Amazon SageMaker Studio er et webbaseret, integreret udviklingsmiljø (IDE) til maskinlæring (ML), der lader dig bygge, træne, fejlfinde, implementere og overvåge dine ML-modeller. SageMaker Studio giver alle de værktøjer, du har brug for til at tage dine modeller fra dataforberedelse til eksperimentering til produktion, mens du øger din produktivitet.
Amazon SageMaker lærred er et kraftfuldt ML-værktøj uden kode designet til forretnings- og datateams til at generere nøjagtige forudsigelser uden at skrive kode eller have omfattende ML-erfaring. Med sin intuitive visuelle grænseflade forenkler SageMaker Canvas processen med at indlæse, rense og transformere datasæt og bygge ML-modeller, hvilket gør det tilgængeligt for et bredere publikum.
Men efterhånden som dine ML-behov udvikler sig, eller hvis du har brug for mere avanceret tilpasning og kontrol, vil du måske skifte fra et kodefrit miljø til en kode-først tilgang. Det er her den sømløse integration mellem SageMaker Canvas og SageMaker Studio kommer i spil.
I dette indlæg præsenterer vi en løsning til følgende typer brugere:
- Ikke-ML-eksperter såsom forretningsanalytikere, dataingeniører eller udviklere, som er domæneeksperter og er interesserede i low-code no-code (LCNC) værktøjer til at vejlede dem i at forberede data til ML og opbygge ML-modeller. Denne persona er typisk kun en SageMaker Canvas-bruger og er ofte afhængig af ML-eksperter i deres organisation til at gennemgå og godkende deres arbejde.
- ML-eksperter, der er interesserede i, hvordan LCNC-værktøjer kan accelerere dele af ML-livscyklussen (såsom dataforberedelse), men som sandsynligvis også vil tage en high-code tilgang til visse dele af ML-livscyklussen (såsom modelbygning). Denne persona er typisk en SageMaker Studio-bruger, som måske også er en SageMaker Canvas-bruger. ML-eksperter spiller også ofte en rolle i forbindelse med gennemgang og godkendelse af ikke-ML-eksperters arbejde i forbindelse med produktionsbrug.
Nytten af løsningerne foreslået i dette indlæg er todelt. For det første, ved at demonstrere, hvordan du kan dele modeller på tværs af SageMaker Canvas og SageMaker Studio, kan ikke-ML- og ML-eksperter samarbejde på tværs af deres foretrukne miljøer, som kan være et kodefrit miljø (SageMaker Canvas) for ikke-eksperter og et højt kodet miljø. miljø (SageMaker Studio) for eksperter. For det andet, ved at demonstrere, hvordan man deler en model fra SageMaker Canvas til SageMaker Studio, viser vi, hvordan ML-eksperter, der ønsker at pivotere fra en LCNC-tilgang til udvikling til en højkodetilgang til produktion, kan gøre det på tværs af SageMaker-miljøer. Løsningen skitseret i dette indlæg er for brugere af det nye SageMaker Studio. For brugere af SageMaker Studio Classic, se Samarbejde med data scientists for, hvordan du problemfrit kan skifte mellem SageMaker Canvas og SageMaker Studio Classic.
Løsningsoversigt
For problemfri overgang mellem no-code og code-first ML med SageMaker Canvas og SageMaker Studio, har vi skitseret to muligheder. Du kan vælge muligheden baseret på dine krav. I nogle tilfælde kan du vælge at bruge begge muligheder parallelt.
- Mulighed 1: SageMaker Model Registry – En SageMaker Canvas-bruger registrerer deres model i Amazon SageMaker Model Registry, der påberåber sig en styrings-workflow for ML-eksperter til at gennemgå modeldetaljer og metrics, derefter godkende eller afvise det, hvorefter brugeren kan implementere den godkendte model fra SageMaker Canvas. Denne mulighed er en automatiseret delingsproces, der giver dig indbygget styring og godkendelsessporing. Du kan se modelmålingerne; der er dog begrænset synlighed på modelkoden og arkitekturen. Følgende diagram illustrerer arkitekturen.
- Mulighed 2: Notebook-eksport – I denne indstilling eksporterer SageMaker Canvas-brugeren hele notesbogen fra SageMaker Canvas til Amazon Simple Storage Service (Amazon S3), deler det derefter med ML-eksperter for at importere til SageMaker Studio, hvilket muliggør fuldstændig synlighed og tilpasning af modelkoden og logikken, før ML-eksperten implementerer den forbedrede model. I denne mulighed er der fuldstændig synlighed af modelkoden og arkitekturen med mulighed for ML-eksperten til at tilpasse og forbedre modellen i SageMaker Studio. Denne mulighed kræver dog en manuel eksport og import af model notebook til IDE. Følgende diagram illustrerer denne arkitektur.
Følgende faser beskriver trinene for samarbejde:
- Del – SageMaker Canvas-brugeren registrerer modellen fra SageMaker Canvas eller downloader notesbogen fra SageMaker Canvas
- anmeldelse – SageMaker Studio-brugeren får adgang til modellen gennem modelregistret for at gennemgå og køre den eksporterede notesbog gennem JupyterLab for at validere modellen
- Godkendelse – SageMaker Studio-brugeren godkender modellen fra modelregistret
- Implementer – SageMaker Studio-brugeren kan implementere modellen fra JupyterLab, eller SageMaker Canvas-brugeren kan implementere modellen fra SageMaker Canvas
Lad os se på de to muligheder (modelregistrering og eksport af notebooks) inden for hvert trin i detaljer.
Forudsætninger
Før du dykker ned i løsningen, skal du sørge for, at du har tilmeldt dig og oprettet en AWS-konto. Derefter skal du oprette en administrativ bruger og en gruppe. For instruktioner om begge trin henvises til Konfigurer Amazon SageMaker-forudsætninger. Du kan springe dette trin over, hvis du allerede har din egen version af SageMaker Studio kørende.
Gennemfør forudsætninger for opsætning af SageMaker Canvas , skabe modellen efter eget valg til dit brugstilfælde.
Del modellen
SageMaker Canvas-brugeren deler modellen med SageMaker Studio-brugeren ved enten at registrere den i SageMaker Model Registry, som udløser en styringsarbejdsgang, eller ved at downloade hele notesbogen fra SageMaker Canvas og give den til SageMaker Studio-brugeren.
SageMaker Model Registry
For at implementere ved hjælp af SageMaker Model Registry skal du udføre følgende trin:
- Når en model er oprettet i SageMaker Canvas, skal du vælge indstillingsmenuen (tre lodrette prikker) og vælge Føj til modelregistret.
- Indtast et navn til modelgruppen.
- Vælg Tilføj.
Du kan nu se, at modellen er registreret.
Du kan også se, at modellen afventer godkendelse.
SageMaker notebook eksport
Udfør følgende trin for at implementere ved hjælp af en SageMaker notesbog:
- Vælg i indstillingsmenuen Se notesbog.
- Vælg Kopiér S3 URI.
Du kan nu dele S3 URI'en med SageMaker Studio-brugeren.
Gennemgå modellen
SageMaker Studio-brugeren får adgang til den delte model gennem modelregistret for at gennemgå dens detaljer og målinger, eller de kan importere den eksporterede notesbog til SageMaker Studio og bruge Jupyter-notebooks til grundigt at validere modellens kode, logik og ydeevne.
SageMaker Model Registry
For at bruge modelregistret skal du udføre følgende trin:
- Vælg på SageMaker Studio-konsollen Modeller i navigationsruden.
- Vælg Registrerede modeller.
- Vælg din model.
Du kan gennemgå modeldetaljerne og se, at status er afventende.
Du kan også gennemgå de forskellige metrics for at kontrollere modellens ydeevne.
Du kan se modelmålingerne; der er dog begrænset synlighed på modelkoden og arkitekturen. Hvis du vil have fuldstændig synlighed af modelkoden og arkitekturen med mulighed for at tilpasse og forbedre modellen, skal du bruge notebook-eksportmuligheden.
SageMaker notebook eksport
For at bruge notebook-eksportmuligheden som SageMaker Studio-bruger skal du udføre følgende trin.
- Start SageMaker Studio og vælg jupyter lab under Applikationer.
- Åbn JupyterLab-rummet. Hvis du ikke har et JupyterLab-rum, kan du oprette et.
- Åbn en terminal og kør følgende kommando for at kopiere notesbogen fra Amazon S3 til SageMaker Studio (kontonummeret i følgende eksempel er ændret til
awsaccountnumber
): - Når notesbogen er downloadet, kan du åbne notesbogen og køre notesbogen for at evaluere yderligere.
Godkend modellen
Efter en omfattende gennemgang kan SageMaker Studio-brugeren træffe en informeret beslutning om enten at godkende eller afvise modellen i modelregistret baseret på deres vurdering af dens kvalitet, nøjagtighed og egnethed til den påtænkte anvendelse.
For brugere, der har registreret deres model via Canvas UI, skal du følge nedenstående trin for at godkende modellen. For brugere, der eksporterede modelnotebooken fra Canvas UI, kan du registrere og godkende modellen ved hjælp af SageMaker modelregistrering, men disse trin er ikke nødvendige.
SageMaker Model Registry
Som SageMaker Studio-bruger, når du er fortrolig med modellen, kan du opdatere statussen til godkendt. Godkendelse sker kun i SageMaker Model Registry. Udfør følgende trin:
- I SageMaker Studio skal du navigere til modellens version.
- Vælg i indstillingsmenuen Opdater status , godkendt.
- Indtast en valgfri kommentar og vælg Gem og opdater.
Nu kan du se, at modellen er godkendt.
Implementer modellen
Når modellen er klar til at blive implementeret (den har modtaget nødvendige anmeldelser og godkendelser), har brugerne to muligheder. For brugere, der tog modelregistreringsmetoden, kan de implementere fra enten SageMaker Studio eller fra SageMaker Canvas. For brugere, der tog modelnotebook-eksportmetoden, kan de implementere fra SageMaker Studio. Begge implementeringsmuligheder er beskrevet nedenfor.
Implementer via SageMaker Studio
SageMaker Studio-brugeren kan implementere modellen fra JupyterLab-rummet.
Når modellen er implementeret, kan du navigere til SageMaker-konsollen, vælg Endpoints under Inferens i navigationsruden, og se modellen.
Implementer via SageMaker Canvas
Alternativt, hvis implementeringen håndteres af SageMaker Canvas-brugeren, kan du implementere modellen fra SageMaker Canvas.
Når modellen er implementeret, kan du navigere til Endpoints side på SageMaker-konsollen for at se modellen.
Ryd op
Log ud af SageMaker Canvas for at undgå fremtidige sessionsgebyrer.
For at undgå løbende opkrævninger skal du slette SageMaker-slutpunkterne. Du kan slette slutpunkterne via SageMaker-konsollen eller fra SageMaker Studio-notesbogen ved at bruge følgende kommandoer:
Konklusion
Tidligere kunne du kun dele modeller med SageMaker Canvas (eller se delte SageMaker Canvas-modeller) i SageMaker Studio Classic. I dette indlæg viste vi, hvordan man deler modeller bygget i SageMaker Canvas med SageMaker Studio, så forskellige teams kan samarbejde, og du kan pivotere fra en kodefri til en implementeringssti med høj kode. Ved enten at bruge SageMaker Model Registry eller eksportere notebooks kan ML-eksperter og ikke-eksperter samarbejde, gennemgå og forbedre modeller på tværs af disse platforme, hvilket muliggør en jævn arbejdsgang fra dataforberedelse til produktionsimplementering.
For mere information om samarbejde om modeller, der bruger SageMaker Canvas, se Byg, del, implementer: hvordan forretningsanalytikere og dataforskere opnår hurtigere time-to-market ved hjælp af no-code ML og Amazon SageMaker Canvas.
Om forfatterne
Rajakumar Sampathkumar er en Principal Technical Account Manager hos AWS, der yder kundevejledning om justering af forretningsteknologi og understøtter genopfindelsen af deres cloud-driftsmodeller og -processer. Han brænder for cloud og machine learning. Raj er også maskinlæringsspecialist og arbejder med AWS-kunder for at designe, implementere og administrere deres AWS-arbejdsbelastninger og -arkitekturer.
Meenakshisundaram Thandavarayan arbejder for AWS som AI/ML Specialist. Han har en passion for at designe, skabe og fremme menneskecentrerede data- og analyseoplevelser. Meena fokuserer på at udvikle bæredygtige systemer, der leverer målbare, konkurrencemæssige fordele for strategiske kunder af AWS. Meena er en connector og designtænker og stræber efter at drive forretning til nye måder at arbejde på gennem innovation, inkubation og demokratisering.
Claire O'Brien Rajkumar er Sr. Product Manager på Amazon SageMaker-teamet med fokus på SageMaker Canvas, SageMaker-arbejdsområdet med lav kode uden kode til ML og generativ AI. SageMaker Canvas hjælper med at demokratisere ML og generativ AI ved at sænke barrierer for adoption for dem, der er nye til ML, og accelerere arbejdsgange for avancerede praktikere.
- 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/seamlessly-transition-between-no-code-and-code-first-machine-learning-with-amazon-sagemaker-canvas-and-amazon-sagemaker-studio/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 100
- 204
- 378
- 7
- 9
- a
- evne
- Om
- fremskynde
- accelererende
- tilgængelig
- Konto
- nøjagtighed
- præcis
- opnå
- tværs
- tilføje
- administrative
- Vedtagelse
- fremskreden
- fordele
- Efter
- AI
- tilpasning
- Alle
- allerede
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker lærred
- Amazon SageMaker Studio
- Amazon Web Services
- an
- Analytikere
- analytics
- ,
- tilgang
- godkendelse
- godkendelser
- Godkend
- godkendt
- arkitektur
- arkitekturer
- ER
- AS
- vurdering
- At
- publikum
- Automatiseret
- undgå
- AWS
- barrierer
- baseret
- BE
- før
- jf. nedenstående
- mellem
- fremme
- både
- bredere
- bygge
- Bygning
- bygget
- indbygget
- virksomhed
- men
- by
- CAN
- kandidat
- canvas
- tilfælde
- tilfælde
- vis
- ændret
- afgifter
- kontrollere
- valg
- Vælg
- Classic
- Cloud
- kode
- samarbejde
- samarbejde
- samarbejde
- kommer
- behagelig
- KOMMENTAR
- konkurrencedygtig
- fuldføre
- omfattende
- Konsol
- kontrol
- kopiere
- kunne
- skabe
- oprettet
- kunde
- Kunder
- tilpasning
- tilpasse
- data
- Dataforberedelse
- datasæt
- beslutte
- beslutning
- levere
- krav
- demokratisering
- demokratisere
- demonstrerer
- indsætte
- indsat
- implementering
- udruller
- beskrive
- Design
- konstrueret
- detail
- detaljeret
- detaljer
- udviklere
- udvikling
- Udvikling
- diagram
- forskellige
- dyk
- do
- domæne
- Dont
- downloadet
- downloading
- downloads
- køre
- hver
- enten
- muliggør
- Ingeniører
- forbedre
- forbedret
- Miljø
- miljøer
- evaluere
- udvikle sig
- eksempel
- erfaring
- Oplevelser
- ekspert
- eksperter
- eksport
- eksport
- eksport
- omfattende
- hurtigere
- fokuserede
- følger
- efter
- Til
- fra
- fuld
- yderligere
- fremtiden
- generere
- generative
- Generativ AI
- regeringsførelse
- gruppe
- vejledning
- vejlede
- sker
- Have
- have
- he
- hjælper
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- if
- illustrerer
- importere
- in
- INKUBATION
- oplysninger
- informeret
- Innovation
- anvisninger
- integreret
- integration
- beregnet
- interesseret
- grænseflade
- ind
- intuitiv
- IT
- ITS
- jpeg
- jpg
- lab
- læring
- Lets
- livscyklus
- Sandsynlig
- Limited
- lastning
- log
- logik
- Se
- Sænkning
- maskine
- machine learning
- lave
- Making
- administrere
- leder
- manuel
- Kan..
- Menu
- Metrics
- måske
- ML
- model
- modeller
- Overvåg
- mere
- navn
- Naviger
- Navigation
- nødvendig
- Behov
- behov
- Ny
- ikke-eksperter
- notesbog
- nu
- nummer
- of
- tit
- on
- ONE
- igangværende
- kun
- åbent
- drift
- Option
- Indstillinger
- or
- organisation
- ud
- skitseret
- egen
- brød
- Parallel
- dele
- lidenskab
- lidenskabelige
- sti
- verserende
- ydeevne
- faser
- Pivot
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- Vær venlig
- Indlæg
- vigtigste
- Forudsigelser
- Predictor
- foretrækkes
- forberedelse
- forberede
- præsentere
- Main
- behandle
- Processer
- Produkt
- produktchef
- produktion
- produktivitet
- fremme
- foreslog
- giver
- leverer
- kvalitet
- klar
- modtaget
- henvise
- register
- registreret
- registrering
- registre
- register
- afhængig
- kræver
- påkrævet
- Krav
- gennemgå
- gennemgå
- Anmeldelser
- roller
- Kør
- kører
- sagemaker
- SageMaker Inference
- forskere
- sømløs
- problemfrit
- se
- Tjenester
- Session
- indstilling
- Del
- delt
- Aktier
- deling
- Vis
- viste
- underskrevet
- Simpelt
- forenkler
- udjævne
- So
- løsninger
- Løsninger
- nogle
- Space
- specialist
- Status
- Trin
- Steps
- opbevaring
- Strategisk
- stræber
- Studio
- sådan
- egnethed
- Støtte
- sikker
- bæredygtig
- Systemer
- Tag
- hold
- hold
- Teknisk
- terminal
- at
- deres
- Them
- derefter
- Der.
- Disse
- de
- tænker
- denne
- grundigt
- dem
- tre
- Gennem
- til
- tog
- værktøj
- værktøjer
- Sporing
- Tog
- omdanne
- overgang
- forsøg
- to
- to gange
- typer
- typisk
- ui
- under
- Opdatering
- brug
- brug tilfælde
- Bruger
- brugere
- ved brug af
- nytte
- VALIDATE
- udgave
- lodret
- via
- Specifikation
- synlighed
- visuel
- ønsker
- måder
- we
- web
- webservices
- web-baseret
- hvornår
- som
- mens
- WHO
- med
- inden for
- uden
- Arbejde
- workflow
- arbejdsgange
- arbejder
- virker
- skrivning
- Du
- Din
- zephyrnet