Az Amazon SageMaker Canvasba épített ML-modellek telepítése az Amazon SageMaker valós idejű végpontjaira | Amazon webszolgáltatások

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:

1. Töltsön fel egy új adatkészletet a jelenlegi vásárlói populációval a SageMaker Canvasba. A támogatott adatforrások teljes listáját lásd: Adatok importálása a Canvasba.
2. Építsen ML modelleket és elemezze teljesítménymutatóikat. Az utasításokat lásd: Készítsen egyedi modellt és a Értékelje modellje teljesítményét az Amazon SageMaker Canvasban.
3. 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:

1. 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.
   
2. 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.

import boto3, sys
import pandas as pd endpoint_name = "canvas-customer-churn-prediction-model"
sm_rt = boto3.Session().client('runtime.sagemaker') payload = [['PA',163,806,403-2562, 'no', 'yes', 300, 8.16, 3, 7.57,3.93,4,6.5,4.07,100,5.11,4.92,6,5.67,3]]
body = pd.DataFrame(payload).to_csv(header=False, index=False).encode("utf-8") response = sm_rt.invoke_endpoint(EndpointName=endpoint_name, Body=body, ContentType="text/csv",Accept="application/json") response = response['Body'].read().decode("utf-8")
print(response)

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/