انشر نماذج تعلم الآلة المضمنة في Amazon SageMaker Canvas إلى نقاط النهاية في الوقت الفعلي لـ Amazon SageMaker | خدمات الويب الأمازون

قماش أمازون سيج ميكر يدعم الآن نشر نماذج التعلم الآلي (ML) إلى نقاط نهاية الاستدلال في الوقت الفعلي، مما يسمح لك بنقل نماذج تعلم الآلة الخاصة بك إلى الإنتاج ودفع الإجراء استنادًا إلى الرؤى التي تدعمها ML. SageMaker Canvas عبارة عن مساحة عمل بدون تعليمات برمجية تمكن المحللين وعلماء بيانات المواطنين من إنشاء تنبؤات دقيقة للتعلم الآلي لاحتياجات أعمالهم.

حتى الآن، توفر SageMaker Canvas القدرة على تقييم نموذج التعلم الآلي، وإنشاء تنبؤات مجمعة، وتشغيل تحليلات ماذا لو داخل مساحة العمل التفاعلية الخاصة بها. ولكن يمكنك الآن أيضًا نشر النماذج إلى نقاط نهاية Amazon SageMaker للاستدلال في الوقت الفعلي، مما يجعل من السهل استهلاك تنبؤات النماذج وتوجيه الإجراءات خارج مساحة عمل SageMaker Canvas. إن القدرة على نشر نماذج تعلم الآلة مباشرة من SageMaker Canvas تلغي الحاجة إلى تصدير نماذج تعلم الآلة وتكوينها واختبارها ونشرها يدويًا في الإنتاج، وبالتالي تقليل التعقيد وتوفير الوقت. كما أنه يجعل تفعيل نماذج التعلم الآلي في متناول الأفراد، دون الحاجة إلى كتابة التعليمات البرمجية.

في هذا المنشور، نوجهك خلال العملية نشر نموذج في SageMaker Canvas إلى نقطة النهاية في الوقت الحقيقي.

نظرة عامة على الحل

بالنسبة لحالة الاستخدام الخاصة بنا، فإننا نتولى دور مستخدم الأعمال في قسم التسويق لدى مشغل الهاتف المحمول، وقد نجحنا في إنشاء نموذج تعلم الآلة في SageMaker Canvas لتحديد العملاء الذين لديهم مخاطر محتملة للتوقف عن العمل. بفضل التوقعات التي تم إنشاؤها بواسطة نموذجنا، نريد الآن نقل هذا من بيئة التطوير لدينا إلى الإنتاج. لتبسيط عملية نشر نقطة النهاية النموذجية الخاصة بنا للاستدلال، فإننا ننشر نماذج تعلم الآلة مباشرة من SageMaker Canvas، وبالتالي نتخلص من الحاجة إلى تصدير نماذج تعلم الآلة وتكوينها واختبارها ونشرها يدويًا في الإنتاج. ويساعد ذلك في تقليل التعقيد، وتوفير الوقت، ويجعل أيضًا تفعيل نماذج التعلم الآلي في متناول الأفراد، دون الحاجة إلى كتابة التعليمات البرمجية.

خطوات سير العمل كالتالي:

1. قم بتحميل مجموعة بيانات جديدة تتضمن عدد العملاء الحاليين إلى SageMaker Canvas. للحصول على القائمة الكاملة لمصادر البيانات المدعومة، راجع استيراد البيانات إلى Canvas.
2. بناء نماذج تعلم الآلة وتحليل مقاييس أدائها. للحصول على التعليمات، راجع بناء نموذج مخصص و قم بتقييم أداء النموذج الخاص بك في Amazon SageMaker Canvas.
3. نشر نسخة النموذج المعتمدة كنقطة نهاية للاستدلال في الوقت الحقيقي.

يمكنك تنفيذ هذه الخطوات في SageMaker Canvas دون كتابة سطر واحد من التعليمات البرمجية.

المتطلبات الأساسية المسبقة

لهذه الإرشادات التفصيلية ، تأكد من استيفاء المتطلبات الأساسية التالية:

1. لنشر إصدارات النموذج إلى نقاط نهاية SageMaker، يجب على مسؤول SageMaker Canvas منح الأذونات اللازمة لمستخدم SageMaker Canvas، والتي يمكنك إدارتها في مجال SageMaker الذي يستضيف تطبيق SageMaker Canvas الخاص بك. لمزيد من المعلومات، راجع إدارة الأذونات في قماش.
   
2. قم بتنفيذ المتطلبات المذكورة في توقع تضخيم العميل من خلال التعلم الآلي بدون رمز باستخدام Amazon SageMaker Canvas.

يجب أن يكون لديك الآن ثلاثة إصدارات من النماذج مدربة على بيانات التنبؤ بالتقلص التاريخية في Canvas:

• تم تدريب V1 مع جميع الميزات الـ 21 وتكوين البناء السريع بدرجة نموذج تبلغ 96.903٪
• تم تدريب V2 مع جميع الميزات الـ 19 (ميزات الهاتف والحالة التي تمت إزالتها) وتكوين سريع للبناء ودقة محسّنة بنسبة 97.403٪
• تم تدريب V3 على تكوين بناء قياسي مع 97.103٪ من نقاط النموذج

استخدم نموذج توقع زبد العميل

تفعيل إظهار المقاييس المتقدمة في صفحة تفاصيل النموذج ومراجعة المقاييس الموضوعية المرتبطة بكل إصدار نموذج حتى تتمكن من تحديد النموذج الأفضل أداءً للنشر في SageMaker كنقطة نهاية.

واستنادًا إلى مقاييس الأداء، نختار الإصدار 2 ليتم نشره.

قم بتكوين إعدادات نشر النموذج — اسم النشر ونوع المثيل وعدد المثيلات.

كنقطة بداية، سيوصي Canvas تلقائيًا بأفضل نوع مثيل وعدد المثيلات لنشر النموذج الخاص بك. يمكنك تغييره وفقًا لاحتياجات عبء العمل لديك.

يمكنك اختبار نقطة نهاية استدلال SageMaker المنشورة مباشرةً من داخل SageMaker Canvas.

يمكنك تغيير قيم الإدخال باستخدام واجهة مستخدم SageMaker Canvas لاستنتاج توقع إضافي للتوقف.

الآن دعنا ننتقل إلى أمازون ساجميكر ستوديو وتحقق من نقطة النهاية المنشورة.

افتح دفتر ملاحظات في SageMaker Studio وقم بتشغيل التعليمات البرمجية التالية لاستنتاج نقطة نهاية النموذج المنشور. استبدل اسم نقطة نهاية النموذج باسم نقطة نهاية النموذج الخاص بك.

import boto3, sys
import pandas as pd endpoint_name = "canvas-customer-churn-prediction-model"
sm_rt = boto3.Session().client('runtime.sagemaker') payload = [['PA',163,806,403-2562, 'no', 'yes', 300, 8.16, 3, 7.57,3.93,4,6.5,4.07,100,5.11,4.92,6,5.67,3]]
body = pd.DataFrame(payload).to_csv(header=False, index=False).encode("utf-8") response = sm_rt.invoke_endpoint(EndpointName=endpoint_name, Body=body, ContentType="text/csv",Accept="application/json") response = response['Body'].read().decode("utf-8")
print(response)

تستخدم نقطة نهاية النموذج الأصلي لدينا مثيل ml.m5.xlarge وعدد مثيلات واحدة. الآن، لنفترض أنك تتوقع زيادة عدد المستخدمين النهائيين الذين يستنتجون نقطة نهاية النموذج الخاص بك، وأنك تريد توفير المزيد من سعة الحوسبة. يمكنك إنجاز ذلك مباشرة من داخل SageMaker Canvas عن طريق الاختيار تحديث التكوين.

تنظيف

لتجنب تكبد رسوم مستقبلية، احذف الموارد التي قمت بإنشائها أثناء متابعة هذا المنشور. يتضمن ذلك تسجيل الخروج من SageMaker Canvas و حذف نقطة نهاية SageMaker المنشورة. يفرض عليك SageMaker Canvas رسومًا مقابل مدة الجلسة، ونوصي بتسجيل الخروج من SageMaker Canvas عندما لا تستخدمه. تشير إلى تسجيل الخروج من Amazon SageMaker Canvas لمزيد من التفاصيل.

وفي الختام

في هذا المنشور، ناقشنا كيف يمكن لـ SageMaker Canvas نشر نماذج تعلم الآلة إلى نقاط نهاية الاستدلال في الوقت الفعلي، مما يسمح لك بنقل نماذج تعلم الآلة الخاصة بك إلى الإنتاج ودفع الإجراء استنادًا إلى الرؤى التي تدعمها تعلم الآلة. في مثالنا، أظهرنا كيف يمكن للمحلل إنشاء نموذج ML تنبؤي دقيق للغاية بسرعة دون كتابة أي تعليمات برمجية، ونشره على SageMaker كنقطة نهاية، واختبار نقطة نهاية النموذج من SageMaker Canvas، وكذلك من دفتر ملاحظات SageMaker Studio.

لبدء رحلة ML ذات الرمز المنخفض / بدون رمز ، ارجع إلى قماش أمازون سيج ميكر.

شكر خاص لكل من ساهم في الإطلاق: براشانث كورومادالي، وأبيشيك كومار، وألين ليو، وشون ليستر، وريتشا سوندراني، وأليسيا تشي.

حول المؤلف

جانيشا أناند هو أحد كبار مديري المنتجات في فريق Amazon SageMaker Low/No Code ML، والذي يتضمن SageMaker Canvas وSageMaker Autopilot. تستمتع بالقهوة والبقاء نشيطة وقضاء الوقت مع عائلتها.

إندي ساوني هو أحد كبار قادة حلول العملاء في Amazon Web Services. يعمل إندي دائمًا على حل مشكلات العملاء بشكل عكسي، ويقدم المشورة للمديرين التنفيذيين لعملاء AWS من خلال رحلة التحول السحابي الفريدة الخاصة بهم. يتمتع بخبرة تزيد عن 25 عامًا في مساعدة مؤسسات المؤسسات على تبني التقنيات الناشئة وحلول الأعمال. إندي هو أحد المتخصصين في مجال العمق لدى مجتمع AWS التقني الميداني للذكاء الاصطناعي/تعلم الآلة، وهو متخصص في الذكاء الاصطناعي التوليدي وحلول Amazon SageMaker ذات التعليمات البرمجية المنخفضة/بدون تعليمات برمجية.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/