SageMaker Spaces: En ny æra for samarbejde i data science teams

Amazon SageMaker HyperPod har netop fået en markant opgradering. Nu kan data science teams køre interaktive udviklingsmiljøer som JupyterLab og Visual Studio Code direkte på HyperPod-clusters. Det betyder, at man kan arbejde i de værktøjer, man kender, men med cloudens fleksibilitet og skalerbarhed. For virksomheder, der investerer tungt i AI, er det et stort skridt mod mere effektivt samarbejde, hurtigere udvikling og bedre udnyttelse af dyre GPU-ressourcer. Vi ser nærmere på, hvordan det fungerer i praksis, og hvorfor det kan gøre en reel forskel for både teknikere og forretningen.

Sådan fungerer SageMaker Spaces på HyperPod

Spaces er et nyt add-on, der gør det muligt at oprette og administrere isolerede udviklingsmiljøer på tværs af teams og projekter. Administratorer installerer Spaces via SageMaker AI-konsollen – enten med et hurtigt klik eller via en mere avanceret opsætning. Når add-on’et er på plads, kan data scientists oprette deres egne Spaces via HyperPod CLI eller kubectl og vælge, om de vil arbejde i JupyterLab eller en kodeeditor. Det hele kører på Amazon EKS, hvilket sikrer skalerbarhed og robusthed.

Integration med eksisterende infrastruktur og sikkerhed

For IT-arkitekter og DevOps-specialister er integrationen mellem SageMaker HyperPod, Amazon EKS og virksomhedens netværk central. Spaces bruger EKS til at orkestrere workloads og styrer adgang via IAM-roller og EKS access entries. Sikkerheden er skærpet med SSH-over-SSM tunneling, så udviklere kan forbinde deres lokale IDE til Spaces uden at åbne porte eller håndtere SSH-nøgler. Det minimerer risikoen for uautoriseret adgang og gør compliance lettere at håndtere. Denne tilgang er i tråd med best practices for cloud-sikkerhed og gør det nemt at styre adgang på tværs af teams.

Hands-on: Oprettelse og administration af Spaces

Opsætningen er overraskende enkel. Med HyperPod CLI kan man hurtigt oprette et nyt Space med få kommandoer. For eksempel:

• hyp set-cluster-context --cluster-name <dit-hyperpod-cluster-navn>
• hyp create hyp-space --name "data-science-space" --display-name "Data Science Workspace" --namespace "default"

Vil man bruge en kodeeditor, kan man vælge en anden template og tilpasse ressourcerne:

• hyp create hyp-space --name code-editor-demo --display-name "code-editor space" --memory 8Gi --template-ref name=sagemaker-code-editor-template,namespace=jupyter-k8s-system

Spaces kan også oprettes og administreres med kubectl, hvilket gør det nemt at integrere i eksisterende CI/CD-pipelines og automatisere deployment.

Fractional GPU allocation: Optimering af omkostninger og ressourcer

En af de mest interessante nyheder er understøttelsen af fractional GPU allocation via NVIDIA MIG-teknologi. Det betyder, at flere brugere kan dele en fysisk GPU, uden at workloads forstyrrer hinanden. For virksomheder med store GPU-investeringer kan det give markante besparelser og bedre ressourceudnyttelse. Man kan nemt tjekke, om ens instans understøtter fractional GPU, og oprette et Space med f.eks. en 3g.20gb-partition. Det er især relevant for teams, der arbejder parallelt og har brug for fleksibel adgang til GPU-ressourcer uden at betale for mere end nødvendigt.

Netværk, DNS og adgangsstyring i større organisationer

For at sikre nem og sikker adgang til Spaces via browseren kræves opsætning af en Application Load Balancer og DNS-konfiguration i Amazon Route 53. Det gør det muligt at tildele custom domæner og SSL-certifikater, så brugerne kan tilgå deres miljøer via sikre, presignerede URL’er. I praksis betyder det, at større organisationer kan styre adgang og netværk centralt og sikre, at compliance og governance overholdes. Det er ikke bare smart – det er nødvendigt, hvis man vil skalere AI-udvikling på tværs af afdelinger.

Automatisering, monitorering og governance

DevOps-specialister vil sætte pris på, at Spaces kan integreres i CI/CD-pipelines og automatiseres via CLI eller kubectl. Ressourceforbrug kan monitoreres med HyperPod Observability-plugin, som giver overblik over, hvor meget compute og storage de enkelte Spaces bruger. Med HyperPod task governance kan man prioritere interaktive workloads og forhindre, at vigtige udviklingsmiljøer bliver fortrængt af batch jobs. Det sikrer, at udviklingsarbejdet ikke går i stå, bare fordi der køres store træningsjobs i baggrunden.

Bruger- og adgangsstyring: RBAC og samarbejde

Spaces identificerer brugere via EKS Access Entries, som er koblet til IAM-identiteter. Det giver mulighed for både private og delte Spaces, så teams kan samarbejde i realtid eller arbejde isoleret, alt efter behov. Administratorer kan opsætte templates og policies, der sikrer, at kun de nødvendige rettigheder gives – og at compliance-krav overholdes. Det er fleksibelt og skalerbart, og det gør det muligt at tilpasse adgangsstyringen til virksomhedens behov.

Praktiske eksempler fra hverdagen

Forestil dig et data science team, der arbejder på et fælles projekt: Med Spaces kan de hurtigt oprette et fælles miljø, hvor alle har adgang til de samme data og værktøjer. Fractional GPU gør det muligt at køre flere eksperimenter parallelt uden at skulle vente på ledige ressourcer. Samtidig kan IT-arkitekten sikre, at alt kører på virksomhedens egne domæner og under stram adgangskontrol. Det er ikke kun teori – det er allerede praksis hos flere større virksomheder, der har testet løsningen.

Fejlfinding og best practices

Hvis man oplever problemer med adgang eller ressourcer, anbefales det at tjekke IAM-roller, EKS access entries og netværksopsætning først. Spaces understøtter automatisk nedlukning af inaktive miljøer, så man undgår at bruge unødvendige ressourcer – en vigtig detalje for både økonomi og governance. Det er en god idé at sætte default timeouts og sikre, at policies er korrekt konfigureret, så man undgår ubehagelige overraskelser på regningen.

Omkostninger, ROI og forretningsværdi

For ledelsen handler det om at skabe forretningsværdi og sikre, at investeringer i AI giver afkast. Med Spaces kan virksomheder reducere time-to-market, fordi data scientists ikke skal bruge tid på at sætte miljøer op eller vente på ressourcer. Fractional GPU og automatiseret nedlukning betyder lavere omkostninger, og central styring af adgang og ressourcer gør det lettere at overholde compliance og governance. Det er en løsning, der både taler til CFO’en og CTO’en.

Hvordan adskiller Spaces sig fra andre løsninger?

Sammenlignet med klassiske notebook-løsninger eller selv-hostede JupyterHub-miljøer tilbyder Spaces en mere integreret, sikker og skalerbar tilgang. Kombinationen af managed environments, fleksibel adgang og dyb integration med AWS-økosystemet gør det til et stærkt valg for organisationer, der vil professionalisere deres ML-arbejdsgange. Det er ikke længere nødvendigt at opfinde den dybe tallerken hver gang – Spaces samler det hele ét sted.

Potentielle faldgruber og hvad man skal være opmærksom på

Det er vigtigt at være opmærksom på, at forkert konfigurerede IAM-roller eller netværksindstillinger kan give adgangsproblemer. Derudover kan manglende opsætning af automatisk nedlukning føre til unødvendige omkostninger. Endelig kræver integration med eksisterende CI/CD og governance-processer en vis modenhed i organisationen. Det er ikke plug-and-play for alle, men for dem, der har styr på deres cloud-infrastruktur, er gevinsterne til at tage og føle på.

Konklusion: En platform for fremtidens AI-udvikling

Med SageMaker Spaces på HyperPod får både data scientists, IT-arkitekter og ledelse et værktøj, der balancerer fleksibilitet, sikkerhed og omkostningseffektivitet. Det gør det muligt at fokusere på det, der virkelig skaber værdi: Udvikling og deployment af AI-modeller, der kan løfte forretningen. For virksomheder, der vil være med helt fremme, er det et oplagt valg – og vi hos Snilld hjælper gerne med at få det sat rigtigt op fra start.

Kilder:

• https://aws.amazon.com/blogs/machine-learning/power-up-your-ml-workflows-with-interactive-ides-on-sagemaker-hyperpod/
• https://aws.amazon.com/about-aws/whats-new/2025/11/amazon-sagemaker-hyperpod-ides-notebooks-ai/
• https://docs.aws.amazon.com/sagemaker/latest/dg/permission-setup.html
• https://docs.aws.amazon.com/eks/latest/best-practices/aiml-compute.html
• https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-eks.html
• https://aws.amazon.com/blogs/machine-learning/supercharge-your-ai-workflows-by-connecting-to-sagemaker-studio-from-visual-studio-code/

Målgruppens mening om artiklen

Anders Kristensen, Data Science Lead:

Jeg giver artiklen 92. Den er ekstremt relevant for mit arbejde, fordi den går i dybden med både de tekniske og forretningsmæssige aspekter af SageMaker Spaces. Fractional GPU og integrationen med eksisterende AWS-infrastruktur er præcis de features, vi har efterspurgt. Artiklen er praktisk, konkret og rammer plet ift. vores behov i data science teamet.

Louise Madsen, IT-arkitekt:

Jeg giver artiklen 88. Den forklarer klart, hvordan integrationen med EKS og IAM fungerer, og hvordan sikkerheden håndteres. Jeg kunne dog godt have ønsket mig lidt mere om netværksopsætning og konkrete compliance-cases, men overordnet set er det meget brugbart og relevant.

Jesper Holm, DevOps Engineer:

Jeg giver den 85. Jeg synes, det er fedt, at der er fokus på CI/CD-integration og automatisering. Fractional GPU og observability-delen er også spot on. Jeg savner dog lidt flere detaljer om, hvordan fejlfinding håndteres i praksis, og hvordan det spiller sammen med eksisterende monitoreringsværktøjer.

Camilla Sørensen, CIO:

Jeg giver den 80. Artiklen rammer mange af de strategiske pointer, jeg leder efter, især omkring ROI og governance. Den er dog meget teknisk, og jeg kunne godt have brugt flere eksempler på forretningsmæssige gevinster og risici, men det er stadig klart over middel i relevans.

Morten Bæk, Cloud Security Specialist:

Jeg giver den 86. Artiklen forklarer sikkerhedsaspekterne godt, især omkring adgangsstyring og compliance. Jeg ville dog gerne have set mere om hvordan man konkret sikrer mod misbrug af ressourcer og hvordan auditing foregår, men det er stadig en af de mest relevante artikler, jeg har læst om emnet.

Gennemsnitlig score: 86

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.