Amazon SageMaker Canvas | में नो-कोड मशीन लर्निंग समाधान बनाने के लिए Amazon DocumentDB का उपयोग करें अमेज़न वेब सेवाएँ

हम इसके लॉन्च की घोषणा करते हुए उत्साहित हैं Amazon DocumentDB (MongoDB संगतता के साथ) के साथ एकीकरण अमेज़ॅन सेजमेकर कैनवास, अमेज़ॅन डॉक्यूमेंटडीबी ग्राहकों को कोड लिखे बिना जेनरेटिव एआई और मशीन लर्निंग (एमएल) समाधान बनाने और उपयोग करने की अनुमति देता है। अमेज़ॅन डॉक्यूमेंटडीबी एक पूरी तरह से प्रबंधित देशी JSON दस्तावेज़ डेटाबेस है जो बुनियादी ढांचे के प्रबंधन के बिना लगभग किसी भी पैमाने पर महत्वपूर्ण दस्तावेज़ वर्कलोड को संचालित करने को सरल और लागत प्रभावी बनाता है। अमेज़ॅन सेजमेकर कैनवस एक नो-कोड एमएल वर्कस्पेस है जो फाउंडेशन मॉडल सहित उपयोग के लिए तैयार मॉडल और डेटा तैयार करने और कस्टम मॉडल बनाने और तैनात करने की क्षमता प्रदान करता है।

इस पोस्ट में, हम चर्चा करते हैं कि Amazon DocumentDB में संग्रहीत डेटा को SageMaker Canvas में कैसे लाया जाए और पूर्वानुमानित विश्लेषण के लिए ML मॉडल बनाने के लिए उस डेटा का उपयोग किया जाए। डेटा पाइपलाइन बनाने और बनाए रखने के बिना, आप Amazon DocumentDB में संग्रहीत अपने असंरचित डेटा के साथ एमएल मॉडल को पावर देने में सक्षम होंगे।

समाधान अवलोकन

आइए एक खाद्य वितरण कंपनी के लिए एक व्यवसाय विश्लेषक की भूमिका ग्रहण करें। आपका मोबाइल ऐप अपनी स्केलेबिलिटी और लचीली स्कीमा क्षमताओं के कारण Amazon DocumentDB में रेस्तरां के बारे में जानकारी संग्रहीत करता है। आप इस डेटा पर अंतर्दृष्टि इकट्ठा करना चाहते हैं और यह अनुमान लगाने के लिए एक एमएल मॉडल बनाना चाहते हैं कि नए रेस्तरां को कैसे रेट किया जाएगा, लेकिन असंरचित डेटा पर विश्लेषण करना चुनौतीपूर्ण लगता है। आपको बाधाओं का सामना करना पड़ता है क्योंकि इन लक्ष्यों को पूरा करने के लिए आपको डेटा इंजीनियरिंग और डेटा विज्ञान टीमों पर निर्भर रहने की आवश्यकता होती है।

यह नया एकीकरण Amazon DocumentDB डेटा को SageMaker Canvas में लाना और तुरंत ML के लिए डेटा तैयार करना और उसका विश्लेषण करना आसान बनाकर इन समस्याओं का समाधान करता है। इसके अतिरिक्त, सेजमेकर कैनवस उच्च-गुणवत्ता वाले मॉडल बनाने और भविष्यवाणियां उत्पन्न करने के लिए एमएल विशेषज्ञता पर निर्भरता को हटा देता है।

हम निम्नलिखित चरणों में प्रदर्शित करते हैं कि सेजमेकर कैनवास में एमएल मॉडल बनाने के लिए अमेज़ॅन डॉक्यूमेंटडीबी डेटा का उपयोग कैसे करें:

1. सेजमेकर कैनवस में एक Amazon DocumentDB कनेक्टर बनाएं।
2. जेनरेटिव एआई का उपयोग करके डेटा का विश्लेषण करें।
3. मशीन लर्निंग के लिए डेटा तैयार करें।
4. एक मॉडल बनाएं और भविष्यवाणियां उत्पन्न करें।

.. पूर्वापेक्षाएँ

इस समाधान को लागू करने के लिए, निम्नलिखित आवश्यक शर्तें पूरी करें:

1. के साथ AWS क्लाउड एडमिन एक्सेस प्राप्त करें AWS पहचान और अभिगम प्रबंधन (मैं हूँ) उपयोगकर्ता एकीकरण को पूरा करने के लिए आवश्यक अनुमतियों के साथ।
2. का उपयोग करके पर्यावरण सेटअप पूरा करें एडब्ल्यूएस CloudFormation निम्नलिखित विकल्पों में से किसी एक के माध्यम से:
   1. एक क्लाउडफॉर्मेशन टेम्पलेट को एक नए वीपीसी में तैनात करें - यह विकल्प एक नया AWS वातावरण बनाता है जिसमें VPC, निजी सबनेट, सुरक्षा समूह, IAM निष्पादन भूमिकाएँ शामिल हैं। अमेज़न Cloud9, आवश्यक वीपीसी समापन बिंदु, तथा सेजमेकर डोमेन. इसके बाद यह Amazon DocumentDB को इस नए VPC में तैनात करता है। डाउनलोड करें टेम्पलेट या चुनकर क्लाउडफॉर्मेशन स्टैक को त्वरित रूप से लॉन्च करें स्टैक लॉन्च करें:
      
   2. मौजूदा वीपीसी में क्लाउडफॉर्मेशन टेम्पलेट तैनात करें - यह विकल्प निजी सबनेट के साथ मौजूदा वीपीसी में आवश्यक वीपीसी एंडपॉइंट, आईएएम निष्पादन भूमिकाएं और सेजमेकर डोमेन बनाता है। डाउनलोड करें टेम्पलेट या चुनकर क्लाउडफॉर्मेशन स्टैक को त्वरित रूप से लॉन्च करें स्टैक लॉन्च करें:
      

ध्यान दें कि यदि आप एक नया सेजमेकर डोमेन बना रहे हैं, तो आपको अमेज़ॅन डॉक्यूमेंटडीबी में कनेक्टर जोड़ने में सक्षम होने के लिए इंटरनेट एक्सेस के बिना एक निजी वीपीसी में डोमेन को कॉन्फ़िगर करना होगा। अधिक जानने के लिए, देखें इंटरनेट एक्सेस के बिना वीपीसी में अमेज़ॅन सेजमेकर कैनवास कॉन्फ़िगर करें.

3. का पालन करें ट्यूटोरियल Amazon DocumentDB में नमूना रेस्तरां डेटा लोड करने के लिए।
4. अमेज़ॅन बेडरॉक और उसके भीतर एंथ्रोपिक क्लाउड मॉडल तक पहुंच जोड़ें। अधिक जानकारी के लिए देखें मॉडल एक्सेस जोड़ें.

सेजमेकर कैनवस में एक Amazon DocumentDB कनेक्टर बनाएं

अपना सेजमेकर डोमेन बनाने के बाद, निम्नलिखित चरणों को पूरा करें:

1. Amazon DocumentDB कंसोल पर, चुनें नो-कोड मशीन लर्निंग नेविगेशन फलक में
2. के अंतर्गत एक डोमेन और प्रोफ़ाइल चुनें¸ अपना सेजमेकर डोमेन और उपयोगकर्ता प्रोफ़ाइल चुनें।
3. चुनें कैनवास लॉन्च करें सेजमेकर कैनवस को एक नए टैब में लॉन्च करने के लिए।
   

जब सेजमेकर कैनवस लोड होना समाप्त हो जाएगा, तो आप इस पर उतरेंगे डेटा प्रवाह टैब.

4. चुनें बनाएं एक नया डेटा प्रवाह बनाने के लिए.
   
5. अपने डेटा प्रवाह के लिए एक नाम दर्ज करें और चुनें बनाएं.
6. चुनकर एक नया Amazon DocumentDB कनेक्शन जोड़ें आयात आंकड़ा, उसके बाद चुनो तालिका का एसटी डेटासेट प्रकार.
7. पर आयात आंकड़ा पेज, के लिए डेटा स्रोत, चुनें दस्तावेज़डीबी और कनेक्शन जोड़ें.
   
8. डेमो जैसा कनेक्शन नाम दर्ज करें और अपना वांछित Amazon DocumentDB क्लस्टर चुनें।

ध्यान दें कि सेजमेकर कैनवास आपके सेजमेकर डोमेन के समान वीपीसी में क्लस्टर के साथ ड्रॉप-डाउन मेनू को पहले से भर देगा।

9. उपयोगकर्ता नाम, पासवर्ड और डेटाबेस नाम दर्ज करें।
10. अंत में, अपनी पढ़ने की प्राथमिकता चुनें।

प्राथमिक उदाहरणों के प्रदर्शन की सुरक्षा के लिए, सेजमेकर कैनवास डिफ़ॉल्ट है माध्यमिक, जिसका अर्थ है कि यह केवल द्वितीयक उदाहरणों से ही पढ़ा जाएगा। जब पढ़ा जाए तो प्राथमिकता है माध्यमिक को प्राथमिकता, सेजमेकर कैनवस उपलब्ध द्वितीयक उदाहरणों से पढ़ता है, लेकिन यदि कोई द्वितीयक उदाहरण उपलब्ध नहीं है तो प्राथमिक उदाहरण से पढ़ेगा। Amazon DocumentDB कनेक्शन को कॉन्फ़िगर करने के तरीके के बारे में अधिक जानकारी के लिए, देखें AWS में संग्रहीत डेटाबेस से कनेक्ट करें.

11. चुनें कनेक्शन जोड़ें.
    

यदि कनेक्शन सफल होता है, तो आप अपने Amazon DocumentDB डेटाबेस में संग्रहों को तालिकाओं के रूप में देखेंगे।

12. अपनी पसंद की तालिका को रिक्त कैनवास पर खींचें। इस पोस्ट के लिए, हम अपना रेस्तरां डेटा जोड़ते हैं।

पहली 100 पंक्तियाँ पूर्वावलोकन के रूप में प्रदर्शित की जाती हैं।

13. अपने डेटा का विश्लेषण और तैयारी शुरू करने के लिए चुनें आयात आंकड़ा.
    
14. डेटासेट नाम दर्ज करें और चुनें आयात आंकड़ा.

जेनरेटिव एआई का उपयोग करके डेटा का विश्लेषण करें

इसके बाद, हम अपने डेटा पर कुछ अंतर्दृष्टि प्राप्त करना चाहते हैं और पैटर्न देखना चाहते हैं। सेजमेकर कैनवास डेटा का विश्लेषण और तैयार करने के लिए एक प्राकृतिक भाषा इंटरफ़ेस प्रदान करता है। जब जानकारी टैब लोड होता है, आप निम्न चरणों के साथ अपने डेटा के साथ चैट करना शुरू कर सकते हैं:

1. चुनें डेटा तैयारी के लिए चैट करें.
   
2. निम्नलिखित स्क्रीनशॉट में दिखाए गए नमूनों की तरह प्रश्न पूछकर अपने डेटा के बारे में जानकारी इकट्ठा करें।
   

डेटा का पता लगाने और तैयार करने के लिए प्राकृतिक भाषा का उपयोग कैसे करें, इसके बारे में अधिक जानने के लिए देखें अमेज़ॅन सेजमेकर कैनवस की नई क्षमता के साथ डेटा का पता लगाने और तैयार करने के लिए प्राकृतिक भाषा का उपयोग करें.

आइए सेजमेकर कैनवस डेटा क्वालिटी और इनसाइट्स रिपोर्ट का उपयोग करके अपने डेटा गुणवत्ता को गहराई से समझें, जो स्वचालित रूप से डेटा गुणवत्ता का मूल्यांकन करता है और असामान्यताओं का पता लगाता है।

3. पर का विश्लेषण करती है टैब चुनें डेटा गुणवत्ता और अंतर्दृष्टि रिपोर्ट.
4. चुनें rating लक्ष्य स्तंभ के रूप में और प्रतीपगमन समस्या प्रकार के अनुसार, फिर चुनें बनाएं.

यह मॉडल प्रशिक्षण का अनुकरण करेगा और मशीन लर्निंग के लिए हम अपने डेटा को कैसे बेहतर बना सकते हैं, इस पर अंतर्दृष्टि प्रदान करेगा। पूरी रिपोर्ट कुछ ही मिनटों में तैयार हो जाती है।

हमारी रिपोर्ट से पता चलता है कि हमारे लक्ष्य में 2.47% पंक्तियों में गुम मान हैं—हम अगले चरण में इसका समाधान करेंगे। इसके अतिरिक्त, विश्लेषण से पता चलता है कि address line 2, name, तथा type_of_food हमारे डेटा में सुविधाओं की पूर्वानुमान शक्ति सबसे अधिक है। यह इंगित करता है कि स्थान और भोजन जैसी बुनियादी रेस्तरां जानकारी का रेटिंग पर अत्यधिक प्रभाव पड़ सकता है।

मशीन लर्निंग के लिए डेटा तैयार करें

सेजमेकर कैनवस आपके आयातित डेटा को तैयार करने के लिए 300 से अधिक अंतर्निहित परिवर्तनों की पेशकश करता है। सेजमेकर कैनवस की परिवर्तन सुविधाओं के बारे में अधिक जानकारी के लिए, देखें उन्नत परिवर्तनों के साथ डेटा तैयार करें. आइए एमएल मॉडल के प्रशिक्षण के लिए अपना डेटा तैयार करने के लिए कुछ परिवर्तन जोड़ें।

1. वापस नेविगेट करें डेटा प्रवाह पृष्ठ के शीर्ष पर अपने डेटा प्रवाह का नाम चुनकर पृष्ठ।
2. के आगे धन चिह्न चुनें जानकारी का प्रकार और चुनें परिवर्तन जोड़ें.
   
3. चुनें चरण जोड़ें.
4. आइए इसका नाम बदलें address line 2 करने के लिए स्तंभ cities.
   1. चुनें कॉलम प्रबंधित करें.
   2. चुनें कॉलम का नाम बदलें एसटी बदालना.
   3. चुनें address line 2 एसटी इनपुट कॉलम, दर्ज cities एसटी नया नाम, और चुनें .
      
5. इसके अतिरिक्त, आइए कुछ अनावश्यक कॉलम हटा दें।
   1. एक नया परिवर्तन जोड़ें.
   2. के लिए बदालना, चुनें स्तंभ छोड़ें.
   3. के लिए छोड़ने के लिए कॉलम, चुनें URL और restaurant_id.
   4. चुनें .
      [
6. हमारे rating फ़ीचर कॉलम में कुछ लुप्त मान हैं, तो आइए उन पंक्तियों को इस कॉलम के औसत मान से भरें।
   1. एक नया परिवर्तन जोड़ें.
   2. के लिए बदालना, चुनें मढ़ना.
   3. के लिए स्तंभ प्रकार, चुनें सांख्यिक.
   4. के लिए इनपुट कॉलम, चुनना rating स्तंभ.
   5. के लिए आरोप लगाने की रणनीति, चुनें मतलब.
   6. के लिए आउटपुट कॉलम, दर्ज rating_avg_filled.
   7. चुनें .
      
7. हम गिरा सकते हैं rating कॉलम क्योंकि हमारे पास भरे हुए मानों वाला एक नया कॉलम है।
8. क्योंकि type_of_food प्रकृति में श्रेणीबद्ध है, हम इसे संख्यात्मक रूप से एन्कोड करना चाहेंगे। आइए वन-हॉट एन्कोडिंग तकनीक का उपयोग करके इस सुविधा को एन्कोड करें।
   1. एक नया परिवर्तन जोड़ें.
   2. के लिए बदालना, चुनें एक गर्म सांकेतिक शब्दों में बदलना.
   3. इनपुट कॉलम के लिए, चुनें type_of_food.
   4. के लिए अमान्य हैंडलिंग रणनीतिचुनें रखना.
   5. के लिए आउटपुट शैलीचुनें स्तंभ.
   6. के लिए आउटपुट कॉलम, दर्ज encoded.
   7. चुनें .
      

एक मॉडल बनाएं और भविष्यवाणियां उत्पन्न करें

अब जब हमने अपना डेटा बदल दिया है, तो आइए रेस्तरां के लिए रेटिंग की भविष्यवाणी करने के लिए एक संख्यात्मक एमएल मॉडल को प्रशिक्षित करें।

1. चुनें मॉडल बनाएं.
2. के लिए दातासेट नाम, डेटासेट निर्यात के लिए एक नाम दर्ज करें।
3. चुनें निर्यात और रूपांतरित डेटा के निर्यात होने की प्रतीक्षा करें।
   
4. चुनना मॉडल बनाएं पृष्ठ के निचले बाएँ कोने पर लिंक।

आप पृष्ठ के बाईं ओर डेटा रैंगलर सुविधा से भी डेटासेट का चयन कर सकते हैं।

5. एक मॉडल नाम दर्ज करें.
6. चुनें भविष्यवाणी का विश्लेषण, उसके बाद चुनो बनाएं.
7. चुनें rating_avg_filled लक्ष्य स्तंभ के रूप में।

सेजमेकर कैनवस स्वचालित रूप से एक उपयुक्त मॉडल प्रकार का चयन करता है।

8. चुनें पूर्वावलोकन मॉडल यह सुनिश्चित करने के लिए कि डेटा गुणवत्ता संबंधी कोई समस्या न हो।
9. चुनें त्वरित निर्माण मॉडल बनाने के लिए।
   

मॉडल निर्माण को पूरा होने में लगभग 2-15 मिनट लगेंगे।

मॉडल का प्रशिक्षण समाप्त होने के बाद आप मॉडल की स्थिति देख सकते हैं। हमारे मॉडल का आरएसएमई 0.422 है, जिसका अर्थ है कि मॉडल अक्सर वास्तविक मूल्य के +/- 0.422 के भीतर एक रेस्तरां की रेटिंग की भविष्यवाणी करता है, जो 1-6 के रेटिंग पैमाने के लिए एक ठोस अनुमान है।

10. अंत में, आप पर नेविगेट करके नमूना भविष्यवाणियाँ उत्पन्न कर सकते हैं भविष्यवाणी करना टैब.
    

क्लीन अप

भविष्य में शुल्क लगने से बचने के लिए, इस पोस्ट का अनुसरण करते समय आपके द्वारा बनाए गए संसाधनों को हटा दें। 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 आप Amazon DocumentDB में संग्रहीत डेटा के साथ जेनरेटिव AI और ML के लिए SageMaker Canvas का उपयोग कैसे कर सकते हैं। हमारे उदाहरण में, हमने दिखाया कि कैसे एक विश्लेषक नमूना रेस्तरां डेटासेट का उपयोग करके जल्दी से एक उच्च गुणवत्ता वाला एमएल मॉडल बना सकता है।

हमने अमेज़ॅन डॉक्यूमेंटडीबी से डेटा आयात करने से लेकर सेजमेकर कैनवस में एमएल मॉडल बनाने तक, समाधान को लागू करने के चरण दिखाए। कोड की एक भी पंक्ति लिखे बिना पूरी प्रक्रिया विज़ुअल इंटरफ़ेस के माध्यम से पूरी की गई।

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

---

लेखक के बारे में

एडेलके कोकर एडब्ल्यूएस के साथ एक वैश्विक समाधान वास्तुकार है। वह एडब्ल्यूएस पर बड़े पैमाने पर उत्पादन कार्यभार को तैनात करने में मार्गदर्शन और तकनीकी सहायता प्रदान करने के लिए वैश्विक स्तर पर ग्राहकों के साथ काम करता है। अपने खाली समय में, वह सीखना, पढ़ना, जुआ खेलना और खेल आयोजन देखना पसंद करते हैं।

गुरुराज एस बयारी AWS में एक वरिष्ठ DocumentDB स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट हैं। उन्हें ग्राहकों को अमेज़ॅन के उद्देश्य-निर्मित डेटाबेस को अपनाने में मदद करने में आनंद आता है। वह ग्राहकों को NoSQL और/या रिलेशनल डेटाबेस द्वारा संचालित उनके इंटरनेट स्केल और उच्च प्रदर्शन वर्कलोड को डिजाइन, मूल्यांकन और अनुकूलित करने में मदद करता है।

टिम पुसाटेरी AWS में एक वरिष्ठ उत्पाद प्रबंधक हैं जहां वह Amazon SageMaker Canvas पर काम करते हैं। उनका लक्ष्य ग्राहकों को एआई/एमएल से त्वरित मूल्य प्राप्त करने में मदद करना है। काम के अलावा, उसे बाहर रहना, गिटार बजाना, लाइव संगीत देखना और परिवार और दोस्तों के साथ समय बिताना पसंद है।

प्रतीक दास AWS में उत्पाद प्रबंधक हैं। उन्हें क्लाउड में लचीले वर्कलोड और मजबूत डेटा फाउंडेशन बनाने के इच्छुक ग्राहकों के साथ काम करने में आनंद आता है। वह आधुनिकीकरण, विश्लेषणात्मक और डेटा परिवर्तन पहल पर उद्यमों के साथ काम करने में विशेषज्ञता रखते हैं।

वर्मा गोत्तुमुक्कला डलास फोर्ट वर्थ स्थित AWS में एक वरिष्ठ डेटाबेस विशेषज्ञ समाधान वास्तुकार हैं। वर्मा ग्राहकों के साथ उनकी डेटाबेस रणनीति पर काम करते हैं और AWS उद्देश्य से निर्मित डेटाबेस का उपयोग करके उनके कार्यभार को व्यवस्थित करते हैं। AWS में शामिल होने से पहले, उन्होंने पिछले 22 वर्षों तक रिलेशनल डेटाबेस, NOSQL डेटाबेस और कई प्रोग्रामिंग भाषाओं के साथ बड़े पैमाने पर काम किया।

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/use-amazon-documentdb-to-build-no-code-machine-learning-solutions-in-amazon-sagemaker-canvas/