Amazon SageMaker Canvas most már támogatja a gépi tanulási (ML) modellek telepítését a valós idejű következtetési végpontokhoz, lehetővé téve az ML-modellek éles üzembe helyezését, és az ML-alapú betekintéseken alapuló műveletek végrehajtását. A SageMaker Canvas egy kód nélküli munkaterület, amely lehetővé teszi az elemzők és a polgári adatokkal foglalkozó tudósok számára, hogy pontos ML előrejelzéseket állítsanak elő üzleti igényeik szerint.
Mostanáig a SageMaker Canvas lehetővé tette az ML-modellek kiértékelését, tömeges előrejelzések generálását és a mi lenne, ha elemzések futtatását az interaktív munkaterületén. Mostantól azonban a modelleket az Amazon SageMaker végpontjaira is telepítheti, hogy valós idejű következtetéseket lehessen levonni, így könnyedén felhasználhatja a modell előrejelzéseit és hajthat végre műveleteket a SageMaker Canvas munkaterületen kívül. Az ML modellek SageMaker Canvasból történő közvetlen üzembe helyezésének képessége szükségtelenné teszi az ML-modellek manuális exportálását, konfigurálását, tesztelését és üzembe helyezését a termelésben, ezáltal csökkentve a bonyolultságot és időt takaríthat meg. Az ML-modellek operacionalizálását is elérhetőbbé teszi az egyének számára, anélkül, hogy kódot kellene írnia.
Ebben a bejegyzésben végigvezetjük a folyamaton telepítsen egy modellt a SageMaker Canvasban egy valós idejű végponthoz.
A megoldás áttekintése
Felhasználási esetünkben egy üzleti felhasználó szerepét vállaljuk egy mobiltelefon-szolgáltató marketing osztályán, és sikeresen létrehoztunk egy ML-modellt a SageMaker Canvasban, hogy azonosítsuk a potenciális lemorzsolódás kockázatával rendelkező ügyfeleket. A modellünk által generált előrejelzéseknek köszönhetően most ezt szeretnénk áthelyezni fejlesztői környezetünkből a termelésbe. A következtetések levonásához szükséges modellvégpontunk telepítési folyamatának egyszerűsítése érdekében az ML-modelleket közvetlenül a SageMaker Canvas-ból telepítjük, így nincs szükség az ML-modellek manuális exportálására, konfigurálására, tesztelésére és üzembe helyezésére a termelésben. Ez segít csökkenteni a bonyolultságot, időt takarít meg, és az ML-modellek operacionalizálását is elérhetőbbé teszi az egyének számára anélkül, hogy kódot kellene írnia.
A munkafolyamat lépései a következők:
- Töltsön fel egy új adatkészletet a jelenlegi vásárlói populációval a SageMaker Canvasba. A támogatott adatforrások teljes listáját lásd: Adatok importálása a Canvasba.
- Építsen ML modelleket és elemezze teljesítménymutatóikat. Az utasításokat lásd: Készítsen egyedi modellt és a Értékelje modellje teljesítményét az Amazon SageMaker Canvasban.
- Telepítse a jóváhagyott modellverziót a valós idejű következtetés végpontjaként.
Ezeket a lépéseket a SageMaker Canvasban egyetlen kódsor írása nélkül is végrehajthatja.
Előfeltételek
Ehhez az áttekintéshez győződjön meg arról, hogy teljesülnek a következő előfeltételek:
- A modellverziók SageMaker-végpontokon való üzembe helyezéséhez a SageMaker Canvas adminisztrátorának meg kell adnia a szükséges engedélyeket a SageMaker Canvas felhasználónak, amelyet a SageMaker Canvas alkalmazást tároló SageMaker tartományban kezelhet. További információkért lásd: Engedélykezelés a Canvasban.
- 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, 97.103%-os modellpontszámmal
Használja a vásárlói lemorzsolódás előrejelzési modelljét
engedélyezése Speciális mutatók megjelenítése a modell részleteinek oldalán, és tekintse át az egyes modellverziókhoz társított célmutatókat, így kiválaszthatja a legjobban teljesítő modellt a SageMaker végpontként történő telepítéséhez.
A teljesítménymutatók alapján a 2-es verziót választjuk ki a telepítésre.
Adja meg a modell központi telepítési beállításait – a telepítés neve, a példány típusa és a példányszám.
Kiindulópontként a Canvas automatikusan ajánlja a legjobb példánytípust és a példányok számát a modell telepítéséhez. Módosíthatja a munkaterhelési igénye szerint.
A telepített SageMaker következtetési végpontot közvetlenül a SageMaker Canvasból tesztelheti.
Módosíthatja a bemeneti értékeket a SageMaker Canvas felhasználói felületén, hogy további lemorzsolódási előrejelzésekre következtessen.
Most navigáljunk ide Amazon SageMaker Studio és ellenőrizze a telepített végpontot.
Nyisson meg egy jegyzetfüzetet a SageMaker Studio alkalmazásban, és futtassa a következő kódot a telepített modell végpontjának megállapításához. Cserélje ki a modell végpont nevét a saját modell végpont nevére.
Az eredeti modell végpontja egy ml.m5.xlarge példányt és 1 példányszámot használ. Most tegyük fel, hogy a modell végpontjára következtet végfelhasználók száma növekedni fog, és több számítási kapacitást szeretne biztosítani. Ezt közvetlenül a SageMaker Canvasból is végrehajthatja, ha kiválasztja Frissítse a konfigurációt.
Tisztítsuk meg
A jövőbeni költségek elkerülése érdekében törölje a bejegyzés követése közben létrehozott forrásokat. Ez magában foglalja a SageMaker Canvasból való kijelentkezést és a telepített SageMaker végpont törlése. A SageMaker Canvas a munkamenet időtartamára kiszámláz, és azt javasoljuk, hogy jelentkezzen ki a SageMaker Canvasból, ha nem használja. Hivatkozni Kijelentkezés az Amazon SageMaker Canvasból fül alatt találsz.
Következtetés
Ebben a bejegyzésben megvitattuk, hogy a SageMaker Canvas miként telepíthet ML-modelleket valós idejű következtetési végpontokhoz, lehetővé téve az ML-modellek élesre vitelét, és az ML-alapú betekintéseken alapuló cselekvések végrehajtását. Példánkban bemutattuk, hogyan tud egy elemző gyorsan felépíteni egy rendkívül pontos prediktív ML-modellt kód írása nélkül, végpontként telepíteni a SageMakerre, és tesztelni a modell végpontját a SageMaker Canvasból, valamint egy SageMaker Studio notebookból.
Az alacsony kódú/kód nélküli ML utazás megkezdéséhez lásd: Amazon SageMaker Canvas.
Külön köszönet mindenkinek, aki hozzájárult az induláshoz: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani és Alicia Qi.
A szerzőkről
Janisha Anand Senior Product Manager az Amazon SageMaker Low/No Code ML csapatában, amely magában foglalja a SageMaker Canvast és a SageMaker Autopilotot. Imádja a kávét, aktív marad, és a családjával tölti az idejét.
Indy Sawhney az Amazon Web Services vezető ügyfélmegoldás-vezetője. Az ügyfelek problémáitól mindig visszafelé haladva Indy tanácsot ad az AWS vállalati ügyfélvezetőinek az egyedülálló felhőalapú átalakulási útjuk során. Több mint 25 éves tapasztalattal segíti a vállalati szervezeteket a feltörekvő technológiák és üzleti megoldások átvételében. Az Indy az AWS AI/ML technikai területközösségével foglalkozó mélységspecialista terület, amely a generatív AI és az alacsony kódú/kód nélküli Amazon SageMaker megoldásokra specializálódott.
- 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. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/
- :van
- :is
- :nem
- 07
- 1
- 100
- 11
- 16
- 19
- 25
- 67
- 7
- 8
- 97
- a
- képesség
- hozzáférhető
- elérni
- pontosság
- pontos
- Akció
- cselekvések
- aktív
- További
- admin
- elfogadja
- fejlett
- AI
- AI / ML
- Minden termék
- Allen
- lehetővé téve
- Is
- mindig
- amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Az Amazon Web Services
- an
- elemzések
- elemző
- Az elemzők
- elemez
- és a
- bármilyen
- Alkalmazás
- jóváhagyott
- VANNAK
- TERÜLET
- AS
- társult
- feltételezni
- automatikusan
- elkerülése érdekében
- AWS
- alapján
- BE
- BEST
- Bankjegyek
- test
- épít
- épült
- üzleti
- de
- by
- TUD
- vászon
- Kapacitás
- eset
- változik
- díjak
- ellenőrizze
- választja
- polgár
- felhő
- kód
- Kávé
- közösség
- bonyolultság
- Kiszámít
- Configuration
- fogyaszt
- hozzájárultak
- készítette
- Jelenlegi
- szokás
- vevő
- Ügyfélmegoldások
- Ügyfelek
- dátum
- osztály
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- mélység
- részletek
- Fejlesztés
- közvetlenül
- tárgyalt
- domain
- hajtás
- időtartama
- minden
- megerőltetés nélküli
- megszünteti
- megszüntetése
- csiszolókő
- fejlődő technológiák
- lehetővé teszi
- Endpoint
- Vállalkozás
- Környezet
- értékelni
- mindenki
- példa
- vezetők
- vár
- tapasztalat
- export
- család
- Jellemzők
- mező
- következő
- következik
- A
- ból ből
- Tele
- jövő
- generál
- generált
- nemző
- Generatív AI
- Ad
- Legyen
- tekintettel
- he
- segít
- segít
- neki
- nagyon
- történeti
- hosts
- Hogyan
- HTML
- HTTPS
- azonosítani
- importál
- javított
- in
- magában foglalja a
- Növelje
- egyének
- információ
- bemenet
- meglátások
- példa
- utasítás
- interaktív
- Felület
- bele
- IT
- ITS
- utazás
- jpg
- Kumar
- indít
- vezető
- tanulás
- vonal
- Lista
- fakitermelés
- gép
- gépi tanulás
- csinál
- KÉSZÍT
- Gyártás
- kezelése
- vezetés
- menedzser
- kézzel
- Marketing
- említett
- találkozott
- Metrics
- ML
- Mobil
- mobiltelefon
- modell
- modellek
- több
- mozog
- kell
- név
- Keresse
- elengedhetetlen
- Szükség
- igények
- Új
- nem
- jegyzetfüzet
- Most
- szám
- célkitűzés
- of
- on
- operátor
- szervezetek
- eredeti
- mi
- ki
- kívül
- felett
- saját
- oldal
- pandák
- mert
- Teljesít
- teljesítmény
- engedélyek
- telefon
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- népesség
- állás
- potenciális
- előrejelzés
- Tippek
- előfeltételek
- problémák
- folyamat
- Termékek
- termék menedzser
- Termelés
- feltéve,
- ellátás
- Qi
- Quick
- gyorsan
- real-time
- ajánl
- csökkenteni
- csökkentő
- utal
- eltávolított
- cserélni
- Tudástár
- válasz
- Kritika
- Kockázat
- Szerep
- futás
- sagemaker
- SageMaker következtetés
- megtakarítás
- tudósok
- pontszám
- Sean
- idősebb
- Szolgáltatások
- ülés
- ő
- kellene
- kimutatta,
- egyetlen
- So
- Megoldások
- Források
- szakember
- Költési
- standard
- kezdet
- Kezdve
- Állami
- tartózkodás
- Lépései
- áramvonal
- stúdió
- sikeresen
- Támogatott
- Támogatja
- biztos
- SYS
- Vesz
- csapat
- Műszaki
- Technologies
- teszt
- Kösz
- hogy
- A
- azok
- ezáltal
- Ezek
- ezt
- három
- Keresztül
- idő
- nak nek
- kiképzett
- Átalakítás
- típus
- egyedi
- használ
- használati eset
- használó
- felhasználói felület
- segítségével
- Értékek
- változat
- verzió
- séta
- végigjátszás
- akar
- we
- háló
- webes szolgáltatások
- JÓL
- amikor
- ami
- míg
- WHO
- lesz
- val vel
- belül
- nélkül
- munkafolyamat
- dolgozó
- ír
- kódot írni
- írás
- év
- Igen
- te
- A te
- zephyrnet