AWS представила аддон SageMaker ИИ Spaces для Amazon EKS, который позволяет запускать интерактивные IDE — JupyterLab и Code Editor — прямо в кластере, где выполняются пайплайны машинного обучения. Ранее data scientist'ам приходилось покидать кластер и переключаться на отдельный JupyterHub или локальный ноутбук, теряя доступ к GPU-узлам, общему хранилищу и IAM-ролям. Новый аддон устраняет этот разрыв, предоставляя управляемые среды в уже существующей инфраструктуре.
Установка и настройка аддона описаны в официальном руководстве AWS. Для работы требуются EKS-кластер версии 1.30 или новее с классическими узлами EC2 (EKS Auto Mode не поддерживается), VPC с публичными и приватными подсетями, а также ряд дополнительных компонентов: EKS Pod Identity Agent, драйвер Amazon EBS CSI, cert-manager и External DNS. После установки аддона и настройки Load Balancer Controller, TLS-сертификата и KMS-ключа, пользователь может создать первое Space и получить доступ к нему через presigned URL в браузере или через VS Code по SSH-over-SSM.
| Параметр | Значение |
|---|---|
| Время развертывания JupyterHub | 3–5 дней |
| Время запуска Space с аддоном | 5 минут |
| Повышение загрузки GPU | до 30% |
| Стоимость SSM advanced tier | $0.00695/час за pod |
Ключевое преимущество — скорость и экономия. По данным AWS, развертывание отдельного JupyterHub с GPU-доступом, хранилищем и аутентификацией обычно занимает у платформенной команды 3–5 дней. С аддоном SageMaker ИИ Spaces data scientist запускает полностью настроенное Space примерно за 5 минут. Кроме того, консолидация интерактивных и обучающих нагрузок на одном кластере позволяет эффективнее использовать GPU-узлы между задачами, что может повысить загрузку GPU до 30% по сравнению с выделенным парком ноутбуков. Это также избавляет от затрат на постоянно работающие GPU-окружения, которые могут обходиться в тысячи долларов в месяц.
Развертывание среды сокращается с 3–5 дней до 5 минут благодаря готовым конфигурациям и интеграции с IAM.
Однако у решения есть особенности. Во-первых, аддон требует версии 0.1.4 или новее, так как более ранние версии поддерживали только Amazon SageMaker HyperPod. Во-вторых, необходимо правильно настроить теги подсетей VPC, иначе Load Balancer Controller может разместить ALB на приватных подсетях, сделав Spaces недоступными. В-третьих, использование SSM advanced-instances tier добавляет около $0.00695/час за каждый Space pod, а также взимается плата за ALB, EBS-тома и сам кластер EKS. AWS рекомендует следовать разделу Cleanup после завершения работы.
Для команд, которые уже используют Amazon EKS для обучения моделей, SageMaker ИИ Spaces — это способ упростить разработку и эксперименты, не покидая кластер. Решение также поддерживает переход на OIDC-аутентификацию через Amazon Cognito, что упрощает управление доступом для больших групп пользователей. В целом, это шаг к унификации инструментов data science и MLOps в единой среде.
