Snowflake Notebooks in Workspaces¶

Übersicht¶

Die neue Snowflake Notebooks-Umgebung in Workspaces bietet verbesserte Performance, verbesserte Entwicklerproduktivität und Jupyter-Kompatibilität. Die Workspaces-Umgebung unterstützt eine einfache Dateiverwaltung, sodass Sie mit einzelnen Notebooks und Projektdateien iterieren können. Erstellen Sie Ordner, laden Sie Dateien hoch, und organisieren Sie Notebooks. Notebook-Dateien werden in Registerkarten in Ihrem Arbeitsbereich geöffnet und können bearbeitet und ausgeführt werden.

Dieses neue Angebot umfasst:

Vertraute Jupyter-Erfahrung – Unterstützt eine Jupyter-Notebook-Umgebung mit direktem Zugriff auf verwaltete Snowflake-Daten.
Verbesserte IDE-Features – Bearbeitungstools, Dateiverwaltung und Zugriff auf Terminal für mehr Produktivität.
Starke AI/ML-Performance – Ausführung in einer vorgefertigten Containerumgebung, die für eine skalierbare AI/ML-Entwicklung mit vollständig verwaltetem Zugriff auf CPUs und GPUs optimiert ist.
Verwaltete Zusammenarbeit – Ermöglicht es mehreren Benutzenden, in demselben Arbeitsbereich zu arbeiten, mit rollenbasierter Zugriffssteuerung und Versionsverlauf über integrierte Arbeitsbereiche oder freigegebene Arbeitsbereiche.
Zeitplan und Orchestrierung – Verwenden Sie den nativen Scheduler oder binden Sie Notebooks in Orchestrierungsskripte für Produktionspipelines ein.

../../../_images/notebooks-in-workspaces.png

Vorteile für ML-Workflows (maschinelles Lernen)¶

Notebooks in Workspaces bietet zwei primäre Funktionen für ML-Workflows:

Ende-zu-Ende-Workflow – Die Plattform ermöglicht es Benutzenden, ihren ML-Lebenszyklus vollständig zu konsolidieren, vom Zugriff auf die Quelldaten bis zur Inferenz von Modellen, und zwar innerhalb einer einzigen Jupyter Notebook-Umgebung. Diese Umgebung ist in die zugrunde liegende Datenplattform integriert, sodass sie bestehende Governance- und Sicherheitskontrollen für die Daten- und Code-Assets erben kann.
Skalierbare Modellentwicklungsarchitektur – Die Architektur unterstützt die Entwicklung von skalierbaren Modellen, indem sie Open-Source-Software (OSS)-Möglichkeiten zur Modellentwicklung bereitstellt. Benutzende können auf das verteilte Laden von Daten und das Training über designierte CPU- oder GPU-Computepools zugreifen. Dieses Design vereinfacht die Verwaltung der ML-Infrastruktur, indem die Notwendigkeit einer manuellen Konfiguration verteilter Computeressourcen vermindert wird.

Weitere Informationen zu Snowflake ML finden Sie unter Snowflake ML: Umfassendes maschinelles Lernen.

Erste Schritte¶

Um zu beginnen, sehen Sie sich das Einführungsvideo an, und verwenden Sie diese Schnellstart-Anleitung.