Maschinelles Lernen (ML) hilft Unternehmen dabei, Einnahmen zu generieren, Kosten zu senken, Risiken zu mindern, die Effizienz zu steigern und die Qualität zu verbessern, indem Kerngeschäftsfunktionen in mehreren Geschäftsbereichen wie Marketing, Fertigung, Betrieb, Vertrieb, Finanzen und Kundenservice optimiert werden. Mit AWS ML können Unternehmen die Wertschöpfung von Monaten auf Tage beschleunigen. Amazon SageMaker-Leinwand ist ein visueller Point-and-Click-Dienst, der es Geschäftsanalysten ermöglicht, genaue ML-Vorhersagen zu erstellen, ohne eine einzige Codezeile zu schreiben oder ML-Expertise zu benötigen. Sie können Modelle verwenden, um interaktiv Vorhersagen zu treffen und für die Stapelbewertung von Massendatensätzen.
In diesem Beitrag stellen wir Architekturmuster vor, wie Geschäftsteams überall erstellte ML-Modelle nutzen können, indem sie Vorhersagen in Canvas generieren und effektive Geschäftsergebnisse erzielen.
Diese Integration von Modellentwicklung und -freigabe führt zu einer engeren Zusammenarbeit zwischen Geschäfts- und Datenwissenschaftsteams und verkürzt die Zeit bis zur Wertschöpfung. Geschäftsteams können vorhandene Modelle nutzen, die von ihren Datenwissenschaftlern oder anderen Abteilungen erstellt wurden, um ein Geschäftsproblem zu lösen, anstatt neue Modelle in externen Umgebungen neu zu erstellen.
Schließlich können Geschäftsanalysten mit nur wenigen Klicks gemeinsam genutzte Modelle in Canvas importieren und Vorhersagen generieren, bevor sie sie in der Produktion bereitstellen.
Lösungsüberblick
Die folgende Abbildung beschreibt drei verschiedene Architekturmuster, um zu veranschaulichen, wie Datenwissenschaftler Modelle mit Geschäftsanalysten teilen können, die dann direkt Vorhersagen aus diesen Modellen in der visuellen Oberfläche von Canvas generieren können:
Voraussetzungen:
Um Ihr Modell mit SageMaker zu trainieren und zu erstellen und es in Canvas zu integrieren, erfüllen Sie die folgenden Voraussetzungen:
- Wenn Sie noch keine SageMaker-Domäne und keinen Studio-Benutzer haben, Richten Sie einen Studio-Benutzer ein und integrieren Sie ihn in eine SageMaker-Domäne.
- Canvas aktivieren und einrichten Basisberechtigungen für Ihre Benutzer und Erteilen Sie Benutzern Berechtigungen zur Zusammenarbeit mit Studio.
- Sie müssen über ein trainiertes Modell von Autopilot, JumpStart oder der Modellregistrierung verfügen. Für jedes Modell, das Sie außerhalb von SageMaker erstellt haben, müssen Sie Ihr Modell in der Modellregistrierung registrieren, bevor Sie es in Canvas importieren.
Nehmen wir nun die Rolle eines Datenwissenschaftlers an, der ML-Modelle für jedes dieser drei Architekturmuster trainieren, erstellen, bereitstellen und mit einem Geschäftsanalysten teilen möchte.
Verwenden Sie Autopilot und Canvas
Autopilot automatisiert wichtige Aufgaben eines automatischen ML-Prozesses (AutoML), wie die Untersuchung von Daten, die Auswahl des relevanten Algorithmus für den Problemtyp und das anschließende Training und Optimieren. All dies kann erreicht werden, während Sie gleichzeitig die volle Kontrolle und Sichtbarkeit des Datensatzes behalten. Autopilot untersucht automatisch verschiedene Lösungen, um das beste Modell zu finden, und Benutzer können entweder das ML-Modell iterieren oder das Modell mit einem Klick direkt in der Produktion bereitstellen.
In diesem Beispiel verwenden wir eine synthetische Kundenabwanderung Datensatz aus dem Telekommunikationsbereich und haben die Aufgabe, Kunden zu identifizieren, bei denen das Risiko einer Abwanderung besteht. Führen Sie die folgenden Schritte aus, um mit Autopilot AutoML ein ML-Modell zu erstellen, zu trainieren, bereitzustellen und mit einem Geschäftsanalysten zu teilen:
- Laden Sie die Datensatz, laden Sie es auf einen Amazon S3 hoch (Amazon Simple Storage-Service)-Bucket und notieren Sie sich den S3-URI.
- Wählen Sie in der Studio-Konsole aus AutoML im Navigationsbereich.
- Auswählen Erstellen Sie ein AutoML-Experiment.
- Geben Sie den Namen des Experiments an (für diesen Beitrag
Telecom-Customer-Churn-AutoPilot
), S3-Dateneingabe- und Ausgabeort. - Legen Sie die Zielspalte auf „Abwanderung“ fest.
- In den Bereitstellungseinstellungen können Sie die Option zur automatischen Bereitstellung aktivieren, um einen Endpunkt zu erstellen, der Ihr bestes Modell bereitstellt und Rückschlüsse auf dem Endpunkt ausführt.
Weitere Informationen finden Sie unter Erstellen Sie ein Amazon SageMaker Autopilot-Experiment.
- Wählen Sie Ihr Experiment, dann Ihr bestes Modell und entscheiden Sie Modell teilen.
- Fügen Sie einen Canvas-Benutzer hinzu und wählen Sie Teilen um das Modell zu teilen.
(Note: Sie können das Modell nicht mit demselben Canvas-Benutzer teilen, der für die Studio-Anmeldung verwendet wurde. Beispielsweise kann Studio-Benutzer A kein Modell mit Canvas-Benutzer A teilen. Aber Benutzer A kann das Modell mit Benutzer B teilen und daher unterschiedliche Verwendungszwecke für die Modellfreigabe wählen.)
Weitere Informationen finden Sie unter Studio-Benutzer: Geben Sie ein Modell für SageMaker Canvas frei.
Verwenden Sie JumpStart und Canvas
JumpStart ist ein ML-Hub, der vorab trainierte Open-Source-Modelle für eine Vielzahl von ML-Anwendungsfällen wie Betrugserkennung, Kreditrisikovorhersage und Produktfehlererkennung bereitstellt. Sie können mehr als 300 vorab trainierte Modelle für Tabellen-, Bild-, Text- und Audiodaten bereitstellen.
Für diesen Beitrag verwenden wir ein vorab trainiertes LightGBM-Regressionsmodell von JumpStart. Wir trainieren das Modell anhand eines benutzerdefinierten Datensatzes und teilen das Modell mit einem Canvas-Benutzer (Geschäftsanalysten). Das vorab trainierte Modell kann zur Inferenz an einem Endpunkt bereitgestellt werden. JumpStart bietet ein Beispiel-Notebook für den Zugriff auf das Modell nach der Bereitstellung.
In diesem Beispiel verwenden wir die Abalone-Datensatz. Der Datensatz enthält Beispiele für acht physikalische Messungen wie Länge, Durchmesser und Höhe, um das Alter von Abalonen vorherzusagen (ein Regressionsproblem).
- Laden Sie die Abalone-Datensatz von Kaggle.
- Erstellen Sie einen S3-Bucket und laden Sie die Trainings-, Validierungs- und benutzerdefinierten Header-Datensätze hoch.
- Auf der Studio-Konsole unter SageMaker-JumpStart Wählen Sie im Navigationsbereich Modelle, Notizbücher, Lösungen.
- Der Tabellarische Modelle, wählen LightGBM-Regression.
- Der ZugmodellGeben Sie die S3-URIs für die Trainings-, Validierungs- und Spaltenkopfdatensätze an.
- Auswählen
Training.
- Wählen Sie im Navigationsbereich JumpStart-Assets eingeführt.
- Auf dem Ausbildungsjobs Wählen Sie auf der Registerkarte Ihren Ausbildungsberuf.
- Auf dem Teilen Menü, wählen Sie Auf Leinwand teilen.
- Wählen Sie die Canvas-Benutzer aus, mit denen Sie etwas teilen möchten, geben Sie die Modelldetails an und wählen Sie Teilen.
Weitere Informationen finden Sie unter Studio-Benutzer: Geben Sie ein Modell für SageMaker Canvas frei.
Verwenden Sie die SageMaker-Modellregistrierung und Canvas
Mit der SageMaker-Modellregistrierung können Sie Modelle für die Produktion katalogisieren, Modellversionen verwalten, Metadaten zuordnen, den Genehmigungsstatus eines Modells verwalten, Modelle für die Produktion bereitstellen und die Modellbereitstellung mit CI/CD automatisieren.
Nehmen wir die Rolle eines Datenwissenschaftlers an. In diesem Beispiel erstellen Sie ein End-to-End-ML-Projekt, das Datenvorbereitung, Modellschulung, Modellhosting, Modellregistrierung und Modellfreigabe mit einem Geschäftsanalysten umfasst. Optional können Sie für Datenvorbereitungs- und Vorverarbeitungs- oder Nachverarbeitungsschritte verwenden Amazon SageMaker Data Wrangler und ein Amazon SageMaker-Verarbeitungsjob. In diesem Beispiel verwenden wir den von LIBSVM heruntergeladenen Abalone-Datensatz. Die Zielvariable ist das Alter der Abalone.
- Klonen Sie in Studio die GitHub Repo.
- Führen Sie die in der README-Datei aufgeführten Schritte aus.
- Auf der Studio-Konsole unter Modelle Wählen Sie im Navigationsbereich Modellregistrierung.
- Wählen Sie das Modell
sklearn-reg-ablone
. - Geben Sie Modellversion 1 aus der Modellregistrierung an Canvas weiter.
- Wählen Sie die Canvas-Benutzer aus, mit denen Sie etwas teilen möchten, geben Sie die Modelldetails an und wählen Sie Teilen.
Anweisungen finden Sie im Modellregistrierung Abschnitt in Studio-Benutzer: Geben Sie ein Modell für SageMaker Canvas frei.
Gemeinsame Modelle verwalten
Nachdem Sie das Modell mit einer der oben genannten Methoden freigegeben haben, können Sie zum gehen Modelle Abschnitt in Studio und überprüfen Sie alle freigegebenen Modelle. Im folgenden Screenshot sehen wir drei verschiedene Modelle, die von einem Studio-Benutzer (Datenwissenschaftler) mit verschiedenen Canvas-Benutzern (Geschäftsteams) geteilt werden.
Importieren Sie ein freigegebenes Modell und treffen Sie Vorhersagen mit Canvas
Nehmen wir die Rolle eines Business-Analysten an und melden uns mit Ihrem Canvas-Benutzer bei Canvas an.
Wenn ein Datenwissenschaftler oder Studio-Benutzer ein Modell mit einem Canvas-Benutzer teilt, erhalten Sie in der Canvas-Anwendung eine Benachrichtigung, dass ein Studio-Benutzer ein Modell mit Ihnen geteilt hat. In der Canvas-Anwendung ähnelt die Benachrichtigung dem folgenden Screenshot.
Sie können wählen, Update anzeigen um das freigegebene Modell anzuzeigen, oder gehen Sie zu Modelle Seite in der Canvas-Anwendung, um alle Modelle zu entdecken, die mit Ihnen geteilt wurden. Der Modellimport aus Studio kann bis zu 20 Minuten dauern.
Nach dem Import des Modells können Sie dessen Metriken anzeigen und generieren Echtzeitvorhersagen mit Was-wäre-wenn-Analysen oder Batch-Vorhersagen.
Überlegungen
Beachten Sie Folgendes, wenn Sie Modelle mit Canvas teilen:
- Sie speichern Trainings- und Validierungsdatensätze in Amazon S3 und die S3-URIs werden mit an Canvas übergeben AWS Identity and Access Management and (IAM)-Berechtigungen.
- Geben Sie Canvas die Zielspalte an oder verwenden Sie die erste Spalte als Standard.
- Damit ein Canvas-Container Inferenzdaten analysieren kann, akzeptiert der Canvas-Endpunkt entweder Text (CSV) oder Anwendung (JSON).
- Canvas unterstützt nicht mehrere Container oder Inferenzpipelines.
- Canvas wird ein Datenschema bereitgestellt, wenn in den Trainings- und Validierungsdatensätzen keine Header bereitgestellt werden. Standardmäßig stellt die JumpStart-Plattform keine Header in den Trainings- und Validierungsdatensätzen bereit.
- Bei Jumpstart muss der Trainingsauftrag abgeschlossen sein, bevor Sie ihn mit Canvas teilen können.
Beziehen auf Einschränkungen und Fehlerbehebung um Ihnen bei der Behebung von Problemen zu helfen, die beim Teilen von Modellen auftreten.
Aufräumen
Um zukünftige Gebühren zu vermeiden, löschen oder schließen Sie die Ressourcen, die Sie beim Verfolgen dieses Beitrags erstellt haben. Beziehen auf Abmelden von Amazon SageMaker Canvas für mehr Details. Fahren Sie die einzelnen Ressourcen herunter, einschließlich Notebooks, Terminal, Kernel, Apps und Instanzen. Weitere Informationen finden Sie unter Ressourcen herunterfahren. Löschen Sie die Modellversion, SageMaker-Endpunkt und Ressourcen, Ressourcen für Autopilot-Experimente und S3-Eimer.
Zusammenfassung
Mit Studio können Datenwissenschaftler in wenigen einfachen Schritten ML-Modelle mit Geschäftsanalysten teilen. Geschäftsanalysten können von ML-Modellen profitieren, die bereits von Datenwissenschaftlern erstellt wurden, um Geschäftsprobleme zu lösen, anstatt ein neues Modell in Canvas zu erstellen. Aufgrund technischer Anforderungen und manueller Prozesse zum Importieren von Modellen kann es jedoch schwierig sein, diese Modelle außerhalb der Umgebungen zu verwenden, in denen sie erstellt wurden. Dies zwingt Benutzer häufig dazu, ML-Modelle neu zu erstellen, was zu Doppelarbeit und zusätzlichem Zeit- und Ressourcenaufwand führt. Canvas beseitigt diese Einschränkungen, sodass Sie in Canvas Vorhersagen mit Modellen generieren können, die Sie an einem beliebigen Ort trainiert haben. Mithilfe der drei in diesem Beitrag dargestellten Muster können Sie ML-Modelle in der SageMaker-Modellregistrierung, einem Metadatenspeicher für ML-Modelle, registrieren und sie in Canvas importieren. Anschließend können Geschäftsanalysten jedes Modell in Canvas analysieren und daraus Prognosen erstellen.
Weitere Informationen zur Nutzung der SageMaker-Dienste finden Sie in den folgenden Ressourcen:
Wenn Sie Fragen oder Anregungen haben, hinterlassen Sie einen Kommentar.
Über die Autoren
Aman Sharma ist Senior Solutions Architect bei AWS. Er arbeitet mit Start-ups, kleinen und mittleren Unternehmen sowie Unternehmenskunden in der gesamten APJ-Region zusammen und verfügt über mehr als 19 Jahre Erfahrung in der Beratung, Architektur und Lösungsentwicklung. Ihm liegt die Demokratisierung von KI und ML am Herzen und er unterstützt Kunden bei der Gestaltung ihrer Daten- und ML-Strategien. Außerhalb der Arbeit erkundet er gerne die Natur und die Tierwelt.
Zichen Nie ist Senior Software Engineer bei AWS SageMaker und leitet letztes Jahr das Projekt Bring Your Own Model to SageMaker Canvas. Sie arbeitet seit mehr als 7 Jahren bei Amazon und verfügt über Erfahrung sowohl in der Amazon Supply Chain Optimization als auch in AWS AI Services. Sie genießt Barre-Workouts und Musik nach der Arbeit.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoAiStream. Web3-Datenintelligenz. Wissen verstärkt. Hier zugreifen.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :hast
- :Ist
- $UP
- 1
- 100
- 20
- 7
- a
- Über Uns
- beschleunigen
- Akzeptiert
- Zugang
- genau
- Erreichen
- erreicht
- über
- Zusätzliche
- Nach der
- AI
- KI-Dienste
- Algorithmus
- Alle
- Zulassen
- erlaubt
- bereits
- Amazon
- Amazon Sage Maker
- Amazon SageMaker-Autopilot
- Amazon SageMaker-Leinwand
- an
- Analyse
- Analytiker
- Business Analysten
- analysieren
- und
- jedem
- von jedem Standort
- Anwendung
- Genehmigung
- Apps
- architektonisch
- Architektur
- SIND
- AS
- Partnerschaftsräte
- At
- Audio-
- Auto
- automatisieren
- Automatisches Erfassen:
- automatische
- Im Prinzip so, wie Sie es von Google Maps kennen.
- AutoML
- vermeiden
- AWS
- Base
- BE
- war
- Bevor
- Nutzen
- BESTE
- zwischen
- beide
- bringen
- bauen
- Building
- erbaut
- Geschäft
- Geschäftsfunktionen
- Unternehmen
- aber
- by
- CAN
- Leinwand
- Fälle
- Katalog
- Kette
- Gebühren
- aus der Ferne überprüfen
- Auswählen
- klicken Sie auf
- Code
- zusammenarbeiten
- Zusammenarbeit
- Kolonne
- Kommentar
- abschließen
- Konsul (Console)
- Consulting
- Container
- enthält
- Smartgeräte App
- Kernbereich
- Kosten
- erstellen
- erstellt
- schafft
- Erstellen
- Schaffung
- Kredit
- Original
- Kunde
- Kundenservice
- Kunden
- technische Daten
- Datenaufbereitung
- Datenwissenschaft
- Datenwissenschaftler
- Datensätze
- Tage
- Standard
- Demokratisierung
- zeigen
- Abteilungen
- einsetzen
- Einsatz
- Bereitstellen
- Einsatz
- setzt ein
- Entwerfen
- Details
- Entdeckung
- Entwicklung
- anders
- schwer
- Direkt
- entdeckt,
- Tut nicht
- Domain
- Nicht
- nach unten
- Antrieb
- zwei
- jeder
- Effektiv
- Wirkungsgrade
- Anstrengung
- entweder
- ermöglichen
- End-to-End
- Endpunkt
- Ingenieur
- Unternehmen
- Umgebungen
- Beispiel
- Beispiele
- vorhandenen
- ERFAHRUNGEN
- Experiment
- Expertise
- ERKUNDEN
- erforscht
- Möglichkeiten sondieren
- wenige
- Abbildung
- Reichen Sie das
- Finanzen
- Finden Sie
- Vorname
- Folgende
- Aussichten für
- Streitkräfte
- Betrug
- Betrugserkennung
- für
- voller
- Funktionen
- Zukunft
- erzeugen
- Erzeugung
- Go
- Haben
- he
- Überschriften
- Höhe
- Hilfe
- Unternehmen
- hilft
- daher
- Hosting
- Ultraschall
- aber
- HTML
- http
- HTTPS
- Nabe
- Identifizierung
- Identitätsschutz
- if
- importieren
- Einfuhr
- zu unterstützen,
- in
- Dazu gehören
- Einschließlich
- Krankengymnastik
- Information
- Varianten des Eingangssignals:
- beantragen müssen
- Anleitung
- Integration
- Schnittstelle
- in
- Probleme
- IT
- SEINE
- Job
- jpg
- JSON
- nur
- Wesentliche
- Nachname
- Letztes Jahr
- führenden
- LERNEN
- lernen
- Verlassen
- Länge
- Gefällt mir
- Gleichen
- Einschränkungen
- Line
- Gelistet
- Standorte
- Log
- login
- suchen
- halten
- um
- verwalten
- manuell
- Herstellung
- Marketing
- Messungen
- mittlere
- Metadaten
- Methoden
- Metrik
- könnte
- Geist / Bewusstsein
- Minuten
- Mildern
- ML
- Modell
- für
- Monat
- mehr
- mehrere
- Musik
- sollen
- Name
- Natur
- Menü
- Bedürfnisse
- Neu
- nicht
- Notizbuch
- Benachrichtigung
- of
- vorgenommen,
- on
- Onboard
- EINEM
- Open-Source-
- Einkauf & Prozesse
- Optimierung
- Optimierung
- Option
- or
- Organisationen
- Andere
- Ergebnisse
- Möglichkeiten für das Ausgangssignal:
- aussen
- besitzen
- Seite
- Brot
- Bestanden
- leidenschaftlich
- Muster
- Berechtigungen
- physikalisch
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- Post
- möglicherweise
- vorhersagen
- Prognose
- Prognosen
- Voraussetzungen
- Aufgabenstellung:
- Probleme
- Prozessdefinierung
- anpassen
- Verarbeitung
- Produkt
- Produktion
- Projekt
- die
- vorausgesetzt
- bietet
- Qualität
- Fragen
- Angebot
- erhalten
- Veteran
- Region
- Registrieren
- Registratur
- relevant
- Voraussetzungen:
- Downloads
- was zu
- Einnahmen
- Überprüfen
- Risiko
- Rollen
- sagemaker
- Vertrieb
- gleich
- Wissenschaft
- Wissenschaftler
- Wissenschaftler
- Wertung
- Abschnitt
- sehen
- Auswahl
- Senior
- Lösungen
- kompensieren
- Einstellungen
- Teilen
- von Locals geführtes
- Shares
- ,,teilen"
- sie
- Vitrine
- schließen
- ähnlich
- Einfacher
- Single
- klein
- So
- Software
- Software IngenieurIn
- Lösungen
- LÖSEN
- Start-ups
- Status
- Shritte
- Lagerung
- speichern
- Strategien
- Studio Adressen
- so
- liefern
- Supply Chain
- Optimierung der Lieferkette
- Support
- synthetisch
- Nehmen
- Target
- und Aufgaben
- Teams
- Technische
- Telekom
- Terminal
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- Sie
- dann
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- nach drei
- Fester
- Zeit
- zu
- Training
- trainiert
- Ausbildung
- tippe
- für
- Bereiche
- -
- benutzt
- Mitglied
- Nutzer
- Verwendung von
- Bestätigung
- Wert
- Wertschöpfung
- Version
- Anzeigen
- Sichtbarkeit
- Seh-
- we
- wann
- welche
- während
- WHO
- breit
- Große Auswahl
- mit
- .
- ohne
- Arbeiten
- arbeiten,
- Werk
- Schreiben
- Jahr
- Jahr
- Du
- Ihr
- Zephyrnet