Bringen Sie Ihre eigene KI mit Amazon SageMaker mit Salesforce Data Cloud | Amazon Web Services

Dieser Beitrag wurde von Daryl Martis, Director of Product, Salesforce Einstein AI, mitverfasst.

Wir freuen uns bekannt zu geben Amazon Sage Maker und Salesforce Data Cloud-Integration. Mit dieser Funktion können Unternehmen mit einem Zero-Copy-Ansatz mit SageMaker sicher auf ihre Salesforce-Daten zugreifen und SageMaker-Tools zum Erstellen, Trainieren und Bereitstellen von KI-Modellen verwenden. Die Inferenzendpunkte sind mit Data Cloud verbunden, um Vorhersagen in Echtzeit zu ermöglichen. Dadurch können Unternehmen die Markteinführungszeit verkürzen und gleichzeitig die Datenintegrität und -sicherheit wahren sowie die betriebliche Belastung durch die Übertragung von Daten von einem Standort an einen anderen reduzieren.

Einführung von Einstein Studio in der Data Cloud

Data Cloud ist eine Datenplattform, die Unternehmen von jedem Berührungspunkt aus Echtzeitaktualisierungen ihrer Kundendaten bietet. Mit Einstein Studio, einem Gateway zu KI-Tools auf der Datenplattform, können Administratoren und Datenwissenschaftler mühelos Modelle mit wenigen Klicks oder mithilfe von Code erstellen. Das Bring Your Own Model (BYOM)-Erlebnis von Einstein Studio bietet die Möglichkeit, benutzerdefinierte oder generative KI-Modelle von externen Plattformen wie SageMaker mit Data Cloud zu verbinden. Benutzerdefinierte Modelle können mithilfe von Daten aus der Salesforce Data Cloud trainiert werden, auf die über zugegriffen werden kann Amazon SageMaker Data Wrangler Verbinder. Unternehmen können auf ihre Vorhersagen reagieren, indem sie benutzerdefinierte Modelle nahtlos in Salesforce-Workflows integrieren, was zu verbesserter Effizienz, Entscheidungsfindung und personalisierten Erlebnissen führt.

Vorteile der SageMaker- und Data Cloud Einstein Studio-Integration

So kann die Verwendung von SageMaker mit Einstein Studio in Salesforce Data Cloud Unternehmen helfen:

• Es bietet die Möglichkeit, benutzerdefinierte und generative KI-Modelle für verschiedene Anwendungsfälle wie Lead-Konvertierung, Fallklassifizierung und Stimmungsanalyse mit Einstein Studio zu verbinden.
• Es eliminiert langwierige, kostspielige und fehleranfällige ETL-Jobs (Extrahieren, Transformieren und Laden). Der Zero-Copy-Ansatz für Daten reduziert den Aufwand für die Verwaltung von Datenkopien, senkt die Speicherkosten und verbessert die Effizienz.
• Es bietet Zugriff auf hochgradig kuratierte, harmonisierte Echtzeitdaten in Customer 360. Dies führt zu Expertenmodellen, die intelligentere Vorhersagen und Geschäftseinblicke liefern.
• Es vereinfacht die Nutzung von Ergebnissen aus Geschäftsprozessen und steigert den Wert ohne Latenz. Sie können beispielsweise automatisierte Workflows nutzen, die sich im Handumdrehen an neue Daten anpassen können.
• Es erleichtert die Operationalisierung von SageMaker-Modellen und -Schlussfolgerungen in Salesforce.

Im Folgenden finden Sie ein Beispiel für die Operationalisierung eines SageMaker-Modells mit Salesforce-Flow.

SageMaker-Integration

SageMaker ist ein vollständig verwalteter Dienst zum Vorbereiten von Daten sowie zum Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen (ML) für jeden Anwendungsfall mit vollständig verwalteter Infrastruktur, Tools und Workflows.

Um die Integration von SageMaker und Salesforce Data Cloud zu optimieren, führen wir zwei neue Funktionen in SageMaker ein:

• Der SageMaker Data Wrangler Salesforce Data Cloud-Connector – Mit dem neu eingeführten SageMaker Data Wrangler Salesforce Data Cloud-Connector können Administratoren Verbindungen zu Salesforce vorkonfigurieren, um Datenanalysten und Datenwissenschaftlern den schnellen Zugriff auf Salesforce-Daten in Echtzeit und die Erstellung von Funktionen für ML zu ermöglichen. Dadurch können Benutzer mithilfe von OAuth sicher auf Salesforce Data Cloud zugreifen. Mit den Low-Code-Funktionen zur visuellen Datenvorbereitung von Salesforce Data Wrangler können Sie Daten mithilfe der Leistungsfähigkeit von Spark interaktiv visualisieren, analysieren und transformieren, ohne Code schreiben zu müssen. Sie können mit SageMaker-Verarbeitungsjobs auch auf die Verarbeitung großer Datensätze skalieren und ML-Modi automatisch trainieren Amazon SageMaker-Autopilotund mit einer SageMaker-Inferenzpipeline integrieren, um denselben Datenfluss mit dem Inferenzendpunkt in der Produktion bereitzustellen, um Daten in Echtzeit oder im Batch für Inferenzen zu verarbeiten.

• Die SageMaker-Projektvorlage für Salesforce – Wir haben eine gestartet SageMaker-Projekte Vorlage für Salesforce, mit der Sie Endpunkte für traditionelle und große Sprachmodelle (LLMs) bereitstellen und SageMaker-Endpunkte automatisch als API verfügbar machen können. SageMaker Projects bietet eine unkomplizierte Möglichkeit, die Entwicklungsumgebung für Datenwissenschaftler und ML-Ingenieure einzurichten und zu standardisieren, um ML-Modelle auf SageMaker zu erstellen und bereitzustellen.

Partnerangebot

„Die Partnerschaft zwischen Salesforce und AWS Sagemaker wird es Kunden ermöglichen, die Leistungsfähigkeit der KI (sowohl generative als auch nicht generative Modelle) in ihren Salesforce-Datenquellen, -Workflows und -Anwendungen zu nutzen, um personalisierte Erfahrungen bereitzustellen und die Generierung, Zusammenfassung und Befragung neuer Inhalte zu ermöglichen -Antworttyp-Erfahrungen. Indem wir das Beste aus beiden Welten kombinieren, schaffen wir ein neues Paradigma für datengesteuerte Innovation und Kundenerfolg auf der Grundlage von KI.“

-Kaushal Kurapati, Salesforce Senior Vice President für Produkt, KI und Suche

Lösungsüberblick

Die BYOM-Integrationslösung bietet Kunden einen nativen Salesforce Data Cloud-Connector in SageMaker Data Wrangler. Mit dem SageMaker Data Wrangler-Connector können Sie sicher auf Salesforce Data Cloud-Objekte zugreifen. Sobald Benutzer authentifiziert sind, können sie über die interaktive visuelle Schnittstelle von SageMaker Data Wrangler Datenexplorations-, Vorbereitungs- und Feature-Engineering-Aufgaben durchführen, die für die Modellentwicklung und -inferenz erforderlich sind. Datenwissenschaftler können innerhalb arbeiten Amazon SageMaker-Studio Notebooks, um benutzerdefinierte Modelle zu entwickeln, die traditionell oder LLMs sein können, und sie für die Bereitstellung verfügbar zu machen, indem das Modell in der SageMaker-Modellregistrierung registriert wird. Wenn ein Modell für die Produktion in der Registrierung genehmigt wird, automatisiert SageMaker Projects die Bereitstellung einer Aufruf-API, die als Ziel in Salesforce Einstein Studio konfiguriert und in Salesforce Customer 360-Anwendungen integriert werden kann. Das folgende Diagramm veranschaulicht diese Architektur

Zusammenfassung

In diesem Beitrag haben wir die BYOM-Integration von SageMaker und Salesforce Einstein Studio vorgestellt, mit der Sie Daten in Salesforce Data Cloud verwenden können, um traditionelle und LLMs in SageMaker zu erstellen und zu trainieren. Sie können SageMaker Data Wrangler verwenden, um Daten aus der Salesforce Data Cloud ohne Kopie vorzubereiten. Wir haben außerdem eine automatisierte Lösung zur Bereitstellung der SageMaker-Endpunkte als API mithilfe einer SageMaker-Projektvorlage für Salesforce bereitgestellt.

AWS und Salesforce freuen sich über die Zusammenarbeit, um unseren gemeinsamen Kunden diese Erfahrung zu bieten und sie dabei zu unterstützen, Geschäftsprozesse mithilfe der Leistungsfähigkeit von ML und künstlicher Intelligenz voranzutreiben.

Weitere Informationen zur Salesforce BYOM-Integration finden Sie unter Bringen Sie Ihre eigenen KI-Modelle mit Einstein Studio mit. Eine detaillierte Implementierung anhand eines Beispielanwendungsfalls für Produktempfehlungen finden Sie unter Nutzen Sie die Integration von Amazon SageMaker und Salesforce Data Cloud, um Ihre Salesforce-Apps mit KI/ML zu betreiben.

---

Über die Autoren

Daryl Martis ist Produktdirektor für Einstein Studio bei Salesforce Data Cloud. Er verfügt über mehr als 10 Jahre Erfahrung in der Planung, dem Aufbau, der Einführung und der Verwaltung erstklassiger Lösungen für Unternehmenskunden, einschließlich KI/ML- und Cloud-Lösungen. Zuvor war er in der Finanzdienstleistungsbranche in New York City tätig.

Rachna Chadha ist Principal Solutions Architect AI/ML in Strategic Accounts bei AWS. Rachna ist eine Optimistin, die glaubt, dass der ethische und verantwortungsvolle Einsatz von KI die Gesellschaft in Zukunft verbessern und wirtschaftlichen und sozialen Wohlstand bringen kann. In ihrer Freizeit verbringt Rachna gerne Zeit mit ihrer Familie, wandert und hört Musik.

Ife Stewart ist Principal Solutions Architect im strategischen ISV-Segment bei AWS. Sie war in den letzten zwei Jahren mit Salesforce Data Cloud beschäftigt, um beim Aufbau integrierter Kundenerlebnisse in Salesforce und AWS zu helfen. Ife verfügt über mehr als 2 Jahre Erfahrung in der Technologie. Sie setzt sich für Vielfalt und Inklusion im Technologiebereich ein.

Maninder (Mani) Kaur ist der AI/ML-Spezialist für strategische ISVs bei AWS. Mit ihrem kundenorientierten Ansatz hilft Mani strategischen Kunden dabei, ihre KI/ML-Strategie zu gestalten, Innovationen voranzutreiben und ihre KI/ML-Reise zu beschleunigen. Mani glaubt fest an ethische und verantwortungsvolle KI und ist bestrebt, sicherzustellen, dass die KI-Lösungen ihrer Kunden diesen Grundsätzen entsprechen.

• 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. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
• Quelle: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ai-using-amazon-sagemaker-with-salesforce-data-cloud/