Positron заработал в Amazon SageMaker AI: R, Python и ИИ-ассистент внутри управляемого AWS-контура

Что именно появилось

Positron, интегрированная среда разработки для data science от Posit, теперь работает на Amazon SageMaker AI. Posit публикует готовый образ SageMaker Studio, в котором запускается сама IDE. Администратор копирует этот образ в собственный реестр и подключает его к домену SageMaker, после чего пользователи выбирают его при создании Space, и Positron открывается прямо в Studio.

Сборка опирается на образ Amazon SageMaker Distribution, а публикует её Posit как определение контейнера; платформенные администраторы собирают образ, отправляют его в свой репозиторий Amazon Elastic Container Registry, регистрируют в SageMaker AI и прикрепляют к домену Studio. Правило реестра жёсткое: SageMaker подтягивает пользовательский образ только из приватного репозитория Amazon ECR, и этот репозиторий должен находиться в том же регионе, что и домен. Posit публикует образ в Amazon ECR Public, поэтому копию в свой репозиторий достаточно сделать один раз, и дальше SageMaker использует именно её.

Статус продукта тоже зафиксирован честно: Positron on SageMaker находится в public preview, а в SageMaker Unified Studio он пока недоступен. Это платный продукт, требующий действующей лицензии Posit Workbench Advanced от Posit, PBC. Если в аккаунте уже работает RStudio on SageMaker, новая сущность не нужна: оба продукта используют одну и ту же лицензию AWS License Manager, поэтому выданный грант уже действует и остаётся настроить только права роли.

Доступ к данным без ключей

Ключевая деталь архитектуры — доступ к данным. Positron работает под ролью исполнения Space, поэтому запросы к Amazon Athena, AWS Glue Data Catalog и Amazon Simple Storage Service выполняются прямо из IDE. Доступ следует правам роли: никаких ключей, которые нужно хранить или ротировать, не появляется.

Демонстрационный сценарий начинается именно с этого: Posit Assistant находит таблицу `credit_risk_blog.loan_tape_source` в AWS Glue Data Catalog и готовит read-only запрос к Amazon Athena. Запрос вернул пять строк по шести полям, просканировал 2,18 МиБ и завершился менее чем за секунду.

Отдельно подчёркнута возможность работать параллельно: можно запускать несколько Space одновременно под независимые проекты и использовать общий Space, чтобы несколько человек работали в одном приложении Positron.

Ассистент на моделях внутри своего аккаунта

Posit Assistant — ИИ-ассистент, который использует Amazon Bedrock через роль исполнения. В качестве провайдера модели он может работать с Amazon Bedrock, поэтому ИИ-помощь идёт на моделях в собственном аккаунте и собственном регионе AWS. Отдельный API-ключ провайдера модели не нужен, если аутентификация Amazon Bedrock разрешается через учётные данные AWS из окружения.

По данным Posit, содержимое заказчика шифруется, не используется для улучшения базовых моделей и не передаётся провайдерам моделей. Документация Amazon Bedrock объясняет механику: в каждом регионе есть аккаунт развёртывания модели, которым владеет и управляет команда сервиса, провайдеры моделей доступа к этим аккаунтам не имеют, а значит, не имеют доступа ни к логам Amazon Bedrock, ни к промптам и ответам заказчиков. Приватное подключение при необходимости настраивается через AWS PrivateLink.

Есть и измеренная, но узкая цифра: в представлении Session information зафиксировано 6 657 942 токена, включая 6 118 411 токенов чтения из кэша и 462 905 токенов записи в кэш, при оценке стоимости $6,319 и эффективности кэша 92,5 процента. Авторы прямо оговаривают, что эти значения описывают конкретную сессию и оценку ассистента и не являются ни счётом AWS, ни общим бенчмарком стоимости.

Прогон на 50 000 займов: от Athena до реального эндпоинта

Сквозной пример разбирает работу с синтетическим портфелем на 50 000 займов, и авторы отдельно предупреждают: данные не представляют продакшен-систему кредитования. Профилирование в Athena показало 50 000 займов, включая 1 500 записей без данных о доходе и 1 015 дефолтов, то есть общий уровень дефолта 2,03 процента.

В R таблица на 50 000 строк загружается в активную сессию и открывается в Data Explorer; R создаёт признаки отношения долга к доходу и логарифма дохода и показывает распределение первого признака на панели Plots. После исключения 1 500 неполных записей для моделирования и скоринга остаётся 48 500 займов.

Дальше в дело идёт Python: классификатор XGBoost обучается на матрице из 40 000 строк и трёх признаков модели. На отложенной выборке получен AUC 0,834, а в дециле с максимальным риском наблюдался уровень дефолта 12,3 процента. Предсказанные вероятности и риск-децили для 48 500 займов записаны в Parquet и зарегистрированы в Athena; затем созданы модель SageMaker AI, конфигурация эндпоинта и real-time эндпоинт, который дошёл до состояния InService, а вызов на синтетическом профиле заявителя прошёл успешно. Живое приложение на Shiny for Python вызывает развёрнутый эндпоинт и работает за прокси приложений Amazon SageMaker Studio, оставаясь доступным только пользователям, аутентифицированным в Space; вызов идёт под ролью исполнения, а не по сохранённому ключу, и роль ограничена действием `sagemaker:InvokeEndpoint` на ARN эндпоинта. Завершает прогон отчёт Quarto, который связывает источник в Athena, находки по качеству данных, валидацию в R, модель на Python, скоринг, эндпоинт и приложение Shiny в один воспроизводимый документ.

Разделение ответственности и цена входа

Ответственность разделена явно: Posit отвечает за программный образ и поддержку продукта, заказчик управляет идентификацией, правами, лицензированием, сетью, логированием, обновлениями образа и списком разрешённых сервисов AWS, а AWS эксплуатирует управляемые облачные сервисы.

Требования к внедрению перечислены в статье: грант лицензии Posit и доступ к опубликованному определению образа, права администратора на управление Amazon ECR и настройку пользовательских образов для домена SageMaker Studio, роль исполнения Space с доступом к Amazon Athena и AWS Glue Data Catalog, исходное расположение в Amazon S3 и настроенное место для результатов запросов Athena, доступ к моделям Amazon Bedrock в том же регионе, что и домен Studio, если используется Posit Assistant, и инстанс `ml.t3.xlarge` или крупнее для продемонстрированного окружения.

Отдельно описан порядок уборки: удалять ресурсы нужно в определённой последовательности, потому что real-time эндпоинт зависит и от конфигурации эндпоинта, и от модели — сначала эндпоинт, затем конфигурацию эндпоинта, затем модель.

Что прогон не доказал

Авторы не прячут границы: набор данных и профили заявителей были синтетическими, а работа не устанавливает справедливость модели, её калибровку, пригодность для кредитования, продакшен-задержку, поведение под нагрузкой, мониторинг или соответствие регуляторным требованиям. AUC и результаты по децилям получены на одном отложенном разбиении, а нижние децили не были строго монотонными. Скриншоты документируют один записанный прогон и не должны подаваться как общий бенчмарк производительности или стоимости.

Для продакшен-внедрения, по тексту статьи, потребуется проверить условия preview, грант лицензии и версию образа вместе с поддерживаемыми регионами AWS и доступностью моделей, а также подтвердить дизайн сети, права по принципу наименьших привилегий, работу с секретами, логирование, обновление образа и владельца эксплуатации.