Implementer ML-modeller bygget i Amazon SageMaker Canvas til Amazon SageMaker-slutpunkter i realtid | Amazon Web Services

Amazon SageMaker lærred understøtter nu implementering af maskinlæringsmodeller (ML) til slutpunkter i realtid, hvilket giver dig mulighed for at tage dine ML-modeller til produktion og drive handling baseret på ML-drevet indsigt. SageMaker Canvas er et kodefrit arbejdsområde, der gør det muligt for analytikere og borgerdataforskere at generere nøjagtige ML-forudsigelser til deres forretningsbehov.

Indtil nu har SageMaker Canvas givet mulighed for at evaluere en ML-model, generere bulk-forudsigelser og køre what-if-analyser inden for sit interaktive arbejdsområde. Men nu kan du også implementere modellerne til Amazon SageMaker-slutpunkter til realtidsinferencing, hvilket gør det nemt at forbruge modelforudsigelser og drive handlinger uden for SageMaker Canvas-arbejdsområdet. At have muligheden for direkte at implementere ML-modeller fra SageMaker Canvas eliminerer behovet for manuelt at eksportere, konfigurere, teste og implementere ML-modeller i produktionen, hvilket sparer reduceret kompleksitet og sparer tid. Det gør også operationalisering af ML-modeller mere tilgængelige for enkeltpersoner uden behov for at skrive kode.

I dette indlæg guider vi dig gennem processen til implementere en model i SageMaker Canvas til et slutpunkt i realtid.

Oversigt over løsning

Til vores use case påtager vi os rollen som en erhvervsbruger i marketingafdelingen hos en mobiltelefonoperatør, og vi har med succes skabt en ML-model i SageMaker Canvas for at identificere kunder med den potentielle risiko for churn. Takket være forudsigelserne genereret af vores model, ønsker vi nu at flytte dette fra vores udviklingsmiljø til produktion. For at strømline processen med at implementere vores modelslutpunkt til inferens, implementerer vi direkte ML-modeller fra SageMaker Canvas og eliminerer derved behovet for manuelt at eksportere, konfigurere, teste og implementere ML-modeller i produktion. Dette hjælper med at reducere kompleksiteten, sparer tid og gør også operationalisering af ML-modeller mere tilgængelige for enkeltpersoner uden behov for at skrive kode.

Workflow-trinene er som følger:

1. Upload et nyt datasæt med den aktuelle kundepopulation til SageMaker Canvas. Se den fulde liste over understøttede datakilder Importer data til Canvas.
2. Byg ML-modeller og analyser deres præstationsmålinger. For instruktioner, se Byg en tilpasset model , Evaluer din models ydeevne i Amazon SageMaker Canvas.
3. Implementer den godkendte modelversion som et endepunkt for real-time inferencing.

Du kan udføre disse trin i SageMaker Canvas uden at skrive en enkelt linje kode.

Forudsætninger

For denne gennemgang skal du sørge for, at følgende forudsætninger er opfyldt:

1. For at implementere modelversioner til SageMaker-slutpunkter skal SageMaker Canvas-administratoren give de nødvendige tilladelser til SageMaker Canvas-brugeren, som du kan administrere i SageMaker-domænet, der er vært for din SageMaker Canvas-applikation. For mere information, se Administration af tilladelser i Canvas.
   
2. Implementer forudsætningerne nævnt i Forudsig kundeafgang med kodefri maskinlæring ved hjælp af Amazon SageMaker Canvas.

Du bør nu have tre modelversioner trænet på historiske churn-forudsigelsesdata i Canvas:

• V1 trænet med alle 21 funktioner og hurtig build-konfiguration med en modelscore på 96.903 %
• V2 trænet med alle 19 funktioner (fjernede telefon- og tilstandsfunktioner) og hurtig build-konfiguration og forbedret nøjagtighed på 97.403 %
• V3 trænet med standard build-konfiguration med 97.103 % modelscore

Brug modellen til forudsigelse af kundeafgang

Aktiver Vis avancerede metrics på siden med modeldetaljer, og gennemgå de objektive målinger, der er knyttet til hver modelversion, så du kan vælge den bedst ydende model til udrulning til SageMaker som et slutpunkt.

Baseret på præstationsmålingerne vælger vi version 2, der skal implementeres.

Konfigurer indstillingerne for modelimplementering – implementeringsnavn, instanstype og instansantal.

Som udgangspunkt vil Canvas automatisk anbefale den bedste instanstype og antallet af instanser til din modelimplementering. Du kan ændre det efter dine behov for arbejdsbelastning.

Du kan teste det implementerede SageMaker-slutpunkt direkte fra SageMaker Canvas.

Du kan ændre inputværdier ved hjælp af SageMaker Canvas-brugergrænsefladen for at udlede yderligere churn-forudsigelse.

Lad os nu navigere til Amazon SageMaker Studio og tjek det implementerede slutpunkt.

Åbn en notesbog i SageMaker Studio og kør følgende kode for at udlede det implementerede modelslutpunkt. Erstat modellens slutpunktnavn med dit eget modelslutpunktsnavn.

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)

Vores originale modelslutpunkt bruger en ml.m5.xlarge instans og 1 instanstælling. Lad os nu antage, at du forventer, at antallet af slutbrugere, der konkluderer dit modelslutpunkt, vil stige, og du ønsker at klargøre mere beregningskapacitet. Du kan opnå dette direkte fra SageMaker Canvas ved at vælge Opdater konfiguration.

Ryd op

Slet de ressourcer, du oprettede, mens du fulgte dette indlæg for at undgå at pådrage dig fremtidige gebyrer. Dette inkluderer at logge ud af SageMaker Canvas og sletning af det implementerede SageMaker-slutpunkt. SageMaker Canvas fakturerer dig for varigheden af ​​sessionen, og vi anbefaler, at du logger ud af SageMaker Canvas, når du ikke bruger det. Henvise til Logger ud af Amazon SageMaker Canvas for flere detaljer.

Konklusion

I dette indlæg diskuterede vi, hvordan SageMaker Canvas kan implementere ML-modeller til slutpunkter i realtid, så du kan tage dine ML-modeller til produktion og drive handling baseret på ML-drevet indsigt. I vores eksempel viste vi, hvordan en analytiker hurtigt kan bygge en meget præcis prædiktiv ML-model uden at skrive nogen kode, implementere den på SageMaker som et slutpunkt og teste modelslutpunktet fra SageMaker Canvas såvel som fra en SageMaker Studio-notesbog.

For at starte din lavkode/no-kode ML-rejse, se Amazon SageMaker lærred.

Særlig tak til alle, der har bidraget til lanceringen: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani og Alicia Qi.

Om forfatterne

Janisha Anand er en Senior Product Manager i Amazon SageMaker Low/No Code ML-teamet, som omfatter SageMaker Canvas og SageMaker Autopilot. Hun nyder kaffe, at holde sig aktiv og tilbringe tid med sin familie.

Indy Sawhney er en Senior Customer Solutions Leader med Amazon Web Services. Indy arbejder altid baglæns fra kundeproblemer og rådgiver AWS virksomhedskundeledere gennem deres unikke cloud-transformationsrejse. Han har over 25 års erfaring med at hjælpe virksomhedsorganisationer med at vedtage nye teknologier og forretningsløsninger. Indy er et område af dybdespecialist med AWS's Technical Field Community for AI/ML, med specialisering i generativ AI og lav-kode/no-code Amazon SageMaker-løsninger.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/