기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Amazon SageMaker Studio **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. Amazon SageMaker Studio는 ML 워크플로를 실행하기 위한 최신 웹 기반 환경입니다. Studio는 통합 개발 환경(IDE)을 제공합니다. 여기에는 Code-OSS를 기반으로 하는 코드 편집기, Visual Studio Code - Open Source, 새로운 JupyterLab 애플리케이션, RStudio 및 Amazon SageMaker Studio Classic이 포함됩니다. 자세한 내용은 [Amazon SageMaker Studio에서 지원되는 애플리케이션](studio-updated-apps.md) 단원을 참조하십시오. Studio의 새로운 웹 기반 UI는 더 빠르고 단일 인터페이스에서 작업 및 엔드포인트를 포함한 모든 SageMaker AI 리소스에 대한 액세스를 제공합니다. ML 실무자는 선호하는 IDE를 선택하여 ML 개발을 가속화할 수도 있습니다. 데이터 과학자는 JupyterLab을 사용하여 데이터를 탐색하고 모델을 조정할 수 있습니다. 또한 기계 학습 작업(MLOps) 엔지니어는 Studio의 파이프라인 도구와 함께 코드 편집기를 사용하여 프로덕션에서 모델을 배포하고 모니터링할 수 있습니다. 이전 Studio 환경은 Amazon SageMaker Studio Classic으로 여전히 지원되고 있습니다. Studio Classic은 기존 고객의 기본 환경이며 Studio에서 애플리케이션으로 사용할 수 있습니다. Studio Classic에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. Studio Classic에서 Studio로 마이그레이션하는 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에서 마이그레이션](studio-updated-migrate.md) 섹션을 참조하세요. Studio는 다음과 같은 혜택을 얻을 수 있습니다. + 시작 시간이 더 빠르고 기존 Studio Classic 애플리케이션보다 안정적인 새로운 JupyterLab 애플리케이션입니다. 자세한 내용은 [SageMaker JupyterLab](studio-updated-jl.md) 섹션을 참조하세요. + Code-OSS, Visual Studio Code - Open Source 애플리케이션을 기반으로 하는 새 코드 편집기를 포함하여 별도의 탭에서 열리는 IDE 제품군입니다. 사용자는 전체 화면 환경에서 지원되는 IDE와 상호 작용할 수 있습니다. 자세한 내용은 [Amazon SageMaker Studio에서 지원되는 애플리케이션](studio-updated-apps.md) 단원을 참조하십시오. + 한 곳에서 모든 SageMaker AI 리소스에 액세스할 수 있습니다. Studio는 모든 애플리케이션에서 실행 중인 인스턴스를 표시합니다.  + 노트북에서 예약된 작업이든 Amazon SageMaker JumpStart에서 시작된 작업이든 관계없이 단일 뷰에서 모든 훈련 작업에 액세스할 수 있습니다. + Studio에서 직접 간소화된 모델 배포 워크플로 및 엔드포인트 관리 및 모니터링. SageMaker AI 콘솔에는 액세스할 필요가 없습니다. + 도메인에 온보딩할 때 구성된 모든 애플리케이션의 자동 생성. 도메인에 온보딩에 대한 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 섹션을 참조하세요. + 파운데이션 모델을 검색, 가져오기, 등록, 미세 조정 및 배포할 수 있는 개선된 JumpStart 환경입니다. 자세한 내용은 [SageMaker JumpStart 사전 훈련된 모델](studio-jumpstart.md) 단원을 참조하십시오. **Topics** + [ # Amazon SageMaker Studio 출시 ](studio-updated-launch.md) + [ # Amazon SageMaker Studio UI 개요 ](studio-updated-ui.md) + [ # Studio의 Amazon EFS 자동 탑재 ](studio-updated-automount.md) + [ # 유휴 종료 ](studio-updated-idle-shutdown.md) + [ # Amazon SageMaker Studio에서 지원되는 애플리케이션 ](studio-updated-apps.md) + [ # 원격 액세스를 사용하여 원격 IDE를 SageMaker 스페이스에 연결 ](remote-access.md) + [ # 기존 보유 이미지 사용(BYOI) ](studio-updated-byoi.md) + [ # Amazon SageMaker Studio에서 수명 주기 구성 ](studio-lifecycle-configurations.md) + [ # Amazon SageMaker Studio 스페이스 ](studio-updated-spaces.md) + [ # Studio 통한 신뢰할 수 있는 ID 전파 ](trustedidentitypropagation.md) + [ # 공통 UI 작업 실행 ](studio-updated-common.md) + [ # Amazon SageMaker Studio를 사용하는 NVMe 스토어 ](studio-updated-nvme.md) + [ # Amazon SageMaker Studio에서 로컬 모드 지원 ](studio-updated-local.md) + [ # 인스턴스, 애플리케이션 및 스페이스를 실행하는 Studio 보기 ](studio-updated-running.md) + [ # 애플리케이션과 스페이스를 실행하는 Studio 중지 또는 삭제 ](studio-updated-running-stop.md) + [ # SageMaker Studio 이미지 지원 정책 ](sagemaker-distribution.md) + [ # Amazon SageMaker Studio 요금 ](studio-updated-cost.md) + [ # 문제 해결 ](studio-updated-troubleshooting.md) + [ # Amazon SageMaker Studio Classic에서 마이그레이션 ](studio-updated-migrate.md) + [ # Amazon SageMaker Studio Classic ](studio.md) # Amazon SageMaker Studio 출시 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 명명되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. 이 페이지의 주제에서는 Amazon SageMaker AI 콘솔 및 AWS Command Line Interface ()에서 Amazon SageMaker Studio를 시작하는 방법을 보여줍니다AWS CLI. **Topics** + [ ## 사전 조건 ](#studio-updated-launch-prereq) + [ ## Amazon SageMaker AI 콘솔에서 시작 ](#studio-updated-launch-console) + [ ## 를 사용하여 시작 AWS CLI ](#studio-updated-launch-cli) ## 사전 조건 시작하기 전에 다음 필수 조건을 완료합니다. + Studio 액세스 권한이 있는 SageMaker AI 도메인에 온보딩합니다. Studio를 도메인의 기본 환경으로 설정할 권한이 없는 경우 관리자에게 문의하세요. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 단원을 참조하십시오. + 현재 버전 설치의 단계에 AWS CLI 따라를 업데이트합니다. [AWS CLI](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled) + 로컬 컴퓨터에서 `aws configure`를 실행하고 AWS 보안 인증을 제공하세요. 자격 AWS 증명에 대한 자세한 내용은 [AWS 자격 증명 이해 및 가져오기를 참조하세요](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html). ## Amazon SageMaker AI 콘솔에서 시작 Amazon SageMaker AI 콘솔에서 Studio를 시작하려면 다음 절차를 완료합니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 Studio를 선택합니다. 1. Studio 랜딩 페이지에서 Studio를 시작할 도메인 및 사용자 프로필을 선택합니다. 1. **스튜디오 열기**를 선택합니다. 1. Studio를 시작하려면 **개인 Studio 시작**을 선택합니다. ## 를 사용하여 시작 AWS CLI 이 섹션에서는를 사용하여 Studio를 시작하는 방법을 보여줍니다 AWS CLI. 를 사용하여 Studio에 액세스하는 절차는 도메인이 AWS Identity and Access Management (IAM) 인증 또는 AWS IAM Identity Center 인증을 사용하는지 여부에 AWS CLI 따라 달라집니다. 도메인에서 IAM 인증을 사용할 때 AWS CLI 를 사용하여 미리 서명된 도메인 URL을 생성하여 Studio를 시작할 수 있습니다. IAM Identity Center 인증과 함께 Studio 시작에 대한 자세한 내용은 [Amazon SageMaker AI에 사용자 지정 설정 사용](onboard-custom.md) 섹션을 참조하세요. ### Studio가 기본 환경인 경우 시작 Studio가 기본 환경인 경우 다음 코드 스니펫은 미리 서명된 도메인 URL을 사용하여 AWS CLI 로부터 Studio를 시작하는 방법을 보여줍니다. 자세한 내용은 [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html)을 참조하세요. ``` aws sagemaker create-presigned-domain-url \ --region region \ --domain-id domain-id \ --user-profile-name user-profile-name \ --session-expiration-duration-in-seconds 43200 ``` ### Amazon SageMaker Studio Classic이 기본 환경인 경우 시작 다음 코드 스니펫 조각은 Studio Classic이 기본 환경인 경우 미리 서명된 도메인 URL을 사용하여 AWS CLI 에서 Studio를 시작하는 방법을 보여줍니다. 자세한 내용은 [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html)을 참조하세요. ``` aws sagemaker create-presigned-domain-url \ --region region \ --domain-id domain-id \ --user-profile-name user-profile-name \ --session-expiration-duration-in-seconds 43200 \ --landing-uri studio:: ``` # Amazon SageMaker Studio UI 개요 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. Amazon SageMaker Studio 사용자 인터페이스는 세 개의 개별 부분으로 나뉩니다. 이 페이지에서는 고유한 부분과 해당 구성 요소에 대한 정보를 제공합니다. + **탐색 모음** - UI의 이 섹션에는 URL, 이동 경로, 알림 및 사용자 옵션이 포함되어 있습니다. + **탐색 창** - UI의 이 섹션에는 Studio에서 지원되는 애플리케이션 목록과 Studio의 기본 워크플로 옵션이 포함되어 있습니다. + **콘텐츠 창** - 연 Studio UI의 현재 페이지를 표시하는 기본 작업 영역입니다. ![\[탐색 창 및 콘텐츠 창(기본 작업 영역)이 있는 Amazon SageMaker Studio 홈 페이지.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/monarch/studio-updated-ui.png) **Topics** + [ ## Amazon SageMaker Studio 탐색 모음 ](#studio-updated-ui-top) + [ ## Amazon SageMaker Studio 탐색 창 ](#studio-updated-ui-left) + [ ## 스튜디오 콘텐츠 창 ](#studio-updated-ui-working) ## Amazon SageMaker Studio 탐색 모음 Studio UI의 탐색 모음에는 URL, 이동 경로, 알림 및 사용자 옵션이 포함됩니다. **URL 구조** UI를 탐색하면 Studio의 URL이 변경됩니다. UI에서 다른 페이지로 이동하면 URL이 해당 페이지를 반영하도록 변경됩니다. 업데이트된 URL을 사용하면 먼저 랜딩 페이지로 이동하지 않고 Studio UI의 모든 페이지를 직접 열 수 있습니다. **Breadcrumbs** Studio UI를 탐색할 때 이동 경로는 현재 페이지의 상위 페이지를 추적합니다. 이러한 이동 경로 중 하나를 선택하면 UI의 상위 페이지로 이동할 수 있습니다. **알림** UI의 알림 섹션에서는 Studio의 중요한 변경 사항, 애플리케이션 업데이트 및 해결해야 할 문제에 대한 정보를 제공합니다. **사용자 옵션** 사용자 옵션 아이콘(![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/monarch/user-settings.png))을 선택하여 현재 Studio를 사용하고 있는 사용자 프로필에 대한 정보를 가져오고 Studio에서 로그아웃할 수 있는 옵션을 제공합니다.  ## Amazon SageMaker Studio 탐색 창 **탐색 창** UI의 탐색 창에는 Studio에서 지원되는 애플리케이션 목록이 포함되어 있습니다. 또한 Studio의 기본 워크플로에 대한 옵션도 제공합니다. UI의 이 섹션은 확장되거나 축소된 상태에서 사용할 수 있습니다. 섹션의 확장 또는 축소 여부를 변경하려면 **축소** 아이콘(![\[Square icon with "ID" text representing an identity or identification concept.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/monarch/collapse-ui.png))을 선택합니다. **애플리케이션** 애플리케이션 섹션에는 Studio에서 사용할 수 있는 애플리케이션이 나열되어 있습니다. 애플리케이션 유형 중 하나를 선택하면 해당 애플리케이션의 랜딩 페이지로 이동합니다. **워크플로** 워크플로 목록에는 Studio에서 수행할 수 있는 사용 가능한 모든 작업이 포함되어 있습니다. 옵션 중 하나를 선택하여 해당 워크플로의 랜딩 페이지로 이동합니다. 해당 옵션에 사용할 수 있는 워크플로가 여러 개 있는 경우 옵션을 선택하면 원하는 랜딩 페이지를 선택할 수 있는 드롭다운 메뉴가 열립니다. 다음 목록은 옵션을 설명하고 자세한 정보를 위한 링크를 제공합니다. + **홈** - 개요, 시작하기 및 새로운 기능이 포함된 기본 랜딩 페이지입니다. + **인스턴스 실행** - 현재 Studio에서 실행 중인 모든 인스턴스입니다. 자세한 내용은 [인스턴스, 애플리케이션 및 스페이스를 실행하는 Studio 보기](studio-updated-running.md) 섹션을 참조하세요. + **데이터** - 협업을 통해 데이터를 저장, 탐색, 준비, 변환 및 공유할 수 있는 데이터 준비 옵션입니다.  + Amazon SageMaker Data Wrangler에 대한 자세한 내용은 [데이터 준비](canvas-data-prep.md) 섹션을 참조하세요. + Amazon SageMaker Feature Store에 대한 자세한 내용은 [Feature Store로 특성 만들기, 저장 및 공유](feature-store.md) 섹션을 참조하세요. + Amazon EMR 클러스터에 대한 자세한 내용은 [Amazon EMR을 사용한 데이터 준비](studio-notebooks-emr-cluster.md) 섹션을 참조하세요. + **Auto ML** - 기계 학습(ML) 모델을 자동으로 빌드, 훈련, 튜닝 및 배포합니다. 자세한 내용은 [Amazon SageMaker Canvas](canvas.md) 섹션을 참조하세요. + **실험** - Amazon SageMaker Experiments를 사용하여 기계 학습 실험을 생성, 관리, 분석 및 비교합니다. 자세한 내용은 [Studio Classic의 Amazon SageMaker Experiments](experiments.md) 섹션을 참조하세요. + **작업** - Studio에서 생성된 작업을 봅니다.  + 훈련에 대한 자세한 정보는 [모델 훈련](train-model.md) 섹션을 참조하세요. + 모델 평가에 대한 자세한 내용은 [SageMaker Clarify를 사용하여 대규모 언어 모델을 평가하기 위한 옵션 이해](clarify-foundation-model-evaluate.md) 항목을 참조하세요. + **파이프라인** - 파이프라인 리소스를 구축, 추적 및 관리하는 데 도움이 되는 리소스를 제공하는 Amazon SageMaker 파이프라인을 사용하여 ML 워크플로를 자동화합니다. 자세한 내용은 [파이프라인](pipelines.md) 섹션을 참조하세요. + **모델** - 모델 버전을 관리하고, 메타데이터를 보고, 모델을 프로덕션에 배포할 수 있는 모델 레지스트리에서 모델을 그룹 및 컬렉션으로 구성합니다. 자세한 내용은 [Model Registry를 사용한 모델 등록 배포](model-registry.md) 섹션을 참조하세요. + **JumpStart**–Amazon SageMaker JumpStart는 기계 학습을 시작하는 데 도움이 되는 다양한 문제 유형에 대해 사전 훈련된 오픈 소스 모델을 제공합니다. 자세한 정보는 [SageMaker JumpStart 사전 훈련된 모델](studio-jumpstart.md) 섹션을 참조하세요. + **배포** - 추론을 위해 기계 학습(ML) 모델을 배포합니다. + Amazon SageMaker Inference Recommender에 대한 자세한 내용은 [Amazon SageMaker Inference Recommender](inference-recommender.md) 섹션을 참조하세요. + 엔드포인트에 대한 자세한 내용은 [추론 모델 배포](deploy-model.md) 섹션을 참조하세요. ## 스튜디오 콘텐츠 창 기본 작업 영역을 콘텐츠 창이라고도 합니다. 열린 Studio UI의 현재 페이지가 표시됩니다. **Studio 홈 페이지** Studio 홈 페이지는 기본 작업 영역의 기본 랜딩 페이지입니다. 홈 페이지에는 두 개의 고유한 탭이 있습니다. **개요** 탭과 **시작하기** 탭이 있습니다. **개요** **개요** 탭에는 널리 사용되는 애플리케이션 유형의 공간을 시작하고, ML 워크플로를 위한 사전 구축 및 자동화된 솔루션을 시작하고, Studio UI의 일반적인 작업에 대한 링크가 포함되어 있습니다. **시작하기** **시작하기** 탭에는 Studio로 시작하는 방법에 대한 정보, 지침 및 리소스가 포함되어 있습니다. 여기에는 Studio UI 가이드 투어, Studio에 대한 설명서 링크, 다양한 빠른 팁이 포함됩니다. # Studio의 Amazon EFS 자동 탑재 Amazon SageMaker AI는 도메인의 각 사용자에 대해 Amazon EFS 볼륨에 폴더 자동 탑재를 지원합니다. 이 폴더를 사용하면 사용자는 자신의 프라이빗 스페이스 간에 데이터를 공유할 수 있습니다. 그러나 사용자는 도메인의 다른 사용자와 데이터를 공유할 수 없습니다. 사용자는 자신의 폴더에만 액세스할 수 있습니다. 사용자의 폴더는 `user-default-efs`라는 폴더를 통해 액세스할 수 있습니다. 이 폴더는 Studio 애플리케이션의 `$HOME` 디렉터리에 있습니다. Amazon EFS 자동 탑재 옵트아웃에 대한 자세한 내용은 [Amazon EFS 자동 탑재 옵트아웃](studio-updated-automount-optout.md) 섹션을 참조하세요. Amazon EFS 자동 탑재를 사용하면 Studio Classic에서 Studio로 데이터를 쉽게 마이그레이션할 수 있습니다. 자세한 내용은 [(선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션](studio-updated-migrate-data.md) 섹션을 참조하세요. **액세스 포인트 정보** 자동 탑재가 활성화되면 SageMaker AI는 Amazon EFS 액세스 포인트를 사용하여 Amazon EFS 볼륨의 데이터에 대한 액세스를 용이하게 합니다. 액세스 포인트에 대한 자세한 내용은 [Working with Amazon EFS access points](https://docs.aws.amazon.com/efs/latest/ug/efs-access-points.html)를 참조하세요. SageMaker AI는 사용자 프로필 생성 중 또는 기존 사용자 프로필에 대한 애플리케이션 생성 중에 도메인의 각 사용자 프로필에 대한 고유한 액세스 포인트를 생성합니다. 액세스 포인트의 POSIX 사용자 값은 SageMaker AI가 액세스 포인트를 생성하는 사용자 프로필의 `HomeEfsFileSystemUid` 값과 일치합니다. 사용자의 값을 가져오려면 [DescribeUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeUserProfile.html#sagemaker-DescribeUserProfile-response-HomeEfsFileSystemUid) 참조하세요. 루트 디렉터리 경로도 POSIX 사용자 값과 동일한 값으로 설정됩니다.  SageMaker AI는 새 디렉터리의 권한을 다음 값으로 설정합니다. + 소유자 사용자 ID: `POSIX user value` + 소유자 그룹 ID: `0` + 권한 `700` Amazon EFS 볼륨에 액세스하려면 액세스 포인트가 필요합니다. 따라서 Amazon EFS 볼륨에 대한 액세스 권한을 잃지 않고 액세스 포인트를 삭제하거나 업데이트할 수 없습니다. **오류 해결** 애플리케이션 생성 중에 Amazon EFS 사용자 폴더를 자동 탑재할 때 SageMaker AI에 문제가 발생하면 애플리케이션이 계속 생성됩니다. 그러나 이 경우 SageMaker AI는 Amazon EFS 폴더를 탑재하는 대신 `error.txt`라는 파일을 생성합니다. 이 파일은 발생한 오류와 이를 해결하는 단계를 설명합니다. SageMaker AI는 애플리케이션의 `$HOME` 디렉터리에 있는 `user-default-efs` 폴더에 `error.txt` 파일을 생성합니다. # Amazon EFS 자동 탑재 옵트아웃 도메인 및 사용자 프로필 생성 중에 또는 기존 도메인 또는 사용자 프로필에 대해 Amazon SageMaker AI 자동 탑재 Amazon EFS 사용자 폴더를 옵트아웃할 수 있습니다. ## 도메인 생성 중 옵트아웃 콘솔 또는 AWS Command Line Interface를 사용하여 도메인을 생성할 때 Amazon EFS 자동 탑재를 해제할 수 있습니다. ### 콘솔 콘솔에서 도메인을 생성할 때 Amazon EFS 자동 탑재를 옵트아웃하려면 다음 단계를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 도메인을 설정하려면 다음 수정으로 [Amazon SageMaker AI에 사용자 지정 설정 사용](onboard-custom.md)의 단계를 완료합니다. + **스토리지 구성** 단계에서 **EFS 스토리지 및 데이터 자동 탑재**를 끕니다. ### AWS CLI 다음 명령을 사용하여 AWS CLI를 사용하여 도메인 생성 중에 Amazon EFS 자동 탑재를 옵트아웃합니다. 를 사용하여 도메인을 생성하는 방법에 대한 자세한 내용은 단원을 AWS CLI참조하십시오[Amazon SageMaker AI에 사용자 지정 설정 사용](onboard-custom.md). ``` aws --region region sagemaker create-domain \ --domain-name "my-domain-$(date +%s)" \ --vpc-id default-vpc-id \ --subnet-ids subnet-ids \ --auth-mode IAM \ --default-user-settings "ExecutionRole=execution-role-arn,AutoMountHomeEFS=Disabled" \ --default-space-settings "ExecutionRole=execution-role-arn" ``` ## 기존 도메인 옵트아웃 콘솔 또는 AWS CLI를 사용하여 기존 도메인에 대한 Amazon EFS 자동 탑재를 옵트아웃할 수 있습니다. ### 콘솔 콘솔에서 도메인을 업데이트할 때 Amazon EFS 자동 탑재를 해제하려면 다음 단계를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. **관리자 구성**의 왼쪽 탐색 창에서 **도메인**을 선택합니다. 1. **도메인** 페이지에서 Amazon EFS 자동 탑재를 옵트아웃하려는 도메인을 선택합니다. 1. **도메인 세부정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. 파일 스토리지 구성 섹션으로 이동합니다. 1. **편집**을 선택합니다. 1. **스토리지 설정 편집** 페이지에서 ** EFS 스토리지 및 데이터 자동 탑재**를 끕니다. 1. **제출**을 선택합니다. ### AWS CLI AWS CLI를 사용하여 기존 도메인을 업데이트하는 동안 다음 명령을 사용하여 Amazon EFS 자동 탑재를 옵트아웃합니다. ``` aws --region region sagemaker update-domain \ --domain-id domain-id \ --default-user-settings "AutoMountHomeEFS=Disabled" ``` ## 사용자 프로필 생성 중 옵트아웃 콘솔 또는 AWS CLI를 사용하여 사용자 프로필을 생성할 때 Amazon EFS 자동 탑재를 해제할 수 있습니다. ### 콘솔 콘솔에서 사용자 프로필을 생성할 때 Amazon EFS 자동 탑재를 해제하려면 다음 단계를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 다음 수정 [사용자 프로필 추가](domain-user-profile-add.md) 사항을 사용하여 의 단계를 완료하여 사용자 프로필을 생성합니다. + **데이터 및 스토리지** 단계에서 **도메인 에서 상속 설정을** 끕니다. 이렇게 하면 사용자가 도메인에 설정된 기본값과 다른 값을 가질 수 있습니다.  + **EFS 스토리지 및 데이터 자동 탑재**를 끕니다. ### AWS CLI 다음 명령을 사용하여 AWS CLI를 사용하여 사용자 프로필을 생성하는 동안 Amazon EFS 자동 탑재를 옵트아웃합니다. 를 사용하여 사용자 프로필을 생성하는 방법에 대한 자세한 내용은 섹션을 AWS CLI참조하세요[사용자 프로필 추가](domain-user-profile-add.md). ``` aws --region region sagemaker create-user-profile \ --domain-id domain-id \ --user-profile-name "user-profile-$(date +%s)" \ --user-settings "ExecutionRole=arn:aws:iam::account-id:role/execution-role-name,AutoMountHomeEFS=Enabled/Disabled/DefaultAsDomain" ``` ## 기존 사용자 프로필 옵트아웃 콘솔 또는 AWS CLI를 사용하여 기존 사용자 프로필에 대한 Amazon EFS 자동 탑재를 옵트아웃할 수 있습니다. ### 콘솔 콘솔에서 사용자 프로필을 업데이트할 때 Amazon EFS 자동 탑재를 해제하려면 다음 단계를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. **관리자 구성**의 왼쪽 탐색 창에서 **도메인**을 선택합니다. 1. **도메인** 페이지에서 Amazon EFS 자동 탑재를 해제하려는 사용자 프로필이 포함된 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **사용자 프로필** 탭을 선택합니다. 1. 업데이트할 사용자 프로필을 선택합니다. 1. **사용자 세부 정보** 탭에서 **AutoMountHomeEFS** 섹션으로 이동합니다. 1. **편집**을 선택합니다. 1. **스토리지 설정 편집** 페이지에서 **도메인 의 상속 설정을** 끕니다. 이렇게 하면 사용자가 도메인에 설정된 기본값과 다른 값을 가질 수 있습니다.  1. **EFS 스토리지 및 데이터 자동 탑재**를 끕니다. 1. **제출**을 선택합니다. ### AWS CLI AWS CLI를 사용하여 기존 사용자 프로필을 업데이트하는 동안 다음 명령을 사용하여 Amazon EFS 자동 탑재를 옵트아웃합니다. ``` aws --region region sagemaker update-user-profile \ --domain-id domain-id \ --user-profile-name user-profile-name \ --user-settings "AutoMountHomeEFS=DefaultAsDomain" ``` # 유휴 종료 Amazon SageMaker AI는 유휴 리소스를 종료하여 비용을 관리하고 유휴, 청구 가능 리소스로 인해 발생하는 비용으로 인한 비용 초과를 방지할 수 있습니다. 이는 앱의 유휴 상태를 감지하고 유휴 기준이 충족될 때 앱 종료를 수행하여 이를 달성합니다. SageMaker AI는 다음 애플리케이션에서 유휴 종료를 지원합니다. 유휴 종료는 각 애플리케이션 유형에 대해 독립적으로 설정해야 합니다. + JupyterLab + Code Editor, Code-OSS 기반, Visual Studio 코드 - 오픈 소스 유휴 종료는 도메인 또는 사용자 프로필 수준에서 설정할 수 있습니다. 유휴 종료가 도메인 수준에서 설정된 경우 유휴 종료 설정은 도메인에서 생성된 모든 애플리케이션에 적용됩니다. 사용자 프로필 수준에서 를 설정하면 유휴 종료 설정은 설정된 특정 사용자에게만 적용됩니다. 사용자 프로필 설정은 도메인 설정을 재정의합니다.  **참고** 유휴 종료를 수행하려면 v2.0 이상의 `SageMaker-distribution`(SMD) 이미지를 사용해야 합니다. 이전 SMD 버전을 사용하는 도메인은 이 기능을 사용할 수 없습니다. 이러한 사용자는 LCC를 사용하여 자동 종료를 대신 관리해야 합니다. ## 유휴의 정의 유휴 종료 설정은 애플리케이션이 실행 중인 작업 없이 유휴 상태가 되는 경우에만 적용됩니다. SageMaker AI는 인스턴스가 유휴 상태가 될 때까지 유휴 종료 타이밍을 시작하지 않습니다. 유휴의 정의는 애플리케이션 유형이JupyterLab인지 Code Editor인지에 따라 다릅니다. JupyterLab 애플리케이션의 경우 다음 조건이 충족되면 인스턴스가 유휴 상태로 간주됩니다. + 활성 Jupyter 커널 세션 없음 + 활성 Jupyter 터미널 세션 없음 Code Editor 애플리케이션의 경우 다음 조건이 충족되면 인스턴스가 유휴 상태로 간주됩니다. + 텍스트 파일 또는 노트북 변경 없음 + 확인 중인 파일 없음 + 터미널과의 상호 작용 없음 # 유휴 종료 설정 다음 섹션에서는 콘솔 또는 AWS CLI를 사용하여 유휴 종료를 설정하는 방법을 보여줍니다. 유휴 종료는 도메인 또는 사용자 프로필 수준에서 설정할 수 있습니다. ## 사전 조건 애플리케이션에서 유휴 종료를 사용하려면 다음 사전 조건을 완료해야 합니다. + 애플리케이션이 SageMaker 배포(SMD) 버전 2.0을 사용하고 있는지 확인합니다. 애플리케이션 생성 중에 이 버전을 선택하거나 생성 후 애플리케이션의 이미지 버전을 업데이트할 수 있습니다. 자세한 정보는 [SageMaker Distribution 이미지 업데이트](studio-updated-jl-update-distribution-image.md) 섹션을 참조하세요. + 사용자 지정 이미지로 구축된 애플리케이션의 경우 사용자 지정 이미지가 기본 이미지로 SageMaker 배포(SMD) 버전 2.0 이상으로 생성된 경우 유휴 종료가 지원됩니다. 사용자 지정 이미지가 다른 기본 이미지로 생성된 경우 이미지에 [jupyter-activity-monitor-extension >= 0.3.1](https://anaconda.org/conda-forge/jupyter-activity-monitor-extension) 확장을 설치하고 JupyterLab 애플리케이션용 Amazon SageMaker AI 도메인에 이미지를 연결해야 합니다. 사용자 지정 이미지에 대한 자세한 내용은 [기존 보유 이미지 사용(BYOI)](studio-updated-byoi.md) 섹션을 참조하세요. ## 콘솔에서 다음 섹션에서는 콘솔에서 유휴 종료를 활성화하는 방법을 보여줍니다. ### 새 도메인을 생성하는 경우 추가 1. [Amazon SageMaker AI에 사용자 지정 설정 사용](onboard-custom.md)의 단계에 따라 도메인을 생성합니다 1. 도메인에서 애플리케이션 설정을 구성할 때 코드 편집기 또는 JupyterLab 섹션으로 이동합니다.  1. **유휴 종료 활성화**를 선택합니다. 1. 기본 유휴 종료 시간을 분 단위로 입력합니다. 값을 입력하지 않으면 이 값은 기본적으로 `10,080` 값으로 설정됩니다. 1. (선택 사항) **사용자가 유휴 종료 시간을 수정할 수 있도록** 사용자 지정 유휴 종료 시간을 설정하도록 허용을 선택합니다. + 사용자가 기본 유휴 종료 시간을 설정할 수 있는 최대값을 입력합니다. 최대값을 입력해야 합니다. 최솟값은 Amazon SageMaker AI에서 설정하며 `60`이어야 합니다. ### 기존 도메인에 추가 **참고** 애플리케이션이 실행 중일 때 유휴 종료가 설정된 경우 유휴 종료 설정을 적용하려면 유휴 종료 설정을 다시 시작해야 합니다. 1. 도메인으로 이동하세요. 1. **앱 구성** 탭을 선택합니다. 1. **앱 구성** 탭에서 코드 편집기 또는 JupyterLab 섹션으로 이동합니다. 1. **편집**을 선택합니다. 1. **유휴 종료 활성화**를 선택합니다. 1. 기본 유휴 종료 시간을 분 단위로 입력합니다. 값을 입력하지 않으면 이 값은 기본적으로 `10,080` 값으로 설정됩니다. 1. (선택 사항) **사용자가 유휴 종료 시간을 수정할 수 있도록** 사용자 지정 유휴 종료 시간을 설정하도록 허용을 선택합니다. + 사용자가 기본 유휴 종료 시간을 설정할 수 있는 최대값을 입력합니다. 최댓값을 입력해야 합니다. 최솟값은 Amazon SageMaker AI에서 설정하며 `60`이어야 합니다. 1. **제출**을 선택합니다. ### 새 사용자 프로필을 생성할 때 추가 1. [사용자 프로필 추가](domain-user-profile-add.md)의 단계에 따라 사용자 프로필을 추가합니다. 1. 사용자 프로필에 대한 애플리케이션 설정을 구성할 때 코드 편집기 또는 JupyterLab 섹션으로 이동합니다. 1. **유휴 종료 활성화**를 선택합니다. 1. 기본 유휴 종료 시간을 분 단위로 입력합니다. 값을 입력하지 않으면 이 값은 기본적으로 `10,080` 값으로 설정됩니다. 1. (선택 사항) **사용자가 유휴 종료 시간을 수정할 수 있도록** 사용자 지정 유휴 종료 시간을 설정하도록 허용을 선택합니다. + 사용자가 기본 유휴 종료 시간을 설정할 수 있는 최대값을 입력합니다. 최댓값을 입력해야 합니다. 최솟값은 Amazon SageMaker AI에서 설정하며 `60`이어야 합니다. 1. “변경 사항 저장”을 선택합니다. ### 기존 사용자 프로필에 추가 참고: 애플리케이션이 실행 중일 때 유휴 종료가 설정된 경우 유휴 종료 설정을 적용하려면 유휴 종료 설정을 다시 시작해야 합니다. 1. 사용자 프로필로 이동합니다. 1. **앱 구성** 탭을 선택합니다. 1. ****앱 구성**** 탭에서 코드 편집기 또는 JupyterLab 섹션으로 이동합니다.  1. **편집**을 선택합니다. 1. 유휴 종료 설정은 도메인에 대해 구성된 경우 기본적으로 도메인 설정을 표시합니다. 1. **유휴 종료 활성화**를 선택합니다. 1. 기본 유휴 종료 시간을 분 단위로 입력합니다. 값을 입력하지 않으면 이 값은 기본적으로 `10,080` 값으로 설정됩니다. 1. (선택 사항) **사용자가 유휴 종료 시간을 수정할 수 있도록** 사용자 지정 유휴 종료 시간을 설정하도록 허용을 선택합니다. + 사용자가 기본 유휴 종료 시간을 설정할 수 있는 최대값을 입력합니다. 최댓값을 입력해야 합니다. 최솟값은 Amazon SageMaker AI에서 설정하며 `60`이어야 합니다. 1. **변경 사항 저장**을 선택합니다. ## 에서 AWS CLI 다음 섹션에서는 AWS CLI를 사용하여 유휴 종료를 활성화하는 방법을 보여줍니다. **참고** 에서 특정 제한 시간 값을 적용하려면 AWS CLI, `MaxIdleTimeoutInMinutes`및 `IdleTimeoutInMinutes``MinIdleTimeoutInMinutes`를 동일한 값으로 설정해야 합니다. ### 도메인 다음 명령은 기존 도메인을 업데이트할 때 유휴 종료를 활성화하는 방법을 보여줍니다. 새 도메인에 유휴 종료를 추가하려면 대신 `create-domain` 명령을 사용합니다. **참고** 애플리케이션이 실행 중일 때 유휴 종료가 설정된 경우 유휴 종료 설정을 적용하려면 유휴 종료 설정을 다시 시작해야 합니다. ``` aws sagemaker update-domain --region region --domain-id domain-id \ --default-user-settings file://default-user-settings.json ## default-user-settings.json example for enforcing the default timeout { "JupyterLabAppSettings": { "AppLifecycleManagement": { "IdleSettings": { "LifecycleManagement": "ENABLED", "IdleTimeoutInMinutes": 120, "MaxIdleTimeoutInMinutes": 120, "MinIdleTimeoutInMinutes": 120 } } } ## default-user-settings.json example for letting users customize the default timeout, between 2-5 hours { "JupyterLabAppSettings": { "AppLifecycleManagement": { "IdleSettings": { "LifecycleManagement": "ENABLED", "IdleTimeoutInMinutes": 120, "MinIdleTimeoutInMinutes": 120, "MaxIdleTimeoutInMinutes": 300 } } } ``` ### 사용자 프로필 다음 명령은 기존 사용자 프로필을 업데이트할 때 유휴 종료를 활성화하는 방법을 보여줍니다. 새 사용자 프로필에 유휴 종료를 추가하려면 대신 `create-user-profile` 명령을 사용합니다. **참고** 애플리케이션이 실행 중일 때 유휴 종료가 설정된 경우 유휴 종료 설정을 적용하려면 유휴 종료 설정을 다시 시작해야 합니다. ``` aws sagemaker update-user-profile --region region --domain-id domain-id \ --user-profile-name user-profile-name --user-settings file://user-settings.json ## user-settings.json example for enforcing the default timeout { "JupyterLabAppSettings": { "AppLifecycleManagement": { "IdleSettings": { "LifecycleManagement": "ENABLED", "IdleTimeoutInMinutes": 120, "MaxIdleTimeoutInMinutes": 120, "MinIdleTimeoutInMinutes": 120 } } } ## user-settings.json example for letting users customize the default timeout, between 2-5 hours { "JupyterLabAppSettings": { "AppLifecycleManagement": { "IdleSettings": { "LifecycleManagement": "ENABLED", "IdleTimeoutInMinutes": 120, "MinIdleTimeoutInMinutes": 120, "MaxIdleTimeoutInMinutes": 300 } } } ``` # 기본 유휴 종료 설정 업데이트 도메인 또는 사용자 프로필 수준에서 기본 유휴 종료 설정을 업데이트할 수 있습니다. **참고** 애플리케이션이 실행 중일 때 유휴 종료가 설정된 경우 유휴 종료 설정을 적용하려면 유휴 종료 설정을 다시 시작해야 합니다. ## 도메인 설정 업데이트 1. 도메인으로 이동하세요. 1. **앱 구성** 탭을 선택합니다. 1. **앱 구성** 탭에서 코드 편집기 또는 JupyterLab 섹션으로 이동합니다.  1. 유휴 종료 시간 제한을 수정하려는 애플리케이션의 섹션에서 **편집**을 선택합니다. 1. 도메인의 유휴 종료 설정을 업데이트합니다. 1. **변경 사항 저장**을 선택합니다. ## 사용자 프로필 설정 업데이트 1. 도메인으로 이동하세요. 1. **사용자 프로필** 탭을 선택합니다. 1. **사용자 프로필** 탭에서 편집할 사용자 프로필을 선택합니다. 1. **사용자 프로필** 페이지에서 **애플리케이션** 탭을 선택합니다. 1. **애플리케이션** 탭에서 코드 편집기 또는 JupyterLab 섹션으로 이동합니다.  1. 유휴 종료 시간 제한을 수정하려는 애플리케이션의 섹션에서 **편집**을 선택합니다. 1. 사용자 프로필의 유휴 종료 설정을 업데이트합니다. 1. **변경 사항 저장**을 선택합니다. # 유휴 종료 시간 제한 수정 관리자가 유휴 종료에 대한 지원을 추가할 때 액세스 권한을 제공하는 경우 유휴 종료 시간 제한을 수정할 수 있습니다. 유휴 종료에 대한 지원이 추가되면 최대 유휴 종료 시간에 제한이 적용될 수 있습니다. 사용자는 하한과 상한 사이의 아무 곳에서나 값을 설정할 수 있습니다. 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Amazon SageMaker Studio를 시작합니다. 1. **애플리케이션** 섹션에서 유휴 종료 시간을 업데이트할 애플리케이션 유형을 선택합니다. 1. 업데이트할 공간을 선택합니다. 1. **유휴 종료(분)**를 원하는 값으로 업데이트합니다. **참고** 애플리케이션이 실행 중일 때 유휴 종료가 설정된 경우 유휴 종료 설정을 적용하려면 유휴 종료 설정을 다시 시작해야 합니다. # Amazon SageMaker Studio에서 지원되는 애플리케이션 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. Amazon SageMaker Studio는 다음 애플리케이션을 지원합니다. + **Code Editor, Code-OSS 기반, Visual Studio Code - 오픈 소스** - Code Editor는 익숙한 단축키, 터미널 및 고급 디버깅 기능과 리팩터링 도구를 갖춘 가볍고 강력한 통합 개발 환경(IDE)을 제공합니다. Studio의 완전 관리형 브라우저 기반 애플리케이션입니다. 자세한 내용은 [Amazon SageMaker Studio의 코드 편집기](code-editor.md) 섹션을 참조하세요. + **Amazon SageMaker Studio Classic** – Amazon SageMaker Studio Classic은 기계 학습을 위한 웹 기반 IDE입니다. Studio Classic을 이용하면 기계 학습 모델을 구축, 훈련, 디버그, 배포 및 모니터링할 수 있습니다. 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. + **JupyterLab** –JupyterLab은 완전 관리형 노트북 제공을 강화하는 일련의 기능을 제공합니다. 여기에는 몇 초 만에 시작하는 커널, 인기 있는 데이터 과학이 포함된 사전 구성된 런타임, 기계 학습 프레임워크 및 고성능 블록 스토리지가 포함됩니다. 자세한 내용은 [SageMaker JupyterLab](studio-updated-jl.md) 섹션을 참조하세요. + **Amazon SageMaker Canvas** - SageMaker Canvas를 사용하면 기계 학습을 사용하여 코드를 작성하지 않고도 예측을 생성할 수 있습니다. Canvas를 사용하면 인기 있는 대형 언어 모델(LLM)과 채팅하거나, 즉시 사용할 수 있는 모델에 액세스하거나, 데이터에 대해 훈련된 사용자 지정 모델을 구축할 수 있습니다. 자세한 내용은 [Amazon SageMaker Canvas](canvas.md) 섹션을 참조하세요. + **RStudio** – RStudio는 R을 위한 통합 개발 환경입니다. 여기에는 코드 실행을 직접 지원하는 콘솔 및 구문 강조 편집기가 포함되어 있습니다. 또한 플로팅, 기록, 디버깅 및 작업 영역 관리를 위한 도구도 포함되어 있습니다. 자세한 내용은 [RStudio on Amazon SageMaker AI](rstudio.md) 단원을 참조하십시오. # 원격 액세스를 사용하여 원격 IDE를 SageMaker 스페이스에 연결 원격 IDE에서 Amazon SageMaker Studio 스페이스로 원격으로 연결할 수 있습니다. Amazon SageMaker AI의 확장 가능한 컴퓨팅 리소스와 함께 AI 지원 개발 도구 및 사용자 지정 확장을 포함한 사용자 지정 로컬 IDE 설정을 사용할 수 있습니다. 이 안내서에서는 관리자 및 사용자를 위한 개념과 설정 지침을 제공합니다. 원격 IDE 연결은 로컬 IDE와 SageMaker 공간 간에 보안 연결을 설정합니다. 이 연결을 통해 다음을 수행할 수 있습니다. + **SageMaker AI 컴퓨팅 리소스에 액세스** - 로컬 환경에서 확장 가능한 SageMaker AI 인프라에 대해 코드 실행 + **보안 경계 유지** - SageMaker AI와 동일한 보안 프레임워크 내에서 작업 + **익숙한 IDE 경험 유지** - 원격 개발을 지원하는 호환되는 로컬 확장, 테마 및 구성 사용 **참고** 모든 IDE 확장이 원격 개발과 호환되는 것은 아닙니다. 로컬 GUI 구성 요소가 필요하거나 아키텍처 종속성이 있거나 클라이언트와 서버 간에 특정 상호 작용이 필요한 확장은 원격 환경에서 제대로 작동하지 않을 수 있습니다. 사용 전에 필요한 확장이 원격 개발을 지원하는지 확인합니다. **Topics** + [ ## 주요 개념 ](#remote-access-key-concepts) + [ ## 연결 메서드 ](#remote-access-connection-methods) + [ ## 지원되는 IDE ](#remote-access-supported-ides) + [ ## IDE 버전 요구 사항 ](#remote-access-ide-version-requirements) + [ ## 운영 체제 요구 사항 ](#remote-access-os-requirements) + [ ## 로컬 시스템 사전 조건 ](#remote-access-local-prerequisites) + [ ## 이미지 요구 사항 ](#remote-access-image-requirements) + [ ## 인스턴스 요구 사항 ](#remote-access-instance-requirements) + [ # 원격 액세스 설정 ](remote-access-remote-setup.md) + [ # 원격 IDE 설정 ](remote-access-local-ide-setup.md) + [ # 지원되는 AWS 리전 ](remote-access-supported-regions.md) ## 주요 개념 + **원격 연결** - 원격 IDE와 SageMaker 공간 간의 보안 터널입니다. 이 연결을 통해 SageMaker AI 컴퓨팅 리소스를 사용하여 대화형 개발 및 코드 실행이 가능합니다. + [https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html) - Studio 애플리케이션의 스토리지 및 리소스를 관리할 수 있는 Amazon SageMaker Studio 내의 전용 환경입니다. + **딥 링크** - 로컬 IDE에 대한 원격 연결을 시작하는 SageMaker UI의 버튼(직접 URL)입니다. ## 연결 메서드 원격 IDE를 SageMaker 스페이스에 연결하는 세 가지 주요 방법이 있습니다. + **딥 링크 액세스** - SageMaker AI에서 사용할 수 있는 버튼이 **있는 Open space**를 사용하여 특정 공간에 직접 연결할 수 있습니다. 그러면 URL 패턴을 사용하여 원격 연결을 설정하고 원격 IDE에서 SageMaker 공간을 엽니다. + [https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html) - AWS Toolkit for Visual Studio Code를 사용하여 인증할 수 있습니다. 이렇게 하면 스페이스에 연결하고 원격 IDE에서 원격으로 연결된 창을 열 수 있습니다. + **SSH 터미널 연결** - SSH 구성을 사용하여 명령줄을 통해 연결할 수 있습니다. ## 지원되는 IDE Studio 스페이스에 대한 원격 연결은 다음을 지원합니다. + [Visual Studio Code](https://code.visualstudio.com/) + [Kiro](https://kiro.dev/) + [Cursor](https://cursor.com/home) ## IDE 버전 요구 사항 다음 표에는 지원되는 각 원격 IDE에 대한 최소 버전 요구 사항이 나열되어 있습니다. | IDE | 최소 버전 | | --- | --- | | Visual Studio Code | [v1.90](https://code.visualstudio.com/updates/v1_90) 이상. [안정적인 최신 버전을](https://code.visualstudio.com/updates) 사용하는 것이 좋습니다. | | Kiro | v0.10.78 이상 | | Cursor | v2.6.18 이상 | 원격 IDE를 Studio 공간에 연결하려면 AWS 도구 키트 확장이 필요합니다. Kiro 및 Cursor의 경우 AWS Toolkit 확장 버전 v3.100 이상이 필요합니다. ## 운영 체제 요구 사항 Studio 스페이스에 원격으로 연결하려면 다음 운영 체제 중 하나가 필요합니다. + macOS 13\$1 + Windows 10 + [Windows 10 지원은 2025년 10월 14일에 종료됨](https://support.microsoft.com/en-us/windows/windows-10-support-ends-on-october-14-2025-2ca8b313-1946-43d3-b55c-2b95b107f281) + Windows 11 + Linux + VS Code의 경우 오픈 소스 버전이 아닌 [Linux용 공식 Microsoft VS Code](https://code.visualstudio.com/docs/setup/linux)를 설치합니다. ## 로컬 시스템 사전 조건 원격 IDE를 Studio 스페이스에 연결하기 전에 로컬 시스템에 필요한 종속성과 네트워크 액세스 권한이 있는지 확인합니다. **중요** 소프트웨어 설치 제한이 있는 환경에서는 사용자가 필수 종속성을 설치하지 못할 수 있습니다. 는 원격 연결을 시작할 때 이러한 종속성을 AWS Toolkit for Visual Studio Code 자동으로 검색하고 누락된 항목이 있는 경우 설치를 요청합니다. IT 부서와 협력하여 이러한 구성 요소를 사용할 수 있는지 확인합니다. **필수 로컬 종속성** 로컬 시스템에는 다음 구성 요소가 설치되어 있어야 합니다. + **[원격 SSH 확장 -](https://code.visualstudio.com/docs/remote/ssh)** IDE의 원격 개발 확장(VS Code, Kiro 및 Cursor용 확장 마켓플레이스에서 사용 가능) + **[세션 관리자 플러그인](https://docs.aws.amazon.com/systems-manager/latest/userguide/session-manager-working-with-install-plugin.html)** - 보안 세션 관리에 필요합니다. + **SSH 클라이언트** - 대부분의 시스템에서 표준 구성 요소([Windows의 경우 OpenSSH 권장](https://learn.microsoft.com/en-us/windows-server/administration/openssh/openssh_install_firstuse)) + **IDE CLI 명령** - 일반적으로 IDE 설치에 포함됨(예: VS Code의 `code` 경우 , Kiro`kiro`의 경우 , Cursor`cursor`의 경우 ) **플랫폼별 요구 사항** + **Windows 사용자** - SSH 터미널 연결에는 PowerShell 5.1 이상이 필요합니다. **네트워크 연결 요구 사항** 로컬 시스템에[는 Session Manager 엔드포인트](https://docs.aws.amazon.com/general/latest/gr/ssm.html)에 대한 네트워크 액세스 권한이 있어야 합니다. 예를 들어 미국 동부(버지니아 북부)(us-east-1)에서는 다음과 같을 수 있습니다. + ssm.us-east-1.amazonaws.com + ssm.us-east-1.api.aws + ssmmessages.us-east-1.amazonaws.com + ec2messages.us-east-1.amazonaws.com ## 이미지 요구 사항 **SageMaker 배포 이미지** 원격 액세스와 함께 SageMaker Distribution을 사용하는 경우 [SageMaker Distribution](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-distribution.html) 버전 2.7 이상을 사용합니다. **사용자 지정 이미지** 원격 액세스[기존 보유 이미지 사용(BYOI)](studio-updated-byoi.md)가 가능한 경우 [사용자 지정 이미지 사양을](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-byoi-specs.html) 따르고 다음 종속성이 설치되어 있는지 확인합니다. + `curl` 또는 `wget` - 구성 요소를 다운로드하는 AWS CLI 데 필요합니다. + `unzip` - AWS CLI 설치 파일을 추출하는 데 필요합니다. + `tar` - 아카이브 추출에 필요합니다. + `gzip` - 압축 파일 처리에 필요합니다. ## 인스턴스 요구 사항 + **메모리** - 8GB 이상 + **인스턴스 유형** - 메모리가 8GB 이상인 인스턴스를 사용합니다. 메모리 부족(8GB 미만)으로 인해 `ml.t3.medium`, `ml.c7i.large`, `ml.c6i.large`, `ml.c6id.large`, `ml.c5.large` 인스턴스 유형은 지원되지 *않습니다*. 인스턴스 유형의 전체 목록은 [Amazon EC2 온디맨드 요금 페이지](https://aws.amazon.com/ec2/pricing/on-demand/)를 참조하세요. **Topics** + [ ## 주요 개념 ](#remote-access-key-concepts) + [ ## 연결 메서드 ](#remote-access-connection-methods) + [ ## 지원되는 IDE ](#remote-access-supported-ides) + [ ## IDE 버전 요구 사항 ](#remote-access-ide-version-requirements) + [ ## 운영 체제 요구 사항 ](#remote-access-os-requirements) + [ ## 로컬 시스템 사전 조건 ](#remote-access-local-prerequisites) + [ ## 이미지 요구 사항 ](#remote-access-image-requirements) + [ ## 인스턴스 요구 사항 ](#remote-access-instance-requirements) + [ # 원격 액세스 설정 ](remote-access-remote-setup.md) + [ # 원격 IDE 설정 ](remote-access-local-ide-setup.md) + [ # 지원되는 AWS 리전 ](remote-access-supported-regions.md) # 원격 액세스 설정 사용자가 원격 IDE를 Studio 공간에 연결하려면 먼저 관리자가 권한을 구성해야 합니다. 이 섹션에서는 관리자가 원격 액세스로 Amazon SageMaker AI 도메인을 설정하는 방법에 대한 지침을 제공합니다. 다른 연결 방법에는 다른 IAM 권한이 필요합니다. 사용자의 연결 방식에 따라 적절한 권한을 구성합니다. 연결 방법에 맞는 권한과 함께 다음 워크플로를 사용합니다. **중요** 현재 원격 IDE 연결은 IAM Identity Center가 아닌 IAM 자격 증명을 사용하여 인증됩니다. 이는 사용자가 도메인에 액세스하는 데 IAM Identity Center [인증 방법](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html#onboard-custom-authentication-details)을 사용하는 도메인에 적용됩니다. 원격 연결에 IAM 인증을 사용하지 않으려면 IAM 정책의 `RemoteAccess` 조건부 키를 사용해 이 기능을 비활성화하여 옵트아웃할 수 있습니다. 자세한 내용은 [원격 액세스 적용](remote-access-remote-setup-abac.md#remote-access-remote-setup-abac-remote-access-enforcement) 단원을 참조하십시오. IAM 자격 증명을 사용하는 경우 IAM Identity Center 세션에서 로그아웃한 후에도 원격 IDE 연결이 활성 세션을 유지할 수 있습니다. 경우에 따라 이러한 원격 IDE 연결은 최대 12시간 동안 지속될 수 있습니다. 환경의 보안을 보장하기 위해 관리자는 가능한 경우 세션 기간 설정을 검토하고 공유 워크스테이션 또는 퍼블릭 네트워크를 사용할 때 주의해야 합니다. 1. 사용자의 [연결 메서드](remote-access.md#remote-access-connection-methods)에 맞는 다음 연결 방법 권한 중 하나를 선택합니다. 1. 연결 방법 권한을 기반으로 [사용자 지정 IAM 정책을 생성](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html)합니다. **Topics** + [ ## 1단계: 보안 및 권한 구성 ](#remote-access-remote-setup-permissions) + [ ## 2단계: 스페이스에 대한 원격 액세스 활성화 ](#remote-access-remote-setup-enable) + [ # 고급 액세스 제어 ](remote-access-remote-setup-abac.md) + [ # VPC 내에서 인터넷 액세스 없이 서브넷에서 실행되도록 Studio 설정 ](remote-access-remote-setup-vpc-subnets-without-internet-access.md) + [ # AWS 도구 키트를 사용할 때 자동화된 Studio 공간 필터링 설정 ](remote-access-remote-setup-filter.md) ## 1단계: 보안 및 권한 구성 **Topics** + [ ### 방법 1: 딥 링크 권한 ](#remote-access-remote-setup-method-1-deep-link-permissions) + [ ### 방법 2: AWS 도구 키트 권한 ](#remote-access-remote-setup-method-2-aws-toolkit-permissions) + [ ### 방법 3: SSH 터미널 권한 ](#remote-access-remote-setup-method-3-ssh-terminal-permissions) **중요** `sagemaker:StartSession`특히 와일드카드 리소스에서에 대한 광범위한 권한을 사용하면이 권한이 있는 모든 사용자가 계정`*`의 모든 SageMaker Space 앱에 대해 세션을 시작할 위험이 있습니다. 이로 인해 데이터 과학자가 실수로 다른 사용자의 SageMaker Spaces에 액세스하게 될 수 있습니다. 프로덕션 환경의 경우 최소 권한 원칙을 적용하려면 특정 스페이스 ARN으로 이러한 권한의 범위를 좁혀야 합니다. 리소스 ARN, 태그 및 네트워크 기반 제약 조건을 사용하는 더 세분화된 권한 정책의 예는 [고급 액세스 제어](remote-access-remote-setup-abac.md) 섹션을 참조하세요. ### 방법 1: 딥 링크 권한 SageMaker UI의 딥 링크를 통해 연결하는 사용자의 경우 다음 권한을 사용하여 SageMaker AI [스페이스 실행 역할](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role-space) 또는 [도메인 실행 역할](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role)에 연결합니다. 스페이스 실행 역할이 구성되지 않은 경우 도메인 실행 역할이 기본적으로 사용됩니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "RestrictStartSessionOnSpacesToUserProfile", "Effect": "Allow", "Action": [ "sagemaker:StartSession" ], "Resource": "arn:*:sagemaker:*:*:space/${sagemaker:DomainId}/*", "Condition": { "ArnLike": { "sagemaker:ResourceTag/sagemaker:user-profile-arn": "arn:aws:sagemaker:*:*:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}" } } } ] } ``` ------ ### 방법 2: AWS 도구 키트 권한 AWS Toolkit for Visual Studio Code 확장을 통해 연결하는 사용자의 경우 다음 정책 중 하나를 연결합니다. + IAM 인증의 경우 이 정책을 IAM 사용자 또는 역할에 연결합니다. + IdC 인증의 경우 이 정책을 IdC에서 관리하는 [권한 세트](https://docs.aws.amazon.com/singlesignon/latest/userguide/permissionsetsconcept.html)에 연결합니다. 인증된 사용자와 관련된 공백만 표시하려면 섹션을 참조하세요[필터링 개요](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview). **중요** `*`를 리소스 제약으로 사용하는 다음 정책은 빠른 테스트 목적으로만 권장됩니다. 프로덕션 환경의 경우 최소 권한 원칙을 적용하려면 특정 스페이스 ARN으로 이러한 권한의 범위를 좁혀야 합니다. 리소스 ARN, 태그 및 네트워크 기반 제약 조건을 사용하는 더 세분화된 권한 정책의 예는 [고급 액세스 제어](remote-access-remote-setup-abac.md) 섹션을 참조하세요. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "sagemaker:ListSpaces", "sagemaker:DescribeSpace", "sagemaker:ListApps", "sagemaker:DescribeApp", "sagemaker:DescribeDomain", "sagemaker:UpdateSpace", "sagemaker:CreateApp", "sagemaker:DeleteApp", "sagemaker:AddTags" ], "Resource": "*" }, { "Sid": "AllowStartSessionOnSpaces", "Effect": "Allow", "Action": "sagemaker:StartSession", "Resource": [ "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1", "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2" ] } ] } ``` ------ ### 방법 3: SSH 터미널 권한 SSH 터미널 연결의 경우 로컬 AWS 자격 증명을 사용하여 아래 SSH 프록시 명령 스크립트에서 `StartSession` API를 호출합니다. 사용자의 로컬 AWS 자격 증명 설정에 대한 자세한 내용과 지침은 [구성을 AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html) 참조하세요. 이 권한을 사용하려면 다음을 수행하세요. 1. 로컬 AWS 자격 증명과 연결된 IAM 사용자 또는 역할에 이 정책을 연결합니다. 1. 명명된 자격 증명 프로필을 사용하는 경우 SSH 구성에서 프록시 명령을 수정합니다. ``` ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME ``` **참고** 정책은 Amazon SageMaker AI 도메인 실행 역할이 아닌 로컬 AWS 자격 증명 구성에 사용되는 IAM 자격 증명(사용자/역할)에 연결되어야 합니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "AllowStartSessionOnSpecificSpaces", "Effect": "Allow", "Action": "sagemaker:StartSession", "Resource": [ "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1", "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2" ] } ] } ``` ------ 설정 후 사용자는 `ssh my_studio_space_abc`를 실행하여 스페이스를 시작할 수 있습니다. 자세한 내용은 [방법 3: SSH CLI를 통해 터미널에서 연결](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli) 단원을 참조하십시오. ## 2단계: 스페이스에 대한 원격 액세스 활성화 권한을 설정한 후 사용자가 **원격 IDE를 사용하여 연결하려면 먼저 원격 액세스를** 켜고 Studio에서 공간을 시작해야 합니다. 이 설정은 한 번만 수행하면 됩니다. **참고** 사용자가를 사용하여 연결하는 경우이 단계가 반드시 필요한 [방법 2: AWS 도구 키트 권한](#remote-access-remote-setup-method-2-aws-toolkit-permissions)것은 아닙니다. AWS Toolkit for Visual Studio 사용자는 도구 키트에서 원격 액세스를 활성화할 수 있습니다. **Studio 스페이스에 대한 원격 액세스 활성화** 1. [Amazon SageMaker Studio를 실행](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console)합니다. 1. Studio UI를 엽니다. 1. 스페이스로 이동합니다. 1. 스페이스 세부 정보에서 **원격 액세스**를 켭니다. 1. **스페이스 실행**을 선택합니다. # 고급 액세스 제어 Amazon SageMaker AI는 [속성 기반 액세스 제어(ABAC)](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction_attribute-based-access-control.html)를 지원하여 ABAC 정책을 사용하여 원격 IDE 연결에 대한 세분화된 액세스 제어를 달성합니다. 다음은 원격 IDE 연결에 대한 ABAC 정책의 예입니다. **Topics** + [ ## 원격 액세스 적용 ](#remote-access-remote-setup-abac-remote-access-enforcement) + [ ## 태그 기반 액세스 제어 ](#remote-access-remote-setup-abac-tag-based-access-control) ## 원격 액세스 적용 `sagemaker:RemoteAccess` 조건 키를 사용하여 리소스에 대한 액세스를 제어합니다. 이는 `CreateSpace` 및 `UpdateSpace` API로 지원됩니다. 다음 예에는 `CreateSpace`가 사용됩니다. 원격 액세스가 활성화된 채로 사용자가 스페이스를 생성하지 못하게 할 수 있습니다. 이렇게 하면 기본적으로 액세스 설정이 더 제한되어 보안을 유지할 수 있습니다. 다음 정책을 사용하면 사용자는 다음이 가능합니다. + 원격 액세스가 명시적으로 비활성화된 새 Studio 스페이스 생성 + 원격 액세스 설정을 지정하지 않고 새 Studio 스페이스 생성 ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "DenyCreateSpaceRemoteAccessEnabled", "Effect": "Deny", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace" ], "Resource": "arn:aws:sagemaker:*:*:space/*", "Condition": { "StringEquals": { "sagemaker:RemoteAccess": [ "ENABLED" ] } } }, { "Sid": "AllowCreateSpace", "Effect": "Allow", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace" ], "Resource": "arn:aws:sagemaker:*:*:space/*" } ] } ``` ------ ## 태그 기반 액세스 제어 [태그 기반](https://docs.aws.amazon.com/whitepapers/latest/tagging-best-practices/what-are-tags.html) 액세스 제어를 구현하여 리소스 및 위탁자 태그를 기반으로 연결을 제한합니다. 사용자가 역할 및 프로젝트 업무에 적합한 리소스에만 액세스할 수 있도록 할 수 있습니다. 다음과 같이 정책을 사용할 수 있습니다. + 사용자가 할당된 팀, 환경 및 비용 센터와 매칭되는 스페이스에만 연결하도록 허용 + 조직 구조를 기반으로 세분화된 액세스 제어 구현 다음 예시에서는 스페이스에 다음과 같은 태그가 지정되어 있습니다. ``` { "Team": "ML", "Environment": "Production", "CostCenter": "12345" } ``` 리소스 및 위탁자 태그와 매칭되도록 다음 정책이 포함된 역할을 가질 수 있습니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "RestrictStartSessionOnTaggedSpacesInDomain", "Effect": "Allow", "Action": [ "sagemaker:StartSession" ], "Resource": [ "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/*" ], "Condition": { "StringEquals": { "aws:ResourceTag/Team": "${aws:PrincipalTag/Team}", "aws:ResourceTag/Environment": "${aws:PrincipalTag/Environment}", "aws:ResourceTag/CostCenter": "${aws:PrincipalTag/CostCenter}", "aws:ResourceTag/IDC_UserName": "${aws:PrincipalTag/IDC_UserName}" } } } ] } ``` ------ 역할의 태그가 매칭되면 사용자는 세션을 시작하고 스페이스에 원격으로 연결할 수 있는 권한이 있습니다. 자세한 내용은 [태그를 사용한 AWS 리소스 액세스 제어](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_tags.html)를 참조하세요. # VPC 내에서 인터넷 액세스 없이 서브넷에서 실행되도록 Studio 설정 이 가이드에서는 Amazon SageMaker AI 도메인이 인터넷 액세스 없이 프라이빗 서브넷에서 실행될 때 원격 IDE에서 Amazon SageMaker Studio 스페이스에 연결하는 방법을 보여줍니다. 격리된 네트워크 환경에서 보안 원격 연결을 설정하기 위한 연결 요구 사항 및 설정 옵션에 대해 알아봅니다. 인터넷 액세스 없이 서브넷에서 VPC 전용 모드로 실행되도록 Amazon SageMaker Studio를 구성할 수 있습니다. 이 설정은 모든 트래픽이 VPC를 통해 흐르는 격리된 네트워크 환경에서 작동하여 기계 학습 워크로드의 보안을 강화합니다. 보안을 유지하면서 외부 통신을 활성화하려면 AWS 서비스에 VPC 엔드포인트를 사용하고 필요한 AWS 종속성에 대해 VPC PrivateLink를 구성합니다. **프라이빗 서브넷 연결에 대한 IDE 지원** 다음 표에는 인터넷 액세스 없이 프라이빗 서브넷의 Studio 공간에 연결할 때 지원되는 각 원격 IDE 연결 방법이 나와 있습니다. | 연결 방법 | VS Code | Kiro | Cursor | | --- | --- | --- | --- | | HTTP 프록시 지원 | 지원됨 | 지원됨 | 지원되지 않음 | | 사전 패키징된 원격 서버 및 확장 | 지원됨 | 지원되지 않음 | 지원되지 않음 | **중요** 커서는 아웃바운드 인터넷 액세스 없이 프라이빗 서브넷의 Studio 공간에 연결하는 데 지원되지 않습니다. **Topics** + [ ## Studio 원격 액세스 네트워크 요구 사항 ](#remote-access-remote-setup-vpc-subnets-without-internet-access-network-requirements) + [ ## Studio 원격 액세스 네트워크 설정 ](#remote-access-remote-setup-vpc-subnets-without-internet-access-setup) ## Studio 원격 액세스 네트워크 요구 사항 **VPC 모드의 제한 사항** VPC 모드의 Studio는 프라이빗 서브넷만 지원합니다. Studio는 인터넷 게이트웨이(IGW)와 직접 연결된 서브넷에서는 작동할 수 없습니다. 원격 IDE 연결은 SageMaker AI와 동일한 제한 사항을 공유합니다. 자세한 내용은 [Connect Studio notebooks in a VPC to external resources](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html)를 참조하세요. ### VPC PrivateLink 요구 사항 SageMaker AI가 프라이빗 서브넷에서 실행되는 경우 SageMaker VPC 엔드포인트를 구성합니다. 자세한 내용은 [VPC 엔드포인트를 통해 Studio에 연결](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-interface-endpoint.html)을 참조하세요. + `com.amazonaws.REGION.ssm` + `com.amazonaws.REGION.ssmmessages` **VPC 엔드포인트 정책 권장 사항** 다음은 Amazon SageMaker AI와 같은 AWS 서비스만 호출할 수 있도록 `aws:PrincipalIsAWSService` 조건을 사용하는 동안 원격 액세스에 필요한 작업을 허용하는 권장 VPC 엔드포인트 정책입니다. `aws:PrincipalIsAWSService` 조건 키에 대한 자세한 내용은 [설명서를 참조하세요](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-principalisawsservice). **SSM 엔드포인트 정책** `com.amazonaws.REGION.ssm` 엔드포인트에 대해 다음 정책을 사용합니다. ``` { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": "*", "Action": [ "ssm:CreateActivation", "ssm:RegisterManagedInstance", "ssm:DeleteActivation", "ssm:DeregisterManagedInstance", "ssm:AddTagsToResource", "ssm:UpdateInstanceInformation", "ssm:UpdateInstanceAssociationStatus", "ssm:DescribeInstanceInformation", "ssm:ListInstanceAssociations", "ssm:ListAssociations", "ssm:GetDocument", "ssm:PutInventory" ], "Resource": "*", "Condition": { "BoolIfExists": { "aws:PrincipalIsAWSService": "true" } } } ] } ``` **SSM Messages 엔드포인트 정책** `com.amazonaws.REGION.ssmmessages` 엔드포인트에 대해 다음 정책을 사용합니다. ``` { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": "*", "Action": [ "ssmmessages:CreateControlChannel", "ssmmessages:CreateDataChannel", "ssmmessages:OpenControlChannel", "ssmmessages:OpenDataChannel" ], "Resource": "*", "Condition": { "BoolIfExists": { "aws:PrincipalIsAWSService": "true" } } } ] } ``` **VS Code에 특정한 네트워크 요구 사항** 원격 VS Code 연결에는 원격 서버 및 확장을 설치하기 위해 특정 네트워크 액세스가 필요한 VS Code 원격 개발이 필요합니다. 전체 네트워크 요구 사항은 Visual Studio Code 설명서의 [Remote Development FAQ](https://code.visualstudio.com/docs/remote/faq)를 참조하세요. 다음은 요구 사항을 요약한 것입니다. + VS Code 원격 서버를 설치 및 업데이트하려면 Microsoft의 VS Code 서버 엔드포인트에 액세스해야 합니다. + 확장 패널을 통해 VS Code 확장을 설치하려면 Visual Studio Marketplace 및 관련 CDN 엔드포인트에 액세스해야 합니다(또는 인터넷 연결 없이 VSIX 파일을 사용하여 확장을 수동으로 설치할 수 있음). + 일부 확장의 경우 특정 종속성을 다운로드하기 위해 추가 엔드포인트에 액세스해야 할 수 있습니다. 특정 연결 요구 사항은 확장 설명서를 참조하세요. **Kiro별 네트워크 요구 사항** 원격 Kiro 연결에는 원격 서버 및 확장을 설치하기 위해 특정 네트워크 액세스가 필요한 Kiro 원격 개발이 필요합니다. 방화벽 및 프록시 서버 구성은 [Kiro 방화벽 구성을](https://kiro.dev/docs/privacy-and-security/firewalls/) 참조하세요. 요구 사항은 VS Code와 유사합니다. + Kiro 원격 서버를 설치하고 업데이트하려면 Kiro 서버 엔드포인트에 대한 액세스 권한이 필요합니다. + 확장 패널을 통해 Kiro 확장을 설치하려면 확장 마켓플레이스 및 관련 CDN 엔드포인트에 액세스해야 합니다. + 일부 확장의 경우 특정 종속성을 다운로드하기 위해 추가 엔드포인트에 액세스해야 할 수 있습니다. 특정 연결 요구 사항은 확장 설명서를 참조하세요. ## Studio 원격 액세스 네트워크 설정 원격 IDE를 프라이빗 서브넷의 Studio 공간에 연결하는 옵션은 다음과 같습니다. + HTTP 프록시(VS Code 및 Kiro에서 지원됨) + 사전 패키징된 원격 서버 및 확장(VS Code만 해당) ### 제어된 허용 목록으로 HTTP 프록시 설정 Studio 공간이 방화벽 또는 프록시 뒤에 있는 경우 IDE 서버와 확장 관련 CDNs 및 엔드포인트에 대한 액세스를 허용합니다. 1. HTTP 프록시(예: Squid)를 실행하도록 퍼블릭 서브넷을 설정합니다. 이때 허용할 웹사이트를 구성할 수 있습니다. SageMaker 스페이스에서 HTTP 프록시에 액세스할 수 있도록 합니다. 1. 퍼블릭 서브넷은 Studio에서 사용하는 것과 동일한 VPC 또는 Amazon SageMaker AI 도메인에서 사용하는 모든 VPC와 피어링된 별도의 VPC에 있을 수 있습니다. ### 사전 패키징된 원격 서버 및 확장 설정(VS Code만 해당) **참고** 이 옵션은 Visual Studio Code에만 사용할 수 있습니다. Kiro 및 Cursor는 사전 패키징된 원격 서버 설정을 지원하지 않습니다. Studio 스페이스가 외부 VS Code 원격 서버 및 확장 프로그램을 다운로드하기 위해 엔드포인트에 액세스할 수 없는 경우 사전 패키징할 수 있습니다. 이 접근 방식을 사용하면 특정 버전의 VS Code에 대한 `.VS Code-server` 디렉터리가 포함된 tarball을 내보냅니다. 그런 다음, SageMaker AI 수명 주기 구성(LCC) 스크립트를 사용하여 Studio 스페이스의 홈 디렉터리(`/home/sagemaker-user`)에 tarball을 복사하고 추출합니다. 이 LCC 기반 솔루션은 AWS제공 이미지와 사용자 지정 이미지 모두에서 작동합니다. 프라이빗 서브넷을 사용하지 않는 경우에도 이 접근 방식은 VS Code 원격 서버 및 사전 설치된 확장의 설정 속도를 높입니다. **VS Code 원격 서버 및 확장 사전 패키징 지침** 1. 로컬 머신에 VS Code를 설치합니다. 1. 로컬에서 또는 인터넷에 액세스할 수 있는 Studio 스페이스를 통해 SSH가 활성화된 Linux 기반(x64) Docker 컨테이너를 시작합니다. 간소화를 위해 원격 액세스 및 인터넷이 활성화된 임시 Studio 스페이스를 사용하는 것이 좋습니다. 1. 설치된 VS Code를 원격 SSH를 통해 로컬 Docker 컨테이너에 연결하거나 Studio 원격 VS Code 기능을 통해 Studio 스페이스에 연결합니다. VS Code는 연결 중에 원격 컨테이너의 홈 디렉터리에 있는 `.VS Code-server`에 원격 서버를 설치합니다. 자세한 정보는 [VS Code 원격 서버 및 확장 사전 패키징을 위한 Dockerfile 사용 예시](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-dockerfile)을 참조하세요. 1. 원격으로 연결한 후에는 VS Code 기본 프로필을 사용해야 합니다. 1. 필요한 VS Code 확장을 설치하고 기능을 검증합니다. 예를 들어 노트북을 생성하고 실행하여 VS Code 원격 서버에 Jupyter Notebook 관련 확장을 설치합니다. 원격 컨테이너[에 연결한 후 AWS Toolkit for Visual Studio Code 확장 프로그램을 설치](https://docs.aws.amazon.com/toolkit-for-visual-studio/latest/user-guide/setup.html)해야 합니다. 1. `$HOME/.VS Code-server` 디렉터리(예: `VS Code-server-with-extensions-for-1.100.2.tar.gz`)를 로컬 Docker 컨테이너 또는 원격으로 연결된 Studio 스페이스의 터미널에 아카이브합니다. 1. Amazon S3에 tarball을 업로드합니다. 1. 다음을 수행하는 [LCC 스크립트](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lifecycle-configurations.html)([예시 LCC 스크립트(LCC-install-VS Code-server-v1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc))를 생성합니다. + Amazon S3에서 특정 아카이브 다운로드 + 프라이빗 서브넷의 Studio 스페이스가 시작될 때 홈 디렉터리에 추출합니다. 1. (선택 사항) 사용자의 Amazon S3 폴더에 저장된 사용자별 VS Code 서버 tarball을 지원하도록 LCC 스크립트를 확장합니다. 1. (선택 사항) 스페이스에 연결할 수 있는 버전별 LCC 스크립트([예시 LCC 스크립트(LCC-install-VS Code-server-v1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc))를 유지 관리하여 로컬 VS Code 클라이언트와 원격 서버 간의 호환성을 보장합니다. # AWS 도구 키트를 사용할 때 자동화된 Studio 공간 필터링 설정 사용자는 AWS Toolkit for Visual Studio Code 탐색기의 공백을 필터링하여 관련 공백만 표시할 수 있습니다. 이 섹션에서는 필터링에 대한 정보를 제공하고 자동 필터링을 설정하는 방법을 설명합니다. 이 설정은 [방법 2:원격 IDE의 AWS 도구 키트](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) 메서드를 사용하여 원격 IDE에서 Amazon SageMaker Studio 스페이스에 연결할 때만 적용됩니다. 자세한 정보는 [원격 액세스 설정](remote-access-remote-setup.md)을 참조하세요. **Topics** + [ ## 필터링 개요 ](#remote-access-remote-setup-filter-overview) + [ ## IAM 자격 증명으로 연결할 때의 설정 ](#remote-access-remote-setup-filter-set-up-iam-credentials) ## 필터링 개요 **수동 필터링을** 사용하면 사용자가 AWS 도구 키트 인터페이스를 통해 스페이스를 표시할 사용자 프로필을 수동으로 선택할 수 있습니다. 이 방법은 모든 인증 유형에서 작동하며 자동 필터링보다 우선합니다. 수동으로 필터링하려면 [수동 필터링](remote-access-local-ide-setup-filter.md#remote-access-local-ide-setup-filter-manual) 섹션을 참조하세요. **자동 필터링**은 인증된 사용자와 관련된 스페이스만 자동으로 표시합니다. 이 필터링 동작은 로그인 중 인증 방법에 따라 달라집니다. 자세한 내용은 [Toolkit for VS Code 사용 설명서의 Toolkit AWS 에서에 연결을](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) 참조하세요. 다음은 로그인 옵션 목록입니다. + **SSO로 인증 및 연결**: 자동 필터링이 기본적으로 작동합니다. + **IAM 자격 증명으로 인증 및 연결**: 자동 필터링에 다음 IAM 자격 증명에 대한 **관리자 설정이 필요**합니다. 이 설정이 없으면 AWS 도구 키트는 사용자에게 속하는 공백을 식별할 수 없으므로 모든 공백이 기본적으로 표시됩니다. + **IAM 사용자 자격 증명 사용** + **수임된 IAM 역할 세션 자격 증명 사용** ## IAM 자격 증명으로 연결할 때의 설정 **IAM 사용자 자격 증명을 사용하는 경우** Toolkit for VS Code는 인증된 IAM 사용자 이름 또는 수임된 역할 세션 이름으로 시작하는 사용자 프로필에 속하는 스페이스와 매칭할 수 있습니다. 설정하려면 다음을 수행합니다. **참고** 자동 필터링이 올바르게 작동하려면 이 명명 규칙을 따르도록 관리자가 Studio 사용자 프로필 이름을 구성해야 합니다. + 관리자는 Studio 사용자 프로필 이름이 명명 규칙을 따르도록 해야 합니다. + IAM 사용자의 경우: `IAM-user-name-` 접두사 사용 + 수임된 역할의 경우: `assumed-role-session-name-` 접두사 사용 + `aws sts get-caller-identity`는 매칭에 사용되는 ID 정보를 반환합니다. + 매칭된 사용자 프로필에 속하는 스페이스는 Toolkit for VS Code에서 자동으로 필터링됩니다. **수임된 IAM 역할 세션 자격 증명을 사용하는 경우** 위의 IAM 사용자 자격 증명을 사용할 때의 설정 외에도 세션 ARN에 사용자 식별자가 매칭되는 접두사로 포함되어 있어야 합니다. 세션 ARN에 사용자 식별자가 접두사로 포함되도록 신뢰 정책을 구성할 수 있습니다. [신뢰 정책을 생성](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html)하여 인증에 사용되는 수임된 역할에 연결합니다. 이 설정은 직접 IAM 사용자 자격 증명 또는 IdC 인증에 필요하지 않습니다. **IAM 역할 세션 자격 증명에 대한 신뢰 정책 설정 예시** IAM 사용자 이름을 포함하도록 역할 세션을 강제하는 신뢰 정책을 생성합니다. 다음은 정책의 예입니다. ``` { "Statement": [ { "Sid": "RoleTrustPolicyRequireUsernameForSessionName", "Effect": "Allow", "Action": "sts:AssumeRole", "Principal": {"AWS": "arn:aws:iam::ACCOUNT:root"}, "Condition": { "StringLike": {"sts:RoleSessionName": "${aws:username}"} } } ] } ``` # 원격 IDE 설정 관리자가의 지침을 완료한 후 원격 IDE를 원격 SageMaker 스페이스에 연결할 [원격 액세스를 사용하여 원격 IDE를 SageMaker 스페이스에 연결](remote-access.md)수 있습니다. **Topics** + [ ## 로컬 환경 설정 ](#remote-access-local-ide-setup-local-environment) + [ ## 원격 IDE에 연결 ](#remote-access-local-ide-setup-local-vs-code) + [ # 인터넷 액세스 없이 서브넷을 사용하여 VPC에 연결 ](remote-access-local-ide-setup-vpc-no-internet.md) + [ # Studio 스페이스 필터링 ](remote-access-local-ide-setup-filter.md) ## 로컬 환경 설정 로컬 시스템에 원하는 원격 IDE를 설치합니다. + [Visual Studio Code](https://code.visualstudio.com/) + [Kiro](https://kiro.dev/) + [Cursor](https://cursor.com/home) 버전 요구 사항에 대한 자세한 내용은 섹션을 참조하세요[IDE 버전 요구 사항](remote-access.md#remote-access-ide-version-requirements). ## 원격 IDE에 연결 원격 IDE에서 원격 SageMaker 스페이스로의 연결을 설정하려면 먼저 관리자가를 수행해야 합니다[원격 액세스 설정](remote-access-remote-setup.md). 관리자는 사용자가 연결을 설정할 수 있도록 구체적인 방법을 설정합니다. 설정된 방법을 선택합니다. **Topics** + [ ### 방법 1: Studio UI의 딥 링크 ](#remote-access-local-ide-setup-local-vs-code-method-1-deep-link-from-studio-ui) + [ ### 방법 2:원격 IDE의 AWS 도구 키트 ](#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) + [ ### 방법 3: SSH CLI를 통해 터미널에서 연결 ](#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli) ### 방법 1: Studio UI의 딥 링크 다음 절차에 따라 딥 링크를 사용하여 연결을 설정합니다. 1. [Amazon SageMaker Studio를 실행](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console)합니다. 1. Studio UI에서 스페이스로 이동합니다. 1. 원하는 IDE**에 대해 VS Code에서 열기**, **Kiro에서 열기** 또는 **커서에서 열기** 버튼을 선택합니다. 선호하는 IDE가 로컬 컴퓨터에 이미 설치되어 있는지 확인합니다. 1. 메시지가 표시되면 IDE를 열 것인지 확인합니다. 확인을 위한 다른 팝업과 함께 IDE가 열립니다. 완료되면 원격 연결이 설정됩니다. ### 방법 2:원격 IDE의 AWS 도구 키트 다음 절차에 따라 AWS Toolkit for Visual Studio Code을 사용하여 연결을 설정합니다. 이 메서드는 VS Code, Kiro 및 Cursor에서 사용할 수 있습니다. 1. 원격 IDE(VS Code, Kiro 또는 Cursor)를 엽니다. 1. AWS 도구 키트 확장을 엽니다. 1. [AWS에 연결](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html)합니다. 1. AWS 탐색기에서 **SageMaker AI**를 확장한 다음 **Studio**를 확장합니다. 1. Studio 스페이스를 찾습니다. 1. 스페이스 옆에 있는 **연결** 아이콘을 선택하여 시작합니다. **참고** 아직 연결되지 않은 경우 Toolkit for Visual Studio에서 스페이스를 중지했다가 다시 시작하여 원격 액세스를 활성화합니다. 스페이스가 지원되는 [인스턴스 크기](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html#remote-access-instance-requirements)를 사용하지 않는 경우 인스턴스를 변경하라는 메시지가 표시됩니다. ### 방법 3: SSH CLI를 통해 터미널에서 연결 SSH CLI를 사용하여 연결을 설정하는 절차를 보려면 다음 플랫폼 옵션 중 하나를 선택합니다. **참고** 아래 지침을 따르기 전에 최신 버전의가 [로컬 시스템 사전 조건](remote-access.md#remote-access-local-prerequisites) 설치되어 있는지 확인합니다. 인 경우 계속하기 [이미지 요구 사항](remote-access.md#remote-access-image-requirements) 전에에 나열된 필수 종속성을 설치했는지 [기존 보유 이미지 사용(BYOI)](studio-updated-byoi.md)확인합니다. ------ #### [ Linux/macOS ] 쉘 스크립트를 생성합니다(예: `/home/user/sagemaker_connect.sh`). ``` #!/bin/bash # Disable the -x option if printing each command is not needed. set -exuo pipefail SPACE_ARN="$1" AWS_PROFILE="${2:-}" # Validate ARN and extract region if [[ "$SPACE_ARN" =~ ^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$ ]]; then AWS_REGION="${BASH_REMATCH[1]}" else echo "Error: Invalid SageMaker Studio Space ARN format." exit 1 fi # Optional profile flag PROFILE_ARG=() if [[ -n "$AWS_PROFILE" ]]; then PROFILE_ARG=(--profile "$AWS_PROFILE") fi # Start session START_SESSION_JSON=$(aws sagemaker start-session \ --resource-identifier "$SPACE_ARN" \ --region "${AWS_REGION}" \ "${PROFILE_ARG[@]}") # Extract fields using grep and sed SESSION_ID=$(echo "$START_SESSION_JSON" | grep -o '"SessionId": "[^"]*"' | sed 's/.*: "//;s/"$//') STREAM_URL=$(echo "$START_SESSION_JSON" | grep -o '"StreamUrl": "[^"]*"' | sed 's/.*: "//;s/"$//') TOKEN=$(echo "$START_SESSION_JSON" | grep -o '"TokenValue": "[^"]*"' | sed 's/.*: "//;s/"$//') # Validate extracted values if [[ -z "$SESSION_ID" || -z "$STREAM_URL" || -z "$TOKEN" ]]; then echo "Error: Failed to extract session information from sagemaker start session response." exit 1 fi # Call session-manager-plugin session-manager-plugin \ "{\"streamUrl\":\"$STREAM_URL\",\"tokenValue\":\"$TOKEN\",\"sessionId\":\"$SESSION_ID\"}" \ "$AWS_REGION" "StartSession" ``` 1. 스크립트 실행 파일을 만듭니다. ``` chmod +x /home/user/sagemaker_connect.sh ``` 1. 다음 항목을 추가하도록 `$HOME/.ssh/config`를 구성합니다. ``` Host space-name HostName 'arn:PARTITION:sagemaker:us-east-1:111122223333:space/domain-id/space-name' ProxyCommand '/home/user/sagemaker_connect.sh' '%h' ForwardAgent yes AddKeysToAgent yes StrictHostKeyChecking accept-new ``` 예를 들어, `PARTITION`은 `aws`일 수 있습니다. [명명된 AWS 자격 증명 프로파일을](https://docs.aws.amazon.com/cli/v1/userguide/cli-configure-files.html#cli-configure-files-using-profiles) 사용해야 하는 경우 다음과 같이 프록시 명령을 변경합니다. ``` ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME ``` + SSH를 통해 연결하거나 SCP 명령을 실행합니다. ``` ssh space-name scp file_abc space-name:/tmp/ ``` ------ #### [ Windows ] **Windows의 사전 조건:** + PowerShell 5.1 이상 + SSH 클라이언트(OpenSSH 권장) PowerShell 스크립트를 생성합니다(예: `C:\Users\user-name\sagemaker_connect.ps1`). ``` # sagemaker_connect.ps1 param( [Parameter(Mandatory=$true)] [string]$SpaceArn, [Parameter(Mandatory=$false)] [string]$AwsProfile = "" ) # Enable error handling $ErrorActionPreference = "Stop" # Validate ARN and extract region if ($SpaceArn -match "^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$") { $AwsRegion = $Matches[1] } else { Write-Error "Error: Invalid SageMaker Studio Space ARN format." exit 1 } # Build AWS CLI command $awsCommand = @("sagemaker", "start-session", "--resource-identifier", $SpaceArn, "--region", $AwsRegion) if ($AwsProfile) { $awsCommand += @("--profile", $AwsProfile) } try { # Start session and capture output Write-Host "Starting SageMaker session..." -ForegroundColor Green $startSessionOutput = & aws @awsCommand # Try to parse JSON response try { $sessionData = $startSessionOutput | ConvertFrom-Json } catch { Write-Error "Failed to parse JSON response: $_" Write-Host "Raw response was:" -ForegroundColor Yellow Write-Host $startSessionOutput exit 1 } $sessionId = $sessionData.SessionId $streamUrl = $sessionData.StreamUrl $token = $sessionData.TokenValue # Validate extracted values if (-not $sessionId -or -not $streamUrl -or -not $token) { Write-Error "Error: Failed to extract session information from sagemaker start session response." Write-Host "Parsed response was:" -ForegroundColor Yellow Write-Host ($sessionData | ConvertTo-Json) exit 1 } Write-Host "Session started successfully. Connecting..." -ForegroundColor Green # Create session manager plugin command $sessionJson = @{ streamUrl = $streamUrl tokenValue = $token sessionId = $sessionId } | ConvertTo-Json -Compress # Escape the JSON string $escapedJson = $sessionJson -replace '"', '\"' # Call session-manager-plugin & session-manager-plugin "$escapedJson" $AwsRegion "StartSession" } catch { Write-Error "Failed to start session: $_" exit 1 } ``` + 다음 항목을 추가하도록 `C:\Users\user-name\.ssh\config`를 구성합니다. ``` Host space-name HostName "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name" ProxyCommand "C:\WINDOWS\System32\WindowsPowerShell\v1.0\powershell.exe" -ExecutionPolicy RemoteSigned -File "C:\\Users\\user-name\\sagemaker_connect.ps1" "%h" ForwardAgent yes AddKeysToAgent yes User sagemaker-user StrictHostKeyChecking accept-new ``` ------ # 인터넷 액세스 없이 서브넷을 사용하여 VPC에 연결 인터넷에 액세스할 수 없는 프라이빗 서브넷의 Studio 공간에 원격 IDE를 연결하기 전에 관리자에게이 있는지 확인합니다[VPC 내에서 인터넷 액세스 없이 서브넷에서 실행되도록 Studio 설정](remote-access-remote-setup-vpc-subnets-without-internet-access.md). 원격 IDE를 프라이빗 서브넷의 Studio 공간에 연결하는 옵션은 다음과 같습니다. + HTTP 프록시 설정(VS Code 및 Kiro에서 지원됨) + 사전 패키징된 원격 서버 및 확장(VS Code만 해당) **중요** 커서는 아웃바운드 인터넷 액세스 없이 프라이빗 서브넷의 Studio 공간에 연결하는 데 지원되지 않습니다. **Topics** + [ ## 제어된 허용 목록이 있는 HTTP 프록시 ](#remote-access-local-ide-setup-vpc-no-internet-http-proxy-with-controlled-allow-listing) + [ ## 사전 패키징된 원격 서버 및 확장(VS Code만 해당) ](#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions) ## 제어된 허용 목록이 있는 HTTP 프록시 Studio 공간이 방화벽 또는 프록시 뒤에 있는 경우 관리자에게 IDE 서버 및 확장 관련 CDNs 및 엔드포인트에 대한 액세스를 허용하도록 요청합니다. 자세한 내용은 [제어된 허용 목록으로 HTTP 프록시 설정](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-http-proxy-with-controlled-allow-listing) 단원을 참조하십시오. ------ #### [ VS Code ] 프록시 URL에 `remote.SSH.httpProxy` 또는 `remote.SSH.httpsProxy` 설정을 제공하여 VS Code 원격 개발을 위한 HTTP 프록시를 구성합니다. **참고** 원격 환경의 `curlrc` 및 파일에서 구성을 사용하려면 "Remote.SSH: Use Curl And Wget Configuration `wgetrc` Files"를 활성화하는 것이 좋습니다. 이는 SageMaker 스페이스의 해당 기본 위치에 배치된 `curlrc` 및 `wgetrc` 파일을 특정 사례를 활성화하는 데 사용할 수 있도록 하기 위한 것입니다. ------ #### [ Kiro ] `aws.sagemaker.ssh.kiro.httpsProxy` 설정을 HTTP 또는 HTTPS 프록시 엔드포인트로 설정하여 Kiro 원격 개발을 위한 HTTP 프록시를 구성합니다. Kiro에서 MCP(모델 컨텍스트 프로토콜) 서버를 사용하는 경우 MCP 서버 구성에 프록시 환경 변수도 추가해야 합니다. ``` "env": { "http_proxy": "${http_proxy}", "https_proxy": "${https_proxy}" } ``` ------ 이 옵션은 HTTP 프록시를 설정할 수 있는 경우 작동하며 일부 확장에는 퍼블릭 엔드포인트가 필요하므로 추가 확장을 유연하게 설치할 수 있도록 합니다. ## 사전 패키징된 원격 서버 및 확장(VS Code만 해당) **참고** 이 옵션은 Visual Studio Code에만 사용할 수 있습니다. Kiro 및 Cursor는 사전 패키징된 원격 서버 설정을 지원하지 않습니다. Studio 스페이스가 외부 VS Code 원격 서버 및 확장 프로그램을 다운로드하기 위해 엔드포인트에 액세스할 수 없는 경우 사전 패키징할 수 있습니다. 이 접근 방식을 사용하면 관리자가 특정 버전의 VS Code에 대한 `.VS Code-server` 디렉터리가 포함된 tarball을 내보낼 수 있습니다. 그런 다음, 관리자가 SageMaker AI 수명 주기 구성(LCC) 스크립트를 사용하여 사용자의 홈 디렉터리(`/home/sagemaker-user`)에 tarball을 복사하고 추출합니다. 자세한 내용은 [사전 패키징된 원격 서버 및 확장 설정(VS Code만 해당)](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-pre-packaged-vs-code-remote-server-and-extensions) 단원을 참조하십시오. **VS Code 원격 서버 및 확장에 사전 패키징을 사용하기 위한 지침** 1. 로컬 머신에 VS Code를 설치합니다. 1. SageMaker 스페이스에 연결하는 경우: + 기본 프로필을 사용하여 사전 패키징된 확장과의 호환성을 보장합니다. 아니면 Studio 스페이스에 연결한 후 다운로드한 VSIX 파일을 사용하여 확장 프로그램을 설치해야 합니다. + 스페이스를 시작할 때 스페이스에 연결할 VS Code 버전에 해당하는 LCC 스크립트를 선택합니다. ### VS Code 원격 서버 및 확장 사전 패키징을 위한 Dockerfile 사용 예시 다음은 원격 액세스가 가능하고 인터넷이 활성화된 스페이스를 생성할 수 없는 경우 SSH 서버가 사전 설치된 로컬 컨테이너를 시작하기 위한 샘플 Dockerfile입니다. **참고** 이 예시에서 SSH 서버는 인증이 필요하지 않으며 VS Code 원격 서버를 내보내는 데만 사용됩니다. 컨테이너는 x64 아키텍처에서 구축되고 실행되어야 합니다. ``` FROM amazonlinux:2023 # Install OpenSSH server and required tools RUN dnf install -y \ openssh-server \ shadow-utils \ passwd \ sudo \ tar \ gzip \ && dnf clean all # Create a user with no password RUN useradd -m -s /bin/bash sagemaker-user && \ passwd -d sagemaker-user # Add sagemaker-user to sudoers via wheel group RUN usermod -aG wheel sagemaker-user && \ echo 'sagemaker-user ALL=(ALL) NOPASSWD:ALL' > /etc/sudoers.d/sagemaker-user && \ chmod 440 /etc/sudoers.d/sagemaker-user # Configure SSH to allow empty passwords and password auth RUN sed -i 's/^#\?PermitEmptyPasswords .*/PermitEmptyPasswords yes/' /etc/ssh/sshd_config && \ sed -i 's/^#\?PasswordAuthentication .*/PasswordAuthentication yes/' /etc/ssh/sshd_config # Generate SSH host keys RUN ssh-keygen -A # Expose SSH port EXPOSE 22 WORKDIR /home/sagemaker-user USER sagemaker-user # Start SSH server CMD ["bash"] ``` 다음 명령을 사용하여 컨테이너를 구축하고 실행합니다. ``` # Build the image docker build . -t remote_server_export # Run the container docker run --rm -it -d \ -v /tmp/remote_access/.VS Code-server:/home/sagemaker-user/.VS Code-server \ -p 2222:22 \ --name remote_server_export \ remote_server_export # change the permisson for the mounted folder docker exec -i remote_server_export \ bash -c 'sudo chown sagemaker-user:sagemaker-user ~/.VS Code-server' # start the ssh server in the container docker exec -i remote_server_export bash -c 'sudo /usr/sbin/sshd -D &' ``` 다음 명령을 사용하여 연결합니다. ``` ssh sagemaker-user@localhost -p 2222 ``` 이 컨테이너를 연결하려면 먼저 `.ssh/config` 파일에서 다음을 구성합니다. 그런 다음, 연결 시 원격 SSH 사이드 패널에서 `remote_access_export`가 호스트 이름인 것을 볼 수 있습니다. 예제: ``` Host remote_access_export HostName localhost User=sagemaker-user Port 2222 ForwardAgent yes ``` `/tmp/remote_access/.VS Code-server`를 아카이브하고 사전 패키징된 VS Code 원격 서버 및 확장의 단계를 수행하여 확장을 연결하고 설치합니다. 압축을 푼 후 `.VS Code-server` 폴더가 상위 폴더로 표시되는지 확인합니다. ``` cd /tmp/remote_access/ sudo tar -czvf VS Code-server-with-extensions-for-1.100.2.tar.gz .VS Code-server ``` ### 예시 LCC 스크립트(LCC-install-VS Code-server-v1.100.2) 다음은 특정 버전의 VS Code 원격 서버를 설치하는 방법의 예입니다. ``` #!/bin/bash set -x remote_server_file=VS Code-server-with-extensions-for-1.100.2.tar.gz if [ ! -d "${HOME}/.VS Code-server" ]; then cd /tmp aws s3 cp s3://S3_BUCKET/remote_access/${remote_server_file} . tar -xzvf ${remote_server_file} mv .VS Code-server "${HOME}" rm ${remote_server_file} else echo "${HOME}/.VS Code-server already exists, skipping download and install." fi ``` # Studio 스페이스 필터링 필터링을 사용하여 AWS Toolkit for Visual Studio Code 탐색기에 관련된 Amazon SageMaker AI 스페이스만 표시할 수 있습니다. 다음은 수동 필터링 및 자동 필터링에 대한 정보를 제공합니다. 수동 및 자동 필터링의 정의에 대한 자세한 내용은 [필터링 개요](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview) 섹션을 참조하세요. 이 설정은 [방법 2:원격 IDE의 AWS 도구 키트](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) 메서드를 사용하여 원격 IDE에서 Amazon SageMaker Studio 스페이스에 연결할 때만 적용됩니다. 자세한 정보는 [원격 액세스 설정](remote-access-remote-setup.md)을 참조하세요. **Topics** + [ ## 수동 필터링 ](#remote-access-local-ide-setup-filter-manual) + [ ## IAM 자격 증명을 사용하여 로그인할 때 자동 필터링 설정 ](#remote-access-local-ide-setup-filter-automatic-IAM-credentials) ## 수동 필터링 표시된 스페이스를 수동으로 필터링하려면 다음 단계를 따르세요. + 원격 IDE를 열고 Toolkit for VS Code 사이드 패널 탐색기로 이동합니다. + **SageMaker AI** 섹션을 찾습니다. + SageMaker AI 섹션 헤더 오른쪽에 있는 필터 아이콘을 선택합니다. 그러면 드롭다운 메뉴가 열립니다. + 드롭다운 메뉴에서 스페이스를 표시할 사용자 프로필을 선택합니다. ## IAM 자격 증명을 사용하여 로그인할 때 자동 필터링 설정 자동 필터링은 로그인 중 인증 방법에 따라 달라집니다. 자세한 내용은 [Toolkit for VS Code 사용 설명서의 Toolkit AWS 에서에 연결을](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) 참조하세요. **IAM 자격 증명**을 사용하여 인증하고 연결할 때 자동 필터링에는 [IAM 자격 증명으로 연결할 때의 설정](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-set-up-iam-credentials)이 필요합니다. 이 설정이 없을 경우 사용자가 ID 필터링을 옵트인하면 스페이스가 표시되지 않습니다. 위 항목이 설정되면 AWS 도구 키트는 인증된 IAM 사용자 이름 또는 수임된 역할 세션 이름으로 시작하는 사용자 프로필에 속하는 공백과 일치합니다. 자동 필터링은 다음과 같은 사용자에게 옵트인됩니다. + 원격 IDE 설정 열기 + **AWS Toolkit** 확장으로 이동하는 사용자 + **ID 필터링 활성화**를 찾는 사용자 + AWS ID를 기반으로 스페이스 자동 필터링을 활성화하는 사용자 # 지원되는 AWS 리전 다음 표에는 Studio 스페이스에 대한 원격 IDE 연결이 지원되는 리전과 각 AWS 리전에서 사용할 수 있는 IDEs 나열되어 있습니다. | AWS 리전 | VS Code | Kiro | Cursor | | --- | --- | --- | --- | | us-east-1 | 지원됨 | 지원됨 | 지원됨 | | us-east-2 | 지원됨 | 지원됨 | 지원됨 | | us-west-1 | 지원됨 | 지원됨 | 지원됨 | | us-west-2 | 지원됨 | 지원됨 | 지원됨 | | af-south-1 | 지원됨 | 지원됨 | 지원됨 | | ap-east-1 | 지원됨 | 지원됨 | 지원됨 | | ap-south-1 | 지원됨 | 지원됨 | 지원됨 | | ap-northeast-1 | 지원됨 | 지원됨 | 지원됨 | | ap-northeast-2 | 지원됨 | 지원됨 | 지원됨 | | ap-northeast-3 | 지원됨 | 지원됨 | 지원됨 | | ap-southeast-1 | 지원됨 | 지원됨 | 지원됨 | | ap-southeast-2 | 지원됨 | 지원됨 | 지원됨 | | ap-southeast-3 | 지원됨 | 지원됨 | 지원됨 | | ap-southeast-5 | 지원됨 | 지원됨 | 지원됨 | | ca-central-1 | 지원됨 | 지원됨 | 지원됨 | | eu-central-1 | 지원됨 | 지원됨 | 지원됨 | | eu-central-2 | 지원됨 | 지원됨 | 지원됨 | | eu-north-1 | 지원됨 | 지원됨 | 지원됨 | | eu-south-1 | 지원됨 | 지원됨 | 지원됨 | | eu-south-2 | 지원됨 | 지원됨 | 지원됨 | | eu-west-1 | 지원됨 | 지원됨 | 지원됨 | | eu-west-2 | 지원됨 | 지원됨 | 지원됨 | | eu-west-3 | 지원됨 | 지원됨 | 지원됨 | | il-central-1 | 지원됨 | 지원됨 | 지원됨 | | me-central-1 | 지원됨 | 지원되지 않음 | 지원되지 않음 | | me-south-1 | 지원됨 | 지원되지 않음 | 지원되지 않음 | | sa-east-1 | 지원됨 | 지원됨 | 지원됨 | # 기존 보유 이미지 사용(BYOI) 이미지는 애플리케이션을 실행하는 데 필요한 커널, 언어 패키지 및 기타 종속성을 식별하는 파일입니다. 여기에는 다음이 포함됩니다. + 프로그래밍 언어(예: Python 또는 R) + 커널 + 라이브러리 및 패키지 + 기타 필수 소프트웨어 Amazon SageMaker Distribution(`sagemaker-distribution`)은 기계 학습, 데이터 과학 및 시각화에 널리 사용되는 프레임워크 및 패키지를 포함하는 Docker 이미지 세트입니다. 자세한 내용은 [SageMaker Studio 이미지 지원 정책](sagemaker-distribution.md) 단원을 참조하십시오. 다른 기능이 필요한 경우 자체 이미지를 가져올 수 있습니다(BYOI). 다음과 같은 경우 사용자 지정 이미지를 생성할 수 있습니다. + 특정 버전의 프로그래밍 언어 또는 라이브러리가 필요한 경우 + 사용자 지정 도구 또는 패키지를 포함하려는 경우 + 표준 이미지에서 사용할 수 없는 특수 소프트웨어로 작업하는 경우 ## 핵심 용어 다음 섹션에서는 SageMaker AI에서 사용할 자체 이미지를 가져오기 위한 주요 용어를 정의합니다. + **Dockerfile:** Docker 이미지 구축 지침이 포함된 텍스트 기반 문서입니다. 이 문서는 Docker 이미지의 언어 패키지 및 기타 종속성을 식별합니다. + **Docker 이미지:** Dockerfile에서 구축된 소프트웨어 및 종속성의 패키지 세트입니다. + **SageMaker AI 이미지 저장소:** 사용자 지정 이미지를 위한 SageMaker AI의 내의 스토리지입니다. **Topics** + [ ## 핵심 용어 ](#studio-updated-byoi-basics) + [ # 사용자 지정 이미지 사양 ](studio-updated-byoi-specs.md) + [ # 자체 이미지를 가져오는 방법 ](studio-updated-byoi-how-to.md) + [ # Studio에서 사용자 지정 이미지 시작 ](studio-updated-byoi-how-to-launch.md) + [ # 사용자 지정 이미지 세부 정보 보기 ](studio-updated-byoi-view-images.md) + [ # SOCI를 사용하여 컨테이너 시작 속도 향상 ](soci-indexing.md) + [ # 사용자 지정 이미지 리소스 분리 및 정리 ](studio-updated-byoi-how-to-detach-from-domain.md) # 사용자 지정 이미지 사양 이미지를 성공적으로 생성하려면 Dockerfile에서 지정하는 이미지가 다음 섹션의 사양과 일치해야 합니다. **Topics** + [ ## 이미지 실행 ](#studio-updated-byoi-specs-run) + [ ## 사용자 및 파일 시스템 사양 ](#studio-updated-byoi-specs-user-and-filesystem) + [ ## 애플리케이션의 상태 확인 및 URL ](#studio-updated-byoi-specs-app-healthcheck) + [ ## Dockerfile 샘플 ](#studio-updated-byoi-specs-dockerfile-templates) ## 이미지 실행 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html)를 업데이트하여 다음 구성을 수행할 수 있습니다. 예제는 [컨테이너 구성 업데이트](studio-updated-byoi-how-to-container-configuration.md) 섹션을 참조하세요. + `Entrypoint` - 런타임에 컨테이너로 전달되는 `ContainerEntrypoint` 및 `ContainerArguments`를 구성할 수 있습니다. `ContainerConfig`를 사용하여 진입점을 구성하는 것이 좋습니다. 예시는 위의 링크를 참조하세요. + `EnvVariables` - Studio를 사용할 때 컨테이너에 대한 사용자 지정 `ContainerEnvironment` 변수를 정의할 수 있습니다. 선택적으로, `ContainerConfig`를 사용하여 환경 변수를 업데이트할 수 있습니다. 예시는 위의 링크를 참조하세요. SageMaker AI 관련 환경 변수가 우선하며 동일한 이름의 변수가 있으면 재정의합니다. 예를 들어 SageMaker AI는 AWS 서비스 및 SageMaker AI 기능과의 적절한 통합을 보장하기 위해 `AWS_` 및 `SAGEMAKER_` 접두사가 붙은 환경 변수를 자동으로 제공합니다. 다음은 SageMaker AI 관련 환경 변수의 몇 가지 예입니다. + `AWS_ACCOUNT_ID` + `AWS_REGION` + `AWS_DEFAULT_REGION` + `AWS_CONTAINER_CREDENTIALS_RELATIVE_URI` + `SAGEMAKER_SPACE_NAME` + `SAGEMAKER_APP_TYPE` ## 사용자 및 파일 시스템 사양 + `WorkingDirectory` – 스페이스의 Amazon EBS 볼륨은 경로 `/home/sagemaker-user`에 탑재됩니다. 탑재 경로는 변경할 수 없습니다. `WORKDIR` 지침을 사용하여 이미지의 작업 디렉터리를 `/home/sagemaker-user` 내의 폴더로 설정합니다. + `UID` – Docker 컨테이너의 사용자 ID입니다. UID=1000은 지원되는 값입니다. 사용자에게 sudo 액세스를 추가할 수 있습니다. IDs는 컨테이너에서 실행되는 프로세스가 필요한 것보다 더 많은 권한을 갖지 못하도록 다시 매핑됩니다. + `GID` – Docker 컨테이너의 그룹 ID입니다. GID=100은 지원되는 값입니다. 사용자에게 sudo 액세스를 추가할 수 있습니다. IDs는 컨테이너에서 실행되는 프로세스가 필요한 것보다 더 많은 권한을 갖지 못하도록 다시 매핑됩니다. + 메타데이터 디렉터리 -에서 사용하는 `/opt/.sagemakerinternal` 및 `/opt/ml` 디렉터리입니다 AWS. `/opt/ml`의 메타데이터 파일에는 `DomainId` 같은 리소스에 대한 메타데이터가 포함되어 있습니다. 다음 명령을 사용하여 확인할 파일 시스템 콘텐츠를 표시합니다. ``` cat /opt/ml/metadata/resource-metadata.json ``` + 로깅 디렉터리 - `/var/log/studio`는 애플리케이션의 로깅 디렉터리 및 관련 확장을 위해 예약되어 있습니다. 이미지를 생성할 때 이 폴더를 사용하지 않는 것이 좋습니다. ## 애플리케이션의 상태 확인 및 URL 상태 확인 및 URL은 애플리케이션에 따라 다릅니다. 이미지를 구축하려는 애플리케이션과 연결된 다음 링크를 선택합니다. + Code Editor의 경우 [애플리케이션의 상태 확인 및 URL](code-editor-custom-images.md#code-editor-custom-images-app-healthcheck) + JupyterLab의 경우 [애플리케이션의 상태 확인 및 URL](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-admin-guide-custom-images-app-healthcheck) ## Dockerfile 샘플 이 페이지의 요구 사항과 사용자의 특정 애플리케이션 요구 사항을 모두 충족하는 Dockerfile 샘플의 경우 각 애플리케이션의 섹션에서 샘플 Dockerfile로 이동하세요. 다음 옵션에 Amazon SageMaker Studio 애플리케이션이 포함됩니다. + Code Editor의 경우 [Dockerfile 예시](code-editor-custom-images.md#code-editor-custom-images-dockerfile-templates) + JupyterLab의 경우 [Dockerfile 예시](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-custom-images-dockerfile-templates) **참고** 자체 이미지를 SageMaker Unified Studio에 가져오는 경우 *Amazon SageMaker Unified Studio 사용 설명서*의 [Dockerfile specifications](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html)을 따라야 합니다. SageMaker Unified Studio의 `Dockerfile` 예시는 *Amazon SageMaker Unified Studio 사용 설명서*의 [Dockerfile example](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example)에서 확인할 수 있습니다. # 자체 이미지를 가져오는 방법 아래 페이지에서는 사용자 지정 이미지를 가져오는 방법에 대한 지침을 제공합니다. 계속하기 전에 다음 사전 조건이 충족되었는지 확인하세요. ## 사전 조건 자체 이미지를 Amazon SageMaker AI에 가져오려면 다음 사전 조건을 충족해야 합니다. + Docker 애플리케이션을 설정합니다. 자세한 내용은 *Docker 설명서*의 [Get started](https://docs.docker.com/get-started/)를 참조하세요. + *AWS Command Line Interface 버전 2 사용 설명서*의 [시작하기 AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html) 단계에 AWS CLI 따라 최신를 설치합니다. + Amazon Elastic Container Registry(Amazon ECR) 서비스에 액세스할 수 있는 권한입니다. 자세한 내용은 *Amazon ECR 사용 설명서*에서 [Amazon ECR Managed Policies](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html)를 참조하세요. + [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess) 정책이 연결된 AWS Identity and Access Management 역할입니다. **Topics** + [ ## 사전 조건 ](#studio-updated-byoi-how-to-prerequisites) + [ # 사용자 지정 이미지를 생성하고 Amazon ECR로 푸시 ](studio-updated-byoi-how-to-prepare-image.md) + [ # 도메인에 사용자 지정 이미지 연결 ](studio-updated-byoi-how-to-attach-to-domain.md) + [ # 컨테이너 구성 업데이트 ](studio-updated-byoi-how-to-container-configuration.md) # 사용자 지정 이미지를 생성하고 Amazon ECR로 푸시 이 페이지에서는 로컬 Dockerfile을 생성하고, 컨테이너 이미지를 구축하고, 이미지를 Amazon Elastic Container Registry(Amazon ECR)에 추가하는 방법에 대한 지침을 제공합니다. **참고** 다음 예시에서는 태그가 지정되지 않고 `latest` 태그가 기본적으로 적용됩니다. 태그를 지정하려면 이미지 이름 끝에 `:tag`를 추가해야 합니다. 자세한 내용은 *Docker 설명서*의 [docker image tag](https://docs.docker.com/reference/cli/docker/image/tag/)를 참조하세요. **Topics** + [ ## Dockerfile 생성 및 컨테이너 이미지 구축 ](#studio-updated-byoi-how-to-create-local-dockerfile) + [ ## Amazon ECR에 Docker 이미지 추가 ](#studio-updated-byoi-add-container-image) ## Dockerfile 생성 및 컨테이너 이미지 구축 다음 지침에 따라 원하는 소프트웨어 및 종속성을 사용하여 Dockerfile을 생성합니다. **Dockerfile을 생성하는 방법** 1. 먼저 다음 AWS CLI 명령에 대한 변수를 설정합니다. ``` LOCAL_IMAGE_NAME=local-image-name ``` `local-image-name`은 로컬 디바이스에 있는 컨테이너 이미지의 이름으로, 여기서 정의합니다. 1. [사용자 지정 이미지 사양](studio-updated-byoi-specs.md)의 사양을 충족하는 `Dockerfile`이라는 텍스트 기반 문서를 생성합니다. 지원되는 애플리케이션의 `Dockerfile` 예시는 [Dockerfile 샘플](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates)에서 확인할 수 있습니다. **참고** 자체 이미지를 SageMaker Unified Studio에 가져오는 경우 *Amazon SageMaker Unified Studio 사용 설명서*의 [Dockerfile specifications](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html)을 따라야 합니다. SageMaker Unified Studio의 `Dockerfile` 예시는 *Amazon SageMaker Unified Studio 사용 설명서*의 [Dockerfile example](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example)에서 확인할 수 있습니다. 1. `Dockerfile`이 있는 디렉터리에서 다음 명령을 사용하여 Docker 이미지를 구축합니다. 마침표(`.`)는 `Dockerfile`이 구축 명령의 컨텍스트에 있어야 함을 지정합니다. ``` docker build -t ${LOCAL_IMAGE_NAME} . ``` 구축이 완료되면 다음 명령을 사용하여 컨테이너 이미지 정보를 나열할 수 있습니다. ``` docker images ``` 1. (선택 사항) 다음 명령을 사용하여 이미지를 테스트할 수 있습니다. ``` docker run -it ${LOCAL_IMAGE_NAME} ``` 출력에서 서버가 `http://127.0.0.1:8888/...`과 같은 URL에서 실행되고 있음을 확인할 수 있습니다. URL을 브라우저에 복사하여 이미지를 테스트할 수 있습니다. 이렇게 해서 테스트되지 않으면 docker run 명령에 `-p port:port`를 포함해야 할 수 있습니다. 이 옵션은 컨테이너에 있는 노출된 포트를 호스트 시스템에 있는 포트에 매핑합니다. docker run에 대한 자세한 내용은 *Docker 설명서*의 [Running containers](https://docs.docker.com/engine/containers/run/)를 참조하세요. 서버가 작동하는지 확인한 후 계속하기 전에 서버를 중지하고 모든 커널을 종료할 수 있습니다. 지침은 출력에서 볼 수 있습니다. ## Amazon ECR에 Docker 이미지 추가 Amazon ECR에 컨테이너 이미지를 추가하려면 다음을 수행해야 합니다. + Amazon ECR 리포지토리를 생성합니다. + 기본 레지스트리에 로그인합니다. + Amazon ECR 리포지토리에 이미지를 푸시합니다. **참고** Amazon ECR 리포지토리는 이미지를 연결하는 도메인 AWS 리전 과 동일한에 있어야 합니다. **컨테이너 이미지를 구축하고 Amazon ECR에 추가하는 방법** 1. 먼저 다음 AWS CLI 명령에 대한 변수를 설정합니다. ``` ACCOUNT_ID=account-id REGION=aws-region ECR_REPO_NAME=ecr-repository-name ``` + `account-id`는 계정 ID입니다. 콘솔 AWS 페이지의 오른쪽 상단에서 찾을 수 있습니다. 예를 들어, [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 확인하세요. + `aws-region`는 Amazon SageMaker AI 도메인 AWS 리전 의 입니다. 콘솔 AWS 페이지의 오른쪽 상단에서 찾을 수 있습니다. + `ecr-repository-name`은 여기에서 정의하는 Amazon Elastic Container Registry 리포지토리의 이름입니다. Amazon ECR 리포지토리를 보려면 [Amazon ECR 콘솔](https://console.aws.amazon.com/ecr)을 참조하세요. 1. Amazon ECR에 로그인하고 Docker에 로그인합니다. ``` aws ecr get-login-password \ --region ${REGION} | \ docker login \ --username AWS \ --password-stdin ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com ``` 인증에 성공하면 로그인 성공 메시지가 표시됩니다. **중요** 오류가 발생하면 최신 버전의 AWS CLI를 설치하거나 최신 버전으로 업그레이드해야 할 수 있습니다. 자세한 내용은 *AWS Command Line Interface 사용자 가이드*에서 [AWS Command Line Interface설치](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html)를 참조하세요. 1. Amazon ECR과 호환되는 형식으로 이미지에 태그를 지정하여 리포지토리로 푸시합니다. ``` docker tag \ ${LOCAL_IMAGE_NAME} \ ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME} ``` 1. AWS CLI을 사용하여 Amazon ECR 리포지토리를 생성합니다. Amazon ECR 콘솔을 사용하여 리포지토리를 생성하려면 [Creating an Amazon ECR private repository to store images](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html)를 참조하세요. ``` aws ecr create-repository \ --region ${REGION} \ --repository-name ${ECR_REPO_NAME} ``` 1. 이미지를 Amazon ECR 리포지토리에 푸시합니다. Docker 이미지에 태그를 지정할 수도 있습니다. ``` docker push ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME} ``` 이미지가 Amazon ECR 리포지토리에 성공적으로 추가되면 [Amazon ECR 콘솔](https://console.aws.amazon.com/ecr)에서 이미지를 볼 수 있습니다. # 도메인에 사용자 지정 이미지 연결 이 페이지에서는 사용자 지정 이미지를 도메인에 연결하는 방법에 대한 지침을 제공합니다. 다음 절차에 따라 Amazon SageMaker AI 콘솔을 사용하여 도메인으로 이동하고 **이미지 연결** 프로세스를 시작합니다. 다음 지침에서는 도메인 AWS 리전 과 동일한의 Amazon ECR 리포지토리에 이미지를 푸시했다고 가정합니다. 아직 이 작업을 수행하지 않았다면 [사용자 지정 이미지를 생성하고 Amazon ECR로 푸시](studio-updated-byoi-how-to-prepare-image.md) 섹션을 참조하세요. 이미지를 연결할 때는 두 가지 옵션이 있습니다. + **새 이미지** 연결: 이 옵션은 SageMaker AI 이미지 저장소에 이미지 및 이미지 버전을 생성한 다음 도메인에 연결합니다. **참고** BYOI 프로세스를 계속하는 경우 [사용자 지정 이미지를 생성하고 Amazon ECR로 푸시](studio-updated-byoi-how-to-prepare-image.md)에서 **새 이미지** 옵션을 사용합니다. + **기존 이미지** 연결: SageMaker AI 이미지 저장소에서 의도한 사용자 지정 이미지를 이미 생성한 경우 이 옵션을 사용합니다. 이 옵션은 기존 사용자 지정 이미지를 도메인에 연결합니다. SageMaker AI 이미지 저장소에서 사용자 지정 이미지를 보려면 [사용자 지정 이미지 세부 정보 보기(콘솔)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console) 섹션을 참조하세요. ------ #### [ New image ] **도메인에 새 이미지를 연결하는 방법** 1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. 아직 확장하지 않았으면 **관리자 구성** 섹션을 확장합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. **도메인** 목록에서 이미지를 연결할 도메인을 선택합니다. **참고** 이미지를 SageMaker Unified Studio 프로젝트에 연결하고 사용할 도메인에 대한 설명이 필요한 경우 [프로젝트와 연결된 SageMaker AI 도메인 세부 정보 보기를 참조하세요](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain). 1. **환경** 탭을 엽니다. 1. **개인 Studio 앱용 사용자 지정 이미지**에서 **이미지 연결**을 선택합니다. 1. **이미지 소스**에서 **새 이미지**를 선택합니다. 1. Amazon ECR 이미지 URI를 포함합니다. 형식은 다음과 같습니다. ``` account-id.dkr.ecr.aws-region.amazonaws.com/repository-name:tag ``` 1. Amazon ECR 이미지 URI를 가져오려면 [Amazon ECR 프라이빗 리포지토리](https://console.aws.amazon.com/ecr/private-registry/repositories) 페이지로 이동합니다. 1. 리포지토리 이름 링크를 선택합니다. 1. 이미지 버전(**이미지 태그**)에 해당하는 **URI 복사** 아이콘을 선택합니다. 1. 나머지 지침에 따라 사용자 지정 이미지를 연결합니다. **참고** `Dockerfile`과 일관적인 애플리케이션 유형을 사용하고 있는지 확인합니다. 자세한 내용은 [Dockerfile 샘플](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates) 단원을 참조하십시오. 이미지가 도메인에 성공적으로 연결되면 **환경** 탭에서 볼 수 있습니다. ------ #### [ Existing image ] **도메인에 기존 이미지를 연결하는 방법** 1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. 아직 확장하지 않았으면 **관리자 구성** 섹션을 확장합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. **도메인** 목록에서 이미지를 연결할 도메인을 선택합니다. **참고** 이미지를 SageMaker Unified Studio 프로젝트에 연결하고 사용할 도메인에 대한 설명이 필요한 경우 [프로젝트와 연결된 SageMaker AI 도메인 세부 정보 보기를 참조하세요](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain). 1. **환경** 탭을 엽니다. 1. **개인 Studio 앱용 사용자 지정 이미지**에서 **이미지 연결**을 선택합니다. 1. **이미지 소스**에서 **기존 이미지**를 선택합니다. 1. SageMaker AI 이미지 저장소에서 기존 이미지 및 이미지 버전을 선택합니다. 이미지 버전을 볼 수 없는 경우 이미지 버전을 생성해야 할 수 있습니다. 자세한 내용은 [사용자 지정 이미지 세부 정보 보기(콘솔)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console) 단원을 참조하십시오. 1. 나머지 지침에 따라 사용자 지정 이미지를 연결합니다. **참고** `Dockerfile`과 일관적인 애플리케이션 유형을 사용하고 있는지 확인합니다. 자세한 내용은 [Dockerfile 샘플](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates) 단원을 참조하십시오. 이미지가 도메인에 성공적으로 연결되면 **환경** 탭에서 볼 수 있습니다. ------ 이미지가 도메인에 성공적으로 연결되면 도메인 사용자는 애플리케이션에서 해당 이미지를 선택할 수 있습니다. 자세한 내용은 [Studio에서 사용자 지정 이미지 시작](studio-updated-byoi-how-to-launch.md) 단원을 참조하십시오. **참고** SageMaker Unified Studio 프로젝트에 사용자 지정 이미지를 연결한 경우 SageMaker Unified Studio 내에서 애플리케이션을 시작해야 합니다. 자세한 내용은 *Amazon SageMaker Unified Studio 사용 설명서*의 [Launch your custom image](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html)를 참조하세요. # 컨테이너 구성 업데이트 사용자 지정 Docker 이미지를 기계 학습 워크플로로 가져올 수 있습니다. 이러한 이미지를 사용자 지정할 때 주요 측면은 컨테이너 구성, 즉 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html)를 구성하는 것입니다. 다음 페이지에서는 `ContainerConfig`를 구성하는 방법에 대한 예를 제공합니다. 진입점은 컨테이너가 시작될 때 실행되는 명령 또는 스크립트입니다. 사용자 지정 진입점을 사용하면 애플리케이션을 시작하기 전에 환경을 설정하거나 서비스를 초기화하거나 필요한 설정을 수행할 수 있습니다. 이 예시에서는 AWS CLI를 사용하여 JupyterLab 애플리케이션에 대한 사용자 지정 진입점을 구성하는 방법에 대한 지침을 제공합니다. 이 예시에서는 사용자 지정 이미지와 도메인을 이미 생성했다고 가정합니다. 지침은 [도메인에 사용자 지정 이미지 연결](studio-updated-byoi-how-to-attach-to-domain.md) 섹션을 참조하세요. 1. 먼저 다음 AWS CLI 명령에 대한 변수를 설정합니다. ``` APP_IMAGE_CONFIG_NAME=app-image-config-name ENTRYPOINT_FILE=entrypoint-file-name ENV_KEY=environment-key ENV_VALUE=environment-value REGION=aws-region DOMAIN_ID=domain-id IMAGE_NAME=custom-image-name IMAGE_VERSION=custom-image-version ``` + `app-image-config-name`은 애플리케이션 이미지 구성의 이름입니다. + `entrypoint-file-name`은 컨테이너의 진입점 스크립트 이름입니다. 예를 들어 `entrypoint.sh`입니다. + `environment-key`는 환경 변수의 이름입니다. + `environment-value`는 환경 변수에 할당된 값입니다. + `aws-region`는 Amazon SageMaker AI 도메인 AWS 리전 의 입니다. 콘솔 AWS 페이지의 오른쪽 상단에서 찾을 수 있습니다. + `domain-id`는 도메인 ID입니다. 도메인을 보려면 [도메인 보기](domain-view.md) 섹션을 참조하세요. + `custom-image-name`은 사용자 지정 이미지의 이름입니다. 사용자 지정 이미지 세부 정보를 보려면 [사용자 지정 이미지 세부 정보 보기(콘솔)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console) 섹션을 참조하세요. [도메인에 사용자 지정 이미지 연결](studio-updated-byoi-how-to-attach-to-domain.md)의 지침을 따른 경우 해당 프로세스에서 사용한 것과 동일한 이미지 이름을 사용하는 것이 좋습니다. + `custom-image-version`은 사용자 지정 이미지의 버전 번호입니다. 이미지 버전을 나타내는 정수여야 합니다. 사용자 지정 이미지 세부 정보를 보려면 [사용자 지정 이미지 세부 정보 보기(콘솔)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console) 섹션을 참조하세요. 1. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html) API를 사용하여 이미지 구성을 생성합니다. ``` aws sagemaker create-app-image-config \ --region ${REGION} \ --app-image-config-name "${APP_IMAGE_CONFIG_NAME}" \ --jupyter-lab-app-image-config "ContainerConfig = { ContainerEntrypoint = "${ENTRYPOINT_FILE}", ContainerEnvironmentVariables = { "${ENV_KEY}"="${ENV_VALUE}" } }" ``` 1. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html) API를 사용하여 도메인의 기본 설정을 업데이트합니다. 그러면 사용자 지정 이미지 및 애플리케이션 이미지 구성이 연결됩니다. ``` aws sagemaker update-domain \ --region ${REGION} \ --domain-id "${DOMAIN_ID}" \ --default-user-settings "{ \"JupyterLabAppSettings\": { \"CustomImages\": [ { \"ImageName\": \"${IMAGE_NAME}\", \"ImageVersionNumber\": ${IMAGE_VERSION}, \"AppImageConfigName\": \"${APP_IMAGE_CONFIG_NAME}\" } ] } }" ``` # Studio에서 사용자 지정 이미지 시작 Amazon SageMaker AI 도메인에 사용자 지정 이미지를 연결하고 나면 도메인의 사용자가 이미지를 사용할 수 있게 됩니다. 다음 지침에 따라 사용자 지정 이미지로 애플리케이션을 시작합니다. **참고** SageMaker Unified Studio 프로젝트에 사용자 지정 이미지를 연결한 경우 SageMaker Unified Studio 내에서 애플리케이션을 시작해야 합니다. 자세한 내용은 *Amazon SageMaker Unified Studio 사용 설명서*의 [Launch your custom image](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html)를 참조하세요. 1. Amazon SageMaker Studio를 실행합니다. 지침은 [Amazon SageMaker Studio 출시](studio-updated-launch.md) 섹션을 참조하세요. 1. 아직 확장하지 않았으면 **애플리케이션** 섹션을 확장합니다. 1. **애플리케이션** 섹션에서 애플리케이션을 선택합니다. 사용 가능한 애플리케이션이 표시되지 않으면 애플리케이션이 숨겨져 있는 것일 수 있습니다. 이 경우 관리자에게 문의하세요. 1. 스페이스를 생성하려면 **\$1 *애플리케이션* 스페이스 생성**을 선택하고 지침에 따라 스페이스를 생성합니다. 기존 스페이스를 선택하려면 열려는 스페이스의 링크 이름을 선택합니다. 1. **이미지**에서 사용할 이미지를 선택합니다. **이미지** 드롭다운을 사용할 수 없는 경우 스페이스를 중지해야 할 수 있습니다. 이렇게 하려면 **스페이스 중지**를 선택합니다. 1. 스페이스 설정을 확인하고 **스페이스 실행**을 선택합니다. # 사용자 지정 이미지 세부 정보 보기 다음 페이지에서는 SageMaker AI 이미지 저장소에서 사용자 지정 이미지 세부 정보를 보는 방법에 대한 지침을 제공합니다. ## 사용자 지정 이미지 세부 정보 보기(콘솔) 다음은 SageMaker AI 콘솔을 사용하여 사용자 지정 이미지를 보는 방법에 대한 지침을 제공합니다. 이 섹션에서는 이미지 세부 정보를 보고 편집할 수 있습니다. **사용자 지정 이미지 보기(콘솔)** 1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. **관리자 구성** 섹션을 확장합니다. 1. **관리자 구성**에서 **이미지**를 선택합니다. 1. **사용자 지정 이미지** 목록에서 이미지 이름의 하이퍼링크를 선택합니다. ## 사용자 지정 이미지 세부 정보 보기(AWS CLI) 다음 섹션에서는 AWS CLI를 사용하여 사용자 지정 이미지를 보는 방법에 대한 예를 보여줍니다. ``` aws sagemaker list-images \ --region aws-region ``` # SOCI를 사용하여 컨테이너 시작 속도 향상 SOCI(Seekable Open Container Initiative) 인덱싱을 사용하면 [Amazon SageMaker Studio](studio-updated.md) 또는 [Amazon SageMaker Unified Studio](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html)에서 사용자 지정 컨테이너 이미지를 느리게 로드할 수 있습니다. SOCI는 사용자 지정 [기존 보유 이미지 사용(BYOI)](studio-updated-byoi.md) 컨테이너의 시작 시간을 약 30\$170% 크게 줄입니다. 지연 시간 개선은 이미지 크기, 호스팅 인스턴스 가용성 및 기타 애플리케이션 종속성에 따라 달라집니다. SOCI는 필요한 구성 요소만으로 컨테이너를 시작할 수 있도록 하는 인덱스를 생성하여 필요에 따라 추가 파일을 온디맨드로 가져옵니다. SOCI는 사용자 지정 이미지에 대해 반복 기계 학습(ML) 개발 워크플로를 방해하는 느린 컨테이너 시작 시간을 해결합니다. ML 워크로드가 더 복잡해짐에 따라 컨테이너 이미지가 더 커져 개발 주기를 방해하는 시작 지연이 발생했습니다. **Topics** + [ ## 주요 이점 ](#soci-indexing-key-benefits) + [ ## SOCI 인덱싱 작동 방식 ](#soci-indexing-how-works) + [ ## 아키텍처 구성 요소 ](#soci-indexing-architecture-components) + [ ## 지원되는 도구 ](#soci-indexing-supported-tools) + [ # SOCI 인덱싱에 대한 권한 ](soci-indexing-setup.md) + [ # nerdctl 및 SOCI CLI 예제를 사용하여 SOCI 인덱스 생성 ](soci-indexing-example-create-indexes.md) + [ # SOCI 인덱싱된 이미지를 Studio 예제와 통합 ](soci-indexing-example-integrate-studio.md) ## 주요 이점 + **더 빠른 반복 주기**: 이미지 및 인스턴스 유형에 따라 컨테이너 시작 감소 + **범용 최적화**: Studio의 모든 사용자 지정 BYOI 컨테이너로 성능 이점 확장 ## SOCI 인덱싱 작동 방식 SOCI는 컨테이너 이미지의 내부 파일 구조를 매핑하는 특수 메타데이터 인덱스를 생성합니다. 이 인덱스를 사용하면 전체 이미지를 다운로드하지 않고도 개별 파일에 액세스할 수 있습니다. SOCI 인덱스는 [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html)에 OCI(Open Container Initiative) 준수 아티팩트로 저장되고 원본 컨테이너 이미지에 연결되어 이미지 다이제스트와 서명 유효성을 유지합니다. Studio에서 컨테이너를 시작하면 시스템은 SOCI 인덱스를 사용하여 시작에 필요한 필수 파일만 식별하고 다운로드합니다. 추가 구성 요소는 애플리케이션에 필요하므로 병렬로 가져옵니다. ## 아키텍처 구성 요소 + **원본 컨테이너 이미지**: Amazon ECR에 저장된 기본 컨테이너 + **SOCI 인덱스 아티팩트**: 이미지의 파일 구조 메타데이터 매핑 + **OCI 이미지 인덱스 매니페스트**: 원본 이미지와 SOCI 인덱스를 연결합니다. + **Finch 컨테이너 런타임**: Studio와의 지연 로딩 통합을 활성화합니다. ## 지원되는 도구 | 도구 | 통합 | | --- | --- | | nerdctl | 컨테이너 설정 필요 | | Finch CLI | 기본 SOCI 지원 | | Docker \$1 SOCI CLI | 추가 도구 필요 | **Topics** + [ ## 주요 이점 ](#soci-indexing-key-benefits) + [ ## SOCI 인덱싱 작동 방식 ](#soci-indexing-how-works) + [ ## 아키텍처 구성 요소 ](#soci-indexing-architecture-components) + [ ## 지원되는 도구 ](#soci-indexing-supported-tools) + [ # SOCI 인덱싱에 대한 권한 ](soci-indexing-setup.md) + [ # nerdctl 및 SOCI CLI 예제를 사용하여 SOCI 인덱스 생성 ](soci-indexing-example-create-indexes.md) + [ # SOCI 인덱싱된 이미지를 Studio 예제와 통합 ](soci-indexing-example-integrate-studio.md) # SOCI 인덱싱에 대한 권한 [Amazon SageMaker Studio](studio-updated.md) 또는 Amazon [Amazon SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html)ECR에 저장합니다. **Topics** + [ ## 사전 조건 ](#soci-indexing-setup-prerequisites) + [ ## 필수 IAM 권한 ](#soci-indexing-setup-iam-permissions) ## 사전 조건 + AWS 계정 관리 권한이 있는 [AWS Identity and Access Management](https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started.html) (IAM) 역할 사용 + [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html) + [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html) + 컨테이너 이미지를 저장하기 위한 [Amazon ECR 프라이빗 리포지토리](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Repositories.html) + 적절한 자격 증명으로 구성된 [AWS CLI v2.0 이상](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) + 다음 컨테이너 도구: + 필수: [soci-snapshotter](https://github.com/awslabs/soci-snapshotter) + 옵션: + [nerdctl](https://github.com/containerd/nerdctl) + [핀치](https://github.com/runfinch/finch) ## 필수 IAM 권한 IAM 역할에는 다음과 같은 권한이 필요합니다. + SageMaker AI 리소스(도메인, 이미지, 앱 구성)를 생성하고 관리합니다. + [SageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) AWS 관리형 정책을 사용할 수 있습니다. 권한에 대한 자세한 내용은 섹션을 참조하세요[AWS 관리형 정책: AmazonSageMakerFullAccess](security-iam-awsmanpol.md#security-iam-awsmanpol-AmazonSageMakerFullAccess). + [이미지를 Amazon ECR 프라이빗 리포지토리로 푸시하기 위한 IAM 권한](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-push-iam.html)입니다. # nerdctl 및 SOCI CLI 예제를 사용하여 SOCI 인덱스 생성 다음 페이지에서는 nerdctl 및 SOCI CLI를 사용하여 SOCI 인덱스를 생성하는 방법에 대한 예제를 제공합니다. **SOCI 인덱스 생성 예제** 1. 먼저 다음 AWS CLI 명령에 대한 변수를 설정합니다. 다음은 변수를 설정하는 예제입니다. ``` ACCOUNT_ID="111122223333" REGION="us-east-1" REPOSITORY_NAME="repository-name" ORIGINAL_IMAGE_TAG="original-image-tag" SOCI_IMAGE_TAG="soci-indexed-image-tag" ``` 변수 정의: + `ACCOUNT_ID`는 ID입니다 AWS 계정 . + `REGION`는 Amazon ECR 프라이빗 레지스트리 AWS 리전 의 입니다. + `REPOSITORY_NAME`는 Amazon ECR 프라이빗 레지스트리의 이름입니다. + `ORIGINAL_IMAGE_TAG`는 원본 이미지의 태그입니다. + `SOCI_IMAGE_TAG`는 SOCI로 인덱싱된 이미지의 태그입니다. 1. 필요한 도구를 설치합니다. ``` # Install SOCI CLI, containerd, and nerdctl sudo yum install soci-snapshotter sudo yum install containerd jq sudo systemctl start soci-snapshotter sudo systemctl restart containerd sudo yum install nerdctl ``` 1. 레지스트리 변수를 설정합니다. ``` REGISTRY_USER=AWS REGISTRY="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com" ``` 1. 리전을 내보내고 Amazon ECR에 인증합니다. ``` export AWS_REGION=$REGION REGISTRY_PASSWORD=$(/usr/local/bin/aws ecr get-login-password --region $AWS_REGION) echo $REGISTRY_PASSWORD | sudo nerdctl login -u $REGISTRY_USER --password-stdin $REGISTRY ``` 1. 원래 컨테이너 이미지를 가져옵니다. ``` sudo nerdctl pull $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG ``` 1. SOCI 인덱스를 생성합니다. ``` sudo nerdctl image convert --soci $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG ``` 1. SOCI로 인덱싱된 이미지를 푸시합니다. ``` sudo nerdctl push --platform linux/amd64 $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG ``` 이 프로세스는 ECR 리포지토리의 원래 컨테이너 이미지에 대해 두 개의 아티팩트를 생성합니다. + SOCI 인덱스 - 지연 로딩을 활성화하는 메타데이터 + 이미지 인덱스 매니페스트 - OCI 준수 매니페스트 # SOCI 인덱싱된 이미지를 Studio 예제와 통합 원본 컨테이너 이미지 태그가 아닌 Studio에서 SOCI 인덱스 이미지를 사용하려면 SOCI 인덱스 이미지 태그를 참조해야 합니다. SOCI 변환 프로세스 중에 지정한 태그를 사용합니다(예: `SOCI_IMAGE_TAG`에서[nerdctl 및 SOCI CLI 예제를 사용하여 SOCI 인덱스 생성](soci-indexing-example-create-indexes.md)). **SOCI 인덱싱 이미지 통합 예제** 1. 먼저 다음 AWS CLI 명령에 대한 변수를 설정합니다. 다음은 변수를 설정하는 예제입니다. ``` ACCOUNT_ID="111122223333" REGION="us-east-1" IMAGE_NAME="sagemaker-image-name" IMAGE_CONFIG_NAME="sagemaker-image-config-name" ROLE_ARN="your-role-arn" DOMAIN_ID="domain-id" SOCI_IMAGE_TAG="soci-indexed-image-tag" ``` 변수 정의: + `ACCOUNT_ID`는 ID입니다 AWS 계정 . + `REGION`는 Amazon ECR 프라이빗 레지스트리 AWS 리전 의 입니다. + `IMAGE_NAME`는 SageMaker 이미지의 이름입니다. + `IMAGE_CONFIG_NAME`는 SageMaker 이미지 구성의 이름입니다. + `ROLE_ARN`는 [필수 IAM](soci-indexing-setup.md#soci-indexing-setup-iam-permissions) 권한에 나열된 권한을 가진 실행 역할의 ARN입니다. + `DOMAIN_ID`는 [도메인 ID](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html)입니다. **참고** 이미지를 SageMaker Unified Studio 프로젝트에 연결하고 사용할 도메인에 대한 설명이 필요한 경우 [프로젝트와 연결된 SageMaker AI 도메인 세부 정보 보기를 참조하세요](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain). + `SOCI_IMAGE_TAG`는 SOCI로 인덱싱된 이미지의 태그입니다. 1. 리전을 내보냅니다. ``` export AWS_REGION=$REGION ``` 1. SageMaker 이미지 생성: ``` aws sagemaker create-image \ --image-name "$IMAGE_NAME" \ --role-arn "$ROLE_ARN" ``` 1. SOCI 인덱스 URI를 사용하여 SageMaker 이미지 버전을 생성합니다. ``` IMAGE_INDEX_URI="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com/$IMAGE_NAME:$SOCI_IMAGE_TAG" aws sagemaker create-image-version \ --image-name "$IMAGE_NAME" \ --base-image "$IMAGE_INDEX_URI" ``` 1. 애플리케이션 이미지 구성을 생성하고 Amazon SageMaker AI 도메인을 업데이트하여 앱의 사용자 지정 이미지를 포함합니다. Code-OSS, Visual Studio Code - Open Source(Code Editor) 및 JupyterLab 애플리케이션을 기반으로 Code Editor에 대해이 작업을 수행할 수 있습니다. 아래 애플리케이션 옵션을 선택하여 단계를 확인합니다. ------ #### [ Code Editor ] 코드 편집기에 대한 애플리케이션 이미지 구성을 생성합니다. ``` aws sagemaker create-app-image-config \ --app-image-config-name "$IMAGE_CONFIG_NAME" \ --code-editor-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }' ``` 코드 편집기의 사용자 지정 이미지를 포함하도록 Amazon SageMaker AI 도메인을 업데이트합니다. ``` aws sagemaker update-domain \ --domain-id "$DOMAIN_ID" \ --default-user-settings '{ "CodeEditorAppSettings": { "CustomImages": [{ "ImageName": "$IMAGE_NAME", "AppImageConfigName": "$IMAGE_CONFIG_NAME" }] } }' ``` ------ #### [ JupyterLab ] JupyterLab에 대한 애플리케이션 이미지 구성을 생성합니다. ``` aws sagemaker create-app-image-config \ --app-image-config-name "$IMAGE_CONFIG_NAME" \ --jupyter-lab-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }' ``` JupyterLab용 사용자 지정 이미지를 포함하도록 Amazon SageMaker AI 도메인을 업데이트합니다. ``` aws sagemaker update-domain \ --domain-id "$DOMAIN_ID" \ --default-user-settings '{ "JupyterLabAppSettings": { "CustomImages": [{ "ImageName": "$IMAGE_NAME", "AppImageConfigName": "$IMAGE_CONFIG_NAME" }] } }' ``` ------ 1. 사용자 지정 이미지를 포함하도록 도메인을 업데이트한 후 사용자 지정 이미지를 사용하여 Studio에서 애플리케이션을 생성할 수 있습니다. 사용자 지정 이미지를 사용하고 있는지 [Studio에서 사용자 지정 이미지 시작](studio-updated-byoi-how-to-launch.md) 확인하는 경우. # 사용자 지정 이미지 리소스 분리 및 정리 다음 페이지에서는 Amazon SageMaker AI 콘솔 또는 AWS Command Line Interface ()를 사용하여 사용자 지정 이미지를 분리하고 관련 리소스를 정리하는 방법에 대한 지침을 제공합니다AWS CLI. **중요** SageMaker AI 이미지 저장소에서 이미지를 삭제하기 전에 먼저 도메인에서 사용자 지정 이미지를 분리해야 합니다. 분리하지 않으면 도메인 정보를 보거나 도메인에 새 사용자 지정 이미지를 연결하는 동안 오류가 발생할 수 있습니다. 사용자 지정 이미지를 로드하는 동안 오류가 발생하는 경우 [사용자 지정 이미지 로드 실패](studio-updated-troubleshooting.md#studio-updated-troubleshooting-custom-image) 섹션을 참조하세요. ## 사용자 지정 이미지 분리 및 삭제(콘솔) 다음은 콘솔을 사용하여 SageMaker AI에서 사용자 지정 이미지를 분리하고 사용자 지정 이미지 리소스를 정리하는 방법에 대한 지침을 제공합니다. **도메인에서 사용자 지정 이미지 분리** 1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. **관리자 구성** 섹션을 확장합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. **도메인** 목록에서 도메인을 선택합니다. 1. **환경** 탭을 엽니다. 1. **개인 Studio 앱용 사용자 지정 이미지**에서 분리하려는 이미지의 확인란을 선택합니다. 1. **분리**를 선택합니다. 1. 지침을 따라 분리합니다. **사용자 지정 이미지 삭제** 1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. 아직 확장하지 않았으면 **관리자 구성** 섹션을 확장합니다. 1. **관리자 구성**에서 **이미지**를 선택합니다. 1. **이미지** 목록에서 삭제할 이미지를 선택합니다. 1. **삭제**를 선택합니다. 1. 지침에 따라 SageMaker AI에서 이미지와 모든 버전을 삭제합니다. **Amazon ECR에서 이미지와 리포지토리 삭제** **중요** 이 작업을 수행하면 이 리포지토리의 컨테이너 이미지와 아티팩트도 삭제됩니다. 1. [Amazon ECR 콘솔](https://console.aws.amazon.com/ecr)을 엽니다. 1. 아직 확장하지 않았으면 왼쪽 탐색 창을 확장합니다. 1. **프라이빗 레지스트리**에서 **리포지토리**를 선택합니다. 1. 삭제할 리포지토리를 선택합니다. 1. **삭제**를 선택합니다. 1. 지침을 따라 삭제합니다. ## 사용자 지정 이미지 분리 및 삭제(AWS CLI) 다음 섹션에서는 AWS CLI를 사용하여 사용자 지정 이미지를 분리하는 방법에 대한 예를 보여줍니다. 1. 먼저 다음 AWS CLI 명령에 대한 변수를 설정합니다. ``` ACCOUNT_ID=account-id REGION=aws-region APP_IMAGE_CONFIG=app-image-config SAGEMAKER_IMAGE_NAME=custom-image-name ``` + `aws-region`는 Amazon SageMaker AI 도메인 AWS 리전 의 입니다. 콘솔 AWS 페이지의 오른쪽 상단에서 찾을 수 있습니다. + `app-image-config`는 애플리케이션 이미지 구성의 이름입니다. 다음 AWS CLI 명령을 사용하여의 애플리케이션 이미지 구성을 나열합니다 AWS 리전. ``` aws sagemaker list-app-image-configs \ --region ${REGION} ``` + `custom-image-name`은 사용자 지정 이미지 이름입니다. 다음 AWS CLI 명령을 사용하여의 이미지를 나열합니다 AWS 리전. ``` aws sagemaker list-images \ --region ${REGION} ``` 1. 이 지침을 사용하여 도메인에서 이미지 및 이미지 버전을 분리하려면 도메인 구성 json 파일을 생성하거나 업데이트해야 합니다. **참고** [도메인에 사용자 지정 이미지 연결](studio-updated-byoi-how-to-attach-to-domain.md)의 지침을 따른 경우 `update-domain.json`이라는 파일을 사용하여 도메인을 업데이트했을 수 있습니다. 해당 파일이 없는 경우 대신 새 json 파일을 생성할 수 있습니다. 도메인을 업데이트하는 데 사용할 `update-domain.json`이라는 파일을 생성합니다. 1. 사용자 지정 이미지를 삭제하려면 `"CustomImages": []`처럼 `CustomImages`를 비워 두어야 합니다. Code Editor 또는 JupyterLab의 구성 파일 예시를 보려면 다음 중 하나를 선택합니다. ------ #### [ Code Editor: update domain configuration file example ] [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html)을 사용한 Code Editor의 구성 파일 예시입니다. ``` { "DomainId": "domain-id", "DefaultUserSettings": { "CodeEditorAppSettings": { "CustomImages": [ ] } } } ``` ------ #### [ JupyterLab: update domain configuration file example ] [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html)을 사용한 JupyterLab의 구성 파일 예시입니다. ``` { "DomainId": "domain-id", "DefaultUserSettings": { "JupyterLabAppSettings": { "CustomImages": [ ] } } } ``` ------ `domain-id`는 이미지가 연결된 도메인 ID입니다. 다음 명령을 사용하여 도메인을 나열합니다. ``` aws sagemaker list-domains \ --region ${REGION} ``` 1. 파일을 저장합니다. 1. [업데이트 도메인 구성 파일를 사용하여 update-](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) AWS CLI domain을 호출합니다`update-domain.json`. **참고** 사용자 지정 이미지를 업데이트하려면 먼저 도메인의 모든 **애플리케이션**을 삭제해야 합니다. 사용자 프로필이나 공유 스페이스를 삭제할 필요가 **없습니다**. 애플리케이션 삭제에 대한 지침은 다음 옵션 중 하나를 선택합니다. SageMaker AI 콘솔을 사용하려면 [도메인에서 SageMaker AI 리소스 종료](sm-console-domain-resources-shut-down.md) 섹션을 참조하세요. 를 사용하려면의 1\$13단계를 AWS CLI사용합니다[Amazon SageMaker AI 도메인 삭제(AWS CLI)](gs-studio-delete-domain.md#gs-studio-delete-domain-cli). ``` aws sagemaker update-domain \ --cli-input-json file://update-domain.json \ --region ${REGION} ``` 1. 앱 이미지 구성을 삭제합니다. ``` aws sagemaker delete-app-image-config \ --app-image-config-name ${APP_IMAGE_CONFIG} ``` 1. 사용자 지정 이미지를 삭제합니다. 이렇게 하면 이미지 버전도 모두 삭제됩니다. Amazon ECR 컨테이너 이미지 및 이미지 버전은 삭제되지 않습니다. 삭제하려면 아래의 선택적 단계를 사용합니다. ``` aws sagemaker delete-image \ --image-name ${SAGEMAKER_IMAGE_NAME} ``` 1. (선택 사항) Amazon ECR 리소스를 삭제합니다. 다음 목록은 아래 단계에 대한 Amazon ECR 리소스 정보를 가져오는 AWS CLI 명령을 제공합니다. 1. 다음 AWS CLI 명령에 대한 변수를 설정합니다. ``` ECR_REPO_NAME=ecr-repository-name ``` `ecr-repository-name`은 Amazon Elastic Container Registry 리포지토리의 이름입니다. 리포지토리의 세부 정보를 나열하려면 다음 명령을 사용합니다. ``` aws ecr describe-repositories \ --region ${REGION} ``` 1. Amazon ECR에서 리포지토리를 삭제합니다. **중요** 이 작업을 수행하면 이 리포지토리의 컨테이너 이미지와 아티팩트도 삭제됩니다. ``` aws ecr delete-repository \ --repository-name ${ECR_REPO_NAME} \ --force \ --region ${REGION} ``` # Amazon SageMaker Studio에서 수명 주기 구성 수명 주기 구성(LCC)은 관리자와 사용자가 Amazon SageMaker Studio 환경 내에서 다음 애플리케이션의 사용자 지정을 자동화하는 데 사용할 수 있는 스크립트입니다. + Amazon SageMaker AI JupyterLab + Code Editor, Code-OSS 기반, Visual Studio 코드 - 오픈 소스 + 스튜디오 클래식 + 노트북 인스턴스 애플리케이션 사용자 지정에는 다음이 포함됩니다. + 사용자 지정 패키지 설치 + 익스텐션 구성 + 데이터세트 사전 로드 + 소스 코드 리포지토리 설정 사용자는 자체 사용자 프로필에 기본 제공 수명 주기 구성을 생성하고 연결합니다. 관리자는 도메인, 스페이스 또는 사용자 프로필 수준에서 기본 또는 기본 제공 수명 주기 구성을 생성하고 연결합니다. **중요** Amazon SageMaker Studio는 먼저 기본 제공 수명 주기 구성을 실행한 다음 기본 LCC를 실행합니다. Amazon SageMaker AI는 사용자와 관리자 LCC 간의 패키지 충돌을 해결하지 않습니다. 예를 들어 기본 제공 LCC가 를 설치하고 기본 LCC가 `python3.11`를 설치하는 경우 `python3.12`Studio는 를 설치합니다`python3.12`. # 수명 주기 구성 생성 및 연결 AWS Management Console 또는를 사용하여 수명 주기 구성을 생성하고 연결할 수 있습니다 AWS Command Line Interface. **Topics** + [ ## 수명 주기 구성 생성 및 연결(AWS CLI) ](#studio-lifecycle-configurations-create-cli) + [ ## 수명 주기 구성 생성 및 연결(콘솔) ](#studio-lifecycle-configurations-create-console) ## 수명 주기 구성 생성 및 연결(AWS CLI) **중요** 시작하기 전에 다음 필수 조건을 완료합니다. 현재 버전 설치의 단계에 AWS CLI 따라를 업데이트합니다. [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) 로컬 시스템에서를 실행`aws configure`하고 AWS 자격 증명을 제공합니다. 자격 AWS 증명에 대한 자세한 내용은 [AWS 자격 증명 이해 및 가져오기를 참조하세요](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). Amazon SageMaker AI 도메인에 온보딩합니다. 개념적 정보는 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 섹션을 참조하세요. 빠른 시작 안내서는 [Amazon SageMaker AI에 빠른 설정 사용](onboard-quick-start.md) 섹션을 참조하세요. 다음 절차는 Code Editor 또는 JupyterLab에서 `Hello World`를 인쇄하는 수명 주기 구성 스크립트를 생성하는 방법을 보여 줍니다. **참고** 각 스크립트는 최대 **16,384자**까지 입력할 수 있습니다. 1. 로컬 시스템엣서 다음 내용으로 `my-script.sh`이라는 파일을 만듭니다. ``` #!/bin/bash set -eux echo 'Hello World!' ``` 1. 다음을 사용하여 `my-script.sh` 파일을 base64 형식으로 변환합니다. 이 필수 조건은 간격 및 줄 바꿈 인코딩으로 인해 발생하는 오류를 방지합니다. ``` LCC_CONTENT=`openssl base64 -A -in my-script.sh` ``` 1. Studio와 함께 사용할 수명 주기 구성을 생성하세요. 다음 명령은 관련 `JupyterLab` 애플리케이션을 시작할 때 실행되는 수명 주기 구성을 생성합니다. ``` aws sagemaker create-studio-lifecycle-config \ --region region \ --studio-lifecycle-config-name my-lcc \ --studio-lifecycle-config-content $LCC_CONTENT \ --studio-lifecycle-config-app-type application-type ``` 에서 *CodeEditor* 또는 *JupyterLab* `studio-lifecycle-config-app-type`지정합니다. **참고** 반환된 새로 생성된 수명 주기 구성의 ARN. 이 ARN은 수명 주기 구성을 애플리케이션에 연결하는 데 필요합니다. 환경을 올바르게 사용자 지정하기 위해 사용자와 관리자는 다양한 명령을 사용하여 수명 주기 구성을 연결합니다. ### 기본 수명 주기 구성 연결(관리자) 수명 주기 구성을 연결하려면 도메인 또는 사용자 프로필에 `UserSettings`을 업데이트해야 합니다. 도메인 수준에서 연결된 수명 주기 구성 스크립트는 모든 사용자에게 상속됩니다. 하지만 사용자 프로필 수준에서 연결된 스크립트는 특정 사용자로 범위가 지정됩니다 다음 명령을 사용하여 수명 주기 구성이 연결된 새 사용자 프로필, 도메인 또는 공간을 생성할 수 있습니다. + [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html) + [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) + [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html) 다음 명령은 JupyterLab 애플리케이션의 수명 주기 구성을 사용하여 사용자 프로파일을 생성합니다. 이전 단계의 수명 주기 구성 ARN을 사용자의 `JupyterLabAppSettings`에 추가합니다. 목록을 전달하여 여러 수명 주기 구성을 동시에 추가할 수 있습니다. 사용자가를 사용하여 JupyterLab 애플리케이션을 시작할 때 기본 애플리케이션을 사용하는 대신 수명 주기 구성을 지정할 AWS CLI수 있습니다. 사용자가 전달하는 수명 주기 구성은 `JupyterLabAppSettings`의 수명 주기 구성 목록에 속해야 합니다. ``` # Create a new UserProfile aws sagemaker create-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "JupyterLabAppSettings": { "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` 다음 명령은 Code Editor 애플리케이션의 수명 주기 구성을 사용하여 사용자 프로파일을 생성합니다. 이전 단계의 수명 주기 구성 ARN을 사용자의 `CodeEditorAppSettings`에 추가합니다. 목록을 전달하여 여러 수명 주기 구성을 동시에 추가할 수 있습니다. 사용자가 AWS CLI를 사용하여 Code Editor 애플리케이션을 시작하면 기본값 대신 사용할 수명 주기 구성을 지정할 수 있습니다. 사용자가 전달하는 수명 주기 구성은 `CodeEditorAppSettings`의 수명 주기 구성 목록에 속해야 합니다. ``` # Create a new UserProfile aws sagemaker create-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "CodeEditorAppSettings": { "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` ### 기본 제공 수명 주기 구성 연결(사용자) 수명 주기 구성을 연결하려면 사용자 프로필에 `UserSettings`을 업데이트해야 합니다. 다음 명령은 JupyterLab 애플리케이션의 수명 주기 구성을 사용하여 사용자 프로파일을 생성합니다. 이전 단계의 수명 주기 구성 ARN을 사용자 프로필의 `JupyterLabAppSettings`에 추가합니다. ``` # Update a UserProfile aws sagemaker update-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "JupyterLabAppSettings": { "BuiltInLifecycleConfigArn":"lifecycle-configuration-arn" } }' ``` 다음 명령은 Code Editor 애플리케이션의 수명 주기 구성을 사용하여 사용자 프로파일을 생성합니다. 이전 단계의 수명 주기 구성 ARN을 사용자 프로필의 `CodeEditorAppSettings`에 추가합니다. 사용자가 전달하는 수명 주기 구성은 `CodeEditorAppSettings`의 수명 주기 구성 목록에 속해야 합니다. ``` # Update a UserProfile aws sagemaker update-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "CodeEditorAppSettings": { "BuiltInLifecycleConfigArn":"lifecycle-configuration-arn" } }' ``` ## 수명 주기 구성 생성 및 연결(콘솔) 에서 수명 주기 구성을 생성하고 연결하려면 [Amazon SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)로 AWS Management Console이동하여 왼쪽 탐색에서 **수명 주기 구성을** 선택합니다. 콘솔은 수명 주기 구성을 생성하는 프로세스를 안내합니다. # 수명 주기 구성 디버깅 다음 주제에서는 수명 주기 구성에 대한 정보를 얻고 디버깅하는 방법을 보여줍니다. **Topics** + [ ## CloudWatch Logs에서 수명 주기 구성 프로세스 확인 ](#studio-lifecycle-configurations-debug-logs) + [ # 수명 주기 구성의 제한 시간 ](studio-lifecycle-configurations-debug-timeout.md) ## CloudWatch Logs에서 수명 주기 구성 프로세스 확인 수명 주기 구성은 `STDOUT`및 `STDERR`만 기록합니다. `STDOUT`는 bash 스크립트의 기본 출력입니다. bash 명령어 끝에 `>&2`를 추가하여 `STDERR`에 쓸 수 있습니다. 예를 들어 `echo 'hello'>&2`입니다. 수명 주기 구성에 대한 로그는 Amazon CloudWatch를 AWS 계정 사용하여에 게시됩니다. 이러한 로그는 CloudWatch 콘솔의 `/aws/sagemaker/studio`로그 스트림에서 찾을 수 있습니다. 1. [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/)에서 CloudWatch 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **로그**를 선택합니다. 드롭다운 메뉴에서 **로그 그룹**을 선택합니다. 1. **로그 그룹** 페이지에서 `aws/sagemaker/studio`를 검색합니다. 1. 로그 그룹을 선택합니다. 1. **로그 그룹 세부 정보** 페이지에서 **로그 스트림** 탭을 선택합니다. 1. 특정 스페이스와 앱의 로그를 찾으려면 다음 형식을 사용하여 로그 스트림을 검색하세요. ``` domain-id/space-name/app-type/default/LifecycleConfigOnStart ``` 예를 들어 도메인 ID `d-m85lcu8vbqmz`, 스페이스 이름 `i-sonic-js`, 애플리케이션 유형 `JupyterLab`에 대한 수명 주기 구성 로그를 찾으려면 다음 검색 문자열을 사용하세요. ``` d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart ``` 1. 스크립트 실행 로그를 보려면 `LifecycleConfigOnStart`가 추가된 로그 스트림을 선택합니다. # 수명 주기 구성의 제한 시간 수명 주기 구성 시간 초과 제한은 5분입니다. 수명 주기 구성 스크립트를 실행하는 데 5분 이상 걸리는 경우 오류가 발생합니다. 이 오류를 해결하려면 수명 주기 구성 스크립트가 5분 이내에 완료되어야 합니다. 스크립트 런타임을 줄이기 위해 다음을 시도할 수 있습니다. + 불필요한 단계를 줄입니다. 예를 들어 대규모 패키지를 설치할 conda 환경을 제한합니다. + 작업을 병렬 프로세스로 실행합니다. + 스크립트의 nohup 명령을 사용하여 중단 신호는 무시하여 스크립트가 중지 없이 실행되도록 합니다. # Amazon SageMaker Studio 스페이스 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 생성할 수 있도록 허용하는 사용자 지정 IAM 정책도 해당 리소스에 태그를 추가할 수 있는 권한을 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 명명되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. 스페이스는 일부 Amazon SageMaker Studio 애플리케이션의 스토리지 및 리소스 요구 사항을 관리하는 데 사용됩니다. 각 스페이스는 여러 리소스로 구성되며 프라이빗 또는 공유가 가능합니다. 각 스페이스는 애플리케이션의 인스턴스와 1:1 관계를 갖습니다. 생성된 지원되는 모든 애플리케이션은 자체 스페이스를 확보합니다. Studio의 다음 애플리케이션은 스페이스에서 실행됩니다. + [Amazon SageMaker Studio의 코드 편집기](code-editor.md) + [SageMaker JupyterLab](studio-updated-jl.md) + [Amazon SageMaker Studio Classic](studio.md) 스페이스는 다음 리소스로 구성됩니다. + 스토리지 볼륨. + Studio Classic의 경우 스페이스는 도메인의 공유 Amazon Elastic File System(Amazon EFS) 볼륨에 연결됩니다. + 다른 애플리케이션의 경우 고유한 Amazon Elastic Block Store(Amazon EBS) 볼륨이 스페이스에 연결됩니다. 모든 애플리케이션에는 자체 Amazon EBS 볼륨이 제공됩니다. 애플리케이션은 다른 애플리케이션의 Amazon EBS 볼륨에 액세스할 수 없습니다. Amazon EBS 볼륨에 대한 자세한 내용은 [Amazon Elastic Block Store(Amazon EBS)](https://docs.aws.amazon.com//AWSEC2/latest/UserGuide/AmazonEBS.html)를 참조하세요. + 스페이스의 애플리케이션 유형입니다. + 애플리케이션이 기반으로 하는 이미지입니다. 스페이스는 프라이빗 또는 공유가 가능합니다. + **프라이빗**: 프라이빗 스페이스는 도메인의 단일 사용자로 범위가 지정됩니다. 프라이빗 스페이스는 다른 사용자와 공유할 수 없습니다. 스페이스를 지원하는 모든 애플리케이션은 프라이빗 스페이스도 지원합니다. + **공유**: 도메인의 모든 사용자가 공유 스페이스에 액세스할 수 있습니다. 공유 스페이스에 대한 자세한 내용은 [공유 스페이스와의 협업](domain-space.md) 섹션을 참조하세요. AWS IAM Identity Center 또는 AWS Identity and Access Management (IAM) 인증을 사용하는 도메인에서 스페이스를 생성할 수 있습니다. 다음 섹션에서는 스페이스에 액세스하는 방법에 대한 일반적인 정보를 제공합니다. 스페이스 생성 및 액세스에 대한 자세한 내용은 생성하는 스페이스의 각 애플리케이션 유형에 대한 설명서를 참조하세요. 애플리케이션, 인스턴스 또는 공백을 보거나 중지하거나 삭제하는 방법에 대한 자세한 내용은 [애플리케이션과 스페이스를 실행하는 Studio 중지 또는 삭제](studio-updated-running-stop.md) 섹션을 참조하세요. **Topics** + [ # 스페이스 시작 ](studio-updated-spaces-access.md) + [ # 공유 스페이스와의 협업 ](domain-space.md) # 스페이스 시작 다음 섹션에서는 도메인의 스페이스에 액세스하는 방법에 대한 정보를 제공합니다. 스페이스는 다음 중 한 가지 방법으로 수행할 수 있습니다. + Amazon SageMaker AI 콘솔에서 + Studio에서 + 사용 AWS CLI ## Amazon SageMaker AI 콘솔에서 스페이스 액세스 **Amazon SageMaker AI 콘솔에서 스페이스에 액세스하는 방법** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 스페이스가 포함된 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. 스페이스 관리에 대한 자세한 내용은 [공유 스페이스와의 협업](domain-space.md) 섹션을 참조하세요. 1. 해당 도메인의 스페이스 목록에서 시작할 스페이스를 선택합니다. 1. 시작하려는 스페이스에 대해 **Studio 시작**을 선택합니다. ## Studio에서 스페이스 액세스 다음 단계에 따라 특정 애플리케이션 유형에 대해 Studio의 스페이스에 액세스합니다. **Studio에서 스페이스에 액세스하려면** 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio를 엽니다. 1. 액세스하려는 스페이스가 있는 애플리케이션 유형을 선택합니다. ## 를 사용하여 스페이스 액세스 AWS CLI 다음 섹션에서는 AWS Command Line Interface ()에서 스페이스에 액세스하는 방법을 보여줍니다AWS CLI. 절차는 AWS Identity and Access Management (IAM) 또는 AWS IAM Identity Center 인증을 사용하는 도메인에 대한 것입니다. ### IAM 인증 다음 절차에서는 AWS CLI에서 IAM 인증을 사용하여 스페이스에 액세스하는 일반적인 방법을 간략하게 설명합니다. 1. 액세스하려는 스페이스의 이름을 지정하는 미리 서명된 도메인 URL을 생성합니다. ``` aws \     --region region \     sagemaker \     create-presigned-domain-url \     --domain-id domain-id \     --user-profile-name user-profile-name \     --space-name space-name ``` 1. URL로 이동합니다. ### IAM Identity Center 인증의 스페이스에 액세스 다음 절차에서는 AWS CLI에서 IAM Identity Center 인증을 사용하여 공간에 액세스하는 방법을 간략하게 설명합니다. 1. 다음 명령을 사용하여 스페이스와 연결된 URL을 반환합니다. ``` aws \     --region region \     sagemaker \     describe-space \     --domain-id domain-id \     --space-name space-name ``` 1. 애플리케이션 유형에 대한 각 리디렉션 파라미터를 IAM Identity Center를 통해 페더레이션할 URL에 추가합니다. 리디렉션 파라미터에 대한 자세한 내용은 [describe-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/describe-space.html)를 참조하세요. 1. IAM Identity Center를 통해 페더레이션할 URL로 이동합니다. # 공유 스페이스와의 협업 Amazon SageMaker Studio Classic 공유 스페이스는 공유 JupyterServer 애플리케이션과 공유 디렉터리로 구성됩니다. JupyterLab 공유 스페이스는 공유 JupyterLab 애플리케이션과 Amazon SageMaker Studio 내 공유 디렉터리로 구성됩니다. 도메인의 모든 사용자 프로필은 도메인의 모든 공유 스페이스에 액세스할 수 있습니다. Amazon SageMaker AI는 공유 스페이스에서 시작하는 Amazon SageMaker Studio Classic 애플리케이션의 컨텍스트 내에서 공유 스페이스의 리소스 범위를 자동으로 지정합니다. 공유 스페이스의 리소스에는 노트북, 파일, 실험 및 모델이 포함됩니다. 공유 스페이스를 사용하여 자동 태깅, 노트북의 실시간 공동 편집 및 사용자 지정과 같은 기능을 사용하여 실시간으로 다른 사용자와 협업할 수 있습니다. 공유 스페이스는 다음에서 사용할 수 있습니다. + Amazon SageMaker Studio Classic + JupyterLab Studio Classic 공유 스페이스는 Studio Classic 및 KernelGateway 애플리케이션만 지원합니다. 공유 스페이스는 JupyterLab 3 이미지 Amazon 리소스 이름(ARN) 사용만 지원합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리](studio-jl.md) 단원을 참조하십시오. Amazon SageMaker AI는 공유 스페이스 범위 내에서 생성하는 모든 SageMaker AI 리소스에 자동으로 태그를 지정합니다. 이러한 태그를 사용하면 AWS Budgets와 같은 도구를 사용하여 비용을 모니터링하고 예산을 계획할 수 있습니다. 공유 스페이스는 생성된 도메인과 동일한 VPC 설정을 사용합니다. **참고** 공유 스페이스는 Amazon SageMaker Data Wrangler 또는 Amazon EMR 교차 계정 클러스터의 사용을 지원하지 않습니다. **자동 태깅** 공유 스페이스에서 생성된 모든 리소스에는 도메인 ARN 태그와 공유 스페이스 ARN 태그가 자동으로 지정됩니다. 도메인 ARN 태그는 도메인 ID를 기반으로 하는 반면, 공유 스페이스 ARN 태그는 공유 스페이스 이름을 기반으로 합니다. 이러한 태그를 사용하여 AWS CloudTrail 사용량을 모니터링할 수 있습니다. 자세한 내용은 [를 사용하여 Amazon SageMaker API 호출 로깅을 참조하세요 AWS CloudTrail](https://docs.aws.amazon.com//sagemaker/latest/dg/logging-using-cloudtrail.html). 이러한 태그를 사용하여 비용을 모니터링할 수도 있습니다 AWS 결제 및 비용 관리. 자세한 내용은 [AWS 비용 할당 태그 사용을](https://docs.aws.amazon.com//awsaccountbilling/latest/aboutv2/cost-alloc-tags.html) 참조하세요. **노트북의 실시간 공동 편집** 공유 스페이스의 주요 이점은 공유 스페이스 멤버 간의 협업이 실시간으로 촉진된다는 것입니다. 작업 공간에서 협업하는 사용자는 노트북에 실시간으로 액세스하여 읽고, 편집할 수 있는 공유 Studio Classic 애플리케이션에 액세스할 수 있습니다. 실시간 협업은 공유 스페이스 내의 JupyterServer 애플리케이션에서만 지원됩니다. 공유 스페이스에 액세스할 수 있는 사용자는 해당 스페이스의 공유 Studio Classic 또는 JupyterLab 애플리케이션에서 Jupyter notebook을 동시에 열고, 보고, 편집하고, 실행할 수 있습니다. 노트북은 사용자 프로필 이름을 보여주는 다른 커서로 공동 편집 중인 각 사용자를 나타냅니다. 여러 사용자가 같은 노트북을 볼 수 있지만 공동 편집은 2\$15명으로 구성된 소규모 그룹에 가장 적합합니다. 여러 사용자의 변경 내용을 추적하려면 Studio Classic에 내장된 Git 기반 버전 제어를 사용하는 것을 권장합니다. **JupyterServer 2** Studio Classic에서 공유 스페이스를 사용하려면 Jupyter Server 버전 2가 필요합니다. 특정 JupyterLab 확장 프로그램 및 패키지는 Jupyter 서버를 버전 1로 강제로 다운그레이드할 수 있습니다. 이렇게 하면 공유 스페이스를 사용할 수 없습니다. 명령 프롬프트에서 다음을 실행하여 버전 번호를 변경하고 공유 스페이스를 계속 사용하세요. ``` conda activate studio pip install jupyter-server==2.0.0rc3 ``` **공유 스페이스의 사용자 지정** 라이프사이클 구성 또는 사용자 지정 이미지를 공유 스페이스에 첨부하려면 AWS CLI를 사용해야 합니다. 수명 주기 구성 생성 및 연결에 대한 자세한 내용은 [수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결](studio-lcc-create.md)섹션을 참조하세요. 사용자 지정 이미지 생성 및 연결에 대한 자세한 내용은 [Amazon SageMaker Studio Classic의 사용자 지정 이미지](studio-byoi.md)섹션을 참조하세요. # 공유 스페이스 만들기 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. 다음 주제에서는 기존 Amazon SageMaker AI 도메인에서 공유 스페이스를 생성하는 방법을 보여줍니다. 공유 스페이스를 지원하지 않고 도메인을 생성한 경우, 공유 스페이스를 생성하기 전에 기존 도메인에 공유 스페이스에 대한 지원을 추가해야 합니다. **Topics** + [ ## 기존 도메인에 공유 스페이스 지원 추가 ](#domain-space-add) + [ ## 공유 스페이스 만들기 ](#domain-space-create-app) ## 기존 도메인에 공유 스페이스 지원 추가 SageMaker AI 콘솔 또는 AWS CLI 를 사용하여 기존 도메인에 공유 스페이스에 대한 지원을 추가할 수 있습니다. 도메인이 `VPC only` 네트워크 액세스를 사용하는 경우 AWS CLI를 사용하는 공유 스페이스 지원만 추가할 수 있습니다. ### 콘솔 SageMaker AI 콘솔에서 기존 도메인에 Studio Classic 공유 스페이스 지원을 추가하려면 다음 절차를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 **도메인 설정** 페이지를 열려는 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **편집**을 선택합니다. 1. **Space 기본 실행 역할**의 경우 도메인에서 생성된 모든 공유 스페이스에 기본값으로 사용되는 IAM 역할을 설정합니다. 1. **Next(다음)**을 선택합니다. 1. **Next(다음)**을 선택합니다. 1. **Next(다음)**을 선택합니다. 1. **Submit(제출)**을 선택합니다. ### AWS CLI ------ #### [ Studio Classic ] 로컬 시스템의 터미널에서 다음 명령을 실행하여 AWS CLI에서 도메인에 기본 공유 스페이스 설정을 추가합니다. Amazon VPC 내 도메인에 기본 공유 스페이스 설정을 추가하는 경우 보안 그룹 목록도 포함해야 합니다. Studio Classic 공유 스페이스는 JupyterLab 3 이미지 ARN 사용만 지원합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리](studio-jl.md) 섹션을 참조하세요. ``` # Public Internet domain aws --region region \ sagemaker update-domain \ --domain-id domain-id \ --default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}" # VPCOnly domain aws --region region \ sagemaker update-domain \ --domain-id domain-id \ --default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=system,SageMakerImageArn=sagemaker-image-arn}},SecurityGroups=[security-groups]" ``` 다음 명령을 사용하여 기본 공유 스페이스 설정이 업데이트되었는지 확인하세요. ``` aws --region region \ sagemaker describe-domain \ --domain-id domain-id ``` ------ #### [ JupyterLab ] 로컬 시스템의 터미널에서 다음 명령을 실행하여 AWS CLI에서 도메인에 기본 공유 스페이스 설정을 추가합니다. Amazon VPC 내 도메인에 기본 공유 스페이스 설정을 추가하는 경우 보안 그룹 목록도 포함해야 합니다. Studio Classic 공유 스페이스는 JupyterLab 4 이미지 ARN 사용만 지원합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리](studio-jl.md) 섹션을 참조하세요. ``` # Public Internet domain aws --region region \ sagemaker update-domain \ --domain-id domain-id \ --default-space-settings "ExecutionRole=execution-role-arn", JupyterLabAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}" # VPCOnly domain aws --region region \ sagemaker update-domain \ --domain-id domain-id \ --default-space-settings "ExecutionRole=execution-role-arn, SecurityGroups=[security-groups]" ``` 다음 명령을 사용하여 기본 공유 스페이스 설정이 업데이트되었는지 확인하세요. ``` aws --region region \ sagemaker describe-domain \ --domain-id domain-id ``` ------ ## 공유 스페이스 만들기 다음 섹션에서는 Amazon SageMaker AI 콘솔, Amazon SageMaker Studio 또는 AWS CLI에서 공유 스페이스를 생성하는 방법을 보여줍니다. ### Studio에서 생성 다음 절차에 따라 Studio에서 도메인에 공유 스페이스를 생성합니다. ------ #### [ Studio Classic ] 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio로 이동합니다. 1. Studio UI에서 왼쪽의 애플리케이션 창을 찾습니다. 1. 애플리케이션 창에서 **Studio Classic**을 선택합니다. 1. **Studio Classic 스페이스 생성을** 선택합니다. 1. 팝업 창에서 스페이스의 이름을 입력합니다. 1. **스페이스 생성**을 선택합니다. ------ #### [ JupyterLab ] 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio로 이동합니다. 1. Studio UI에서 왼쪽의 애플리케이션 창을 찾습니다. 1. 애플리케이션 창에서 **JupyterLab**을 선택합니다. 1. **JupyterLab 스페이스 생성**을 선택합니다. 1. 팝업 창에서 스페이스의 이름을 입력합니다. 1. **스페이스 생성**을 선택합니다. ------ ### 콘솔에서 생성 SageMaker AI 콘솔에서 도메인에 공유 스페이스를 생성하려면 다음 절차를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 공유 스페이스를 만들 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. 1. **생성**을 선택합니다. 1. 공유 스페이스의 이름을 입력합니다.도메인 내 공유 스페이스 이름은 고유해야 합니다. 공유 스페이스의 실행 역할은 도메인 IAM 실행 역할로 설정됩니다. ### 에서 생성 AWS CLI 이 섹션에서는 AWS CLI에서 공유 스페이스를 생성하는 방법을 보여줍니다. 공유 스페이스를 만들거나 업데이트할 때는 공유 스페이스의 실행 역할을 설정할 수 없습니다. 도메인을 생성하거나 업데이트할 때만 `DefaultDomainExecRole`을 설정할 수 있습니다. 공유 스페이스는 JupyterLab 3 이미지 ARN 사용만 지원합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리](studio-jl.md) 단원을 참조하십시오. 에서 공유 스페이스를 생성하려면 로컬 시스템의 터미널에서 다음 명령 중 하나를 AWS CLI실행합니다. ------ #### [ Studio Classic ] ``` aws --region region \ sagemaker create-space \ --domain-id domain-id \ --space-name space-name \ --space-settings '{ "JupyterServerAppSettings": { "DefaultResourceSpec": { "SageMakerImageArn": "sagemaker-image-arn", "InstanceType": "system" } } }' ``` ------ #### [ JupyterLab ] ``` aws --region region \ sagemaker create-space \ --domain-id domain-id \ --space-name space-name \ --ownership-settings "{\"OwnerUserProfileName\": \"user-profile-name\"}" \ --space-sharing-settings "{\"SharingType\": \"Shared\"}" \ --space-settings "{\"AppType\": \"JupyterLab\"}" ``` ------ # 공유 스페이스에 대한 정보 가져오기 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 이 안내서는 Amazon SageMaker AI 콘솔, Amazon SageMaker Studio 또는 AWS CLI를 사용하여 Amazon SageMaker AI 도메인의 공유 스페이스 목록에 액세스하는 방법을 보여줍니다. 또한 AWS CLI에서 공유 스페이스의 세부 정보를 보는 방법도 보여줍니다. **Topics** + [ ## 공유 스페이스 목록 ](#domain-space-list-spaces) + [ ## 공유 스페이스 세부 정보 보기 ](#domain-space-describe) ## 공유 스페이스 목록 다음 주제에서는 SageMaker AI 콘솔 또는 AWS CLI에서 도메인 내의 공유 스페이스 목록을 보는 방법을 설명합니다. ### Studio의 공유 스페이스 목록 Studio에서 도메인의 공유 스페이스 목록을 보려면 다음 절차를 완료하세요. 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio로 이동합니다. 1. Studio UI에서 왼쪽의 애플리케이션 창을 찾습니다. 1. 애플리케이션 창에서 **Studio Classic** 또는 **JupyterLab**을 선택합니다. 애플리케이션 유형을 실행하는 데 사용되는 스페이스를 볼 수 있습니다. ### 콘솔의 공유 스페이스 목록 SageMaker AI 콘솔에서 도메인의 공유 스페이스 목록을 보려면 다음 절차를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 공유 스페이스 목록을 보려는 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. ### 에서 공유 스페이스 나열 AWS CLI 에서 도메인의 공유 스페이스를 나열하려면 로컬 시스템의 터미널에서 다음 명령을 AWS CLI실행합니다. ``` aws --region region \ sagemaker list-spaces \ --domain-id domain-id ``` ## 공유 스페이스 세부 정보 보기 다음 섹션에서는 SageMaker AI 콘솔, Studio 또는 AWS CLI에서 공유 스페이스 세부 정보를 보는 방법을 설명합니다. ### Studio에서 공유 스페이스 세부 정보를 볼 수 있습니다. Studio에서 도메인의 공유 스페이스 목록을 보려면 다음 절차를 완료하세요. 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio로 이동합니다. 1. Studio UI에서 왼쪽의 애플리케이션 창을 찾습니다. 1. 애플리케이션 창에서 **Studio Classic** 또는 **JupyterLab** 선택합니다. 애플리케이션을 실행 중인 스페이스를 볼 수 있습니다. 1. 세부 정보를 보려는 스페이스의 이름을 선택합니다. ### 콘솔에서 공유 스페이스 세부 정보 보기 다음 절차를 사용하여 SageMaker AI 콘솔에서 공유 스페이스의 세부 정보를 볼 수 있습니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 공유 스페이스 목록을 보려는 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. 1. 스페이스 이름을 선택하면 공유 스페이스에 대한 세부 정보를 나열하는 새 페이지가 열립니다. ### 에서 공유 스페이스 세부 정보 보기 AWS CLI 에서 공유 스페이스의 세부 정보를 보려면 로컬 시스템의 터미널에서 다음 명령을 AWS CLI실행합니다. ``` aws --region region \ sagemaker describe-space \ --domain-id domain-id \ --space-name space-name ``` # 공유 스페이스 편집 Amazon SageMaker Studio Classic 또는 JupyterLab 공유 공간에 대한 세부 정보는 AWS CLI를 통해서만 편집할 수 있습니다. Amazon SageMaker AI 콘솔에서는 공유 스페이스의 세부 정보를 편집할 수 없습니다. 공유 스페이스에 실행 중인 애플리케이션이 없는 경우에만 작업 영역 속성을 업데이트할 수 있습니다. ------ #### [ Studio Classic ] 에서 Studio Classic 공유 스페이스의 세부 정보를 편집하려면 로컬 시스템의 터미널에서 다음 명령 중 하나를 AWS CLI실행합니다. 공유 스페이스는 JupyterLab 3 이미지 ARNs 사용만 지원합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리](studio-jl.md) 단원을 참조하십시오. ``` aws --region region \ sagemaker update-space \ --domain-id domain-id \ --space-name space-name \ --query SpaceArn --output text \ --space-settings '{ "JupyterServerAppSettings": { "DefaultResourceSpec": { "SageMakerImageArn": "sagemaker-image-arn", "InstanceType": "system" } } }' ``` ------ #### [ JupyterLab ] 에서 JupyterLab 공유 스페이스의 세부 정보를 편집하려면 로컬 시스템의 터미널에서 다음 명령 중 하나를 AWS CLI실행합니다. 공유 스페이스는 JupyterLab 4 이미지 ARNs 사용만 지원합니다. 자세한 내용은 [SageMaker JupyterLab](studio-updated-jl.md) 단원을 참조하십시오. ``` aws --region region \ sagemaker update-space \ --domain-id domain-id \ --space-name space-name \ --space-settings "{ "SpaceStorageSettings": { "EbsStorageSettings": { "EbsVolumeSizeInGb":100 } } } }" ``` ------ # 공유 스페이스 삭제 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 주제에서는 Amazon SageMaker AI 콘솔 또는 AWS CLI에서 Amazon SageMaker Studio Classic 공유 스페이스를 삭제하는 방법을 보여줍니다. 공유 스페이스는 실행 중인 애플리케이션이 없는 경우에만 삭제할 수 있습니다. **Topics** + [ ## 콘솔 ](#domain-space-delete-console) + [ ## AWS CLI ](#domain-space-delete-cli) ## 콘솔 SageMaker AI 콘솔에서 Amazon SageMaker AI 도메인의 공유 스페이스를 삭제하려면 다음 절차를 완료하세요. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 공유 스페이스를 만들 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. 1. 삭제하고 싶은 공유 스페이스를 선택합니다. 공유 스페이스에는 실패하지 않은 앱이 포함되어서는 안 됩니다. 1. **삭제**를 선택합니다. 새 창이 열립니다. 1. **Yes, delete space(예, 스페이스를 삭제합니다)**를 선택합니다. 1. 필드에 *delete*를 입력합니다. 1. **Delete space(스페이스 삭제)**를 선택합니다. ## AWS CLI 에서 공유 스페이스를 삭제하려면 로컬 시스템의 터미널에서 다음 명령을 AWS CLI실행합니다. ``` aws --region region \ sagemaker delete-space \ --domain-id domain-id \ --space-name space-name ``` # Studio 통한 신뢰할 수 있는 ID 전파 신뢰할 수 있는 자격 증명 전파는 연결된 AWS 서비스의 관리자가 서비스 데이터에 대한 액세스 권한을 부여하고 감사하는 데 사용할 수 있는 AWS IAM Identity Center 기능입니다. 이 데이터에 대한 액세스는 그룹 연결과 같은 사용자 속성을 기반으로 합니다. 신뢰할 수 있는 자격 증명 전파를 설정하려면 연결된 AWS 서비스의 관리자와 IAM Identity Center 관리자 간의 협업이 필요합니다. 자세한 내용은 [사전 조건 및 고려 사항](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html)을 참조하세요. Amazon SageMaker Studio와 IAM Identity Center 관리자는 협력하여 신뢰할 수 있는 ID 전파를 위해 서비스를 연결할 수 있습니다. 신뢰할 수 있는 ID 전파는 다음을 단순화하여 AWS 서비스 전반의 엔터프라이즈 인증 요구 사항을 해결합니다. + 특정 사용자에 대한 작업을 추적하는 향상된 감사 + 호환되는 AWS 서비스와의 통합을 통해 데이터 과학 및 기계 학습 워크로드에 대한 액세스 관리 + 규제 산업의 규정 준수 요구 사항 Studio는 감사 목적 및 연결된 AWS 서비스를 통한 액세스 제어를 위해 신뢰할 수 있는 자격 증명 전파를 지원합니다. Studio에서 신뢰할 수 있는 ID 전파는 Studio 자체 내에서 인증 또는 권한 부여 결정을 직접 처리하지 않습니다. 대신 액세스 제어에 이 정보를 사용할 수 있는 호환 서비스에 ID 컨텍스트 정보를 전파합니다. Studio에서 신뢰할 수 있는 자격 증명 전파를 사용하면 IAM Identity Center 자격 증명이 연결된 AWS 서비스로 전파되어 보다 세분화된 권한과 보안 거버넌스가 생성됩니다. **Topics** + [ # 신뢰할 수 있는 ID 전파 아키텍처 및 호환성 ](trustedidentitypropagation-compatibility.md) + [ # Studio에 신뢰할 수 있는 ID 전파 설정 ](trustedidentitypropagation-setup.md) + [ # CloudTrail을 사용한 모니터링 및 감사 ](trustedidentitypropagation-auditing.md) + [ # 사용자 백그라운드 세션 ](trustedidentitypropagation-user-background-sessions.md) + [ # 신뢰할 수 있는 자격 증명 전파가 활성화된 다른 AWS 서비스와 연결하는 방법 ](trustedidentitypropagation-connect-other.md) # 신뢰할 수 있는 ID 전파 아키텍처 및 호환성 신뢰할 수 AWS IAM Identity Center 있는 자격 증명 전파는 Amazon SageMaker Studio 및 기타 연결된 AWS 서비스와 통합되어 서비스에 사용자의 자격 증명 컨텍스트를 전파합니다. 다음 페이지에는 신뢰할 수 있는 ID 전파 아키텍처와 SageMaker AI와의 호환성이 요약되어 있습니다. 신뢰할 수 있는 자격 증명 전파의 작동 방식에 대한 포괄적인 개요는 신뢰할 수 있는 자격 증명 전파 개요를 AWS참조하세요. [https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overview.html](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overview.html) 신뢰할 수 있는 ID 전파 아키텍처의 주요 구성 요소는 다음과 같습니다. + **신뢰할 수 있는 ID 전파**: 애플리케이션과 서비스 간에 사용자의 ID 컨텍스트를 전파하는 방법론 + **ID 컨텍스트**: 사용자에 대한 정보 + 자격 **증명 강화 IAM 역할 세션**: 자격 증명 강화 역할 세션에는 호출하는 AWS 서비스에 사용자 식별자를 전달하는 자격 증명 컨텍스트가 추가되었습니다. + **연결된 AWS 서비스**: 신뢰할 수 있는 자격 증명 전파를 통해 전파되는 자격 증명 컨텍스트를 인식할 수 있는 기타 AWS 서비스 신뢰할 수 있는 자격 증명 전파를 통해 연결된 AWS 서비스는 사용자의 자격 증명을 기반으로 액세스 결정을 내릴 수 있습니다. Studio 내에서 IAM 역할은 액세스 제어 결정을 내리는 대신 ID 컨텍스트의 전달자로 사용됩니다. 자격 증명 컨텍스트는 액세스 제어 및 감사 목적으로 사용할 수 있는 연결된 AWS 서비스로 전파됩니다. 자세한 내용은 [신뢰할 수 있는 ID 전파 고려 사항](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-considerations)을 참조하세요. Studio에서 신뢰할 수 있는 ID 전파를 활성화하고 IAM Identity Center를 통해 인증하는 경우 SageMaker AI는 다음을 수행합니다. + IAM Identity Center에서 사용자의 ID 컨텍스트 캡처 + 사용자의 ID 컨텍스트를 포함하는 ID 강화 IAM 역할 세션 생성 + 사용자가 리소스에 액세스할 때 ID 강화 IAM 역할 세션을 호환되는 AWS 서비스에 전달합니다. + 다운스트림 AWS 서비스가 사용자 자격 증명을 기반으로 액세스 결정 및 로그 활동을 수행할 수 있도록 합니다. ## 호환되는 SageMaker AI 기능 신뢰할 수 있는 ID 전파는 다음 Studio 기능과 함께 작동합니다. + [Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html) 프라이빗 스페이스(Code-OSS, Visual Studio Code - Open Source 기반 JupyterLab 및 Code Editor) **참고** Studio는 신뢰할 수 있는 ID 전파가 활성화된 상태로 시작되면 실행 역할 권한 외에도 ID 컨텍스트를 사용합니다. 그러나 인스턴스 설정 중 수명 주기 구성, 자체 이미지 가져오기, 사용자 로그 전달을 위한 CloudWatch 에이전트와 같은 프로세스는 ID 컨텍스트 없이 실행 역할 권한만 사용합니다. [원격 액세스](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html)는 현재 신뢰할 수 있는 ID 전파에서 지원되지 않습니다. Studio 노트북 내에서 역할 수임 작업을 사용하는 경우 수임된 역할은 신뢰할 수 있는 자격 증명 전파 컨텍스트를 전파하지 않습니다. 원래 실행 역할만 자격 증명 컨텍스트를 유지합니다. + [SageMaker Training](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html) + [SageMaker Processing](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html) + [SageMaker AI 실시간 호스팅](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-options.html) + [SageMaker Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-overview.html) + [SageMaker 실시간 추론](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) + [SageMaker 비동기 추론](https://docs.aws.amazon.com/sagemaker/latest/dg/async-inference.html) + [관리형 MLflow](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html) ## 호환되는 AWS 서비스 Amazon SageMaker Studio에 대한 신뢰할 수 있는 ID 전파는 신뢰할 수 있는 ID 전파가 활성화된 호환 AWS 서비스와 통합됩니다. 신뢰할 수 있는 ID를 활성화하는 방법에 대한 예시가 포함된 포괄적인 목록은 [사용 사례](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-integrations.html)를 참조하세요. 신뢰할 수 있는 ID 전파 호환 서비스에는 다음이 포함됩니다. + [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/workgroups-identity-center.html) + [Amazon EMR on EC2](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html) + [EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html) + [AWS Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/identity-center-integration.html) + [Amazon Redshift 데이터 API](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html) + Amazon S3([Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html)를 통해) + [AWS Glue Connections](https://docs.aws.amazon.com/glue/latest/dg/security-trusted-identity-propagation.html) SageMaker AI에서 신뢰할 수 있는 자격 증명 전파가 활성화되면 신뢰할 수 있는 자격 증명 전파가 활성화된 서로 다른 AWS 서비스가 연결됩니다. 연결되면 ID 컨텍스트를 인식하고 액세스 제어 및 감사에 사용합니다. ## 지원됨 AWS 리전 Studio는 [IAM Identity Center가 지원되고](https://docs.aws.amazon.com/singlesignon/latest/userguide/regions.html) IAM Identity Center 인증이 지원되는 Studio에서 신뢰할 수 있는 ID 전파를 지원합니다. Studio는 AWS 리전다음에서 신뢰할 수 있는 자격 증명 전파를 지원합니다. + af-south-1 + ap-east-1 + ap-northeast-1 + ap-northeast-2 + ap-northeast-3 + ap-south-1 + ap-southeast-1 + ap-southeast-2 + ap-southeast-3 + ca-central-1 + eu-central-1 + eu-central-2 + eu-north-1 + eu-south-1 + eu-west-1 + eu-west-2 + eu-west-3 + il-central-1 + me-south-1 + sa-east-1 + us-east-1 + us-east-2 + us-west-1 + us-west-2 # Studio에 신뢰할 수 있는 ID 전파 설정 Amazon SageMaker Studio에 신뢰할 수 있는 ID 전파를 설정하려면 Amazon SageMaker AI 도메인에 IAM Identity Center 인증 방법이 구성되어 있어야 합니다. 이 섹션에서는 Studio 사용자에 대해 신뢰할 수 있는 ID 전파를 활성화하고 구성하는 데 필요한 사전 조건과 단계를 안내합니다. **Topics** + [ ## 사전 조건 ](#trustedidentitypropagation-setup-prerequisites) + [ ## Amazon SageMaker AI 도메인에 대해 신뢰할 수 있는 자격 증명 전파 활성화 ](#trustedidentitypropagation-setup-enable) + [ ## SageMaker AI 실행 역할 구성 ](#trustedidentitypropagation-setup-permissions) ## 사전 조건 SageMaker AI에 신뢰할 수 있는 ID 전파를 설정하기 전에 다음 지침에 따라 IAM Identity Center를 설정합니다. **참고** IAM Identity Center와 도메인이 동일한 리전에 있는지 확인합니다. + [IAM Identity Center 신뢰할 수 있는 ID 전파 사전 조건](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-prerequisites) + [IAM Identity Center 설정](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html) + [Identity Center 디렉터리에 사용자 추가](https://docs.aws.amazon.com/singlesignon/latest/userguide/addusers.html) ## Amazon SageMaker AI 도메인에 대해 신뢰할 수 있는 자격 증명 전파 활성화 **중요** AWS IAM Identity Center 인증 방법이 구성된 도메인에 대해서만 신뢰할 수 있는 ID 전파를 활성화할 수 있습니다. IAM Identity Center와 Amazon SageMaker AI 도메인은 동일한 AWS 리전에 있어야 합니다. 다음 옵션 중 하나를 사용하여 새 도메인 또는 기존 도메인에 대해 신뢰할 수 있는 ID 전파를 활성화하는 방법을 알아봅니다. ------ #### [ New domain - console ] **SageMaker AI 콘솔을 사용하여 새 도메인에 대해 신뢰할 수 있는 자격 증명 전파 활성화** 1. [Amazon SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. **도메인**으로 이동합니다. 1. [사용자 지정 도메인을 생성](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html)합니다. 도메인에는 **AWS IAM Identity Center** 인증 방법이 구성되어 있어야 합니다. 1. **신뢰할 수 있는 ID 전파** 섹션에서 **이 도메인의 모든 사용자에 대해 신뢰할 수 있는 ID 전파 활성화**를 선택합니다. 1. 사용자 지정 생성 프로세스를 완료합니다. ------ #### [ Existing domain - console ] **SageMaker AI 콘솔을 사용하여 기존 도메인에 대해 신뢰할 수 있는 자격 증명 전파 활성화** **참고** 신뢰할 수 있는 자격 증명 전파가 기존 도메인에 대해 활성화된 후 제대로 작동하려면 사용자는 기존 IAM Identity Center 세션을 다시 시작해야 합니다. 이렇게 하려면 다음 중 하나를 수행합니다. 사용자는 로그아웃하고 기존 IAM Identity Center 세션에 다시 로그인해야 합니다. 관리자는 [작업 인력 사용자의 활성 세션을 종료할 수 있습니다](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html). 1. [Amazon SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 엽니다. 1. **도메인**으로 이동합니다. 1. 기존 도메인을 선택합니다. 도메인에는 **AWS IAM Identity Center** 인증 방법이 구성되어 있어야 합니다. 1. **도메인 설정** 탭의 **인증 및 권한** 섹션에서 **편집**을 선택합니다. 1. **이 도메인의 모든 사용자에 대해 신뢰할 수 있는 ID 전파 활성화**를 선택합니다. 1. 도메인 구성을 완료합니다. ------ #### [ Existing domain - AWS CLI ] 를 사용하여 기존 도메인에 대해 신뢰할 수 있는 자격 증명 전파 활성화 AWS CLI **참고** 신뢰할 수 있는 자격 증명 전파가 기존 도메인에 대해 활성화된 후 제대로 작동하려면 사용자는 기존 IAM Identity Center 세션을 다시 시작해야 합니다. 이렇게 하려면 다음 중 하나를 수행합니다. 사용자는 로그아웃하고 기존 IAM Identity Center 세션에 다시 로그인해야 합니다. 관리자는 [작업 인력 사용자의 활성 세션을 종료할 수 있습니다](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html). ``` aws sagemaker update-domain \ --region $REGION \ --domain-id $DOMAIN_ID \ --domain-settings "TrustedIdentityPropagationSettings={Status=ENABLED}" ``` + `DOMAIN_ID`는 Amazon SageMaker AI 도메인 ID입니다. 자세한 내용은 [도메인 보기](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html)를 참조하세요. + `REGION`는 Amazon SageMaker AI 도메인 AWS 리전 의 입니다. 콘솔 AWS 페이지의 오른쪽 상단에서 찾을 수 있습니다. ------ ## SageMaker AI 실행 역할 구성 Studio 사용자에 대해 신뢰할 수 있는 ID 전파를 활성화하려면 모든 신뢰할 수 있는 ID 전파 역할에 다음 컨텍스트 권한 세트가 필요합니다. `sts:AssumeRole` 및 `sts:SetContext` 작업을 포함하도록 모든 역할에 대한 신뢰 정책을 업데이트합니다. [역할 신뢰 정책을 업데이트](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html)할 때 다음 정책을 사용합니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": [ "sagemaker.amazonaws.com" ] }, "Action": [ "sts:AssumeRole", "sts:SetContext" ] } ] } ``` ------ # CloudTrail을 사용한 모니터링 및 감사 신뢰할 수 있는 자격 증명 전파가 활성화된 경우 AWS CloudTrail 로그에는 IAM 역할이 아닌 작업을 수행한 특정 사용자의 자격 증명 정보가 포함됩니다. 이를 통해 규정 준수 및 보안을 위한 감사 기능이 강화됩니다. CloudTrail 로그에서 ID 정보를 보려면 다음을 수행하세요. + [CloudTrail 콘솔](https://console.aws.amazon.com/cloudtrail)을 엽니다. + 왼쪽 탐색 창에서 **이벤트 기록**을 선택합니다. + SageMaker AI 및 관련 서비스에서 이벤트를 선택합니다. + **이벤트 레코드**에서 `onBehalfOf` 키를 찾습니다. 여기에는 특정 IAM Identity Center 사용자에게 매핑할 수 있는 `userId` 키 및 기타 사용자 식별 정보가 포함됩니다. 자세한 내용은 [CloudTrail use cases for IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/sso-cloudtrail-use-cases.html)를 참조하세요. # 사용자 백그라운드 세션 사용자가 더 이상 활성 상태가 아니더라도 사용자 백그라운드 세션은 계속됩니다. 이렇게 하면 사용자가 로그오프한 후에도 계속될 수 있는 장기 실행 작업이 가능합니다. 이는 SageMaker AI의 신뢰할 수 있는 ID 전파를 통해 활성화할 수 있습니다. 다음 페이지에서는 사용자 백그라운드 세션의 구성 옵션과 동작을 설명합니다. **참고** 신뢰할 수 있는 ID 전파가 활성화된 경우 기존 활성 사용자 세션은 영향을 받지 않습니다. 기본 기간은 새 사용자 세션 또는 다시 시작된 세션에만 적용됩니다. 사용자 백그라운드 세션은 장기 실행 중인 SageMaker AI 워크플로 또는 영구 상태의 작업에 적용됩니다. 여기에는 실행 상태를 유지하거나 지속적인 모니터링이 필요한 SageMaker AI 리소스가 포함되지만 이에 국한되지 않습니다. 예를 들면 SageMaker Training, Processing 및 Pipelines 실행 작업이 있습니다. **Topics** + [ ## 사용자 백그라운드 세션 구성 ](#configure-user-background-sessions) + [ ## 기본 사용자 백그라운드 세션 기간 ](#default-user-background-session-duration) + [ ## Studio에서 신뢰할 수 있는 ID 전파 비활성화의 영향 ](#user-background-session-impact-disable-trustedidentitypropagation-studio) + [ ## IAM Identity Center 콘솔에서 사용자 백그라운드 세션 비활성화의 영향 ](#user-background-session-impact-disable-trustedidentitypropagation-identity-center) + [ ## 런타임 고려 사항 ](#user-background-session-runtime-considerations) ## 사용자 백그라운드 세션 구성 Amazon SageMaker Studio에 대해 신뢰할 수 있는 ID 전파가 활성화되면 [IAM Identity Center의 사용자 백그라운드 세션](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html)을 통해 기본 기간 한도를 구성할 수 있습니다. ## 기본 사용자 백그라운드 세션 기간 기본적으로 모든 사용자 백그라운드 세션의 기간 한도는 7일입니다. 관리자는 [IAM Identity Center 콘솔에서 이 기간을 수정](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html)할 수 있습니다. 이 설정은 IAM Identity Center 인스턴스 수준에서 적용되며 해당 인스턴스 내에서 지원되는 모든 IAM Identity Center 애플리케이션 및 Studio 도메인에 영향을 미칩니다. 신뢰할 수 있는 ID 전파가 활성화되면 SageMaker AI 콘솔에서 관리자에게 다음 정보가 포함된 배너가 표시됩니다. + 사용자 백그라운드 세션의 기간 한도 + 관리자가 이 구성을 변경할 수 있는 IAM Identity Center 콘솔에 대한 링크 + 기간은 15분에서 최대 90일까지 임의의 값으로 설정할 수 있습니다. 사용자 백그라운드 세션이 만료되면 오류 메시지가 표시됩니다. IAM Identity Center 콘솔 링크를 사용하여 기간을 업데이트할 수 있습니다. ## Studio에서 신뢰할 수 있는 ID 전파 비활성화의 영향 SageMaker AI 콘솔에서 관리자가 신뢰할 수 있는 ID 전파를 처음 활성화한 후 비활성화하는 경우: + 사용자 백그라운드 세션이 활성화된 경우 기존 작업은 중단 없이 계속 실행됩니다. + 사용자 백그라운드 세션이 비활성화되면 장기 실행 SageMaker AI 워크플로 또는 영구 상태의 작업은 대화형 세션 사용으로 전환됩니다. 여기에는 실행 상태를 유지하거나 지속적인 모니터링이 필요한 SageMaker AI 리소스가 포함되지만 이에 국한되지 않습니다. Amazon SageMaker Training 및 Processing 작업을 예로 들 수 있습니다. + 사용자는 체크포인트에서 만료된 작업을 다시 시작할 수 있습니다. + 새 작업은 IAM 역할 자격 증명으로 실행되며 ID 컨텍스트를 전파하지 않습니다. ## IAM Identity Center 콘솔에서 사용자 백그라운드 세션 비활성화의 영향 IAM Identity Center 인스턴스에 대해 사용자 백그라운드 세션이 **비활성화**되면 SageMaker AI 작업은 사용자 대화형 세션을 사용합니다. 대화형 세션을 사용하면 다음과 같은 경우 SageMaker AI 작업이 15분 이내에 실패합니다. + 사용자가 로그아웃하는 경우 + 관리자가 대화형 세션을 취소하는 경우 IAM Identity Center 인스턴스에 대해 사용자 백그라운드 세션이 **활성화**되면 SageMaker AI 작업은 사용자 백그라운드 세션을 사용합니다. 대화형 세션을 사용하면 다음과 같은 경우 SageMaker AI 작업이 15분 이내에 실패합니다. + 사용자 백그라운드 세션이 만료되는 경우 + 관리자가 사용자 백그라운드 세션을 수동으로 취소하는 경우 다음은 SageMaker Training 작업의 예시 동작입니다. 관리자가 IAM Identity Center 콘솔에서 신뢰할 수 있는 ID 전파는 활성화하고 [사용자 백그라운드 세션](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html)은 비활성화하는 경우: + 사용자가 로그인한 상태로 있으면 백그라운드 세션 중에 생성된 Training 작업이 대화형 세션으로 대체되지 않습니다. + 사용자가 로그오프하면 세션이 만료되고 대화형 세션에 따라 Training 작업이 실패합니다. + 사용자는 마지막 체크포인트에서 Training 작업을 다시 시작할 수 있습니다. 세션 기간은 IAM Identity Center 콘솔에서 대화형 세션 기간에 대해 설정된 기간에 따라 결정됩니다. + 사용자가 작업을 시작한 **후** 백그라운드 세션을 비활성화하면 작업은 기존 백그라운드 세션을 계속 사용합니다. 즉, SageMaker AI는 새 백그라운드 세션을 생성하지 않습니다. 백그라운드 세션이 IAM Identity Center 인스턴스 수준에서 활성화되었지만 [IAM Identity Center API](https://docs.aws.amazon.com/singlesignon/latest/APIReference/welcome.html)를 사용하여 Studio 애플리케이션에 대해 특별히 비활성화된 경우에도 동일한 동작이 적용됩니다. ## 런타임 고려 사항 관리자가 사용자 백그라운드 세션 기간보다 짧게 장기 실행 Training 또는 Processing 작업의 `MaxRuntimeInSeconds`를 설정하면 SageMaker AI는 최소 `MaxRuntimeInSeconds` 또는 사용자 백그라운드 세션 기간 동안 작업을 실행합니다. `MaxRuntimeInSeconds`에 대한 자세한 내용은 [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html#sagemaker-CreateTrainingJob-request-StoppingCondition)을 참조하세요. 런타임을 설정하는 방법에 대한 자세한 내용은 [IAM Identity Center의 User background sessions](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html)을 참조하세요. # 신뢰할 수 있는 자격 증명 전파가 활성화된 다른 AWS 서비스와 연결하는 방법 Amazon SageMaker AI 도메인에 대해 신뢰할 수 있는 자격 증명 전파가 활성화되면 도메인 사용자는 다른 신뢰할 수 있는 자격 증명 전파 활성화 AWS 서비스에 연결할 수 있습니다. 신뢰할 수 있는 ID 전파가 활성화되면 ID 컨텍스트가 호환되는 서비스에 자동으로 전파되므로 기계 학습 워크플로 전반에서 세분화된 액세스 제어와 향상된 감사가 가능합니다. 이 통합을 통해 복잡한 IAM 역할 전환이 필요하지 않으며 AWS 서비스 전반에 걸쳐 통합된 자격 증명 환경을 제공합니다. 다음 페이지에서는 신뢰할 수 있는 자격 증명 전파가 활성화된 경우 Amazon SageMaker Studio를 다른 AWS 서비스에 연결하는 방법에 대한 정보를 제공합니다. **Topics** + [ # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Amazon S3 Access Grants에 연결 ](trustedidentitypropagation-s3-access-grants.md) + [ # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Amazon EMR에 연결 ](trustedidentitypropagation-emr-ec2.md) + [ # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 EMR Serverless에 연결 ](trustedidentitypropagation-emr-serverless.md) + [ # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Redshift Data API에 연결 ](trustedidentitypropagation-redshift-data-apis.md) + [ # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Lake Formation 및 Athena에 연결 ](trustedidentitypropagation-lake-formation-athena.md) # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Amazon S3 Access Grants에 연결 [Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html)를 사용하여 Amazon S3 위치에 ID 기반 세분화된 액세스 제어 권한을 유연하게 부여할 수 있습니다. 이를 통해 Amazon S3 버킷에 기업 사용자 및 그룹에 대한 직접 액세스 권한을 부여합니다. 아래 페이지에서는 SageMaker AI에 대한 신뢰할 수 있는 ID 전파와 함께 Amazon S3 Access Grants를 사용하는 방법에 대한 정보와 지침을 제공합니다. ## 사전 조건 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio를 Lake Formation 및 Athena에 연결하려면 다음 사전 조건을 충족해야 합니다. + [Studio에 신뢰할 수 있는 ID 전파 설정](trustedidentitypropagation-setup.md) + [Amazon S3 Access Grants 시작하기](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html)에 따라 버킷에 대한 Amazon S3 Access Grants를 설정합니다. 자세한 내용은 [Scaling data access with Amazon S3 Access Grants](https://aws.amazon.com/blogs/storage/scaling-data-access-with-amazon-s3-access-grants/)를 참조하세요. **참고** 표준 Amazon S3 API는 Amazon S3 Access Grants에서 자동으로 작동하지 않습니다. Amazon S3 Access Grants API를 명시적으로 사용해야 합니다. 자세한 내용은 [Amazon S3 Access Grants를 통한 액세스 관리](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html)를 참조하세요. **Topics** + [ ## 사전 조건 ](#s3-access-grants-prerequisites) + [ # Amazon S3 Access Grants를 Studio JupyterLab 노트북과 연결 ](s3-access-grants-setup.md) + [ # Training 및 Processing 작업에서 Studio JupyterLab 노트북을 Amazon S3 Access Grants에 연결 ](trustedidentitypropagation-s3-access-grants-jobs.md) # Amazon S3 Access Grants를 Studio JupyterLab 노트북과 연결 다음 정보를 사용하여 Studio JupyterLab 노트북에서 Amazon S3 Access Grants를 부여합니다. Amazon S3 Access Grants를 설정한 후 도메인 또는 사용자 [실행 역할](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role)에 [다음 권한을 추가](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html)합니다. + `us-east-1`은 AWS 리전입니다. + `111122223333`는 AWS 계정 ID입니다. + `S3-ACCESS-GRANT-ROLE`은 Amazon S3 액세스 권한 부여 역할입니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "AllowDataAccessAPI", "Effect": "Allow", "Action": [ "s3:GetDataAccess" ], "Resource": [ "arn:aws:s3:us-east-1:111122223333:access-grants/default" ] }, { "Sid": "RequiredForTIP", "Effect": "Allow", "Action": "sts:SetContext", "Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE" } ] } ``` ------ Amazon S3 Access Grants 역할의 신뢰 정책이 `sts:SetContext` 및 `sts:AssumeRole` 작업을 허용해야 합니다. 다음은 [역할 신뢰 정책을 업데이트](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html)할 때의 정책 예시입니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": [ "access-grants.s3.amazonaws.com" ] }, "Action": [ "sts:AssumeRole", "sts:SetContext" ], "Condition": { "StringEquals": { "aws:SourceAccount": "111122223333", "aws:SourceArn": "arn:aws:s3:us-east-1:111122223333:access-grants/default" } } } ] } ``` ------ ## Amazon S3 Access Grants를 사용하여 Amazon S3 직접적으로 호출 다음은 Amazon S3 Access Grants를 사용하여 Amazon S3를 직접적으로 호출하는 방법을 보여주는 Python 스크립트 예시입니다. 여기에서는 SageMaker AI를 사용하여 신뢰할 수 있는 ID 전파를 이미 성공적으로 설정했다고 가정합니다. ``` import boto3 from botocore.config import Config def get_access_grant_credentials(account_id: str, target: str, permission: str = 'READ'): s3control = boto3.client('s3control') response = s3control.get_data_access( AccountId=account_id, Target=target, Permission=permission ) return response['Credentials'] def create_s3_client_from_credentials(credentials) -> boto3.client: return boto3.client( 's3', aws_access_key_id=credentials['AccessKeyId'], aws_secret_access_key=credentials['SecretAccessKey'], aws_session_token=credentials['SessionToken'] ) # Create client credentials = get_access_grant_credentials('111122223333', "s3://tip-enabled-bucket/tip-enabled-path/") s3 = create_s3_client_from_credentials(credentials) s3.list_objects(Bucket="tip-enabled-bucket", Prefix="tip-enabled-path/") ``` Amazon S3 액세스 권한 부여가 활성화되지 않은 Amazon S3 버킷의 경로를 사용하는 경우 직접 호출이 실패합니다. 다른 프로그래밍 언어에 대한 자세한 내용은 [Amazon S3 Access Grants를 통한 액세스 관리](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html)를 참조하세요. # Training 및 Processing 작업에서 Studio JupyterLab 노트북을 Amazon S3 Access Grants에 연결 다음 정보를 사용하여 Amazon S3 Access Grants에 Amazon SageMaker Training 및 Processing 작업의 데이터에 액세스할 수 있는 권한을 부여합니다. 신뢰할 수 있는 ID 전파가 활성화된 사용자가 Amazon S3 데이터에 액세스해야 하는 SageMaker Training 또는 Processing 작업을 시작하는 경우: + SageMaker AI는 Amazon S3 Access Grants를 직접적으로 호출하여 사용자의 ID를 기반으로 임시 자격 증명을 가져옵니다. + 성공하면 이러한 임시 자격 증명이 Amazon S3 데이터에 액세스합니다. + 실패하면 SageMaker AI는 IAM 역할 자격 증명 사용으로 대체합니다. **참고** 모든 권한이 Amazon S3 Access Grants를 통해 부여되도록 하려면 실행 역할과 관련된 Amazon S3 액세스 권한을 제거하고 해당 [Amazon S3 Access Grant](https://docs.aws.amazon.com/singlesignon/latest/userguide/tip-tutorial-s3.html#tip-tutorial-s3-create-grant)에 연결해야 합니다. **Topics** + [ ## 고려 사항 ](#s3-access-grants-jobs-considerations) + [ ## Training 및 Processing 작업에서 Amazon S3 Access Grants 설정 ](#s3-access-grants-jobs-setup) ## 고려 사항 Amazon S3 Access Grants는 Amazon S3 입력에 대한 SageMaker Training 및 Processing 모두에 [파이프 모드](https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest-stream.html)로 사용할 수 없습니다. 신뢰할 수 있는 ID 전파가 활성화된 경우 다음 기능을 사용하여 SageMaker Training 작업을 시작할 수 없습니다. + 원격 디버깅 + 디버거 + 프로파일러 신뢰할 수 있는 ID 전파가 활성화된 경우 다음 기능을 사용하여 Processing 작업을 시작할 수 없습니다. + DatasetDefinition ## Training 및 Processing 작업에서 Amazon S3 Access Grants 설정 Amazon S3 Access Grants를 설정한 후 도메인 또는 사용자 [실행 역할](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role)에 [다음 권한을 추가](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html)합니다. + `us-east-1`은 AWS 리전입니다. + `111122223333`는 AWS 계정 ID입니다. + `S3-ACCESS-GRANT-ROLE`은 Amazon S3 액세스 권한 부여 역할입니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "AllowDataAccessAPI", "Effect": "Allow", "Action": [ "s3:GetDataAccess", "s3:GetAccessGrantsInstanceForPrefix" ], "Resource": [ "arn:aws:s3:us-east-1:111122223333:access-grants/default" ] }, { "Sid": "RequiredForIdentificationPropagation", "Effect": "Allow", "Action": "sts:SetContext", "Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE" } ] } ``` ------ # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Amazon EMR에 연결 Amazon SageMaker Studio JupyterLab 노트북을 Amazon EMR 클러스터에 연결하면 대규모 데이터 처리 및 분석 워크로드에 Amazon EMR의 분산 컴퓨팅 성능을 활용할 수 있습니다. 신뢰할 수 있는 ID 전파를 활성화하면 ID 컨텍스트가 Amazon EMR로 전파되므로 세분화된 액세스 제어 및 포괄적인 감사 추적이 가능합니다. 다음 페이지에서는 Studio 노트북을 Amazon EMR 클러스터에 연결하는 방법에 대한 지침을 제공합니다. 설정을 마치면 Studio 노트북에서 `Connect to Cluster` 옵션을 사용할 수 있습니다. 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio를 Amazon EMR에 연결하려면 다음 설정을 완료해야 합니다. + [Studio에 신뢰할 수 있는 ID 전파 설정](trustedidentitypropagation-setup.md) + [Amazon EMR AWS IAM Identity Center 통합 시작하기](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html) + [Enable communications between Studio and Amazon EMR clusters](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html) **Amazon EMR 클러스터에 연결** JupyterLab 노트북을 Amazon EMR에 연결하는 방법에 대한 전체 옵션 목록은 [Amazon EMR 클러스터에 연결하기](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-clusters.html)를 참조하세요. # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 EMR Serverless에 연결 Amazon EMR Serverless는 클러스터를 관리하지 않고도 Apache Spark 및 Apache Hive 애플리케이션을 실행할 수 있는 서버리스 옵션을 제공합니다. 신뢰할 수 있는 ID 전파와 통합되면 EMR Serverless는 액세스 제어 및 감사를 위해 ID 컨텍스트를 유지하면서 컴퓨팅 리소스를 자동으로 규모를 조정합니다. 이 접근 방식은 ID 기반 액세스 제어의 보안 이점을 유지하면서 클러스터 관리의 운영 오버헤드를 제거합니다. 다음 섹션에서는 신뢰할 수 있는 ID 전파가 활성화된 Studio를 EMR Serverless와 연결하는 방법에 대한 정보를 제공합니다. 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio를 Amazon EMR Serverless에 연결하려면 다음 설정을 완료해야 합니다. + [Studio에 신뢰할 수 있는 ID 전파 설정](trustedidentitypropagation-setup.md) + [Trusted identity propagation with EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html) + [Enable communications between Studio and EMR Serverless](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-serverless.html) **EMR Serverless 애플리케이션에 연결** JupyterLab 노트북을 EMR Serverless에 연결하는 방법에 대한 전체 옵션 목록은 [Connect to an EMR Serverless application](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-serverless-application.html)을 참조하세요. # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Redshift Data API에 연결 Amazon Redshift Data API를 사용하면 영구 연결을 관리하지 않고도 프로그래밍 방식으로 Amazon Redshift 클러스터와 상호 작용할 수 있습니다. 신뢰할 수 있는 ID 전파와 결합하면 Redshift Data API는 데이터 웨어하우스에 대한 안전한 ID 기반 액세스를 제공하므로 사용자 활동에 대한 전체 감사 추적을 유지하면서 SQL 쿼리를 실행하고 결과를 검색할 수 있습니다. 이 통합은 Redshift에 저장된 정형 데이터에 액세스해야 하는 데이터 과학 워크플로에 특히 유용합니다. 다음 페이지에는 Amazon SageMaker Studio에서 신뢰할 수 있는 ID 전파를 Redshift Data API에 연결하는 방법에 대한 정보와 지침이 포함되어 있습니다. 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio를 Redshift Data API에 연결하려면 다음 설정을 완료해야 합니다. + [Studio에 신뢰할 수 있는 ID 전파 설정](trustedidentitypropagation-setup.md) + [Using Redshift Data API with trusted identity propagation](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html) + 실행 역할에 Redshift Data API에 대한 관련 권한이 있는지 확인합니다. 자세한 내용은 [액세스 권한 부여](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-access.html)를 참조하세요. + [Amazon Redshift 및 외부 자격 증명 공급자의 사용자를 AWS Lake Formation 위한 액세스 관리 간소화](https://aws.amazon.com/blogs/big-data/simplify-access-management-with-amazon-redshift-and-aws-lake-formation-for-users-in-an-external-identity-provider/) # 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio JupyterLab 노트북을 Lake Formation 및 Athena에 연결 AWS Lake Formation 및 Amazon Athena는 협력하여 세분화된 액세스 제어 및 서버리스 쿼리 기능을 갖춘 포괄적인 데이터 레이크 솔루션을 제공합니다. Lake Formation은 데이터 레이크에 대한 권한 관리를 중앙 집중화하는 한편 Athena는 대화형 쿼리 서비스를 제공합니다. 이 조합을 신뢰할 수 있는 ID 전파와 통합하면 데이터 과학자가 조회 권한이 있는 데이터에만 액세스할 수 있으며 모든 쿼리 및 데이터 액세스는 규정 준수 및 감사 목적으로 자동 로깅됩니다. 아래 페이지에서는 Amazon SageMaker Studio에서 신뢰할 수 있는 ID 전파를 Lake Formation 및 Athena에 연결하는 방법에 대한 정보와 지침을 제공합니다. 신뢰할 수 있는 ID 전파가 활성화된 상태에서 Studio를 Lake Formation 및 Athena에 연결하려면 다음 설정을 완료해야 합니다. + [Studio에 신뢰할 수 있는 ID 전파 설정](trustedidentitypropagation-setup.md) + [Create a Lake Formation role](https://docs.aws.amazon.com/lake-formation/latest/dg/prerequisites-identity-center.html) + [Connect Lake Formation with IAM Identity Center](https://docs.aws.amazon.com/lake-formation/latest/dg/connect-lf-identity-center.html) + Lake Formation 리소스 생성: + [데이터베이스](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-database.html) + [테이블](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-tables.html) + [Athena 작업 그룹 만들기](https://docs.aws.amazon.com/athena/latest/ug/creating-workgroups.html) + 엔진으로 **AthenaSQL**을 선택합니다. + 인증 방법으로 **IAM Identity Center**를 선택합니다. + 새 서비스 역할을 생성합니다. + IAM Identity Center 사용자가 Amazon S3 Access Grants를 사용하여 쿼리 결과 위치에 액세스할 수 있어야 합니다. + [Granting database permissions using the named resource method](https://docs.aws.amazon.com/lake-formation/latest/dg/granting-database-permissions.html) # 공통 UI 작업 실행 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. 다음 섹션에서는 Amazon SageMaker Studio UI에서 공통 작업을 수행하는 방법을 설명합니다. Studio 사용자 인터페이스 개요는 [Amazon SageMaker Studio UI 개요](studio-updated-ui.md)에서 확인하세요. **쿠키 기본 설정 지정** 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio를 실행합니다. 1. Studio 사용자 인터페이스 하단에서 **쿠키 기본 설정**을 선택합니다. 1. Amazon SageMaker AI에서 사용할 각 쿠키 유형의 확인란을 선택합니다. 1. **기본 설정 저장**을 선택합니다. **알림 관리** 알림은 Studio의 중요한 변경 사항, 애플리케이션 업데이트 및 해결해야 할 문제에 대한 정보를 제공합니다. 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio를 실행합니다. 1. 상단 탐색 모음에서 **알림** 아이콘(![\[Logo for Notifications, a cloud service with a stylized bell icon.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/monarch/notification.png))을 선택합니다. 1. 알림 목록에서 알림을 선택하여 관련 정보를 가져옵니다. **피드백 남기기** 피드백을 진지하게 받아들입니다. 피드백을 제공해 주시기 바랍니다. Studio의 상단 탐색에서 **피드백 제공**을 선택합니다. **로그아웃** Studio UI에서 로그아웃하는 것은 브라우저 창을 닫는 것과 다릅니다. 로그아웃하면 브라우저에서 세션 데이터가 지워지고 저장되지 않은 변경 사항이 삭제됩니다. Studio 세션 시간이 초과될 때도 동일한 동작이 발생합니다. 이는 5분 후에 발생합니다. 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio를 실행합니다. 1. **사용자 옵션** 아이콘()을 선택합니다![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/monarch/user-settings.png). 1. **로그아웃**을 선택합니다. 1. 팝업 창에서 **로그아웃**을 선택합니다. # Amazon SageMaker Studio를 사용하는 NVMe 스토어 Amazon SageMaker Studio 애플리케이션과 관련 노트북은 Amazon Elastic Compute Cloud(Amazon EC2) 인스턴스에서 실행됩니다. 인스턴스 패밀리와 같은 일부 Amazon EC2 `ml.m5d` 인스턴스 유형은 비휘발성 메모리 익스프레스(NVMe) 솔리드 스테이트 드라이브(SSD) 인스턴스 스토어를 제공합니다. NVMe 인스턴스 스토어는 빠른 임시 스토리지를 위해 인스턴스에 물리적으로 연결된 로컬 임시 디스크 스토어입니다. Studio 애플리케이션은 지원되는 인스턴스 유형에 대해 NVMe 인스턴스 스토어를 지원합니다. 인스턴스 유형 및 관련 NVMe 스토어 볼륨에 대한 자세한 내용은 [Amazon Elastic Compute Cloud 인스턴스 유형 세부 정보 섹션](https://aws.amazon.com/ec2/instance-types/)을 참조하세요. 이 주제에서는 NVMe 인스턴스 스토어 액세스 및 사용에 대한 정보와 Studio에서 NVMe 인스턴스 스토어를 사용할 때 고려해야 할 사항을 제공합니다. ## 고려 사항 Studio에서 NVMe 인스턴스 스토어를 사용할 때는 다음 고려 사항이 적용됩니다. + NVMe 인스턴스 스토어는 임시 스토리지입니다. NVMe 스토어에 저장된 데이터는 인스턴스가 종료, 중지 또는 최대 절전 모드로 전환될 때 삭제됩니다. NVMe 스토어를 Studio 애플리케이션과 함께 사용하면 애플리케이션이 삭제, 재시작 또는 패치될 때마다 NVMe 인스턴스 스토어의 데이터가 손실됩니다. Amazon Elastic Block Store, Amazon Elastic File System 또는 Amazon Simple Storage Service와 같은 영구 스토리지 솔루션에 귀중한 데이터를 백업하는 것이 좋습니다. + Studio는 인스턴스를 주기적으로 패치하여 새 보안 업데이트를 설치합니다. 인스턴스에 패치가 적용되면 인스턴스가 다시 시작됩니다. 다시 시작하면 NVMe 인스턴스 스토어에 저장된 데이터가 삭제됩니다. NVMe 인스턴스 스토어에서 Amazon Elastic Block Store, Amazon Elastic File System 또는 Amazon Simple Storage Service와 같은 영구 스토리지 솔루션으로 필요한 데이터를 자주 백업하는 것이 좋습니다. + 다음 Studio 애플리케이션은 NVMe 스토리지 사용을 지원합니다. + JupyterLab + Code Editor, Code-OSS 기반, Visual Studio 코드 - 오픈 소스 + KernelGateway ## NVMe 인스턴스 스토어 액세스 Studio 애플리케이션을 호스팅하기 위해 NVMe 인스턴스 스토어가 연결된 인스턴스 유형을 선택하면 NVMe 인스턴스 스토어 디렉터리가 다음 위치에 있는 애플리케이션 컨테이너에 탑재됩니다. ``` /mnt/sagemaker-nvme ``` 인스턴스에 연결된 NVMe 인스턴스 스토어가 두 개 이상 있는 경우 Studio는 연결된 모든 로컬 디스크에 걸쳐 스트라이프 논리 볼륨을 생성합니다. 그런 다음 Studio는 이 스트라이프 논리 볼륨을 `/mnt/sagemaker-nvme` 디렉터리에 탑재합니다. 따라서 디렉터리 스토리지 크기는 인스턴스에 연결된 모든 NVMe 인스턴스 스토어 볼륨 크기의 합계입니다. `/mnt/sagemaker-nvme` 디렉터리가 없는 경우 애플리케이션을 호스팅하는 인스턴스 유형에 연결된 NVMe 인스턴스 스토어 볼륨이 있는지 확인합니다. # Amazon SageMaker Studio에서 로컬 모드 지원 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 생성할 수 있도록 허용하는 사용자 지정 IAM 정책도 해당 리소스에 태그를 추가할 수 있는 권한을 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)는 SageMaker 리소스를 생성할 수 있는 권한을 부여합니다. 여기에는 해당 리소스를 생성하는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. Amazon SageMaker Studio 애플리케이션은 로컬 모드를 사용하여 추정기, 프로세서 및 파이프라인을 생성한 다음 로컬 환경에 배포할 수 있도록 지원합니다. 로컬 모드를 사용하면 Amazon SageMaker AI 관리형 훈련 또는 호스팅 환경에서 실행하기 전에 기계 학습 스크립트를 테스트할 수 있습니다. Studio는 다음 애플리케이션에서 로컬 모드를 지원합니다. + Amazon SageMaker Studio Classic + JupyterLab + 코드 편집기, Code-OSS 기반, Visual Studio 코드 - 오픈 소스 Studio 애플리케이션의 로컬 모드는 SageMaker Python SDK를 사용하여 호출됩니다. Studio 애플리케이션에서 로컬 모드는 Amazon SageMaker 노트북 인스턴스에서 작동하는 방식과 비슷하게 작동하며 몇 가지 차이점이 있습니다. [루트리스 Docker 구성](studio-updated-local-get-started.md#studio-updated-local-rootless)을 활성화하면 온프레미스 리포지토리 및 퍼블릭 레지스트리를 포함하여 VPC 구성을 통해 추가 Docker 레지스트리에도 액세스할 수 있습니다. SageMaker Python SDK로 로컬 모델을 사용하는 방법에 대한 자세한 내용은 [로컬 모드](https://sagemaker.readthedocs.io/en/stable/overview.html#local-mode) 섹션을 참조하세요. **참고** Studio 애플리케이션은 로컬 모드에서 다중 컨테이너 작업을 지원하지 않습니다. 로컬 모드 작업은 훈련, 추론 및 처리 작업을 위한 단일 인스턴스로 제한됩니다. 로컬 모드 작업을 생성할 때 인스턴스 수 구성은 `1`여야 합니다.  ## Docker 지원 로컬 모드 지원의 일환으로 Studio 애플리케이션은 제한된 Docker 액세스 기능을 지원합니다. 이 지원을 통해 사용자는 Jupyter 노트북의 Docker API 또는 애플리케이션의 이미지 터미널과 상호 작용할 수 있습니다. 고객은 다음 중 하나를 사용하여 Docker와 상호 작용할 수 있습니다. + [Docker CLI](https://docs.docker.com/engine/reference/run/) + [Docker Compose CLI](https://docs.docker.com/compose/reference/) + 언어별 Docker SDK 클라이언트 Studio는 다음 제한이 있는 제한된 Docker 액세스 기능도 지원합니다. + Docker 네트워크 사용은 지원되지 않습니다. + 컨테이너 실행 중에는 Docker [볼륨](https://docs.docker.com/storage/volumes/) 사용량이 지원되지 않습니다. 컨테이너 오케스트레이션 중에는 볼륨 바인드 탑재 입력만 허용됩니다. 볼륨 바인드 탑재 입력은 Studio Classic용 Amazon Elastic File System(Amazon EFS) 볼륨에 있어야 합니다. JupyterLab 및 코드 편집기 애플리케이션의 경우 Amazon Elastic Block Store(Amazon EBS) 볼륨에 있어야 합니다. + 컨테이너 검사 작업은 허용됩니다. + 컨테이너 포트와 호스트 매핑은 허용되지 않습니다. 그러나 호스팅할 포트를 지정할 수 있습니다. 그런 다음 다음 URL을 사용하여 Studio에서 엔드포인트에 액세스할 수 있습니다. ``` http://localhost:port ``` ### 지원되는 Docker 작업 다음 표에는 지원 제한을 포함하여 Studio에서 지원되는 모든 Docker API 엔드포인트가 나열되어 있습니다. API 엔드포인트가 테이블에 누락된 경우 Studio는 이를 지원하지 않습니다. | API 설명서 | 제한 사항 | | --- | --- | | [SystemAuth](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemAuth) | | | [SystemEvents](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemEvents) | | | [SystemVersion](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemVersion) | | | [SystemPing](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPing) | | | [SystemPingHead](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPingHead) | | | [ContainerCreate](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerCreate) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-updated-local.html) | | [ContainerStart](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStart) | | | [ContainerStop](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStop) | | | [ContainerKill](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerKill) | | | [ContainerDelete](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerDelete) | | | [ContainerList](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerList) | | | [ContainerLogs](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerLogs) | | | [ContainerInspect](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerInspect) | | | [ContainerWait](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerWait) | | | [ContainerAttach](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerAttach) | | | [ContainerPrune](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerPrune) | | | [ContainerResize](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerResize) | | | [ImageCreate](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageCreate) | VPC-only 모드 지원은 허용 목록에 있는 계정의 Amazon ECR 이미지로 제한됩니다. [루트리스 Docker 구성](studio-updated-local-get-started.md#studio-updated-local-rootless)을 활성화하면 온프레미스 리포지토리 및 퍼블릭 레지스트리를 포함하여 VPC 구성을 통해 추가 Docker 레지스트리에도 액세스할 수 있습니다. | | [ImagePrune](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePrune) | | | [ImagePush](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePush) | VPC-only 모드 지원은 허용 목록에 있는 계정의 Amazon ECR 이미지로 제한됩니다. [루트리스 Docker 구성](studio-updated-local-get-started.md#studio-updated-local-rootless)을 활성화하면 온프레미스 리포지토리 및 퍼블릭 레지스트리를 포함하여 VPC 구성을 통해 추가 Docker 레지스트리에도 액세스할 수 있습니다. | | [ImageList](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageList) | | | [ImageInspect](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageInspect) | | | [ImageGet](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageGet) | | | [ImageDelete](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageDelete) | | | [ImageBuild](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageBuild) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-updated-local.html) | **Topics** + [ ## Docker 지원 ](#studio-updated-local-docker) + [ # 로컬 모드 시작하기 ](studio-updated-local-get-started.md) # 로컬 모드 시작하기 다음 섹션에서는 Amazon SageMaker Studio에서 로컬 모드를 시작하는 데 필요한 단계를 간략하게 설명합니다. + 사전 조건 완료 + `EnableDockerAccess` 설정 + Docker 설치 ## 사전 조건 Studio 애플리케이션에서 로컬 모드를 사용하려면 다음 사전 조건을 완료하세요. + Amazon Elastic Container Registry 리포지토리에서 이미지를 가져오려면 Amazon ECR 이미지를 호스팅하는 계정이 사용자의 실행 역할에 대한 액세스 권한을 제공해야 합니다. 도메인의 실행 역할도 Amazon ECR 액세스를 허용해야 합니다. + 다음 명령을 사용하여 Studio Python SDK의 최신 버전을 사용하고 있는지 확인합니다.  ``` pip install -U sagemaker ``` + 로컬 모드 및 Docker 기능을 사용하려면 AWS Command Line Interface (AWS CLI)를 사용하여 도메인 `DockerSettings`의 다음 파라미터를 설정합니다.  ``` EnableDockerAccess : ENABLED ``` + `EnableDockerAccess`를 사용하면 도메인의 사용자가 로컬 모드를 사용할 수 있는지 여부를 제어할 수도 있습니다. 기본적으로 Studio 애플리케이션에서는 로컬 모드와 Docker 기능이 허용되지 않습니다. 자세한 내용은 [`EnableDockerAccess` 설정](#studio-updated-local-enable) 섹션을 참조하세요. + [Docker 설치](#studio-updated-local-docker-installation)의 단계에 따라 Studio 애플리케이션에 Docker CLI를 설치합니다. + [루트리스 Docker 구성](#studio-updated-local-rootless)의 경우 VPC에 원하는 Docker 레지스트리에 적합한 엔드포인트 및 라우팅이 구성되어 있는지 확인합니다. ## `EnableDockerAccess` 설정 다음 섹션에서는 도메인에 퍼블릭 인터넷 액세스가 있거나 `VPC-only` 모드인 경우 `EnableDockerAccess`를 설정하는 방법을 보여줍니다. **참고** `EnableDockerAccess`에 대한 변경 사항은 도메인이 업데이트된 후 생성된 애플리케이션에만 적용됩니다. 도메인을 업데이트한 후 새 애플리케이션을 생성해야 합니다. **퍼블릭 인터넷 액세스** 다음 예제 명령은 새 도메인을 생성하거나 퍼블릭 인터넷 액세스로 기존 도메인을 업데이트할 때 `EnableDockerAccess`를 설정하는 방법을 보여줍니다. ``` # create new domain aws --region region \ sagemaker create-domain --domain-name domain-name \ --vpc-id vpc-id \ --subnet-ids subnet-ids \ --auth-mode IAM \ --default-user-settings "ExecutionRole=execution-role" \ --domain-settings '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}' \ --query DomainArn \ --output text # update domain aws --region region \ sagemaker update-domain --domain-id domain-id \ --domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}' ``` **`VPC-only` 모드** `VPC-only` 모드에서 도메인을 사용하는 경우 Docker 이미지 푸시 및 풀 요청은 고객이 구성한 VPC 대신 서비스 VPC를 통해 라우팅됩니다. 이 기능으로 인해 관리자는 사용자가 Amazon ECR Docker 풀 앤 푸시 작업 요청을 할 수 있는 신뢰할 수 있는 AWS 계정 목록을 구성할 수 있습니다. 신뢰할 수 Docker AWS 계정 있는 목록에 없는에 이미지 푸시 또는 풀 요청이 이루어진 경우 AWS 계정요청이 실패합니다. Amazon Elastic Container Registry(Amazon ECR) 외부의 Docker 풀 및 푸시 작업은 `VPC-only` 모드에서 지원되지 않습니다. 기본적으로 신뢰할 수 있는 항목은 다음과 AWS 계정 같습니다. + SageMaker AI 도메인을 호스팅하는 계정 + 다음 SageMaker 이미지를 호스팅하는 SageMaker AI 계정: + DLC 프레임워크 이미지 + Sklearn, Spark, XGBoost 처리 이미지 신뢰할 수 있는 추가 목록을 구성하려면 다음과 같이 `VpcOnlyTrustedAccounts` 값을 AWS 계정지정합니다. ``` aws --region region \ sagemaker update-domain --domain-id domain-id \ --domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED", "VpcOnlyTrustedAccounts": ["account-list"]}}' ``` **참고** [루트리스 Docker 구성](#studio-updated-local-rootless)이 활성화되면 `VpcOnlyTrustedAccounts`가 무시되고 Docker 트래픽이 VPC 구성을 통해 라우팅되므로 VPC가 도달할 수 있는 모든 레지스트리에 액세스할 수 있습니다. ## 루트리스 Docker 구성 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html)가 활성화되면 Studio는 VPC를 통해 트래픽을 라우팅하는 [루트리스 Docker 대몬](https://docs.docker.com/engine/security/rootless/)을 사용합니다. 이를 통해 보안이 강화되고 추가 Docker 레지스트리에 액세스할 수 있습니다. `RootlessDocker`와의 주요 차이점은 다음과 같습니다. + 컨테이너 포트는 localhost 대신 Docker 게이트웨이 IP(`172.17.0.1`)를 사용하여 액세스할 수 있습니다. + VPC 구성은 Docker 작업에 액세스할 수 있는 레지스트리를 결정합니다. `VpcOnlyTrustedAccounts`는 무시되고 Docker 트래픽은 VPC 구성을 통해 라우팅됩니다. 루트리스 Docker를 사용하려면 `ENABLED`에서 `EnableDockerAccess` 및 `RootlessDocker`를 모두 `DockerSettings`로 설정해야 합니다. 예를 들어 위 [`EnableDockerAccess` 설정](#studio-updated-local-enable) 예시에서 다음을 포함하도록 도메인 설정을 수정할 수 있습니다. ``` '{"DockerSettings": {"EnableDockerAccess": "ENABLED", "RootlessDocker": "ENABLED"}}' ``` ## Docker 설치 Docker를 사용하려면 Studio 애플리케이션의 터미널에서 Docker를 수동으로 설치해야 합니다. 도메인에 인터넷에 대한 액세스 권한이 있는지 여부는 Docker 설치 단계가 다릅니다. ### 인터넷 액세스 도메인이 퍼블릭 인터넷 액세스로 생성되거나 인터넷 액세스가 제한된 `VPC-only` 모드에서 생성되는 경우 다음 단계에 따라 Docker를 설치합니다. 1. (선택 사항) 도메인이 인터넷 액세스가 제한된 `VPC-only` 모드에서 생성되는 경우 Docker 웹 사이트에 액세스할 수 있는 퍼블릭 NAT 게이트웨이를 생성합니다. 지침은 [NAT 게이트웨이](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html)를 참조하세요. 1. Docker를 설치하려는 Studio 애플리케이션의 터미널로 이동합니다. 1. 애플리케이션의 운영 체제를 반환하려면 터미널에서 다음 명령을 실행합니다. ``` cat /etc/os-release ``` 1. [Amazon SageMaker AI Local Mode 예시 리포지토리](https://github.com/aws-samples/amazon-sagemaker-local-mode/tree/main/sagemaker_studio_docker_cli_install)에서 애플리케이션의 운영 체제에 대한 지침에 따라 Docker를 설치합니다. 예를 들어 다음 고려 사항을 고려하여 [https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker\$1studio\$1docker\$1cli\$1install/sagemaker-ubuntu-focal-docker-cli-install.sh](https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker_studio_docker_cli_install/sagemaker-ubuntu-focal-docker-cli-install.sh) 스크립트를 따라 Ubuntu에 Docker를 설치합니다. + 연결된 명령이 실패하면 명령을 한 번에 하나씩 실행합니다. + Studio는 Docker 버전 `20.10.X.` 및 Docker Engine API 버전 `1.41`만 지원합니다. + 다음 패키지는 Studio에서 Docker CLI를 사용하는 데 필요하지 않으며 설치를 건너뛸 수 있습니다. + `containerd.io` + `docker-ce` + `docker-buildx-plugin` **참고** 애플리케이션에서 Docker 서비스를 시작할 필요가 없습니다. Studio 애플리케이션을 호스팅하는 인스턴스는 기본적으로 Docker 서비스를 실행합니다. 모든 Docker API 호출은 Docker 서비스를 통해 자동으로 라우팅됩니다. 1. Studio 애플리케이션 내에서 Docker 상호 작용에 노출된 Docker 소켓을 사용합니다. 기본적으로 다음 소켓이 노출됩니다. ``` unix:///docker/proxy.sock ``` 기본값 `USER`에 대한 다음 Studio 애플리케이션 환경 변수는 이 노출된 소켓을 사용합니다. ``` DOCKER_HOST ``` ### 인터넷 액세스 없음 인터넷 액세스가 없는 `VPC-only` 모드에서 도메인이 생성된 경우 다음 단계에 따라 Docker를 설치합니다. 1. Docker를 설치하려는 Studio 애플리케이션의 터미널로 이동합니다. 1. 터미널에서 다음 명령을 실행하여 애플리케이션의 운영 체제를 반환합니다. ``` cat /etc/os-release ``` 1. Docker `.deb` 파일을 로컬 시스템에 다운로드합니다. Studio 애플리케이션의 운영 체제에 필요한 파일을 다운로드하는 방법에 대한 지침은 [Docker Engine 설치](https://docs.docker.com/engine/install/)를 참조하세요. 예를 들어 다음 사항을 고려하여 [패키지에서 설치](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package)의 1\$14단계에 따라 Ubuntu의 패키지에서 Docker를 설치합니다. + 패키지에서 Docker를 설치합니다. 다른 방법을 사용하여 Docker를 설치하면 실패합니다. + Docker 버전 `20.10.X`에 해당하는 최신 패키지를 설치합니다. + 다음 패키지는 Studio에서 Docker CLI를 사용하는 데 필요하지 않습니다. 다음을 설치할 필요가 없습니다. + `containerd.io` + `docker-ce` + `docker-buildx-plugin` **참고** 애플리케이션에서 Docker 서비스를 시작할 필요가 없습니다. Studio 애플리케이션을 호스팅하는 인스턴스는 기본적으로 Docker 서비스를 실행합니다. 모든 Docker API 호출은 Docker 서비스를 통해 자동으로 라우팅됩니다. 1. Amazon EFS 파일 시스템 또는 애플리케이션의 Amazon EBS 파일 시스템에 `.deb` 파일을 업로드합니다. 1. Studio 애플리케이션 터미널에서 `docker-ce-cli` 및 `docker-compose-plugin` `.deb` 패키지를 수동으로 설치합니다. 자세한 내용과 지침은 Docker 문서 웹사이트의 [패키지에서 설치](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package)의 5단계를 참조하세요. 1. Studio 애플리케이션 내에서 Docker 상호 작용에 노출된 Docker 소켓을 사용합니다. 기본적으로 다음 소켓이 노출됩니다. ``` unix:///docker/proxy.sock ``` 기본값 `USER`에 대한 다음 Studio 애플리케이션 환경 변수는 이 노출된 소켓을 사용합니다. ``` DOCKER_HOST ``` # 인스턴스, 애플리케이션 및 스페이스를 실행하는 Studio 보기 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 명명되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. 다음 주제에는 Studio에서 실행되는 인스턴스, 애플리케이션 및 스페이스를 보는 방법에 대한 정보와 지침이 포함되어 있습니다. Studio 스페이스에 대한 자세한 내용은 [Amazon SageMaker Studio 스페이스](studio-updated-spaces.md) 섹션을 참조하세요. ## 인스턴스 및 애플리케이션을 실행하는 Studio 보기 **인스턴스 실행** 페이지는 사용자가 Amazon SageMaker Studio에서 생성했거나 사용자와 공유한 실행 중인 모든 애플리케이션 인스턴스에 대한 정보를 제공합니다. 모든 애플리케이션 및 스페이스에 대한 인스턴스 실행을 보고 중지할 수 있습니다. 인스턴스가 중지되면 이 페이지에 표시되지 않습니다. 중지된 인스턴스는 해당 애플리케이션 유형에 대한 랜딩 페이지에서 볼 수 있습니다. Studio에서 실행 중인 애플리케이션 목록과 세부 정보를 볼 수 있습니다. **실행 중인 인스턴스를 보려면** 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio를 실행합니다. 1. 왼쪽 탐색 창에서 **인스턴스 실행**을 선택합니다. 1. **인스턴스 실행** 페이지에서 실행 중인 애플리케이션 목록과 해당 애플리케이션에 대한 세부 정보를 볼 수 있습니다. 실행되지 않는 인스턴스를 보려면 왼쪽 탐색 창에서 애플리케이션 아래의 관련 **애플리케이션**을 선택합니다. 실행 중이 아닌 애플리케이션의 **상태** 열 아래에 **중지됨** 상태가 표시됩니다. ## Studio 스페이스 보기 **도메인 세부** 정보 페이지의 **스페이스** 섹션에는 도메인 내의 Studio 스페이스에 대한 정보가 나와 있습니다. 이 페이지에서 스페이스를 보고, 생성하고, 삭제할 수 있습니다. **스페이스** 섹션에서 볼 수 있는 스페이스는 다음을 위한 스페이스를 실행합니다. + JupyterLab 프라이빗 스페이스. JupyterLab에 대한 자세한 내용은 [SageMaker JupyterLab](studio-updated-jl.md) 섹션을 참조하세요. + 코드 편집기 프라이빗 스페이스. Code-OSS, Visual Studio Code - Open Source 기반 코드 편집기에 대한 자세한 내용은 [Amazon SageMaker Studio의 코드 편집기](code-editor.md) 섹션을 참조하세요. + Studio Classic 공유 스페이스. Studio Classic 공유 스페이스에 대한 자세한 내용은 [공유 스페이스와의 협업](domain-space.md) 섹션을 참조하세요. SageMaker Canvas, Studio Classic(프라이빗) 또는 RStudio 에는 스페이스가 없습니다. **도메인에서 Studio 스페이스 보기** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 스페이스를 보려는 도메인을 선택합니다. 1. **도메인 세부정보** 페이지에서 **스페이스 관리** 탭을 선택하여 **스페이스** 섹션을 엽니다. **를 사용하여 Studio 스페이스 보기 AWS CLI** 다음 명령을 사용하여 도메인의 모든 공백을 나열합니다. ``` aws sagemaker list-spaces --region us-east-1 --domain-id domain-id ``` + `us-east-1`는 사용자의 입니다 AWS 리전. + *domain-id*는 도메인 ID입니다. 자세한 정보는 [도메인 보기](domain-view.md)을 참조하세요. # 애플리케이션과 스페이스를 실행하는 Studio 중지 또는 삭제 아래 페이지에는 원치 않는 추가 비용을 방지하기 위해 미사용 Amazon SageMaker Studio 리소스를 중지하고 삭제하는 방법에 대한 정보와 지침이 포함되어 있습니다. 더 이상 사용하지 않으려는 Studio 리소스의 경우 다음을 둘 다 수행해야 합니다. + 애플리케이션 중지: 애플리케이션을 모두 중지하고 애플리케이션이 실행 중인 인스턴스를 삭제합니다. 애플리케이션을 중지한 후 다시 시작할 수 있습니다. + 스페이스 삭제: 애플리케이션 및 인스턴스에 대해 생성된 Amazon EBS 볼륨을 삭제합니다. **중요** 스페이스를 삭제하면 해당 스페이스 내의 데이터에 대한 액세스 권한이 상실됩니다. 원하는 경우가 아니면 스페이스를 삭제하지 마세요. Studio 스페이스와 애플리케이션의 차이점에 대한 자세한 내용은 [인스턴스, 애플리케이션 및 스페이스를 실행하는 Studio 보기](studio-updated-running.md) 섹션을 참조하세요. **Topics** + [ ## Amazon SageMaker Studio 애플리케이션 중지 ](#studio-updated-running-stop-app) + [ ## Studio 스페이스 삭제 ](#studio-updated-running-stop-space) ## Amazon SageMaker Studio 애플리케이션 중지 미사용 Studio 실행 애플리케이션으로 인한 추가 요금을 방지하려면 애플리케이션을 중지해야 합니다. 아래에 애플리케이션을 중지하면 발생하는 결과와 중지 방법에 대한 정보가 나와 있습니다. + 다음 지침은 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) API를 사용하여 애플리케이션을 중지합니다. 이렇게 하면 애플리케이션이 실행 중인 인스턴스도 중지됩니다. + 애플리케이션을 중지한 후 나중에 애플리케이션을 다시 시작할 수 있습니다. + 애플리케이션을 중지해도 스페이스의 파일이 유지됩니다. 애플리케이션을 다시 실행할 수 있으며 애플리케이션을 삭제하기 전에 했던 것처럼 스페이스에 저장된 것과 동일한 파일에 액세스할 수 있을 것으로 예상됩니다. + 애플리케이션을 중지하면 애플리케이션의 *메타데이터*가 24시간 이내에 삭제됩니다. 자세한 내용은 [DescribeApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-CreationTime) API에 대한 `CreationTime` 응답 요소의 참고 사항을 참조하세요. **참고** 서비스가 애플리케이션이 비정상임을 감지하면 [AmazonSageMakerNotebooksServiceRolePolicy](security-iam-awsmanpol-notebooks.md#security-iam-awsmanpol-AmazonSageMakerNotebooksServiceRolePolicy) 서비스 연결 역할을 수임하고 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) API를 사용하여 애플리케이션을 삭제합니다. 아 탭에는 Studio UI, SageMaker AI 콘솔 또는 AWS CLI를 사용하여 도메인에서 애플리케이션을 중지하는 지침이 나와 있습니다. **참고** 한 위치에서 실행 중인 모든 Studio 인스턴스를 보고 중지하려면 다음 옵션의 [Studio UI를 사용하여 애플리케이션 중지](#studio-updated-running-stop-app-using-studio-updated-ui) 워크플로를 사용하는 것이 좋습니다. ### Studio UI를 사용하여 애플리케이션 중지 Studio UI를 사용하여 Studio 애플리케이션을 중지하려면 다음 지침을 사용합니다. **애플리케이션을 삭제하는 방법(Studio UI)** 1. Studio 시작. 이 프로세스는 설정에 따라 다를 수 있습니다. Studio 시작에 대한 자세한 내용은 [Amazon SageMaker Studio 출시](studio-updated-launch.md) 섹션을 참조하세요. 1. 왼쪽 탐색 창에서 **인스턴스 실행**을 선택합니다. 페이지의 테이블이 비어 있는 경우 빈 스페이스에 실행 중인 인스턴스 또는 애플리케이션이 없는 것입니다. 1. 테이블의 **이름** 및 **애플리케이션** 열에서 중지할 스페이스 이름과 애플리케이션을 찾습니다. 1. 해당 **중지** 버튼을 선택하여 애플리케이션을 중지합니다. ### SageMaker 콘솔을 사용하여 애플리케이션 중지 중앙 위치에서 Studio 실행 인스턴스를 보거나 중지하려면 [Studio UI를 사용하여 애플리케이션 중지](#studio-updated-running-stop-app-using-studio-updated-ui) 섹션을 참조하세요. 그렇지 않은 경우 다음 지침을 따릅니다. SageMaker AI 콘솔에서는 콘솔의 **스페이스** 섹션에서 볼 수 있는 스페이스에 대해서만 실행 중인 Studio 애플리케이션을 중지할 수 있습니다. 볼 수 있는 스페이스 목록은 [Studio 스페이스 보기](studio-updated-running.md#studio-updated-running-view-space) 섹션을 참조하세요. 이 단계에서는 SageMaker AI 콘솔을 사용하여 Studio 애플리케이션을 중지하는 방법을 보여줍니다. **애플리케이션을 중지하는 방법(SageMaker AI 콘솔)** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 되돌릴 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. 1. **중요** **스페이스 관리** 탭에는 스페이스를 삭제할 수 있는 옵션이 있습니다. 스페이스를 삭제하는 것과 애플리케이션을 삭제하는 것은 다릅니다. 스페이스를 삭제하면 해당 스페이스 내의 데이터에 대한 액세스 권한이 상실됩니다. 원하는 경우가 아니면 스페이스를 삭제하지 마세요. 애플리케이션을 중지하려면 **스페이스 관리** 탭과 **이름** 열에서 애플리케이션의 스페이스를 선택합니다. 1. **앱** 섹션과 **앱 유형** 열에서 중지할 앱을 검색합니다. 1. **작업** 열에서 해당 **앱 삭제** 버튼을 선택합니다. 1. 팝업 상자에서 **예, 앱 삭제**를 선택합니다. 이렇게 하면 삭제 입력 필드를 사용할 수 있습니다. 1. 필드에 **delete**를 입력하여 삭제를 확인합니다. 1. **삭제**를 선택합니다. ### 를 사용하여 도메인 애플리케이션 중지 AWS CLI 중앙 위치에서 인스턴스를 실행하는 Studio를 보거나 중지하려면 [Studio UI를 사용하여 애플리케이션 중지](#studio-updated-running-stop-app-using-studio-updated-ui) 섹션을 참조하세요. 그렇지 않은 경우 다음 지침을 따릅니다. 다음 코드 예시는 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) API를 사용하여 예시 도메인에서 애플리케이션을 삭제합니다. 실행 중인 **JupyterLab** 또는 **코드 편집기** 인스턴스를 중지하려면 다음 코드 예제를 사용합니다. ``` aws sagemaker delete-app \ --domain-id example-domain-id \ --region AWS 리전 \ --app-name default \ --app-type example-app-type \ --space-name example-space-name ``` + `example-domain-id`를 가져오려면 다음 지침을 사용합니다. **`example-domain-id`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 관련 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **도메인 ID**를 복사합니다. + `AWS 리전`를 가져오려면 다음 지침을 사용하여 도메인에 맞는 AWS 리전 를 사용하고 있는지 확인합니다. **`AWS 리전`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 관련 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 이 도메인이 관련 도메인인지 확인합니다. 1. SageMaker AI 콘솔의 오른쪽 상단에서 리전 드롭다운 목록을 확장하고 AWS 리전 이름 오른쪽에 있는 해당 AWS 리전 ID를 사용합니다. 예를 들어 `us-west-1`입니다. + `example-app-type`의 경우 중지하려는 애플리케이션과 관련된 애플리케이션 유형을사용합니다. 예를 들어 `example-app-type`를 다음 애플리케이션 유형 중 하나로 바꿉니다. + JupyterLab 애플리케이션 유형: `JupyterLab`. JupyterLab에 대한 자세한 내용은 [SageMaker JupyterLab](studio-updated-jl.md) 섹션을 참조하세요. + 코드 편집기 애플리케이션 유형: `CodeEditor`. Code-OSS, Visual Studio Code - Open Source 기반 코드 편집기에 대한 자세한 내용은 [Amazon SageMaker Studio의 코드 편집기](code-editor.md) 섹션을 참조하세요. + 다음 단계에 따라 `example-space-name`을 가져옵니다. **`example-space-name`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 관련 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. 1. 관련 스페이스 이름을 복사합니다. **SageMaker Canvas**, **Studio Classic** 또는 **RStudio**에 대한 인스턴스 실행을 중지하려면 다음 코드 예제를 사용합니다. ``` aws sagemaker delete-app \ --domain-id example-domain-id \ --region AWS 리전 \ --app-name default \ --app-type example-app-type \ --user-profile example-user-name ``` + `example-app-type`의 경우 중지하려는 애플리케이션과 관련된 애플리케이션 유형을 사용합니다. 예를 들어 `example-app-type`를 다음 애플리케이션 유형 중 하나로 바꿉니다. + SageMaker Canvas 애플리케이션 유형: `Canvas`. SageMaker Canvas에 대한 자세한 내용은 [Amazon SageMaker Canvas](canvas.md) 섹션을 참조하세요. + Studio Classic 애플리케이션 유형: `JupyterServer`. Studio Classic에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. + RStudio 애플리케이션 유형: `RStudioServerPro`. RStudio에 대한 자세한 내용은 [RStudio on Amazon SageMaker AI](rstudio.md) 섹션을 참조하세요. + `example-user-name`를 가져오려면 **도메인 세부 정보** 페이지로 이동합니다. + 그런 다음 **사용자 프로필** 탭을 선택하고 관련 스페이스 이름을 복사합니다. 실행 중인 Studio 애플리케이션을 중지하기 위한 대체 지침은 다음을 참조하세요. + JupyterLab: [미사용 리소스 삭제](studio-updated-jl-admin-guide-clean-up.md). + 코드 편집기: [코드 편집기 리소스 종료](code-editor-use-log-out.md). + SageMaker Canvas: [Amazon SageMaker Canvas에서 로그아웃](canvas-log-out.md). + Studio Classic: [Amazon SageMaker Studio Classic과 앱 종료 및 업데이트](studio-tasks-update.md). + RStudio: [RStudio 종료](rstudio-shutdown.md). ## Studio 스페이스 삭제 **중요** 스페이스를 삭제하면 스페이스에 저장된 모든 데이터가 손실됩니다. 스페이스를 삭제하기 전에 데이터를 백업하는 것이 좋습니다. 관리자 권한이 있거나 최소한 도메인, IAM 및 Amazon S3를 업데이트할 권한이 있어야 Studio 스페이스를 삭제할 수 있습니다. + Spaces는 관련 애플리케이션의 스토리지 및 리소스 요구 사항을 관리하는 데 사용됩니다. 스페이스를 삭제하면 스토리지 볼륨도 삭제됩니다. 따라서 해당 스페이스에 저장된 파일에 대한 액세스 권한이 상실됩니다. Studio 스페이스에 대한 자세한 내용은 [Amazon SageMaker Studio 스페이스](studio-updated-spaces.md) 섹션을 참조하세요. 스페이스를 삭제하기로 선택한 경우 데이터를 백업하는 것이 좋습니다. + 스페이스를 삭제한 후에는 해당 스페이스에 다시 액세스할 수 없습니다. 콘솔의 **스페이스** 섹션에서 볼 수 있는 Studio 스페이스를 삭제할 수 있습니다. 볼 수 있는 스페이스 목록은 [Studio 스페이스 보기](studio-updated-running.md#studio-updated-running-view-space) 섹션을 참조하세요. SageMaker Canvas, Studio Classic(프라이빗) 및 RStudio 에는 스페이스가 없습니다. SageMaker Canvas, Studio Classic(프라이빗) 또는 RStudio 애플리케이션을 중지하고 삭제하려면 [Amazon SageMaker Studio 애플리케이션 중지](#studio-updated-running-stop-app) 섹션을 참조하세요. ### SageMaker AI 콘솔을 사용하여 스페이스 삭제 **도메인 세부** 정보 페이지의 **스페이스** 섹션에는 도메인 내의 Studio 스페이스에 대한 정보가 나와 있습니다. 이 페이지에서 스페이스를 보고, 생성하고, 삭제할 수 있습니다. **도메인에서 Studio 스페이스를 보려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 스페이스를 보려는 도메인을 선택합니다. 1. **도메인 세부 정보 **에서 **스페이스 관리를** 선택하여 **스페이스** 섹션을 엽니다. 1. 삭제할 스페이스를 선택합니다. 1. **삭제**를 선택합니다. 1. **스페이스 삭제**라는 제목의 팝업 상자에는 두 가지 옵션이 있습니다. + 스페이스의 모든 애플리케이션을 이미 종료한 경우 **예, 스페이스 삭제**를 선택합니다. + 스페이스에 여전히 실행 중인 애플리케이션이 있는 경우 **예, 모든 앱을 종료한 다음 스페이스를 삭제**합니다. 1. 필드에 **delete**를 입력하여 삭제를 확인합니다. 1. 스페이스를 삭제하려면 다음 두 가지 옵션이 있습니다. + 스페이스의 모든 애플리케이션을 이미 종료한 경우 **스페이스 삭제**를 선택합니다. + 스페이스에 여전히 실행 중인 애플리케이션이 있는 경우 **모든 앱 종료 및 스페이스 삭제**를 선택합니다. ### 를 사용하여 스페이스 삭제 AWS CLI 를 사용하여 스페이스를 삭제하려면 먼저 스페이스와 연결된 애플리케이션을 삭제 AWS CLI해야 합니다. Studio 애플리케이션 중단에 대한 자세한 내용은 [Amazon SageMaker Studio 애플리케이션 중지](#studio-updated-running-stop-app) 섹션을 참조하세요. 다음 AWS CLI 명령을 사용하여 도메인 내의 스페이스를 삭제합니다. ``` aws sagemaker delete-space \ --domain-id example-domain-id \ --region AWS 리전 \ --space-name example-space-name ``` + `example-domain-id`를 가져오려면 다음 지침을 사용합니다. **`example-domain-id`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 관련 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **도메인 ID**를 복사합니다. + `AWS 리전`를 가져오려면 다음 지침을 사용하여 도메인에 맞는 AWS 리전 를 사용하고 있는지 확인합니다. **`AWS 리전`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 관련 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 이 도메인이 관련 도메인인지 확인합니다. 1. SageMaker AI 콘솔의 오른쪽 상단에서 리전 드롭다운 목록을 확장하고 AWS 리전 이름 오른쪽에 있는 해당 AWS 리전 ID를 사용합니다. 예를 들어 `us-west-1`입니다. + 다음 단계에 따라 `example-space-name`을 가져옵니다. **`example-space-name`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 관련 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **스페이스 관리** 탭을 선택합니다. 1. 관련 스페이스 이름을 복사합니다. # SageMaker Studio 이미지 지원 정책 **중요** 현재 SageMaker Distribution 이미지의 모든 패키지는 Amazon SageMaker AI와 함께 사용할 수 있는 라이선스가 부여되며 추가 상용 라이선스가 필요하지 않습니다. 그러나 향후 변경될 수 있으므로 새로운 내용이 있는지 정기적으로 라이선스 조건을 검토하는 것이 좋습니다. Amazon SageMaker Distribution은 기계 학습, 데이터 과학 및 시각화에 널리 사용되는 프레임워크를 포함하는 SageMaker Studio에서 사용할 수 있는 Docker 이미지 세트입니다. 이미지에는 PyTorch , TensorFlow 및 Keras와 같은 딥 러닝 프레임워크, numpy, scikit-learn 및 pandas와 같은 인기 있는 Python 패키지, Code-OSS, Visual Studio Code - Open Source를 기반으로 하는 JupyterLab 및 Code Editor와 같은 IDEs가 포함됩니다. 배포에는 이러한 모든 패키지의 최신 버전이 포함되어 있어 상호 호환됩니다. 이 페이지에서는 SageMaker Studio의 SageMaker Distribution 이미지에 대한 지원 정책 및 가용성을 자세히 설명합니다. ## 버전 관리, 릴리스 주기 및 지원 정책 아래 표에는 SageMaker Distribution Image 버전의 릴리스 일정과 계획된 지원이 요약되어 있습니다.는 지원되는 이미지 버전에 대한 지속적인 기능 및 보안 업데이트를 AWS 제공합니다. 메이저 버전에 대해 12개월간 새로운 마이너 버전이 릴리스되고 지원되는 마이너 버전은 지속적인 기능과 보안 패치를 받습니다. 경우에 따라 (a) 의미 체계 버전 관리 지침을 유지하면서 보안 문제를 해결할 수 없거나 (b) Python과 같은 주요 종속성이 수명 종료에 도달end-of-life로 지정해야 할 수 있습니다. 필요에 따라 임시 메이저 또는 마이너 버전을 AWS 릴리스합니다. | 버전 | 설명 | 릴리스 케이던스 | 계획된 지원 | | --- | --- | --- | --- | | 메이저 | Amazon SageMaker Distribution의 메이저 버전 릴리스에는 모든 코어 종속성을 최신 호환 버전으로 업그레이드하는 작업이 포함됩니다. 이러한 주요 릴리스는 업데이트의 일부로 패키지를 추가하거나 제거할 수도 있습니다. 메이저 버전은 1.0, 2.0 또는 3.0과 같은 버전 문자열의 첫 번째 숫자로 표시됩니다. | 6개월 | 18개월 | | 마이너 | Amazon SageMaker Distribution의 마이너 버전 릴리스에는 모든 코어 종속성을 동일한 메이저 버전 내에서 호환되는 최신 마이너 버전으로 업그레이드하는 것이 포함됩니다. SageMaker Distribution는 마이너 버전 릴리스 중에 새 패키지를 추가할 수 있습니다. 마이너 버전은 1.1, 1.2 또는 2.1과 같이 버전 문자열의 두 번째 숫자로 표시됩니다. | 한 달 | 6개월 | | 패치 | Amazon SageMaker Distribution의 패치 버전 릴리스에는 모든 코어 종속성을 동일한 마이너 버전 내의 최신 호환 패치 버전으로 업데이트하는 것이 포함됩니다. SageMaker Distribution은 패치 버전 릴리스 중에 패키지를 추가하거나 제거하지 않습니다. 패치 버전은 1.1.1, 1.2.1 또는 2.1.3과 같은 버전 문자열의 세 번째 숫자로 표시됩니다. 패치 버전은 일반적으로 보안 취약성을 해결하기 위해 릴리스되므로, 패치 버전이 사용 가능하게 되면 항상 최신 패치 버전으로 업그레이드하는 것이 좋습니다. | 보안 취약성을 수정하는 데 필요한 만큼 | 새 패치 버전이 릴리스될 때까지 | Amazon SageMaker Distribution의 각 메이저 버전은 18개월 동안 사용할 수 있습니다. 첫 12개월 동안 새로운 마이너 버전이 매월 릴리스됩니다. 나머지 6개월 동안 기존 마이너 버전은 계속 지원됩니다. ## 지원되는 이미지 버전 아래 표에는 지원되는 SageMaker Distribution 이미지 버전, 계획된 지원 종료일 및 SageMaker Studio에서의 가용성이 나와 있습니다. 지원이 계획된 지원 종료일보다 빨리 종료되는 이미지 버전의 경우 지정된 가용 날짜까지 Studio에서 버전을 계속 사용할 수 있습니다. 이미지를 사용하여 최대 90일 동안 또는 Studio의 가용 날짜 중 먼저 도래하는 날짜까지 애플리케이션을 시작할 수 있습니다. 이러한 사례에 대한 자세한 내용은에 문의하십시오 지원. 최신 지원 버전으로 가능한 한 빨리 마이그레이션하여 지속적인 기능 및 보안 업데이트를 받을 수 있습니다. SageMaker Studio에서 이미지 버전을 선택할 때는 아래 표에서 지원되는 이미지 버전을 선택하는 것이 좋습니다. ### 지원되는 메이저 버전 다음 표에는 지원되는 SageMaker Distribution 메이저 이미지 버전이 나열되어 있습니다. | 이미지 버전 | 마지막 마이너 버전 릴리스 | 다음 날짜까지 지원됨 | 설명 | | --- | --- | --- | --- | | 1.x.x | 2025년 4월 30일 | 2025년 10월 30일 | SageMaker Distribution 메이저 버전 1은 Python 3.10으로 빌드됩니다. | | 2.x.x | 2025년 8월 25일 | 2026년 2월 25일 | SageMaker Distribution 메이저 버전 2는 Python 3.11로 빌드됩니다. | | 3.x.x | 2026년 3월 29일 | 2026년 9월 29일 | SageMaker Distribution 메이저 버전 3은 Python 3.12로 구축됩니다. | ### CPU 이미지 마이너 버전 다음 표에는 CPU에 지원되는 SageMaker Distribution 마이너 이미지 버전이 나열되어 있습니다. | 이미지 버전 | Amazon ECR 이미지 URI | 계획된 지원 종료일 | 다음 날짜까지 Studio에서 사용 가능 | 릴리스 노트 | | --- | --- | --- | --- | --- | | 3.1.x | public.ecr.aws/sagemaker/sagemaker-distribution:3.1-cpu | 2025년 11월 19일 | 2025년 11월 19일 | [릴리스 정보](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) | | 3.0.x | public.ecr.aws/sagemaker/sagemaker-distribution:3.0-cpu | 2025년 6월 30일 | 2025년 9월 29일 | [릴리스 정보](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) | | 2.6.x | public.ecr.aws/sagemaker/sagemaker-distribution:2.6-cpu | 2025년 6월 30일 | 2025년 10월 28일 | [릴리스 정보](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) | ### GPU 이미지 마이너 버전 다음 표에는 GPU에 지원되는 SageMaker Distribution 마이너 이미지 버전이 나열되어 있습니다. | 이미지 버전 | Amazon ECR 이미지 URI | 계획된 지원 종료일 | 다음 날짜까지 Studio에서 사용 가능 | 최신 패치에 대한 릴리스 정보 | | --- | --- | --- | --- | --- | | 3.1.x | public.ecr.aws/sagemaker/sagemaker-distribution:3.1-gpu | 2025년 11월 19일 | 2025년 11월 19일 | [릴리스 정보](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) | | 3.0.x | public.ecr.aws/sagemaker/sagemaker-distribution:3.0-gpu | 2025년 6월 30일 | 2025년 9월 29일 | [릴리스 정보](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) | | 2.6.x | public.ecr.aws/sagemaker/sagemaker-distribution:2.6-gpu | 2025년 6월 30일 | 2025년 10월 28일 | [릴리스 정보](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) | ### 지원되지 않는 이미지 다음 표에는 지원되지 않는 SageMaker Distribution 이미지 버전이 나열되어 있습니다. | 이미지 버전 | Amazon ECR 이미지 URI | 지원 종료일 | 다음 날짜까지 Studio에서 사용 가능 | | --- | --- | --- | --- | | 2.4.x | public.ecr.aws/sagemaker/sagemaker-distribution:2.4-cpu public.ecr.aws/sagemaker/sagemaker-distribution:2.4-cpu | 2025년 9월 7일 | 2025년 9월 7일 | | 2.3.x | public.ecr.aws/sagemaker/sagemaker-distribution:2.3-cpu public.ecr.aws/sagemaker/sagemaker-distribution:2.3-cpu | 2025년 7월 27일 | 2025년 7월 27일 | | 2.2.x | public.ecr.aws/sagemaker/sagemaker-distribution:2.2-cpu public.ecr.aws/sagemaker/sagemaker-distribution:2.2-gpu | 2025년 5월 15일 | 2025년 5월 15일 | | 2.1.x | public.ecr.aws/sagemaker/sagemaker-distribution:2.1-cpu public.ecr.aws/sagemaker/sagemaker-distribution:2.1-gpu | 2025년 4월 25일 | 2025년 5월 12일 | | 2.0.x | public.ecr.aws/sagemaker/sagemaker-distribution:2.0-cpu public.ecr.aws/sagemaker/sagemaker-distribution:2.0gpu | 2025년 2월 15일 | 2025년 4월 21일 | | 1.13.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.13-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.13-gpu | 2025년 5월 15일 | 2025년 9월 20일 | | 1.12.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.12-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.12-gpu | 2025년 7월 23일 | 2025년 7월 23일 | | 1.11.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.11-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.11gpu | 2025년 4월 1일 | 2025년 5월 12일 | | 1.10.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.10-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.10gpu | 2025년 2월 15일 | 2025년 4월 10일 | | 1.9.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.9-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.9gpu | 2025년 1월 15일 | 2025년 4월 10일 | | 1.8.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.8-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.8gpu | 2024년 12월 31일 | 2025년 4월 10일 | | 1.7.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.7-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.7gpu | 2024년 12월 15일 | 2025년 4월 10일 | | 1.6.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.6-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.6gpu | 2024년 12월 15일 | 2025년 4월 10일 | | 1.5.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.5-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.5gpu | 2024년 10월 31일 | 2024년 11월 1일 | | 1.4.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.4-cpu public.ecr.aws/sagemaker/sagemaker-distribution:1.4gpu | 2024년 10월 31일 | 2024년 11월 1일 | | 1.3.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.3-cpu | 2024년 6월 28일 | 2024년 10월 18일 | | 1.2.x | public.ecr.aws/sagemaker/sagemaker-distribution:1.2-cpu | 2024년 6월 28일 | 2024년 10월 18일 | ### 자주 묻는 질문(FAQ) **메이저 이미지 버전 릴리스의 구성 요소는 무엇입니까?** 메이저 이미지 버전은 6개월마다 릴리스됩니다. Amazon SageMaker Distribution용 메이저 이미지 버전 릴리스에는 모든 코어 종속성을 최신 호환 버전으로 업그레이드하는 작업이 포함되며 패키지 추가 또는 제거가 포함될 수 있습니다. Python 프레임워크는 새 메이저 버전 릴리스로만 업그레이드됩니다. 예를 들어, 메이저 버전 2 릴리스에서는 Python 프레임워크가 3.10에서 3.11로 업그레이드되었고, PyTorch가 2.0에서 2.3으로 업그레이드되었으며, TensorFlow가 2.14에서 2.17로 업그레이드되었고, Autogluon이 0.8에서 1.1로 업그레이드되었고, 4개의 패키지가 이미지에 추가되었습니다. **마이너 이미지 버전 릴리스의 구성 요소는 무엇입니까?** 마이너 이미지 버전은 지원되는 모든 메이저 버전에 대해 매월 릴리스됩니다. Amazon SageMaker Distribution용 마이너 이미지 버전 릴리스에는 Python 및 CUDA를 제외한 모든 코어 종속성을 동일한 메이저 버전 내에서 호환되는 최신 마이너 버전으로 업그레이드하는 작업이 포함되며 새 패키지 추가가 포함될 수 있습니다. 예를 들어 마이너 버전 릴리스의 경우 언어 체인을 0.1에서 0.2로 업그레이드하고 jupyter-ai를 2.18에서 2.20으로 업그레이드할 수 있습니다. **패치 이미지 버전 릴리스의 구성 요소는 무엇입니까?** 패치 이미지 버전은 보안 취약성을 수정하기 위해 필요에 따라 릴리스됩니다. Amazon SageMaker Distribution용 패치 이미지 버전 릴리스에는 모든 코어 종속성을 동일한 마이너 버전 내에서 호환되는 최신 패치 버전으로 업데이트하는 작업이 포함됩니다. SageMaker Distribution은 패치 버전 릴리스 중에 패키지를 추가하거나 제거하지 않습니다. 예를 들어 패치 버전 릴리스를 사용하면 matplotlib을 3.9.1에서 3.9.2로 업그레이드하고 boto3을 1.34.131에서 1.34.162로 업그레이드할 수 있습니다. **특정 이미지 버전에서 사용할 수 있는 패키지는 어디에서 찾을 수 있나요?** 각 이미지 버전에는 [GitHub 리포지토리](https://github.com/aws/sagemaker-distribution)의 `build_artifacts` 폴더에 CPU 및 GPU 이미지에 대한 모든 패키지 및 패키지 버전을 보여주는 `release.md` 파일이 있습니다. CPU 및 GPU 버전에 대한 별도의 체인지로그 파일은 패키지 업그레이드를 자세히 설명합니다. 체인지로그는 새 이미지 버전을 이전 버전과 비교합니다. 예를 들어 버전 1.9.0은 최신 패치 버전 1.8과 비교되고, 버전 1.9.1은 1.9.0과 비교되며, 버전 2.0.0은 당시 사용 가능한 최신 마이너 버전의 최신 패치 버전과 비교됩니다. **일반적인 취약성 및 노출(CVE)에 대해 이미지를 어떻게 스캔하나요?** Amazon SageMaker AI는 [Amazon Elastic Container Registry(Amazon ECR) 고급 스캔을](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-scanning-enhanced.html) 활용하여 SageMaker 배포 이미지에 대한 취약성 및 수정 사항을 자동으로 감지합니다. AWS 는 지원되는 모든 이미지 버전의 최신 패치 버전에 대해 ECR 고급 스캔을 지속적으로 실행합니다. 취약성이 감지되고 수정 사항을 사용할 수 있는 경우는 업데이트된 이미지 버전을 AWS 릴리스하여 문제를 해결합니다. **이미지가 더 이상 지원되지 않은 후에도 이전 이미지를 계속 사용할 수 있나요?** 이미지는 지정된 가용 날짜까지 SageMaker Studio에서 사용할 수 있습니다. 이전 이미지는 지원 종료 후에도 ECR에서 사용할 수 있으며 Studio에서 제거됩니다. ECR에서 이전 이미지 버전을 다운로드하고 [사용자 지정 SageMaker 이미지를 생성](studio-byoi-create.md)할 수 있습니다. 그러나 보안 업데이트와 버그 수정을 지속적으로 수신하는 지원되는 이미지 버전으로 업그레이드하는 것이 좋습니다. 자체 사용자 지정 이미지를 빌드하는 고객은 이미지를 스캔하고 패치할 책임이 있습니다. 자세한 내용은 [AWS 공동 책임 모델](https://aws.amazon.com/compliance/shared-responsibility-model/)을 참조하세요. **중요** SageMaker Distribution v0.x.y는 Studio Classic에서만 사용됩니다. SageMaker Distribution v1.x.y는 JupyterLab 에서만 사용됩니다. # Amazon SageMaker Studio 요금 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. Amazon SageMaker Studio UI 사용에 따르는 추가 요금은 없습니다.  다음과 같은 경우 비용이 발생합니다. + 애플리케이션과 함께 탑재되는 Amazon Elastic Block Store 또는 Amazon Elastic File System 볼륨입니다. + 사용자가 Studio 애플리케이션에서 시작하는 모든 작업 및 리소스입니다. + 애플리케이션에서 리소스 또는 작업이 시작되지 않은 경우에도 JupyterLab 애플리케이션을 시작합니다. Amazon SageMaker Studio 청구 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic 요금](studio-pricing.md) 섹션을 참조하세요. 요금 예와 함께 청구에 대한 내용은 [Amazon SageMaker 요금](https://aws.amazon.com//sagemaker/pricing/)을 참조하세요. # 문제 해결 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 업데이트된 Studio 환경 사용에 해당합니다. Studio Classic 애플리케이션 사용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 생성할 수 있도록 허용하는 사용자 지정 IAM 정책도 해당 리소스에 태그를 추가할 수 있는 권한을 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 생성할 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 생성하는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. 이 섹션에서는 Amazon SageMaker Studio에서 일반적인 문제를 해결하는 방법을 보여줍니다. ## 복구 모드 복구 모드를 사용하면 구성 문제로 인해 정상적인 시작이 불가능한 경우 Studio 애플리케이션에 액세스할 수 있습니다. 문제를 진단하고 해결하는 데 도움이 되는 필수 기능을 갖춘 간소화된 환경을 제공합니다. 애플리케이션이 시작에 실패하면 다음 구성 문제 중 하나를 해결하기 위해 복구 모드 액세스하라는 오류 메시지가 표시될 수 있습니다. + [https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html](https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html) 파일이 손상되었습니다. `.condarc` 파일 문제 해결에 대한 자세한 내용은 *Conda 사용 설명서*의 [Troubleshooting](https://docs.conda.io/projects/conda/en/latest/user-guide/troubleshooting.html) 페이지를 참조하세요. + 사용 가능한 스토리지 볼륨이 부족합니다. 애플리케이션에 사용할 수 있는 Amazon EBS 스페이스 스토리지를 늘리거나 복구 모드로 전환하여 불필요한 데이터를 제거할 수 있습니다. Amazon EBS 볼륨 크기 증가에 대한 자세한 내용은 *Service Quotas 개발자 안내서*의 [할당량 크기 요청](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html)을 참조하세요. 복구 모드에서: + 홈 디렉터리는 일반적인 시작과 다릅니다. 이 디렉터리는 임시이며 표준 홈 디렉터리의 손상된 구성이 복구 모드 작업에 영향을 주지 않도록 합니다. `cd /home/sagemaker-user` 명령을 사용하여 표준 홈 디렉터리로 이동할 수 있습니다. + 표준 모드: `/home/sagemaker-user` + 복구 모드: `/tmp/sagemaker-recovery-mode-home` + conda 환경은 필수 패키지만 있는 최소 기본 conda 환경을 사용합니다. 간소화된 conda 설정은 환경 관련 문제를 격리하고 문제 해결을 위한 기본 기능을 제공합니다. Studio UI 또는를 사용하여 복구 모드에서 애플리케이션에 AWS CLI 액세스할 수 있습니다. ### Studio UI를 사용하여 복구 모드에서 애플리케이션에 액세스 다음은 복구 모드에서 애플리케이션에 액세스하는 방법에 대한 지침을 제공합니다. 1. 아직 시작하지 않았으면 [Amazon SageMaker AI 콘솔에서 시작](studio-updated-launch.md#studio-updated-launch-console)의 지침에 따라 Studio UI를 시작합니다. 1. 왼쪽 탐색 메뉴의 **애플리케이션**에서 애플리케이션을 선택합니다. 1. 구성 문제가 있는 스페이스를 선택합니다. 앞서 언급한 구성 문제가 하나 이상 있는 경우 다음 단계를 사용할 수 있습니다. 이 경우 경고 배너와 **복구 모드** 메시지가 표시됩니다. **참고** 경고 배너에는 문제에 대한 권장 솔루션이 있을 것입니다. 계속하기 전에 기록해 둡니다. 1. **스페이스 실행(복구 모드)**을 선택합니다. 1. 복구 모드에서 애플리케이션에 액세스하려면 ***애플리케이션* 열기(복구 모드)**를 선택합니다. ### AWS CLI 를 사용하여 복구 모드에서 애플리케이션에 액세스 복구 모드에서 애플리케이션에 액세스하려면 [create-app](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-app.html) AWS CLI 명령`--recovery-mode`에를 추가해야 합니다. 다음은 복구 모드에서 애플리케이션에 액세스하는 방법에 대한 예시입니다. 이 예시에서는 다음이 필요합니다. + *domain-id* 도메인 세부 정보를 확인하려면 [도메인 보기](domain-view.md) 섹션을 참조하세요. + *space-name* 도메인과 연결된 스페이스 이름을 확인하려면 [AWS CLI 를 사용하여 도메인의 SageMaker AI 스페이스 보기](sm-console-domain-resources-view.md#sm-console-domain-resources-view-spaces-cli) 섹션을 참조하세요. + *app-name* 애플리케이션의 이름입니다. 애플리케이션을 보려면 [AWS CLI 를 사용하여 도메인에서 SageMaker AI 애플리케이션 보기](sm-console-domain-resources-view.md#sm-console-domain-resources-view-apps-cli) 섹션을 참조하세요. ------ #### [ Access Code Editor application in recovery mode ] ``` aws sagemaker create-app \ --app-name app-name \ --app-type CodeEditor \ --domain-id domain-id \ --space-name space-name \ --recovery-mode ``` ------ #### [ Access JupyterLab application in recovery mode ] ``` aws sagemaker create-app \ --app-name app-name \ --app-type JupyterLab \ --domain-id domain-id \ --space-name space-name \ --recovery-mode ``` ------ ## Code Editor 또는 JupyterLab 애플리케이션을 삭제할 수 없음 이 문제는 사용자가 Amazon SageMaker Studio에서 Studio에서만 사용할 수 있는 애플리케이션을 생성한 다음, 기본 경험을 Studio Classic 경험으로 되돌릴 때 발생합니다. 그 결과, 사용자는 Studio UI에 액세스할 수 없으므로 Code-OSS, Visual Studio Code - Open Source 또는 JupyterLab을 기반으로 Code Editor에 대한 애플리케이션을 삭제할 수 없습니다. 이 문제를 해결하려면 ()를 사용하여 애플리케이션을 수동으로 삭제할 수 있도록 관리자에게 알립니다 AWS Command Line Interface AWS CLI. ## EC2InsufficientCapacityError 이 문제는 스페이스를 실행하려고 하는데 현재 요청을 이행할 수 있는 온디맨드 용량이 충분하지 AWS 않을 때 발생합니다. 다음을 완료하여 문제를 해결하세요. + 몇 분 정도 기다린 후 다시 요청을 제출합니다. 용량은 자주 변할 수 있습니다. + 대체 인스턴스 크기 또는 유형으로 스페이스를 실행합니다. **참고** 용량은 다른 가용 영역에서 사용할 수 있습니다. 사용자의 용량 가용성을 극대화하려면 모든 가용 영역에 서브넷을 설정하는 것이 좋습니다. Studio는 도메인에 사용 가능한 모든 가용 영역을 재시도합니다. 인스턴스 유형 가용성은 리전마다 다릅니다. 지원되는 인스턴스 유형의 목록은 [Amazon SageMaker AI pricing](https://aws.amazon.com/sagemaker/pricing/)을 참조하세요. 다음 표에는 인스턴스 패밀리와 권장 대안이 나열되어 있습니다. | 인스턴스 패밀리 | CPU 유형 | vCPU | 메모리(GiB) | GPU 유형 | GPU | GPU 메모리(GiB) | 권장 대안 | | --- | --- | --- | --- | --- | --- | --- | --- | | G4dn | 2세대 인텔 제온 스케일러블 프로세서 | 4\$196 | 16\$1384 | NVIDIA T4 Tensor Core | 1\$18 | GPU당 16 | G6 | | G5 | 2세대 AMD EPYC 프로세서 | 4\$1192 | 16\$1768 | NVIDIA A10G Tensor Core | 1\$18 | GPU당 24 | G6e | | G6 | 3세대 AMD EPYC 프로세서 | 4\$1192 | 16\$1768 | NVIDIA L4 Tensor Core | 1\$18 | GPU당 24 | G4dn | | G6e | 3세대 AMD EPYC 프로세서 | 4\$1192 | 32\$11,536 | NVIDIA L40S Tensor Core | 1\$18 | GPU당 48 | G5, P4 | | P3 | 인텔 제온 스케일러블 프로세서 | 8\$196 | 61\$1768 | NVIDIA Tesla V100 | 1\$18 | GPU당 16(P3dn의 경우 GPU당 32) | G6e, P4 | | P4 | 2세대 인텔 제온 스케일러블 프로세서 | 96 | 1152 | NVIDIA A100 Tensor Core | 8 | 320(P4de의 경우 640) | G6e | | P5 | 3세대 AMD EPYC 프로세서 | 192 | 2000 | NVIDIA H100 Tensor Core | 8 | 640 | P4de | ## 제한 부족(할당량 증가 필요) 이 문제는 스페이스를 실행하려고 할 때 다음 오류가 나타날 경우 발생합니다. ``` Error when creating application for space: ... : The account-level service limit is X Apps, with current utilization Y Apps and a request delta of 1 Apps. Please use Service Quotas to request an increase for this quota. ``` 각 AWS 리전에서 인스턴스 유형마다 실행할 수 있는 인스턴스 수에 기본 한도가 있습니다. 이 오류는 그 한도에 도달했음을 의미합니다. 이 문제를 해결하려면 스페이스를 AWS 리전 시작하는에 대한 인스턴스 제한 증가를 요청합니다. 자세한 내용은 [할당량 증가 요청](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html)을 참조하세요. ## 사용자 지정 이미지 로드 실패 이 문제는 도메인에서 이미지를 분리하기 전에 SageMaker AI 이미지가 삭제될 때 발생합니다. 이는 도메인의 **환경** 탭을 볼 때 확인할 수 있습니다. 이 문제를 해결하려면 삭제된 이미지와 동일한 이름으로 새 임시 이미지를 생성하고 이미지를 분리한 다음 임시 이미지를 삭제해야 합니다. 단계별 안내는 다음 지침을 따르세요. 1. 아직 시작하지 않았다면 [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker)을 시작합니다. 1. 왼쪽 탐색 메뉴의 **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인을 선택합니다. 1. **환경** 탭을 선택합니다. 이 페이지에 오류 메시지가 표시됩니다. 1. 이미지 ARN에서 이미지 이름을 복사합니다. 1. 왼쪽 탐색 메뉴의 **관리자 구성**에서 **이미지**를 선택합니다. 1. **이미지 생성**을 선택합니다. 1. 절차의 단계를 따르되 이미지 이름을 위의 이미지 이름과 동일하게 합니다. Amazon ECR 디렉터리에 이미지가 없는 경우 [사용자 지정 이미지를 생성하고 Amazon ECR로 푸시](studio-updated-byoi-how-to-prepare-image.md)의 지침을 참조하세요. 1. SageMaker AI 이미지를 생성했으면 도메인 **환경** 탭으로 돌아갑니다. 도메인에 연결된 이미지가 표시됩니다. 1. 이미지를 선택하고 **분리**를 선택합니다. 1. 지침에 따라 임시 SageMaker AI 이미지를 분리하고 삭제합니다. # Amazon SageMaker Studio Classic에서 마이그레이션 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 생성할 수 있도록 허용하는 사용자 지정 IAM 정책도 해당 리소스에 태그를 추가할 수 있는 권한을 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)는 SageMaker 리소스를 생성할 수 있는 권한을 부여합니다. 여기에는 해당 리소스를 생성하는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. Amazon SageMaker Studio를 열면 웹 기반 UI는 선택한 기본 환경을 기반으로 합니다. Amazon SageMaker AI는 현재 Amazon SageMaker Studio 경험과 Amazon SageMaker Studio Classic 경험이라는 두 가지 기본 경험을 지원합니다. 최신 Amazon SageMaker Studio 기능에 액세스하려면 Amazon SageMaker Studio Classic 환경에서 기존 도메인을 마이그레이션해야 합니다. 기본 환경을 Studio Classic에서 Studio로 마이그레이션하면 기능을 잃지 않으며 Studio 내에서 Studio Classic IDE에 액세스할 수 있습니다. Studio 환경의 추가 이점에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. **참고** 2023년 11월 30일 이전에 계정을 생성한 기존 고객의 경우 Studio Classic이 기본 환경일 수 있습니다. AWS Command Line Interface (AWS CLI) 또는 Amazon SageMaker AI 콘솔을 사용하여 Studio를 기본 환경으로 활성화할 수 있습니다. Studio Classic에 대한 자세한 내용은 [Amazon SageMaker Studio Classic](studio.md) 섹션을 참조하세요. 2023년 11월 30일 이후에 계정을 생성한 고객의 경우 Studio Classic IDE 및 기타 새로운 기능을 비롯한 다양한 통합 개발 환경(IDE)이 포함되어 있으므로 Studio를 기본 환경으로 사용하는 것이 좋습니다. JupyterLab 3는 2024년 5월 15일에 유지 관리 종료일에 도달했습니다. 2024년 12월 31일 이후에는 JupyterLab 3에서만 제한된 기간 동안 새 Studio Classic 노트북을 생성할 수 있습니다. 하지만 2024년 12월 31일 이후 SageMaker AI는 JupyterLab 3의 Studio Classic 노트북에서 중요한 문제에 대한 수정 사항을 더 이상 제공하지 않습니다. JupyterLab 4를 지원하는 새 Studio 환경으로 워크로드를 마이그레이션하는 것이 좋습니다. + Studio가 기본 환경인 경우 UI는 [Amazon SageMaker Studio UI 개요](studio-updated-ui.md)에 있는 이미지와 유사합니다. + Studio Classic이 기본 환경인 경우 UI는 [Amazon SageMaker Studio Classic UI 개요](studio-ui.md)에 있는 이미지와 유사합니다. 마이그레이션하려면 기존 도메인을 업데이트해야 합니다. 기존 도메인을 Studio Classic에서 Studio로 마이그레이션하려면 세 가지 단계가 필요합니다. 1. **UI를 Studio Classic에서 Studio로 마이그레이션:** 기존 도메인의 UI를 Studio Classic에서 Studio로 마이그레이션하기 전에 Studio가 조직의 네트워크 구성을 준수하는지 확인하기 위해 테스트 도메인을 생성해야 하는 일회성 로우 리프트 작업입니다. 1. **(선택 사항) 사용자 지정 이미지 및 수명 주기 구성 스크립트 마이그레이션**: 사용자 지정 이미지 및 LCC 스크립트를 Studio Classic에서 Studio로 마이그레이션하기 위한 중간 리프트 작업입니다. 1. **(선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션**: AWS DataSync 를 사용하여 Studio Classic Amazon Elastic File System 볼륨에서 대상 Amazon EFS 또는 Amazon Elastic Block Store 볼륨으로 데이터를 마이그레이션해야 하는 헤비 리프트 작업입니다. 1. **(선택 사항) Studio Classic의 Data Wrangler에서 데이터 흐름 마이그레이션**: Studio Classic의 Data Wrangler에서 Studio로 데이터 흐름을 마이그레이션하기 위한 일회성 로우 리프트 작업으로, SageMaker Canvas를 통해 최신 버전의 Studio에서 액세스할 수 있습니다. 자세한 내용은 [Data Wrangler에서 데이터 흐름 마이그레이션](studio-updated-migrate-data.md#studio-updated-migrate-flows) 섹션을 참조하세요. 다음 주제에서는 이러한 단계를 완료하여 기존 도메인을 Studio Classic에서 Studio로 마이그레이션하는 방법을 보여줍니다. ## 자동 마이그레이션 2024년 7월부터 2024년 8월까지 사용자의 기본 랜딩 환경을 새로운 Studio 환경으로 자동 업그레이드합니다. 이렇게 하면 기본 랜딩 UI만 업데이트된 Studio UI로 변경됩니다. Studio Classic 애플리케이션은 여전히 새 Studio UI에서 액세스할 수 있습니다. 마이그레이션이 사용자에게 성공적으로 작동하는지 확인하려면 [UI를 Studio Classic에서 Studio로 마이그레이션](studio-updated-migrate-ui.md) 섹션을 참조하세요. 특히 다음을 확인합니다. + 도메인의 실행 역할에 올바른 권한이 있는 경우 + 기본 랜딩 환경이 Studio로 설정됨 + 해당하는 경우 도메인의 Amazon VPC는 Studio VPC 엔드포인트를 사용하여 Studio로 구성됩니다. 그러나 제한된 시간 동안 Studio Classic을 기본 UI로 계속 사용해야 하는 경우 랜딩 환경을 Studio Classic으로 명시적으로 설정합니다. 자세한 내용은 [Studio Classic을 기본 환경으로 설정](studio-updated-migrate-ui.md#studio-updated-migrate-revert) 단원을 참조하십시오. **Topics** + [ ## 자동 마이그레이션 ](#studio-updated-migrate-auto) + [ # Studio 환경을 마이그레이션하기 위한 사전 조건 완료 ](studio-updated-migrate-prereq.md) + [ # UI를 Studio Classic에서 Studio로 마이그레이션 ](studio-updated-migrate-ui.md) + [ # (선택 사항) 사용자 지정 이미지 및 수명 주기 구성 마이그레이션 ](studio-updated-migrate-lcc.md) + [ # (선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션 ](studio-updated-migrate-data.md) # Studio 환경을 마이그레이션하기 위한 사전 조건 완료 Studio Classic에서 Studio로 기본 환경 마이그레이션은 기존 도메인의 관리자가 관리합니다. Studio를 기존 도메인의 기본 환경으로 설정할 권한이 없는 경우 관리자에게 문의하세요. 기본 환경을 마이그레이션하려면 관리자 권한이 있거나 최소한 기존 도메인(IAM) 및 Amazon Simple Storage Service AWS Identity and Access Management (Amazon S3)를 업데이트할 권한이 있어야 합니다. 기존 도메인을 Studio Classic에서 Studio로 마이그레이션하기 전에 다음 사전 조건을 완료합니다. + 마이그레이션을 완료하는 데 사용되는 AWS Identity and Access Management 역할에는 최소한 다음 권한이 연결된 정책이 있어야 합니다. IAM 정책 생성에 대한 자세한 내용은 [IAM 정책 생성](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html)을 참조하세요. **참고** Studio 릴리스에는 AWS 관리형 정책에 대한 업데이트가 포함되어 있습니다. 자세한 내용은 [AWS 관리형 정책에 대한 SageMaker AI 업데이트](security-iam-awsmanpol.md#security-iam-awsmanpol-updates) 단원을 참조하십시오. + 1단계 필수 권한: + `iam:CreateServiceLinkedRole` + `iam:PassRole` + `sagemaker:DescribeDomain` + `sagemaker:UpdateDomain` + `sagemaker:CreateDomain` + `sagemaker:CreateUserProfile` + `sagemaker:ListApps` + `sagemaker:AddTags` + `sagemaker:DeleteApp` + `sagemaker:DeleteSpace` + `sagemaker:UpdateSpace` + `sagemaker:DeleteUserProfile` + `sagemaker:DeleteDomain` + `s3:PutBucketCORS` + 2단계 필수 권한(선택 사항, 수명 주기 구성 스크립트를 사용하는 경우에만 해당): 추가 권한은 필요하지 않습니다. 기존 도메인에 수명 주기 구성과 사용자 지정 이미지가 있는 경우 관리자는 이미 필요한 권한을 갖게 됩니다. + 사용자 지정 Amazon Elastic File System 필수 권한을 사용하는 3단계(선택 사항, 데이터를 전송하는 경우에만 해당): + `efs:CreateFileSystem` + `efs:CreateMountTarget` + `efs:DescribeFileSystems` + `efs:DescribeMountTargets` + `efs:DescribeMountTargetSecurityGroups` + `efs:ModifyMountTargetSecurityGroups` + `ec2:DescribeSubnets` + `ec2:DescribeSecurityGroups` + `ec2:DescribeNetworkInterfaceAttribute` + `ec2:DescribeNetworkInterfaces` + `ec2:AuthorizeSecurityGroupEgress` + `ec2:AuthorizeSecurityGroupIngress` + `ec2:CreateNetworkInterface` + `ec2:CreateNetworkInterfacePermission` + `ec2:RevokeSecurityGroupIngress` + `ec2:RevokeSecurityGroupEgress` + `ec2:DeleteSecurityGroup` + `datasync:CreateLocationEfs` + `datasync:CreateTask` + `datasync:StartTaskExecution` + `datasync:DeleteTask` + `datasync:DeleteLocation` + `sagemaker:ListUserProfiles` + `sagemaker:DescribeUserProfile` + `sagemaker:UpdateDomain` + `sagemaker:UpdateUserProfile` + Amazon Simple Storage Service 필수 권한을 사용하는 3단계(선택 사항, 데이터를 전송하는 경우에만 해당): + `iam:CreateRole` + `iam:GetRole` + `iam:AttachRolePolicy` + `iam:DetachRolePolicy` + `iam:DeleteRole` + `efs:DescribeFileSystems` + `efs:DescribeMountTargets` + `efs:DescribeMountTargetSecurityGroups` + `ec2:DescribeSubnets` + `ec2:CreateSecurityGroup` + `ec2:DescribeSecurityGroups` + `ec2:DescribeNetworkInterfaces` + `ec2:CreateNetworkInterface` + `ec2:CreateNetworkInterfacePermission` + `ec2:DetachNetworkInterfaces` + `ec2:DeleteNetworkInterface` + `ec2:DeleteNetworkInterfacePermission` + `ec2:CreateTags` + `ec2:AuthorizeSecurityGroupEgress` + `ec2:AuthorizeSecurityGroupIngress` + `ec2:RevokeSecurityGroupIngress` + `ec2:RevokeSecurityGroupEgress` + `ec2:DeleteSecurityGroup` + `datasync:CreateLocationEfs` + `datasync:CreateLocationS3` + `datasync:CreateTask` + `datasync:StartTaskExecution` + `datasync:DescribeTaskExecution` + `datasync:DeleteTask` + `datasync:DeleteLocation` + `sagemaker:CreateStudioLifecycleConfig` + `sagemaker:UpdateDomain` + `s3:ListBucket` + `s3:GetObject` + 다음 중 하나의 터미널 환경에서 AWS 서비스에 액세스할 수 있습니다. + AWS CLI 버전을 사용하는 로컬 시스템입니다`2.13+`. 다음 명령을 사용하여 AWS CLI 버전을 확인합니다. ``` aws --version ``` + AWS CloudShell. 자세한 내용은 [란 무엇입니까 AWS CloudShell?](https://docs.aws.amazon.com/cloudshell/latest/userguide/welcome.html)를 참조하세요. + 로컬 시스템 또는에서 다음 명령을 AWS CloudShell실행하고 자격 AWS 증명을 제공합니다. 자격 AWS 증명에 대한 자세한 내용은 [AWS 자격 증명 이해 및 가져오기를 참조하세요](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds.html). ``` aws configure ``` + 경량 JSON 프로세서 jq가 터미널 환경에 설치되어 있는지 확인합니다. jq는 AWS CLI 응답을 구문 분석하는 데 필요합니다. ``` jq --version ``` jq가 설치되어 있지 않은 경우 다음 명령을 사용하여 설치합니다. + ``` sudo apt-get install -y jq ``` + ``` sudo yum install -y jq ``` # UI를 Studio Classic에서 Studio로 마이그레이션 기존 도메인을 마이그레이션하는 첫 번째 단계는 UI를 Amazon SageMaker Studio Classic에서 Amazon SageMaker Studio로 마이그레이션하는 것입니다. 이 단계에는 데이터 마이그레이션이 포함되지 않습니다. 사용자는 마이그레이션 전과 동일한 방식으로 데이터를 계속 사용할 수 있습니다. 데이터 마이그레이션에 대한 내용은 [(선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션](studio-updated-migrate-data.md) 섹션을 참조하세요. 1단계는 다음 단계로 구성됩니다. 1. Studio에서 사용할 수 있는 새 애플리케이션에 대한 애플리케이션 생성 권한을 업데이트합니다. 1. 도메인의 VPC 구성을 업데이트합니다. 1. Studio UI를 사용하도록 도메인을 업그레이드합니다. ## 사전 조건 이러한 단계를 실행하기 전에 [Studio 환경을 마이그레이션하기 위한 사전 조건 완료](studio-updated-migrate-prereq.md)의 사전 조건을 완료합니다. ## 1단계: 애플리케이션 생성 권한 업데이트 도메인을 마이그레이션하기 전에 도메인의 실행 역할을 업데이트하여 사용자에게 애플리케이션을 생성할 수 있는 권한을 부여합니다. 1. IAM AWS Identity and Access Management 정책 생성의 단계에 따라 다음 내용 중 하나를 사용하여 정책을 생성합니다. [https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html) + 다음 정책을 사용하여 모든 애플리케이션 유형 및 공백에 대한 권한을 부여합니다. **참고** 도메인이 `SageMakerFullAccess` 정책을 사용하는 경우 이 작업을 수행할 필요가 없습니다. `SageMakerFullAccess`는 모든 애플리케이션을 생성할 수 있는 권한을 부여합니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "SMStudioUserProfileAppPermissionsCreateAndDelete", "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } }, { "Sid": "SMStudioCreatePresignedDomainUrlForUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreatePresignedDomainUrl" ], "Resource": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}" }, { "Sid": "SMStudioAppPermissionsListAndDescribe", "Effect": "Allow", "Action": [ "sagemaker:ListApps", "sagemaker:ListDomains", "sagemaker:ListUserProfiles", "sagemaker:ListSpaces", "sagemaker:DescribeApp", "sagemaker:DescribeDomain", "sagemaker:DescribeUserProfile", "sagemaker:DescribeSpace" ], "Resource": "*" }, { "Sid": "SMStudioAppPermissionsTagOnCreate", "Effect": "Allow", "Action": [ "sagemaker:AddTags" ], "Resource": "arn:aws:sagemaker:us-east-1:111122223333:*/*", "Condition": { "Null": { "sagemaker:TaggingAction": "false" } } }, { "Sid": "SMStudioRestrictSharedSpacesWithoutOwners", "Effect": "Allow", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace", "sagemaker:DeleteSpace" ], "Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } }, { "Sid": "SMStudioRestrictSpacesToOwnerUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace", "sagemaker:DeleteSpace" ], "Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*", "Condition": { "ArnLike": { "sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}" }, "StringEquals": { "sagemaker:SpaceSharingType": [ "Private", "Shared" ] } } }, { "Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/${sagemaker:DomainId}/*", "Condition": { "ArnLike": { "sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}" }, "StringEquals": { "sagemaker:SpaceSharingType": [ "Private" ] } } }, { "Sid": "AllowAppActionsForSharedSpaces", "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:*:*:app/${sagemaker:DomainId}/*/*/*", "Condition": { "StringEquals": { "sagemaker:SpaceSharingType": [ "Shared" ] } } } ] } ``` ------ + Studio는 확장된 애플리케이션 세트를 보여주기 때문에 사용자는 이전에 표시되지 않은 애플리케이션에 액세스할 수 있습니다. 관리자는 특정 사용자에게 일부 애플리케이션에 대한 거부 권한을 부여하는  AWS Identity and Access Management (IAM) 정책을 생성하여 이러한 기본 애플리케이션에 대한 액세스를 제한할 수 있습니다. **참고** 애플리케이션 유형은 `jupyterlab` 또는 `codeeditor`일 수 있습니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "DenySageMakerCreateAppForSpecificAppTypes", "Effect": "Deny", "Action": "sagemaker:CreateApp", "Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/domain-id/*/app-type/*" } ] } ``` ------ 1. 정책을 도메인의 실행 역할에 첨부합니다. 지침은 [IAM ID 권한 추가(콘솔)](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console)의 단계를 따르세요. ## 2단계: VPC 구성 업데이트 `VPC-Only` 모드에서 도메인을 사용하는 경우 VPC 구성이 `VPC-Only` 모드에서 Studio를 사용하기 위한 요구 사항을 충족하는지 확인합니다. 자세한 내용은 [VPC의 Amazon SageMaker Studio를 외부 리소스에 연결](studio-updated-and-internet-access.md) 섹션을 참조하세요. ## 3단계: Studio UI로 업그레이드 기존 도메인을 Studio Classic에서 Studio로 마이그레이션하기 전에 기존 도메인과 동일한 구성의 Studio를 사용하여 테스트 도메인을 생성하는 것이 좋습니다. ### (선택 사항)테스트 도메인 생성 이 테스트 도메인을 사용하여 기존 도메인을 마이그레이션하기 전에 Studio와 상호 작용하고, 네트워킹 구성을 테스트하고, 애플리케이션을 시작합니다. 1. 기존 도메인의 도메인 ID를 가져옵니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 기존 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **도메인 ID**를 복사합니다. 1. 기존 도메인의 도메인 ID를 추가합니다. ``` export REF_DOMAIN_ID="domain-id" export SM_REGION="region" ``` 1. `describe-domain`을 사용하여 기존 도메인에 대한 중요한 정보를 가져옵니다. ``` export REF_EXECROLE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.ExecutionRole') export REF_VPC=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.VpcId') export REF_SIDS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.SubnetIds | join(",")') export REF_SGS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.SecurityGroups | join(",")') export AUTHMODE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.AuthMode') ``` 1. 파라미터를 검증합니다. ``` echo "Execution Role: $REF_EXECROLE || VPCID: $REF_VPC || SubnetIDs: $REF_SIDS || Security GroupIDs: $REF_SGS || AuthMode: $AUTHMODE" ``` 1. 기존 도메인의 구성을 사용하여 테스트 도메인을 생성합니다. ``` IFS=',' read -r -a subnet_ids <<< "$REF_SIDS" IFS=',' read -r -a security_groups <<< "$REF_SGS" security_groups_json=$(printf '%s\n' "${security_groups[@]}" | jq -R . | jq -s .) aws sagemaker create-domain \ --domain-name "TestV2Config" \ --vpc-id $REF_VPC \ --auth-mode $AUTHMODE \ --subnet-ids "${subnet_ids[@]}" \ --app-network-access-type VpcOnly \ --default-user-settings " { \"ExecutionRole\": \"$REF_EXECROLE\", \"StudioWebPortal\": \"ENABLED\", \"DefaultLandingUri\": \"studio::\", \"SecurityGroups\": $security_groups_json } " ``` 1. 테스트 도메인이 `In Service`이면 테스트 도메인의 ID를 사용하여 사용자 프로필을 생성합니다. 이 사용자 프로필은 애플리케이션을 시작하고 테스트하는 데 사용됩니다. ``` aws sagemaker create-user-profile \ --region="$SM_REGION" --domain-id=test-domain-id \ --user-profile-name test-network-user ``` #### 테스트 Studio 기능 `test-network-user` 사용자 프로필을 사용하여 테스트 도메인을 시작합니다. Studio UI를 철저히 테스트하고 `VPCOnly` 모드에서 Studio 기능을 테스트하는 애플리케이션을 생성하는 것이 좋습니다. 다음 워크플로를 테스트합니다. + 새 JupyterLab Space, 테스트 환경 및 연결을 생성합니다. + Code-OSS, Visual Studio Code - Open Source Space, 테스트 환경 및 연결을 기반으로 새 코드 편집기를 생성합니다. + 새 Studio Classic 앱을 시작하고 환경 및 연결을 테스트합니다. + 테스트 읽기 및 쓰기 작업을 사용하여 Amazon Simple Storage Service 연결을 테스트합니다. 이러한 테스트가 성공하면 기존 도메인을 업그레이드합니다. 장애가 발생하면 기존 도메인을 업데이트하기 전에 환경 및 연결 문제를 해결하는 것이 좋습니다. #### 테스트 도메인 리소스 정리 기존 도메인을 마이그레이션한 후 테스트 도메인 리소스를 정리합니다. 1. 테스트 도메인의 ID를 추가합니다. ``` export TEST_DOMAIN="test-domain-id" export SM_REGION="region" ``` 1. 도메인에서 실행 중인 상태의 모든 애플리케이션을 나열합니다. ``` active_apps_json=$(aws sagemaker list-apps --region=$SM_REGION --domain-id=$TEST_DOMAIN) echo $active_apps_json ``` 1. 실행 중인 애플리케이션의 JSON 목록을 구문 분석하고 삭제합니다. 사용자가 권한이 없는 애플리케이션을 생성하려고 하면 다음 스크립트에 캡처되지 않은 공백이 있을 수 있습니다. 이러한 스페이스는 수동으로 삭제해야 합니다. ``` echo "$active_apps_json" | jq -c '.Apps[]' | while read -r app; do if echo "$app" | jq -e '. | has("SpaceName")' > /dev/null; then app_type=$(echo "$app" | jq -r '.AppType') app_name=$(echo "$app" | jq -r '.AppName') domain_id=$(echo "$app" | jq -r '.DomainId') space_name=$(echo "$app" | jq -r '.SpaceName') echo "Deleting App - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name" aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \ --app-type $app_type --app-name $app_name --space-name $space_name echo "Deleting Space - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name" aws sagemaker delete-space --region=$SM_REGION --domain-id=$domain_id \ --space-name $space_name else app_type=$(echo "$app" | jq -r '.AppType') app_name=$(echo "$app" | jq -r '.AppName') domain_id=$(echo "$app" | jq -r '.DomainId') user_profile_name=$(echo "$app" | jq -r '.UserProfileName') echo "Deleting Studio Classic - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || UserProfileName: $user_profile_name" aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \ --app-type $app_type --app-name $app_name --user-profile-name $user_profile_name fi done ``` 1. 테스트 사용자 프로필을 삭제합니다. ``` aws sagemaker delete-user-profile \ --region=$SM_REGION --domain-id=$TEST_DOMAIN \ --user-profile-name "test-network-user" ``` 1. 테스트 도메인을 삭제합니다. ``` aws sagemaker delete-domain \ --region=$SM_REGION --domain-id=$TEST_DOMAIN ``` 테스트 도메인의 구성으로 Studio 기능을 테스트한 후 기존 도메인을 마이그레이션합니다. Studio가 도메인의 기본 환경인 경우 Studio는 도메인의 모든 사용자의 기본 환경입니다. 그러나 사용자 설정이 도메인 설정보다 우선합니다. 따라서 사용자 설정에서 기본 환경이 Studio Classic으로 설정된 경우 해당 사용자는 기본 환경으로 Studio Classic을 갖게 됩니다. 기존 도메인은 SageMaker AI 콘솔, AWS CLI또는에서 업데이트하여 마이그레이션할 수 있습니다 AWS CloudFormation. 다음 탭 중 하나를 선택하여 관련 지침을 확인합니다. ### SageMaker AI 콘솔을 사용하여 기존 도메인의 기본 경험으로 Studio 설정 SageMaker AI 콘솔을 사용하여 Studio를 기존 도메인의 기본 경험으로 설정할 수 있습니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. Studio를 기본 환경으로 활성화하려는 기존 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **새 Studio 활성화**를 확장합니다. 1. (선택 사항) Studio를 기본 환경으로 활성화하는 데 관련된 단계에 대한 세부 정보를 보려면 **세부 정보 보기**를 선택합니다. 페이지에서는 다음을 확인할 수 있습니다. + **SageMaker Studio 개요** 섹션에서 Studio 웹 기반 인터페이스에 포함되거나 사용 가능한 애플리케이션을 볼 수 있습니다. + **활성화 프로세스** 섹션에서 Studio를 활성화하는 워크플로 작업에 대한 설명을 볼 수 있습니다. **참고** 데이터를 수동으로 마이그레이션해야 합니다. 데이터 마이그레이션에 대한 지침은 [(선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션](studio-updated-migrate-data.md) 섹션을 참조하세요. + **Studio Classic 환경으로 되돌리기** 섹션에서 Studio를 기본 환경으로 활성화한 후 Studio Classic으로 되돌리는 방법을 볼 수 있습니다. 1. Studio를 기본 환경으로 활성화하는 프로세스를 시작하려면 **새 Studio 활성화**를 선택합니다. 1. **역할 지정 및 구성** 섹션에서 Studio에 자동으로 포함된 기본 애플리케이션을 볼 수 있습니다. 사용자가 이러한 애플리케이션을 실행하지 못하도록 하려면 액세스를 거부하는 IAM 정책이 있는 AWS Identity and Access Management (IAM) 역할을 선택합니다. 액세스를 제한하는 정책을 생성하는 방법에 대한 자세한 내용은 [1단계: 애플리케이션 생성 권한 업데이트](#studio-updated-migrate-limit-apps) 섹션을 참조하세요. 1. **CORS 정책을 연결할 기본 S3 버킷 선택** 섹션에서 Studio에 Amazon S3 버킷에 대한 액세스 권한을 부여할 수 있습니다. 이 경우 기본 Amazon S3 버킷은 Studio Classic의 기본 Amazon S3 버킷입니다. 이 단계에서는 다음 작업을 수행할 수 있습니다. + CORS 정책을 연결할 도메인의 기본 Amazon S3 버킷을 확인합니다. 도메인에 기본 Amazon S3 버킷이 없는 경우 SageMaker AI는 올바른 CORS 정책이 연결된 Amazon S3 버킷을 생성합니다. + CORS 정책을 연결할 Amazon S3 버킷 10개를 추가로 포함할 수 있습니다. 버킷을 10개 이상 포함하려면 버킷을 수동으로 추가할 수 있습니다. Amazon S3 버킷에 정책을 수동으로 연결하는 방법에 대한 자세한 내용은 [(선택 사항) Amazon S3 버킷에 액세스하려면 CORS 정책을 업데이트합니다.](#studio-updated-migrate-cors) 섹션을 참조하세요. 계속하려면 **선택한 Amazon S3 버킷에서 기존 CORS 정책을 재정의하는 데 동의하십니까?** 옆의 확인란을 선택합니다. 1. **데이터 마이그레이션** 섹션에는 Studio Classic 및 Studio의 다양한 데이터 스토리지 볼륨에 대한 정보가 포함되어 있습니다. 이 프로세스를 통해 데이터가 자동으로 마이그레이션되지 않습니다. 데이터 마이그레이션, 수명 주기 구성 및 JupyterLab 확장에 대한 지침은 [(선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션](studio-updated-migrate-data.md) 섹션을 참조하세요. 1. 페이지에서 작업을 완료하고 구성을 확인한 후 **새 Studio 활성화**를 선택합니다. ### 를 사용하여 Studio를 기존 도메인의 기본 환경으로 설정 AWS CLI AWS CLI를 사용하여 기존 도메인의 기본 환경으로 Studio를 설정하려면[update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) 호출을 사용합니다. `ENABLED`를 `StudioWebPortal`의 값으로, `studio::`를 `default-user-settings` 파라미터의 일부로 `DefaultLandingUri`의 값으로 설정해야 합니다.  `StudioWebPortal`는 Studio 환경이 기본 환경인지 여부를 나타내고 `DefaultLandingUri`는 도메인에 액세스할 때 사용자에게 전달되는 기본 환경을 나타냅니다. 이 예제에서는 이러한 값을 도메인 수준(`default-user-settings`에서)으로 설정하면 Studio가 도메인 내 사용자의 기본 환경이 됩니다. 도메인 내 사용자의 `StudioWebPortal`이 `DISABLED`로, 사용자 수준에서 `DefaultLandingUri`가 `app:JupyterServer:`로 설정되어 있는 경우(`UserSettings`에서) 도메인 설정보다 우선합니다. 즉, 해당 사용자는 도메인 설정에 관계없이 기본 환경으로 Studio Classic을 갖게 됩니다. 다음 코드 예제에서는 도메인 내 사용자의 기본 환경으로 Studio를 설정하는 방법을 보여줍니다. ``` aws sagemaker update-domain \ --domain-id existing-domain-id \ --region AWS 리전 \ --default-user-settings ' { "StudioWebPortal": "ENABLED", "DefaultLandingUri": "studio::" } ' ``` + `existing-domain-id`를 가져오려면 다음 지침을 사용합니다. **`existing-domain-id`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 기존 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **도메인 ID**를 복사합니다. + 도메인에 AWS 리전 올바른를 사용하고 있는지 확인하려면 다음 지침을 사용합니다. **`AWS 리전`를 가져오려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 기존 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 이 도메인이 기존 도메인인지 확인합니다. 1. SageMaker AI 콘솔의 오른쪽 상단에서 AWS 리전 드롭다운 목록을 확장하고 AWS 리전 이름 오른쪽에 있는 해당 AWS 리전 ID를 사용합니다. 예를 들어 `us-west-1`입니다. 기본 환경을 Studio로 마이그레이션한 후 Studio에 Amazon S3 버킷에 대한 액세스 권한을 부여할 수 있습니다. 예를 들어 Studio Classic 기본 Amazon S3 버킷 및 추가 Amazon S3 버킷에 대한 액세스를 포함할 수 있습니다. 이렇게 하려면 Amazon S3 버킷에 CORS([Cross-Origin Resource Sharing](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS)) 구성을 수동으로 연결해야 합니다. Amazon S3 버킷에 CORS 정책을 수동으로 연결하는 방법에 대한 자세한 내용은 [(선택 사항) Amazon S3 버킷에 액세스하려면 CORS 정책을 업데이트합니다.](#studio-updated-migrate-cors) 섹션을 참조하세요. 마찬가지로 도메인 생성 [https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) 호출을 AWS CLI 사용하여에서 도메인을 생성할 때 Studio를 기본 환경으로 설정할 수 있습니다.  ### 를 사용하여 Studio를 기존 도메인의 기본 환경으로 설정 AWS CloudFormation AWS CloudFormation을 사용하여 도메인을 생성할 때 기본 환경을 설정할 수 있습니다. CloudFormation 마이그레이션 템플릿은 [SageMaker Studio 관리자 IaC 템플릿을 참조하세요](https://github.com/aws-samples/sagemaker-studio-admin-iac-templates/tree/main?tab=readme-ov-file#phase-1-migration). 를 사용하여 도메인을 생성하는 방법에 대한 자세한 내용은 [를 사용하여 Amazon SageMaker AI 도메인 생성을 CloudFormation](https://github.com/aws-samples/cloudformation-studio-domain?tab=readme-ov-file#creating-sagemaker-studio-domains-using-cloudformation) CloudFormation참조하세요. 에서 지원하는 도메인 리소스에 대한 자세한 내용은 [AWS::SageMaker AI::Domain](https://docs.aws.amazon.com//AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-domain.html#cfn-sagemaker-domain-defaultusersettings)을 AWS CloudFormation참조하세요. 기본 환경을 Studio로 마이그레이션한 후 Studio에 Amazon S3 버킷에 대한 액세스 권한을 부여할 수 있습니다. 예를 들어 Studio Classic 기본 Amazon S3 버킷 및 추가 Amazon S3 버킷에 대한 액세스를 포함할 수 있습니다. 이렇게 하려면 Amazon S3 버킷에 CORS([Cross-Origin Resource Sharing](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS)) 구성을 수동으로 연결해야 합니다. Amazon S3 버킷에 CORS 정책을 수동으로 연결하는 방법에 대한 자세한 내용은 [(선택 사항) Amazon S3 버킷에 액세스하려면 CORS 정책을 업데이트합니다.](#studio-updated-migrate-cors) 섹션을 참조하세요. ### (선택 사항) Amazon S3 버킷에 액세스하려면 CORS 정책을 업데이트합니다. Studio Classic에서 사용자는 Amazon Simple Storage Service(Amazon S3) 버킷에 파일을 생성, 나열 및 업로드할 수 있습니다. Studio에서 동일한 환경을 지원하려면 관리자가 CORS([Cross-Origin Resource Sharing](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS)) 구성을 Amazon S3 버킷에 연결해야 합니다. Studio가 인터넷 브라우저에서 Amazon S3를 호출하기 때문에 이 작업이 필요합니다. 브라우저는 사용자를 대신하여 CORS를 간접적으로 호출합니다. 따라서 CORS 정책이 Amazon S3 버킷에 연결되지 않는 한 Amazon S3 버킷에 대한 모든 요청이 실패합니다. 다음과 같은 이유로 Amazon S3 버킷에 CORS 정책을 수동으로 연결해야 할 수 있습니다. + 기존 도메인의 기본 환경을 Studio로 마이그레이션할 때 올바른 CORS 정책이 연결되지 않은 기존 Amazon S3 기본 버킷이 이미 있는 경우. + AWS CLI 를 사용하여 기존 도메인의 기본 환경을 Studio로 마이그레이션하는 경우. 를 사용하여 마이그레이션 AWS CLI 하는 방법에 대한 자세한 내용은 섹션을 참조하세요[를 사용하여 Studio를 기존 도메인의 기본 환경으로 설정 AWS CLI](#studio-updated-migrate-set-studio-updated-cli). + 추가 Amazon S3 버킷에 CORS 정책을 연결하려는 경우. **참고** SageMaker AI 콘솔을 사용하여 Studio를 기본 경험으로 활성화하려는 경우 CORS 정책을 연결하는 Amazon S3 버킷은 마이그레이션 중에 기존 CORS 정책을 재정의합니다. 따라서 다음 수동 지침을 무시할 수 있습니다. 그러나 SageMaker AI 콘솔을 이미 사용하여 마이그레이션하고 CORS 정책을 연결할 Amazon S3 버킷을 더 많이 포함하려는 경우 다음 수동 지침을 계속 진행합니다. 다음 절차에서는 Amazon S3 버킷에 CORS 구성을 수동으로 추가하는 방법을 보여줍니다. **Amazon S3 버킷에 CORS 구성 추가** 1. 다음 이름의 기존 도메인 AWS 리전 과 동일한에 Amazon S3 버킷이 있는지 확인합니다. 지침은 [Amazon S3 버킷의 속성 보기](https://docs.aws.amazon.com//AmazonS3/latest/userguide/view-bucket-properties.html)를 참조하세요. ``` sagemaker-region-account-id ``` 1. 다음 콘텐츠가 포함된 CORS 구성을 기본 Amazon S3 버킷에 추가합니다. 지침을 보려면 [교차 오리진 리소스 공유(CORS) 구성](https://docs.aws.amazon.com//AmazonS3/latest/userguide/enabling-cors-examples.html)을 참조하세요. ``` [ { "AllowedHeaders": [ "*" ], "AllowedMethods": [ "POST", "PUT", "GET", "HEAD", "DELETE" ], "AllowedOrigins": [ "https://*.sagemaker.aws" ], "ExposeHeaders": [ "ETag", "x-amz-delete-marker", "x-amz-id-2", "x-amz-request-id", "x-amz-server-side-encryption", "x-amz-version-id" ] } ] ``` ### (선택 사항) Studio Classic의 Data Wrangler에서 SageMaker Canvas로 마이그레이션 Amazon SageMaker Data Wrangler는 Studio Classic 환경에서 자체 기능으로 존재합니다. Studio를 기본 환경으로 활성화하면 [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) 애플리케이션을 사용하여 Data Wrangler 기능에 액세스합니다. SageMaker Canvas는 코드를 작성하지 않고도 기계 학습 모델을 훈련하고 배포할 수 있는 애플리케이션으로, Canvas는 Data Wrangler로 구동되는 데이터 준비 기능을 제공합니다. 새로운 Studio 환경은 클래식 Data Wrangler UI를 지원하지 않으며 Data Wrangler를 계속 사용하려면 Canvas 애플리케이션을 생성해야 합니다. 하지만 Canvas 애플리케이션을 생성하고 사용하는 데 필요한 권한이 있어야 합니다. 다음 단계를 완료하여 SageMaker AI 도메인 또는 사용자의 AWS IAM 역할에 필요한 권한 정책을 연결합니다. **Canvas 내에서 Data Wrangler 기능에 대한 권한을 부여하려면** 1. AWS 관리형 정책 [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol.html#security-iam-awsmanpol-AmazonSageMakerFullAccess)를 사용자의 IAM 역할에 연결합니다. IAM 정책을 역할에 연결하는 방법에 대한 자세한 절차는 *AWS IAM 사용 설명서*의 [IAM ID 권한 추가(콘솔)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console)를 참조하세요. 이 권한 정책이 사용 사례에 대해 너무 허용 가능한 경우 최소한 다음 권한이 포함된 범위 축소 정책을 생성할 수 있습니다. ``` { "Sid": "AllowStudioActions", "Effect": "Allow", "Action": [ "sagemaker:CreatePresignedDomainUrl", "sagemaker:DescribeDomain", "sagemaker:ListDomains", "sagemaker:DescribeUserProfile", "sagemaker:ListUserProfiles", "sagemaker:DescribeSpace", "sagemaker:ListSpaces", "sagemaker:DescribeApp", "sagemaker:ListApps" ], "Resource": "*" }, { "Sid": "AllowAppActionsForUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } } ``` 1. AWS 관리형 정책 [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)를 사용자의 IAM 역할에 연결합니다. 필요한 권한을 연결한 후 Canvas 애플리케이션을 생성하고 로그인할 수 있습니다. 자세한 내용은 [Amazon SageMaker Canvas 사용 시작하기](canvas-getting-started.md) 섹션을 참조하세요. Canvas에 로그인하면 Data Wrangler에 직접 액세스하여 데이터 흐름 생성을 시작할 수 있습니다. 자세한 내용은 Canvas 설명서의 [데이터 준비](canvas-data-prep.md) 섹션을 참조하세요. ### (선택 사항) Studio Classic의 Autopilot에서 SageMaker Canvas로 마이그레이션 [Amazon SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/AWSIronmanApiDoc/integ/npepin-studio-migration-autopilot-to-canvas/latest/dg/autopilot-automate-model-development.html)은 Studio Classic 환경에서 자체 기능으로 존재합니다. 업데이트된 Studio 환경을 사용하여 마이그레이션할 때 [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) 애플리케이션을 사용하여 사용자 인터페이스(UI)를 통해 동일한 자동 기계 학습(AutoML) 기능을 계속 사용합니다. SageMaker Canvas는 코드를 작성하지 않고도 기계 학습 모델을 훈련하고 배포할 수 있는 애플리케이션이며 Canvas는 AutoML 작업을 실행할 수 있는 UI를 제공합니다. 새로운 Studio 환경은 클래식 Autopilot UI를 지원하지 않습니다. UI를 통해 Autopilot의 AutoML 기능을 계속 사용하려면 Canvas 애플리케이션을 생성해야 합니다. 하지만 Canvas 애플리케이션을 생성하고 사용하는 데 필요한 권한이 있어야 합니다. + Studio에서 SageMaker Canvas에 액세스하는 경우 해당 권한을 SageMaker AI 도메인 또는 사용자 프로필의 실행 역할에 추가합니다. + 콘솔에서 SageMaker Canvas에 액세스하는 경우 해당 권한을 사용자의 AWS IAM 역할에 추가합니다. + [미리 서명된 URL](https://docs.aws.amazon.com/sagemaker/latest/dg/setting-up-canvas-sso.html#canvas-optional-access)을 통해 SageMaker Canvas에 액세스하는 경우 Okta SSO 액세스에 사용 중인 IAM 역할에 해당 권한을 추가합니다. Canvas에서 AutoML 기능을 활성화하려면 실행 역할 또는 IAM 사용자 역할에 다음 정책을 추가합니다. + AWS 관리형 정책: [`CanvasFullAccess`.](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess) + 인라인 정책: ``` { "Sid": "AllowAppActionsForUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } } ``` **실행 역할에 대한 IAM 정책 연결** 1. **SageMaker AI 사용자 프로필에 연결된 실행 역할 찾기** 1. SageMaker AI 콘솔 [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 **도메인**으로 이동한 다음 SageMaker AI 도메인을 선택합니다. 1. 실행 역할 ARN은 사용자 프로필의 **사용자 세부 정보** 페이지의 *실행 역할* 아래에 나열됩니다. ARN에 실행 역할의 이름을 기록합니다. 1. IAM 콘솔 [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)에서 **역할**을 선택합니다. 1. 검색 필드에서 이름으로 역할을 검색합니다. 1. 역할을 선택합니다. 1. 역할에 정책을 추가합니다. 1. IAM 콘솔 [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)에서 **역할**을 선택합니다. 1. 검색 필드에서 이름으로 역할을 검색합니다. 1. 역할을 선택합니다. 1. **권한** 탭에서 드롭다운 메뉴 **권한 추가**로 이동합니다. 1. + 관리형 정책의 경우: **정책 연결**을 선택하고 연결하려는 관리 정책의 이름을 검색합니다. 정책을 선택한 다음 **권한 추가**를 선택합니다. + 인라인 정책의 경우: **인라인 정책 생성**을 선택하고 JSON 탭에 정책을 붙여넣은 다음 다음을 선택하고 정책 이름을 지정하고 **생성**을 선택합니다. IAM 정책을 역할에 연결하는 방법에 대한 자세한 절차는 *AWS IAM 사용 설명서*의 [IAM ID 권한 추가(콘솔)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console)를 참조하세요. 필요한 권한을 연결한 후 Canvas 애플리케이션을 생성하고 로그인할 수 있습니다. 자세한 내용은 [Amazon SageMaker Canvas 사용 시작하기](canvas-getting-started.md) 섹션을 참조하세요. ## Studio Classic을 기본 환경으로 설정 관리자는 기존 도메인의 기본 경험을 Studio Classic으로 되돌릴 수 있습니다. 이 작업은 AWS CLI에서 수행할 수 있습니다. **참고** Studio Classic이 도메인 수준에서 기본 경험으로 설정된 경우 Studio Classic은 도메인 내 모든 사용자의 기본 경험이 됩니다. 그러나 사용자 수준 설정이 도메인 수준 설정보다 우선합니다. 따라서 사용자에게 기본 환경이 Studio로 설정된 경우 해당 사용자는 기본 환경으로 Studio를 갖게 됩니다. 를 사용하여 기존 도메인의 기본 환경으로 Studio Classic으로 되돌리려면 [업데이트 도메인](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) 호출을 AWS CLI사용합니다. `default-user-settings` 필드의 일부로 다음을 설정해야 합니다. + `StudioWebPortal` 값을 `DISABLED`로 설정합니다. + `DefaultLandingUri` 값을 `app:JupyterServer:`로 설정합니다. `StudioWebPortal`는 Studio 환경이 기본 환경인지 여부를 나타내고 `DefaultLandingUri`는 도메인에 액세스할 때 사용자에게 전달되는 기본 환경을 나타냅니다. 이 예제에서는 이러한 값을 도메인 수준(에서`default-user-settings`)으로 설정하면 Studio Classic이 도메인 내 사용자의 기본 환경이 됩니다. 도메인 내 사용자의 `StudioWebPortal`이 `ENABLED`로, 사용자 수준에서 `DefaultLandingUri`가 `studio::`로 설정되어 있는 경우(`UserSettings`에서) 도메인 수준 설정보다 우선합니다. 즉, 해당 사용자는 도메인 수준 설정과 관계없이 Studio가 기본 경험이 됩니다. 다음 코드 예제에서는 도메인 내 사용자의 기본 환경으로 Studio Classic을 설정하는 방법을 보여줍니다. ``` aws sagemaker update-domain \ --domain-id existing-domain-id \ --region AWS 리전 \ --default-user-settings ' { "StudioWebPortal": "DISABLED", "DefaultLandingUri": "app:JupyterServer:" } ' ``` `existing-domain-id`를 가져오려면 다음 지침을 사용합니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 기존 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **도메인 ID**를 복사합니다. 를 가져오려면 `AWS 리전`다음 지침에 따라 도메인에 AWS 리전 올바른를 사용하고 있는지 확인합니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 확장하고 **도메인**을 선택합니다. 1. 기존 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 이 도메인이 기존 도메인인지 확인합니다. 1. SageMaker AI 콘솔의 오른쪽 상단에서 AWS 리전 드롭다운 목록을 확장하고 이름 오른쪽에 AWS 리전 있는 해당 AWS 리전 ID를 사용합니다. 예를 들어 `us-west-1`입니다. # (선택 사항) 사용자 지정 이미지 및 수명 주기 구성 마이그레이션 Amazon SageMaker Studio에서 간소화된 로컬 실행 모델로 작업하려면 사용자 지정 이미지 및 수명 주기 구성(LCC) 스크립트를 업데이트해야 합니다. 도메인에서 사용자 지정 이미지 또는 수명 주기 구성을 생성하지 않은 경우 이 단계를 건너뜁니다. Amazon SageMaker Studio Classic은 다음과 같은 분할 환경에서 작동합니다. + Jupyter Server를 실행하는 `JupyterServer` 애플리케이션입니다. + 하나 이상의 `KernelGateway` 애플리케이션에서 실행되는 Studio Classic 노트북입니다. Studio가 분할 환경에서 전환되었습니다. Studio는 로컬 런타임 모델의 Code-OSS, Visual Studio Code - 오픈 소스 애플리케이션을 기반으로 JupyterLab 및 Code Editor를 실행합니다. 아키텍처 변경에 대한 자세한 내용은 [ Amazon SageMaker Studio의 생산성 향상](https://aws.amazon.com/blogs//machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/)을 참조하세요. ## 사용자 지정 이미지 마이그레이션 기존 Studio Classic 사용자 지정 이미지는 Studio에서 작동하지 않을 수 있습니다. Studio에서 사용하기 위한 요구 사항을 충족하는 새 사용자 지정 이미지를 생성하는 것이 좋습니다. Studio 릴리스는 [SageMaker Studio 이미지 지원 정책](sagemaker-distribution.md)을 제공하여 사용자 지정 이미지를 빌드하는 프로세스를 간소화합니다. SageMaker AI 배포 이미지에는 기계 학습, 데이터 과학 및 데이터 분석 시각화를 위한 인기 있는 라이브러리 및 패키지가 포함됩니다. 기본 SageMaker 배포 이미지 및 Amazon Elastic Container Registry 계정 정보 목록은 [Studio Classic 노트북에 사용할 수 있는 Amazon SageMaker 이미지](notebooks-available-images.md) 섹션을 참조하세요. 사용자 지정 이미지를 빌드하려면 다음 중 하나를 수행합니다. + 사용자 지정 패키지 및 모듈을 사용하여 SageMaker 배포 이미지를 확장합니다. 이러한 이미지는 Code-OSS, Visual Studio Code - Open Source를 기반으로 JupyterLab 및 Code Editor로 사전 구성됩니다. + [기존 보유 이미지 사용(BYOI)](studio-updated-byoi.md)의 지침에 따라 사용자 지정 Dockerfile 파일을 빌드합니다. Studio와 호환되도록 이미지에 JupyterLab 및 오픈 소스 CodeServer을 설치해야 합니다. ## 수명 주기 구성 마이그레이션 Studio의 간소화된 로컬 런타임 모델로 인해 기존 Studio Classic LCCs의 구조를 마이그레이션하는 것이 좋습니다. Studio Classic에서는 종종 KernelGateway 및 JupyterServer 애플리케이션 모두에 대해 별도의 수명 주기 구성을 생성해야 합니다. JupyterServer 및 KernelGateway 애플리케이션은 Studio Classic 내의 별도의 컴퓨팅 리소스에서 실행되므로 Studio Classic LCCs 다음 유형 중 하나일 수 있습니다. + JupyterServer LCC: 이러한 LCC는 대부분 프록시 설정, 환경 변수 생성, 리소스 자동 종료 등 사용자의 홈 작업을 제어합니다. + KernelGateway LCC: 이러한 LCC는 Studio Classic 노트북 환경 최적화를 관리합니다. 여기에는 `Data Science 3.0` 커널에서 무감각한 패키지 버전 업데이트 및 `Pytorch 2.0 GPU` 커널에 snowflake 패키지 설치가 포함됩니다. 간소화된 Studio 아키텍처에서는 애플리케이션 시작 시 실행되는 LCC 스크립트가 하나만 필요합니다. LCC 스크립트의 마이그레이션은 개발 환경에 따라 다르지만 JupyterServer 및 KernelGateway LCC를 결합하여 결합된 LCC를 구축하는 것이 좋습니다. Studio의 LCC는 다음 애플리케이션 중 하나와 연결할 수 있습니다. + JupyterLab + 코드 편집기 사용자는 공백을 생성할 때 각 애플리케이션 유형에 대한 LCC를 선택하거나 관리자가 설정한 기본 LCC를 사용할 수 있습니다. **참고** 기존 Studio Classic 자동 종료 스크립트는 Studio에서 작동하지 않습니다. Studio 자동 종료 스크립트 예제는 [SageMaker Studio 수명 주기 구성 예제](https://github.com/aws-samples/sagemaker-studio-apps-lifecycle-config-examples)를 참조하세요. ### LCC 리팩터링 시 고려 사항 LCC를 리팩터링할 때 Studio Classic과 Studio의 다음과 같은 차이점을 고려하세요. + JupyterLab 및 Code Editor 애플리케이션은 생성 시 `UID:1001` 및 `GID:101`과 함께 `sagemaker-user`로 실행됩니다. 기본적으로 `sagemaker-user`에는 sudo/root 권한을 맡을 수 있는 권한이 있습니다. KernelGateway 애플리케이션은 기본적으로 `root`로 실행됩니다. + JupyterLab 및 Code Editor 앱 내에서 실행되는 SageMaker 배포 이미지는 Debian 기반 패키지 관리자인 `apt-get`를 사용합니다. + Studio JupyterLab 및 Code Editor 애플리케이션은 Conda 패키지 관리자를 사용합니다. SageMaker AI는 Studio 애플리케이션이 시작될 때 단일 기본 Python3 Conda 환경을 생성합니다. 기본 Conda 환경에서 패키지를 업데이트하고 새 Conda 환경을 생성하는 방법에 대한 자세한 내용은 [JupyterLab 사용 설명서](studio-updated-jl-user-guide.md) 섹션을 참조하세요. 반면 모든 KernelGateway 애플리케이션이 패키지 관리자로 Conda를 사용하는 것은 아닙니다. + Studio JupyterLab 애플리케이션은 `JupyterLab 4.0`를 사용하는 반면 Studio Classic은 `JupyterLab 3.0`을 사용합니다. 사용하는 모든 JupyterLab 확장이 `JupyterLab 4.0`과 호환되는지 확인합니다. 확장에 대한 자세한 내용은 [JupyterLab 4.0과의 확장 호환성](https://github.com/jupyterlab/jupyterlab/issues/14590)을 참조하세요. # (선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션 Studio Classic과 Studio는 두 가지 유형의 스토리지 볼륨을 사용합니다. Studio Classic은 단일 Amazon Elastic File System(Amazon EFS) 볼륨을 사용하여 도메인의 모든 사용자 및 공유 스페이스에 데이터를 저장합니다. Studio에서 각 스페이스는 자체 Amazon Elastic Block Store(Amazon EBS) 볼륨을 가져옵니다. 기존 도메인의 기본 경험을 업데이트하면 SageMaker AI는 도메인의 각 사용자에 대해 Amazon EFS 볼륨에 폴더를 자동으로 마운트합니다. 따라서 사용자는 Studio 애플리케이션의 Studio Classic에서 파일에 액세스할 수 있습니다. 자세한 내용은 [Studio의 Amazon EFS 자동 탑재](studio-updated-automount.md) 섹션을 참조하세요. 또한 Amazon EFS 자동 탑재를 옵트아웃하고 데이터를 수동으로 마이그레이션하여 Studio Classic in Studio 애플리케이션의 파일에 대한 액세스 권한을 사용자에게 제공할 수 있습니다. 이렇게 하려면 사용자 홈 디렉터리의 파일을 해당 스페이스과 연결된 Amazon EBS 볼륨으로 전송해야 합니다. 다음 섹션에서는 이 워크플로에 대한 정보를 제공합니다. Amazon EFS 자동 탑재 옵트아웃에 대한 자세한 내용은 [Amazon EFS 자동 탑재 옵트아웃](studio-updated-automount-optout.md) 섹션을 참조하세요. ## Studio Classic에서 모든 데이터를 수동으로 마이그레이션 다음 섹션에서는 Studio Classic 스토리지 볼륨의 모든 데이터를 새 Studio 환경으로 마이그레이션하는 방법을 설명합니다. 사용자의 데이터, 코드 및 아티팩트를 Studio Classic에서 Studio로 수동으로 마이그레이션할 때는 다음 방법 중 하나를 사용하는 것이 좋습니다. 1. 사용자 지정 Amazon EFS 볼륨 사용 1. Amazon Simple Storage Service(Amazon S3) 사용 Studio Classic에서 Amazon SageMaker Data Wrangler를 사용하고 데이터 흐름 파일을 마이그레이션하려는 경우 마이그레이션을 위해 다음 옵션 중 하나를 선택합니다. + 데이터 흐름 파일을 포함하여 Studio Classic 스토리지 볼륨에서 모든 데이터를 마이그레이션하려면 [Studio Classic에서 모든 데이터를 수동으로 마이그레이션](#studio-updated-migrate-data-all)로 이동하여 **Amazon S3를 사용하여 데이터 마이그레이션** 섹션을 완료합니다. 그런 다음 [캔버스로 흐름 파일 가져오기](#studio-updated-migrate-flows-import) 섹션으로 건너뜁니다. + 데이터 흐름 파일만 마이그레이션하고 Studio Classic 스토리지 볼륨의 다른 데이터는 마이그레이션하지 않으려면 [Data Wrangler에서 데이터 흐름 마이그레이션](#studio-updated-migrate-flows) 섹션으로 건너뜁니다. ### 사전 조건 이러한 단계를 실행하기 전에 [Studio 환경을 마이그레이션하기 위한 사전 조건 완료](studio-updated-migrate-prereq.md)의 사전 조건을 완료합니다. 또한 [UI를 Studio Classic에서 Studio로 마이그레이션](studio-updated-migrate-ui.md)의 단계를 완료해야 합니다. ### 접근 방식 선택 Studio Classic 데이터를 마이그레이션하기 위한 접근 방식을 선택할 때는 다음 사항을 고려하세요. **사용자 지정 Amazon EFS 볼륨 사용의 장단점** 이 접근 방식에서는 Amazon EFS-to-Amazon EFS AWS DataSync 작업(일회성 또는 주기성)을 사용하여 데이터를 복사한 다음 대상 Amazon EFS 볼륨을 사용자의 공간에 탑재합니다. 이를 통해 사용자는 Studio 컴퓨팅 환경에서 Studio Classic의 데이터에 액세스할 수 있습니다. 장점: + 사용자의 홈 디렉터리 데이터만 사용자 스페이스에 표시됩니다. 데이터 교차 폴링은 없습니다. + 소스 Amazon EFS 볼륨에서 대상 Amazon EFS 볼륨으로 동기화하는 것은 SageMaker AI에서 관리하는 소스 Amazon EFS 볼륨을 스페이스에 직접 탑재하는 것보다 안전합니다. 이렇게 하면 홈 디렉터리 사용자 파일에 영향을 미칠 가능성이 없습니다. + 사용자는 Studio Classic 및 Studio 애플리케이션에서 작업을 계속할 수 있는 유연성이 있으며 AWS DataSync 가 정기적으로 설정된 경우 두 애플리케이션에서 데이터를 사용할 수 있습니다. + Amazon S3를 사용하여 푸시 앤 풀을 반복할 필요가 없습니다. 단점: + 사용자 스페이스에 탑재된 대상 Amazon EFS 볼륨에 대한 쓰기 액세스 권한이 없습니다. 대상 Amazon EFS 볼륨에 대한 쓰기 액세스 권한을 얻으려면 고객은 대상 Amazon EFS 볼륨을 Amazon Elastic Compute Cloud 인스턴스에 마운트하고 사용자가 Amazon EFS 접두사에 쓸 수 있는 적절한 권한을 제공해야 합니다. + 네트워크 파일 시스템(NFS) 인바운드 및 아웃바운드 흐름을 허용하려면 SageMaker AI에서 관리하는 보안 그룹을 수정해야 합니다. + Amazon S3를 사용하는 것보다 비용이 많이 듭니다. + [Studio Classic 의 Data Wrangler에서 데이터 흐름을 마이그레이션](#studio-updated-migrate-flows)하는 경우 흐름 파일을 수동으로 내보내는 단계를 따라야 합니다. **Amazon S3 사용의 장단점** 이 접근 방식에서는 Amazon EFS-to-Amazon S3 AWS DataSync 작업(일회성 또는 주기성)을 사용하여 데이터를 복사한 다음 수명 주기 구성을 생성하여 Amazon S3의 사용자 데이터를 프라이빗 스페이스의 Amazon EBS 볼륨에 복사합니다. 장점: + LCC가 도메인에 연결된 경우 사용자는 LCC를 사용하여 데이터를 자신의 스페이스에 복사하거나 LCC 스크립트 없이 스페이스를 실행할 수 있습니다. 이를 통해 사용자는 필요한 스페이스에만 파일을 복사할 수 있습니다. + AWS DataSync 작업이 케이던스에 설정된 경우 사용자는 Studio 애플리케이션을 다시 시작하여 최신 파일을 가져올 수 있습니다. + 데이터가 Amazon EBS로 복사되므로 사용자는 파일에 대한 쓰기 권한이 있습니다. + Amazon S3 스토리지는 Amazon EFS보다 저렴합니다. + [Studio Classic 의 Data Wrangler에서 데이터 흐름을 마이그레이션하는](#studio-updated-migrate-flows) 경우 수동 내보내기 단계를 건너뛰고 Amazon S3에서 SageMaker SageMaker 캔버스로 데이터 흐름을 직접 가져올 수 있습니다. 단점: + 관리자가 교차 배포를 방지해야 하는 경우 사용자가 파일이 포함된 Amazon S3 접두사에만 액세스할 수 있도록 사용자 수준에서 AWS Identity and Access Management 정책을 생성해야 합니다. ### 사용자 지정 Amazon EFS 볼륨을 사용하여 데이터 마이그레이션 이 접근 방식에서는 Amazon EFS-to-Amazon EFS AWS DataSync 를 사용하여 Studio Classic Amazon EFS 볼륨의 콘텐츠를 한 번 또는 정기적으로 대상 Amazon EFS 볼륨에 복사한 다음 대상 Amazon EFS 볼륨을 사용자의 공간에 탑재합니다. 이를 통해 사용자는 Studio 컴퓨팅 환경에서 Studio Classic의 데이터에 액세스할 수 있습니다. 1. 대상 Amazon EFS 볼륨을 생성합니다. 접두사 수준 탑재를 사용하여 데이터를 이 Amazon EFS 볼륨으로 전송하고 해당 사용자의 스페이스에 탑재합니다. ``` export SOURCE_DOMAIN_ID="domain-id" export AWS_REGION="region" export TARGET_EFS=$(aws efs create-file-system --performance-mode generalPurpose --throughput-mode bursting --encrypted --region $REGION | jq -r '.FileSystemId') echo "Target EFS volume Created: $TARGET_EFS" ``` 1. 현재 도메인에 연결되어 있고 모든 사용자가 사용하는 소스 Amazon EFS 볼륨에 대한 변수를 추가합니다. 도메인의 Amazon Virtual Private Cloud 정보는 대상 Amazon EFS가 동일한 보안 그룹 구성으로 동일한 Amazon VPC 및 서브넷에서 생성되도록 하는 데 필요합니다. ``` export SOURCE_EFS=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId') export VPC_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.VpcId') echo "EFS managed by SageMaker: $SOURCE_EFS | VPC: $VPC_ID" ``` 1. 동일한 보안 그룹 구성을 사용하여 소스 Amazon EFS 볼륨과 동일한 Amazon VPC 및 서브넷에 Amazon EFS 탑재 대상을 생성합니다. 탑재 대상을 사용하려면 몇 분 정도 걸립니다. ``` export EFS_VPC_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].VpcId") export EFS_AZ_NAME=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneName") export EFS_AZ_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneId") export EFS_SUBNET_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].SubnetId") export EFS_MOUNT_TARG_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId") export EFS_SG_IDS=$(aws efs describe-mount-target-security-groups --mount-target-id $EFS_MOUNT_TARG_ID | jq -r '.SecurityGroups[]') aws efs create-mount-target \ --file-system-id $TARGET_EFS \ --subnet-id $EFS_SUBNET_ID \ --security-groups $EFS_SG_IDS ``` 1. AWS DataSync 작업에 대한 Amazon EFS 소스 및 대상 위치를 생성합니다. ``` export SOURCE_EFS_ARN=$(aws efs describe-file-systems --file-system-id $SOURCE_EFS | jq -r ".FileSystems[0].FileSystemArn") export TARGET_EFS_ARN=$(aws efs describe-file-systems --file-system-id $TARGET_EFS | jq -r ".FileSystems[0].FileSystemArn") export EFS_SUBNET_ID_ARN=$(aws ec2 describe-subnets --subnet-ids $EFS_SUBNET_ID | jq -r ".Subnets[0].SubnetArn") export ACCOUNT_ID=$(aws ec2 describe-security-groups --group-id $EFS_SG_IDS | jq -r ".SecurityGroups[0].OwnerId") export EFS_SG_ID_ARN=arn:aws:ec2:$REGION:$ACCOUNT_ID:security-group/$EFS_SG_IDS export SOURCE_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $SOURCE_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn") export DESTINATION_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $TARGET_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn") ``` 1. 소스와 대상 네트워크 파일 시스템(NFS) 마운트 간의 트래픽을 허용합니다. 새 도메인이 생성되면 SageMaker AI는 2개의 보안 그룹을 생성합니다. + 인바운드 트래픽만 있는 NFS 인바운드 보안 그룹입니다. + 아웃바운드 트래픽만 있는 NFS 아웃바운드 보안 그룹입니다. 소스 및 대상 NFS는 동일한 보안 그룹 내에 배치됩니다. AWS Management Console 또는에서 이러한 탑재 간의 트래픽을 허용할 수 있습니다 AWS CLI. + 의 트래픽 허용 AWS Management Console 1. 에 로그인 AWS Management Console 하고 [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/) Amazon VPC 콘솔을 엽니다. 1. **보안 그룹**을 선택합니다. 1. **보안 그룹** 페이지에서 기존 도메인의 ID를 검색합니다. ``` d-xxxxxxx ``` 결과는 도메인 ID를 이름에 포함하는 두 개의 보안 그룹을 반환해야 합니다. + `security-group-for-inbound-nfs-domain-id` + `security-group-for-outbound-nfs-domain-id` 1. 인바운드 보안 그룹 ID를 선택합니다. 그러면 보안 그룹에 대한 세부 정보가 포함된 새 페이지가 열립니다. 1. **아웃바운드 규칙** 탭을 선택합니다. 1. **아웃바운드 규칙 편집**을 선택합니다. 1. 기존 아웃바운드 규칙을 업데이트하거나 다음 값을 사용하여 새 아웃바운드 규칙을 추가합니다. + **유형**: NFS + **프로토콜**: TCP + **포트 범위**: 2049 + **대상 **: security-group-for-outbound-nfs-*domain-id* \$1 *security-group-id* 1. **규칙 저장**을 선택합니다. 1. **인바운드 규칙** 탭을 선택합니다. 1. **인바운드 규칙 편집**을 선택합니다. 1. 기존 인바운드 규칙을 업데이트하거나 다음 값을 사용하여 새 아웃바운드 규칙을 추가합니다. + **유형**: NFS + **프로토콜**: TCP + **포트 범위**: 2049 + **대상 **: security-group-for-outbound-nfs-*domain-id* \$1 *security-group-id* 1. **규칙 저장**을 선택합니다. + 에서 트래픽 허용 AWS CLI 1. 다음 값으로 보안 그룹 인바운드 및 아웃바운드 규칙을 업데이트합니다. + **프로토콜**: TCP + **포트 범위**: 2049 + **그룹 ID**: 인바운드 보안 그룹 ID 또는 아웃바운드 보안 그룹 ID ``` export INBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-inbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId") export OUTBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-outbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId") echo "Outbound SG ID: $OUTBOUND_SG_ID | Inbound SG ID: $INBOUND_SG_ID" aws ec2 authorize-security-group-egress \ --group-id $INBOUND_SG_ID \ --protocol tcp --port 2049 \ --source-group $OUTBOUND_SG_ID aws ec2 authorize-security-group-ingress \ --group-id $OUTBOUND_SG_ID \ --protocol tcp --port 2049 \ --source-group $INBOUND_SG_ID ``` 1. 소스 및 대상 Amazon EFS 탑재 대상에 인바운드 및 아웃바운드 보안 그룹을 모두 추가합니다. 이렇게 하면 두 Amazon EFS 마운트 간의 트래픽이 허용됩니다. ``` export SOURCE_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId") export TARGET_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $TARGET_EFS | jq -r ".MountTargets[0].MountTargetId") aws efs modify-mount-target-security-groups \ --mount-target-id $SOURCE_EFS_MOUNT_TARGET \ --security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID aws efs modify-mount-target-security-groups \ --mount-target-id $TARGET_EFS_MOUNT_TARGET \ --security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID ``` 1. AWS DataSync 작업을 생성합니다. 이렇게 하면 온디맨드 방식으로 또는 정규 주기의 일부로 작업을 실행하는 데 사용할 수 있는 작업 ARN이 반환됩니다. ``` export EXTRA_XFER_OPTIONS='VerifyMode=ONLY_FILES_TRANSFERRED,OverwriteMode=ALWAYS,Atime=NONE,Mtime=NONE,Uid=NONE,Gid=NONE,PreserveDeletedFiles=REMOVE,PreserveDevices=NONE,PosixPermissions=NONE,TaskQueueing=ENABLED,TransferMode=CHANGED,SecurityDescriptorCopyFlags=NONE,ObjectTags=NONE' export DATASYNC_TASK_ARN=$(aws datasync create-task --source-location-arn $SOURCE_LOCATION_ARN --destination-location-arn $DESTINATION_LOCATION_ARN --name "SMEFS_to_CustomEFS_Sync" --region $REGION --options $EXTRA_XFER_OPTIONS | jq -r ".TaskArn") ``` 1. 원본 Amazon EFS에서 대상 Amazon EFS 탑재로 데이터를 자동으로 복사하는 AWS DataSync 작업을 시작합니다. 이렇게 해도 파일의 POSIX 권한은 유지되지 않으므로 사용자는 대상 Amazon EFS 마운트에서 읽을 수 있지만 파일에 쓸 수는 없습니다. ``` aws datasync start-task-execution --task-arn $DATASYNC_TASK_ARN ``` 1. 루트 수준에서 도메인에 대상 Amazon EFS 볼륨을 마운트합니다. ``` aws sagemaker update-domain --domain-id $SOURCE_DOMAIN_ID \ --default-user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig": {"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "/"}}]}' ``` 1. `FileSystemPath` 접두사로 모든 사용자 프로필을 덮어씁니다. 접두사에는 SageMaker AI에서 생성한 사용자의 UID가 포함됩니다. 이렇게 하면 사용자가 자신의 데이터에만 액세스할 수 있고 교차 배포를 방지할 수 있습니다. 도메인에 공백이 생성되고 대상 Amazon EFS 볼륨이 애플리케이션에 탑재되면 사용자의 접두사가 도메인 접두사를 덮어씁니다. 따라서 SageMaker AI는 사용자의 애플리케이션에만 `/user-id` 디렉터리를 탑재합니다. ``` aws sagemaker list-user-profiles --domain-id $SOURCE_DOMAIN_ID | jq -r '.UserProfiles[] | "\(.UserProfileName)"' | while read user; do export uid=$(aws sagemaker describe-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user | jq -r ".HomeEfsFileSystemUid") echo "$user $uid" aws sagemaker update-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user --user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig":{"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "'"/$uid/"'"}}]}' done ``` 1. 그런 다음 애플리케이션을 시작할 때 사용자 지정 Amazon EFS 파일 시스템을 선택할 수 있습니다. 자세한 내용은 [JupyterLab 사용 설명서](studio-updated-jl-user-guide.md) 또는 [Studio에서 코드 편집기 애플리케이션 시작](code-editor-use-studio.md)을 참조하세요. ### Amazon S3를 사용하여 데이터 마이그레이션 이 접근 방식에서는 Amazon EFS-to-Amazon S3 AWS DataSync 작업을 사용하여 Studio Classic Amazon EFS 볼륨의 콘텐츠를 한 번 또는 정기적으로 Amazon S3 버킷에 복사한 다음 수명 주기 구성을 생성하여 Amazon S3의 사용자 데이터를 프라이빗 스페이스의 Amazon EBS 볼륨에 복사합니다. **참고** 이 접근 방식은 인터넷에 액세스할 수 있는 도메인에서만 작동합니다. 1. 마이그레이션하려는 데이터가 포함된 도메인에서 소스 Amazon EFS 볼륨 ID를 설정합니다. ``` timestamp=$(date +%Y%m%d%H%M%S) export SOURCE_DOMAIN_ID="domain-id" export AWS_REGION="region" export ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text) export EFS_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId') ``` 1. 대상 Amazon S3 버킷 이름을 설정합니다. Amazon S3 버킷 생성에 대한 자세한 내용은 [버킷 생성](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html)을 참조하세요. 사용되는 버킷에는 [(선택 사항) Amazon S3 버킷에 액세스하려면 CORS 정책을 업데이트합니다.](studio-updated-migrate-ui.md#studio-updated-migrate-cors)에 설명된 CORS 정책이 있어야 합니다. 도메인의 사용자에게는 Amazon S3 버킷에 액세스할 수 있는 권한도 있어야 합니다. 이 예제에서는 파일을 `studio-new`라는 접두사로 복사합니다. 단일 Amazon S3 버킷을 사용하여 여러 도메인을 마이그레이션하는 경우 `studio-new/` 접두사를 사용하여 IAM을 사용하여 파일에 대한 권한을 제한합니다. ``` export BUCKET_NAME=s3-bucket-name export S3_DESTINATION_PATH=studio-new ``` 1. 계정의 실행 역할을 수임할 수 있는 AWS DataSync 권한을 부여하는 신뢰 정책을 생성합니다. ``` export TRUST_POLICY=$(cat < 이전에 데이터 준비 작업에 Amazon SageMaker Studio Classic에서 Amazon SageMaker Data Wrangler를 사용한 경우 새 Amazon SageMaker Studio로 마이그레이션하고 Amazon SageMaker 캔버스에서 최신 버전의 Data Wrangler에 액세스할 수 있습니다. SageMaker 캔버스의 Data Wrangler는 향상된 사용자 경험과 자연어 인터페이스 및 더 빠른 성능과 같은 최신 기능에 대한 액세스를 제공합니다. 언제든지 SageMaker 캔버스에 온보딩하여 새로운 Data Wrangler 환경을 사용할 수 있습니다. 자세한 내용은 [Amazon SageMaker Canvas 사용 시작하기](canvas-getting-started.md) 섹션을 참조하세요. 이전에 작업했던 Studio Classic에 저장된 데이터 흐름 파일이 있는 경우 Studio에 온보딩한 다음 흐름 파일을 캔버스로 가져올 수 있습니다. 마이그레이션 옵션은 다음과 같습니다. + 원클릭 마이그레이션: 캔버스에 로그인하면 사용자를 대신하여 모든 흐름 파일을 마이그레이션하는 일회성 가져오기 옵션을 사용할 수 있습니다. + 수동 마이그레이션: 캔버스로 흐름 파일을 수동으로 가져올 수 있습니다. Studio Classic에서 파일을 Amazon S3로 내보내거나 로컬 시스템에 다운로드합니다. 그런 다음 SageMaker 캔버스 애플리케이션에 로그인하여 흐름 파일을 가져오고 데이터 준비 작업을 계속합니다. 다음 가이드에서는 마이그레이션의 사전 조건과 원클릭 또는 수동 옵션을 사용하여 데이터 흐름 파일을 마이그레이션하는 방법을 설명합니다. ### 사전 조건 흐름 파일 마이그레이션을 시작하기 전에 다음 사전 조건을 검토하세요. **1단계. 도메인 마이그레이션 및 권한 부여** 데이터 흐름 파일을 마이그레이션하기 전에 [Amazon SageMaker Studio Classic에서 마이그레이션](studio-updated-migrate.md) 가이드의 특정 단계에 따라 사용자 프로필의 AWS IAM 실행 역할에 필요한 권한이 있는지 확인해야 합니다. 필수 권한을 부여하고 Studio를 새 환경으로 구성하고 기존 도메인을 마이그레이션하는 방법을 설명하는 [사전 조건](studio-updated-migrate-prereq.md) 및 [UI를 Studio Classic에서 Studio로 마이그레이션](studio-updated-migrate-ui.md)를 따릅니다. 특히 SageMaker 캔버스 애플리케이션을 생성하고 SageMaker 캔버스 데이터 준비 기능을 사용할 권한이 있어야 합니다. 이러한 권한을 얻으려면 다음 중 하나를 수행할 수 있습니다. + [AmazonSageMaker캔버스DataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html) 정책을 IAM 역할에 추가하거나 + [UI를 Studio Classic에서 Studio로 마이그레이션](studio-updated-migrate-ui.md) 페이지의 **(선택 사항) Studio Classic의 Data Wrangler에서 SageMaker 캔버스로 마이그레이션** 섹션에 표시된 대로 최소 권한 정책을 연결합니다. Studio와 SageMaker 캔버스 모두에 동일한 사용자 프로필을 사용해야 합니다. 마이그레이션 가이드에 설명된 사전 요구 사항을 완료한 후에는 Studio를 통해 SageMaker 캔버스에 액세스하는 데 필요한 권한이 있는 새 도메인이 있어야 합니다. **2단계. (선택 사항) Amazon S3 위치 준비** 수동 마이그레이션을 수행하고 로컬 다운로드 옵션을 사용하는 대신 Amazon S3를 사용하여 흐름 파일을 전송할 계획이라면 계정에 흐름 파일을 저장하는 데 사용할 Amazon S3 버킷이 있어야 합니다. ### 원클릭 마이그레이션 방법 SageMaker 캔버스는 Studio Classic의 Data Wrangler에서 SageMaker 캔버스의 Data Wrangler로 데이터 흐름을 마이그레이션하기 위한 일회성 가져오기 옵션을 제공합니다. Studio Classic 및 캔버스 애플리케이션이 동일한 Amazon EFS 스토리지 볼륨을 공유하는 한 캔버스에서 한 번의 클릭으로 마이그레이션할 수 있습니다. 이 간소화된 프로세스를 사용하면 수동 내보내기 및 가져오기 단계가 필요하지 않으며 모든 흐름을 한 번에 가져올 수 있습니다. 다음 절차에 따라 모든 흐름 파일을 마이그레이션합니다. 1. 최신 버전의 Studio를 엽니다. 1. Studio의 왼쪽 탐색 창에서 **데이터** 드롭다운 메뉴를 선택합니다. 1. 탐색 옵션에서 **Data Wrangler**를 선택합니다. 1. **Data Wrangler** 페이지에서 **캔버스에서 실행**을 선택합니다. 권한을 성공적으로 설정하면 캔버스 애플리케이션이 생성됩니다. 캔버스 애플리케이션이 준비되기까지 몇 분 정도 걸릴 수 있습니다. 1. 캔버스가 준비되면 **캔버스에서 열기**를 선택합니다. 1. 캔버스가 **Data Wrangler** 페이지로 열리고 Studio Classic의 Data Wrangler에서 캔버스로 데이터 흐름 가져오기라는 배너가 페이지 상단에 나타납니다. 이는 일회성 가져오기입니다. 자세히 알아보기 배너에서 **모두 가져오기**를 선택합니다. **주의** 배너 알림을 닫으면 배너 알림을 다시 열거나 원클릭 마이그레이션 방법을 더 이상 사용할 수 없습니다. 캔버스가 Studio Classic에서 흐름 파일을 가져오고 있음을 나타내는 팝업 알림이 나타납니다. 가져오기가 완전히 성공하면 플로우 파일 `X` 수를 가져왔다는 또 다른 알림을 받게 되며 캔버스 애플리케이션의 **Data Wrangler** 페이지에서 플로우 파일을 볼 수 있습니다. 캔버스 애플리케이션의 기존 데이터 흐름과 이름이 동일한 가져온 흐름 파일의 이름은 접두사로 변경됩니다. 데이터 흐름을 열어 예상대로 보이는지 확인할 수 있습니다. 흐름 파일을 성공적으로 가져오지 못한 경우 가져오기가 부분적으로 성공했거나 실패했다는 알림을 받게 됩니다. 알림 메시지에서 **오류 보기**를 선택하여 잘못된 형식의 흐름 파일을 다시 포맷하는 방법에 대한 지침은 개별 오류 메시지를 확인합니다. 이제 흐름 파일을 가져온 후 Data Wrangler를 사용하여 SageMaker 캔버스에서 데이터를 준비할 수 있습니다. ### 수동 마이그레이션 방법 다음 섹션에서는 원클릭 마이그레이션 방법이 작동하지 않는 경우 캔버스로 흐름 파일을 수동으로 가져오는 방법을 설명합니다. #### Studio Classic에서 흐름 파일 내보내기 **참고** [(선택 사항) Studio Classic에서 Studio로 데이터 마이그레이션](#studio-updated-migrate-data)의 지침에 따라 Studio Classic 데이터를 Amazon S3로 이미 마이그레이션한 경우 이 단계를 건너뛰고 Studio Classic 데이터가 저장된 Amazon S3 위치에서 흐름 파일을 가져오는 [캔버스로 흐름 파일 가져오기](#studio-updated-migrate-flows-import) 섹션으로 바로 이동할 수 있습니다. Amazon S3에 파일을 저장하거나 로컬 시스템에 다운로드하여 흐름 파일을 내보낼 수 있습니다. 다음 단계에서 흐름 파일을 SageMaker 캔버스로 가져올 때 로컬 업로드 옵션을 선택하면 한 번에 20개의 흐름 파일만 업로드할 수 있습니다. 가져올 흐름 파일이 많은 경우 Amazon S3를 대신 사용하는 것이 좋습니다. [방법 1: Amazon S3를 사용하여 흐름 파일 전송](#studio-updated-migrate-flows-export-s3) 또는 [방법 2: 로컬 시스템을 사용하여 흐름 파일 전송](#studio-updated-migrate-flows-export-local)의 지침에 따라 계속 진행합니다. ##### 방법 1: Amazon S3를 사용하여 흐름 파일 전송 이 방법을 사용하면 Studio Classic의 Data Wrangler와 SageMaker 캔버스의 Data Wrangler(최신 버전의 Studio를 통해 액세스됨) 간의 중개자로 Amazon S3를 사용합니다. Studio Classic에서 Amazon S3로 흐름 파일을 내보낸 다음 다음 단계에서 Studio를 통해 캔버스에 액세스하고 Amazon S3에서 흐름 파일을 가져옵니다. 흐름 파일의 스토리지 위치로 준비된 Amazon S3 버킷이 있는지 확인합니다. 다음 절차에 따라 Studio Classic에서 Amazon S3로 흐름 파일을 내보냅니다. 1. Studio Classic을 엽니다. 1. 다음을 수행하여 새 터미널을 엽니다. 1. 탐색 모음에서 **파일**을 선택합니다. 1. 컨텍스트 메뉴에서 **새로 만들기** 위에 마우스를 올려 놓고 **터미널**을 선택합니다. 1. 기본적으로 터미널은 홈 디렉터리에서 열려야 합니다. 마이그레이션하려는 모든 흐름 파일이 포함된 폴더로 이동합니다. 1. 다음 명령을 사용하여 모든 흐름 파일을 지정된 Amazon S3 위치에 동기화합니다. `{bucket-name}` 및 `{folder}`를 원하는 Amazon S3 위치의 경로로 바꿉니다. 명령 및 파라미터에 대한 자세한 내용은 명령 참조의 [동기화](https://docs.aws.amazon.com/cli/latest/reference/s3/sync.html) AWS AWS CLI 명령을 참조하세요. ``` aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow" ``` 자체 명령을 사용하는 경우 대신 다음 명령을 AWS KMS key사용하여 파일을 동기화하고 KMS 키 ID를 지정합니다. 사용자의 IAM 실행 역할(1단계. 도메인 마이그레이션 및 이전 [사전 조건](#studio-updated-migrate-flows-prereqs)의 권한 부여)에 KMS 키를 사용할 수 있는 액세스 권한이 부여되었는지 확인합니다. ``` aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow" --sse-kms-key-id {your-key-id} ``` 이제 흐름 파일을 내보내야 합니다. Amazon S3 버킷을 확인하여 흐름 파일이 성공적으로 동기화되었는지 확인할 수 있습니다. 이러한 파일을 최신 버전의 Data Wrangler로 가져오려면 [캔버스로 흐름 파일 가져오기](#studio-updated-migrate-flows-import)의 단계를 따릅니다. ##### 방법 2: 로컬 시스템을 사용하여 흐름 파일 전송 이 방법을 사용하면 Studio Classic에서 로컬 시스템으로 흐름 파일을 다운로드합니다. 파일을 직접 다운로드하거나 zip 아카이브로 압축할 수 있습니다. 그런 다음 로컬에서 zip 파일의 압축을 풀고(해당하는 경우) 캔버스에 로그인한 다음 로컬 시스템에서 업로드하여 흐름 파일을 가져옵니다. Studio Classic에서 흐름 파일을 다운로드하려면 다음 절차를 따르세요. 1. Studio Classic을 엽니다. 1. (선택 사항) 여러 흐름 파일을 zip 아카이브로 압축하고 한 번에 모두 다운로드하려면 다음을 수행합니다. 1. Studio Classic의 상단 탐색 모음에서 **파일**을 선택합니다. 1. 컨텍스트 메뉴에서 **새로 만들기** 위에 마우스를 올려 놓고 **터미널**을 선택합니다. 1. 기본적으로 터미널은 홈 디렉터리에서 열립니다. 마이그레이션하려는 모든 흐름 파일이 포함된 폴더로 이동합니다. 1. 다음 명령을 사용하여 현재 디렉터리의 흐름 파일을 zip으로 패키징합니다. 명령은 숨겨진 파일을 제외합니다. ``` find . -not -path "*/.*" -name "*.flow" -print0 | xargs -0 zip my_archive.zip ``` 1. 다음을 수행하여 로컬 시스템에 zip 아카이브 또는 개별 흐름 파일을 다운로드합니다. 1. Studio Classic의 왼쪽 탐색 창에서 **파일 브라우저**를 선택합니다. 1. 파일 브라우저에서 다운로드하려는 파일을 찾습니다. 1. 파일을 마우스 오른쪽 버튼으로 클릭하고 컨텍스트 메뉴에서 **다운로드**를 선택합니다. 파일을 로컬 시스템에 다운로드합니다. zip 아카이브로 압축한 경우 파일을 로컬에서 추출합니다. 파일을 추출한 후 이러한 파일을 최신 버전의 Data Wrangler로 가져오려면 [캔버스로 흐름 파일 가져오기](#studio-updated-migrate-flows-import)의 단계를 따릅니다. #### 캔버스로 흐름 파일 가져오기 흐름 파일을 내보낸 후 Studio를 통해 캔버스에 액세스하고 파일을 가져옵니다. 다음 절차에 따라 흐름 파일을 캔버스로 가져옵니다. 1. 최신 버전의 Studio를 엽니다. 1. Studio의 왼쪽 탐색 창에서 **데이터** 드롭다운 메뉴를 선택합니다. 1. 탐색 옵션에서 **Data Wrangler**를 선택합니다. 1. **Data Wrangler** 페이지에서 **캔버스에서 실행**을 선택합니다. 권한을 성공적으로 설정하면 캔버스 애플리케이션이 생성됩니다. 캔버스 애플리케이션이 준비되기까지 몇 분 정도 걸릴 수 있습니다. 1. 캔버스가 준비되면 **캔버스에서 열기**를 선택합니다. 1. 캔버스가 **Data Wrangler** 페이지로 열립니다. 상단 창에서 **데이터 흐름 가져오기**를 선택합니다. 1. **데이터 원본** 드롭다운 메뉴에서 **Amazon S3** 또는 **로컬 업데이트**를 선택합니다. 1. Amazon S3 버킷에서 흐름 파일을 선택하거나 로컬 시스템에서 파일을 업로드합니다. **참고** 로컬 업로드의 경우 한 번에 최대 20개의 흐름 파일을 업로드할 수 있습니다. 더 큰 가져오기의 경우 Amazon S3를 사용합니다. 가져올 폴더를 선택하면 하위 폴더의 모든 흐름 파일도 가져옵니다. 1. **데이터 가져오기**를 선택합니다. 가져오기에 성공하면 플로우 파일의 `X` 수를 성공적으로 가져왔다는 알림이 표시됩니다. 흐름 파일을 성공적으로 가져오지 못하면 SageMaker 캔버스 애플리케이션에서 알림을 받습니다. 알림 메시지에서 **오류 보기**를 선택하여 잘못된 형식의 흐름 파일을 다시 포맷하는 방법에 대한 지침은 개별 오류 메시지를 확인합니다. 흐름 파일 가져오기가 완료되면 SageMaker 캔버스 애플리케이션의 **Data Wrangler** 페이지로 이동하여 데이터 흐름을 확인합니다. 데이터 흐름을 열어 예상대로 보이는지 확인할 수 있습니다. # Amazon SageMaker Studio Classic **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic은 기계 학습(ML)을 위한 웹 기반 통합 개발 환경(IDE)입니다. Studio Classic을 사용하면 ML 모델을 빌드, 훈련, 디버깅, 배포 및 모니터링할 수 있습니다. Studio Classic에는 향상된 생산성으로 모델을 데이터 준비부터 실험, 생산까지 진행하는 데 필요한 모든 도구가 포함되어 있습니다. 단일 시각적 인터페이스에서 다음 작업을 수행할 수 있습니다. + Jupyter Notebook에서 코드 작성 및 실행 + 기계 학습을 위한 데이터 준비 + ML 모델 빌드 및 훈련 + 모델 배포 및 예측 성능 모니터링 + ML 실험 추적 및 디버깅 + 실시간으로 다른 사용자와 협업 Studio Classic 온보딩 단계에 대한 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 섹션을 참조하세요. 다른 사용자와의 실시간 협업에 대한 자세한 내용은 [공유 스페이스와의 협업](domain-space.md) 섹션을 참조하세요. Studio Classic에서 지원하는 AWS 리전은 섹션을 참조하세요[지원되는 리전 및 할당량](regions-quotas.md). ## Amazon SageMaker Studio Classic 유지 관리 단계 계획 다음 표에는 Amazon SageMaker Studio Classic이 확장 유지 관리 단계에 들어가는 타임라인에 대한 정보가 나와 있습니다. | Date | 설명 | | --- | --- | | 12/31/2024 | 12월 31일부터 Studio Classic은 유지 관리가 종료됩니다. 이 시점에 Studio Classic은 더 이상 업데이트 및 보안 수정을 받지 않습니다. 모든 새 도메인은 Amazon SageMaker Studio를 기본값으로 사용하여 생성됩니다. | | 1/31/2025 | 1월 31일부터 사용자는 더 이상 Studio Classic에서 새 JupyterLab 3 노트북을 생성할 수 없습니다. 또한 기존 노트북을 다시 시작하거나 업데이트할 수 없습니다. Studio에서만 기존 Studio Classic 애플리케이션에 액세스하여 기존 노트북을 삭제하거나 중지할 수 있습니다. | **참고** 기존 Studio Classic 도메인은 Studio로 자동 마이그레이션되지 않습니다. 마이그레이션에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에서 마이그레이션](studio-updated-migrate.md) 섹션을 참조하세요. **Topics** + [ ## Amazon SageMaker Studio Classic 유지 관리 단계 계획 ](#studio-deprecation) + [ ## Amazon SageMaker Studio Classic 기능 ](#studio-features) + [ # Amazon SageMaker Studio Classic UI 개요 ](studio-ui.md) + [ # Amazon SageMaker Studio Classic 시작 ](studio-launch.md) + [ # Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리 ](studio-jl.md) + [ # Amazon SageMaker Studio Classic 런처 열기 ](studio-launcher.md) + [ # Amazon SageMaker Studio Classic 노트북 사용 ](notebooks.md) + [ # Amazon SageMaker Studio Classic 사용자 지정 ](studio-customize.md) + [ # Amazon SageMaker Studio Classic에서 공통 작업 수행 ](studio-tasks.md) + [ # Amazon SageMaker Studio Classic 요금 ](studio-pricing.md) + [ # Amazon SageMaker Studio Classic의 문제 해결 ](studio-troubleshooting.md) ## Amazon SageMaker Studio Classic 기능 Studio Classic에는 다음 기능이 포함되어 있습니다. + [SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html) + [SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/model-explainability.html) + [SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html) + [SageMaker Debugger](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html) + [SageMaker Experiments](https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html) + [SageMaker Feature Store](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-use-with-studio.html) + [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html) + [Amazon SageMaker Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio.html) + [SageMaker Model Registry](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html) + [SageMaker Projects](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects.html) + [SageMaker Studio Classic 노트북](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html) + [SageMaker Studio Universal Notebook](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html) # Amazon SageMaker Studio Classic UI 개요 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic은 AWS 컴퓨팅의 성능을 활용하여 Machine Learning(ML) 프로세스의 속도를 높일 수 있는 사용자 지정 리소스로 JupyterLab의 기능을 확장합니다. JupyterLab의 이전 사용자는 사용자 인터페이스의 유사성을 알 수 있습니다. 가장 눈에 띄는 추가 기능은 다음 섹션에서 자세히 설명합니다. 원본 JupyterLab 인터페이스에 대한 개요는 [JupyterLab 인터페이스](https://jupyterlab.readthedocs.io/en/latest/user/interface.html)를 참조하세요. 다음 이미지는 Amazon SageMaker Studio Classic을 시작할 때의 기본 보기를 보여줍니다. *왼쪽 탐색* 패널에는 기능의 최상위 범주가 모두 표시되고 *기본= 작업 영역*에는 *[Amazon SageMaker Studio Classic 홈 페이지](#studio-ui-home)*가 열립니다. 언제든지 **홈** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/house.png))을 선택한 다음 탐색 메뉴에서 **홈** 노드를 선택하여 이 중심 위치로 돌아갑니다. Amazon SageMaker Studio Classic 기능을 설정하고 익히는 방법에 대한 제품 내 실무 가이드를 보려면 **시작하기 노트북**을 사용해 보세요. Studio Classic 홈 페이지의 **빠른 작업** 섹션에서 **시작하기 노트북 열기**를 선택합니다. ![\[SageMaker Studio Classic 홈 페이지\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-home.png) **참고** 이 챕터는 JupyterLab3 버전 `v5.38.x` 이상에서 사용할 수 있는 Studio Classic의 업데이트된 사용자 인터페이스(UI)를 기반으로 합니다. Studio Classic UI 버전을 검색하려면 [Studio Classic 런처](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html)에서 시스템 터미널을 열고 `conda activate studio` 실행 `jupyter labextension list` 실행 출력에서 `@amzn/sagemaker-ui version`후 표시되는 버전을 검색합니다. Amazon SageMaker Studio Classic 업데이트에 대한 자세한 내용은 [Amazon SageMaker Studio Classic 종료 및 업데이트](studio-tasks-update-studio.md) 섹션을 참조하세요. **Topics** + [ ## Amazon SageMaker Studio Classic 홈 페이지 ](#studio-ui-home) + [ ## Amazon SageMaker Studio Classic 레이아웃 ](#studio-ui-layout) ## Amazon SageMaker Studio Classic 홈 페이지 홈 페이지에서는 일반적인 작업과 워크플로에 액세스할 수 있습니다. 특히 여기에는 노트북 및 기타 리소스를 생성하는 **시작 관리자 열기**, Data Wrangler에서 새 흐름을 생성하기 위한 **시각적 데이터 가져오기 및 준비**와 같은 일반적인 작업을 위한 **빠른 작업** 목록이 포함되어 있습니다.**홈** 페이지에는 UI의 주요 컨트롤에 대한 툴팁도 제공됩니다. **사전 구축되고 자동화된 솔루션**을 사용하면 Amazon SageMaker JumpStart 및 Autopilot과 같은 SageMaker AI의 로코드 솔루션을 빠르게 시작할 수 있습니다. **워크플로 및 작업**에서 ML 워크플로의 각 단계에 대한 관련 작업 목록을 찾아 작업에 적합한 도구를 찾을 수 있습니다. 예를 들어, **데이터 변환, 분석 및 내보내기**를 수행하면 Amazon SageMaker Data Wrangler로 이동하여 워크플로를 열어 새 데이터 흐름을 생성하거나, **모든 실험 보기**를 선택하면 SageMaker Experiments로 이동하여 실험 목록 보기를 열 수 있습니다. Studio Classic을 시작하면 메인 작업 영역에 **홈** 페이지가 열립니다. **홈** 탭의 오른쪽 상단에서 **레이아웃 사용자 지정** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/layout.png))을 선택하여 SageMaker AI **홈** 페이지를 사용자 지정할 수 있습니다. ## Amazon SageMaker Studio Classic 레이아웃 Amazon SageMaker Studio Classic 인터페이스는 상단의 *메뉴 막대*, **홈** 아이콘 및 **파일 탐색기**와 같은 다양한 아이콘을 표시하는 접을 수 있는 *왼쪽 사이드바*, 화면 하단의 *상태 표시줄*, 가로로 두 개의 창으로 나누어진 *중앙 영역*으로 구성되어 있습니다. 왼쪽 창은 접을 수 있는 *탐색 패널*입니다. 오른쪽 창 또는 기본 작업 영역에는 시작 관리자, 노트북, 터미널, 지표 및 그래프와 같은 리소스에 대한 하나 이상의 탭이 포함되어 있으며 더 자세히 나눌 수 있습니다. Studio Classic에서 **버그를 신고**하거나 알림 아이콘(![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/icons/Notification.png))을 선택하여 메뉴 막대의 오른쪽 모서리에 있는 새 Studio Classic 버전 및 새로운 SageMaker AI 기능과 같은 Studio Classic의 알림을 볼 수 있습니다. 새 버전의 Studio Classic으로 업데이트하려면 [Amazon SageMaker Studio Classic과 앱 종료 및 업데이트](studio-tasks-update.md) 섹션을 참조하세요. 다음 섹션에서는 Studio Classic 기본 사용자 인터페이스 영역에 대해 설명합니다. ### 왼쪽 사이드바 *왼쪽 사이드바*에는 다음과 같은 아이콘이 포함되어 있습니다. 아이콘 위에 마우스를 놓으면 도구 설명에 아이콘 이름이 표시됩니다. 아이콘을 한 번 클릭하면 설명된 기능이 포함된 왼쪽 탐색 패널이 열립니다. 두 번 클릭하면 왼쪽 탐색 패널이 최소화됩니다. | 아이콘 | 설명 | | --- | --- | | ![\[홈 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/house@2x.png) | **홈** *왼쪽 탐색* 패널에서 최상위 탐색 메뉴를 열려면 **홈** 아이콘을 선택합니다. **홈** 탐색 메뉴를 사용하면 ML 워크플로의 각 단계에 적합한 도구를 찾고 탐색할 수 있습니다. 메뉴는 빠른 시작 솔루션과 문서, 안내 튜토리얼 등의 학습 리소스에 대한 바로가기도 제공합니다. 메뉴 카테고리는 관련 기능을 함께 그룹화합니다. 예를 들어 **데이터**를 선택하면 데이터 준비 작업을 위한 관련 SageMaker AI 기능이 확장됩니다. 여기에서 Data Wrangler로 데이터를 준비하고, Amazon SageMaker Feature Store로 ML 기능을 생성 및 저장하고, 대규모 데이터 처리를 위해 Amazon EMR 클러스터를 관리할 수 있습니다. 범주는 데이터 준비부터 ML 모델 구축, 훈련 및 배포(데이터, 파이프라인, 모델 및 배포)까지 일반적인 ML 워크플로에 따라 정렬됩니다. 특정 노드(예: Data Wrangler)를 선택하면 기본 작업 영역에 해당 페이지가 열립니다. 탐색 메뉴에서 **홈**을 선택하여 [Amazon SageMaker Studio Classic 홈 페이지](#studio-ui-home)를 엽니다. | | ![\[파일 브라우저 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/folder@2x.png) | **파일 브라우저** **파일 브라우저**에는 노트북, 실험, 시도, 시도 구성 요소, 엔드포인트 및 로우 코드 솔루션 목록이 표시됩니다. 개인 공간에 있는지 공유 공간에 있는지에 따라 파일에 액세스할 수 있는 사람이 결정됩니다. 오른쪽 상단을 보면 현재 어떤 유형의 공간에 있는지 확인할 수 있습니다. 개인 앱에 있는 경우 *[user\$1name]*** / Personal Studio** 뒤에 사용자 아이콘이 표시되고 공동 작업 공간에 있는 경우 지구본 아이콘 뒤에 '*[user\$1name] ***/** *[space\$1name]*'이 표시됩니다. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/studio-ui.html) 계층적 항목의 경우 브라우저 맨 위에 있는 선택 가능한 브레드크럼에 계층 내 사용자의 위치가 표시됩니다. | | ![\[속성 검사기 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/gears@2x.png) | **속성 검사** 속성 검사기는 열려 있을 때 상황에 맞는 속성 설정을 표시하는 노트북 셀 도구 검사기입니다. | | ![\[터미널 및 커널 실행 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels@2x.png) | **터미널 및 커널 실행** 모든 노트북, 코드 콘솔 및 디렉터리에서 현재 실행 중인 모든 *커널* 및 *터미널* 목록을 확인할 수 있습니다. 노트북, 터미널, 커널, 앱, 인스턴스 등 개별 리소스를 종료할 수 있습니다. 이러한 범주 중 하나에 있는 모든 리소스를 동시에 종료할 수도 있습니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 리소스 종료](notebooks-run-and-manage-shut-down.md) 섹션을 참조하세요. | | ![\[Git 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/git@2x.png) | **Git** Git 리포지토리에 연결하여 전체 Git 도구 및 연산에 액세스할 수 있습니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 Git 리포지토리 복제](studio-tasks-git.md) 섹션을 참조하세요. | | ![\[목차 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/table-of-contents@2x.png) | **목차**노트북이나 Python 파일이 열려 있을 때 문서 구조를 탐색할 수 있습니다.노트북, 마크다운 파일 또는 Python 파일을 열면 왼쪽 탐색 패널에 목차가 자동으로 생성됩니다. 항목을 클릭할 수 있으며 문서를 해당 제목으로 스크롤합니다. | | ![\[확장 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/extensions@2x.png) | **확장 프로그램** 타사 JupyterLab 확장 프로그램을 켜고 관리할 수 있습니다. 이미 설치된 확장 프로그램을 확인하고 검색 창에 이름을 입력하여 확장 프로그램을 검색할 수 있습니다. 설치하려는 확장 프로그램을 찾았으면 **설치**를 선택합니다. 새 확장 프로그램을 설치한 후에는 브라우저를 새로고침하여 JupyterLab을 다시 시작하세요.자세한 내용은 [JupyterLab 확장 프로그램 문서](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html)를 참조하세요. | ### 왼쪽 탐색 패널 왼쪽 탐색 패널 내용은 왼쪽 사이드바에서 선택한 아이콘에 따라 달라집니다. 예를 들어 **홈** 아이콘을 선택하면 탐색 메뉴가 표시됩니다. **파일 브라우저**를 선택하면 작업 영역에서 사용할 수 있는 모든 파일 및 디렉터리(노트북, 실험, 데이터 흐름, 시험 구성 요소, 엔드포인트 또는 로우 코드 솔루션)가 나열됩니다. 탐색 메뉴에서 노드를 선택하면 기본 작업 영역에 해당 기능 페이지가 나타납니다. 예를 들어 **데이터** 메뉴에서 **Data Wrangler**를 선택하면 기존 흐름을 모두 나열하는 **Data Wrangler** 탭이 열립니다. ### 주 작업 영역 기본 작업 영역은 열려 있는 노트북 및 터미널과 실험 및 엔드포인트에 대한 자세한 정보가 포함된 여러 탭으로 구성됩니다. 기본 작업 영역에서 문서(예: 노트북, 텍스트 파일)와 기타 활동(예: 터미널, 코드 콘솔)을 탭 패널로 정렬하여 크기를 조정하거나 세분화할 수 있습니다. 탭을 탭 패널 가운데로 드래그하여 탭을 패널로 이동합니다. 탭을 패널의 왼쪽, 오른쪽, 위쪽 또는 아래쪽으로 드래그하여 탭 패널을 세분화합니다. 현재 활동의 탭에는 색상이 지정된 위쪽 테두리(기본적으로 파란색)가 표시됩니다. **참고** 모든 기능 페이지는 제품 내 상황별 도움말을 제공합니다. 도움말에 액세스하려면 **정보 보기**를 선택합니다. 도움말 인터페이스는 도구에 대한 간략한 소개와 비디오, 자습서 또는 블로그와 같은 추가 리소스에 대한 링크를 제공합니다. # Amazon SageMaker Studio Classic 시작 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker AI 도메인에 온보딩한 후에는 SageMaker AI 콘솔 또는 AWS CLI중 하나에서 Amazon SageMaker Studio Classic 애플리케이션을 실행할 수 있습니다. 도메인 온보딩에 대한 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 섹션을 참조하세요. **Topics** + [ ## Amazon SageMaker AI 콘솔을 사용하여 Amazon SageMaker Studio Classic 시작 ](#studio-launch-console) + [ ## 를 사용하여 Amazon SageMaker Studio Classic 시작 AWS CLI ](#studio-launch-cli) ## Amazon SageMaker AI 콘솔을 사용하여 Amazon SageMaker Studio Classic 시작 Amazon SageMaker AI 콘솔에서 Studio Classic으로 이동하는 프로세스는 Studio Classic과 Amazon SageMaker Studio 중 어느 것이 도메인의 기본 경험으로 설정되어 있는지에 따라 달라집니다. 도메인의 기본 환경 설정에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에서 마이그레이션](studio-updated-migrate.md) 섹션을 참조하세요. **Topics** + [ ### 사전 조건 ](#studio-launch-console-prerequisites) ### 사전 조건 이 절차를 완료하려면 [Amazon SageMaker AI 도메인에 온보딩](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html)의 단계에 따라 도메인에 온보딩해야 합니다. ### Studio가 기본 환경인 경우 Studio Classic 시작 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio로 이동합니다. 1. Studio UI에서 왼쪽의 애플리케이션 창을 찾습니다. 1. 애플리케이션 창에서 **Studio Classic**을 선택합니다. 1. Studio Classic 랜딩 페이지에서 열 Studio Classic 인스턴스를 선택합니다. 1. '열기'를 선택합니다. ## 를 사용하여 Amazon SageMaker Studio Classic 시작 AWS CLI AWS Command Line Interface (AWS CLI)를 사용하여 미리 서명된 도메인 URL을 생성하여 Amazon SageMaker Studio Classic을 시작할 수 있습니다. **사전 조건** 시작하기 전에 다음 필수 조건을 완료합니다. + Amazon SageMaker AI 도메인에 온보딩합니다. 자세한 내용은 [Amazon SageMaker AI 도메인에 온보딩](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html)을 참조하세요. + 현재 버전 설치의 단계에 AWS CLI 따라를 업데이트합니다. [AWS CLI](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled) + 로컬 시스템에서를 실행`aws configure`하고 AWS 자격 증명을 제공합니다. 자격 증명에 대한 AWS 자세한 내용은 [AWS 자격 증명 이해 및 가져오기를 참조하세요](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html). 다음 코드 조각은 미리 서명된 도메인 URL을 AWS CLI 사용하여에서 Amazon SageMaker Studio Classic을 시작하는 방법을 보여줍니다. 자세한 내용은 [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html)을 참조하세요. ``` aws sagemaker create-presigned-domain-url \ --region region \ --domain-id domain-id \ --space-name space-name \ --user-profile-name user-profile-name \ --session-expiration-duration-in-seconds 43200 ``` # Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 지정할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 인터페이스는 노트북, 코드 및 데이터를 위한 웹 기반 대화형 개발 환경인 JupyterLab을 기반으로 합니다. Studio Classic은 JupyterLab 3 사용만 지원합니다. AWS Management Console 이전 또는 08/31/2022 이전를 사용하여 도메인 및 사용자 프로필을 생성한 경우 AWS Command Line Interface 02/22/23Studio Classic 인스턴스의 기본값은 JupyterLab 1입니다. 2024년 7월 1일 후에는 JupyterLab 1을 실행하는 Studio Classic 애플리케이션을 만들 수 없습니다. ## Jupyterlab 3 JupyterLab 3에는 이전 버전에서 사용할 수 없는 다음과 같은 기능이 포함되어 있습니다. 이러한 기능에 대한 자세한 내용은 [JupyterLab 3.0이 출시되었습니다\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb)를 참조하세요. + Base Python 2.0 및 Data Science 2.0 커널을 사용할 때의 비주얼 디버거 + 파일 브라우저 필터 + 목차 (TOC) + 다국어 지원 + 단순 모드 + 단일 인터페이스 모드 ### JupyterLab 3의 중요 변경사항 JupyterLab 3을 사용할 때는 다음 항목을 고려하세요. + 를 사용하여 JupyterLab 버전을 설정할 때의 이미지 목록에서 해당 리전 및 JupyterLab 버전에 해당하는 이미지를 AWS CLI선택합니다[에서 AWS CLI](#studio-jl-set-cli). + JupyterLab 3에서는 확장 프로그램을 설치하기 전에 `studio`conda 환경을 활성화해야 합니다. 자세한 내용은 [JupyterLab과 JupyterLab 서버 확장 프로그램 설치](#studio-jl-install)을 참조하세요. + 다음 이미지를 사용하는 경우에만 디버거가 지원됩니다. + Base Python 2.0 + Data Science 2.0 + Base Python 3.0 + Data Science 3.0 ## IAM 정책 조건 키를 사용하여 기본 JupyterLab 버전 제한하기 IAM 정책 조건 키를 사용하여 사용자가 시작할 수 있는 JupyterLab 버전을 제한할 수 있습니다. 다음 정책은 도메인 수준에서 JupyterLab 버전을 제한하는 방법을 보여줍니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "BlockJupyterLab3DomainLevelAppCreation", "Effect": "Deny", "Action": [ "sagemaker:CreateDomain", "sagemaker:UpdateDomain" ], "Resource": "*", "Condition": { "ForAnyValue:ArnLike": { "sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3" } } } ] } ``` ------ 다음 정책은 사용자 프로필 수준에서 JupyterLab 버전을 제한하는 방법을 보여줍니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "BlockUsersFromCreatingJupyterLab3Apps", "Effect": "Deny", "Action": [ "sagemaker:CreateUserProfile", "sagemaker:UpdateUserProfile" ], "Resource": "*", "Condition": { "ForAnyValue:ArnLike": { "sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3" } } } ] } ``` ------ 다음 정책은 애플리케이션 수준에서 JupyterLab 버전을 제한하는 방법을 보여줍니다. 이 정책을 적용하려면 `CreateApp`요청에 이미지 ARN이 포함되어야 합니다. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "BlockJupyterLab3AppLevelAppCreation", "Effect": "Deny", "Action": "sagemaker:CreateApp", "Resource": "*", "Condition": { "ForAnyValue:ArnLike": { "sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3" } } } ] } ``` ------ ## 기본 JupyterLab 버전 설정하기 다음 섹션에서는 콘솔 또는 AWS CLI를 사용하여 Studio Classic용 기본 JupyterLab 버전을 설정하는 방법을 보여줍니다.  ### 콘솔에서 리소스를 만드는 중에 도메인 또는 사용자 프로필 수준에서 사용할 기본 JupyterLab 버전을 선택할 수 있습니다. 콘솔을 사용하여 기본 JupyterLab 버전을 설정하려면 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md)을 참조하세요.  ### 에서 AWS CLI AWS CLI를 사용하여 도메인 또는 사용자 프로필 수준에서 사용할 기본 JupyterLab 버전을 선택할 수 있습니다.  를 사용하여 기본 JupyterLab 버전을 설정하려면 원하는 기본 JupyterLab 버전의 ARN을 AWS CLI 명령의 일부로 포함해야 AWS CLI합니다. 이 ARN은 SageMaker AI 도메인의 버전 및 리전에 따라 다릅니다.  다음 표에는 각 리전에서 사용 가능한 JupyterLab 버전의 ARN이 나열되어 있습니다. | 리전 | JL3 | | --- | --- | | us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/jupyter-server-3 | | us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/jupyter-server-3 | | us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/jupyter-server-3 | | us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/jupyter-server-3 | | af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/jupyter-server-3 | | ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/jupyter-server-3 | | ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/jupyter-server-3 | | ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/jupyter-server-3 | | ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/jupyter-server-3 | | ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/jupyter-server-3 | | ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/jupyter-server-3 | | ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/jupyter-server-3 | | eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/jupyter-server-3 | | eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/jupyter-server-3 | | eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/jupyter-server-3 | | eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/jupyter-server-3 | | eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/jupyter-server-3 | | eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/jupyter-server-3 | | eu-south-2 | arn:aws:sagemaker:eu-south-2:127363102723:image/jupyter-server-3 | | sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/jupyter-server-3 | | cn-north-1 | arn:aws-cn:sagemaker:cn-north-1:390048526115:image/jupyter-server-3 | | cn-northwest-1 | arn:aws-cn:sagemaker:cn-northwest-1:390780980154:image/jupyter-server-3 | #### 도메인 만들기 또는 업데이트 [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html) 또는 [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)을 간접 호출하고 `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` 필드를 전달하여 도메인 수준에서 기본 JupyterServer 버전을 설정할 수 있습니다. 다음은 AWS CLI를 사용하여 JupyterLab 3을 기본값으로 사용하여 도메인을 만드는 방법을 보여줍니다. ``` aws --region \ sagemaker create-domain \ --domain-name \ --auth-mode \ --subnet-ids  \ --vpc-id  \ --default-user-settings '{   "JupyterServerAppSettings": {     "DefaultResourceSpec": {       "SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",       "InstanceType": "system"     }   } }' ``` 다음은 AWS CLI를 사용하여 JupyterLab 3을 기본값으로 사용하도록 도메인을 업데이트하는 방법을 보여줍니다. ``` aws --region \ sagemaker update-domain \ --domain-id \ --default-user-settings '{ "JupyterServerAppSettings": { "DefaultResourceSpec": { "SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3", "InstanceType": "system" } } }' ``` #### 사용자 프로필 생성 또는 업데이트 [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) 또는 [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)을 호출하고 `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn`필드를 전달하여 사용자 프로필 수준에서 기본 JupyterServer 버전을 설정할 수 있습니다. 다음은 AWS CLI를 사용하여 기존 도메인에서 JupyterLab 3을 기본값으로 사용하는 사용자 프로필을 만드는 방법을 보여줍니다. ``` aws --region \ sagemaker create-user-profile \ --domain-id \ --user-profile-name \ --query UserProfileArn --output text \ --user-settings '{   "JupyterServerAppSettings": {     "DefaultResourceSpec": {       "SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",       "InstanceType": "system"     }   } }' ``` 다음은 AWS CLI를 사용하여 JupyterLab 3을 기본값으로 사용하도록 사용자 프로필을 업데이트하는 방법을 보여줍니다. ``` aws --region \ sagemaker update-user-profile \ --domain-id \ --user-profile-name \ --user-settings '{ "JupyterServerAppSettings": { "DefaultResourceSpec": { "SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3", "InstanceType": "system" } } }' ``` ## 콘솔에서 JupyterLab 버전의 애플리케이션 보기 및 업데이트 다음은 JupyterLab 버전의 애플리케이션을 보고 업데이트하는 방법을 보여줍니다. 1. SageMaker AI **도메인** 페이지로 이동합니다. 1. 도메인의 사용자 프로필을 보려면 도메인을 선택합니다. 1. 애플리케이션을 보려면 사용자를 선택합니다. 1. JupyterLab 버전의 애플리케이션을 보려면 애플리케이션 이름을 선택합니다. 1. JupyterLab 버전을 업데이트하려면 **작업**을 선택합니다. 1. 드롭다운 메뉴에서 **JupyterLab 버전 변경**을 선택합니다. 1. **Studio Classic 설정** 페이지의 드롭다운 메뉴에서 JupyterLab 버전을 선택합니다. 1. 사용자 프로파일의 JupyterLab 버전이 성공적으로 업데이트된 후 JupyterServer 애플리케이션을 다시 시작하여 버전 변경 사항을 적용합니다. JupyterServer 애플리케이션을 다시 시작하는 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic 종료 및 업데이트](studio-tasks-update-studio.md)을 참조하세요. ## JupyterLab과 JupyterLab 서버 확장 프로그램 설치 JupyterLab 3에서는 확장 프로그램을 설치하기 전에 `studio`conda 환경을 활성화해야 합니다. Studio Classic 내에서 확장을 설치하는 경우와 수명 주기 구성 스크립트를 사용하는 경우 방법이 다릅니다. ### Studio Classic 내에서 확장 프로그램 설치 Studio Classic 내에서 확장 프로그램을 설치하려면 확장 프로그램을 설치하기 전에 `studio` 환경을 활성화해야 합니다. ``` # Before installing extensions conda activate studio # Install your extensions pip install # After installing extensions conda deactivate ``` ### 수명 주기 구성 스크립트를 사용하여 확장 프로그램 설치 수명 주기 구성 스크립트에 JupyterLab 및 Jupyter 서버 확장 프로그램을 설치하는 경우 JupyterLab 3에서 작동하도록 스크립트를 수정해야 합니다. 다음 섹션에서는 기존 수명 주기 구성 스크립트와 새 수명 주기 구성 스크립트에 필요한 코드를 보여줍니다. #### 기존 수명 주기 구성 스크립트 JupyterLab의 두 버전에서 모두 작동해야 하는 기존 수명 주기 구성 스크립트를 재사용하는 경우 스크립트에서 다음 코드를 사용합니다. ``` # Before installing extension export AWS_SAGEMAKER_JUPYTERSERVER_IMAGE="${AWS_SAGEMAKER_JUPYTERSERVER_IMAGE:-'jupyter-server'}" if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ] ; then eval "$(conda shell.bash hook)" conda activate studio fi; # Install your extensions pip install # After installing extension if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ]; then conda deactivate fi; ``` #### 새 수명 주기 구성 스크립트 JupyterLab 3만 사용하는 새 수명 주기 구성 스크립트를 작성하는 경우 스크립트에서 다음 코드를 사용할 수 있습니다. ``` # Before installing extension eval "$(conda shell.bash hook)" conda activate studio # Install your extensions pip install conda deactivate ``` # Amazon SageMaker Studio Classic 런처 열기 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 런처를 사용하여 노트북과 텍스트 파일을 만들고 터미널과 대화형 Python 쉘을 실행할 수 있습니다. 다음과 같은 방법으로 Studio Classic 런처를 열 수 있습니다. + Studio 인터페이스 왼쪽 상단에서 **Amazon SageMaker Studio Classic**을 선택합니다. + 키보드 단축키 `Ctrl + Shift + L`를 사용합니다. + Studio Classic 메뉴에서 **파일**을 선택한 다음 **새 런처**를 선택합니다. + SageMaker AI 파일 브라우저가 열려 있는 경우 Studio Classic 파일 브라우저 메뉴에서 더하기(**\$1**) 기호를 선택합니다. + **홈** 탭의 **빠른 작업** 섹션에서 **시작 관리자 열기**를 선택합니다. 시작 관리자가 새 탭에서 열립니다. **빠른 작업** 섹션이 기본적으로 표시되지만 비활성화할 수 있습니다. 이 섹션을 다시 켜려면 **레이아웃 사용자 지정**을 선택합니다. ![\[SageMaker Studio Classic 런처\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-new-launcher.png) 시작 관리자는 다음 두 섹션을 포함하고 있습니다. **Topics** + [ ## 노트북 및 컴퓨팅 리소스 ](#studio-launcher-launch) + [ ## 유틸리티 및 파일 ](#studio-launcher-other) ## 노트북 및 컴퓨팅 리소스 이 섹션에서는 노트북을 만들거나, 이미지 터미널을 열거나, Python 콘솔을 열 수 있습니다. 이러한 항목 중 하나를 만들거나 실행하려면: 1. **환경 변경**을 선택하여 SageMaker 이미지, 커널, 인스턴스 유형을 선택하고 선택적으로 이미지 시작 시 실행되는 수명 주기 구성 스크립트를 추가합니다. 수명 주기 구성 스크립트에 대한 자세한 내용은 [수명 주기 구성을 사용하여 Amazon SageMaker Studio Classic 사용자 지정](studio-lcc.md)을 참조하세요. 커널 업데이트에 대한 자세한 내용은 [Amazon SageMaker Studio Classic 노트북의 이미지 또는 커널 변경](notebooks-run-and-manage-change-image.md)을 참조하세요. 1. 항목을 선택합니다. **참고** 이 섹션에서 항목을 선택하면 추가 사용 요금이 부과될 수 있습니다. 자세한 내용은 [Amazon SageMaker Studio Classic 노트북의 사용량 측정](notebooks-usage-metering.md) 섹션을 참조하세요. 다음 항목을 사용할 수 있습니다. + **노트북** 선택한 SageMaker 이미지의 커널 세션에서 노트북을 실행합니다. 파일 브라우저에서 현재 선택한 폴더에 노트북을 만듭니다. 파일 브라우저를 보려면 Studio Classic의 왼쪽 사이드바에서 **파일 브라우저** 아이콘을 선택합니다. + **콘솔** 선택한 SageMaker 이미지의 커널 세션에서 쉘을 실행합니다. 파일 브라우저에서 현재 선택한 폴더에서 쉘을 엽니다. + **이미지 터미널** 선택한 SageMaker 이미지의 터미널 세션에서 터미널을 실행합니다. 사용자의 루트 폴더에서 터미널을 엽니다(파일 브라우저의 **홈** 폴더에 표시된 대로). **참고** 기본적으로 CPU 인스턴스는 `ml.t3.medium`인스턴스에서 시작되고 GPU 인스턴스는 `ml.g4dn.xlarge`인스턴스에서 시작됩니다. ## 유틸리티 및 파일 이 섹션에서는 노트북에 상황별 도움말을 추가하고, Python, Markdown 및 텍스트 파일을 만들고, 시스템 터미널을 열 수 있습니다. **참고** 이 섹션의 항목은 Amazon SageMaker Studio Classic의 컨텍스트에서 실행되며 사용 요금이 발생하지 않습니다. 다음 항목을 사용할 수 있습니다. + **상황별 도움말 보기** Studio Classic 노트북의 기능에 대한 상황별 도움말을 표시하는 새 탭을 엽니다. 도움말을 표시하려면 활성 노트북에서 기능을 선택하세요. 상황에 맞는 도움말을 더 쉽게 보려면 도움말 탭을 노트북 탭에 인접하도록 드래그하세요. 노트북 내에서 도움말 탭을 열려면 `Ctrl + I`를 누릅니다. 다음 스크린샷은 `Experiment.create`메서드에 대한 상황별 도움말을 보여줍니다. ![\[SageMaker Studio Classic 상황별 도움말\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-context-help.png) + **시스템 터미널** 사용자의 루트 폴더에서 `bash`쉘을 엽니다(파일 브라우저의 **홈** 폴더에 표시된 대로). + **텍스트 파일** 및 **마크다운 파일** 파일 브라우저에서 현재 선택한 폴더에 관련 유형의 파일을 만듭니다. 파일 브라우저를 보려면 왼쪽 사이드바에서 **파일 브라우저** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/folder.png))을 선택합니다. # Amazon SageMaker Studio Classic 노트북 사용 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 노트북은 컴퓨팅 인스턴스와 파일 스토리지를 미리 설정할 필요가 없기 때문에 빠르게 시작할 수 있는 공동 작업 노트북입니다. Studio Classic 노트북은 영구 스토리지를 제공하므로 노트북이 실행되는 인스턴스가 종료된 경우에도 노트북을 보고 공유할 수 있습니다. 노트북을 다른 사람과 공유하여 모델을 빌드하고 데이터를 탐색하는 동안 결과를 쉽게 재현하고 공동 작업을 할 수 있습니다. 보안 URL을 통해 노트북의 읽기 전용 복사본에 대한 액세스를 제공합니다. 노트북에 대한 종속 항목은 노트북의 메타데이터에 포함됩니다. 동료가 노트북을 복사하면 원본 노트북과 동일한 환경에서 해당 노트북이 열립니다. Studio Classic 노트북은 다음으로 정의된 환경에서 실행됩니다. + Amazon EC2 인스턴스 유형 - 노트북이 실행되는 하드웨어 구성입니다. 구성에는 프로세서의 수 및 유형(vCPU 및 vGPU)과 메모리 양 및 유형이 포함됩니다. 인스턴스 유형에 따라 요금 비율이 결정됩니다. + SageMaker 이미지 - SageMaker Studio Classic과 호환되는 컨테이너 이미지입니다. 이미지는 Studio Classic에서 노트북을 실행하는 데 필요한 커널, 언어 패키지 및 기타 파일로 구성됩니다. 한 인스턴스에 여러 이미지가 있을 수 있습니다. 자세한 내용은 [Amazon SageMaker Studio Classic의 사용자 지정 이미지](studio-byoi.md) 섹션을 참조하세요. + KernelGateway 앱 - SageMaker 이미지는 KernelGateway 앱으로 실행됩니다. 앱은 이미지에 있는 커널에 대한 액세스를 제공합니다. SageMaker AI 이미지와 KernelGateway 앱은 일대일 대응 관계에 있습니다. + 커널 - 노트북에 포함된 코드를 실행하는 프로세스입니다. 커널은 이미지의 *커널 사양*에 의해 정의됩니다. 이미지에는 커널이 여러 개 있을 수 있습니다. 노트북 내에서 이러한 리소스를 변경할 수 있습니다. 다음 다이어그램은 KernelGateway 앱, 사용자 및 도메인과 관련하여 노트북 커널이 실행되는 방식을 설명합니다. ![\[KernelGateway 앱, 사용자 및 도메인과 관련하여 노트북 커널이 실행되는 방식\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-components.png) 샘플 SageMaker Studio Classic 노트북은 [Amazon SageMaker 예시 GitHub 리포지토리](https://github.com/awslabs/amazon-sagemaker-examples)의 [aws\$1sagemaker\$1studio](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_sagemaker_studio) 폴더에서 사용할 수 있습니다. 각 노트북에는 적절한 커널로 노트북을 여는 데 필요한 SageMaker 이미지가 함께 제공됩니다. Studio Classic 노트북을 만들거나 사용하기 전에 SageMaker Studio Classic 인터페이스와 Studio Classic 노트북 도구 모음을 숙지하는 것이 좋습니다. 자세한 내용은 [Amazon SageMaker Studio Classic UI 개요](studio-ui.md) 및 [Studio Classic 노트북 툴바 사용](notebooks-menu.md) 섹션을 참조하세요. **Topics** + [ # Amazon SageMaker Studio Classic 노트북은 노트북 인스턴스와 어떻게 다른가요? ](notebooks-comparison.md) + [ # Amazon SageMaker Studio Classic 노트북 시작하기 ](notebooks-get-started.md) + [ # Amazon SageMaker Studio Classic 투어 ](gs-studio-end-to-end.md) + [ # Amazon SageMaker Studio Classic 노트북 만들기 또는 열기 ](notebooks-create-open.md) + [ # Studio Classic 노트북 툴바 사용 ](notebooks-menu.md) + [ # Amazon SageMaker Studio Classic에 외부 라이브러리 및 커널 설치 ](studio-notebooks-add-external.md) + [ # Amazon SageMaker Studio Classic 노트북 공유 및 사용 ](notebooks-sharing.md) + [ # Amazon SageMaker Studio Classic 노트북 및 앱 메타데이터 가져오기 ](notebooks-run-and-manage-metadata.md) + [ # Amazon SageMaker Studio Classic에서 노트북 차이점 가져오기 ](notebooks-diff.md) + [ # Amazon SageMaker Studio Classic 노트북에 대한 리소스 관리 ](notebooks-run-and-manage.md) + [ # Amazon SageMaker Studio Classic 노트북의 사용량 측정 ](notebooks-usage-metering.md) + [ # Amazon SageMaker Studio Classic 노트북에 사용 가능한 리소스 ](notebooks-resources.md) # Amazon SageMaker Studio Classic 노트북은 노트북 인스턴스와 어떻게 다른가요? **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 새 노트북을 시작할 때는 Amazon SageMaker AI 콘솔에서 노트북 인스턴스를 시작하는 대신 Amazon SageMaker Studio Classic에서 노트북을 만드는 것이 좋습니다. Studio Classic 노트북을 사용하면 다음과 같은 많은 이점이 있습니다. + **신속: **Studio Classic 노트북을 시작하는 것이 인스턴스 기반 노트북을 시작하는 것보다 빠릅니다. 일반적으로 인스턴스 기반 노트북보다 5\$110배 빠릅니다. + **간편한 노트북 공유**: 노트북 공유는 Studio Classic에 통합된 기능입니다. 사용자는 단 몇 번의 클릭만으로 노트북 코드와 이를 실행하는 데 필요한 SageMaker 이미지를 재현하는 공유 가능한 링크를 생성할 수 있습니다. + **최신 Python SDK: **Studio Classic 노트북은 최신 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)가 사전 설치되어 제공됩니다. + **Studio Classic의 모든 기능 이용:** Studio Classic 내에서 Studio Classic 노트북에 액세스할 수 있습니다. 따라서 Studio Classic을 나가지 않고 모델을 빌드, 훈련, 디버깅, 추적 및 모니터링할 수 있습니다. + **영구 사용자 디렉터리:** Studio 팀의 각 팀원은 자신의 노트북 및 기타 파일을 저장할 수 있는 자체 홈 디렉터리를 갖습니다. 디렉터리는 시작 시 모든 인스턴스와 커널에 자동으로 탑재되므로 노트북과 기타 파일을 항상 사용할 수 있습니다. 홈 디렉터리는 Amazon Elastic File System(Amazon EFS)에 저장되므로 다른 서비스에서 액세스할 수 있습니다. + **직접 액세스:** IAM Identity Center를 사용하는 경우 고유한 URL을 통해 IAM Identity Center ID를 사용하여 Studio Classic에 직접 액세스할 수 있습니다. 노트북을 실행 AWS Management Console 하기 위해와 상호 작용할 필요가 없습니다. + **최적화된 이미지:** Studio Classic 노트북에는 사전 정의된 SageMaker 이미지 설정 세트가 탑재되어 있어 보다 빠르게 시작할 수 있습니다. **참고** Studio Classic 노트북은 *로컬 모드*를 지원하지 않습니다. 그러나 노트북 인스턴스를 사용하여 데이터세트의 샘플을 로컬에서 훈련시킨 다음 Studio Classic 노트북에서 동일한 코드를 사용하여 전체 데이터세트를 훈련시킬 수 있습니다. SageMaker Studio Classic에서 노트북을 열 때 보기는 JupyterLab 인터페이스의 확장입니다. 주요 기능은 동일하므로 Jupyter Notebook 및 JupyterLab의 일반적인 기능을 찾을 수 있습니다. Studio Classic 인터페이스에 대한 자세한 내용은 [Amazon SageMaker Studio Classic UI 개요](studio-ui.md) 섹션을 참조하세요. # Amazon SageMaker Studio Classic 노트북 시작하기 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 시작하려면 사용자 또는 조직의 관리자가 SageMaker AI 도메인 온보딩 프로세스를 완료해야 합니다. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 단원을 참조하십시오. 다음과 같은 방법으로 Studio Classic 노트북에 액세스할 수 있습니다. + 조직의 IAM Identity Center를 통해 Studio Classic에 액세스할 수 있는 이메일 초대장을 받게 됩니다. 여기에는 Amazon SageMaker AI 콘솔을 사용하지 않고도 Studio Classic에 로그인할 수 있는 직접 링크가 포함되어 있습니다. [다음 단계](#notebooks-get-started-next-steps)로 이동할 수 있습니다. + 공유 Studio Classic 노트북 링크를 받게 되는데, 여기에는 SageMaker AI 콘솔을 사용하지 않고도 Studio Classic에 로그인할 수 있는 직접 링크가 포함되어 있습니다. [다음 단계](#notebooks-get-started-next-steps)로 이동할 수 있습니다. + 도메인에 온보딩한 후 SageMaker AI 콘솔에 로그인합니다. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 단원을 참조하십시오. ## Amazon SageMaker AI 시작 Studio Classic을 시작하려면 [Amazon SageMaker Studio Classic 시작](studio-launch.md)에서 단계를 완료하세요. ## 다음 단계 이제 Studio Classic에서 다음 옵션을 시도해 볼 수 있습니다. + Studio Classic 노트북을 만들거나 Studio Classic 엔드투엔드 튜토리얼 노트북을 탐색하려면 다음 섹션의 [Amazon SageMaker Studio Classic 투어](gs-studio-end-to-end.md)를 참조하세요. + Studio Classic 인터페이스에 익숙해지려면 [Amazon SageMaker Studio Classic UI 개요](studio-ui.md)를 참조하거나 Studio 홈 페이지의 **빠른 작업** 섹션에서 **시작하기 노트북 열기**를 선택하여 **시작하기 노트북**을 사용해 보세요. # Amazon SageMaker Studio Classic 투어 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic의 주요 기능을 둘러보는 안내는 [aws/amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub 리포지토리의 [xgboost\$1customer\$1churn\$1studio.ipynb](https://sagemaker-examples.readthedocs.io/en/latest/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.html) 샘플 노트북을 참조하세요. 노트북의 코드는 여러 모델을 훈련하고 SageMaker Debugger 및 SageMaker Model Monitor를 설정합니다. 연습에서는 시도를 보고, 결과 모델을 비교하고, 디버거 결과를 표시하고, Studio Classic UI를 사용하여 최상의 모델을 배포하는 방법을 보여줍니다. 이 연습을 따르기 위해 코드를 이해할 필요는 없습니다. **사전 조건** 이 둘러보기를 위해 노트북을 실행하려면 다음이 필요합니다. + Studio에 로그인하기 위한 IAM 계정입니다. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md)을 참조하세요. + Studio 사용자 인터페이스 및 Jupyter Notebook에 대한 기본 지식입니다. 자세한 내용은 [Amazon SageMaker Studio Classic UI 개요](studio-ui.md)을 참조하세요. + 해당 Studio 환경의 [aws/amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) 리포지토리의 복사본입니다. **리포지토리를 복제하려면** 1. [Amazon SageMaker Studio Classic 시작](studio-launch.md)의 단계를 따라 Studio Classic을 시작합니다. IAM Identity Center 사용자의 경우 초대 이메일의 URL을 사용하여 로그인합니다. 1. 상단 메뉴에서 **파일**을 선택한 다음 **새로 만들기**와 **터미널**을 차례로 선택합니다. 1. 명령 프롬프트에서 다음 명령을 실행하여 [aws/amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub 리포지토리를 복제합니다. ``` $ git clone https://github.com/aws/amazon-sagemaker-examples.git ``` **샘플 노트북으로 이동하려면** 1. 왼쪽 메뉴의 **파일 브라우저**에서 **amazon-sagemaker-examples**를 선택합니다. 1. 다음 경로를 사용하여 예제 노트북으로 이동합니다. `~/amazon-sagemaker-examples/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.ipynb` 1. 노트북을 따라 Studio Classic의 주요 기능에 대해 알아봅니다. **참고** 샘플 노트북을 실행할 때 오류가 발생하고 리포지토리를 복제한 후 시간이 경과한 경우 원격 리포지토리의 노트북에서 업데이트를 검토하세요. # Amazon SageMaker Studio Classic 노트북 만들기 또는 열기 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 지정할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 또는 [Studio Classic에서 노트북 열기](#notebooks-open)에서 처음 [파일 메뉴에서 노트북 생성](#notebooks-create-file-menu) 작업을 할 때 SageMaker 이미지, 커널, 인스턴스 유형 및 선택적으로 이미지 시작 시 실행되는 라이프사이클 구성 스크립트를 선택하여 환경을 설정하라는 메시지가 표시됩니다. SageMaker AI는 선택한 유형의 인스턴스에서 노트북을 시작합니다. CPU 기반 이미지의 경우 기본적으로 인스턴스 유형은 `ml.t3.medium`([AWS 프리 티어](https://aws.amazon.com/free)의 일부로 사용 가능)로 설정됩니다. GPU 기반 이미지의 경우 기본 인스턴스 유형은 `ml.g4dn.xlarge`입니다. 동일한 인스턴스 유형을 사용하는 추가 노트북을 생성하거나 여는 경우, 노트북이 동일한 커널을 사용하는지 여부에 관계없이 노트북은 해당 인스턴스 유형의 동일한 인스턴스에서 실행됩니다. 노트북을 시작한 후 노트북 내에서 인스턴스 유형, SageMaker 이미지 및 커널을 변경할 수 있습니다. 자세한 정보는 [Amazon SageMaker Studio Classic 노트북의 인스턴스 유형 변경](notebooks-run-and-manage-switch-instance-type.md)및 [Amazon SageMaker Studio Classic 노트북의 이미지 또는 커널 변경](notebooks-run-and-manage-change-image.md)을 참조하세요. **참고** 인스턴스 유형별로 하나의 인스턴스만 가질 수 있습니다. 각 인스턴스에는 여러 개의 SageMaker 이미지가 실행될 수 있습니다. 각 SageMaker 이미지는 여러 커널 또는 터미널 인스턴스를 실행할 수 있습니다. 지정된 인스턴스 유형의 첫 번째 인스턴스가 시작될 때 인스턴스별로 청구됩니다. 요금이 부과될 위험 없이 노트북을 만들거나 열려면 **파일** 메뉴에서 노트북을 열고 **커널 선택** 대화 상자에서 **커널 없음**을 선택하세요. 커널을 실행하지 않고도 노트북을 읽고 편집할 수 있지만 셀은 실행할 수 없습니다. 인스턴스에 대한 SageMaker 이미지가 종료되면 청구도 종료됩니다. 자세한 내용은 [Amazon SageMaker Studio Classic 노트북의 사용량 측정](notebooks-usage-metering.md) 섹션을 참조하세요. 노트북 종료에 대한 자세한 내용은 [리소스 종료](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions)을 참조하세요. **Topics** + [ ## Studio Classic에서 노트북 열기 ](#notebooks-open) + [ ## 파일 메뉴에서 노트북 생성 ](#notebooks-create-file-menu) + [ ## 시작 관리자에서 노트북 생성 ](#notebooks-create-launcher) + [ ## 사용 가능한 인스턴스 유형, 이미지, 커널 목록 ](#notebooks-instance-image-kernels) ## Studio Classic에서 노트북 열기 Amazon SageMaker Studio Classic에서는 Studio Classic 파일 브라우저에 나열된 노트북만 열 수 있습니다. 파일 브라우저에 노트북을 추가하는 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에 파일 업로드](studio-tasks-files.md)또는 [Amazon SageMaker Studio Classic에서 Git 리포지토리 복제](studio-tasks-git.md)을 참조하세요. **노트북을 열려면** 1. 왼쪽 사이드바에서 **파일 브라우저** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/folder.png))을 선택하여 파일 브라우저를 표시합니다. 1. 노트북 파일을 찾아보고 두 번 클릭하여 새 탭에서 노트북을 엽니다. ## 파일 메뉴에서 노트북 생성 **파일 메뉴에서 노트북을 생성하려면** 1. Studio Classic 메뉴에서 **파일**을 선택하고 **신규**를 선택한 후 **노트북**을 선택합니다. 1. **환경 변경** 대화 상자에서 드롭다운 메뉴를 사용하여 **이미지**, **커널**, **인스턴스 유형** 및 **시작 스크립트**를 선택한 다음 **선택**을 선택합니다. 노트북이 시작되고 새 Studio Classic 탭에서 열립니다. ![\[Studio Classic 노트북 환경 설정\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-notebook-environment-setup.png) ## 시작 관리자에서 노트북 생성 **시작 관리자에서 노트북을 생성하려면** 1. 런처를 열려면 Studio Classic 인터페이스 왼쪽 상단에서 **Amazon SageMaker Studio Classic**을 선택하거나 키보드 단축키 `Ctrl + Shift + L`을 사용하세요. 시작 관리자를 여는 데 사용할 수 있는 모든 방법에 대해 알아보려면 [Amazon SageMaker Studio Classic 런처 열기](studio-launcher.md)을 참조하세요. 1. 시작 관리자의 **노트북 및 컴퓨팅 리소스** 섹션에서 **환경 변경**을 선택합니다. ![\[SageMaker Studio Classic 노트북 환경 설정\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-launcher-notebook-creation.png) 1. **환경 변경** 대화 상자에서 드롭다운 메뉴를 사용하여 **이미지**, **커널**, **인스턴스 유형** 및 **시작 스크립트**를 선택한 다음 **선택**을 선택합니다. 1. 시작 관리자에서 **노트북 만들기**를 선택합니다. 노트북이 시작되고 새 Studio Classic 탭에서 열립니다. 노트북의 커널 세션을 보려면 왼쪽 사이드바에서 **실행 중인 터미널 및 커널** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png))을 선택합니다. 이 보기에서 노트북의 커널 세션을 중지할 수 있습니다. ## 사용 가능한 인스턴스 유형, 이미지, 커널 목록 사용 가능한 모든 리소스 목록은 다음을 참조하세요. + [Amazon SageMaker Studio Classic 노트북에 사용할 수 있는 인스턴스 유형](notebooks-available-instance-types.md) + [Studio Classic 노트북에 사용할 수 있는 Amazon SageMaker 이미지](notebooks-available-images.md) # Studio Classic 노트북 툴바 사용 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 노트북은 JupyterLab 인터페이스를 확장합니다. 원본 JupyterLab 인터페이스에 대한 개요는 [JupyterLab 인터페이스](https://jupyterlab.readthedocs.io/en/latest/user/interface.html)를 참조하세요. 다음 이미지는 Studio Classic 노트북의 툴바와 빈 셀을 보여줍니다. ![\[SageMaker Studio Classic 노트북 메뉴입니다.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-notebook-menu.png) 도구 모음 아이콘에서 일시 중지하면 툴팁에 아이콘 기능이 표시됩니다. 추가 노트북 명령은 Studio Classic 기본 메뉴에 있습니다. 도구 모음에는 다음 아이콘이 포함되어 있습니다. | 아이콘 | 설명 | | --- | --- | | ![\[저장 및 체크포인트 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png) | **저장 및 체크포인트** 노트북을 저장하고 체크포인트 파일을 업데이트합니다. 자세한 내용은 [마지막 체크포인트 간의 차이점 가져오기](notebooks-diff.md#notebooks-diff-checkpoint) 섹션을 참조하세요. | | ![\[셀 삽입 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-insert-cell.png) | **셀 삽입** 현재 셀 아래에 코드 셀을 삽입합니다. 현재 셀은 왼쪽 여백의 파란색 수직 마커로 표시됩니다. | | ![\[셀 잘라내기, 복사 및 붙여넣기 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-cut-copy-paste.png) | **셀 잘라내기, 복사 및 붙여넣기** 선택한 셀을 잘라내고 복사하고 붙여넣습니다. | | ![\[셀 실행 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-run.png) | **셀 실행** 선택한 셀을 실행한 다음 마지막으로 선택한 셀 뒤에 오는 셀을 새로 선택한 셀로 만듭니다. | | ![\[커널 중단 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-interrupt-kernel.png) | **커널 중단** 현재 실행 중인 작업을 취소하는 커널을 중단합니다. 커널은 활성 상태로 유지됩니다. | | ![\[커널 재시작 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel.png) | **커널 다시 시작** 커널을 다시 시작합니다. 변수가 재설정됩니다. 저장되지 않은 정보는 영향을 받지 않습니다. | | ![\[커널 재시작 및 모든 셀 실행 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel-run-all-cells.png) | **커널을 다시 시작하고 모든 셀을 실행** 커널을 다시 시작한 다음 노트북의 모든 셀을 실행합니다. | | ![\[셀 유형 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-cell-type.png) | **셀 유형** 현재 셀 유형을 표시하거나 변경합니다. 셀 유형은 다음과 같습니다. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-menu.html) | | ![\[터미널 시작 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png) | **터미널 시작** 노트북을 호스팅하는 SageMaker 이미지에서 터미널을 시작합니다. 예시는 [앱 메타데이터 가져오기](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app)을 확인하세요. | | ![\[체크포인트 차이 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png) | **체크포인트 차이** 노트북과 체크포인트 파일 간의 차이를 표시하는 새 탭을 엽니다. 자세한 내용은 [마지막 체크포인트 간의 차이점 가져오기](notebooks-diff.md#notebooks-diff-checkpoint) 섹션을 참조하세요. | | ![\[Git 차이 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png) | **Git 차이** 노트북이 Git 리포지토리에서 열린 경우에만 활성화됩니다. 노트북과 마지막 Git 커밋 간의 차이를 표시하는 새 탭을 엽니다. 자세한 내용은 [마지막 커밋 간의 차이점 가져오기](notebooks-diff.md#notebooks-diff-git) 섹션을 참조하세요. | | **2 vCPU \$1 4 GiB** | **인스턴스 유형** 노트북이 실행되는 인스턴스 유형을 표시하거나 변경합니다. 형식은 다음과 같습니다. `number of vCPUs + amount of memory + number of GPUs` `Unknown`은 커널을 지정하지 않고 노트북이 열렸음을 나타냅니다. 노트북은 SageMaker Studio 인스턴스에서 실행되며 런타임 비용이 발생하지 않습니다. 인스턴스 유형에 노트북을 할당할 수 없습니다. 커널을 지정해야 하며 그러면 Studio에서 노트북을 기본 유형에 할당합니다. 자세한 내용은 [Amazon SageMaker Studio Classic 노트북 만들기 또는 열기](notebooks-create-open.md) 및 [Amazon SageMaker Studio Classic 노트북의 인스턴스 유형 변경](notebooks-run-and-manage-switch-instance-type.md) 섹션을 참조하세요. | | ![\[클러스터 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-cluster.png) | **클러스터** 노트북을 Amazon EMR 클러스터에 연결하고 ETL 작업을 확장하거나 Apache Spark, Hive 또는 Presto를 사용하여 대규모 모델 훈련을 실행하세요. 자세한 내용은 [Amazon EMR을 사용한 데이터 준비](studio-notebooks-emr-cluster.md) 섹션을 참조하세요. | | **Python 3 (데이터 과학)** | **커널 및 SageMaker 이미지** 노트북에서 셀을 처리하는 커널을 표시하거나 변경합니다. 형식은 다음과 같습니다. `Kernel (SageMaker Image)` `No Kernel`은 커널을 지정하지 않고 노트북이 열렸음을 나타냅니다. 노트북을 편집할 수 있지만 아무 셀도 실행할 수 없습니다. 자세한 내용은 [Amazon SageMaker Studio Classic 노트북의 이미지 또는 커널 변경](notebooks-run-and-manage-change-image.md) 섹션을 참조하세요. | | ![\[커널 사용 중 상태 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-kernel-status.png) | **커널 사용 중 상태** 커널의 사용 중 상태를 표시합니다. 원의 가장자리와 그 내부가 같은 색이면 커널이 사용 중입니다. 커널이 시작되고 셀을 처리할 때 커널이 사용 중입니다. 추가 커널 상태는 SageMaker Studio의 왼쪽 하단 모서리에 있는 상태 표시줄에 표시됩니다. | | ![\[노트북 공유 아이콘\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-share.png) | **노트북 공유** 노트북을 공유합니다. 자세한 내용은 [Amazon SageMaker Studio Classic 노트북 공유 및 사용](notebooks-sharing.md) 섹션을 참조하세요. | 여러 셀을 선택하려면 셀 바깥쪽의 왼쪽 여백을 클릭합니다. `Shift` 키를 누른 상태에서 `K`또는 `Up`키를 사용하여 이전 셀을 선택하거나 `J`또는 `Down`키를 사용하여 다음 셀을 선택합니다. # Amazon SageMaker Studio Classic에 외부 라이브러리 및 커널 설치 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 노트북에는 여러 이미지가 이미 설치되어 있습니다. 이러한 이미지에는 scikit-learn, Pandas, NumPy, TensorFlow, PyTorch 및 MXNet을 포함한 커널과 Python 패키지가 포함되어 있습니다. 또한 원하는 패키지 및 커널이 포함된 고유 이미지를 설치할 수도 있습니다. 자체 이미지 설치에 대한 자세한 내용은 [Amazon SageMaker Studio Classic의 사용자 지정 이미지](studio-byoi.md)을 참조하세요. Amazon SageMaker Studio Classic 노트북 인스턴스의 다른 Jupyter 커널은 별개의 conda 환경입니다. conda 환경에 대한 자세한 내용은 [환경 관리](https://conda.io/docs/user-guide/tasks/manage-environments.html)를 참조하세요. ## Package 설치 도구 **중요** 현재 Amazon SageMaker 노트북의 모든 패키지는 Amazon SageMaker AI와 함께 사용할 수 있는 라이선스가 부여되며 추가 상용 라이선스가 필요하지 않습니다. 그러나 향후 변경될 수 있으므로 새로운 내용이 있는지 정기적으로 라이선스 조건을 검토하는 것이 좋습니다. 터미널에서 Python 패키지를 설치하는 데 사용하는 방법은 이미지에 따라 다릅니다. Studio Classic은 다음과 같은 패키지 설치 도구를 지원합니다. + **노트북** - 다음 명령이 지원됩니다. 다음 방법 중 하나가 이미지에서 작동하지 않으면 다른 방법을 시도해 보세요. + `%conda install` + `%pip install` + **Jupyter 터미널** - pip 및 conda를 사용하여 패키지를 직접 설치할 수 있습니다. `apt-get install`를 사용하여 터미널에서 시스템 패키지를 설치할 수도 있습니다. **참고** `pip install -u` 또는 `pip install --user`명령은 사용자의 Amazon EFS 볼륨에 패키지를 설치하고 잠재적으로 JupyterServer 앱 재시작을 차단할 수 있으므로 사용하지 않는 것이 좋습니다. 대신 [수명 주기 구성을 사용하여 패키지 설치](#nbi-add-external-lcc)에 나와 있는 것처럼 수명 주기 구성을 사용하여 앱 재시작 시 필요한 패키지를 다시 설치하세요. 사용 중인 활성 환경이나 인터프리터를 올바르게 고려하므로 노트북 내에서 패키지를 설치할 때 `%pip`및 `%conda`을 사용하는 것이 좋습니다. 자세한 내용은 [%pip 및 %conda 매직 함수 추가](https://github.com/ipython/ipython/pull/11524)를 참조하세요. 시스템 명령 구문(\$1으로 시작하는 줄)을 사용하여 패키지를 설치할 수도 있습니다. 예: `!pip install`, `!conda install`. ### Conda Conda는 패키지와 해당 종속성을 설치할 수 있는 오픈 소스 패키지 관리 시스템 및 환경 관리 시스템입니다. SageMaker AI는 conda-forge 채널과 함께 conda 사용을 지원합니다. 자세한 내용은 [Conda 채널](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html)을 참조하세요. conda-forge 채널은 기여자가 패키지를 업로드할 수 있는 커뮤니티 채널입니다. **참고** conda-forge에서 패키지를 설치하는 데에는 최대 10분이 걸릴 수 있습니다. 타이밍은 conda가 종속성 그래프를 해결하는 방법과 관련이 있습니다. SageMaker AI에서 제공하는 모든 환경이 작동합니다. 사용자가 설치한 패키지는 제대로 작동하지 않을 수 있습니다. Conda에는 환경을 활성화하는 `conda activate`및 `source activate`라는 두 가지 방법이 있습니다. 자세한 내용은 [환경 변수](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html)를 참조하세요. **지원되는 conda 작업** + 단일 환경에서 패키지의 `conda install` + 모든 환경에서 패키지의 `conda install` + 기본 conda 리포지토리에서 패키지 설치 + conda-forge에서 패키지 설치 + Amazon EBS를 사용하도록 conda 설치 위치 변경 + `conda activate` 및`source activate` 모두 지원 ### Pip Pip은 Python 패키지를 설치하고 관리하는 도구입니다. Pip은 기본적으로 PyPI(Python Package Index)에서 패키지를 검색합니다. conda와 달리 pip에는 환경 지원이 내장되어 있지 않습니다. 따라서 네이티브 또는 시스템 라이브러리 종속성이 있는 패키지의 경우 pip는 conda만큼 철저하지 않습니다. Pip는 conda 환경에 패키지를 설치하는 데 사용할 수 있습니다. PyPI 대신 pip로 대체 패키지 리포지토리를 사용할 수 있습니다. **지원되는 pip 작업** + 활성 conda 환경 없이 pip를 사용하여 패키지 설치 + pip를 사용하여 conda 환경에 패키지 설치 + pip를 사용하여 모든 conda 환경에 패키지 설치 + Amazon EBS를 사용하도록 pip 설치 위치 변경 + 대체 리포지토리를 사용하여 pip로 패키지 설치 ### 지원되지 않음 SageMaker AI는 가능한 한 많은 패키지 설치 작업을 지원하는 것을 목표로 합니다. 하지만 SageMaker AI에서 패키지를 설치하고 이러한 패키지에서 다음 작업을 사용하는 경우 환경이 불안정해질 수 있습니다. + 설치 제거 + 다운그레이드 + 업그레이드 네트워크 상태 또는 구성 또는 conda 또는 PyPI의 가용성과 관련된 잠재적 문제로 인해 패키지는 고정되거나 결정된 시간 내에 설치되지 않을 수 있습니다. **참고** 호환되지 않는 종속성이 있는 환경에서 패키지를 설치하려고 하면 오류가 발생할 수 있습니다. 문제가 발생하는 경우 라이브러리 관리자에게 패키지 종속성 업데이트에 대해 문의할 수 있습니다. 기존 패키지를 제거하거나 업데이트하는 등 환경을 수정할 경우 해당 환경이 불안정해질 수 있습니다. ## 수명 주기 구성을 사용하여 패키지 설치 Studio Classic 인스턴스의 Amazon EBS 볼륨에 사용자 지정 이미지와 커널을 설치하여 노트북을 중지하고 다시 시작할 때 해당 이미지와 커널이 유지되고 설치한 외부 라이브러리가 SageMaker AI에서 업데이트되지 않도록 합니다. 이렇게 하려면 노트북을 만들 때 실행되는 스크립트(`on-create)`와 노트북을 다시 시작할 때마다 실행되는 스크립트(`on-start`))가 모두 포함된 수명 주기 구성을 사용하세요. Studio Classic 수명 주기 구성에 대한 자세한 내용은 [수명 주기 구성을 사용하여 Amazon SageMaker Studio Classic 사용자 지정](studio-lcc.md) 섹션을 참조하세요. 샘플 수명 주기 구성 스크립트는 [SageMaker AI Studio Classic Lifecycle Configuration Samples](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples)을 참조하세요. # Amazon SageMaker Studio Classic 노트북 공유 및 사용 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 지정할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 노트북을 동료와 공유할 수 있습니다. 공유 노트북은 복사본입니다. 노트북을 공유한 후 원본 노트북에서 변경한 내용이 공유 노트북에 반영되지 않으며 동료가 노트북의 공유 복사본에서 변경한 내용이 원래 노트북에 반영되지 않습니다. 최신 버전을 공유하려면 새 스냅샷을 생성한 다음 공유해야 합니다. **Topics** + [ ## 노트북 공유 ](#notebooks-sharing-share) + [ ## 공유 노트북 사용 ](#notebooks-sharing-using) + [ ## 공유 공간 및 실시간 협업 ](#notebooks-sharing-rtc) ## 노트북 공유 다음 스크린샷은 Studio Classic 노트북의 메뉴를 보여줍니다. ![\[Studio Classic 노트북에서 공유 아이콘의 위치\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-notebook-menu-share.png) **노트북을 공유하려면** 1. 노트북의 오른쪽 상단 모서리에서 **공유**를 선택합니다. 1. (선택 사항) **공유 가능한 스냅샷 생성**에서 다음 항목 중 하나를 선택합니다. + **Git 리포지토리 정보 포함** - 노트북이 들어 있는 Git 리포지토리에 대한 링크를 포함합니다. 이렇게 하면 사용자와 동료가 동일한 Git 리포지토리에서 공동 작업을 수행하고 기여할 수 있습니다. + **출력 포함** – 저장된 모든 노트북 출력을 포함합니다. **참고** IAM Identity Center 사용자인데 이러한 옵션이 표시되지 않으면 IAM Identity Center 관리자가 이 기능을 비활성화했을 수 있습니다. 이 경우 관리자에게 문의하세요. 1. **생성(Create)**을 선택합니다. 1. 스냅샷이 생성된 후 **링크 복사**를 선택하고 **닫기**를 선택합니다. 1. 동료와 링크를 공유합니다. 공유 옵션을 선택하고 나면 URL이 제공됩니다. Amazon SageMaker Studio Classic에 액세스할 수 있는 사용자와 이 링크를 공유할 수 있습니다. 사용자가 URL을 열면 IAM Identity Center 또는 IAM 인증을 사용하여 로그인하라는 메시지가 표시됩니다. 이 공유 노트북은 복사본이 되므로 수신자가 변경한 내용은 원본 노트북에 재현되지 않습니다. ## 공유 노트북 사용 공유 노트북은 직접 생성한 노트북과 동일한 방식으로 사용합니다. 먼저 계정에 로그인한 다음 공유 링크를 열어야 합니다. 활성 세션이 없는 경우 오류가 발생합니다. 공유 노트북 링크를 처음 선택하면 읽기 전용 버전의 노트북이 열립니다. 공유 노트북을 편집하려면 **복사본 생성**을 선택합니다. 이렇게 하면 공유 노트북이 개인 스토리지에 복사됩니다. 복사된 노트북은 발신자가 공유했을 때 노트북을 사용하던 인스턴스 유형 및 SageMaker 이미지의 인스턴스에서 시작됩니다. 현재 인스턴스 유형의 인스턴스를 실행하고 있지 않으면 새 인스턴스가 시작됩니다. SageMaker 이미지에 대한 사용자 지정은 공유되지 않습니다. **스냅샷 세부 정보**를 선택하여 노트북 스냅샷을 검사할 수도 있습니다. 다음은 공유 및 인증에 대한 몇 가지 중요한 고려 사항입니다. + 활성 세션이 있는 경우 **복사본 생성**을 선택할 때까지 노트북에 대한 읽기 전용 보기가 표시됩니다. + 활성 세션이 없는 경우 로그인을 해야 합니다. + IAM을 사용하여 로그인하는 경우 로그인 후 사용자 프로필을 선택한 다음 **Studio Classic 열기**를 선택합니다. 그런 다음 전달 받은 링크를 선택해야 합니다. + IAM Identity Center를 사용하여 로그인하면 로그인 후 공유 노트북이 Studio에서 자동으로 열립니다. ## 공유 공간 및 실시간 협업 공유 공간은 공유 JupyterServer 애플리케이션과 공유 디렉터리로 구성됩니다. 공유 공간의 주요 이점은 공유 공간 구성원 간의 협업이 실시간으로 촉진된다는 것입니다. 작업 공간에서 협업하는 사용자는 노트북에 실시간으로 액세스하여 읽고, 편집할 수 있는 공유 Studio Classic 애플리케이션에 액세스할 수 있습니다. 실시간 협업은 공유 스페이스 내의 JupyterServer 애플리케이션에서만 지원됩니다. 공유 공간에 액세스할 수 있는 사용자는 해당 공간의 공유 Studio Classic 애플리케이션에서 Jupyter notebook을 동시에 열고, 보고, 편집하고, 실행할 수 있습니다. 공유 공간 및 실시간 공동 작업에 대한 자세한 내용은 [공유 스페이스와의 협업](domain-space.md)을 참조하세요. # Amazon SageMaker Studio Classic 노트북 및 앱 메타데이터 가져오기 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic UI를 사용하여 노트북 메타데이터 및 앱 메타데이터에 액세스할 수 있습니다. **Topics** + [ ## Studio Classic 노트북 메타데이터 가져오기 ](#notebooks-run-and-manage-metadata-notebook) + [ ## 앱 메타데이터 가져오기 ](#notebooks-run-and-manage-metadata-app) ## Studio Classic 노트북 메타데이터 가져오기 Jupyter Notebook에는 Amazon SageMaker Studio Classic UI를 통해 액세스할 수 있는 선택적 메타데이터가 포함되어 있습니다. **노트북 메타데이터를 보려면** 1. 오른쪽 사이드바에서 **속성 관리자** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/gears.png))을 선택합니다. 1. **고급 도구** 섹션을 엽니다. 메타데이터는 다음과 유사합니다. ``` { "instance_type": "ml.t3.medium", "kernelspec": { "display_name": "Python 3 (Data Science)", "language": "python", "name": "python3__SAGEMAKER_INTERNAL__arn:aws:sagemaker:us-west-2::image/datascience-1.0" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.7.10" } } ``` ## 앱 메타데이터 가져오기 Amazon SageMaker Studio Classic에서 노트북을 만들면 앱 메타데이터가 `/opt/ml/metadata/`라는 폴더에 이름이 `resource-metadata.json`으로 지정된 파일에 기록됩니다. 노트북 내에서 이미지 터미널을 열어 앱 메타데이터를 가져올 수 있습니다. 메타데이터는 노트북이 실행되는 SageMaker 이미지 및 인스턴스 유형을 포함하는 다음 정보를 제공합니다. + **AppType** – `KernelGateway` + **DomainId** – Studio ClassicID와 동일 + **UserProfileName** – 현재 사용자의 프로필 이름 + **ResourceArn** – 앱의 Amazon 리소스 이름(ARN)으로, 인스턴스 유형을 포함함 + **ResourceName** – SageMaker 이미지의 이름 Studio Classic에서 내부용으로 추가 메타데이터가 포함될 수 있으며 변경될 수 있습니다. **앱 메타데이터를 가져오는 방법** 1. 노트북 메뉴의 중앙에서 **터미널 시작** 아이콘(![\[Dollar sign icon representing currency or financial transactions.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png))을 선택합니다. 그러면 노트북이 실행되는 SageMaker 이미지에서 터미널이 열립니다. 1. 다음 명령을 실행하여 `resource-metadata.json`파일의 내용을 표시합니다. ``` $ cd /opt/ml/metadata/ cat resource-metadata.json ``` 파일은 다음과 같아야 합니다. ``` { "AppType": "KernelGateway", "DomainId": "d-xxxxxxxxxxxx", "UserProfileName": "profile-name", "ResourceArn": "arn:aws:sagemaker:us-east-2:account-id:app/d-xxxxxxxxxxxx/profile-name/KernelGateway/datascience--1-0-ml-t3-medium", "ResourceName": "datascience--1-0-ml", "AppImageVersion":"" } ``` # Amazon SageMaker Studio Classic에서 노트북 차이점 가져오기 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 지정할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker AI UI를 사용하여 현재 노트북과 마지막 체크포인트 또는 마지막 Git 커밋 간의 차이를 표시할 수 있습니다. 다음 스크린샷은 Studio Classic 노트북의 메뉴를 보여줍니다. ![\[Studio Classic 노트북에서 관련 메뉴의 위치\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-notebook-menu-diffs.png) **Topics** + [ ## 마지막 체크포인트 간의 차이점 가져오기 ](#notebooks-diff-checkpoint) + [ ## 마지막 커밋 간의 차이점 가져오기 ](#notebooks-diff-git) ## 마지막 체크포인트 간의 차이점 가져오기 노트북을 생성할 때 노트북과 일치하는 숨겨진 체크포인트 파일이 생성됩니다. 노트북과 체크포인트 파일 간의 변경 사항을 보거나 노트북을 체크포인트 파일과 일치하도록 되돌릴 수 있습니다. 기본적으로 노트북은 120초마다 자동으로 저장되며 노트북을 닫을 때도 저장됩니다. 그러나 체크포인트 파일은 노트북과 일치하도록 업데이트되지 않습니다. 노트북을 저장하고 일치하도록 체크포인트 파일을 업데이트하려면 노트북 메뉴 왼쪽에서 **노트북 저장 및 체크포인트 생성** 아이콘(![\[Padlock icon representing security or access control in cloud services.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png))을 선택하거나 `Ctrl + S`키보드 바로 가기를 사용해야 합니다. 노트북과 체크포인트 파일 간의 변경 사항을 보려면 노트북 메뉴의 중앙에서 **체크포인트 차이** 아이콘(![\[Clock icon representing time or duration in a user interface.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png))을 선택합니다. 노트북을 체크포인트 파일로 되돌리려면 Studio Classic 기본 메뉴에서 **파일**을 선택한 다음 **노트북을 체크포인트 파일로 되돌리기**를 선택합니다. ## 마지막 커밋 간의 차이점 가져오기 노트북이 Git 리포지토리에서 열리는 경우 노트북과 마지막 Git 커밋 간의 차이를 볼 수 있습니다. 마지막 Git 커밋에서 노트북의 변경 사항을 보려면 노트북 메뉴의 중앙에서 **Git 차이** 아이콘(![\[Dark button with white text displaying "git" in lowercase letters.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png))을 선택합니다. # Amazon SageMaker Studio Classic 노트북에 대한 리소스 관리 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 노트북 내에서 인스턴스 유형과 SageMaker 이미지 및 커널을 변경할 수 있습니다. 노트북과 함께 사용할 사용자 정의 커널을 만들려면 [Amazon SageMaker Studio Classic의 사용자 지정 이미지](studio-byoi.md)을 참조하세요. **Topics** + [ # Amazon SageMaker Studio Classic 노트북의 인스턴스 유형 변경 ](notebooks-run-and-manage-switch-instance-type.md) + [ # Amazon SageMaker Studio Classic 노트북의 이미지 또는 커널 변경 ](notebooks-run-and-manage-change-image.md) + [ # Amazon SageMaker Studio Classic에서 리소스 종료 ](notebooks-run-and-manage-shut-down.md) # Amazon SageMaker Studio Classic 노트북의 인스턴스 유형 변경 새 Studio Classic 노트북을 처음 열면 기본 Amazon Elastic Compute Cloud(Amazon EC2) 인스턴스 유형이 할당되어 노트북을 실행할 수 있습니다. 동일한 인스턴스 유형에서 추가 노트북을 열면, 노트북이 서로 다른 커널을 사용하더라도 첫 번째 노트북과 동일한 인스턴스에서 노트북이 실행됩니다. 노트북 내에서 Studio Classic 노트북이 실행하는 인스턴스 유형을 변경할 수 있습니다. 다음 정보는 Studio Classic 노트북에만 적용됩니다. Amazon SageMaker 노트북 인스턴스의 인스턴스 유형을 변경하는 방법에 대한 자세한 내용은 [노트북 인스턴스 업데이트](nbi-update.md)을 참조하세요. **중요** 인스턴스 유형을 변경하면 저장되지 않은 정보와 노트북의 기존 설정이 손실되고 설치된 패키지를 다시 설치해야 합니다. 커널 세션이나 앱이 활성화되어 있지 않더라도 이전 인스턴스 유형은 계속 실행됩니다. 요금 발생을 중지하려면 인스턴스를 명시적으로 중지해야 합니다. 인스턴스를 중지하려면 [리소스 종료](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions)을 참조하세요. 다음 스크린샷은 Studio Classic 노트북의 메뉴를 보여줍니다. 노트북에 전원을 공급하는 인스턴스 유형의 프로세서와 메모리는 **2 vCPU \$1 4GiB**로 표시됩니다. ![\[Studio Classic 노트북에 대한 인스턴스 유형의 프로세서 및 메모리의 위치\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-notebook-menu-instance.png) **인스턴스 유형을 변경하려면** 1. 노트북에 전원을 공급하는 인스턴스 유형의 프로세서와 메모리를 선택합니다. 그러면 팝업 창이 열립니다. 1. **노트북 환경 설정 팝업** 창에서 **인스턴스 유형** 드롭다운 메뉴를 선택합니다. 1. **인스턴스 유형** 드롭다운에서 나열된 인스턴스 유형 중 하나를 선택합니다. 1. 유형을 선택한 후 **선택**을 선택합니다. 1. 새 인스턴스가 활성화될 때까지 기다리면 새 인스턴스 유형 정보가 표시됩니다. 사용 가능한 인스턴스 유형 목록은 [Amazon SageMaker Studio Classic 노트북에 사용할 수 있는 인스턴스 유형](notebooks-available-instance-types.md)을 참조하세요. # Amazon SageMaker Studio Classic 노트북의 이미지 또는 커널 변경 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 노트북을 사용하면 노트북 내에서 노트북의 이미지 또는 커널을 변경할 수 있습니다. 다음 스크린샷은 Studio Classic 노트북의 메뉴를 보여줍니다. 현재 SageMaker AI 커널과 이미지는 **Python 3(Data Science)**로 표시되며, 여기에서 `Python 3`는 커널을 나타내고 `Data Science`는 커널을 포함하는 SageMaker AI 이미지를 나타냅니다. 오른쪽 원의 색상은 커널이 유휴 상태이거나 사용 중임을 나타냅니다. 원의 중심과 원의 가장자리가 같은 색이면 커널이 사용 중입니다. ![\[Studio Classic 노트북의 메뉴 모음에서 현재 커널 및 이미지의 위치\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-notebook-menu-kernel.png) **노트북의 이미지 또는 커널을 변경하려면** 1. 노트북 메뉴에서 이미지/커널 이름을 선택합니다. 1. **노트북 환경 설정** 팝업 창에서 **이미지** 또는 **커널** 드롭다운 메뉴를 선택합니다. 1. 드롭다운 메뉴에서 나열된 이미지나 커널 중 하나를 선택합니다. 1. 이미지나 커널을 선택한 후 **선택**을 선택합니다. 1. 커널 상태가 유휴 상태로 표시될 때까지 기다리세요.이는 커널이 시작되었음을 나타냅니다. 사용 가능한 SageMaker 이미지 및 커널 목록은 [Studio Classic 노트북에 사용할 수 있는 Amazon SageMaker 이미지](notebooks-available-images.md)을 참조하세요. # Amazon SageMaker Studio Classic에서 리소스 종료 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Studio Classic에서 노트북, 터미널, 커널, 앱, 인스턴스 등 개별 Amazon SageMaker AI 리소스를 종료할 수 있습니다. 이러한 범주 중 하나에 있는 모든 리소스를 동시에 종료할 수도 있습니다. Amazon SageMaker Studio Classic은 노트북 내에서 리소스를 종료하는 것을 지원하지 않습니다. **참고** Studio Classic 노트북 인스턴스를 종료하면 Studio Classic에서 만든 추가 리소스는 삭제되지 않습니다. 예를 들어 추가 리소스에는 SageMaker AI 엔드포인트, Amazon EMR 클러스터 및 Amazon S3 버킷이 포함될 수 있습니다. 요금 발생을 중지하려면 이러한 리소스를 수동으로 삭제해야 합니다. 요금을 발생시키는 리소스를 찾는 방법에 대한 자세한 내용은 [Analyzing your costs with AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html) 섹션을 참조하세요. 다음 주제에서는 이러한 SageMaker AI 리소스를 삭제하는 방법을 보여줍니다. **Topics** + [ ## 열려 있는 노트북 종료 ](#notebooks-run-and-manage-shut-down-notebook) + [ ## 리소스 종료 ](#notebooks-run-and-manage-shut-down-sessions) ## 열려 있는 노트북 종료 Studio Classic 노트북을 종료하면 노트북이 삭제되지 않습니다. 노트북이 실행 중인 커널이 종료되고 노트북에 저장되지 않은 정보가 손실됩니다. Studio Classic **파일** 메뉴 또는 실행 중인 터미널 및 커널 패널에서 열려 있는 노트북을 종료할 수 있습니다. 다음 절차에서는 Studio Classic **파일** 메뉴에서 열려 있는 노트북을 종료하는 방법을 보여줍니다. **파일 메뉴에서 열려 있는 노트북을 종료하려면** 1. [Amazon SageMaker Studio Classic 시작](studio-launch.md)의 단계에 따라 Studio Classic을 시작합니다. 1. (선택 사항) **파일**을 선택한 다음 **노트북 저장**을 선택하여 노트북 콘텐츠를 저장합니다. 1. **파일**을 선택합니다. 1. **노트북 닫기 및 종료**를 선택합니다. 그러면 팝업 창이 열립니다. 1. 팝업 창에서 **확인**을 선택합니다. ## 리소스 종료 **실행 중인 터미널 및 커널** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png))을 선택하여 Amazon SageMaker Studio Classic의 **실행 중인 터미널 및 커널** 창으로 이동할 수 있습니다. **실행 중인 터미널 및 커널** 패널은 네 개의 섹션으로 구성되어 있습니다. 각 섹션에는 해당 유형의 모든 리소스가 나열됩니다. 각 리소스를 개별적으로 종료하거나 섹션의 모든 리소스를 동시에 종료할 수 있습니다. 섹션의 모든 리소스를 종료하도록 선택하면 다음과 같은 상황이 발생합니다. + **실행 중인 인스턴스/실행 중인 앱** - 모든 인스턴스, 앱, 노트북, 커널 세션, 콘솔/쉘, 이미지 터미널이 종료됩니다. 시스템 터미널은 종료되지 않습니다. + **커널 세션** - 모든 커널, 노트북, 콘솔/쉘이 종료됩니다. + **터미널 세션** - 모든 이미지 터미널과 시스템 터미널이 종료됩니다. **리소스를 종료하려면** 1. [Amazon SageMaker Studio Classic 시작](studio-launch.md)의 단계에 따라 Studio Classic을 시작합니다. 1. **터미널 및 커널 실행** 아이콘을 선택합니다. 1. 다음 중 하나를 수행하세요. + 특정 리소스를 종료하려면 리소스와 동일한 행에서 **종료** 아이콘을 선택합니다. 실행 중인 인스턴스의 경우 SageMaker AI가 종료할 모든 리소스가 확인 대화 상자에 나열됩니다. 확인 대화 상자에 실행 중인 모든 앱이 표시됩니다. 계속 진행하려면 **모두 종료**를 선택합니다. **참고** 커널 세션이나 터미널 세션에 대해서는 확인 대화 상자가 표시되지 않습니다. + 섹션의 모든 리소스를 종료하려면 섹션 레이블 오른쪽에 있는 **X**를 선택합니다. 확인 대화 상자가 표시됩니다. 계속 진행하려면 **모두 종료**를 선택합니다. **참고** 이러한 Studio Classic 리소스를 종료해도 Studio Classic에서 만든 SageMaker AI 엔드포인트, Amazon EMR 클러스터 및 Amazon S3 버킷과 같은 추가 리소스는 삭제되지 않습니다. 요금 발생을 중지하려면 이러한 리소스를 수동으로 삭제해야 합니다. 요금이 발생하는 리소스를 찾는 방법에 대한 자세한 내용은 [를 사용하여 비용 분석을 참조하세요 AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html). # Amazon SageMaker Studio Classic 노트북의 사용량 측정 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 사용에 따르는 추가 요금은 없습니다. Amazon SageMaker Studio Classic 노트북, 대화형 쉘, 콘솔 및 터미널을 실행하는 데 발생하는 비용은 Amazon Elastic Compute Cloud(Amazon EC2) 인스턴스 사용량을 기준으로 합니다. 다음 리소스를 실행할 때 SageMaker 이미지와 커널을 선택해야 합니다. **Studio Classic 런처에서** + 노트북 + 대화형 쉘 + 이미지 터미널 ****파일** 메뉴에서** + 노트북 + 콘솔 시작 시 리소스는 선택한 인스턴스 유형의 Amazon EC2 인스턴스에서 실행됩니다. 해당 유형의 인스턴스를 이전에 시작해 사용 가능한 경우, 리소스는 해당 인스턴스에서 실행됩니다. CPU 기반 이미지의 경우 제안된 기본 인스턴스 유형은 `ml.t3.medium`입니다. GPU 기반 이미지의 경우 제안된 기본 인스턴스 유형은 `ml.g4dn.xlarge`입니다. 발생하는 비용은 인스턴스 유형에 따라 달라집니다. 각 인스턴스에 대해 별도로 요금이 청구됩니다. 인스턴스가 생성될 때 측정이 시작됩니다. 인스턴스의 모든 앱이 종료되거나 인스턴스가 종료되면 측정이 종료됩니다. 인스턴스 종료 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에서 리소스 종료](notebooks-run-and-manage-shut-down.md)을 참조하세요. **중요** 요금이 발생되지 않도록 하려면 인스턴스를 종료해야 합니다. 인스턴스에서 실행 중인 노트북을 종료하지만 인스턴스를 종료하지 않는 경우에도 요금이 발생합니다. Studio Classic 노트북 인스턴스를 종료해도 Studio Classic에서 만든 SageMaker AI 엔드포인트, Amazon EMR 클러스터 및 Amazon S3 버킷과 같은 추가 리소스는 삭제되지 않습니다. 요금 발생을 중지하려면 해당 리소스를 삭제하세요. 동일한 인스턴스 유형에서 여러 노트북을 열면 노트북이 서로 다른 커널을 사용하더라도 동일한 인스턴스에서 노트북이 실행됩니다. 한 인스턴스가 실행 중인 시간에 대해서만 요금이 청구됩니다. 인스턴스 유형을 연 후 노트북 내에서 변경할 수 있습니다. 자세한 내용은 [Amazon SageMaker Studio Classic 노트북의 인스턴스 유형 변경](notebooks-run-and-manage-switch-instance-type.md) 섹션을 참조하세요. 요금 예와 함께 청구에 대한 자세한 내용은 [Amazon SageMaker 요금](https://aws.amazon.com/sagemaker/pricing/)을 참조하세요. # Amazon SageMaker Studio Classic 노트북에 사용 가능한 리소스 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 섹션에서는 Amazon SageMaker Studio Classic 노트북에 사용할 수 있는 리소스를 나열합니다. **Topics** + [ # Amazon SageMaker Studio Classic 노트북에 사용할 수 있는 인스턴스 유형 ](notebooks-available-instance-types.md) + [ # Studio Classic 노트북에 사용할 수 있는 Amazon SageMaker 이미지 ](notebooks-available-images.md) # Amazon SageMaker Studio Classic 노트북에 사용할 수 있는 인스턴스 유형 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 노트북은 Amazon Elastic Compute Cloud(Amazon EC2) 인스턴스에서 실행됩니다. Studio Classic 노트북에서는 다음 Amazon EC2 인스턴스 유형을 사용할 수 있습니다. 사용 사례에 적합한 인스턴스 유형과 성능 기능에 대한 자세한 내용은 [Amazon Elastic Compute Cloud 인스턴스 유형](https://aws.amazon.com/ec2/instance-types/)을 참조하세요. 이들 인스턴스 유형에 대한 자세한 내용은 [Amazon EC2 요금](https://aws.amazon.com/ec2/pricing/)을 참조하세요. 사용 가능한 Amazon SageMaker 노트북 인스턴스 유형에 대한 자세한 내용은 [CreateNotebookInstance](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html#sagemaker-CreateNotebookInstance-request-InstanceType)을 참조하세요. **참고** 대부분의 사용 사례에서는 `ml.t3.medium`를 사용해야 합니다. CPU 기반 SageMaker 이미지의 경우 기본 인스턴스 유형은 [AWS 프리 티어](https://aws.amazon.com/free)의 일부로 사용 가능합입니다. **Topics** + [ ## CPU 인스턴스 ](#notebooks-resources-no-gpu) + [ ## GPU가 1개 이상인 인스턴스 ](#notebooks-resources-gpu) ## CPU 인스턴스 다음 표에는 Studio Classic 노트북에 사용할 수 있는, GPU가 연결되지 않은 Amazon EC2 CPU 인스턴스 유형이 나와 있습니다. 또한 각 인스턴스 유형의 사양에 대한 정보도 나열되어 있습니다. CPU 기반 이미지의 경우 기본 인스턴스 유형은 `ml.t3.medium`입니다. 사용 사례에 적합한 인스턴스 유형과 성능 기능에 대한 자세한 내용은 [Amazon Elastic Compute Cloud 인스턴스 유형](https://aws.amazon.com/ec2/instance-types/)을 참조하세요. 이들 인스턴스 유형에 대한 자세한 내용은 [Amazon EC2 요금](https://aws.amazon.com/ec2/pricing/)을 참조하세요. CPU 인스턴스 | Instance | 사용 사례: | 빠른 시작 | vCPU | 메모리(GiB) | 인스턴스 스토리지(GB) | | --- | --- | --- | --- | --- | --- | | ml.t3.medium | 범용 | 예 | 2 | 4 | Amazon EBS 전용 | | ml.t3.large | 범용 | 아니요 | 2 | 8 | Amazon EBS 전용 | | ml.t3.xlarge | 범용 | 아니요 | 4 | 16 | Amazon EBS 전용 | | ml.t3.2xlarge | 범용 | 아니요 | 8 | 32 | Amazon EBS 전용 | | ml.m5.large | 범용 | 예 | 2 | 8 | Amazon EBS 전용 | | ml.m5.xlarge | 범용 | 아니요 | 4 | 16 | Amazon EBS 전용 | | ml.m5.2xlarge | 범용 | 아니요 | 8 | 32 | Amazon EBS 전용 | | ml.m5.4xlarge | 범용 | 아니요 | 16 | 64 | Amazon EBS 전용 | | ml.m5.8xlarge | 범용 | 아니요 | 32 | 128 | Amazon EBS 전용 | | ml.m5.12xlarge | 범용 | 아니요 | 48 | 192 | Amazon EBS 전용 | | ml.m5.16xlarge | 범용 | 아니요 | 64 | 256 | Amazon EBS 전용 | | ml.m5.24xlarge | 범용 | 아니요 | 96 | 384 | Amazon EBS 전용 | | ml.m5d.large | 범용 | 아니요 | 2 | 8 | 1 x 75 NVMe SSD | | ml.m5d.xlarge | 범용 | 아니요 | 4 | 16 | 1 x 150 NVMe SSD | | ml.m5d.2xlarge | 범용 | 아니요 | 8 | 32 | 1 x 300 NVMe SSD | | ml.m5d.4xlarge | 범용 | 아니요 | 16 | 64 | 2 x 300 NVMe SSD | | ml.m5d.8xlarge | 범용 | 아니요 | 32 | 128 | 2 x 600 NVMe SSD | | ml.m5d.12xlarge | 범용 | 아니요 | 48 | 192 | 2 x 900 NVMe SSD | | ml.m5d.16xlarge | 범용 | 아니요 | 64 | 256 | 4 x 600 NVMe SSD | | ml.m5d.24xlarge | 범용 | 아니요 | 96 | 384 | 4 x 900 NVMe SSD | | ml.c5.large | 컴퓨팅 최적화 | 예 | 2 | 4 | Amazon EBS 전용 | | ml.c5.xlarge | 컴퓨팅 최적화 | 아니요 | 4 | 8 | Amazon EBS 전용 | | ml.c5.2xlarge | 컴퓨팅 최적화 | 아니요 | 8 | 16 | Amazon EBS 전용 | | ml.c5.4xlarge | 컴퓨팅 최적화 | 아니요 | 16 | 32 | Amazon EBS 전용 | | ml.c5.9xlarge | 컴퓨팅 최적화 | 아니요 | 36 | 72 | Amazon EBS 전용 | | ml.c5.12xlarge | 컴퓨팅 최적화 | 아니요 | 48 | 96 | Amazon EBS 전용 | | ml.c5.18xlarge | 컴퓨팅 최적화 | 아니요 | 72 | 144 | Amazon EBS 전용 | | ml.c5.24xlarge | 컴퓨팅 최적화 | 아니요 | 96 | 192 | Amazon EBS 전용 | | ml.r5.large | 메모리 최적화 | 아니요 | 2 | 16 | Amazon EBS 전용 | | ml.r5.xlarge | 메모리 최적화 | 아니요 | 4 | 32 | Amazon EBS 전용 | | ml.r5.2xlarge | 메모리 최적화 | 아니요 | 8 | 64 | Amazon EBS 전용 | | ml.r5.4xlarge | 메모리 최적화 | 아니요 | 16 | 128 | Amazon EBS 전용 | | ml.r5.8xlarge | 메모리 최적화 | 아니요 | 32 | 256 | Amazon EBS 전용 | | ml.r5.12xlarge | 메모리 최적화 | 아니요 | 48 | 384 | Amazon EBS 전용 | | ml.r5.16xlarge | 메모리 최적화 | 아니요 | 64 | 512 | Amazon EBS 전용 | | ml.r5.24xlarge | 메모리 최적화 | 아니요 | 96 | 768 | Amazon EBS 전용 | ## GPU가 1개 이상인 인스턴스 다음 표에는 Studio Classic 노트북에서 사용할 수 있는, 하나 이상의 GPU가 연결된 Amazon EC2 인스턴스 유형이 나와 있습니다. 또한 각 인스턴스 유형의 사양에 대한 정보도 나열되어 있습니다. GPU 기반 이미지의 경우 기본 인스턴스 유형은 `ml.g4dn.xlarge`입니다. 사용 사례에 적합한 인스턴스 유형과 성능 기능에 대한 자세한 내용은 [Amazon Elastic Compute Cloud 인스턴스 유형](https://aws.amazon.com/ec2/instance-types/)을 참조하세요. 이들 인스턴스 유형에 대한 자세한 내용은 [Amazon EC2 요금](https://aws.amazon.com/ec2/pricing/)을 참조하세요. GPU가 1개 이상인 인스턴스 | Instance | 사용 사례: | 빠른 시작 | GPU | vCPU | 메모리(GiB) | GPU 메모리(GiB) | 인스턴스 스토리지(GB) | | --- | --- | --- | --- | --- | --- | --- | --- | | ml.p3.2xlarge | 가속 컴퓨팅 | 아니요 | 1 | 8 | 61 | 16 | Amazon EBS 전용 | | ml.p3.8xlarge | 가속 컴퓨팅 | 아니요 | 4 | 32 | 244 | 64 | Amazon EBS 전용 | | ml.p3.16xlarge | 가속 컴퓨팅 | 아니요 | 8 | 64 | 488 | 128 | Amazon EBS 전용 | | ml.p3dn.24xlarge | 가속 컴퓨팅 | 아니요 | 8 | 96 | 768 | 256 | 2 x 900 NVMe SSD | | ml.p4d.24xlarge | 가속 컴퓨팅 | 아니요 | 8 | 96 | 1152 | 320 GB HBM2 | 8 x 1000 NVMe SSD | | ml.p4de.24xlarge | 가속 컴퓨팅 | 아니요 | 8 | 96 | 1152 | 640 GB HBM2e | 8 x 1000 NVMe SSD | | ml.g4dn.xlarge | 가속 컴퓨팅 | 예 | 1 | 4 | 16 | 16 | 1 x 125 NVMe SSD | | ml.g4dn.2xlarge | 가속 컴퓨팅 | 아니요 | 1 | 8 | 32 | 16 | 1 x 225 NVMe SSD | | ml.g4dn.4xlarge | 가속 컴퓨팅 | 아니요 | 1 | 16 | 64 | 16 | 1 x 225 NVMe SSD | | ml.g4dn.8xlarge | 가속 컴퓨팅 | 아니요 | 1 | 32 | 128 | 16 | 1 x 900 NVMe SSD | | ml.g4dn.12xlarge | 가속 컴퓨팅 | 아니요 | 4 | 48 | 192 | 64 | 1 x 900 NVMe SSD | | ml.g4dn.16xlarge | 가속 컴퓨팅 | 아니요 | 1 | 64 | 256 | 16 | 1 x 900 NVMe SSD | | ml.g5.xlarge | 가속 컴퓨팅 | 아니요 | 1 | 4 | 16 | 24 | 1 x 250 NVMe SSD | | ml.g5.2xlarge | 가속 컴퓨팅 | 아니요 | 1 | 8 | 32 | 24 | 1 x 450 NVMe SSD | | ml.g5.4xlarge | 가속 컴퓨팅 | 아니요 | 1 | 16 | 64 | 24 | 1 x 600 NVMe SSD | | ml.g5.8xlarge | 가속 컴퓨팅 | 아니요 | 1 | 32 | 128 | 24 | 1 x 900 NVMe SSD | | ml.g5.12xlarge | 가속 컴퓨팅 | 아니요 | 4 | 48 | 192 | 96 | 1 x 3800 NVMe SSD | | ml.g5.16xlarge | 가속 컴퓨팅 | 아니요 | 1 | 64 | 256 | 24 | 1 x 1900 NVMe SSD | | ml.g5.24xlarge | 가속 컴퓨팅 | 아니요 | 4 | 96 | 384 | 96 | 1 x 3800 NVMe SSD | | ml.g5.48xlarge | 가속 컴퓨팅 | 아니요 | 8 | 192 | 768 | 192 | 2 x 3800 NVMe SSD | # Studio Classic 노트북에 사용할 수 있는 Amazon SageMaker 이미지 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 이 페이지에는 Amazon SageMaker Studio에서 사용할 수 있는 SageMaker 이미지 및 관련 커널이 나열되어 있습니다. 이 페이지에서는 각 이미지에 대한 ARN을 만드는 데 필요한 형식에 대한 정보도 제공합니다. SageMaker 이미지에는 최신 [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) 및 최신 버전의 커널이 포함되어 있습니다. 자세한 내용은 [딥 러닝 컨테이너 이미지](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/deep-learning-containers-images.html)를 참조하세요. **Topics** + [ ## 이미지 ARN 형식 ](#notebooks-available-images-arn) + [ ## 지원되는 URI 태그 ](#notebooks-available-uri-tag) + [ ## 지원되는 이미지 ](#notebooks-available-images-supported) + [ ## 지원 중단이 예정된 이미지 ](#notebooks-available-images-deprecation) + [ ## 더 이상 사용되지 않는 이미지 ](#notebooks-available-images-deprecated) ## 이미지 ARN 형식 다음 표에는 각 리전에 대한 이미지 ARN 및 URI 형식이 나와 있습니다. 이미지에 대한 전체 ARN을 만들려면 *resource-identifier* 자리 표시자를 이미지에 대한 해당 리소스 식별자로 바꾸세요. 리소스 식별자는 SageMaker 이미지 및 커널 테이블에 있습니다. 이미지에 대한 전체 URI를 만들려면 *tag* 자리 표시자를 해당 cpu 또는 gpu 태그로 바꾸세요. 사용할 수 있는 태그 목록은 [지원되는 URI 태그](#notebooks-available-uri-tag) 섹션을 참조하세요. **참고** SageMaker Distribution 이미지는 다음 표에 나열된 고유한 이미지 ARN 세트를 사용합니다. | 리전 | 이미지 ARN 형식 | SageMaker Distribution 이미지 ARN 포맷 | SageMaker Distribution 이미지 URI 형식 | | --- | --- | --- | --- | | us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/resource-identifier | arn:aws:sagemaker:us-east-1:885854791233:image/resource-identifier | 885854791233.dkr.ecr.us-east-1.amazonaws.com/sagemaker-distribution-prod:tag | | us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/resource-identifier | arn:aws:sagemaker:us-east-2:137914896644:image/resource-identifier | 137914896644.dkr.ecr.us-east-2.amazonaws.com/sagemaker-distribution-prod:tag | | us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/resource-identifier | arn:aws:sagemaker:us-west-1:053634841547:image/resource-identifier | 053634841547.dkr.ecr.us-west-1.amazonaws.com/sagemaker-distribution-prod:tag | | us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/resource-identifier | arn:aws:sagemaker:us-west-2:542918446943:image/resource-identifier | 542918446943.dkr.ecr.us-west-2.amazonaws.com/sagemaker-distribution-prod:tag | | af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/resource-identifier | arn:aws:sagemaker:af-south-1:238384257742:image/resource-identifier | 238384257742.dkr.ecr.af-south-1.amazonaws.com/sagemaker-distribution-prod:tag | | ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/resource-identifier | arn:aws:sagemaker:ap-east-1:523751269255:image/resource-identifier | 523751269255.dkr.ecr.ap-east-1.amazonaws.com/sagemaker-distribution-prod:tag | | ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/resource-identifier | arn:aws:sagemaker:ap-south-1:245090515133:image/resource-identifier | 245090515133.dkr.ecr.ap-south-1.amazonaws.com/sagemaker-distribution-prod:tag | | ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/resource-identifier | arn:aws:sagemaker:ap-northeast-2:064688005998:image/resource-identifier | 064688005998.dkr.ecr.ap-northeast-2.amazonaws.com/sagemaker-distribution-prod:tag | | ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/resource-identifier | arn:aws:sagemaker:ap-southeast-1:022667117163:image/resource-identifier | 022667117163.dkr.ecr.ap-southeast-1.amazonaws.com/sagemaker-distribution-prod:tag | | ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/resource-identifier | arn:aws:sagemaker:ap-southeast-2:648430277019:image/resource-identifier | 648430277019.dkr.ecr.ap-southeast-2.amazonaws.com/sagemaker-distribution-prod:tag | | ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/resource-identifier | arn:aws:sagemaker:ap-northeast-1:010972774902:image/resource-identifier | 010972774902.dkr.ecr.ap-northeast-1.amazonaws.com/sagemaker-distribution-prod:tag | | ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/resource-identifier | arn:aws:sagemaker:ca-central-1:481561238223:image/resource-identifier | 481561238223.dkr.ecr.ca-central-1.amazonaws.com/sagemaker-distribution-prod:tag | | eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/resource-identifier | arn:aws:sagemaker:eu-central-1:545423591354:image/resource-identifier | 545423591354.dkr.ecr.eu-central-1.amazonaws.com/sagemaker-distribution-prod:tag | | eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/resource-identifier | arn:aws:sagemaker:eu-west-1:819792524951:image/resource-identifier | 819792524951.dkr.ecr.eu-west-1.amazonaws.com/sagemaker-distribution-prod:tag | | eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/resource-identifier | arn:aws:sagemaker:eu-west-2:021081402939:image/resource-identifier | 021081402939.dkr.ecr.eu-west-2.amazonaws.com/sagemaker-distribution-prod:tag | | eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/resource-identifier | arn:aws:sagemaker:eu-west-3:856416204555:image/resource-identifier | 856416204555.dkr.ecr.eu-west-3.amazonaws.com/sagemaker-distribution-prod:tag | | eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/resource-identifier | arn:aws:sagemaker:eu-north-1:175620155138:image/resource-identifier | 175620155138.dkr.ecr.eu-north-1.amazonaws.com/sagemaker-distribution-prod:tag | | eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/resource-identifier | arn:aws:sagemaker:eu-south-1:810671768855:image/resource-identifier | 810671768855.dkr.ecr.eu-south-1.amazonaws.com/sagemaker-distribution-prod:tag | | sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/resource-identifier | arn:aws:sagemaker:sa-east-1:567556641782:image/resource-identifier | 567556641782.dkr.ecr.sa-east-1.amazonaws.com/sagemaker-distribution-prod:tag | | ap-northeast-3 | arn:aws:sagemaker:ap-northeast-3:792733760839:image/resource-identifier | arn:aws:sagemaker:ap-northeast-3:564864627153:image/resource-identifier | 564864627153.dkr.ecr.ap-northeast-3.amazonaws.com/sagemaker-distribution-prod:tag | | ap-southeast-3 | arn:aws:sagemaker:ap-southeast-3:276181064229:image/resource-identifier | arn:aws:sagemaker:ap-southeast-3:370607712162:image/resource-identifier | 370607712162.dkr.ecr.ap-southeast-3.amazonaws.com/sagemaker-distribution-prod:tag | | me-south-1 | arn:aws:sagemaker:me-south-1:117516905037:image/resource-identifier | arn:aws:sagemaker:me-south-1:523774347010:image/resource-identifier | 523774347010.dkr.ecr.me-south-1.amazonaws.com/sagemaker-distribution-prod:tag | | me-central-1 | arn:aws:sagemaker:me-central-1:103105715889:image/resource-identifier | arn:aws:sagemaker:me-central-1:358593528301:image/resource-identifier | 358593528301.dkr.ecr.me-central-1.amazonaws.com/sagemaker-distribution-prod:tag | ## 지원되는 URI 태그 다음 목록은 이미지 URI에 포함할 수 있는 태그를 보여줍니다. + 1-cpu + 1-gpu + 0-cpu + 0-gpu **다음 예시에서는 다양한 태그 형식이 있는 URI를 보여줍니다.** + 542918446943.dkr.ecr.us-west-2.amazonaws.com/sagemaker-distribution-prod:1-cpu + 542918446943.dkr.ecr.us-west-2.amazonaws.com/sagemaker-distribution-prod:0-gpu ## 지원되는 이미지 다음 표에는 Amazon SageMaker Studio Classic에서 사용할 수 있는 SageMaker 이미지 및 관련 커널이 나와 있습니다. 또한 이미지에 포함된 리소스 식별자 및 Python 버전에 대한 정보도 제공합니다. SageMaker 이미지 및 커널 | SageMaker 이미지 | 설명 | 리소스 식별자 | 커널(및 식별자) | Python 버전 | | --- | --- | --- | --- | --- | | Base Python 4.3 | boto3 및가 AWS CLI 포함된 DockerHub의 공식 Python 3.11 이미지. | sagemaker-base-python-v4 | Python 3(python3) | Python 3.11 | | Base Python 4.2 | boto3 및가 AWS CLI 포함된 DockerHub의 공식 Python 3.11 이미지. | sagemaker-base-python-v4 | Python 3(python3) | Python 3.11 | | Base Python 4.1 | boto3 및가 AWS CLI 포함된 DockerHub의 공식 Python 3.11 이미지. | sagemaker-base-python-v4 | Python 3(python3) | Python 3.11 | | Base Python 4.0 | boto3 및가 AWS CLI 포함된 DockerHub의 공식 Python 3.11 이미지. | sagemaker-base-python-v4 | Python 3(python3) | Python 3.11 | | Base Python 3.0 | boto3 및 AWS CLI 이 포함된 DockerHub의 공식 Python 3.10 이미지입니다. | sagemaker-base-python-310-v1 | Python 3(python3) | Python 3.10 | | Data Science 5.3 | Data Science 5.3은 Ubuntu 버전 jammy-20240212를 기반으로 하는 Python 3.11 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. 여기에는 NumPy와 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지와 라이브러리가 포함되어 있습니다. | sagemaker-data-science-v5 | Python 3(python3) | Python 3.11 | | Data Science 5.2 | Data Science 5.2는 Ubuntu 버전 jammy-20240212를 기반으로 하는 Python 3.11 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. 여기에는 NumPy와 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지와 라이브러리가 포함되어 있습니다. | sagemaker-data-science-v5 | Python 3(python3) | Python 3.11 | | Data Science 5.1 | Data Science 5.1은 Ubuntu 버전 jammy-20240212를 기반으로 하는 Python 3.11 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. 여기에는 NumPy와 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지와 라이브러리가 포함되어 있습니다. | sagemaker-data-science-v5 | Python 3(python3) | Python 3.11 | | Data Science 5.0 | Data Science 5.0은 Ubuntu 버전 jammy-20240212를 기반으로 하는 Python 3.11 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. 여기에는 NumPy와 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지와 라이브러리가 포함되어 있습니다. | sagemaker-data-science-v5 | Python 3(python3) | Python 3.11 | | Data Science 4.0 | Data Science 4.0은 Ubuntu 버전 22.04를 기반으로 하는 Python 3.11 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. 여기에는 NumPy와 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지와 라이브러리가 포함되어 있습니다. | sagemaker-data-science-311-v1 | Python 3(python3) | Python 3.11 | | 데이터 과학 3.0 | Data Science 3.0은 Ubuntu 버전 22.04를 기반으로 하는 Python 3.10 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. 여기에는 NumPy와 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지와 라이브러리가 포함되어 있습니다. | sagemaker-data-science-310-v1 | Python 3(python3) | Python 3.10 | | 지리공간 1.0 | Amazon SageMaker 지리공간은 GDAL, Fiona, GeoPandas, Shapely, Rasterio와 같이 일반적으로 사용되는 지리공간 라이브러리로 구성된 Python 이미지입니다. 이를 통해 SageMaker AI 내에서 지리 공간 데이터를 시각화할 수 있습니다. 자세한 내용은 [Amazon SageMaker 지리공간 노트북 SDK](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-notebook-sdk.html)를 참조하세요. | sagemaker-geospatial-1.0 | Python 3(python3) | Python 3.10 | | SparkAnalytics 4.3 | SparkAnalytics 4.3 이미지는 Amazon SageMaker Studio Classic에서 SparkMagic Spark, SparkMagic PySpark, Glue Spark 및 Glue PySpark를 포함한 Spark 및 PySpark 커널 옵션을 제공하여 유연한 분산 데이터 처리를 가능하게 합니다. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 | | SparkAnalytics 4.2 | SparkAnalytics 4.2 이미지는 Amazon SageMaker Studio Classic에서 SparkMagic Spark, SparkMagic PySpark, Glue Spark 및 Glue PySpark를 포함한 Spark 및 PySpark 커널 옵션을 제공하여 유연한 분산 데이터 처리를 가능하게 합니다. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 | | SparkAnalytics 4.1 | SparkAnalytics 4.1 이미지는 Amazon SageMaker Studio Classic에서 SparkMagic Spark, SparkMagic PySpark, Glue Spark 및 Glue PySpark를 포함한 Spark 및 PySpark 커널 옵션을 제공하여 유연한 분산 데이터 처리를 가능하게 합니다. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 | | SparkAnalytics 4.0 | SparkAnalytics 4.0 이미지는 Amazon SageMaker Studio Classic에서 SparkMagic Spark, SparkMagic PySpark, Glue Spark 및 Glue PySpark를 포함한 Spark 및 PySpark 커널 옵션을 제공하여 유연한 분산 데이터 처리를 가능하게 합니다. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 | | SparkAnalytics 3.0 | SparkAnalytics 3.0 이미지는 Amazon SageMaker Studio Classic에서 SparkMagic Spark, SparkMagic PySpark, Glue Spark 및 Glue PySpark를 포함한 Spark 및 PySpark 커널 옵션을 제공하여 유연한 분산 데이터 처리를 가능하게 합니다. | sagemaker-sparkanalytics-311-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 | | SparkAnalytics 2.0 | PySpark 및 Spark 커널이 포함된 Anaconda 개별판입니다. 자세한 내용은 [sparkmagic](https://github.com/jupyter-incubator/sparkmagic)을 참조하세요. | sagemaker-sparkanalytics-310-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.10 | | PyTorch 2.4.0 Python 3.11 CPU Optimized | CUDA 12.4를 사용하는 PyTorch 2.4.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.4.0-cpu-py311 | Python 3(python3) | Python 3.11 | | PyTorch 2.4.0 Python 3.11 GPU Optimized | CUDA 12.4를 사용하는 PyTorch 2.4.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.4.0-gpu-py311 | Python 3(python3) | Python 3.11 | | PyTorch 2.3.0 Python 3.11 CPU 최적화됨 | CUDA 12.1을 사용하는 PyTorch 2.3.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.3.0-cpu-py311 | Python 3(python3) | Python 3.11 | | PyTorch 2.3.0 Python 3.11 GPU 최적화됨 | CUDA 12.1을 사용하는 PyTorch 2.3.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.3.0-gpu-py311 | Python 3(python3) | Python 3.11 | | PyTorch 2.2.0 Python 3.10 CPU 최적화됨 | CUDA 12.1을 사용하는 PyTorch 2.2용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.2.0-cpu-py310 | Python 3(python3) | Python 3.10 | | PyTorch 2.2.0 Python 3.10 GPU 최적화됨 | CUDA 12.1을 사용하는 PyTorch 2.2용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.2.0-gpu-py310 | Python 3(python3) | Python 3.10 | | PyTorch 2.1.0 Python 3.10 CPU 최적화됨 | CUDA 12.1이 탑재된 PyTorch 2.1용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.1.0-cpu-py310 | Python 3(python3) | Python 3.10 | | PyTorch 2.1.0 Python 3.10 GPU 최적화됨 | CUDA 12.1이 탑재된 PyTorch 2.1용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.1.0-gpu-py310 | Python 3(python3) | Python 3.10 | | PyTorch 1.13 HuggingFace Python 3.10 Neuron 최적화됨 | AWS에서 성능 및 규모 조정에 최적화된 Trainium 인스턴스에 대한 훈련을 위해 HuggingFace 및 Neuron 패키지가 설치된 PyTorch 1.13 이미지 | pytorch-1.13-hf-neuron-py310 | Python 3(python3) | Python 3.10 | | PyTorch 1.13 Python 3.10 Neuron 최적화됨 | AWS에서 성능 및 규모 조정에 최적화된 Trainium 인스턴스에 대한 훈련을 위해 Neuron 패키지가 설치된 PyTorch 1.13 이미지 | pytorch-1.13-neuron-py310 | Python 3(python3) | Python 3.10 | | TensorFlow 2.14.0 Python 3.10 CPU 최적화됨 | CUDA 11.8이 탑재된 TensorFlow 2.14용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.14.1-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3(python3) | Python 3.10 | | TensorFlow 2.14.0 Python 3.10 GPU 최적화됨 | CUDA 11.8이 탑재된 TensorFlow 2.14용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.14.1-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3(python3) | Python 3.10 | ## 지원 중단이 예정된 이미지 SageMaker AI는 이미지의 패키지 중 하나가 게시자에 의해 수명이 종료된 다음 날 이미지에 대한 지원을 종료합니다. 다음 SageMaker 이미지는 지원 중단될 예정입니다. Python 3.8을 기반으로 한 이미지는 2024년 10월 31일에 [수명이 종료](https://endoflife.date/python)되었습니다. SageMaker AI는 2024년 11월 1일부터 이러한 이미지에 대한 지원을 중단하며 Studio Classic UI에서 이러한 이미지를 선택할 수 없습니다. 비준수 문제를 방지하려면 이러한 이미지를 사용하는 경우 최신 버전의 이미지로 이동하는 것이 좋습니다. 지원 중단이 예정된 SageMaker 이미지 | SageMaker 이미지 | 사용 중단 날짜 | 설명 | 리소스 식별자 | 커널 | Python 버전 | | --- | --- | --- | --- | --- | --- | | SageMaker Distribution v0.12 CPU | 2024년 11월 1일 | SageMaker Distribution v0 CPU는 CPU의 기계 학습, 데이터 과학 및 시각화에 널리 사용되는 프레임워크를 포함하는 Python 3.8 이미지입니다. 여기에는 PyTorch, TensorFlow, Keras와 같은 딥 러닝 프레임워크, numpy, scikit-learn, pandas와 같은 인기 있는 Python 패키지, Jupyter Lab과 같은 IDE가 포함됩니다. 자세한 내용은 [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution) 리포지토리를 참조하세요. | sagemaker-distribution-cpu-v0 | Python 3(python3) | Python 3.8 | | SageMaker Distribution v0.12 GPU | 2024년 11월 1일 | SageMaker Distribution v0 GPU는 GPU의 기계 학습, 데이터 과학 및 시각화에 널리 사용되는 프레임워크를 포함하는 Python 3.8 이미지입니다. 여기에는 PyTorch, TensorFlow, Keras와 같은 딥 러닝 프레임워크, numpy, scikit-learn, pandas와 같은 인기 있는 Python 패키지, Jupyter Lab과 같은 IDE가 포함됩니다. 자세한 내용은 [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution) 리포지토리를 참조하세요. | sagemaker-distribution-gpu-v0 | Python 3(python3) | Python 3.8 | | Base Python 2.0 | 2024년 11월 1일 | boto3 및 AWS CLI 이 포함된 DockerHub의 공식 Python 3.8 이미지입니다. | sagemaker-base-python-38 | Python 3(python3) | Python 3.8 | | 데이터 과학 2.0 | 2024년 11월 1일 | Data Science 2.0은 Ubuntu 버전 22.04를 기반으로 하는 Python 3.8 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. 여기에는 NumPy와 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지와 라이브러리가 포함되어 있습니다. | sagemaker-data-science-38 | Python 3(python3) | Python 3.8 | | PyTorch 1.13 Python 3.9 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.3이 탑재된 PyTorch 1.13용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-1.13-cpu-py39 | Python 3(python3) | Python 3.9 | | PyTorch 1.13 Python 3.9 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.7을 사용하는 PyTorch 1.13용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-1.13-gpu-py39 | Python 3(python3) | Python 3.9 | | PyTorch 1.12 Python 3.8 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.3을 사용하는 PyTorch 1.12용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [PyTorch 1.12.0용AWS 딥 러닝 컨테이너](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/)를 참조하세요. | pytorch-1.12-cpu-py38 | Python 3(python3) | Python 3.8 | | PyTorch 1.12 Python 3.8 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.3을 사용하는 PyTorch 1.12용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [PyTorch 1.12.0용AWS 딥 러닝 컨테이너](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/)를 참조하세요. | pytorch-1.12-gpu-py38 | Python 3(python3) | Python 3.8 | | PyTorch 1.10 Python 3.8 CPU 최적화됨 | 2024년 11월 1일 | PyTorch 1.10용 AWS 딥 러닝 컨테이너에는에서 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [AWS Deep Learning Containers for PyTorch 1.10.2 on SageMaker AI](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/)를 참조하세요. | pytorch-1.10-cpu-py38 | Python 3(python3) | Python 3.8 | | PyTorch 1.10 Python 3.8 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.3이 탑재된 PyTorch 1.10용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [AWS Deep Learning Containers for PyTorch 1.10.2 on SageMaker AI](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/)를 참조하세요. | pytorch-1.10-gpu-py38 | Python 3(python3) | Python 3.8 | | SparkAnalytics 1.0 | 2024년 11월 1일 | PySpark 및 Spark 커널이 포함된 Anaconda 개별판입니다. 자세한 내용은 [sparkmagic](https://github.com/jupyter-incubator/sparkmagic)을 참조하세요. | sagemaker-sparkanalytics-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.8 | | TensorFlow 2.13.0 Python 3.10 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.8이 탑재된 TensorFlow 2.13용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.13.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3(python3) | Python 3.10 | | TensorFlow 2.13.0 Python 3.10 GPU 최적화됨 | 2024년 11월 1일 | CUDA 11.8이 탑재된 TensorFlow 2.13용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.13.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3(python3) | Python 3.10 | | TensorFlow 2.6 Python 3.8 CPU 최적화됨 | 2024년 11월 1일 | TensorFlow 2.6용 AWS 딥 러닝 컨테이너에는에서 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [TensorFlow 2.6용AWS 딥 러닝 컨테이너](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/)를 참조하세요. | tensorflow-2.6-cpu-py38-ubuntu20.04-v1 | Python 3(python3) | Python 3.8 | | TensorFlow 2.6 Python 3.8 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.2가 탑재된 TensorFlow 2.6용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [TensorFlow 2.6용AWS 딥 러닝 컨테이너](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/)를 참조하세요. | tensorflow-2.6-gpu-py38-cu112-ubuntu20.04-v1 | Python 3(python3) | Python 3.8 | | PyTorch 2.0.1 Python 3.10 CPU 최적화됨 | 2024년 11월 1일 | CUDA 12.1을 사용하는 PyTorch 2.0.1용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.0.1-cpu-py310 | Python 3(python3) | Python 3.10 | | PyTorch 2.0.1 Python 3.10 GPU 최적화됨 | 2024년 11월 1일 | CUDA 12.1이 탑재된 PyTorch 2.0.1용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.0.1-gpu-py310 | Python 3(python3) | Python 3.10 | | PyTorch 2.0.0 Python 3.10 CPU 최적화됨 | 2024년 11월 1일 | PyTorch 2.0.0용 AWS 딥 러닝 컨테이너에는에서 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.0.0-cpu-py310 | Python 3(python3) | Python 3.10 | | PyTorch 2.0.0 Python 3.10 GPU 최적화됨 | 2024년 11월 1일 | CUDA 11.8을 사용하는 PyTorch 2.0.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | pytorch-2.0.0-gpu-py310 | Python 3(python3) | Python 3.10 | | TensorFlow 2.12.0 Python 3.10 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.2가 탑재된 TensorFlow 2.12.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.12.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3(python3) | Python 3.10 | | TensorFlow 2.12.0 Python 3.10 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.8이 탑재된 TensorFlow 2.12.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1 | Python 3(python3) | Python 3.10 | | TensorFlow 2.11.0 Python 3.9 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.2가 탑재된 TensorFlow 2.11.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.11.0-cpu-py39-ubuntu20.04-sagemaker-v1.1 | Python 3(python3) | Python 3.9 | | TensorFlow 2.11.0 Python 3.9 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.2가 탑재된 TensorFlow 2.11.0용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.11.0-gpu-py39-cu112-ubuntu20.04-sagemaker-v1.1 | Python 3(python3) | Python 3.9 | | TensorFlow 2.10 Python 3.9 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.2가 탑재된 TensorFlow 2.10용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.10.1-cpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3(python3) | Python 3.9 | | TensorFlow 2.10 Python 3.9 CPU 최적화됨 | 2024년 11월 1일 | CUDA 11.2가 탑재된 TensorFlow 2.10용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [딥 러닝 컨테이너 릴리스 노트](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html)를 참조하세요. | tensorflow-2.10.1-gpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3(python3) | Python 3.9 | ## 더 이상 사용되지 않는 이미지 SageMaker AI는 다음 이미지에 대한 지원을 종료했습니다. 지원 종료는 이미지의 패키지가 게시자에 의해 수명 종료에 도달한 다음 날 발생합니다. 지원 중단이 예정된 SageMaker 이미지 | SageMaker 이미지 | 사용 중단 날짜 | 설명 | 리소스 식별자 | 커널 | Python 버전 | | --- | --- | --- | --- | --- | --- | | 데이터 과학 | 2023년 10월 30일 | Data Science는 NumPy 및 SciKit Learn과 같이 가장 일반적으로 사용되는 Python 패키지 및 라이브러리가 포함된 Python 3.7 [conda](https://docs.conda.io/projects/conda/en/latest/index.html) 이미지입니다. | datascience-1.0 | Python 3 | Python 3.7 | | SageMaker JumpStart 데이터 과학 1.0 | 2023년 10월 30일 | SageMaker JumpStart Data Science 1.0은 일반적으로 사용되는 패키지와 라이브러리가 포함된 JumpStart 이미지입니다. | sagemaker-jumpstart-data-science-1.0 | Python 3 | Python 3.7 | | SageMaker JumpStart MXNet 1.0 | 2023년 10월 30일 | SageMaker JumpStart MXNet 1.0은 MXNet을 포함하는 JumpStart 이미지입니다. | sagemaker-jumpstart-mxnet-1.0 | Python 3 | Python 3.7 | | SageMaker JumpStart PyTorch 1.0 | 2023년 10월 30일 | SageMaker JumpStart PyTorch 1.0은 PyTorch를 포함하는 JumpStart 이미지입니다. | sagemaker-jumpstart-pytorch-1.0 | Python 3 | Python 3.7 | | SageMaker JumpStart TensorFlow 1.0 | 2023년 10월 30일 | SageMaker JumpStart TensorFlow 1.0은 TensorFlow를 포함하는 JumpStart 이미지입니다. | sagemaker-jumpstart-tensorflow-1.0 | Python 3 | Python 3.7 | | SparkMagic | 2023년 10월 30일 | PySpark 및 Spark 커널이 포함된 Anaconda 개별판입니다. 자세한 내용은 [sparkmagic](https://github.com/jupyter-incubator/sparkmagic)을 참조하세요. | sagemaker-sparkmagic | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.7 | | TensorFlow 2.3 Python 3.7 CPU 최적화됨 | 2023년 10월 30일 | TensorFlow 2.3용 AWS 딥 러닝 컨테이너에는에서 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [TensorFlow 2.3.0이 포함된AWS 딥 러닝 컨테이너](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-with-tensorflow-2-3-0/)를 참조하세요. | tensorflow-2.3-cpu-py37-ubuntu18.04-v1 | Python 3 | Python 3.7 | | TensorFlow 2.3 Python 3.7 CPU 최적화됨 | 2023년 10월 30일 | CUDA 11.0이 탑재된 TensorFlow 2.3용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [CUDA 11.0이 포함된 TensorFlow 2.3.1용AWS 딥 러닝 컨테이너](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-3-1-with-cuda-11-0/)를 참조하세요. | tensorflow-2.3-gpu-py37-cu110-ubuntu18.04-v3 | Python 3 | Python 3.7 | | TensorFlow 1.15 Python 3.7 CPU 최적화됨 | 2023년 10월 30일 | TensorFlow 1.15용 AWS 딥 러닝 컨테이너에는에서 성능 및 확장에 최적화된 CPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [TensorFlow용AWS 딥 러닝 컨테이너 v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/)을 참조하세요. | tensorflow-1.15-cpu-py37-ubuntu18.04-v7 | Python 3 | Python 3.7 | | TensorFlow 1.15 Python 3.7 CPU 최적화됨 | 2023년 10월 30일 | CUDA 11.0이 탑재된 TensorFlow 1.15용 AWS 딥 러닝 컨테이너에는 성능 및 확장에 최적화된 GPU 훈련용 컨테이너가 포함되어 있습니다 AWS. 자세한 내용은 [TensorFlow용AWS 딥 러닝 컨테이너 v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/)을 참조하세요. | tensorflow-1.15-gpu-py37-cu110-ubuntu18.04-v8 | Python 3 | Python 3.7 | # Amazon SageMaker Studio Classic 사용자 지정 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 환경을 사용자 지정하는 데는 네 가지 옵션이 있습니다. 자체 SageMaker 이미지를 가져오거나, 수명 주기 구성 스크립트를 사용하거나, 제안된 Git 리포지토리를 Studio Classic에 첨부하거나, Amazon EFS의 영구 Conda 환경을 사용하여 커널을 만들 수 있습니다. 각 옵션을 개별적으로 사용하거나 함께 사용하세요. + **자체 SageMaker 이미지 가져오기**: SageMaker 이미지는 Amazon SageMaker Studio Classic에서 Jupyter Notebook을 실행하는 데 필요한 커널, 언어 패키지 및 기타 종속성을 식별하는 파일입니다. Amazon SageMaker AI는 사용자가 사용할 수 있는 많은 내장 이미지를 제공합니다. 다른 기능이 필요한 경우 사용자 지정 이미지를 Studio Classic으로 가져올 수 있습니다. + **Amazon SageMaker Studio Classic에서 수명 주기 구성 사용**: 수명 주기 구성은 새 Studio Classic 노트북 시작과 같은 Amazon SageMaker Studio Classic 수명 주기 이벤트에 의해 트리거되는 쉘 스크립트입니다. 수명 주기 구성을 사용하여 Studio Classic 환경의 사용자 지정을 자동화할 수 있습니다. 예를 들어 사용자 지정 패키지를 설치하고, 노트북 확장을 구성하고, 데이터세트를 미리 로드하고, 소스 코드 리포지토리를 설정할 수 있습니다. + **Studio Classic에 제안된 Git 리포지토리 연결:** Amazon SageMaker AI 도메인 또는 사용자 프로필 수준에서 제안된 Git 리포지토리 URL을 연결할 수 있습니다. 그런 다음 제안 목록에서 리포지토리 URL을 선택하고 Studio Classic의 Git 확장을 사용하여 환경에 복제할 수 있습니다. + **Conda 환경을 Studio Classic Amazon EFS 볼륨에 유지:** Studio Classic은 Amazon EFS 볼륨을 영구 스토리지 계층으로 사용합니다. 이 Amazon EFS 볼륨에 Conda 환경을 저장한 다음 저장된 환경을 사용하여 커널을 생성할 수 있습니다. Studio Classic은 Amazon EFS에 저장된 모든 유효한 환경을 KernelGateway 커널로 자동으로 선택합니다. 이러한 커널은 커널, 앱 및 Studio Classic을 다시 시작해도 유지됩니다. 자세한 내용은 [Four approaches to manage Python packages in Amazon SageMaker Studio Classic notebooks](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/)에서 **Persist Conda environments to the Studio Classic EFS volume** 섹션을 참조하세요. 다음 주제에서는 이러한 세 가지 옵션을 사용하여 Amazon SageMaker Studio Classic 환경을 사용자 지정하는 방법을 보여줍니다. **Topics** + [ # Amazon SageMaker Studio Classic의 사용자 지정 이미지 ](studio-byoi.md) + [ # 수명 주기 구성을 사용하여 Amazon SageMaker Studio Classic 사용자 지정 ](studio-lcc.md) + [ # 제안된 Git 리포지토리를 Amazon SageMaker Studio Classic에 연결 ](studio-git-attach.md) # Amazon SageMaker Studio Classic의 사용자 지정 이미지 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. SageMaker 이미지는 Amazon SageMaker Studio Classic에서 Jupyter Notebook을 실행하는 데 필요한 커널, 언어 패키지 및 기타 종속성을 식별하는 파일입니다. 이러한 이미지는 Jupyter Notebook을 실행할 수 있는 환경을 만드는 데 사용됩니다. Amazon SageMaker AI는 사용자가 사용할 수 있는 많은 내장 이미지를 제공합니다. 내장 이미지 목록은 [Studio Classic 노트북에 사용할 수 있는 Amazon SageMaker 이미지](notebooks-available-images.md)을 참조하세요. 다른 기능이 필요한 경우 사용자 지정 이미지를 Studio Classic으로 가져올 수 있습니다. SageMaker 제어판, [AWS SDK for Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html) 및 [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/)를 사용하여 이미지 및 이미지 버전을 생성하고 이미지 버전을 도메인이나 공유 스페이스에 연결할 수 있습니다. SageMaker AI 도메인에 온보딩하지 않았더라도 SageMaker AI 콘솔을 사용하여 이미지 및 이미지 버전을 생성할 수도 있습니다. SageMaker AI는 [SageMaker Studio Classic Custom Image Samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/) 리포지토리에서 사용자 지정 SageMaker 이미지의 시작점으로 사용할 샘플 Dockerfile을 제공합니다. 다음 주제에서는 SageMaker AI 콘솔을 사용하여 자체 이미지를 가져온 AWS CLI다음 Studio Classic에서 이미지를 시작하는 방법을 설명합니다. 비슷한 블로그 기사를 보려면 [Bringing your own R environment to Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/)를 참조하세요. 훈련 및 추론에 사용하기 위해 자체 이미지를 가져오는 방법을 보여주는 노트북은 [Amazon SageMaker Studio Classic Container Build CLI](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_sagemaker_studio/sagemaker_studio_image_build)를 참조하세요. ## 핵심 용어 다음 섹션에서는 Studio Classic에서 사용할 자체 이미지를 가져오기 위한 주요 용어를 정의합니다. + **Dockerfile:** Dockerfile은 도커 이미지의 언어 패키지 및 기타 종속성을 식별하는 파일입니다. + **도커 이미지**: 도커 이미지는 빌드된 Dockerfile입니다. 이 이미지는 Amazon ECR에 체크인되며 SageMaker AI 이미지의 기본 역할을 합니다. + **SageMaker 이미지**: SageMaker AI 이미지는 Docker 이미지를 기반으로 하는 SageMaker 이미지 버전 세트를 위한 홀더입니다. 각 이미지 버전은 변경할 수 없습니다. + **이미지 버전:** SageMaker 이미지의 이미지 버전은 도커 이미지를 나타내며 Amazon ECR 리포지토리에 저장됩니다. 각 이미지 버전은 변경할 수 없습니다. 이러한 이미지 버전을 도메인이나 공유 공간에 연결하여 Studio Classic에서 사용할 수 있습니다. **Topics** + [ ## 핵심 용어 ](#studio-byoi-basics) + [ # Amazon SageMaker Studio Classic의 사용자 지정 SageMaker 이미지 사양 ](studio-byoi-specs.md) + [ # Amazon SageMaker Studio Classic의 사용자 지정 이미지의 사전 조건 ](studio-byoi-prereq.md) + [ # Amazon SageMaker Studio Classic과 호환되는 Docker 이미지를 Amazon ECR에 추가 ](studio-byoi-sdk-add-container-image.md) + [ # Amazon SageMaker Studio Classic에 사용자 지정 SageMaker 이미지 생성 ](studio-byoi-create.md) + [ # Amazon SageMaker Studio Classic에서 사용자 지정 SageMaker 이미지 연결 ](studio-byoi-attach.md) + [ # Amazon SageMaker Studio Classic에서 사용자 지정 SageMaker 이미지 시작 ](studio-byoi-launch.md) + [ # Amazon SageMaker Studio Classic에서 사용자 지정 이미지에 대한 리소스 정리 ](studio-byoi-cleanup.md) # Amazon SageMaker Studio Classic의 사용자 지정 SageMaker 이미지 사양 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 사양은 SageMaker AI 이미지 버전으로 표시되는 컨테이너 이미지에 적용됩니다. **이미지 실행** `ENTRYPOINT` 및 `CMD`지침은 이미지를 KernelGateway 앱으로 실행할 수 있도록 재정의됩니다. 이미지의 포트 8888은 KernelGateway 웹 서버를 실행하기 위해 예약되어 있습니다. **이미지 중지** `DeleteApp` API는 `docker stop`명령에 해당하는 것을 발행합니다. 컨테이너의 다른 프로세스는 SIGKILL/SIGTERM 신호를 받지 못합니다. **커널 검색** SageMaker AI는 Jupyter [커널 사양](https://jupyter-client.readthedocs.io/en/latest/kernels.html#kernelspecs)에 정의된 대로 커널을 인식합니다. 이미지를 실행하기 전에 표시할 커널 목록을 지정할 수 있습니다. 지정하지 않으면 python3이 표시됩니다. [DescribeAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAppImageConfig.html) API를 사용하여 커널 목록을 볼 수 있습니다. Conda 환경은 기본적으로 커널 사양으로 인식됩니다. **파일 시스템** `/opt/.sagemakerinternal` 및 `/opt/ml`디렉터리는 예약되어 있습니다. 이러한 디렉터리의 모든 데이터는 런타임에 표시되지 않을 수 있습니다. **사용자 데이터** 도메인의 각 사용자는 이미지의 공유 Amazon Elastic File System 볼륨에 있는 사용자 디렉터리를 가져옵니다. Amazon EFS 볼륨의 현재 사용자의 디렉터리 위치를 구성할 수 있습니다. 기본 디렉터리 위치는 `/home/sagemaker-user`입니다. SageMaker AI는 이미지와 호스트 간의 POSIX UID/GID 매핑을 구성합니다. 이는 기본적으로 루트 사용자의 UID/GID (0/0) 를 호스트의 UID/GID에 매핑합니다. [CreateAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html) API를 사용하여 이러한 값을 지정할 수 있습니다. **GID/UID 제한** Amazon SageMaker Studio Classic은 다음 `DefaultUID` 및 `DefaultGID` 조합만 지원합니다. + DefaultUID: 1000 및 DefaultGID: 100이며, 이는 권한이 없는 사용자에 해당합니다. + DefaultUID: 0 및 DefaultGID: 0이며, 이는 루트 액세스에 해당합니다. **메타데이터** 메타데이터 파일은 `/opt/ml/metadata/resource-metadata.json`에 있습니다. 이미지에 정의된 변수에는 추가 환경 변수가 추가되지 않습니다. 자세한 내용은 [앱 메타데이터 가져오기](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app) 섹션을 참조하세요. **GPU** GPU 인스턴스에서는 이미지가 `--gpus`옵션과 함께 실행됩니다. 이미지에는 NVIDIA 드라이버가 아닌 CUDA 툴킷만 포함되어야 합니다. 자세한 내용은 [NVIDIA 사용 설명서](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html)를 참조하세요. **지표 및 로깅** KernelGateway 프로세스의 로그는 고객 계정의 Amazon CloudWatch로 전송됩니다. 로그 그룹의 이름은 `/aws/sagemaker/studio`입니다. 로그 스트림의 이름은 `$domainID/$userProfileName/KernelGateway/$appName`입니다. **이미지 크기** 35GB로 제한됩니다. 이미지 크기를 보려면 `docker image ls`를 실행하세요. ## 샘플 Dockerfile 다음 샘플 Dockerfile은 이미지 기반 Amazon Linux 2를 생성하고, 타사 패키지와 `python3`커널을 설치하고, 범위를 권한이 없는 사용자로 설정합니다. ``` FROM public.ecr.aws/amazonlinux/amazonlinux:2 ARG NB_USER="sagemaker-user" ARG NB_UID="1000" ARG NB_GID="100" RUN \ yum install --assumeyes python3 shadow-utils && \ useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \ yum clean all && \ jupyter-activity-monitor-extension \ python3 -m pip install ipykernel && \ python3 -m ipykernel install USER ${NB_UID} ``` # Amazon SageMaker Studio Classic의 사용자 지정 이미지의 사전 조건 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic에서 사용할 자체 컨테이너를 가져오려면 다음 사전 조건을 충족해야 합니다. + 도커 애플리케이션입니다. 도커 설정에 대한 자세한 내용은 [방향 및 설정](https://docs.docker.com/get-started/)을 참조하세요. + 시작하기의 단계에 AWS CLI 따라 [를 AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html) 설치합니다. + Studio Classic과 호환되는 이미지를 만들기 위한 모든 Dockerfile의 로컬 복사본입니다. 샘플 사용자 지정 이미지는 [SageMaker AI Studio Classic custom image samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/) 리포지토리를 참조하세요. + Amazon Elastic Container Registry(Amazon ECR) 서비스에 액세스할 수 있는 권한입니다. 자세한 내용은 [Amazon ECR 관리형 정책](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html)을 참조하세요. + [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess) 정책이 연결된 AWS Identity and Access Management 실행 역할입니다. Amazon SageMaker AI 도메인에 온보딩한 경우 SageMaker AI 제어판의 **도메인 요약** 섹션에서 역할을 가져올 수 있습니다. + [SageMaker Docker Build](https://github.com/aws-samples/sagemaker-studio-image-build-cli)의 단계에 따라 Studio Classic 이미지 빌드 CLI를 설치합니다. 이 CLI를 사용하면를 사용하여 Dockerfile을 빌드할 수 있습니다 AWS CodeBuild. # Amazon SageMaker Studio Classic과 호환되는 Docker 이미지를 Amazon ECR에 추가 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 단계를 수행하여 Amazon ECR에 컨테이너 이미지를 추가합니다. + Amazon ECR 리포지토리를 생성합니다. + Amazon ECR에 인증합니다. + Studio Classic과 호환되는 Docker 이미지를 빌드합니다. + Amazon ECR 리포지토리에 이미지를 푸시합니다. **참고** Amazon ECR 리포지토리는 Studio Classic AWS 리전 과 동일한에 있어야 합니다. **컨테이너 이미지를 빌드하고 Amazon ECR에 추가하려면** 1. AWS CLI을 사용하여 Amazon ECR 리포지토리를 생성합니다. Amazon ECR 콘솔을 사용하여 리포지토리를 생성하려면 [리포지토리 생성](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html)을 참조하세요. ``` aws ecr create-repository \ --repository-name smstudio-custom \ --image-scanning-configuration scanOnPush=true ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "repository": { "repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/smstudio-custom", "registryId": "acct-id", "repositoryName": "smstudio-custom", "repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/smstudio-custom", ... } } ``` 1. Studio Classic 이미지 빌드 CLI를 사용하여 `Dockerfile`을 빌드합니다. 마침표 (.) 는 Dockerfile이 빌드 명령의 컨텍스트에 있어야 함을 지정합니다. 이 명령은 이미지를 빌드하고 빌드된 이미지를 ECR 리포지토리에 업로드합니다. 그런 다음 이미지 URI를 출력합니다. ``` sm-docker build . --repository smstudio-custom:custom ``` 응답은 다음과 유사하게 보여야 합니다. ``` Image URI: .dkr.ecr..amazonaws.com/ ``` # Amazon SageMaker Studio Classic에 사용자 지정 SageMaker 이미지 생성 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 이 주제에서는 SageMaker AI 콘솔 또는 AWS CLI를 사용하여 사용자 지정 SageMaker 이미지를 만드는 방법을 설명합니다. 콘솔에서 이미지를 생성할 때 SageMaker AI는 최초 이미지 버전도 생성합니다. 각 이미지 버전은 [Amazon Elastic Container Registry(ECR)](https://console.aws.amazon.com/ecr/)에 저장된 컨테이너 이미지를 나타냅니다. 컨테이너 이미지는 Amazon SageMaker Studio Classic에서 사용하기 위한 요구 사항을 충족해야 합니다. 자세한 내용은 [Amazon SageMaker Studio Classic의 사용자 지정 SageMaker 이미지 사양](studio-byoi-specs.md) 섹션을 참조하세요. 이미지를 로컬에서 테스트하고 일반적인 문제를 해결하는 방법에 대한 정보는 [SageMaker Studio Classic Custom Image Samples 리포지토리](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md)를 참조하세요. 사용자 지정 SageMaker 이미지를 만든 후 이를 Studio Classic에서 사용하려면 해당 이미지를 도메인 또는 공유 공간에 연결해야 합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 사용자 지정 SageMaker 이미지 연결](studio-byoi-attach.md) 섹션을 참조하세요. ## 콘솔에서 SageMaker 이미지 만들기 다음 섹션에서는 SageMaker AI 콘솔에서 사용자 지정 SageMaker 이미지를 만드는 방법을 보여줍니다. **이미지 생성** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **이미지**를 선택합니다. 1. **사용자 지정 이미지** 페이지에서 **이미지 생성**을 선택합니다. 1. **이미지 소스**의 경우 Amazon ECR에 있는 컨테이너 이미지의 레지스트리 경로를 입력합니다. 경로는 다음 형식입니다. ` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] ` 1. **다음**을 선택합니다. 1. **이미지 속성**에 다음을 입력합니다. + 이미지 이름 - 이름은 현재 AWS 리전의 계정에 고유해야 합니다. + (선택 사항) 표시 이름 - Studio Classic 사용자 인터페이스에 표시되는 이름입니다. 입력하지 않은 경우 `Image name`가 표시됩니다. + (선택 사항) 설명 - 이미지에 대한 설명입니다. + IAM 역할 - 역할에는 [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess) 정책이 연결되어야 합니다. 드롭다운 메뉴에서 다음 옵션 중 하나를 선택합니다. + 새 역할 생성 - 노트북 사용자가 액세스할 수 있도록 Amazon Simple Storage Service(S3) 버킷을 추가로 지정합니다. 추가 버킷에 대한 액세스 권한을 허용하지 않으려면 **없음**을 선택합니다. SageMaker AI는 `AmazonSageMakerFullAccess` 정책을 역할에 연결합니다. 해당 역할을 통해 노트북 사용자는 체크 표시 옆에 나열된 S3 버킷에 액세스할 수 있습니다. + 사용자 지정 IAM 역할 ARN 입력 - IAM 역할의 Amazon 리소스 이름(ARN)을 입력합니다. + 기존 역할 사용 - 목록에서 기존 역할 중 하나를 선택합니다. + (선택 사항) 이미지 태그 - **새 태그 추가**를 선택합니다. 최대 50개의 태그를 추가할 수 있습니다. 태그는 Studio Classic 사용자 인터페이스, SageMaker AI 콘솔 또는 SageMaker AI `Search` API를 사용하여 검색할 수 있습니다. 1. **제출**을 선택합니다. 새 이미지가 **사용자 지정 이미지** 목록에 표시되고 짧게 강조 표시됩니다. 이미지를 성공적으로 만든 후 이미지 이름을 선택하여 속성을 보거나 **버전 생성**을 선택하여 다른 버전을 만들 수 있습니다. **다른 이미지 버전을 만들려면** 1. 이미지와 같은 행에서 **버전 생성**을 선택합니다. 1. **이미지 소스**의 경우 Amazon ECR 컨테이너 이미지의 레지스트리 경로를 입력합니다. 컨테이너 이미지는 이전 버전의 SageMaker 이미지에서 사용된 이미지와 동일하지 않아야 합니다. ## 에서 SageMaker 이미지 생성 AWS CLI AWS CLI를 사용하여 컨테이너 이미지에서 SageMaker 이미지를 만들려면 다음 단계를 수행합니다. + `Image`를 생성합니다. + `ImageVersion`를 생성합니다. + 구성 파일을 생성합니다. + `AppImageConfig`를 생성합니다. **SageMaker 이미지 엔티티를 만들려면** 1. SageMaker 이미지를 생성합니다. ``` aws sagemaker create-image \ --image-name custom-image \ --role-arn arn:aws:iam:::role/service-role/ ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/custom-image" } ``` 1. 컨테이너 이미지에서 SageMaker 이미지 버전을 생성합니다. ``` aws sagemaker create-image-version \ --image-name custom-image \ --base-image .dkr.ecr..amazonaws.com/smstudio-custom:custom-image ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1" } ``` 1. 이미지 버전이 성공적으로 생성되었는지 확인합니다. ``` aws sagemaker describe-image-version \ --image-name custom-image \ --version-number 1 ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1", "ImageVersionStatus": "CREATED" } ``` **참고** 응답이 `"ImageVersionStatus": "CREATED_FAILED"`인 경우 응답에는 실패 이유도 포함됩니다. 권한 문제는 실패의 일반적인 원인입니다. 또한 사용자 지정 이미지에 대해 KernelGateway 앱을 시작하거나 실행할 때 오류가 발생하는 경우 Amazon CloudWatch Logs를 확인할 수 있습니다. 로그 그룹의 이름은 `/aws/sagemaker/studio`입니다. 로그 스트림의 이름은 `$domainID/$userProfileName/KernelGateway/$appName`입니다. 1. 구성 파일을 만들고 이름을 `app-image-config-input.json`로 지정합니다. `KernelSpecs`의 `Name`값은 이 `AppImageConfig`와 관련된 이미지에서 사용할 수 있는 KernelSpec의 이름과 일치해야 합니다. 이 값은 대소문자를 구분합니다. 컨테이너 내부의 쉘에서 `jupyter-kernelspec list`를 실행하여 이미지에서 사용 가능한 커널 사양을 찾을 수 있습니다.`MountPath`는 이미지 내에서 Amazon Elastic File System(Amazon EFS) 홈 디렉토리를 마운트하는 경로입니다. Amazon EFS 홈 디렉터리가 마운트될 때 해당 경로가 재정의되므로 컨테이너 내에서 사용하는 경로와 달라야 합니다. **참고** 허용되는 값은 다음 `DefaultUID`값과 `DefaultGID`조합 뿐입니다. DefaultUID: 1000 및 DefaultGID: 100 DefaultUID: 0 및 DefaultGID: 0 ``` { "AppImageConfigName": "custom-image-config", "KernelGatewayImageConfig": { "KernelSpecs": [ { "Name": "python3", "DisplayName": "Python 3 (ipykernel)" } ], "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } } } ``` 1. 이전 단계에서 생성한 파일을 사용하여 AppImageConfig를 생성합니다. ``` aws sagemaker create-app-image-config \ --cli-input-json file://app-image-config-input.json ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/custom-image-config" } ``` # Amazon SageMaker Studio Classic에서 사용자 지정 SageMaker 이미지 연결 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 지정할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 사용자 지정 SageMaker 이미지를 사용하려면 도메인 또는 공유 스페이스에 이미지 버전을 첨부해야 합니다. 이미지 버전을 첨부하면 SageMaker Studio Classic 런처에 표시되며 사용자가 활동을 시작하거나 노트북에서 사용하는 이미지를 변경하는 데 사용하는 **이미지 선택** 드롭다운 목록에서 사용할 수 있습니다. 사용자 지정 SageMaker 이미지를 도메인 내 모든 사용자가 사용할 수 있게 하려면 이미지를 도메인에 첨부합니다. 공유 스페이스 내의 모든 사용자가 이미지를 사용할 수 있게 하려면 공유 스페이스에 이미지를 첨부하면 됩니다. 단일 사용자가 이미지를 사용할 수 있게 하려면 이미지를 사용자 프로필에 첨부합니다. 이미지를 연결할 때 SageMaker AI는 기본적으로 최신 이미지 버전을 사용합니다. 특정 이미지 버전을 첨부할 수도 있습니다. 버전을 연결한 후, 노트북을 실행할 때 SageMaker AI Launcher 또는 이미지 선택기에서 버전을 선택할 수 있습니다. 특정 시점에 첨부할 수 있는 이미지 버전 수에는 제한이 있습니다. 한도에 도달한 후 다른 버전의 이미지를 연결하려면 버전을 분리해야 합니다. 다음 섹션에서는 SageMaker AI 콘솔 또는 AWS CLI를 사용하여 사용자 지정 SageMaker 이미지를 도메인에 연결하는 방법을 보여줍니다. AWS CLI를 사용하여 공유 스페이스에만 사용자 지정 이미지를 첨부할 수 있습니다. ## 도메인에 SageMaker 이미지 첨부 ### 콘솔을 사용하여 SageMaker 이미지 첨부 이 주제에서는 SageMaker AI 제어판을 사용하여 기존 사용자 지정 SageMaker 이미지 버전을 도메인에 연결하는 방법을 설명합니다. 사용자 지정 SageMaker 이미지 및 이미지 버전을 만든 다음 해당 버전을 도메인에 첨부할 수도 있습니다. 이미지 및 이미지 버전을 생성하는 절차는 [Amazon SageMaker Studio Classic에 사용자 지정 SageMaker 이미지 생성](studio-byoi-create.md)을 참조하세요. **기존 이미지를 첨부하려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. **도메인** 페이지에서 이미지를 첨부할 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **환경** 탭을 선택합니다. 1. **환경** 탭의 **도메인에 연결된 사용자 지정 SageMaker Studio Classic 이미지**에서 **이미지 첨부**를 선택합니다. 1. **이미지 소스**의 경우 **기존 이미지**를 선택합니다. 1. 목록에서 기존 이미지를 선택합니다. 1. 목록에서 이미지 버전을 선택합니다. 1. **다음**을 선택합니다. 1. **이미지 이름**, **이미지 표시 이름**, **설명**의 값을 확인합니다. 1. IAM 역할을 선택합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에 사용자 지정 SageMaker 이미지 생성](studio-byoi-create.md) 섹션을 참조하세요. 1. (선택 사항) 이미지에 태그를 추가합니다. 1. EFS 마운트 경로를 지정합니다. 사용자의 Amazon Elastic File System(EFS) 홈 디렉터리를 마운트할 이미지 내의 경로입니다. 1. **이미지 유형**에서 **SageMaker Studio 이미지**를 선택합니다. 1. **커널 이름**의 경우 이미지에 있는 기존 커널의 이름을 입력합니다. 이미지에서 커널 정보를 가져오는 방법에 대한 자세한 내용은 SageMaker Studio Classic 사용자 지정 이미지 샘플 리포지토리의 [DEVELOPMENT](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md)를 참조하세요. 자세한 내용은 [Amazon SageMaker Studio Classic의 사용자 지정 SageMaker 이미지 사양](studio-byoi-specs.md)의 **커널 검색** 및 **사용자 데이터** 섹션을 참조하세요. 1. (선택 사항) **커널 표시 이름**에 커널의 표시 이름을 입력합니다. 1. **커널 추가**를 선택합니다. 1. **제출**을 선택합니다. 1. 이미지 버전이 도메인에 연결될 때까지 기다립니다. 첨부하면 버전이 **사용자 지정 이미지** 목록에 표시되고 간략하게 강조 표시됩니다. ### 를 사용하여 SageMaker 이미지 연결 AWS CLI 다음 섹션에서는 AWS CLI를 사용하여 새 도메인을 만들거나 기존 도메인을 업데이트할 때 사용자 지정 SageMaker 이미지를 첨부하는 방법을 보여줍니다. #### 새 도메인에 SageMaker 이미지 첨부 다음 섹션에서는 버전이 첨부된 새 도메인을 생성하는 방법을 보여줍니다. 이러한 단계를 수행하려면 도메인을 생성하는 데 필요한 Amazon Virtual Private Cloud(VPC) 정보와 실행 역할을 지정해야 합니다. 다음 단계를 수행하여 도메인을 생성하고 사용자 지정 SageMaker 이미지를 첨부합니다. + 기본 VPC ID 및 서브넷 ID를 가져옵니다. + 이미지를 지정하는 도메인의 구성 파일을 생성합니다. + 구성 파일로 도메인을 생성합니다. **사용자 지정 SageMaker 이미지를 도메인에 추가하려면** 1. 기본 VPC ID를 가져옵니다. ``` aws ec2 describe-vpcs \ --filters Name=isDefault,Values=true \ --query "Vpcs[0].VpcId" --output text ``` 응답은 다음과 유사하게 보여야 합니다. ``` vpc-xxxxxxxx ``` 1. 이전 단계의 VPC ID를 사용하여 기본 서브넷 ID를 가져옵니다. ``` aws ec2 describe-subnets \ --filters Name=vpc-id,Values= \ --query "Subnets[*].SubnetId" --output json ``` 응답은 다음과 유사하게 보여야 합니다. ``` [ "subnet-b55171dd", "subnet-8a5f99c6", "subnet-e88d1392" ] ``` 1. `create-domain-input.json`라는 이름으로 구성 파일을 만듭니다. 이전 단계의 VPC ID, 서브넷 ID, `ImageName` 및 `AppImageConfigName`을 삽입합니다. `ImageVersionNumber`가 지정되지 않았으므로 이미지의 최신 버전이 사용되며, 이 경우에는 유일한 버전입니다. ``` { "DomainName": "domain-with-custom-image", "VpcId": "", "SubnetIds": [ "" ], "DefaultUserSettings": { "ExecutionRole": "", "KernelGatewayAppSettings": { "CustomImages": [ { "ImageName": "custom-image", "AppImageConfigName": "custom-image-config" } ] } }, "AuthMode": "IAM" } ``` 1. 첨부된 사용자 지정 SageMaker 이미지를 사용하여 도메인을 생성합니다. ``` aws sagemaker create-domain \ --cli-input-json file://create-domain-input.json ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx", "Url": "https://d-xxxxxxxxxxxx.studio.us-east-2.sagemaker.aws/..." } ``` #### 현재 도메인에 SageMaker 이미지 첨부 SageMaker AI 도메인에 온보딩한 경우 사용자 지정 이미지를 현재 도메인에 연결할 수 있습니다. SageMaker AI 도메인 온보딩에 대한 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 섹션을 참조하세요. 현재 도메인에 사용자 지정 이미지를 첨부할 때 VPC 정보 및 실행 역할을 지정할 필요가 없습니다. 버전을 첨부한 후에는 도메인에 있는 모든 앱을 삭제하고 Studio Classic을 다시 열어야 합니다. 앱 삭제에 대한 정보는 [Amazon SageMaker AI 도메인 삭제](gs-studio-delete-domain.md)를 참조하세요. 다음 단계를 수행하여 SageMaker 이미지를 현재 도메인에 추가합니다. + SageMaker AI 제어판에서 `DomainID`를 가져옵니다. + `DomainID`를 사용하여 도메인의 `DefaultUserSettings`를 가져옵니다. + `ImageName`와 `AppImageConfig`을 `CustomImage`로 `DefaultUserSettings`에 추가합니다. + 사용자 지정 이미지를 포함하도록 도메인을 업데이트합니다. **사용자 지정 SageMaker 이미지를 도메인에 추가하려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. **도메인** 페이지에서 이미지를 첨부할 도메인을 선택합니다. 1. **도메인 세부정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **도메인 설정** 탭의 **일반 설정**에서 `DomainId`을 찾을 수 있습니다. ID의 형식은 `d-xxxxxxxxxxxx`입니다. 1. 도메인 ID를 사용하여 도메인에 대한 설명을 가져옵니다. ``` aws sagemaker describe-domain \ --domain-id ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "DomainId": "d-xxxxxxxxxxxx", "DefaultUserSettings": { "KernelGatewayAppSettings": { "CustomImages": [ ], ... } } } ``` 1. `default-user-settings.json`라는 파일에 대한 응답의 기본 사용자 설정 섹션을 저장합니다. 1. 이전 단계의 `ImageName`및 `AppImageConfigName`를 사용자 지정 이미지로 삽입합니다. `ImageVersionNumber`는 지정되지 않았으므로 이미지의 최신 버전이 사용되며, 이 경우에는 유일한 버전입니다. ``` { "DefaultUserSettings": { "KernelGatewayAppSettings": { "CustomImages": [ { "ImageName": "string", "AppImageConfigName": "string" } ], ... } } } ``` 1. 도메인 ID 및 기본 사용자 설정 파일을 사용하여 도메인을 업데이트합니다. ``` aws sagemaker update-domain \ --domain-id \ --cli-input-json file://default-user-settings.json ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx" } ``` ## 공유 스페이스에 SageMaker 이미지 첨부 SageMaker 이미지는 AWS CLI를 사용해서 공유 스페이스에만 첨부할 수 있습니다. 버전을 첨부한 후에는 공유 공간에 있는 모든 애플리케이션을 삭제하고 Studio Classic을 다시 열어야 합니다. 앱 삭제에 대한 정보는 [Amazon SageMaker AI 도메인 삭제](gs-studio-delete-domain.md)를 참조하세요. 다음 단계를 수행하여 SageMaker 이미지를 공유 스페이스에 추가합니다. + SageMaker AI 제어판에서 `DomainID`를 가져옵니다. + `DomainID`를 사용하여 도메인의 `DefaultSpaceSettings`를 가져옵니다. + `ImageName`와 `AppImageConfig`를 `DefaultSpaceSettings`에 `CustomImage`로 추가합니다. + 공유 스페이스에 대한 사용자 지정 이미지를 포함하도록 도메인을 업데이트합니다. **사용자 지정 SageMaker 이미지를 공유 스페이스에 추가하려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. **도메인** 페이지에서 이미지를 첨부할 도메인을 선택합니다. 1. **도메인 세부정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **도메인 설정** 탭의 **일반 설정**에서 `DomainId`을 찾을 수 있습니다. ID의 형식은 `d-xxxxxxxxxxxx`입니다. 1. 도메인 ID를 사용하여 도메인에 대한 설명을 가져옵니다. ``` aws sagemaker describe-domain \ --domain-id ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "DomainId": "d-xxxxxxxxxxxx", ... "DefaultSpaceSettings": { "KernelGatewayAppSettings": { "CustomImages": [ ], ... } } } ``` 1. `default-space-settings.json`라는 파일에 대한 응답의 기본 스페이스 설정 섹션을 저장합니다. 1. 이전 단계의 `ImageName`및 `AppImageConfigName`를 사용자 지정 이미지로 삽입합니다. `ImageVersionNumber`가 지정되지 않았으므로 이미지의 최신 버전이 사용되며, 이 경우에는 이 버전만 사용됩니다. ``` { "DefaultSpaceSettings": { "KernelGatewayAppSettings": { "CustomImages": [ { "ImageName": "string", "AppImageConfigName": "string" } ], ... } } } ``` 1. 도메인 ID 및 기본 스페이스 설정 파일을 사용하여 도메인을 업데이트합니다. ``` aws sagemaker update-domain \ --domain-id \ --cli-input-json file://default-space-settings.json ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx" } ``` ## SageMaker AI에서 연결된 이미지 보기 사용자 지정 SageMaker 이미지를 만들어 도메인에 연결하면 해당 이미지가 도메인의 **환경** 탭에 나타납니다. 다음 명령을 사용해서만 공유 스페이스에 연결된 이미지를 볼 수 AWS CLI 있습니다. ``` aws sagemaker describe-domain \ --domain-id ``` # Amazon SageMaker Studio Classic에서 사용자 지정 SageMaker 이미지 시작 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 사용자 지정 SageMaker 이미지를 만들어 도메인 또는 공유 공간에 연결하면 Studio Classic 런처의 **환경 변경** 대화 상자에 있는 선택기에 사용자 지정 이미지와 커널이 나타납니다. **사용자 지정 이미지 및 커널을 시작하고 선택하려면** 1. Amazon SageMaker Studio Classic에서 런처를 엽니다. 런처를 열려면 Studio Classic 인터페이스 왼쪽 상단에서 **Amazon SageMaker Studio Classic**을 선택하거나 키보드 단축키 `Ctrl + Shift + L`을 사용하세요. 시작 관리자를 여는 데 사용할 수 있는 모든 방법에 대해 알아보려면 [Amazon SageMaker Studio Classic 런처 열기](studio-launcher.md)을 참조하세요. ![\[SageMaker Studio Classic 런처\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-new-launcher.png) 1. 시작 관리자의 **노트북 및 컴퓨팅 리소스** 섹션에서 **환경 변경**을 선택합니다. 1. **환경 변경** 대화 상자의 드롭다운 메뉴를 사용하여 **사용자 지정 이미지** 섹션에서 **이미지**를 선택하고 **커널**을 선택한 다음 **선택**을 선택합니다. 1. 시작 관리자에서 **노트북 만들기** 또는 **이미지 터미널 열기**를 선택합니다. 선택한 사용자 지정 이미지 및 커널에서 노트북 또는 터미널이 실행됩니다. 열린 노트북에서 이미지 또는 커널을 변경하려면 [Amazon SageMaker Studio Classic 노트북의 이미지 또는 커널 변경](notebooks-run-and-manage-change-image.md)을 참조하세요. **참고** 이미지를 시작할 때 오류가 발생하는 경우 Amazon CloudWatch Logs를 확인하세요. 로그 그룹의 이름은 `/aws/sagemaker/studio`입니다. 로그 스트림의 이름은 `$domainID/$userProfileName/KernelGateway/$appName`입니다. # Amazon SageMaker Studio Classic에서 사용자 지정 이미지에 대한 리소스 정리 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 섹션에서는 SageMaker AI 콘솔 또는 AWS CLI에서 이전 섹션에서 생성한 리소스를 정리하는 방법을 보여 줍니다. 다음 단계를 수행하여 리소스를 정리합니다. + 도메인에서 이미지 및 이미지 버전을 분리합니다. + 이미지, 이미지 버전, 앱 이미지 구성을 삭제합니다. + Amazon ECR에서 컨테이너 이미지와 리포지토리를 삭제합니다. 자세한 내용은 [리포지토리 삭제](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html)를 참조하세요. ## SageMaker AI 콘솔에서 리소스 정리 다음 섹션은 SageMaker AI 콘솔에서 리소스를 정리하는 방법을 보여줍니다. 도메인에서 이미지를 분리하면 이미지의 모든 버전이 분리됩니다. 이미지를 분리하면 도메인의 모든 사용자가 이미지 버전에 액세스할 수 없게 됩니다. 버전이 분리될 때 이미지 버전에 커널 세션이 있는 실행 중인 노트북은 계속 실행됩니다. 노트북이 중지되거나 커널이 종료되면 이미지 버전을 사용할 수 없게 됩니다. **이미지를 분리하려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **이미지**를 선택합니다. 1. **도메인에 첨부된 사용자 지정 SageMaker Studio Classic 이미지**에서 이미지를 선택한 다음 **분리**를 선택합니다. 1. (선택 사항) SageMaker AI에서 이미지와 모든 버전을 삭제하려면 **선택한 이미지도 삭제...**를 선택합니다. 이렇게 해도 Amazon ECR에서 관련 컨테이너 이미지가 삭제되지는 않습니다. 1. **분리**를 선택합니다. ## 에서 리소스 정리 AWS CLI 다음 섹션은 AWS CLI에서 리소스를 정리하는 방법을 보여줍니다. **리소스를 정리하려면** 1. 빈 사용자 지정 이미지 목록을 도메인에 전달하여 도메인에서 이미지 및 이미지 버전을 분리합니다. [현재 도메인에 SageMaker 이미지 첨부](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain)에서 생성한 `default-user-settings.json`파일을 엽니다. 공유 스페이스에서 이미지 및 이미지 버전을 분리하려면 `default-space-settings.json`파일을 엽니다. 1. 사용자 지정 이미지를 삭제한 후 파일을 저장합니다. ``` "DefaultUserSettings": { "KernelGatewayAppSettings": { "CustomImages": [ ], ... }, ... } ``` 1. 도메인 ID 및 기본 사용자 설정 파일을 사용하여 도메인을 업데이트합니다. 공유 스페이스를 업데이트하려면 기본 스페이스 설정 파일을 사용합니다. ``` aws sagemaker update-domain \ --domain-id \ --cli-input-json file://default-user-settings.json ``` 응답은 다음과 유사하게 보여야 합니다. ``` { "DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx" } ``` 1. 앱 이미지 구성을 삭제합니다. ``` aws sagemaker delete-app-image-config \ --app-image-config-name custom-image-config ``` 1. SageMaker 이미지를 삭제하면 모든 이미지 버전도 삭제됩니다. 이미지 버전으로 표시되는 ECR의 컨테이너 이미지는 삭제되지 않습니다. ``` aws sagemaker delete-image \ --image-name custom-image ``` # 수명 주기 구성을 사용하여 Amazon SageMaker Studio Classic 사용자 지정 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic은 새 Studio Classic 노트북 시작과 같은 중요한 수명 주기 이벤트 중에 수명 주기 구성 쉘 스크립트를 트리거합니다. 수명 주기 구성을 사용하여 Studio Classic 환경의 사용자 지정을 자동화할 수 있습니다. 사용자 지정에는 사용자 지정 패키지 설치, 노트북 확장 구성, 데이터세트 사전 로드, 소스 코드 리포지토리 설정이 포함됩니다. 수명 주기 구성을 사용하면 특정 요구를 충족하도록 Studio Classic을 구성할 수 있는 유연성과 제어권이 주어집니다. 예를 들어 수명 주기 구성 스크립트와 함께 사용자 지정 컨테이너 이미지를 사용하여 환경을 수정할 수 있습니다. 먼저 최소 기본 컨테이너 이미지 세트를 만든 다음 해당 이미지에 가장 일반적으로 사용되는 패키지와 라이브러리를 설치합니다. 이미지를 완료한 후 수명 주기 구성을 사용하여 특정 사용 사례에 대한 추가 패키지를 설치합니다. 이를 통해 필요에 따라 데이터 과학 및 기계 학습 팀 전체에서 환경을 유연하게 수정할 수 있습니다. 사용자는 액세스 권한이 부여된 수명 주기 구성 스크립트만 선택할 수 있습니다. 여러 수명 주기 구성 스크립트에 대한 액세스 권한을 부여할 수 있지만 리소스에 대한 기본 수명 주기 구성 스크립트를 설정할 수도 있습니다. 기본 수명 주기 구성이 설정된 리소스에 따라 기본값이 자동으로 실행되거나 첫 번째 옵션으로 표시됩니다. 수명 주기 구성 스크립트의 예는 [Studio Classic Lifecycle Configuration examples GitHub 리포지토리](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples)를 참조하세요. 수명 주기 구성 구현에 대한 블로그는 [Customize Amazon SageMaker Studio Classic using Lifecycle Configurations](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/)을 참조하세요. **참고** 각 스크립트의 최대 글자 수는 **16,384자**입니다. **Topics** + [ # 수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결 ](studio-lcc-create.md) + [ # Amazon SageMaker Studio Classic의 기본 수명 주기 구성 설정 ](studio-lcc-defaults.md) + [ # Amazon SageMaker Studio Classic의 수명 주기 구성 디버깅 ](studio-lcc-debug.md) + [ # Amazon SageMaker Studio Classic에서 수명 주기 구성 업데이트 및 분리 ](studio-lcc-delete.md) # 수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker AI는 Studio Classic의 시각적 인터페이스, 코드 작성 및 실행 경험을 지원하는 대화형 애플리케이션을 제공합니다. 이 시리즈에서는 수명 주기 구성을 생성하고 이를 SageMaker AI 도메인과 연결하는 방법을 보여줍니다. 애플리케이션 유형은 `JupyterServer`또는 `KernelGateway`일 수 있습니다. + **`JupyterServer` 애플리케이션:** 이 애플리케이션 유형을 사용하면 Studio Classic의 시각적 인터페이스에 액세스할 수 있습니다. Studio Classic의 모든 사용자와 공유 공간에는 고유한 JupyterServer 애플리케이션이 제공됩니다. + **`KernelGateway` 애플리케이션:** 이 애플리케이션 유형을 사용하면 Studio Classic 노트북 및 터미널의 코드 실행 환경 및 커널에 액세스할 수 있습니다. 자세한 내용은 [Jupyter 커널 게이트웨이](https://jupyter-kernel-gateway.readthedocs.io/en/latest/)를 참조하세요. Studio Classic의 아키텍처 및 Studio Classic 애플리케이션에 대한 자세한 내용은 [Use Amazon SageMaker Studio Classic Notebooks](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html)을 참조하세요. **Topics** + [ # Amazon SageMaker Studio Classic AWS CLI 용에서 수명 주기 구성 생성 ](studio-lcc-create-cli.md) + [ # Amazon SageMaker Studio Classic용 Amazon SageMaker AI 콘솔에서 수명 주기 구성 생성 ](studio-lcc-create-console.md) # Amazon SageMaker Studio Classic AWS CLI 용에서 수명 주기 구성 생성 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 주제에서는를 사용하여 Studio Classic 환경에 대한 사용자 지정을 자동화 AWS CLI 하는 수명 주기 구성을 생성하는 방법을 보여줍니다. ## 사전 조건 시작하기 전에 다음 필수 조건을 완료합니다. + 현재 버전 설치의 단계에 AWS CLI 따라를 업데이트합니다. [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) + 로컬 컴퓨터에서 `aws configure`를 실행하고 AWS 보안 인증을 제공하세요. 자격 AWS 증명에 대한 자세한 내용은 [AWS 자격 증명 이해 및 가져오기를 참조하세요](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). + [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md)의 단계에 따라 SageMaker AI 도메인에 온보딩합니다. ## 1단계: 수명 주기 구성 생성 다음 절차는 `Hello World`를 인쇄하는 수명 주기 구성 스크립트를 생성하는 방법을 보여 줍니다. **참고** 각 스크립트는 최대 **16,384자**까지 입력할 수 있습니다. 1. 로컬 시스템에서 다음 내용으로 `my-script.sh`이라는 파일을 만듭니다. ``` #!/bin/bash set -eux echo 'Hello World!' ``` 1. `my-script.sh` 파일을 base64 형식으로 변환하세요. 이 필수 조건은 간격 및 줄 바꿈 인코딩으로 인해 발생하는 오류를 방지합니다. ``` LCC_CONTENT=`openssl base64 -A -in my-script.sh` ``` 1. Studio Classic과 함께 사용할 수명 주기 구성을 만드세요. 다음 명령은 관련 `KernelGateway`애플리케이션을 시작할 때 실행되는 수명 주기 구성을 생성합니다. ``` aws sagemaker create-studio-lifecycle-config \ --region region \ --studio-lifecycle-config-name my-studio-lcc \ --studio-lifecycle-config-content $LCC_CONTENT \ --studio-lifecycle-config-app-type KernelGateway ``` 반환된 새로 생성된 수명 주기 구성의 ARN을 기록해 둡니다. 이 ARN은 수명 주기 구성을 애플리케이션에 연결하는 데 필요합니다. ## 2단계: 수명 주기 구성을 도메인, 사용자 프로필 또는 공유 스페이스에 연결 수명 주기 구성을 연결하려면 도메인 또는 사용자 프로필에 `UserSettings`을 업데이트하거나 공유 스페이스에 대해 `SpaceSettings`를 업데이트해야 합니다. 도메인 수준에서 연결된 수명 주기 구성 스크립트는 모든 사용자에게 상속됩니다. 그러나 사용자 프로필 수준에서 연결된 스크립트는 특정 사용자로 범위가 지정되고 공유 스페이스 수준에서 연결된 스크립트는 공유 스페이스로 범위가 지정됩니다. 다음 예제에서는 수명 주기 구성이 연결된 새 사용자 프로필을 만드는 방법을 보여줍니다. 또한 [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) 및 [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html) 명령을 각각 사용하여 수명 주기 구성이 연결된 새 도메인이나 스페이스를 만들 수 있습니다. 이전 단계의 수명 주기 구성 ARN을 적절한 앱 유형의 설정에 추가합니다. 예를 들어, 사용자의 `JupyterServerAppSettings`에 배치하세요. 수명 주기 구성 목록을 전달하여 여러 수명 주기 구성을 동시에 추가할 수 있습니다. 사용자가를 사용하여 JupyterServer 애플리케이션을 시작하면 기본값 대신 사용할 수명 주기 구성을 전달할 AWS CLI수 있습니다. 사용자가 전달하는 수명 주기 구성은 `JupyterServerAppSettings`의 수명 주기 구성 목록에 속해야 합니다. ``` # Create a new UserProfile aws sagemaker create-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "JupyterServerAppSettings": { "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` 다음 예제에서는 수명 주기 구성을 연결하도록 기존 공유 스페이스를 업데이트하는 방법을 보여줍니다. [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) 또는 [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) 명령을 사용하여 수명 주기 구성이 첨부된 기존 도메인이나 사용자 프로필을 업데이트할 수도 있습니다. 첨부된 수명 주기 구성 목록을 업데이트할 때는 모든 수명 주기 구성을 목록의 일부로 전달해야 합니다. 수명 주기 구성이 이 목록의 일부가 아닌 경우 애플리케이션에 연결되지 않습니다. ``` aws sagemaker update-space --domain-id domain-id \ --space-name space-name \ --region region \ --space-settings '{ "JupyterServerAppSettings": { "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` 리소스의 기본 수명 주기 구성 설정에 대한 자세한 내용은 [Amazon SageMaker Studio Classic의 기본 수명 주기 구성 설정](studio-lcc-defaults.md)을 참조하세요. ## 3단계: 수명 주기 구성으로 애플리케이션 시작 도메인, 사용자 프로필 또는 스페이스에 수명 주기 구성을 연결한 후 사용자는 AWS CLI를 사용하여 애플리케이션을 시작할 때 해당 구성을 선택할 수 있습니다. 이 섹션에서는 연결된 수명 주기 구성을 사용하여 애플리케이션을 시작하는 방법을 설명합니다. JupyterServer 애플리케이션을 시작한 후 기본 수명 주기 구성을 변경하는 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic의 기본 수명 주기 구성 설정](studio-lcc-defaults.md)을 참조하세요. `create-app` 명령을 사용하여 원하는 애플리케이션 유형을 시작하고 `resource-spec`인수에 수명 주기 구성 ARN을 지정합니다. + 다음 예에서는 연결된 수명 주기 구성을 사용하여 `JupyterServer`애플리케이션을 생성하는 방법을 보여줍니다. `JupyterServer`를 생성할 때는 `app-name`가 `default`이어야 합니다. `resource-spec` 파라미터의 일부로 전달된 수명 주기 구성 ARN은 도메인 또는 사용자 프로필의 경우 `UserSettings`, 공유 스페이스의 경우 `SpaceSettings`에 지정된 수명 주기 구성 ARN 목록에 포함되어야 합니다. ``` aws sagemaker create-app --domain-id domain-id \ --region region \ --user-profile-name user-profile-name \ --app-type JupyterServer \ --resource-spec LifecycleConfigArn=lifecycle-configuration-arn \ --app-name default ``` + 다음 예제에서는 연결된 수명 주기 구성을 사용하여 `KernelGateway`애플리케이션을 생성하는 방법을 보여줍니다. ``` aws sagemaker create-app --domain-id domain-id \ --region region \ --user-profile-name user-profile-name \ --app-type KernelGateway \ --resource-spec LifecycleConfigArn=lifecycle-configuration-arn,SageMakerImageArn=sagemaker-image-arn,InstanceType=instance-type \ --app-name app-name ``` # Amazon SageMaker Studio Classic용 Amazon SageMaker AI 콘솔에서 수명 주기 구성 생성 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 주제에서는 Amazon SageMaker AI 콘솔에서 수명 주기 구성을 만들어 Studio Classic 환경의 사용자 지정을 자동화하는 방법을 보여줍니다. ## 사전 조건 이 자습서를 시작하기 전에 다음 필수 조건을 완료합니다. + Amazon SageMaker Studio Classic에 온보딩합니다. 자세한 내용은 [Onboard to Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html)을 참조하세요. ## 1단계: 새로운 수명 주기 구성 생성 Amazon SageMaker AI 콘솔에서 스크립트를 입력하여 수명 주기 구성을 생성할 수 있습니다. **참고** 각 스크립트는 최대 **16,384자**까지 입력할 수 있습니다. 다음 절차는 `Hello World`를 인쇄하는 수명 주기 구성 스크립트를 생성하는 방법을 보여 줍니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **수명 주기 구성**을 선택합니다. 1. **Studio** 탭을 선택합니다. 1. **구성 생성**을 선택합니다. 1. **구성 유형 선택**에서 수명 주기 구성을 연결해야 하는 애플리케이션 유형을 선택합니다. 수명 주기 구성을 연결할 애플리케이션을 선택하는 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic의 기본 수명 주기 구성 설정](studio-lcc-defaults.md)을 참조하세요. 1. **다음**을 선택합니다. 1. **구성 설정**이라는 섹션에 수명 주기 구성의 이름을 입력합니다. 1. **스크립트** 섹션에 다음 내용을 입력합니다. ``` #!/bin/bash set -eux echo 'Hello World!' ``` 1. (선택 사항) 수명 주기 구성을 위한 태그를 생성합니다. 1. **제출**을 선택합니다. ## 2단계: 도메인 또는 사용자 프로필에 수명 주기 구성 연결 도메인 수준에서 연결된 수명 주기 구성 스크립트는 모든 사용자에게 상속됩니다. 하지만 사용자 프로필 수준에서 연결된 스크립트는 특정 사용자로 범위가 지정됩니다 JupyterServer 및 KernelGateway 애플리케이션 모두에 대해 도메인 또는 사용자 프로필에 여러 수명 주기 구성을 연결할 수 있습니다. **참고** 수명 주기 구성을 공유 스페이스에 연결하려면 AWS CLI를 사용해야 합니다. 자세한 내용은 [Amazon SageMaker Studio Classic AWS CLI 용에서 수명 주기 구성 생성](studio-lcc-create-cli.md) 단원을 참조하십시오. 다음 섹션에서는 수명 주기 구성을 도메인 또는 사용자 프로필에 연결하는 방법을 보여줍니다. ### 도메인에 연결 다음은 SageMaker AI 콘솔에서 기존 도메인에 수명 주기 구성을 연결하는 방법을 보여줍니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 수명 주기 구성을 연결할 도메인을 선택합니다. 1. **도메인 세부 정보**에서 **환경** 탭을 선택합니다. 1. **개인용 Studio 앱의 수명 주기 구성**에서 **연결**을 선택합니다. 1. **소스**에서 **기존 구성**을 선택합니다. 1. **Studio 수명 주기 구성**에서 이전 단계에서 만든 수명 주기 구성을 선택합니다. 1. **도메인에 연결**을 선택합니다. ### 사용자 프로필에 연결 다음은 기존 사용자 프로필에 수명 주기 구성을 연결하는 방법을 보여줍니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 수명 주기 구성을 연결할 사용자 프로필이 포함된 도메인을 선택합니다. 1. **사용자 프로필**에서 사용자 프로필을 선택합니다. 1. **사용자 세부 정보** 탭에서 **편집**을 선택합니다. 1. 왼쪽 탐색 창에서 **Studio 설정**을 선택합니다. 1. **사용자에게 연결된 수명 주기 구성**에서 **연결**을 선택합니다. 1. **소스**에서 **기존 구성**을 선택합니다. 1. **Studio 수명 주기 구성**에서 이전 단계에서 만든 수명 주기 구성을 선택합니다. 1. **사용자 프로필에 연결**을 선택합니다. ## 3단계: 수명 주기 구성으로 애플리케이션 시작 도메인 또는 사용자 프로필에 수명 주기 구성을 연결한 후 해당 수명 주기 구성을 사용하여 애플리케이션을 시작할 수 있습니다. 시작할 수명 주기 구성을 선택하는 것은 애플리케이션 유형에 따라 다릅니다. + **JupyterServer**: 콘솔에서 JupyterServer 애플리케이션을 시작할 때 SageMaker AI는 항상 기본 수명 주기 구성을 사용합니다. 콘솔에서 실행할 때는 다른 수명 주기 구성을 사용할 수 없습니다. JupyterServer 애플리케이션을 시작한 후 기본 수명 주기 구성을 변경하는 방법에 대한 자세한 내용은 [Amazon SageMaker Studio Classic의 기본 수명 주기 구성 설정](studio-lcc-defaults.md)를 참조하세요. 연결된 다른 수명 주기 구성을 선택하려면 AWS CLI를 사용하여 시작해야 합니다. 에서 수명 주기 구성이 연결된 JupyterServer 애플리케이션을 시작하는 방법에 대한 자세한 내용은 섹션을 AWS CLI참조하세요[Amazon SageMaker Studio Classic AWS CLI 용에서 수명 주기 구성 생성](studio-lcc-create-cli.md). + **KernelGateway**: Studio Classic 런처를 사용하여 KernelGateway 애플리케이션을 시작할 때 첨부된 수명 주기 구성 중 하나를 선택할 수 있습니다. 다음 절차는 SageMaker AI 콘솔에서 연결된 수명 주기 구성을 사용하여 KernelGateway 애플리케이션을 시작하는 방법을 설명합니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. Studio Classic을 시작합니다. 자세한 내용은 [Amazon SageMaker Studio Classic 시작](studio-launch.md) 섹션을 참조하세요. 1. Studio Classic UI에서 Studio Classic 런처를 엽니다. 자세한 내용은 [Amazon SageMaker Studio Classic 런처 열기](studio-launcher.md) 섹션을 참조하세요. 1. Studio Classic 런처에서 **노트북 및 컴퓨팅 리소스** 섹션으로 이동합니다. 1. **환경 변경** 버튼을 클릭합니다. 1. **환경 변경** 대화 상자에서 드롭다운 메뉴를 사용하여 **이미지**, **커널**, **인스턴스 유형** 및 **시작 스크립트**를 선택합니다. 기본 수명 주기 구성이 없는 경우 **시작 스크립트** 값은 기본으로 `No script`입니다. 그렇지 않으면 **시작 스크립트** 값은 기본 수명 주기 구성입니다. 수명 주기 구성을 선택한 후에는 전체 스크립트를 볼 수 있습니다. 1. **선택**을 클릭합니다. 1. 시작 관리자로 돌아가서 **노트북 생성**을 클릭하여 선택한 이미지 및 수명 주기 구성으로 새 노트북 커널을 실행합니다. ## 4단계: 수명 주기 구성에 대한 로그 보기 수명 주기 구성을 도메인 또는 사용자 프로필에 연결한 후 해당 로그를 볼 수 있습니다. 1. 먼저 AWS Identity and Access Management (IAM) 역할에 대한 CloudWatch 액세스 권한을 제공합니다. 다음 로그 그룹 및 로그 스트림에 대한 읽기 권한을 추가합니다. + **로그 그룹:**`/aws/sagemaker/studio` + **로그 스트림:**`domain/user-profile/app-type/app-name/LifecycleConfigOnStart` 권한 추가에 대한 자세한 내용은 [특정 AWS 서비스에서 로깅 활성화](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/AWS-logs-and-resource-policy.html)를 참조하세요. 1. Studio Classic 내에서 **실행 중인 터미널 및 커널** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png))으로 이동하여 수명 주기 구성을 모니터링하세요. 1. 실행 중인 애플리케이션 목록에서 애플리케이션을 선택합니다. 수명 주기 구성이 연결된 애플리케이션에는 표시기 아이콘 ![\[Code brackets symbol representing programming or markup languages.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/studio-lcc-indicator-icon.png)이 첨부되어 있습니다. 1. 애플리케이션의 표시기 아이콘을 선택합니다. 그러면 수명 주기 구성을 나열하는 새 패널이 열립니다. 1. 새 패널에서 `View logs`을 선택합니다. 그러면 로그를 표시하는 새 탭이 열립니다. # Amazon SageMaker Studio Classic의 기본 수명 주기 구성 설정 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 단일 리소스에 여러 수명 주기 구성 스크립트를 연결할 수 있지만 각 JupyterServer 또는 KernelGateway 애플리케이션에 대해 하나의 기본 수명 주기 구성만 설정할 수 있습니다. 기본 수명 주기 구성의 동작은 JupyterServer 앱과 KernelGateway 앱 중 어디에 설정되었는지에 따라 달라집니다. + **JupyterServer 앱**: JupyterServer 앱의 기본 수명 주기 구성 스크립트로 설정하면 사용자가 Studio Classic에 처음 로그인하거나 Studio Classic을 다시 시작할 때 수명 주기 구성 스크립트가 자동으로 실행됩니다. 이 기본 수명 주기 구성을 사용하여 노트북 확장 설치 또는 GitHub 리포지토리 설정과 같은 Studio Classic 개발자 환경을 위한 일회성 설정 작업을 자동화할 수 있습니다. 이에 대한 예는 [수명 주기 구성을 사용하여 Amazon SageMaker Studio 사용자 지정](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/)을 참조하세요. + **KernelGateway 앱**: KernelGateway 앱의 기본 수명 주기 구성 스크립트로 설정하면 Studio Classic 런처에서 수명 주기 구성이 기본적으로 선택됩니다. 사용자는 기본 스크립트를 선택한 상태로 노트북이나 터미널을 시작하거나 수명 주기 구성 목록에서 다른 스크립트를 선택할 수 있습니다. SageMaker AI는 다음 리소스에 대한 기본 수명 주기 구성 설정을 지원합니다. + 도메인 + 사용자 프로필 + 공유 스페이스 도메인 및 사용자 프로필은 Amazon SageMaker AI 콘솔과 공유 스페이스 모두에서 기본 수명 주기 구성 설정을 지원하지만 AWS Command Line Interface, 공유 스페이스는에서 기본 수명 주기 구성 설정만 지원합니다 AWS CLI. 새 리소스를 생성하거나 기존 리소스를 업데이트할 때 수명 주기 구성을 기본값으로 설정할 수 있습니다. 다음 주제에서는 SageMaker AI 콘솔 및를 사용하여 기본 수명 주기 구성을 설정하는 방법을 보여줍니다 AWS CLI. ## 기본 수명 주기 구성 상속 *도메인* 수준에서 설정된 기본 수명 주기 구성은 모든 사용자와 공유 스페이스에 상속됩니다. *사용자* 및 *공유 스페이스* 수준에서 설정된 기본 수명 주기 구성의 범위는 해당 사용자 또는 공유 스페이스로만 제한됩니다. 사용자 및 스페이스 기본값은 도메인 수준에서 설정된 기본값보다 우선합니다. 도메인에 설정된 기본 KernelGateway 수명 주기 구성은 도메인에서 실행되는 모든 KernelGateway 애플리케이션에 적용됩니다. 사용자가 Studio Classic 런처에 표시된 목록에서 다른 수명 주기 구성을 선택하지 않는 한 기본 수명 주기 구성이 사용됩니다. 사용자가 `No Script`를 선택한 경우 기본 스크립트도 실행됩니다. 스크립트 선택에 대한 자세한 내용은 [3단계: 수명 주기 구성으로 애플리케이션 시작](studio-lcc-create-console.md#studio-lcc-create-console-step3)을 참조하세요. **Topics** + [ ## 기본 수명 주기 구성 상속 ](#studio-lcc-defaults-inheritance) + [ # Amazon SageMaker Studio Classic AWS CLI 용에서 기본값 설정 ](studio-lcc-defaults-cli.md) + [ # Amazon SageMaker Studio Classic용 Amazon SageMaker AI 콘솔에서 기본값 설정 ](studio-lcc-defaults-console.md) # Amazon SageMaker Studio Classic AWS CLI 용에서 기본값 설정 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 리소스에 AWS CLI 대해에서 기본 수명 주기 구성 스크립트를 설정할 수 있습니다. + 도메인 + 사용자 프로필 + 공유 스페이스 다음 섹션에서는 AWS CLI에서 기본 수명 주기 구성 스크립트를 설정하는 방법을 간략하게 설명합니다. **Topics** + [ ## 사전 조건 ](#studio-lcc-defaults-cli-prereq) + [ ## 새 리소스를 생성할 때 기본 수명 주기 구성을 설정합니다. ](#studio-lcc-defaults-cli-new) + [ ## 기존 리소스의 기본 수명 주기 구성을 설정합니다. ](#studio-lcc-defaults-cli-existing) ## 사전 조건 시작하기 전에 다음 필수 조건을 완료합니다. + 현재 버전 설치의 단계에 AWS CLI 따라를 업데이트합니다. [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) + 로컬 컴퓨터에서 `aws configure`를 실행하고 AWS 보안 인증을 제공하세요. 자격 AWS 증명에 대한 자세한 내용은 [AWS 자격 증명 이해 및 가져오기를 참조하세요](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). + [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md)의 단계에 따라 SageMaker AI 도메인에 온보딩합니다. + [수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결](studio-lcc-create.md)의 단계에 따라 수명 주기 구성을 생성하세요. ## 새 리소스를 생성할 때 기본 수명 주기 구성을 설정합니다. 새 도메인, 사용자 프로필 또는 공간을 생성할 때 기본 수명 주기 구성을 설정하려면 다음 AWS CLI 명령 중 하나의 일부로 이전에 생성한 수명 주기 구성의 ARN을 전달합니다. + [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html) + [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/opensearch/create-domain.html) + [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html) KernelGateway 또는 JupyterServer 기본 설정에서 다음 값에 대한 수명 주기 구성 ARN을 전달해야 합니다. + `DefaultResourceSpec`: `LifecycleConfigArn`- 애플리케이션 유형에 대한 기본 수명 주기 구성을 지정합니다. + `LifecycleConfigArns` - 애플리케이션 유형에 연결된 모든 수명 주기 구성 목록입니다. 기본 수명 주기 구성도 이 목록에 포함되어야 합니다. 예를 들어 다음 API 직접 호출은 기본 수명 주기 구성을 사용하여 새 사용자 프로필을 생성합니다. ``` aws sagemaker create-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "KernelGatewayAppSettings": { "DefaultResourceSpec": { "InstanceType": "ml.t3.medium", "LifecycleConfigArn": "lifecycle-configuration-arn" }, "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` ## 기존 리소스의 기본 수명 주기 구성을 설정합니다. 기존 리소스에 대한 기본 수명 주기 구성을 설정하거나 업데이트하려면 다음 AWS CLI 명령 중 하나의 일부로 이전에 생성한 수명 주기 구성의 ARN을 전달합니다. + [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) + [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) + [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html) KernelGateway 또는 JupyterServer 기본 설정에서 다음 값에 대한 수명 주기 구성 ARN을 전달해야 합니다. + `DefaultResourceSpec`: `LifecycleConfigArn`- 애플리케이션 유형에 대한 기본 수명 주기 구성을 지정합니다. + `LifecycleConfigArns` - 애플리케이션 유형에 연결된 모든 수명 주기 구성 목록입니다. 기본 수명 주기 구성도 이 목록에 포함되어야 합니다. 예를 들어 다음 API 직접 호출은 기본 수명 주기 구성으로 사용자 프로필을 업데이트합니다. ``` aws sagemaker update-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "KernelGatewayAppSettings": { "DefaultResourceSpec": { "InstanceType": "ml.t3.medium", "LifecycleConfigArn": "lifecycle-configuration-arn" }, "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` 다음 API 직접 호출은 도메인을 업데이트하여 새 기본 수명 주기 구성을 설정합니다. ``` aws sagemaker update-domain --domain-id domain-id \ --region region \ --default-user-settings '{ "JupyterServerAppSettings": { "DefaultResourceSpec": { "InstanceType": "system", "LifecycleConfigArn": "lifecycle-configuration-arn" }, "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` # Amazon SageMaker Studio Classic용 Amazon SageMaker AI 콘솔에서 기본값 설정 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. SageMaker AI 콘솔에서 다음 리소스에 대한 기본 수명 주기 구성 스크립트를 설정할 수 있습니다. + 도메인 + 사용자 프로필 SageMaker AI 콘솔에서는 공유 스페이스에 대한 기본 수명 주기 구성 스크립트를 설정할 수 없습니다. 공유 스페이스의 기본값 설정에 대한 자세한 내용은 [Amazon SageMaker Studio Classic AWS CLI 용에서 기본값 설정](studio-lcc-defaults-cli.md)을 참조하세요. 다음 섹션에서는 SageMaker AI 콘솔에서 기본 수명 주기 구성 스크립트를 설정하는 방법을 간략하게 설명합니다. **Topics** + [ ## 사전 조건 ](#studio-lcc-defaults-cli-prerequisites) + [ ## 도메인의 기본 수명 주기 구성 설정 ](#studio-lcc-defaults-cli-domain) + [ ## 사용자 프로필의 기본 수명 주기 구성 설정 ](#studio-lcc-defaults-cli-user-profile) ## 사전 조건 시작하기 전에 다음 필수 조건을 완료합니다. + [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md)의 단계에 따라 SageMaker AI 도메인에 온보딩합니다. + [수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결](studio-lcc-create.md)의 단계에 따라 수명 주기 구성을 생성하세요. ## 도메인의 기본 수명 주기 구성 설정 다음 절차는 SageMaker AI 콘솔에서 도메인의 기본 수명 주기 구성을 설정하는 방법을 보여줍니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 도메인 목록에서 기본 수명 주기 구성을 설정할 도메인 이름을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **환경** 탭을 선택합니다. 1. **개인용 Studio 앱의 수명 주기 구성**에서 도메인의 기본값으로 설정하려는 수명 주기 구성을 선택합니다. JupyterServer 및 KernelGateway 애플리케이션에 대해 별도의 기본값을 설정할 수 있습니다. 1. **기본값으로 설정**을 선택합니다. 그러면 JupyterServer 및 KernelGateway 애플리케이션의 현재 기본값을 나열하는 팝업 창이 열립니다. 1. 수명 주기 구성을 해당 애플리케이션 유형의 기본값으로 설정하려면 **기본값으로 설정**을 선택합니다. ## 사용자 프로필의 기본 수명 주기 구성 설정 다음 절차는 SageMaker AI 콘솔에서 사용자 프로필의 기본 수명 주기 구성을 설정하는 방법을 보여줍니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 도메인 목록에서 기본 수명 주기 구성을 설정하려는 사용자 프로필이 포함된 도메인의 이름을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **사용자 프로필** 탭을 선택합니다. 1. 기본 수명 주기 구성을 설정할 사용자 프로필의 이름을 선택합니다. 그러면 **사용자 세부 정보** 페이지가 열립니다. 1. **사용자 세부 정보** 페이지에서 **편집**을 선택합니다. 그러면 **사용자 프로필 편집** 페이지가 열립니다. 1. **사용자 프로필 편집** 페이지에서 **2단계 Studio 설정**을 선택합니다. 1. **사용자에게 연결된 수명 주기 구성**에서 사용자 프로필의 기본값으로 설정하려는 수명 주기 구성을 선택합니다. JupyterServer 및 KernelGateway 애플리케이션에 대해 별도의 기본값을 설정할 수 있습니다. 1. **기본값으로 설정**을 선택합니다. 그러면 JupyterServer 및 KernelGateway 애플리케이션의 현재 기본값을 나열하는 팝업 창이 열립니다. 1. 수명 주기 구성을 해당 애플리케이션 유형의 기본값으로 설정하려면 **기본값으로 설정**을 선택합니다. # Amazon SageMaker Studio Classic의 수명 주기 구성 디버깅 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 주제에서는 수명 주기 구성에 대한 정보를 얻고 디버깅하는 방법을 보여줍니다. **Topics** + [ ## CloudWatch Logs에서 수명 주기 구성 프로세스 확인 ](#studio-lcc-debug-logs) + [ ## JupyterServer 앱 실패 ](#studio-lcc-debug-jupyterserver) + [ ## KernelGateway 앱 실패 ](#studio-lcc-debug-kernel) + [ ## 수명 주기 구성의 제한 시간 ](#studio-lcc-debug-timeout) ## CloudWatch Logs에서 수명 주기 구성 프로세스 확인 수명 주기 구성은 `STDOUT`및 `STDERR`만 기록합니다. `STDOUT`는 bash 스크립트의 기본 출력입니다. bash 명령어 끝에 `>&2`를 추가하여 `STDERR`에 쓸 수 있습니다. 예를 들어 `echo 'hello'>&2`입니다. 수명 주기 구성에 대한 로그는 Amazon CloudWatch를 AWS 계정 사용하여에 게시됩니다. 이러한 로그는 CloudWatch 콘솔의 `/aws/sagemaker/studio`로그 스트림에서 찾을 수 있습니다. 1. [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/)에서 CloudWatch 콘솔을 엽니다. 1. 왼쪽에서 **로그**를 선택합니다. 드롭다운 메뉴에서 **로그 그룹**을 선택합니다. 1. **로그 그룹** 페이지에서 `aws/sagemaker/studio`를 검색합니다. 1. 로그 그룹을 선택합니다. 1. **로그 그룹 세부 정보** 페이지에서 **로그 스트림** 탭을 선택합니다. 1. 특정 앱의 로그를 찾으려면 다음 형식을 사용하여 로그 스트림을 검색하세요. ``` domain-id/space-name/app-type/default/LifecycleConfigOnStart ``` 예를 들어 도메인 `d-m85lcu8vbqmz`, 스페이스 이름 `i-sonic-js`, 애플리케이션 유형 `JupyterLab`에 대한 수명 주기 구성 로그를 찾으려면 다음 검색 문자열을 사용하세요. ``` d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart ``` ## JupyterServer 앱 실패 JupyterServer 앱이 연결된 수명 주기 구성의 문제로 인해 중단될 경우 Studio Classic은 Studio Classic 시작 화면에 다음과 같은 오류 메시지를 표시합니다. ``` Failed to create SageMaker Studio due to start-up script failure ``` `View script logs` 링크를 선택하면 JupyterServer 앱의 CloudWatch 로그를 볼 수 있습니다. 도메인, 사용자 프로필, 공유 공간의 `DefaultResourceSpec`에 잘못된 수명 주기 구성이 지정된 경우 Studio Classic은 Studio Classic을 다시 시작한 후에도 해당 수명 주기 구성을 계속 사용합니다. 이 오류를 해결하려면 [Amazon SageMaker Studio Classic의 기본 수명 주기 구성 설정](studio-lcc-defaults.md)의 단계에 따라 `DefaultResourceSpec`에서 수명 주기 구성 스크립트를 제거하거나 다른 스크립트를 기본값으로 선택하세요. 그런 다음 새로운 JupyterServer 앱을 실행합니다. ## KernelGateway 앱 실패 연결된 수명 주기 구성 문제로 인해 KernelGateway 앱이 충돌하는 경우 Studio Classic은 Studio Classic 노트북에 오류 메시지를 표시합니다. KernelGateway 앱에 대한 CloudWatch 로그를 보려면 `View script logs`를 선택합니다. 이 경우 새 Studio Classic 노트북을 시작할 때 Studio Classic 런처에 수명 주기 구성이 지정됩니다. 이 오류를 해결하려면 Studio Classic 런처를 사용하여 다른 수명 주기 구성을 선택하거나 `No script`를 선택하세요. **참고** `DefaultResourceSpec`에서 지정한 기본 KernelGateway 수명 주기 구성은 사용자가 Studio Classic 런처에 표시된 목록에서 다른 스크립트를 선택하지 않는 한 도메인, 사용자 프로필 또는 공유 공간에 있는 모든 KernelGateway 이미지에 적용됩니다. 사용자가 `No Script`를 선택한 경우 기본 스크립트도 실행됩니다. 스크립트 선택에 대한 자세한 내용은 [3단계: 수명 주기 구성으로 애플리케이션 시작](studio-lcc-create-console.md#studio-lcc-create-console-step3)를 참조하세요. ## 수명 주기 구성의 제한 시간 수명 주기 구성 시간 초과 제한은 5분입니다. 수명 주기 구성 스크립트를 실행하는 데 5분 이상 걸리는 경우 Studio Classic에서 오류가 발생합니다. 이 오류를 해결하려면 수명 주기 구성 스크립트가 5분 이내에 완료되어야 합니다. 스크립트 실행 시간을 줄이기 위해 다음을 시도할 수 있습니다. + 필요한 단계를 줄입니다. 예를 들어 대규모 패키지를 설치할 conda 환경을 제한합니다. + 작업을 병렬 프로세스로 실행합니다. + 끊기 신호가 무시되고 스크립트 실행이 중단되지 않도록 하려면 스크립트에서 `nohup`명령을 사용하세요. # Amazon SageMaker Studio Classic에서 수명 주기 구성 업데이트 및 분리 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 수명 주기 구성 스크립트는 생성되고 나면 변경할 수 없습니다. 스크립트를 업데이트하려면 새 수명 주기 구성 스크립트를 생성하여 해당 도메인, 사용자 프로필 또는 공유 스페이스에 연결해야 합니다. 수명 주기 구성 생성 및 연결에 대한 자세한 내용은 [수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결](studio-lcc-create.md)를 참조하세요. 다음 주제에서는 AWS CLI 및 SageMaker AI 콘솔을 사용하여 수명 주기 구성을 분리하는 방법을 보여줍니다. **Topics** + [ ## 사전 조건 ](#studio-lcc-delete-pre) + [ ## 를 사용하여 분리 AWS CLI ](#studio-lcc-delete-cli) ## 사전 조건 수명 주기 구성을 분리하려면 먼저 다음 필수 조건을 완료해야 합니다. + 수명 주기 구성을 성공적으로 분리하려면 실행 중인 애플리케이션이 수명 주기 구성을 사용하지 않아야 합니다. [Amazon SageMaker Studio Classic과 앱 종료 및 업데이트](studio-tasks-update.md)에 표시된 대로 먼저 실행 중인 애플리케이션을 종료해야 합니다. ## 를 사용하여 분리 AWS CLI 를 사용하여 수명 주기 구성을 분리하려면 리소스에 연결된 수명 주기 구성 목록에서 원하는 수명 주기 구성을 AWS CLI제거하고 목록을 해당 명령의 일부로 전달합니다. + [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) + [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) + [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html) 예를 들어 다음 명령은 해당 도메인에 연결된 KernelGateways의 모든 수명 주기 구성을 제거합니다. ``` aws sagemaker update-domain --domain-id domain-id \ --region region \ --default-user-settings '{ "KernelGatewayAppSettings": { "LifecycleConfigArns": [] } }' ``` # 제안된 Git 리포지토리를 Amazon SageMaker Studio Classic에 연결 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic은 Git 리포지토리(repo)의 URL을 입력하고, 이를 환경에 복제하고, 변경 사항을 푸시하고, 커밋 기록을 볼 수 있는 Git 확장 기능을 제공합니다. 이 Git 확장 외에도 Amazon SageMaker AI 도메인 또는 사용자 프로필 수준에서 제안된 Git 리포지토리 URL을 연결할 수 있습니다. 그런 다음 제안 목록에서 리포지토리 URL을 선택하고 Studio Classic의 Git 확장을 사용하여 환경에 복제할 수 있습니다. 다음 주제에서는 AWS CLI 및 SageMaker AI 콘솔에서 도메인 또는 사용자 프로필에 Git 리포지토리 URLs을 연결하는 방법을 보여줍니다. 또한 이러한 리포지토리 URL을 분리하는 방법도 알아봅니다. **Topics** + [ # Amazon SageMaker Studio Classic AWS CLI 용에서 Git 리포지토리 연결 ](studio-git-attach-cli.md) + [ # Amazon SageMaker Studio Classic용 Amazon SageMaker AI 콘솔에서 Git 리포지토리 연결 ](studio-git-attach-console.md) + [ # Amazon SageMaker Studio Classic에서 Git 리포지토리 분리 ](studio-git-detach.md) # Amazon SageMaker Studio Classic AWS CLI 용에서 Git 리포지토리 연결 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 주제에서는 Amazon SageMaker Studio Classic이 복제를 위해 자동으로 제안 AWS CLI하도록를 사용하여 Git 리포지토리 URL을 연결하는 방법을 보여줍니다. Git 리포지토리 URL을 연결한 후 [Amazon SageMaker Studio Classic에서 Git 리포지토리 복제](studio-tasks-git.md)의 단계에 따라 복제할 수 있습니다. ## 사전 조건 시작하기 전에 다음 필수 조건을 완료합니다. + 현재 CLI 버전 설치의 단계에 AWS CLI 따라를 업데이트합니다. [AWS](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) + 로컬 컴퓨터에서 `aws configure`를 실행하고 AWS 보안 인증을 제공하세요. 자격 AWS 증명에 대한 자세한 내용은 [AWS 자격 증명 이해 및 가져오기를 참조하세요](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). + Amazon SageMaker AI 도메인에 온보딩합니다. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 단원을 참조하십시오. ## Git 리포지토리를 도메인 또는 사용자 프로필에 연결 도메인 수준에서 연결된 Git 리포지토리 URL은 모든 사용자에게 상속됩니다. 하지만 사용자 프로필 수준에서 연결된 Git 리포지토리 URL은 특정 사용자로 범위가 지정됩니다. 사용자는 리포지토리 URL 목록을 전달하여 여러 Git 리포지토리 URL을 도메인 또는 사용자 프로필에 연결할 수 있습니다. 다음 섹션에서는 Git 리포지토리 URL을 도메인 및 사용자 프로필에 연결하는 방법을 보여줍니다. ### 도메인에 연결 다음 명령은 Git 리포지토리 URL을 기존 도메인에 연결합니다. ``` aws sagemaker update-domain --region region --domain-id domain-id \ --default-user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]} ``` ### 사용자 프로필에 연결 다음은 기존 사용자 프로필에 Git 리포지토리 URL을 연결하는 방법을 보여줍니다. ``` aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\ --user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]} ``` # Amazon SageMaker Studio Classic용 Amazon SageMaker AI 콘솔에서 Git 리포지토리 연결 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 주제에서는 Amazon SageMaker AI 콘솔에서 Git 리포지토리 URL을 연결하여 Studio Classic 환경에 복제하는 방법을 보여줍니다. Git 리포지토리 URL을 연결한 후 사용자는 [Amazon SageMaker Studio Classic에서 Git 리포지토리 복제](studio-tasks-git.md)의 단계에 따라 복제할 수 있습니다. ## 사전 조건 이 자습서를 시작하기 전에 사용자는 먼저 Amazon SageMaker AI 도메인에 온보딩해야 합니다. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 단원을 참조하십시오. ## Git 리포지토리를 도메인 또는 사용자 프로필에 연결 도메인 수준에서 연결된 Git 리포지토리 URL은 모든 사용자에게 상속됩니다. 하지만 사용자 프로필 수준에서 연결된 Git 리포지토리 URL은 특정 사용자로 범위가 지정됩니다. 다음 섹션에서는 Git 리포지토리 URL을 도메인 및 사용자 프로필에 연결하는 방법을 보여줍니다. ### 도메인에 연결 **기존 도메인에 Git 리포지토리 URL을 연결하는 방법** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. Git 리포지토리를 연결할 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **환경** 탭을 선택합니다. 1. **도메인에 권장되는 코드 리포지토리** 탭에서 **연결**을 선택합니다. 1. **소스**에서 Git 리포지토리 URL을 입력합니다. 1. **도메인에 연결**을 선택합니다. ### 사용자 프로필에 연결 다음은 기존 사용자 프로필에 Git 리포지토리 URL을 연결하는 방법을 보여줍니다. **Git 리포지토리 URL을 사용자 프로필에 첨부하려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. Git 리포지토리를 연결할 사용자 프로필이 포함된 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **사용자 프로필** 탭을 선택합니다. 1. Git 리포지토리를 연결할 사용자 프로필을 선택합니다. 1. **사용자 세부 정보** 페이지에서 **편집**을 선택합니다. 1. **Studio 설정** 페이지의 **사용자에게 권장되는 코드 리포지토리**에서 **연결**을 선택합니다. 1. **소스**에서 Git 리포지토리 URL을 입력합니다. 1. **사용자에게 연결**을 선택합니다. # Amazon SageMaker Studio Classic에서 Git 리포지토리 분리 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 이 가이드는 AWS CLI 또는 Amazon SageMaker AI 콘솔을 사용하여 Amazon SageMaker AI 도메인 또는 사용자 프로필에서 Git 리포지토리 URLs을 분리하는 방법을 보여줍니다. **Topics** + [ ## 를 사용하여 Git 리포지토리 분리 AWS CLI ](#studio-git-detach-cli) + [ ## SageMaker AI 콘솔을 사용하여 Git 리포지토리 분리 ](#studio-git-detach-console) ## 를 사용하여 Git 리포지토리 분리 AWS CLI 도메인 또는 사용자 프로필에서 모든 Git 리포지토리 URL을 분리하려면 먼저 빈 코드 리포지토리 목록을 전달해야 합니다. 이 목록은 `update-domain`또는 `update-user-profile`명령에서 `JupyterServerAppSettings`파라미터의 일부로 전달됩니다. Git 리포지토리 URL을 하나만 분리하려면 원하는 Git 리포지토리 URL 없이 코드 리포지토리 목록을 전달합니다. 이 섹션에서는 AWS Command Line Interface (AWS CLI)를 사용하여 도메인 또는 사용자 프로필에서 모든 Git 리포지토리 URL을 분리하는 방법을 보여줍니다. ### 도메인에서 분리 다음 명령은 도메인에서 모든 Git 리포지토리 URL을 분리합니다. ``` aws sagemaker update-domain --region region --domain-name domain-name \ --domain-settings JupyterServerAppSettings={CodeRepositories=[]} ``` ### 사용자 프로필에서 분리 다음 명령은 사용자 프로필에서 모든 Git 리포지토리 URL을 분리합니다. ``` aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\ --user-settings JupyterServerAppSettings={CodeRepositories=[]} ``` ## SageMaker AI 콘솔을 사용하여 Git 리포지토리 분리 다음 섹션에서는 SageMaker AI 콘솔을 사용하여 도메인 또는 사용자 프로필에서 Git 리포지토리 URL을 분리하는 방법을 보여줍니다. ### 도메인에서 분리 다음 단계를 사용하여 기존 도메인에서 Git 리포지토리 URL을 분리합니다. **기존 도메인에서 Git 리포지토리 URL을 분리하는 방법** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 분리하려는 Git 리포지토리 URL이 포함된 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **환경** 탭을 선택합니다. 1. **도메인에 권장되는 코드 리포지토리** 탭에서 분리할 Git 리포지토리 URL을 선택합니다. 1. **분리**를 선택합니다. 1. 새 창에서 **분리**를 선택합니다. ### 사용자 프로필에서 분리 다음 단계를 사용하여 사용자 프로필에서 Git 리포지토리 URL을 분리하세요. **사용자 프로필에서 Git 리포지토리 URL을 분리하려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 분리하려는 Git 리포지토리 URL이 있는 사용자 프로필이 포함된 도메인을 선택합니다. 1. **도메인 세부 정보** 페이지에서 **사용자 프로필** 탭을 선택합니다. 1. 분리하려는 Git 리포지토리 URL이 포함된 사용자 프로필을 선택합니다. 1. **사용자 세부 정보** 페이지에서 **편집**을 선택합니다. 1. **Studio 설정** 페이지의 **사용자에게 권장되는 코드 리포지토리** 탭에서 분리할 Git 저장소 URL을 선택합니다. 1. **분리**를 선택합니다. 1. 새 창에서 **분리**를 선택합니다. # Amazon SageMaker Studio Classic에서 공통 작업 수행 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 섹션에서는 Amazon SageMaker Studio Classic에서 공통 작업을 수행하는 방법을 설명합니다. Studio Classic 인터페이스의 개요는 [Amazon SageMaker Studio Classic UI 개요](studio-ui.md) 섹션을 참조하세요. **Topics** + [ # Amazon SageMaker Studio Classic에 파일 업로드 ](studio-tasks-files.md) + [ # Amazon SageMaker Studio Classic에서 Git 리포지토리 복제 ](studio-tasks-git.md) + [ # Amazon SageMaker Studio Classic에서 Training 작업 중지 ](studio-tasks-stop-training-job.md) + [ # Amazon SageMaker Studio Classic에서 TensorBoard 사용 ](studio-tensorboard.md) + [ # Amazon SageMaker Studio Classic과 함께 Amazon Q Developer 사용 ](sm-q.md) + [ # Amazon SageMaker Studio Classic에서 Amazon EFS 스토리지 볼륨 관리 ](studio-tasks-manage-storage.md) + [ # Amazon SageMaker Studio Classic에 대한 피드백 제공 ](studio-tasks-provide-feedback.md) + [ # Amazon SageMaker Studio Classic과 앱 종료 및 업데이트 ](studio-tasks-update.md) # Amazon SageMaker Studio Classic에 파일 업로드 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic에 온보딩하면 팀을 위해 만들어진 Amazon Elastic File System(Amazon EFS) 볼륨에 홈 디렉터리가 만들어집니다. Studio Classic은 디렉터리에 업로드된 파일만 열 수 있습니다. Studio Classic 파일 브라우저는 홈 디렉터리로 매핑됩니다. **참고** Studio Classic은 폴더 업로드를 지원하지 않습니다. 개별 파일만 업로드할 수 있지만 여러 파일을 동시에 업로드할 수 있습니다. **홈 디렉터리에 파일을 업로드하려면** 1. 왼쪽 사이드바에서 **파일 브라우저** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/folder.png))을 선택합니다. 1. 파일 브라우저에서 **파일 업로드** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/icons/File_upload_squid.png))을 선택합니다. 1. 업로드할 파일을 선택한 다음 **열기**를 선택합니다. 1. 파일을 두 번 클릭하여 Studio Classic의 새 탭에서 파일을 엽니다. # Amazon SageMaker Studio Classic에서 Git 리포지토리 복제 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic은 로컬 Git 리포지토리(repo)에만 연결할 수 있습니다. 즉, 리포지토리의 파일에 액세스하려면 먼저 Studio Classic 내에서 Git 리포지토리를 복제해야 합니다. Studio Classic은 Git 리포지토리의 URL을 입력하고, 환경에 복제하고, 변경 사항을 푸시하고, 커밋 기록을 볼 수 있는 Git 확장을 제공합니다. 리포지토리가 비공개이고 액세스를 위해 보안 인증 정보가 필요한 경우 사용자 보안 인증 정보를 입력하라는 메시지가 표시됩니다. 여기에는 사용자 이름과 개인 액세스 토큰이 포함됩니다. 개인 액세스 토큰에 대한 자세한 내용은 [개인 액세스 토큰 관리](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens)를 참조하세요. 관리자는 Amazon SageMaker AI 도메인 또는 사용자 프로필 수준에서 제안된 Git 리포지토리 URL을 연결할 수도 있습니다. 그러면 사용자는 제안 목록에서 리포지토리 URL을 선택하고 이를 Studio Classic으로 복제할 수 있습니다. 권장되는 리포지토리를 연결하는 방법에 대한 자세한 내용은 [제안된 Git 리포지토리를 Amazon SageMaker Studio Classic에 연결](studio-git-attach.md)을 참조하세요. 다음 절차에서는 Studio Classic에서 GitHub 리포지토리를 복제하는 방법을 보여줍니다. **리포지토리를 복제하려면** 1. 왼쪽 사이드바에서 **Git** 아이콘(![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/git.png))을 선택합니다. 1. **리포지토리 복제**를 선택합니다. 새 창이 열립니다. 1. **Git 리포지토리 복제** 창에서 복제하려는 Git 리포지토리의 URL을 다음 형식으로 입력하거나 **권장되는 리포지토리** 목록에서 리포지토리를 선택합니다. ``` https://github.com/path-to-git-repo/repo.git ``` 1. Git 리포지토리의 URL을 수동으로 입력한 경우 드롭다운 메뉴에서 **“*git-url*" 복제**를 선택합니다. 1. **복제할 프로젝트 디렉터리**에 Git 리포지토리를 복제할 로컬 디렉터리 경로를 입력합니다. 이 값을 비워 두면 Studio Classic은 리포지토리를 JupyterLab의 루트 디렉터리에 복제합니다. 1. **복제**를 선택합니다. 그러면 새 터미널 창이 열립니다. 1. 리포지토리에 보안 인증 정보가 필요한 경우 사용자 이름과 개인 액세스 토큰을 입력하라는 메시지가 표시됩니다. 이 프롬프트는 비밀번호를 허용하지 않으므로 개인용 액세스 토큰을 사용해야 합니다. 개인 액세스 토큰에 대한 자세한 내용은 [개인 액세스 토큰 관리](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens)를 참조하세요. 1. 다운로드가 종료될 때까지 기다리세요. 리포지토리가 복제되면 **파일 브라우저**가 열리고 복제된 리포지토리가 표시됩니다. 1. 리포지토리를 두 번 클릭하여 엽니다. 1. **Git** 아이콘을 선택하면 이제 리포지토리를 추적하는 Git 사용자 인터페이스를 볼 수 있습니다. 1. 다른 리포지토리를 추적하려면 파일 브라우저에서 리포지토리를 연 다음 **Git** 아이콘을 선택합니다. # Amazon SageMaker Studio Classic에서 Training 작업 중지 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 사용자는 Amazon SageMaker Studio Classic UI를 활용하여 훈련 작업을 중단할 수 있습니다. 훈련 작업을 중지하면 해당 상태가 `Stopping`으로 변경되고 청구가 중단됩니다. 알고리즘은 작업 상태가 `Stopped`로 변경된 후 모델 아티팩트를 저장하기 위해 종료를 지연시킬 수 있습니다. 자세한 내용은 AWS SDK for Python (Boto3)의 [stop\$1training\$1job](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.stop_training_job) 메서드를 참조하세요. **훈련 작업을 중지하려면** 1. 이 페이지의 [실험 및 회차 보기](experiments-view-compare.md)절차를 따라 **평가판 구성 요소 설명** 탭을 엽니다. 1. 탭의 오른쪽 위에서 **훈련 작업 중지**를 선택합니다. 탭의 왼쪽 상단에 있는 **상태**가 **중지됨**으로 변경됩니다. 1. 훈련 시간과 청구 시간을 보려면 **AWS 설정**을 선택합니다. # Amazon SageMaker Studio Classic에서 TensorBoard 사용 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 문서에서는 Amazon SageMaker Studio Classic에서 TensorBoard를 설치하고 실행하는 방법을 간략하게 설명합니다. **참고** 이 가이드는 개별 SageMaker AI 도메인 사용자 프로필의 SageMaker Studio Classic 노트북 서버를 통해 TensorBoard 애플리케이션을 여는 방법을 보여줍니다. SageMaker Training 및 SageMaker AI 도메인의 액세스 제어 기능과 통합된 보다 포괄적인 TensorBoard 경험에 대해서는 [Amazon SageMaker AI의 TensorBoard](tensorboard-on-sagemaker.md) 섹션을 참조하세요. ## 사전 조건 이 자습서를 사용하려면 SageMaker AI 도메인이 필요합니다. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 섹션을 참조하세요. ## `TensorBoardCallback` 설정 1. Studio Classic을 시작하고 런처를 엽니다. 자세한 내용은 [Amazon SageMaker Studio Classic 런처 열기](studio-launcher.md) 섹션을 참조하세요. 1. Amazon SageMaker Studio Classic 런처의 `Notebooks and compute resources`에서 **환경 변경** 버튼을 선택합니다. 1. **환경 변경** 대화 상자에서 드롭다운 메뉴를 사용하여 `TensorFlow 2.6 Python 3.8 CPU Optimized` Studio Classic **이미지**를 선택합니다. 1. 시작 프로그램으로 돌아가서 **노트북 생성** 타일을 클릭합니다. 노트북이 시작되고 새 Studio Classic 탭에서 열립니다. 1. 노트북 셀 내에서 이 코드를 실행하세요. 1. 필수 패키지를 가져옵니다. ``` import os import datetime import tensorflow as tf ``` 1. Keras 모델을 생성합니다. ``` mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 def create_model(): return tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(512, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) ``` 1. TensorBoard 로그용 디렉터리를 생성합니다. ``` LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")) ``` 1. TensorBoard로 트레이닝을 실행합니다. ``` model = create_model() model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=LOG_DIR, histogram_freq=1) model.fit(x=x_train, y=y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback]) ``` 1. TensorBoard 로그에 대한 EFS 경로를 생성합니다. 이 경로를 사용하여 터미널에서 로그를 설정합니다. ``` EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1]) print (EFS_PATH_LOG_DIR) ``` `EFS_PATH_LOG_DIR`를 검색합니다. TensorBoard 설치 섹션에서 필요할 것입니다. ## TensorBoard 설치 1. Studio Classic의 왼쪽 상단 모서리에 있는 `Amazon SageMaker Studio Classic` 버튼을 클릭하여 Amazon SageMaker Studio Classic 런처를 엽니다. 이 런처는 루트 디렉터리에서 열어야 합니다. 자세한 정보는 [Amazon SageMaker Studio Classic 런처 열기](studio-launcher.md)섹션을 참조하세요. 1. 런처의 `Utilities and files`에서 `System terminal`를 클릭합니다. 1. 시작 프로그램에서 다음 명령을 실행합니다. Jupyter notebook에서 `EFS_PATH_LOG_DIR`을 복사하세요. 먼저 `/home/sagemaker-user`루트 디렉터리에서 실행해야 합니다. ``` pip install tensorboard tensorboard --logdir ``` ## TensorBoard 실행 1. TensorBoard를 실행하려면 Studio Classic URL을 복사하고 다음과 같이 `lab?`과 `proxy/6006/`을 바꾸세요. 뒤에 `/`문자를 포함해야 합니다. ``` https://.studio.region.sagemaker.aws/jupyter/default/proxy/6006/ ``` 1. URL로 이동하여 결과를 살펴보세요. # Amazon SageMaker Studio Classic과 함께 Amazon Q Developer 사용 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic은 동일한 애플리케이션에서 모델을 모두 빌드, 훈련, 배포 및 분석할 수 있는 통합 기계 학습 환경입니다. Amazon SageMaker AI와 함께 Amazon Q Developer를 사용하여 코드 권장 사항을 생성하고 코드 문제와 관련된 개선 사항을 제안할 수 있습니다. Amazon Q Developer는 AWS 애플리케이션을 이해, 구축, 확장 및 운영하는 데 도움이 되는 생성형 인공 지능(AI) 기반 대화형 어시스턴트입니다. 통합 AWS 코딩 환경의 맥락에서 Amazon Q는 개발자의 코드와 자연어로 작성된 설명을 기반으로 코드 권장 사항을 생성할 수 있습니다. Amazon Q는 Java, Python, JavaScript, C\$1, Go, PHP, Rust, Kotlin 및 SQL뿐만 아니라 코드형 인프라(IaC) 언어인 JSON(CloudFormation), YAML(CloudFormation), HCL(Terraform), CDK(TypeScript, Python)를 가장 많이 지원합니다. Ruby, C\$1\$1, C, 셸, 및 Scala의 코드 생성도 지원합니다. Amazon Q가 Amazon SageMaker AI와 통합되는 방법 및 Amazon SageMaker Studio Classic IDE에 코드 제안을 표시하는 방법에 대한 예는 *Amazon Q Developer 사용 설명서*의 [Code Examples](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/inline-suggestions-code-examples.html)을 참조하세요. Amazon Q를 Amazon SageMaker Studio Classic과 함께 사용하는 방법에 대한 자세한 내용은 [Amazon Q Developer 사용 설명서](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/sagemaker-setup.html)를 참조하세요. # Amazon SageMaker Studio Classic에서 Amazon EFS 스토리지 볼륨 관리 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수는 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 팀의 사용자가 Amazon SageMaker Studio Classic에 처음 온보딩하면 Amazon SageMaker AI는 팀을 위한 Amazon Elastic File System(Amazon EFS) 볼륨을 만듭니다. 팀의 일원으로 Studio Classic에 온보딩하는 각 사용자를 위해 볼륨에 홈 디렉터리가 만들어집니다. 노트북 파일과 데이터 파일은 이러한 디렉터리에 저장됩니다. 사용자는 다른 팀원의 홈 디렉터리에 액세스할 수 없습니다. Amazon SageMaker AI 도메인은 사용자 지정 또는 추가 Amazon EFS 볼륨 마운트를 지원하지 않습니다. **중요** Amazon EFS 볼륨을 삭제하지 마세요. 삭제하면 도메인이 더 이상 작동하지 않으며 모든 사용자가 작업을 잃게 됩니다. **Amazon EFS 볼륨을 찾으려면** 1. [SageMaker AI 콘솔](https://console.aws.amazon.com/sagemaker/)을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. **도메인** 페이지에서 ID를 찾을 도메인을 선택합니다. 1. **도메인 세부정보** 페이지에서 **도메인 설정** 탭을 선택합니다. 1. **일반 설정**에서 **도메인 ID**를 찾습니다. ID의 형식은 `d-xxxxxxxxxxxx`입니다. 1. `Domain ID`을 `DomainId`으로 [describe\$1domain](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.describe_domain) 메서드에 전달하세요. 1. `describe_domain`의 응답에서 `HomeEfsFileSystemId`키의 값을 적어 둡니다. 이는 Amazon EFS 파일 시스템 ID입니다. 1. [Amazon EFS 콘솔](https://console.aws.amazon.com/efs#/file-systems/)을 엽니다. AWS 리전이 Studio Classic에서 사용하는 리전과 동일한지 확인합니다. 1. **파일 시스템**에서 이전 단계의 파일 시스템 ID를 선택합니다. 1. 올바른 파일 시스템을 선택했는지 확인하려면 **태그** 제목을 선택합니다. `ManagedByAmazonSageMakerResource` 키에 해당하는 값은 `Studio Classic ID`와 일치해야 합니다. Amazon EFS 볼륨에 액세스하는 방법에 대한 자세한 내용은 [Amazon EFS에서 파일 시스템 사용](https://docs.aws.amazon.com/efs/latest/ug/using-fs.html)을 참조하세요. Amazon EFS 볼륨을 삭제하려면 [Amazon EFS 파일 시스템 삭제](https://docs.aws.amazon.com/efs/latest/ug/delete-efs-fs.html)를 참조하세요. # Amazon SageMaker Studio Classic에 대한 피드백 제공 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수는 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker AI는 피드백을 진지하게 받아들입니다. 피드백을 제공해 주시기 바랍니다. **피드백을 제공하려면** 1. SageMaker Studio Classic 오른쪽에서 **피드백** 아이콘(![\[Speech bubble icon representing messaging or communication functionality.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/studio/icons/feedback.png))을 찾으세요. 1. 웃는 이모티콘을 선택하여 SageMaker Studio Classic에 얼마나 만족하는지 알려주고 공유하고 싶은 피드백을 추가하세요. 1. 귀하의 신원을 당사와 공유할지 여부를 결정한 후 **제출**을 선택합니다. # Amazon SageMaker Studio Classic과 앱 종료 및 업데이트 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수는 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 항목에서는 SageMaker Studio Classic 및 Studio Classic 앱을 종료하고 업데이트하는 방법을 보여줍니다. Studio Classic은 Studio Classic UI의 오른쪽 상단에 알림 아이콘(![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/icons/Notification.png))을 제공합니다. 이 알림 아이콘은 읽지 않은 알림의 수를 표시합니다. 알림을 읽으려면 아이콘을 선택합니다. Studio Classic은 두 가지 유형의 알림을 제공합니다. + 업그레이드 - Studio Classic 또는 Studio Classic 앱 중 하나가 새 버전을 출시했을 때 표시됩니다. Studio Classic을 업데이트하려면 [Amazon SageMaker Studio Classic 종료 및 업데이트](studio-tasks-update-studio.md) 섹션을 참조하세요. Studio Classic 앱을 업데이트하려면 [Amazon SageMaker Studio Classic 앱 종료 및 업데이트](studio-tasks-update-apps.md) 섹션을 참조하세요. + 정보 - 새 기능 및 기타 정보가 표시됩니다. 알림 아이콘을 재설정하려면 먼저 각 알림에서 링크를 선택해야 합니다. 읽음 알림은 여전히 아이콘에 표시될 수 있습니다. 이는 Studio Classic 및 Studio Classic 앱을 업데이트한 후에도 여전히 업데이트가 필요하다는 의미는 아닙니다. [Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html)를 업데이트하는 방법을 알아보려면 [Amazon SageMaker Studio Classic 앱 종료 및 업데이트](studio-tasks-update-apps.md)을 참조하세요. 최신 소프트웨어 업데이트가 있는지 확인하려면 다음 항목에 설명된 방법을 사용하여 Amazon SageMaker Studio Classic 및 Studio Classic 앱을 업데이트하세요. **Topics** + [ # Amazon SageMaker Studio Classic 종료 및 업데이트 ](studio-tasks-update-studio.md) + [ # Amazon SageMaker Studio Classic 앱 종료 및 업데이트 ](studio-tasks-update-apps.md) # Amazon SageMaker Studio Classic 종료 및 업데이트 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수는 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic을 최신 버전으로 업데이트하려면 먼저JupyterServer 앱을 종료해야 합니다. SageMaker AI 콘솔, Amazon SageMaker Studio 또는 Studio Classic 내에서 JupyterServer 앱을 종료할 수 있습니다. JupyterServer 앱을 종료한 후에는 JupyterServer 앱의 새 버전을 만드는 SageMaker AI 콘솔 또는 Studio를 통해 Studio Classic을 다시 열어야 합니다. Studio Classic UI가 브라우저에서 열려 있는 동안에는 JupyterServer 애플리케이션을 삭제할 수 없습니다. 브라우저에 Studio Classic UI가 열려 있는 상태에서 JupyterServer 애플리케이션을 삭제하면 SageMaker AI는 자동으로 JupyterServer 애플리케이션을 다시 만듭니다. 저장되지 않은 노트북 정보는 프로세스에서 손실됩니다. Amazon EFS 볼륨의 사용자 데이터는 영향을 받지 않습니다. Data Wrangler와 같은 Studio Classic 내 일부 서비스는 자체 앱에서 실행됩니다. 이러한 서비스를 업데이트하려면 해당 서비스의 앱을 삭제해야 합니다. 자세한 내용은 [Amazon SageMaker Studio Classic 앱 종료 및 업데이트](studio-tasks-update-apps.md)를 참조하세요. **참고** JupyterServer 앱은 단일 Studio Classic 사용자와 연결됩니다. 한 사용자의 앱을 업데이트해도 다른 사용자에게는 영향을 미치지 않습니다. 다음 페이지에서는 SageMaker AI 콘솔, Studio 또는 Studio Classic 내에서 JupyterServer 앱을 업데이트하는 방법을 보여줍니다. ## SageMaker AI 콘솔에서 종료 및 업데이트 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)로 이동합니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 업데이트하려는 Studio Classic 애플리케이션이 포함된 도메인을 선택합니다. 1. **사용자 프로필**에서 사용자 이름을 선택합니다. 1. **앱** 아래 **JupyterServer**가 표시된 행에서 **작업**을 선택한 다음 **삭제**를 선택합니다. 1. **예, 앱을 삭제합니다**를 선택합니다. 1. 확인란에 **delete**를 입력합니다. 1. **삭제**를 선택합니다. 1. 앱이 삭제된 후 새 Studio Classic 앱을 실행하여 최신 버전을 다운로드하세요. ## Studio에서 종료 및 업데이트 1. [Amazon SageMaker Studio 출시](studio-updated-launch.md)의 단계에 따라 Studio로 이동합니다. 1. Studio UI에서 왼쪽의 애플리케이션 창을 찾습니다. 1. 애플리케이션 창에서 **Studio Classic**을 선택합니다. 1. Studio Classic 랜딩 페이지에서 중지할 Studio Classic 인스턴스를 선택합니다. 1. **중지**를 선택합니다. 1. 앱이 중지된 후 **실행**을 선택하여 최신 버전을 사용합니다. ## Studio Classic 내부에서 종료 및 업데이트 1. Studio Classic을 시작합니다. 1. 상단 메뉴에서 **파일**을 선택한 다음 **종료**를 선택합니다. 1. 다음 옵션 중 하나를 선택하세요. + **서버 종료** - JupyterServer 앱을 종료합니다. 터미널 세션, 커널 세션, SageMaker 이미지 및 인스턴스는 종료되지 않습니다. 이 리소스에는 계속 비용이 발생됩니다. + **모두 종료** - 모든 앱, 터미널 세션, 커널 세션, SageMaker 이미지 및 인스턴스가 종료됩니다. 이 리소스에는 더 이상 비용이 발생되지 않습니다. 1. 창을 닫습니다. 1. 앱이 삭제된 후 새 Studio Classic 앱을 실행하여 최신 버전을 사용하세요. # Amazon SageMaker Studio Classic 앱 종료 및 업데이트 **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수는 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. Amazon SageMaker Studio Classic 앱을 최신 버전으로 업데이트하려면 먼저 SageMaker AI 콘솔에서 해당 KernelGateway 앱을 종료해야 합니다. KernelGateway 앱이 종료된 후에는 새 커널을 실행하여 SageMaker Studio Classic을 통해 앱을 다시 열어야 합니다. 커널이 자동으로 업데이트됩니다. 저장되지 않은 노트북 정보는 프로세스에서 손실됩니다. Amazon EFS 볼륨의 사용자 데이터는 영향을 받지 않습니다. 애플리케이션이 종료된 지 24시간이 되면 SageMaker AI는 애플리케이션의 모든 메타데이터를 삭제합니다. 업데이트로 간주되어 애플리케이션 메타데이터를 유지하려면 이전 애플리케이션이 종료된 후 24시간 이내에 애플리케이션을 다시 시작해야 합니다. 이 기간이 지나면 애플리케이션 생성은 이전 애플리케이션의 업데이트가 아닌 새 애플리케이션으로 간주됩니다. **참고** KernelGateway 앱은 단일 Studio Classic 사용자와 연결됩니다. 한 사용자의 앱을 업데이트해도 다른 사용자에게는 영향을 미치지 않습니다. **KernelGateway 앱을 업데이트하려면** 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)로 이동합니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 업데이트하려는 애플리케이션이 포함된 도메인을 선택합니다. 1. **사용자 프로필**에서 사용자 이름을 선택합니다. 1. **앱**에서 **앱 이름**을 표시하는 행에서 **작업**을 선택한 다음 **삭제**를 선택합니다. Data Wrangler를 업데이트하려면 **sagemaker-data-wrang**으로 시작하는 앱을 삭제하세요. 1. **예, 앱을 삭제합니다**를 선택합니다. 1. 확인란에 **delete**를 입력합니다. 1. **삭제**를 선택합니다. 1. 앱을 삭제한 후 Studio Classic 내에서 새 커널을 실행하여 최신 버전을 사용하세요. # Amazon SageMaker Studio Classic 요금 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수는 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 팀의 첫 번째 구성원이 Amazon SageMaker Studio Classic에 온보딩하면 Amazon SageMaker AI는 팀을 위한 Amazon Elastic File System(Amazon EFS) 볼륨을 만듭니다. 해당 팀원이나 다른 팀원이 Studio Classic을 열면 해당 팀원의 볼륨에 홈 디렉터리가 만들어집니다. 이 디렉터리에는 스토리지 요금이 부과됩니다. 이후 해당 팀원의 홈 디렉터리에 저장된 노트북 및 데이터 파일에 대해 추가 스토리지 요금이 발생합니다. Amazon EFS에 대한 요금 정보는 [Amazon EFS 요금](https://aws.amazon.com/efs/pricing/)을 참조하세요. 노트북 실행, 훈련 작업 실행 및 모델 호스팅과 같이 Studio Classic에서 다른 작업을 실행할 때 추가 비용이 발생할 수 있습니다. Studio Classic 노트북 사용과 관련된 비용에 대한 자세한 내용은 [Amazon SageMaker Studio Classic 노트북의 사용량 측정](notebooks-usage-metering.md) 섹션을 참조하세요. 요금 예와 함께 청구에 대한 내용은 [Amazon SageMaker 요금](https://aws.amazon.com/sagemaker/pricing/)을 참조하세요. Amazon SageMaker Studio Classic이 기본 환경인 경우 자세한 요금 정보는 [Amazon SageMaker Studio 요금](studio-updated-cost.md) 섹션을 참조하세요. # Amazon SageMaker Studio Classic의 문제 해결 **중요** 2023년 11월 30일부로 이전 Amazon SageMaker Studio 경험의 이름이 Amazon SageMaker Studio Classic으로 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션을 생성할 수는 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. **중요** Amazon SageMaker Studio 또는 Amazon SageMaker Studio Classic에서 Amazon SageMaker 리소스를 만들도록 허용하는 사용자 지정 IAM 정책은 해당 리소스에 태그를 추가할 수 있는 권한도 부여해야 합니다. Studio와 Studio Classic은 만드는 리소스에 태그를 자동으로 지정하기 때문에 리소스에 태그를 추가할 권한이 필요합니다. IAM 정책이 Studio 및 Studio Classic에서 리소스를 만들도록 허용하지만 태그 지정은 허용하지 않는 경우 리소스 만들기를 시도할 때 'AccessDenied' 오류가 발생할 수 있습니다. 자세한 내용은 [SageMaker AI 리소스 태그 지정을 위한 권한 제공](security_iam_id-based-policy-examples.md#grant-tagging-permissions) 섹션을 참조하세요. SageMaker 리소스를 만들 수 있는 권한을 부여하는 [AWS Amazon SageMaker AI에 대한 관리형 정책](security-iam-awsmanpol.md)에는 해당 리소스를 만드는 동안 태그를 추가할 수 있는 권한이 이미 포함되어 있습니다. 이 항목에서는 설정 및 사용 중에 발생하는 일반적인 Amazon SageMaker Studio Classic 문제를 해결하는 방법을 설명합니다. 다음은 Amazon SageMaker Studio Classic을 사용하는 동안 발생할 수 있는 일반적인 오류입니다. 각 오류 다음에는 해당 해결 방법이 나와 있습니다. ## Studio Classic 애플리케이션 문제 Studio Classic 애플리케이션을 시작하고 사용할 때 다음과 같은 문제가 발생합니다. + **화면이 로드되지 않음: WorkSpace를 지우고 기다려도 도움이 되지 않음** Studio Classic 애플리케이션을 시작하면 팝업에 다음 메시지가 표시됩니다. 어떤 옵션을 선택하더라도 Studio Classic이 로드되지 않습니다. ``` Loading... The loading screen is taking a long time. Would you like to clear the workspace or keep waiting? ``` Studio Classic 워크스페이스에 여러 탭이 열려 있거나 Amazon EFS에 여러 파일이 있는 경우 Studio Classic 애플리케이션 시작이 지연될 수 있습니다. 이 팝업은 Studio Classic 워크스페이스가 준비되고 몇 초 후에 사라집니다. 옵션 중 하나를 선택한 후에도 스피너가 있는 로딩 화면이 계속 표시되면 Studio Classic에서 사용하는 Amazon Virtual Private Cloud에 연결 문제가 있을 수 있습니다.  Studio Classic에서 사용하는 Amazon Virtual Private Cloud(Amazon VPC)의 연결 문제를 해결하려면 다음 네트워킹 구성을 확인하세요. + 도메인이 `VpcOnly` 모드로 설정된 경우:에 대한 Amazon VPC 엔드포인트 AWS STS또는 인터넷을 통한 트래픽을 포함한 아웃바운드 트래픽에 대한 NAT 게이트웨이가 있는지 확인합니다. 이렇게 하려면 [VPC의 Studio 노트북을 외부 리소스에 연결](studio-notebooks-and-internet-access.md)의 단계를 따르세요. + Amazon VPC가 Amazon에서 제공하는 DNS 대신 사용자 지정 DNS로 설정된 경우: Studio Classic에서 사용하는 Amazon VPC에 추가된 각 Amazon VPC 엔드포인트에 대해 DHCP(Dynamic Host Configuration Protocol)를 사용하여 경로가 구성되어 있는지 확인하세요. 기본 및 사용자 지정 DHCP 옵션 세트 설정에 대한 자세한 내용은 [Amazon VPC의 DHCP 옵션 세트](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_DHCP_Options.html)를 참조하세요. + **Studio Classic 시작 시 **내부 오류** 발생** Studio Classic을 시작할 때 Studio Classic UI를 볼 수 없습니다. 또한 다음과 비슷한 오류가 표시되며, **내부 오류**가 오류 세부 정보로 표시됩니다. ``` Amazon SageMaker Studio The JupyterServer app default encountered a problem and was stopped. ``` 이 오류는 여러 요인으로 인해 발생할 수 있습니다. 이 단계를 완료해도 문제가 해결되지 않는 경우 https://aws.amazon.com/premiumsupport/로 이슈를 생성하세요.  + **Amazon EFS 마운트 대상 누락**: Studio Classic은 Amazon EFS를 스토리지로 사용합니다. Amazon EFS 볼륨에는 Amazon SageMaker AI 도메인이 생성되는 각 서브넷에 대한 마운트 대상이 필요합니다. 이 Amazon EFS 마운트 대상이 실수로 삭제되면 사용자의 파일 디렉터리를 마운트할 수 없으므로 Studio Classic 애플리케이션을 로드할 수 없습니다. 다음 단계에 따라 문제를 해결하세요. **마운트 대상을 확인하거나 생성하기 위해서입니다.** 1. [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html) API 호출을 사용하여 도메인과 연결된 Amazon EFS 볼륨을 찾을 수 있습니다.  1. 에 로그인 AWS Management Console 하고 [ https://console.aws.amazon.com/efs/](https://console.aws.amazon.com/efs/) Amazon EFS 콘솔을 엽니다. 1. Amazon EFS 볼륨 목록에서 도메인과 연결된 Amazon EFS 볼륨을 선택합니다. 1. Amazon EFS 세부 정보 페이지에서 **네트워크** 탭을 선택합니다. 도메인이 설정된 모든 서브넷에 대해 마운트 대상이 있는지 확인하세요. 1. 마운트 대상이 없는 경우 누락된 Amazon EFS 마운트 대상을 추가하세요. 지침은 [마운트 대상 및 보안 그룹 생성 및 관리](https://docs.aws.amazon.com/efs/latest/ug/accessing-fs.html)를 참조하세요. 1. 누락된 마운트 대상을 만든 후 Studio Classic 애플리케이션을 시작하세요. + **사용자 `.local`폴더의 파일 충돌**: Studio Classic에서 JupyterLab 버전 1을 사용하는 경우 `.local` 폴더의 라이브러리 충돌로 인해 Studio Classic 애플리케이션을 시작할 때 문제가 발생할 수 있습니다. 이 문제를 해결하려면 사용자의 기본 JupyterLab 버전을 JupyterLab 3.0으로 업데이트하세요. JupyterLab 버전 확인 및 업데이트에 대한 자세한 내용은 [Amazon SageMaker Studio Classic에서 JupyterLab 버전 관리](studio-jl.md)을 참조하세요. + **Studio Classic 시작 시 **ConfigurationError: LifecycleConfig**** Studio Classic을 시작할 때는 Studio Classic UI를 볼 수 없습니다. 이는 도메인에 연결된 기본 수명 주기 구성 스크립트에 문제가 있기 때문입니다. **수명 주기 구성 문제를 해결하려면** 1. 수명 주기 구성에 대한 Amazon CloudWatch Logs를 보고 실패를 일으킨 명령을 추적하세요. 로그를 보려면 [CloudWatch Logs에서 수명 주기 구성 프로세스 확인](studio-lcc-debug.md#studio-lcc-debug-logs)의 단계를 따르세요. 1. 사용자 프로필 또는 도메인에서 기본 스크립트를 분리합니다. 자세한 내용은 [Amazon SageMaker Studio Classic에서 수명 주기 구성 업데이트 및 분리](studio-lcc-delete.md) 섹션을 참조하세요. 1. Studio Classic 애플리케이션을 시작합니다. 1. 수명 주기 구성 스크립트를 디버깅하세요. 시스템 터미널에서 수명 주기 구성 스크립트를 실행하여 문제를 해결할 수 있습니다. 터미널에서 스크립트가 성공적으로 실행되면 스크립트를 사용자 프로필 또는 도메인에 연결할 수 있습니다. + **SageMaker Studio Classic의 핵심 기능을 사용할 수 없습니다.** Studio Classic을 열 때 이 오류 메시지가 표시되면 Python 패키지 버전 충돌 때문일 수 있습니다. 이 문제는 노트북이나 터미널에서 다음 명령을 사용하여 SageMaker AI 패키지 종속성과 버전이 충돌하는 Python 패키지를 설치한 경우 발생합니다. ``` !pip install ``` ``` pip install --user ``` 다음 단계에 따라 문제를 해결하세요. 1. 최근에 설치한 Python 패키지를 제거합니다. 어떤 패키지를 제거해야 할지 잘 모르겠으면 https://aws.amazon.com/premiumsupport/로 이슈를 생성하세요.  1. Studio Classic 재시작: 1. **파일** 메뉴에서 Studio Classic을 종료합니다. 1. 1분 정도 기다려 주세요. 1. 페이지를 새로 고치거나 AWS Management Console에서 열어 Studio Classic을 다시 엽니다. 충돌을 일으킨 패키지를 제거한 경우 문제가 해결되어야 합니다. 이 문제를 다시 발생시키지 않고 패키지를 설치하려면 `--user`플래그 없이 `%pip install`를 사용하세요. 문제가 지속되면 새 사용자 프로필을 생성하여 해당 사용자 프로필로 환경을 설정하세요. 이러한 해결 방법으로도 문제가 해결되지 않으면 https://aws.amazon.com/premiumsupport/로 이슈를 생성하세요.  + ** AWS Management Console에서 Studio Classic을 열 수 없습니다.** Studio Classic을 열 수 없고 모든 기본 설정을 사용하여 실행 중인 새 인스턴스를 만들 수 없는 경우 https://aws.amazon.com/premiumsupport/로 이슈를 만드세요.  ## KernelGateway 애플리케이션 문제 다음 문제는 Studio Classic에서 실행되는 KernelGateway 애플리케이션에만 해당됩니다. + **커널 세션에 액세스할 수 없습니다** 사용자가 새 노트북을 시작하면 노트북 세션에 연결할 수 없습니다. KernelGateway 애플리케이션의 `In Service`상태가 인 경우 사용자는 다음 사항을 확인하여 문제를 해결할 수 있습니다. + **보안 그룹 구성 확인** 도메인이 `VPCOnly`모드로 설정된 경우 도메인과 연결된 보안 그룹은 JupyterServer와 KernelGateway 앱 간의 연결을 위해 `8192-65535`범위 내의 포트 간 트래픽을 허용해야 합니다. **보안 그룹에 규칙을 추가하려면** 1. [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html) API 호출을 사용하여 도메인과 연결된 보안 그룹을 가져옵니다. 1. 에 로그인 AWS Management Console 하고 [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/) Amazon VPC 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **보안** 아래의 **보안 그룹**을 선택합니다. 1. 도메인과 연결된 보안 그룹의 ID로 필터링합니다. 1. 각 보안 그룹의 경우: 1. 보안 그룹을 선택합니다. 1. 보안 그룹 세부 정보 페이지에서 **인바운드 규칙**을 확인합니다. 범위 `8192-65535`내 포트 간에 트래픽이 허용되는지 확인하세요. 보안 그룹 규칙에 대한 자세한 내용은 [보안 그룹을 사용하여 리소스에 대한 트래픽 제어](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_SecurityGroups.html#working-with-security-group-rules)를 참조하세요. Studio Classic을 `VPCOnly` 모드에서 사용하기 위한 요구 사항에 대한 자세한 내용은 [VPC의 Studio 노트북을 외부 리소스에 연결](studio-notebooks-and-internet-access.md) 섹션을 참조하세요. + **방화벽 및 WebSocket 연결 확인** KernelGateway 앱이 `InService` 상태이고 사용자가 Studio Classic 노트북 세션에 연결할 수 없는 경우 방화벽과 WebSocket 설정을 확인하세요. 1. Studio Classic 애플리케이션을 시작합니다. 자세한 내용은 [Amazon SageMaker Studio Classic 시작](studio-launch.md) 섹션을 참조하세요. 1. 웹 브라우저 개발자 도구 모음을 엽니다. 1. **네트워크** 탭을 선택합니다. 1. 다음 형식과 일치하는 항목을 검색하세요. ``` wss://.studio..sagemaker.aws/jupyter/default/api/kernels//channels?session_id= ``` 항목의 상태 또는 응답 코드가 `101` 이외의 코드인 경우 네트워크 설정으로 인해 Studio Classic 애플리케이션과 KernelGateway 앱 간의 연결이 차단되고 있는 것입니다. 이 문제를 해결하려면 네트워킹 설정을 관리하는 팀에 문의하여 Studio Classic URL을 허용하고 WebSocket 연결을 활성화하세요.  + **리소스 할당량 초과로 인해 앱을 실행할 수 없음** 사용자가 새 노트북을 시작하려고 하면 다음 오류 중 하나로 인해 노트북 생성이 실패합니다. 이는 리소스 할당량을 초과했기 때문입니다. + ``` Unable to start more Apps of AppType [KernelGateway] and ResourceSpec(instanceType=[]) for UserProfile []. Please delete an App with a matching AppType and ResourceSpec, then try again ``` Studio Classic은 동일한 인스턴스에서 실행 중인 KernelGateway 앱을 최대 4개까지 지원합니다. 이 문제를 해결하려면 다음 중 한 가지 방법을 시도하면 됩니다. + 인스턴스에서 실행 중인 기존 KernelGateway 애플리케이션을 삭제한 다음 새 노트북을 다시 시작합니다. + 다른 인스턴스 유형에서 새 노트북을 시작합니다. 자세한 내용은 [Amazon SageMaker Studio Classic 노트북의 인스턴스 유형 변경](notebooks-run-and-manage-switch-instance-type.md) 섹션을 참조하세요. + ``` An error occurred (ResourceLimitExceeded) when calling the CreateApp operation ``` 이 경우 계정에는 지정된 인스턴스 유형에서 Studio Classic 애플리케이션을 만들 수 있는 충분한 제한이 없습니다. 이 문제를 해결하려면 [https://console.aws.amazon.com/servicequotas/](https://console.aws.amazon.com/servicequotas/) Service Quotas 콘솔로 이동합니다. 해당 콘솔에서 `Studio KernelGateway Apps running on instance-type instance`한도 증가를 요청하세요. 자세한 내용은 [AWS 서비스 할당량](https://docs.aws.amazon.com/general/latest/gr/aws_service_limits.html)을 참조하세요.