Amazon SageMaker-Studio ist eine webbasierte, integrierte Entwicklungsumgebung (IDE) für maschinelles Lernen (ML), mit der Sie Ihre ML-Modelle erstellen, trainieren, debuggen, bereitstellen und überwachen können. SageMaker Studio bietet alle Tools, die Sie benötigen, um Ihre Modelle von der Datenvorbereitung über Experimente bis hin zur Produktion zu übertragen und gleichzeitig Ihre Produktivität zu steigern.
Amazon SageMaker-Leinwand ist ein leistungsstarkes ML-Tool ohne Code, das für Geschäfts- und Datenteams entwickelt wurde, um genaue Vorhersagen zu generieren, ohne Code schreiben zu müssen oder über umfangreiche ML-Erfahrung zu verfügen. Mit seiner intuitiven visuellen Benutzeroberfläche vereinfacht SageMaker Canvas den Prozess des Ladens, Bereinigens und Transformierens von Datensätzen sowie das Erstellen von ML-Modellen und macht es einem breiteren Publikum zugänglich.
Wenn sich Ihre ML-Anforderungen jedoch weiterentwickeln oder Sie eine erweiterte Anpassung und Kontrolle benötigen, möchten Sie möglicherweise von einer No-Code-Umgebung zu einem Code-First-Ansatz übergehen. Hier kommt die nahtlose Integration zwischen SageMaker Canvas und SageMaker Studio ins Spiel.
In diesem Beitrag stellen wir eine Lösung für die folgenden Benutzertypen vor:
- Nicht-ML-Experten wie Geschäftsanalysten, Dateningenieure oder Entwickler, die Domänenexperten sind und an Low-Code-No-Code-Tools (LCNC) interessiert sind, die sie bei der Vorbereitung von Daten für ML und der Erstellung von ML-Modellen unterstützen. Bei dieser Person handelt es sich in der Regel nur um einen SageMaker Canvas-Benutzer, der häufig auf ML-Experten in seiner Organisation angewiesen ist, um seine Arbeit zu überprüfen und zu genehmigen.
- ML-Experten, die daran interessiert sind, wie LCNC-Tools Teile des ML-Lebenszyklus beschleunigen können (z. B. Datenvorbereitung), aber wahrscheinlich auch einen High-Code-Ansatz für bestimmte Teile des ML-Lebenszyklus (z. B. Modellerstellung) verfolgen. Bei dieser Persona handelt es sich in der Regel um einen SageMaker Studio-Benutzer, der möglicherweise auch ein SageMaker Canvas-Benutzer ist. ML-Experten spielen häufig auch eine Rolle bei der Überprüfung und Genehmigung der Arbeit von Nicht-ML-Experten für Anwendungsfälle in der Produktion.
Die in diesem Beitrag vorgeschlagenen Lösungen haben einen doppelten Nutzen. Erstens können Nicht-ML- und ML-Experten durch die Demonstration, wie Sie Modelle über SageMaker Canvas und SageMaker Studio hinweg teilen können, in ihren bevorzugten Umgebungen zusammenarbeiten, bei denen es sich möglicherweise um eine No-Code-Umgebung (SageMaker Canvas) für Nicht-Experten und eine High-Code-Umgebung handelt Umgebung (SageMaker Studio) für Experten. Zweitens zeigen wir durch die Demonstration, wie ein Modell von SageMaker Canvas mit SageMaker Studio geteilt werden kann, wie ML-Experten, die von einem LCNC-Ansatz für die Entwicklung zu einem High-Code-Ansatz für die Produktion wechseln möchten, dies in allen SageMaker-Umgebungen tun können. Die in diesem Beitrag beschriebene Lösung richtet sich an Benutzer des neuen SageMaker Studio. Für Benutzer von SageMaker Studio Classic siehe Arbeiten Sie mit Datenwissenschaftlern zusammen erfahren Sie, wie Sie nahtlos zwischen SageMaker Canvas und SageMaker Studio Classic wechseln können.
Lösungsüberblick
Für den nahtlosen Übergang zwischen No-Code- und Code-First-ML mit SageMaker Canvas und SageMaker Studio haben wir zwei Optionen skizziert. Sie können die Option entsprechend Ihren Anforderungen auswählen. In manchen Fällen kann es sinnvoll sein, beide Optionen parallel zu nutzen.
- Option 1: SageMaker-Modellregistrierung – Ein SageMaker Canvas-Benutzer registriert sein Modell im Amazon SageMaker-Modellregistrierung, wodurch ein Governance-Workflow für ML-Experten aufgerufen wird, um Modelldetails und -metriken zu überprüfen und sie dann zu genehmigen oder abzulehnen. Anschließend kann der Benutzer das genehmigte Modell aus SageMaker Canvas bereitstellen. Bei dieser Option handelt es sich um einen automatisierten Freigabeprozess, der Ihnen integrierte Governance und Genehmigungsverfolgung bietet. Sie können die Modellmetriken anzeigen; Der Modellcode und die Architektur sind jedoch nur begrenzt sichtbar. Das folgende Diagramm veranschaulicht die Architektur.
- Option 2: Notebook-Export – Bei dieser Option exportiert der SageMaker Canvas-Benutzer das vollständige Notizbuch von SageMaker Canvas nach Amazon Simple Storage-Service (Amazon S3) und gibt es dann an ML-Experten weiter, um es in SageMaker Studio zu importieren. Dies ermöglicht eine vollständige Sichtbarkeit und Anpassung des Modellcodes und der Logik, bevor der ML-Experte das erweiterte Modell bereitstellt. Bei dieser Option besteht eine vollständige Sichtbarkeit des Modellcodes und der Modellarchitektur mit der Möglichkeit für den ML-Experten, das Modell in SageMaker Studio anzupassen und zu verbessern. Diese Option erfordert jedoch einen manuellen Export und Import des Modell-Notebooks in die IDE. Das folgende Diagramm veranschaulicht diese Architektur.
Die folgenden Phasen beschreiben die Schritte für die Zusammenarbeit:
- Teilen – Der SageMaker Canvas-Benutzer registriert das Modell von SageMaker Canvas oder lädt das Notizbuch von SageMaker Canvas herunter
- Bewertung – Der SageMaker Studio-Benutzer greift über die Modellregistrierung auf das Modell zu, um das exportierte Notebook über JupyterLab zu überprüfen und auszuführen, um das Modell zu validieren
- Die Genehmigung – Der SageMaker Studio-Benutzer genehmigt das Modell aus der Modellregistrierung
- Deploy – Der SageMaker Studio-Benutzer kann das Modell über JupyterLab bereitstellen, oder der SageMaker Canvas-Benutzer kann das Modell über SageMaker Canvas bereitstellen
Schauen wir uns die beiden Optionen (Modellregistrierung und Notebook-Export) in jedem Schritt im Detail an.
Voraussetzungen:
Bevor Sie sich mit der Lösung befassen, stellen Sie sicher, dass Sie sich angemeldet und ein AWS-Konto erstellt haben. Anschließend müssen Sie einen Administratorbenutzer und eine Gruppe erstellen. Anweisungen zu beiden Schritten finden Sie unter Einrichten von Amazon SageMaker-Voraussetzungen. Sie können diesen Schritt überspringen, wenn Sie bereits Ihre eigene Version von SageMaker Studio ausführen.
Füllen Sie das Voraussetzungen für die Einrichtung von SageMaker Canvas und Erstellen Sie das Modell Ihrer Wahl für Ihren Anwendungsfall.
Teilen Sie das Modell
Der SageMaker Canvas-Benutzer teilt das Modell mit dem SageMaker Studio-Benutzer, indem er es entweder in der SageMaker Model Registry registriert, was einen Governance-Workflow auslöst, oder indem er das vollständige Notebook von SageMaker Canvas herunterlädt und es dem SageMaker Studio-Benutzer bereitstellt.
SageMaker-Modellregistrierung
Führen Sie zur Bereitstellung mithilfe der SageMaker Model Registry die folgenden Schritte aus:
- Nachdem ein Modell in SageMaker Canvas erstellt wurde, wählen Sie das Optionsmenü (drei vertikale Punkte) und wählen Sie Zur Modellregistrierung hinzufügen.
- Geben Sie einen Namen für die Modellgruppe ein.
- Auswählen
Speichern.
Sie können jetzt sehen, dass das Modell registriert ist.
Sie können auch sehen, dass das Modell zur Genehmigung aussteht.
Export von SageMaker-Notizbüchern
Um die Bereitstellung mithilfe eines SageMaker-Notebooks durchzuführen, führen Sie die folgenden Schritte aus:
- Wählen Sie im Optionsmenü aus Notizbuch anzeigen.
- Auswählen
S3-URI kopieren.
Sie können jetzt den S3-URI mit dem SageMaker Studio-Benutzer teilen.
Überprüfen Sie das Modell
Der SageMaker Studio-Benutzer greift über die Modellregistrierung auf das freigegebene Modell zu, um dessen Details und Metriken zu überprüfen, oder er kann das exportierte Notebook in SageMaker Studio importieren und Jupyter-Notebooks verwenden, um den Code, die Logik und die Leistung des Modells gründlich zu validieren.
SageMaker-Modellregistrierung
Führen Sie die folgenden Schritte aus, um die Modellregistrierung zu verwenden:
- Wählen Sie auf der SageMaker Studio-Konsole Modelle im Navigationsbereich.
- Auswählen Registrierte Modelle.
- Wählen Sie Ihr Modell.
Sie können die Modelldetails überprüfen und sehen, dass der Status „Ausstehend“ lautet.
Sie können auch die verschiedenen Metriken überprüfen, um die Modellleistung zu überprüfen.
Sie können die Modellmetriken anzeigen; Der Modellcode und die Architektur sind jedoch nur begrenzt sichtbar. Wenn Sie eine vollständige Sichtbarkeit des Modellcodes und der Modellarchitektur mit der Möglichkeit zur Anpassung und Verbesserung des Modells wünschen, verwenden Sie die Notebook-Exportoption.
Export von SageMaker-Notizbüchern
Um die Notebook-Exportoption als SageMaker Studio-Benutzer zu verwenden, führen Sie die folgenden Schritte aus.
- Starten Sie SageMaker Studio und wählen Sie Jupyter-Labor für Anwendungen.
- Öffnen Sie den JupyterLab-Bereich. Wenn Sie keinen JupyterLab-Bereich haben, können Sie einen erstellen.
- Öffnen Sie ein Terminal und führen Sie den folgenden Befehl aus, um das Notebook von Amazon S3 nach SageMaker Studio zu kopieren (die Kontonummer im folgenden Beispiel wird in geändert
awsaccountnumber
): - Nachdem das Notebook heruntergeladen wurde, können Sie es öffnen und zur weiteren Auswertung ausführen.
Genehmigen Sie das Modell
Nach einer umfassenden Prüfung kann der SageMaker Studio-Benutzer eine fundierte Entscheidung treffen, das Modell im Modellregister entweder zu genehmigen oder abzulehnen, basierend auf seiner Einschätzung seiner Qualität, Genauigkeit und Eignung für den beabsichtigten Anwendungsfall.
Benutzer, die ihr Modell über die Canvas-Benutzeroberfläche registriert haben, befolgen bitte die folgenden Schritte, um das Modell zu genehmigen. Benutzer, die das Modellnotizbuch über die Canvas-Benutzeroberfläche exportiert haben, können das Modell mithilfe der SageMaker-Modellregistrierung registrieren und genehmigen. Diese Schritte sind jedoch nicht erforderlich.
SageMaker-Modellregistrierung
Wenn Sie als SageMaker Studio-Benutzer mit dem Modell vertraut sind, können Sie den Status auf „Genehmigt“ aktualisieren. Die Genehmigung erfolgt nur in der SageMaker Model Registry. Führen Sie die folgenden Schritte aus:
- Navigieren Sie in SageMaker Studio zur Version des Modells.
- Wählen Sie im Optionsmenü aus Update Status und Genehmigt.
- Geben Sie optional einen Kommentar ein und wählen Sie Speichern und aktualisieren.
Jetzt können Sie sehen, dass das Modell genehmigt ist.
Stellen Sie das Modell bereit
Sobald das Modell einsatzbereit ist (es hat die erforderlichen Überprüfungen und Genehmigungen erhalten), haben Benutzer zwei Möglichkeiten. Benutzer, die den Modellregistrierungsansatz gewählt haben, können die Bereitstellung entweder über SageMaker Studio oder über SageMaker Canvas durchführen. Benutzer, die den Modell-Notebook-Exportansatz gewählt haben, können die Bereitstellung über SageMaker Studio durchführen. Beide Bereitstellungsoptionen werden im Folgenden detailliert beschrieben.
Bereitstellung über SageMaker Studio
Der SageMaker Studio-Benutzer kann das Modell aus dem JupyterLab-Bereich bereitstellen.
Nachdem das Modell bereitgestellt wurde, können Sie zur SageMaker-Konsole navigieren und auswählen Endpunkte für Inferenz im Navigationsbereich und zeigen Sie das Modell an.
Bereitstellung über SageMaker Canvas
Wenn die Bereitstellung vom SageMaker Canvas-Benutzer übernommen wird, können Sie das Modell alternativ auch über SageMaker Canvas bereitstellen.
Nachdem das Modell bereitgestellt wurde, können Sie zu navigieren Endpunkte Seite auf der SageMaker-Konsole, um das Modell anzuzeigen.
Aufräumen
Um zukünftige Sitzungsgebühren zu vermeiden, melden Sie sich von SageMaker Canvas ab.
Um laufende Kosten zu vermeiden, löschen Sie die SageMaker-Inferenzendpunkte. Sie können die Endpunkte über die SageMaker-Konsole oder aus dem SageMaker Studio-Notebook mit den folgenden Befehlen löschen:
Zusammenfassung
Bisher konnten Sie in SageMaker Studio Classic nur Modelle für SageMaker Canvas freigeben (oder freigegebene SageMaker Canvas-Modelle anzeigen). In diesem Beitrag haben wir gezeigt, wie Sie in SageMaker Canvas erstellte Modelle mit SageMaker Studio teilen, damit verschiedene Teams zusammenarbeiten können und Sie von einem No-Code-Bereitstellungspfad zu einem High-Code-Bereitstellungspfad wechseln können. Durch die Verwendung von SageMaker Model Registry oder den Export von Notebooks können ML-Experten und Nicht-Experten auf diesen Plattformen zusammenarbeiten, Modelle überprüfen und verbessern und so einen reibungslosen Arbeitsablauf von der Datenvorbereitung bis zur Produktionsbereitstellung ermöglichen.
Weitere Informationen zur Zusammenarbeit an Modellen mit SageMaker Canvas finden Sie unter Build, Share, Deploy: Wie Business-Analysten und Data Scientists mit No-Code-ML und Amazon SageMaker Canvas eine schnellere Markteinführung erreichen.
Über die Autoren
Rajakumar Sampathkumar ist Principal Technical Account Manager bei AWS, berät Kunden bei der Ausrichtung von Unternehmen und Technologien und unterstützt die Neuerfindung ihrer Cloud-Betriebsmodelle und -prozesse. Er interessiert sich leidenschaftlich für Cloud und maschinelles Lernen. Raj ist auch ein Spezialist für maschinelles Lernen und arbeitet mit AWS-Kunden zusammen, um ihre AWS-Workloads und -Architekturen zu entwerfen, bereitzustellen und zu verwalten.
Meenakshisundaram Thandavarayan arbeitet für AWS als KI/ML-Spezialist. Seine Leidenschaft ist es, menschenzentrierte Daten- und Analyseerlebnisse zu entwerfen, zu erstellen und zu fördern. Meena konzentriert sich auf die Entwicklung nachhaltiger Systeme, die messbare Wettbewerbsvorteile für strategische Kunden von AWS bieten. Meena ist eine Connector- und Design-Denkerin und strebt danach, Unternehmen durch Innovation, Inkubation und Demokratisierung zu neuen Arbeitsweisen zu bewegen.
Claire O'Brien Rajkumar ist Senior Product Manager im Amazon SageMaker-Team und konzentriert sich auf SageMaker Canvas, den Low-Code-No-Code-Arbeitsbereich von SageMaker für ML und generative KI. SageMaker Canvas trägt zur Demokratisierung von ML und generativer KI bei, indem es die Hürden für die Einführung für ML-Neulinge senkt und die Arbeitsabläufe für fortgeschrittene Praktiker beschleunigt.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: 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/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 100
- 204
- 378
- 7
- 9
- a
- Fähigkeit
- LiveBuzz
- beschleunigen
- beschleunigend
- zugänglich
- Konto
- Genauigkeit
- genau
- Erreichen
- über
- hinzufügen
- administrativ
- Adoption
- advanced
- Vorteilen
- Nach der
- AI
- Ausrichtung
- Alle
- bereits
- ebenfalls
- Amazon
- Amazon Sage Maker
- Amazon SageMaker-Leinwand
- Amazon SageMaker-Studio
- Amazon Web Services
- an
- Business Analysten
- Analytik
- und
- Ansatz
- Genehmigung
- Zulassungen
- genehmigen
- genehmigt
- Architektur
- Architekturen
- SIND
- AS
- Bewertung
- At
- Publikum
- Automatisiert
- vermeiden
- AWS
- Barrieren
- basierend
- BE
- Bevor
- unten
- zwischen
- Stärkung
- beide
- breiteres
- bauen
- Building
- erbaut
- eingebaut
- Geschäft
- aber
- by
- CAN
- Kandidat
- Leinwand
- Häuser
- Fälle
- sicher
- geändert
- Gebühren
- aus der Ferne überprüfen
- Wahl
- Auswählen
- klassisch
- Cloud
- Code
- zusammenarbeiten
- Zusammenarbeit
- Zusammenarbeit
- kommt
- komfortabel
- Kommentar
- wettbewerbsfähig
- abschließen
- umfassend
- Konsul (Console)
- Smartgeräte App
- Kopieren
- könnte
- erstellen
- erstellt
- Kunde
- Kunden
- Anpassung
- anpassen
- technische Daten
- Datenaufbereitung
- Datensätze
- entscheidet
- Entscheidung
- Übergeben
- Anforderungen
- Demokratisierung
- demokratisieren
- demonstrieren
- einsetzen
- Einsatz
- Einsatz
- setzt ein
- beschreiben
- Design
- entworfen
- Detail
- detailliert
- Details
- Entwickler
- Entwicklung
- Entwicklung
- Diagramm
- anders
- tauchen
- do
- Domain
- Nicht
- heruntergeladen
- Herunterladen
- Downloads
- Antrieb
- jeder
- entweder
- ermöglichen
- Ingenieure
- zu steigern,
- verbesserte
- Arbeitsumfeld
- Umgebungen
- bewerten
- entwickelt sich
- Beispiel
- ERFAHRUNGEN
- Erfahrungen
- Experte
- Experten
- exportieren
- Export
- Ausfuhr
- umfangreiche
- beschleunigt
- konzentriert
- folgen
- Folgende
- Aussichten für
- für
- voller
- weiter
- Zukunft
- erzeugen
- generativ
- Generative KI
- Governance
- Gruppe an
- die Vermittlung von Kompetenzen,
- Guide
- das passiert
- Haben
- mit
- he
- hilft
- Ultraschall
- Hilfe
- aber
- HTML
- http
- HTTPS
- if
- zeigt
- importieren
- in
- Inkubation
- Information
- informiert
- Innovation
- Anleitung
- integriert
- Integration
- beabsichtigt
- interessiert
- Schnittstelle
- in
- intuitiv
- IT
- SEINE
- jpeg
- jpg
- Labor
- lernen
- Lasst uns
- Lebenszyklus
- wahrscheinlich
- Limitiert
- Laden
- Log
- Logik
- aussehen
- Senkung
- Maschine
- Maschinelles Lernen
- um
- Making
- verwalten
- Manager
- manuell
- Kann..
- MENÜ
- Metrik
- könnte
- ML
- Modell
- für
- Überwachen
- mehr
- Name
- Navigieren
- Menü
- notwendig,
- Need
- Bedürfnisse
- Neu
- Nicht-Experten
- Notizbuch
- jetzt an
- Anzahl
- of
- vorgenommen,
- on
- EINEM
- laufend
- einzige
- XNUMXh geöffnet
- Betrieb
- Option
- Optionen
- or
- Organisation
- skizzierte
- besitzen
- Brot
- Parallel
- Teile
- Leidenschaft & KREATIVITÄT
- leidenschaftlich
- Weg
- schwebend
- Leistung
- Phasen
- Drehpunkt
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- Play
- Bitte
- Post
- größte treibende
- Prognosen
- Predictor
- bevorzugt
- Vorbereitung
- Vorbereitung
- Gegenwart
- Principal
- Prozessdefinierung
- anpassen
- Produkt
- Produkt-Manager
- Produktion
- PRODUKTIVITÄT
- fördern
- vorgeschlage
- bietet
- Bereitstellung
- Qualität
- bereit
- Received
- siehe
- Registrieren
- eingetragen
- Registrieren
- registriert
- Registratur
- verlässt sich
- erfordern
- falls angefordert
- Voraussetzungen:
- Überprüfen
- Überprüfung
- Bewertungen
- Rollen
- Führen Sie
- Laufen
- sagemaker
- SageMaker-Inferenz
- Wissenschaftler
- nahtlos
- nahtlos
- sehen
- Lösungen
- Sitzung
- Einstellung
- Teilen
- von Locals geführtes
- Shares
- ,,teilen"
- erklären
- zeigte
- unterzeichnet
- Einfacher
- Vereinfacht
- glätten
- So
- Lösung
- Lösungen
- einige
- Raumfahrt
- Spezialist
- Status
- Schritt
- Shritte
- Lagerung
- Strategisch
- strebt
- Studio Adressen
- so
- Eignung
- Unterstützung
- sicher
- nachhaltiger
- Systeme und Techniken
- Nehmen
- Team
- Teams
- Technische
- Terminal
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- dann
- Dort.
- Diese
- vom Nutzer definierten
- Denker
- fehlen uns die Worte.
- gründlich
- diejenigen
- nach drei
- Durch
- zu
- nahm
- Werkzeug
- Werkzeuge
- Tracking
- Training
- Transformieren
- Übergang
- Studien
- XNUMX
- zweifach
- Typen
- typisch
- ui
- für
- Aktualisierung
- -
- Anwendungsfall
- Mitglied
- Nutzer
- Verwendung von
- Nutzen
- BESTÄTIGEN
- Version
- vertikal
- Anzeigen
- Sichtbarkeit
- visuell
- wollen
- Wege
- we
- Netz
- Web-Services
- Webbasiert
- wann
- welche
- während
- WHO
- mit
- .
- ohne
- Arbeiten
- Arbeitsablauf.
- Workflows
- arbeiten,
- Werk
- Schreiben
- Du
- Ihr
- Zephyrnet