Hozd el saját mesterséges intelligenciáját az Amazon SageMaker segítségével a Salesforce Data Cloud | Amazon webszolgáltatások

Ennek a bejegyzésnek a társszerzője Daryl Martis, a Salesforce Einstein AI termékigazgatója.

Izgatottan jelentjük be Amazon SageMaker és a Salesforce Data Cloud integrációja. Ezzel a képességgel a vállalkozások biztonságosan hozzáférhetnek Salesforce-adataikhoz, a SageMaker használatával, másolatmentes megközelítéssel, és a SageMaker eszközöket használhatják AI-modellek építésére, betanítására és üzembe helyezésére. A következtetési végpontok a Data Cloudhoz vannak kapcsolva, hogy valós idejű előrejelzéseket hajtsanak végre. Ennek eredményeként a vállalkozások felgyorsíthatják a piacra jutás idejét, miközben megőrzik az adatok integritását és biztonságát, és csökkenthetik az adatok egyik helyről a másikra történő mozgatásával járó műveleti terheket.

Bemutatkozik az Einstein Studio a Data Cloudon

A Data Cloud egy olyan adatplatform, amely bármely kapcsolati pontról valós idejű frissítéseket biztosít a vállalkozásoknak az ügyféladatokról. Az Einstein Studióval, amely egy átjáró az AI-eszközökhöz az adatplatformon, az adminisztrátorok és adattudósok könnyedén, néhány kattintással vagy kód használatával modelleket hozhatnak létre. Az Einstein Studio hozza a saját modelljét (BYOM) lehetővé teszi, hogy külső platformokról, például a SageMakerről származó egyéni vagy generatív mesterségesintelligencia-modelleket a Data Cloudhoz kapcsoljon. Az egyéni modellek betaníthatók a Salesforce Data Cloudból származó adatok segítségével, amelyek a következőn keresztül érhetők el Amazon SageMaker Data Wrangler csatlakozó. A vállalkozások előrejelzéseik szerint cselekedhetnek, ha zökkenőmentesen integrálják az egyéni modelleket a Salesforce munkafolyamataiba, ami jobb hatékonyságot, döntéshozatalt és személyre szabott élményt eredményez.

A SageMaker és a Data Cloud Einstein Studio integráció előnyei

A SageMaker és az Einstein Studio használata a Salesforce Data Cloudban a következőképpen segíthet a vállalkozásoknak:

• Lehetővé teszi egyéni és generatív AI-modellek csatlakoztatását az Einstein Stúdióhoz különféle felhasználási esetekben, például potenciális ügyfelek konverziójához, esetbesorolásához és hangulatelemzéséhez.
• Megszünteti az unalmas, költséges és hibás ETL (extract, transform and load) feladatokat. Az adatok másolásmentes megközelítése csökkenti az adatmásolatok kezelésének többletköltségét, csökkenti a tárolási költségeket és javítja a hatékonyságot.
• Hozzáférést biztosít a rendkívül gondozott, harmonizált és valós idejű adatokhoz a Customer 360-ban. Ez olyan szakértői modellekhez vezet, amelyek intelligensebb előrejelzéseket és üzleti betekintést nyújtanak.
• Leegyszerűsíti az üzleti folyamatok eredményeinek felhasználását, és késleltetés nélkül növeli az értéket. Használhat például automatizált munkafolyamatokat, amelyek az új adatok alapján azonnal alkalmazkodni tudnak.
• Megkönnyíti a SageMaker modellek és következtetések operacionalizálását a Salesforce-ban.

A következő példa egy SageMaker modell működési módjára mutat be Salesforce Flow.

SageMaker integráció

A SageMaker egy teljesen felügyelt szolgáltatás adatok előkészítésére, valamint gépi tanulási (ML) modellek felépítésére, betanítására és üzembe helyezésére minden felhasználási esetre teljesen felügyelt infrastruktúrával, eszközökkel és munkafolyamatokkal.

A SageMaker és a Salesforce Data Cloud integrációjának egyszerűsítése érdekében két új képességet vezetünk be a SageMakerben:

• A SageMaker Data Wrangler Salesforce Data Cloud csatlakozó – Az újonnan bevezetett SageMaker Data Wrangler Salesforce Data Cloud csatlakozóval az adminisztrátorok előre konfigurálhatják a Salesforce-hoz fűződő kapcsolatokat, hogy az adatelemzők és adattudósok gyorsan, valós időben hozzáférhessenek a Salesforce-adatokhoz, és szolgáltatásokat hozzanak létre az ML-hez. Ez lehetővé teszi a felhasználók számára, hogy biztonságosan hozzáférjenek a Salesforce Data Cloudhoz az OAuth használatával. A Salesforce Data Wrangler alacsony kódú vizuális adat-előkészítési funkcióival kód írása nélkül interaktívan megjelenítheti, elemezheti és átalakíthatja az adatokat a Spark erejével. A SageMaker Processing jobokkal nagy adatkészletek feldolgozására is méretezhet, és automatikusan betaníthatja az ML módokat Amazon SageMaker Autopilot, és integrálja a SageMaker következtetési folyamatot, hogy ugyanazt az adatfolyamot üzembe helyezze a termelésben a következtetési végponttal az adatok valós idejű vagy kötegelt feldolgozásához a következtetéshez.

• A SageMaker Projects sablon a Salesforce-hoz – Elindítottuk a SageMaker projektek Sablon a Salesforce-hoz, amellyel végpontokat telepíthet hagyományos és nagy nyelvi modellekhez (LLM-ekhez), és automatikusan megjelenítheti a SageMaker-végpontokat API-ként. A SageMaker Projects egyszerű módot kínál a fejlesztői környezet beállítására és szabványosítására az adattudósok és az ML mérnökök számára, hogy ML modelleket építhessenek és telepítsenek a SageMakeren.

Partneri idézet

„A Salesforce és az AWS Sagemaker közötti partnerség lehetővé teszi az ügyfelek számára, hogy kihasználják a mesterséges intelligencia (generatív és nem generatív modellek) erejét Salesforce-adatforrásaikban, munkafolyamataikban és alkalmazásaikban, hogy személyre szabott élményeket nyújtsanak, és új tartalomgenerálást, összefoglalókat és kérdéseket tegyenek lehetővé. -válasz típusú tapasztalatok. A két világ legjavának ötvözésével új paradigmát hozunk létre az adatvezérelt innovációhoz és az ügyfelek sikeréhez, amelyet az AI támaszt alá.”

-Kaushal Kurapati, a Salesforce termékért, mesterséges intelligenciáért és keresésért felelős alelnöke

Megoldás áttekintése

A BYOM integrációs megoldás natív Salesforce Data Cloud csatlakozót biztosít az ügyfeleknek a SageMaker Data Wranglerben. A SageMaker Data Wrangler csatlakozó lehetővé teszi a Salesforce Data Cloud objektumok biztonságos elérését. A felhasználók hitelesítését követően a SageMaker Data Wrangler interaktív vizuális felületén keresztül elvégezhetik a modellfejlesztéshez és a következtetésekhez szükséges adatok feltárását, előkészítését és jellemző tervezési feladatokat. Az adattudósok belül dolgozhatnak Amazon SageMaker Studio notebookokat, hogy egyedi modelleket fejlesszenek ki, amelyek lehetnek hagyományosak vagy LLM-ek, és elérhetővé tegyék őket a telepítéshez a modell SageMaker Model Registry-ben való regisztrálásával. Amikor a rendszerleíró adatbázisban jóváhagyják a modellt élesre, a SageMaker Projects automatizálja a Salesforce Einstein Studióban célként konfigurálható és a Salesforce Customer 360 alkalmazásokkal integrálható hívási API telepítését. A következő diagram ezt az architektúrát szemlélteti

Következtetés

Ebben a bejegyzésben megosztottuk a SageMaker és a Salesforce Einstein Studio BYOM integrációját, ahol a Salesforce Data Cloud adatait felhasználva hagyományos és LLM-eket építhet és képezhet a SageMakerben. A SageMaker Data Wrangler segítségével adatokat készíthet elő a Salesforce Data Cloudból nulla másolat nélkül. Automatizált megoldást is kínáltunk a SageMaker végpontok API-ként történő üzembe helyezésére a Salesforce-hoz készült SageMaker Projects sablon használatával.

Az AWS és a Salesforce izgatottan várják, hogy együttműködjenek, hogy átadhassák ezt az élményt közös ügyfeleinknek, hogy segítsenek nekik az ML és a mesterséges intelligencia erejét felhasználva az üzleti folyamatok irányítását.

Ha többet szeretne megtudni a Salesforce BYOM integrációjáról, tekintse meg a következőt: Hozd el saját AI-modelleid az Einstein Stúdióval. A termékajánlások felhasználásával kapcsolatos részletes megvalósításhoz lásd a következőt: Használja az Amazon SageMaker és a Salesforce Data Cloud integrációt a Salesforce Apps AI/ML segítségével történő működtetéséhez.

---

A szerzőkről

Daryl Martis a Salesforce Data Cloud Einstein Studio termékigazgatója. Több mint 10 éves tapasztalattal rendelkezik a vállalati ügyfelek számára készült világszínvonalú megoldások tervezésében, építésében, bevezetésében és menedzselésében, beleértve az AI/ML és a felhőmegoldásokat. Korábban a pénzügyi szolgáltatások területén dolgozott New Yorkban.

Rachna Chadha az AWS stratégiai számláinak fő megoldási építésze AI/ML. Rachna optimista, aki hisz abban, hogy az AI etikus és felelős használata javíthatja a társadalmat a jövőben, és gazdasági és társadalmi jólétet hozhat. Szabadidejében Rachna szereti a családjával tölteni az idejét, kirándulni és zenét hallgatni.

Ife Stewart az AWS stratégiai ISV szegmensének fő megoldástervezője. Az elmúlt 2 évben a Salesforce Data Cloud szolgáltatásban dolgozott, hogy segítsen integrált ügyfélélményt kialakítani a Salesforce és az AWS között. Az Ife több mint 10 éves technológiai tapasztalattal rendelkezik. A sokszínűség és a befogadás szószólója a technológiai területen.

Maninder (Mani) Kaur az AWS stratégiai ISV-kért felelős AI/ML specialistája. Ügyfélközpontú megközelítésével Mani segít a stratégiai ügyfeleknek AI/ML stratégiájuk kialakításában, elősegíti az innovációt, és felgyorsítja az AI/ML-útjukat. Mani az etikus és felelősségteljes mesterséges intelligencia híve, és arra törekszik, hogy ügyfelei mesterséges intelligencia megoldásai összhangban legyenek ezekkel az elvekkel.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ai-using-amazon-sagemaker-with-salesforce-data-cloud/