o aggiungere ed eliminare immagini. Ricorda che non è possibile utilizzare queste funzionalità per modelli di previsione del testo multicategoria.
+ [Valuta le prestazioni del tuo modello](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html) e determinane le prestazioni su dati reali.
+ [Fai previsioni singole o in batch](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-make-predictions.html) con il tuo modello.
# Funzionamento dei modelli personalizzati
Usa Amazon SageMaker Canvas per creare un modello personalizzato sul set di dati che hai importato. Usa il modello che hai creato per fare previsioni su nuovi dati. SageMaker Canvas utilizza le informazioni del set di dati per creare fino a 250 modelli e scegliere quello che offre le prestazioni migliori.
Quando si inizia a creare un modello, Canvas consiglia automaticamente uno o più *tipi di modelli*. I tipi di modelli rientrano in una delle seguenti categorie:
+ **Previsione numerica**: nel machine learning si chiama *regressione*. Utilizza il tipo di modello di previsione numerica quando desideri fare previsioni per dati numerici. Ad esempio, potresti voler prevedere il prezzo delle case in base a caratteristiche come la metratura della casa.
+ **Previsione categorica**: nel machine learning si chiama *classificazione*. Quando desideri categorizzare i dati in gruppi, utilizza i tipi di modelli di previsione categorica:
+ **Previsione a 2 categorie**: utilizza il tipo di modello di previsione a 2 categorie (noto anche come *classificazione binaria* nel machine learning) quando hai due categorie da prevedere per i tuoi dati. Ad esempio, potresti determinare se è probabile che un cliente abbandoni.
+ **Previsione a 3 o più categorie**: utilizza il tipo di modello di previsione a 3 o più categorie (noto anche come *classificazione multiclasse* nel machine learning) quando hai tre o più categorie che desideri prevedere per i tuoi dati. Ad esempio, è possibile prevedere lo stato del prestito di un cliente in base a caratteristiche quali i pagamenti precedenti.
+ **Previsione delle serie temporali**: utilizza le previsioni delle serie temporali quando desideri fare previsioni su un periodo di tempo. Ad esempio, potresti dover prevedere il numero di articoli che venderai nel trimestre successivo. Per informazioni sulle previsioni delle serie temporali, consulta [Time Series Forecasts in Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-time-series.html).
+ **Previsione delle immagini**: utilizza il tipo di modello di previsione delle immagini a etichetta singola (noto anche come *classificazione delle immagini a etichetta singola* nel machine learning) quando desideri assegnare etichette alle immagini. Ad esempio, è possibile classificare diversi tipi di difetti di fabbricazione nelle immagini del prodotto.
+ **Previsione del testo**: utilizza il tipo di modello di previsione del testo multicategoria (noto anche come *classificazione del testo multiclasse* nel machine learning) quando desideri assegnare etichette a passaggi di testo. Ad esempio, potresti avere un set di dati di verifiche dei clienti su un prodotto e desideri determinare se i clienti hanno apprezzato o meno il prodotto. Potresti fare in modo che il tuo modello preveda se un determinato passaggio di testo è `Positive`, `Negative` o `Neutral`.
Per una tabella dei tipi di dati di input supportati per ogni tipo di modello, consulta [Modelli personalizzati](canvas-custom-models.md).
Per ogni modello di dati tabulare che crei (che include modelli numerici, categorici, di previsione di serie temporali e modelli di previsione testuale), scegli la **Colonna di destinazione**. La **Colonna di destinazione** è la colonna che contiene le informazioni che desideri prevedere. Ad esempio, se stai creando un modello per prevedere se le persone hanno annullato i loro abbonamenti, la **Colonna di destinazione** contiene punti dati che indicano o `yes` o un `no` circa lo stato di cancellazione di qualcuno.
Per i modelli di previsione delle immagini, crei il modello con un set di dati di immagini a cui sono state assegnate delle etichette. Per le immagini senza etichetta fornite, il modello prevede un'etichetta. Ad esempio, se stai creando un modello per prevedere se un'immagine è un gatto o un cane, fornisci immagini etichettate come cani o gatti durante la creazione del modello. Quindi, il modello può accettare immagini senza etichetta e prevederle come cani o gatti.
**Cosa succede quando crei un modello**
Per creare il tuo modello, puoi scegliere una **Creazione rapida** o una **Creazione standard**. La **Creazione rapida** ha un tempo di creazione più breve, ma la **Creazione standard** ha generalmente una precisione maggiore.
Per i modelli di previsione tabulari e delle serie temporali, Canvas utilizza il *downsampling* per ridurre le dimensioni dei set di dati che superano, rispettivamente, i 5 GB o i 30 GB. Canvas esegue il downsampling con il metodo di campionamento stratificato. Nella tabella seguente sono elencate le dimensioni del downsample per tipo di modello. Per controllare il processo di campionamento, puoi utilizzare Data Wrangler in Canvas per applicare la tua tecnica di campionamento preferita. Per i dati di serie temporali, puoi ripetere il campionamento per aggregare i punti dati. Per ulteriori informazioni sul campionamento, consulta [Campionamento](canvas-transform.md#canvas-transform-sampling). Per ulteriori informazioni sul ricampionamento dei dati di serie temporali, consulta [Ricampiona i dati di serie temporali](canvas-transform.md#canvas-resample-time-series).
Se scegli di eseguire una **build rapida** su un set di dati con più di 50.000 righe, Canvas campiona i dati fino a 50.000 righe per abbreviare il tempo di addestramento dei modelli.
La tabella seguente riassume le caratteristiche chiave del processo di creazione dei modelli, inclusi i tempi medi di creazione per ogni modello e tipo di build, la dimensione del downsample durante la creazione dei modelli con set di dati di grandi dimensioni e il numero minimo e massimo di punti dati necessari per ogni tipo di build.
| Limite | Modelli di previsione numerici e categorici | Previsione di serie temporali | Previsione delle immagini | Previsione del testo |
| --- | --- | --- | --- | --- |
| Tempo per la **build rapida** | 2-20 minuti | 2-20 minuti | 15‐30 minuti | 15‐30 minuti |
| Tempo per la **build standard** | 2-4 ore | 2-4 ore | 2-5 ore | 2-5 ore |
| Dimensione del downsample (la dimensione ridotta di un set di dati di grandi dimensioni dopo il downsampling di Canvas) | 5 GB | 30 GB | N/D | N/D |
| Numero minimo di voci (righe) per le **Creazioni rapide** | A 2 categorie: 500 righe A 3 o più categorie, numeriche, serie temporali: N/D | N/D | N/D | N/D |
| Numero minimo di voci (righe, immagini o documenti) per le **Creazioni standard** | 250 | 50 | 50 | N/D |
| Numero massimo di voci (righe, immagini o documenti) per le **Creazioni rapide** | N/D | N/D | 5000 | 7500 |
| Numero massimo di voci (righe, immagini o documenti) per le **Creazioni standard** | N/D | 150.000 | 180.000 | N/D |
| Numero massimo di colonne | 1.000 | 1.000 | N/D | N/D |
Canvas prevede i valori utilizzando le informazioni nel resto del set di dati, a seconda del tipo di modello:
+ Per la previsione categorica, Canvas inserisce ogni riga in una delle categorie elencate nella **Colonna di destinazione**.
+ Per la previsione numerica, Canvas utilizza le informazioni nel set di dati per prevedere i valori numerici nella **Colonna di destinazione**.
+ Per la previsione delle serie temporali, Canvas utilizza i dati storici per prevedere i valori della **Colonna di destinazione** in futuro.
+ Per la previsione delle immagini, Canvas utilizza immagini a cui sono state assegnate etichette per prevedere etichette per le immagini senza etichetta.
+ Per la previsione del testo, Canvas analizza i dati di testo a cui sono state assegnate etichette per prevedere le etichette per i passaggi di testo senza etichetta.
**Funzionalità aggiuntive per aiutarti a creare il tuo modello**
Prima di creare il modello, puoi utilizzare Data Wrangler in Canvas per preparare i dati con oltre 300 trasformazioni e operatori integrati. Data Wrangler supporta le trasformazioni per set di dati sia tabulari che di immagini. Inoltre, puoi connetterti a origini dati esterne a Canvas, creare processi per applicare le trasformazioni all’intero set di dati ed esportare i dati completamente preparati e puliti per utilizzarli nei flussi di lavoro di ML al di fuori di Canvas. Per ulteriori informazioni, consulta [Preparazione dei dati](canvas-data-prep.md).
Per accedere a visualizzazioni e analisi per esplorare i dati e determinare quali funzionalità includere nel modello, puoi utilizzare le analisi integrate di Data Wrangler. Puoi anche accedere a un report **Qualità e informazioni approfondite sui dati** che evidenzia i potenziali problemi del tuo set di dati e offre suggerimenti su come risolverli. Per ulteriori informazioni, consulta [Esecuzione di un’analisi esplorativa dei dati (EDA)](canvas-analyses.md).
Oltre alle funzionalità più avanzate di preparazione ed esplorazione dei dati fornite da Data Wrangler, Canvas offre anche alcune funzionalità di base:
+ Per filtrare i dati e accedere a una serie di trasformazioni dei dati di base, consulta [Preparazione dei dati per la creazione dei modelli](canvas-prepare-data.md).
+ Per accedere a visualizzazioni e analisi semplici per l’esplorazione delle funzionalità, consulta [Esplorazione e analisi dei dati](canvas-explore-data.md).
+ Per ulteriori informazioni su funzionalità aggiuntive come l'anteprima del modello, la convalida del set di dati e la modifica della dimensione del campione casuale utilizzato per creare il modello, consulta [Visualizzazione dell'anteprima del modello](canvas-preview-model.md).
Per i set di dati tabulari con più colonne (ad esempio set di dati per la creazione di tipi di modelli di previsione categorica, numerica o di serie temporali), potresti avere righe con punti dati mancanti. Mentre Canvas crea il modello, aggiunge automaticamente i valori mancanti. Canvas utilizza i valori del set di dati per eseguire un'approssimazione matematica dei valori mancanti. Per la massima precisione del modello, ti consigliamo di aggiungere i dati mancanti, se riesci a trovarli. Tieni presente che la funzionalità relativa ai dati mancanti non è supportata per i modelli di previsione di testo o delle immagini.
**Nozioni di base**
Per iniziare a creare un modello personalizzato, consulta [Crea un modello](canvas-build-model-how-to.md) e segui la procedura relativa al tipo di modello che desideri creare.
# Visualizzazione dell'anteprima del modello
**Nota**
La funzionalità seguente è disponibile solo per i modelli personalizzati creati con set di dati tabulari. Sono esclusi anche i modelli di previsione del testo multicategoria.
SageMaker Canvas offre uno strumento per visualizzare in anteprima il modello prima di iniziare a costruire. Questo strumento fornisce un punteggio di accuratezza stimato, oltre a un’idea preliminare di come ogni colonna potrebbe influire sul modello.
Per visualizzare in anteprima il punteggio del modello, nella scheda **Crea** del modello scegli **Anteprima modello**.
L’anteprima del modello genera una previsione con **accuratezza stimata** dell’efficacia dell’analisi dei dati eseguita dal modello. La precisione di una **Creazione rapida** o di una **Creazione standard** rappresenta l’efficacia delle prestazioni del modello su dati reali ed è generalmente superiore alla **precisione stimata**.
L’anteprima del modello fornisce anche i punteggi di **impatto delle colonne**, che possono indicare l’importanza di ogni colonna per le previsioni del modello.
Lo screenshot seguente mostra un’anteprima del modello nell’applicazione Canvas.
![\[Screenshot della scheda Crea per un modello in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-build/canvas-build-preview-model.png)
Amazon SageMaker Canvas gestisce automaticamente i valori mancanti nel set di dati durante la creazione del modello. Deduce i valori mancanti utilizzando valori adiacenti presenti nel set di dati.
Se ritieni valida l’anteprima del modello e vuoi procedere con la creazione di un modello, consulta [Crea un modello](canvas-build-model-how-to.md).
# Convalida dei dati
Prima di creare il modello, SageMaker Canvas controlla il set di dati per individuare eventuali problemi che potrebbero causare il fallimento della compilazione. Se SageMaker Canvas rileva dei problemi, ti avvisa nella pagina **Build** prima di tentare di creare un modello.
È possibile scegliere **Convalida dati** per visualizzare un elenco dei problemi con il tuo set di dati. È quindi possibile utilizzare le [funzionalità di preparazione dei dati di SageMaker Canvas Data Wrangler](canvas-data-prep.md) o i propri strumenti per correggere il set di dati prima di iniziare una compilazione. Se non risolvi i problemi con il set di dati, la creazione fallisce.
Se apporti modifiche al set di dati per risolvere i problemi, hai la possibilità di riconvalidarlo prima di tentare una creazione. Si consiglia di riconvalidare il set di dati prima di procedere alla creazione.
La tabella seguente mostra i problemi che SageMaker Canvas verifica nel set di dati e come risolverli.
| Problema | Risoluzione |
| --- | --- |
| Tipo di modello errato per i dati | Prova un altro tipo di modello o utilizza un set di dati diverso. |
| Valori mancanti nella colonna di destinazione | Sostituisci i valori mancanti, elimina le righe con i valori mancanti o utilizza un set di dati diverso. |
| Troppe etichette univoche nella colonna di destinazione | Verifica di aver utilizzato la colonna corretta per la colonna di destinazione o utilizza un set di dati diverso. |
| Troppi valori non numerici nella colonna di destinazione | Scegli una colonna di destinazione diversa, seleziona un altro tipo di modello o utilizza un set di dati diverso. |
| I nomi di uno o più nomi di colonne contengono caratteri di sottolineatura doppi | Rinomina le colonne per rimuovere i doppi caratteri di sottolineatura e riprova. |
| Nessuna riga del set di dati è completa | Sostituisci i valori mancanti o utilizza un set di dati diverso. |
| Troppe etichette univoche per il numero di righe dei dati | Verifica di utilizzare la colonna di destinazione giusta, aumenta il numero di righe nel set di dati, consolida etichette simili o utilizza un set di dati diverso. |
# Campione casuale
SageMaker Canvas utilizza il metodo di campionamento casuale per campionare il set di dati. Il metodo di campionamento casuale significa che ogni riga ha la stessa probabilità di essere selezionata per il campione. È possibile scegliere una colonna nell'anteprima per ottenere statistiche di riepilogo per il campione casuale, come la media e la modalità.
Per impostazione predefinita, SageMaker Canvas utilizza una dimensione del campione casuale di 20.000 righe del set di dati per set di dati con più di 20.000 righe. Per set di dati inferiori a 20.000 righe, la dimensione del campione predefinita è il numero di righe del set di dati. Puoi aumentare o diminuire la dimensione del campione scegliendo Campione **casuale** nella scheda **Build dell'applicazione Canvas**. SageMaker Puoi utilizzare il dispositivo di scorrimento per selezionare la dimensione del campione desiderata, quindi scegliere **Aggiorna** per modificare la dimensione del campione. La dimensione massima del campione che è possibile scegliere per un set di dati è di 40.000 righe e la dimensione minima del campione è di 500 righe. Se scegli una dimensione del campione grande, il caricamento dell'anteprima del set di dati e del riepilogo delle statistiche potrebbe richiedere alcuni istanti.
La pagina **Crea** mostra un'anteprima di 100 righe del set di dati. Se la dimensione del campione è la stessa del set di dati, l'anteprima utilizza le prime 100 righe del set di dati. Altrimenti, l'anteprima utilizza le prime 100 righe del campione casuale.
# Crea un modello
Nelle sezioni seguenti viene illustrato come creare un modello per ciascuno dei principali tipi di modelli personalizzati.
+ Per creare modelli di previsione numerica, previsione a 2 categorie o modelli di previsione a 3 o più categorie, consulta [Creazione di un modello di previsione numerico o categorico personalizzato](#canvas-build-model-numeric-categorical).
+ Per creare modelli di previsione con immagini a etichetta singola, consulta [Creazione di un modello di previsione delle immagini personalizzato](#canvas-build-model-image).
+ Per creare modelli di previsione del testo in più categorie, consulta [Creazione di un modello di previsione del testo personalizzato](#canvas-build-model-text).
+ Per creare modelli di previsione delle serie temporali, consulta [Creazione di un modello di previsione delle serie temporali](#canvas-build-model-forecasting).
**Nota**
Se riscontri un errore durante l'analisi successiva alla creazione che ti dice di aumentare la quota per istanze `ml.m5.2xlarge`, consulta [Request a Quota Increase](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-requesting-quota-increases.html).
## Creazione di un modello di previsione numerico o categorico personalizzato
I modelli di previsione numerici e categorici supportano sia le **Creazione rapide** che le **Creazioni standard**.
Per creare un modello di previsione numerico o categorico, utilizza la procedura seguente:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **I miei modelli**.
1. Scegli **Nuovo modello**.
1. Nella finestra di dialogo **Crea allarme** procedi nel seguente modo:
1. Inserisci un nome nel campo **Nome modello**.
1. Seleziona il tipo di problema di **analisi predittiva**.
1. Scegli **Crea**.
1. Per **Seleziona set di dati**, seleziona il tuo set di dati dall'elenco dei set di dati. Se non hai ancora importato i dati, scegli **Importa** per essere indirizzato al flusso di lavoro di importazione dei dati.
1. Quando sei pronto per iniziare a creare il modello, scegli **Seleziona set di dati**.
1. Nella scheda **Crea**, nell'elenco a discesa della **Colonna di destinazione**, seleziona la destinazione per il modello che desideri prevedere.
1. Per il **tipo di modello**, Canvas rileva automaticamente il tipo di problema. Per modificare il tipo o configurare le impostazioni avanzate del modello, scegli **Configura modello**.
Quando viene visualizzata la finestra di dialogo **Configura modello**, procedi come descritto di seguito:
1. In **Tipo di modello**, scegli il tipo di modello da creare.
1. Dopo aver scelto il tipo di modello, sono disponibili **impostazioni avanzate** aggiuntive. Per ulteriori informazioni sulle singole impostazioni avanzate, consulta [Configurazioni avanzate per la creazione dei modelli](canvas-advanced-settings.md). Per configurare le impostazioni avanzate, procedi come descritto di seguito:
1. (Facoltativo) Nel menu a discesa **Parametro obiettivo**, seleziona il parametro che vuoi che Canvas ottimizzi durante la creazione del modello. Se non selezioni un parametro, Canvas ne sceglie uno automaticamente per te per impostazione predefinita. Per una descrizione delle metriche disponibili, consulta [Riferimento per le metriche](canvas-metrics.md).
1. In **Metodo di addestramento**, scegli la modalità **Automatico**, **Ensemble** o **Ottimizzazione degli iperparametri (HPO)**.
1. In **Algoritmi**, seleziona gli algoritmi da includere per la creazione di modelli candidati.
1. In **Suddivisione dei dati**, specifica le percentuali in base alle quali suddividere i dati tra il **set di addestramento** e il **set di convalida**. Il set di addestramento viene utilizzato per creare il modello, mentre il set di convalida viene utilizzato per testare l’accuratezza dei modelli candidati.
1. Per i valori **massimi per candidati e runtime**, procedi come descritto di seguito:
1. Imposta il valore **Numero massimo di candidati** o il numero massimo di modelli candidati che Canvas può generare. Tieni presente che **Numero massimo di candidati** è disponibile solo in modalità HPO.
1. Imposta i valori delle ore e dei minuti in **Massimo runtime del processo** o il tempo massimo che Canvas può dedicare alla creazione del modello. Trascorso questo intervallo di tempo, Canvas arresta la creazione e seleziona il miglior modello candidato.
1. Dopo aver configurato le impostazioni avanzate, scegli **Salva**.
1. Seleziona o deseleziona le colonne nei dati per includerle o eliminarle dalla creazione.
**Nota**
Se effettui previsioni in batch con il modello dopo la creazione, Canvas aggiunge colonne eliminate ai risultati della previsione. Tuttavia, Canvas non aggiunge le colonne eliminate alle previsioni in batch per i modelli di serie temporali.
1. (Facoltativo) Utilizza gli strumenti di visualizzazione e analisi forniti da Canvas per visualizzare i dati e determinare quali funzionalità potresti voler includere nel tuo modello. Per ulteriori informazioni, consulta [Explore and analyze your data](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Facoltativo) Utilizza le trasformazioni dei dati per pulire, trasformare e preparare i dati per la creazione di modelli. Per ulteriori informazioni, consulta [Prepare your data with advanced transformations](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). È possibile visualizzare e rimuovere le trasformazioni scegliendo **Modello di ricetta** per aprire il pannello laterale della **Ricetta del modello**.
1. (Facoltativo) Per funzionalità aggiuntive come l'anteprima dell'accuratezza del modello, la convalida del set di dati e la modifica della dimensione del campione casuale che Canvas preleva dal set di dati, consulta [Visualizzazione dell'anteprima del modello](canvas-preview-model.md).
1. Dopo aver esaminato i dati e aver apportato eventuali modifiche al set di dati, scegli **Creazione rapida** o **Creazione standard** per iniziare la creazione del tuo modello. Lo screenshot seguente mostra la pagina **Crea** e le opzioni **Creazione rapida** e **Creazione standard**.
![\[La pagina Crea per un modello a 2 categorie che mostra le opzioni Creazione rapida e Creazione standard.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/build-page-tabular-quick-standard-options.png)
Dopo l'inizio della creazione del modello, è possibile abbandonare la pagina. Quando il modello viene visualizzato come **Pronto** nella pagina **I miei modelli**, è pronto per l'analisi e le previsioni.
## Creazione di un modello di previsione delle immagini personalizzato
I modelli di previsione delle immagini a etichetta singola supportano sia le **Creazioni rapide** che le **Creazioni standard**.
Per creare un modello di previsione delle immagini a etichetta singola, utilizza la seguente procedura:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **I miei modelli**.
1. Scegli **Nuovo modello**.
1. Nella finestra di dialogo **Crea allarme** procedi nel seguente modo:
1. Inserisci un nome nel campo **Nome modello**.
1. Seleziona il tipo di problema di **Analisi delle immagini**.
1. Scegli **Crea**.
1. Per **Seleziona set di dati**, seleziona il tuo set di dati dall'elenco dei set di dati. Se non hai ancora importato i dati, scegli **Importa** per essere indirizzato al flusso di lavoro di importazione dei dati.
1. Quando è tutto pronto per iniziare a creare il modello, scegli **Seleziona set di dati**.
1. Nella scheda **Crea**, vedi la **distribuzione delle etichette** per le immagini nel tuo set di dati. Il **tipo di modello** è impostato su **Previsione di immagini con etichetta singola**.
1. In questa pagina, è possibile visualizzare l'anteprima delle immagini e modificare il set di dati. Se hai immagini senza etichetta, scegli **Modifica set di dati** e [Assegnazione di etichette alle immagini senza etichetta](canvas-edit-image.md#canvas-edit-image-assign). Inoltre, puoi eseguire altre attività quando [Modifica di un set di dati di immagini](canvas-edit-image.md), come rinominare le etichette e aggiungere immagini al set di dati.
1. Dopo aver esaminato i dati e aver apportato eventuali modifiche al set di dati, scegli **Creazione rapida** o **Creazione standard** per iniziare la creazione del tuo modello. Lo screenshot seguente mostra la pagina **Crea** di un modello di previsione delle immagini pronto per essere creato.
![\[La pagina Crea per un modello di previsione delle immagini a etichetta singola.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/build-page-image-model.png)
Dopo l'inizio della creazione del modello, è possibile abbandonare la pagina. Quando il modello viene visualizzato come **Pronto** nella pagina **I miei modelli**, è pronto per l'analisi e le previsioni.
## Creazione di un modello di previsione del testo personalizzato
I modelli di previsione di testo multicategoria supportano sia le **Creazioni rapide** che le **Creazioni standard**.
Per creare un modello di previsione di testo a etichetta singola, utilizza la seguente procedura:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **I miei modelli**.
1. Scegli **Nuovo modello**.
1. Nella finestra di dialogo **Crea allarme** procedi nel seguente modo:
1. Inserisci un nome nel campo **Nome modello**.
1. Seleziona il tipo di problema di **Analisi del testo**.
1. Scegli **Crea**.
1. Per **Seleziona set di dati**, seleziona il tuo set di dati dall'elenco dei set di dati. Se non hai ancora importato i dati, scegli **Importa** per essere indirizzato al flusso di lavoro di importazione dei dati.
1. Quando sei pronto per iniziare a creare il modello, scegli **Seleziona set di dati**.
1. Nella scheda **Crea**, nell'elenco a discesa della **Colonna di destinazione**, seleziona l'obiettivo per il modello che desideri prevedere. La colonna di destinazione deve avere un tipo di dati binario o categorico e devono essere presenti almeno 25 voci (o righe di dati) per ciascun etichetta univoca nella colonna di destinazione.
1. Per **Tipo di modello**, verifica che il tipo di modello sia impostato automaticamente sulla **Previsione di testo multicategoria**.
1. Per la colonna formativa, seleziona la colonna di origine dei dati di testo, Dovrebbe essere la colonna contenente il testo che si desidera analizzare.
1. Scegli **Creazione rapida** o **Creazione standard** per iniziare a creare il tuo modello. Lo screenshot seguente mostra la pagina **Crea** di un modello di previsione delle immagini pronto per essere creato.
![\[La pagina Crea per un modello di previsione del testo multicategoria.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/build-page-text-model.png)
Dopo l'inizio della creazione del modello, è possibile abbandonare la pagina. Quando il modello viene visualizzato come **Pronto** nella pagina **I miei modelli**, è pronto per l'analisi e le previsioni.
## Creazione di un modello di previsione delle serie temporali
I modelli di previsione delle serie temporali supportano sia le **build rapide** che le **build standard**.
Utilizza la procedura seguente per generare un modello di previsione delle serie temporali.
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **I miei modelli**.
1. Scegli **Nuovo modello**.
1. Nella finestra di dialogo **Crea allarme** procedi nel seguente modo:
1. Inserisci un nome nel campo **Nome modello**.
1. Seleziona il tipo di problema in **Previsione delle serie temporali**.
1. Scegli **Create** (Crea).
1. Per **Seleziona set di dati**, seleziona il tuo set di dati dall'elenco dei set di dati. Se non hai ancora importato i dati, scegli **Importa** per essere indirizzato al flusso di lavoro di importazione dei dati.
1. Quando sei pronto per iniziare a creare il modello, scegli **Seleziona set di dati**.
1. Nella scheda **Crea**, nell'elenco a discesa della **Colonna di destinazione**, seleziona l'obiettivo per il modello che desideri prevedere.
1. Nella sezione **Tipo di modello**, scegli **Configura modello**.
1. Viene visualizzata la finestra **Configura modello**. Per la sezione **Configurazione delle serie temporali**, compila i seguenti campi:
1. In **Colonna ID elemento**, scegli una colonna nel set di dati che identifichi in modo univoco ogni riga. La colonna deve avere un tipo di dati `Text`.
1. (Facoltativo) In **Colonna gruppo**, scegli una o più colonne categoriche (con un tipo di dati `Text`) da utilizzare per raggruppare i valori di previsione.
1. In **Colonna timestamp**, seleziona la colonna con i timestamp (in formato data/ora). Per ulteriori informazioni sui formati data/ora accettati, consulta [Previsioni delle serie temporali in Amazon Canvas SageMaker](canvas-time-series.md).
1. Nel campo **Lunghezza previsione**, inserisci il periodo di tempo per il quale prevedere i valori. Canvas rileva automaticamente le unità di tempo nei dati.
1. (Facoltativo) Attiva l’opzione **Utilizza la pianificazione delle festività** per selezionare una pianificazione delle festività nei diversi paesi e rendere più accurate le previsioni con i dati sulle festività.
1. Nella finestra **Configura modello** sono disponibili impostazioni aggiuntive nella sezione **Avanzate**. Per ulteriori informazioni sulle singole impostazioni avanzate, consulta [Configurazioni avanzate per la creazione dei modelli](canvas-advanced-settings.md). Per configurare le impostazioni **avanzate**, procedi come descritto di seguito:
1. Nel menu a discesa **Metrica obiettivo**, seleziona il metrica che Canvas deve ottimizzare durante la creazione del modello. Se non selezioni un parametro, Canvas ne sceglie uno automaticamente per te per impostazione predefinita. Per una descrizione delle metriche disponibili, consulta [Riferimento per le metriche](canvas-metrics.md).
1. Se stai eseguendo una build standard, viene visualizzata la sezione **Algoritmi**. Questa sezione riguarda la selezione degli algoritmi di previsione delle serie temporali da utilizzare per creare il tuo modello. Puoi selezionare un sottoinsieme degli algoritmi disponibili oppure puoi selezionarli tutti se non sai quali provare.
Quando esegui la build standard, Canvas crea un modello ensemble che combina tutti gli algoritmi per ottimizzare l’accuratezza delle previsioni.
**Nota**
Se esegui una build rapida, Canvas utilizza un unico algoritmo di apprendimento basato su un albero per addestrare il modello e non devi selezionare alcun algoritmo.
1. In **Quantili previsione**, inserisci fino a cinque valori di quantili separati da virgole per specificare i limiti superiore e inferiore della previsione.
1. Dopo aver configurato le impostazioni **avanzate**, scegli **Salva**.
1. Seleziona o deseleziona le colonne nei dati per includerle o eliminarle dalla creazione.
**Nota**
Se effettui previsioni in batch con il modello dopo la creazione, Canvas aggiunge colonne eliminate ai risultati della previsione. Tuttavia, Canvas non aggiunge le colonne eliminate alle previsioni in batch per i modelli di serie temporali.
1. (Facoltativo) Utilizza gli strumenti di visualizzazione e analisi forniti da Canvas per visualizzare i dati e determinare quali funzionalità potresti voler includere nel tuo modello. Per ulteriori informazioni, consulta [Explore and analyze your data](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Facoltativo) Utilizza le trasformazioni dei dati per pulire, trasformare e preparare i dati per la creazione di modelli. Per ulteriori informazioni, consulta [Prepare your data with advanced transformations](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). È possibile visualizzare e rimuovere le trasformazioni scegliendo **Modello di ricetta** per aprire il pannello laterale della **Ricetta del modello**.
1. (Facoltativo) Per funzionalità aggiuntive come l'anteprima dell'accuratezza del modello, la convalida del set di dati e la modifica della dimensione del campione casuale che Canvas preleva dal set di dati, consulta [Visualizzazione dell'anteprima del modello](canvas-preview-model.md).
1. Dopo aver esaminato i dati e aver apportato eventuali modifiche al set di dati, scegli **Creazione rapida** o **Creazione standard** per iniziare la creazione del tuo modello.
Dopo l'inizio della creazione del modello, è possibile abbandonare la pagina. Quando il modello viene visualizzato come **Pronto** nella pagina **I miei modelli**, è pronto per l'analisi e le previsioni.
# Configurazioni avanzate per la creazione dei modelli
Amazon SageMaker Canvas supporta diverse impostazioni avanzate che puoi configurare durante la creazione di un modello. La pagina seguente elenca tutte le impostazioni avanzate insieme a informazioni aggiuntive sulle relative opzioni e configurazioni.
**Nota**
Le impostazioni avanzate seguenti sono attualmente supportate solo per i tipi di modelli di previsione numerici, categorici e delle serie temporali.
## Impostazioni avanzate dei modelli di previsione numerici e categorici
Canvas supporta le seguenti impostazioni avanzate per i tipi di modelli di previsione numerici e categorici.
### Parametro obiettivo
La metrica obiettivo è la metrica che Canvas deve ottimizzare durante la creazione del modello. Se non selezioni un parametro, Canvas ne sceglie uno automaticamente per te per impostazione predefinita. Per una descrizione delle metriche disponibili, consulta [Riferimento per le metriche](canvas-metrics.md).
### Metodo di addestramento
Canvas può selezionare automaticamente il metodo di addestramento in base alla dimensione del set di dati oppure puoi selezionarlo manualmente. Puoi scegliere tra i seguenti metodi di addestramento:
+ **Ensembling**: l' SageMaker intelligenza artificiale sfrutta la AutoGluon libreria per addestrare diversi modelli di base. Per trovare la combinazione ottimale per il tuo set di dati, la modalità ensemble esegue 5-10 prove con diverse impostazioni dei modelli e dei metaparametri. Quindi, questi modelli vengono combinati utilizzando un metodo ensemble di sovrapposizione per creare un modello di previsione ottimale. Per un elenco degli algoritmi supportati dalla modalità ensemble per i dati tabulari, consulta la sezione [Algoritmi](#canvas-advanced-settings-predictive-algos) seguente.
+ **Ottimizzazione degli iperparametri (HPO)**: l' SageMaker intelligenza artificiale trova la versione migliore di un modello ottimizzando gli iperparametri utilizzando l'ottimizzazione bayesiana o l'ottimizzazione multifidelity mentre esegue lavori di formazione sul set di dati. La modalità HPO seleziona gli algoritmi più pertinenti al set di dati e seleziona la migliore gamma di iperparametri per ottimizzare i modelli. Per ottimizzare i modelli, la modalità HPO esegue fino a 100 prove (impostazione predefinita) per trovare le impostazioni ottimali degli iperparametri all'interno dell'intervallo selezionato. Se la dimensione del set di dati è inferiore a 100 MB, l'intelligenza artificiale utilizza l'ottimizzazione bayesiana. SageMaker SageMaker L'intelligenza artificiale sceglie l'ottimizzazione a più fedeltà se il set di dati è più grande di 100 MB.
Per un elenco degli algoritmi supportati dalla modalità HPO per i dati tabulari, consulta la sezione seguente [Algoritmi](#canvas-advanced-settings-predictive-algos).
+ **Automatico**: l' SageMaker IA sceglie automaticamente la modalità ensembling o la modalità HPO in base alle dimensioni del set di dati. Se il set di dati è più grande di 100 MB, SageMaker AI sceglie la modalità HPO. Altrimenti, esso sceglie la modalità raggruppamento.
### Algoritmi
In modalità **ensemble**, Canvas supporta i seguenti algoritmi di machine learning:
+ [LightGBM](https://docs.aws.amazon.com/sagemaker/latest/dg/lightgbm.html): un framework ottimizzato che utilizza algoritmi ad albero con aumento del gradiente. Questo algoritmo utilizza alberi che crescono in larghezza anziché in profondità ed è altamente ottimizzato per la velocità.
+ [CatBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/catboost.html)— Un framework che utilizza algoritmi basati su alberi con potenziamento del gradiente. Ottimizzato per la gestione di variabili categoriche.
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Un framework che utilizza algoritmi basati su alberi con potenziamento del gradiente che cresce in profondità anziché in larghezza.
+ [Random Forest](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html): un algoritmo ad albero che utilizza diversi alberi decisionali su sottocampioni casuali di dati con sostituzione. Gli alberi sono suddivisi in nodi ottimali a ciascun livello. Le decisioni di ogni albero vengono calcolate insieme per evitare un sovradimensionamento e migliorare le previsioni.
+ [Extra Trees](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.ExtraTreesClassifier.html#sklearn.ensemble.ExtraTreesClassifier): un algoritmo ad albero che utilizza diversi alberi decisionali sull'intero set di dati. Gli alberi vengono suddivisi casualmente ad ogni livello. Le decisioni di ogni albero vengono calcolate per evitare un sovradimensionamento e per migliorare le previsioni. Gli alberi aggiuntivi aggiungono un grado di randomizzazione rispetto all'algoritmo della foresta casuale.
+ [Linear Models](https://scikit-learn.org/stable/modules/classes.html#module-sklearn.linear_model): un framework che utilizza un'equazione lineare per modellare la relazione tra due variabili nei dati osservati.
+ Neural network torch: un modello di rete neurale implementato utilizzando [Pytorch](https://pytorch.org/).
+ Neural network fast.ai: un modello di rete neurale implementato utilizzando [fast.ai](https://www.fast.ai/).
In modalità **HPO**, Canvas supporta i seguenti algoritmi di machine learning:
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Un algoritmo di apprendimento supervisionato che tenta di prevedere con precisione una variabile target combinando un insieme di stime tratte da una serie di modelli più semplici e più deboli.
+ Deep learning algorithm (Algoritmo deep learning): un perceptron multistrato (MLP) e una rete neurale artificiale feedforward. Questo algoritmo è in grado di gestire dati che non sono separabili linearmente.
### Suddivisione dei dati
Puoi specificare come dividere il set di dati tra il set di addestramento (la parte del set di dati utilizzata per creare il modello) e il set di convalida (la parte del set di dati utilizzata per verificare l’accuratezza del modello). Ad esempio, un rapporto di suddivisione utilizzato di frequente è 80% addestramento e 20% convalida, che significa che l’80% dei dati viene impiegato per creare il modello e il 20% per misurarne le prestazioni. Se non specifichi un rapporto personalizzato, Canvas suddivide automaticamente il set di dati.
### Numero massimo di candidati
**Nota**
Questa funzionalità è disponibile solo nella modalità di addestramento HPO.
Puoi specificare il numero massimo di modelli candidati generati da Canvas durante la creazione del modello. Ti consigliamo di mantenere il numero predefinito di candidati, 100, per creare modelli più accurati. Il numero massimo che puoi specificare è 250. La riduzione del numero di modelli candidati può influire sull’accuratezza del modello.
### Massimo runtime del processo
Puoi specificare il massimo runtime del processo o il tempo massimo che Canvas può dedicare alla creazione del modello. Trascorso questo intervallo di tempo, Canvas arresta la creazione e seleziona il miglior modello candidato.
Il tempo massimo che puoi specificare è 720 ore. Consigliamo vivamente di impostare il massimo runtime del processo su un valore superiore a 30 minuti per garantire a Canvas il tempo sufficiente per generare modelli candidati e completare la creazione del modello.
## Impostazioni avanzate del modello di previsione delle serie temporali
Per i modelli di previsione delle serie temporali, Canvas supporta la metrica obiettivo, elencata nella sezione precedente.
I modelli di previsione delle serie temporali supportano anche le impostazioni avanzate seguenti:
### Selezione degli algoritmi
Quando crei un modello di previsione delle serie temporali, Canvas utilizza un *ensemble* (o una combinazione) di algoritmi statistici e di machine learning per generare previsioni delle serie temporali estremamente accurate. Per impostazione predefinita, Canvas seleziona la combinazione ottimale di tutti gli algoritmi disponibili in base alle serie temporali del set di dati. Tuttavia, hai la possibilità di specificare uno o più algoritmi da utilizzare per il tuo modello di previsione. In questo caso, Canvas determina la combinazione migliore basandosi solo sugli algoritmi selezionati. Se hai dubbi sull’algoritmo da selezionare per addestrare il modello, ti consigliamo di scegliere tutti gli algoritmi disponibili.
**Nota**
La selezione degli algoritmi è supportata solo per le build standard. Se non selezioni alcun algoritmo nelle impostazioni avanzate, per impostazione predefinita l' SageMaker IA esegue una compilazione rapida e addestra i candidati modello utilizzando un unico algoritmo di apprendimento basato su un albero. Per ulteriori informazioni sulla differenza tra le build rapide e quelle standard, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md).
Canvas supporta i seguenti algoritmi di previsione delle serie temporali:
+ [Modello autoregressivo integrato a media mobile (ARIMA)](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average): un semplice modello stocastico di serie temporali che utilizza l’analisi statistica per interpretare i dati e generare previsioni future. Questo algoritmo è utile per set di dati semplici con meno di 100 serie temporali.
+ [Rete neurale convoluzionale - Regressione quantile (CNN-QR)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html): un algoritmo di apprendimento proprietario e supervisionato che addestra un modello globale da un’ampia raccolta di serie temporali e utilizza un decodificatore quantile per generare previsioni. CNN-QR funziona al meglio con set di dati di grandi dimensioni che contengono centinaia di serie temporali.
+ [DeePar\$1](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) — Un algoritmo di apprendimento proprietario e supervisionato per la previsione di serie temporali scalari utilizzando reti neurali ricorrenti (RNNs) per addestrare un singolo modello congiuntamente su tutte le serie temporali. DeepAR\$1 funziona al meglio con set di dati di grandi dimensioni che contengono centinaia di serie temporali di funzionalità.
+ [Serie temporali non parametriche (NPTS)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html): un previsore di base probabilistico e scalabile, che prevede la distribuzione futura dei valori di una determinata serie temporale prelevando campioni da osservazioni passate. NPTS è utile quando si lavora con serie temporali sparse o intermittenti (ad esempio, per la previsione della domanda di singoli articoli, in cui la serie temporale presenta molti 0 o numeri bassi).
+ [Livellamento esponenziale (ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing): un metodo di previsione che produce previsioni che corrispondono alle medie ponderate di osservazioni precedenti, in cui il peso delle osservazioni precedenti diminuisce esponenzialmente. L’algoritmo è particolarmente utile per set di dati semplici con meno di 100 serie temporali e set di dati con modelli di stagionalità.
+ [Prophet](https://facebook.github.io/prophet/): un modello di regressione additivo che funziona al meglio con serie temporali che hanno forti effetti stagionali e diverse stagioni di dati cronologici. L’algoritmo è utile per set di dati con tendenze di crescita non lineare che si avvicinano a un limite.
### Quantili di previsione
Per la previsione delle serie temporali, l'intelligenza artificiale forma 6 candidati modello con le serie temporali target SageMaker . Quindi, l' SageMaker intelligenza artificiale combina questi modelli utilizzando un metodo di sovrapposizione per creare un modello di previsione ottimale per una determinata metrica oggettiva. Ogni modello di previsione genera una previsione probabilistica producendo previsioni con quantili compresi tra P1 e P99. Questi quantili vengono utilizzati per tenere conto dell'incertezza delle previsioni. Per impostazione predefinita, vengono generate previsioni per 0,1 (`p10`), 0,5 (`p50`) e 0,9 (`p90`). Puoi scegliere di specificare fino a cinque quantili da 0,01 (`p1`) a 0,99 (`p99`), con incrementi di 0,01 o superiori.
# Modifica di un set di dati di immagini
In Amazon SageMaker Canvas, puoi modificare i set di dati delle immagini e rivedere le etichette prima di creare un modello. Potresti voler eseguire attività come l'assegnazione di etichette a immagini senza etichetta o l'aggiunta di altre immagini al set di dati. Tutte queste attività possono essere eseguite nell'applicazione Canvas, che offre un unico posto per modificare il set di dati e creare un modello.
**Nota**
Prima di creare un modello, devi assegnare etichette a tutte le immagini del set di dati. Inoltre, è necessario disporre di almeno 25 immagini per etichetta e almeno due etichette. Per ulteriori informazioni sull'assegnazione di etichette, consulta la sezione di questa pagina chiamata **Assign labels to unlabeled images**. Se non riesci a determinare un'etichetta per un'immagine, dovresti eliminarla dal tuo set di dati. Per ulteriori informazioni sull’eliminazione dei messaggi, consulta la sezione in questa pagina [Aggiunta o eliminazione di immagini dal set di dati](#canvas-edit-image-add-delete).
Per iniziare a modificare il set di dati di immagini, dovresti utilizzare la scheda **Crea** durante la creazione del tuo modello di previsione delle immagini a etichetta singola.
Si apre una nuova pagina che mostra le immagini del set di dati insieme alle relative etichette. Questa pagina classifica il set di dati di immagini in **Immagini totali**, **Immagini etichettate** e **Immagini senza etichetta.** Inoltre, puoi consultare la **guida alla preparazione del set di dati** per le best practice sulla creazione di un modello di previsione delle immagini più accurato.
Lo screenshot seguente mostra la pagina per modificare il set di dati di immagini.
![\[Screenshot della pagina di gestione del set di dati di immagini in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/dataset-management-page.png)
Da questa pagina è possibile eseguire queste azioni:
## Visualizzare le proprietà di ogni immagine (etichetta, formato, dimensioni)
Per visualizzare una singola immagine, è possibile cercarla per nome del file nella barra di ricerca. Quindi, scegli l'immagine per aprire la visualizzazione completa. È possibile visualizzare le proprietà dell'immagine e riassegnare l'etichetta dell'immagine. Scegli **Salva** quando stai visualizzando l'immagine.
## Aggiungere, rinominare o eliminare etichette nel set di dati
Canvas elenca le etichette per il set di dati nel riquadro di navigazione a sinistra. È possibile aggiungere nuove etichette al set di dati inserendo un'etichetta nel campo di testo **Aggiungi etichetta**.
Per rinominare o eliminare un’etichetta dal tuo set di dati, scegli l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) accanto all’etichetta e scegli **Rinomina** o **Elimina**. Se rinomini l’etichetta, è possibile inserire il nuovo nome dell’etichetta e scegliere **Conferma**. Se elimini l'etichetta, l'etichetta viene rimossa da tutte le immagini del set di dati che hanno quell'etichetta. Tutte le immagini con l’etichetta specificata non verranno etichettate.
## Assegnazione di etichette alle immagini senza etichetta
Per visualizzare le immagini senza etichetta nel tuo set di dati, scegli **Senza etichetta** nel riquadro di navigazione a sinistra. Per ogni immagine, selezionala e apri l'etichetta intitolata **Senza etichetta** e seleziona un'etichetta da assegnare all'immagine dall'elenco a discesa. Inoltre, puoi selezionare più di un'immagine ed eseguire questa azione e a tutte le immagini selezionate viene assegnata l'etichetta che hai scelto.
## Riassegnazione di etichette alle immagini
È possibile riassegnare le etichette alle immagini selezionando l'immagine (o più immagini alla volta) e aprendo il menu a discesa intitolato all'etichetta corrente. Seleziona l'etichetta desiderata e l'immagine o le immagini vengono aggiornate con la nuova etichetta.
## Ordinamento delle immagini per etichetta
È possibile visualizzare tutte le immagini di una determinata etichetta selezionando l'etichetta nel riquadro di navigazione a sinistra.
## Aggiunta o eliminazione di immagini dal set di dati
È possibile aggiungere altre immagini al tuo set di dati scegliendo **Aggiungi immagini** nel riquadro di navigazione in alto. Verrai guidato attraverso il flusso di lavoro per importare altre immagini. Le immagini importate vengono aggiunte al set di dati esistente.
È possibile eliminare le immagini dal tuo set di dati selezionandole e quindi scegliendo **Elimina** nel riquadro di navigazione in alto.
**Nota**
Dopo aver apportato modifiche al set di dati, scegli **Salva set di dati** per assicurarti di non perdere le modifiche.
# Esplorazione e analisi dei dati
**Nota**
Puoi utilizzare visualizzazioni e analisi SageMaker Canvas solo per modelli basati su set di dati tabulari. Sono esclusi anche i modelli di previsione del testo multicategoria.
In Amazon SageMaker Canvas, puoi esplorare le variabili nel tuo set di dati utilizzando visualizzazioni e analisi e creare visualizzazioni e analisi all'interno dell'applicazione. È possibile utilizzare queste esplorazioni per scoprire le relazioni tra le variabili prima di creare il modello.
Per ulteriori informazioni sulle tecniche di visualizzazione in Canvas, consulta [Esplorazione dei dati utilizzando tecniche di visualizzazione](canvas-explore-data-visualization.md).
Per ulteriori informazioni sull'analytics in Canvas, consulta [Esplorazione di dati tramite analytics](canvas-explore-data-analytics.md).
# Esplorazione dei dati utilizzando tecniche di visualizzazione
**Nota**
Puoi utilizzare le visualizzazioni SageMaker Canvas solo per modelli basati su set di dati tabulari. Sono esclusi anche i modelli di previsione del testo multicategoria.
Con Amazon SageMaker Canvas, puoi esplorare e visualizzare i tuoi dati per ottenere informazioni avanzate sui tuoi dati prima di creare i tuoi modelli di machine learning. È possibile visualizzare utilizzando grafici a dispersione, grafici a barre e diagrammi a scatola e baffi, che possono aiutarti a comprendere i dati e scoprire le relazioni tra le caratteristiche che potrebbero influire sulla precisione del modello.
Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Data visualizer** per iniziare a creare le tue visualizzazioni.
È possibile modificare la dimensione del campione di visualizzazione per regolare la dimensione del campione casuale prelevato dal set di dati. Una dimensione del campione troppo grande potrebbe influire sulle prestazioni delle visualizzazioni dei dati, per cui ti consigliamo di scegliere una dimensione del campione appropriata. Per modificare la dimensione del campione, procedi come indicato di seguito.
1. Scegli **Esempio di visualizzazione**.
1. Utilizza il dispositivo di scorrimento per selezionare la dimensione del campione desiderata.
1. Scegli **Aggiorna** per confermare la modifica della dimensione del campione.
**Nota**
Alcune tecniche di visualizzazione richiedono colonne con un tipo di dati specifico. Ad esempio, è possibile utilizzare solo colonne numeriche per gli assi x e y dei grafici a dispersione.
## Grafico a dispersione
Per creare un grafico a dispersione con il tuo set di dati, scegli **Grafico a dispersione** nel pannello **Visualizzazione**. Scegli le funzionalità da riportare sugli assi x e y dalla sezione **Colonne**. Puoi trascinare le colonne sugli assi oppure, una volta rilasciato un asse, puoi scegliere una colonna dall’elenco delle colonne supportate.
È possibile utilizzare **Colore da** per colorare i punti dati sul grafico con una terza funzione. Inoltre, puoi utilizzare **Raggruppa per** raggruppare i dati in grafici separati in base a una quarta funzionalità.
L'immagine seguente mostra un grafico a dispersione che utilizza **Colore da** e **Raggruppa per**. In questo esempio, ogni punto dati è colorato in base alla caratteristiche `MaritalStatus` e il raggruppamento in base ai risultati della caratteristica `Department` genera un grafico a dispersione per i punti dati di ogni reparto.
![\[Screenshot di un grafico a dispersione nella visualizzazione Visualizzatore dati dell'applicazione Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-eda-scatter-plot.png)
## Grafico a barre
Per creare un grafico a barre con il tuo set di dati, scegli **Grafico a barre** nel pannello **Visualizzazione**. Scegli le funzionalità da riportare sugli assi x e y dalla sezione **Colonne**. Puoi trascinare le colonne sugli assi oppure, una volta rilasciato un asse, puoi scegliere una colonna dall’elenco delle colonne supportate.
È possibile utilizzare **Raggruppa per** raggruppare il grafico a barre in base a una terza funzionalità. È possibile utilizzare **In pila per** ombreggiare verticalmente ogni barra in base ai valori univoci di una quarta funzionalità.
L'immagine seguente mostra un grafico a barre che utilizza **Raggruppa per** e **Impila per**. In questo esempio, il grafico a barre è raggruppato in base alla caratteristica `MaritalStatus` e impilato in base alla caratteristica `JobLevel`. Per ogni `JobRole` sull'asse x, c'è una barra separata per le categorie univoche della caratteristica `MaritalStatus` e ogni barra è impilata verticalmente dalla caratteristica `JobLevel`.
![\[Screenshot di un grafico a barre nella vista Visualizzatore dati dell'applicazione Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-eda-bar-chart.png)
## Diagramma a scatola
Per creare un diagramma a scatola con il tuo set di dati, scegli **Diagramma a scatola** nel pannello **Visualizzazione**. Scegli le funzionalità da riportare sugli assi x e y dalla sezione **Colonne**. Puoi trascinare le colonne sugli assi oppure, una volta rilasciato un asse, puoi scegliere una colonna dall’elenco delle colonne supportate.
È possibile utilizzare **Raggruppa per** per raggruppare i diagramma a scatola in base a una terza funzione.
L'immagine seguente mostra un diagramma a scatola che utilizza **Raggruppa per**. In questo esempio, gli assi x e y mostrano `JobLevel` e`JobSatisfaction`, rispettivamente, i diagrammi a scatola colorati sono raggruppati in base alla caratteristica `Department`.
![\[Screenshot di un diagramma a scatola nella vista Visualizzatore dati dell'applicazione Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-eda-box-plot.png)
# Esplorazione di dati tramite analytics
**Nota**
Puoi utilizzare l'analisi SageMaker Canvas solo per modelli basati su set di dati tabulari. Sono esclusi anche i modelli di previsione del testo multicategoria.
Con l'analisi in Amazon SageMaker Canvas, puoi esplorare il tuo set di dati e ottenere informazioni su tutte le tue variabili prima di creare un modello. È possibile determinare le relazioni tra le caratteristiche del tuo set di dati utilizzando matrici di correlazione. È possibile utilizzare questa tecnica per riepilogare il set di dati in una matrice che mostra le correlazioni tra due o più valori. Ciò consente di identificare e visualizzare i modelli in un determinato set di dati per un'analisi avanzata dei dati.
La matrice mostra la correlazione tra ciascuna caratteristica come positiva, negativa o neutra. Potresti voler includere funzionalità che hanno un'elevata correlazione tra loro quando crei il tuo modello. Le funzionalità che hanno poca o nessuna correlazione potrebbero essere irrilevanti per il modello e puoi eliminarle durante la creazione del modello.
Per iniziare a usare le matrici di correlazione in SageMaker Canvas, consulta la sezione seguente.
## Crea una matrice di correlazione
Puoi creare una matrice di correlazione quando ti prepari a creare un modello nella scheda **Build dell'applicazione Canvas**. SageMaker
Per istruzioni su come iniziare a creare un modello, consulta [Crea un modello](canvas-build-model-how-to.md).
Dopo aver iniziato a preparare un modello nell'applicazione SageMaker Canvas, effettuate le seguenti operazioni:
1. Nella scheda **Crea**, scegli **Visualizzatore dati**.
1. Scegli **Analytics**.
1. Scegli **Matrice di correlazione**.
Dovresti vedere una visualizzazione simile allo screenshot seguente, che mostra fino a 15 colonne del set di dati organizzate in una matrice di correlazione.
![\[Screenshot di una matrice di correlazione nell'applicazione Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-correlation-matrix-2.png)
Dopo aver creato la matrice di correlazione, è possibile personalizzarla effettuando le seguenti operazioni:
### 1. Scegli le tue colonne
Per **Colonne**, è possibile selezionare le colonne che si desidera includere nella matrice. È possibile confrontare fino a 15 colonne del tuo set di dati.
**Nota**
È possibile utilizzare tipi di colonna numerici, categorici o binari per una matrice di correlazione. La matrice di correlazione non supporta i tipi di colonne di dati datetime o di testo.
Per aggiungere o rimuovere colonne dalla matrice di correlazione, seleziona e deseleziona colonne dal pannello **Colonne**. Inoltre, puoi anche trascinare le colonne dal pannello direttamente sulla matrice. Se il set di dati contiene molte colonne, è possibile cercare le colonne desiderate nella barra delle **colonne di ricerca**.
Per filtrare le colonne per tipo di dati, scegli l’elenco a discesa e seleziona **Tutto**, **Numerico** o **Categorico**. Selezionando **Tutto** vengono visualizzate tutte le colonne del set di dati, mentre i filtri **Numerico** e **Categorico** mostrano solo le colonne numeriche o categoriche del set di dati. Tieni presente che i tipi di colonne binarie sono inclusi nei filtri numerici o categorici.
Per ottenere informazioni ottimali sui dati, includi la colonna di destinazione nella matrice di correlazione. Quando includi la colonna di destinazione nella matrice di correlazione, questa appare come l'ultima caratteristica della matrice con un simbolo di destinazione.
### 2. Scegli il tuo tipo di correlazione
SageMaker Canvas supporta diversi *tipi di correlazione* o metodi per calcolare la correlazione tra le colonne.
Per modificare il tipo di correlazione, utilizza il filtro **Colonne** menzionato nella sezione precedente per filtrare il tipo di colonna e le colonne desiderati. Dovresti vedere il **Tipo di correlazione** nel pannello laterale. Per i confronti numerici, hai la possibilità di selezionare **Pearson** o **Spearman**. Per i confronti categorici, il tipo di correlazione è impostato su **MI**. Per i confronti categorici, il tipo di correlazione è impostato come **Spearman & MI**.
Per le matrici che confrontano solo colonne numeriche, il tipo di correlazione è Pearson o Spearman. La misura di Pearson valuta la relazione lineare tra due variabili continue. La misura Spearman valuta la relazione monotona tra due variabili. Sia per Pearson che per Spearman, la scala di correlazione va da -1 a 1, con entrambe le estremità della scala che indicano una correlazione perfetta (una relazione 1:1 diretta) e 0 che indica nessuna correlazione. Potresti voler selezionare Pearson se i tuoi dati hanno relazioni più lineari (come rivelato da un [grafico a dispersione](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html#canvas-explore-data-scatterplot)). Se i tuoi dati non sono lineari o contengono una combinazione di relazioni lineari e monotone, potresti voler selezionare Spearman.
Per le matrici che confrontano solo colonne categoriche, il tipo di correlazione è impostato su Mutual Information Classification (MI). Il valore MI è una misura della dipendenza reciproca tra due variabili casuali. La misura MI è su una scala da 0 a 1, dove 0 indica nessuna correlazione e 1 indica una correlazione perfetta.
Per le matrici che confrontano una combinazione di colonne numeriche e categoriche, il tipo di correlazione **Spearman & MI** è una combinazione dei tipi di correlazione Spearman e MI. Per le correlazioni tra due colonne numeriche, la matrice mostra il valore di Spearman. Per le correlazioni tra una colonna numerica e categorica o due colonne categoriche, la matrice mostra il valore MI.
Infine, ricorda che la correlazione non indica necessariamente una causalità. Un valore di correlazione forte indica solo che esiste una relazione tra due variabili, ma le variabili potrebbero non avere una relazione causale. Esamina attentamente le colonne di interesse per evitare distorsioni durante la creazione del modello.
### 3. Filtra le correlazioni
Nel pannello laterale, è possibile utilizzare la funzionalità **Filtra correlazioni** per filtrare l'intervallo di valori di correlazione che desideri includere nella matrice. Ad esempio, se si desidera filtrare le funzionalità che hanno solo una correlazione positiva o neutra, è possibile impostare il valore **Min** su 0 e il **Max** su 1 (i valori validi sono da -1 a 1).
Per i confronti tra Spearman e Pearson, è possibile impostare l'intervallo di **correlazioni del filtro** da -1 a 1, dove 0 indica che non esiste alcuna correlazione. -1 e 1 indicano che le variabili hanno rispettivamente una forte correlazione negativa o positiva.
Per i confronti MI, l'intervallo di correlazione va solo da 0 a 1, dove 0 indica che non c'è correlazione e 1 indica che le variabili hanno una forte correlazione, positiva o negativa.
Ogni caratteristica ha una correlazione perfetta (1) con se stessa. Pertanto, potresti notare che la riga superiore della matrice di correlazione è sempre 1. Se desideri escludere questi valori, è possibile utilizzare il filtro per impostare il valore **massimo** inferiore a 1.
Tieni presente che se la tua matrice confronta un mix di colonne numeriche e categoriche e utilizza il tipo di correlazione **Spearman & MI**, le correlazioni *categoriche x numeriche* *e categoriche x categoriche* (che utilizzano la misura MI) sono su una scala da 0 a 1, mentre le correlazioni *numeriche x numeriche* (che utilizzano la misura Spearman) sono su una scala da -1 a 1. Esamina attentamente le correlazioni di interesse per assicurarti di conoscere il tipo di correlazione utilizzato per calcolare ogni valore.
### 4. Scegli il metodo Visualizzazione.
Nel pannello laterale, è possibile utilizzare **Visualizza per** per modificare il metodo di visualizzazione della matrice. Scegli il metodo di visualizzazione **Numerico** per mostrare il valore di correlazione (Pearson, Spearman o MI) oppure scegli il metodo di visualizzazione **Dimensione** per visualizzare la correlazione con punti di dimensioni e colori diversi. Se scegli **Dimensione**, è possibile passare il mouse su un punto specifico sulla matrice per vedere il valore di correlazione effettivo.
### 5. Scegli una tavolozza colori
Nel pannello laterale, è possibile utilizzare **Selezione del colore** per modificare la tavolozza colori utilizzata per la scala di correlazione da negativa a positiva nella matrice. Seleziona una delle tavolozze colori alternative per modificare i colori utilizzati nella matrice.
# Preparazione dei dati per la creazione dei modelli
**Nota**
Ora puoi eseguire una preparazione avanzata dei dati in SageMaker Canvas con Data Wrangler, che ti fornisce un'interfaccia in linguaggio naturale e oltre 300 trasformazioni integrate. Per ulteriori informazioni, consulta [Preparazione dei dati](canvas-data-prep.md).
Il set di dati di machine learning potrebbe richiedere la preparazione dei dati prima di creare il modello. Potresti voler pulire i dati a causa di vari problemi, tra cui valori mancanti o valori anomali, ed eseguire l'ingegneria delle caratteristiche per migliorare la precisione del modello. Amazon SageMaker Canvas fornisce trasformazioni di dati ML con cui puoi pulire, trasformare e preparare i dati per la creazione di modelli. Puoi utilizzare queste trasformazioni sui tuoi set di dati senza alcun codice. SageMaker Canvas aggiunge le trasformazioni utilizzate alla **ricetta del modello**, che è una registrazione della preparazione dei dati effettuata sui dati prima di creare il modello. Qualsiasi trasformazione dati utilizzata modifica solo i dati di input per la creazione del modello e non la fonte di dati originale.
L'anteprima del set di dati mostra le prime 100 righe del set di dati. Se il tuo set di dati ha più di 20.000 righe, Canvas prende un campione casuale di 20.000 righe e visualizza in anteprima le prime 100 righe di quel campione. È possibile cercare e specificare solo i valori delle righe visualizzate in anteprima e la funzionalità di filtro filtra solo le righe visualizzate in anteprima e non l'intero set di dati.
Le seguenti trasformazioni sono disponibili in SageMaker Canvas per preparare i dati per la creazione.
**Nota**
È possibile utilizzare solo trasformazioni avanzate per modelli basati su set di dati tabulari. Sono esclusi anche i modelli di previsione del testo multicategoria.
## Eliminazione di colonne
Puoi escludere una colonna dalla build del modello rilasciandola nella scheda **Build** dell'applicazione SageMaker Canvas. Deseleziona la colonna che desideri eliminare e non verrà inclusa durante la creazione del modello.
**Nota**
Se elimini le colonne e poi fai [previsioni in batch](canvas-make-predictions.md) con il tuo modello, SageMaker Canvas aggiunge le colonne eliminate al set di dati di output disponibile per il download. Tuttavia, SageMaker Canvas non aggiunge nuovamente le colonne eliminate per i modelli di serie temporali.
## Filtraggio delle righe
La funzionalità di filtro filtra le righe visualizzate in anteprima (le prime 100 righe del set di dati) in base alle condizioni specificate. Il filtraggio delle righe crea un'anteprima temporanea dei dati e non influisce sulla creazione del modello. È possibile filtrare per visualizzare in anteprima le righe con valori mancanti, che contengono valori anomali o soddisfano condizioni personalizzate in una colonna a tua scelta.
### Filtraggio delle righe in base ai valori mancanti
I valori mancanti sono un'occorrenza comune nei set di dati di machine learning. Se hai righe con valori nulli o vuoti in determinate colonne, potresti voler filtrare e visualizzare in anteprima tali righe.
Per filtrare i valori mancanti dai dati visualizzati in anteprima, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Filtra per righe** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)).
1. Scegli la **colonna** in cui desideri verificare la presenza di valori mancanti.
1. Per **Operazione**, scegli **Mancante**.
SageMaker Canvas filtra le righe che contengono valori mancanti nella **colonna** selezionata e fornisce un'anteprima delle righe filtrate.
![\[Schermata del filtro mediante l'operazione dei valori mancanti nell'applicazione SageMaker Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-filter-missing.png)
### Filtraggio delle righe per valori anomali
I valori anomali, o valori rari nella distribuzione e nell'intervallo dei dati, possono influire negativamente sulla precisione del modello e portare a tempi di costruzione più lunghi. SageMaker Canvas consente di rilevare e filtrare le righe che contengono valori anomali nelle colonne numeriche. È possibile scegliere di definire valori anomali con deviazioni standard o un intervallo personalizzato.
Per filtrare i valori anomali nei dati, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Filtra per righe** (). ![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)
1. Scegli la **colonna** in cui desideri verificare la presenza di valori anomali.
1. Per **Operazione**, scegli **Valore anomalo**.
1. Imposta l'**Intervallo di valore anomalo** su **Deviazione standard** o **Intervallo personalizzato.**
1. Se scegli **Deviazione standard**, specifica un valore **SD** (deviazione standard) compreso tra 1 e 3. Se scegli **Intervallo personalizzato**, seleziona **Percentile** o **Numero**, quindi specifica i valori **Min** e **Max**.
L'opzione **Deviazione standard** rileva e filtra i valori anomali nelle colonne numeriche utilizzando media e deviazione standard. Si specifica il numero di deviazioni standard. Un valore deve variare dalla media per essere considerato un valore anomalo. Ad esempio, se si specifica `3` per **DS**, un valore deve scendere di più di 3 deviazioni standard dalla media per essere considerato un valore anomalo.
L'opzione **Intervallo personalizzato** rileva e filtra i valori anomali nelle colonne numeriche utilizzando valori minimi e massimi. Utilizza questo metodo se conosci i valori di soglia che delimitano i valori anomali. È possibile impostare il **Tipo** dell'intervallo su **Percentile** o **Numero.** Se scegli **Percentile**, i valori **Min** e **Max** devono essere il minimo e il massimo dell'intervallo di percentili (0-100) che si desidera consentire. Se scegli **Numero**, i valori **Min** e **Max** devono essere i valori numerici minimo e massimo che desideri filtrare nei dati.
![\[Schermata dell'operazione di filtro per valori anomali nell'applicazione Canvas. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-filter-outlier.png)
### Filtraggio delle righe in base a valori personalizzati
È possibile filtrare le righe con valori che soddisfano condizioni personalizzate. Ad esempio, potresti voler visualizzare in anteprima le righe con un valore di prezzo superiore a 100 prima di rimuoverle. Con questa funzionalità, è possibile filtrare le righe che superano la soglia impostata e visualizzare in anteprima i dati filtrati.
Per utilizzare la funzionalità di filtro personalizzato, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegliete **Filtra per righe** (). ![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)
1. Scegli la **Colonna** che desideri verificare.
1. Seleziona il tipo di **Operazione** che desideri utilizzare, quindi specifica i valori per la condizione selezionata.
Per **Operazione**, è possibile scegliere una delle seguenti opzioni. Nota che le operazioni disponibili dipendono dal tipo di dati della colonna scelta. Ad esempio, non è possibile creare un'operazione `is greater than` per una colonna contenente valori di testo.
| Operation | Tipo di dati supportati | Tipo di caratteristica supportata | Funzione |
| --- | --- | --- | --- |
| È uguale a | Numerico, testo | Binario, categorico | Filtra le righe in cui il valore in **Colonna** è uguale ai valori specificati. |
| Non è uguale a | Numerico, testo | Binario, categorico | Filtra le righe in cui il valore in **Colonna** non è uguale ai valori specificati. |
| È minore di | Numerico | N/D | Filtra le righe in cui il valore in **Colonna** è minore rispetto al valore specificato. |
| È minore di o uguale a | Numerico | N/D | Filtra le righe in cui il valore in **Colonna** è minore o uguale ai valori specificati. |
| È maggiore di | Numerico | N/D | Filtra le righe in cui il valore in **Colonna** è maggiore rispetto ai valori specificati. |
| È maggiore di o uguale a | Numerico | N/D | Filtra le righe in cui il valore in **Colonna** è maggiore di o uguale al valore specificato. |
| È compreso tra | Numerico | N/D | Filtra le righe in cui il valore in **Colonna** è compreso tra o uguale ai valori specificati. |
| Contiene | Testo | Categoriale | Filtra le righe in cui il valore in **Colonna** contiene i valori specificati dall'utente. |
| Inizia con | Testo | Categoriale | Filtra le righe in cui il valore in **Colonna** inizia con un valore specificato dall'utente. |
| Ends with | Categoriale | Categoriale | Filtra le righe in cui il valore in **Colonna** termina con un valore specificato dall'utente. |
Dopo aver impostato l'operazione di filtro, SageMaker Canvas aggiorna l'anteprima del set di dati per mostrarvi i dati filtrati.
![\[Schermata dell'operazione di filtro mediante valori personalizzati nell'applicazione Canvas. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-filter-custom.png)
## Funzioni e operatori
È possibile utilizzare funzioni e operatori matematici per l'esplorazione e la distribuzione dei dati. È possibile utilizzare le funzioni supportate da SageMaker Canvas o creare una formula personalizzata con i dati esistenti e creare una nuova colonna con il risultato della formula. Ad esempio, è possibile aggiungere i valori corrispondenti di due colonne e salvare il risultato in una nuova colonna.
È possibile nidificare le istruzioni per creare funzioni più complesse. Di seguito sono riportati alcuni esempi di funzioni nidificate che è possibile utilizzare.
+ Per calcolare l'IMC, è possibile utilizzare la funzione `weight / (height ^ 2)`.
+ Per classificare le età, puoi utilizzare la funzione `Case(age < 18, 'child', age < 65, 'adult', 'senior')`.
È possibile specificare le funzioni nella fase di preparazione dei dati prima di creare il modello. Per importare una funzione, procedi nel modo seguente:
+ Nella scheda **Crea** dell'applicazione SageMaker Canvas, scegli **Visualizza tutto**, quindi scegli **Formula personalizzata** per aprire il pannello **Formula personalizzata**.
+ Nel pannello **Formula personalizzata**, è possibile scegliere una **formula** da aggiungere alla tua **Ricetta del modello**. Ogni formula viene applicata a tutti i valori nelle colonne specificate. Per le formule che accettano due o più colonne come argomenti, utilizza colonne con tipi di dati corrispondenti. Se non lo fai, riceverai un errore o verranno visualizzati valori `null` nella nuova colonna.
+ Dopo aver specificato una **formula**, aggiungi un nome di colonna nel campo **Nome nuova colonna**. SageMaker Canvas usa questo nome per la nuova colonna che viene creata.
+ (Facoltativo) Scegli **Anteprima** per visualizzare l'anteprima della trasformazione.
+ Per aggiungere la funzione alla tua **Ricetta del modello**, scegli **Aggiungi**.
SageMaker Canvas salva il risultato della funzione in una nuova colonna utilizzando il nome specificato in **New Column Name**. È possibile visualizzare o rimuovere le funzioni dal pannello **Ricetta del modello**.
SageMaker Canvas supporta i seguenti operatori per le funzioni. È possibile utilizzare il formato testo o il formato in linea per specificare la funzione.
| Operatore | Description | Tipi di dati supportati | Formato testo | Formato in linea |
| --- | --- | --- | --- | --- |
| Add (Aggiungi) | Restituisce la somma dei valori | Numerico | Aggiungi (vendite1, vendite2) | vendite1 \$1 vendite2 |
| Subtract (Sottrai) | Restituisce la differenza tra i valori | Numerico | Sottrai (vendite1, vendite2) | vendite1 \$1 vendite2 |
| Multiply (Moltiplica) | Restituisce la somma dei valori | Numerico | Moltiplica (vendite1, vendite2) | vendite1 \$1 vendite2 |
| Divide (Dividi) | Restituisce il quoziente dei valori | Numerico | Divide (vendite1, vendite2) | vendite1 / vendite2 |
| Mod | Restituisce il risultato dell'operatore modulo (il resto dopo la divisione dei due valori) | Numerico | Mod(vendite1, vendite2) | vendite1 % vendite2 |
| Abs | Restituisce il valore assoluto del valore | Numerico | Abs (vendite1) | N/D |
| Nega | Restituisce il negativo del valore | Numerico | Nega (c1) | ‐c1 |
| Exp | Restituisce e (numero di Eulero) elevato alla potenza del valore | Numerico | Exp(vendite1) | N/D |
| Log | Restituisce il logaritmo (in base 10) del valore | Numerico | Log(vendite1) | N/D |
| Ln | Restituisce il logaritmo naturale (in base e) del valore | Numerico | Ln(vendite1) | N/D |
| Pow | Restituisce il valore elevato a una potenza | Numerico | Pow(vendite 1, 2) | vendite 1 ^ 2 |
| Se | Restituisce un'etichetta vera o falsa in base a una condizione specificata | Booleano, numerico, testo | Se(sales1>7000, 'truelabel, 'falselabel') | N/D |
| Or | Restituisce un valore booleano che indica se uno dei valori/condizioni specificati è vero o meno | Booleano | Oppure(prezzopieno, sconto) | prezzopieno, \$1\$1 sconto |
| And | Restituisce un valore booleano che indica se due dei valori specificati sono veri o meno | Booleano | E(vendite1, vendite2) | vendite1 && vendite2 |
| Not | Restituisce un valore booleano che è l’opposto del valore o delle condizioni specificati | Booleano | Not(vendite1) | \$1vendite1 |
| Caso | Restituisce un valore booleano basato su istruzioni condizionali (restituisce c1 se cond1 è vero, restituisce c2 se cond2 è vero, altrimenti restituisce c3) | Booleano, numerico, testo | Caso(cond1, c1, cond2, c2, c3) | N/D |
| Uguale | Restituisce un valore booleano che indica se due valori sono uguali | Booleano, numerico, testo | N/D | c1 = c2c1 == c2 |
| Non uguale | Restituisce un valore booleano che indica se due valori sono diversi | Booleano, numerico, testo | N/D | c1\$1= c2 |
| Less than | Restituisce un valore booleano che indica se c1 è minore di c2 | Booleano, numerico, testo | N/D | c1 < c2 |
| Greater than | Restituisce un valore booleano che indica se c1 è maggiore di c2 | Booleano, numerico, testo | N/D | c1 > c2 |
| Minore di o uguale a | Restituisce un valore booleano che indica se c1 è minore di o uguale a c2 | Booleano, numerico, testo | N/D | c1 < c2 |
| Maggiore di o uguale a | Restituisce un valore booleano che indica se c1 è maggiore di o uguale a c2 | Booleano, numerico, testo | N/D | c1 >= c2 |
SageMaker Canvas supporta anche operatori aggregati, che possono eseguire operazioni come il calcolo della somma di tutti i valori o la ricerca del valore minimo in una colonna. È possibile utilizzare operatori di aggregazione in combinazione con operatori standard nelle funzioni. Ad esempio, per calcolare la differenza tra i valori e la media, è possibile utilizzare la funzione. `Abs(height – avg(height))` SageMaker Canvas supporta i seguenti operatori di aggregazione.
| Operatore di aggregazione | Description | Formato | Esempio |
| --- | --- | --- | --- |
| sum | Restituisce la somma di tutti i valori in una colonna | sum | sum(c1) |
| minimum | Restituisce il valore minimo di una colonna | min | min(c2) |
| maximum | Restituisce il valore massimo di una colonna | max | max(c3) |
| average | Restituisce il valore medio di una colonna | avg | avg(c4) |
| std | Restituisce la deviazione standard di esempio di una colonna | std | std(c1) |
| stddev | Restituisce la deviazione standard dei valori in una colonna | stddev | stddev(c1) |
| variance | Restituisce lo scostamento imparziale dei valori di una colonna | variance | variance(c1) |
| approx\$1count\$1distinct | Restituisce il numero approssimativo di elementi distinti in una colonna | approx\$1count\$1distinct | approx\$1count\$1distinct(c1) |
| count | Restituisce il numero di elementi in una colonna | count | count(c1) |
| first | Restituisce il valore medio di una colonna | first | first(c1) |
| last | Restituisce l'ultimo valore di una colonna | last | last(c1) |
| stddev\$1pop | Restituisce la deviazione standard della popolazione di una colonna | stddev\$1pop | stddev\$1pop(c1) |
| variance\$1pop | Restituisce lo scostamento della popolazione dei valori in una colonna | variance\$1pop | variance\$1pop(c1) |
## Gestisci righe
Con la trasformazione Gestisci righe, è possibile ordinare, mischiare in modo casuale e rimuovere righe di dati dal set di dati.
### Ordinare le righe
Per ordinare le righe di un set di dati in base a una determinata colonna, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Gestisci righe**, quindi scegli **Ordina righe**.
1. Per **Ordina colonna**, scegli la colonna che desideri ordinare.
1. Per **Criterio di ordinamento**, seleziona **Crescente** o **Decrescente**.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
### Mischiare le righe
Per mischiare casualmente le righe in un set di dati, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Gestisci righe**, quindi scegli **Shuffle** rows.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
### Eliminare le righe duplicate
Per rimuovere le righe duplicate in un set di dati, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Gestisci righe**, quindi scegli **Elimina righe duplicate**.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
### Rimuovere le righe per valori mancanti
I valori mancanti sono un'occorrenza comune nei set di dati di machine learning e possono avere un impatto sulla precisione del modello. Utilizza questa trasformazione se desideri eliminare righe con valori nulli o vuoti in determinate colonne.
Per rimuovere le righe che contengono valori mancanti in una colonna specificata, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Gestisci righe**.
1. Scegli **Elimina righe per valori mancanti**.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
SageMaker Canvas rilascia le righe che contengono valori mancanti nella **colonna** selezionata. Dopo aver rimosso le righe dal set di dati, SageMaker Canvas aggiunge la trasformazione nella sezione **Model recipe**. Se rimuovi la trasformazione dalla sezione **Ricetta del modello**, le righe ritornano al tuo set di dati.
![\[Schermata dell'operazione di rimozione delle righe mediante valori mancanti nell'applicazione SageMaker Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-remove-missing.png)
### Rimuovere le righe per valori anomali
I valori anomali, ovvero valori rari nella distribuzione e nell'intervallo dei dati, possono influire negativamente sulla precisione del modello e portare a tempi di creazione più lunghi. Con SageMaker Canvas, puoi rilevare e rimuovere le righe che contengono valori anomali nelle colonne numeriche. È possibile scegliere di definire valori anomali con deviazioni standard o un intervallo personalizzato.
Per rimuovere valori anomali dai dati, effettua le seguenti operazioni.
1. **Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli Gestisci righe.**
1. Scegli **Elimina righe per valori anomali**.
1. Scegli la **Colonna** in cui desideri verificare la presenza di valori anomali.
1. Imposta l’**Operatore** su **Deviazione standard**, **Intervallo numerico personalizzato** o **Intervallo quantile personalizzato**.
1. Se scegli **Deviazione standard**, specifica un valore **Deviazioni standard** compreso tra 1 e 3. Se scegli **Intervallo numerico personalizzato** o **Intervallo quantile personalizzato**, specifica i valori **minimo** e **massimo** (numeri per gli intervalli numerici o percentili compresi tra 0 e 100% per gli intervalli quantili).
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
L'opzione **Deviazione standard** rileva e rimuove i valori anomali nelle colonne numeriche utilizzando la media e la deviazione standard. Si specifica il numero di deviazioni standard. Un valore deve variare dalla media per essere considerato un valore anomalo. Ad esempio, se si specifica `3` per **Deviazioni standard**, un valore deve scendere di più di 3 deviazioni standard dalla media per essere considerato un valore anomalo.
Le opzioni **Intervallo numerico personalizzato** e **Intervallo quantile personalizzato** rilevano e rimuovono i valori anomali nelle colonne numeriche utilizzando valori minimi e massimi. Utilizzare questo metodo se si conoscono i valori di soglia che delimitano i valori anomali. Se si sceglie un intervallo numerico, i valori **Min** e **Max** devono essere i valori numerici minimo e massimo che si desidera consentire nei dati. Se si sceglie un intervallo quantile, i valori **Min** e **Max** devono essere il minimo e il massimo dell'intervallo di percentili (0-100) che si desidera consentire.
Dopo aver rimosso le righe dal set di dati, SageMaker Canvas aggiunge la trasformazione nella sezione **Model recipe**. Se rimuovi la trasformazione dalla sezione **Ricetta del modello**, le righe ritornano al tuo set di dati.
![\[Schermata dell'operazione di rimozione delle righe tramite outliers nell'applicazione Canvas. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-remove-outlier.png)
### Rimuovere le righe iper valori personalizzati
È possibile filtrare le righe con valori che soddisfano condizioni personalizzate. Ad esempio, potresti voler escludere tutte le righe con un valore di prezzo superiore a 100 durante la creazione del modello. Con questa trasformazione, è possibile creare una regola che rimuove tutte le righe che superano la soglia impostata.
Per utilizzare la trasformazione di rimozione personalizzata, effettua le seguenti operazioni.
1. **Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli Gestisci righe.**
1. Scegli **Elimina righe per formula**.
1. Scegli la **Colonna** che desideri verificare.
1. Seleziona il tipo di **Operazione** che desideri utilizzare, quindi specifica i valori per la condizione selezionata.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
Per l'**Operazione**, è possibile scegliere una delle seguenti opzioni. Nota che le operazioni disponibili dipendono dal tipo di dati della colonna scelta. Ad esempio, non è possibile creare un'operazione `is greater than` per una colonna contenente valori di testo.
| Operation | Tipo di dati supportati | Tipo di caratteristica supportata | Funzione |
| --- | --- | --- | --- |
| È uguale a | Numerico, testo | Binario, categorico | Rimuove le righe in cui il valore in **Colonna** è uguale ai valori specificati. |
| Non è uguale a | Numerico, testo | Binario, categorico | Rimuove le righe in cui il valore in **Colonna** non è uguale ai valori specificati. |
| È minore di | Numerico | N/D | Rimuove le righe in cui il valore in **Colonna** è minore rispetto al valore specificato. |
| È minore di o uguale a | Numerico | N/D | Rimuove le righe in cui il valore in **Colonna** è minore di o uguale ai valori specificati. |
| È maggiore di | Numerico | N/D | Rimuove le righe in cui il valore in **Colonna** è maggiore rispetto al valore specificato. |
| È maggiore di o uguale a | Numerico | N/D | Rimuove le righe in cui il valore in **Colonna** è maggiore di o uguale al valore specificato. |
| È compreso tra | Numerico | N/D | Rimuove le righe in cui il valore in **Colonna** è compreso tra o uguale ai valori specificati. |
| Contiene | Testo | Categoriale | Rimuove le righe in cui il valore in **Colonna** contiene i valori specificati dall'utente. |
| Inizia con | Testo | Categoriale | Filtra le righe in cui il valore in **Colonna** inizia con un valore specificato dall'utente. |
| Ends with | Testo | Categoriale | Rimuove le righe in cui il valore in **Colonna** termina con un valore specificato dall'utente. |
Dopo aver rimosso le righe dal set di dati, SageMaker Canvas aggiunge la trasformazione nella sezione **Model recipe**. Se rimuovi la trasformazione dalla sezione **Ricetta del modello**, le righe ritornano al tuo set di dati.
![\[Schermata dell'operazione di rimozione delle righe mediante valori personalizzati nell'applicazione SageMaker Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-remove-custom.png)
## Rinominare le colonne
Con la trasformazione di ridenominazione delle colonne, è possibile rinominare le colonne nei tuoi dati. Quando si rinomina una colonna, SageMaker Canvas modifica il nome della colonna nell'input del modello.
È possibile rinominare una colonna nel set di dati facendo doppio clic sul nome della colonna nella scheda **Build** dell'applicazione SageMaker Canvas e inserendo un nuovo nome. Premendo il tasto **Invio** si invia la modifica e facendo clic in un punto qualsiasi al di fuori dell'input si annulla la modifica. Inoltre, puoi rinominare una colonna facendo clic sull'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), situata alla fine della riga nella visualizzazione elenco o alla fine della cella di intestazione nella visualizzazione a griglia e scegliendo **Rinomina**.
Il nome della colonna non può contenere più di 32 caratteri o avere caratteri di sottolineatura doppi (\$1\$1) e non puoi rinominare una colonna con lo stesso nome di un'altra colonna. Inoltre, non puoi rinominare una colonna eliminata.
Lo screenshot seguente mostra come rinominare una colonna facendo doppio clic sul nome della colonna.
![\[Schermata della ridenominazione di una colonna con il metodo del doppio clic nell'applicazione Canvas. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-rename-column.png)
**Quando rinomini una colonna, SageMaker Canvas aggiunge la trasformazione nella sezione Model recipe.** Se si rimuove la trasformazione dalla sezione **Ricetta del modello**, la colonna torna al suo nome originale.
## Gestione delle colonne
Con le seguenti trasformazioni, puoi modificare il tipo di dati delle colonne e sostituire i valori o gli outlier mancanti per colonne specifiche. SageMaker Canvas utilizza i tipi o i valori di dati aggiornati durante la creazione del modello, ma non modifica il set di dati originale. Nota che se hai eliminato una colonna dal tuo set di dati utilizzando la [Eliminazione di colonne](#canvas-prepare-data-drop) trasformazione, non puoi sostituire i valori in quella colonna.
### Sostituzione dei valori mancanti
I valori mancanti sono un'occorrenza comune nei set di dati di machine learning e possono avere un impatto sulla precisione del modello. È possibile scegliere di eliminare le righe con valori mancanti, ma il tuo modello è più preciso se scegli invece di sostituire i valori mancanti. Con questa trasformazione, è possibile sostituire i valori mancanti nelle colonne numeriche con la media o la mediana dei dati in una colonna oppure è possibile anche specificare un valore personalizzato con cui sostituire i valori mancanti. Per le colonne non numeriche, è possibile sostituire i valori mancanti con la modalità (valore più comune) della colonna o con un valore personalizzato.
Utilizza questa trasformazione se desideri eliminare righe con valori nulli o vuoti in determinate colonne. Per sostituire i valori mancanti in una colonna specificata, effettua le seguenti operazioni.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Gestisci colonne**.
1. Scegli **Sostituisci i valori mancanti**.
1. Scegli la **Colonna** in cui desideri sostituire i valori mancanti.
1. Imposta **Modalità** su **Manuale** per sostituire i valori mancanti con valori specificati dall'utente. Con l'impostazione **Automatico (predefinita)**, SageMaker Canvas sostituisce i valori mancanti con valori imputati che meglio si adattano ai dati. Questo metodo di attribuzione viene eseguito automaticamente per ogni creazione del modello, a meno che non si specifichi la modalità **Manuale**.
1. Imposta il valore **Sostituisci con**:
+ Se la colonna è numerica, seleziona **Media**, **Mediana** o **Personalizzata**. **Media** sostituisce i valori mancanti con la media della colonna e **Mediana** sostituisce i valori mancanti con la mediana della colonna. Se scegli **Personalizzato**, devi specificare un valore personalizzato che desideri utilizzare per sostituire i valori mancanti.
+ Se la colonna è non numerica, seleziona **Modalità** o **Personalizzato**. La **Modalità** sostituisce i valori mancanti con la modalità, o il valore più comune, per la colonna. Per **Personalizzato**, devi specificare un valore personalizzato che desideri utilizzare per sostituire i valori mancanti.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
Dopo aver sostituito i valori mancanti nel set di dati, SageMaker Canvas aggiunge la trasformazione nella sezione **Model** recipe. Se rimuovi la trasformazione dalla sezione **Ricetta del modello**, i valori mancanti ritornano al tuo set di dati.
![\[Schermata dell'operazione di sostituzione dei valori mancanti nell'applicazione SageMaker Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-replace-missing.png)
### Sostituzione dei valori anomali
I valori anomali, o valori rari nella distribuzione e nell'intervallo dei dati, possono influire negativamente sulla precisione del modello e portare a tempi di costruzione più lunghi. SageMaker Canvas consente di rilevare i valori anomali nelle colonne numeriche e di sostituirli con valori che rientrano in un intervallo accettato nei dati. È possibile scegliere di definire valori anomali con deviazioni standard o un intervallo personalizzato e sostituire i valori anomali con i valori minimi e massimi nell'intervallo accettato.
Per sostituire i valori anomali nei dati, effettua le seguenti operazioni.
1. **Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli Gestisci colonne.**
1. Scegli **Sostituisci valori anomali**.
1. Scegli la **Colonna** in cui desideri sostituire i valori mancanti.
1. Per **Definisci valori anomali**, scegli **Deviazione standard**, **Intervallo numerico personalizzato** o **Intervallo quantile personalizzato**.
1. Se scegli **Deviazione standard**, specifica un valore **Deviazioni standard** compreso tra 1 e 3. Se scegli **Intervallo numerico personalizzato** o **Intervallo quantile personalizzato**, specifica i valori **minimo** e **massimo** (numeri per gli intervalli numerici o percentili compresi tra 0 e 100% per gli intervalli quantili).
1. Per **Sostituisci con**, seleziona **Intervallo min/max**.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **Ricetta del modello**.
L'opzione **Deviazione standard** rileva i valori anomali nelle colonne numeriche utilizzando la media e la deviazione standard. Si specifica il numero di deviazioni standard. Un valore deve variare dalla media per essere considerato un valore anomalo. Ad esempio, se specificate 3 per **le deviazioni standard**, un valore deve essere inferiore a più di 3 deviazioni standard dalla media per essere considerato un valore anomalo. SageMaker Canvas sostituisce i valori anomali con il valore minimo o il valore massimo nell'intervallo accettato. Ad esempio, se configuri le deviazioni standard per includere solo valori compresi tra 200 e 300, SageMaker Canvas modifica un valore da 198 a 200 (il minimo).
Le opzioni **Intervallo numerico personalizzato** e **Intervallo quantile personalizzato** rilevano i valori anomali nelle colonne numeriche utilizzando valori minimi e massimi. Utilizzare questo metodo se si conoscono i valori di soglia che delimitano i valori anomali. Se scegli un intervallo numerico, i valori **Min** e **Max** devono essere i valori numerici minimo e massimo che desideri consentire. SageMaker Canvas sostituisce tutti i valori che non rientrano nei valori minimo e massimo con i valori minimo e massimo. Ad esempio, se l'intervallo consente solo valori compresi tra 1 e 100, SageMaker Canvas modifica un valore da 102 a 100 (il massimo). Se si sceglie un intervallo di quantili, i valori **Min** e **Max** devono essere il minimo e il massimo dell'intervallo di percentili (0—100) che si desidera consentire.
Dopo aver sostituito i valori nel set di dati, SageMaker Canvas aggiunge la trasformazione nella sezione **Model** recipe. Se rimuovi la trasformazione dalla sezione **Ricetta del modello**, i valori originali ritornano al tuo set di dati.
![\[Schermata dell'operazione di sostituzione degli outliers nell'applicazione Canvas. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-replace-outlier.png)
### Modifica del tipo di dati
SageMaker Canvas offre la possibilità di modificare il *tipo di dati* delle colonne tra numerico, testo e datetime, visualizzando anche il tipo di *funzionalità associato a quel tipo di* dati. Un *tipo di dati* si riferisce al formato dei dati e al modo in cui vengono archiviati, mentre il *tipo di caratteristica* si riferisce alla caratteristica dei dati utilizzati negli algoritmi di machine learning, ad esempio binari o categorici. Ciò offre la flessibilità necessaria per modificare manualmente il tipo di dati nelle colonne in base alle funzionalità. La possibilità di scegliere il tipo di dati giusto garantisce l'integrità e la precisione dei dati prima di creare modelli. Questi tipi di dati vengono utilizzati per la creazione di modelli.
**Nota**
Attualmente, la modifica del tipo di funzionalità (ad esempio, da binario a categorico) non è supportata.
Le tabelle seguenti riportano tutti i tipi di dati supportati in Canvas.
| Tipo di dati | Description | Esempio |
| --- | --- | --- |
| Numerico | I dati numerici rappresentano valori numerici | 1, 2, 31,1, 1,2. 1.3 |
| Testo | I dati di testo rappresentano sequenze di caratteri, come nomi o descrizioni | A, B, C, Dmela, banana, arancia1A\$1 , 2A\$1 , 3A\$1 |
| Datetime | I dati Datetime rappresentano date e ore in formato timestamp | 01-07-2019 01:00:00, 01-07-2019 02:00:00, 01-07-2019 03:00:00 |
La tabella seguente riporta tutti i tipi di caratteristiche supportati in Canvas.
| Tipo Caratteristica | Description | Esempio |
| --- | --- | --- |
| Binario | Le caratteristiche binarie rappresentano due valori possibili | 0, 1, 0, 1, 0 (due valori distinti)vero, falso, vero (due valori distinti) |
| Categoriale | Le caratteristiche categoriali rappresentano categorie o gruppi distinti | mela, banana, arancia, mela (tre valori distinti)A, B, C, D, E, A, D, C (cinque valori distinti) |
Per modificare il tipo di dati di una colonna in un set di dati, procedi come segue.
1. Nella scheda **Crea** dell'applicazione SageMaker Canvas, vai alla vista a **colonne o alla vista** **Griglia** e seleziona il menu a discesa **Tipo di dati** per la colonna specifica.
1. Nel menu a discesa **Tipo di dati**, scegli il tipo di dati in cui eseguire la conversione. Lo screenshot seguente mostra il menu a discesa.
![\[Il menu a discesa per la conversione dei tipi di dati per una colonna, mostrato nella scheda Crea.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-change.png)
1. In **Colonna**, scegli o verifica la colonna per cui desideri modificare il tipo di dati.
1. In **Nuovo tipo di dati**, scegli o verifica il nuovo tipo di dati in cui desideri eseguire la conversione.
1. Se il **Nuovo tipo di dati** è `Datetime` o`Numeric`, scegli una delle seguenti opzioni in **Gestisci valori non validi**:
1. **Sostituisci con un valore vuoto**: i valori non validi vengono sostituiti con un valore vuoto
1. **Elimina righe**: le righe con un valore non valido vengono rimosse dal set di dati
1. **Sostituisci con un valore personalizzato**: i valori non validi vengono sostituiti con il **valore personalizzato** specificato.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **ricetta del modello.**
Il tipo di dati della tua colonna dovrebbe ora essere aggiornato.
## Preparazione dei dati di serie temporali
Utilizza le seguenti funzionalità per preparare i dati di serie temporali per creare modelli di previsione di serie temporali.
### Ricampiona i dati di serie temporali
Ricampionando i dati di serie temporali, puoi stabilire intervalli regolari per le osservazioni nel set di dati di serie temporali. Ciò è particolarmente utile quando lavori con dati di serie temporali contenenti osservazioni con spaziatura irregolare. Ad esempio, puoi utilizzare il ricampionamento per trasformare un set di dati con osservazioni registrate a intervalli di un'ora, due ore e tre ore in un intervallo regolare di un'ora tra le osservazioni. Gli algoritmi di previsione richiedono che le osservazioni vengano eseguite a intervalli regolari.
Per ricampionare i dati di serie temporali, procedi come segue.
1. Nella scheda **Build** dell'applicazione SageMaker Canvas, scegli **Serie temporali**.
1. Scegli **Ricampiona**.
1. Nella **Colonna di timestamp**, scegli la colonna a cui vuoi applicare la trasformazione. Puoi selezionare solo colonne di tipo **Datetime**.
1. Nella sezione **Impostazione di frequenza**, scegli una **Frequenza** e un **Tasso**. La **frequenza** è l'unità di frequenza e il **tasso** è l'intervallo dell'unità di frequenza da applicare alla colonna. Ad esempio, scegliendo `Calendar Day` come **Valore di frequenza** e `1` come **Tasso** si imposta l'intervallo in modo che aumenti ogni 1 giorno di calendario, ad esempio `2023-03-26 00:00:00`, `2023-03-27 00:00:00`, `2023-03-28 00:00:00`. Consulta la tabella riportata dopo questa procedura per un elenco completo dei **valori di frequenza**.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **ricetta del modello**.
La tabella seguente elenca tutti i tipi di **frequenza** che puoi selezionare durante il ricampionamento dei dati di serie temporali.
| Frequenza | Description | Valori di esempio (supponendo che il tasso sia 1) |
| --- | --- | --- |
| Giorno lavorativo | Ricampiona le osservazioni nella colonna datetime su cinque giorni lavorativi della settimana (lunedì, martedì, mercoledì, giovedì, venerdì) | 2023-03-24 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-03 00:00:00 |
| Giorno del calendario | Ricampiona le osservazioni nella colonna datetime su tutti e sette i giorni della settimana (lunedì, martedì, mercoledì, giovedì, venerdì, sabato, domenica) | 2023-03-26 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-01 00:00:00 |
| Settimana | Ricampiona le osservazioni nella colonna datetime sul primo giorno di ogni settimana | -13 00:00:00 2023-03-20 00:00:00 2023-03-27 00:00:00 2023-04-03 00:00:00 |
| Mese | Ricampiona le osservazioni nella colonna datetime sul primo giorno di ogni mese | -01 00:00:00 2023-04-01 00:00:00 2023-05-01 00:00:00 2023-06-01 00:00:00 |
| Trimestre | Ricampiona le osservazioni nella colonna datetime sull’ultimo giorno di ogni trimestre | 2023-03-31 00:00:00 2023-06-30 00:00:00 2023-09-30 00:00:00 2023-12-31 00:00:00 |
| Anno | Ricampiona le osservazioni nella colonna datetime sull’ultimo giorno di ogni anno | 2022-12-31 0:00:00 2023-12-31 00:00:00 2024-12-31 00:00:00 |
| Ora | Ricampiona le osservazioni nella colonna datetime su ogni ora di ogni giorno | 2023-03-24 00:00:00 2023-03-24 01:00:00 2023-03-24 02:00:00 2023-03-24 03:00:00 |
| Minuto | Ricampiona le osservazioni nella colonna datetime su ogni minuto di ogni ora | 2023-03-24 00:00:00 2023-03-24 00:01:00 2023-03-24 00:02:00 2023-03-24 00:03:00 |
| Secondo | Ricampiona le osservazioni nella colonna datetime su ogni secondo di ogni minuto | 2023-03-24 00:00:00 2023-03-24 00:00:01 2023-03-24 00:00:02 2023-03-24 00:00:03 |
Quando applichi la trasformazione di ricampionamento, puoi utilizzare le opzioni **Avanzate** per specificare in che modo vengono modificati i valori risultanti delle altre colonne (diverse dalla colonna di timestamp) nel tuo set di dati. Puoi farlo specificando la metodologia di ricampionamento, che può essere un sottocampionamento o un sovracampionamento, sia per colonne numeriche che non numeriche.
Il *sottocampionamento* aumenta l'intervallo tra le osservazioni nel set di dati. Ad esempio, se si esegue il sottocampionamento di osservazioni effettuate ogni ora o ogni due ore, ogni osservazione nel set di dati viene eseguita ogni due ore. I valori delle altre colonne delle osservazioni orarie vengono aggregati in un unico valore, utilizzando un metodo combinato. La tabella seguente mostra un esempio di sottocampionamento dei dati di serie temporali utilizzando la media come metodo di combinazione. I dati vengono sottoposti a sottocampionamento da ogni due ore a ogni ora.
La tabella seguente mostra le letture della temperatura eseguita ogni ora nell'arco di un giorno prima del sottocampionamento.
| Timestamp | Temperatura (gradi Celsius) |
| --- | --- |
| 12:00 | 30 |
| 1:00 | 32 |
| 2:00 | 35 |
| 3:00 | 32 |
| 4:00 | 30 |
La tabella seguente mostra le letture della temperatura eseguita ogni due ore dopo il sottocampionamento.
| Timestamp | Temperatura (gradi Celsius) |
| --- | --- |
| 12:00 | 30 |
| 2:00 | 33,5 |
| 2:00 | 35 |
| 4:00 | 32,5 |
Per eseguire il sottocampionamento dei dati di serie temporali, procedi come segue:
1. Espandi la sezione **Avanzate ** sotto la trasformazione **Ricampiona**.
1. Scegli **Combinazione non numerica** per specificare il metodo di combinazione per le colonne non numeriche. Consulta la tabella seguente per l'elenco completo dei metodi di combinazione.
1. Scegli **Combinazione numerica** per specificare il metodo di combinazione per le colonne numeriche. Consulta la tabella seguente per l'elenco completo dei metodi di combinazione.
Se non specifichi i metodi di combinazione, i valori predefiniti sono `Most Common` per la **combinazione non numerica** e `Mean` per la **combinazione numerica**. Nella tabella seguente sono elencati i metodi per la combinazione numerica e non numerica.
| Metodologia di sottocampionamento | Metodo di combinazione | Description |
| --- | --- | --- |
| Combinazione non numerica | Più comune | Aggrega i valori nella colonna non numerica in base al valore più comunemente ricorrente |
| Combinazione non numerica | Ultimo | Aggrega i valori nella colonna non numerica in base all’ultimo valore nella colonna |
| Combinazione non numerica | Primo | Aggrega i valori nella colonna non numerica in base al primo valore nella colonna |
| Combinazione numerica | Media | Aggrega i valori nella colonna numerica facendo una media di tutti i valori nella colonna |
| Combinazione numerica | Mediana | Aggrega i valori nella colonna numerica facendo una mediana di tutti i valori nella colonna |
| Combinazione numerica | Min | Aggrega i valori nella colonna numerica prendendo il valore minimo tra tutti i valori nella colonna |
| Combinazione numerica | Max | Aggrega i valori nella colonna numerica prendendo il valore massimo tra tutti i valori nella colonna |
| Combinazione numerica | Somma | Aggrega i valori nella colonna numerica sommando tutti i valori alla colonna |
| Combinazione numerica | Quantile | Aggrega i valori nella colonna numerica prendendo il quantile di tutti i valori nella colonna |
Il *sovracampionamento* riduce l'intervallo tra le osservazioni nel set di dati. Ad esempio, se esegui il sovracampionamento delle osservazioni effettuate ogni due ore in osservazioni orarie, i valori delle altre colonne delle osservazioni orarie vengono interpolate da quelle effettuate ogni due ore.
Per eseguire il sovracampionamento di dati di serie temporali, procedi come segue:
1. Espandi la sezione **Avanzate** sotto la trasformazione **Ricampiona**.
1. Scegli **Stima non numerica** per specificare il metodo di stima per le colonne non numeriche. Consulta la tabella riportata dopo questa procedura per un elenco completo dei metodi.
1. Scegli **Stima numerica** per specificare il metodo di stima per le colonne numeriche. Consulta la tabella seguente per un elenco completo dei metodi.
1. (Facoltativo) Scegliete **ID** Column per specificare la IDs colonna che contiene le osservazioni delle serie temporali. Specifica questa opzione se il set di dati ha due serie temporali. Se hai una colonna che rappresenta una sola serie temporale, non specificare alcun valore per questo campo. Ad esempio, puoi avere un set di dati con le colonne `id` e `purchase`. La colonna `id` ha i seguenti valori: `[1, 2, 2, 1]`. La colonna `purchase` ha i seguenti valori `[$2, $3, $4, $1]`. Pertanto, il set di dati ha due serie temporali. Una serie temporale è `1: [$2, $1]` e l'altra serie temporale è `2: [$3, $4]`.
Se non specifichi i metodi di stima, i valori predefiniti sono `Forward Fill` per la **stima non numerica** e `Linear` per la **stima numerica**. Nella tabella seguente sono elencati i metodi di stima.
| Metodologia di sovracampionamento | Metodo di stima | Description |
| --- | --- | --- |
| Stima non numerica | Riempimento in avanti | Interpola i valori nella colonna non numerica prendendo i valori consecutivi dopo tutti i valori nella colonna |
| Stima non numerica | Riempimento all'indietro | Interpola i valori nella colonna non numerica prendendo i valori consecutivi prima di tutti i valori nella colonna |
| Stima non numerica | Ancora mancante | Interpola i valori nella colonna non numerica mostrando valori vuoti |
| Stima numerica | Lineare, tempo, indice, zero, S-lineare, più vicina, quadratica, cubica, baricentrica, polinomiale, di Krogh, polinomiale a tratti, spline, polinomiale interpolante cubica a tratti di Hermite (P-chip), Akima, spline cubica, da derivate | Interpola i valori nella colonna numerica utilizzando l'interpolatore specificato. [Per informazioni sui metodi di interpolazione, vedete pandas. DataFrame.interpolate](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html) nella documentazione di pandas. |
Il seguente screenshot mostra le impostazioni **avanzate** con i campi per il sottocampionamento e il sovracampionamento già compilati.
![\[L’applicazione Canvas, con il pannello laterale per il ricampionamento delle serie temporali che mostra le opzioni avanzate.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-resampling.png)
### Uso dell'estrazione datetime
Con la trasformazione dell’estrazione datetime, puoi estrarre valori da una colonna datetime in una colonna separata. Ad esempio, se hai una colonna contenente le date degli acquisti, puoi estrarre il valore del mese in una colonna separata e utilizzare la nuova colonna per creare il tuo modello. Puoi anche estrarre più valori in colonne separate con un'unica trasformazione.
La colonna datetime deve utilizzare un formato timestamp supportato. Per un elenco dei formati supportati da Canvas, consulta. SageMaker [Previsioni delle serie temporali in Amazon Canvas SageMaker](canvas-time-series.md) Se il set di dati non utilizza uno dei formati supportati, aggiorna il set di dati in modo da utilizzare un formato di timestamp supportato e reimportalo in SageMaker Amazon Canvas prima di creare il modello.
Per eseguire un'estrazione datetime, procedi come segue.
1. **Nella scheda **Build** dell'applicazione SageMaker Canvas, nella barra delle trasformazioni, scegli Visualizza tutto.**
1. Scegli **Funzionalità di estrazione**.
1. Scegli la **Colonna di timestamp** da cui desideri estrarre i valori.
1. In **Valori**, seleziona uno o più valori da estrarre dalla colonna. I valori che puoi estrarre da una colonna di timestamp sono **Anno**, **Mese**, **Giorno**, **Ora**, **Settimana dell'anno**, **Giorno dell'anno** e **Trimestre**.
1. (Facoltativo) Scegli **Anteprima** per visualizzare in anteprima i risultati della trasformazione.
1. Scegli **Aggiungi** per aggiungere la trasformazione alla **ricetta del modello**.
SageMaker Canvas crea una nuova colonna nel set di dati per ciascuno dei valori estratti. Ad eccezione dei valori **Year**, SageMaker Canvas utilizza una codifica basata su 0 per i valori estratti. Ad esempio, se estrai il valore **Mese**, gennaio viene estratto come 0 e febbraio viene estratto come 1.
![\[Schermata della casella di estrazione della data e dell'ora nell'applicazione Canvas. SageMaker\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-datetime-extract.png)
Puoi visualizzare la trasformazione elencata nella sezione **Ricetta del modello**. Se rimuovi la trasformazione dalla sezione **Ricetta del modello**, le nuove colonne vengono rimosse dal set di dati.
# Valutazione del modello
Dopo aver creato il modello, puoi valutare le prestazioni del modello sui tuoi dati, prima di utilizzarlo per generare previsioni. Puoi utilizzare informazioni come la precisione del modello quando esegui la previsione di etichette e parametri avanzati, per determinare se il modello è in grado di effettuare previsioni sufficientemente precise per i tuoi dati.
La sezione [Valutazione delle prestazioni del modello](canvas-scoring.md) descrive come visualizzare e interpretare le informazioni nella pagina **Analizza** del modello. La sezione [Uso dei parametri avanzati nelle analisi](canvas-advanced-metrics.md) contiene informazioni più dettagliate sulle **metriche avanzate** utilizzate per quantificare l’accuratezza del modello.
Puoi anche visualizzare informazioni più avanzate per specifici *modelli candidati*, ovvero tutte le iterazioni del modello eseguite da Canvas durante la creazione del modello. In base alle metriche avanzate per un determinato modello candidato, puoi selezionare un candidato predefinito diverso o un’altra versione da utilizzare per le previsioni e l’implementazione. Per ogni modello candidato, puoi visualizzare le informazioni sulle **metriche avanzate** per un supporto nella scelta del modello candidato da selezionare come predefinito. Puoi visualizzare queste informazioni selezionando il modello candidato dalla **Classifica dei modelli**. Per ulteriori informazioni, consulta [Visualizzazione dei modelli candidati nella classifica dei modelli](canvas-evaluate-model-candidates.md).
Canvas offre anche la possibilità di scaricare un notebook Jupyter per visualizzare ed eseguire il codice utilizzato per creare il modello. Questa opzione è utile per apportare modifiche al codice o saperne di più su come è stato costruito il tuo modello. Per ulteriori informazioni, consulta [Download di un notebook del modello](canvas-notebook.md).
# Valutazione delle prestazioni del modello
Amazon SageMaker Canvas fornisce informazioni generali e di punteggio per i diversi tipi di modello. Il punteggio del modello può aiutarti a determinare quanto il tuo modello sia preciso quando esegue le previsioni. Le informazioni aggiuntive sul punteggio possono aiutarti a quantificare le differenze tra i valori effettivi e quelli previsti.
Per visualizzare l'analisi del modello, procedi come indicato di seguito:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra scegli **Modelli**.
1. Scegli il modello che hai creato.
1. Nel riquadro di navigazione in alto, scegli la scheda **Analizza**.
1. Nella scheda **Analizza**, puoi visualizzare la panoramica e le informazioni sul punteggio del tuo modello.
Le sezioni seguenti spiegano come interpretare il punteggio per ogni tipo di modello.
## Valuta i modelli di previsione categoriale
La scheda **Panoramica** mostra l'impatto della colonna per ogni colonna. **L'impatto della colonna** è un punteggio percentuale che indica il peso di una colonna nel formulare previsioni rispetto alle altre colonne. Con un impatto della colonna del 25%, Canvas valuta la previsione come 25% per quella colonna e 75% per le altre colonne.
Lo screenshot seguente mostra il punteggio di **precisione** per il modello, insieme al **parametro di ottimizzazione**, cioè il parametro che scegli di ottimizzare durante la creazione del modello. In questo caso, la **metrica di ottimizzazione** è **Accuratezza**. Puoi specificare un parametro di ottimizzazione diverso se crei una nuova versione del tuo modello.
![\[Screenshot del punteggio di precisione e del parametro di ottimizzazione nella scheda Analizza in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-category.png)
La scheda **Punteggio** per un modello di previsione categoriale ti offre la possibilità di visualizzare tutte le previsioni. I segmenti di linea si estendono dalla parte sinistra della pagina e indicano tutte le previsioni generate dal modello. Al centro della pagina, i segmenti di linea convergono su un segmento perpendicolare per indicare la proporzione di ogni previsione rispetto a una singola categoria. Dalla categoria “previsto”, i segmenti si estendono fino alla categoria “effettivo”. Puoi avere un'idea visiva dell'accuratezza delle previsioni seguendo ogni segmento di linea dalla categoria “previsto” alla categoria “effettivo”.
L'immagine seguente mostra un esempio della sezione **punteggio** per un modello **di previsione a più di tre categorie**.
![\[Screenshot della scheda Punteggio per un modello di previsione a più di tre categorie.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-multiclass-classification.png)
Puoi anche visualizzare la scheda **Metriche avanzate** per informazioni più dettagliate sulle prestazioni del modello, come le metriche avanzate, i grafici sulla densità degli errori o le matrici di confusione. Per ulteriori informazioni sulla scheda **Metriche avanzate**, consulta [Uso dei parametri avanzati nelle analisi](canvas-advanced-metrics.md).
## Valutazione dei modelli di previsione numerica
La scheda **Panoramica** mostra l'impatto della colonna per ogni colonna. **L'impatto della colonna** è un punteggio percentuale che indica il peso di una colonna nel formulare previsioni rispetto alle altre colonne. Con un impatto della colonna del 25%, Canvas valuta la previsione come 25% per quella colonna e 75% per le altre colonne.
Lo screenshot seguente mostra il punteggio **RMSE** per il modello nella scheda **Panoramica**, che in questo caso è il **parametro di ottimizzazione**. Il **parametro di ottimizzazione** è il parametro che scegli di ottimizzare durante la creazione del modello. Puoi specificare un parametro di ottimizzazione diverso se crei una nuova versione del tuo modello.
![\[Screenshot del parametro di ottimizzazione RMSE nella scheda Analizza in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-numeric.png)
La scheda **Punteggio** per la previsione numerica mostra una riga per indicare il valore previsto del modello in relazione ai dati utilizzati per generare previsioni. I valori della previsione numerica sono spesso \$1/- il valore RMSE (radice dell’errore quadratico medio). Il valore previsto dal modello rientra spesso nell'intervallo dell'RMSE. La larghezza della banda viola attorno alla riga indica l'intervallo RMSE. I valori previsti spesso rientrano nell'intervallo.
L'immagine seguente mostra la sezione **Punteggio** per la previsione numerica.
![\[Screenshot della scheda Punteggio per un modello di previsione numerica.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-analyze-regression-scoring.png)
Puoi anche visualizzare la scheda **Metriche avanzate** per informazioni più dettagliate sulle prestazioni del modello, come le metriche avanzate, i grafici sulla densità degli errori o le matrici di confusione. Per ulteriori informazioni sulla scheda **Metriche avanzate**, consulta [Uso dei parametri avanzati nelle analisi](canvas-advanced-metrics.md).
## Valutazione dei modelli di previsione di serie temporali
Nella pagina **Analizza** per i modelli di previsione di serie temporali, puoi visualizzare una panoramica dei parametri del modello. Per ulteriori informazioni puoi passare il mouse su ciascuna metrica oppure puoi consultare [Uso dei parametri avanzati nelle analisi](canvas-advanced-metrics.md).
Nella sezione **Impatto della colonna**, puoi vedere il punteggio per ogni colonna. L’**impatto della colonna** è un punteggio percentuale che indica il peso di una colonna nel formulare previsioni rispetto alle altre colonne. Con un impatto della colonna del 25%, Canvas valuta la previsione come 25% per quella colonna e 75% per le altre colonne.
Lo screenshot seguente mostra i punteggi dei parametri di serie temporali per il modello, insieme al **parametro di ottimizzazione**, cioè il parametro che scegli di ottimizzare durante la creazione del modello. In questo caso, il **parametro di ottimizzazione** è **RMSE**. Puoi specificare un parametro di ottimizzazione diverso se crei una nuova versione del tuo modello. Questi punteggi delle metriche sono tratti dai risultati di test precedenti, disponibili per il download nella scheda **Artefatti**.
![\[Screenshot del parametro di ottimizzazione RMSE nella scheda Analizza in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-time-series.png)
La scheda **Artefatti** fornisce l’accesso a diverse risorse chiave che puoi utilizzare per approfondire le prestazioni del tuo modello e continuare a perfezionarlo:
+ **Suddivisioni casuali di addestramento e convalida**: questa sezione include link agli artefatti generati quando il set di dati è stato suddiviso in set di addestramento e convalida, che consentono di esaminare la distribuzione dei dati e i potenziali bias.
+ **Risultati dei backtest**: questa sezione include un link ai valori previsti per il set di dati di convalida, che viene utilizzato per generare metriche di accuratezza e dati di valutazione per il modello.
+ **Metriche di accuratezza**: questa sezione elenca le metriche avanzate per valutare le prestazioni del modello, come la radice dell’errore quadratico medio (RMSE). Per ulteriori informazioni su ciascuna metrica, consulta [Parametri per le previsioni di serie temporali](canvas-metrics.md#canvas-time-series-forecast-metrics).
+ **Report di spiegabilità**: questa sezione fornisce un link per scaricare il report di spiegabilità, che offre informazioni approfondite sul processo decisionale del modello e sull’importanza relativa delle colonne di input. Questo report può aiutarti a identificare le potenziali aree di miglioramento.
Nella pagina **Analizza**, puoi anche scegliere il pulsante **Download** per scaricare direttamente i risultati dei backtest, le metriche di accuratezza e gli artefatti del report di spiegabilità sul tuo computer locale.
## Valutazione dei modelli di previsione delle immagini
La scheda **Panoramica** mostra le **prestazioni per etichetta**, che forniscono un punteggio di precisione generale per le immagini previste per ciascuna etichetta. Puoi scegliere un'etichetta per visualizzare dettagli più specifici, come le immagini **previste in modo corretto** e quelle **previste in modo errato** per quell'etichetta.
Puoi attivare il tasto **Mappa termica** per visualizzare una mappa termica per ogni immagine. La mappa termica mostra le aree di interesse che hanno il maggiore impatto quando il modello genera previsioni. Per ulteriori informazioni sulle mappe termiche e su come utilizzarle per migliorare il modello, scegli l'icona **Ulteriori informazioni** accanto al tasto **Mappa termica**.
La scheda **Punteggio** per modelli di previsione di immagini con etichetta singola mostra un confronto tra ciò che il modello aveva previsto come etichetta e l'etichetta effettiva. Puoi selezionare fino a 10 etichette alla volta. Puoi modificare le etichette nella visualizzazione scegliendo il menu a discesa delle etichette e selezionando o deselezionando le etichette.
Puoi anche visualizzare informazioni su etichette singole o gruppi di etichette, ad esempio le tre etichette con la precisione più alta o più bassa, selezionando il menu a discesa **Visualizza punteggi** nella sezione **Informazioni sulla precisione del modello**.
Il seguente screenshot mostra le informazioni sul **Punteggio** per un modello di previsione di immagini a etichetta singola.
![\[Confronto tra le etichette effettive e quelle previste nella pagina Punteggio per un modello di previsione di testo con più categorie.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/analyze-image-scoring.png)
## Valutazione dei modelli di previsione di testo
La scheda **Panoramica** mostra le **prestazioni per etichetta**, che forniscono un punteggio di precisione generale per i passaggi di testo previsti per ciascuna etichetta. Puoi scegliere un'etichetta per visualizzare dettagli più specifici, come i passaggi **previsti in modo corretto** e quelli **previsti in modo errato** per quell'etichetta.
La scheda **Punteggio** per modelli di previsione di immagini multicategoria mostra un confronto tra ciò che il modello aveva previsto come etichetta e l'etichetta effettiva.
Nella sezione **Informazioni sulla precisione del modello**, puoi visualizzare la **categoria più frequente**, cioè la categoria prevista più frequentemente dal modello e il livello di precisione di tali previsioni. Se il modello prevede correttamente l’etichetta **Positivo** il 99% delle volte, puoi essere abbastanza sicuro che il tuo modello sia in grado di prevedere il sentiment positivo nel testo.
Il seguente screenshot mostra le informazioni sul **punteggio** per un modello di previsione di testo multicategoria.
![\[Confronto tra le etichette effettive rispetto a quelle previste nella pagina Punteggio per un modello di previsione di immagini a etichetta singola.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/analyze-text-scoring.png)
# Uso dei parametri avanzati nelle analisi
La sezione seguente descrive come trovare e interpretare le metriche avanzate per il tuo modello in Amazon SageMaker Canvas.
**Nota**
Le metriche avanzate sono attualmente disponibili solo per modelli di previsione numerici e categorici.
Per trovare la scheda **Metriche avanzate**, procedi come descritto di seguito:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra scegli **Modelli**.
1. Scegli il modello che hai creato.
1. Nel riquadro di navigazione in alto, scegli la scheda **Analizza**.
1. Nella scheda **Analizza**, scegli la scheda **Metriche avanzate**.
Nella scheda **Metriche avanzate**, puoi trovare la scheda **Prestazioni**. La pagina dovrebbe essere simile allo screenshot seguente.
![\[Screenshot della scheda Metriche avanzate per un modello di previsione categorico.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-analyze-performance.png)
Nella parte superiore, puoi vedere una panoramica dei punteggi delle metriche, inclusa la **metrica di ottimizzazione**, ovvero la metrica che hai selezionato (o che Canvas seleziona per impostazione predefinita) per l’ottimizzazione durante la creazione del modello.
Le sezioni seguenti forniscono informazioni più dettagliate per la scheda **Prestazioni** in **Metriche avanzate**.
## Performance
Nella scheda **Prestazioni**, vedrai una **tabella Metriche**, insieme alle visualizzazioni create da Canvas in base al tipo di modello. Per i modelli di previsione categorici, Canvas fornisce una *matrice di confusione*, mentre per i modelli di previsione numerici, Canvas fornisce *residui* e *istogrammi di densità degli errori*.
Nella **tabella Metriche**, viene fornito un elenco completo dei punteggi del modello per ogni metrica avanzata, più completo della panoramica dei punteggi nella parte superiore della pagina. Le metriche mostrate qui dipendono dal tipo di modello. Per un riferimento che ti aiuti a comprendere e interpretare ciascuna metrica, consulta [Riferimento per le metriche](canvas-metrics.md).
Per comprendere le visualizzazioni che potrebbero apparire in base al tuo tipo di modello, vedi le opzioni seguenti:
+ **Matrice di confusione**: Canvas utilizza le matrici di confusione per mostrare più facilmente quando un modello fa previsioni corrette. In una matrice di confusione, i risultati sono disposti in modo da confrontare i valori previsti con i valori effettivi. L'esempio seguente spiega come funziona una matrice di confusione per un modello di previsione a due categorie che prevede etichette positive e negative:
+ Vero positivo: il modello ha correttamente previsto “positivo” quando l'etichetta vera era positiva.
+ Vero negativo: il modello ha correttamente previsto “negativo” quando l'etichetta vera era negativa.
+ Falso positivo: il modello ha previsto erroneamente “positivo” quando l'etichetta vera era negativa.
+ Falso negativo: il modello ha previsto erroneamente “negativo” quando l'etichetta vera era positiva.
+ **Curva di richiamo di precisione**: la curva di richiamo di precisione è una visualizzazione del punteggio di precisione del modello tracciato rispetto al punteggio di richiamo del modello. In teoria, un modello in grado di fare previsioni perfette avrebbe punteggi di precisione e di richiamo entrambi pari a 1. La curva di richiamo di precisione per un modello sufficientemente accurato è piuttosto elevata sia in termini di precisione che di richiamo.
+ **Residui**: i residui sono la differenza tra i valori effettivi e i valori previsti dal modello. Un grafico dei residui mostra i residui rispetto ai valori corrispondenti per visualizzarne la distribuzione ed eventuali modelli o valori anomali. Una distribuzione normale dei residui, intorno allo zero, indica che il modello è adatto ai dati. Tuttavia, se i residui sono notevolmente disallineati o presentano valori anomali, potrebbe trattarsi di overfitting dei dati del modello o di altri problemi che devono essere risolti.
+ **Densità degli errori**: un grafico di densità degli errori è una rappresentazione della distribuzione degli errori commessi da un modello. Mostra la densità della probabilità degli errori in ogni punto, aiutandoti a identificare le aree di overfitting del modello o soggette a errori sistematici.
# Visualizzazione dei modelli candidati nella classifica dei modelli
Quando esegui una [build Standard](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) per modelli di previsione tabulari e di serie temporali in Amazon SageMaker Canvas, l' SageMaker intelligenza artificiale addestra più modelli *candidati* (diverse iterazioni del modello) e per impostazione predefinita seleziona quello con il valore più alto per la metrica di ottimizzazione. Per i modelli tabulari, Canvas crea fino a 250 modelli candidati diversi utilizzando vari algoritmi e impostazioni di iperparametri. Per i modelli di previsione delle serie temporali, Canvas crea sette modelli diversi, uno per ciascuno degli [algoritmi di previsione supportati](canvas-advanced-settings.md#canvas-advanced-settings-time-series) più un modello ensemble che calcola la media delle previsioni degli altri modelli per cercare di ottimizzare l’accuratezza.
Il modello candidato predefinito è l’unica versione che puoi utilizzare in Canvas per azioni come la creazione di previsioni, la registrazione nel registro dei modelli o l’implementazione su un endpoint. Tuttavia, potresti voler esaminare tutti i modelli candidati e selezionare un candidato diverso come modello predefinito. Puoi visualizzare tutti i modelli candidati e ottenere maggiori dettagli su ciascun candidato nella **Classifica dei modelli** in Canvas.
Per visualizzare la **Classifica dei modelli**, procedi come descritto di seguito:
1. Apri l'applicazione Canvas. SageMaker
1. Nel riquadro di navigazione a sinistra scegli **Modelli**.
1. Scegli il modello che hai creato.
1. Nel riquadro di navigazione in alto, scegli la scheda **Analizza**.
1. Nella scheda **Analizza**, scegli **Classifica dei modelli**.
Si apre la pagina **Classifica dei modelli**, che ha l’aspetto mostrato nello screenshot seguente per i modelli tabulari.
![\[La classifica dei modelli, che elenca tutti i modelli candidati addestrati da Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-model-leaderboard.png)
Per i modelli di previsione delle serie temporali, vengono visualizzati sette modelli, uno per ciascuno degli algoritmi di previsione delle serie temporali supportati da Canvas più un modello ensemble. Per ulteriori informazioni sugli algoritmi, consulta [Impostazioni avanzate del modello di previsione delle serie temporali](canvas-advanced-settings.md#canvas-advanced-settings-time-series).
Nello screenshot precedente, puoi vedere che il primo modello candidato elencato è contrassegnato come **modello predefinito**. Questo è il modello candidato con cui è possibile generare previsioni o eseguire l’implementazione sugli endpoint.
Per visualizzare informazioni più dettagliate sulle metriche per i modelli candidati per eseguirne il confronto, puoi scegliere l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e **Visualizza dettagli modello**.
**Importante**
Il caricamento dei dettagli del modello per i modelli candidati non predefiniti può richiedere alcuni minuti (in genere meno di 10 minuti) e vengono applicate le tariffe di SageMaker AI Hosting. Per ulteriori informazioni, consulta [SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing/).
Il modello candidato si apre nella scheda **Analizza** e le metriche visualizzate sono specifiche per il modello candidato selezionato. Quando hai finito di esaminare le metriche del modello candidato, puoi tornare indietro o uscire dalla visualizzazione per tornare alla **Classifica dei modelli**.
Per impostare il **modello predefinito** su un candidato diverso, puoi scegliere l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e selezionare **Cambia in modello predefinito**. Per cambiare il modello predefinito in un modello addestrato utilizzando la modalità HPO, potrebbero essere necessari alcuni minuti.
**Nota**
Se il modello è già implementato in produzione, [registrato nel registro dei modelli](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html) o [configurato già con automazioni](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-automations.html), devi eliminare l’implementazione, la registrazione del modello o le automazioni prima di modificare il modello predefinito.
# Riferimento per le metriche
Le seguenti sezioni descrivono le metriche disponibili in Amazon SageMaker Canvas per ogni tipo di modello.
## Parametri per la previsione numerica
L'elenco seguente definisce le metriche per la previsione numerica in SageMaker Canvas e fornisce informazioni su come utilizzarle.
+ InferenceLatency — Il periodo di tempo approssimativo che intercorre tra l'invio di una richiesta di previsione del modello e la sua ricezione da un endpoint in tempo reale su cui viene distribuito il modello. Questa metrica viene misurata in secondi ed è disponibile solo per i modelli creati con la modalità **Ensemble**.
+ MAE: Errore assoluto medio. In media, la previsione per la colonna di destinazione è pari a \$1/- \$1MAE\$1 rispetto al valore effettivo.
Misura la differenza tra i valori previsti e quelli effettivi, quando viene calcolata la media di tutti i valori. MAE è utilizzato spesso nella previsione numerica per comprendere l’errore della previsione tramite modello. Se le previsioni sono lineari, MAE rappresenta la distanza media tra una riga prevista e il valore effettivo. La MAE è definita come la somma degli errori assoluti divisa per il numero di osservazioni. I valori sono compresi tra 0 e infinito, con numeri più piccoli che indicano una migliore adattabilità del modello ai dati.
+ MAPE: Errore assoluto medio percentuale. In media, la previsione per la colonna di destinazione è pari a \$1/- \$1MAPE\$1% del valore effettivo.
MAPE è la media delle differenze assolute tra i valori effettivi e i valori previsti o stimati, divisa per i valori effettivi ed espressa in percentuale. Un valore MAPE più basso indica prestazioni migliori, perché significa che i valori previsti o stimati sono più vicini ai valori effettivi.
+ MSE: errore quadratico medio o discrepanza quadratica media tra i valori previsti e quelli effettivi.
I valori MSE sono sempre positivi. Quanto più un modello è in grado di prevedere i valori effettivi, tanto più piccolo è il valore MSE.
+ R2: Percentuale della differenza nella colonna di destinazione che può essere spiegata dalla colonna di input.
Quantifica in che misura un modello può spiegare la varianza di una variabile dipendente. I valori sono compresi tra uno (1) e meno uno (-1). I numeri più alti indicano una frazione più alta della variabilità spiegata. I valori vicini allo zero (0) indicano che il modello può spiegare una minima parte della variabile dipendente. I valori negativi indicano un adattamento inadeguato e che le prestazioni del modello sono superate da una funzione costante (o da una riga orizzontale).
+ RMSE: radice dell’errore quadratico medio o deviazione standard degli errori.
Misura la radice quadrata della differenza quadratica tra i valori previsti e quelli effettivi e calcola la media di tutti i valori. Si usa per comprendere l’errore della previsione tramite modello ed è una metrica importante per rilevare la presenza di errori e valori anomali in un modello di grandi dimensioni. I valori sono compresi tra zero (0) e infinito, con numeri più piccoli che indicano una migliore adattabilità del modello ai dati. RMSE dipende dalla scala e non deve essere utilizzato per confrontare set di dati di tipi diversi.
## Metriche per la previsione categorica
Questa sezione definisce le metriche per la previsione categorica in SageMaker Canvas e fornisce informazioni su come utilizzarle.
Di seguito è riportato un elenco delle metriche disponibili per la previsione con due categorie.
+ Accuratezza: la percentuale di previsioni corrette.
Oppure, il rapporto tra il numero di previsioni corrette e il numero totale di previsioni. La precisione misura quanto i valori delle classi previsti si avvicinano ai valori effettivi. I valori per i parametri di precisione variano tra zero (0) e uno (1). Un valore pari a 1 indica un’assoluta accuratezza, mentre 0 indica un’assoluta imprecisione.
+ AUC: un valore compreso tra 0 e 1 che indica quanto il modello sia in grado di separare le categorie nel set di dati. Un valore di 1 indica che è stato in grado di separare perfettamente le categorie.
+ BalancedAccuracy — Misura il rapporto tra previsioni accurate e tutte le previsioni.
Questo rapporto viene calcolato dopo aver normalizzato i veri positivi (TP) e i veri negativi (TN) in base al numero totale di valori positivi (P) e negativi (N). È definito come descritto di seguito: `0.5*((TP/P)+(TN/N))`, con valori compresi tra 0 e 1. La metrica di accuratezza bilanciata offre una misurazione migliore dell’accuratezza quando il numero di positivi o negativi differisce notevolmente in un set di dati squilibrato, ad esempio quando solo l’1% delle e-mail è spam.
+ F1: una misura di accuratezza bilanciata che tiene conto dell'equilibrio della classe.
È la media armonica dei punteggi di precisione e richiamo, definita come descritto di seguito: `F1 = 2 * (precision * recall) / (precision + recall)`. I punteggi di F1 variano tra 0 e 1. Un punteggio pari a 1 indica la migliore prestazione possibile, mentre 0 indica la peggiore.
+ InferenceLatency — Il periodo di tempo approssimativo che intercorre tra l'invio di una richiesta di previsione del modello e la sua ricezione da un endpoint in tempo reale su cui viene distribuito il modello. Questa metrica viene misurata in secondi ed è disponibile solo per i modelli creati con la modalità **Ensemble**.
+ LogLoss — La perdita di log, nota anche come perdita di entropia incrociata, è una metrica utilizzata per valutare la qualità degli output di probabilità, anziché gli output stessi. La perdita di log è un parametro importante per indicare quando un modello effettua previsioni errate con probabilità elevate. I valori tipici sono compresi tra 0 e infinito. Il valore 0 rappresenta un modello che prevede perfettamente i dati.
+ Precisione: rispetto a tutte le previsioni di \$1category x\$1, la previsione è risultata corretta il \$1precision\$1% delle volte.
La precisione misura la capacità di un algoritmo di prevedere i veri positivi (TP) tra tutti i positivi che identifica. È definita come descritto di seguito: `Precision = TP/(TP+FP)`, con valori compresi tra zero (0) e uno (1). La precisione è un parametro importante quando il costo di un falso positivo è elevato. Ad esempio, il costo di un falso positivo è molto elevato se un sistema di sicurezza aereo viene erroneamente considerato sicuro da pilotare. Un falso positivo (FP) riflette una previsione positiva che in realtà è negativa nei dati.
+ Richiamo: il modello ha previsto correttamente che il \$1recall\$1% dei casi fosse di \$1category x\$1 quando \$1target\$1column\$1 era effettivamente \$1category x\$1.
Il recupero misura la capacità di un algoritmo di prevedere correttamente tutti i veri positivi (TP) in un set di dati. Un vero positivo è una previsione positiva che è anche un valore positivo effettivo dei dati. Il richiamo è definito come descritto di seguito: `Recall = TP/(TP+FN)`, con valori compresi tra 0 e 1. I punteggi più alti riflettono una migliore capacità del modello di prevedere i veri positivi (TP) nei dati. Spesso non è sufficiente misurare solo il richiamo, perché la previsione di ogni output come vero positivo si traduce in un punteggio di richiamo perfetto.
Di seguito è riportato un elenco delle metriche disponibili per la previsione con tre o più categorie.
+ Accuratezza: la percentuale di previsioni corrette.
Oppure, il rapporto tra il numero di previsioni corrette e il numero totale di previsioni. La precisione misura quanto i valori delle classi previsti si avvicinano ai valori effettivi. I valori per i parametri di precisione variano tra zero (0) e uno (1). Un valore pari a 1 indica un’assoluta accuratezza, mentre 0 indica un’assoluta imprecisione.
+ BalancedAccuracy — Misura il rapporto tra previsioni accurate e tutte le previsioni.
Questo rapporto viene calcolato dopo aver normalizzato i veri positivi (TP) e i veri negativi (TN) in base al numero totale di valori positivi (P) e negativi (N). È definito come descritto di seguito: `0.5*((TP/P)+(TN/N))`, con valori compresi tra 0 e 1. La metrica di accuratezza bilanciata offre una misurazione migliore dell’accuratezza quando il numero di positivi o negativi differisce notevolmente in un set di dati squilibrato, ad esempio quando solo l’1% delle e-mail è spam.
+ F1macro: il punteggio F1macro applica il punteggio F1 calcolando la precisione e il richiamo, quindi utilizza la media armonica per calcolare il punteggio F1 per ogni classe. Quindi, F1macro calcola la media dei punteggi individuali per ottenere il punteggio F1macro. I punteggi di F1macro variano tra 0 e 1. Un punteggio pari a 1 indica la migliore prestazione possibile, mentre 0 indica la peggiore.
+ InferenceLatency — Il periodo di tempo approssimativo che intercorre tra l'invio di una richiesta di previsione del modello e la sua ricezione da un endpoint in tempo reale su cui viene distribuito il modello. Questa metrica viene misurata in secondi ed è disponibile solo per i modelli creati con la modalità **Ensemble**.
+ LogLoss — La perdita di log, nota anche come perdita di entropia incrociata, è una metrica utilizzata per valutare la qualità degli output di probabilità, anziché gli output stessi. La perdita di log è un parametro importante per indicare quando un modello effettua previsioni errate con probabilità elevate. I valori tipici sono compresi tra 0 e infinito. Il valore 0 rappresenta un modello che prevede perfettamente i dati.
+ PrecisionMacro — Misura la precisione calcolando la precisione per ogni classe e calcolando la media dei punteggi per ottenere la precisione per diverse classi. I punteggi vanno da zero (0) a uno (1). I punteggi più alti riflettono la capacità del modello di prevedere i veri positivi (TP) tra tutti i positivi che identifica, calcolando la media tra più classi.
+ RecallMacro — Misura il richiamo calcolando il richiamo per ogni classe e calcolando la media dei punteggi per ottenere il richiamo per diverse classi. I punteggi sono compresi tra 0 e 1. I punteggi più alti riflettono la capacità del modello di prevedere i veri positivi (TP) in un set di dati, mentre un vero positivo riflette una previsione positiva che è anche un valore positivo effettivo nei dati. Spesso non è sufficiente misurare solo il recupero, perché prevedendo ogni output come un vero positivo si otterrà un punteggio di recupero perfetto.
Tieni presente che, per la previsione con tre o più categorie, ricevi anche le metriche medie F1, Accuratezza, Precisione e Richiamo. I punteggi di queste metriche sono semplicemente la media calcolata sui punteggi delle metriche per tutte le categorie.
## Metriche per la previsione di immagini e testo
L’elenco seguente riporta le metriche disponibili per la previsione di immagini e testo.
+ Accuratezza: la percentuale di previsioni corrette.
Oppure, il rapporto tra il numero di previsioni corrette e il numero totale di previsioni. La precisione misura quanto i valori delle classi previsti si avvicinano ai valori effettivi. I valori per i parametri di precisione variano tra zero (0) e uno (1). Un valore pari a 1 indica un’assoluta accuratezza, mentre 0 indica un’assoluta imprecisione.
+ F1: una misura di accuratezza bilanciata che tiene conto dell'equilibrio della classe.
È la media armonica dei punteggi di precisione e richiamo, definita come descritto di seguito: `F1 = 2 * (precision * recall) / (precision + recall)`. I punteggi di F1 variano tra 0 e 1. Un punteggio pari a 1 indica la migliore prestazione possibile, mentre 0 indica la peggiore.
+ Precisione: rispetto a tutte le previsioni di \$1category x\$1, la previsione è risultata corretta il \$1precision\$1% delle volte.
La precisione misura la capacità di un algoritmo di prevedere i veri positivi (TP) tra tutti i positivi che identifica. È definita come descritto di seguito: `Precision = TP/(TP+FP)`, con valori compresi tra zero (0) e uno (1). La precisione è un parametro importante quando il costo di un falso positivo è elevato. Ad esempio, il costo di un falso positivo è molto elevato se un sistema di sicurezza aereo viene erroneamente considerato sicuro da pilotare. Un falso positivo (FP) riflette una previsione positiva che in realtà è negativa nei dati.
+ Richiamo: il modello ha previsto correttamente che il \$1recall\$1% dei casi fosse di \$1category x\$1 quando \$1target\$1column\$1 era effettivamente \$1category x\$1.
Il recupero misura la capacità di un algoritmo di prevedere correttamente tutti i veri positivi (TP) in un set di dati. Un vero positivo è una previsione positiva che è anche un valore positivo effettivo dei dati. Il richiamo è definito come descritto di seguito: `Recall = TP/(TP+FN)`, con valori compresi tra 0 e 1. I punteggi più alti riflettono una migliore capacità del modello di prevedere i veri positivi (TP) nei dati. Spesso non è sufficiente misurare solo il richiamo, perché la previsione di ogni output come vero positivo si traduce in un punteggio di richiamo perfetto.
Tieni presente che, per i modelli di previsione di immagini e testo con previsione di tre o più categorie, ricevi anche le metriche *medie* F1, Accuratezza, Precisione e Richiamo. I punteggi di queste metriche sono solo la media dei punteggi delle metriche per tutte le categorie.
## Parametri per le previsioni di serie temporali
Di seguito vengono definite le metriche avanzate per le previsioni delle serie temporali in Amazon SageMaker Canvas e vengono fornite informazioni su come utilizzarle.
+ Perdita quantile ponderata media (wQL): valuta la previsione calcolando la media dell’accuratezza sui quantili P10, P50 e P90. Un valore più basso indica un modello più accurato.
+ Errore assoluto percentuale ponderato (WAPE): la somma dell’errore assoluto normalizzata per la somma della destinazione assoluta, che misura la deviazione generale dei valori previsti dai valori osservati. Un valore più basso indica un modello più accurato, dove WAPE = 0 è un modello senza nessun errore.
+ Radice dell’errore quadratico medio (RMSE): la radice quadrata degli errori quadratici medi. Un valore RMSE più basso indica un modello più accurato, dove RMSE = 0 è un modello senza nessun errore.
+ Errore assoluto medio percentuale (MAPE): l'errore percentuale (differenza percentuale tra il valore medio previsto e il valore effettivo) calcolato in media su tutti i punti temporali. Un valore più basso indica un modello più accurato, dove MAPE = 0 è un modello senza nessun errore.
+ Errore assoluto medio scalato (MASE): l'errore assoluto medio della previsione normalizzato rispetto all'errore assoluto medio di un semplice metodo di previsione di base. Un valore più basso indica un modello più accurato, in cui MASE < 1 è considerato migliore della linea di base e MASE > 1 è considerato peggiore della linea di base.
# Previsioni con modelli personalizzati
Usa il modello personalizzato che hai creato in SageMaker Canvas per fare previsioni per i tuoi dati. Le sezioni seguenti mostrano come generare previsioni per modelli di previsione numerici e categorici, previsioni delle serie temporali e modelli di previsione di immagini e testo.
I modelli personalizzati di previsione numerica e categoriale, di previsione di immagini e di previsione di testo supportano la creazione dei seguenti tipi di previsioni per i tuoi dati:
+ **Previsioni singole**: si utilizza una **previsione singola** quando è sufficiente generare una sola previsione. Ad esempio, se hai un'immagine o un passaggio di testo che desideri classificare.
+ **Previsioni in batch**: si utilizza una **previsione in batch** quando si desidera generare previsioni per un intero set di dati. Puoi fare previsioni in batch per set di dati superiori a 1 TB. Ad esempio, hai un file CSV contenente le recensioni dei clienti per le quali desideri prevedere l'opinione dei clienti, oppure hai una cartella di file immagini che desideri classificare. Dovresti fare previsioni con un set di dati che corrisponda al set di dati di input. Canvas offre la possibilità di eseguire previsioni in batch manuali oppure di configurare previsioni in batch automatiche avviate ogni volta che aggiorni un set di dati.
Per ogni previsione o insieme di previsioni, SageMaker Canvas restituisce quanto segue:
+ I valori previsti
+ La probabilità che il valore previsto sia corretto
**Nozioni di base**
Scegli uno dei seguenti flussi di lavoro per generare previsioni con il tuo modello personalizzato:
+ [Previsioni in batch in Canvas SageMaker](canvas-make-predictions-batch.md)
+ [Formulazione di previsioni singole](canvas-make-predictions-single.md)
Dopo aver generato le previsioni con il modello, puoi anche eseguire le operazioni seguenti:
+ [Aggiorna il modello aggiungendo versioni.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html) Se vuoi provare a migliorare l’accuratezza della previsione del tuo modello, puoi creare nuove versioni del modello. Puoi scegliere di clonare la configurazione e il set di dati originali per la creazione dei modelli oppure puoi modificare la configurazione e selezionare un set di dati diverso. Dopo aver aggiunto una nuova versione, puoi rivedere e confrontare le versioni per scegliere quella ottimale.
+ [Registra una versione del modello nel registro dei modelli AI SageMaker](canvas-register-model.md). È possibile registrare le versioni del modello nel Model SageMaker Registry, una funzionalità per tracciare e gestire lo stato delle versioni del modello e delle pipeline di apprendimento automatico. Un data scientist o un utente del MLOps team con accesso al SageMaker Model Registry può esaminare le versioni del modello e approvarle o rifiutarle prima di distribuirle in produzione.
+ [Invia le tue previsioni in batch a Quick.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html) In Quick, puoi creare e pubblicare dashboard con i tuoi set di dati di previsione in batch. Ciò può aiutarti ad analizzare e condividere i risultati generati dal tuo modello personalizzato.
# Formulazione di previsioni singole
**Nota**
Questa sezione descrive come generare previsioni singole dal modello all'interno dell'applicazione Canvas. Per informazioni su come effettuare invocazioni in tempo reale in un ambiente di produzione distribuendo il modello su un endpoint, consulta [Distribuzione di modelli su un endpoint](canvas-deploy-model.md).
Creazione di previsioni singole per ottenere una previsione per un singolo punto dati. Puoi utilizzare questa funzionalità per ottenere previsioni in tempo reale o per testare la modifica di singoli valori e vederne l’impatto sul risultato della previsione. Tieni presente che le previsioni singole si basano su un endpoint di inferenza asincrona, che si chiude dopo essere rimasto inattivo (o non aver ricevuto alcuna richiesta di previsione) per due ore.
Scegli una delle procedure seguenti in base al tipo di modello.
## Creazione di previsioni singole con modelli di previsione numerici e categoriali
Per generare una previsione singola per un modello di previsione numerico o categoriale, procedi come segue:
1. Nel pannello di navigazione dell'applicazione Canvas, seleziona **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Dopo aver aperto il modello, scegli la scheda **Prevedi**.
1. Nella pagina **Esegui previsioni**, scegli **Previsione singola**.
1. Per ogni campo **Colonna** che rappresenta le colonne dei dati di input, puoi modificare il **Valore**. Seleziona il menu a discesa per il **valore** che intendi modificare. Per i campi numerici, puoi inserire un nuovo numero. Per i campi con etichette, puoi selezionare un'etichetta diversa.
1. Quando è tutto pronto per generare la previsione, nel riquadro **Previsione** a destra, scegli **Aggiorna**.
Nel riquadro **Previsione** a destra, vedrai il risultato della previsione. Puoi selezionare **Copia** per copiare il grafico dei risultati della previsione oppure puoi scegliere **Scarica** per scaricare il grafico dei risultati della previsione come immagine o per scaricare i valori e la previsione come file CSV.
## Generazione di previsioni singole con modelli di previsione delle serie temporali
Per generare una previsione singola per un modello di previsione delle serie temporali, procedi come descritto di seguito:
1. Nel pannello di navigazione dell'applicazione Canvas, seleziona **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Dopo aver aperto il modello, scegli la scheda **Prevedi**.
1. Scegli **Previsione singola**.
1. In **Elemento**, seleziona l’elemento per il quale desideri prevedere i valori.
1. Se hai utilizzato un gruppo per colonna per addestrare il modello, seleziona il gruppo per categoria per l’elemento.
Il risultato della previsione viene caricato nel riquadro sottostante, che mostra un grafico con la previsione per ogni quantile. Scegli la **visualizzazione Schema** per vedere i valori numerici previsti. Puoi anche scegliere **Scarica** per scaricare i risultati della previsione come immagine o file CSV.
## Formulazione di previsioni singole con modelli di previsione di immagini
Per formulare una previsione singola per un modello di previsione di immagini a etichetta singola, procedi come segue:
1. Nel pannello di navigazione dell'applicazione Canvas, seleziona **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Dopo aver aperto il modello, scegli la scheda **Prevedi**.
1. Nella pagina **Esegui previsioni**, scegli **Previsione singola**.
1. Scegli **Importa immagine**.
1. Ti verrà richiesto di caricare un'immagine. Puoi caricare un'immagine dal computer locale o da un bucket Amazon S3.
1. Scegli **Importa** per importare l'immagine e generare la previsione.
Nel riquadro **Risultati della previsione** a destra, il modello elenca le possibili etichette per l'immagine insieme a un punteggio di **attendibilità** per ciascuna etichetta. Ad esempio, il modello potrebbe prevedere l'etichetta **mare** per un'immagine, con un punteggio di attendibilità del 96%. Il modello potrebbe aver previsto l'immagine come un **ghiacciaio** con un punteggio di attendibilità solo del 4%. Pertanto, puoi stabilire che il modello è abbastanza sicuro nella previsione di immagini del mare.
## Formulazione di previsioni singole con modelli di previsione di testo
Per formulare una previsione singola per un modello di previsione di testo multicategoria, procedi come segue:
1. Nel pannello di navigazione dell'applicazione Canvas, seleziona **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Dopo aver aperto il modello, scegli la scheda **Prevedi**.
1. Nella pagina **Esegui previsioni**, scegli **Previsione singola**.
1. Nel campo **Testo**, inserisci il testo per il quale desideri generare una previsione.
1. Scegli **Genera risultati di previsione** per ottenere la tua previsione.
Nel riquadro **Risultati della previsione** a destra, visualizzerai un'analisi del testo oltre a un punteggio di **attendibilità** per ogni possibile etichetta. Ad esempio, se hai inserito una recensione positiva per un prodotto, potresti ottenere un punteggio di attendibilità **Positivo** dell'85%, mentre un punteggio di attendibilità **Neutro** potrebbe essere del 10% e un punteggio di attendibilità **Negativo** solo del 5%.
# Previsioni in batch in Canvas SageMaker
Formula previsioni in batch quando disponi di un intero set di dati per il quale desideri formulare previsioni. Amazon SageMaker Canvas supporta previsioni in batch per set di dati di dimensioni massime. PBs
Puoi generare due tipi di previsioni in batch:
+ Le previsioni in batch [manuali](canvas-make-predictions-batch-manual.md) vengono generate quando si dispone di un set di dati per il quale si desidera effettuare previsioni una tantum.
+ Le [previsioni in batch automatiche](canvas-make-predictions-batch-auto.md) vengono generate quando si imposta una configurazione eseguita ogni volta che viene aggiornato un set di dati specifico. Ad esempio, se hai configurato aggiornamenti settimanali a un set di dati di inventario SageMaker Canvas, puoi impostare previsioni automatiche in batch che vengono eseguite ogni volta che aggiorni il set di dati. Dopo aver impostato un flusso di lavoro automatizzato per le previsioni in batch, consulta [Come gestire le automazioni](canvas-manage-automations.md) per ulteriori informazioni su come visualizzare e modificare i dettagli della configurazione. Per ulteriori informazioni sulla configurazione degli aggiornamenti automatici per i set di dati, consulta [Configurazione degli aggiornamenti automatici per un set di dati](canvas-update-dataset-auto.md).
**Nota**
I modelli di previsione delle serie temporali non supportano le previsioni in batch automatiche.
Puoi impostare previsioni in batch automatiche solo per set di dati importati tramite caricamento locale o Amazon S3. Inoltre, puoi eseguire le previsioni in batch automatiche solo mentre sei connesso all'applicazione Canvas. Se esci da Canvas, i processi di previsione in batch automatici riprendono solo quando effettui nuovamente l’accesso.
Per iniziare, consulta la sezione [Requisiti dei set di dati per la previsione in batch](canvas-make-predictions-batch-preqreqs.md), quindi scegli uno dei seguenti flussi di lavoro di previsione in batch manuali o automatici.
**Topics**
+ [Requisiti dei set di dati per la previsione in batch](canvas-make-predictions-batch-preqreqs.md)
+ [Formulazione di previsioni in batch manuali](canvas-make-predictions-batch-manual.md)
+ [Formulazione di previsioni in batch automatiche](canvas-make-predictions-batch-auto.md)
+ [Modifica della configurazione della previsione in batch automatica](canvas-make-predictions-batch-auto-edit.md)
+ [Eliminazione della configurazione della previsione in batch automatica](canvas-make-predictions-batch-auto-delete.md)
+ [Visualizzazione dei processi di previsione in batch](canvas-make-predictions-batch-auto-view.md)
# Requisiti dei set di dati per la previsione in batch
Per generare previsioni in batch, assicurati che i set di dati soddisfino i requisiti descritti in [Creazione di un set di dati](canvas-import-dataset.md). Se il set di dati è più grande di 5 GB, Canvas utilizza Amazon EMR serverless per elaborare i dati e dividerli in batch più piccoli. Dopo che i dati sono stati suddivisi, Canvas utilizza SageMaker AI Batch Transform per fare previsioni. Potresti vedere gli addebiti di entrambi i servizi dopo aver eseguito le previsioni in batch. Per ulteriori informazioni, consulta [Prezzi di Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Potresti non riuscire a generare previsioni su alcuni set di dati perché hanno *schemi* incompatibili. Uno *schema* è una struttura organizzativa. Per un set di dati tabellare, lo schema è costituito dai nomi delle colonne e dal tipo di dati nelle colonne. Uno schema potrebbe essere considerato incompatibile per uno dei seguenti motivi:
+ Il set di dati che stai usando per fare previsioni ha meno colonne rispetto al set di dati che stai usando per creare il modello.
+ I tipi di dati nelle colonne che hai usato per creare il set di dati potrebbero essere diversi dai tipi di dati del set di dati che stai usando per generare previsioni.
+ I nomi delle colonne del set di dati che stai usando per generare previsioni e i nomi delle colonne del set di dati che hai usato per creare il modello non corrispondono. I nomi delle colonne fanno distinzione tra maiuscole e minuscole. `Column1` non è uguale a `column1`.
Per assicurarti di poter generare le previsioni in batch correttamente, abbina lo schema del set di dati delle previsioni in batch al set di dati utilizzato per addestrare il modello.
**Nota**
Per le previsioni in batch, se hai eliminato delle colonne durante la creazione del modello, Canvas le aggiunge nuovamente ai risultati della previsione. Tuttavia, Canvas non aggiunge le colonne eliminate alle previsioni in batch per i modelli di serie temporali.
# Formulazione di previsioni in batch manuali
Per formulare previsioni in batch manuali basate sul tipo di modello, scegli una delle procedure seguenti.
## Generazione di previsioni in batch manuali con modelli di previsione numerici, categorici e delle serie temporali
Per generare previsioni in batch manuali per i tipi di modelli di previsione numerici, categorici e delle serie temporali, procedi come descritto di seguito:
1. Nel pannello di navigazione dell'applicazione Canvas, seleziona **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Dopo aver aperto il modello, scegli la scheda **Prevedi**.
1. Nella pagina **Esegui previsioni**, scegli **Previsione in batch**.
1. Scegli **Seleziona set di dati** per scegliere un set di dati per generare previsioni.
1. Dall’elenco dei set di dati disponibili, seleziona il tuo set di dati e scegli **Avvia previsioni** per generare le previsioni.
Al termine dell’esecuzione del processo di previsione, nella sezione **Previsioni** della stessa pagina viene visualizzato un set di dati di output. Questo set di dati contiene i tuoi risultati e, se selezioni l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puoi scegliere **Anteprima** per visualizzare in anteprima i dati di output. Puoi visualizzare i dati di input corrispondenti alla previsione e la probabilità che la previsione sia corretta. Quindi, puoi scegliere **Scarica previsione** per scaricare i risultati come file.
## Formulazione di previsioni in batch manuali con modelli di previsione di immagini
Per generare una previsione in batch manuale per un modello di previsione di immagini a etichetta singola, procedi come segue:
1. Nel pannello di navigazione dell'applicazione Canvas, seleziona **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Dopo aver aperto il modello, scegli la scheda **Prevedi**.
1. Nella pagina **Esegui previsioni**, scegli **Previsione in batch**.
1. Scegli **Seleziona set di dati** se hai già importato il tuo set di dati. In caso contrario, scegli **Importa nuovo set di dati** e verrai indirizzato al flusso di lavoro di importazione dei dati.
1. Dall'elenco dei set di dati disponibili, seleziona il tuo set di dati e scegli **Genera previsioni** per ottenere le tue previsioni.
Al termine dell'esecuzione del processo di previsione, nella pagina **Esegui previsioni** viene visualizzato un set di dati di output elencato in **Previsioni**. Questo set di dati contiene i tuoi risultati e, se selezioni l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puoi scegliere **Visualizza risultati di previsione** per visualizzare i dati di output. Puoi visualizzare le immagini insieme alle etichette previste e ai punteggi di attendibilità. Quindi, puoi scegliere **Scarica previsione** per scaricare i risultati in formato CSV o file zip.
## Formulazione di previsioni in batch manuali con modelli di previsione di testo
Per formulare una previsione in batch manuale per un modello di previsione di testo multicategoria, procedi come segue:
1. Nel pannello di navigazione dell'applicazione Canvas, seleziona **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Dopo aver aperto il modello, scegli la scheda **Prevedi**.
1. Nella pagina **Esegui previsioni**, scegli **Previsione in batch**.
1. Scegli **Seleziona set di dati** se hai già importato il tuo set di dati. In caso contrario, scegli **Importa nuovo set di dati** e verrai indirizzato al flusso di lavoro di importazione dei dati. Il set di dati che scegli deve avere la stessa colonna di origine del set di dati con cui hai creato il modello.
1. Dall'elenco dei set di dati disponibili, seleziona il tuo set di dati e scegli **Genera previsioni** per ottenere le tue previsioni.
Al termine dell'esecuzione del processo di previsione, nella pagina **Esegui previsioni** viene visualizzato un set di dati di output elencato in **Previsioni**. Questo set di dati contiene i tuoi risultati e, se selezioni l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puoi scegliere **Anteprima** per visualizzare i dati di output. Puoi visualizzare le immagini insieme alle etichette previste e ai punteggi di attendibilità. Quindi, puoi scegliere **Scarica previsione** per scaricare i risultati.
# Formulazione di previsioni in batch automatiche
**Nota**
I modelli di previsione delle serie temporali non supportano le previsioni in batch automatiche.
Per impostare una pianificazione per le previsioni in batch automatiche, procedi come segue:
1. Nel riquadro di navigazione a sinistra in Canvas scegli **I miei modelli**.
1. Scegli il tuo modello.
1. Seleziona la scheda **Prevedi**.
1. Scegli **Previsioni in batch**.
1. In **Genera previsioni**, scegli **Automatico**.
1. Viene visualizzata la finestra di dialogo **Automatizza le previsioni in batch**. Scegli **Seleziona set di dati** e scegli il set di dati per il quale desideri automatizzare le previsioni. Tieni presente che puoi selezionare solo un set di dati importato tramite caricamento locale o Amazon S3.
1. Dopo aver selezionato un set di dati, scegli **Configura**.
Canvas esegue un processo di previsione in batch per il set di dati dopo aver impostato la configurazione. Quindi, ogni volta che [Aggiornamento di un set di dati](canvas-update-dataset.md), manualmente o automaticamente, viene eseguito un altro processo di previsione in batch.
Al termine dell'esecuzione del processo di previsione, nella pagina **Esegui previsioni** viene visualizzato un set di dati di output elencato in **Previsioni**. Questo set di dati contiene i tuoi risultati e, se selezioni l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puoi scegliere **Anteprima** per visualizzare in anteprima i dati di output. Puoi visualizzare i dati di input corrispondenti alla previsione e la probabilità che la previsione sia corretta. Quindi, puoi scegliere **Scarica** per scaricare i risultati.
Le sezioni seguenti descrivono come visualizzare, aggiornare ed eliminare la configurazione di previsione in batch automatica tramite la pagina **Set di dati** dell'applicazione Canvas. Puoi impostare un massimo di 20 configurazioni automatiche in Canvas. Per ulteriori informazioni sulla visualizzazione della cronologia dei processi di previsione in batch automatica o alla modifica della configurazione automatica tramite la pagina **Automazioni** consulta [Come gestire le automazioni](canvas-manage-automations.md).
# Modifica della configurazione della previsione in batch automatica
Potresti voler apportare modifiche alla configurazione dell'aggiornamento automatico per un set di dati, ad esempio cambiando la frequenza degli aggiornamenti. Potresti anche voler disattivare la configurazione di aggiornamento automatico per sospendere gli aggiornamenti del tuo set di dati.
Quando modifichi una configurazione della previsione in batch, puoi modificare il set di dati di destinazione ma non la frequenza (poiché le previsioni in batch automatiche vengono eseguite ogni volta che il set di dati viene aggiornato).
Per modificare la configurazione degli aggiornamenti automatici, effettua le seguenti operazioni:
1. Vai alla scheda **Prevedi** del tuo modello.
1. In **Previsioni**, scegli la scheda **Configurazione**.
1. Trova la tua configurazione e scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Dal menu a discesa, scegli **Aggiorna configurazione**.
1. Si apre la finestra di dialogo **Automatizza previsioni in batch**. Puoi selezionare un altro set di dati e scegliere **Configura** per salvare le modifiche.
La configurazione delle previsioni in batch automatiche è ora aggiornata.
Per mettere in pausa le previsioni in batch automatiche, disattiva la configurazione automatica effettuando le seguenti operazioni:
1. Vai alla scheda **Prevedi** del tuo modello.
1. In **Previsioni**, scegli la scheda **Configurazione**.
1. Trova la tua configurazione dall'elenco e disattiva l'opzione **Aggiornamento automatico**.
Le previsioni in batch automatiche sono ora in pausa. Per riprendere la pianificazione degli aggiornamenti puoi riattivare l’opzione in qualsiasi momento.
# Eliminazione della configurazione della previsione in batch automatica
Per informazioni su come eliminare la configurazione della previsione in batch automatica, consulta [Eliminazione di una configurazione automatica](canvas-manage-automations-delete.md).
Puoi eliminare la configurazione anche eseguendo le seguenti operazioni:
1. Vai alla scheda **Prevedi** del tuo modello.
1. In **Previsioni**, scegli la scheda **Configurazione**.
1. Trova la tua configurazione sulla lista e scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Dal menu a discesa, scegli **Elimina configurazione**.
La tua configurazione ora risulta eliminata.
# Visualizzazione dei processi di previsione in batch
Per visualizzare lo stato e la cronologia dei processi di previsione in batch, vai alla scheda **Prevedi** del tuo modello.
Ogni processo di previsione in batch viene visualizzato nella scheda **Prevedi** del tuo modello. In **Previsioni**, consulta le schede **Tutti i processi** e **Configurazione**:
+ **Tutti i processi**: in questa scheda puoi visualizzare tutti i processi di previsione in batch manuali e automatici per questo modello. Puoi filtrare i processi in base al nome della configurazione. Per ogni processo, vedrai i campi seguenti:
+ **Stato**: lo stato attuale del processo di previsione in batch. Se lo stato è **Non riuscito** o **Parzialmente non riuscito**, puoi passare il mouse sullo stato per visualizzare un messaggio di errore più dettagliato per facilitare la risoluzione dei problemi.
+ **Set di dati di input**: il nome del set di dati di input di Canvas, inclusa la versione.
+ **Tipo di previsione**: se il processo di previsione è automatico o manuale.
+ **Righe**: il numero di righe previsto.
+ **Nome della configurazione**: il nome della configurazione del processo di previsione in batch.
+ **QuickSight**— Descrive se hai inviato le previsioni in batch a Quick.
+ **Creato**: l’ora di creazione del processo di previsione in batch.
Se scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puoi scegliere **Visualizza dettagli**, **Anteprima della previsione**, **Scarica la previsione** o **Invia** a Quick. Se scegli **Visualizza dettagli**, si apre una pagina che mostra tutti i dettagli del processo di previsione in batch, tra cui lo stato, le configurazioni dei dati di input e output, le informazioni sulle istanze utilizzate per completare il processo e l'accesso ai log di Amazon. CloudWatch La pagina dovrebbe essere simile allo screenshot seguente.
![\[Pagina dei dettagli del processo di previsione in batch che mostra tutti i dettagli aggiuntivi su un processo.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-view-batch-prediction-job-details.png)
+ **Configurazione**: in questa scheda puoi vedere tutte le configurazioni delle previsioni in batch automatiche che hai creato per questo modello. Per ogni configurazione, puoi visualizzare diversi campi, ad esempio il timestamp di quando è stata **creata**, il **set di dati di input** monitorato per gli aggiornamenti e il **processo successivo pianificato**, che indica l’ora di avvio del prossimo processo di previsione automatico pianificato. Se scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puoi scegliere **Visualizza tutti i processi** per visualizzare la cronologia dei processi e i processi in corso per quella configurazione.
# Invia previsioni a Quick
**Nota**
Puoi inviare previsioni in batch a Quick per modelli di previsione numerica e categoriale e di serie temporali. Sono esclusi i modelli di previsione di immagini con etichetta singola e i modelli di previsione di testo multicategoria.
Dopo aver generato previsioni in batch con modelli tabulari personalizzati in SageMaker Canvas, puoi inviarle come file CSV a Quick, un servizio di business intelligence (BI) per creare e pubblicare dashboard predittivi.
Ad esempio, se hai creato un modello di previsione a due categorie per determinare se un cliente aumenterà il tasso di abbandono, puoi creare una dashboard visiva e predittiva in Quick per mostrare la percentuale di clienti che si prevede che abbandoni. [Per ulteriori informazioni su Quick, consulta la Guida rapida per l'utente.](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html)
Le seguenti sezioni mostrano come inviare le previsioni in batch a Quick per l'analisi.
## Prima di iniziare
L'utente deve disporre delle autorizzazioni necessarie AWS Identity and Access Management (IAM) per inviare le previsioni a Quick. L'amministratore può configurare le autorizzazioni IAM per l'utente. Per ulteriori informazioni, consulta [Concedi ai tuoi utenti le autorizzazioni per inviare previsioni a Quick](canvas-quicksight-permissions.md).
Il tuo account Quick deve contenere lo spazio dei `default` nomi, che viene impostato quando crei il tuo account Quick per la prima volta. Contatta il tuo amministratore per aiutarti ad accedere a Quick. Per ulteriori informazioni, consulta [Configurazione di Quick nella Guida rapida per](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) *l'utente*.
L'account Quick deve essere creato nella stessa regione dell'applicazione Canvas. Se la regione di residenza dell'account Quick è diversa dalla regione dell'applicazione Canvas, è necessario [chiudere](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) e ricreare l'account Quick oppure [configurare un'applicazione Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) nella stessa regione dell'account Quick. Puoi controllare la tua regione di origine rapida effettuando le seguenti operazioni (supponendo che tu abbia già un account Quick):
1. Apri la tua [console Quick](https://quicksight.aws.amazon.com/).
1. Quando la pagina viene caricata, la tua Quick home Region viene aggiunta all'URL nel seguente formato:`https://.quicksight.aws.amazon.com/`.
Devi conoscere i nomi utente degli utenti Quick a cui desideri inviare le tue previsioni. Puoi inviare previsioni a te stesso o ad altri utenti che dispongono delle autorizzazioni richieste. Tutti gli utenti a cui invii i pronostici devono trovarsi nello `default` [spazio dei nomi](https://docs.aws.amazon.com/quicksight/latest/user/namespaces.html) del tuo account Quick e avere il `Author` ruolo or in Quick. `Admin`
Inoltre, Quick deve avere accesso al bucket SageMaker AI predefinito di Amazon S3 per il tuo dominio, denominato con il seguente formato:. `sagemaker-{REGION}-{ACCOUNT_ID}` La regione deve essere la stessa della regione principale del tuo account Quick e della regione dell'applicazione Canvas. *Per informazioni su come fornire un accesso rapido alle previsioni in batch archiviate nel tuo bucket Amazon S3, consulta l'[argomento Non riesco a connettermi ad Amazon S3](https://docs.aws.amazon.com/quicksight/latest/user/troubleshoot-connect-S3.html) nella Guida rapida per l'utente.*
## Formati di dati supportati
Prima di inviare le previsioni, verifica che il formato dei dati delle previsioni in batch sia compatibile con Quick.
+ *Per ulteriori informazioni sui formati di dati accettati per i dati delle serie temporali, consulta [Formati di data supportati](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html) nella Guida rapida per l'utente.*
+ Per ulteriori informazioni sui valori dei dati che potrebbero impedirne l'invio a Quick, consulta [Valori non supportati nei dati nella](https://docs.aws.amazon.com/quicksight/latest/user/unsupported-data-values.html) *Guida rapida* per l'utente.
Tieni inoltre presente che Quick utilizza il carattere `"` come qualificatore di testo, quindi se i tuoi dati Canvas contengono `"` caratteri, assicurati di chiudere tutte le virgolette corrispondenti. Qualsiasi citazione non corrispondente può causare problemi con l'invio del set di dati a Quick.
## Invia le tue previsioni in batch a Quick
Utilizza la seguente procedura per inviare i tuoi pronostici a Quick:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra scegli **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello.
1. Seleziona la scheda **Prevedi**.
1. In **Previsioni**, seleziona il set di dati (o i set di dati) di previsioni in batch che desideri condividere. Puoi condividere fino a 5 set di dati di previsioni in batch alla volta.
1. Dopo aver selezionato il set di dati, scegli **Invia a Quick**.
**Nota**
Il pulsante **Invia a Quick** non si attiva a meno che non selezioni uno o più set di dati.
In alternativa, puoi visualizzare in anteprima le previsioni scegliendo l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) e quindi **Visualizza i risultati delle previsioni**. Dall'anteprima del set di dati, puoi scegliere **Invia a** Quick. La schermata seguente mostra il pulsante **Invia a Quick** in un'anteprima del set di dati.
![\[Schermata di un'anteprima del set di dati con il pulsante Invia a Quick in basso.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight-preview.png)
1. Nella finestra di dialogo **Invia a Quick**, effettuate le seguenti operazioni:
1. Per **QuickSight gli utenti**, inserisci il nome degli utenti Quick a cui desideri inviare le previsioni. Se vuoi inviarle a te stesso, inserisci il tuo nome utente. Puoi inviare previsioni solo agli utenti nello `default` spazio dei nomi dell'account Quick e l'utente deve avere il ruolo `Author` o `Admin` in Quick.
1. Scegli **Invia**.
La schermata seguente mostra la finestra di dialogo **Invia a Quick**:
![\[La finestra di dialogo Invia a Quick.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight.png)
Dopo aver inviato le previsioni in batch, il **QuickSight**campo per i set di dati inviati viene visualizzato come. `Sent` Nella casella di conferma che conferma l'invio dei pronostici, puoi scegliere **Apri rapido per aprire** l'applicazione Quick. Se hai finito di usare Canvas, devi [disconnetterti](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-log-out.html) dall'applicazione Canvas.
Gli utenti Quick a cui hai inviato i set di dati possono aprire la loro applicazione Quick e visualizzare i set di dati Canvas che sono stati condivisi con loro. Quindi, possono creare dashboard predittive con quei dati. Per ulteriori informazioni, consulta [Guida introduttiva all'analisi rapida dei dati](https://docs.aws.amazon.com/quicksight/latest/user/getting-started.html) nella *Guida rapida per l'utente*.
Per impostazione predefinita, tutti gli utenti a cui invii le previsioni dispongono delle autorizzazioni di proprietario per il set di dati in Quick. I proprietari possono creare analisi, aggiornare, modificare, eliminare e condividere nuovamente i set di dati. Le modifiche apportate dai proprietari a un set di dati modificano il set di dati per tutti gli utenti che possono accedervi. Per modificare le autorizzazioni, vai al set di dati in Quick e gestiscine le autorizzazioni. *Per ulteriori informazioni, consulta [Visualizzazione e modifica delle autorizzazioni degli utenti con cui viene condiviso un set](https://docs.aws.amazon.com/quicksight/latest/user/sharing-data-sets.html#view-users-data-set) di dati nella Guida rapida per l'utente.*
# Download di un notebook del modello
**Nota**
La funzionalità del notebook del modello è disponibile per i modelli tabulari con build rapida e standard e per i modelli di fondazione ottimizzati con fine-tuning. I notebook del modello non sono supportati per i modelli di previsione delle immagini, previsione del testo o previsione delle serie temporali.
Per generare un notebook del modello per un modello tabulare creato prima del lancio di questa funzionalità, devi ricostruire il modello per generare un notebook.
Per i modelli idonei creati con successo in Amazon SageMaker Canvas, viene generato un notebook Jupyter contenente un report di tutte le fasi di creazione del modello. Questo notebook Jupyter contiene codice Python che puoi eseguire localmente o in un ambiente come Amazon SageMaker Studio Classic per replicare i passaggi necessari per creare il tuo modello. Il notebook può essere utile per condurre esperimenti con il codice o vedere i dettagli di backend su come Canvas crea i modelli.
Per accedere al notebook del modello, procedi come descritto di seguito:
1. Apri l'applicazione Canvas. SageMaker
1. Nel riquadro di navigazione a sinistra scegli **I miei modelli**.
1. Scegli il modello e la versione creati.
1. Nella pagina della versione del modello, scegli l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) nell’intestazione.
1. Dal menu a discesa, scegli **Visualizza notebook**.
1. Viene visualizzata una finestra pop-up con il contenuto del notebook. Puoi scegliere **Scarica** e quindi eseguire una di queste operazioni:
1. Scegli **Scarica** per salvare il contenuto del notebook sul tuo dispositivo locale.
1. Scegli **Copia URI S3** per copiare la posizione Amazon S3 in cui è archiviato il notebook. Il notebook è archiviato nel bucket Amazon S3 specificato in **Configurazione di archiviazione Canvas**, nella sezione [Prerequisiti per la configurazione di Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
A questo punto, dovresti visualizzare il notebook in locale o come oggetto in Amazon S3. Puoi caricare il notebook su un IDE per modificare ed eseguire il codice oppure puoi condividerlo con altre persone dell’organizzazione per esaminarlo.
# Invia il tuo modello a Quick
Se usi Quick e desideri sfruttare SageMaker Canvas nelle tue visualizzazioni Quick, puoi creare un modello Amazon SageMaker Canvas e utilizzarlo come *campo predittivo* nel tuo set di dati Quick. Un *campo predittivo è un campo* del set di dati Quick che può fare previsioni per una determinata colonna del set di dati, in modo simile a come gli utenti Canvas effettuano previsioni singole o in batch con un modello. [Per ulteriori informazioni su come integrare le capacità predittive di Canvas nei set di dati Quick, consulta l'integrazione di [SageMaker Canvas](https://docs.aws.amazon.com/quicksight/latest/user/sagemaker-canvas-integration.html) nella Guida rapida per l'utente.](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html)
I passaggi seguenti spiegano come aggiungere un campo predittivo al set di dati Quick utilizzando un modello Canvas:
1. Apri l'applicazione Canvas e crea un modello con il tuo set di dati.
1. Dopo aver creato il modello in Canvas, invia il modello a Quick. Un file di schema viene scaricato automaticamente sul computer locale quando inviate il modello a Quick. Caricherai questo file di schema su Quick nel passaggio successivo.
1. Apri Quick e scegli un set di dati con lo stesso schema del set di dati che hai usato per creare il tuo modello. Aggiungi un campo predittivo al set di dati ed effettua le seguenti operazioni:
1. Specifica il modello inviato da Canvas.
1. Carica il file di schema scaricato nella fase 2.
1. Salva e pubblica le modifiche, quindi genera previsioni per il nuovo set di dati. Quick utilizza il modello per compilare la colonna di destinazione con le previsioni.
Per inviare un modello da Canvas a Quick, devi soddisfare i seguenti prerequisiti:
+ È necessario disporre sia di Canvas che di Quick configurati. Il tuo account Quick deve essere creato nella Regione AWS stessa applicazione Canvas. Se la regione di residenza dell'account Quick è diversa dalla regione dell'applicazione Canvas, è necessario [chiudere](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) e ricreare l'account Quick oppure [configurare un'applicazione Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) nella stessa regione dell'account Quick. L'account Quick deve contenere anche lo spazio dei nomi predefinito, che hai impostato quando crei il tuo account Quick per la prima volta. Contatta il tuo amministratore per aiutarti ad accedere a Quick. Per ulteriori informazioni, consulta [Configurazione di Quick nella Guida rapida per](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) *l'utente*.
+ L'utente deve disporre delle autorizzazioni necessarie AWS Identity and Access Management (IAM) per inviare le previsioni a Quick. L'amministratore può configurare le autorizzazioni IAM per l'utente. Per ulteriori informazioni, consulta [Concedere agli utenti le autorizzazioni per inviare previsioni a](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html) Quick.
+ Quick deve avere accesso al bucket Amazon S3 che hai specificato per lo storage delle applicazioni Canvas. Per ulteriori informazioni, consulta [Configurazione dello storage Amazon S3](canvas-storage-configuration.md).
# Previsioni delle serie temporali in Amazon Canvas SageMaker
**Nota**
I modelli di previsione di serie temporali sono supportati solo per set di dati tabellari.
Amazon SageMaker Canvas ti offre la possibilità di utilizzare previsioni di serie temporali basate sull'apprendimento automatico. Le previsioni di serie temporali offrono la possibilità di generare previsioni che possono variare nel tempo.
Puoi fare una previsione di serie temporale per i seguenti esempi:
+ Previsione del tuo inventario nei prossimi mesi.
+ Numero di articoli venduti nei prossimi quattro mesi.
+ Effetto della riduzione del prezzo sulle vendite durante le festività natalizie.
+ Inventario degli articoli nei 12 mesi successivi.
+ Numero di clienti che entrano in un negozio nelle prossime ore.
+ Previsione di come una riduzione del 10% del prezzo di un prodotto influenzi le vendite in un dato periodo di tempo.
Per fare una previsione di serie temporali, il set di dati deve avere quanto segue:
+ Una colonna di timestamp in cui tutti i valori sono di tipo `datetime`.
+ Una colonna di destinazione che contiene i valori che usi per prevedere i valori futuri.
+ Una colonna ID elemento che contiene identificatori univoci per ogni elemento del tuo set di dati, come i numeri SKU.
I valori `datetime` nella colonna di timestamp devono utilizzare uno dei seguenti formati:
+ `YYYY-MM-DD HH:MM:SS`
+ `YYYY-MM-DDTHH:MM:SSZ`
+ `YYYY-MM-DD`
+ `MM/DD/YY`
+ `MM/DD/YY HH:MM`
+ `MM/DD/YYYY`
+ `YYYY/MM/DD HH:MM:SS`
+ `YYYY/MM/DD`
+ `DD/MM/YYYY`
+ `DD/MM/YY`
+ `DD-MM-YY`
+ `DD-MM-YYYY`
Puoi fare previsioni per i seguenti intervalli:
+ 1 minuto
+ 5 minuti
+ 15 minuti
+ 30 minuti
+ 1 ora
+ 1 giorno
+ 1 settimana
+ 1 mese
+ 1 anno
## Valori futuri nel tuo set di dati di input
Canvas rileva automaticamente le colonne nel set di dati che potrebbero potenzialmente contenere valori futuri. Se presenti, questi valori possono migliorare l'accuratezza delle previsioni. Canvas contrassegna queste colonne specifiche con un'etichetta `Future values`. Canvas inferisce la relazione tra i dati in queste colonne e la colonna di destinazione che stai cercando di prevedere e utilizza tale relazione per generare previsioni più accurate.
Ad esempio, puoi prevedere la quantità di gelati venduti da un negozio di alimentari. Per fare una previsione, è necessario disporre di una colonna di timestamp e di una colonna che indichi la quantità di gelato venduta dal negozio di alimentari. Per una previsione più accurata, il set di dati può includere anche il prezzo, la temperatura ambiente, il gusto del gelato o un identificatore univoco per il gelato.
Le vendite di gelati potrebbero aumentare quando il clima è più caldo. Una diminuzione del prezzo del gelato potrebbe comportare un aumento delle unità vendute. Avere una colonna con i dati sulla temperatura ambiente e una colonna con i dati sui prezzi può migliorare la capacità di prevedere il numero di unità di gelato vendute dal negozio di alimentari.
Sebbene fornire valori futuri sia facoltativo, aiuta a eseguire analisi condizionali direttamente nell'applicazione Canvas, mostrandoti come le modifiche ai valori futuri potrebbero alterare le tue previsioni.
## Gestione dei valori mancanti
Potresti avere dei dati mancanti per diversi motivi. Il motivo dei dati mancanti potrebbe indicare il modo in cui desideri che Canvas li attribuisca. Ad esempio, la tua organizzazione potrebbe utilizzare un sistema automatico che tiene traccia solo di quando avviene una vendita. Se utilizzi un set di dati proveniente da questo tipo di sistema automatico, nella colonna di destinazione mancheranno dei valori.
**Importante**
Se nella colonna di destinazione mancano dei valori, ti consigliamo di utilizzare un set di dati che non li contiene. SageMaker Canvas utilizza la colonna di destinazione per prevedere i valori futuri. I valori mancanti nella colonna di destinazione possono ridurre notevolmente l'accuratezza della previsione.
Per i valori mancanti nel set di dati, Canvas attribuisce automaticamente i valori mancanti, riempiendo la colonna di destinazione con `0` e le altre colonne numeriche con il valore mediano della colonna.
Tuttavia, puoi selezionare la tua logica di riempimento per la colonna di destinazione e altre colonne numeriche nei tuoi set di dati. Le colonne di destinazione hanno linee guida e restrizioni di riempimento diverse rispetto al resto delle colonne numeriche. Le colonne di destinazione vengono riempite fino alla fine del periodo storico, mentre le colonne numeriche vengono riempite sia nei periodi storici che in quelli futuri, fino alla fine dell'orizzonte di previsione. Canvas inserisce i valori futuri in una colonna numerica solo se i dati hanno almeno una voce con un timestamp futuro e un valore per quella colonna specifica.
Puoi scegliere una delle seguenti opzioni della logica di riempimento per attribuire i valori mancanti nei tuoi dati:
+ `zero`: riempi con `0`.
+ `NaN`: riempi con NaN o non con un numero. Questo è supportato solo per la colonna di destinazione.
+ `mean`: riempi con il valore medio dalla serie di dati.
+ `median`: riempi con il valore mediano dalla serie di dati.
+ `min`: riempi con il valore minimo dalla serie di dati.
+ `max`: riempi con il valore massimo dalla serie di dati.
Quando scegli una logica di riempimento, devi considerare come la logica verrà interpretata dal modello. Ad esempio, in uno scenario di vendita al dettaglio, registrare zero vendite per un articolo disponibile è diverso rispetto a registrare zero vendite di un articolo non disponibile, in quanto quest'ultima condizione non implica una mancanza di interesse del cliente per l'articolo. In questo caso, il riempimento con `0` nella colonna di destinazione del set di dati potrebbe far sì che il modello sia meno preciso nelle sue previsioni e inferisca uno scarso interesse da parte dei clienti per gli articoli non disponibili. Al contrario, il riempimento con `NaN` potrebbe far sì che il modello ignori le occorrenze reali di zero articoli venduti tra gli articoli disponibili.
## Tipi di previsioni
Puoi creare uno dei seguenti tipi di previsioni:
+ **Elemento singolo**
+ **Tutti gli elementi**
Per una previsione su tutti gli elementi del set di dati, SageMaker Canvas restituisce una previsione per i valori futuri per ogni elemento del set di dati.
Per una previsione a singolo articolo, si specifica l'articolo e SageMaker Canvas restituisce una previsione per i valori futuri. La previsione include un grafico a linee che riporta i valori previsti nel tempo.
**Topics**
+ [Valori futuri nel tuo set di dati di input](#canvas-time-series-future)
+ [Gestione dei valori mancanti](#canvas-time-series-missing)
+ [Tipi di previsioni](#canvas-time-series-types)
+ [Opzioni aggiuntive per le informazioni approfondite di previsione](canvas-additional-insights.md)
# Opzioni aggiuntive per le informazioni approfondite di previsione
In Amazon SageMaker Canvas, puoi utilizzare i seguenti metodi opzionali per ottenere maggiori informazioni dalle tue previsioni:
+ Colonna gruppo
+ Pianificazione festività
+ Scenario condizionale
Puoi specificare una colonna nel tuo set di dati come **colonna gruppo**. Amazon SageMaker Canvas raggruppa la previsione in base a ciascun valore nella colonna. Ad esempio, puoi raggruppare la previsione in colonne contenenti dati su prezzi o identificatori univoci degli articoli. Raggruppare una previsione per colonna ti consente di fare previsioni più specifiche. Ad esempio, se raggruppi una previsione in una colonna contenente gli identificatori degli articoli, puoi visualizzare la previsione per ogni articolo.
Le vendite complessive degli articoli potrebbero essere condizionate dalla presenza di festività. Ad esempio, negli Stati Uniti, il numero di articoli venduti a novembre e dicembre potrebbe differire notevolmente dal numero di articoli venduti a gennaio. Se utilizzi i dati di novembre e dicembre per prevedere le vendite di gennaio, i risultati potrebbero essere imprecisi. Avvalersi di una pianificazione delle festività evita la formulazione di risultati imprecisi. Puoi utilizzare una pianificazione delle festività per 251 paesi.
Per una previsione su un singolo elemento del set di dati, puoi utilizzare scenari condizionali. Uno scenario condizionale offre la possibilità di modificare i valori nei tuoi dati e modificare la previsione. Ad esempio, puoi rispondere alle seguenti domande utilizzando uno scenario condizionale: “E se abbassassi i prezzi? In che modo ciò influirebbe sul numero di articoli venduti?”
# Aggiungere versioni del modello in Amazon SageMaker Canvas
In Amazon SageMaker Canvas, puoi aggiornare i modelli che hai creato aggiungendo *versioni*. Ogni modello che crei ha un numero di versione. Il primo modello è la versione 1 oppure `V1`. Puoi utilizzare le versioni del modello per visualizzare le modifiche nella precisione delle previsioni quando aggiorni i dati o utilizzi [trasformazioni avanzate](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html).
Durante la visualizzazione del modello, SageMaker Canvas mostra la cronologia del modello in modo da poter confrontare tutte le versioni del modello che hai creato. Puoi anche eliminare le versioni che non ti sono più utili. Creando più versioni del modello e valutandone l’accuratezza, puoi migliorare le prestazioni del modello in modo iterativo.
**Nota**
I modelli di previsione di testo e immagini supportano solo una versione del modello.
Per aggiungere una versione del modello, puoi clonare una versione esistente o crearne una nuova.
La clonazione di una versione esistente copia la configurazione del modello corrente, inclusa la ricetta del modello e il set di dati di input. In alternativa, puoi creare una nuova versione se intendi configurare una nuova ricetta del modello o scegliere un set di dati diverso.
Se crei una nuova versione e selezioni un set di dati diverso, devi scegliere un set di dati con la stessa colonna di destinazione e lo stesso schema del set di dati della versione 1.
Prima di aggiungere una nuova versione, devi creare correttamente almeno una versione del modello. Quindi, è possibile [registrare una versione del modello nel Registro dei SageMaker modelli](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html). Utilizza il registro per tenere traccia delle versioni del modello e collaborare con gli utenti di Studio Classic sulle approvazioni dei modelli di produzione.
Se hai eseguito una build rapida per la tua prima versione del modello, hai la possibilità di eseguire una build standard quando aggiungi una versione. Le build standard generalmente sono più precise. Quindi, se ritieni che la configurazione con la build rapida sia valida, puoi eseguire una build standard per creare una versione finale del modello. Per ulteriori informazioni sulle differenze tra build rapide e build standard, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md).
Le procedure seguenti mostrano come aggiungere versioni del modello. La procedura cambia a seconda che la versione aggiunta sia abbia lo stesso tipo di build o un tipo di build diverso (rapida o standard). Utilizza la procedura **Per aggiungere una nuova versione del modello** per aggiungere versioni con lo stesso tipo di build. Per aggiungere una versione del modello con la build standard dopo aver eseguito una build rapida, segui la procedura **Per eseguire una build standard**.
**Per aggiungere una nuova versione del modello**
1. Apri l'applicazione SageMaker Canvas. Per ulteriori informazioni, consulta [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md).
1. Nel riquadro di navigazione a sinistra scegli **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello. Scegli **Filtra per tipo di problema** per trovare il tuo modello.
1. Dopo l’apertura del modello, scegli il pulsante **Aggiungi versione** nel pannello superiore.
1. Utilizza il menu a discesa per selezionare una delle seguenti opzioni:
1. **Aggiungi una nuova versione da zero**: quando selezioni questa opzione, la scheda **Crea** si apre con la bozza per una nuova versione del modello. Puoi selezionare un set di dati diverso (purché lo schema corrisponda allo schema del set di dati della prima versione del modello) e configurare una nuova ricetta del modello. Per ulteriori informazioni sulla creazione di una versione del modello, consulta [Crea un modello](canvas-build-model-how-to.md).
1. **Clona una versione esistente con configurazioni**: una finestra di dialogo richiede di selezionare la versione da clonare. Dopo aver selezionato la versione desiderata, scegli **Clona**. La scheda **Crea** si apre con la bozza per una nuova versione del modello. Tutte le configurazioni della ricetta del modello vengono copiate dalla versione clonata. Per ulteriori informazioni sulla creazione di una versione del modello, consulta [Crea un modello](canvas-build-model-how-to.md).
**Per eseguire una build standard**
1. Apri la tua applicazione SageMaker Canvas. Per ulteriori informazioni, consulta [Guida introduttiva all'utilizzo di Amazon SageMaker Canvas](canvas-getting-started.md).
1. Nel riquadro di navigazione a sinistra scegli **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello. Scegli **Filtra per tipo di problema** per trovare facilmente il tuo modello.
1. Dopo l’apertura del modello, scegli la scheda **Analizza**.
1. Scegli **Build standard**.
![\[La scheda Analizza di un modello Canvas che mostra il pulsante della build standard.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-add-version-quick-to-standard.png)
Nella pagina con la bozza del modello visualizzata nella scheda **Crea**, puoi modificare la configurazione del modello e avviare una build. Per ulteriori informazioni sulla creazione di una versione del modello, consulta [Crea un modello](canvas-build-model-how-to.md).
A questo punto, la creazione di una nuova versione del modello dovrebbe essere in corso. Per ulteriori informazioni sulla creazione di un modello, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md).
Dopo aver creato una versione del modello, puoi tornare alla pagina dei dettagli del modello in qualsiasi momento per visualizzare tutte le versioni o aggiungerne altre. L’immagine seguente mostra la pagina **Versioni** per un modello.
![\[Pagina delle versioni del modello per un modello in Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/model-versions.png)
Nella pagina **Versioni**, puoi visualizzare le seguenti informazioni per ciascuna delle versioni del tuo modello:
+ **Stato**: questo campo indica se il modello è attualmente in fase di creazione (`In building`), se è stato creato (`Ready`), se la creazione non è riuscita (`Failed`) o se è ancora in fase di modifica (`In draft`).
+ **Punteggio del modello**, **F1**, **Precisione**, **Richiamo** e **AUC**: se premi il tasto **Mostra parametri avanzati** in questa pagina, puoi visualizzare questi parametri del modello. Questi parametri indicano l'accuratezza e le prestazioni del tuo modello. Per ulteriori informazioni, consulta [Evaluate your Model](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html).
+ **Condiviso**: questo campo indica se hai condiviso la versione del modello con gli utenti di SageMaker Studio Classic.
+ **Registro dei modelli**: questo campo indica se la versione è stata registrata o meno in un registro dei modelli. Per ulteriori informazioni, consulta [Registra una versione del modello nel registro dei modelli AI SageMaker](canvas-register-model.md).
# MLOps
Dopo aver creato un modello in SageMaker Canvas di cui ti senti sicuro, potresti voler integrare il tuo modello con i processi di machine learning operations (MLOps) della tua organizzazione. MLOps include attività comuni come l'implementazione di un modello da utilizzare in produzione o la configurazione di pipeline di integrazione continua e distribuzione continua (CI/CD).
I seguenti contenuti descrivono come utilizzare le funzionalità di Canvas per utilizzare in produzione un modello creato in Canvas.
**Topics**
+ [Registra una versione del modello nel registro dei modelli AI SageMaker](canvas-register-model.md)
+ [Distribuzione di modelli su un endpoint](canvas-deploy-model.md)
+ [Visualizzazione delle distribuzioni](canvas-deploy-model-view.md)
+ [Aggiornamento di una configurazione della distribuzione](canvas-deploy-model-update.md)
+ [Test della distribuzione](canvas-deploy-model-test.md)
+ [Invocazione del tuo endpoint](canvas-deploy-model-invoke.md)
+ [Eliminazione della distribuzione di un modello](canvas-deploy-model-delete.md)
# Registra una versione del modello nel registro dei modelli AI SageMaker
Con SageMaker Canvas, puoi creare più iterazioni, o versioni, del tuo modello per migliorarlo nel tempo. Potresti voler creare una nuova versione del tuo modello se acquisisci dati di addestramento migliori o se vuoi provare a migliorare la precisione del modello. Per ulteriori informazioni sull'aggiunta di versioni al modello, consulta [Update a model](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html).
Dopo aver [creato un modello](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) di cui ti senti sicuro, potresti volerne valutare le prestazioni e farlo esaminare da un data scientist o da un MLOps ingegnere della tua organizzazione prima di utilizzarlo in produzione. A tale scopo, è possibile registrare le versioni del modello [nel SageMaker Model Registry](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html). Il SageMaker Model Registry è un repository che i data scientist o gli ingegneri possono utilizzare per catalogare i modelli di machine learning (ML) e gestire le versioni dei modelli e i relativi metadati associati, come le metriche di formazione. Possono anche gestire e registrare lo stato di approvazione di un modello.
Dopo aver registrato le versioni del modello nel SageMaker Model Registry, un data scientist o il tuo MLOps team possono accedere al SageMaker Model Registry tramite [SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html), un ambiente di sviluppo integrato (IDE) basato sul Web per lavorare con modelli di apprendimento automatico. Nell'interfaccia SageMaker Model Registry di Studio Classic, il data scientist o il MLOps team possono valutare il modello e aggiornarne lo stato di approvazione. Se il modello non soddisfa i requisiti, il data scientist o il MLOps team possono aggiornare lo stato a`Rejected`. Se il modello soddisfa i requisiti richiesti, il data scientist o il MLOps team possono aggiornare lo stato a`Approved`. Quindi, possono [distribuire il modello su un endpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html#deploy-model-prereqs) o [automatizzare l'implementazione del modello](https://aws.amazon.com/blogs/machine-learning/building-automating-managing-and-scaling-ml-workflows-using-amazon-sagemaker-pipelines/) con pipeline. CI/CD Puoi utilizzare la funzionalità di registro dei modelli SageMaker AI per integrare senza problemi i modelli integrati in Canvas con i processi della MLOps tua organizzazione.
Il diagramma seguente riassume un esempio di registrazione di una versione del modello integrata in Canvas nel Model Registry per l' SageMaker integrazione in un flusso di lavoro. MLOps
![\[I passaggi per la registrazione di una versione del modello integrata in Canvas per l'integrazione in un flusso di lavoro. MLOps\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-model-registration-diagram.jpg)
È possibile registrare versioni di modelli tabulari, di immagini e di testo nel SageMaker Model Registry. Ciò include modelli di previsione delle serie temporali e modelli di JumpStart base [ottimizzati](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html) sulla base.
**Nota**
Al momento, non è possibile registrare modelli di base ottimizzati basati su Amazon Bedrock e integrati in Canvas nel Model Registry. SageMaker
Le seguenti sezioni mostrano come registrare una versione del modello nel Model Registry da Canvas SageMaker .
## Gestione delle autorizzazioni
Per impostazione predefinita, disponete delle autorizzazioni per registrare le versioni del modello nel SageMaker Model Registry. SageMaker L'intelligenza artificiale concede queste autorizzazioni per tutti i profili utente Canvas nuovi ed esistenti tramite la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)policy, che è allegata al ruolo di esecuzione AWS IAM per il dominio SageMaker AI che ospita l'applicazione Canvas.
Se l'amministratore di Canvas sta configurando un nuovo dominio o profilo utente, mentre configura il dominio e segue le istruzioni sui prerequisiti nella [guida introduttiva](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites), SageMaker AI attiva le autorizzazioni di registrazione del modello tramite l'opzione di **configurazione delle autorizzazioni ML Ops**, che è abilitata per impostazione predefinita.
L’amministratore di Canvas può gestire le autorizzazioni di registrazione del modello anche a livello di profilo utente. Ad esempio, se l’amministratore desidera concedere le autorizzazioni di registrazione del modello ad alcuni profili utente, ma rimuovere le autorizzazioni ad altri, può modificare le autorizzazioni per un utente specifico. La procedura seguente spiega come fare per non concedere le autorizzazioni di registrazione del modello a un profilo utente specifico:
1. Apri la console SageMaker AI all'indirizzo. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio del profilo utente.
1. Nella pagina **Dettagli del dominio**, scegli il **Profilo utente** di cui desideri modificare le autorizzazioni.
1. Nella pagina **Dettagli utente** scegli **Modifica**.
1. Nel riquadro di navigazione sinistro, seleziona **Impostazioni Canvas**.
1. Nella sezione **Configurazione delle autorizzazioni MLOps**, disattiva l'interruttore **Abilita le autorizzazioni di registrazione nel registro dei modelli**.
1. Scegli **Invia** per salvare le modifiche alle impostazioni del dominio.
Quel profilo utente non dovrebbe più disporre delle autorizzazioni di registrazione del modello.
## Registra una versione del modello nel registro dei modelli SageMaker AI
SageMaker Model Registry tiene traccia di tutte le versioni del modello create per risolvere un particolare problema in un *gruppo di modelli*. Quando si crea un modello SageMaker Canvas e lo si registra nel SageMaker Model Registry, questo viene aggiunto a un gruppo di modelli come nuova versione del modello. Ad esempio, se create e registrate quattro versioni del modello, un data scientist o un MLOps team che lavora nell'interfaccia del SageMaker Model Registry può visualizzare il gruppo di modelli e rivedere tutte e quattro le versioni del modello in un unico posto.
Quando si registra un modello Canvas nel Model SageMaker Registry, viene creato automaticamente un gruppo di modelli che prende il nome dal modello Canvas. Facoltativamente, potete rinominarlo con un nome a vostra scelta o utilizzare un gruppo di modelli esistente nel Model SageMaker Registry. Per ulteriori informazioni sulla creazione di un modello, consulta [Create a Model Group](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-model-group.html).
**Nota**
Attualmente, è possibile registrare solo i modelli integrati in Canvas nel SageMaker Model Registry con lo stesso account.
Per registrare una versione del modello nel SageMaker Model Registry dall'applicazione Canvas, utilizzate la seguente procedura:
1. Aprite l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra scegli **I miei modelli**.
1. Nella pagina **I miei modelli**, scegli il tuo modello. Puoi usare la funzionalità **Filtra per tipo di problema** per trovare il tuo modello più facilmente.
1. Dopo aver scelto il modello, si apre la pagina **Versioni**, che elenca tutte le versioni del tuo modello. Puoi attivare l'opzione **Mostra parametri avanzati** per visualizzare parametri avanzati come **Richiamo** e **Precisione**, per confrontare le versioni del modello e scegliere quale vuoi registrare.
1. Dall'elenco delle versioni del modello, per la versione che desideri registrare, scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)). In alternativa, puoi fare doppio clic sulla versione da registrare, quindi nella pagina dei dettagli della versione scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Nell'elenco a discesa, scegli **Aggiungi al registro dei modelli**. Viene visualizzata la finestra di dialogo **Aggiungi al registro dei modelli**.
1. Nella finestra di dialogo **Aggiungi al registro dei modelli**, esegui una delle azioni indicate di seguito:
1. (Facoltativo) Nella sezione **Gruppo di modelli SageMaker Studio Classic**, nel campo **Nome gruppo di modelli**, inserite il nome del gruppo di modelli in cui desiderate registrare la versione. Puoi specificare il nome per un nuovo gruppo di modelli che SageMaker AI crea per te oppure puoi specificare un gruppo di modelli esistente. Se non specifichi questo campo, Canvas registra la versione in un gruppo di modelli predefinito con lo stesso nome del modello.
1. Scegli **Aggiungi**.
La versione del modello dovrebbe ora essere registrata nel gruppo di modelli nel SageMaker Model Registry. Quando registrate una versione del modello in un gruppo di modelli nel registro dei SageMaker modelli, tutte le versioni successive del modello Canvas vengono registrate nello stesso gruppo di modelli (se scegliete di registrarle). Se registrate le vostre versioni in un gruppo di modelli diverso, dovete andare al SageMaker Model Registry ed [eliminare il gruppo di modelli](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html). Quindi, puoi registrare nuovamente le versioni del tuo modello nel nuovo gruppo di modelli.
Per visualizzare lo stato dei tuoi modelli, puoi tornare alla pagina **Versioni** del tuo modello nell'applicazione Canvas. Questa pagina mostra lo stato di ciascuna versione nel **registro dei modelli**. Se lo stato è `Registered`, il modello è stato registrato con successo.
Se desideri visualizzare i dettagli della versione registrata del modello relativi allo stato nel **registro dei modelli**, puoi passare il mouse sul campo **Registrati** per visualizzare la finestra pop-up **Dettagli del registro dei modelli**. Questi dettagli contengono informazioni aggiuntive, come ad esempio:
+ Il **nome del gruppo di pacchetti Model** è il gruppo di modelli in cui è registrata la versione nel SageMaker Model Registry.
+ Lo **stato dell’approvazione**, che può essere `Pending Approval`, `Approved`, o `Rejected`. Se un utente di Studio Classic approva o rifiuta la versione nel SageMaker Model Registry, questo stato viene aggiornato nella pagina delle versioni del modello quando si aggiorna la pagina.
Lo screenshot seguente mostra la casella **Dettagli del registro dei modelli**, insieme a **Stato dell’approvazione** di `Approved` per questa particolare versione del modello.
![\[Schermata della casella dei dettagli del SageMaker Model Registry nell'applicazione Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/approved-mr.png)
# Distribuzione di modelli su un endpoint
In Amazon SageMaker Canvas, puoi distribuire i tuoi modelli su un endpoint per fare previsioni. SageMaker L'intelligenza artificiale ti fornisce l'infrastruttura ML per ospitare il tuo modello su un endpoint con le istanze di calcolo che preferisci. Quindi, puoi *invocare* l'endpoint (inviare una richiesta di previsione) e ottenere una previsione in tempo reale dal tuo modello. Con questa funzionalità, puoi utilizzare il modello in produzione per rispondere alle richieste in arrivo e puoi integrarlo con applicazioni e flussi di lavoro esistenti.
Per iniziare, devi disporre di un modello pronto per l’implementazione. Puoi distribuire versioni di modelli personalizzate che hai creato, modelli Amazon SageMaker JumpStart Foundation e modelli di base ottimizzati JumpStart . Per ulteriori informazioni sulla creazione di un modello in Canvas, consulta [Funzionamento dei modelli personalizzati](canvas-build-model.md). Per ulteriori informazioni sui modelli di JumpStart base in Canvas, consulta. [Modelli di base generativi di intelligenza artificiale in Canvas SageMaker](canvas-fm-chat.md)
Consulta la sezione **Permissions management**, quindi inizia a creare nuove distribuzioni nella sezione **Deploy a model**.
## Gestione delle autorizzazioni
Per impostazione predefinita, disponi delle autorizzazioni per distribuire modelli sugli endpoint di SageMaker AI Hosting. SageMaker L'intelligenza artificiale concede queste autorizzazioni per tutti i profili utente Canvas nuovi ed esistenti tramite la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)policy, che è allegata al ruolo di esecuzione AWS IAM per il dominio SageMaker AI che ospita l'applicazione Canvas.
Se l'amministratore di Canvas sta configurando un nuovo dominio o profilo utente, quando configura il dominio e segue le istruzioni preliminari contenute in[Prerequisiti per la configurazione di Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites), SageMaker AI attiva le autorizzazioni di distribuzione del modello tramite l'opzione **Abilita la distribuzione diretta dei modelli Canvas**, che è abilitata per impostazione predefinita.
L’amministratore di Canvas può gestire le autorizzazioni per distribuire il modello anche a livello di profilo utente. Ad esempio, se l’amministratore non intende concedere le autorizzazioni di implementazione dei modelli a tutti i profili utente durante la configurazione di un dominio, può concederle a utenti specifici dopo aver creato il dominio.
La procedura seguente spiega come modificare le autorizzazioni di implementazione dei modelli per un profilo utente specifico:
1. Apri la console SageMaker AI all'indirizzo. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio del profilo utente.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Profili utente**.
1. Scegli il tuo **Profilo utente**.
1. Nella pagina del profilo utente, seleziona la scheda **Configurazioni app**.
1. Nella sezione **Canvas**, scegli **Modifica**.
1. Nella sezione **Configurazione di MLOps**, disattiva l’interruttore **Abilita l’implementazione diretta dei modelli Canvas** per abilitare le autorizzazioni di implementazione.
1. Scegli **Invia** per salvare le modifiche alle impostazioni del dominio.
Il profilo utente ora dispone delle autorizzazioni di implementazione dei modelli.
Dopo aver concesso le autorizzazioni al dominio o al profilo utente, assicurati che l’utente si disconnetta dall’applicazione Canvas e acceda nuovamente per applicare le modifiche alle autorizzazioni.
## Distribuzione di un modello
Per iniziare a distribuire il modello, crea una nuova distribuzione in Canvas e specifica la versione del modello che desideri distribuire, oltre all'infrastruttura ML, ad esempio il tipo e il numero di istanze di calcolo che desideri utilizzare per ospitare il modello.
Canvas suggerisce un tipo e un numero di istanze predefiniti in base al tipo di modello, oppure puoi saperne di più sui vari tipi di istanze SageMaker AI nella [pagina SageMaker dei prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/). L'addebito si basa sul prezzo dell'istanza SageMaker AI mentre l'endpoint è attivo.
Quando implementate i modelli di JumpStart base, avete anche la possibilità di specificare la durata del tempo di implementazione. Puoi implementare il modello su un endpoint a tempo indeterminato (il che significa che l’endpoint resta attivo fino a quando non elimini l’implementazione). Oppure, se hai bisogno dell'endpoint solo per un breve periodo di tempo e desideri ridurre i costi, puoi implementare il modello su un endpoint per un determinato periodo di tempo, dopodiché l' SageMaker IA spegne l'endpoint per te.
**Nota**
Se implementi un modello per un periodo di tempo specificato, resta connesso all’applicazione Canvas per tutta la durata dell’endpoint. Se ti disconnetti o elimini l’applicazione, Canvas non può chiudere l’endpoint all’ora specificata.
*Dopo aver distribuito il modello su un endpoint di [inferenza in tempo reale di SageMaker AI Hosting, puoi iniziare a fare previsioni richiamando l'endpoint](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html).*
Esistono diversi modi per implementare un modello dall’applicazione Canvas. Puoi accedere all'opzione di distribuzione del modello tramite uno dei seguenti metodi:
+ Nella pagina **I miei modelli** dell’applicazione Canvas, puoi scegliere il modello da implementare. Quindi, dalla pagina **Versioni** del modello, scegli l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) accanto a una versione del modello e seleziona **Implementa**.
+ Nella pagina dei dettagli di una versione del modello, nella scheda **Analizza**, scegli l’opzione **Implementa**.
+ Nella pagina dei dettagli di una versione del modello, nella scheda **Prevedi**, scegli l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) nella parte superiore della pagina e seleziona **Implementa**.
+ Nella pagina **MLOps** dell’applicazione Canvas, scegli la scheda **Implementazioni** e seleziona **Crea implementazione**.
+ **Per i modelli di JumpStart base e i modelli di base ottimizzati, vai alla pagina dei modelli dell'applicazione Canvas. Ready-to-use ** Scegli **Genera, estrai e riepiloga il contenuto**. Quindi, trova il modello di JumpStart base o il modello di base ottimizzato che desideri implementare. Scegli il modello e, nella pagina della chat del modello, scegli il pulsante **Implementa**.
Tutti questi metodi aprono il pannello laterale **Distribuisci modello**, in cui puoi specificare la configurazione di distribuzione per il tuo modello. Per distribuire il modello da questo pannello, procedi come segue:
1. (Facoltativo) Se crei un’implementazione dalla pagina **MLOps**, puoi scegliere l’opzione **Seleziona modello e versione**. Utilizza i menu a discesa per selezionare il modello e la versione del modello che desideri distribuire.
1. Immetti un nome nel campo **Nome distribuzione**.
1. **(Solo per i modelli di JumpStart base e i modelli di base ottimizzati) Scegli una durata di implementazione.** Seleziona **Indefinito** per lasciare l’endpoint attivo finché non lo chiudi oppure seleziona **Specifica durata** e indica per quanto tempo desideri che l’endpoint rimanga attivo.
1. Per quanto riguarda il **tipo di istanza**, l' SageMaker intelligenza artificiale rileva un tipo e un numero di istanza predefiniti adatti al tuo modello. Tuttavia, puoi modificare il tipo di istanza che desideri utilizzare per ospitare il modello.
**Nota**
Se esaurisci la quota di istanze per il tipo di istanza scelto sul tuo AWS account, puoi richiedere un aumento della quota. Per ulteriori informazioni sulle quote predefinite e su come richiedere un aumento, consulta gli [endpoint e le quote di Amazon SageMaker AI nella guida](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html) di riferimento *AWS generale*.
1. Per quanto riguarda il **numero di istanze**, puoi impostare il numero di istanze attive utilizzate per il tuo endpoint. SageMaker L'intelligenza artificiale rileva un numero predefinito adatto al tuo modello, ma puoi modificare questo numero.
1. Quando sei pronto per distribuire il modello, scegli **Distribuisci**.
Il modello dovrebbe ora essere distribuito su un endpoint.
# Visualizzazione delle distribuzioni
Potresti voler controllare lo stato o i dettagli della distribuzione di un modello in Amazon SageMaker Canvas. Ad esempio, se la distribuzione non è riuscita, potresti volerne controllare i dettagli per la risoluzione dei problemi.
Puoi visualizzare le distribuzioni del modello Canvas dall'applicazione Canvas o dalla console Amazon SageMaker AI.
Per visualizzare i dettagli della distribuzione da Canvas, scegli una delle procedure seguenti:
Per visualizzare i dettagli dell’implementazione nella pagina **MLOps**, procedi come descritto di seguito:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **MLOps**.
1. Seleziona la scheda **Distribuzioni**.
1. Scegli il nome della tua distribuzione dall’elenco.
Per visualizzare i dettagli della distribuzione dalla pagina delle versioni di un modello, procedi come segue:
1. Nell'applicazione SageMaker Canvas, vai alla pagina dei dettagli della versione del tuo modello.
1. Scegli la scheda **Distribuisci**.
1. Trova la tua distribuzione nella sezione **Distribuzioni ** che elenca tutte le configurazioni di distribuzione associate a quella versione del modello.
1. Scegli l'icona **Altre opzioni** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), quindi seleziona **Visualizza dettagli** per aprire la pagina dei dettagli.
Si aprirà la pagina dei dettagli della distribuzione e potrai visualizzare informazioni come l'ora della previsione più recente, lo stato e la configurazione dell'endpoint e la versione del modello attualmente distribuita sull'endpoint.
[Puoi anche visualizzare le istanze e gli endpoint attivi dell'area di lavoro Canvas attualmente attivi dalla **dashboard SageMaker AI nella SageMaker console AI**.](https://console.aws.amazon.com/sagemaker/) I tuoi endpoint Canvas sono elencati insieme a tutti gli altri endpoint di SageMaker AI Hosting che hai creato e puoi filtrarli cercando gli endpoint con il tag Canvas.
La schermata seguente mostra la dashboard AI. SageMaker Nella sezione **Canvas**, puoi vedere che un'istanza del workspace è in servizio e quattro endpoint sono attivi.
![\[Schermata della dashboard SageMaker AI che mostra le istanze e gli endpoint attivi del workspace Canvas.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-sagemaker-dashboard.png)
# Aggiornamento di una configurazione della distribuzione
Puoi aggiornare la configurazione di distribuzione per i modelli che hai distribuito sugli endpoint in Amazon SageMaker Canvas. Ad esempio, puoi distribuire una versione aggiornata del modello sull'endpoint oppure aggiornare il tipo o il numero di istanze alla base dell'endpoint in base alle tue esigenze di capacità.
Esistono diversi modi per aggiornare la tua distribuzione dall'applicazione Canvas. Puoi utilizzare uno dei seguenti metodi:
+ Nella pagina **MLOps** dell’applicazione Canvas, puoi scegliere la scheda **Implementazioni** e quindi selezionare l’implementazione da aggiornare. Quindi, seleziona **Aggiorna configurazione**.
+ Nella pagina dei dettagli di una versione del modello, nella scheda **Distribuisci**, puoi visualizzare le distribuzioni per quella versione. Accanto a distribuzione, scegli l'icona **Altre opzioni** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), quindi scegli **Aggiorna configurazione**.
I due metodi precedentemente indicati aprono il pannello laterale **Aggiorna configurazione**, in cui puoi apportare modifiche alla configurazione della distribuzione. Per aggiornare la configurazione, procedi in uno dei seguenti modi:
1. Nel menu a discesa **Seleziona versione**, puoi selezionare una diversa versione del modello da distribuire sull'endpoint.
**Nota**
Quando aggiorni una configurazione della distribuzione, puoi scegliere solo una diversa versione del modello da distribuire. Per distribuire un modello diverso, crea una nuova distribuzione.
1. In **Tipo di istanza**, puoi selezionare un altro tipo di istanza per ospitare il tuo modello.
1. In **Conteggio istanze**, puoi impostare il numero di istanze attive utilizzate per il tuo endpoint.
1. Scegli **Save** (Salva).
La configurazione della distribuzione dovrebbe essere ora aggiornata.
# Test della distribuzione
Puoi testare l'implementazione di un modello richiamando l'endpoint o effettuando singole richieste di previsione tramite l'applicazione Amazon SageMaker Canvas. Puoi utilizzare questa funzionalità per confermare che l'endpoint risponda alle richieste prima di invocarlo in modo programmatico in un ambiente di produzione.
## Test di un’implementazione di un modello personalizzato
Puoi testare l’implementazione di un modello personalizzato accedendovi tramite la pagina **MLOps** ed effettuando una singola invocazione, che restituisce una previsione insieme alla probabilità che la previsione sia corretta.
**Nota**
La durata dell'esecuzione è una stima del tempo impiegato per invocare un endpoint e ottenere una risposta in Canvas. [Per metriche dettagliate sulla latenza, consulta SageMaker AI Endpoint Invocation Metrics.](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-endpoint-invocation)
Per testare l'endpoint tramite l'applicazione Canvas, procedi come segue:
1. SageMaker Apri l'applicazione Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **MLOps**.
1. Seleziona la scheda **Distribuzioni**.
1. Nell'elenco delle distribuzioni, scegli quella con l'endpoint che desideri invocare.
1. Nella pagina dei dettagli della distribuzione, scegli la scheda **Testa distribuzione**.
1. Nella pagina per testare la distribuzione, puoi modificare i campi **Valore** per specificare un nuovo punto dati. Per i modelli di previsione delle serie temporali, devi specificare l’**ID elemento** per il quale generare una previsione.
1. Dopo aver modificato i valori, scegli **Aggiorna** per ottenere il risultato della previsione.
La previsione viene caricata insieme ai campi **Risultati dell'invocazione**, che indicano se l’invocazione ha avuto esito positivo o meno e il tempo impiegato per l'elaborazione della richiesta.
Lo screenshot seguente mostra una previsione generata nell'applicazione Canvas nella scheda **Testa distribuzione**.
![\[L’applicazione Canvas che mostra una previsione di test per un modello implementato.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/canvas-test-deployments.png)
Per tutti i tipi di modello, tranne che per i tipi numerico e delle serie temporali, la previsione restituisce i seguenti campi:
+ **etichetta\$1prevista**: l'output previsto
+ **probabilità**: la probabilità che l'etichetta prevista sia corretta
+ **etichette**: l'elenco di tutte le etichette possibili
+ **possibilità**: le possibilità corrispondenti a ciascuna etichetta (l'ordine di questo elenco corrisponde all'ordine delle etichette)
Per i modelli di previsione numerica, la previsione contiene solo il campo **punteggio**, che è l'output previsto del modello, ad esempio il prezzo previsto di una casa.
Per i modelli di previsione delle serie temporali, la previsione è un grafo che mostra le previsioni per quantile. Puoi scegliere la **visualizzazione Schema** per vedere i valori numerici previsti per ogni quantile.
Puoi continuare a generare previsioni singole tramite la pagina di test della distribuzione oppure puoi consultare la sezione seguente [Invocazione del tuo endpoint](canvas-deploy-model-invoke.md) per scoprire come invocare l'endpoint in modo programmatico dalle applicazioni.
## Prova l'implementazione di un modello JumpStart base
Puoi chattare con un modello di JumpStart base distribuito tramite l'applicazione Canvas per testarne la funzionalità prima di richiamarlo tramite codice.
Per chattare con un modello di JumpStart base distribuito, procedi come segue:
1. Apri l'applicazione SageMaker Canvas.
1. Nel riquadro di navigazione a sinistra, scegli **MLOps**.
1. Seleziona la scheda **Distribuzioni**.
1. Nell’elenco delle implementazioni, individua quella che desideri invocare e scegli la relativa icona **Altre opzioni** (![\[More options icon for a model deployment.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Dal menu contestuale, scegli **Testa implementazione**.
1. Si apre una nuova chat **Genera, estrai e riassumi i contenuti** con il modello JumpStart base e puoi iniziare a digitare le istruzioni. Tieni presente che i prompt di questa chat vengono inviati come richieste al tuo endpoint di AI Hosting. SageMaker
# Invocazione del tuo endpoint
**Nota**
Ti consigliamo di [testare la distribuzione del modello in Amazon SageMaker Canvas](canvas-deploy-model-test.md) prima di richiamare un endpoint SageMaker AI a livello di programmazione.
Puoi utilizzare i modelli Amazon SageMaker Canvas che hai distribuito su un endpoint di SageMaker intelligenza artificiale in produzione con le tue applicazioni. [Invoca l'endpoint a livello di codice nello stesso modo in cui richiami qualsiasi altro endpoint AI in tempo reale. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) L’invocazione di un endpoint in modo programmatico restituisce un oggetto di risposta che contiene gli stessi campi descritti in [Test della distribuzione](canvas-deploy-model-test.md).
Per informazioni più dettagliate su come invocare gli endpoint in modo programmatico, consulta [Invocare modelli per l’inferenza in tempo reale](realtime-endpoints-test-endpoints.md).
I seguenti esempi in Python mostrano come invocare l'endpoint in base al tipo di modello.
## JumpStart modelli di base
L'esempio seguente mostra come richiamare un modello di JumpStart base che hai distribuito su un endpoint.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
[['feature_column1', 'feature_column2'],
['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelli di previsione numerici e categoriali
L'esempio seguente mostra come invocare modelli di previsione numerici o categoriali.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelli di previsione delle serie temporali
L’esempio seguente mostra come invocare i modelli di previsione delle serie temporali. Per un esempio completo di come testare e richiamare un modello di previsione di serie temporali, consulta [Time-Series Forecasting with Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). SageMaker
```
import boto3
import pandas as pd
csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)
client = boto3.client("runtime.sagemaker")
body = data.to_csv(index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelli di previsione di immagini
L'esempio seguente mostra come invocare modelli di previsione di immagini.
```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
body = file.read()
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="application/x-image",
Body=body,
Accept="application/json"
)
```
## Modelli di previsione di testo
L'esempio seguente mostra come invocare modelli di previsione di testo.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
# Eliminazione della distribuzione di un modello
Puoi eliminare le distribuzioni dei modelli dall'applicazione Amazon SageMaker Canvas. Questa azione elimina anche l'endpoint dalla console SageMaker AI e chiude tutte le risorse relative all'endpoint.
**Nota**
[Facoltativamente, puoi eliminare l'endpoint tramite la console AI o utilizzando l'SageMaker API AI.](https://console.aws.amazon.com/sagemaker/) SageMaker `DeleteEndpoint` Per ulteriori informazioni, consulta [Elimina endpoint e risorse](realtime-endpoints-delete-resources.md). Tuttavia, quando elimini l'endpoint tramite la console SageMaker AI o APIs anziché l'applicazione Canvas, l'elenco delle distribuzioni in Canvas non viene aggiornato automaticamente. Devi eliminare la distribuzione anche dall'applicazione Canvas per rimuoverla dall'elenco.
Per eliminare una distribuzione in Canvas, procedi come segue:
1. Apri l'applicazione Canvas. SageMaker
1. Nel riquadro di navigazione a sinistra, scegli **MLOps**.
1. Seleziona la scheda **Distribuzioni**.
1. Dall'elenco delle distribuzioni, scegli quella che desideri eliminare.
1. Nella parte superiore della pagina dei dettagli della distribuzione, scegli l'icona **Altre opzioni** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Scegli **Elimina distribuzione**.
1. Nella finestra di dialogo ** Elimina distribuzione**, scegli **Elimina**.
L'endpoint di implementazione e di hosting SageMaker AI dovrebbero ora essere eliminati sia da Canvas che dalla console SageMaker AI.
# Come gestire le automazioni
In SageMaker Canvas, puoi creare automazioni che aggiornano il tuo set di dati o generano previsioni dal tuo modello in base a una pianificazione. Ad esempio, potresti ricevere nuovi dati di spedizione su base giornaliera. Puoi impostare un aggiornamento automatico per il tuo set di dati e previsioni in batch automatiche che vengono generate ogni volta che il set di dati viene aggiornato. Utilizzando queste funzionalità, puoi configurare un flusso di lavoro automatizzato e ridurre il tempo impiegato per aggiornare manualmente i set di dati e generare previsioni.
**Nota**
Puoi impostare un massimo di 20 configurazioni automatiche nell’applicazione Canvas. Le automazioni sono attive solo quando viene effettuato l'accesso all'applicazione Canvas. Se esci da Canvas, i tuoi processi automatici vengono messi in pausa fino a quando non effettui nuovamente l'accesso.
Le sezioni seguenti spiegano come visualizzare, modificare ed eliminare le configurazioni per le automazioni esistenti. Per informazioni su come configurare le automazioni, consulta i seguenti contenuti:
+ Per configurare gli aggiornamenti automatici dei set di dati, consulta [Aggiornamento di un set di dati](canvas-update-dataset.md).
+ Per configurare previsioni in batch automatiche, consulta [Previsioni in batch in Canvas SageMaker](canvas-make-predictions-batch.md).
**Topics**
+ [Visualizzazione delle automazioni](canvas-manage-automations-view.md)
+ [Modifica delle configurazioni automatiche](canvas-manage-automations-edit.md)
+ [Eliminazione di una configurazione automatica](canvas-manage-automations-delete.md)
# Visualizzazione delle automazioni
Puoi anche visualizzare tutti i processi di aggiornamento automatico accedendo al riquadro di navigazione a sinistra di Canvas e scegliendo **MLOps**. La pagina **Automazioni** combina le automazioni sia per gli aggiornamenti automatici dei set di dati che per le previsioni in batch automatiche. Nella pagina **Automazioni**, puoi visualizzare le seguenti schede secondarie:
+ **Tutti i processi**: puoi visualizzare ogni istanza di un processo di **Aggiornamento del set di dati** o di **Previsione in batch** eseguito da Canvas. Per ogni processo, puoi visualizzare campi come il **set di dati di input** associato, il **nome di configurazione** della configurazione di aggiornamento automatico associata e **lo stato** che mostra se il processo ha avuto successo o meno. Puoi filtrare i processi in base al nome della configurazione:
+ Per i processi di aggiornamento del set di dati, puoi scegliere la versione più recente del set di dati o il processo più recente per visualizzare l'anteprima del set di dati.
+ Per i processi di previsione in batch, puoi scegliere l’icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) per visualizzare o scaricare le previsioni per il processo selezionato. Puoi anche scegliere **Visualizza dettagli** per visualizzare ulteriori dettagli sul processo di previsione. Per ulteriori informazioni sul processo di previsione in batch, consulta [Visualizzazione dei processi di previsione in batch](canvas-make-predictions-batch-auto-view.md).
+ **Configurazione**: puoi visualizzare tutte le configurazioni di **aggiornamento del set di dati** e di **previsione in batch** che hai creato. Per ogni configurazione, puoi visualizzare campi come il **set di dati di input** associato e la **frequenza** dei processi. Puoi anche disattivare o attivare l'interruttore **Aggiornamento automatico** per mettere in pausa o riprendere gli aggiornamenti automatici. Se scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) per una configurazione specifica, puoi scegliere tra **Visualizza tutti i processi** per la configurazione, **Aggiorna configurazione** o **Elimina configurazione**.
# Modifica delle configurazioni automatiche
Dopo aver impostato una configurazione, potresti voler apportare delle modifiche. Per gli aggiornamenti automatici dei set di dati, puoi aggiornare la posizione Amazon S3 per Canvas per importare dati, frequenza degli aggiornamenti e ora di inizio. Per le previsioni in batch automatiche, puoi modificare il set di dati di cui la configurazione tiene traccia per gli aggiornamenti. Puoi anche disattivare l'automazione per sospendere temporaneamente gli aggiornamenti fino a quando non decidi di riattivarli.
Le sezioni seguenti spiegano come aggiornare ogni tipo di configurazione.
**Nota**
Non puoi modificare la frequenza delle previsioni in batch automatiche perché queste vengono eseguite ogni volta che il set di dati di destinazione viene aggiornato.
**Topics**
+ [Modifica della configurazione di aggiornamento automatico del set di dati](canvas-manage-automations-edit-dataset.md)
+ [Modifica della configurazione della previsione in batch automatica](canvas-manage-automations-edit-batch.md)
# Modifica della configurazione di aggiornamento automatico del set di dati
Potresti voler apportare modifiche alla configurazione dell'aggiornamento automatico per un set di dati, ad esempio cambiando la frequenza degli aggiornamenti. Potresti anche voler disattivare la configurazione di aggiornamento automatico per sospendere gli aggiornamenti del tuo set di dati.
Per modificare la configurazione degli aggiornamenti automatici per un set di dati, procedi come segue:
1. Nel riquadro di navigazione a sinistra in Canvas scegli **MLOps**.
1. Scegli la scheda **Automazioni**.
1. Scegli la scheda **Configurazione**.
1. Per la configurazione dell’aggiornamento automatico, scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Dal menu a discesa, scegli **Aggiorna configurazione**. Verrai reindirizzato alla scheda **Aggiornamenti automatici** del set di dati.
1. Apporta le modifiche alla configurazione. Una volta completate le modifiche, scegli **Salva**.
Per sospendere gli aggiornamenti dei set di dati, disattiva la configurazione automatica. Uno dei modi per disattivare gli aggiornamenti automatici è il seguente:
1. Nel riquadro di navigazione a sinistra in Canvas scegli **MLOps**.
1. Scegli la scheda **Automazioni**.
1. Scegli la scheda ** Configurazione**.
1. Trova la tua configurazione dall'elenco e disattiva l'opzione **Aggiornamento automatico**.
Gli aggiornamenti automatici per il tuo set di dati sono ora in pausa. Per riprendere la pianificazione degli aggiornamenti puoi riattivare l’opzione in qualsiasi momento.
# Modifica della configurazione della previsione in batch automatica
Quando modifichi una configurazione della previsione in batch, puoi modificare il set di dati di destinazione ma non la frequenza (poiché le previsioni in batch automatiche vengono eseguite ogni volta che il set di dati viene aggiornato).
Per modificare la configurazione delle previsioni in batch automatiche per un set di dati, procedi come segue:
1. Nel riquadro di navigazione a sinistra in Canvas scegli **MLOps**.
1. Scegli la scheda **Automazioni**.
1. Scegli la scheda **Configurazione**.
1. Per la configurazione dell’aggiornamento automatico, scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Dal menu a discesa, scegli **Aggiorna configurazione**. Verrai reindirizzato alla scheda **Aggiornamenti automatici** del set di dati.
1. Si apre la finestra di dialogo **Automatizza previsioni in batch**. Puoi selezionare un altro set di dati e scegliere **Configura** per salvare le modifiche.
La configurazione delle previsioni in batch automatiche è ora aggiornata.
Per mettere in pausa le previsioni in batch automatiche, disattiva la configurazione automatica. Per disattivare la tua configurazione, procedi come segue:
1. Nel riquadro di navigazione a sinistra in Canvas scegli **MLOps**.
1. Scegli la scheda **Automazioni**.
1. Scegli la scheda ** Configurazione**.
1. Trova la tua configurazione dall'elenco e disattiva l'opzione **Aggiornamento automatico**.
Le previsioni in batch automatiche sono ora in pausa. Per riprendere la pianificazione degli aggiornamenti, puoi riattivare l’opzione in qualsiasi momento.
# Eliminazione di una configurazione automatica
Potresti voler eliminare una configurazione per interrompere il flusso di lavoro automatizzato in SageMaker Canvas.
Per eliminare una configurazione per gli aggiornamenti automatici dei set di dati o per le previsioni in batch automatiche, procedi come segue:
1. Nel riquadro di navigazione a sinistra in Canvas scegli **MLOps**.
1. Scegli la scheda **Automazioni**.
1. Scegli la scheda **Configurazione**.
1. Trova la tua configurazione dell’aggiornamento automatico e scegli l'icona **Altre opzioni** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Scegli **Elimina configurazione**.
1. Nella finestra di dialogo che viene visualizzata, scegli **Elimina**.
La tua configurazione dell’aggiornamento automatico è ora eliminata.
# Disconnettersi da Amazon Canvas SageMaker
Dopo aver completato il lavoro in Amazon SageMaker Canvas, puoi disconnetterti o configurare l'applicazione per terminare automaticamente l'istanza del *workspace*. Ogni volta che avvii un’applicazione Canvas, ti viene assegnata in modo esclusivo un’istanza dello spazio di lavoro e ti viene addebitato il costo per l’intera durata dell’esecuzione dell’istanza. La disconnessione o la chiusura dell’istanza dello spazio di lavoro ne arresta la fatturazione. Per ulteriori informazioni, consultare [SageMaker Prezzi](https://aws.amazon.com/sagemaker/pricing/).
Le sezioni seguenti descrivono come disconnettersi dall’applicazione Canvas e come configurare l’applicazione in modo che si chiuda automaticamente in base a una pianificazione.
## Disconnessione da Canvas
Quando esci da Canvas, i modelli e i set di dati non si interrompono. Tutte le build di modelli rapide o standard o i [processi di elaborazione grandi quantità di dati](canvas-export-data.md#canvas-export-data-s3) continuano a funzionare anche dopo la disconnessione.
Per disconnetterti, scegli il pulsante **Esci** (![\[Filter icon in the SageMaker Canvas app.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/canvas/logout-icon.png)) nel pannello sinistro dell'applicazione SageMaker Canvas.
Puoi anche disconnetterti dall'applicazione SageMaker Canvas chiudendo la scheda del browser e quindi [eliminando l'applicazione](canvas-manage-apps-delete.md) nella console.
Dopo la disconnessione, SageMaker Canvas ti dice di riavviarlo in una scheda diversa. L’accesso richiede circa 1 minuto. Se hai un amministratore che ha configurato SageMaker Canvas per te, usa le istruzioni che ti hanno fornito per accedere nuovamente. Se non hai un amministratore, consulta la procedura per accedere a SageMaker Canvas in[Prerequisiti per la configurazione di Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
## Chiusura automatica di Canvas
Gli amministratori di Canvas potrebbero voler chiudere regolarmente le applicazioni per ridurre i costi. Puoi creare una pianificazione per chiudere le applicazioni Canvas attive oppure un’automazione per chiudere le applicazioni Canvas non appena diventano *inattive* (ovvero quando l’utente non è attivo da due ore).
Puoi creare queste soluzioni utilizzando AWS Lambda funzioni che richiamano l'`DeleteApp`API ed eliminano le applicazioni Canvas a determinate condizioni. Per ulteriori informazioni su queste soluzioni e sull'accesso ai CloudFormation modelli che puoi utilizzare, consulta il blog [Ottimizzazione dei costi per Amazon SageMaker Canvas con lo spegnimento automatico delle](https://aws.amazon.com/blogs/machine-learning/optimizing-costs-for-amazon-sagemaker-canvas-with-automatic-shutdown-of-idle-apps/) app inattive.
**Nota**
Potresti riscontrare la mancanza dei CloudWatch parametri di [Amazon](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html) se si è verificato un errore durante l'impostazione del programma di spegnimento delle attività o un CloudWatch errore. Ti consigliamo di aggiungere un CloudWatch allarme che monitora le metriche mancanti. Se riscontri questo problema, Supporto chiedi aiuto.
# Limitazioni e risoluzione dei problemi
La sezione seguente descrive la guida alla risoluzione dei problemi e le limitazioni che si applicano all'utilizzo di Amazon SageMaker Canvas. Puoi utilizzare questi argomenti per risolvere eventuali problemi riscontrati.
## Risoluzione dei problemi relativi alla concessione delle autorizzazioni tramite la console AI SageMaker
Se hai problemi a concedere le autorizzazioni di base o le autorizzazioni per Ready-to-use i modelli Canvas al tuo utente, l'utente potrebbe avere un ruolo di esecuzione AWS IAM con più di una relazione di fiducia con altri servizi. AWS Una relazione di attendibilità è una policy collegata al tuo ruolo che definisce quali principali (utenti, ruoli, account o servizi) possono assumere il ruolo. Ad esempio, potresti riscontrare un problema nel concedere autorizzazioni Canvas aggiuntive al tuo utente se il suo ruolo di esecuzione ha una relazione di fiducia sia con Amazon SageMaker AI che con Amazon Forecast.
Puoi risolvere questo problema scegliendo una delle seguenti opzioni.
### 1. Rimuovi tutti i servizi attendibili, tranne uno, dal ruolo.
Questa soluzione richiede la modifica della relazione di fiducia per il ruolo IAM del tuo profilo utente e la rimozione di tutti i AWS servizi tranne SageMaker l'IA.
Per modificare la relazione di attendibilità per il ruolo di esecuzione IAM, procedi come segue:
1. Vai alla console IAM all'indirizzo [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Nel pannello di navigazione della console IAM seleziona **Ruoli**. La console visualizza i ruoli del tuo account.
1. Seleziona il nome del ruolo che intendi modificare, quindi seleziona la scheda **Relazioni di attendibilità** nella pagina dei dettagli.
1. Seleziona **Modifica policy di attendibilità**.
1. Nell’editor **Modifica policy di attendibilità**, incolla quanto indicato di seguito, quindi seleziona **Aggiorna policy**.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": "sts:AssumeRole"
}
]
}
```
------
Inoltre puoi aggiornare questo documento di policy utilizzando l'interfaccia a riga di comando IAM. Per ulteriori informazioni, consulta [update-trust](https://docs.aws.amazon.com/cli/latest/reference/ds/update-trust.html) in *IAM command line reference*.
Ora puoi riprovare a concedere le autorizzazioni di base di Canvas o le autorizzazioni dei Ready-to-use modelli al tuo utente.
### 2. Usa un ruolo diverso con uno o meno servizi attendibili.
Questa soluzione richiede di specificare un ruolo IAM diverso per il tuo profilo utente. Utilizza questa opzione se disponi già di un ruolo IAM da poter sostituire.
Per specificare un ruolo di esecuzione diverso per l'utente, procedi come segue:
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dall’elenco di domini, seleziona il dominio per il quale desideri visualizzare un elenco di profili utente.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Profili utente**.
1. Scegli l'utente per cui desideri modificare le autorizzazioni. Nella pagina **Dettagli utente**, scegli **Modifica**.
1. Nella pagina **Impostazioni generali**, scegli l'elenco a discesa **Ruolo di esecuzione** e seleziona il ruolo che desideri utilizzare.
1. Scegli **Invia** per salvare le modifiche al profilo utente.
Il tuo utente dovrebbe ora utilizzare un ruolo di esecuzione con un solo servizio affidabile (SageMaker AI).
Puoi riprovare a concedere le autorizzazioni di base di Canvas o le autorizzazioni dei Ready-to-use modelli al tuo utente.
### 3. Associa manualmente la policy AWS gestita al ruolo di esecuzione invece di utilizzare l'interruttore nelle impostazioni del dominio AI. SageMaker
Invece di utilizzare l’opzione attiva/disattiva nelle impostazioni del dominio o del profilo utente, puoi collegare manualmente le policy gestite da AWS che concedono a un utente le autorizzazioni corrette.
Per concedere a un utente le autorizzazioni di base Canvas, allega la policy. [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess) Per concedere le autorizzazioni a un Ready-to-use modello utente, allega la politica di [AmazonSageMakerCanvasAIServicesaccesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
Utilizza la seguente procedura per allegare una politica AWS gestita al tuo ruolo:
1. Vai alla console IAM all'indirizzo [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Scegli **Ruoli**.
1. Nella casella di ricerca, cerca il ruolo IAM dell'utente per nome, quindi selezionalo.
1. Nella pagina del ruolo dell'utente, in **Autorizzazioni**, scegli **Aggiungi autorizzazioni**.
1. Dal menu a discesa scegli **Collega policy**.
1. Cerca e seleziona la policy o le policy che desideri collegare al ruolo di esecuzione dell'utente:
1. Per concedere le autorizzazioni di base a Canvas, cerca e seleziona la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)policy.
1. Per concedere le autorizzazioni ai Ready-to-use modelli, cerca e seleziona la politica di [AmazonSageMakerCanvasAIServicesaccesso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
1. Scegli **Aggiungi autorizzazioni** per collegare la policy al ruolo.
Dopo aver associato una policy AWS gestita al ruolo dell'utente tramite la console IAM, l'utente dovrebbe ora disporre delle autorizzazioni di base di Canvas o Ready-to-use delle autorizzazioni dei modelli.
## Risoluzione dei problemi relativi alla creazione di un’applicazione Canvas dovuti a errori associati allo spazio
Quando si crea una nuova applicazione Canvas, se si verifica un errore che indica che la creazione dello spazio Amazon SageMaker Studio sottostante non è riuscita. `Unable to create app because space is not in InService state` Uno *spazio* Studio è l’archiviazione sottostante che ospita i dati dell’applicazione Canvas. Per informazioni generali sugli spazi Studio, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md). Per ulteriori informazioni sulla configurazione degli spazi in Canvas, consulta [Archivia i dati delle applicazioni SageMaker Canvas nel tuo spazio AI SageMaker](canvas-spaces-setup.md).
Per determinare la causa principale del motivo per cui la creazione dello spazio non è riuscita, puoi utilizzare l'[DescribeSpace](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeSpace.html)API per controllare il `FailureReason` campo. Per ulteriori informazioni sui possibili stati degli spazi e sul loro significato, consulta [Entità e stati del dominio Amazon SageMaker AI](sm-domain.md).
Per risolvere questo problema, trova il tuo dominio nella console SageMaker AI ed elimina lo spazio di errore elencato nel messaggio di errore che hai ricevuto. Per la procedura dettagliata su come trovare ed eliminare uno spazio, consulta la pagina [Arresto ed eliminazione delle applicazioni e degli spazi in esecuzione in Studio](studio-updated-running-stop.md) e segui le istruzioni per **eliminare uno spazio Studio**. L’eliminazione dello spazio elimina anche tutte le applicazioni ad esso associate. Dopo aver eliminato lo spazio, puoi provare a creare nuovamente l’applicazione Canvas. Ora lo spazio dovrebbe essere allocato correttamente e dovrebbe permettere l’avvio di Canvas.
# Fatturazione e costi in Canvas SageMaker
Per tenere traccia dei costi associati alla tua applicazione SageMaker Canvas, puoi utilizzare il Gestione dei costi e fatturazione AWS servizio. Billing and Cost Management offre strumenti utili per raccogliere informazioni relative a costi e utilizzo, analizzare i driver di costo e le tendenze di utilizzo e intraprendere azioni per tenere sotto controllo le spese. Per ulteriori informazioni, consulta [What is Gestione dei costi e fatturazione AWS?](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/billing-what-is.html)
La fatturazione in SageMaker Canvas è composta dai seguenti componenti:
+ Addebiti per le istanze Workspace: ti viene addebitato il numero di ore in cui accedi o utilizzi Canvas. SageMaker Per ridurre i costi, ti consigliamo di disconnetterti o di creare una pianificazione per chiudere tutte le applicazioni Canvas che non utilizzi attivamente. Per ulteriori informazioni, consulta [Disconnettersi da Amazon Canvas SageMaker](canvas-log-out.md).
+ AWS costi di servizio: ti vengono addebitati i costi per la creazione e l'elaborazione di previsioni con modelli personalizzati o per l'elaborazione di previsioni con modelli: Ready-to-use
+ Costi di addestramento: per tutti i tipi di modelli, i costi vengono addebitati in base all’uso delle risorse durante la creazione del modello. Queste risorse includono tutte le istanze di calcolo avviate da Canvas. Potresti visualizzare questi addebiti sul tuo account come processi di hosting, addestramento, elaborazione o trasformazione di batch.
+ Costi di previsione: ti vengono addebitati i costi per le risorse utilizzate per generare previsioni, a seconda del tipo di modello personalizzato creato o del tipo di Ready-to-use modello utilizzato.
I [Ready-to-use modelli](canvas-ready-to-use-models.md) di Canvas sfruttano altri AWS servizi per generare previsioni. Quando utilizzi un Ready-to-use modello, ti viene addebitato il relativo servizio e si applicano le relative condizioni di prezzo:
+ Per l'analisi del sentiment, l'estrazione di entità, il rilevamento della lingua e il rilevamento delle informazioni personali, ti verranno addebitati i costi indicati in [Prezzi di Amazon Comprehend](https://aws.amazon.com/comprehend/pricing/).
+ Per il rilevamento di oggetti e testo nelle immagini, ti verranno addebitati i costi indicati in [Prezzi di Amazon Rekognition](https://aws.amazon.com/rekognition/pricing/).
+ Per l'analisi delle spese, l'analisi dei documenti di identità e l'analisi di documenti, ti verranno addebitati i costi indicati in [Prezzi di Amazon Textract](https://aws.amazon.com/textract/pricing/).
Per ulteriori informazioni, consulta [SageMaker Prezzi di Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Per aiutarti a tenere traccia dei costi in Billing and Cost Management, puoi assegnare tag personalizzati all' SageMaker app Canvas e agli utenti. Puoi tenere traccia dei costi sostenuti dalle app e, taggando i singoli profili utente, puoi tenere traccia anche dei costi in base al profilo utente. Per ulteriori informazioni sui tag, consulta [Using Cost Allocation Tags](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
Puoi aggiungere tag all'app SageMaker Canvas e agli utenti procedendo come segue:
+ Se stai configurando il tuo dominio Amazon SageMaker AI e SageMaker Canvas per la prima volta, segui le istruzioni [Getting Started](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) e aggiungi tag quando crei il dominio o gli utenti. Puoi aggiungere tag tramite le **Impostazioni generali** nella configurazione della console di dominio o tramite APIs ([CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)o [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)). SageMaker AI aggiunge i tag specificati nel tuo dominio o UserProfile a qualsiasi app o utente SageMaker Canvas che crei dopo aver creato il dominio.
+ Se desideri aggiungere tag alle app in un dominio esistente, devi aggiungere tag al dominio o al UserProfile. Puoi aggiungere tag tramite la console o l'[AddTags](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AddTags.html)API. Se aggiungi tag tramite la console, devi eliminare e riavviare l'app SageMaker Canvas per propagare i tag all'app. Se utilizzi l'API, i tag vengono aggiunti all'app direttamente. [Per ulteriori informazioni sull'eliminazione e il riavvio di un'app Canvas, consulta Gestire le app. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-apps.html)
Dopo aver aggiunto i tag al dominio, potrebbero essere necessarie fino a 24 ore prima che i tag vengano visualizzati nella console per l' Gestione dei costi e fatturazione AWS attivazione. Una volta visualizzati nella console, occorrono altre 24 ore prima che i tag risultino attivati.
Nella pagina **Cost Explorer**, puoi raggruppare e filtrare i costi in base a tag e tipi di utilizzo per separare i costi delle istanze del spazio di lavoro da quelli per l’addestramento. I costi per ciascun elemento sono elencati come descritto di seguito:
+ Costi delle istanze dello spazio di lavoro: gli addebiti vengono visualizzati sotto il tipo di utilizzo `REGION-Canvas:Session-Hrs (Hrs)`.
+ Costi di formazione: i costi vengono visualizzati nei tipi di utilizzo per i lavori di SageMaker AI Hosting, Training, Processing o Batch Transform.
# Funzionalità SageMaker geospaziali di Amazon
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. Se prima del 30 novembre 2023 hai creato un dominio Amazon SageMaker AI, Studio Classic rimane l'esperienza predefinita. I domini creati dopo il 30 novembre 2023 utilizzano di default la nuova esperienza Studio.
Le funzionalità e le risorse SageMaker geospaziali di Amazon sono disponibili *solo* in Studio Classic. Per ulteriori informazioni sulla configurazione di un dominio e su come iniziare a utilizzare Studio, consulta [Guida introduttiva ad Amazon SageMaker geospatial](geospatial-getting-started.md).
Le funzionalità SageMaker geospaziali di Amazon consentono ai data scientist e agli ingegneri di machine learning (ML) di creare, addestrare e distribuire modelli ML più velocemente utilizzando dati geospaziali. Puoi accedere a dati e a strumenti di elaborazione e visualizzazione open source e di terze parti, per rendere più efficiente la preparazione dei dati geospaziali per il ML. Puoi aumentare la produttività utilizzando algoritmi appositamente progettati e modelli ML preaddestrati per velocizzare la creazione e l’addestramento dei modelli e utilizzare gli strumenti di visualizzazione integrati per esplorare gli output delle previsioni su una mappa interattiva, quindi collaborare con i team su approfondimenti e risultati.
**Nota**
Attualmente, le funzionalità SageMaker geospaziali sono supportate solo nella regione degli Stati Uniti occidentali (Oregon).
Se non vedi l'interfaccia utente SageMaker geospaziale disponibile nella tua attuale istanza di Studio Classic, assicurati di trovarti attualmente nella regione Stati Uniti occidentali (Oregon).
**Perché utilizzare le funzionalità geospaziali? SageMaker**
Puoi utilizzare le funzionalità SageMaker geospaziali per fare previsioni sui dati geospaziali più velocemente delle soluzioni. do-it-yourself SageMaker le funzionalità geospaziali semplificano l'accesso ai dati geospaziali dai data lake dei clienti esistenti, dai set di dati open source e da altri fornitori di dati geospaziali. SageMaker SageMaker le funzionalità geospaziali riducono al minimo la necessità di creare infrastrutture personalizzate e funzioni di preelaborazione dei dati offrendo algoritmi appositamente progettati per una preparazione efficiente dei dati, l'addestramento dei modelli e l'inferenza. Puoi anche creare e condividere visualizzazioni e dati personalizzati con la tua azienda da Amazon SageMaker Studio Classic. SageMaker le funzionalità geospaziali offrono modelli pre-addestrati per usi comuni in agricoltura, immobili, assicurazioni e servizi finanziari.
## Come posso utilizzare le funzionalità geospaziali? SageMaker
È possibile utilizzare le funzionalità SageMaker geospaziali in due modi.
+ Tramite l'interfaccia utente SageMaker geospaziale, come parte dell'interfaccia utente classica di Amazon SageMaker Studio.
+ Tramite un’istanza del notebook di Studio Classic che utilizza l’immagine **Geospatial 1.0**.
**SageMaker L'intelligenza artificiale ha le seguenti funzionalità geospaziali**
+ Utilizza un'immagine SageMaker geospaziale creata appositamente che supporti istanze di notebook basate su CPU e GPU e includa anche le librerie open source di uso comune presenti nei flussi di lavoro di machine learning geospaziale.
+ Usa Amazon SageMaker Processing e il contenitore SageMaker geospaziale per eseguire carichi di lavoro su larga scala con i tuoi set di dati, tra cui suolo, meteo, clima, LiDAR e immagini aeree e satellitari commerciali.
+ Esegui un [processo di osservazione della terra](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-eoj.html) per l'elaborazione di dati raster.
+ Esegui un [processo di arricchimento vettoriale](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-vej.html) per convertire latitudine e longitudine in indirizzi leggibili dall'uomo e associare tracce GPS rumorose a strade specifiche.
+ Utilizza gli [strumenti di visualizzazione integrati direttamente in Studio Classic, per visualizzare in modo interattivo i dati geospaziali o le previsioni tramite modello su una mappa](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html).
Puoi anche utilizzare i dati da una raccolta di fornitori di dati geospaziali. Attualmente, le raccolte dei dati disponibili includono:
+ [https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con](https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con)
+ [https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice](https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice)
+ [https://sentinel.esa.int/web/sentinel/missions/sentinel-2](https://sentinel.esa.int/web/sentinel/missions/sentinel-2)
+ [https://registry.opendata.aws/copernicus-dem/](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/naip/](https://registry.opendata.aws/naip/)
## Sei un utente alle prime armi di SageMaker Geospatial?
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. I nuovi domini creati dopo il 30 novembre 2023 utilizzano come impostazione predefinita l’esperienza Studio. L'accesso ai SageMaker dati geospaziali è limitato a Studio Classic, per ulteriori informazioni consulta. [SageMaker Accedere a geospatial](access-studio-classic-geospatial.md)
Se sei un utente principiante AWS di Amazon SageMaker AI, ti consigliamo di fare quanto segue:
1. **Crea un Account AWS.**
Per ulteriori informazioni sulla configurazione di un AWS account e su come iniziare a utilizzare l' SageMaker IA, consulta[Prerequisiti completi per Amazon SageMaker AI](gs-set-up.md).
1. **Crea un ruolo utente e un ruolo di esecuzione compatibili con SageMaker geospatial**.
In quanto servizio gestito, Amazon SageMaker geospatial Capabilities esegue operazioni per tuo conto sull' AWS hardware gestito dall'intelligenza artificiale. SageMaker Un ruolo di esecuzione dell' SageMaker IA può eseguire solo le operazioni concesse dagli utenti. Per utilizzare le funzionalità SageMaker geospaziali, è necessario impostare un ruolo utente e un ruolo di esecuzione. Per ulteriori informazioni, consulta [SageMaker funzionalità geospaziali, ruoli](sagemaker-geospatial-roles.md).
1. **Aggiorna la tua politica di fiducia per** includere le informazioni geospaziali. SageMaker
SageMaker geospatial definisce un servizio principale aggiuntivo. Per informazioni su come creare o aggiornare la politica di fiducia del ruolo di esecuzione dell' SageMaker IA, consulta. [Aggiungere il responsabile del servizio SageMaker geospaziale a un ruolo di esecuzione dell'IA esistente SageMaker](sagemaker-geospatial-roles-pass-role.md)
1. **Configura un dominio Amazon SageMaker AI per accedere ad Amazon SageMaker Studio Classic.**
Per utilizzare SageMaker geospatial, è necessario un dominio. Per i domini creati prima del 30 novembre 2023, l’esperienza predefinita è Studio Classic. I domini creati dopo il 30 novembre 2023 utilizzano l’esperienza Studio per impostazione predefinita. Per ulteriori informazioni sull’accesso a Studio Classic da Studio, consulta [SageMaker Accedere a geospatial](access-studio-classic-geospatial.md).
1. **Ricorda di chiudere le risorse.**
Quando hai finito di utilizzare le funzionalità SageMaker geospaziali, chiudi l'istanza su cui è in esecuzione per evitare costi aggiuntivi. Per ulteriori informazioni, consulta [Chiudi le risorse di Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md).
**Topics**
+ [Come posso utilizzare le funzionalità geospaziali? SageMaker](#how-use-geo)
+ [Sei un utente alle prime armi di SageMaker Geospatial?](#first-time-geospatial-data)
+ [Guida introduttiva ad Amazon SageMaker geospatial](geospatial-getting-started.md)
+ [Utilizzo di un processo di elaborazione per carichi di lavoro geospaziali personalizzati](geospatial-custom-operations.md)
+ [Processi di osservazione della terra](geospatial-eoj.md)
+ [Processi di arricchimento del vettore](geospatial-vej.md)
+ [Visualizzazione tramite SageMaker funzionalità geospaziali](geospatial-visualize.md)
+ [SDK per SageMaker mappe geospaziali Amazon](geospatial-notebook-sdk.md)
+ [SageMaker Domande frequenti sulle funzionalità geospaziali](geospatial-faq.md)
+ [SageMaker Sicurezza e autorizzazioni geospaziali](geospatial-security-general.md)
+ [Tipi di istanze di calcolo](geospatial-instances.md)
+ [Raccolte dati](geospatial-data-collections.md)
# Guida introduttiva ad Amazon SageMaker geospatial
SageMaker geospatial fornisce un tipo di **immagine** e **istanza appositamente progettato per i notebook** Amazon SageMaker Studio Classic. **Puoi utilizzare notebook compatibili con CPU o GPU con l'immagine geospaziale. SageMaker ** Puoi visualizzare i dati geospaziali anche utilizzando un visualizzatore appositamente progettato. Inoltre, SageMaker geospatial consente APIs anche di interrogare raccolte di dati raster. È inoltre possibile utilizzare modelli pre-addestrati per analizzare dati geospaziali, geocodifica inversa e corrispondenza delle mappe.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. Se prima del 30 novembre 2023 hai creato un dominio Amazon SageMaker AI, Studio Classic rimane l'esperienza predefinita. I domini creati dopo il 30 novembre 2023 utilizzano di default la nuova esperienza Studio.
Per accedere e iniziare a usare Amazon SageMaker geospatial, procedi come segue:
**Topics**
+ [SageMaker Accedere a geospatial](access-studio-classic-geospatial.md)
+ [Crea un notebook Amazon SageMaker Studio Classic utilizzando l'immagine geospaziale](geospatial-launch-notebook.md)
+ [Accesso alla raccolta dei dati raster di Sentinel-2 e creazione di un processo di osservazione della terra per eseguire la segmentazione del suolo](geospatial-demo.md)
# SageMaker Accedere a geospatial
**Nota**
Attualmente, le funzionalità SageMaker geospaziali sono supportate solo nella regione Stati Uniti occidentali (Oregon) e in Studio Classic.
Se non vedi l'interfaccia utente SageMaker geospaziale disponibile nella tua attuale istanza di Studio Classic, assicurati di trovarti attualmente nella regione Stati Uniti occidentali (Oregon).
Per accedere a Geospatial è necessario un dominio. SageMaker Se hai creato un dominio prima del 30 novembre 2023, l’esperienza predefinita è Studio Classic.
Se hai creato un dominio dopo il 30 novembre 2023 o se hai effettuato la migrazione a Studio, puoi utilizzare la seguente procedura per attivare Studio Classic dall'interno di Studio per utilizzare le funzionalità geospaziali. SageMaker
Per ulteriori informazioni sulla creazione di un dominio, consulta [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
**Per accedere a Studio Classic da Studio**
1. Avvia Amazon SageMaker Studio.
1. In **Applicazioni**, scegli **Studio Classic**.
1. Quindi, scegli **Crea spazio Studio Classic**.
1. Nella pagina **Crea spazio Studio Classic** inserisci un **nome**.
1. Disattiva l'opzione **Condividi con il mio dominio**. SageMaker geospatial non è disponibile nei domini condivisi.
1. Quindi, scegli **Crea spazio**.
Se l’operazione riesce, lo **stato** passa a **Aggiornamento in corso**. Quando l’applicazione Studio Classic è pronta per essere utilizzata, lo stato cambia in **Arrestato**.
Per avviare l’applicazione Studio Classic, scegli **Esegui**.
# Crea un notebook Amazon SageMaker Studio Classic utilizzando l'immagine geospaziale
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
**Nota**
Attualmente, la tecnologia SageMaker geospaziale è supportata solo nella regione degli Stati Uniti occidentali (Oregon).
Se non vedi i dati SageMaker geospaziali disponibili nel tuo dominio o nell'istanza di notebook corrente, assicurati di trovarti attualmente nella regione Stati Uniti occidentali (Oregon).
Utilizza la procedura seguente per creare un notebook Studio Classic con l'immagine geospaziale. SageMaker Se la tua esperienza predefinita è Studio, consulta la sezione [SageMaker Accedere a geospatial](access-studio-classic-geospatial.md) per ulteriori informazioni sull’avvio di un’applicazione Studio Classic.
**Per creare un notebook Studio Classic con l'immagine geospaziale SageMaker**
1. Avvio di Studio Classic
1. Scegli **Home** nella barra del menu.
1. In **Operazioni rapide**, scegli **Apri utilità di avvio**.
1. Quando si apre la finestra di dialogo **Utilità di avvio**. Scegli **Modifica ambiente** in **Notebook e risorse di calcolo**.
1. Quindi, viene visualizzata la finestra di dialogo **Modifica ambiente**. Scegli il menu a discesa **Immagine** e seleziona o digita **Geospatial 1.0**.
![\[Una finestra di dialogo che mostra l'immagine geospaziale corretta e il tipo di istanza selezionato.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/geospatial-environment-dialogue.png)
1. Quindi, scegli un **tipo di istanza** dal menu a discesa.
SageMaker geospatial supporta due tipi di istanze di notebook: CPU e GPU. L'istanza CPU supportata è denominata **ml.geospatial.interactive**. Qualsiasi istanza GPU della famiglia G5 può essere utilizzata con l'immagine Geospatial 1.0.
**Nota**
Se ricevi un ResourceLimitExceedederrore durante il tentativo di avviare un'istanza basata su GPU, devi richiedere un aumento della quota. Per richiedere un aumento della quota in Service Quotas, consulta [Requesting a quota increase](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) in *Guida per l'utente di Service Quotas*
1. Scegli **Seleziona**.
1. Seleziona **Crea notebook**.
[Dopo aver creato un notebook, per saperne di più su SageMaker geospatial, prova il tutorial geospaziale. SageMaker ](geospatial-demo.md) Questo tutorial spiega come elaborare i dati dell’immagine Sentinel-2 e come eseguire la segmentazione del suolo utilizzando l’API dei processi di osservazione della terra.
# Accesso alla raccolta dei dati raster di Sentinel-2 e creazione di un processo di osservazione della terra per eseguire la segmentazione del suolo
Questo tutorial basato su Python utilizza l'SDK per Python (Boto3) e un notebook Amazon Studio Classic. SageMaker Per completare correttamente questa demo, assicurati di disporre delle autorizzazioni AWS Identity and Access Management (IAM) necessarie per utilizzare geospatial e Studio Classic. SageMaker SageMaker geospatial richiede la presenza di un utente, gruppo o ruolo che possa accedere a Studio Classic. È inoltre necessario disporre di un ruolo di esecuzione dell' SageMaker IA che specifichi il responsabile del servizio SageMaker geospaziale nella sua politica di fiducia. `sagemaker-geospatial.amazonaws.com`
[Per ulteriori informazioni su questi requisiti, consulta SageMaker i ruoli IAM geospaziali.](sagemaker-geospatial-roles.md)
Questo tutorial mostra come utilizzare l'API SageMaker geospaziale per completare le seguenti attività:
+ Trovare le raccolte dei dati raster disponibili con `list_raster_data_collections`.
+ Cercare una raccolta dei dati raster specificata utilizzando `search_raster_data_collection`.
+ Creare un processo di osservazione della terra (EOJ) utilizzando `start_earth_observation_job`.
## Utilizzare `list_raster_data_collections` per trovare le raccolte dei dati disponibili
SageMaker geospatial supporta più raccolte di dati raster. Per ulteriori informazioni sulle raccolte dei dati disponibili, consulta [Raccolte dati](geospatial-data-collections.md).
Questa demo utilizza i dati satellitari raccolti dai satelliti [Sentinel-2 GeoTIFF ottimizzati per il cloud](https://registry.opendata.aws/sentinel-2-l2a-cogs/). Questi satelliti forniscono una copertura globale della superficie terrestre ogni cinque giorni. Oltre a raccogliere immagini della superficie terrestre, i satelliti Sentinel-2 raccolgono anche dati su diverse bande spettrali.
Per cercare un'area di interesse (AOI), hai bisogno dell'ARN associato ai dati satellitari Sentinel-2. Per trovare le raccolte di dati disponibili e quelle associate ARNs nella tua Regione AWS, utilizza l'operazione API. `list_raster_data_collections`
Poiché la risposta può essere impaginata, devi utilizzare l'operazione `get_paginator` affinché restituisca tutti i dati pertinenti:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the paginator class
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print(results)
```
Questo è un esempio di risposta JSON dall'operazione API `list_raster_data_collections`. La risposta è troncata per includere solo la raccolta dei dati (Sentinel-2) utilizzata in questo esempio di codice . Per ulteriori dettagli su una specifica raccolta dei dati raster, usa `get_raster_data_collection`:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"Description": "Sentinel-2a and Sentinel-2b imagery, processed to Level 2A (Surface Reflectance) and converted to Cloud-Optimized GeoTIFFs",
"DescriptionPageUrl": "https://registry.opendata.aws/sentinel-2-l2a-cogs",
"Name": "Sentinel 2 L2A COGs",
"SupportedFilters": [
{
"Maximum": 100,
"Minimum": 0,
"Name": "EoCloudCover",
"Type": "number"
},
{
"Maximum": 90,
"Minimum": 0,
"Name": "ViewOffNadir",
"Type": "number"
},
{
"Name": "Platform",
"Type": "string"
}
],
"Tags": {},
"Type": "PUBLIC"
}
```
Dopo aver eseguito l'esempio di codice precedente, otterrai l'ARN della raccolta dei dati raster Sentinel-2, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. Nella [sezione successiva](#demo-search-raster-data), puoi eseguire query sulla raccolta dei dati Sentinel-2 utilizzando l'API `search_raster_data_collection`.
## Ricerca nella raccolta dei dati raster di Sentinel-2 utilizzando `search_raster_data_collection`
Nella sezione precedente, hai utilizzato `list_raster_data_collections` per ottenere l'ARN per la raccolta dei dati di Sentinel-2. Ora puoi usare quell'ARN per cercare la raccolta dei dati su una determinata area di interesse (AOI), intervallo temporale, proprietà e bande UV disponibili.
Per chiamare l'API `search_raster_data_collection` devi inoltrare un Python dizionario al parametro `RasterDataCollectionQuery`. Questo esempio utilizza `AreaOfInterest`, `TimeRangeFilter`, `PropertyFilters` e `BandFilter`. Per semplicità, puoi specificare il dizionario Python usando la variabile **search\$1rdc\$1query** per contenere i parametri di query della ricerca:
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
# coordinates are input as longitute followed by latitude
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2022-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z"
},
"PropertyFilters": {
"Properties": [
{
"Property": {
"EoCloudCover": {
"LowerBound": 0,
"UpperBound": 1
}
}
}
],
"LogicalOperator": "AND"
},
"BandFilter": [
"visual"
]
}
```
In questo esempio, esegui una query su un oggetto `AreaOfInterest` che include [Lago Mead](https://en.wikipedia.org/wiki/Lake_Mead) nello Utah. Inoltre, Sentinel-2 supporta diversi tipi di bande di immagini. Per misurare la variazione della superficie dell'acqua, è sufficiente la banda `visual`.
Dopo aver creato i parametri di query, puoi utilizzare l'API `search_raster_data_collection` per effettuare la richiesta.
Il seguente esempio di codice implementa una richiesta API `search_raster_data_collection`. Questa API non supporta l'impaginazione tramite l'API `get_paginator`. Per assicurarsi che sia stata restituita la risposta API completa, l'esempio di codice utilizza un ciclo `while` per verificarne l'`NextToken`esistenza. L'esempio di codice viene quindi utilizzato `.extend()` per aggiungere l'immagine satellitare URLs e altri metadati di risposta a. `items_list`
Per ulteriori informazioni`search_raster_data_collection`, consulta [SearchRasterDataCollection](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_SearchRasterDataCollection.html)*Amazon SageMaker AI API Reference*.
```
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
## items_list is the response from the API request.
items_list = []
## Use the python .get() method to check that the 'NextToken' exists, if null returns None breaking the while loop
while search_rdc_response.get('NextToken'):
items_list.extend(search_rdc_response['Items'])
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query, NextToken=search_rdc_response['NextToken']
)
## Print the number of observation return based on the query
print (len(items_list))
```
Di seguito è riportato un esempio di risposta JSON alla tua query. La risposta è stata troncata per maggiore chiarezza. Nella coppia chiave-valore `Assets` viene restituito solo il **"BandFilter": ["visual"]** specificato nella richiesta:
```
{
'Assets': {
'visual': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/6/S2A_15TUH_20220623_0_L2A/TCI.tif'
}
},
'DateTime': datetime.datetime(2022, 6, 23, 17, 22, 5, 926000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20220623_0_L2A',
'Properties': {
'EoCloudCover': 0.046519,
'Platform': 'sentinel-2a'
}
}
```
Ora che hai i risultati della tua query, puoi visualizzarli nella sezione successiva utilizzando `matplotlib`. Questo serve a verificare che i risultati provengano dalla regione geografica corretta.
## Visualizzazione di `search_raster_data_collection` utilizzando `matplotlib`
Prima di iniziare il processo di osservazione della terra (EOJ), puoi visualizzare un risultato della query con`matplotlib`. Il seguente esempio di codice prende il primo elemento, `items_list[0]["Assets"]["visual"]["Href"]`, dalla variabile `items_list` creata nell'esempio di codice precedente e stampa un'immagine utilizzando `matplotlib`.
```
# Visualize an example image.
import os
from urllib import request
import tifffile
import matplotlib.pyplot as plt
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_url = items_list[0]["Assets"]["visual"]["Href"]
img_id = image_url.split("/")[-2]
path_to_image = image_dir + "/" + img_id + "_TCI.tif"
response = request.urlretrieve(image_url, path_to_image)
print("Downloaded image: " + img_id)
tci = tifffile.imread(path_to_image)
plt.figure(figsize=(6, 6))
plt.imshow(tci)
plt.show()
```
Dopo aver verificato che i risultati siano nella regione geografica corretta, puoi avviare il processo di osservazione della terra (EOJ) nella fase successiva. Si utilizza il processo EOJ per identificare i corpi idrici dalle immagini satellitari utilizzando un processo chiamato segmentazione del suolo.
## Avvio di un processo di osservazione della terra (EOJ) che esegue la segmentazione del suolo su una serie di immagini satellitari
SageMaker geospatial fornisce diversi modelli pre-addestrati che puoi utilizzare per elaborare dati geospaziali da raccolte di dati raster. Per ulteriori informazioni sui modelli preaddestrati disponibili e sulle operazioni personalizzate, consulta [Tipi di operazioni](geospatial-eoj-models.md).
Per calcolare la variazione della superficie dell'acqua, devi identificare quali pixel delle immagini corrispondono all'acqua. La segmentazione della copertura del suolo è un modello di segmentazione semantica supportato dall'API `start_earth_observation_job`. I modelli di segmentazione semantica associano un'etichetta a ogni pixel di ogni immagine. Nei risultati, a ogni pixel viene assegnata un'etichetta basata sulla mappatura delle classi del modello. Di seguito è riportata la mappatura delle classi per il modello di segmentazione del suolo:
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
Per avviare un processo di osservazione della terra, usa l'API `start_earth_observation_job`. Quando invii la richiesta, devi specificare quanto segue:
+ `InputConfig`(*dict*): utilizzato per specificare le coordinate dell'area in cui desideri cercare e altri metadati associati alla tua ricerca.
+ `JobConfig`(*dict*): utilizzato per specificare il tipo di operazione EOJ eseguita sui dati. Questo esempio usa **LandCoverSegmentationConfig**.
+ `ExecutionRoleArn`(*stringa*) — L'ARN del ruolo di esecuzione SageMaker AI con le autorizzazioni necessarie per eseguire il processo.
+ `Name`(*string*): un nome per il processo di osservazione della terra.
Il `InputConfig` è un Python dizionario. Utilizza la seguente variabile **eoj\$1input\$1config** per contenere i parametri di query della ricerca. Usa questa variabile quando effettui la richiesta API `start_earth_observation_job`.
```
# Perform land cover segmentation on images returned from the Sentinel-2 dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates":[
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
```
Il `JobConfig` è un Python dizionario che viene utilizzato per specificare l'operazione EOJ che desideri eseguire sui tuoi dati:
```
eoj_config = {"LandCoverSegmentationConfig": {}}
```
Con gli elementi del dizionario ora specificati, puoi inviare la tua richiesta API `start_earth_observation_job` utilizzando il seguente esempio di codice:
```
# Gets the execution role arn associated with current notebook instance
execution_role_arn = sagemaker.get_execution_role()
# Starts an earth observation job
response = sm_geo_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role_arn,
)
print(response)
```
L'avvio di un processo di osservazione della terra restituisce un ARN insieme ad altri metadati.
Per ottenere un elenco di tutti i processi di osservazione della terra in corso e correnti, utilizza l'API `list_earth_observation_jobs`. Per monitorare lo stato di un singolo processo di osservazione della Terra, utilizza l'API `get_earth_observation_job`. Per effettuare questa richiesta, utilizza l'ARN creato dopo aver inviato la richiesta EOJ. Per ulteriori informazioni, [GetEarthObservationJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetEarthObservationJob.html)consulta *Amazon SageMaker AI API Reference*.
Per trovare i dati ARNs associati alla tua, EOJs usa l'operazione `list_earth_observation_jobs` API. Per ulteriori informazioni, [ListEarthObservationJobs](https://docs.aws.amazon.com//sagemaker/latest/APIReference/API_geospatial_ListEarthObservationJobs.html)consulta *Amazon SageMaker AI API Reference*.
```
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Di seguito è riportato un esempio di risposta JSON:
```
{
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/futg3vuq935t',
'CreationTime': datetime.datetime(2023, 10, 19, 4, 33, 54, 21481, tzinfo = tzlocal()),
'DurationInSeconds': 3493,
'Name': 'lake-mead-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'COMPLETED',
'Tags': {}
}, {
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/wu8j9x42zw3d',
'CreationTime': datetime.datetime(2023, 10, 20, 0, 3, 27, 270920, tzinfo = tzlocal()),
'DurationInSeconds': 1,
'Name': 'mt-shasta-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'INITIALIZING',
'Tags': {}
}
```
Dopo che lo stato del tuo processo EOJ cambia in `COMPLETED`, passa alla sezione successiva per calcolare la variazione della superficie del lago Mead's .
## Calcolo della variazione della superficie nel lago Mead
Per calcolare la variazione della superficie del lago Mead, esporta innanzitutto i risultati del processo EOJ su Amazon S3 utilizzando `export_earth_observation_job`:
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "export-lake-mead-eoj" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sm_geo_client.export_earth_observation_job(
Arn="arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/7xgwzijebynp",
ExecutionRoleArn=execution_role_arn,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Per visualizzare lo stato del tuo processo di esportazione, utilizza `get_earth_observation_job`:
```
export_job_details = sm_geo_client.get_earth_observation_job(Arn=export_response["Arn"])
```
Per calcolare le variazioni del livello dell'acqua del Lago Mead, scarica le maschere di copertura del terreno sull'istanza del SageMaker notebook locale e scarica le immagini di origine dalla nostra query precedente. Nella mappatura delle classi per il modello di segmentazione del suolo, l'indice di classe dell'acqua è 6.
Per estrarre da un'immagine Sentinel-2 il file maschera relativo all’acqua, segui questa procedura. Innanzitutto, conta nell'immagine il numero di pixel contrassegnati come acqua (indice di classe 6). In secondo luogo, moltiplica il conteggio per l'area coperta da ciascun pixel. Le bande possono differire in termini di risoluzione spaziale. Per il modello di segmentazione della copertura del suolo, tutte le bande vengono sottocampionate con una risoluzione spaziale pari a 60 metri.
```
import os
from glob import glob
import cv2
import numpy as np
import tifffile
import matplotlib.pyplot as plt
from urllib.parse import urlparse
from botocore import UNSIGNED
from botocore.config import Config
# Download land cover masks
mask_dir = "./masks/lake_mead"
os.makedirs(mask_dir, exist_ok=True)
image_paths = []
for s3_object in s3_bucket.objects.filter(Prefix=prefix).all():
path, filename = os.path.split(s3_object.key)
if "output" in path:
mask_name = mask_dir + "/" + filename
s3_bucket.download_file(s3_object.key, mask_name)
print("Downloaded mask: " + mask_name)
# Download source images for visualization
for tci_url in tci_urls:
url_parts = urlparse(tci_url)
img_id = url_parts.path.split("/")[-2]
tci_download_path = image_dir + "/" + img_id + "_TCI.tif"
cogs_bucket = session.resource(
"s3", config=Config(signature_version=UNSIGNED, region_name="us-west-2")
).Bucket(url_parts.hostname.split(".")[0])
cogs_bucket.download_file(url_parts.path[1:], tci_download_path)
print("Downloaded image: " + img_id)
print("Downloads complete.")
image_files = glob("images/lake_mead/*.tif")
mask_files = glob("masks/lake_mead/*.tif")
image_files.sort(key=lambda x: x.split("SQA_")[1])
mask_files.sort(key=lambda x: x.split("SQA_")[1])
overlay_dir = "./masks/lake_mead_overlay"
os.makedirs(overlay_dir, exist_ok=True)
lake_areas = []
mask_dates = []
for image_file, mask_file in zip(image_files, mask_files):
image_id = image_file.split("/")[-1].split("_TCI")[0]
mask_id = mask_file.split("/")[-1].split(".tif")[0]
mask_date = mask_id.split("_")[2]
mask_dates.append(mask_date)
assert image_id == mask_id
image = tifffile.imread(image_file)
image_ds = cv2.resize(image, (1830, 1830), interpolation=cv2.INTER_LINEAR)
mask = tifffile.imread(mask_file)
water_mask = np.isin(mask, [6]).astype(np.uint8) # water has a class index 6
lake_mask = water_mask[1000:, :1100]
lake_area = lake_mask.sum() * 60 * 60 / (1000 * 1000) # calculate the surface area
lake_areas.append(lake_area)
contour, _ = cv2.findContours(water_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
combined = cv2.drawContours(image_ds, contour, -1, (255, 0, 0), 4)
lake_crop = combined[1000:, :1100]
cv2.putText(lake_crop, f"{mask_date}", (10,50), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
cv2.putText(lake_crop, f"{lake_area} [sq km]", (10,100), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
overlay_file = overlay_dir + '/' + mask_date + '.png'
cv2.imwrite(overlay_file, cv2.cvtColor(lake_crop, cv2.COLOR_RGB2BGR))
# Plot water surface area vs. time.
plt.figure(figsize=(20,10))
plt.title('Lake Mead surface area for the 2021.02 - 2022.07 period.', fontsize=20)
plt.xticks(rotation=45)
plt.ylabel('Water surface area [sq km]', fontsize=14)
plt.plot(mask_dates, lake_areas, marker='o')
plt.grid('on')
plt.ylim(240, 320)
for i, v in enumerate(lake_areas):
plt.text(i, v+2, "%d" %v, ha='center')
plt.show()
```
Utilizzando `matplotlib`, puoi visualizzare i risultati su un grafico. Il grafico mostra che la superficie del lago Mead è diminuita da gennaio 2021 a luglio 2022.
![\[Un istogramma che mostra che la superficie del lago Mead è diminuita da gennaio 2021 a luglio 2022\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/lake-mead-decrease.png)
# Utilizzo di un processo di elaborazione per carichi di lavoro geospaziali personalizzati
Con [Amazon SageMaker Processing](processing-job.md), puoi utilizzare un'esperienza di SageMaker intelligenza artificiale semplificata e gestita per eseguire i carichi di lavoro di elaborazione dei dati con il contenitore geospaziale appositamente progettato.
L'infrastruttura sottostante per un processo di Amazon SageMaker Processing è completamente gestita dall' SageMaker intelligenza artificiale. Durante un processo di elaborazione, le risorse del cluster sono sottoposte a provisioning per tutta la durata del processo e pulite al completamento dello stesso.
![\[Esecuzione di un processo di elaborazione.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/Processing-1.png)
Il diagramma precedente mostra come l' SageMaker intelligenza artificiale accelera un processo di elaborazione geospaziale. SageMaker L'intelligenza artificiale prende lo script del carico di lavoro geospaziale, copia i dati geospaziali da Amazon Simple Storage Service (Amazon S3) e quindi estrae il contenitore geospaziale specificato. L'infrastruttura sottostante per il processo di elaborazione è completamente gestita dall'IA. SageMaker Le risorse del cluster sono sottoposte a provisioning per tutta la durata del processo e pulite al completamento dello stesso. L'output del processo di elaborazione viene archiviato nel bucket che hai specificato.
**Vincoli per la denominazione del percorso**
I percorsi locali all'interno di un container di processi di elaborazione devono iniziare con **/opt/ml/processing/**.
SageMaker geospatial fornisce un contenitore appositamente costruito, `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` che può essere specificato durante l'esecuzione di un processo di elaborazione.
**Topics**
+ [Panoramica: esegui i processi di elaborazione utilizzando un contenitore geospaziale `ScriptProcessor` SageMaker](geospatial-custom-operations-overview.md)
+ [Utilizzo di `ScriptProcessor` per calcolare l’indice di vegetazione della differenza normalizzata (NDVI) con i dati satellitari Sentinel-2](geospatial-custom-operations-procedure.md)
# Panoramica: esegui i processi di elaborazione utilizzando un contenitore geospaziale `ScriptProcessor` SageMaker
SageMaker geospatial fornisce un contenitore di elaborazione appositamente progettato,. `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` Puoi utilizzare questo contenitore durante l'esecuzione di un processo con Amazon SageMaker Processing. Quando crei un'istanza della [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)classe disponibile tramite *Amazon SageMaker Python SDK for Processing*, specificalo. `image_uri`
**Nota**
Se ricevi un ResourceLimitExceedederrore durante il tentativo di avviare un processo di elaborazione, devi richiedere un aumento della quota. Per richiedere un aumento della quota in Service Quotas, consulta [Requesting a quota increase](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) in *Guida per l'utente di Service Quotas*
**Prerequisiti per l'utilizzo di `ScriptProcessor`**
1. Aver creato uno script Python che specifica il tuo carico di lavoro ML geospaziale.
1. Hai concesso al ruolo di esecuzione SageMaker AI l'accesso a tutti i bucket Amazon S3 necessari.
1. Preparazione dei dati per l'importazione nel container. I SageMaker processi di elaborazione di Amazon supportano l'impostazione di `s3_data_type` uguale `"ManifestFile"` o uguale a`"S3Prefix"`.
La procedura seguente mostra come creare un'istanza `ScriptProcessor` e inviare un processo di Amazon SageMaker Processing utilizzando il contenitore SageMaker geospaziale.
**Per creare un'`ScriptProcessor`istanza e inviare un processo di Amazon SageMaker Processing utilizzando un contenitore SageMaker geospaziale**
1. Crea un'istanza della `ScriptProcessor` classe utilizzando l'immagine geospaziale: SageMaker
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
sm_session = sagemaker.session.Session()
execution_role_arn = sagemaker.get_execution_role()
# purpose-built geospatial container
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
script_processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
```
Sostituisci *execution\$1role\$1arn* con l'ARN del ruolo di esecuzione dell'IA che ha accesso SageMaker ai dati di input archiviati in Amazon S3 e a qualsiasi AWS altro servizio che desideri chiamare nel tuo processo di elaborazione. Puoi aggiornare `instance_count` e `instance_type` in modo che soddisfino i requisiti del tuo processo di elaborazione.
1. Per avviare un processo di elaborazione, utilizza il metodo `.run()`:
```
# Can be replaced with any S3 compliant string for the name of the folder.
s3_folder = geospatial-data-analysis
# Use .default_bucket() to get the name of the S3 bucket associated with your current SageMaker session
s3_bucket = sm_session.default_bucket()
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
s3_prefix_uri = f's3://{s3_bucket}/{s3_folder}/image-prefix
script_processor.run(
code='preprocessing.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri | s3_prefix_uri ,
destination='/opt/ml/processing/input_data/',
s3_data_type= "ManifestFile" | "S3Prefix",
s3_data_distribution_type= "ShardedByS3Key" | "FullyReplicated"
)
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url
)
]
)
```
+ Sostituisci *preprocessing.py* con il nome del tuo script di elaborazione dati in Python.
+ Un processo di elaborazione supporta due metodi per formattare i tuoi dati di input. Puoi creare un file manifest che rimandi a tutti i dati di input per il tuo processo di elaborazione oppure utilizzare un prefisso comune su ogni singolo input di dati. Se hai creato un file manifest, imposta `s3_manifest_uri` uguale a `"ManifestFile"`. Se hai utilizzato un prefisso del file, imposta `s3_manifest_uri` uguale a `"S3Prefix"`. Specifica il percorso dei tuoi dati utilizzando `source`.
+ Puoi distribuire i dati del tuo processo di elaborazione in due modi:
+ Distribuisci i tuoi dati su tutte le istanze di elaborazione impostando `s3_data_distribution_type` uguale a `FullyReplicated`.
+ Distribuisci i tuoi dati in shard basati sulla chiave Amazon S3 impostando `s3_data_distribution_type` uguale a `ShardedByS3Key`. Quando utilizzi `ShardedByS3Key` , a ogni istanza di elaborazione viene inviato uno shard di dati.
È possibile utilizzare uno script per elaborare dati SageMaker geospaziali. Lo script è disponibile nella [Fase 3: scrittura di uno script in grado di calcolare l'NDVI](geospatial-custom-operations-procedure.md#geospatial-custom-operations-script-mode). Per ulteriori informazioni sul funzionamento dell'`.run()`API, consulta [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run)*Amazon SageMaker Python SDK* for Processing.
Per monitorare l'avanzamento del tuo processo di elaborazione, la classe `ProcessingJobs` supporta un metodo [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe). Questo metodo restituisce una risposta dalla chiamata API `DescribeProcessingJob`. Per ulteriori informazioni, [`DescribeProcessingJob`consulta *Amazon SageMaker AI API Reference*](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html).
L'argomento successivo mostra come creare un'istanza della `ScriptProcessor` classe utilizzando il contenitore SageMaker geospaziale e quindi come utilizzarlo per calcolare l'indice di vegetazione delle differenze normalizzate (NDVI) con le immagini. Sentinel-2
# Utilizzo di `ScriptProcessor` per calcolare l’indice di vegetazione della differenza normalizzata (NDVI) con i dati satellitari Sentinel-2
I seguenti esempi di codice mostrano come calcolare l'indice di differenza di vegetazione normalizzato di un'area geografica specifica utilizzando l'immagine geospaziale appositamente creata all'interno di un notebook Studio Classic ed eseguire un carico di lavoro su larga scala con Amazon Processing utilizzando l'SDK AI Python. SageMaker [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor) SageMaker
Questa demo utilizza anche un'istanza di notebook Amazon SageMaker Studio Classic che utilizza il kernel geospaziale e il tipo di istanza. Per informazioni su come creare un’istanza del notebook con dati geospaziali in Studio Classic, consulta [Crea un notebook Amazon SageMaker Studio Classic utilizzando l'immagine geospaziale](geospatial-launch-notebook.md).
Puoi seguire questa demo nella tua istanza del notebook copiando e incollando i seguenti frammenti di codice:
1. [Esegui una query con `search_raster_data_collection` su una specifica area di interesse (AOI), in un determinato intervallo temporale, utilizzando una raccolta dei dati raster specifica, Sentinel-2.](#geospatial-custom-operations-procedure-search)
1. [Crea un file manifest che specifichi quali dati verranno elaborati durante il processo di elaborazione.](#geospatial-custom-operations-procedure-manifest)
1. [Scrivi uno script Python per l'elaborazione di dati che calcoli l'NDVI.](#geospatial-custom-operations-script-mode)
1. [Crea un'`ScriptProcessor`istanza e avvia il processo di Amazon SageMaker Processing](#geospatial-custom-operations-create).
1. [Visualizzazione dei risultati del tuo processo di elaborazione.](#geospatial-custom-operations-visual)
## Fai una query alla raccolta dei dati raster di Sentinel-2 utilizzando `SearchRasterDataCollection`
Con `search_raster_data_collection` puoi fare query a raccolte dei dati raster supportate. Questo esempio utilizza dati estratti da satelliti Sentinel-2. L'area di interesse (`AreaOfInterest`) specificata è l'area rurale dell'Iowa settentrionale e l'intervallo temporale (`TimeRangeFilter`) è compreso tra il 1° gennaio 2022 e il 30 dicembre 2022. Per trovare l'elenco delle raccolte dei dati raster disponibili nella tua Regione AWS usa `list_raster_data_collections`. Per vedere un esempio di codice che utilizza questa API, consulta [`ListRasterDataCollections`](geospatial-data-collections.md)la *Amazon SageMaker AI Developer Guide*.
Negli esempi di codice seguenti viene utilizzato l’ARN associato alla raccolta dei dati raster di Sentinel-2, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`.
Una richiesta API `search_raster_data_collection` richiede due parametri:
+ Devi specificare un parametro `Arn` che corrisponda alla raccolta dei dati raster a cui desideri fare una query.
+ Inoltre, devi specificare un parametro `RasterDataCollectionQuery` che includa un dizionario Python.
Il seguente esempio di codice contiene le coppie chiave-valore necessarie per il parametro `RasterDataCollectionQuery` salvato nella variabile `search_rdc_query`.
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [[
[
-94.50938680498298,
43.22487436936203
],
[
-94.50938680498298,
42.843474642037194
],
[
-93.86520004156142,
42.843474642037194
],
[
-93.86520004156142,
43.22487436936203
],
[
-94.50938680498298,
43.22487436936203
]
]]
}
}
},
"TimeRangeFilter": {"StartTime": "2022-01-01T00:00:00Z", "EndTime": "2022-12-30T23:59:59Z"}
}
```
Per effettuare la richiesta `search_raster_data_collection`, devi specificare l’ARN della raccolta dei dati raster Sentinel-2: `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. Inoltre, devi inoltrare il dizionario Python definito in precedenza, che specifica i parametri di query.
```
## Creates a SageMaker Geospatial client instance
sm_geo_client= session.create_client(service_name="sagemaker-geospatial")
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
```
I risultati di questa API non possono essere impaginati. Per raccogliere tutte le immagini satellitari restituite dall'operazione `search_raster_data_collection`, puoi implementare un ciclo `while`. Ciò verifica `NextToken` nella risposta API:
```
## Holds the list of API responses from search_raster_data_collection
items_list = []
while search_rdc_response1.get('NextToken') and search_rdc_response1['NextToken'] != None:
items_list.extend(search_rdc_response1['Items'])
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query,
NextToken=search_rdc_response1['NextToken']
)
```
La risposta dell'API restituisce un elenco di URLs sotto la `Assets` chiave corrispondenti a bande di immagini specifiche. Di seguito è riportata una versione troncata della risposta API. Alcune bande dell'immagine sono state rimosse per motivi di chiarezza.
```
{
'Assets': {
'aot': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/AOT.tif'
},
'blue': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/B02.tif'
},
'swir22-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/B12.jp2'
},
'visual-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/TCI.jp2'
},
'wvp-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/WVP.jp2'
}
},
'DateTime': datetime.datetime(2022, 12, 30, 17, 21, 52, 469000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-95.46676936182894, 43.32623760511659],
[-94.11293433656887, 43.347431265475954],
[-94.09532154452742, 42.35884880571144],
[-95.42776890002203, 42.3383710796791],
[-95.46676936182894, 43.32623760511659]
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20221230_0_L2A',
'Properties': {
'EoCloudCover': 62.384969,
'Platform': 'sentinel-2a'
}
}
```
Nella [sezione successiva](#geospatial-custom-operations-procedure-manifest), crea un file manifest utilizzando la chiave `'Id'` della risposta API.
## Crea un file manifest di input utilizzando la chiave `Id` della risposta API `search_raster_data_collection`
Quando esegui un processo di elaborazione, devi specificare un input di dati da Amazon S3. Il tipo di dati di input può essere un file manifest che rimanda ai singoli file di dati. Inoltre puoi aggiungere un prefisso a ogni file che desideri sia elaborato. Il seguente esempio di codice definisce la cartella in cui verranno generati i file manifest.
Utilizza l’SDK per Python (Boto3) per ottenere il bucket predefinito e l’ARN del ruolo di esecuzione associato alla tua istanza del notebook Studio Classic:
```
sm_session = sagemaker.session.Session()
s3 = boto3.resource('s3')
# Gets the default excution role associated with the notebook
execution_role_arn = sagemaker.get_execution_role()
# Gets the default bucket associated with the notebook
s3_bucket = sm_session.default_bucket()
# Can be replaced with any name
s3_folder = "script-processor-input-manifest"
```
Successivamente, crea un file manifest. Conterrà le URLs immagini satellitari che desideri elaborare quando eseguirai il processo di elaborazione più avanti nel passaggio 4.
```
# Format of a manifest file
manifest_prefix = {}
manifest_prefix['prefix'] = 's3://' + s3_bucket + '/' + s3_folder + '/'
manifest = [manifest_prefix]
print(manifest)
```
Il seguente esempio di codice restituisce l'URI S3 in cui verranno creati i file manifest.
```
[{'prefix': 's3://sagemaker-us-west-2-111122223333/script-processor-input-manifest/'}]
```
Non sono necessari tutti gli elementi di risposta della risposta search\$1raster\$1data\$1collection per eseguire il processo di elaborazione.
Il seguente frammento di codice rimuove gli elementi non necessari `'Properties'`, `'Geometry'` e `'DateTime'`. La coppia chiave-valore`'Id'`, `'Id': 'S2A_15TUH_20221230_0_L2A'`, contiene l'anno e il mese. Il seguente esempio di codice analizza tali dati per creare nuove chiavi nel dizionario Python **dict\$1month\$1items**. I valori sono gli asset restituiti dalla query `SearchRasterDataCollection`.
```
# For each response get the month and year, and then remove the metadata not related to the satelite images.
dict_month_items = {}
for item in items_list:
# Example ID being split: 'S2A_15TUH_20221230_0_L2A'
yyyymm = item['Id'].split("_")[2][:6]
if yyyymm not in dict_month_items:
dict_month_items[yyyymm] = []
# Removes uneeded metadata elements for this demo
item.pop('Properties', None)
item.pop('Geometry', None)
item.pop('DateTime', None)
# Appends the response from search_raster_data_collection to newly created key above
dict_month_items[yyyymm].append(item)
```
Questo esempio di codice carica `dict_month_items` su Amazon S3 come oggetto JSON utilizzando l'operazione API [https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html):
```
## key_ is the yyyymm timestamp formatted above
## value_ is the reference to all the satellite images collected via our searchRDC query
for key_, value_ in dict_month_items.items():
filename = f'manifest_{key_}.json'
with open(filename, 'w') as fp:
json.dump(value_, fp)
s3.meta.client.upload_file(filename, s3_bucket, s3_folder + '/' + filename)
manifest.append(filename)
os.remove(filename)
```
Questo esempio di codice carica un file parent `manifest.json` che rimanda a tutti gli altri manifest caricati su Amazon S3. Salva anche il percorso di una variabile locale: **s3\$1manifest\$1uri**. Utilizzerai nuovamente quella variabile per specificare l’origine dei dati di input quando eseguirai il processo di elaborazione nella fase 4.
```
with open('manifest.json', 'w') as fp:
json.dump(manifest, fp)
s3.meta.client.upload_file('manifest.json', s3_bucket, s3_folder + '/' + 'manifest.json')
os.remove('manifest.json')
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
```
Ora che hai creato e caricato i file manifest di input, puoi scrivere uno script che elabori i tuoi dati durante il processo di elaborazione. Questo script elabora i dati dalle immagini satellitari, calcola l'NDVI e quindi restituisce i risultati in una diversa posizione di Amazon S3.
## Scrittura di uno script che calcoli l'NDVI
Amazon SageMaker Studio Classic supporta l'uso del comando `%%writefile` cell magic. Dopo aver eseguito una cella con questo comando, il suo contenuto verrà salvato nella tua directory locale di Studio Classic. Si tratta di un codice specifico per il calcolo dell'NDVI. Tuttavia, quanto segue può essere utile quando scrivi uno script personalizzato per un processo di elaborazione:
+ I percorsi locali all'interno di un container di processi di elaborazione devono iniziare con `/opt/ml/processing/`. In questo esempio, **input\$1data\$1path = '/opt/ml/processing/input\$1data/' ** e **processed\$1data\$1path = '/opt/ml/processing/output\$1data/'** sono specificati in questo modo.
+ Con Amazon SageMaker Processing, uno script eseguito da un processo di elaborazione può caricare i dati elaborati direttamente su Amazon S3. A tal fine, assicurati che il ruolo di esecuzione associato alla tua istanza `ScriptProcessor` abbia i requisiti necessari per accedere al bucket S3. Puoi anche specificare un parametro di output quando esegui il processo di elaborazione. Per ulteriori informazioni, consulta il [funzionamento dell'`.run()`API](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run) nell'*SDK Amazon SageMaker Python*. In questo esempio di codice, i risultati dell'elaborazione di dati vengono caricati direttamente in Amazon S3.
+ Per gestire le dimensioni dell'Amazon EBScontainer collegato al processo di elaborazione, utilizza il `volume_size_in_gb` parametro. La dimensione predefinita dei container è 30 GB. Facoltativamente, puoi anche utilizzare la libreria Python [Garbage Collector](https://docs.python.org/3/library/gc.html) per gestire lo storage nel tuo container Amazon EBS.
Il seguente esempio di codice carica gli array nel container del processo di elaborazione. Quando gli array si accumulano e riempiono la memoria, il processo di elaborazione si arresta in modo anomalo. Per evitare questo arresto anomalo, l'esempio seguente contiene comandi che rimuovono gli array dal container del processo di elaborazione.
```
%%writefile compute_ndvi.py
import os
import pickle
import sys
import subprocess
import json
import rioxarray
if __name__ == "__main__":
print("Starting processing")
input_data_path = '/opt/ml/processing/input_data/'
input_files = []
for current_path, sub_dirs, files in os.walk(input_data_path):
for file in files:
if file.endswith(".json"):
input_files.append(os.path.join(current_path, file))
print("Received {} input_files: {}".format(len(input_files), input_files))
items = []
for input_file in input_files:
full_file_path = os.path.join(input_data_path, input_file)
print(full_file_path)
with open(full_file_path, 'r') as f:
items.append(json.load(f))
items = [item for sub_items in items for item in sub_items]
for item in items:
red_uri = item["Assets"]["red"]["Href"]
nir_uri = item["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
ndvi = (nir - red)/ (nir + red)
file_name = 'ndvi_' + item["Id"] + '.tif'
output_path = '/opt/ml/processing/output_data'
output_file_path = f"{output_path}/{file_name}"
ndvi.rio.to_raster(output_file_path)
print("Written output:", output_file_path)
```
Ora hai uno script in grado di calcolare l'NDVI. Successivamente, puoi creare un'istanza del processo di elaborazione ScriptProcessor ed eseguire il processo di elaborazione.
## Creazione di un'istanza della classe `ScriptProcessor`
Questa demo utilizza la [ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)classe disponibile tramite Amazon SageMaker Python SDK. Innanzitutto, devi creare un'istanza della classe, quindi puoi avviare il processo di elaborazione utilizzando il metodo `.run()`.
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
print('Starting processing job.')
```
Quando avvii il processo di elaborazione, devi specificare un oggetto [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput). In quell'oggetto, specifica le seguenti informazioni:
+ Il percorso del file manifest creato nella fase 2, **s3\$1manifest\$1uri**. Questa è l’origine dei dati di input per il container.
+ Il percorso in cui desideri che i dati di input vengano salvati nel container. Deve corrispondere al percorso specificato nello script.
+ Utilizza il parametro `s3_data_type` per specificare l’input come `"ManifestFile"`.
```
s3_output_prefix_url = f"s3://{s3_bucket}/{s3_folder}/output"
processor.run(
code='compute_ndvi.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri,
destination='/opt/ml/processing/input_data/',
s3_data_type="ManifestFile",
s3_data_distribution_type="ShardedByS3Key"
),
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url,
s3_upload_mode="Continuous"
)
]
)
```
Il seguente esempio di codice utilizza il [metodo `.describe()`](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe) per ottenere i dettagli del processo di elaborazione.
```
preprocessing_job_descriptor = processor.jobs[-1].describe()
s3_output_uri = preprocessing_job_descriptor["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
print(s3_output_uri)
```
## Visualizzazione dei risultati utilizzando `matplotlib`
La libreria [Matplotlib](https://matplotlib.org/stable/index.html) di Python, ti permette di rappresentare dati raster. Prima di rappresentare i dati, devi calcolare l’indice NDVI utilizzando immagini di esempio dai satelliti Sentinel-2. L’esempio di codice seguente apre gli array di immagini con l’operazione API `.open_rasterio()`, quindi calcola l’indice NDVI con le bande di immagini `nir` e `red` dai dati satellitari di Sentinel-2.
```
# Opens the python arrays
import rioxarray
red_uri = items[25]["Assets"]["red"]["Href"]
nir_uri = items[25]["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
# Calculates the NDVI
ndvi = (nir - red)/ (nir + red)
# Common plotting library in Python
import matplotlib.pyplot as plt
f, ax = plt.subplots(figsize=(18, 18))
ndvi.plot(cmap='viridis', ax=ax)
ax.set_title("NDVI for {}".format(items[25]["Id"]))
ax.set_axis_off()
plt.show()
```
L'output dell'esempio di codice precedente è un'immagine satellitare con i valori NDVI sovrapposti. Un valore NDVI vicino a 1 indica che è presente molta vegetazione, mentre valori vicini a 0 indicano che non è presente vegetazione.
![\[Un'immagine satellitare dell'Iowa settentrionale con l'NDVI sovrapposto\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/ndvi-iowa.png)
Questo completa la demo sull’utilizzo di `ScriptProcessor`.
# Processi di osservazione della terra
Utilizzando un processo di osservazione della terra (EOJ), puoi acquisire, trasformare e visualizzare dati geospaziali per generare previsioni. Puoi scegliere un'operazione in base al tuo caso d'uso tra un'ampia gamma di operazioni e modelli. Avrai la flessibilità di scegliere l'area di interesse, selezionare i fornitori di dati e impostare filtri e basati su intervalli di tempo. cloud-cover-percentage-based Dopo che l' SageMaker IA ha creato un EOJ per te, puoi visualizzare gli input e gli output del lavoro utilizzando la funzionalità di visualizzazione. Un processo EOJ ha diversi casi d'uso, tra cui il confronto della deforestazione nel tempo e la diagnosi dello stato di salute delle piante. Puoi creare un EOJ utilizzando un notebook con un' SageMaker immagine geospaziale. SageMaker Puoi anche accedere all'interfaccia utente SageMaker geospaziale come parte dell'interfaccia utente di Amazon SageMaker Studio Classic per visualizzare l'elenco di tutti i tuoi lavori. Puoi anche usare l'interfaccia utente per mettere in pausa o arrestare un processo in corso. Puoi scegliere un processo dall'elenco dei processi EOJ disponibili per visualizzare il **riepilogo del processo**, i **dettagli del processo** e l'**output del processo**.
**Topics**
+ [Crea un Job di osservazione della Terra utilizzando un notebook Amazon SageMaker Studio Classic con un'immagine SageMaker geospaziale](geospatial-eoj-ntb.md)
+ [Tipi di operazioni](geospatial-eoj-models.md)
# Crea un Job di osservazione della Terra utilizzando un notebook Amazon SageMaker Studio Classic con un'immagine SageMaker geospaziale
**Per utilizzare un notebook SageMaker Studio Classic con un'immagine geospaziale SageMaker :**
1. Dall’**utilità di avvio**, scegli **Modifica ambiente** in **Notebook e risorse di calcolo**.
1. Viene quindi visualizzata la finestra di dialogo **Modifica ambiente**.
1. Scegli il menu a discesa **Immagine** e seleziona **Geospatial 1.0**. Il **tipo di istanza** deve essere **ml.geospatial.interactive**. Non modificare i valori predefiniti delle altre impostazioni.
1. Scegli **Seleziona**.
1. Seleziona **Crea notebook**.
Puoi avviare un EOJ utilizzando un notebook Amazon SageMaker Studio Classic con un'immagine SageMaker geospaziale utilizzando il codice fornito di seguito.
```
import boto3
import sagemaker
import sagemaker_geospatial_map
session = boto3.Session()
execution_role = sagemaker.get_execution_role()
sg_client = session.client(service_name="sagemaker-geospatial")
```
Nell'esempio seguente viene illustrato come creare un processo EOJ nella Regione Stati Uniti occidentali (Oregon).
```
#Query and Access Data
search_rdc_args = {
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # sentinel-2 L2A COG
"RasterDataCollectionQuery": {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
"BandFilter": ["visual"],
},
}
tci_urls = []
data_manifests = []
while search_rdc_args.get("NextToken", True):
search_result = sg_client.search_raster_data_collection(**search_rdc_args)
if search_result.get("NextToken"):
data_manifests.append(search_result)
for item in search_result["Items"]:
tci_url = item["Assets"]["visual"]["Href"]
print(tci_url)
tci_urls.append(tci_url)
search_rdc_args["NextToken"] = search_result.get("NextToken")
# Perform land cover segmentation on images returned from the sentinel dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
eoj_config = {"LandCoverSegmentationConfig": {}}
response = sg_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role,
)
```
Una volta creato il processo EOJ, viene restituito l’`Arn`. Puoi utilizzare l’`Arn` per identificare un processo ed eseguire ulteriori operazioni. Per conoscere lo stato di un processo, puoi eseguire `sg_client.get_earth_observation_job(Arn = response['Arn'])`.
L'esempio seguente mostra come eseguire query allo stato di un processo EOJ fino al suo completamento.
```
eoj_arn = response["Arn"]
job_details = sg_client.get_earth_observation_job(Arn=eoj_arn)
{k: v for k, v in job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Una volta completato il processo EOJ, puoi visualizzare gli output EOJ direttamente nel notebook. L'esempio seguente mostra come eseguire il rendering di una mappa interattiva.
```
map = sagemaker_geospatial_map.create_map({
'is_raster': True
})
map.set_sagemaker_geospatial_client(sg_client)
# render the map
map.render()
```
L'esempio seguente mostra come la mappa può essere centrata su un'area di interesse e come l'input e l'output del processo EOJ possono essere renderizzati come livelli separati all'interno della mappa.
```
# visualize the area of interest
config = {"label": "Lake Mead AOI"}
aoi_layer = map.visualize_eoj_aoi(Arn=eoj_arn, config=config)
# Visualize input.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"label": "Input"}
input_layer = map.visualize_eoj_input(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
# Visualize output, EOJ needs to be in completed status.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"preset": "singleBand", "band_name": "mask"}
output_layer = map.visualize_eoj_output(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
```
Puoi utilizzare la funzione `export_earth_observation_job` per esportare i risultati del processo EOJ nel tuo bucket Amazon S3. La funzione di esportazione semplifica la condivisione dei risultati tra i team. SageMaker L'intelligenza artificiale semplifica anche la gestione dei set di dati. Puoi condividere facilmente i risultati del processo EOJ utilizzando l’ARN del processo, anziché eseguire il crawling di migliaia di file nel bucket S3. Ogni processo EOJ diventa un asset nel catalogo di dati, poiché i risultati possono essere raggruppati in base all’ARN del processo. Nell'esempio seguente viene mostrato come esportare i risultati di un processo EOJ.
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "eoj_lakemead" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sg_client.export_earth_observation_job(
Arn=eoj_arn,
ExecutionRoleArn=execution_role,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Puoi monitorare lo stato del processo di esportazione utilizzando il seguente snippet.
```
# Monitor the export job status
export_job_details = sg_client.get_earth_observation_job(Arn=export_response["Arn"])
{k: v for k, v in export_job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
```
Non ti vengono addebitati costi di archiviazione dopo aver eliminato il processo EOJ.
Per un esempio che mostra come eseguire un processo EOJ, consulta questo [post del blog](https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/).
[Per altri esempi di notebook sulle funzionalità SageMaker geospaziali, consulta questo repository. GitHub ](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-geospatial)
# Tipi di operazioni
Quando crei un processo EOJ, seleziona un'operazione in base al tuo caso d'uso. Le funzionalità SageMaker geospaziali di Amazon offrono una combinazione di operazioni mirate e modelli pre-addestrati. Puoi utilizzare queste operazioni per comprendere l'impatto dei cambiamenti ambientali e delle attività umane nel tempo o per identificare pixel con nuvole e senza nuvole.
**Mascheramento delle nuvole**
L'identificazione delle nuvole nelle immagini satellitari è una fase di pre-elaborazione essenziale per la produzione di dati geospaziali di qualità elevata. Ignorare i pixel delle nuvole può portare a errori di analisi, mentre un rilevamento eccessivo dei pixel delle nuvole può ridurre il numero di osservazioni valide. Il mascheramento delle nuvole ha la capacità di identificare i pixel con nuvole e senza nuvole nelle immagini satellitari. Una maschera delle nuvole accurata aiuta a ottenere immagini satellitari per l'elaborazione e migliora la generazione di dati. Di seguito è riportata la mappa delle classi per il mascheramento delle nuvole.
```
{
0: "No_cloud",
1: "cloud"
}
```
**Rimozione delle nuvole**
La rimozione delle nuvole per i dati di Sentinel-2 utilizza un modello di segmentazione semantica basato su ML per identificare le nuvole nell'immagine. I pixel con le nuvole possono essere sostituiti con pixel di altri timestamp. I dati USGS Landsat contengono metadati landsat utilizzati per la rimozione delle nuvole.
**Statistiche temporali**
Le statistiche temporali calcolano le statistiche per i dati geospaziali nel tempo. Le statistiche temporali attualmente supportate includono la media, la mediana e la deviazione standard. Puoi calcolare queste statistiche utilizzando `GROUPBY` e impostarle su `all` o `yearly`. Puoi anche menzionare `TargetBands`.
**Statistiche zonali**
Le statistiche zonali eseguono operazioni statistiche su un'area specifica dell'immagine.
**Ricampionamento**
Il ricampionamento viene utilizzato per aumentare e ridurre la risoluzione di un'immagine geospaziale. L'attributo `value` nel ricampionamento rappresenta la lunghezza di un lato del pixel.
**Geomosaico**
Il geomosaico consente di unire immagini più piccole a un'immagine più grande.
**Impilamento di bande**
L’impilamento di bande utilizza più di una banda di immagini come input e le impila in un GeoTIFF singolo. L'attributo `OutputResolution` determina la risoluzione dell'immagine di output. In base alla risoluzione delle immagini di input, puoi impostarlo su `lowest`, `highest` o`average`.
**Band Math**
Lo strumento Band Math, noto anche come indice spettrale, è un processo di trasformazione delle osservazioni da più bande spettrali a una singola banda e indica l’abbondanza relativa di caratteristiche di interesse. Ad esempio, l’indice di vegetazione della differenza normalizzata (NDVI) e l'indice di vegetazione potenziato (EVI) sono utili per osservare la presenza di vegetazione.
**Segmentazione della copertura del suolo**
La segmentazione della copertura del suolo è un modello di segmentazione semantica che ha la capacità di identificare il materiale fisico, come vegetazione, acqua e terreno nudo, sulla superficie terrestre. Disporre di un metodo preciso per mappare i modelli di copertura del suolo aiuta a comprendere l'impatto dei cambiamenti ambientali e delle attività umane nel tempo. La segmentazione della copertura del suolo viene spesso utilizzata per la pianificazione regionale, la risposta alle catastrofi, la gestione ecologica e la valutazione dell'impatto ambientale. Di seguito è riportata la mappatura per la segmentazione della copertura del suolo.
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
## Disponibilità di operazioni per processi EOJ
La disponibilità delle operazioni dipende dal fatto che tu stia utilizzando l'interfaccia utente SageMaker geospaziale o i notebook Amazon SageMaker Studio Classic con un'immagine geospaziale. SageMaker Attualmente, i notebook supportano tutte le funzionalità. Per riassumere, le seguenti operazioni geospaziali sono supportate dall'intelligenza artificiale: SageMaker
| Operazioni | Description | Disponibilità |
| --- | --- | --- |
| Mascheramento delle nuvole | Identifica i pixel con nuvole e senza nuvole per ottenere immagini satellitari migliorate e accurate. | Interfaccia utente, notebook |
| Rimozione delle nuvole | Rimuove i pixel contenenti parti di nuvole dalle immagini satellitari. | Notebook |
| Statistiche temporali | Calcola le statistiche nel tempo per un determinato GeoTIFF. | Notebook |
| Statistiche zonali | Calcola le statistiche sulle regioni definite dall'utente. | Notebook |
| Ricampionamento | Ridimensiona le immagini a diverse risoluzioni. | Notebook |
| Geomosaico | Combina più immagini, per una maggiore fedeltà. | Notebook |
| Impilamento di bande | Combina più bande spettrali per creare un'unica immagine. | Notebook |
| Band Math/Indice spettrale | Genera una combinazione di bande spettrali che indicano l'abbondanza di caratteristiche di interesse. | Interfaccia utente, notebook |
| Segmentazione della copertura del suolo | Identifica i tipi di copertura del suolo, come vegetazione e acqua, nelle immagini satellitari. | Interfaccia utente, notebook |
# Processi di arricchimento del vettore
Un processo di arricchimento del vettore (VEJ) esegue operazioni sui tuoi dati vettoriali. Attualmente, è possibile utilizzare un processo VEJ per eseguire la geocodifica inversa o la corrispondenza delle mappe.
**Geocodifica inversa**
Con un processo VEJ con geocodifica inversa puoi convertire le coordinate geografiche (latitudine, longitudine) in indirizzi leggibili dall'uomo forniti da Amazon Location Service. Quando carichi un file CSV contenente le coordinate di longitudine e latitudine, vengono restituiti il numero civico, il paese, l’etichetta, il comune, il quartiere, il codice postale e la regione di quella località. Il file di output è composto dai dati di input e dalle colonne contenenti questi valori aggiunti alla fine. Questi processi sono ottimizzati per accettare decine di migliaia di tracce GPS.
**Corrispondenza delle mappe**
La corrispondenza delle mappe consente di associare le coordinate GPS ai segmenti stradali. L'input deve essere un file CSV contenente l'ID traccia (percorso), la longitudine, la latitudine e gli attributi timestamp. Possono esserci più coordinate GPS per percorso. Anche l'input può contenere più percorsi. L'output è un file GeoJSON che contiene i collegamenti del percorso previsto. Ha anche punti di snap forniti nell'input. Questi processi sono ottimizzati per accettare decine di migliaia di drive in un’unica richiesta. La corrispondenza delle mappe è supportata da. [OpenStreetMap](https://www.openstreetmap.org/) La corrispondenza delle mappe non funziona se i nomi nel campo origine input non corrispondono a quelli in `MapMatchingConfig`. Riceverai un messaggio di errore che contiene i nomi campo presenti nel file di input e il nome campo previsto non trovato in `MapMatchingConfig`.
Il file CSV di input per un processo VEJ deve contenere quanto segue:
+ Una riga di intestazione
+ Latitudine e longitudine in colonne separate
+ Le colonne ID e timestamp possono essere in formato numerico o stringa. Tutti gli altri dati delle colonne possono essere solo in formato numerico
+ Nessuna citazione di mancata corrispondenza
Per la colonna timestamp, SageMaker geospatial capabilities supporta l'ora dell'epoca in secondi e millisecondi (numero intero lungo). I formati di stringhe supportati sono i seguenti:
+ "gg.MM.aaaa HH:mm:ss z"
+ "aaaa-MM-gg'T'HH:mm:ss.SSS'Z'"
+ "aaaa-MM-gg'T'HH:mm:ss"
+ yyyy-MM-dd «hh: mm: ss a»
+ «yyyy-MM-dd Hh:mm:ss»
+ «yyyy» MMdd HHmmss
Sebbene sia necessario utilizzare un notebook Amazon SageMaker Studio Classic per eseguire un VEJ, puoi visualizzare tutti i lavori che crei utilizzando l'interfaccia utente. Per utilizzare la visualizzazione nel notebook, bisogna prima esportare l'output nel proprio bucket S3. Le azioni VEJ che è possibile eseguire sono le seguenti.
+ [StartVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StartVectorEnrichmentJob.html)
+ [GetVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetVectorEnrichmentJob.html)
+ [ListVectorEnrichmentJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListVectorEnrichmentJobs.html)
+ [StopVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StopVectorEnrichmentJob.html)
+ [DeleteVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_DeleteVectorEnrichmentJob.html)
# Visualizzazione tramite SageMaker funzionalità geospaziali
Utilizzando le funzionalità di visualizzazione fornite da Amazon SageMaker geospatial, puoi visualizzare i dati geospaziali, gli input per i tuoi lavori EOJ o VEJ e gli output esportati dal tuo bucket Amazon S3. [Lo strumento di visualizzazione è fornito da Foursquare Studio](https://studio.foursquare.com/home). L'immagine seguente mostra SageMaker lo strumento di visualizzazione supportato dalle funzionalità geospaziali.
![\[Lo strumento di visualizzazione che utilizza funzionalità SageMaker geospaziali mostra una mappa della costa della California.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/geospatial_vis.png)
Puoi utilizzare il pannello di navigazione a sinistra per aggiungere dati, livelli, filtri e colonne. È inoltre possibile modificare il modo in cui si interagisce con la mappa.
**Set di dati**
La fonte di dati utilizzata per la visualizzazione è denominata **Set di dati**. Per aggiungere dati per la visualizzazione, scegli **Aggiungi dati** nel pannello di navigazione a sinistra. Puoi caricare i dati dal tuo bucket Amazon S3 o dal tuo computer locale. I formati di dati supportati sono CSV, JSON e GeoJSON. È possibile aggiungere più set di dati alla mappa. Dopo aver caricato il set di dati, è possibile vederlo caricato sulla schermata della mappa.
**Livelli**
Nel pannello dei livelli, un livello viene creato e popolato automaticamente quando si aggiunge un set di dati. Se la mappa è composta da più di un set di dati, è possibile selezionare quale set di dati appartiene a un livello. È possibile creare nuovi livelli e raggrupparli. SageMaker SageMaker le funzionalità geospaziali supportano vari tipi di livelli, tra cui punti, archi, icone e poligoni.
È possibile scegliere un qualsiasi punto dati in un livello per ottenere un **Contorno**. È inoltre possibile personalizzare ulteriormente i punti dati. Ad esempio, è possibile scegliere il tipo di livello come **Punto**, quindi **Colore di riempimento** in base a una colonna del set di dati. Inoltre, puoi modificare il raggio dei punti.
L'immagine seguente mostra il pannello dei livelli supportato dalle funzionalità geospaziali. SageMaker
![\[Il pannello dei livelli con punti dati su una mappa degli Stati Uniti, supportato da SageMaker funzionalità geospaziali.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/geospatial_vis_layer.png)
**Colonne**
È possibile visualizzare le colonne presenti nel set di dati utilizzando la scheda **Colonne** nel pannello di navigazione a sinistra.
**Filtri**
Puoi utilizzare i filtri per limitare i punti dati visualizzati sulla mappa.
**Interazioni**
Nel pannello **Interazioni**, puoi personalizzare il modo in cui interagisci con la mappa. Ad esempio, è possibile scegliere quali metriche visualizzare quando si passa il mouse su un punto di dati.
**Mappa base**
Attualmente, l' SageMaker intelligenza artificiale supporta solo la mappa base Amazon Dark.
**Modalità dividi mappe**
Puoi avere una **Mappa singola**, una **Mappa doppia** o una **Mappa a scorrimento**. Con **Dual Maps**, puoi confrontare la stessa mappa side-by-side utilizzando livelli diversi. Usa **Mappa a scorrimento** per sovrapporre due mappe l'una sull'altra e usa il separatore a scorrimento per confrontarle. Puoi scegliere la modalità di divisione della mappa selezionando il pulsante **Modalità dividi** nell'angolo in alto a destra della mappa.
## Legends for EOJ nell'interfaccia utente SageMaker geospaziale
La visualizzazione dell'output di una EOJ dipende dall'operazione scelta per crearla. La legenda si basa sulla scala cromatica predefinita. Puoi visualizzare la legenda scegliendo il pulsante **Mostra legenda** nell'angolo in alto a destra della mappa.
**Indice spettrale**
Quando si visualizza l'output di un EOJ che utilizza l'operazione dell'indice spettrale, è possibile mappare la categoria in base al colore della legenda, come mostrato.
![\[Legenda per la mappatura degli indici spettrali.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/geo_spectral_index.png)
**Mascheramento delle nuvole**
Quando si visualizza l'output di un EOJ che utilizza l'operazione di mascheramento delle nuvole, è possibile mappare la categoria in base al colore della legenda, come mostrato.
![\[Legenda per la mappatura del mascheramento delle nuvole.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/geo_cloud_masking.png)
**Segmentazione della copertura del suolo**
Quando si visualizza l'output di un EOJ che utilizza l'operazione di segmentazione della copertura del suolo, è possibile mappare la categoria in base al colore della legenda, come mostrato.
![\[Legenda per la mappatura della segmentazione della copertura del suolo.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/geo_landcover_ss.png)
# SDK per SageMaker mappe geospaziali Amazon
Puoi utilizzare le funzionalità SageMaker geospaziali di Amazon per visualizzare mappe all'interno dell'interfaccia utente SageMaker geospaziale e notebook con un'immagine geospaziale. SageMaker Queste visualizzazioni sono supportate dalla libreria di visualizzazione delle mappe [Foursquare Studio](https://studio.foursquare.com/home)
Puoi utilizzare l'SDK per mappe geospaziali APIs fornito dalla mappa geospaziale per visualizzare i tuoi dati SageMaker geospaziali, inclusi input, output e AoI per EOJ.
**Topics**
+ [API add\$1dataset](#geo-add-dataset)
+ [API update\$1dataset](#geo-update-dataset)
+ [API add\$1layer](#geo-add-layer)
+ [API update\$1layer](#geo-update-layer)
+ [API visualize\$1eoj\$1aoi](#geo-visualize-eoj-aoi)
+ [API visualize\$1eoj\$1input](#geo-visualize-eoj-input)
+ [API visualize\$1eoj\$1output](#geo-visualize-eoj-output)
## API add\$1dataset
Aggiunge un oggetto del set di dati raster o vettoriale alla mappa.
**Sintassi della richiesta**
```
Request =
add_dataset(
self,
dataset: Union[Dataset, Dict, None] = None,
*,
auto_create_layers: bool = True,
center_map: bool = True,
**kwargs: Any,
) -> Optional[Dataset]
```
**Parametri della richiesta**
La richiesta include i seguenti parametri.
Argomenti posizionali
| Argomento | Tipo | Description |
| --- | --- | --- |
| `dataset` | Union [Set di dati, Dict, Nessuno] | Dati utilizzati per creare un set di dati, in formato CSV, JSON o GeoJSON (per set di dati locali) o una stringa UUID. |
Argomenti chiave
| Argomento | Tipo | Descrizione |
| --- | --- | --- |
| `auto_create_layers` | Booleano | Se tentare di creare nuovi livelli quando si aggiunge un set di dati. Il valore predefinito è `False`. |
| `center_map` | Booleano | Se centrare la mappa sul set di dati creato. Il valore predefinito è `True`. |
| `id` | Stringa | Identificatore univoco del set di dati. Se non lo fornisci, viene generato un ID casuale. |
| `label` | Stringa | Etichetta del set di dati che viene visualizzata. |
| `color` | Tupla [float, float, float] | Etichetta a colori del set di dati. |
| `metadata` | Dizionario | Oggetto contenente metadati tileset (per set di dati affiancati). |
**Risposta**
Questa API restituisce l'oggetto [Set di dati](https://location.foursquare.com/developer/docs/studio-map-sdk-types#dataset) che è stato aggiunto alla mappa.
## API update\$1dataset
Aggiorna le impostazioni di un set di dati esistente.
**Sintassi della richiesta**
```
Request =
update_dataset(
self,
dataset_id: str,
values: Union[_DatasetUpdateProps, dict, None] = None,
**kwargs: Any,
) -> Dataset
```
**Parametri della richiesta**
La richiesta include i seguenti parametri.
Argomenti posizionali
| Argomento | Tipo | Description |
| --- | --- | --- |
| `dataset_id` | Stringa | Identificatore del set di dati da aggiornare. |
| `values` | [DatasetUpdatePropsUnione [\$1, dict, Nessuno]](https://location.foursquare.com/developer/docs/studio-map-sdk-types#datasetupdateprops) | Valori da aggiornare. |
Argomenti chiave
| Argomento | Tipo | Description |
| --- | --- | --- |
| `label` | Stringa | Etichetta del set di dati che viene visualizzata. |
| `color` | [RGBColor](https://location.foursquare.com/developer/docs/studio-map-sdk-types#rgbcolor) | Etichetta a colori del set di dati. |
**Risposta**
Questa API restituisce l'oggetto del set di dati aggiornato per mappe interattive, o `None` per ambienti HTML non interattivi.
## API add\$1layer
Aggiunge un nuovo livello alla mappa. Questa funzione richiede almeno una configurazione di livello valida.
**Sintassi della richiesta**
```
Request =
add_layer(
self,
layer: Union[LayerCreationProps, dict, None] = None,
**kwargs: Any
) -> Layer
```
**Parametri della richiesta**
La richiesta include i seguenti parametri.
Arguments (Argomenti)
| Argomento | Tipo | Description |
| --- | --- | --- |
| `layer` | Unione [[LayerCreationProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layercreationprops), dict, Nessuno] | Insieme di proprietà utilizzate per creare un livello. |
**Risposta**
Oggetto livello aggiunto alla mappa.
## API update\$1layer
Aggiorna un livello esistente con determinati valori.
**Sintassi della richiesta**
```
Request =
update_layer(
self,
layer_id: str,
values: Union[LayerUpdateProps, dict, None],
**kwargs: Any
) -> Layer
```
**Parametri della richiesta**
La richiesta include i seguenti parametri.
Arguments (Argomenti)
| Argomento posizionale | Tipo | Description |
| --- | --- | --- |
| `layer_id` | Stringa | ID del livello da aggiornare. |
| `values` | Unione [[LayerUpdateProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerupdateprops), dict, Nessuno] | Valori da aggiornare. |
Argomenti chiave
| Argomento | Tipo | Description |
| --- | --- | --- |
| `type` | [LayerType](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layertype) | Tipo di errore. |
| `data_id` | Stringa | Identificatore univoco del set di dati visualizzato da questo livello. |
| `fields` | Dict [stringa, Opzionale [stringa]] | Dizionario che mappa i campi richiesti dal livello per la visualizzazione su campi del set di dati appropriati. |
| `label` | Stringa | Etichetta canonica di questo livello. |
| `is_visible` | Booleano | Se il livello è visibile o meno. |
| `config` | [LayerConfig](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerconfig) | Configurazione del livello specifica per il tipo. |
**Risposta**
Restituisce l'oggetto del livello aggiornato.
## API visualize\$1eoj\$1aoi
Visualizza l'AoI di un determinato lavoro ARN.
**Parametri della richiesta**
La richiesta include i seguenti parametri.
Arguments (Argomenti)
| Argomento | Tipo | Description |
| --- | --- | --- |
| `Arn` | Stringa | ARN del processo. |
| `config` | Dizionario config = \$1label: etichetta personalizzata del livello AoI aggiunto, AoI predefinita\$1 | Opzione per passare le proprietà del livello. |
**Risposta**
Riferimento dell'oggetto del livello di input aggiunto.
## API visualize\$1eoj\$1input
Visualizza l’input di un determinato EOJ ARN.
**Parametri della richiesta**
La richiesta include i seguenti parametri.
Arguments (Argomenti)
| Argomento | Tipo | Description |
| --- | --- | --- |
| `Arn` | Stringa | ARN del processo. |
| `time_range_filter` | Dizionario time\$1range\$1filter = \$1 start\$1date: data in formato ISO end\$1date: data in formato ISO \$1 | Opzione per fornire l'ora di inizio e di fine. L'impostazione predefinita è la data di inizio e fine della ricerca della raccolta di dati raster. |
| `config` | Dizionario config = \$1label: etichetta personalizzata del livello output aggiunto, Input predefinito\$1 | Opzione per passare le proprietà del livello. |
**Risposta**
Riferimento dell'oggetto del livello di input aggiunto.
## API visualize\$1eoj\$1output
Visualizza l’output di un determinato EOJ ARN.
**Parametri della richiesta**
La richiesta include i seguenti parametri.
Arguments (Argomenti)
| Argomento | Tipo | Description |
| --- | --- | --- |
| `Arn` | Stringa | ARN del processo. |
| `time_range_filter` | Dizionario time\$1range\$1filter = \$1 start\$1date: data in formato ISO end\$1date: data in formato ISO \$1 | Opzione per fornire l'ora di inizio e di fine. L'impostazione predefinita è la data di inizio e fine della ricerca della raccolta di dati raster. |
| `config` | Dizionario config = \$1 etichetta: etichetta personalizzata del livello output aggiunto, Output predefinito preimpostazione: SingleBand o TrueColor, band\$1name:, richiesto solo per la preimpostazione 'singleBand'. Bande consentite per un EOJ \$1 | Opzione per passare le proprietà del livello. |
**Risposta**
Riferimento dell'oggetto del livello di output aggiunto.
[Per ulteriori informazioni sulla visualizzazione dei dati geospaziali, consulta Visualizzazione con Amazon geospatial. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html)
# SageMaker Domande frequenti sulle funzionalità geospaziali
Utilizza le seguenti domande frequenti per trovare le risposte alle domande più frequenti sulle SageMaker funzionalità geospaziali.
1. **In quali regioni sono disponibili le funzionalità SageMaker geospaziali di Amazon?**
Attualmente, le funzionalità SageMaker geospaziali sono supportate solo nella regione degli Stati Uniti occidentali (Oregon). Per visualizzare dati SageMaker geospaziali, scegli il nome della regione attualmente visualizzata nella barra di navigazione della console. Scegli la Regione Stati Uniti occidentali (Oregon).
1. **Quali AWS Identity and Access Management autorizzazioni e politiche sono necessarie per utilizzare la tecnologia geospaziale? SageMaker **
Per utilizzare SageMaker geospatial è necessario un utente, un gruppo o un ruolo in grado di accedere all'intelligenza artificiale. SageMaker È inoltre necessario creare un ruolo di esecuzione dell' SageMaker IA in modo che SageMaker geospatial possa eseguire operazioni per conto dell'utente. Per ulteriori informazioni, consulta i ruoli relativi alle capacità [SageMaker geospaziali](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-geospatial-roles.html).
1. **Ho già un ruolo di esecuzione dell' SageMaker IA. È necessario aggiornarlo?**
Sì. Per utilizzare SageMaker geospatial è necessario specificare un servizio principale aggiuntivo nella politica di fiducia IAM:. `sagemaker-geospatial.amazonaws.com` Per ulteriori informazioni su come specificare l'entità del servizio in una relazione di trust, consulta [Aggiungere il responsabile del servizio SageMaker geospaziale a un ruolo di esecuzione dell'IA esistente SageMaker](sagemaker-geospatial-roles-pass-role.md) la *Amazon SageMaker AI Developer Guide*.
1. **Posso utilizzare le funzionalità SageMaker geospaziali tramite il mio ambiente VPC?**
Sì, puoi usare SageMaker geospatial tramite una VPN. Per ulteriori informazioni, consulta [Usa le funzionalità SageMaker geospaziali di Amazon nel tuo Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md).
1. **Perché non riesco a vedere il visualizzatore di mappe SageMaker geospaziali, l'immagine o il tipo di istanza quando accedo ad Amazon Studio Classic? SageMaker **
Verifica di avviare Amazon SageMaker Studio Classic nella regione Stati Uniti occidentali (Oregon) e di non utilizzare uno spazio condiviso.
1. **Perché non riesco a vedere l'immagine SageMaker geospaziale o il tipo di istanza quando cerco di creare un'istanza notebook in Studio Classic?**
Verifica di avviare Amazon SageMaker Studio Classic nella regione Stati Uniti occidentali (Oregon) e di non utilizzare uno spazio condiviso. Per ulteriori informazioni, consulta [Crea un notebook Amazon SageMaker Studio Classic utilizzando l'immagine geospaziale](geospatial-launch-notebook.md).
1. **Quali bande sono supportate per varie raccolte di dati raster?**
Utilizza la risposta dell'API `GetRasterDataCollection` e consulta il campo `ImageSourceBands` per trovare le bande supportate per quella particolare raccolta di dati.
# SageMaker Sicurezza e autorizzazioni geospaziali
Utilizza gli argomenti di questa pagina per conoscere le funzionalità SageMaker geospaziali e le funzionalità di sicurezza. Inoltre, scopri come utilizzare le funzionalità SageMaker geospaziali in un Amazon Virtual Private Cloud e come proteggere i tuoi dati inattivi utilizzando la crittografia.
Per ulteriori informazioni sugli utenti IAM e i ruoli, consulta [Identities (users, user groups, and roles)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id.html) nella Guida per l'utente IAM.
Per ulteriori informazioni sull'utilizzo di IAM con l' SageMaker intelligenza artificiale, consulta. [AWS Identity and Access Management per Amazon SageMaker AI](security-iam.md)
**Topics**
+ [Analisi della configurazione e delle vulnerabilità in SageMaker ambito geospaziale](geospatial-config-vulnerability.md)
+ [Best practice di sicurezza per le funzionalità SageMaker geospaziali](geospatial-sec-best-practices.md)
+ [Usa le funzionalità SageMaker geospaziali di Amazon nel tuo Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md)
+ [Usa AWS KMS le autorizzazioni per le funzionalità SageMaker geospaziali di Amazon](geospatial-kms.md)
# Analisi della configurazione e delle vulnerabilità in SageMaker ambito geospaziale
La configurazione e i controlli IT sono una responsabilità condivisa tra voi AWS e voi, i nostri clienti. AWS gestisce le attività di sicurezza di base come l'applicazione di patch al sistema operativo guest (OS) e al database, la configurazione del firewall e il disaster recovery. Queste procedure sono state riviste e certificate dalle terze parti appropriate. Per ulteriori dettagli, consulta le seguenti risorse :
+ [Modello di responsabilità condivisa](https://aws.amazon.com/compliance/shared-responsibility-model/).
+ [Amazon Web Services: panoramica dei processi di sicurezza](https://d0.awsstatic.com/whitepapers/Security/AWS_Security_Whitepaper.pdf).
# Best practice di sicurezza per le funzionalità SageMaker geospaziali
Le funzionalità SageMaker geospaziali di Amazon forniscono una serie di funzionalità di sicurezza da prendere in considerazione durante lo sviluppo e l'implementazione delle proprie politiche di sicurezza. Le seguenti best practice sono linee guida generali e non rappresentano una soluzione di sicurezza completa. Poiché queste best practice potrebbero non essere appropriate o sufficienti per l’ambiente, sono da considerare come considerazioni utili anziché prescrizioni.
**Applicazione del principio del privilegio minimo**
Le funzionalità SageMaker geospaziali di Amazon forniscono policy di accesso granulari per le applicazioni che utilizzano ruoli IAM. Si consiglia di concedere ai ruoli solo il set minimo di privilegi richiesti dal processo. Si consiglia inoltre di verificare i processi per le autorizzazioni su base regolare e in caso di modifiche all'applicazione.
**Autorizzazioni per il controllo degli accessi basato su ruoli (RBAC)**
Gli amministratori devono controllare rigorosamente le autorizzazioni RBAC (Role-based access control) per le funzionalità geospaziali di Amazon. SageMaker
**Utilizza credenziali temporanee quando possibile**
Utilizza credenziali temporanee al posto di credenziali a lungo termine, come chiavi di accesso, se possibile. Per gli scenari in cui sono necessari utenti IAM con accesso programmatico e credenziali a lungo termine, si consiglia di ruotare le chiavi di accesso. La rotazione regolare delle credenziali a lungo termine ti aiuta a familiarizzare con il processo. Ciò è utile nel caso in cui ti trovi in una situazione in cui devi ruotare le credenziali, ad esempio quando un dipendente lascia la tua azienda. Ti consigliamo di utilizzare informazioni utilizzate per l'ultimo accesso IAM per ruotare e rimuovere le chiavi di accesso in modo sicuro. Per ulteriori informazioni, consulta [Rotating access keys](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html#Using_RotateAccessKey) e [Security best practices in IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html).
**AWS CloudTrail Utilizzalo per visualizzare e registrare le chiamate API**
AWS CloudTrail tiene traccia di chiunque effettui chiamate API nel tuo AWS account. Le chiamate API vengono registrate ogni volta che qualcuno utilizza l'API Amazon SageMaker geospatial capabilities, la Amazon geospatial capabilities console o i comandi CLI di Amazon SageMaker geospatial capabilities. SageMaker AWS Attivare la registrazione e specificare un bucket Amazon S3 in cui archiviare i log.
La tua fiducia, la tua privacy e la sicurezza dei tuoi contenuti sono le nostre maggiori priorità. Implementiamo controlli tecnici e fisici responsabili e sofisticati progettati per impedire l'accesso non autorizzato o la divulgazione dei tuoi contenuti e garantire che il nostro utilizzo rispetti i nostri impegni nei tuoi confronti. Per ulteriori informazioni, consulta le [Domande frequenti sulla privacy dei dati in AWS](https://aws.amazon.com/compliance/data-privacy-faq/).
# Usa le funzionalità SageMaker geospaziali di Amazon nel tuo Amazon Virtual Private Cloud
Il seguente argomento fornisce informazioni su come utilizzare SageMaker notebook con un'immagine SageMaker geospaziale in un dominio Amazon SageMaker AI con modalità solo VPC. Per ulteriori informazioni su VPCs Amazon SageMaker Studio Classic, consulta [Scegli un Amazon VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-vpc.html).
## Comunicazione `VPC only` con Internet
Per impostazione predefinita, il dominio SageMaker AI utilizza due Amazon VPC. Uno dei VPC di Amazon è gestito da Amazon SageMaker AI e fornisce l'accesso diretto a Internet. Specifica l’altro Amazon VPC, che fornisce traffico crittografato tra il dominio e il volume Amazon Elastic File System (Amazon EFS).
Puoi modificare questo comportamento in modo che l' SageMaker IA invii tutto il traffico sul tuo Amazon VPC specificato. Se `VPC only` è stata scelta come modalità di accesso alla rete durante la creazione del dominio SageMaker AI, è necessario considerare i seguenti requisiti per consentire comunque l'utilizzo dei notebook SageMaker Studio Classic all'interno del dominio AI creato. SageMaker
## Requisiti per l'utilizzo della modalità `VPC only`
**Nota**
Per utilizzare i componenti di visualizzazione delle funzionalità SageMaker geospaziali, il browser utilizzato per accedere all'interfaccia utente di SageMaker Studio Classic deve essere connesso a Internet.
Quando scegli `VpcOnly`, segui queste fasi:
1. Puoi utilizzare solo sottoreti private. Non puoi utilizzare sottoreti pubbliche nella modalità `VpcOnly`.
1. Assicurati che le tue sottoreti abbiano il numero richiesto di indirizzi IP necessari. Il numero previsto di indirizzi IP necessari per utente può variare in base al caso d'uso. Consigliamo tra 2 e 4 indirizzi IP per utente. La capacità totale degli indirizzi IP per un dominio Studio Classic è la somma degli indirizzi IP disponibili per ogni sottorete fornita al momento della creazione del dominio. Assicurati che l'utilizzo stimato dell'indirizzo IP non superi la capacità supportata dal numero di sottoreti che fornisci. Inoltre, l'utilizzo di sottoreti distribuite su molte zone di disponibilità può favorire la disponibilità degli indirizzi IP. Per ulteriori informazioni, consulta il dimensionamento di [VPC e sottorete](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html#vpc-sizing-ipv4) per. IPv4
**Nota**
È possibile configurare solo le sottoreti con un VPC con tenancy predefinita in cui l'istanza viene eseguita su hardware condiviso. [Per ulteriori informazioni sull'attributo tenancy per VPCs, consulta Dedicated Instances.](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/dedicated-instance.html)
1. Configura uno o più gruppi di sicurezza con regole in entrata e in uscita che insieme consentano il seguente traffico:
+ [Traffico NFS su TCP sulla porta 2049](https://docs.aws.amazon.com/efs/latest/ug/network-access.html) tra il dominio e il volume Amazon EFS.
+ [Traffico TCP all'interno del gruppo di sicurezza](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Questo è necessario per la connettività tra l' JupyterServer app e le KernelGateway app. È necessario consentire l'accesso ad almeno le porte dell'intervallo `8192-65535`.
1. Se desideri consentire l'accesso a Internet, è necessario utilizzare un [gateway NAT](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html#nat-gateway-working-with) con accesso a Internet, ad esempio tramite un [gateway Internet](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Internet_Gateway.html).
1. Se non desideri consentire l'accesso a Internet, [crea endpoint VPC di interfaccia](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html) (AWS PrivateLink) per consentire a Studio Classic di accedere ai seguenti servizi con i nomi di servizio corrispondenti. Devi inoltre associare i gruppi di sicurezza per il tuo VPC a questi endpoint.
**Nota**
Attualmente, le funzionalità SageMaker geospaziali sono supportate solo nella regione degli Stati Uniti occidentali (Oregon).
+ SageMaker API: `com.amazonaws.us-west-2.sagemaker.api`
+ SageMaker Runtime AI:`com.amazonaws.us-west-2.sagemaker.runtime`. È necessario per eseguire notebook Studio Classic con un' SageMaker immagine geospaziale.
+ Amazon S3: `com.amazonaws.us-west-2.s3`.
+ SageMaker Per `com.amazonaws.us-west-2.servicecatalog` utilizzare Projects:.
+ SageMaker capacità geospaziali: `com.amazonaws.us-west-2.sagemaker-geospatial`
Se utilizzi [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/) per eseguire lavori di formazione remoti, devi anche creare i seguenti endpoint Amazon VPC.
+ AWS Security Token Service: `com.amazonaws.region.sts`
+ Amazon CloudWatch:. `com.amazonaws.region.logs` Ciò è necessario per consentire a SageMaker Python SDK di ottenere lo stato del lavoro di formazione remota da. Amazon CloudWatch
**Nota**
Per un cliente che lavora in modalità VPC, i firewall aziendali possono causare problemi di connessione con SageMaker Studio Classic o tra e JupyterServer KernelGateway Effettua i seguenti controlli se riscontri uno di questi problemi quando usi SageMaker Studio Classic da un firewall.
Verifica che l’URL di Studio Classic sia nell’elenco di elementi consentiti.
Verifica che le connessioni websocket non siano bloccate. Jupyter utilizza websocket dietro le quinte. Se l' KernelGateway applicazione lo è InService, JupyterServer potrebbe non essere possibile connettersi a KernelGateway. Il problema dovrebbe presentarsi anche all'apertura del Terminale di sistema.
# Usa AWS KMS le autorizzazioni per le funzionalità SageMaker geospaziali di Amazon
Puoi proteggere i tuoi dati inattivi utilizzando la crittografia per le funzionalità geospaziali. SageMaker Per impostazione predefinita, utilizza la crittografia lato server con una chiave SageMaker geospaziale di proprietà di Amazon. SageMaker le funzionalità geospaziali supportano anche un'opzione per la crittografia lato server con una chiave KMS gestita dal cliente.
## Crittografia lato server con chiave gestita SageMaker geospaziale Amazon (impostazione predefinita)
SageMaker le funzionalità geospaziali crittografano tutti i tuoi dati, compresi i risultati computazionali dei lavori di osservazione della Terra (EOJ) e dei lavori di arricchimento vettoriale (VEJ) insieme a tutti i metadati dei tuoi servizi. Non ci sono dati archiviati all'interno delle funzionalità geospaziali non crittografati. SageMaker Utilizza una chiave di AWS proprietà predefinita per crittografare tutti i dati.
## Crittografia lato server (SSE) con una chiave gestita dal cliente.
SageMaker le funzionalità geospaziali supportano l'uso di una chiave simmetrica gestita dal cliente che puoi creare, possedere e gestire per aggiungere un secondo livello di crittografia alla crittografia di proprietà esistente. AWS Avendo il pieno controllo di questo livello di crittografia, è possibile eseguire operazioni quali:
+ Stabilire e mantenere le policy delle chiavi
+ Stabilire e mantenere le policy e le sovvenzioni IAM
+ Abilitare e disabilitare le policy delle chiavi
+ Ruotare i materiali crittografici delle chiavi
+ Aggiungere tag
+ Creare alias delle chiavi
+ Pianificare l’eliminazione delle chiavi
Per ulteriori informazioni, consulta [Customer managed keys](https://docs.aws.amazon.com/kms/latest/developerguide/concepts.html#customer-cmk) nella *Guida per sviluppatori AWS Key Management Service *.
## In che modo le funzionalità geospaziali utilizzano le sovvenzioni SageMaker AWS KMS
SageMaker le funzionalità geospaziali richiedono una concessione per l'utilizzo della chiave gestita dal cliente. Quando crei un EOJ o un VEJ crittografato con una chiave gestita dal cliente, SageMaker geospatial capabilities crea una concessione per tuo conto inviando una richiesta a. `CreateGrant` AWS KMS Le sovvenzioni AWS KMS vengono utilizzate per consentire alle funzionalità SageMaker geospaziali di accedere a una chiave KMS in un account cliente. Puoi revocare l'accesso alla concessione o rimuovere l'accesso del servizio alla chiave gestita dal cliente in qualsiasi momento. In tal caso, le funzionalità SageMaker geospaziali non saranno in grado di accedere a nessuno dei dati crittografati dalla chiave gestita dal cliente, il che influirà sulle operazioni che dipendono da tali dati.
## Creazione di una chiave gestita dal cliente
È possibile creare una chiave simmetrica gestita dal cliente utilizzando la console di AWS gestione o il. AWS KMS APIs
**Per creare una chiave simmetrica gestita dal cliente**
Segui i passaggi per la [creazione di chiavi KMS di crittografia simmetrica](https://docs.aws.amazon.com/kms/latest/developerguide/create-keys.html#create-symmetric-cmk) nella Guida per gli sviluppatori. AWS Key Management Service
**Policy della chiave**
Le policy della chiave controllano l’accesso alla chiave gestita dal cliente. Ogni chiave gestita dal cliente deve avere esattamente una policy della chiave, che contiene istruzioni che determinano chi può usare la chiave e come la possono usare. Quando crei la chiave gestita dal cliente, è possibile specificare una policy della chiave. *Per ulteriori informazioni, consulta [Determinazione dell'accesso alle AWS KMS chiavi nella Guida per](https://docs.aws.amazon.com/kms/latest/developerguide/determining-access.html) gli AWS Key Management Service sviluppatori.*
Per utilizzare la chiave gestita dal cliente con le risorse relative alle funzionalità SageMaker geospaziali, nella policy chiave devono essere consentite le seguenti operazioni API. Il principale per queste operazioni dovrebbe essere il ruolo di esecuzione fornito nella richiesta di funzionalità SageMaker geospaziali. SageMaker le capacità geospaziali presuppongono il ruolo di esecuzione fornito nella richiesta di eseguire queste operazioni KMS.
+ `[kms:CreateGrant](https://docs.aws.amazon.com/kms/latest/APIReference/API_CreateGrant.html)`
+ `kms:GenerateDataKey`
+ `kms:Decrypt`
+ `kms:GenerateDataKeyWithoutPlaintext`
Di seguito sono riportati alcuni esempi di dichiarazioni politiche che è possibile aggiungere per le funzionalità geospaziali: SageMaker
**CreateGrant**
```
"Statement" : [
{
"Sid" : "Allow access to Amazon SageMaker geospatial capabilities",
"Effect" : "Allow",
"Principal" : {
"AWS" : ""
},
"Action" : [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource" : "*",
},
]
```
Per ulteriori informazioni su come specificare le autorizzazioni in una policy, consulta [AWS KMS Autorizzazioni](https://docs.aws.amazon.com/kms/latest/developerguide/kms-api-permissions-reference.html) nella *AWS Key Management Service Guida per gli sviluppatori*. Per informazioni sulla risoluzione dei problemi, consulta [Troubleshooting key access](https://docs.aws.amazon.com/kms/latest/developerguide/policy-evaluation.html) nella *AWS Key Management Service Guida per gli sviluppatori*.
Se la policy della chiave non prevede l'account root come amministratore delle chiavi, è necessario aggiungere le stesse autorizzazioni KMS al ruolo di esecuzione ARN. Ecco un esempio di policy che puoi aggiungere al ruolo di esecuzione:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource": [
"arn:aws:kms:us-east-1:111122223333:key/key-id"
],
"Effect": "Allow"
}
]
}
```
------
## Monitoraggio delle chiavi di crittografia per verificare le funzionalità geospaziali SageMaker
Quando utilizzi una chiave gestita AWS KMS dal cliente con le tue risorse relative alle funzionalità SageMaker geospaziali, puoi utilizzare AWS CloudTrail Amazon CloudWatch Logs per tenere traccia delle richieste a cui SageMaker vengono inviate le informazioni geospaziali. AWS KMS
Seleziona una scheda nella tabella seguente per visualizzare esempi di AWS CloudTrail eventi per monitorare le operazioni KMS richiamate dalle funzionalità SageMaker geospaziali per accedere ai dati crittografati dalla chiave gestita dal cliente.
------
#### [ CreateGrant ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-17T18:02:06Z",
"eventSource": "kms.amazonaws.com",
"eventName": "CreateGrant",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"retiringPrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"operations": [
"Decrypt"
],
"granteePrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com"
},
"responseElements": {
"grantId": "0ab0ac0d0b000f00ea00cc0a0e00fc00bce000c000f0000000c0bc0a0000aaafSAMPLE",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": false,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKey ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-24T00:29:45Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKey",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"keySpec": "AES_256"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ Decrypt ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-28T22:04:24Z",
"eventSource": "kms.amazonaws.com",
"eventName": "Decrypt",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionAlgorithm": "SYMMETRIC_DEFAULT",
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKeyWithoutPlainText ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-28T22:09:16Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKeyWithoutPlaintext",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"keySpec": "AES_256",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
# Tipi di istanze di calcolo
SageMaker le funzionalità geospaziali offrono tre tipi di istanze di calcolo.
+ SageMaker istanze **geospaziali per notebook Studio Classic: Geospatial supporta istanze di notebook** basate su CPU e SageMaker GPU in Studio Classic. Le istanze del notebook vengono utilizzate per creare, addestrare e distribuire modelli di machine learning. Per un elenco dei tipi di istanze di notebook disponibili che funzionano con l'immagine geospaziale, consulta [Supported notebook instance types](#supported-geospatial-instances).
+ SageMaker istanze di **lavori geospaziali**: esegui processi di elaborazione per trasformare i dati delle immagini satellitari.
+ **SageMaker tipi di inferenza dei modelli geospaziali**: effettua previsioni utilizzando modelli ML preaddestrati su immagini satellitari.
Il tipo di istanza è determinato dalle operazioni eseguite.
La tabella seguente mostra le operazioni SageMaker geospaziali specifiche e i tipi di istanza disponibili che è possibile utilizzare.
| Operazioni | Istanza |
| --- | --- |
| Statistiche temporali | ml.geospatial.jobs |
| Statistiche zonali | ml.geospatial.jobs |
| Ricampionamento | ml.geospatial.jobs |
| Geomosaico | ml.geospatial.jobs |
| Impilamento di bande | ml.geospatial.jobs |
| Matematica di banda | ml.geospatial.jobs |
| Rimozione del cloud con Landsat8 | ml.geospatial.jobs |
| Rimozione del cloud con Sentinel-2 | ml.geospatial.models |
| Mascheramento delle nuvole | ml.geospatial.models |
| Segmentazione della copertura del suolo | ml.geospatial.models |
## SageMaker tipi di istanze di notebook supportati dal sistema geospaziale
SageMaker geospatial supporta istanze di notebook basate su CPU e GPU in Studio Classic. Se all'avvio di un'istanza di notebook compatibile con GPU si riceve un ResourceLimitExceedederrore, è necessario richiedere un aumento della quota. Per richiedere un aumento delle quote, consultare [Requesting a quota increase](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) nella *Guida per l'utente di Service Quotas*.
Tipi di istanze del notebook Studio Classic supportati
| Name | Tipo di istanza |
| --- | --- |
| ml.geospatial.interactive | CPU |
| ml.g5.xlarge | GPU |
| ml.g5.2xlarge | GPU |
| ml.g5.4xlarge | GPU |
| ml.g5.8xlarge | GPU |
| ml.g5.16xlarge | GPU |
| ml.g5.12xlarge | GPU |
| ml.g5.24xlarge | GPU |
| ml.g5.48xlarge | GPU |
Ti vengono addebitate tariffe diverse per ogni tipo di istanza di calcolo che utilizzi. Per ulteriori informazioni sui prezzi, consulta [Geospatial ML with Amazon](https://aws.amazon.com/sagemaker/geospatial) AI. SageMaker
## SageMaker librerie geospaziali
Il **tipo di istanza SageMaker ** geospaziale, specifico, **ml.geospatial.interactive** contiene le seguenti librerie Python.
Librerie geospaziali disponibili nel tipo di istanza geospaziale
| Nome della libreria | Versione disponibile |
| --- | --- |
| numpy | 1.23.4 |
| scipy | 1.11.2 |
| pandas | 1.4.4 |
| gdal | 3.2.2 |
| fiona | 1,8,22 |
| geopandas | 0.11.1 |
| shapley | 1.8.4 |
| seaborn | 0,11,2 |
| notebook | 1,8,22 |
| scikit-image | 0,11,2 |
| rasterio | 6,4,12 |
| scikit-learn | 0,19,2 |
| ipyleaflet | 1.0.1 |
| rtree | 0,17,2 |
| opencv | 4,6,0,66 |
| supy | 2022,47 |
| SNAP toolbox | 9,0 |
| cdsapi | 0.6.1 |
| arosics | 1.8.1 |
| rasterstats | 0,18,0 |
| rioxarray | 0,14,1 |
| pyroSAR | 0,20,0 |
| eo-learn | 1.4.1 |
| deepforest | 1.2.7 |
| scrapy | 2.8.0 |
| netto CDF4 | 1.6.3 |
| xarray [completo] | 0.20.1 |
| Orfeotoolbox | OTB-8.1.1 |
| PyTorch | 2.0.1 |
| pytorch-cuda | 11.8 |
| torchvision | 0,15,2 |
| torcia audio | 2.0.2 |
| pytorch-lightning | 2.0.6 |
| tensorflow | 2.13.0 |
# Raccolte dati
Amazon SageMaker geospatial supporta le seguenti raccolte di dati raster. Delle seguenti raccolte di dati, puoi utilizzare USGS Landsat e Sentinel-2 Cloud-Optimized GeoTIFF quando avvii un processo di osservazione della terra (EOJ). Per ulteriori informazioni su, consulta. EOJs [Processi di osservazione della terra](geospatial-eoj.md)
+ [Copernicus Digital Elevation Model (DEM) – GLO-30](https://registry.opendata.aws/copernicus-dem/)
+ [Copernicus Digital Elevation Model (DEM) – GLO-90](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/sentinel-2-l2a-cogs/](https://registry.opendata.aws/sentinel-2-l2a-cogs/)
+ [https://registry.opendata.aws/sentinel-1/](https://registry.opendata.aws/sentinel-1/)
+ [National Agriculture Imagery Program (NAIP)su AWS](https://registry.opendata.aws/naip/)
+ [https://registry.opendata.aws/usgs-landsat/](https://registry.opendata.aws/usgs-landsat/)
Per trovare l'elenco delle raccolte di dati raster disponibili nel tuo computer Regioni AWS, usa`ListRasterDataCollections`. Nella [risposta `ListRasterDataCollections`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax), ottieni un [oggetto `RasterDataCollectionMetadata`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax) che contiene dettagli sulle raccolte di dati raster disponibili.
**Example Esempio: chiamata all'`ListRasterDataCollections`API utilizzando il AWS SDK per Python (Boto3)**
Quando si utilizza l'SDK per Python ( SageMaker Boto3) e geospatial, è necessario creare un client geospaziale,. `geospatial_client` Utilizza il seguente frammento Python per effettuare una chiamata all'API `list_raster_data_collections`:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial Capabilities is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the Paginator
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print (results)
```
Nella risposta JSON, riceverai quanto segue, tagliato per chiarezza:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:555555555555:raster-data-collection/public/dxxbpqwvu9041ny8",
"Description": "Copernicus DEM is a Digital Surface Model which represents the surface of the Earth including buildings, infrastructure, and vegetation. GLO-30 is instance of Copernicus DEM that provides limited worldwide coverage at 30 meters.",
"DescriptionPageUrl": "https://registry.opendata.aws/copernicus-dem/",
"Name": "Copernicus DEM GLO-30",
"Tags": {},
"Type": "PUBLIC"
}
```
## Informazioni sulla banda di immagini dalle raccolte di dati USGS Landsat e Sentinel-2
Informazioni sulle bande di immagini dalle raccolte di dati USGS Landsat 8 e Sentinel-2 sono fornite di seguito.
USGS Landsat
| Nome banda | Intervallo di lunghezza d'onda (nm) | Unità | Intervallo valido | Valore di riempimento | Risoluzione spaziale |
| --- | --- | --- | --- | --- | --- |
| coastal | 435-451 | Senza unità | 1-65455 | 0 (Nessun dato) | 30 m |
| blu | 452-512 | Senza unità | 1-65455 | 0 (Nessun dato) | 30 m |
| verde | 533-590 | Senza unità | 1-65455 | 0 (Nessun dato) | 30 m |
| rosso | 636-673 | Senza unità | 1-65455 | 0 (Nessun dato) | 30 m |
| nir | 851-879 | Senza unità | 1-65455 | 0 (Nessun dato) | 30 m |
| swir16 | 1566-1651 | Senza unità | 1-65455 | 0 (Nessun dato) | 30 m |
| swir22 | 2107-2294 | Senza unità | 1-65455 | 0 (Nessun dato) | 30 m |
| qa\$1aerosol | N/A | Indice dei bit | 0-255 | 1 | 30 m |
| qa\$1pixel | N/A | Indice dei bit | 1-65455 | 1 (bit 0) | 30 m |
| qa\$1radsat | N/A | Indice dei bit | 1-65455 | N/A | 30 m |
| t | 10600-11190 | Dimensionamento Kelvin | 1-65455 | 0 (Nessun dato) | 30 m (in scala da 100 m) |
| atran | N/A | Senza unità | 0-10000 | -9999 (Nessun dato) | 30 m |
| cdist | N/A | Chilometri | 0-24000 | -9999 (Nessun dato) | 30 m |
| morto | N/A | W/ (m^2 sr µm) /DN | 0-28000 | -9999 (Nessun dato) | 30 m |
| urad | N/A | W/ (m^2 sr µm) /DN | 0-28000 | -9999 (Nessun dato) | 30 m |
| commercio | N/A | W/ (m^2 sr µm) /DN | 0-28000 | -9999 (Nessun dato) | 30 m |
| emis | N/A | Coefficiente di emissività | 1-10000 | -9999 (Nessun dato) | 30 m |
| emsd | N/A | Coefficiente di emissività | 1-10000 | -9999 (Nessun dato) | 30 m |
Sentinel-2
| Nome banda | Intervallo di lunghezza d'onda (nm) | Dimensionare | Intervallo valido | Valore di riempimento | Risoluzione spaziale |
| --- | --- | --- | --- | --- | --- |
| coastal | 443 | 0,0001 | N/A | 0 (Nessun dato) | 60 metri |
| blu | 490 | 0,0001 | N/A | 0 (Nessun dato) | 10 metri |
| verde | 560 | 0,0001 | N/A | 0 (Nessun dato) | 10 metri |
| rosso | 665 | 0,0001 | N/A | 0 (Nessun dato) | 10 metri |
| bordo rosso 1 | 705 | 0,0001 | N/A | 0 (Nessun dato) | 20 metri |
| bordo rosso 2 | 740 | 0,0001 | N/A | 0 (Nessun dato) | 20 metri |
| bordo rosso 3 | 783 | 0,0001 | N/A | 0 (Nessun dato) | 20 metri |
| nir | 842 | 0,0001 | N/A | 0 (Nessun dato) | 10 metri |
| nir08 | 865 | 0,0001 | N/A | 0 (Nessun dato) | 20 metri |
| nir08 | 865 | 0,0001 | N/A | 0 (Nessun dato) | 20 metri |
| nir09 | 940 | 0,0001 | N/A | 0 (Nessun dato) | 60 metri |
| swir16 | 1610 | 0,0001 | N/A | 0 (Nessun dato) | 20 metri |
| swir22 | 2190 | 0,0001 | N/A | 0 (Nessun dato) | 20 metri |
| aot | Spessore ottico dell'aerosol | 0.001 | N/A | 0 (Nessun dato) | 10 m |
| wvp | Vapore acqueo medio della scena | 0.001 | N/A | 0 (Nessun dato) | 10 m |
| scl | Dati di classificazione delle scene | N/A | 1-11 | 0 (Nessun dato) | 20 m |
# RStudio su Amazon SageMaker AI
RStudio è un ambiente di sviluppo integrato per R, con una console, un editor di evidenziazione della sintassi che supporta l'esecuzione diretta del codice e strumenti per il plottaggio, la cronologia, il debug e la gestione dello spazio di lavoro. Amazon SageMaker AI è supportato RStudio come ambiente di sviluppo integrato (IDE) completamente gestito e integrato con il dominio Amazon SageMaker AI tramite Posit Workbench. RStudio consente ai clienti di creare approfondimenti sulla scienza dei dati utilizzando un ambiente R. Con RStudio l'integrazione, puoi avviare un RStudio ambiente nel dominio per eseguire i RStudio flussi di lavoro su risorse di SageMaker intelligenza artificiale. Per ulteriori informazioni su Posit Workbench, consulta il [sito Web Posit.](https://posit.co/products/enterprise/workbench/) Questa pagina fornisce informazioni su RStudio concetti importanti.
SageMaker L'intelligenza artificiale si integra RStudio attraverso la creazione di un' RStudioServerPro app.
Quanto segue è supportato da RStudio on SageMaker AI.
+ Gli sviluppatori R utilizzano l'interfaccia RStudio IDE con i più diffusi strumenti di sviluppo dell'ecosistema R. Gli utenti possono avviare nuove RStudio sessioni, scrivere codice R, installare dipendenze da RStudio Package Manager e pubblicare app Shiny utilizzando Connect RStudio .
+ Gli sviluppatori R possono scalare rapidamente le risorse di calcolo sottostanti per eseguire l'elaborazione di dati e l'analisi statistica su larga scala.
+ Gli amministratori della piattaforma possono configurare identità utente, autorizzazione, rete, archiviazione e sicurezza per i propri team di data science tramite l'integrazione. AWS IAM Identity Center AWS Identity and Access Management Ciò include la connessione a risorse private Amazon Virtual Private Cloud (Amazon VPC) e la modalità senza Internet con. AWS PrivateLink
+ Integrazione con. AWS License Manager
Per informazioni sulle fasi di onboarding per creare un dominio con RStudio abilitato, consulta. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
## Disponibilità nelle regioni
La tabella seguente fornisce informazioni RStudio su Regioni AWS ciò che l' SageMaker IA è supportata in.
| Nome Regione | Regione |
| --- | --- |
| US East (Ohio) | us-east-2 |
| US East (N. Virginia) | us-east-1 |
| US West (N. California) | us-west-1 |
| US West (Oregon) | us-west-2 |
| Asia Pacific (Mumbai) | ap-south-1 |
| Asia Pacific (Seoul) | ap-northeast-2 |
| Asia Pacific (Singapore) | ap-southeast-1 |
| Asia Pacific (Sydney) | ap-southeast-2 |
| Asia Pacific (Tokyo) | ap-northeast-1 |
| Canada (Central) | ca-central-1 |
| Europa (Francoforte) | eu-central-1 |
| Europe (Ireland) | eu-west-1 |
| Europe (London) | eu-west-2 |
| Europe (Paris) | eu-west-3 |
| Europe (Stockholm) | eu-north-1 |
| South America (São Paulo) | sa-east-1 |
## RStudio componenti
+ *RStudioServerPro*: L' RStudioServerPro app è un'app multiutente che è una risorsa condivisa tra tutti i profili utente del dominio. Una volta creata un'RStudio app in un dominio, l'amministratore può concedere le autorizzazioni agli utenti del dominio.
+ *RStudio utente*: RStudio gli utenti sono utenti all'interno del dominio autorizzati a utilizzare la RStudio licenza.
+ *RStudio admin*: Un amministratore RStudio su Amazon SageMaker AI può accedere alla dashboard RStudio amministrativa. RStudio su Amazon SageMaker AI gli amministratori differiscono dagli amministratori «stock» di Posit Workbench perché non hanno accesso root all'istanza che esegue l' RStudioServerPro app e non possono modificare il file di configurazione. RStudio
+ *RStudio Server*: l'istanza RStudio Server è responsabile della fornitura dell' RStudio interfaccia utente a tutti gli utenti autorizzati. Questa istanza viene lanciata su un'istanza Amazon SageMaker AI.
+ *RSession*: An RSession è un'interfaccia basata su browser per l' RStudioIDE in esecuzione su un'istanza Amazon SageMaker AI. Gli utenti possono creare e interagire con i propri RStudio progetti tramite. RSession
+ *RSessionGateway*: L'app RSession Gateway viene utilizzata per supportare un RSession.
+ *RStudio dashboard amministrativo*: questa dashboard fornisce informazioni sugli RStudio utenti del dominio Amazon SageMaker AI e sulle relative sessioni. Questa dashboard è accessibile solo agli utenti che dispongono dell'autorizzazione di RStudio amministratore.
## Differenze rispetto a Posit Workbench
RStudio su Amazon SageMaker AI presenta alcune differenze significative rispetto a [Posit Workbench](https://posit.co/products/enterprise/workbench/).
+ Quando lo utilizzano RStudio su SageMaker AI, gli utenti non hanno accesso ai file di RStudio configurazione. Amazon SageMaker AI gestisce il file di configurazione e imposta i valori predefiniti. Puoi modificare RStudio Connect and RStudio Package Manager URLs durante la creazione del tuo dominio Amazon SageMaker AI RStudio abilitato.
+ La condivisione di progetti, la collaborazione in tempo reale e Job Launcher non sono attualmente supportati quando si utilizza RStudio su Amazon SageMaker AI.
+ Quando viene utilizzato RStudio su SageMaker AI, l' RStudio IDE viene eseguito su istanze Amazon SageMaker AI per risorse di elaborazione containerizzate on-demand.
+ RStudio on SageMaker AI supporta solo l' RStudio IDE e non ne supporta altri IDEs supportati da un'installazione di Posit Workbench.
+ RStudio on SageMaker AI supporta solo la RStudio versione specificata in[RStudio Controllo delle versioni](rstudio-version.md).
# RStudio sulla gestione dell' SageMaker IA di Amazon
I seguenti argomenti forniscono informazioni sulla gestione RStudio su Amazon SageMaker AI. Ciò include informazioni sulla configurazione RStudio dell'ambiente, sulle sessioni utente e sulle risorse necessarie. Per informazioni su come utilizzare RStudio sull' SageMaker intelligenza artificiale, consulta[RStudio sulla guida per l'utente di Amazon SageMaker AI](rstudio-use.md).
Per informazioni sulla creazione di un dominio Amazon SageMaker AI con RStudio enabled, consulta[Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Per informazioni sulle AWS regioni in cui RStudio è supportata l' SageMaker intelligenza artificiale, consulta[Regioni e quote supportate](regions-quotas.md).
**Topics**
+ [Ottieni una RStudio licenza](rstudio-license.md)
+ [RStudio Controllo delle versioni](rstudio-version.md)
+ [Rete e storage](rstudio-network.md)
+ [RStudioServerPro tipo di istanza](rstudio-select-instance.md)
+ [Aggiungi un URL RStudio Connect](rstudio-configure-connect.md)
+ [Aggiornare l'URL RStudio del Package Manager](rstudio-configure-pm.md)
+ [Crea un dominio Amazon SageMaker AI con RStudio l'utilizzo di AWS CLI](rstudio-create-cli.md)
+ [Aggiungi RStudio supporto a un dominio esistente](rstudio-add-existing.md)
+ [Immagini personalizzate con un' RStudio SageMaker intelligenza artificiale](rstudio-byoi.md)
+ [Crea un utente da utilizzare RStudio](rstudio-create-user.md)
+ [Accedi RStudio come altro utente](rstudio-login-another.md)
+ [Termina le sessioni per un altro utente](rstudio-terminate-another.md)
+ [Usa la dashboard amministrativa RStudio](rstudio-admin.md)
+ [Spegnere RStudio](rstudio-shutdown.md)
+ [Fatturazione e costi](rstudio-billing.md)
+ [Diagnostica i problemi e ottieni supporto](rstudio-troubleshooting.md)
# Ottieni una RStudio licenza
RStudio su Amazon SageMaker AI è un prodotto a pagamento e richiede che ogni utente disponga di una licenza appropriata. Le licenze per RStudio Amazon SageMaker AI possono essere ottenute direttamente da RStudio PBC o acquistando un abbonamento a Posit Workbench on Marketplace. AWS Per i clienti esistenti di Posit Workbench Enterprise, le licenze vengono rilasciate senza costi aggiuntivi. Per utilizzare una RStudio licenza con Amazon SageMaker AI, devi prima avere una RStudio licenza valida registrata con AWS License Manager. Per le licenze acquistate direttamente tramite Rstudio PBC, è necessario creare una concessione di licenze per il tuo AWS Account. Contatta RStudio per l'acquisto diretto delle licenze o per abilitare le licenze esistenti in. AWS License Manager Per ulteriori informazioni sulla registrazione di una licenza con AWS License Manager, consulta [Licenze emesse dal venditore in AWS License Manager](https://docs.aws.amazon.com/license-manager/latest/userguide/seller-issued-licenses.html).
I seguenti argomenti mostrano come acquisire e convalidare una licenza concessa da RStudio PBC.
**Ottieni una licenza RStudio **
1. Se non disponi di una RStudio licenza, puoi acquistarne una dal AWS Marketplace o direttamente da RStudio PBC.
+ Per acquistare un abbonamento dal AWS Marketplace, completa i passaggi per [sottoscrivere un contratto SaaS](https://docs.aws.amazon.com/marketplace/latest/buyerguide/buyer-saas-products.html) cercando **Posit Platform (RStudio on SageMaker)**. Per soddisfare la licenza, verrai reindirizzato a un modulo esterno al AWS Marketplace. Devi fornire informazioni aggiuntive, tra cui il nome e l’indirizzo e-mail della tua azienda. Se non riesci ad accedere al modulo per fornire il nome dell'azienda e un'email di contatto, crea un ticket con Posit Support all'[indirizzo https://support.posit. co/hc/en-us/requests/new](https://support.posit.co/hc/en-us/requests/new)con i dettagli sull'acquisto.
+ Per acquistare direttamente da RStudio PBC, vai su [RStudio Prezzi](https://www.rstudio.com/pricing/) o contatta [sales@rstudio.com](mailto:sales@rstudio.com). Quando acquisti o aggiorni una RStudio licenza, devi fornire l' AWS account che ospiterà il tuo dominio Amazon SageMaker AI.
Se disponi di una RStudio licenza esistente, contatta il tuo rappresentante di RStudio vendita o [sales@rstudio.com](mailto:sales@rstudio.com) per aggiungere RStudio Amazon SageMaker AI alla tua licenza Posit Workbench Enterprise esistente o per convertire la tua licenza Posit Workbench Standard. Il rappresentante RStudio di vendita ti invierà il modulo d'ordine elettronico appropriato.
1. RStudio concede una licenza Posit Workbench al tuo AWS Account tramite la AWS License Manager regione Stati Uniti orientali (Virginia settentrionale). Sebbene la RStudio licenza sia concessa nella regione Stati Uniti orientali (Virginia settentrionale), la licenza può essere utilizzata in qualsiasi AWS regione RStudio in cui è supportata l' SageMaker IA di Amazon. Puoi aspettarti che il processo di concessione della licenza venga completato entro tre giorni lavorativi dalla condivisione AWS dell'ID del tuo account con RStudio.
1. Quando questa licenza viene concessa, riceverai un'email dal tuo rappresentante di RStudio vendita con le istruzioni per accettare la concessione della licenza.
**Convalida la RStudio licenza da utilizzare con Amazon SageMaker AI**
1. Accedi alla AWS License Manager console nella stessa regione del tuo dominio Amazon SageMaker AI. Se lo utilizzi AWS License Manager per la prima volta, AWS License Manager ti chiede di concedere l'autorizzazione all'uso. AWS License Manager
1. Seleziona **Inizia a usare AWS License Manager**.
1. Seleziona `I grant AWS License Manager the required permissions` e seleziona **Concedi autorizzazioni**.
1. Vai a **Licenze concesse** nel pannello di sinistra.
1. Seleziona la concessione della licenza con `RSW-SageMaker` come `Product name` e seleziona **Visualizza**.
1. Dalla pagina dei dettagli della licenza, seleziona **Accetta e attiva la licenza**.
**RStudio dashboard amministrativa**
È possibile utilizzare la dashboard RStudio amministrativa per visualizzare il numero di utenti associati alla licenza seguendo la procedura descritta di seguito[Usa la dashboard amministrativa RStudio](rstudio-admin.md).
# RStudio Controllo delle versioni
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Questa guida fornisce informazioni sull'aggiornamento della `2025.05.1+513.pro3` versione per RStudio on SageMaker AI. A partire dal 31 ottobre 2025, verranno creati nuovi domini con RStudio supporto alla versione. Posit Workbench `2025.05.1+513.pro3` Questo vale per le applicazioni `RStudioServerPro` e le applicazioni predefinite `RSessionGateway`.
Le seguenti sezioni forniscono informazioni sulla versione. `2025.05.1+513.pro3`
## Aggiornamenti della versione più recente
La RStudio versione più recente è`2025.05.1+513.pro3`.
+ Versioni R supportate:
+ 4.5.1
+ 44.3
+ 4.4.0
+ 43.3
+ 4.2.3
+ 42,1
+ 4.1.3
+ 40,2
Per ulteriori informazioni sulle modifiche in questa versione, consulta [https://docs.posit.co/ide/news/](https://docs.posit.co/ide/news/).
**Nota**
Per garantire la compatibilità, si consiglia di utilizzare RSessions un prefisso che corrisponda alla versione correntePosit Workbench.
Se vedi il seguente avviso, c'è una mancata corrispondenza tra la versione `RSession` e la Posit Workbench versione utilizzata RStudio in SageMaker AI. Per risolvere questo problema, aggiorna la RStudio versione del dominio. Per informazioni sull'aggiornamento della RStudio versione, consulta[Effettua l'aggiornamento alla nuova versione](rstudio-version-upgrade.md).
```
Session version 2024.04.2+764.pro1 does not match server version 2025.05.1+513.pro3 - this is an unsupported configuration, and you may experience unexpected issues as a result.
```
## Controllo delle versioni
Attualmente esistono due versioni Posit Workbench supportate dall' SageMaker IA.
+ Ultima versione: `2025.05.1+513.pro3`
Data di deprecazione: 5 dicembre 2026
+ Versione precedente: `2024.04.2+764.pro1`
Data di deprecazione: 30 aprile 2026
**Nota**
Sebbene sia possibile continuare a creare nuovi domini con la versione precedente `2024.04.2+764.pro1` fino al 30/04/2026 aggiungendo esplicitamente la versione quando si crea il dominio tramite CLI, consigliamo vivamente ai clienti di iniziare a utilizzare la versione in tutti i domini. `2025.05` POSIT ha smesso di fornire correzioni di vulnerabilità per. `2024.04.2+764.pro1`
Le versioni `2023.03.2-547.pro5` e `2022.02.2-485.pro2` sono obsolete e non sono più supportate. Consigliamo di eseguire l’aggiornamento alla versione più recente.
La Posit Workbench versione predefinita selezionata da SageMaker AI dipende dalla data di creazione del dominio.
+ Per i domini creati dopo il 31 ottobre 2025, la versione `2025.05.1+513.pro3` è la versione selezionata di default.
+ Per i domini creati dopo il 4 settembre 2024 e prima del 31 ottobre 2025, la versione `2024.04.2+764.pro1` è la versione selezionata di default. Puoi aggiornare i tuoi domini alla versione più recente (`2025.05.1+513.pro3`) impostandola come versione predefinita per il dominio. Per ulteriori informazioni, consulta [Effettua l'aggiornamento alla nuova versione](rstudio-version-upgrade.md).
**Nota**
La versione predefinita `RSessionGateway` dell'applicazione corrisponde alla versione corrente dell'applicazione `RStudioServerPro`.
La tabella seguente elenca l'immagine ARNs per entrambe le versioni. Regione AWS Questi ARNs vengono passati come parte di un `update-domain` comando per impostare la versione desiderata.
| Region | `2024.04.2+764.pro1` Immagine ARN | `2025.05.1+513.pro3` Immagine ARN |
| --- | --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2025.05-sagemaker-1.0 |
### Modifiche alle immagini BYOI
Se si utilizza un'immagine BYOI con RStudio e si aggiorna la `RStudioServerPro` versione in uso`2025.05.1+513.pro3`, è necessario aggiornare le immagini personalizzate per utilizzare la `2025.05.1+513.pro3` versione e ridistribuire quella esistente. RSessions Se si tenta di caricare un'immagine non compatibile in un RSession dominio che utilizza la `2025.05.1+513.pro3` versione, l' RSession operazione non riesce perché non è in grado di analizzare i parametri ricevuti. Per evitare errori, aggiorna tutte le immagini personalizzate distribuite nell'applicazione `RStudioServerPro` esistente.
L'`RSW_VERSION`in the Dockerfile deve essere coerente con la Posit Workbench versione utilizzata RStudio in SageMaker AI. È possibile convalidare la versione corrente in Posit Workbench. A tale scopo, usa il nome della versione che si trova nell'angolo inferiore sinistro della pagina di dell’utilità di avvio Posit Workbench.
```
ARG RSW_VERSION=2025.05.1+513.pro3
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE="1"
ARG RSW_NAME=rstudio-workbench
ARG OS_CODE_NAME=jammy
ARG RSW_DOWNLOAD_URL=https://s3.amazonaws.com/rstudio-ide-build/server/${OS_CODE_NAME}/amd64
RUN RSW_VERSION_URL=`echo -n "${RSW_VERSION}" | sed 's/+/-/g'` \
&& curl -o rstudio-workbench.deb ${RSW_DOWNLOAD_URL}/${RSW_NAME}-${RSW_VERSION_URL}-amd64.deb \
&& gdebi -n ./rstudio-workbench.deb
```
# Effettua l'aggiornamento alla nuova versione
I domini esistenti che utilizzano la versione `2024.04.2+764.pro1` possono essere aggiornati alla versione `2025.05.1+513.pro3` in due modi:
+ Crea un nuovo dominio da AWS CLI con RStudio enabled.
+ Aggiorna un dominio esistente per utilizzare la versione `2025.05.1+513.pro3`.
La procedura seguente mostra come eliminare l' RStudio applicazione per un dominio esistente, impostare la versione predefinita su `2025.05.1+513.pro3` e quindi creare un' RStudio applicazione.
1. Eliminare l'applicazione `RStudioServerPro` e tutte le applicazioni `RSessionGateway` associate al dominio esistente. Per informazioni su come trovare il tuo ID dominio, consulta [Visualizzazione dei domini](domain-view.md). Per ulteriori informazioni sull'eliminazione delle applicazioni, consulta [Spegnere RStudio](rstudio-shutdown.md).
```
aws sagemaker delete-app \
--region region \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Se il dominio utilizza una RStudio versione`2024.04.2+764.pro1`, aggiorna il dominio per impostarlo `2025.05.1+513.pro3` come Posit Workbench versione predefinita. Il `SageMakerImageArn` valore nel `update-domain` comando seguente specifica la RStudio `2025.05.1+513.pro3` versione come predefinita. Questo ARN deve corrispondere alla Region in cui si trova il tuo dominio. Per un elenco di tutte le opzioni disponibili ARNs, vedere[Controllo delle versioni](rstudio-version.md#rstudio-version-new).
Passa un ruolo di esecuzione ARN per il dominio che fornisce le autorizzazioni per aggiornare il dominio.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2025.05.1+513.pro3-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Crea una nuova applicazione `RStudioServerPro` nel dominio esistente.
```
aws sagemaker create-app \
--region region
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
L’applicazione `RStudioServerPro` è ora aggiornata alla versione `2025.05.1+513.pro3`. Ora puoi riavviare le tue applicazioni `RSessionGateway`.
# Effettua il downgrade a una versione precedente
È possibile eseguire manualmente il downgrade della versione dell' RStudio applicazione esistente alla `2024.04.2+764.pro1` versione corrente.
**Per eseguire il downgrade a una versione precedente**
1. Eliminare l'applicazione `RStudioServerPro` associata al dominio esistente. Per informazioni su come trovare il tuo ID dominio, consulta [Visualizzazione dei domini](domain-view.md).
```
aws sagemaker delete-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Passa l'ARN `2024.04.2+764.pro1` corrispondente per la tua Region come parte del comando `update-domain`. Per un elenco di tutte le opzioni disponibili ARNs, consulta[Controllo delle versioni](rstudio-version.md#rstudio-version-new). Devi inoltre passare un ruolo di esecuzione ARN per il dominio che fornisce le autorizzazioni per aggiornare il dominio.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2024.04.2+764.pro1-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Crea una nuova applicazione `RStudioServerPro` nel dominio esistente. La RStudio versione predefinita è. `2024.04.2+764.pro1`
```
aws sagemaker create-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
Per l’applicazione `RStudioServerPro` è ora stato eseguito il downgrade alla versione `2024.04.2+764.pro1`.
# Rete e storage
L'argomento seguente descrive le considerazioni relative all'accesso alla rete e all'archiviazione dei dati RStudio per l'istanza. Per informazioni generali sull'accesso alla rete e sull'archiviazione dei dati quando si utilizza Amazon SageMaker AI, consulta[Protezione dei dati in Amazon SageMaker AI](data-protection.md).
**Volumi Amazon EFS**
RStudio su Amazon SageMaker AI condivide un volume Amazon EFS con l'applicazione Amazon SageMaker Studio Classic nel dominio. Quando l' RStudio applicazione viene aggiunta a un dominio, SageMaker AI crea una cartella denominata `shared` nella directory Amazon EFS. Se questa `shared` cartella viene eliminata o modificata manualmente, l' RStudio applicazione potrebbe non funzionare più. Per ulteriori informazioni sul volume Amazon EFS, consulta [Gestisci il tuo volume di storage Amazon EFS in Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md).
**Pacchetti e script installati**
I pacchetti che si RStudio installano dall'interno rientrano nell'ambito del profilo utente. Ciò significa che il pacchetto installato persiste anche dopo l' RSession arresto, il riavvio e continua RSessions per ogni profilo utente in cui è installato. Gli script R salvati in si RSessions comportano allo stesso modo. Entrambi i pacchetti e gli script R vengono salvati nel volume Amazon EFS dell'utente.
**Encryption** (Crittografia)
RStudio su Amazon SageMaker AI supporta la crittografia a riposo.
**Utilizzo RStudio in modalità solo VPC**
RStudio su Amazon SageMaker AI supporta [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/userguide/endpoint-services-overview.html)l'integrazione. Con questa integrazione, puoi utilizzare l' SageMaker intelligenza artificiale RStudio in modalità solo VPC senza accesso diretto a Internet. Quando si utilizza RStudio in modalità solo VPC, i gruppi di sicurezza vengono gestiti automaticamente dal servizio. Ciò include la connettività tra il tuo e il tuo RServer . RSessions
Per l'utilizzo RStudio in modalità solo VPC è necessario quanto segue. Per ulteriori informazioni su come selezionare un VPC, consulta [Scelta di un Amazon VPC](onboard-vpc.md).
+ Una sottorete privata con accesso a Internet per effettuare una chiamata ad Amazon SageMaker AI & License Manager o agli endpoint Amazon Virtual Private Cloud (Amazon VPC) per SageMaker Amazon AI e License Manager.
+ Il dominio non può avere più di due gruppi di sicurezza associati.
+ Un ID del gruppo di sicurezza da utilizzare con il dominio nelle impostazioni del dominio. Questo deve consentire tutti gli accessi in uscita.
+ Un ID del gruppo di sicurezza da utilizzare con l'endpoint Amazon VPC. Questo gruppo di sicurezza deve consentire il traffico in entrata dall’ID del gruppo di sicurezza del dominio.
+ Endpoint Amazon VPC per e. `sagemaker.api` AWS License Manager Deve trovarsi nello stesso Amazon VPC della sottorete privata.
# RStudioServerPro tipo di istanza
Quando si decide quale tipo di istanza Amazon EC2 utilizzare per l'app, RStudio ServerPro il fattore principale da considerare è la larghezza di banda. La larghezza di banda è importante perché l' RStudioServerPro istanza è responsabile della fornitura dell' RStudio interfaccia utente a tutti gli utenti. Ciò include flussi di lavoro complessi relativi all'interfaccia utente, come la generazione di figure, animazioni e la visualizzazione di molte righe di dati. Pertanto, potrebbe verificarsi un peggioramento delle prestazioni dell'interfaccia utente a seconda del carico di lavoro di tutti gli utenti. Di seguito sono riportati i tipi di istanza disponibili da utilizzare per RStudioServerPro. Per informazioni sui prezzi di queste istanze, consulta la pagina [ SageMakerdei prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/).
+ `system`: questo tipo di istanza è consigliato per i domini con un utilizzo ridotto dell’interfaccia utente.
**Nota**
Il valore `system` viene tradotto in `ml.t3.medium`.
+ `ml.c5.4xlarge`: questo tipo di istanza è consigliato per i domini con un uso moderato dell'interfaccia utente.
+ `ml.c5.9xlarge`: questo tipo di istanza è consigliato per i domini con un uso intensivo dell'interfaccia utente.
**Modifica del tipo di RStudio istanza**
Per modificare il tipo di istanza della tua RStudioServerPro, passa il nuovo tipo di istanza come parte di una chiamata al comando `update-domain` CLI. È quindi necessario eliminare l'RStudioServerProapp esistente utilizzando il comando `delete-app` CLI e creare una nuova RStudio ServerPro app utilizzando il comando CLI`create-app`.
# Aggiungi un URL RStudio Connect
RStudio Connect è una piattaforma di pubblicazione per applicazioni Shiny, report R Markdown, dashboard, grafici e altro ancora. RStudio Connect semplifica l'analisi dell'apprendimento automatico e della scienza dei dati rendendo i contenuti di hosting semplici e scalabili. Se disponi di un server RStudio Connect, puoi impostare il server come luogo predefinito in cui vengono pubblicate le app. Per ulteriori informazioni su RStudio Connect, consulta [RStudio Connect](https://www.rstudio.com/products/connect/).
Quando effettui l'onboarding su RStudio sul dominio Amazon SageMaker AI, non viene creato un server RStudio Connect. Puoi creare un server RStudio Connect su un'istanza Amazon EC2 per utilizzare il dominio Connect with SageMaker Amazon AI. Per informazioni su come configurare il server RStudio Connect, consulta [Host RStudio Connect e Package Manager per lo sviluppo di machine RStudio learning su Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/).
**Aggiungi un URL RStudio Connect**
Se disponi di un URL RStudio Connect, puoi aggiornare l'URL predefinito in modo che gli RStudio utenti possano pubblicare su di esso.
1. Vai alla pagina **Domini**.
1. Seleziona il dominio desiderato.
1. Scegli **Impostazioni del dominio**.
1. In **Impostazioni generali**, seleziona **Modifica**.
1. Nella nuova pagina, seleziona **RStudio Impostazioni** sul lato sinistro.
1. In **RStudio Connect URL**, inserisci l'URL di RStudio connessione da aggiungere.
1. Selezionare **Invia**.
**CLI**
Puoi impostare un URL RStudio Connect predefinito quando crei il tuo dominio. L'unico modo per aggiornare l'URL di RStudio Connect da AWS CLI è eliminare il dominio e crearne uno nuovo con l'URL RStudio Connect aggiornato.
# Aggiornare l'URL RStudio del Package Manager
RStudio Package Manager è un server di gestione degli archivi utilizzato per organizzare e centralizzare i pacchetti all'interno dell'organizzazione. Per ulteriori informazioni su RStudio Package Manager, vedere [RStudio Package Manager](https://www.rstudio.com/products/package-manager/). Se non fornisci il tuo URL Package Manager, il dominio Amazon SageMaker AI utilizza il repository predefinito di Package Manager quando effettui l'onboarding RStudio seguendo i passaggi indicati. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md) Per ulteriori informazioni, consulta [Host RStudio Connect e Package Manager per lo sviluppo di machine RStudio learning su Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/). La procedura seguente descrive come aggiornare l’URL di Gestore dei pacchetti.
**Aggiorna l'URL Gestore pacchetti**
Puoi aggiornare l'URL del Package Manager usato per il tuo dominio RStudio -enabled come segue.
1. Vai alla pagina **Domini**.
1. Seleziona il dominio desiderato.
1. Scegli **Impostazioni del dominio**.
1. In **Impostazioni generali**, seleziona **Modifica**.
1. Nella nuova pagina, seleziona **RStudio Impostazioni** sul lato sinistro.
1. In **RStudio Package Manager**, inserisci l'URL RStudio del tuo Package Manager.
1. Selezionare **Invia**.
**CLI**
L'unico modo per aggiornare l'URL del Package Manager da AWS CLI è eliminare il dominio e crearne uno nuovo con l'URL aggiornato del Package Manager.
# Crea un dominio Amazon SageMaker AI con RStudio l'utilizzo di AWS CLI
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
L'argomento seguente mostra come effettuare l'onboarding nel dominio Amazon SageMaker AI con RStudio abilitato utilizzando. AWS CLI Per effettuare l'onboarding utilizzando il Console di gestione AWS, vedi. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
## Prerequisiti
+ Installazione e configurazione [AWS CLI versione 2](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Configurazione di [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config) con credenziali IAM
## Creazione di un ruolo `DomainExecution`
Per avviare l' RStudio app, devi fornire un `DomainExecution` ruolo. Questo ruolo viene utilizzato per determinare se RStudio deve essere avviato come parte della creazione di domini Amazon SageMaker AI. Questo ruolo viene utilizzato anche da Amazon SageMaker AI per accedere alla RStudio licenza e ai RStudio log push.
**Nota**
Il `DomainExecution` ruolo deve avere almeno AWS License Manager le autorizzazioni per accedere alla RStudio licenza e le CloudWatch autorizzazioni per inviare i log nel tuo account.
La procedura seguente mostra come creare il ruolo `DomainExecution` con AWS CLI.
1. Crea un archivio denominato `assume-role-policy.json` con i seguenti contenuti.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
}
}
]
}
```
------
1. Crea il ruolo `DomainExecution`. `` dovrebbe essere la Regione AWS in cui avviare il dominio.
```
aws iam create-role --region --role-name DomainExecution --assume-role-policy-document file://assume-role-policy.json
```
1. Crea un archivio denominato `domain-setting-policy.json` con i seguenti contenuti. Questa politica consente all' RStudioServerPro app di accedere alle risorse necessarie e consente ad Amazon SageMaker AI di avviare automaticamente un' RStudioServerPro app quando l' RStudioServerPro app esistente è in `Failed` stato `Deleted` or.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": [
"license-manager:ExtendLicenseConsumption",
"license-manager:ListReceivedLicenses",
"license-manager:GetLicense",
"license-manager:CheckoutLicense",
"license-manager:CheckInLicense",
"logs:CreateLogDelivery",
"logs:CreateLogGroup",
"logs:CreateLogStream",
"logs:DeleteLogDelivery",
"logs:Describe*",
"logs:GetLogDelivery",
"logs:GetLogEvents",
"logs:ListLogDeliveries",
"logs:PutLogEvents",
"logs:PutResourcePolicy",
"logs:UpdateLogDelivery",
"sagemaker:CreateApp"
],
"Resource": "*"
}
]
}
```
------
1. Crea la policy di impostazione del dominio collegata al ruolo `DomainExecution`. Tieni presente il `PolicyArn` indicato nella risposta, dovrai inserire quell'ARN nelle fasi seguenti.
```
aws iam create-policy --region --policy-name domain-setting-policy --policy-document file://domain-setting-policy.json
```
1. Collega `domain-setting-policy` al ruolo `DomainExecution`. Usa il `PolicyArn` restituito nella fase precedente.
```
aws iam attach-role-policy --role-name DomainExecution --policy-arn
```
## Crea un dominio Amazon SageMaker AI con RStudio l'app
L' RStudioServerPro app viene avviata automaticamente quando crei un dominio Amazon SageMaker AI utilizzando il comando `create-domain` CLI con il `RStudioServerProDomainSettings` parametro specificato. All'avvio dell' RStudioServerPro App, Amazon SageMaker AI verifica la presenza di una RStudio licenza valida nell'account e non riesce a creare il dominio se la licenza non viene trovata.
La creazione di un dominio Amazon SageMaker AI varia in base al metodo di autenticazione e al tipo di rete. Queste opzioni devono essere utilizzate insieme, selezionando un metodo di autenticazione e un tipo di connessione di rete. Per ulteriori informazioni sui requisiti per creare un nuovo dominio, consulta [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html).
Sono supportati i seguenti metodi di autenticazione.
+ `IAM Auth`
+ `SSO Auth`
Sono supportati i seguenti tipi di connessione di rete:
+ `PublicInternet`
+ `VPCOnly`
### Metodi di autenticazione
**Modalità di autenticazione IAM**
Di seguito viene illustrato come creare un dominio Amazon SageMaker AI con RStudio abilitato e un tipo di `IAM Auth` rete. Per ulteriori informazioni su AWS Identity and Access Management, consulta [Cos'è IAM?](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction.html) .
+ `DomainExecutionRoleArn` dovrebbe essere l'ARN per il ruolo creato nella fase precedente.
+ `ExecutionRole`è l'ARN del ruolo assegnato agli utenti nel dominio Amazon SageMaker AI.
+ `vpc-id`dovrebbe essere l'ID del tuo Amazon Virtual Private Cloud. `subnet-ids`dovrebbe essere un elenco di sottoreti separato da spazi. IDs [Per informazioni su `vpc-id` and`subnet-ids`, consulta VPCs and subnet.](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`e `RStudioConnectUrl` sono opzionali e devono essere impostati rispettivamente sul server RStudio Package Manager e RStudio Connect. URLs
+ `app-network-access-type` deve essere `PublicInternetOnly` o `VPCOnly`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode IAM \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
**Autenticazione tramite il Centro identità IAM**
Di seguito viene illustrato come creare un dominio Amazon SageMaker AI con RStudio abilitato e un tipo di `SSO Auth` rete. AWS IAM Identity Center deve essere abilitato per la regione in cui viene lanciato il dominio. Per ulteriori informazioni su IAM Identity Center, consulta [What is AWS IAM Identity Center?](https://docs.aws.amazon.com/singlesignon/latest/userguide/what-is.html) .
+ `DomainExecutionRoleArn` dovrebbe essere l'ARN per il ruolo creato nella fase precedente.
+ `ExecutionRole`è l'ARN del ruolo assegnato agli utenti nel dominio Amazon SageMaker AI.
+ `vpc-id`dovrebbe essere l'ID del tuo Amazon Virtual Private Cloud. `subnet-ids`dovrebbe essere un elenco di sottoreti separato da spazi. IDs [Per informazioni su `vpc-id` and`subnet-ids`, consulta VPCs and subnet.](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`e `RStudioConnectUrl` sono opzionali e devono essere impostati rispettivamente sul server RStudio Package Manager e RStudio Connect. URLs
+ `app-network-access-type` deve essere `PublicInternetOnly` o `VPCOnly`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode SSO \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
### Tipi di connessione
**PublicInternet/Tipo di rete Internet diretta**
Di seguito viene illustrato come creare un dominio Amazon SageMaker AI con RStudio abilitato e un tipo di `PublicInternet` rete.
+ `DomainExecutionRoleArn` dovrebbe essere l'ARN per il ruolo creato nella fase precedente.
+ `ExecutionRole`è l'ARN del ruolo assegnato agli utenti nel dominio Amazon SageMaker AI.
+ `vpc-id`dovrebbe essere l'ID del tuo Amazon Virtual Private Cloud. `subnet-ids`dovrebbe essere un elenco di sottoreti separato da spazi. IDs [Per informazioni su `vpc-id` and`subnet-ids`, consulta VPCs and subnet.](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`e `RStudioConnectUrl` sono opzionali e devono essere impostati rispettivamente sul server RStudio Package Manager e RStudio Connect. URLs
+ `auth-mode` deve essere `SSO` o `IAM`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type PublicInternetOnly
```
**VPCOnly mode**
Di seguito viene illustrato come avviare un dominio Amazon SageMaker AI con RStudio abilitato e un tipo di `VPCOnly` rete. Per ulteriori informazioni sull'utilizzo del tipo di accesso di rete `VPCOnly`, consulta [Connessione dei notebook Studio in un VPC a risorse esterne](studio-notebooks-and-internet-access.md).
+ `DomainExecutionRoleArn` dovrebbe essere l'ARN per il ruolo creato nella fase precedente.
+ `ExecutionRole`è l'ARN del ruolo assegnato agli utenti nel dominio Amazon SageMaker AI.
+ `vpc-id`dovrebbe essere l'ID del tuo Amazon Virtual Private Cloud. `subnet-ids`dovrebbe essere un elenco di sottoreti separato da spazi. IDs La tua sottorete privata deve essere in grado di accedere a Internet per effettuare una chiamata ad Amazon SageMaker AI AWS License Manager e/o disporre di endpoint Amazon VPC per Amazon SageMaker AI e. AWS License Manager[Per informazioni sugli endpoint Amazon VPC, consulta Interface [Amazon VPC endpoints](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html) Per informazioni su `vpc-id` and, see and subnet. `subnet-ids` VPCs ](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `SecurityGroups`deve consentire l'accesso in uscita all' SageMaker intelligenza artificiale e agli AWS License Manager endpoint di Amazon.
+ `auth-mode` deve essere `SSO` o `IAM`.
**Nota**
Quando utilizzi gli endpoint del cloud provato virtuale Amazon, il gruppo di sicurezza collegato agli endpoint del cloud provato virtuale Amazon deve consentire il traffico in entrata dal gruppo di sicurezza che passi come parte del parametro `domain-setting` della chiamata CLI `create-domain`.
Con RStudio Amazon SageMaker AI gestisce i gruppi di sicurezza per te. Ciò significa che Amazon SageMaker AI gestisce le regole dei gruppi di sicurezza per garantire RSessions l'accesso alle RStudio ServerPro app. Amazon SageMaker AI crea una regola del gruppo di sicurezza per profilo utente.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings SecurityGroups=,ExecutionRole= \
--domain-settings SecurityGroupIds=,RStudioServerProDomainSettings={DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids "" \
--app-network-access-type VPCOnly --app-security-group-management Service
```
Nota: l' RStudioServerPro app viene avviata da un profilo utente speciale denominato`domain-shared`. Di conseguenza, questa app non viene restituita come parte delle chiamate API `list-app` da nessun altro profilo utente.
Potrebbe essere necessario aumentare la quota di Amazon VPC nel tuo account per aumentare il numero di utenti. Per ulteriori informazioni, consulta la pagina relativa alle [quote di Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/amazon-vpc-limits.html#vpc-limits-security-groups).
## Verifica della creazione del dominio
Utilizza il comando seguente per verificare che il tuo dominio sia stato creato con `Status` `InService`. `domain-id` viene aggiunto all’ARN dei domini. Ad esempio, `arn:aws:sagemaker:::domain/`.
```
aws sagemaker describe-domain --domain-id --region
```
# Aggiungi RStudio supporto a un dominio esistente
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Se hai aggiunto una RStudio licenza tramite AWS License Manager, puoi creare un nuovo dominio Amazon SageMaker AI con supporto per RStudio on SageMaker AI. Se disponi di un dominio esistente che non supporta RStudio, puoi aggiungere il RStudio supporto a quel dominio senza dover eliminare e ricreare il dominio.
L'argomento seguente descrive come aggiungere questo supporto.
## Prerequisiti
È necessario completare i seguenti passaggi prima di aggiornare il dominio corrente per aggiungere il supporto per RStudio on SageMaker AI.
+ Installazione e configurazione [AWS CLI versione 2](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Configurazione di [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config) con credenziali IAM
+ Crea un ruolo di esecuzione del dominio seguendo i passaggi descritti in [Creare un dominio SageMaker AI RStudio utilizzando AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-create-cli.html#rstudio-create-cli-domainexecution). Questo ruolo IAM a livello di dominio è richiesto dall'app. RStudio ServerPro Il ruolo richiede l'accesso AWS License Manager per la verifica di una licenza Posit Workbench valida e Amazon CloudWatch Logs per la pubblicazione dei log del server.
+ [Implementa la tua RStudio licenza AWS License Manager seguendo i passaggi indicati nella licenza. RStudio](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-license.html)
+ (Facoltativo) Se desideri utilizzare RStudio in `VPCOnly` modalità, completa i passaggi [RStudio in Solo VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-network.html).
+ Assicurati che i gruppi di sicurezza che hai configurato per ciascuno del tuo dominio soddisfino le quote [UserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)a livello di account. Quando configuri il profilo utente predefinito durante la creazione del dominio, puoi utilizzare il `DefaultUserSettings` parametro dell'[CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)API per aggiungere i profili utente `SecurityGroups` ereditati da tutti i profili utente creati nel dominio. Puoi anche fornire gruppi di sicurezza aggiuntivi per un utente specifico come parte del `UserSettings` parametro dell'[CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)API. Se hai aggiunto gruppi di sicurezza in questo modo, devi assicurarti che il numero totale di gruppi di sicurezza per profilo utente non superi la quota massima di 2 in modalità `VPCOnly` e 4 in modalità `PublicInternetOnly`. Se il numero totale di gruppi di sicurezza risultante per ogni profilo utente supera la quota, puoi combinare le regole di più gruppi di sicurezza in un unico gruppo di sicurezza.
## Aggiungi RStudio supporto a un dominio esistente
Dopo aver completato i prerequisiti, puoi aggiungere il RStudio supporto al tuo dominio esistente. I passaggi seguenti descrivono come aggiornare il dominio esistente per cui aggiungere il supporto. RStudio
### Fase 1. Elimina tutte le app nel dominio
Per aggiungere il supporto per RStudio il tuo dominio, SageMaker AI deve aggiornare i gruppi di sicurezza sottostanti per tutti i profili utente esistenti. Per completare questa operazione, devi eliminare tutte le app esistenti nel dominio e crearle di nuovo. Di seguito viene mostrato come eliminare tutte le app.
1. Elenca tutte le app del dominio.
```
aws sagemaker \
list-apps \
--domain-id-equals
```
1. Elimina tutte le app per ogni profilo utente nel dominio.
```
// JupyterServer apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type JupyterServer \
--app-name
// KernelGateway apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type KernelGateway \
--app-name
```
### Fase 2: aggiornare tutti i profili utente con il nuovo elenco di gruppi di sicurezza
Questa è un’azione una tantum che devi completare per tutti i profili utente esistenti nel tuo dominio dopo aver rifattorizzato i gruppi di sicurezza esistenti. Ciò impedisce di raggiungere la quota per il numero massimo di gruppi di sicurezza. La chiamata `UpdateUserProfile` API fallisce se l'utente ha delle app con [InService](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-Status)stato impostato. Elimina tutte le app, quindi chiama l'API `UpdateUserProfile` per aggiornare i gruppi di sicurezza.
**Nota**
Il seguente requisito per la `VPCOnly` modalità delineato in [Connect Amazon SageMaker Studio Classic Notebooks in un VPC a risorse esterne](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html#studio-notebooks-and-internet-access-vpc-only) non è più necessario quando si aggiunge il RStudio supporto perché `AppSecurityGroupManagement` è gestito dal servizio AI: SageMaker
“[Traffico TCP all'interno del gruppo di sicurezza](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). È necessario per la connettività tra l'app e le JupyterServer app. KernelGateway È necessario consentire l'accesso ad almeno le porte dell'intervallo `8192-65535`.”
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
### Fase 3 - Attivazione RStudio chiamando l' UpdateDomain API
1. Chiama l'[UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)API per aggiungere il supporto per RStudio on SageMaker AI. Il parametro `defaultusersettings` è necessario solo se hai rifattorizzato i gruppi di sicurezza predefiniti per i tuoi profili utente.
+ Per la modalità `VPCOnly`:
```
aws sagemaker \
update-domain \
--domain-id \
--app-security-group-management Service \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
+ Per la modalità `PublicInternetOnly`:
```
aws sagemaker \
update-domain \
--domain-id \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
1. Verifica che lo stato del dominio sia `InService`. Dopo lo stato del dominio`InService`, viene aggiunto il supporto per RStudio on SageMaker AI.
```
aws sagemaker \
describe-domain \
--domain-id
```
1. Verifica che lo stato dell' RStudioServerPro app `InService` utilizzi il seguente comando.
```
aws sagemaker list-apps --user-profile-name domain-shared
```
### Passaggio 4: aggiungere RStudio l'accesso per gli utenti esistenti
Come parte dell'aggiornamento nella Fase 3, SageMaker AI contrassegna come impostazione `DISABLED` predefinita tutti i profili utente esistenti nel dominio. RStudio [AccessStatus](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_RStudioServerProAppSettings.html#sagemaker-Type-RStudioServerProAppSettings-AccessStatus) Ciò impedisce il superamento del numero di utenti consentito dalla licenza corrente. Per aggiungere l'accesso per gli utenti esistenti, è disponibile una sola fase di attivazione. Esegui l'opt-in chiamando l'[UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)API con quanto segue: [RStudioServerProAppSettings](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UserSettings.html#sagemaker-Type-UserSettings-RStudioServerProAppSettings)
+ `AccessStatus` = `ENABLED`
+ *Facoltativo* - `UserGroup` = `R_STUDIO_USER` o `R_STUDIO_ADMIN`
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"ENABLED\"}}"
```
**Nota**
Per impostazione predefinita, il numero di utenti a cui è possibile accedere RStudio è 60.
### Passaggio 5: disattiva RStudio l'accesso per i nuovi utenti
Se non diversamente specificato durante la chiamata`UpdateDomain`, RStudio il supporto viene aggiunto per impostazione predefinita per tutti i nuovi profili utente creati dopo aver aggiunto il supporto per RStudio on SageMaker AI. Per disattivare l'accesso per un nuovo profilo utente, è necessario impostare esplicitamente il parametro `AccessStatus` su `DISABLED` come parte della chiamata API `CreateUserProfile`. Se il parametro `AccessStatus` non è specificato come parte dell'API `CreateUserProfile`, lo stato di accesso predefinito è `ENABLED`.
```
aws sagemaker \
create-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"DISABLED\"}}"
```
# Immagini personalizzate con un' RStudio SageMaker intelligenza artificiale
Un' SageMaker immagine è un file che identifica i pacchetti linguistici e altre dipendenze necessari per l'esecuzione RStudio su Amazon SageMaker AI. SageMaker L'intelligenza artificiale utilizza queste immagini per creare un ambiente in cui correre. RStudio Amazon SageMaker AI fornisce un' RStudio immagine integrata da utilizzare. Se hai bisogno di funzionalità diverse, puoi portare le tue immagini personalizzate. Questa pagina fornisce informazioni sui concetti chiave per l'utilizzo di immagini personalizzate con RStudio on SageMaker AI. Il processo per utilizzare la propria immagine RStudio sull' SageMaker IA prevede tre passaggi:
1. Creazione di un'immagine personalizzata da un Dockerfile e inviala a un repository in Amazon Elastic Container Registry (Amazon ECR).
1. Crea un' SageMaker immagine che punti a un'immagine del contenitore in Amazon ECR e collegala al tuo dominio Amazon SageMaker AI.
1. Avvia una nuova sessione RStudio con la tua immagine personalizzata.
Puoi creare immagini e versioni di immagini e allegare versioni di immagini al tuo dominio, utilizzando il pannello di controllo SageMaker AI [AWS SDK per Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), e il [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/). Puoi anche creare immagini e versioni di immagini utilizzando la console SageMaker AI, anche se non hai effettuato l'onboarding a un dominio.
I seguenti argomenti mostrano come trasferire la propria immagine RStudio su SageMaker AI creando, allegando e avviando un'immagine personalizzata.
## Terminologia chiave
La sezione seguente definisce i termini chiave per utilizzare la propria immagine RStudio sull' SageMaker IA.
+ **File Docker:** un file Docker è un file che identifica pacchetti linguistici e altre dipendenze della tua immagine Docker.
+ **Immagine Docker:** l'immagine Docker è un file Docker integrato. Questa immagine viene archiviata in Amazon ECR e funge da base per l'immagine SageMaker AI.
+ **SageMaker immagine:** Un' SageMaker immagine contiene un set di versioni di SageMaker immagini basate su immagini Docker.
+ **Versione immagine:** una versione immagine di un' SageMaker immagine rappresenta un'immagine Docker compatibile RStudio e archiviata in un repository Amazon ECR. Le singole versioni dell’immagine non sono modificabili. Queste versioni di immagini possono essere allegate a un dominio e utilizzate con RStudio un'intelligenza artificiale. SageMaker
# Completamento dei prerequisiti
È necessario completare i seguenti prerequisiti prima di utilizzare la propria immagine RStudio su Amazon SageMaker AI.
+ Se disponi di un dominio esistente creato prima del 7 aprile 2022, devi eliminare l' RStudioServerPro applicazione e ricrearla. RStudio Per informazioni sull'eliminazione di un’applicazione, consulta [Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
+ Installa l'applicazione Docker. Per informazioni sulla configurazione di Docker, consulta [Orientation and setup](https://docs.docker.com/get-started/).
+ Crea una copia locale di un Dockerfile RStudio compatibile che funzioni con l'intelligenza artificiale. SageMaker Per informazioni sulla creazione di un RStudio dockerfile di esempio, consulta [Utilizzare un'immagine personalizzata per portare il proprio ambiente di sviluppo RStudio su Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/use-a-custom-image-to-bring-your-own-development-environment-to-rstudio-on-amazon-sagemaker/).
+ Utilizza un ruolo di AWS Identity and Access Management esecuzione a cui è allegata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)policy. Se hai effettuato l'onboarding al dominio, puoi ottenere il ruolo dalla sezione **Riepilogo del dominio** del pannello di controllo SageMaker AI.
Aggiungi le seguenti autorizzazioni per accedere al servizio Amazon Elastic Container Registry (Amazon ECR) al tuo ruolo di esecuzione.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement":[
{
"Sid": "VisualEditor0",
"Effect":"Allow",
"Action":[
"ecr:CreateRepository",
"ecr:BatchGetImage",
"ecr:CompleteLayerUpload",
"ecr:DescribeImages",
"ecr:DescribeRepositories",
"ecr:UploadLayerPart",
"ecr:ListImages",
"ecr:InitiateLayerUpload",
"ecr:BatchCheckLayerAvailability",
"ecr:PutImage"
],
"Resource": "*"
}
]
}
```
------
+ Installa e configura AWS CLI con la versione seguente (o superiore). Per informazioni sull'installazione di AWS CLI, vedere [Installazione o aggiornamento della versione più recente di AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
```
AWS CLI v1 >= 1.23.6
AWS CLI v2 >= 2.6.2
```
# Specifiche personalizzate RStudio dell'immagine
In questa guida, imparerai le specifiche personalizzate RStudio delle immagini da utilizzare quando porti la tua immagine. Esistono due set di requisiti che devi soddisfare con la tua RStudio immagine personalizzata per utilizzarla con Amazon SageMaker AI. Questi requisiti sono imposti da RStudio PBC e dalla piattaforma Amazon SageMaker Studio Classic. Se uno di questi set di requisiti non è soddisfatto, l'immagine personalizzata non funzionerà correttamente.
## RStudio Requisiti PBC
RStudio I requisiti PBC sono descritti nell'articolo [Utilizzo delle immagini Docker con RStudio RStudio Workbench/Server Pro, Launcher](https://support.rstudio.com/hc/en-us/articles/360019253393-Using-Docker-images-with-RStudio-Server-Pro-Launcher-and-Kubernetes) e Kubernetes. Segui le istruzioni contenute in questo articolo per creare la base dell'immagine personalizzata. RStudio
Per istruzioni su come installare più versioni R nella tua immagine personalizzata, vedi [Installazione di più versioni R in Linux](https://support.rstudio.com/hc/en-us/articles/215488098).
## Requisiti di Amazon SageMaker Studio Classic
Amazon SageMaker Studio Classic impone il seguente set di requisiti di installazione per l' RStudioimmagine.
+ È necessario utilizzare un'immagine di RStudio base di almeno`2025.05.1+513.pro3`. Per ulteriori informazioni, consulta [RStudio Controllo delle versioni](rstudio-version.md).
+ Devi istallare i seguenti pacchetti:
```
yum install -y sudo \
openjdk-11-jdk \
libpng-dev \
&& yum clean all \
&& /opt/R/${R_VERSION}/bin/R -e "install.packages('reticulate', repos='https://packagemanager.rstudio.com/cran/__linux__/centos7/latest')" \
&& /opt/python/${PYTHON_VERSION}/bin/pip install --upgrade \
'boto3>1.0<2.0' \
'awscli>1.0<2.0' \
'sagemaker[local]<3'
```
+ Devi fornire valori predefiniti per i valori dell’ambiente `RSTUDIO_CONNECT_URL` e `RSTUDIO_PACKAGE_MANAGER_URL` .
```
ENV RSTUDIO_CONNECT_URL "YOUR_CONNECT_URL"
ENV RSTUDIO_PACKAGE_MANAGER_URL "YOUR_PACKAGE_MANAGER_URL"
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE 1
```
Le seguenti specifiche generali si applicano all'immagine rappresentata da una versione RStudio dell'immagine.
**Esecuzione dell'immagine**
`ENTRYPOINT`e `CMD` le istruzioni vengono sovrascritte in modo che l'immagine venga eseguita come RSession applicazione.
**Arresto dell'immagine**
L’API `DeleteApp` invia l’equivalente di un comando `docker stop`. Gli altri processi nel contenitore non riceveranno i SIGKILL/SIGTERM segnali.
**File system**
Le directory `/opt/.sagemakerinternal` e `/opt/ml` sono riservate. I dati presenti in queste directory potrebbero non essere visibili durante il runtime.
**Dati utente**
Ogni utente in un dominio SageMaker AI ottiene una directory utente su un volume Amazon Elastic File System condiviso nell'immagine. La posizione della directory dell'utente corrente sul volume Amazon Elastic File System è `/home/sagemaker-user`.
**Metadati**
Un file di metadati si trova in `/opt/ml/metadata/resource-metadata.json`. Alle variabili definite nell'immagine non viene aggiunta alcuna variabile di ambiente. Per ulteriori informazioni, consulta [Ottenere i metadati dell’app](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
In un'istanza GPU, l'immagine viene eseguita con l'opzione `--gpus`. Nell'immagine deve essere incluso solo il toolkit CUDA, non i driver NVIDIA. Per ulteriori informazioni, consulta [Guida per l'utente di NVIDIA](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Parametri e logging**
I log del RSession processo vengono inviati ad Amazon CloudWatch nell'account del cliente. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/RSession/$appName`.
**Dimensione dell’immagine**
La dimensione dell'immagine è limitata a 25 GB. Per visualizzare le dimensioni della tua immagine, esegui `docker image ls`.
# Crea un'immagine personalizzata RStudio
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Questo argomento descrive come creare un' RStudio immagine personalizzata utilizzando la console SageMaker AI e il. AWS CLI Se si utilizza il AWS CLI, è necessario eseguire la procedura dal computer locale. I seguenti passaggi non funzionano in Amazon SageMaker Studio Classic.
Quando crei un'immagine, l' SageMaker intelligenza artificiale crea anche una versione iniziale dell'immagine. Ogni versione dell’immagine rappresenta un'immagine del container presente in [Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). L'immagine del contenitore deve soddisfare i requisiti per essere utilizzata in RStudio. Per ulteriori informazioni, consulta [Specifiche personalizzate RStudio dell'immagine](rstudio-byoi-specs.md).
Per informazioni su come testare l'immagine localmente e risolvere i problemi più comuni, consultate il repository [SageMaker Studio Custom Image Samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
**Topics**
+ [Aggiungi un'immagine di SageMaker contenitore RStudio Docker compatibile con l'intelligenza artificiale ad Amazon ECR](#rstudio-byoi-sdk-add-container-image)
+ [Creare un' SageMaker immagine dalla console](#rstudio-byoi-create-console)
+ [Crea un'immagine da AWS CLI](#rstudio-byoi-create-cli)
## Aggiungi un'immagine di SageMaker contenitore RStudio Docker compatibile con l'intelligenza artificiale ad Amazon ECR
Esegui le fasi seguenti per aggiungere un'immagine del container Docker ad Amazon ECR:
+ Crea un repository Amazon ECR.
+ Effettua l'autenticazione su Amazon ECR.
+ Crea un'immagine Docker compatibile con l'intelligenza SageMaker artificiale. RStudio
+ Inserisci l'immagine nel repository Amazon ECR.
**Nota**
L'archivio Amazon ECR deve trovarsi nello Regione AWS stesso dominio.
**Per creare e aggiungere un'immagine Docker da un container ad Amazon ECR**
1. Crea un repository in Amazon ECR tramite la AWS CLI. Per creare il repository utilizzando la console Amazon ECR, consulta la sezione [Creating a repository](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name rstudio-custom \
--image-scanning-configuration scanOnPush=true
```
Risposta:
```
{
"repository": {
"repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/rstudio-custom",
"registryId": "acct-id",
"repositoryName": "rstudio-custom",
"repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom",
...
}
}
```
1. Effettua l'autenticazione su Amazon ECR utilizzando l'URI del repository restituito come risposta dal comando `create-repository`. Assicurarsi che l'applicazione Docker sia in esecuzione. Per ulteriori informazioni, consultare [Autenticazione dei registri](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Registries.html#registry_auth).
```
aws ecr get-login-password | \
docker login --username AWS --password-stdin
```
Risposta:
```
Login Succeeded
```
1. Creazione dell'immagine Docker. Esegui il comando seguente dalla directory che include il tuo Dockerfile.
```
docker build .
```
1. Etichetta l'immagine creata con un tag unico.
```
docker tag ":"
```
1. Inserisci l'immagine del container nel repository Amazon ECR. Per ulteriori informazioni, consulta la sezione [ImagePush](https://docs.docker.com/engine/api/v1.40/#operation/ImagePush)[Pushing an image.](https://docs.aws.amazon.com/AmazonECR/latest/userguide/docker-push-ecr-image.html)
```
docker push :
```
Risposta:
```
The push refers to repository [.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom]
r: digest: size: 3066
```
## Creare un' SageMaker immagine dalla console
**Come creare un’immagine**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel pannello di navigazione sinistro scegli **Configurazioni admin**.
1. In **Configurazioni admin**, scegli **Immagini**.
1. Nella pagina **Immagini personalizzate**, scegli **Crea immagine**.
1. In **Origine dell’immagine**, inserisci il percorso di registrazione dell'immagine del container in Amazon ECR. Il percorso si presenta nel formato seguente:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Seleziona **Successivo**.
1. In **Proprietà dell’immagine**, inserisci quanto segue:
+ Nome immagine: il nome deve essere univoco per il tuo account nella Regione AWS corrente.
+ (Facoltativo) Nome visualizzato dell'immagine – il nome visualizzato nell'interfaccia utente di dominio. Se non fornito, viene visualizzato `Image name`.
+ (Facoltativo) Descrizione: descrizione dell’immagine.
+ Ruolo IAM: al ruolo deve essere associata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)policy. Usa il menu a discesa per selezionare una delle seguenti opzioni:
+ Crea un nuovo ruolo – specifica eventuali bucket Amazon Simple Storage Service (Amazon S3) a cui desideri che i tuoi notebook abbiano accesso. Se preferisci non consentire l'accesso ad altri bucket, scegli **Nessuno**.
SageMaker L'intelligenza artificiale associa la `AmazonSageMakerFullAccess` policy al ruolo. Il ruolo consente agli utenti dei notebook di accedere ai bucket Amazon S3 elencati accanto ai segni di spunta.
+ Inserisci un ARN personalizzato per il ruolo IAM: inserisci il nome della risorsa Amazon (ARN) del ruolo IAM.
+ Usa un ruolo esistente: scegli dell’elenco uno dei tuoi ruoli già esistenti.
+ (Facoltativo) Tagga l’immagine: scegli **Aggiungi nuovo tag**. Puoi aggiungere fino a 50 tag. I tag sono ricercabili utilizzando la console SageMaker AI o l'`Search`API SageMaker AI.
1. In **Tipo di immagine**, seleziona RStudio immagine.
1. Seleziona **Invia**.
La nuova immagine viene visualizzata nell'elenco **Immagini personalizzate** ed evidenziata per qualche secondo. Una volta che l'immagine è stata creata con successo, puoi scegliere il nome dell'immagine per visualizzarne le proprietà o scegliere **Crea versione** per crearne un'altra versione.
**Per creare un'altra versione dell'immagine**
1. Scegli **Crea versione** sulla stessa riga dell'immagine.
1. In **Origine immagine**, inserisci il percorso di registrazione dell'immagine Amazon ECR. L'immagine non deve essere la stessa utilizzata in una versione precedente dell'immagine SageMaker AI.
Per utilizzare l'immagine personalizzata in RStudio, devi allegarla al tuo dominio. Per ulteriori informazioni, consulta [Allega un' SageMaker immagine personalizzata](rstudio-byoi-attach.md).
## Crea un'immagine da AWS CLI
Questa sezione mostra come creare un' SageMaker immagine Amazon personalizzata utilizzando AWS CLI.
Utilizza i seguenti passaggi per creare un' SageMaker immagine:
+ Creazione di `Image`.
+ Creazione di `ImageVersion`.
+ Creazione di un file di configurazione.
+ Creazione di `AppImageConfig`.
**Per creare le entità SageMaker dell'immagine**
1. Crea un' SageMaker immagine. Il ruolo ARN deve avere almeno la policy collegata `AmazonSageMakerFullAccessPolicy`.
```
aws sagemaker create-image \
--image-name rstudio-custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
Risposta:
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/rstudio-custom-image"
}
```
1. Crea una versione SageMaker dell'immagine dall'immagine. Passa il valore di tag univoco che hai scelto quando hai inviato l'immagine ad Amazon ECR.
```
aws sagemaker create-image-version \
--image-name rstudio-custom-image \
--base-image :
```
Risposta:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-image/1"
}
```
1. Verifica che la versione dell'immagine sia stata creata correttamente.
```
aws sagemaker describe-image-version \
--image-name rstudio-custom-image \
--version 1
```
Risposta:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**Nota**
Se l’esito è `"ImageVersionStatus": "CREATED_FAILED"`, l’esito include anche il motivo dell'errore. Un problema di autorizzazioni è una causa di errore comune. Puoi anche controllare i tuoi Amazon CloudWatch Logs. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/KernelGateway/$appName`.
1. Creazione di un file di configurazione denominato `app-image-config-input.json`. L'app image config viene utilizzata per la configurazione dell'esecuzione di un' SageMaker immagine come applicazione Kernel Gateway.
```
{
"AppImageConfigName": "rstudio-custom-config"
}
```
1. Crea il file AppImageConfig utilizzando il file creato nel passaggio precedente.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
Risposta:
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/r-image-config"
}
```
# Allega un' SageMaker immagine personalizzata
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Questa guida mostra come allegare un' RStudio immagine personalizzata al tuo dominio Amazon SageMaker AI utilizzando la console SageMaker AI o il AWS Command Line Interface (AWS CLI).
Per utilizzare un' SageMaker immagine personalizzata, devi allegare un' RStudio immagine personalizzata al tuo dominio. Quando alleghi una versione dell'immagine, questa appare nel RStudio Launcher ed è disponibile nell'elenco a discesa **Seleziona immagine**. È possibile utilizzare il menu a discesa per modificare l'immagine utilizzata da. RStudio
Esiste un limite al numero di versioni immagine che possono essere collegate. Una volta raggiunto il limite, devi prima scollegare una versione in modo da poter collegare una versione diversa dell'immagine.
**Topics**
+ [Collegamento di una versione dell’immagine al tuo dominio utilizzando la console](#rstudio-byoi-attach-console)
+ [Allega una versione dell'immagine esistente al tuo dominio utilizzando il AWS CLI](#rstudio-byoi-attach-cli)
## Collegamento di una versione dell’immagine al tuo dominio utilizzando la console
Puoi allegare una versione SageMaker dell'immagine personalizzata al tuo dominio utilizzando il pannello di controllo della console SageMaker AI. Puoi anche creare un' SageMaker immagine personalizzata e una versione dell'immagine e quindi allegare quella versione al tuo dominio.
**Per collegare un'immagine esistente**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio desiderato.
1. Scegliere **Environment** (Ambiente).
1. In **Immagini Custom SageMaker Studio Classic allegate al dominio**, scegli **Allega immagine**.
1. Per **Origine immagine**, scegliere **Immagine esistente** o **Nuova immagine**.
Se selezioni **Immagine esistente**, scegli un'immagine dall'Amazon SageMaker image store.
Se selezioni **Nuova immagine**, fornisci il percorso del registro Amazon ECR per la tua immagine Docker. Il percorso deve essere nella stessa Regione AWS del dominio. Il repository Amazon ECR deve trovarsi nello stesso account del tuo dominio oppure devono essere abilitate le autorizzazioni multiaccount per l' SageMaker IA.
1. Seleziona un’immagine esistente dall'elenco.
1. Seleziona una versione dell'immagine dall'elenco.
1. Scegli **Next (Successivo)**.
1. Inserisci i valori per **Nome immagine**, **Nome immagine visualizzato** e **Descrizione**.
1. Seleziona il ruolo IAM. Per ulteriori informazioni, consulta [Crea un'immagine personalizzata RStudio](rstudio-byoi-create.md).
1. (Facoltativo) Aggiunta di tag all'immagine.
1. (Facoltativo) Scegli **Aggiungi nuovo tag**, quindi aggiungi un tag di configurazione.
1. **Per **Tipo di immagine**, seleziona Immagine. RStudio**
1. Seleziona **Invia**.
Attendi che la versione dell'immagine venga collegata al dominio. Una volta collegata, la versione viene visualizzata nella lista **Immagini personalizzate** ed evidenziata per qualche secondo.
## Allega una versione dell'immagine esistente al tuo dominio utilizzando il AWS CLI
Vengono presentati due metodi per collegare la versione dell’immagine al dominio utilizzando la AWS CLI. Con il primo metodo, crei un nuovo dominio con la versione collegata. Questo metodo è più semplice, ma è necessario specificare le informazioni e il ruolo di esecuzione di Amazon Virtual Private Cloud (Amazon VPC) necessari per creare il dominio.
Se hai già effettuato l’onboarding nel dominio, puoi utilizzare il secondo metodo per collegare la versione dell’immagine al dominio corrente. In questo caso, non devi specificare le informazioni e il ruolo di esecuzione di Amazon VPC. Dopo aver collegato la versione, elimina tutte le applicazioni del dominio e riavvia RStudio.
### Allega l' SageMaker immagine a un nuovo dominio
Per utilizzare questo metodo, è necessario specificare un ruolo di esecuzione a cui è associata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)policy.
Utilizza i seguenti passaggi per creare il dominio e allegare l'immagine SageMaker AI personalizzata:
+ Ottieni l'ID VPC e la sottorete predefiniti. IDs
+ Crea il file di configurazione per il dominio, il quale specifica l'immagine.
+ Crea il dominio con il file di configurazione.
**Per aggiungere l' SageMaker immagine personalizzata al tuo dominio**
1. Ottieni l’ID del tuo VPC predefinito.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
Risposta:
```
vpc-xxxxxxxx
```
1. Ottieni la tua sottorete predefinita IDs utilizzando l'ID VPC del passaggio precedente.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
Risposta:
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Crea un file di configurazione denominato `create-domain-input.json`. Inserisci l'ID VPC, la sottorete IDs e `AppImageConfigName` dai passaggi precedenti. `ImageName` Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica. Il ruolo di esecuzione deve soddisfare i requisiti di [Completamento dei prerequisiti](rstudio-byoi-prerequisites.md).
```
{
"DomainName": "domain-with-custom-r-image",
"VpcId": "",
"SubnetIds": [
""
],
"DomainSettings": {
"RStudioServerProDomainSettings": {
"DomainExecutionRoleArn": ""
}
},
"DefaultUserSettings": {
"ExecutionRole": "",
"RSessionAppSettings": {
"CustomImages": [
{
"AppImageConfigName": "rstudio-custom-config",
"ImageName": "rstudio-custom-image"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Crea il dominio con l'immagine personalizzata SageMaker allegata.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
Risposta:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id",
"Url": "https://domain-id.studio.region.sagemaker.aws/..."
}
```
### Allega l' SageMaker immagine a un dominio esistente
Questo metodo si basa sul presupposto che sia già stato effettuato l’onboarding in un dominio. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**Nota**
Devi eliminare tutte le applicazioni nel tuo dominio per aggiornarlo con la nuova versione dell’immagine. Per informazioni sull'eliminazione di queste applicazioni, consulta [Eliminare un dominio Amazon SageMaker AI](gs-studio-delete-domain.md).
Segui i passaggi seguenti per aggiungere l' SageMaker immagine al tuo dominio corrente.
+ Scarica il tuo `DomainID` dalla console SageMaker AI.
+ Usa il `DomainID` per ottenere `DefaultUserSettings` per il dominio.
+ Aggiungi `ImageName` e `AppImageConfig` come `CustomImage` a `DefaultUserSettings`.
+ Aggiornamento del tuo dominio per includere l'immagine personalizzata.
**Per aggiungere l' SageMaker immagine personalizzata al tuo dominio**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio desiderato.
1. Scegli **Impostazioni del dominio**.
1. In **Impostazioni generali**, trova l’**ID dominio**. L'ID è nel formato seguente: `d-xxxxxxxxxxxx`.
1. Utilizza l'ID del dominio per generare la descrizione del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
Risposta:
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salva la sezione `DefaultUserSettings` della risposta in un file denominato `update-domain-input.json`.
1. Inserisci `ImageName` e `AppImageConfigName` delle fasi precedenti come immagine personalizzata. Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica.
```
{
"DefaultUserSettings": {
"RSessionAppSettings": {
"CustomImages": [
{
"ImageName": "rstudio-custom-image",
"AppImageConfigName": "rstudio-custom-config"
}
]
}
}
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni utente predefinite per aggiornare il dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Risposta:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id"
}
```
1. Elimina l'applicazione `RStudioServerPro`. È necessario riavviare l'applicazione `RStudioServerPro` condivisa dal dominio per consentire all'interfaccia utente di RStudio Launcher di rilevare le ultime modifiche.
```
aws sagemaker delete-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
1. Crea una nuova applicazione `RStudioServerPro`. È necessario creare questa applicazione utilizzando AWS CLI.
```
aws sagemaker create-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
# Avvia un'immagine personalizzata in SageMaker RStudio
Puoi usare l'immagine personalizzata quando avvii un' RStudio applicazione dalla console. Dopo aver creato l' SageMaker immagine personalizzata e averla associata al dominio, l'immagine viene visualizzata nella finestra di dialogo di selezione delle immagini del Launcher. RStudio Per avviare una nuova RStudio app, segui i passaggi indicati [Avvia RSessions dal RStudio Launcher](rstudio-launcher.md) e seleziona l'immagine personalizzata come mostrato nell'immagine seguente.
![\[Schermata del RStudio programma di avvio con menu a discesa delle immagini.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/rstudio-launcher-custom.png)
# Pulizia delle risorse di immagini
Questa guida mostra come ripulire le risorse di RStudio immagini create nelle sezioni precedenti. Per eliminare un'immagine, completa i seguenti passaggi utilizzando la console SageMaker AI o il AWS CLI, come mostrato in questa guida.
+ Scollega l'immagine e le relative versioni dal tuo dominio Amazon SageMaker AI.
+ Elimina l'immagine, la versione dell'immagine e la configurazione dell'immagine nell'app.
Dopo aver completato queste fasi, puoi eliminare l'immagine e il repository del container da Amazon ECR. Per ulteriori informazioni su come eliminare l'immagine e il repository del container , consulta la sezione [Eliminazione di un repository](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Pulisci le risorse dalla console SageMaker AI
Quando si scollega un'immagine da un dominio, vengono scollegate anche tutte le versioni dell'immagine. Quando un'immagine viene scollegata, tutti gli utenti del dominio perdono l'accesso alle versioni dell'immagine.
**Per scollegare un'immagine**
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Seleziona il dominio desiderato.
1. Scegliere **Environment** (Ambiente).
1. In **Immagini personalizzate collegate al dominio**, seleziona l'immagine, quindi scegli **Scollega**.
1. (Facoltativo) Per eliminare l'immagine e tutte le versioni dall' SageMaker IA, seleziona **Elimina anche le immagini selezionate...** . Questa azione non elimina le immagini associate da Amazon ECR.
1. Seleziona **Scollega**.
## Ripulisci le risorse di AWS CLI
**Per eliminare le risorse**
1. Scollega l'immagine e le versioni delle immagini dal tuo dominio inoltrando al dominio un elenco di immagini personalizzate vuoto. Apri il file `update-domain-input.json` creato in [Allega l' SageMaker immagine al tuo dominio attuale](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain).
1. Elimina le immagini personalizzate `RSessionAppSettings` e quindi salva il file. Non modificare le immagini personalizzate `KernelGatewayAppSettings`.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
"RSessionAppSettings": {
"CustomImages": [
],
"DefaultResourceSpec": {
}
...
}
}
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni utente predefinite per aggiornare il dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Risposta:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Elimina la configurazione dell'immagine dell'app.
```
aws sagemaker delete-app-image-config \
--app-image-config-name rstudio-image-config
```
1. Eliminare l' SageMaker immagine, eliminando anche tutte le versioni dell'immagine. Le immagini dei container in Amazon ECR rappresentate dalle versioni delle immagini non vengono eliminate.
```
aws sagemaker delete-image \
--image-name rstudio-image
```
# Crea un utente da utilizzare RStudio
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
Dopo l'esecuzione del dominio Amazon SageMaker AI RStudio abilitato, puoi aggiungere profili utente (UserProfiles) al dominio. I seguenti argomenti mostrano come creare profili utente autorizzati all'uso RStudio e aggiornare un profilo utente esistente. Per informazioni su come eliminare un' RStudio app o un dominio, segui i passaggi in [Eliminare un dominio Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-delete-domain.html). UserProfile
**Nota**
Il limite per il numero totale di UserProfiles in un dominio Amazon SageMaker AI è 60.
Sono previsti due tipi di utenti:
+ Non autorizzato: questo utente non può accedere all' RStudio app.
+ Autorizzato: questo utente può accedere all' RStudio app e utilizzare una delle postazioni di RStudio licenza. Per impostazione predefinita, un nuovo utente è `Authorized` se il dominio è abilitato per RStudio.
La modifica dello stato di autorizzazione di un utente è valida solo da `Unauthorized` a `Authorized`. Se un utente è autorizzato, può ricevere uno dei seguenti livelli di accesso a RStudio.
+ RStudio Utente: Si tratta di un RStudio utente standard a cui può accedere RStudio.
+ RStudio Amministratore: l'amministratore del tuo dominio Amazon SageMaker AI ha la possibilità di creare utenti, aggiungere utenti esistenti e aggiornare le autorizzazioni degli utenti esistenti. Gli amministratori possono anche accedere alla dashboard amministrativa. RStudio Tuttavia, questo amministratore non è in grado di aggiornare i parametri gestiti da Amazon SageMaker AI.
## Metodi per creare un utente
I seguenti argomenti mostrano come creare un utente nel tuo dominio Amazon SageMaker AI RStudio abilitato.
**Crea una console utente**
Per creare un utente nel tuo dominio Amazon SageMaker AI RStudio abilitato dalla console, completa i passaggi indicati di seguito. [Aggiunta di profili utente](domain-user-profile-add.md)
**Crea CLI utente**
Il comando seguente mostra come aggiungere utenti a un dominio Amazon SageMaker AI con l'autenticazione IAM. Un utente può appartenere al gruppo utenti `R_STUDIO_USER` o `R_STUDIO_ADMIN`.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=}
```
Il comando seguente mostra come aggiungere utenti a un dominio Amazon SageMaker AI con autenticazione utilizzando IAM Identity Center. Un utente può appartenere al gruppo utenti `R_STUDIO_USER` o `R_STUDIO_ADMIN`.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=} \
--single-sign-on-user-identifier UserName \
--single-sign-on-user-value
```
# Accedi RStudio come altro utente