A gépi tanulás (ML) segít a szervezeteknek bevételt generálni, költségeket csökkenteni, kockázatot mérsékelni, növelni a hatékonyságot és javítani a minőséget azáltal, hogy optimalizálja az alapvető üzleti funkciókat több üzleti egységben, mint például a marketing, a gyártás, az üzemeltetés, az értékesítés, a pénzügy és az ügyfélszolgálat. Az AWS ML segítségével a szervezetek hónapokról napokra felgyorsíthatják az értékteremtést. Amazon SageMaker Canvas egy vizuális, point-and-click szolgáltatás, amely lehetővé teszi az üzleti elemzők számára, hogy pontos ML-előrejelzéseket készítsenek anélkül, hogy egyetlen kódsort is meg kellene írniuk, vagy ML-szakértelemre lenne szükségük. A modellek segítségével interaktív előrejelzéseket készíthet, és tömeges adatkészleteken kötegelt pontozást végezhet.
Ebben a bejegyzésben olyan építészeti mintákat mutatunk be, hogyan használhatják az üzleti csapatok bárhol felépített ML-modelleket a Canvasban előrejelzések generálásával, és hatékony üzleti eredményeket érhetnek el.
A modellfejlesztés és -megosztás ezen integrációja szorosabb együttműködést hoz létre az üzleti és adattudományi csapatok között, és csökkenti az értékteremtéshez szükséges időt. Az üzleti csapatok az adattudósaik vagy más részlegeik által épített meglévő modelleket használhatják üzleti problémák megoldására, ahelyett, hogy új modelleket építenének újra külső környezetben.
Végül az üzleti elemzők megosztott modelleket importálhatnak a Canvasba, és előrejelzéseket generálhatnak, mielőtt néhány kattintással üzembe helyeznék őket.
Megoldás áttekintése
A következő ábra három különböző architektúramintát ír le annak bemutatására, hogy az adattudósok hogyan oszthatnak meg modelleket üzleti elemzőkkel, akik ezután közvetlenül generálhatnak előrejelzéseket ezekből a modellekből a Canvas vizuális felületén:
Előfeltételek
A modell betanításához és megépítéséhez a SageMaker segítségével, és a modellt a Canvasba helyezze, teljesítse a következő előfeltételeket:
- Ha még nem rendelkezik SageMaker-domainnel és Studio-felhasználóval, beállíthat és beépíthet egy Studio-felhasználót egy SageMaker tartományba.
- A Canvas engedélyezése és beállítása alapjogosultságokat a felhasználók és adjon engedélyt a felhasználóknak a Studio-val való együttműködésre.
- Rendelkeznie kell egy betanított modellel az Autopilotból, a JumpStartból vagy a modellnyilvántartásból. Minden olyan modell esetében, amelyet a SageMakeren kívül épített, regisztrálnia kell a modellt a modellnyilvántartásban, mielőtt importálná a Canvasba.
Most vegyük fel egy adattudós szerepét, aki ML modelleket szeretne betanítani, felépíteni, telepíteni és megosztani egy üzleti elemzővel mind a három építészeti mintára vonatkozóan.
Használja az Autopilotot és a Canvast
Az Autopilot automatizálja az automatikus ML (AutoML) folyamat kulcsfontosságú feladatait, például az adatok feltárását, a problématípushoz tartozó megfelelő algoritmus kiválasztását, majd annak betanítását és hangolását. Mindez úgy érhető el, hogy lehetővé teszi az adatkészlet teljes ellenőrzését és láthatóságát. Az Autopilot automatikusan feltérképezi a különböző megoldásokat, hogy megtalálja a legjobb modellt, a felhasználók pedig vagy ismételhetik az ML modellt, vagy egy kattintással közvetlenül üzembe helyezhetik a modellt a termelésbe.
Ebben a példában szintetikus vásárlói lemorzsolódást használunk adatbázisba a távközlési tartományból, és az a feladatuk, hogy azonosítsák azokat az ügyfeleket, akiket potenciálisan fenyeget a lemorzsolódás. Hajtsa végre a következő lépéseket az Autopilot AutoML használatához ML-modell felépítéséhez, betanításához, üzembe helyezéséhez és megosztásához egy üzleti elemzővel:
- Töltse le a adatbázisba, töltse fel egy Amazon S3-ra (Amazon egyszerű tárolási szolgáltatás) mezőbe, és jegyezze fel az S3 URI-t.
- A Studio konzolon válassza a lehetőséget AutoML a navigációs ablaktáblában.
- 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 Hozzon létre AutoML-kísérletet.
- Adja meg a kísérlet nevét (ehhez a bejegyzéshez,
Telecom-Customer-Churn-AutoPilot
), S3 adatbevitel és kimenet helye. - Állítsa be a céloszlopot lemorzsolódásként.
- Az üzembe helyezési beállításokban engedélyezheti az automatikus telepítési beállítást, hogy létrehozzon egy végpontot, amely a legjobb modellt telepíti, és következtetést futtat a végponton.
További információ: Hozzon létre egy Amazon SageMaker Autopilot kísérletet.
- Válassza ki a kísérletet, majd válassza ki a legjobb modellt, és válasszon Modell megosztása.
- Adjon hozzá egy Canvas-felhasználót, és válassza ki Megosztás megosztani a modellt.
(Megjegyzések: Nem oszthatja meg a modellt ugyanazzal a Canvas-felhasználóval, mint a Studio-bejelentkezéskor. Például a Studio-A felhasználó nem tudja megosztani a modellt a Canvas-A felhasználóval. De az A felhasználó megoszthatja a modellt B felhasználóval, ezért különböző felhasználási módokat választhat a modellmegosztáshoz)
További információ: Studio felhasználók: Ossza meg modelljét a SageMaker Canvas-szal.
Használja a JumpStart és a Canvast
A JumpStart egy ML hub, amely előre betanított, nyílt forráskódú modelleket biztosít az ML felhasználási esetek széles skálájához, mint például a csalás észlelése, a hitelkockázat előrejelzése és a termékhiba észlelése. Több mint 300 előre betanított modellt telepíthet táblázatos, képi, szöveges és hangadatokhoz.
Ehhez a bejegyzéshez a JumpStart LightGBM regressziós előre betanított modelljét használjuk. A modellt egy egyéni adatkészletre tanítjuk, és megosztjuk a modellt egy Canvas-felhasználóval (üzleti elemzővel). Az előre betanított modell egy végpontra telepíthető következtetés céljából. A JumpStart egy példajegyzetfüzetet kínál a modell eléréséhez a telepítés után.
Ebben a példában a abalone adatkészlet. Az adatkészlet nyolc fizikai mérésre tartalmaz példákat, mint például a hosszúság, az átmérő és a magasság, amelyek segítségével megjósolható az abala kora (regressziós probléma).
- Töltse le a abalone adatkészlet Kaggle-től.
- Hozzon létre egy S3-csoportot, és töltse fel a vonat-, az érvényesítés- és az egyéni fejléc-adatkészleteket.
- A Studio konzolon a SageMaker JumpStart a navigációs ablakban válassza a lehetőséget Modellek, notebookok, megoldások.
- Alatt Táblázatos modellek, választ LightGBM regresszió.
- Alatt Vonatmodell, adja meg az S3 URI-kat a betanítási, érvényesítési és oszlopfejléc-adatkészletekhez.
- 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 Vonat.
- A navigációs panelen válassza a lehetőséget Elindította a JumpStart eszközöket.
- A Képzési munkák lapon válassza ki a képzési feladatát.
- A Megosztás menüben válasszon Megosztás a Canvason.
- Válassza ki azokat a Canvas-felhasználókat, akikkel meg szeretne osztani, adja meg a modell részleteit, és válasszon Megosztás.
További információ: Studio felhasználók: Ossza meg modelljét a SageMaker Canvas-szal.
Használja a SageMaker modellnyilvántartást és a Canvast
A SageMaker modellnyilvántartással katalógusba foglalhatja a modelleket a termeléshez, kezelheti a modellverziókat, társíthatja a metaadatokat, kezelheti a modell jóváhagyási állapotát, telepítheti a modelleket a termelésbe, és automatizálhatja a modellek telepítését CI/CD segítségével.
Vegyük fel egy adattudós szerepét. Ebben a példában egy teljes körű ML-projektet épít, amely magában foglalja az adatok előkészítését, a modellképzést, a modelltárolást, a modellnyilvántartást és a modellmegosztást egy üzleti elemzővel. Opcionálisan adat-előkészítési és előfeldolgozási vagy utófeldolgozási lépések is használhatók Amazon SageMaker Data Wrangler és egy Amazon SageMaker feldolgozási munka. Ebben a példában a LIBSVM-ből letöltött abalone adatkészletet használjuk. A célváltozó az abala kora.
- A Stúdióban klónozza a GitHub repo.
- Hajtsa végre a README fájlban felsorolt lépéseket.
- A Studio konzolon a Modellek a navigációs ablakban válassza a lehetőséget Modell nyilvántartás.
- Válassza ki a modellt
sklearn-reg-ablone
. - Ossza meg a modell 1-es verzióját a modellnyilvántartásból a Canvas szolgáltatással.
- Válassza ki azokat a Canvas-felhasználókat, akikkel meg szeretne osztani, adja meg a modell részleteit, és válasszon Megosztás.
Az utasításokat lásd a Modell nyilvántartás szakaszban Studio felhasználók: Ossza meg modelljét a SageMaker Canvas-szal.
Megosztott modellek kezelése
Miután megosztotta a modellt az előző módszerek bármelyikével, lépjen a Modellek szakaszt a Studio alkalmazásban, és tekintse át az összes megosztott modellt. A következő képernyőképen 3 különböző modellt látunk, amelyeket egy Studio-felhasználó (adattudós) osztott meg különböző Canvas-felhasználókkal (üzleti csapatokkal).
Importáljon egy megosztott modellt, és készítsen előrejelzéseket a Canvas segítségével
Vegyük fel az üzleti elemző szerepét, és jelentkezzen be a Canvasba a Canvas felhasználójával.
Amikor egy adattudós vagy Studio-felhasználó megoszt egy modellt egy Canvas-felhasználóval, a Canvas alkalmazáson belül értesítést kap arról, hogy egy Studio-felhasználó megosztott Önnel egy modellt. A Canvas alkalmazásban az értesítés hasonló a következő képernyőképhez.
Választhatsz Frissítés megtekintése a megosztott modell megtekintéséhez, vagy lépjen a Modellek oldalon a Canvas alkalmazásban, hogy felfedezze az Önnel megosztott összes modellt. A modell Stúdióból történő importálása akár 20 percig is eltarthat.
A modell importálása után megtekintheti a mérőszámait és generálhat valós idejű előrejelzések „mi lenne, ha” elemzéssel vagy kötegelt előrejelzésekkel.
Szempontok
Ne feledje a következőket, amikor modelleket oszt meg a Canvas szolgáltatással:
- A képzési és érvényesítési adatkészleteket az Amazon S3-ban tárolja, és az S3 URI-kat a rendszer továbbítja a Canvasnak AWS Identity and Access Management (IAM) engedélyek.
- Adja meg a céloszlopot a Canvas számára, vagy használja az első oszlopot alapértelmezettként.
- Ha egy Canvas-tároló elemzi a következtetési adatokat, a Canvas-végpont szöveget (CSV) vagy alkalmazást (JSON) fogad el.
- A Canvas nem támogatja a több konténer vagy következtetési csővezeték használatát.
- Ha a betanítási és érvényesítési adatkészletekben nincs megadva fejléc, a rendszer egy adatsémát biztosít a Canvas számára. Alapértelmezés szerint a JumpStart platform nem biztosít fejléceket a betanítási és érvényesítési adatkészletekben.
- A Jumpstart segítségével a képzési feladatnak be kell fejeződnie, mielőtt megoszthatja azt a Canvasszal.
Hivatkozni Korlátozások és hibaelhárítás a modellek megosztása során felmerülő problémák elhárításában.
Tisztítsuk meg
A jövőbeni költségek elkerülése érdekében törölje vagy zárja le a bejegyzés követése közben létrehozott erőforrásokat. Hivatkozni Kijelentkezés az Amazon SageMaker Canvasból további részletekért. Állítsa le az egyes erőforrásokat, beleértve a notebookokat, terminált, kerneleket, alkalmazásokat és példányokat. További információkért lásd: Állítsa le az erőforrásokat. Törölje a modell verzió, SageMaker végpont és erőforrások, Autopilot kísérleti erőforrásokés S3 vödör.
Következtetés
A Studio lehetővé teszi az adattudósok számára, hogy néhány egyszerű lépésben megosszák az ML-modelleket az üzleti elemzőkkel. Az üzleti elemzők hasznot húzhatnak az adattudósok által már megépített ML modellekből az üzleti problémák megoldására, ahelyett, hogy új modellt hoznának létre a Canvasban. Azonban a műszaki követelmények és a modellek importálásához szükséges kézi folyamatok miatt nehéz lehet ezeket a modelleket azon a környezeten kívül használni, amelyben épültek. Ez gyakran arra kényszeríti a felhasználókat, hogy újjáépítsék az ML-modelleket, ami megkettőződő erőfeszítéseket, valamint több időt és erőforrást eredményez. A Canvas megszünteti ezeket a korlátozásokat, így előrejelzéseket hozhat létre a Canvasban azokkal a modellekkel, amelyeket bárhol betanított. Az ebben a bejegyzésben bemutatott három minta használatával regisztrálhatja az ML modelleket a SageMaker modellnyilvántartásban, amely az ML modellek metaadattára, és importálhatja azokat a Canvasba. Az üzleti elemzők ezután elemezhetnek és előrejelzéseket generálhatnak a Canvas bármely modelljéből.
Ha többet szeretne megtudni a SageMaker szolgáltatások használatáról, tekintse meg a következő forrásokat:
Ha kérdése vagy javaslata van, írjon megjegyzést.
A szerzőkről
Aman Sharma az AWS vezető megoldási építésze. Kezdő vállalkozásokkal, kis- és középvállalkozásokkal, valamint nagyvállalati ügyfelekkel dolgozik az APJ régióban, több mint 19 éves tapasztalattal rendelkezik tanácsadás, építész és megoldások terén. Szenvedélye a mesterséges intelligencia és az ML demokratizálása, valamint az ügyfelek segítése adat- és ML-stratégiáik megtervezésében. Munkán kívül szereti felfedezni a természetet és a vadon élő állatokat.
Zichen Nie az AWS SageMaker vezető szoftvermérnöke, aki tavaly a Bring Your Own Model to SageMaker Canvas projektet vezette. Több mint 7 éve dolgozik az Amazonnál, és van tapasztalata az Amazon Supply Chain Optimization és az AWS AI szolgáltatások terén. Szereti a Barre edzéseket és a zenét munka után.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :van
- :is
- $ UP
- 1
- 100
- 20
- 7
- a
- Rólunk
- gyorsul
- elfogadja
- hozzáférés
- pontos
- Elérése
- elért
- át
- További
- Után
- AI
- AI szolgáltatások
- algoritmus
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- már
- amazon
- Amazon SageMaker
- Amazon SageMaker Autopilot
- Amazon SageMaker Canvas
- an
- elemzés
- elemző
- Az elemzők
- elemez
- és a
- bármilyen
- bárhol
- Alkalmazás
- jóváhagyás
- alkalmazások
- építészeti
- építészet
- VANNAK
- AS
- Társult
- At
- hang-
- auto
- automatizált
- automaták
- Automatikus
- automatikusan
- AutoML
- elkerülése érdekében
- AWS
- bázis
- BE
- óta
- előtt
- haszon
- BEST
- között
- mindkét
- hoz
- épít
- Épület
- épült
- üzleti
- üzleti funkciók
- vállalkozások
- de
- by
- TUD
- vászon
- esetek
- katalógus
- lánc
- díjak
- ellenőrizze
- 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
- együttműködik
- együttműködés
- Oszlop
- megjegyzés
- teljes
- Konzol
- tanácsadó
- Konténer
- tartalmaz
- ellenőrzés
- Mag
- kiadások
- teremt
- készítette
- teremt
- létrehozása
- teremtés
- hitel
- szokás
- vevő
- Vevőszolgálat
- Ügyfelek
- dátum
- Adatok előkészítése
- adat-tudomány
- adattudós
- adatkészletek
- Nap
- alapértelmezett
- demokratizálásának
- bizonyítani
- osztályok
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevet
- tervezés
- részletek
- Érzékelés
- Fejlesztés
- különböző
- nehéz
- közvetlenül
- felfedez
- Nem
- domain
- ne
- le-
- hajtás
- két
- minden
- Hatékony
- hatékonyság
- erőfeszítés
- bármelyik
- lehetővé
- végtől végig
- Endpoint
- mérnök
- Vállalkozás
- környezetek
- példa
- példák
- létező
- tapasztalat
- kísérlet
- szakvélemény
- feltárása
- feltárja
- Feltárása
- kevés
- Ábra
- filé
- finanszíroz
- Találjon
- vezetéknév
- következő
- A
- erők
- csalás
- csalások felderítése
- ból ből
- Tele
- funkciók
- jövő
- generál
- generáló
- Go
- Legyen
- he
- fejlécek
- magasság
- segít
- segít
- segít
- ennélfogva
- tárhely
- Hogyan
- azonban
- HTML
- http
- HTTPS
- Kerékagy
- azonosító
- Identitás
- if
- importál
- importáló
- javul
- in
- magában foglalja a
- Beleértve
- egyéni
- információ
- bemenet
- helyette
- utasítás
- integráció
- Felület
- bele
- kérdések
- IT
- ITS
- Munka
- jpg
- json
- éppen
- Kulcs
- keresztnév
- Tavaly
- vezető
- TANUL
- tanulás
- Szabadság
- Hossz
- mint
- Kedvencek
- korlátozások
- vonal
- Listázott
- elhelyezkedés
- log
- Belépés
- keres
- fenntartása
- csinál
- kezelése
- kézikönyv
- gyártási
- Marketing
- mérések
- közepes
- Metaadatok
- mód
- Metrics
- esetleg
- bánja
- Perc
- Enyhít
- ML
- modell
- modellek
- hónap
- több
- többszörös
- zene
- kell
- név
- Természet
- Navigáció
- igények
- Új
- nem
- jegyzetfüzet
- bejelentés
- of
- gyakran
- on
- Fedélzeti
- ONE
- nyílt forráskódú
- Művelet
- optimalizálás
- optimalizálása
- opció
- or
- szervezetek
- Más
- ki
- eredmények
- teljesítmény
- kívül
- saját
- oldal
- üvegtábla
- Elmúlt
- szenvedélyes
- minták
- engedélyek
- fizikai
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- állás
- potenciálisan
- előre
- előrejelzés
- Tippek
- előfeltételek
- Probléma
- problémák
- folyamat
- Folyamatok
- feldolgozás
- Termékek
- Termelés
- program
- ad
- feltéve,
- biztosít
- világítás
- Kérdések
- hatótávolság
- kap
- csökkenteni
- vidék
- Regisztráció
- iktató hivatal
- követelmények
- Tudástár
- kapott
- jövedelem
- Kritika
- Kockázat
- Szerep
- sagemaker
- értékesítés
- azonos
- Tudomány
- Tudós
- tudósok
- pontozás
- Rész
- lát
- kiválasztása
- idősebb
- szolgáltatás
- Szolgáltatások
- készlet
- beállítások
- Megosztás
- megosztott
- Megoszt
- megosztás
- ő
- kirakat
- Állítsa le
- hasonló
- Egyszerű
- egyetlen
- kicsi
- So
- szoftver
- Software Engineer
- Megoldások
- SOLVE
- induló
- Állapot
- Lépései
- tárolás
- tárolni
- stratégiák
- stúdió
- ilyen
- kínálat
- ellátási lánc
- Ellátási lánc optimalizálása
- támogatás
- szintetikus
- Vesz
- cél
- feladatok
- csapat
- Műszaki
- távközlési
- terminál
- mint
- hogy
- A
- azok
- Őket
- akkor
- Ezek
- ők
- ezt
- azok
- három
- szorosabb
- idő
- nak nek
- Vonat
- kiképzett
- Képzések
- típus
- alatt
- egységek
- használ
- használt
- használó
- Felhasználók
- segítségével
- érvényesítés
- érték
- értékteremtés
- változat
- Megnézem
- láthatóság
- látomás
- we
- amikor
- ami
- míg
- WHO
- széles
- Széleskörű
- val vel
- belül
- nélkül
- Munka
- dolgozó
- művek
- írás
- év
- év
- te
- A te
- zephyrnet