Implemente modelos de aprendizaje automático integrados en Amazon SageMaker Canvas en puntos finales en tiempo real de Amazon SageMaker

Reeditado por Platón

seguidores: 0

Lienzo de Amazon SageMaker ahora admite la implementación de modelos de aprendizaje automático (ML) en puntos finales de inferencia en tiempo real, lo que le permite llevar sus modelos de ML a producción e impulsar acciones basadas en conocimientos basados en ML. SageMaker Canvas es un espacio de trabajo sin código que permite a los analistas y científicos de datos ciudadanos generar predicciones de aprendizaje automático precisas para sus necesidades comerciales.

Hasta ahora, SageMaker Canvas brindaba la capacidad de evaluar un modelo de ML, generar predicciones masivas y ejecutar análisis hipotéticos dentro de su espacio de trabajo interactivo. Pero ahora también puede implementar los modelos en los puntos finales de Amazon SageMaker para realizar inferencias en tiempo real, lo que facilita el consumo de predicciones de modelos e impulsar acciones fuera del espacio de trabajo de SageMaker Canvas. Tener la capacidad de implementar modelos de ML directamente desde SageMaker Canvas elimina la necesidad de exportar, configurar, probar e implementar manualmente modelos de ML en producción, lo que ahorra complejidad y tiempo. También hace que la puesta en funcionamiento de modelos de aprendizaje automático sea más accesible para las personas, sin la necesidad de escribir código.

En esta publicación, lo guiaremos a través del proceso para implementar un modelo en SageMaker Canvas a un punto final en tiempo real.

Resumen de la solución

Para nuestro caso de uso, asumimos el rol de un usuario comercial en el departamento de marketing de un operador de telefonía móvil y hemos creado con éxito un modelo de aprendizaje automático en SageMaker Canvas para identificar clientes con riesgo potencial de abandono. Gracias a las predicciones generadas por nuestro modelo, ahora queremos trasladarlo de nuestro entorno de desarrollo a producción. Para agilizar el proceso de implementación de nuestro punto final de modelo para inferencia, implementamos directamente modelos de ML desde SageMaker Canvas, eliminando así la necesidad de exportar, configurar, probar e implementar manualmente modelos de ML en producción. Esto ayuda a reducir la complejidad, ahorra tiempo y también hace que la puesta en funcionamiento de los modelos de aprendizaje automático sea más accesible para las personas, sin la necesidad de escribir código.

Los pasos del flujo de trabajo son los siguientes:

Cargue un nuevo conjunto de datos con la población de clientes actual en SageMaker Canvas. Para obtener la lista completa de fuentes de datos admitidas, consulte Importar datos en Canvas.
Cree modelos de ML y analice sus métricas de rendimiento. Para obtener instrucciones, consulte Construye un modelo personalizado y Evalúe el rendimiento de su modelo en Amazon SageMaker Canvas.
Implementar la versión del modelo aprobado como punto final para la inferencia en tiempo real.

Puede realizar estos pasos en SageMaker Canvas sin escribir una sola línea de código.

Requisitos previos

Para este tutorial, asegúrese de que se cumplan los siguientes requisitos previos:

Para implementar versiones de modelos en los puntos finales de SageMaker, el administrador de SageMaker Canvas debe otorgar los permisos necesarios al usuario de SageMaker Canvas, que puede administrar en el dominio de SageMaker que aloja su aplicación SageMaker Canvas. Para obtener más información, consulte Gestión de permisos en Canvas.
Implemente los requisitos previos mencionados en Prediga la rotación de clientes con aprendizaje automático sin código utilizando Amazon SageMaker Canvas.

Ahora debería tener tres versiones de modelo entrenadas en datos históricos de predicción de abandono en Canvas:

V1 capacitado con las 21 funciones y configuración de compilación rápida con una puntuación de modelo del 96.903 %
V2 capacitado con las 19 funciones (funciones de teléfono y estado eliminadas) y configuración de compilación rápida y precisión mejorada del 97.403 %
V3 entrenado con configuración de compilación estándar con una puntuación de modelo del 97.103 %

Implementar modelos de aprendizaje automático creados en Amazon SageMaker Canvas en puntos finales en tiempo real de Amazon SageMaker | Amazon Web Services PlatoBlockchain Inteligencia de datos. Búsqueda vertical. Ai.

Usar el modelo de predicción de abandono de clientes

permitir Mostrar métricas avanzadas en la página de detalles del modelo y revise las métricas objetivas asociadas con cada versión del modelo para que pueda seleccionar el modelo de mejor rendimiento para implementar en SageMaker como punto final.

Según las métricas de rendimiento, seleccionamos la versión 2 para implementar.

Configure los ajustes de implementación del modelo: nombre de implementación, tipo de instancia y recuento de instancias.

Como punto de partida, Canvas recomendará automáticamente el mejor tipo de instancia y la cantidad de instancias para la implementación de su modelo. Puede cambiarlo según las necesidades de su carga de trabajo.

Puede probar el punto final de inferencia de SageMaker implementado directamente desde SageMaker Canvas.

Puede cambiar los valores de entrada utilizando la interfaz de usuario de SageMaker Canvas para inferir predicciones de abandono adicionales.

Ahora vamos a navegar a Estudio Amazon SageMaker y consulte el punto final implementado.

Abra un cuaderno en SageMaker Studio y ejecute el siguiente código para inferir el punto final del modelo implementado. Reemplace el nombre del punto final del modelo con su propio nombre del punto final del modelo.

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)

El punto final de nuestro modelo original utiliza una instancia ml.m5.xlarge y un recuento de 1 instancia. Ahora, supongamos que espera que aumente la cantidad de usuarios finales que infieren el punto final de su modelo y desea aprovisionar más capacidad informática. Puede lograr esto directamente desde SageMaker Canvas eligiendo Actualizar configuración.

Limpiar

Para evitar incurrir en cargos futuros, elimine los recursos que creó mientras seguía esta publicación. Esto incluye cerrar sesión en SageMaker Canvas y eliminar el punto final de SageMaker implementado. SageMaker Canvas le factura por la duración de la sesión y le recomendamos cerrar sesión en SageMaker Canvas cuando no lo esté utilizando. Referirse a Cerrar sesión en Amazon SageMaker Canvas para más información.

Conclusión

En esta publicación, analizamos cómo SageMaker Canvas puede implementar modelos de ML en puntos finales de inferencia en tiempo real, lo que le permite llevar sus modelos de ML a producción e impulsar acciones basadas en conocimientos basados en ML. En nuestro ejemplo, mostramos cómo un analista puede crear rápidamente un modelo de aprendizaje automático predictivo de alta precisión sin escribir ningún código, implementarlo en SageMaker como un punto final y probar el punto final del modelo desde SageMaker Canvas, así como desde un cuaderno de SageMaker Studio.

Para comenzar su viaje de ML de código bajo/sin código, consulte Lienzo de Amazon SageMaker.

Un agradecimiento especial a todos los que contribuyeron al lanzamiento: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani y Alicia Qi.

Acerca de los autores

Janisha Anand es gerente senior de productos en el equipo de aprendizaje automático bajo/sin código de Amazon SageMaker, que incluye SageMaker Canvas y SageMaker Autopilot. Le gusta el café, mantenerse activa y pasar tiempo con su familia.

Indy Sawhney es líder senior de soluciones para clientes en Amazon Web Services. Siempre trabajando hacia atrás desde los problemas de los clientes, Indy asesora a los ejecutivos de clientes empresariales de AWS a lo largo de su viaje único de transformación de la nube. Tiene más de 25 años de experiencia ayudando a organizaciones empresariales a adoptar tecnologías y soluciones comerciales emergentes. Indy es un área de profundo especialista en la comunidad de campo técnico de AWS para AI/ML, con especialización en AI generativa y soluciones de Amazon SageMaker con código bajo o sin código.