یادگیری ماشینی (ML) به سازمانها کمک میکند تا با بهینهسازی عملکردهای اصلی کسبوکار در چندین واحد تجاری مانند بازاریابی، تولید، عملیات، فروش، مالی و خدمات مشتری درآمد ایجاد کنند، هزینهها را کاهش دهند، ریسک را کاهش دهند، کارایی را افزایش دهند و کیفیت را بهبود بخشند. با AWS ML، سازمان ها می توانند ارزش آفرینی را از ماه ها به روزها تسریع کنند. آمازون SageMaker Canvas یک سرویس بصری، نقطه و کلیک است که به تحلیلگران تجاری اجازه می دهد تا پیش بینی های دقیق ML را بدون نوشتن یک خط کد یا نیاز به تخصص ML ایجاد کنند. میتوانید از مدلها برای پیشبینیهای تعاملی و امتیازدهی دستهای در مجموعه دادههای انبوه استفاده کنید.
در این پست، الگوهای معماری را نشان میدهیم که چگونه تیمهای تجاری میتوانند از مدلهای ML ساخته شده در هر جایی با ایجاد پیشبینیها در Canvas استفاده کنند و به نتایج تجاری مؤثری دست یابند.
این ادغام توسعه و به اشتراک گذاری مدل، همکاری تنگاتنگ تری بین تیم های کسب و کار و علم داده ایجاد می کند و زمان ارزش گذاری را کاهش می دهد. تیم های تجاری می توانند از مدل های موجود ساخته شده توسط دانشمندان داده یا سایر بخش ها برای حل یک مشکل تجاری به جای بازسازی مدل های جدید در محیط های بیرونی استفاده کنند.
در نهایت، تحلیلگران کسبوکار میتوانند مدلهای به اشتراکگذاشتهشده را به Canvas وارد کنند و پیشبینیهایی را قبل از استقرار در تولید تنها با چند کلیک ایجاد کنند.
بررسی اجمالی راه حل
شکل زیر سه الگوی مختلف معماری را توضیح میدهد تا نشان دهد چگونه دانشمندان داده میتوانند مدلها را با تحلیلگران تجاری به اشتراک بگذارند، که سپس میتوانند مستقیماً پیشبینیهایی را از آن مدلها در رابط بصری Canvas ایجاد کنند:
پیش نیازها
برای آموزش و ساخت مدل خود با استفاده از SageMaker و آوردن مدل خود به Canvas، پیش نیازهای زیر را تکمیل کنید:
- اگر قبلاً دامنه SageMaker و کاربر Studio ندارید، یک کاربر استودیو را بر روی دامنه SageMaker تنظیم و سوار کنید.
- Canvas را فعال و تنظیم کنید مجوزهای پایه برای کاربران شما و به کاربران اجازه همکاری با Studio را بدهید.
- شما باید یک مدل آموزش دیده از Autopilot، JumpStart یا رجیستری مدل داشته باشید. برای هر مدلی که خارج از SageMaker ساخته اید، باید مدل خود را قبل از وارد کردن به Canvas در رجیستری مدل ثبت کنید.
حال بیایید نقش یک دانشمند داده را فرض کنیم که به دنبال آموزش، ساخت، استقرار و به اشتراک گذاری مدل های ML با یک تحلیلگر تجاری برای هر یک از این سه الگوی معماری است.
از Autopilot و Canvas استفاده کنید
Autopilot وظایف کلیدی یک فرآیند خودکار ML (AutoML) مانند کاوش داده ها، انتخاب الگوریتم مربوطه برای نوع مشکل و سپس آموزش و تنظیم آن را خودکار می کند. همه اینها را می توان در حالی به دست آورد که به شما امکان می دهد کنترل و دید کامل روی مجموعه داده را حفظ کنید. Autopilot به طور خودکار راهحلهای مختلف را برای یافتن بهترین مدل بررسی میکند و کاربران میتوانند مدل ML را تکرار کنند یا مستقیماً مدل را با یک کلیک به تولید بفرستند.
در این مثال، ما از یک ترکیب مصنوعی ریزش مشتری استفاده می کنیم مجموعه داده از دامنه مخابراتی هستند و وظیفه شناسایی مشتریانی را دارند که به طور بالقوه در معرض خطر سرگردانی هستند. مراحل زیر را برای استفاده از Autopilot AutoML برای ساخت، آموزش، استقرار و به اشتراک گذاری یک مدل ML با یک تحلیلگر تجاری انجام دهید:
- دانلود مجموعه داده، آن را در آمازون S3 آپلود کنید (سرویس ذخیره سازی ساده آمازون) سطل، و URI S3 را یادداشت کنید.
- در کنسول استودیو، را انتخاب کنید خودکار کردن در صفحه ناوبری
- را انتخاب کنید ایجاد آزمایش AutoML.
- نام آزمایش را مشخص کنید (برای این پست،
Telecom-Customer-Churn-AutoPilot
، ورودی داده S3 و محل خروجی. - ستون مورد نظر را به عنوان Churn تنظیم کنید.
- در تنظیمات استقرار، میتوانید گزینه استقرار خودکار را فعال کنید تا یک نقطه پایانی ایجاد کنید که بهترین مدل شما را مستقر میکند و استنتاج را روی نقطه پایانی اجرا میکند.
برای اطلاعات بیشتر به مراجعه کنید یک آزمایش Amazon SageMaker Autopilot ایجاد کنید.
- آزمایش خود را انتخاب کنید، سپس بهترین مدل خود را انتخاب کنید و انتخاب کنید مدل را به اشتراک بگذارید.
- یک کاربر Canvas اضافه کنید و انتخاب کنید اشتراک گذاری برای به اشتراک گذاشتن مدل
(توجه داشته باشید: نمی توانید مدل را با همان کاربر Canvas که برای ورود به استودیو استفاده می شود به اشتراک بگذارید. برای مثال، Studio user-A نمیتواند مدل را با Canvas User-A به اشتراک بگذارد. اما کاربر A میتواند مدل را با کاربر B به اشتراک بگذارد، بنابراین کاربردهای مختلفی را برای اشتراکگذاری مدل انتخاب میکند)
برای اطلاعات بیشتر به مراجعه کنید کاربران استودیو: یک مدل را با SageMaker Canvas به اشتراک بگذارید.
از JumpStart و Canvas استفاده کنید
JumpStart یک هاب ML است که مدل های از پیش آموزش دیده و منبع باز را برای طیف گسترده ای از موارد استفاده از ML مانند تشخیص تقلب، پیش بینی ریسک اعتباری و تشخیص نقص محصول ارائه می دهد. شما می توانید بیش از 300 مدل از پیش آموزش دیده را برای داده های جدولی، بینایی، متنی و صوتی مستقر کنید.
برای این پست، ما از یک مدل از پیش آموزش داده شده رگرسیون LightGBM از JumpStart استفاده می کنیم. ما مدل را بر روی یک مجموعه داده سفارشی آموزش می دهیم و مدل را با یک کاربر Canvas (تحلیلگر تجاری) به اشتراک می گذاریم. مدل از پیش آموزش داده شده را می توان برای استنتاج به نقطه پایانی مستقر کرد. JumpStart یک نوت بوک نمونه برای دسترسی به مدل پس از استقرار آن فراهم می کند.
در این مثال ، ما از مجموعه داده آبالون. مجموعه داده شامل نمونههایی از هشت اندازهگیری فیزیکی مانند طول، قطر و ارتفاع برای پیشبینی سن آبلون (یک مشکل رگرسیون) است.
- دانلود مجموعه داده آبالون از Kaggle
- یک سطل S3 ایجاد کنید و مجموعه داده های قطار، اعتبارسنجی و هدر سفارشی را آپلود کنید.
- در کنسول استودیو، در زیر SageMaker JumpStart در قسمت ناوبری، را انتخاب کنید مدل ها، نوت بوک ها، راه حل ها.
- تحت مدل های جدولی، انتخاب کنید رگرسیون LightGBM.
- تحت مدل قطار، URI های S3 را برای مجموعه داده های آموزش، اعتبار سنجی و سربرگ ستون مشخص کنید.
- را انتخاب کنید قطار.
- در صفحه پیمایش، را انتخاب کنید دارایی های JumpStart را راه اندازی کرد.
- بر مشاغل آموزشی برگه، شغل آموزشی خود را انتخاب کنید.
- بر اشتراک گذاری منو ، انتخاب کنید در بوم به اشتراک بگذارید.
- کاربران Canvas را برای اشتراک گذاری انتخاب کنید، جزئیات مدل را مشخص کنید و انتخاب کنید اشتراک گذاری.
برای اطلاعات بیشتر به مراجعه کنید کاربران استودیو: یک مدل را با SageMaker Canvas به اشتراک بگذارید.
از رجیستری مدل SageMaker و Canvas استفاده کنید
با رجیستری مدل SageMaker، میتوانید مدلها را برای تولید فهرستنویسی کنید، نسخههای مدل را مدیریت کنید، ابردادهها را مرتبط کنید، وضعیت تأیید یک مدل را مدیریت کنید، مدلها را برای تولید مستقر کنید، و استقرار مدل را با CI/CD خودکار کنید.
بیایید نقش یک دانشمند داده را فرض کنیم. برای این مثال، شما در حال ساخت یک پروژه ML سرتاسر هستید که شامل آماده سازی داده، آموزش مدل، میزبانی مدل، ثبت مدل و به اشتراک گذاری مدل با یک تحلیلگر تجاری است. به صورت اختیاری، برای آماده سازی داده ها و مراحل پیش پردازش یا پس پردازش، می توانید استفاده کنید Amazon SageMaker Data Rangler و کار پردازش Amazon SageMaker. در این مثال، ما از مجموعه داده abalone دانلود شده از LIBSVM استفاده می کنیم. متغیر هدف، سن آبلون است.
- در استودیو، آن را شبیه سازی کنید GitHub repo.
- مراحل ذکر شده در فایل README را کامل کنید.
- در کنسول استودیو، در زیر مدل در قسمت ناوبری، را انتخاب کنید رجیستری مدل.
- مدل را انتخاب کنید
sklearn-reg-ablone
. - نسخه 1 مدل را از رجیستری مدل در Canvas به اشتراک بگذارید.
- کاربران Canvas را برای اشتراک گذاری انتخاب کنید، جزئیات مدل را مشخص کنید و انتخاب کنید اشتراک گذاری.
برای دستورالعمل، به رجیستری مدل بخش در کاربران استودیو: یک مدل را با SageMaker Canvas به اشتراک بگذارید.
مدل های مشترک را مدیریت کنید
پس از به اشتراک گذاری مدل با استفاده از هر یک از روش های قبلی، می توانید به آن بروید مدل بخش در استودیو و بررسی همه مدل های مشترک. در تصویر زیر، 3 مدل مختلف را می بینیم که توسط یک کاربر استودیو (دانشمند داده) با کاربران مختلف Canvas (تیم های تجاری) به اشتراک گذاشته شده است.
یک مدل مشترک وارد کنید و با Canvas پیشبینی کنید
بیایید نقش تحلیلگر تجاری را در نظر بگیریم و با کاربر Canvas خود وارد Canvas شوید.
هنگامی که یک دانشمند داده یا کاربر استودیو مدلی را با کاربر Canvas به اشتراک می گذارد، در برنامه Canvas اعلانی دریافت می کنید که یک کاربر استودیو مدلی را با شما به اشتراک گذاشته است. در برنامه Canvas، اعلان مشابه تصویر زیر است.
شما می توانید انتخاب کنید مشاهده به روز رسانی برای دیدن مدل مشترک، یا می توانید به مدل صفحه در برنامه Canvas برای کشف تمام مدل هایی که با شما به اشتراک گذاشته شده است. وارد کردن مدل از Studio میتواند تا 20 دقیقه طول بکشد.
پس از وارد کردن مدل، می توانید معیارهای آن را مشاهده کرده و تولید کنید پیشبینیهای بلادرنگ با تجزیه و تحلیل what-if یا پیشبینی دستهای.
ملاحظات
هنگام به اشتراک گذاری مدل ها با Canvas موارد زیر را در نظر داشته باشید:
- مجموعه دادههای آموزشی و اعتبارسنجی را در Amazon S3 ذخیره میکنید و URIهای S3 با آن به Canvas ارسال میشوند هویت AWS و مدیریت دسترسی مجوزهای (IAM).
- ستون هدف را در Canvas قرار دهید یا از ستون اول به عنوان پیش فرض استفاده کنید.
- برای اینکه ظرف Canvas دادههای استنتاج را تجزیه کند، نقطه پایانی Canvas متن (CSV) یا برنامه (JSON) را میپذیرد.
- Canvas از چندین کانتینر یا خط لوله استنتاج پشتیبانی نمی کند.
- در صورتی که در مجموعه دادههای آموزشی و اعتبارسنجی، سرصفحهای ارائه نشده باشد، یک طرح داده به Canvas ارائه میشود. به طور پیشفرض، پلتفرم JumpStart هدرهایی را در مجموعه دادههای آموزشی و اعتبارسنجی ارائه نمیکند.
- با Jumpstart، قبل از اینکه بتوانید آن را با Canvas به اشتراک بگذارید، کار آموزشی باید کامل شود.
به مراجعه محدودیت ها و عیب یابی برای کمک به شما در عیب یابی هر گونه مشکلی که هنگام اشتراک گذاری مدل ها با آن مواجه می شوید.
پاک کردن
برای جلوگیری از تحمیل هزینههای بعدی، منابعی را که هنگام دنبال کردن این پست ایجاد کردهاید حذف یا خاموش کنید. رجوع شود به خروج از Amazon SageMaker Canvas برای جزئیات بیشتر منابع فردی از جمله نوت بوک ها، ترمینال ها، هسته ها، برنامه ها و نمونه ها را خاموش کنید. برای اطلاعات بیشتر مراجعه کنید خاموش کردن منابع. حذف کنید نسخه مدل, نقطه پایانی و منابع SageMaker, منابع آزمایش خودکار خلبانو سطل S3.
نتیجه
استودیو به دانشمندان داده اجازه می دهد تا در چند مرحله ساده مدل های ML را با تحلیلگران تجاری به اشتراک بگذارند. تحلیلگران کسب و کار می توانند به جای ایجاد یک مدل جدید در Canvas، از مدل های ML که قبلاً توسط دانشمندان داده برای حل مشکلات تجاری ساخته شده است، بهره مند شوند. با این حال، ممکن است استفاده از این مدلها در خارج از محیطهایی که در آن ساخته شدهاند، به دلیل الزامات فنی و فرآیندهای دستی برای وارد کردن مدلها دشوار باشد. این اغلب کاربران را مجبور به بازسازی مدلهای ML میکند که در نتیجه تلاشهای تکراری و زمان و منابع اضافی میشود. Canvas این محدودیتها را حذف میکند، بنابراین میتوانید پیشبینیهایی را در Canvas با مدلهایی که در هر کجا آموزش دادهاید ایجاد کنید. با استفاده از سه الگوی نشان داده شده در این پست، می توانید مدل های ML را در رجیستری مدل SageMaker که یک فروشگاه ابرداده برای مدل های ML است، ثبت کرده و آنها را به Canvas وارد کنید. سپس تحلیلگران تجاری می توانند از هر مدلی در Canvas پیش بینی و تحلیل کنند.
برای کسب اطلاعات بیشتر در مورد استفاده از خدمات SageMaker، منابع زیر را بررسی کنید:
اگر سوال یا پیشنهادی دارید، کامنت بگذارید.
درباره نویسندگان
امان شارما یک معمار ارشد راه حل با AWS است. او با استارت آپ ها، کسب و کارهای کوچک و متوسط، و مشتریان سازمانی در سراسر منطقه APJ کار می کند و بیش از 19 سال تجربه در مشاوره، معماری و راه حل دارد. او مشتاق دموکراتیک کردن هوش مصنوعی و ML و کمک به مشتریان در طراحی داده ها و استراتژی های ML است. در خارج از کار، او دوست دارد طبیعت و حیات وحش را کشف کند.
زیچن نی مهندس ارشد نرم افزار در AWS SageMaker است که پروژه Bring Your Own to SageMaker Canvas را در سال گذشته رهبری می کند. او بیش از 7 سال است که در آمازون کار می کند و در هر دو سرویس بهینه سازی زنجیره تامین آمازون و خدمات هوش مصنوعی AWS تجربه دارد. او از تمرینات Barre و موسیقی بعد از کار لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- : دارد
- :است
- $UP
- 1
- 100
- 20
- 7
- a
- درباره ما
- شتاب دادن
- قبول می کند
- دسترسی
- دقیق
- رسیدن
- دست
- در میان
- اضافی
- پس از
- AI
- خدمات هوش مصنوعی
- الگوریتم
- معرفی
- اجازه دادن
- اجازه می دهد تا
- قبلا
- آمازون
- آمازون SageMaker
- Amazon SageMaker Autopilot
- آمازون SageMaker Canvas
- an
- تحلیل
- روانکاو
- تحلیلگران
- تحلیل
- و
- هر
- هر جا
- کاربرد
- تصویب
- برنامه های
- معماری
- معماری
- هستند
- AS
- وابسته
- At
- سمعی
- خودکار
- خودکار بودن
- خودکار می کند
- اتوماتیک
- بطور خودکار
- خودکار کردن
- اجتناب از
- AWS
- پایه
- BE
- بوده
- قبل از
- سود
- بهترین
- میان
- هر دو
- به ارمغان بیاورد
- ساختن
- بنا
- ساخته
- کسب و کار
- عملکرد کسب و کار
- کسب و کار
- اما
- by
- CAN
- نقاشی
- موارد
- کاتالوگ
- زنجیر
- بار
- بررسی
- را انتخاب کنید
- کلیک
- رمز
- همکاری
- همکاری
- ستون
- توضیح
- کامل
- کنسول
- مشاوره
- ظرف
- شامل
- کنترل
- هسته
- هزینه
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ایجاد
- اعتبار
- سفارشی
- مشتری
- خدمات مشتری
- مشتریان
- داده ها
- آماده سازی داده ها
- علم اطلاعات
- دانشمند داده
- مجموعه داده ها
- روز
- به طور پیش فرض
- دموکراتیک کردن
- نشان دادن
- گروه ها
- گسترش
- مستقر
- استقرار
- گسترش
- مستقر می کند
- طراحی
- جزئیات
- کشف
- پروژه
- مختلف
- مشکل
- مستقیما
- كشف كردن
- نمی کند
- دامنه
- آیا
- پایین
- راندن
- دو
- هر
- موثر
- بازده
- تلاش
- هر دو
- قادر ساختن
- پشت سر هم
- نقطه پایانی
- مهندس
- سرمایه گذاری
- محیط
- مثال
- مثال ها
- موجود
- تجربه
- تجربه
- تخصص
- اکتشاف
- کاوش می کند
- بررسی
- کمی از
- شکل
- پرونده
- سرمایه گذاری
- پیدا کردن
- نام خانوادگی
- پیروی
- برای
- نیروهای
- تقلب
- کشف تقلب
- از جانب
- کامل
- توابع
- آینده
- تولید می کنند
- مولد
- Go
- آیا
- he
- هدر
- ارتفاع
- کمک
- کمک
- کمک می کند
- از این رو
- میزبانی وب
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- قطب
- شناسایی
- هویت
- if
- واردات
- واردات
- بهبود
- in
- شامل
- از جمله
- فرد
- اطلاعات
- ورودی
- در عوض
- دستورالعمل
- ادغام
- رابط
- به
- مسائل
- IT
- ITS
- کار
- JPG
- json
- تنها
- کلید
- نام
- پارسال
- برجسته
- یاد گرفتن
- یادگیری
- ترک کردن
- طول
- پسندیدن
- دوست دارد
- محدودیت
- لاین
- ذکر شده
- محل
- ورود به سیستم
- ورود
- به دنبال
- حفظ
- ساخت
- مدیریت
- کتابچه راهنمای
- تولید
- بازار یابی (Marketing)
- اندازه گیری
- متوسط
- متاداده
- روش
- متریک
- قدرت
- ذهن
- دقیقه
- کاهش
- ML
- مدل
- مدل
- ماه
- بیش
- چندگانه
- موسیقی
- باید
- نام
- طبیعت
- جهت یابی
- نیازهای
- جدید
- نه
- دفتر یادداشت
- اخطار
- of
- غالبا
- on
- پردازنده
- ONE
- منبع باز
- عملیات
- بهینه سازی
- بهینه سازی
- گزینه
- or
- سازمان های
- دیگر
- خارج
- نتایج
- تولید
- خارج از
- خود
- با ما
- قطعه
- گذشت
- احساساتی
- الگوهای
- مجوز
- فیزیکی
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- پست
- بالقوه
- پیش بینی
- پیش گویی
- پیش بینی
- پیش نیازها
- مشکل
- مشکلات
- روند
- فرآیندهای
- در حال پردازش
- محصول
- تولید
- پروژه
- ارائه
- ارائه
- فراهم می کند
- کیفیت
- سوالات
- محدوده
- گرفتن
- كاهش دادن
- منطقه
- ثبت نام
- رجیستری
- مربوط
- مورد نیاز
- منابع
- نتیجه
- درامد
- این فایل نقد می نویسید:
- خطر
- نقش
- حکیم ساز
- حراجی
- همان
- علم
- دانشمند
- دانشمندان
- به ثمر رساندن
- بخش
- دیدن
- انتخاب
- ارشد
- سرویس
- خدمات
- تنظیم
- تنظیمات
- اشتراک گذاری
- به اشتراک گذاشته شده
- سهام
- اشتراک
- او
- نمایشگاه
- خاموش
- مشابه
- ساده
- تنها
- کوچک
- So
- نرم افزار
- مهندس نرمافزار
- مزایا
- حل
- شروع یو پی اس
- وضعیت
- مراحل
- ذخیره سازی
- opbevare
- استراتژی ها
- استودیو
- چنین
- عرضه
- زنجیره تامین
- بهینه سازی زنجیره تامین
- پشتیبانی
- ترکیبی
- گرفتن
- هدف
- وظایف
- تیم ها
- فنی
- مخابراتی
- پایانه
- نسبت به
- که
- La
- شان
- آنها
- سپس
- اینها
- آنها
- این
- کسانی که
- سه
- محکم تر
- زمان
- به
- قطار
- آموزش دیده
- آموزش
- نوع
- زیر
- واحد
- استفاده کنید
- استفاده
- کاربر
- کاربران
- با استفاده از
- اعتبار سنجی
- ارزش
- ارزشآفرینی
- نسخه
- چشم انداز
- دید
- دید
- we
- چه زمانی
- که
- در حین
- WHO
- وسیع
- دامنه گسترده
- با
- در داخل
- بدون
- مهاجرت کاری
- کارگر
- با این نسخهها کار
- نوشته
- سال
- سال
- شما
- شما
- زفیرنت