Du kan nu registrere maskinlæringsmodeller (ML) indbygget Amazon SageMaker lærred med et enkelt klik til Amazon SageMaker Model Registry, så du kan operationalisere ML-modeller i produktionen. Canvas er en visuel grænseflade, der gør det muligt for forretningsanalytikere at generere nøjagtige ML-forudsigelser på egen hånd – uden at kræve nogen ML-erfaring eller at skulle skrive en enkelt linje kode. Selvom det er et fantastisk sted for udvikling og eksperimentering, for at få værdi fra disse modeller, skal de operationaliseres – nemlig implementeres i et produktionsmiljø, hvor de kan bruges til at foretage forudsigelser eller beslutninger. Nu med integrationen med modelregistret kan du gemme alle modelartefakter, inklusive basislinjer for metadata og ydeevnemålinger, til et centralt lager og tilslutte dem til dine eksisterende modelimplementerings-CI/CD-processer.
Modelregistret er et lager, der katalogiserer ML-modeller, administrerer forskellige modelversioner, knytter metadata (såsom træningsmetrikker) til en model, administrerer godkendelsesstatus for en model og implementerer dem til produktion. Når du har oprettet en modelversion, vil du typisk evaluere dens ydeevne, før du implementerer den til et produktionsendepunkt. Hvis den opfylder dine krav, kan du opdatere godkendelsesstatussen for modelversionen til godkendt. Indstilling af status til godkendt kan starte CI/CD-implementering for modellen. Hvis modelversionen ikke opfylder dine krav, kan du opdatere godkendelsesstatussen til afvist i registreringsdatabasen, hvilket forhindrer modellen i at blive implementeret i et eskaleret miljø.
Et modelregister spiller en nøglerolle i modelimplementeringsprocessen, fordi det pakker alle modeloplysninger og muliggør automatisering af modelpromovering til produktionsmiljøer. Følgende er nogle måder, hvorpå et modelregister kan hjælpe med at operationalisere ML-modeller:
- Version kontrol – Et modelregister giver dig mulighed for at spore forskellige versioner af dine ML-modeller, hvilket er vigtigt, når du implementerer modeller i produktionen. Ved at holde styr på modelversioner kan du nemt vende tilbage til en tidligere version, hvis en ny version forårsager problemer.
- Samarbejde – Et modelregister muliggør samarbejde mellem datavidenskabsfolk, ingeniører og andre interessenter ved at tilbyde en central placering til lagring, deling og adgang til modeller. Dette kan hjælpe med at strømline implementeringsprocessen og sikre, at alle arbejder med den samme model.
- Governance – Et modelregister kan hjælpe med overholdelse og styring ved at give en revisionsbar historik over modelændringer og implementeringer.
Samlet set kan et modelregister hjælpe med at strømline processen med at implementere ML-modeller i produktionen ved at levere versionskontrol, samarbejde, overvågning og styring.
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 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. Men før vores model bliver implementeret til et produktionsendepunkt, skal den gennemgås og godkendes af et centralt MLOps-team. Dette team er ansvarligt for at administrere modelversioner, gennemgå alle tilknyttede metadata (såsom træningsmetrikker) med en model, administrere godkendelsesstatus for hver ML-model, implementere godkendte modeller til produktion og automatisere modelimplementering med CI/CD. For at strømline processen med at implementere vores model i produktionen, drager vi fordel af integrationen af Canvas med modelregistret og registrerer vores model til gennemgang af vores MLOps-team.
Workflow-trinene er som følger:
- Upload et nyt datasæt med den aktuelle kundepopulation til Canvas. Se den fulde liste over understøttede datakilder Importer data til Canvas.
- Byg ML-modeller og analyser deres præstationsmålinger. Se instruktionerne til bygge en brugerdefineret ML-model i Canvas , evaluere modellens ydeevne.
- Registrer de bedst ydende versioner til modelregistret for gennemgang og godkendelse.
- Implementer den godkendte modelversion til et produktionsendepunkt til realtidsinferencing.
Du kan udføre trin 1-3 i Canvas uden at skrive en enkelt linje kode.
Forudsætninger
For denne gennemgang skal du sørge for, at følgende forudsætninger er opfyldt:
- For at registrere modelversioner til modelregistret skal Canvas-administratoren give de nødvendige tilladelser til Canvas-brugeren, som du kan administrere i SageMaker-domænet, der hoster din Canvas-applikation. For mere information, se Amazon SageMaker Developer Guide. Når du giver dine Canvas-brugertilladelser, skal du vælge, om du vil tillade brugeren at registrere deres modelversioner på den samme AWS-konto.
- 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 97.03 % modelscore
Brug modellen til forudsigelse af kundeafgang
Aktiver Vis avancerede metrics og gennemgå de objektive målinger, der er knyttet til hver modelversion, så vi kan vælge den bedst ydende model til registrering i modelregistret.
Baseret på præstationsmålingerne vælger vi version 2, der skal registreres.
Modelregistret sporer alle de modelversioner, som du træner til at løse et bestemt problem i en modelgruppe. Når du træner en Canvas-model og registrerer den i modelregistret, føjes den til en modelgruppe som en ny modelversion.
På registreringstidspunktet oprettes der automatisk en modelgruppe i modelregistret. Du kan eventuelt omdøbe den til et navn efter eget valg eller bruge en eksisterende modelgruppe i modelregistret.
I dette eksempel bruger vi det autogenererede modelgruppenavn og vælger Tilføj.
Vores modelversion skulle nu være registreret i modelgruppen i modelregistret. Hvis vi skulle registrere en anden modelversion, ville den blive registreret i samme modelgruppe.
Status for modelversionen skulle have ændret sig fra Ikke registreret til Registreret.
Når vi holder markøren over status, kan vi gennemgå modelregistreringsoplysningerne, som inkluderer modelgruppenavnet, modelregistreringskonto-id og godkendelsesstatus. Lige efter registreringen ændres status til Afventer godkendelse, hvilket betyder, at denne model er registreret i modelregistret, men afventer gennemgang og godkendelse fra en dataforsker eller MLOps-teammedlem og kan kun implementeres til et slutpunkt, hvis det er godkendt.
Lad os nu navigere til Amazon SageMaker Studio og påtage sig rollen som et MLOps-teammedlem. Under Modeller i navigationsruden skal du vælge Modelregistrering for at åbne modelregistrets hjemmeside.
Vi kan se modellen group canvas-Churn-Prediction-Model
som Canvas automatisk oprettede til os.
Vælg modellen for at gennemgå alle de versioner, der er registreret i denne modelgruppe, og gennemgå derefter de tilsvarende modeldetaljer.
Hvis du åbner detaljerne for version 1, kan vi se, at Aktivitet fanen holder styr på alle begivenheder, der sker på modellen.
På Model kvalitet fanen, kan vi gennemgå modelmetrikken, præcisions-/genkaldelseskurver og forvirringsmatrixplot for at forstå modellens ydeevne.
På Forklarlighed fanen, kan vi gennemgå de funktioner, der påvirkede modellens ydeevne mest.
Efter at vi har gennemgået modelartefakterne, kan vi ændre godkendelsesstatus fra Verserende til godkendt.
Vi kan nu se den opdaterede aktivitet.
Canvas-erhvervsbrugeren vil nu kunne se, at den registrerede modelstatus er ændret fra Afventer godkendelse til godkendt.
Som MLOps-teammedlem, fordi vi har godkendt denne ML-model, lad os implementere den til et slutpunkt.
I Studio skal du navigere til modelregistrets hjemmeside og vælge canvas-Churn-Prediction-Model
modelgruppe. Vælg den version, der skal implementeres, og gå til Indstillinger fane.
Gennemse for at få modelpakken ARN-detaljer fra den valgte modelversion i modelregistret.
Åbn en notesbog i Studio, og kør følgende kode for at implementere modellen til et slutpunkt. Udskift modelpakken ARN med din egen modelpakke ARN.
Når slutpunktet er oprettet, kan du se det sporet som en hændelse på Aktivitet fanen i modelregistret.
Du kan dobbeltklikke på slutpunktets navn for at få dets detaljer.
Nu hvor vi har et slutpunkt, lad os påberåbe det for at få en konklusion i realtid. Erstat dit slutpunkts navn i følgende kodestykke:
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 Canvas og sletning af det implementerede SageMaker-slutpunkt. Canvas fakturerer dig for sessionens varighed, og vi anbefaler, at du logger ud af Canvas, når du ikke bruger det. Henvise til Logger ud af Amazon SageMaker Canvas for flere detaljer.
Konklusion
I dette indlæg diskuterede vi, hvordan Canvas kan hjælpe med at operationalisere ML-modeller til produktionsmiljøer uden at kræve ML-ekspertise. I vores eksempel viste vi, hvordan en analytiker hurtigt kan bygge en meget nøjagtig prædiktiv ML-model uden at skrive nogen kode og registrere den i modelregistret. MLOps-teamet kan derefter gennemgå den og enten afvise modellen eller godkende modellen og igangsætte downstream CI/CD-implementeringsprocessen.
For at starte din lavkode/no-kode ML-rejse, se Amazon SageMaker lærred.
Særlig tak til alle, der har bidraget til lanceringen:
Backend:
- Huayuan (Alice) Wu
- Krittaphat Pugdeethosapol
- Yanda Hu
- John He
- Esha Dutta
- Prashanth
Frontend:
- Kaiz købmand
- Ed Cheung
Om forfatterne
Janisha Anand er Senior Product Manager i SageMaker Low/No Code ML-teamet, som omfatter SageMaker Autopilot. Hun nyder kaffe, at holde sig aktiv og tilbringe tid med sin familie.
Krittaphat Pugdeethosapol er softwareudviklingsingeniør hos Amazon SageMaker og arbejder hovedsageligt med SageMaker low-code og no-code produkter.
Huayuan (Alice) Wu er softwareudviklingsingeniør hos Amazon SageMaker. Hun fokuserer på at bygge ML værktøjer og produkter til kunder. Uden for arbejdet nyder hun at være udendørs, yoga og vandreture.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoAiStream. Web3 Data Intelligence. Viden forstærket. Adgang her.
- Udmøntning af fremtiden med Adryenn Ashley. Adgang her.
- Køb og sælg aktier i PRE-IPO-virksomheder med PREIPO®. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :er
- :ikke
- :hvor
- ][s
- 1
- 100
- 15 %
- 420
- 7
- 8
- a
- I stand
- Adgang
- Konto
- nøjagtighed
- præcis
- aktiv
- aktivitet
- tilføjet
- admin
- fremskreden
- Fordel
- Efter
- Alle
- tillade
- tillader
- Skønt
- Amazon
- Amazon SageMaker
- Amazon SageMaker lærred
- blandt
- an
- analytiker
- Analytikere
- analysere
- ,
- En anden
- enhver
- Anvendelse
- godkendelse
- Godkend
- godkendt
- ER
- AS
- forbundet
- At
- kan revideres
- automatisk
- Automatisering
- Automation
- undgå
- AWS
- BE
- fordi
- før
- være
- BEDSTE
- Sedler
- krop
- bygge
- Bygning
- bygget
- virksomhed
- men
- by
- CAN
- canvas
- tilfælde
- kataloger
- årsager
- central
- centraliseret
- lave om
- ændret
- Ændringer
- afgifter
- valg
- Vælg
- klik
- kode
- Kaffe
- samarbejde
- Compliance
- Konfiguration
- forvirring
- bidrog
- kontrol
- Tilsvarende
- skabe
- oprettet
- Nuværende
- skik
- kunde
- Kunder
- data
- dataforsker
- dato tid
- afgørelser
- Afdeling
- indsætte
- indsat
- implementering
- implementering
- implementeringer
- udruller
- detaljer
- Udvikler
- Udvikling
- forskellige
- drøftet
- Er ikke
- domæne
- varighed
- hver
- nemt
- enten
- muliggør
- muliggør
- ende
- Endpoint
- ingeniør
- Ingeniører
- sikre
- Miljø
- miljøer
- væsentlig
- evaluere
- begivenhed
- begivenheder
- Hver
- alle
- eksempel
- eksisterende
- erfaring
- ekspertise
- familie
- Funktionalitet
- fokuserer
- efter
- følger
- Til
- fra
- fuld
- fremtiden
- generere
- genereret
- få
- Giv
- Go
- regeringsførelse
- tildeling
- stor
- gruppe
- Happening
- Have
- have
- hjælpe
- hende
- stærkt
- historisk
- historie
- Home
- værter
- hover
- Hvordan
- Men
- HTML
- HTTPS
- ID
- identificere
- if
- importere
- forbedret
- in
- omfatter
- omfatter
- Herunder
- påvirket
- oplysninger
- indlede
- anvisninger
- integration
- grænseflade
- ind
- spørgsmål
- IT
- ITS
- rejse
- jpg
- holde
- Nøgle
- lancere
- læring
- Line (linje)
- Liste
- placering
- logning
- maskine
- machine learning
- hovedsageligt
- lave
- administrere
- leder
- administrerer
- styring
- Marketing
- Matrix
- midler
- medlem
- nævnte
- Metadata
- Metrics
- ML
- MLOps
- Mobil
- mobiltelefon
- model
- modeller
- overvågning
- mere
- mest
- bevæge sig
- skal
- navn
- Naviger
- Navigation
- nødvendig
- Behov
- behov
- Ny
- ingen
- notesbog
- nu
- objektiv
- of
- on
- kun
- åbent
- operatør
- or
- OS
- Andet
- vores
- ud
- udendørs
- uden for
- i løbet af
- egen
- pakke
- pakker
- side
- pandaer
- brød
- særlig
- verserende
- Udfør
- ydeevne
- udfører
- udfører
- Tilladelser
- telefon
- Place
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- stik
- befolkning
- Indlæg
- potentiale
- forudsigelse
- Forudsigelser
- forudsætninger
- forhindrer
- tidligere
- Problem
- behandle
- Processer
- Produkt
- produktchef
- produktion
- Produkter
- forfremmelse
- leverer
- Hurtig
- hurtigt
- realtid
- anbefaler
- register
- registreret
- Registrering
- register
- fjernet
- erstatte
- Repository
- Krav
- Ressourcer
- svar
- ansvarlige
- tilbage
- gennemgå
- revideret
- gennemgå
- højre
- Risiko
- roller
- Kør
- sagemaker
- samme
- Videnskabsmand
- forskere
- score
- se
- valgt
- senior
- Session
- indstilling
- deling
- hun
- bør
- viste
- enkelt
- So
- Software
- softwareudvikling
- SOLVE
- nogle
- Kilder
- udgifterne
- interessenter
- standard
- starte
- Tilstand
- Status
- Steps
- butik
- lagring
- strømline
- Studio
- Succesfuld
- sådan
- Understøttet
- SYS
- Tag
- hold
- Tak
- at
- deres
- Them
- derefter
- Disse
- de
- denne
- tre
- tid
- til
- værktøjer
- spor
- Tog
- uddannet
- Kurser
- typisk
- under
- forstå
- Opdatering
- opdateret
- us
- brug
- brug tilfælde
- anvendte
- Bruger
- ved brug af
- værdi
- forskellige
- udgave
- går igennem
- ønsker
- måder
- we
- var
- hvornår
- hvorvidt
- som
- mens
- WHO
- vilje
- med
- inden for
- uden
- Arbejde
- arbejder
- virker
- ville
- skriver
- skrivning
- Ja
- Yoga
- Du
- Din
- zephyrnet