Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Lugar de creación de un trabajo de cuaderno Si desea crear un trabajo de cuaderno, tiene varias opciones. A continuación, se proporcionan las opciones de SageMaker IA para crear un trabajo de bloc de notas. Puedes crear un trabajo en tu JupyterLab bloc de notas en la interfaz de usuario de Studio, o puedes crear un trabajo mediante programación con el SDK de SageMaker Python: + Si crea el trabajo de cuaderno en la interfaz de usuario de Studio, debe proporcionar detalles sobre la imagen y el kernel, las configuraciones de seguridad y cualquier variable o script personalizado. Una vez hecho esto, su trabajo estará programado. Para obtener más información sobre cómo programar su trabajo con SageMaker Notebook Jobs, consulte. [Creación de un cuaderno de trabajo en Studio](create-notebook-auto-run-studio.md) + Para crear un trabajo de notebook con el SDK de SageMaker Python, debe crear una canalización con un paso de trabajo de Notebook e iniciar una ejecución bajo demanda o, si lo desea, utilizar la función de programación de canalizaciones para programar futuras ejecuciones. El SageMaker SDK le brinda la flexibilidad de personalizar su canalización: puede ampliarla para convertirla en un flujo de trabajo con varios pasos de tareas de cuaderno. Como crea un paso de trabajo de SageMaker Notebook y un pipeline, puede realizar un seguimiento del estado de ejecución de su pipeline en el panel de tareas de SageMaker Notebook Jobs y también ver el gráfico de su canalización en Studio. Para obtener detalles sobre cómo programar su trabajo con el SDK de SageMaker Python y enlaces a cuadernos de ejemplo, consulte[Ejemplo del SDK de Python para crear un cuaderno con SageMaker IA](create-notebook-auto-run-sdk.md). # Ejemplo del SDK de Python para crear un cuaderno con SageMaker IA Para ejecutar un bloc de notas independiente con el SDK de SageMaker Python, debe crear un paso de trabajo de Notebook, adjuntarlo a una canalización y utilizar las utilidades que proporciona Pipelines para ejecutar el trabajo bajo demanda o, si lo desea, programar uno o más trabajos futuros. En las siguientes secciones, se describen los pasos básicos para crear un trabajo de cuaderno programado o bajo demanda y realizar un seguimiento de la ejecución. Además, consulte el siguiente análisis si necesita transferir parámetros a su trabajo de cuaderno o conectarse a Amazon EMR en su cuaderno; en estos casos, se requiere una preparación adicional de su cuaderno de Jupyter. También puede aplicar valores predeterminados a un subconjunto de argumentos de `NotebookJobStep` para no tener que especificarlos cada vez que cree un paso de trabajo de cuaderno. Para ver ejemplos de cuadernos que muestran cómo programar trabajos de cuadernos con el SDK de Python para SageMaker IA, consulte [cuadernos de ejemplos de trabajos de cuadernos](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-pipelines/notebook-job-step). **Topics** + [ ## Pasos para crear un trabajo de cuaderno ](#create-notebook-auto-run-overall) + [ ## Consulte los trabajos de cuaderno en el panel de la interfaz de usuario de Studio ](#create-notebook-auto-run-dash) + [ ## Visualización del gráfico de la canalización en Studio ](#create-notebook-auto-run-graph) + [ ## Paso de los parámetros al cuaderno ](#create-notebook-auto-run-passparam) + [ ## Conexión a un clúster de Amazon EMR en su cuaderno de entrada ](#create-notebook-auto-run-emr) + [ ## Configuración de opciones predeterminadas ](#create-notebook-auto-run-intdefaults) ## Pasos para crear un trabajo de cuaderno Puede crear un trabajo de cuaderno que se ejecute inmediatamente o de acuerdo con una programación. En las siguientes instrucciones se describen ambos métodos. **Para programar un trabajo de cuaderno, realice los siguientes pasos básicos:** 1. Crear una instancia de `NotebookJobStep`. [Para obtener más información sobre los `NotebookJobStep` parámetros, consulta sagemaker.workflow.steps. NotebookJobStep](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.notebook_job_step.NotebookJobStep). Como mínimo, puede proporcionar los siguientes argumentos, tal y como se muestra en el siguiente fragmento de código: **importante** Si programa el trabajo del bloc de notas con el SDK de SageMaker Python, solo podrá especificar determinadas imágenes para ejecutar el trabajo del bloc de notas. Para obtener más información, consulte [Restricciones de imagen para trabajos de cuadernos del SDK de Python para SageMaker IA](notebook-auto-run-constraints.md#notebook-auto-run-constraints-image-sdk). ``` notebook_job_step = NotebookJobStep( input_notebook=input-notebook, image_uri=image-uri, kernel_name=kernel-name ) ``` 1. Cree una canalización con su `NotebookJobStep` en un solo paso, tal y como se muestra en el siguiente fragmento: ``` pipeline = Pipeline( name=pipeline-name, steps=[notebook_job_step], sagemaker_session=sagemaker-session, ) ``` 1. Ejecute la canalización bajo demanda o, si lo desea, programe futuras ejecuciones de la canalización. Para iniciar una ejecución inmediata, utilice el siguiente comando: ``` execution = pipeline.start( parameters={...} ) ``` Si lo desea, puede programar una sola ejecución futura de una canalización o varias ejecuciones en un intervalo predeterminado. Especifique su programación en `PipelineSchedule` y, a continuación, pase el objeto de programación a su canalización con `put_triggers`. Para obtener más información acerca de la programación de una canalización, consulte [Programa una canalización con el SDK de SageMaker Python](pipeline-eventbridge.md#build-and-manage-scheduling). En el siguiente ejemplo, se programa la canalización para que se ejecute una vez el 12 de diciembre de 2023 a las 10:31:32 UTC. ``` my_schedule = PipelineSchedule( name="my-schedule“, at=datetime(year=2023, month=12, date=25, hour=10, minute=31, second=32) ) pipeline.put_triggers(triggers=[my_schedule]) ``` En el siguiente ejemplo, se programa la canalización para que se ejecute a las 10:15 h UTC del último viernes de cada mes de los años 2022 a 2023. Para obtener más información sobre la programación basada en cron, consulte [Programaciones basadas en cron](https://docs.aws.amazon.com/scheduler/latest/UserGuide/schedule-types.html#cron-based). ``` my_schedule = PipelineSchedule( name="my-schedule“, cron="15 10 ? * 6L 2022-2023" ) pipeline.put_triggers(triggers=[my_schedule]) ``` 1. (Opcional) Vea los trabajos de su bloc de notas en el panel de trabajos de SageMaker bloc de notas. Los valores que proporcione para el argumento `tags` del paso Trabajo de cuaderno controlan la forma en que la interfaz de usuario de Studio captura y muestra el trabajo. Para obtener más información, consulte [Consulte los trabajos de cuaderno en el panel de la interfaz de usuario de Studio](#create-notebook-auto-run-dash). ## Consulte los trabajos de cuaderno en el panel de la interfaz de usuario de Studio Los trabajos de cuaderno que cree como pasos de la canalización aparecen en el panel de tareas Trabajo de cuaderno de Studio si especifica determinadas etiquetas. **nota** Solo los trabajos de bloc de notas creados en Studio o en JupyterLab entornos locales crean definiciones de trabajos. Por lo tanto, si crea su trabajo de bloc de notas con el SDK de SageMaker Python, no verá las definiciones de trabajo en el panel de trabajos de bloc de notas. Sin embargo, puede ver los trabajos de cuaderno tal y como se describe en [Ver los trabajos del cuaderno](view-notebook-jobs.md). Puede controlar qué miembros del equipo pueden ver los trabajos de su cuaderno con las siguientes etiquetas: + Para mostrar el cuaderno a todos los perfiles de usuario o [espacios](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl-user-guide.html) de un dominio, añada la etiqueta de dominio con su nombre de dominio. A continuación se muestra un ejemplo: + clave: `sagemaker:domain-name`, valor: `d-abcdefghij5k` + Para mostrar el trabajo del cuaderno a un perfil de usuario determinado de un dominio, añada tanto el perfil de usuario como las etiquetas de dominio. A continuación, se muestra un ejemplo de una etiqueta de perfil de usuario: + clave: `sagemaker:user-profile-name`, valor: `studio-user` + Para mostrar el trabajo de cuaderno en un [espacio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl-user-guide.html), añada tanto el espacio como las etiquetas de dominio. A continuación, se muestra un ejemplo de etiqueta de espacio: + clave: `sagemaker:shared-space-name`, valor: `my-space-name` + Si no asocia ningún dominio o perfil de usuario ni etiquetas de espacio, la interfaz de usuario de Studio no mostrará el trabajo de cuaderno creado por el paso de la canalización. En este caso, puede ver el trabajo de entrenamiento subyacente en la consola de trabajos de entrenamiento o puede ver el estado en la [lista de ejecuciones de la canalización](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio-view-execution.html). Una vez que haya configurado las etiquetas necesarias para ver sus trabajos en el panel de control, consulte [Ver los trabajos del cuaderno](view-notebook-jobs.md) para ver instrucciones sobre cómo ver los trabajos y descargar los resultados. ## Visualización del gráfico de la canalización en Studio Como el paso del trabajo de cuaderno forma parte de una canalización, puede ver el gráfico de la canalización (DAG) en Studio. En el gráfico de la canalización, puede ver el estado de la ejecución de la canalización y realizar un seguimiento del linaje. Para obtener más información, consulte [Visualización de los detalles de la ejecución de una canalización](pipelines-studio-view-execution.md). ## Paso de los parámetros al cuaderno Si quiere pasar parámetros al trabajo de cuaderno (utilizando el argumento `parameters` de `NotebookJobStep`), debe preparar el cuaderno de entrada para recibir los parámetros. El ejecutor de trabajos de cuadernos basado en Papermill busca una celda de Jupyter etiquetada con la etiqueta `parameters` y aplica los nuevos parámetros o las anulaciones de parámetros inmediatamente después de esta celda. Para obtener más información, consulte [Parametrizar el cuaderno](notebook-auto-run-troubleshoot-override.md). Una vez realizado este paso, pase los parámetros a su `NotebookJobStep`, tal y como se muestra en el siguiente ejemplo: ``` notebook_job_parameters = { "company": "Amazon" } notebook_job_step = NotebookJobStep( image_uri=image-uri, kernel_name=kernel-name, role=role-name, input_notebook=input-notebook, parameters=notebook_job_parameters, ... ) ``` ## Conexión a un clúster de Amazon EMR en su cuaderno de entrada Si se conecta a un clúster de Amazon EMR desde su cuaderno de Jupyter en Studio, es posible que tenga que modificar adicionalmente su cuaderno de Jupyter en Studio. Consulte [Conexión a un clúster de Amazon EMR desde su cuaderno](scheduled-notebook-connect-emr.md) si necesita realizar alguna de las siguientes tareas en su cuaderno: + **Pase parámetros al comando de conexión de Amazon EMR.** Studio usa Papermill para ejecutar cuadernos. En los SparkMagic núcleos, es posible que los parámetros que transfiera al comando de conexión de Amazon EMR no funcionen según lo esperado debido a la forma en que Papermill pasa la información. SparkMagic + **Pasar las credenciales de usuario a clústeres de Amazon EMR autenticados por Kerberos, LDAP o HTTP Basic Auth**. Debe pasar las credenciales de usuario a través de AWS Secrets Manager. ## Configuración de opciones predeterminadas El SageMaker SDK le ofrece la opción de establecer valores predeterminados para un subconjunto de parámetros, de modo que no tenga que especificarlos cada vez que cree una instancia. `NotebookJobStep` Estos parámetros son `role`, `s3_root_uri`, `s3_kms_key`, `volume_kms_key`, `subnets` y `security_group_ids`. Usa el archivo de configuración de SageMaker AI para establecer los valores predeterminados del paso. Para obtener información sobre el archivo de configuración de SageMaker AI, consulte [Configuración y uso de valores predeterminados con el SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk). . Para configurar los valores predeterminados de los trabajos de cuaderno, aplique los nuevos valores predeterminados a la sección de trabajos del cuaderno del archivo de configuración, tal y como se muestra en el siguiente fragmento: ``` SageMaker: PythonSDK: Modules: NotebookJob: RoleArn: 'arn:aws:iam::555555555555:role/IMRole' S3RootUri: 's3://amzn-s3-demo-bucket/my-project' S3KmsKeyId: 's3kmskeyid' VolumeKmsKeyId: 'volumekmskeyid1' VpcConfig: SecurityGroupIds: - 'sg123' Subnets: - 'subnet-1234' ``` # Creación de un cuaderno de trabajo en Studio **nota** El programador de cuadernos se creó a partir de los servicios Amazon EventBridge, SageMaker Training y Pipelines. Si los trabajos del cuaderno no tienen éxito, es posible que aparezcan errores relacionados con estos servicios. A continuación, se proporciona información sobre cómo crear un trabajo de cuaderno en la interfaz de usuario de Studio. SageMaker Notebook Jobs le proporciona las herramientas para crear y administrar sus trabajos de cuaderno no interactivos mediante el widget Notebook Jobs. Puede crear trabajos, ver los trabajos que ha creado y pausar, detener o reanudar los trabajos existentes. También puede modificar las programaciones de los cuadernos. Al crear el trabajo de cuaderno programado, el programador intenta inferir una selección de opciones predeterminadas y rellena automáticamente el formulario para ayudarle a ponerse en marcha rápidamente. Si utiliza Studio, como mínimo puede enviar un trabajo bajo demanda sin configurar ninguna opción. También puede enviar una definición de trabajo del cuaderno (programada) con solo la información de la programación específica. Sin embargo, puede personalizar otros campos si el trabajo programado requiere ajustes especializados. Si utiliza un cuaderno de Jupyter local, la extensión del planificador incluye una característica para que especifique sus propios valores predeterminados (para un subconjunto de opciones), de forma que no tenga que insertar manualmente los mismos valores cada vez. Al crear un trabajo de cuaderno, puede incluir archivos adicionales, como conjuntos de datos, imágenes y scripts locales. Para ello, elija **Ejecutar el trabajo con carpeta de entrada**. El trabajo de cuaderno ahora tendrá acceso a todos los archivos de la carpeta del archivo de entrada. Mientras se ejecuta el trabajo de cuaderno, la estructura de archivos del directorio permanece inalterada. Para programar un trabajo de cuaderno, complete los siguientes pasos. 1. Abra el formulario **Crear trabajo**. En JupyterLab entornos locales, elija el icono **Crear un trabajo de bloc** de notas (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/notebook-schedule.png)) en la barra de tareas. Si no ve el icono, siga las instrucciones en [Guía de instalación](scheduled-notebook-installation.md) para instalarlo. En Studio, abra el formulario de una de las dos formas siguientes: + Uso del **explorador de archivos** 1. En el **explorador de archivos** del panel izquierdo, haga clic con el botón derecho en el cuaderno que desee ejecutar como un trabajo programado. 1. Elija **Crear trabajo de cuaderno**. + En el cuaderno de Studio + En el cuaderno de Studio que desee ejecutar como un trabajo programado, seleccione el icono **Crear un trabajo de cuaderno** (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/notebook-schedule.png)) en la barra de herramientas de Studio. 1. Rellene el formulario que aparece. El formulario muestra los siguientes campos: + **Nombre del trabajo**: nombre descriptivo que especifique para el trabajo. + **Archivo de entrada**: el nombre del cuaderno que va a ejecutar en modo no interactivo. + **Tipo de cómputo**: el tipo de instancia de Amazon EC2 en la que desea ejecutar el cuaderno. + **Parámetros**: parámetros personalizados que, si lo desea, puede especificar como entradas para su cuaderno. Para utilizar esta característica, es posible que desee etiquetar una celda específica de su cuaderno de Jupyter con la etiqueta **parameters** para controlar dónde se aplican sus parámetros. Para obtener más información, consulte [Parametrizar el cuaderno](notebook-auto-run-troubleshoot-override.md). + (Opcional) **Ejecutar trabajo con carpeta de entrada**: si se selecciona, el trabajo programado tendrá acceso a todos los archivos que se encuentren en la misma carpeta que el **archivo de entrada**. + **Opciones adicionales**: puede especificar personalizaciones adicionales para su trabajo. Por ejemplo, puede especificar una imagen o un kernel, las carpetas de entrada y salida, las opciones de reintento y tiempo de espera del trabajo, los detalles de cifrado y los scripts de inicialización personalizados. Para ver una lista completa de las personalizaciones que puede aplicar, consulte [Opciones disponibles](create-notebook-auto-execution-advanced.md). 1. Programe su trabajo. Puede utilizar su cuaderno bajo demanda o según una programación fija. + Para ejecutar el cuaderno bajo demanda, complete los siguientes pasos. + Seleccione **Ejecutar ahora**. + Seleccione **Crear**. + Aparece la pestaña **Trabajos de cuaderno**. Elija **Recargar** para cargar su trabajo en el panel. + Para ejecutar el cuaderno según una programación fija, complete los siguientes pasos. + Elija **Ejecutar según una programación**. + Elija la lista desplegable **Intervalo** y seleccione un intervalo. Los intervalos van desde cada minuto hasta mensualmente. También puede seleccionar **Programación personalizada**. + Según el intervalo que elija, aparecerán campos adicionales para ayudarle a especificar mejor el día y la hora de ejecución que desee. Por ejemplo, si selecciona **Día** para una ejecución diaria, aparecerá un campo adicional para que especifique la hora deseada. Tenga en cuenta que cualquier hora que especifique está en formato UTC. Tenga en cuenta también que si elige un intervalo pequeño, como un minuto, sus trabajos se superpondrán si el trabajo anterior no se ha completado cuando comience el siguiente. Si selecciona una programación personalizada, utilizará la sintaxis cron en el cuadro de expresión para especificar la fecha y hora exactas de la ejecución. La sintaxis cron es una lista de dígitos separados por espacios, cada uno de los cuales representa una unidad de tiempo desde segundos hasta años. Si necesita ayuda con la sintaxis cron, puede elegir **Obtener ayuda con la sintaxis cron** en el cuadro de expresiones. + Seleccione **Crear**. + Aparece la pestaña **Definiciones de trabajos del cuaderno**. Seleccione **Recargar** para cargar la definición del trabajo en el panel. # Configuración de opciones predeterminadas para los cuadernos locales **importante** A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md). Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md). Puede configurar las opciones predeterminadas al crear un trabajo de cuaderno. Eso puede ahorrarle tiempo si tiene pensado crear varios trabajos de cuaderno con opciones distintas a las que se proporcionan de manera predeterminada. A continuación, se proporciona información sobre cómo configurar las opciones predeterminadas para los cuadernos locales. Si tiene que escribir (o pegar) manualmente valores personalizados en el formulario **Crear trabajo**, puede almacenar los nuevos valores predeterminados y la extensión del planificador insertará los nuevos valores cada vez que cree una nueva definición de trabajo. Esta característica está disponible para las siguientes opciones: + **ARN del rol** + **Carpeta de entrada de S3** + **Carpeta de salida de S3** + **Clave de KMS de cifrado de salida** (si activa **Configurar el cifrado de trabajos**) + **Clave de KMS de cifrado del volumen de la instancia de trabajo** (si activa **Configurar el cifrado de trabajos**) Esta característica le ahorra tiempo si inserta valores diferentes a los valores predeterminados proporcionados y continúa utilizando esos valores para futuras ejecuciones de trabajos. La configuración de usuario que elijas se guarda en la máquina en la que se ejecuta el JupyterLab servidor y se recupera con la ayuda de la API nativa. Si proporciona nuevos valores predeterminados para una o más opciones, pero no para las cinco, se utilizarán los valores predeterminados anteriores para las que no haya personalizado. Las siguientes instrucciones le muestran cómo previsualizar los valores predeterminados existentes, configurar nuevos valores predeterminados y restablecer los valores predeterminados para los trabajos de cuaderno. **Realice los siguientes pasos para previsualizar los valores predeterminados existentes en los trabajos de cuaderno:** 1. Abra la consola Amazon SageMaker Studio Classic siguiendo las instrucciones de[Lanzamiento de Amazon SageMaker Studio Classic](studio-launch.md). 1. En el **explorador de archivos** del panel izquierdo, haga clic con el botón derecho en el cuaderno que desee ejecutar como un trabajo programado. 1. Elija **Crear trabajo de cuaderno**. 1. Seleccione **Opciones adicionales** para expandir la pestaña de configuración de trabajos del cuaderno. Puede ver la configuración predeterminada aquí. **Para configurar nuevos valores predeterminados para los futuros trabajos de cuaderno, siga estos pasos:** 1. Abra la consola Amazon SageMaker Studio Classic siguiendo las instrucciones de[Lanzamiento de Amazon SageMaker Studio Classic](studio-launch.md). 1. En el menú superior de Studio Classic, seleccione **Configuración** y, a continuación, seleccione **Editor de configuración avanzada**. 1. Selecciona **Amazon SageMaker Scheduler** en la lista que aparece debajo de **Configuración.** Puede que ya esté abierto de forma predeterminada. 1. Puede actualizar la configuración predeterminada directamente en esta página de la interfaz de usuario o mediante el editor de JSON. + En la interfaz de usuario, puede insertar nuevos valores para el **ARN del rol**, la **Carpeta de entrada de S3**, la **Carpeta de salida de S3**, la **Clave de KMS de cifrado de salida** o la **Clave de KMS de cifrado del volumen de instancia de trabajo**. Si cambia estos valores, verá los nuevos valores predeterminados para estos campos cuando cree su próximo trabajo de cuaderno en **Opciones adicionales**. + (Opcional) Para actualizar los valores predeterminados del usuario mediante el **Editor de configuración de JSON**, realice los siguientes pasos: 1. En la esquina superior derecha, seleccione el **Editor de configuración de JSON**. 1. En la barra lateral izquierda de **Configuración**, selecciona **Amazon SageMaker AI** Scheduler. Puede que ya esté abierto de forma predeterminada. Puede ver sus valores predeterminados actuales en el panel **Preferencias de usuario**. Puede ver los valores predeterminados del sistema en el panel **Valores predeterminados del sistema**. 1. Para actualizar los valores predeterminados, copie y pegue el fragmento de código JSON del panel de **Valores predeterminados del sistema** en el panel de **Preferencias de usuario** y actualice los campos. 1. Si ha actualizado los valores predeterminados, seleccione el icono de **Guardar configuración de usuario** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Notebook_save.png)) en la esquina superior derecha. Al cerrar el editor, no se guardan los cambios. **Si ha modificado anteriormente los valores predeterminados definidos por el usuario y ahora desea restablecerlos, complete los siguientes pasos:** 1. En el menú superior de Studio Classic, seleccione **Configuración** y, a continuación, seleccione **Editor de configuración avanzada**. 1. Selecciona **Amazon SageMaker Scheduler** en la lista que aparece debajo de **Configuración.** Puede que ya esté abierto de forma predeterminada. 1. Puede restaurar los valores predeterminados utilizando directamente esta página de la interfaz de usuario o el editor de JSON. + En la interfaz de usuario, puede elegir **Restaurar valores predeterminados** en la esquina superior derecha. Los valores predeterminados se restauran a cadenas vacías. Solo verá esta opción si ha modificado previamente los valores predeterminados. + (Opcional) Para reiniciar la configuración predeterminada utilizando el **Editor de configuración de JSON**, realice los siguientes pasos: 1. En la esquina superior derecha, seleccione el **Editor de configuración de JSON**. 1. En la barra lateral izquierda de **Configuración**, selecciona **Amazon SageMaker AI** Scheduler. Puede que ya esté abierto de forma predeterminada. Puede ver sus valores predeterminados actuales en el panel **Preferencias de usuario**. Puede ver los valores predeterminados del sistema en el panel **Valores predeterminados del sistema**. 1. Para restablecer la configuración predeterminada actual, copie el contenido del panel de **Valores predeterminados del sistema** al panel **Preferencias de usuario**. 1. Elija el icono de **Guardar configuración de usuario** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Notebook_save.png)) en la esquina superior derecha. Al cerrar el editor, no se guardan los cambios.