Ota käyttöön Amazon SageMaker Canvasissa rakennettuja ML-malleja Amazon SageMakerin reaaliaikaisiin päätepisteisiin | Amazon Web Services

Amazon SageMaker Canvas tukee nyt koneoppimismallien (ML) käyttöönottoa reaaliaikaisissa päätepisteissä, jolloin voit viedä ML-mallisi tuotantoon ja ohjata toimintaa ML-pohjaisten oivallusten perusteella. SageMaker Canvas on kooditon työtila, jonka avulla analyytikot ja kansalaistietojen tutkijat voivat luoda tarkkoja ML-ennusteita liiketoimintansa tarpeisiin.

Tähän asti SageMaker Canvas tarjosi mahdollisuuden arvioida ML-mallia, luoda joukkoennusteita ja suorittaa mitä jos -analyyseja interaktiivisessa työtilassaan. Mutta nyt voit myös ottaa mallit käyttöön Amazon SageMaker -päätepisteissä reaaliaikaista päättelyä varten, mikä tekee mallien ennusteiden kuluttamisesta ja toimien ohjaamisesta SageMaker Canvas -työtilan ulkopuolella vaivatonta. Mahdollisuus ottaa ML-malleja suoraan käyttöön SageMaker Canvasista eliminoi tarpeen viedä, konfiguroida, testata ja ottaa käyttöön ML-malleja manuaalisesti tuotannossa, mikä vähentää monimutkaisuutta ja säästää aikaa. Se tekee myös ML-mallien käyttöönoton helpommin yksilöiden käytettävissä ilman koodin kirjoittamista.

Tässä viestissä opastamme sinut prosessin läpi ota malli käyttöön SageMaker Canvasissa reaaliaikaiseen päätepisteeseen.

Katsaus ratkaisuun

Käyttötapauksessamme otamme yrityskäyttäjän roolin matkapuhelinoperaattorin markkinointiosastolla, ja olemme onnistuneesti luoneet SageMaker Canvasissa ML-mallin tunnistamaan asiakkaat, joilla on mahdollinen vaihtumisriski. Mallimme luomien ennusteiden ansiosta haluamme nyt siirtää tämän kehitysympäristöstämme tuotantoon. Virtaviivaistaaksemme mallin päätepisteemme käyttöönottoa ottamalla käyttöön ML-malleja suoraan SageMaker Canvasista, jolloin ML-malleja ei tarvitse viedä, määrittää, testata ja ottaa käyttöön manuaalisesti tuotantoon. Tämä auttaa vähentämään monimutkaisuutta, säästää aikaa ja tekee myös ML-mallien käyttökelpoisuudesta yksilöiden käytettävissä ilman koodin kirjoittamista.

Työnkulun vaiheet ovat seuraavat:

1. Lataa uusi tietojoukko nykyisestä asiakasjoukosta SageMaker Canvasiin. Täydellinen luettelo tuetuista tietolähteistä on kohdassa Tuo tiedot Canvasiin.
2. Rakenna ML-malleja ja analysoi niiden suorituskykymittareita. Katso ohjeet kohdasta Rakenna mukautettu malli ja Arvioi mallisi suorituskykyä Amazon SageMaker Canvasissa.
3. Ota käyttöön hyväksytty malliversio reaaliaikaisen päättelyn päätepisteenä.

Voit suorittaa nämä vaiheet SageMaker Canvasissa kirjoittamatta yhtään koodiriviä.

Edellytykset

Varmista tätä läpikäyntiä varten, että seuraavat edellytykset täyttyvät:

1. Malliversioiden käyttöönottamiseksi SageMaker-päätepisteissä SageMaker Canvas -järjestelmänvalvojan on annettava SageMaker Canvas -käyttäjälle tarvittavat käyttöoikeudet, joita voit hallita SageMaker-verkkotunnuksessa, joka isännöi SageMaker Canvas -sovellustasi. Lisätietoja on kohdassa Käyttöoikeuksien hallinta Canvasissa.
   
2. Täytä kohdassa mainitut edellytykset Ennusta asiakkaiden vaihtuvuus koodittomalla koneoppimisella Amazon SageMaker Canvasin avulla.

Sinulla pitäisi nyt olla kolme malliversiota, jotka on koulutettu Canvasin historiallisiin vaihtuvuusennustustietoihin:

• V1 on koulutettu kaikilla 21 ominaisuudella ja nopealla kokoonpanolla mallipisteillä 96.903 %
• V2 on koulutettu kaikilla 19 ominaisuudella (poistetut puhelin- ja tilaominaisuudet) ja nopealla kokoonpanolla ja parannetulla 97.403 prosentin tarkkuudella
• V3 on koulutettu standardikoontikokoonpanolla 97.103 % mallipisteillä

Käytä asiakasvaihtuvuuden ennustemallia

Enable Näytä lisätiedot mallin tiedot -sivulla ja tarkista kuhunkin malliversioon liittyvät tavoitetiedot, jotta voit valita parhaiten suoriutuneen mallin SageMakeriin ottamista varten päätepisteeksi.

Suorituskykymittareiden perusteella valitsemme käyttöön otettavan version 2.

Määritä mallin käyttöönottoasetukset – käyttöönoton nimi, ilmentymän tyyppi ja ilmentymien määrä.

Aloituskohtana Canvas suosittelee automaattisesti parasta ilmentymän tyyppiä ja esiintymien määrää mallin käyttöönotolle. Voit muuttaa sitä työmääräsi mukaan.

Voit testata käyttöön otettua SageMaker-päätelmäpäätepistettä suoraan SageMaker Canvasista.

Voit muuttaa syöttöarvoja SageMaker Canvas -käyttöliittymän avulla päätelläksesi lisää vaihtuvuusennusteita.

Nyt navigoidaan kohteeseen Amazon SageMaker Studio ja tarkista käyttöön otettu päätepiste.

Avaa muistikirja SageMaker Studiossa ja suorita seuraava koodi päätelläksesi käytetyn mallin päätepiste. Korvaa mallin päätepisteen nimi omalla mallin päätepisteen nimellä.

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)

Alkuperäisen mallin päätepisteemme käyttää ml.m5.xlarge-esiintymää ja 1 esiintymän määrää. Oletetaan nyt, että odotat mallin päätepisteesi päättelevien loppukäyttäjien määrän kasvavan ja haluat tarjota lisää laskentakapasiteettia. Voit suorittaa tämän suoraan SageMaker Canvasista valitsemalla Päivitä kokoonpano.

Puhdistaa

Vältä tulevia maksuja poistamalla resurssit, jotka loit seuraamalla tätä viestiä. Tämä sisältää kirjautumisen ulos SageMaker Canvasista ja käyttöönotetun SageMaker-päätepisteen poistaminen. SageMaker Canvas laskuttaa sinua istunnon ajalta, ja suosittelemme kirjautumaan ulos SageMaker Canvasista, kun et käytä sitä. Viitata Kirjaudu ulos Amazon SageMaker Canvasista lisätietoja.

Yhteenveto

Tässä viestissä keskustelimme siitä, kuinka SageMaker Canvas voi ottaa käyttöön ML-malleja reaaliaikaisiin päätepisteisiin, jolloin voit viedä ML-mallisi tuotantoon ja ohjata toimintaa ML-pohjaisten oivallusten perusteella. Esitimme esimerkissämme, kuinka analyytikko voi nopeasti rakentaa erittäin tarkan ennustavan ML-mallin kirjoittamatta mitään koodia, ottaa sen käyttöön SageMakerissa päätepisteenä ja testata mallin päätepistettä SageMaker Canvasista sekä SageMaker Studio -muistikirjasta.

Aloita alhaisen koodin/koodittoman ML-matkasi kohdasta Amazon SageMaker Canvas.

Erityiset kiitokset kaikille julkaisuun osallistuneille: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani ja Alicia Qi.

Tietoja Tekijät

Janisha Anand on vanhempi tuotepäällikkö Amazon SageMaker Low/No Code ML -tiimissä, johon kuuluvat SageMaker Canvas ja SageMaker Autopilot. Hän nauttii kahvista, liikkumisesta ja perheen kanssa viettämisestä.

Indy Sawhney on vanhempi asiakasratkaisujen johtaja Amazon Web Services -palvelussa. Indy työskentelee aina taaksepäin asiakasongelmista ja neuvoo AWS-yritysasiakasjohtajia heidän ainutlaatuisella pilvimuunnosmatkallaan. Hänellä on yli 25 vuoden kokemus yritysorganisaatioiden auttamisesta ottamaan käyttöön uusia teknologioita ja liiketoimintaratkaisuja. Indy on syvyysasiantuntija, jolla on AWS:n AI/ML Technical Field Community, joka on erikoistunut generatiivisiin tekoäly- ja matalakoodillisiin/koodittomiin Amazon SageMaker -ratkaisuihin.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/