Schnellstart: Erstellen Sie eine SageMaker KI-Sandbox-Domain, um Amazon EMR-Cluster in Studio zu starten - Amazon SageMaker KI

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Schnellstart: Erstellen Sie eine SageMaker KI-Sandbox-Domain, um Amazon EMR-Cluster in Studio zu starten

Dieser Abschnitt führt Sie durch die schnelle Einrichtung einer vollständigen Testumgebung in Amazon SageMaker Studio. Sie werden eine neue Studio-Domain erstellen, mit der Benutzer neue Amazon EMR-Cluster direkt von Studio aus starten können. Die Schritte stellen ein Beispiel-Notebook dar, das Sie mit einem Amazon EMR-Cluster verbinden können, um es zu starten. Spark Arbeitslasten. Mit diesem Notizbuch erstellen Sie ein Retrieval Augmented Generation System (RAG) mithilfe der verteilten Verarbeitungs- und OpenSearch Vektordatenbank Amazon EMR Spark.

Anmerkung

Melden Sie sich zunächst mit einem AWS Identity and Access Management (IAM-) Benutzerkonto mit Administratorberechtigungen bei der AWS Management Console an. Informationen dazu, wie Sie sich für ein AWS Konto registrieren und einen Benutzer mit Administratorzugriff erstellen, finden Sie unterVollständige Amazon SageMaker AI-Voraussetzungen.

Schritt 1: Erstellen Sie eine SageMaker KI-Domain für den Start von Amazon EMR-Clustern in Studio

In den folgenden Schritten wenden Sie einen AWS CloudFormation Stack an, um automatisch eine neue SageMaker KI-Domain zu erstellen. Der Stack erstellt auch ein Benutzerprofil und konfiguriert die erforderliche Umgebung und die erforderlichen Berechtigungen. Die SageMaker AI-Domain ist so konfiguriert, dass Sie Amazon EMR-Cluster direkt von Studio aus starten können. In diesem Beispiel werden die Amazon EMR-Cluster im selben AWS Konto wie SageMaker AI ohne Authentifizierung erstellt. Zusätzliche AWS CloudFormation Stacks, die verschiedene Authentifizierungsmethoden wie Kerberos unterstützen, finden Sie im Repository getting_started. GitHub

Anmerkung

SageMaker AI erlaubt standardmäßig 5 Studio-Domains pro Konto. AWS AWS-Region Stellen Sie sicher, dass Ihr Konto nicht mehr als 4 Domains in Ihrer Region hat, bevor Sie Ihren Stack erstellen.

Gehen Sie wie folgt vor, um eine SageMaker KI-Domain für den Start von Amazon EMR-Clustern von Studio aus einzurichten.
  1. Laden Sie die Rohdatei dieser AWS CloudFormation Vorlage aus dem sagemaker-studio-emr GitHub Repository herunter.

  2. Gehe zur AWS CloudFormation Konsole: https://console.aws.amazon.com/cloudformation

  3. Wählen Sie Stack erstellen und wählen Sie im Drop-down-Menü die Option Mit neuen Ressourcen (Standard) aus.

  4. In Schritt 1:

    1. Wählen Sie im Abschnitt Vorlage vorbereiten die Option Bestehende Vorlage auswählen aus.

    2. Wählen Sie im Abschnitt Specify template (Vorlage angeben) die Option Upload a template file (Vorlagendatei hochladen) aus.

    3. Laden Sie die heruntergeladene AWS CloudFormation Vorlage hoch und wählen Sie Weiter.

  5. Geben Sie in Schritt 2 einen Stack-Namen ein und wählen Sie SageMakerDomainNamedann Weiter.

  6. Behalten Sie in Schritt 3 alle Standardwerte bei und wählen Sie Weiter.

  7. Markieren Sie in Schritt 4 das Kästchen zur Bestätigung der Ressourcenerstellung und wählen Sie Stapel erstellen aus. Dadurch wird eine Studio-Domain in Ihrem Konto und Ihrer Region erstellt.

Schritt 2: Starten Sie einen neuen Amazon EMR-Cluster über die Studio-Benutzeroberfläche

In den folgenden Schritten erstellen Sie einen neuen Amazon EMR-Cluster über die Studio-Benutzeroberfläche.

  1. Gehen Sie zur SageMaker AI-Konsole unter https://console.aws.amazon.com/sagemaker/und wählen Sie im linken Menü Domains aus.

  2. Klicken Sie auf Ihren Domainnamen Generative AIDomain, um die Seite mit den Domain-Details zu öffnen.

  3. Starten Sie Studio vom Benutzerprofil ausgenai-user.

  4. Gehen Sie im linken Navigationsbereich zu Daten und dann zu Amazon EMR Clusters.

  5. Wählen Sie auf der Seite Amazon EMR-Cluster die Option Create aus. Wählen Sie die Vorlage SageMaker Studio Domain No Auth EMR aus, die vom AWS CloudFormation Stack erstellt wurde, und wählen Sie dann Weiter.

  6. Geben Sie einen Namen für den neuen Amazon EMR-Cluster ein. Aktualisieren Sie optional andere Parameter wie den Instance-Typ der Core- und Master-Knoten, das Leerlauf-Timeout oder die Anzahl der Kernknoten.

  7. Wählen Sie Create resource aus, um den neuen Amazon EMR-Cluster zu starten.

    Nachdem Sie den Amazon EMR-Cluster erstellt haben, folgen Sie dem Status auf der Seite EMR-Cluster. Wenn sich der Status auf ändertRunning/Waiting, ist Ihr Amazon EMR-Cluster bereit, in Studio verwendet zu werden.

Schritt 3: Connect ein JupyterLab Notebook mit dem Amazon EMR-Cluster

In den folgenden Schritten verbinden Sie ein Notebook mit Ihrem laufenden Amazon EMR-Cluster. JupyterLab In diesem Beispiel importieren Sie ein Notizbuch, mit dem Sie mithilfe der verteilten Verarbeitungs- und OpenSearch Vektordatenbank Amazon EMR Spark ein RAG-System (Retrieval Augmented Generation) erstellen können.

  1. Starten JupyterLab

    Starten Sie die JupyterLab Anwendung von Studio aus.

  2. Erstellen Sie einen privaten Bereich

    Wenn Sie noch keinen Bereich für Ihre JupyterLab Anwendung erstellt haben, wählen Sie JupyterLab Bereich erstellen. Geben Sie einen Namen für den Bereich ein und behalten Sie den Status Privat für den Bereich bei. Behalten Sie für alle anderen Einstellungen die Standardwerte bei und wählen Sie dann Bereich erstellen.

    Andernfalls führen Sie Ihren JupyterLab Space aus, um eine JupyterLab Anwendung zu starten.

  3. Stellen Sie Ihr LLM und Ihre Einbettungsmodelle für Inferenz bereit
    • Wählen Sie im oberen Menü „Datei“, „Neu“ und dann „Terminal“.

    • Führen Sie im Terminal den folgenden Befehl aus.

      wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-00-setup/Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb mkdir AWSGuides cd AWSGuides wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/AmazonSageMakerDeveloperGuide.pdf wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/EC2DeveloperGuide.pdf wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/AWSGuides/S3DeveloperGuide.pdf

      Dadurch wird das Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb Notizbuch in Ihr lokales Verzeichnis abgerufen und drei PDF-Dateien in einen lokalen AWSGuides Ordner heruntergeladen.

    • Öffnen Sielab-00-setup/Lab_0_Warm_Up_Deploy_EmbeddingModel_Llama2_on_Nvidia.ipynb, behalten Sie den Python 3 (ipykernel) Kernel und führen Sie jede Zelle aus.

      Warnung

      Stellen Sie im Abschnitt Llama 2-Lizenzvereinbarung sicher, dass Sie die Llama2-EULA akzeptieren, bevor Sie fortfahren.

      Das Notebook verwendet zwei Modelle, Llama 2 und all-MiniLM-L6-v2 Models eines für Inferenzzwecke. ml.g5.2xlarge

      Die Bereitstellung der Modelle und die Erstellung der Endpunkte können einige Zeit in Anspruch nehmen.

  4. Öffnen Sie Ihr Haupt-Notizbuch

    Öffnen Sie Ihr Terminal und führen Sie den folgenden Befehl aus. JupyterLab

    cd .. wget --no-check-certificate https://raw.githubusercontent.com/aws-samples/sagemaker-studio-foundation-models/main/lab-03-rag/Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb

    Sie sollten das zusätzliche Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb Notizbuch im linken Bereich von sehen JupyterLab.

  5. Wähle einen PySpark Kernel

    Öffnen Sie Ihr Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb Notizbuch und stellen Sie sicher, dass Sie den SparkMagic PySpark Kernel verwenden. Sie können den Kernel oben rechts auf Ihrem Notebook wechseln. Wählen Sie den aktuellen Kernelnamen, um ein Kernelauswahl-Modal zu öffnen, und wählen Sie dannSparkMagic PySpark.

  6. Connect Sie Ihr Notebook mit dem Cluster
    1. Wählen Sie oben rechts in Ihrem Notizbuch Cluster aus. Diese Aktion öffnet ein modales Fenster, in dem alle laufenden Cluster aufgeführt sind, für deren Zugriff Sie berechtigt sind.

    2. Wählen Sie Ihren Cluster und dann Connect aus. Ein neues modales Fenster zur Auswahl des Anmeldeinformationstyps wird geöffnet.

    3. Wählen Sie Keine Anmeldeinformationen und dann Connect aus.

      Modal, das eine Auswahl von Amazon EMR-Anmeldeinformationen für JupyterLab Notebooks zeigt.
    4. Eine Notebook-Zelle wird automatisch gefüllt und läuft. Die Notebook-Zelle lädt die sagemaker_studio_analytics_extension.magics Erweiterung, die Funktionen für die Verbindung mit dem Amazon EMR-Cluster bereitstellt. Anschließend verwendet es den %sm_analytics magischen Befehl, um die Verbindung zu Ihrem Amazon EMR-Cluster und der Spark-Anwendung herzustellen.

      Anmerkung

      Stellen Sie sicher, dass für die Verbindungszeichenfolge zu Ihrem Amazon EMR-Cluster der Authentifizierungstyp auf None eingestellt ist. Dies wird durch den Wert --auth-type None im folgenden Beispiel veranschaulicht. Sie können das Feld bei Bedarf ändern.

      %load_ext sagemaker_studio_analytics_extension.magics %sm_analytics emr connect --verify-certificate False --cluster-id your-cluster-id --auth-type None --language python
    5. Sobald Sie die Verbindung erfolgreich hergestellt haben, sollte Ihre Ausgabenachricht in der Verbindungszelle Ihre SparkSession Details enthalten, einschließlich Ihrer Cluster-ID, YARN Anwendungs-ID und eines Links zu Spark Benutzeroberfläche zur Überwachung Ihres Spark Jobs.

Sie sind bereit, das Lab_3_RAG_on_SageMaker_Studio_using_EMR.ipynb Notizbuch zu benutzen. In diesem Beispiel-Notebook werden verteilte PySpark Workloads für den Aufbau eines RAG-Systems mit LangChain und OpenSearch ausgeführt.

Schritt 4: Bereinigen Sie Ihren Stack AWS CloudFormation

Wenn Sie fertig sind, stellen Sie sicher, dass Sie Ihre beiden Endgeräte beenden und Ihren AWS CloudFormation Stack löschen, um weitere Gebühren zu vermeiden. Durch das Löschen des Stacks werden alle Ressourcen bereinigt, die vom Stack bereitgestellt wurden.

Um Ihren AWS CloudFormation Stack zu löschen, wenn Sie damit fertig sind
  1. Gehe zur AWS CloudFormation Konsole: https://console.aws.amazon.com/cloudformation

  2. Wählen Sie den Stack aus, den Sie löschen möchten. Sie können nach dem Namen suchen oder ihn in der Liste der Stapel finden.

  3. Klicken Sie auf die Schaltfläche Löschen, um das Löschen des Stacks abzuschließen, und klicken Sie dann erneut auf Löschen, um zu bestätigen, dass dadurch alle vom Stapel erstellten Ressourcen gelöscht werden.

    Warten Sie, bis das Löschen des Stacks abgeschlossen ist. Das kann ein paar Minuten dauern. AWS CloudFormation bereinigt automatisch alle in der Stack-Vorlage definierten Ressourcen.

  4. Stellen Sie sicher, dass alle vom Stack erstellten Ressourcen gelöscht wurden. Suchen Sie beispielsweise nach übrig gebliebenen Amazon EMR-Clustern.

Um die API-Endpunkte für ein Modell zu entfernen
  1. Gehe zur SageMaker AI-Konsole: https://console.aws.amazon.com/sagemaker/.

  2. Wählen Sie im linken Navigationsbereich Inference und dann Endpoints aus.

  3. Wählen Sie den Endpunkt aus hf-allminil6v2-embedding-ep und wählen Sie dann in der Dropdownliste Aktionen die Option Löschen aus. Wiederholen Sie den Schritt für den Endpunktmeta-llama2-7b-chat-tg-ep.