작업 공간의 Snowflake 노트북¶

개요¶

작업 공간의 새로운 Snowflake Notebooks 환경은 향상된 성능, 개선된 개발자 생산성, Jupyter 호환성을 제공합니다. 작업 공간 환경은 손쉬운 파일 관리를 지원하므로 개별 노트북과 프로젝트 파일을 반복할 수 있습니다. 폴더를 생성하고, 파일을 업로드하고, 노트북을 구성합니다. 노트북 파일은 작업 공간의 탭에서 열리며 편집 및 실행이 가능합니다.

이 새로운 오퍼링에는 다음이 포함됩니다.

• 익숙한 Jupyter 환경 - 관리되는 Snowflake 데이터에 직접 액세스할 수 있는 Jupyter 노트북 환경을 지원합니다.

• 향상된 IDE 기능 - 생산성 향상을 위한 편집 도구, 파일 관리, 터미널 액세스가 제공됩니다.

• 강력한 AI/ML - 확장 가능한 AI/ML 개발에 최적화된 사전 구축된 컨테이너 환경에서 실행되며, CPUs 및 GPUs에 대한 완전 관리형 액세스를 제공합니다.

• 관리되는 협업 - 통합된 작업 공간 또는 :doc:`공유된 작업 공간</user-guide/ui-snowsight/workspaces-shared>`을 통해 역할 기반 액세스 제어 및 버전 기록을 사용하여 여러 사용자가 동일한 작업 공간에서 작업할 수 있습니다.

• 예약 및 오케스트레이션 - 네이티브 스케줄러를 사용하거나 노트북을 프로덕션 파이프라인용 오케스트레이션 스크립트에 통합합니다.

머신 러닝(ML) 워크플로의 이점¶

작업 공간의 노트북은 ML 워크플로를 위한 두 가지 기본 기능을 제공합니다.

• 엔드투엔드 워크플로 - 사용자는 이 플랫폼을 통해 소스 데이터 액세스부터 모델 추론에 이르기까지의 전체 ML 수명 주기를 단일 Jupyter 노트북 환경 내에 통합할 수 있습니다. 이 환경은 기본 데이터 플랫폼과 통합되어 데이터 및 코드 자산에 대한 기존 거버넌스와 보안 제어를 상속할 수 있습니다.

• 확장 가능한 모델 개발 아키텍처 - 이 아키텍처는 오픈 소스 소프트웨어(OSS) 모델 개발 기능을 제공하여 확장 가능한 모델의 개발을 지원합니다. 사용자는 지정된 CPU 또는 GPU 컴퓨팅 풀을 통해 분산 데이터 로딩 및 학습에 액세스할 수 있습니다. 이러한 설계는 분산 컴퓨팅 리소스를 수동으로 구성할 필요성을 추상화하여 ML 인프라 관리를 간소화합니다.

Snowflake ML에 대한 자세한 내용은 Snowflake ML: 엔드투엔드 머신 러닝 섹션을 참조하세요.

시작하기¶

시작하려면 이 `소개 동영상<https://www.youtube.com/watch?v=_kFhFIvnIrQ>`_을 시청하고 이 `빠른 시작<https://quickstarts.snowflake.com/guide/getting_started_with_snowflake_notebooks/>`_을 사용하세요.