Mostantól beépített gépi tanulási (ML) modelleket is regisztrálhat Amazon SageMaker Canvas egyetlen kattintással a Amazon SageMaker Model Registry, amely lehetővé teszi az ML modellek üzembe helyezését a termelésben. A Canvas egy vizuális interfész, amely lehetővé teszi az üzleti elemzőknek, hogy önállóan pontos ML előrejelzéseket készítsenek – anélkül, hogy bármilyen ML-tapasztalatot igényelnének, vagy egyetlen kódsort kellene írniuk. Jóllehet ez remek hely a fejlesztéshez és a kísérletezéshez, de ahhoz, hogy ezekből a modellekből értéket merítsünk, operacionalizálni kell őket – nevezetesen olyan éles környezetben, ahol előrejelzések vagy döntések meghozatalára használhatók. Mostantól a modellnyilvántartással való integrációval az összes modellműterméket, beleértve a metaadatokat és a teljesítménymetrikák alapvonalait, egy központi tárolóban tárolhatja, és csatlakoztathatja a meglévő modelltelepítési CI/CD-folyamatokhoz.
A modellnyilvántartás egy olyan tárház, amely az ML-modelleket katalogizálja, különféle modellverziókat kezel, metaadatokat (például képzési mérőszámokat) társít egy modellhez, kezeli a modell jóváhagyási állapotát, és üzembe helyezi azokat a termelésben. A modellverzió létrehozása után általában ki szeretné értékelni a teljesítményét, mielőtt üzembe helyezi egy éles végponton. Ha megfelel az Ön követelményeinek, frissítheti a modellverzió jóváhagyási állapotát jóváhagyottra. Az állapot jóváhagyott értékre állítása elindíthatja a CI/CD telepítését a modellhez. Ha a modell verziója nem teljesíti az Ön követelményeit, frissítheti a jóváhagyási állapotot elutasított értékre a rendszerleíró adatbázisban, ami megakadályozza, hogy a modellt eszkalált környezetben telepítsék.
A modell-nyilvántartás kulcsfontosságú szerepet játszik a modell üzembe helyezési folyamatában, mivel az összes modellinformációt csomagolja, és lehetővé teszi a modell előléptetésének automatizálását az éles környezetekbe. Az alábbiakban felsorolunk néhány módszert, amellyel a modellnyilvántartás segíthet az ML-modellek működésében:
- Verziókezelés – A modellnyilvántartás lehetővé teszi az ML-modellek különböző verzióinak nyomon követését, ami elengedhetetlen a modellek éles üzembe helyezésekor. A modellverziók nyomon követésével könnyedén visszatérhet egy korábbi verzióhoz, ha az új verzió problémákat okoz.
- Együttműködés – A modellnyilvántartás lehetővé teszi az adattudósok, mérnökök és más érdekelt felek közötti együttműködést, mivel központi helyet biztosít a modellek tárolására, megosztására és elérésére. Ez megkönnyítheti a telepítési folyamatot, és biztosíthatja, hogy mindenki ugyanazzal a modellel dolgozzon.
- kormányzási – A modell-nyilvántartás segíthet a megfelelőségben és az irányításban azáltal, hogy auditálható előzményeket biztosít a modellmódosításokról és -telepítésekről.
Összességében egy modellnyilvántartás segíthet leegyszerűsíteni az ML-modellek éles üzembe helyezésének folyamatát azáltal, hogy verziókezelést, együttműködést, figyelést és irányítást biztosít.
A megoldás áttekintése
Felhasználási esetünkben üzleti felhasználó szerepét vállaljuk egy mobiltelefon-szolgáltató marketing osztályán, és sikeresen létrehoztunk egy ML-modellt a Canvasban, hogy azonosítsuk azokat az ügyfeleket, akiknél fennáll a potenciális lemorzsolódás. A modellünk által generált előrejelzéseknek köszönhetően most ezt szeretnénk áthelyezni fejlesztői környezetünkből a termelésbe. Mielőtt azonban modellünket üzembe helyezné egy éles végponton, át kell tekintenie és jóvá kell hagynia egy központi MLOps csapatnak. Ez a csapat felelős a modellverziók kezeléséért, az összes kapcsolódó metaadat (például a képzési metrikák) áttekintéséért egy modellel, minden ML-modell jóváhagyási állapotának kezeléséért, a jóváhagyott modellek éles üzembe helyezéséért, valamint a modellek CI/CD-vel történő telepítésének automatizálásáért. Modellünk éles üzembe helyezési folyamatának egyszerűsítése érdekében kihasználjuk a Canvas és a modellnyilvántartás integrációját, és regisztráljuk modellünket az MLOps csapatunk általi felülvizsgálatra.
A munkafolyamat lépései a következők:
- Töltsön fel egy új adatkészletet a jelenlegi vásárlói populációval a Canvasba. A támogatott adatforrások teljes listáját lásd: Adatok importálása a Canvasba.
- Építsen ML modelleket és elemezze teljesítménymutatóikat. Olvassa el az utasításokat egyéni ML-modellt készíthet a Canvasban és a értékelje a modell teljesítményét.
- Regisztrálja a legjobban teljesítő verziókat áttekintés és jóváhagyás céljából a modellnyilvántartásba.
- Telepítse a jóváhagyott modellverziót termelési végponthoz valós idejű következtetéshez.
Az 1–3. lépést végrehajthatja a Canvasban anélkül, hogy egyetlen kódsort írna.
Előfeltételek
Ehhez az áttekintéshez győződjön meg arról, hogy teljesülnek a következő előfeltételek:
- A modellverziók modellnyilvántartásba való regisztrálásához a Canvas adminisztrátorának meg kell adnia a szükséges engedélyeket a Canvas felhasználónak, amelyet Ön a Canvas alkalmazást tároló SageMaker tartományban kezelhet. További információkért tekintse meg a Amazon SageMaker fejlesztői útmutató. A Canvas-felhasználói engedélyek megadásakor ki kell választania, hogy engedélyezi-e a felhasználó számára, hogy regisztrálja-e modellváltozatait ugyanabban az AWS-fiókban.
- Végezze el a pontban említett előfeltételeket Az Amazon SageMaker Canvas használatával kód nélküli gépi tanulással jósolhatja meg az ügyfelek lemorzsolódását.
Mostantól három modellverzióval kell rendelkeznie, amelyek a lemorzsolódás előrejelzési adataira vannak kiképezve a Canvasban:
- A V1 mind a 21 funkcióval és gyors összeállítású konfigurációval betanított, 96.903%-os modellpontszámmal
- A V2 mind a 19 funkcióval (eltávolított telefon- és állapotjellemzőkkel), gyors összeállítással és 97.403%-os pontossággal betanítva
- A V3 szabványos összeállítású konfigurációval lett kiképezve, 97.03%-os modellpontszámmal
Használja a vásárlói lemorzsolódás előrejelzési modelljét
engedélyezése Speciális mutatók megjelenítése és tekintse át az egyes modellverziókhoz tartozó objektív mérőszámokat, hogy ki tudjuk választani a legjobban teljesítő modellt a modellnyilvántartásba való regisztrációhoz.
A teljesítménymutatók alapján kiválasztjuk a regisztrálandó 2-es verziót.
A modell-nyilvántartás nyomon követi az összes olyan modellverziót, amelyet egy modellcsoportban egy adott probléma megoldására betanított. Amikor betanít egy Canvas-modellt, és regisztrálja a modellnyilvántartásba, új modellváltozatként hozzáadódik egy modellcsoporthoz.
A regisztrációkor automatikusan létrejön egy modellcsoport a modellnyilvántartáson belül. Opcionálisan átnevezheti egy tetszőleges névre, vagy használhat egy meglévő modellcsoportot a modellnyilvántartásban.
Ebben a példában az automatikusan generált modellcsoport nevét használjuk, és válasszuk ki hozzáad.
A modellverziónkat most regisztrálni kell a modell-nyilvántartásban lévő modellcsoportba. Ha egy másik modellváltozatot regisztrálnánk, az ugyanabba a modellcsoportba lenne bejegyezve.
A modellverzió állapotának megváltoznia kellett volna Nem regisztrált nak nek Nyilvántartott.
Ha az egeret az állapot fölé húzzuk, megtekinthetjük a modell-nyilvántartási adatokat, amelyek magukban foglalják a modellcsoport nevét, a modell regisztrációs fiókjának azonosítóját és a jóváhagyási állapotot. Közvetlenül a regisztráció után az állapot a következőre változik Elbírálás alatt, ami azt jelenti, hogy ez a modell regisztrálva van a modellnyilvántartásban, de felülvizsgálatra és jóváhagyásra vár egy adattudóstól vagy az MLOps csapattagtól, és csak jóváhagyás esetén telepíthető egy végpontra.
Most navigáljunk ide Amazon SageMaker Studio és vállalja az MLOps csapattag szerepét. Alatt Modellek a navigációs ablakban válassza a lehetőséget Modell nyilvántartás a modellnyilvántartás kezdőlapjának megnyitásához.
Láthatjuk a modellcsoportotp canvas-Churn-Prediction-Model
amit a Canvas automatikusan készített nekünk.
Válassza ki a modellt az ehhez a modellcsoporthoz regisztrált összes verzió megtekintéséhez, majd tekintse át a megfelelő modell részleteit.
Ha megnyitja az 1-es verzió részleteit, láthatjuk, hogy a Tevékenység fül nyomon követi a modellen történt összes eseményt.
A Modell minőség lapon áttekinthetjük a modell mérőszámait, a precíziós/visszahívási görbéket és a zavaros mátrix diagramokat, hogy megértsük a modell teljesítményét.
A Magyarázatosság fülön áttekinthetjük azokat a funkciókat, amelyek leginkább befolyásolták a modell teljesítményét.
Miután áttekintettük a modell műtermékeit, módosíthatjuk a jóváhagyási állapotot Függőben levő nak nek jóváhagyott.
Most láthatjuk a frissített tevékenységet.
A Canvas üzleti felhasználója most láthatja, hogy a regisztrált modell állapota megváltozott Elbírálás alatt nak nek jóváhagyott.
Az MLOps csapat tagjaként, mivel jóváhagytuk ezt az ML-modellt, helyezzük üzembe egy végponton.
A Studio alkalmazásban lépjen a modellnyilvántartás kezdőlapjára, és válassza ki a lehetőséget canvas-Churn-Prediction-Model
modellcsoport. Válassza ki a telepíteni kívánt verziót, és lépjen a beállítások Tab.
Böngésszen a modellcsomag ARN részleteinek lekéréséhez a kiválasztott modellváltozatból a modellnyilvántartásban.
Nyisson meg egy jegyzetfüzetet a Studio alkalmazásban, és futtassa a következő kódot a modell végponton való üzembe helyezéséhez. Cserélje ki az ARN modellcsomagot a saját ARN modellcsomagjára.
A végpont létrehozása után láthatja, hogy eseményként nyomon követi a rendszeren Tevékenység a modellnyilvántartás lapján.
Kattintson duplán a végpont nevére a részletek megtekintéséhez.
Most, hogy van egy végpontunk, hívjuk meg, hogy valós idejű következtetést vonjunk le. Cserélje ki a végpont nevét a következő kódrészletben:
Tisztítsuk meg
A jövőbeni költségek elkerülése érdekében törölje a bejegyzés követése közben létrehozott forrásokat. Ez magában foglalja a Canvas és a kijelentkezést a telepített SageMaker végpont törlése. A Canvas kiszámlázza a munkamenet időtartamát, és azt javasoljuk, hogy jelentkezzen ki a Canvasból, ha nem használja. Hivatkozni Kijelentkezés az Amazon SageMaker Canvasból fül alatt találsz.
Következtetés
Ebben a bejegyzésben megvitattuk, hogy a Canvas hogyan segítheti az ML-modelleket az éles környezetekben az ML-szakértelem szükségessége nélkül. Példánkban megmutattuk, hogyan tud egy elemző gyorsan felépíteni egy rendkívül pontos prediktív ML-modellt anélkül, hogy bármilyen kódot írna, és regisztrálhatja azt a modellnyilvántartásba. Az MLOps csapat ezt követően felülvizsgálhatja, és elutasíthatja a modellt, vagy jóváhagyhatja a modellt, és elindíthatja a későbbi CI/CD telepítési folyamatot.
Az alacsony kódú/kód nélküli ML utazás megkezdéséhez lásd: Amazon SageMaker Canvas.
Külön köszönet mindenkinek, aki hozzájárult az induláshoz:
háttér:
- Huayuan (Alice) Wu
- Krittaphat Pugdeethosapol
- Yanda Hu
- John He
- Esha Dutta
- Prashanth
Előlap:
- Kaiz kereskedő
- Ed Cheung
A szerzőkről
Janisha Anand Senior Product Manager a SageMaker Low/No Code ML csapatában, amely magában foglalja a SageMaker Autopilotot is. Imádja a kávét, aktív marad, és a családjával tölti az idejét.
Krittaphat Pugdeethosapol az Amazon SageMaker szoftverfejlesztő mérnöke, és főként a SageMaker alacsony kódú és kód nélküli termékeivel dolgozik.
Huayuan (Alice) Wu az Amazon SageMaker szoftverfejlesztő mérnöke. Arra összpontosít, hogy ML eszközöket és termékeket készítsen az ügyfelek számára. Munkán kívül szeret a szabadban, jógázni és túrázni.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :is
- :nem
- :ahol
- ][p
- 1
- 100
- 15%
- 420
- 7
- 8
- a
- Képes
- Hozzáférés
- Fiók
- pontosság
- pontos
- aktív
- tevékenység
- hozzáadott
- admin
- fejlett
- Előny
- Után
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- Bár
- amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- között
- an
- elemző
- Az elemzők
- elemez
- és a
- Másik
- bármilyen
- Alkalmazás
- jóváhagyás
- jóváhagy
- jóváhagyott
- VANNAK
- AS
- társult
- At
- ellenőrizhető
- automatikusan
- automatizálás
- Automatizálás
- elkerülése érdekében
- AWS
- BE
- mert
- előtt
- hogy
- BEST
- Bankjegyek
- test
- épít
- Épület
- épült
- üzleti
- de
- by
- TUD
- vászon
- eset
- katalógusok
- okai
- központi
- központosított
- változik
- megváltozott
- Változások
- díjak
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- kettyenés
- kód
- Kávé
- együttműködés
- teljesítés
- Configuration
- zavar
- hozzájárultak
- ellenőrzés
- Megfelelő
- teremt
- készítette
- Jelenlegi
- szokás
- vevő
- Ügyfelek
- dátum
- adattudós
- dátum idő
- határozatok
- osztály
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevetések
- bevet
- részletek
- Fejlesztő
- Fejlesztés
- különböző
- tárgyalt
- Nem
- domain
- időtartama
- minden
- könnyen
- bármelyik
- lehetővé teszi
- lehetővé téve
- végén
- Endpoint
- mérnök
- Mérnökök
- biztosítására
- Környezet
- környezetek
- alapvető
- értékelni
- esemény
- események
- Minden
- mindenki
- példa
- létező
- tapasztalat
- szakvélemény
- család
- Jellemzők
- koncentrál
- következő
- következik
- A
- ból ből
- Tele
- jövő
- generál
- generált
- kap
- Ad
- Go
- kormányzás
- nyújtó
- nagy
- Csoport
- Esemény
- Legyen
- tekintettel
- segít
- neki
- nagyon
- történeti
- történelem
- Kezdőlap
- hosts
- lebeg
- Hogyan
- azonban
- HTML
- HTTPS
- ID
- azonosítani
- if
- importál
- javított
- in
- tartalmaz
- magában foglalja a
- Beleértve
- befolyásolható
- információ
- kezdeményez
- utasítás
- integráció
- Felület
- bele
- kérdések
- IT
- ITS
- utazás
- jpg
- tartás
- Kulcs
- indít
- tanulás
- vonal
- Lista
- elhelyezkedés
- fakitermelés
- gép
- gépi tanulás
- főleg
- csinál
- kezelése
- menedzser
- kezeli
- kezelése
- Marketing
- Mátrix
- eszközök
- tag
- említett
- Metaadatok
- Metrics
- ML
- MLOps
- Mobil
- mobiltelefon
- modell
- modellek
- ellenőrzés
- több
- a legtöbb
- mozog
- kell
- név
- Keresse
- Navigáció
- elengedhetetlen
- Szükség
- igények
- Új
- nem
- jegyzetfüzet
- Most
- célkitűzés
- of
- on
- csak
- nyitva
- operátor
- or
- OS
- Más
- mi
- ki
- szabadban
- kívül
- felett
- saját
- csomag
- csomagok
- oldal
- pandák
- üvegtábla
- különös
- alatt
- Teljesít
- teljesítmény
- előadó
- Előadja
- engedélyek
- telefon
- Hely
- Plató
- Platón adatintelligencia
- PlatoData
- játszik
- dugó
- népesség
- állás
- potenciális
- előrejelzés
- Tippek
- előfeltételek
- megakadályozza
- előző
- Probléma
- folyamat
- Folyamatok
- Termékek
- termék menedzser
- Termelés
- Termékek
- előléptetés
- amely
- Quick
- gyorsan
- real-time
- ajánl
- Regisztráció
- nyilvántartott
- Bejegyzés
- iktató hivatal
- eltávolított
- cserélni
- raktár
- követelmények
- Tudástár
- válasz
- felelős
- visszaszáll
- Kritika
- felül
- felülvizsgálata
- jobb
- Kockázat
- Szerep
- futás
- sagemaker
- azonos
- Tudós
- tudósok
- pontszám
- lát
- kiválasztott
- idősebb
- ülés
- beállítás
- megosztás
- ő
- kellene
- kimutatta,
- egyetlen
- So
- szoftver
- szoftverfejlesztés
- SOLVE
- néhány
- Források
- Költési
- érdekeltek
- standard
- kezdet
- Állami
- Állapot
- Lépései
- tárolni
- tárolása
- áramvonal
- stúdió
- sikeresen
- ilyen
- Támogatott
- SYS
- Vesz
- csapat
- Kösz
- hogy
- A
- azok
- Őket
- akkor
- Ezek
- ők
- ezt
- három
- idő
- nak nek
- szerszámok
- vágány
- Vonat
- kiképzett
- Képzések
- jellemzően
- alatt
- megért
- Frissítések
- frissítve
- us
- használ
- használati eset
- használt
- használó
- segítségével
- érték
- különféle
- változat
- végigjátszás
- akar
- módon
- we
- voltak
- amikor
- vajon
- ami
- míg
- WHO
- lesz
- val vel
- belül
- nélkül
- Munka
- dolgozó
- művek
- lenne
- ír
- írás
- Igen
- Jóga
- te
- A te
- zephyrnet