El aprendizaje automático (ML) ayuda a las organizaciones a generar ingresos, reducir costos, mitigar riesgos, impulsar la eficiencia y mejorar la calidad mediante la optimización de las funciones comerciales centrales en múltiples unidades comerciales, como marketing, fabricación, operaciones, ventas, finanzas y servicio al cliente. Con AWS ML, las organizaciones pueden acelerar la creación de valor de meses a días. Lienzo de Amazon SageMaker es un servicio visual de apuntar y hacer clic que permite a los analistas comerciales generar predicciones precisas de ML sin escribir una sola línea de código ni requerir experiencia en ML. Puede usar modelos para hacer predicciones de forma interactiva y para la puntuación por lotes en conjuntos de datos masivos.
En esta publicación, mostramos patrones arquitectónicos sobre cómo los equipos comerciales pueden usar modelos ML creados en cualquier lugar al generar predicciones en Canvas y lograr resultados comerciales efectivos.
Esta integración del desarrollo y uso compartido de modelos crea una colaboración más estrecha entre los equipos comerciales y de ciencia de datos y reduce el tiempo de generación de valor. Los equipos comerciales pueden usar modelos existentes creados por sus científicos de datos u otros departamentos para resolver un problema comercial en lugar de reconstruir nuevos modelos en entornos externos.
Finalmente, los analistas de negocios pueden importar modelos compartidos en Canvas y generar predicciones antes de implementarlos en producción con solo unos pocos clics.
Resumen de la solución
La siguiente figura describe tres patrones de arquitectura diferentes para demostrar cómo los científicos de datos pueden compartir modelos con analistas de negocios, quienes luego pueden generar predicciones directamente a partir de esos modelos en la interfaz visual de Canvas:
Requisitos previos
Para entrenar y construir su modelo con SageMaker y llevar su modelo a Canvas, complete los siguientes requisitos previos:
- Si aún no tiene un dominio de SageMaker y un usuario de Studio, configurar e incorporar un usuario de Studio a un dominio de SageMaker.
- Habilitar y configurar Canvas permisos base para sus usuarios y conceder a los usuarios permisos para colaborar con Studio.
- Debe tener un modelo entrenado de Autopilot, JumpStart o el registro de modelos. Para cualquier modelo que haya creado fuera de SageMaker, debe registrar su modelo en el registro de modelos antes de importarlo a Canvas.
Ahora asumamos el rol de un científico de datos que busca entrenar, construir, implementar y compartir modelos ML con un analista de negocios para cada uno de estos tres patrones arquitectónicos.
Usar piloto automático y Canvas
Autopilot automatiza tareas clave de un proceso de ML automático (AutoML), como explorar datos, seleccionar el algoritmo relevante para el tipo de problema y luego entrenarlo y ajustarlo. Todo esto se puede lograr mientras le permite mantener un control total y visibilidad en el conjunto de datos. Autopilot explora automáticamente diferentes soluciones para encontrar el mejor modelo, y los usuarios pueden iterar en el modelo ML o implementar directamente el modelo en producción con un solo clic.
En este ejemplo, utilizamos un modelo sintético de abandono de clientes. datos del dominio de las telecomunicaciones y tienen la tarea de identificar a los clientes que están potencialmente en riesgo de abandono. Complete los siguientes pasos para usar Autopilot AutoML para crear, entrenar, implementar y compartir un modelo de ML con un analista de negocios:
- Descargue nuestra datos, súbalo a un Amazon S3 (Servicio de almacenamiento simple de Amazon) depósito y tome nota del URI de S3.
- En la consola de Studio, elija AutoML en el panel de navegación.
- Elige Crear experimento de AutoML.
- Especifique el nombre del experimento (para esta publicación,
Telecom-Customer-Churn-AutoPilot
), entrada de datos S3 y ubicación de salida. - Establezca la columna de destino como abandono.
- En la configuración de implementación, puede habilitar la opción de implementación automática para crear un punto final que implemente su mejor modelo y ejecute la inferencia en el punto final.
Para obtener más información, consulte Cree un experimento de piloto automático de Amazon SageMaker.
- Elija su experimento, luego seleccione su mejor modelo y elija Compartir modelo.
- Agregue un usuario de Canvas y elija Compartir para compartir el modelo.
(Note: No puede compartir el modelo con el mismo usuario de Canvas que utilizó para iniciar sesión en Studio. Por ejemplo, el usuario A de Studio no puede compartir el modelo con el usuario A de Canvas. Pero el usuario A puede compartir el modelo con el usuario B, por lo tanto, elija diferentes usos para compartir el modelo)
Para obtener más información, consulte Usuarios de Studio: Comparta un modelo en SageMaker Canvas.
Usar JumpStart y Canvas
JumpStart es un centro de ML que proporciona modelos de código abierto previamente entrenados para una amplia gama de casos de uso de ML como detección de fraude, predicción de riesgo crediticio y detección de defectos de productos. Puede implementar más de 300 modelos previamente entrenados para datos tabulares, de visión, de texto y de audio.
Para esta publicación, usamos un modelo preentrenado de regresión LightGBM de JumpStart. Entrenamos el modelo en un conjunto de datos personalizado y compartimos el modelo con un usuario de Canvas (analista de negocios). El modelo preentrenado se puede implementar en un punto final para la inferencia. JumpStart proporciona un cuaderno de ejemplo para acceder al modelo después de implementarlo.
En este ejemplo, usamos el conjunto de datos de abulón. El conjunto de datos contiene ejemplos de ocho medidas físicas como la longitud, el diámetro y la altura para predecir la edad del abulón (un problema de regresión).
- Descargue nuestra conjunto de datos de abulón de Kaggle.
- Cree un depósito S3 y cargue los conjuntos de datos de tren, validación y encabezado personalizado.
- En la consola de Studio, en Inicio rápido de SageMaker en el panel de navegación, elija Maquetas, cuadernos, soluciones..
- under Modelos tabulares, escoger Regresión LightGBM.
- under Modelo de tren, especifique los URI de S3 para los conjuntos de datos de entrenamiento, validación y encabezado de columna.
- Elige Entrenar.
- En el panel de navegación, elija Activos de JumpStart lanzados.
- En Empleos de entrenamiento pestaña, elige tu trabajo de entrenamiento.
- En Compartir menú, seleccione Compartir en Canvas.
- Elija los usuarios de Canvas con los que compartir, especifique los detalles del modelo y elija Compartir.
Para obtener más información, consulte Usuarios de Studio: Comparta un modelo en SageMaker Canvas.
Utilice el registro de modelos de SageMaker y Canvas
Con el registro de modelos de SageMaker, puede catalogar modelos para producción, administrar versiones de modelos, asociar metadatos, administrar el estado de aprobación de un modelo, implementar modelos en producción y automatizar la implementación de modelos con CI/CD.
Asumamos el papel de un científico de datos. Para este ejemplo, está creando un proyecto de ML de un extremo a otro que incluye preparación de datos, entrenamiento de modelos, hospedaje de modelos, registro de modelos y uso compartido de modelos con un analista de negocios. Opcionalmente, para los pasos de preparación y preprocesamiento o posprocesamiento de datos, puede utilizar Wrangler de datos de Amazon SageMaker y una Trabajo de procesamiento de Amazon SageMaker. En este ejemplo, usamos el conjunto de datos de abulón descargado de LIBSVM. La variable objetivo es la edad del abulón.
- En Studio, clone el Repositorio GitHub.
- Complete los pasos enumerados en el archivo LÉAME.
- En la consola de Studio, en fexibles en el panel de navegación, elija registro modelo.
- Elige el modelo
sklearn-reg-ablone
. - Comparta la versión 1 del modelo desde el registro del modelo a Canvas.
- Elija los usuarios de Canvas con los que compartir, especifique los detalles del modelo y elija Compartir.
Para obtener instrucciones, consulte el Registro de modelos sección en Usuarios de Studio: Comparta un modelo en SageMaker Canvas.
Administrar modelos compartidos
Después de compartir el modelo usando cualquiera de los métodos anteriores, puede ir a la fexibles en Studio y revise todos los modelos compartidos. En la siguiente captura de pantalla, vemos 3 modelos diferentes compartidos por un usuario de Studio (científico de datos) con diferentes usuarios de Canvas (equipos comerciales).
Importe un modelo compartido y haga predicciones con Canvas
Asumamos el rol de analista de negocios e iniciemos sesión en Canvas con su usuario de Canvas.
Cuando un científico de datos o un usuario de Studio comparte un modelo con un usuario de Canvas, recibe una notificación dentro de la aplicación Canvas de que un usuario de Studio ha compartido un modelo con usted. En la aplicación Canvas, la notificación es similar a la siguiente captura de pantalla.
Tu puedes elegir Ver actualización para ver el modelo compartido, o puede ir a la fexibles en la aplicación Canvas para descubrir todos los modelos que se han compartido contigo. La importación del modelo desde Studio puede demorar hasta 20 minutos.
Después de importar el modelo, puede ver sus métricas y generar predicciones en tiempo real con análisis hipotéticos o predicciones por lotes.
Consideraciones
Tenga en cuenta lo siguiente cuando comparta modelos con Canvas:
- Almacena conjuntos de datos de capacitación y validación en Amazon S3, y los URI de S3 se pasan a Canvas con Gestión de identidades y accesos de AWS (IAM) permisos.
- Proporcione la columna de destino a Canvas o use la primera columna como predeterminada.
- Para que un contenedor de Canvas analice datos de inferencia, el extremo de Canvas acepta texto (CSV) o aplicación (JSON).
- Canvas no admite múltiples contenedores o canalizaciones de inferencia.
- Se proporciona un esquema de datos a Canvas si no se proporcionan encabezados en los conjuntos de datos de capacitación y validación. De manera predeterminada, la plataforma JumpStart no proporciona encabezados en los conjuntos de datos de capacitación y validación.
- Con Jumpstart, el trabajo de capacitación debe completarse antes de poder compartirlo con Canvas.
Consulte Limitaciones y solución de problemas para ayudarlo a solucionar cualquier problema que encuentre al compartir modelos.
Limpiar
Para evitar incurrir en cargos futuros, elimine o cierre los recursos que creó mientras seguía esta publicación. Referirse a Cerrar sesión en Amazon SageMaker Canvas para más detalles. Apague los recursos individuales, incluidos los portátiles, la terminal, los núcleos, las aplicaciones y las instancias. Para obtener más información, consulte Apagar recursos. Borrar el versión del modelo, Punto final y recursos de SageMaker, Recursos de experimentos de piloto automáticoy Cucharón S3.
Conclusión
Studio permite a los científicos de datos compartir modelos ML con analistas de negocios en unos pocos pasos simples. Los analistas comerciales pueden beneficiarse de los modelos ML ya creados por científicos de datos para resolver problemas comerciales en lugar de crear un nuevo modelo en Canvas. Sin embargo, puede resultar difícil utilizar estos modelos fuera de los entornos en los que se construyen debido a los requisitos técnicos y los procesos manuales para importar modelos. Esto a menudo obliga a los usuarios a reconstruir modelos ML, lo que resulta en la duplicación de esfuerzos y tiempo y recursos adicionales. Canvas elimina estas limitaciones para que pueda generar predicciones en Canvas con modelos que ha entrenado en cualquier lugar. Al usar los tres patrones ilustrados en esta publicación, puede registrar modelos ML en el registro de modelos de SageMaker, que es un almacén de metadatos para modelos ML, e importarlos a Canvas. Luego, los analistas comerciales pueden analizar y generar predicciones a partir de cualquier modelo en Canvas.
Para obtener más información sobre el uso de los servicios de SageMaker, consulte los siguientes recursos:
Si tienes dudas o sugerencias, deja un comentario.
Sobre los autores
Aman Sharma es arquitecto sénior de soluciones en AWS. Trabaja con nuevas empresas, pequeñas y medianas empresas y clientes empresariales en toda la región APJ, con más de 19 años de experiencia en consultoría, arquitectura y soluciones. Le apasiona democratizar la IA y el ML y ayudar a los clientes a diseñar sus estrategias de datos y ML. Fuera del trabajo, le gusta explorar la naturaleza y la vida salvaje.
Zichen Nie es el ingeniero de software sénior en AWS SageMaker que dirige el proyecto Traiga su propio modelo a SageMaker Canvas el año pasado. Lleva más de 7 años trabajando en Amazon y tiene experiencia tanto en la optimización de la cadena de suministro de Amazon como en los servicios de IA de AWS. Disfruta de los entrenamientos de Barre y de la música después del trabajo.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :posee
- :es
- $ UP
- 1
- 100
- 20
- 7
- a
- Nuestra Empresa
- acelerar
- Acepta
- de la máquina
- preciso
- Lograr
- alcanzado
- a través de
- Adicionales
- Después
- AI
- Servicios de IA
- algoritmo
- Todos
- Permitir
- permite
- ya haya utilizado
- Amazon
- Amazon SageMaker
- Piloto automático Amazon SageMaker
- Lienzo de Amazon SageMaker
- an
- análisis
- analista
- Analistas
- analizar
- y
- cualquier
- dondequiera
- Aplicación
- aprobación
- aplicaciones
- arquitectónico
- arquitectura
- somos
- AS
- Consejos
- At
- audio
- auto
- automatizado
- automatiza
- Automático
- automáticamente
- AutoML
- evitar
- AWS
- bases
- BE
- esto
- antes
- es el beneficio
- MEJOR
- entre
- ambas
- llevar
- build
- Construir la
- construido
- funciones de negocios
- negocios
- pero
- by
- PUEDEN
- lienzo
- cases
- catalogar
- cadena
- cargos
- comprobar
- Elige
- clic
- código
- colaboran
- colaboración
- Columna
- comentario
- completar
- Consola
- consultoría
- Envase
- contiene
- control
- Core
- Precio
- Para crear
- creado
- crea
- Creamos
- creación
- crédito
- personalizado
- cliente
- Servicio al Cliente
- Clientes
- datos
- Preparación de datos
- Ciencia de los datos
- científico de datos
- conjuntos de datos
- Días
- Predeterminado
- Democratizando
- demostrar
- departamentos
- desplegar
- desplegado
- Desplegando
- despliegue
- despliega
- diseño
- detalles
- Detección
- Desarrollo
- una experiencia diferente
- difícil
- directamente
- descrubrir
- No
- dominio
- No
- DE INSCRIPCIÓN
- el lado de la transmisión
- dos
- cada una
- Eficaz
- eficiencias
- esfuerzo
- ya sea
- habilitar
- de extremo a extremo
- Punto final
- ingeniero
- Empresa
- ambientes
- ejemplo
- ejemplos
- existente
- experience
- experimento
- Experiencia
- explorar
- explora
- Explorar
- pocos
- Figura
- Archive
- financiar
- Encuentre
- Nombre
- siguiendo
- Fuerzas
- fraude
- detección de fraude
- Desde
- ser completados
- funciones
- futuras
- generar
- la generación de
- Go
- Tienen
- he
- cabeceras
- altura
- ayuda
- ayudando
- ayuda
- por lo tanto
- hosting
- Cómo
- Sin embargo
- HTML
- http
- HTTPS
- Bujes
- identificar
- Identidad
- if
- importar
- importador
- mejorar
- in
- incluye
- Incluye
- INSTRUMENTO individual
- información
- Las opciones de entrada
- Instrucciones
- integración
- Interfaz
- dentro
- cuestiones
- IT
- SUS
- Trabajos
- jpg
- json
- solo
- Clave
- Apellidos
- El año pasado
- líder
- APRENDE:
- aprendizaje
- Abandonar
- Longitud Mínima
- como
- Me gusta
- limitaciones
- línea
- Listado
- Ubicación
- log
- Inicie sesión
- mirando
- mantener
- para lograr
- gestionan
- manual
- Fabricación
- Marketing
- medidas
- mediano
- metadatos
- métodos
- Métrica
- podría
- mente
- Min
- Mitigar las
- ML
- modelo
- modelos
- meses
- más,
- múltiples
- Música
- debe
- nombre
- Naturaleza
- Navegación
- Nuevo
- no
- cuaderno
- .
- of
- a menudo
- on
- A bordo
- ONE
- de código abierto
- Operaciones
- optimización
- optimizando
- Optión
- or
- para las fiestas.
- Otro
- salir
- resultados
- salida
- afuera
- EL DESARROLLADOR
- página
- cristal
- pasado
- apasionado
- .
- permisos
- los libros físicos
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Publicación
- la posibilidad
- predecir
- predicción
- Predicciones
- requisitos previos
- Problema
- problemas
- en costes
- tratamiento
- Producto
- Producción
- proyecto
- proporcionar
- previsto
- proporciona un
- calidad
- Preguntas
- distancia
- recepción
- reducir
- región
- registrarte
- registro
- Requisitos
- Recursos
- resultante
- ingresos
- una estrategia SEO para aparecer en las búsquedas de Google.
- Riesgo
- Función
- sabio
- ventas
- mismo
- Ciencia:
- Científico
- los científicos
- tanteo
- Sección
- ver
- seleccionar
- mayor
- de coches
- Servicios
- set
- ajustes
- Compartir
- compartido
- Acciones
- compartir
- ella
- mostrar
- cerrar
- similares
- sencillos
- soltero
- chica
- So
- Software
- Ingeniero de Software
- Soluciones
- RESOLVER
- la creación de empresas
- Estado
- pasos
- STORAGE
- tienda
- estrategias
- estudio
- tal
- suministro
- cadena de suministro
- Optimización de la cadena de suministro
- SOPORTE
- sintético
- ¡Prepárate!
- Target
- tareas
- equipos
- Técnico
- telecom
- terminal
- que
- esa
- La
- su
- Les
- luego
- Estas
- ellos
- así
- aquellos
- Tres
- más apretado
- equipo
- a
- Entrenar
- entrenado
- Formación
- tipo
- bajo
- unidades que
- utilizan el
- usado
- Usuario
- usuarios
- usando
- validación
- propuesta de
- creación de valor
- versión
- Ver
- la visibilidad
- visión
- we
- cuando
- que
- mientras
- QUIENES
- amplio
- Amplia gama
- dentro de
- sin
- Actividades:
- trabajando
- funciona
- la escritura
- año
- años
- Usted
- tú
- zephyrnet