Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Nozioni di base
<a name="sagemaker-hyperpod-ray-getting-started"></a>

Ray on HyperPod funziona con l' KubeRay operatore open source e le sue risorse personalizzate, invariate. Per iniziare è necessario solo un HyperPod cluster orchestrato da Amazon EKS e l' KubeRay operatore installato su di esso. HyperPod quindi aggiunge funzionalità a Ray che puoi adottare in due modi.

## Nozioni di base
<a name="sagemaker-hyperpod-ray-getting-started-steps"></a>

Questi due passaggi sono tutto ciò di cui hai bisogno per eseguire Ray HyperPod.

1. Crea un HyperPod cluster orchestrato da Amazon EKS. Per ulteriori informazioni, consulta [Creazione di un SageMaker HyperPod cluster con l'orchestrazione di Amazon EKS](sagemaker-hyperpod-eks-operate-console-ui-create-cluster.md).

1. Installa l' KubeRay operatore sul cluster. Gestisce ogni risorsa personalizzata Ray. Per ulteriori informazioni, consulta [Installazione KubeRay su HyperPod Amazon EKS](sagemaker-hyperpod-ray-install-kuberay.md).

## Ray è attivo HyperPod
<a name="sagemaker-hyperpod-ray-getting-started-features"></a>

HyperPod aggiunge funzionalità a Ray e ci sono due modi per adottarle. La configurazione è la stessa in entrambi i casi ed entrambi utilizzano lo stesso Ray open source e le stesse risorse KubeRay personalizzate. Ciò che differisce è il modo in cui i team utilizzano le funzionalità: puoi iniziare con una e aggiungere l'altra in un secondo momento.

**Purpose-built esperienza di data scientist. ** Amazon SageMaker Studio riunisce queste funzionalità in un'unica interfaccia. Puoi creare e gestire cluster Ray, svilupparti in modo interattivo in uno spazio collegato, accedere a Ray Dashboard tramite un collegamento al browser e aprire i dashboard Grafana, senza scrivere manifesti Kubernetes. Configura prima Amazon Studio per Ray. SageMaker Per ulteriori informazioni, consulta [Configurare Studio per Ray](sagemaker-hyperpod-ray-studio-setup.md). Puoi quindi attivare ciascuna funzionalità singolarmente, come il componente aggiuntivo SageMaker AI Spaces per lo sviluppo interattivo e il componente aggiuntivo HyperPod Observability per le dashboard.

**Integrazione delle funzionalità nella piattaforma ML interna esistente. ** Scegli questa opzione se esegui la tua piattaforma ML interna su Amazon EKS e desideri conservare strumenti e flussi di lavoro. Collega l' HyperPod elaborazione al tuo cluster Amazon EKS e adotti solo le funzionalità che ti mancano. Niente richiede Amazon SageMaker Studio. Ogni funzionalità è un componente aggiuntivo separato o un pacchetto Python, quindi puoi adottarne uno e smettere.

Ogni funzionalità è disponibile in entrambi i modi. L'esperienza creata appositamente racchiude ciascuna di esse in un'interfaccia web e sulla tua piattaforma utilizzi le stesse funzionalità. `kubectl`


| Funzionalità | Purpose-built esperienza in Amazon Studio SageMaker  | La tua piattaforma | 
| --- | --- | --- | 
| [Gestione dei carichi di lavoro Ray ](sagemaker-hyperpod-ray-manage-workloads.md) | Crea e gestisci cluster Ray nell'interfaccia web di Amazon SageMaker Studio | kubectle i tuoi manifesti RayCluster | 
| [IDE e notebook ](sagemaker-hyperpod-ray-ide-notebooks.md) | Interfaccia utente Web per creare ambienti di sviluppo Ray | Allega uno spazio con kubectl | 
| [Accesso a Ray Dashboard e invio di lavori ](sagemaker-hyperpod-ray-dashboard.md) | One-click accesso autenticato e invio remoto dei lavori dai notebook Studio Space e dal Code Editor | kubectlcomandi per generare collegamenti Ray Dashboard | 
| [Osservabilità](sagemaker-hyperpod-ray-observability.md) | Dashboard Grafana del componente aggiuntivo Observability HyperPod  | Lo stesso componente aggiuntivo o il tuo Prometheus | 
| Condivisione delle risorse e accodamento dei lavori con Task governance [Coda con governance delle attività](sagemaker-hyperpod-ray-task-governance.md) | Visualizza le metriche di allocazione delle risorse durante la creazione del carico di lavoro Ray e inviale a una coda dall'interfaccia utente | tramite kubectl | 
| [Formazione resiliente ](sagemaker-hyperpod-ray-resilient-training.md) (ripristino automatico dei nodi, rilevamento dei lavori interrotti, checkpoint su più livelli) | Supportato a livello di infrastruttura | Supportato a livello di infrastruttura | 
| [Inferenza accelerata ](sagemaker-hyperpod-ray-accelerated-inference.md) (Ray Serve, cache KV gestita su più livelli, scalabilità automatica) | Supportato a livello di infrastruttura | Supportato a livello di infrastruttura |