Koneoppiminen (ML) auttaa organisaatioita tuottamaan tuloja, vähentämään kustannuksia, vähentämään riskejä, lisäämään tehokkuutta ja parantamaan laatua optimoimalla useiden liiketoimintayksiköiden ydintoimintoja, kuten markkinointia, valmistusta, toimintaa, myyntiä, rahoitusta ja asiakaspalvelua. AWS ML:n avulla organisaatiot voivat nopeuttaa arvon luomista kuukausista päiviin. Amazon SageMaker Canvas on visuaalinen osoita ja napsauta -palvelu, jonka avulla yritysanalyytikot voivat luoda tarkkoja ML-ennusteita kirjoittamatta riviäkään koodia tai vaatimatta ML-asiantuntemusta. Voit käyttää malleja ennusteiden tekemiseen vuorovaikutteisesti ja eräpisteytykseen joukkotietosarjoissa.
Tässä viestissä esittelemme arkkitehtonisia malleja siitä, kuinka yritystiimit voivat käyttää ML-malleja, jotka on rakennettu missä tahansa luomalla ennusteita Canvasissa ja saavuttaakseen tehokkaita liiketoimintatuloksia.
Tämä mallinkehityksen ja jakamisen integrointi luo tiiviimmän yhteistyön liike-elämän ja datatieteen tiimien välille ja alentaa arvon saavuttamiseen kuluvaa aikaa. Liiketoimintatiimit voivat käyttää olemassa olevia datatieteilijöiden tai muiden osastojen rakentamia malleja liiketoimintaongelman ratkaisemiseen sen sijaan, että ne rakentaisivat uudelleen uusia malleja ulkopuolisissa ympäristöissä.
Lopuksi yritysanalyytikot voivat tuoda jaettuja malleja Canvasiin ja luoda ennusteita ennen tuotantoon käyttöönottoa muutamalla napsautuksella.
Ratkaisun yleiskatsaus
Seuraavassa kuvassa kuvataan kolme erilaista arkkitehtuurimallia, jotka osoittavat, kuinka datatieteilijät voivat jakaa malleja yritysanalyytikoiden kanssa, jotka voivat sitten luoda ennusteita suoraan näistä malleista Canvasin visuaalisessa käyttöliittymässä:
Edellytykset
Kouluttaaksesi ja rakentaaksesi mallisi SageMakerilla ja tuodaksesi mallisi Canvasiin, täytä seuraavat edellytykset:
- Jos sinulla ei vielä ole SageMaker-verkkotunnusta ja Studio-käyttäjää, määritä ja liitä Studio-käyttäjä SageMaker-verkkotunnukseen.
- Ota Canvas käyttöön ja määritä se peruskäyttöoikeudet käyttäjillesi ja myöntää käyttäjille oikeudet tehdä yhteistyötä Studion kanssa.
- Sinulla on oltava koulutettu malli Autopilotista, JumpStartista tai mallirekisteristä. Jokaisessa SageMakerin ulkopuolella rakentamassasi mallissa sinun on rekisteröitävä mallisi mallirekisteriin ennen sen tuomista Canvasiin.
Otetaan nyt datatieteilijän rooli, joka haluaa kouluttaa, rakentaa, ottaa käyttöön ja jakaa ML-malleja liiketoimintaanalyytikon kanssa jokaiselle näistä kolmesta arkkitehtuurimallista.
Käytä Autopilottia ja Canvaa
Autopilotti automatisoi automaattisen ML (AutoML) -prosessin tärkeimmät tehtävät, kuten tietojen tutkimisen, asianmukaisen algoritmin valitsemisen ongelmatyypille ja sen jälkeen sen harjoittamisen ja virittämisen. Kaikki tämä voidaan saavuttaa samalla, kun voit säilyttää tietojoukon täyden hallinnan ja näkyvyyden. Autopilot tutkii automaattisesti erilaisia ratkaisuja löytääkseen parhaan mallin, ja käyttäjät voivat joko iteroida ML-mallia tai ottaa mallin suoraan käyttöön tuotantoon yhdellä napsautuksella.
Tässä esimerkissä käytämme synteettistä asiakasvaihtuvuutta aineisto televiestintäalueelta ja niiden tehtävänä on tunnistaa asiakkaat, jotka ovat mahdollisesti vaihtumisvaarassa. Suorita seuraavat vaiheet, jos haluat käyttää Autopilot AutoML:ää ML-mallin rakentamiseen, kouluttamiseen, käyttöönottoon ja jakamiseen liiketoimintaanalyytikon kanssa:
- Lataa aineisto, lataa se Amazon S3:lle (Amazonin yksinkertainen tallennuspalvelu) ja kirjoita muistiin S3 URI.
- Valitse Studio-konsolista AutoML navigointipaneelissa.
- Valita Luo AutoML-kokeilu.
- Määritä kokeilun nimi (tälle viestille,
Telecom-Customer-Churn-AutoPilot
), S3-tietojen syöttö ja lähtöpaikka. - Aseta kohdesarake vaihtuvaksi.
- Käyttöönottoasetuksissa voit ottaa käyttöön automaattisen käyttöönoton vaihtoehdon luodaksesi päätepisteen, joka ottaa käyttöön parhaan mallisi ja suorittaa päätelmän päätepisteestä.
Lisätietoja on Luo Amazon SageMaker Autopilot -kokeilu.
- Valitse kokeilusi, valitse sitten paras malli ja valitse Jaa malli.
- Lisää Canvas-käyttäjä ja valitse Jaa: jakaa malli.
(Huomautuksia: Et voi jakaa mallia saman Canvas-käyttäjän kanssa, jota käytettiin Studio-kirjautumiseen. Esimerkiksi Studion käyttäjä A ei voi jakaa mallia Canvas-käyttäjän A kanssa. Mutta käyttäjä A voi jakaa mallin käyttäjän B kanssa, joten valitse mallin jakamiseen eri käyttötapoja)
Lisätietoja on Studion käyttäjät: Jaa malli SageMaker Canvasille.
Käytä JumpStartia ja Canvasia
JumpStart on ML-keskus, joka tarjoaa valmiiksi koulutettuja avoimen lähdekoodin malleja monenlaisiin ML-käyttötapauksiin, kuten petosten havaitsemiseen, luottoriskien ennustamiseen ja tuotevikojen havaitsemiseen. Voit ottaa käyttöön yli 300 esikoulutettua mallia taulukko-, visio-, teksti- ja äänidataa varten.
Tässä viestissä käytämme JumpStartin LightGBM-regression esiopetettua mallia. Koulutamme mallin mukautetun tietojoukon pohjalta ja jaamme mallin Canvas-käyttäjän (yritysanalyytikon) kanssa. Valmiiksi koulutettu malli voidaan ottaa käyttöön päätepisteessä päättelyä varten. JumpStart tarjoaa esimerkkimuistikirjan mallin käyttämiseksi sen käyttöönoton jälkeen.
Tässä esimerkissä käytämme abalone-tietojoukko. Aineisto sisältää esimerkkejä kahdeksasta fyysisestä mittauksesta, kuten pituudesta, halkaisijasta ja korkeudesta abalon iän ennustamiseksi (regressioongelma).
- Lataa abalone-tietojoukko Kagglesta.
- Luo S3-säilö ja lataa juna-, validointi- ja mukautetut otsikkotietojoukot.
- Studio-konsolin alla SageMaker JumpStart valitse siirtymisruudussa Mallit, muistikirjat, ratkaisut.
- Alle Taulukkomallit, valitse LightGBM-regressio.
- Alle Junamalli, määritä S3-URI:t koulutus-, validointi- ja sarakeotsikkotietojoukoille.
- Valita Juna.
- Valitse siirtymisruudussa JumpStart-resurssit julkaistiin.
- On Harjoittelupaikat -välilehti, valitse koulutustehtäväsi.
- On Jaa: valikosta, valitse Jaa Canvasille.
- Valitse Canvas-käyttäjät, joiden kanssa jaat, määritä mallin tiedot ja valitse Jaa:.
Lisätietoja on Studion käyttäjät: Jaa malli SageMaker Canvasille.
Käytä SageMaker-mallirekisteriä ja Canvaa
SageMaker-mallirekisterin avulla voit luetteloida malleja tuotantoa varten, hallita malliversioita, liittää metatietoja, hallita mallin hyväksymistilaa, ottaa malleja käyttöön tuotantoon ja automatisoida mallien käyttöönoton CI/CD:llä.
Otetaanpa datatieteilijän rooli. Tässä esimerkissä olet rakentamassa kokonaisvaltaista ML-projektia, joka sisältää tietojen valmistelun, mallikoulutuksen, mallin isännöinnin, mallirekisterin ja mallin jakamisen yritysanalyytikon kanssa. Valinnaisesti voit käyttää tietojen valmisteluun ja esikäsittelyyn tai jälkikäsittelyyn Amazon SageMaker Data Wrangler ja Amazon SageMaker -työ. Tässä esimerkissä käytämme LIBSVM:stä ladattua abalone-tietojoukkoa. Tavoitemuuttuja on abalon ikä.
- Kloonaa Studiossa GitHub repo.
- Suorita README-tiedostossa luetellut vaiheet.
- Studio-konsolin alla Mallit valitse siirtymisruudussa Mallin rekisteri.
- Valitse malli
sklearn-reg-ablone
. - Jaa mallin versio 1 mallirekisteristä Canvasille.
- Valitse Canvas-käyttäjät, joiden kanssa jaat, määritä mallin tiedot ja valitse Jaa:.
Katso ohjeet osoitteesta Mallirekisteri osassa Studion käyttäjät: Jaa malli SageMaker Canvasille.
Hallinnoi jaettuja malleja
Kun olet jakanut mallin jollakin edellisistä tavoista, voit siirtyä kohtaan Mallit -osio Studiossa ja tarkista kaikki jaetut mallit. Seuraavassa kuvakaappauksessa näemme kolme eri mallia, jotka Studio-käyttäjä (tietotieteilijä) jakaa eri Canvas-käyttäjien (liiketiimien) kanssa.
Tuo jaettu malli ja tee ennusteita Canvasilla
Otetaan liiketoimintaanalyytikon rooli ja kirjaudutaan sisään Canvasiin Canvas-käyttäjäsi kanssa.
Kun datatieteilijä tai Studion käyttäjä jakaa mallin Canvas-käyttäjän kanssa, saat Canvas-sovelluksessa ilmoituksen, että Studion käyttäjä on jakanut mallin kanssasi. Canvas-sovelluksessa ilmoitus on samanlainen kuin seuraava kuvakaappaus.
Voit valita Näytä päivitys nähdäksesi jaetun mallin, tai voit siirtyä kohtaan Mallit -sivulla Canvas-sovelluksessa löytääksesi kaikki kanssasi jaetut mallit. Mallin tuonti Studiosta voi kestää jopa 20 minuuttia.
Mallin tuonnin jälkeen voit tarkastella sen mittareita ja luoda reaaliaikaiset ennusteet mitä jos -analyysillä tai eräennusteilla.
Huomioita
Muista seuraavat asiat, kun jaat malleja Canvasin kanssa:
- Tallennat koulutus- ja validointitietojoukot Amazon S3:een, ja S3-URI:t välitetään Canvasiin AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) käyttöoikeudet.
- Anna kohdesarake Canvasille tai käytä ensimmäistä saraketta oletuksena.
- Jotta Canvas-säilö voi jäsentää johtopäätöstietoja, Canvas-päätepiste hyväksyy joko tekstin (CSV) tai sovelluksen (JSON).
- Canvas ei tue useita säiliöitä tai päättelyputkia.
- Tietoskeema toimitetaan Canvasille, jos koulutus- ja validointitietojoukoissa ei ole otsikoita. Oletusarvoisesti JumpStart-alusta ei tarjoa otsikoita koulutus- ja validointitietosarjoissa.
- Jumpstartilla koulutustyön on oltava valmis, ennen kuin voit jakaa sen Canvasin kanssa.
Mainita Rajoitukset ja vianmääritys auttaa sinua ratkaisemaan ongelmia, joita kohtaat malleja jaettaessa.
Puhdistaa
Vältä tulevia maksuja poistamalla tai sulkemalla resurssit, jotka loit seuraamalla tätä viestiä. Viitata Kirjaudu ulos Amazon SageMaker Canvasista Lisätietoja. Sulje yksittäiset resurssit, mukaan lukien muistikirjat, päätelaitteet, ytimet, sovellukset ja esiintymät. Lisätietoja on kohdassa Sammuta resurssit. Poista malli versio, SageMaker-päätepiste ja resurssit, Autopilotin kokeiluresurssitja S3-kauha.
Yhteenveto
Studion avulla datatieteilijät voivat jakaa ML-malleja yritysanalyytikkojen kanssa muutamalla yksinkertaisella vaiheella. Liiketoimintaanalyytikot voivat hyötyä tietotieteilijöiden jo rakentamista ML-malleista liiketoimintaongelmien ratkaisemiseksi sen sijaan, että luotaisiin uutta mallia Canvasissa. Näiden mallien käyttäminen ympäristön ulkopuolella, jossa ne on rakennettu, saattaa kuitenkin olla vaikeaa teknisten vaatimusten ja mallien manuaalisten tuontiprosessien vuoksi. Tämä pakottaa käyttäjät usein rakentamaan uudelleen ML-malleja, mikä johtaa päällekkäisyyteen ja lisää aikaa ja resursseja. Canvas poistaa nämä rajoitukset, joten voit luoda ennusteita Canvasissa malleilla, joita olet kouluttanut missä tahansa. Käyttämällä kolmea tässä viestissä kuvattua mallia voit rekisteröidä ML-malleja SageMaker-mallirekisteriin, joka on ML-mallien metatietovarasto, ja tuoda ne Canvasiin. Yritysanalyytikot voivat sitten analysoida ja luoda ennusteita mistä tahansa mallista Canvasissa.
Saat lisätietoja SageMaker-palvelujen käytöstä seuraavissa resursseissa:
Jos sinulla on kysyttävää tai ehdotuksia, jätä kommentti.
Tietoja kirjoittajista
Aman Sharma on AWS:n vanhempi ratkaisuarkkitehti. Hän työskentelee start-up-yritysten, pienten ja keskisuurten yritysten sekä yritysasiakkaiden parissa APJ-alueella, ja hänellä on yli 19 vuoden kokemus konsultoinnista, arkkitehtuurista ja ratkaisuista. Hän on intohimoinen tekoälyn ja ML:n demokratisoimiseen ja asiakkaiden auttamiseen heidän data- ja ML-strategioidensa suunnittelussa. Työn ulkopuolella hän tykkää tutkia luontoa ja villieläimiä.
Zichen Nie on AWS SageMakerin vanhempi ohjelmistoinsinööri, joka johtaa projektia Bring Your Own Model to SageMaker Canvas viime vuonna. Hän on työskennellyt Amazonissa yli 7 vuotta ja hänellä on kokemusta sekä Amazon Supply Chain Optimization- että AWS AI -palveluista. Hän nauttii Barre-treenistä ja musiikista töiden jälkeen.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
- Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :on
- :On
- $ YLÖS
- 1
- 100
- 20
- 7
- a
- Meistä
- kiihdyttää
- hyväksyy
- pääsy
- tarkka
- Saavuttaa
- saavutettu
- poikki
- lisä-
- Jälkeen
- AI
- Tekoälyn palvelut
- algoritmi
- Kaikki
- Salliminen
- mahdollistaa
- jo
- Amazon
- Amazon Sage Maker
- Amazon SageMaker -autopilotti
- Amazon SageMaker Canvas
- an
- analyysi
- analyytikko
- analyytikot
- analysoida
- ja
- Kaikki
- kaikkialla
- Hakemus
- hyväksyminen
- sovellukset
- arkkitehtuurin
- arkkitehtuuri
- OVAT
- AS
- Työtoveri
- At
- audio-
- auto
- automatisoida
- automaatti
- automaattisesti
- automaattisesti
- AutoML
- välttää
- AWS
- pohja
- BE
- ollut
- ennen
- hyödyttää
- PARAS
- välillä
- sekä
- tuoda
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- liiketoiminnot
- yritykset
- mutta
- by
- CAN
- kangas
- tapauksissa
- luettelo
- ketju
- maksut
- tarkastaa
- Valita
- napsauttaa
- koodi
- tehdä yhteistyötä
- yhteistyö
- Sarake
- kommentti
- täydellinen
- Console
- konsultointi
- Kontti
- sisältää
- ohjaus
- Ydin
- kustannukset
- luoda
- luotu
- luo
- Luominen
- luominen
- pisteitä
- asiakassuhde
- asiakas
- Asiakaspalvelu
- Asiakkaat
- tiedot
- Tietojen valmistelu
- tietojenkäsittely
- tietojen tutkija
- aineistot
- päivää
- oletusarvo
- Democratizing
- osoittaa
- osastot
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- lauennut
- suunnittelu
- yksityiskohdat
- Detection
- Kehitys
- eri
- vaikea
- suoraan
- löytää
- ei
- verkkotunnuksen
- Dont
- alas
- ajaa
- kaksi
- kukin
- Tehokas
- hyötysuhteet
- vaivaa
- myöskään
- mahdollistaa
- päittäin
- päätepiste
- insinööri
- yritys
- ympäristöissä
- esimerkki
- Esimerkit
- olemassa
- experience
- kokeilu
- asiantuntemus
- tutkia
- Tutkii
- Tutkiminen
- harvat
- Kuva
- filee
- rahoittaa
- Löytää
- Etunimi
- jälkeen
- varten
- Joukot
- petos
- petosten havaitseminen
- alkaen
- koko
- tehtävät
- tulevaisuutta
- tuottaa
- tuottaa
- Go
- Olla
- he
- otsikot
- korkeus
- auttaa
- auttaa
- auttaa
- siten
- hotellit
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- Napa
- tunnistaminen
- Identiteetti
- if
- tuoda
- tuovan
- parantaa
- in
- sisältää
- Mukaan lukien
- henkilökohtainen
- tiedot
- panos
- sen sijaan
- ohjeet
- integraatio
- liitäntä
- tulee
- kysymykset
- IT
- SEN
- Job
- jpg
- json
- vain
- avain
- Sukunimi
- Viime vuonna
- johtava
- OPPIA
- oppiminen
- jättää
- Pituus
- pitää
- tykkää
- rajoitukset
- linja
- lueteltu
- sijainti
- log
- Kirjaudu sisään
- näköinen
- ylläpitää
- tehdä
- hoitaa
- manuaalinen
- valmistus
- Marketing
- mitat
- keskikokoinen
- Metadata
- menetelmät
- Metrics
- ehkä
- mielessä
- minuuttia
- lieventää
- ML
- malli
- mallit
- kk
- lisää
- moninkertainen
- Musiikki
- täytyy
- nimi
- luonto
- suunnistus
- tarpeet
- Uusi
- Nro
- muistikirja
- ilmoituksen
- of
- usein
- on
- Laivalla
- ONE
- avoimen lähdekoodin
- Operations
- optimointi
- optimoimalla
- Vaihtoehto
- or
- organisaatioiden
- Muut
- ulos
- tuloksiin
- ulostulo
- ulkopuolella
- oma
- sivulla
- lasi
- Hyväksytty
- intohimoinen
- kuviot
- Oikeudet
- fyysinen
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- Kirje
- mahdollisesti
- ennustaa
- ennustus
- Ennusteet
- edellytyksiä
- Ongelma
- ongelmia
- prosessi
- Prosessit
- käsittely
- Tuotteet
- tuotanto
- projekti
- toimittaa
- mikäli
- tarjoaa
- laatu
- kysymykset
- alue
- vastaanottaa
- vähentää
- alue
- ilmoittautua
- rekisterin
- merkityksellinen
- vaatimukset
- Esittelymateriaalit
- Saatu ja
- tulot
- arviot
- Riski
- Rooli
- sagemaker
- myynti
- sama
- tiede
- Tiedemies
- tutkijat
- pisteytys
- Osa
- nähdä
- valitsemalla
- vanhempi
- palvelu
- Palvelut
- setti
- settings
- Jaa:
- yhteinen
- osakkeet
- jakaminen
- hän
- näyteikkuna
- sulkea
- samankaltainen
- Yksinkertainen
- single
- pieni
- So
- Tuotteemme
- Software Engineer
- Ratkaisumme
- SOLVE
- aloituksia
- Tila
- Askeleet
- Levytila
- verkkokaupasta
- strategiat
- studio
- niin
- toimittaa
- toimitusketju
- Toimitusketjun optimointi
- tuki
- synteettinen
- ottaa
- Kohde
- tehtävät
- tiimit
- Tekninen
- Telecom
- terminaali
- kuin
- että
- -
- heidän
- Niitä
- sitten
- Nämä
- ne
- tätä
- ne
- kolmella
- tiukempi
- aika
- että
- Juna
- koulutettu
- koulutus
- tyyppi
- varten
- yksiköt
- käyttää
- käytetty
- käyttäjä
- Käyttäjät
- käyttämällä
- validointi
- arvo
- arvon luomiseen
- versio
- Näytä
- näkyvyys
- visio
- we
- kun
- joka
- vaikka
- KUKA
- leveä
- Laaja valikoima
- with
- sisällä
- ilman
- Referenssit
- työskentely
- toimii
- kirjoittaminen
- vuosi
- vuotta
- Voit
- Sinun
- zephyrnet