Αναπτύξτε μοντέλα ML ενσωματωμένα στον καμβά του Amazon SageMaker στο Amazon SageMaker Τελικά σημεία σε πραγματικό χρόνο

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Καμβάς Amazon SageMaker τώρα υποστηρίζει την ανάπτυξη μοντέλων μηχανικής εκμάθησης (ML) σε τελικά σημεία εξαγωγής συμπερασμάτων σε πραγματικό χρόνο, επιτρέποντάς σας να μεταφέρετε τα μοντέλα ML στην παραγωγή και να προωθήσετε ενέργειες με βάση πληροφορίες που υποστηρίζονται από ML. Το SageMaker Canvas είναι ένας χώρος εργασίας χωρίς κώδικα που επιτρέπει σε αναλυτές και επιστήμονες δεδομένων πολιτών να δημιουργούν ακριβείς προβλέψεις ML για τις επιχειρηματικές τους ανάγκες.

Μέχρι τώρα, το SageMaker Canvas παρείχε τη δυνατότητα αξιολόγησης ενός μοντέλου ML, δημιουργίας μαζικών προβλέψεων και εκτέλεσης αναλύσεων what-if στον διαδραστικό χώρο εργασίας του. Αλλά τώρα μπορείτε επίσης να αναπτύξετε τα μοντέλα στα τελικά σημεία του Amazon SageMaker για εξαγωγή συμπερασμάτων σε πραγματικό χρόνο, καθιστώντας εύκολη την κατανάλωση προβλέψεων μοντέλων και την προώθηση ενεργειών εκτός του χώρου εργασίας του SageMaker Canvas. Η δυνατότητα άμεσης ανάπτυξης μοντέλων ML από το SageMaker Canvas εξαλείφει την ανάγκη μη αυτόματης εξαγωγής, διαμόρφωσης, δοκιμής και ανάπτυξης μοντέλων ML στην παραγωγή, εξοικονομώντας έτσι την πολυπλοκότητα και εξοικονομώντας χρόνο. Επίσης, καθιστά τη λειτουργικότητα των μοντέλων ML πιο προσιτή σε άτομα, χωρίς την ανάγκη εγγραφής κώδικα.

Σε αυτήν την ανάρτηση, σας καθοδηγούμε στη διαδικασία αναπτύξτε ένα μοντέλο στο SageMaker Canvas σε ένα τελικό σημείο σε πραγματικό χρόνο.

Επισκόπηση της λύσης

Για την περίπτωση χρήσης μας, αναλαμβάνουμε το ρόλο ενός επιχειρησιακού χρήστη στο τμήμα μάρκετινγκ μιας εταιρείας κινητής τηλεφωνίας και δημιουργήσαμε με επιτυχία ένα μοντέλο ML στο SageMaker Canvas για τον εντοπισμό πελατών με τον πιθανό κίνδυνο απόρριψης. Χάρη στις προβλέψεις που δημιουργούνται από το μοντέλο μας, θέλουμε τώρα να το μεταφέρουμε από το αναπτυξιακό μας περιβάλλον στην παραγωγή. Για να απλοποιήσουμε τη διαδικασία ανάπτυξης του τελικού σημείου του μοντέλου μας για συμπέρασμα, αναπτύσσουμε απευθείας μοντέλα ML από το SageMaker Canvas, εξαλείφοντας έτσι την ανάγκη μη αυτόματης εξαγωγής, διαμόρφωσης, δοκιμής και ανάπτυξης μοντέλων ML στην παραγωγή. Αυτό βοηθά στη μείωση της πολυπλοκότητας, εξοικονομεί χρόνο και επίσης καθιστά τη λειτουργικότητα των μοντέλων ML πιο προσιτή σε άτομα, χωρίς την ανάγκη εγγραφής κώδικα.

Τα βήματα της ροής εργασιών είναι τα εξής:

Ανεβάστε ένα νέο σύνολο δεδομένων με τον τρέχοντα πληθυσμό πελατών στον καμβά SageMaker. Για την πλήρη λίστα των υποστηριζόμενων πηγών δεδομένων, ανατρέξτε στο Εισαγωγή δεδομένων στον Καμβά.
Δημιουργήστε μοντέλα ML και αναλύστε τις μετρήσεις απόδοσής τους. Για οδηγίες, ανατρέξτε στο Δημιουργήστε ένα προσαρμοσμένο μοντέλο και Αξιολογήστε την απόδοση του μοντέλου σας στον καμβά Amazon SageMaker.
Αναπτύξτε την εγκεκριμένη έκδοση μοντέλου ως τελικό σημείο για εξαγωγή συμπερασμάτων σε πραγματικό χρόνο.

Μπορείτε να εκτελέσετε αυτά τα βήματα στον καμβά SageMaker χωρίς να γράψετε ούτε μια γραμμή κώδικα.

Προϋποθέσεις

Για αυτήν την περιγραφή, βεβαιωθείτε ότι πληρούνται οι ακόλουθες προϋποθέσεις:

Για την ανάπτυξη εκδόσεων μοντέλων στα τελικά σημεία του SageMaker, ο διαχειριστής του SageMaker Canvas πρέπει να δώσει τα απαραίτητα δικαιώματα στον χρήστη του SageMaker Canvas, τα οποία μπορείτε να διαχειριστείτε στον τομέα SageMaker που φιλοξενεί την εφαρμογή SageMaker Canvas. Για περισσότερες πληροφορίες, ανατρέξτε στο Διαχείριση δικαιωμάτων στον καμβά.
Εφαρμόστε τις προϋποθέσεις που αναφέρονται στο Προβλέψτε την ανατροπή πελατών με μηχανική εκμάθηση χωρίς κώδικα χρησιμοποιώντας το Amazon SageMaker Canvas.

Θα πρέπει τώρα να έχετε τρεις εκδόσεις μοντέλων που έχουν εκπαιδευτεί σε δεδομένα ιστορικής πρόβλεψης εκτροπής στον Καμβά:

V1 εκπαιδευμένο με όλες τις 21 δυνατότητες και γρήγορη διαμόρφωση κατασκευής με βαθμολογία μοντέλου 96.903%
V2 εκπαιδευμένο με και τις 19 δυνατότητες (αφαιρούνται λειτουργίες τηλεφώνου και κατάστασης) και γρήγορη διαμόρφωση κατασκευής και βελτιωμένη ακρίβεια 97.403%
V3 εκπαιδευμένο με τυπική διαμόρφωση κατασκευής με βαθμολογία μοντέλου 97.103%.

Χρησιμοποιήστε το μοντέλο πρόβλεψης απόκλισης πελατών

Ενεργοποίηση Εμφάνιση σύνθετων μετρήσεων στη σελίδα λεπτομερειών μοντέλου και ελέγξτε τις αντικειμενικές μετρήσεις που σχετίζονται με κάθε έκδοση μοντέλου, ώστε να μπορείτε να επιλέξετε το μοντέλο με την καλύτερη απόδοση για ανάπτυξη στο SageMaker ως τελικό σημείο.

Με βάση τις μετρήσεις απόδοσης, επιλέγουμε την έκδοση 2 που θα αναπτυχθεί.

Διαμορφώστε τις ρυθμίσεις ανάπτυξης μοντέλου—όνομα ανάπτυξης, τύπος παρουσίας και πλήθος παρουσιών.

Ως σημείο εκκίνησης, το Canvas θα προτείνει αυτόματα τον καλύτερο τύπο παρουσίας και τον αριθμό των παρουσιών για την ανάπτυξη του μοντέλου σας. Μπορείτε να το αλλάξετε ανάλογα με τις ανάγκες του φόρτου εργασίας σας.

Μπορείτε να δοκιμάσετε το αναπτυγμένο τελικό σημείο συμπερασμάτων SageMaker απευθείας από τον καμβά SageMaker.

Μπορείτε να αλλάξετε τις τιμές εισόδου χρησιμοποιώντας τη διεπαφή χρήστη του SageMaker Canvas για να συναγάγετε πρόσθετη πρόβλεψη εκτροπής.

Τώρα ας πλοηγηθούμε σε Στούντιο Amazon SageMaker και ελέγξτε το αναπτυγμένο τελικό σημείο.

Ανοίξτε ένα σημειωματάριο στο SageMaker Studio και εκτελέστε τον ακόλουθο κώδικα για να συναγάγετε το τελικό σημείο του αναπτυγμένου μοντέλου. Αντικαταστήστε το όνομα τελικού σημείου μοντέλου με το δικό σας όνομα τερματικού μοντέλου.

import boto3, sys
import pandas as pd endpoint_name = "canvas-customer-churn-prediction-model"
sm_rt = boto3.Session().client('runtime.sagemaker') payload = [['PA',163,806,403-2562, 'no', 'yes', 300, 8.16, 3, 7.57,3.93,4,6.5,4.07,100,5.11,4.92,6,5.67,3]]
body = pd.DataFrame(payload).to_csv(header=False, index=False).encode("utf-8") response = sm_rt.invoke_endpoint(EndpointName=endpoint_name, Body=body, ContentType="text/csv",Accept="application/json") response = response['Body'].read().decode("utf-8")
print(response)

Το αρχικό τελικό σημείο του μοντέλου μας χρησιμοποιεί μια παρουσία ml.m5.xlarge και 1 πλήθος παρουσίας. Τώρα, ας υποθέσουμε ότι αναμένετε ότι ο αριθμός των τελικών χρηστών που συμπεραίνουν το τελικό σημείο του μοντέλου σας θα αυξηθεί και θέλετε να παρέχετε μεγαλύτερη υπολογιστική χωρητικότητα. Μπορείτε να το πραγματοποιήσετε απευθείας από το SageMaker Canvas επιλέγοντας Ενημέρωση διαμόρφωσης.

Αναπτύξτε μοντέλα ML που είναι ενσωματωμένα στον καμβά Amazon SageMaker στα τελικά σημεία του Amazon SageMaker σε πραγματικό χρόνο | Υπηρεσίες Ιστού Amazon PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται. Αναπτύξτε μοντέλα ML που είναι ενσωματωμένα στον καμβά Amazon SageMaker στα τελικά σημεία του Amazon SageMaker σε πραγματικό χρόνο | Υπηρεσίες Ιστού Amazon PlatoBlockchain Data Intelligence. Κάθετη αναζήτηση. Ολα συμπεριλαμβάνονται.

εκκαθάριση

Για να αποφύγετε μελλοντικές χρεώσεις, διαγράψτε τους πόρους που δημιουργήσατε κατά την παρακολούθηση αυτής της ανάρτησης. Αυτό περιλαμβάνει την αποσύνδεση από το SageMaker Canvas και διαγράφοντας το αναπτυγμένο τελικό σημείο του SageMaker. Το SageMaker Canvas σας χρεώνει για τη διάρκεια της συνεδρίας και σας προτείνουμε να αποσυνδεθείτε από το SageMaker Canvas όταν δεν το χρησιμοποιείτε. Αναφέρομαι σε Αποσύνδεση από το Amazon SageMaker Canvas Για περισσότερες πληροφορίες.

Συμπέρασμα

Σε αυτήν την ανάρτηση, συζητήσαμε πώς το SageMaker Canvas μπορεί να αναπτύξει μοντέλα ML σε τελικά σημεία εξαγωγής συμπερασμάτων σε πραγματικό χρόνο, επιτρέποντάς σας να μεταφέρετε τα μοντέλα ML στην παραγωγή και να προωθήσετε ενέργειες βάσει πληροφοριών που υποστηρίζονται από ML. Στο παράδειγμά μας, δείξαμε πώς ένας αναλυτής μπορεί να δημιουργήσει γρήγορα ένα μοντέλο πρόβλεψης ML υψηλής ακρίβειας χωρίς να γράψει κώδικα, να το αναπτύξει στο SageMaker ως τελικό σημείο και να δοκιμάσει το τελικό σημείο του μοντέλου από το SageMaker Canvas, καθώς και από ένα σημειωματάριο SageMaker Studio.

Για να ξεκινήσετε το ταξίδι σας σε ML χαμηλού κωδικού/χωρίς κώδικα, ανατρέξτε στο Καμβάς Amazon SageMaker.

Ιδιαίτερες ευχαριστίες σε όλους όσους συνέβαλαν στην κυκλοφορία: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani και Alicia Qi.

Σχετικά με τους Συγγραφείς

Janisha Anand είναι Ανώτερος Διευθυντής Προϊόντων στην ομάδα Amazon SageMaker Low/No Code ML, η οποία περιλαμβάνει το SageMaker Canvas και το SageMaker Autopilot. Απολαμβάνει τον καφέ, μένει δραστήρια και περνά χρόνο με την οικογένειά της.

Indy Sawhney είναι Senior Customer Solutions Leader με τις υπηρεσίες Web της Amazon. Δουλεύοντας πάντα προς τα πίσω από προβλήματα πελατών, η Indy συμβουλεύει τα στελέχη εταιρικών πελατών της AWS μέσω του μοναδικού τους ταξιδιού μετασχηματισμού στο cloud. Έχει πάνω από 25 χρόνια εμπειρίας βοηθώντας επιχειρηματικούς οργανισμούς να υιοθετήσουν αναδυόμενες τεχνολογίες και επιχειρηματικές λύσεις. Το Indy είναι ένας τομέας ειδικών σε βάθος με την Κοινότητα Τεχνικού Πεδίου της AWS για AI/ML, με εξειδίκευση σε γενετικές λύσεις AI και χαμηλού κώδικα/χωρίς κώδικα λύσεις Amazon SageMaker.