データサイエンスの学びを支援する Amazon SageMaker Studio Lab をグラレコで解説

Amazon SageMaker Studio Lab は、オープンソースの JupyterLab をベースにしています。

JupyterLab とは、非営利団体「Project Jupyter」により開発されているオープンソースです。Web ベースのインタラクティブなプログラム開発環境であり、Python 以外にも Java や Go など様々な言語をサポートしています。Markdown のドキュメント、プログラミングコード、プログラムの実行結果の 3 つを含む ”Notebook” をインタラクティブに作成できるのが最大の特徴です。

ちなみに、”Jupyter” のスペルは ”Jupiter (木星)” と間違えているわけではなく、Julia、Python、R の 3 つの言語に由来します (※)。様々な企業の方が Contributor として開発しており、AWS からも Brian Granger 氏が長期的な計画を立案する Steering Council に参加しています。

※ : 詳細は Jupyter Blog をご参照ください。「I Python, You R, We Julia」。

AWS は Amazon SageMaker をすでに提供していますが、SageMaker と Studio Lab は大きく 3 つの点で異なります。

1 点目はAWSアカウントが不要であること、2 点目は無料であること、3 点目は利用可能な機能です。

Studio Lab は機械学習の学びや検証を行うため、SageMaker は検証した後の本格的な機械学習モデルの開発と運用のため、と役割が異なります。Studio Lab にはもちろん SageMaker ほど豊富な機能はありませんが、学習に十分な機能とスペックを備えています。

ブラウザ上で実行できるため、利用するパソコンに特別なスペックは必要ありません。「GPU が搭載された開発用のパソコンをクラウド上に持てるサービス」というイメージです。開発用のパソコンと感じる理由は 3 つです。1 つめは静的ストレージがあること、2 つめはターミナルが使えること、3 つめは開発環境がカスタマイズできることです。

パソコンと同じように静的ストレージがあるため、ブラウザを落としても、CPU / GPU のセッションが切れても、作業内容はすべて保存されています。再度ブラウザでアクセスし、セッションを繋ぎ直せば終了時点の作業内容から再開できます。

JupyterLab をベースとしているため、Jupyter の Kernel がサポートしているプログラミング言語であれば基本的に動かすことができます。Python や R はもちろん、Rust や C++ なども動かせます。また Jupyter の拡張をインストールしてカスタマイズすることもできます。

授業をする側の目線からは、「学習者に共通の実行環境を無料で配布できるサービス」といえます。conda は Python をはじめとしたプログラミング言語の環境構築に用いられるツールです (※)。conda を使用した仮想環境の構築は通常コマンドから行いますが、Studio Lab は環境を定義した yml ファイルを右クリックし、 “Build Conda Environment” を実行することで仮想環境を構築できます。コマンドに不慣れな学習者でも簡単に教材専用の環境を構築できます。

※ : Studio Lab では Anaconda ではなく mini-forge で conda を導入し、ライブラリは conda-forge からインストールするよう設定しています。そのため、Anaconda の商用ライセンスの影響は受けません。詳細は こちら をご覧ください。

オープンソースの Jupyter Lab をベースにしているため、言語パックをインストールすることで日本語化することができます。

このように Studio Lab は学習者にとっては学びやすい、教材作成者にとっては教えやすい環境といえます。