استقرار مدل‌های ML ساخته شده در آمازون SageMaker Canvas در نقاط پایانی آنی Amazon SageMaker | خدمات وب آمازون

آمازون SageMaker Canvas اکنون از استقرار مدل‌های یادگیری ماشین (ML) در نقاط پایانی استنباط بلادرنگ پشتیبانی می‌کند و به شما این امکان را می‌دهد که مدل‌های ML خود را تولید کنید و بر اساس بینش‌های مبتنی بر ML اقدام کنید. SageMaker Canvas یک فضای کاری بدون کد است که به تحلیلگران و دانشمندان داده شهروندی امکان می دهد پیش بینی های دقیق ML را برای نیازهای تجاری خود ایجاد کنند.

تا به حال، SageMaker Canvas توانایی ارزیابی یک مدل ML، تولید پیش‌بینی‌های انبوه و اجرای تحلیل‌های what-if را در فضای کاری تعاملی خود ارائه می‌کرد. اما اکنون می‌توانید مدل‌ها را در نقاط پایانی آمازون SageMaker برای استنباط بلادرنگ مستقر کنید، و مصرف پیش‌بینی‌های مدل و انجام اقدامات خارج از فضای کاری SageMaker Canvas را آسان می‌کند. داشتن توانایی استقرار مستقیم مدل‌های ML از SageMaker Canvas، نیاز به صادرات، پیکربندی، آزمایش و استقرار مدل‌های ML را به صورت دستی از بین می‌برد و در نتیجه باعث کاهش پیچیدگی و صرفه‌جویی در زمان می‌شود. همچنین عملیاتی کردن مدل‌های ML را بدون نیاز به نوشتن کد برای افراد قابل دسترس‌تر می‌کند.

در این پست شما را از طریق این فرآیند راهنمایی می کنیم یک مدل را در SageMaker Canvas مستقر کنید به نقطه پایانی بلادرنگ

بررسی اجمالی راه حل

برای مورد استفاده خود، ما نقش یک کاربر تجاری در بخش بازاریابی یک اپراتور تلفن همراه را به عهده می‌گیریم و یک مدل ML را با موفقیت در SageMaker Canvas ایجاد کرده‌ایم تا مشتریان با خطر احتمالی ریزش را شناسایی کنیم. به لطف پیش بینی های تولید شده توسط مدل ما، اکنون می خواهیم این را از محیط توسعه خود به تولید منتقل کنیم. برای ساده‌سازی فرآیند استقرار نقطه پایانی مدل خود برای استنتاج، ما مستقیماً مدل‌های ML را از SageMaker Canvas مستقر می‌کنیم و در نتیجه نیاز به صادرات، پیکربندی، آزمایش و استقرار مدل‌های ML را به صورت دستی حذف می‌کنیم. این به کاهش پیچیدگی، صرفه جویی در زمان کمک می کند و همچنین باعث می شود تا مدل های ML عملیاتی تر برای افراد بدون نیاز به نوشتن کد در دسترس باشد.

مراحل گردش کار به شرح زیر است:

1. یک مجموعه داده جدید با جمعیت مشتری فعلی در SageMaker Canvas آپلود کنید. برای لیست کامل منابع داده های پشتیبانی شده، مراجعه کنید داده ها را به Canvas وارد کنید.
2. مدل های ML بسازید و معیارهای عملکرد آنها را تجزیه و تحلیل کنید. برای دستورالعمل، مراجعه کنید یک مدل سفارشی بسازید و عملکرد مدل خود را در بوم آمازون SageMaker ارزیابی کنید.
3. نسخه مدل تایید شده را مستقر کنید به عنوان نقطه پایانی برای استنتاج بلادرنگ.

شما می توانید این مراحل را در SageMaker Canvas بدون نوشتن یک خط کد انجام دهید.

پیش نیازها

برای این راهنما، مطمئن شوید که پیش نیازهای زیر وجود دارد:

1. برای استقرار نسخه‌های مدل در نقاط پایانی SageMaker، سرپرست SageMaker Canvas باید مجوزهای لازم را به کاربر SageMaker Canvas بدهد، که می‌توانید آن را در دامنه SageMaker که میزبان برنامه SageMaker Canvas شما است، مدیریت کنید. برای اطلاعات بیشتر مراجعه کنید مدیریت مجوزها در Canvas.
   
2. پیش نیازهای ذکر شده در ریزش مشتری را با یادگیری ماشینی بدون کد با استفاده از آمازون SageMaker Canvas پیش بینی کنید.

اکنون باید سه نسخه مدل آموزش دیده بر روی داده های پیش بینی ریزش تاریخی در Canvas داشته باشید:

• V1 آموزش دیده با تمام 21 ویژگی و پیکربندی سریع ساخت با امتیاز مدل 96.903٪
• V2 با تمام 19 ویژگی (ویژگی های تلفن و حالت حذف شده) و پیکربندی ساخت سریع و دقت بهبود یافته 97.403٪ آموزش دیده است.
• V3 با پیکربندی استاندارد ساخت با امتیاز مدل 97.103 آموزش دیده است

از مدل پیش بینی ریزش مشتری استفاده کنید

فعال نمایش معیارهای پیشرفته در صفحه جزئیات مدل و معیارهای هدف مرتبط با هر نسخه مدل را بررسی کنید تا بتوانید بهترین مدل را برای استقرار در SageMaker به عنوان نقطه پایانی انتخاب کنید.

بر اساس معیارهای عملکرد، نسخه 2 را برای استقرار انتخاب می کنیم.

تنظیمات استقرار مدل - نام استقرار، نوع نمونه و تعداد نمونه را پیکربندی کنید.

به عنوان نقطه شروع، Canvas به طور خودکار بهترین نوع نمونه و تعداد نمونه ها را برای استقرار مدل شما توصیه می کند. شما می توانید آن را بر اساس نیازهای حجم کاری خود تغییر دهید.

می‌توانید نقطه پایانی استنتاج SageMaker مستقر شده را مستقیماً از داخل SageMaker Canvas آزمایش کنید.

می توانید مقادیر ورودی را با استفاده از رابط کاربری SageMaker Canvas تغییر دهید تا پیش بینی ریزش اضافی را استنباط کنید.

حالا بیایید به حرکت کنیم Amazon SageMaker Studio و نقطه پایانی مستقر شده را بررسی کنید.

یک نوت بوک را در SageMaker Studio باز کنید و کد زیر را برای استنباط نقطه پایانی مدل مستقر شده اجرا کنید. نام نقطه پایانی مدل را با نام نقطه پایانی مدل خود جایگزین کنید.

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)

نقطه پایانی مدل اصلی ما از یک نمونه ml.m5.xlarge و تعداد 1 نمونه استفاده می‌کند. حال، فرض کنید انتظار دارید تعداد کاربران نهایی که نقطه پایانی مدل شما را استنباط می کنند افزایش یابد و می خواهید ظرفیت محاسباتی بیشتری را فراهم کنید. شما می توانید این کار را مستقیماً از داخل SageMaker Canvas با انتخاب انجام دهید پیکربندی را به روز کنید.

پاک کردن

برای جلوگیری از تحمیل هزینه‌های بعدی، منابعی را که هنگام دنبال کردن این پست ایجاد کرده‌اید حذف کنید. این شامل خروج از SageMaker Canvas و حذف نقطه پایانی SageMaker مستقر شده. SageMaker Canvas برای مدت جلسه صورتحساب شما را دریافت می کند، و توصیه می کنیم زمانی که از SageMaker Canvas استفاده نمی کنید از سیستم خارج شوید. رجوع شود به خروج از Amazon SageMaker Canvas برای جزئیات بیشتر.

نتیجه

در این پست، ما در مورد اینکه SageMaker Canvas چگونه می‌تواند مدل‌های ML را در نقاط پایانی استنتاج بلادرنگ استقرار دهد، به شما این امکان را می‌دهد که مدل‌های ML خود را تولید کنید و بر اساس بینش‌های مبتنی بر ML اقدام کنید. در مثال خود، نشان دادیم که چگونه یک تحلیلگر می‌تواند به سرعت یک مدل ML پیش‌بینی‌کننده بسیار دقیق بدون نوشتن هیچ کدی بسازد، آن را به‌عنوان نقطه پایانی در SageMaker مستقر کند، و نقطه پایانی مدل را از SageMaker Canvas و همچنین از یک نوت بوک SageMaker Studio آزمایش کند.

برای شروع سفر ML کم‌کد/بدون کد، به آمازون SageMaker Canvas.

تشکر ویژه از همه کسانی که در راه اندازی شرکت کردند: پراشانت کورومادالی، آبیشک کومار، آلن لیو، شان لستر، ریچا ساندرانی و آلیشیا چی.

درباره نویسنده

جانیشا آناند یک مدیر ارشد محصول در تیم Amazon SageMaker Low/No Code ML است که شامل SageMaker Canvas و SageMaker Autopilot است. او از قهوه، فعال ماندن و گذراندن وقت با خانواده اش لذت می برد.

ایندی ساونی یک رهبر ارشد راه حل های مشتری با خدمات وب آمازون است. ایندی که همیشه از مشکلات مشتری عقب مانده است، به مدیران مشتریان سازمانی AWS از طریق سفر منحصر به فرد خود در تحول ابری توصیه می کند. او بیش از 25 سال تجربه در کمک به سازمان های سازمانی دارد تا فناوری های نوظهور و راه حل های تجاری را اتخاذ کنند. Indy یک منطقه متخصص عمق با انجمن زمینه فنی AWS برای AI/ML، با تخصص در AI مولد و راه حل های کم کد/بدون کد Amazon SageMaker است.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/