अमेज़ॅन सेजमेकर कैनवास में निर्मित एमएल मॉडल को अमेज़ॅन सेजमेकर रीयल-टाइम एंडपॉइंट पर तैनात करें

प्लेटो द्वारा पुनर्प्रकाशित

अनुयायियों: 0

अमेज़ॅन सेजमेकर कैनवास अब मशीन लर्निंग (एमएल) मॉडल को वास्तविक समय अनुमान लगाने वाले अंतिम बिंदुओं पर तैनात करने का समर्थन करता है, जिससे आप अपने एमएल मॉडल को उत्पादन में ले जा सकते हैं और एमएल-संचालित अंतर्दृष्टि के आधार पर कार्रवाई कर सकते हैं। सेजमेकर कैनवस एक नो-कोड कार्यक्षेत्र है जो विश्लेषकों और नागरिक डेटा वैज्ञानिकों को उनकी व्यावसायिक आवश्यकताओं के लिए सटीक एमएल भविष्यवाणियां उत्पन्न करने में सक्षम बनाता है।

अब तक, सेजमेकर कैनवस एक एमएल मॉडल का मूल्यांकन करने, बड़े पैमाने पर भविष्यवाणियां उत्पन्न करने और अपने इंटरैक्टिव कार्यक्षेत्र के भीतर क्या-क्या विश्लेषण चलाने की क्षमता प्रदान करता था। लेकिन अब आप वास्तविक समय अनुमान के लिए मॉडलों को अमेज़ॅन सेजमेकर एंडपॉइंट पर भी तैनात कर सकते हैं, जिससे मॉडल भविष्यवाणियों का उपभोग करना और सेजमेकर कैनवस कार्यक्षेत्र के बाहर कार्रवाई करना आसान हो जाता है। सेजमेकर कैनवस से एमएल मॉडल को सीधे तैनात करने की क्षमता होने से एमएल मॉडल को उत्पादन में मैन्युअल रूप से निर्यात, कॉन्फ़िगर, परीक्षण और तैनात करने की आवश्यकता समाप्त हो जाती है, जिससे जटिलता कम होती है और समय की बचत होती है। यह कोड लिखने की आवश्यकता के बिना, व्यक्तियों के लिए परिचालन एमएल मॉडल को अधिक सुलभ बनाता है।

इस पोस्ट में, हम आपको इस प्रक्रिया के बारे में बताते हैं सेजमेकर कैनवस में एक मॉडल तैनात करें वास्तविक समय के समापन बिंदु तक।

समाधान का अवलोकन

हमारे उपयोग के मामले में, हम एक मोबाइल फोन ऑपरेटर के विपणन विभाग में एक व्यावसायिक उपयोगकर्ता की भूमिका निभा रहे हैं, और हमने मंथन के संभावित जोखिम वाले ग्राहकों की पहचान करने के लिए सेजमेकर कैनवस में सफलतापूर्वक एक एमएल मॉडल बनाया है। हमारे मॉडल द्वारा उत्पन्न भविष्यवाणियों के लिए धन्यवाद, अब हम इसे अपने विकास परिवेश से उत्पादन की ओर ले जाना चाहते हैं। अनुमान के लिए हमारे मॉडल एंडपॉइंट को तैनात करने की प्रक्रिया को सुव्यवस्थित करने के लिए, हम सेजमेकर कैनवस से सीधे एमएल मॉडल तैनात करते हैं, जिससे एमएल मॉडल को उत्पादन में मैन्युअल रूप से निर्यात, कॉन्फ़िगर, परीक्षण और तैनात करने की आवश्यकता समाप्त हो जाती है। यह जटिलता को कम करने में मदद करता है, समय बचाता है, और कोड लिखने की आवश्यकता के बिना, व्यक्तियों के लिए परिचालन एमएल मॉडल को अधिक सुलभ बनाता है।

वर्कफ़्लो चरण इस प्रकार हैं:

सेजमेकर कैनवस में वर्तमान ग्राहक आबादी के साथ एक नया डेटासेट अपलोड करें। समर्थित डेटा स्रोतों की पूरी सूची के लिए, देखें कैनवास में डेटा आयात करें.
एमएल मॉडल बनाएं और उनके प्रदर्शन मेट्रिक्स का विश्लेषण करें। निर्देशों के लिए, देखें एक कस्टम मॉडल बनाएं और अमेज़ॅन सेजमेकर कैनवास में अपने मॉडल के प्रदर्शन का मूल्यांकन करें.
स्वीकृत मॉडल संस्करण परिनियोजित करें वास्तविक समय अनुमान के लिए एक समापन बिंदु के रूप में।

आप कोड की एक भी पंक्ति लिखे बिना सेजमेकर कैनवास में इन चरणों को निष्पादित कर सकते हैं।

.. पूर्वापेक्षाएँ

इस पूर्वाभ्यास के लिए, सुनिश्चित करें कि निम्नलिखित पूर्वापेक्षाएँ पूरी होती हैं:

सेजमेकर एंडपॉइंट्स पर मॉडल संस्करण तैनात करने के लिए, सेजमेकर कैनवस एडमिन को सेजमेकर कैनवस उपयोगकर्ता को आवश्यक अनुमतियाँ देनी होंगी, जिन्हें आप सेजमेकर डोमेन में प्रबंधित कर सकते हैं जो आपके सेजमेकर कैनवस एप्लिकेशन को होस्ट करता है। अधिक जानकारी के लिए देखें कैनवास में अनुमतियाँ प्रबंधन.
में उल्लिखित पूर्वापेक्षाएँ लागू करें Amazon SageMaker Canvas का उपयोग करके नो-कोड मशीन लर्निंग के साथ ग्राहक मंथन की भविष्यवाणी करें.

अब आपके पास कैनवस में ऐतिहासिक मंथन पूर्वानुमान डेटा पर प्रशिक्षित तीन मॉडल संस्करण होने चाहिए:

1% के मॉडल स्कोर के साथ सभी 21 सुविधाओं और त्वरित बिल्ड कॉन्फ़िगरेशन के साथ प्रशिक्षित V96.903
V2 को सभी 19 विशेषताओं (फ़ोन और राज्य सुविधाओं को हटा दिया गया) और त्वरित बिल्ड कॉन्फ़िगरेशन और 97.403% की बेहतर सटीकता के साथ प्रशिक्षित किया गया
V3 को 97.103% मॉडल स्कोर के साथ मानक बिल्ड कॉन्फ़िगरेशन के साथ प्रशिक्षित किया गया

अमेज़ॅन सेजमेकर कैनवस में निर्मित एमएल मॉडल को अमेज़ॅन सेजमेकर रीयल-टाइम एंडपॉइंट पर तैनात करें | अमेज़ॅन वेब सेवाएँ प्लेटोब्लॉकचेन डेटा इंटेलिजेंस। लंबवत खोज. ऐ.

ग्राहक मंथन भविष्यवाणी मॉडल का प्रयोग करें

सक्षम उन्नत मेट्रिक्स दिखाएं मॉडल विवरण पृष्ठ पर और प्रत्येक मॉडल संस्करण से जुड़े उद्देश्य मेट्रिक्स की समीक्षा करें ताकि आप सेजमेकर को समापन बिंदु के रूप में तैनात करने के लिए सबसे अच्छा प्रदर्शन करने वाले मॉडल का चयन कर सकें।

प्रदर्शन मेट्रिक्स के आधार पर, हम तैनात किए जाने वाले संस्करण 2 का चयन करते हैं।

मॉडल परिनियोजन सेटिंग्स कॉन्फ़िगर करें-परिनियोजन नाम, इंस्टेंस प्रकार और इंस्टेंस गिनती।

शुरुआती बिंदु के रूप में, कैनवास स्वचालित रूप से आपके मॉडल परिनियोजन के लिए सर्वोत्तम इंस्टेंस प्रकार और इंस्टेंस की संख्या की अनुशंसा करेगा। आप इसे अपने कार्यभार की आवश्यकता के अनुसार बदल सकते हैं।

आप सीधे सेजमेकर कैनवस के भीतर से तैनात सेजमेकर अनुमान समापन बिंदु का परीक्षण कर सकते हैं।

आप अतिरिक्त मंथन पूर्वानुमान का अनुमान लगाने के लिए सेजमेकर कैनवस उपयोगकर्ता इंटरफ़ेस का उपयोग करके इनपुट मान बदल सकते हैं।

अब नेविगेट करते हैं अमेज़ॅन सैजमेकर स्टूडियो और तैनात समापन बिंदु की जाँच करें।

सेजमेकर स्टूडियो में एक नोटबुक खोलें और तैनात मॉडल एंडपॉइंट का अनुमान लगाने के लिए निम्नलिखित कोड चलाएँ। मॉडल समापन बिंदु नाम को अपने स्वयं के मॉडल समापन बिंदु नाम से बदलें।

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)

हमारा मूल मॉडल एंडपॉइंट एक ml.m5.xlarge इंस्टेंस और 1 इंस्टेंस गिनती का उपयोग कर रहा है। अब, मान लीजिए कि आप उम्मीद करते हैं कि आपके मॉडल एंडपॉइंट का अनुमान लगाने वाले अंतिम-उपयोगकर्ताओं की संख्या में वृद्धि होगी और आप अधिक गणना क्षमता का प्रावधान करना चाहते हैं। आप इसे चुनकर सीधे सेजमेकर कैनवस के भीतर से पूरा कर सकते हैं कॉन्फ़िगरेशन अद्यतन करें.

अमेज़ॅन सेजमेकर कैनवस में निर्मित एमएल मॉडल को अमेज़ॅन सेजमेकर रीयल-टाइम एंडपॉइंट पर तैनात करें | अमेज़ॅन वेब सेवाएँ प्लेटोब्लॉकचेन डेटा इंटेलिजेंस। लंबवत खोज. ऐ. अमेज़ॅन सेजमेकर कैनवस में निर्मित एमएल मॉडल को अमेज़ॅन सेजमेकर रीयल-टाइम एंडपॉइंट पर तैनात करें | अमेज़ॅन वेब सेवाएँ प्लेटोब्लॉकचेन डेटा इंटेलिजेंस। लंबवत खोज. ऐ.

क्लीन अप

भविष्य में शुल्क लगने से बचने के लिए, इस पोस्ट का अनुसरण करते समय आपके द्वारा बनाए गए संसाधनों को हटा दें। इसमें सेजमेकर कैनवस से लॉग आउट करना शामिल है तैनात किए गए SageMaker समापन बिंदु को हटाना. सेजमेकर कैनवस आपको सत्र की अवधि के लिए बिल देता है, और जब आप इसका उपयोग नहीं कर रहे हों तो हम सेजमेकर कैनवस से लॉग आउट करने की सलाह देते हैं। को देखें Amazon SageMaker कैनवास से लॉग आउट करना अधिक जानकारी के लिए.

निष्कर्ष

इस पोस्ट में, हमने चर्चा की कि कैसे सेजमेकर कैनवस एमएल मॉडल को वास्तविक समय अनुमान लगाने वाले अंतिम बिंदुओं पर तैनात कर सकता है, जिससे आप अपने एमएल मॉडल को उत्पादन में ले जा सकते हैं और एमएल-संचालित अंतर्दृष्टि के आधार पर कार्रवाई कर सकते हैं। हमारे उदाहरण में, हमने दिखाया कि कैसे एक विश्लेषक बिना किसी कोड को लिखे एक बेहद सटीक पूर्वानुमानित एमएल मॉडल बना सकता है, इसे सेजमेकर पर एंडपॉइंट के रूप में तैनात कर सकता है, और सेजमेकर कैनवस के साथ-साथ सेजमेकर स्टूडियो नोटबुक से मॉडल एंडपॉइंट का परीक्षण कर सकता है।

अपनी लो-कोड/नो-कोड एमएल यात्रा शुरू करने के लिए, देखें अमेज़ॅन सेजमेकर कैनवास.

लॉन्च में योगदान देने वाले सभी लोगों को विशेष धन्यवाद: प्रशांत कुरुमाद्दली, अभिषेक कुमार, एलन लियू, सीन लेस्टर, ऋचा सुंदरानी और एलिसिया क्यूई।

लेखक के बारे में

जनिशा आनंद अमेज़ॅन सेजमेकर लो/नो कोड एमएल टीम में एक वरिष्ठ उत्पाद प्रबंधक हैं, जिसमें सेजमेकर कैनवास और सेजमेकर ऑटोपायलट शामिल हैं। वह कॉफ़ी का आनंद लेती है, सक्रिय रहती है और अपने परिवार के साथ समय बिताती है।

इंडी साहनी अमेज़ॅन वेब सर्विसेज में एक वरिष्ठ ग्राहक समाधान नेता हैं। ग्राहकों की समस्याओं से हमेशा पीछे की ओर काम करते हुए, इंडी अपनी अनूठी क्लाउड परिवर्तन यात्रा के माध्यम से AWS एंटरप्राइज़ ग्राहक अधिकारियों को सलाह देता है। उनके पास उद्यम संगठनों को उभरती प्रौद्योगिकियों और व्यावसायिक समाधानों को अपनाने में मदद करने का 25 वर्षों से अधिक का अनुभव है। इंडी एआई/एमएल के लिए एडब्ल्यूएस के तकनीकी क्षेत्र समुदाय के साथ गहन विशेषज्ञ का एक क्षेत्र है, जो जेनरेटिव एआई और लो-कोड/नो-कोड अमेज़ॅन सेजमेकर समाधानों में विशेषज्ञता रखता है।