Amazon SageMakerStudio est un environnement de développement intégré (IDE) basé sur le Web pour l'apprentissage automatique (ML) qui vous permet de créer, former, déboguer, déployer et surveiller vos modèles ML. SageMaker Studio fournit tous les outils dont vous avez besoin pour faire passer vos modèles de la préparation des données à l'expérimentation jusqu'à la production tout en augmentant votre productivité.
Toile Amazon SageMaker est un puissant outil de ML sans code conçu pour les équipes commerciales et de données afin de générer des prédictions précises sans écrire de code ni avoir une vaste expérience en ML. Grâce à son interface visuelle intuitive, SageMaker Canvas simplifie le processus de chargement, de nettoyage et de transformation des ensembles de données, ainsi que de création de modèles ML, le rendant ainsi accessible à un public plus large.
Cependant, à mesure que vos besoins en matière de ML évoluent ou si vous avez besoin d'une personnalisation et d'un contrôle plus avancés, vous souhaiterez peut-être passer d'un environnement sans code à une approche axée d'abord sur le code. C'est là que l'intégration transparente entre SageMaker Canvas et SageMaker Studio entre en jeu.
Dans cet article, nous présentons une solution pour les types d'utilisateurs suivants :
- Experts non-ML tels que des analystes commerciaux, des ingénieurs de données ou des développeurs, qui sont des experts du domaine et sont intéressés par les outils low-code no-code (LCNC) pour les guider dans la préparation des données pour le ML et la création de modèles de ML. Ce personnage est généralement uniquement un utilisateur de SageMaker Canvas et s'appuie souvent sur les experts en ML de son organisation pour examiner et approuver son travail.
- Experts en ML qui s'intéressent à la manière dont les outils LCNC peuvent accélérer certaines parties du cycle de vie du ML (telles que la préparation des données), mais sont également susceptibles d'adopter une approche high-code pour certaines parties du cycle de vie du ML (telles que la création de modèles). Ce personnage est généralement un utilisateur de SageMaker Studio qui peut également être un utilisateur de SageMaker Canvas. Les experts en ML jouent également souvent un rôle dans l'examen et l'approbation du travail d'experts non-ML pour les cas d'utilisation en production.
L’utilité des solutions proposées dans cet article est double. Premièrement, en démontrant comment partager des modèles sur SageMaker Canvas et SageMaker Studio, les experts non-ML et ML peuvent collaborer dans leurs environnements préférés, qui peuvent être un environnement sans code (SageMaker Canvas) pour les non-experts et un environnement high-code. environnement (SageMaker Studio) pour les experts. Deuxièmement, en démontrant comment partager un modèle de SageMaker Canvas vers SageMaker Studio, nous montrons comment les experts en ML qui souhaitent passer d'une approche LCNC pour le développement à une approche high-code pour la production peuvent le faire dans les environnements SageMaker. La solution décrite dans cet article s'adresse aux utilisateurs du nouveau SageMaker Studio. Pour les utilisateurs de SageMaker Studio Classic, voir Collaborer avec des data scientists pour savoir comment effectuer une transition transparente entre SageMaker Canvas et SageMaker Studio Classic.
Vue d'ensemble de la solution
Pour passer en toute transparence du ML sans code au ML avec code d'abord avec SageMaker Canvas et SageMaker Studio, nous avons présenté deux options. Vous pouvez choisir l'option en fonction de vos besoins. Dans certains cas, vous pourriez décider d’utiliser les deux options en parallèle.
- Option 1 : registre de modèles SageMaker – Un utilisateur de SageMaker Canvas enregistre son modèle dans le Registre de modèles Amazon SageMaker, en appelant un workflow de gouvernance permettant aux experts en ML d'examiner les détails et les métriques du modèle, puis de l'approuver ou de le rejeter, après quoi l'utilisateur peut déployer le modèle approuvé à partir de SageMaker Canvas. Cette option est un processus de partage automatisé vous offrant une gouvernance et un suivi des approbations intégrés. Vous pouvez afficher les métriques du modèle ; cependant, la visibilité sur le code et l'architecture du modèle est limitée. Le diagramme suivant illustre l'architecture.
- Option 2 : exportation du bloc-notes – Dans cette option, l'utilisateur de SageMaker Canvas exporte le bloc-notes complet de SageMaker Canvas vers Service de stockage simple Amazon (Amazon S3), puis le partage avec des experts en ML pour l'importer dans SageMaker Studio, permettant une visibilité et une personnalisation complètes du code et de la logique du modèle avant que l'expert en ML ne déploie le modèle amélioré. Dans cette option, vous bénéficiez d'une visibilité complète du code et de l'architecture du modèle, avec la possibilité pour l'expert en ML de personnaliser et d'améliorer le modèle dans SageMaker Studio. Cependant, cette option nécessite une exportation et une importation manuelles du modèle de notebook dans l'EDI. Le diagramme suivant illustre cette architecture.
Les phases suivantes décrivent les étapes de la collaboration :
- Partager – L'utilisateur de SageMaker Canvas enregistre le modèle depuis SageMaker Canvas ou télécharge le notebook depuis SageMaker Canvas
- Avis – L'utilisateur de SageMaker Studio accède au modèle via le registre des modèles pour examiner et exécuter le notebook exporté via JupyterLab afin de valider le modèle.
- Garantie – L'utilisateur de SageMaker Studio approuve le modèle à partir du registre des modèles
- Déployer – L'utilisateur de SageMaker Studio peut déployer le modèle depuis JupyterLab, ou l'utilisateur de SageMaker Canvas peut déployer le modèle depuis SageMaker Canvas.
Examinons en détail les deux options (registre de modèle et exportation de bloc-notes) au sein de chaque étape.
Pré-requis
Avant de vous lancer dans la solution, assurez-vous d'être inscrit et d'avoir créé un compte AWS. Ensuite, vous devez créer un utilisateur administratif et un groupe. Pour obtenir des instructions sur les deux étapes, reportez-vous à Configurer les prérequis d'Amazon SageMaker. Vous pouvez ignorer cette étape si vous disposez déjà de votre propre version de SageMaker Studio.
Remplissez le prérequis pour la configuration de SageMaker Canvas et les créer le modèle de votre choix pour votre cas d'utilisation.
Partager le modèle
L'utilisateur de SageMaker Canvas partage le modèle avec l'utilisateur de SageMaker Studio soit en l'enregistrant dans le registre des modèles SageMaker, ce qui déclenche un flux de travail de gouvernance, soit en téléchargeant le bloc-notes complet depuis SageMaker Canvas et en le fournissant à l'utilisateur de SageMaker Studio.
Registre de modèles SageMaker
Pour déployer à l'aide de SageMaker Model Registry, procédez comme suit :
- Une fois un modèle créé dans SageMaker Canvas, choisissez le menu d'options (trois points verticaux) et choisissez Ajouter au registre des modèles.
- Entrez un nom pour le groupe de modèles.
- Selectionnez Ajouter.
Vous pouvez maintenant voir que le modèle est enregistré.
Vous pouvez également voir que le modèle est en attente d’approbation.
Exportation de bloc-notes SageMaker
Pour déployer à l'aide d'un bloc-notes SageMaker, procédez comme suit :
- Dans le menu des options, choisissez Afficher le bloc-notes.
- Selectionnez Copier l'URI S3.
Vous pouvez désormais partager l'URI S3 avec l'utilisateur de SageMaker Studio.
Revoir le modèle
L'utilisateur de SageMaker Studio accède au modèle partagé via le registre de modèles pour examiner ses détails et ses métriques, ou il peut importer le notebook exporté dans SageMaker Studio et utiliser les notebooks Jupyter pour valider minutieusement le code, la logique et les performances du modèle.
Registre de modèles SageMaker
Pour utiliser le registre de modèles, procédez comme suit :
- Sur la console SageMaker Studio, choisissez Des modèles photo dans le volet de navigation.
- Selectionnez Modèles déposés.
- Choisissez votre modèle.
Vous pouvez consulter les détails du modèle et voir que le statut est en attente.
Vous pouvez également consulter les différentes métriques pour vérifier les performances du modèle.
Vous pouvez afficher les métriques du modèle ; cependant, la visibilité sur le code et l'architecture du modèle est limitée. Si vous souhaitez une visibilité complète du code et de l'architecture du modèle avec la possibilité de personnaliser et d'améliorer le modèle, utilisez l'option d'exportation de bloc-notes.
Exportation de bloc-notes SageMaker
Pour utiliser l'option d'exportation de bloc-notes en tant qu'utilisateur de SageMaker Studio, procédez comme suit.
- Lancez SageMaker Studio et choisissez laboratoire jupyter sous Applications.
- Ouvrez l'espace JupyterLab. Si vous n'avez pas d'espace JupyterLab, vous pouvez en créer un.
- Ouvrez un terminal et exécutez la commande suivante pour copier le bloc-notes d'Amazon S3 vers SageMaker Studio (le numéro de compte dans l'exemple suivant est remplacé par
awsaccountnumber
): - Une fois le notebook téléchargé, vous pouvez l'ouvrir et l'exécuter pour une évaluation plus approfondie.
Approuver le modèle
Après un examen complet, l'utilisateur de SageMaker Studio peut prendre une décision éclairée d'approuver ou de rejeter le modèle dans le registre des modèles en fonction de son évaluation de sa qualité, de sa précision et de son adéquation au cas d'utilisation prévu.
Pour les utilisateurs qui ont enregistré leur modèle via l'interface utilisateur Canvas, veuillez suivre les étapes ci-dessous pour approuver le modèle. Pour les utilisateurs qui ont exporté le bloc-notes modèle à partir de l'interface utilisateur Canvas, vous pouvez enregistrer et approuver le modèle à l'aide du registre de modèles SageMaker. Toutefois, ces étapes ne sont pas obligatoires.
Registre de modèles SageMaker
En tant qu'utilisateur de SageMaker Studio, lorsque vous êtes à l'aise avec le modèle, vous pouvez mettre à jour le statut sur approuvé. L'approbation a lieu uniquement dans le registre de modèles SageMaker. Effectuez les étapes suivantes :
- Dans SageMaker Studio, accédez à la version du modèle.
- Dans le menu des options, choisissez État de mise à jour et les A approuvé.
- Saisissez un commentaire facultatif et choisissez Enregistrer et mettre à jour.
Vous pouvez maintenant voir que le modèle est approuvé.
Déployer le modèle
Une fois que le modèle est prêt à être déployé (il a reçu les examens et approbations nécessaires), les utilisateurs disposent de deux options. Pour les utilisateurs qui ont adopté l'approche du registre modèle, ils peuvent déployer à partir de SageMaker Studio ou de SageMaker Canvas. Pour les utilisateurs qui ont adopté l'approche d'exportation de bloc-notes modèle, ils peuvent déployer à partir de SageMaker Studio. Les deux options de déploiement sont détaillées ci-dessous.
Déployer via SageMaker Studio
L'utilisateur de SageMaker Studio peut déployer le modèle depuis l'espace JupyterLab.
Une fois le modèle déployé, vous pouvez accéder à la console SageMaker, choisir Endpoints sous Inférence dans le volet de navigation et affichez le modèle.
Déployer via SageMaker Canvas
Alternativement, si le déploiement est géré par l'utilisateur de SageMaker Canvas, vous pouvez déployer le modèle à partir de SageMaker Canvas.
Une fois le modèle déployé, vous pouvez accéder au Endpoints sur la console SageMaker pour afficher le modèle.
Nettoyer
Pour éviter d'encourir des frais de session futurs, déconnectez-vous de SageMaker Canvas.
Pour éviter des frais permanents, supprimez les points de terminaison d'inférence SageMaker. Vous pouvez supprimer les terminaux via la console SageMaker ou depuis le notebook SageMaker Studio à l'aide des commandes suivantes :
Conclusion
Auparavant, vous pouviez uniquement partager des modèles avec SageMaker Canvas (ou afficher les modèles SageMaker Canvas partagés) dans SageMaker Studio Classic. Dans cet article, nous avons montré comment partager des modèles créés dans SageMaker Canvas avec SageMaker Studio afin que différentes équipes puissent collaborer et que vous puissiez passer d'un chemin de déploiement sans code à un chemin de déploiement à code élevé. En utilisant SageMaker Model Registry ou en exportant des blocs-notes, les experts en ML et les non-experts peuvent collaborer, examiner et améliorer les modèles sur ces plates-formes, permettant ainsi un flux de travail fluide depuis la préparation des données jusqu'au déploiement en production.
Pour plus d'informations sur la collaboration sur des modèles à l'aide de SageMaker Canvas, reportez-vous à Construire, partager, déployer : comment les analystes commerciaux et les spécialistes des données accélèrent la mise sur le marché à l'aide de ML sans code et d'Amazon SageMaker Canvas.
À propos des auteurs
Rajakumar Sampathkumar est responsable de compte technique principal chez AWS, fournissant des conseils aux clients sur l'alignement des technologies commerciales et soutenant la réinvention de leurs modèles et processus d'exploitation cloud. Il est passionné par le cloud et l'apprentissage automatique. Raj est également un spécialiste de l'apprentissage automatique et travaille avec les clients AWS pour concevoir, déployer et gérer leurs charges de travail et architectures AWS.
Meenakshisundaram Thandavarayan travaille pour AWS en tant que spécialiste IA/ML. Il a une passion pour la conception, la création et la promotion d'expériences de données et d'analyse centrées sur l'humain. Meena se concentre sur le développement de systèmes durables qui offrent des avantages compétitifs mesurables aux clients stratégiques d'AWS. Meena est une penseuse du connecteur et du design et s'efforce de conduire les entreprises vers de nouvelles façons de travailler grâce à l'innovation, à l'incubation et à la démocratisation.
Claire O'Brien Rajkumar est un chef de produit senior au sein de l'équipe Amazon SageMaker, axé sur SageMaker Canvas, l'espace de travail low-code et sans code de SageMaker pour le ML et l'IA générative. SageMaker Canvas aide à démocratiser le ML et l'IA générative en réduisant les obstacles à l'adoption pour ceux qui découvrent le ML et en accélérant les flux de travail pour les praticiens avancés.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/seamlessly-transition-between-no-code-and-code-first-machine-learning-with-amazon-sagemaker-canvas-and-amazon-sagemaker-studio/
- :possède
- :est
- :ne pas
- :où
- $UP
- 1
- 100
- 204
- 378
- 7
- 9
- a
- capacité
- A Propos
- accélérer
- accélérer
- accessible
- Compte
- précision
- Avec cette connaissance vient le pouvoir de prendre
- atteindre
- à travers
- ajouter
- administratif
- Adoption
- Avancée
- avantages
- Après
- AI
- alignement
- Tous
- déjà
- aussi
- Amazon
- Amazon Sage Maker
- Toile Amazon SageMaker
- Amazon SageMakerStudio
- Amazon Web Services
- an
- Analystes
- analytique
- et les
- une approche
- approbation
- approbations
- approuver
- ,
- architecture
- architectures
- SONT
- AS
- Évaluation de risque climatique
- At
- public
- Automatisation
- éviter
- AWS
- obstacles
- basé
- BE
- before
- ci-dessous
- jusqu'à XNUMX fois
- stimuler
- tous les deux
- plus large
- construire
- Développement
- construit
- intégré
- la performance des entreprises
- mais
- by
- CAN
- candidat
- la toile
- maisons
- cas
- certaines
- modifié
- des charges
- vérifier
- le choix
- Selectionnez
- classiques
- le cloud
- code
- collaborons
- collaboration
- collaboration
- vient
- confortable
- commentaire
- compétitif
- complet
- complet
- Console
- des bactéries
- copier
- pourriez
- engendrent
- créée
- des clients
- Clients
- personnalisation
- personnaliser
- données
- Préparation des données
- ensembles de données
- décider
- décision
- livrer
- demandes
- démocratisation
- démocratiser
- démontrer
- déployer
- déployé
- déploiement
- déploie
- décrire
- Conception
- un
- détail
- détaillé
- détails
- mobiles
- développement
- Développement
- diagramme
- différent
- plongeon
- do
- domaine
- Ne pas
- téléchargés
- téléchargement
- téléchargements
- motivation
- chacun
- non plus
- permettant
- Les ingénieurs
- de renforcer
- améliorée
- Environment
- environnements
- évaluer
- évolue
- exemple
- d'experience
- Expériences
- expert
- de santé
- Exporter
- l'exportation
- exportations
- les
- plus rapide
- concentré
- suivre
- Abonnement
- Pour
- De
- plein
- plus
- avenir
- générer
- génératif
- IA générative
- gouvernance
- Réservation de groupe
- l'orientation
- guide
- arrive
- Vous avez
- ayant
- he
- aide
- Comment
- How To
- Cependant
- HTML
- http
- HTTPS
- if
- illustre
- importer
- in
- INCUBATION
- d'information
- Actualités
- Innovation
- Des instructions
- des services
- l'intégration
- prévu
- intéressé
- Interfaces
- développement
- intuitif
- IT
- SES
- jpeg
- jpg
- laboratoire
- apprentissage
- Allons-y
- vos produits
- Probable
- limité
- chargement
- enregistrer
- logique
- Style
- Réduction du coût
- click
- machine learning
- a prendre une
- Fabrication
- gérer
- manager
- Manuel
- Mai..
- Menu
- Métrique
- pourrait
- ML
- modèle
- numériques jumeaux (digital twin models)
- Surveiller
- PLUS
- prénom
- NAVIGUER
- Navigation
- nécessaire
- Besoin
- Besoins
- Nouveauté
- non-spécialistes
- cahier
- maintenant
- nombre
- of
- souvent
- on
- ONE
- en cours
- uniquement
- ouvert
- opération
- Option
- Options
- or
- organisation
- ande
- décrit
- propre
- pain
- Parallèle
- les pièces
- passion
- passionné
- chemin
- En attente
- performant
- phases
- Pivoter
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Jouez
- veuillez cliquer
- Post
- solide
- Prédictions
- Predictor
- préféré
- préparation
- en train de préparer
- représentent
- Directeur
- processus
- les process
- Produit
- chef de produit
- Vidéo
- productivité
- promouvoir
- proposé
- fournit
- aportando
- qualité
- solutions
- reçu
- reportez-vous
- vous inscrire
- inscrit
- enregistrement
- registres
- enregistrement
- repose
- exigent
- conditions
- Exigences
- Avis
- examen
- Avis
- Rôle
- Courir
- pour le running
- sagemaker
- Inférence SageMaker
- scientifiques
- fluide
- de façon transparente
- sur le lien
- Services
- Session
- mise
- Partager
- commun
- Partages
- partage
- montrer
- montré
- signé
- étapes
- simplifie
- lisse
- So
- sur mesure
- Solutions
- quelques
- Space
- spécialiste
- Statut
- étapes
- Étapes
- storage
- Stratégique
- s'efforce
- studio
- tel
- pertinence
- Appuyer
- sûr
- durable
- Système
- Prenez
- équipe
- équipes
- Technique
- terminal
- qui
- Le
- leur
- Les
- puis
- Là.
- Ces
- l'ont
- penseur
- this
- complètement
- ceux
- trois
- Avec
- à
- a
- outil
- les outils
- Tracking
- Train
- transformer
- transition
- essais cliniques
- deux
- double
- types
- typiquement
- ui
- sous
- Mises à jour
- utilisé
- cas d'utilisation
- Utilisateur
- utilisateurs
- en utilisant
- utilitaire
- VALIDER
- version
- vertical
- via
- Voir
- définition
- visuel
- souhaitez
- façons
- we
- web
- services Web
- Basé sur le Web
- quand
- qui
- tout en
- WHO
- comprenant
- dans les
- sans
- activités principales
- workflow
- workflows
- de travail
- vos contrats
- écriture
- Vous n'avez
- Votre
- zéphyrnet