Sekarang Anda dapat mendaftarkan model machine learning (ML) bawaan Kanvas Amazon SageMaker dengan satu klik ke Registri Model Amazon SageMaker, memungkinkan Anda mengoperasionalkan model ML dalam produksi. Canvas adalah antarmuka visual yang memungkinkan analis bisnis membuat sendiri prediksi ML yang akuratโtanpa memerlukan pengalaman ML apa pun atau harus menulis satu baris kode pun. Meskipun merupakan tempat yang bagus untuk pengembangan dan eksperimen, untuk memperoleh nilai dari model ini, model tersebut perlu dioperasionalkanโyaitu, diterapkan dalam lingkungan produksi tempat model tersebut dapat digunakan untuk membuat prediksi atau keputusan. Kini dengan integrasi dengan model registry, Anda dapat menyimpan semua artefak model, termasuk metadata dan baseline metrik kinerja, ke repositori pusat dan menyambungkannya ke proses CI/CD penerapan model yang ada.
Registri model adalah repositori yang membuat katalog model ML, mengelola berbagai versi model, mengaitkan metadata (seperti metrik pelatihan) dengan model, mengelola status persetujuan model, dan menerapkannya ke produksi. Setelah membuat versi model, biasanya Anda ingin mengevaluasi kinerjanya sebelum menerapkannya ke titik akhir produksi. Jika sesuai dengan kebutuhan Anda, Anda dapat memperbarui status persetujuan versi model menjadi disetujui. Menyetel status ke disetujui dapat memulai penerapan CI/CD untuk model. Jika versi model tidak memenuhi kebutuhan Anda, Anda dapat memperbarui status persetujuan untuk ditolak dalam registri, yang mencegah model disebarkan ke lingkungan yang meningkat.
Registri model memainkan peran kunci dalam proses penyebaran model karena mengemas semua informasi model dan memungkinkan otomatisasi promosi model ke lingkungan produksi. Berikut adalah beberapa cara yang dapat dilakukan oleh registri model dalam mengoperasionalkan model ML:
- Kontrol versi โ Registri model memungkinkan Anda melacak berbagai versi model ML Anda, yang penting saat menerapkan model dalam produksi. Dengan melacak versi model, Anda dapat dengan mudah kembali ke versi sebelumnya jika versi baru menyebabkan masalah.
- Kolaborasi โ Registri model memungkinkan kolaborasi antara ilmuwan data, insinyur, dan pemangku kepentingan lainnya dengan menyediakan lokasi terpusat untuk menyimpan, berbagi, dan mengakses model. Ini dapat membantu merampingkan proses penerapan dan memastikan bahwa setiap orang bekerja dengan model yang sama.
- Governance โ Registri model dapat membantu kepatuhan dan tata kelola dengan menyediakan riwayat perubahan dan penerapan model yang dapat diaudit.
Secara keseluruhan, registri model dapat membantu merampingkan proses penerapan model ML dalam produksi dengan menyediakan kontrol versi, kolaborasi, pemantauan, dan tata kelola.
Ikhtisar solusi
Untuk kasus penggunaan kami, kami mengasumsikan peran pengguna bisnis di departemen pemasaran operator telepon seluler, dan kami telah berhasil membuat model ML di Canvas untuk mengidentifikasi pelanggan dengan potensi risiko churn. Berkat prediksi yang dihasilkan oleh model kami, kami sekarang ingin memindahkannya dari lingkungan pengembangan ke produksi. Namun, sebelum model kami diterapkan ke titik akhir produksi, model tersebut perlu ditinjau dan disetujui oleh tim MLOps pusat. Tim ini bertanggung jawab untuk mengelola versi model, meninjau semua metadata terkait (seperti metrik pelatihan) dengan model, mengelola status persetujuan setiap model ML, menerapkan model yang disetujui ke produksi, dan mengotomatiskan penerapan model dengan CI/CD. Untuk merampingkan proses penerapan model kami dalam produksi, kami memanfaatkan integrasi Canvas dengan registri model dan mendaftarkan model kami untuk ditinjau oleh tim MLOps kami.
Langkah-langkah alur kerjanya adalah sebagai berikut:
- Unggah kumpulan data baru dengan populasi pelanggan saat ini ke Canvas. Untuk daftar lengkap sumber data yang didukung, lihat Impor data ke Canvas.
- Buat model ML dan analisis metrik performanya. Lihat petunjuk untuk buat model ML khusus di Canvas dan mengevaluasi kinerja model.
- Daftarkan versi dengan performa terbaik ke registri model untuk ditinjau dan disetujui.
- Terapkan versi model yang disetujui ke titik akhir produksi untuk inferensi real-time.
Anda dapat melakukan Langkah 1โ3 di Canvas tanpa menulis satu baris kode pun.
Prasyarat
Untuk panduan ini, pastikan bahwa prasyarat berikut terpenuhi:
- Untuk mendaftarkan versi model ke registri model, admin Canvas harus memberikan izin yang diperlukan kepada pengguna Canvas, yang dapat Anda kelola di domain SageMaker yang menghosting aplikasi Canvas Anda. Untuk informasi lebih lanjut, lihat Panduan Pengembang Amazon SageMaker. Saat memberikan izin pengguna Canvas, Anda harus memilih apakah akan mengizinkan pengguna mendaftarkan versi model mereka di akun AWS yang sama.
- Terapkan prasyarat yang disebutkan dalam Memprediksi churn pelanggan dengan pembelajaran mesin tanpa kode menggunakan Amazon SageMaker Canvas.
Anda sekarang harus memiliki tiga versi model yang dilatih pada data prediksi churn historis di Canvas:
- V1 dilatih dengan semua 21 fitur dan konfigurasi build cepat dengan skor model 96.903%
- V2 dilatih dengan semua 19 fitur (fitur ponsel dan status yang dihapus) dan konfigurasi build cepat serta peningkatan akurasi sebesar 97.403%
- V3 dilatih dengan konfigurasi build standar dengan skor model 97.03%.
Gunakan model prediksi churn pelanggan
Aktifkan Tampilkan metrik lanjutan dan tinjau metrik objektif yang terkait dengan setiap versi model sehingga kami dapat memilih model dengan kinerja terbaik untuk pendaftaran ke registri model.
Berdasarkan metrik kinerja, kami memilih versi 2 untuk didaftarkan.
Registri model melacak semua versi model yang Anda latih untuk memecahkan masalah tertentu dalam grup model. Saat Anda melatih model Canvas dan mendaftarkannya ke registri model, model tersebut akan ditambahkan ke grup model sebagai versi model baru.
Pada saat pendaftaran, grup model dalam registri model dibuat secara otomatis. Secara opsional, Anda dapat mengganti namanya menjadi nama pilihan Anda atau menggunakan grup model yang ada di registri model.
Untuk contoh ini, kami menggunakan nama grup model yang dibuat secara otomatis dan memilih Add.
Versi model kami sekarang harus didaftarkan ke grup model di registri model. Jika kami mendaftarkan versi model lain, itu akan didaftarkan ke grup model yang sama.
Status versi model seharusnya berubah dari Tidak terdaftar untuk Terdaftar.
Saat kami mengarahkan kursor ke status, kami dapat meninjau detail registri model, yang mencakup nama grup model, ID akun registri model, dan status persetujuan. Segera setelah pendaftaran, statusnya berubah menjadi Menunggu persetujuan, yang berarti bahwa model ini terdaftar di registri model tetapi menunggu peninjauan dan persetujuan dari ilmuwan data atau anggota tim MLOps dan hanya dapat diterapkan ke titik akhir jika disetujui.
Sekarang mari kita arahkan ke Studio Amazon SageMaker dan berperan sebagai anggota tim MLOps. Di bawah Model di panel navigasi, pilih Registri model untuk membuka halaman beranda registri model.
Kita bisa melihat model group canvas-Churn-Prediction-Model
yang dibuat Canvas secara otomatis untuk kita.
Pilih model untuk meninjau semua versi yang didaftarkan ke grup model ini, lalu tinjau detail model yang sesuai.
Jika Anda membuka detail untuk versi 1, kita dapat melihat bahwa Aktivitas tab melacak semua peristiwa yang terjadi pada model.
pada Kualitas model tab, kita dapat meninjau metrik model, kurva presisi/recall, dan plot matriks kebingungan untuk memahami kinerja model.
pada Dapat dijelaskan tab, kami dapat meninjau fitur yang paling memengaruhi performa model.
Setelah kami meninjau artefak model, kami dapat mengubah status persetujuan dari Pending untuk Disetujui.
Kami sekarang dapat melihat aktivitas yang diperbarui.
Pengguna bisnis Canvas sekarang dapat melihat bahwa status model terdaftar berubah dari Menunggu persetujuan untuk Disetujui.
Sebagai anggota tim MLOps, karena kami telah menyetujui model ML ini, mari terapkan ke titik akhir.
Di Studio, navigasikan ke halaman beranda registri model dan pilih canvas-Churn-Prediction-Model
kelompok model. Pilih versi yang akan diterapkan dan buka Settings Tab.
Telusuri untuk mendapatkan detail ARN paket model dari versi model yang dipilih di registri model.
Buka buku catatan di Studio dan jalankan kode berikut untuk menerapkan model ke titik akhir. Ganti ARN paket model dengan ARN paket model Anda sendiri.
Setelah titik akhir dibuat, Anda dapat melihatnya dilacak sebagai peristiwa di Aktivitas tab registri model.
Anda dapat mengklik dua kali pada nama titik akhir untuk mendapatkan detailnya.
Sekarang kita memiliki titik akhir, mari kita aktifkan untuk mendapatkan inferensi real-time. Ganti nama titik akhir Anda dalam cuplikan kode berikut:
Membersihkan
Untuk menghindari timbulnya biaya di masa mendatang, hapus sumber daya yang Anda buat saat mengikuti postingan ini. Ini termasuk keluar dari Canvas dan menghapus titik akhir SageMaker yang diterapkan. Canvas menagih Anda selama durasi sesi, dan kami menyarankan untuk keluar dari Canvas saat Anda tidak menggunakannya. Mengacu pada Keluar dari Amazon SageMaker Canvas lebih lanjut.
Kesimpulan
Dalam postingan ini, kami membahas bagaimana Canvas dapat membantu mengoperasionalkan model ML ke lingkungan produksi tanpa memerlukan keahlian ML. Dalam contoh kami, kami menunjukkan bagaimana seorang analis dapat dengan cepat membuat model ML prediktif yang sangat akurat tanpa menulis kode apa pun dan mendaftarkannya ke registri model. Tim MLOps kemudian dapat meninjaunya dan menolak model tersebut atau menyetujui model tersebut dan memulai proses penerapan CI/CD hilir.
Untuk memulai perjalanan ML kode rendah/tanpa kode, lihat Kanvas Amazon SageMaker.
Terima kasih khusus kepada semua orang yang berkontribusi pada peluncuran:
backend:
- Huayuan (Alice) Wu
- Krittaphat Pugdeethosapol
- Yanda Hu
- Yohanes Dia
- Esha Dutta
- Prashanth
Paling depan:
- Pedagang Kaiz
- Ed Cheung
Tentang Penulis
Janisha Anand adalah Manajer Produk Senior di tim ML Rendah/Tanpa Kode SageMaker, yang mencakup SageMaker Autopilot. Dia menikmati kopi, tetap aktif, dan menghabiskan waktu bersama keluarganya.
Krittaphat Pugdeethosapol adalah Insinyur Pengembangan Perangkat Lunak di Amazon SageMaker dan terutama bekerja dengan produk kode rendah dan tanpa kode SageMaker.
Huayuan(Alice) Wu adalah Insinyur Pengembangan Perangkat Lunak di Amazon SageMaker. Dia berfokus pada pembuatan alat dan produk ML untuk pelanggan. Di luar pekerjaan, dia menikmati alam bebas, yoga, dan hiking.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPOยฎ. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :adalah
- :bukan
- :Di mana
- ][P
- 1
- 100
- 15%
- 420
- 7
- 8
- a
- Sanggup
- mengakses
- Akun
- ketepatan
- tepat
- aktif
- kegiatan
- menambahkan
- admin
- maju
- Keuntungan
- Setelah
- Semua
- mengizinkan
- memungkinkan
- Meskipun
- Amazon
- Amazon SageMaker
- Kanvas Amazon SageMaker
- antara
- an
- analis
- Analis
- menganalisa
- dan
- Lain
- Apa pun
- Aplikasi
- persetujuan
- menyetujui
- disetujui
- ADALAH
- AS
- terkait
- At
- bisa diaudit
- secara otomatis
- mengotomatisasi
- Otomatisasi
- menghindari
- AWS
- BE
- karena
- sebelum
- makhluk
- TERBAIK
- Uang kertas
- tubuh
- membangun
- Bangunan
- dibangun di
- bisnis
- tapi
- by
- CAN
- kanvas
- kasus
- katalog
- penyebab
- pusat
- terpusat
- perubahan
- berubah
- Perubahan
- beban
- pilihan
- Pilih
- Klik
- kode
- Tanaman
- kolaborasi
- pemenuhan
- konfigurasi
- kebingungan
- berkontribusi
- kontrol
- Sesuai
- membuat
- dibuat
- terbaru
- adat
- pelanggan
- pelanggan
- data
- ilmuwan data
- tanggal Waktu
- keputusan
- Departemen
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- penyebaran
- menyebarkan
- rincian
- Pengembang
- Pengembangan
- berbeda
- dibahas
- Tidak
- domain
- lamanya
- setiap
- mudah
- antara
- memungkinkan
- memungkinkan
- akhir
- Titik akhir
- insinyur
- Insinyur
- memastikan
- Lingkungan Hidup
- lingkungan
- penting
- mengevaluasi
- Acara
- peristiwa
- Setiap
- semua orang
- contoh
- ada
- pengalaman
- keahlian
- keluarga
- Fitur
- berfokus
- berikut
- berikut
- Untuk
- dari
- penuh
- masa depan
- menghasilkan
- dihasilkan
- mendapatkan
- Memberikan
- Go
- pemerintahan
- pemberian
- besar
- Kelompok
- Kejadian
- Memiliki
- memiliki
- membantu
- dia
- sangat
- historis
- sejarah
- Beranda
- host
- melayang-layang
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- HTTPS
- ID
- mengenali
- if
- mengimpor
- ditingkatkan
- in
- memasukkan
- termasuk
- Termasuk
- terpengaruh
- informasi
- memulai
- instruksi
- integrasi
- Antarmuka
- ke
- masalah
- IT
- NYA
- perjalanan
- jpg
- pemeliharaan
- kunci
- jalankan
- pengetahuan
- baris
- Daftar
- tempat
- penebangan
- mesin
- Mesin belajar
- terutama
- membuat
- mengelola
- manajer
- mengelola
- pelaksana
- Marketing
- Matriks
- cara
- anggota
- tersebut
- Metadata
- Metrik
- ML
- MLOps
- mobil
- telepon genggam
- model
- model
- pemantauan
- lebih
- paling
- pindah
- harus
- nama
- Arahkan
- Navigasi
- perlu
- Perlu
- kebutuhan
- New
- tidak
- buku catatan
- sekarang
- tujuan
- of
- on
- hanya
- Buka
- operator
- or
- OS
- Lainnya
- kami
- di luar
- di luar rumah
- di luar
- lebih
- sendiri
- paket
- paket
- halaman
- panda
- pane
- tertentu
- tertunda
- Melakukan
- prestasi
- melakukan
- melakukan
- Izin
- telepon
- Tempat
- plato
- Kecerdasan Data Plato
- Data Plato
- memainkan
- steker
- populasi
- Pos
- potensi
- ramalan
- Prediksi
- prasyarat
- mencegah
- sebelumnya
- Masalah
- proses
- proses
- Produk
- manajer produk
- Produksi
- Produk
- promosi
- menyediakan
- Cepat
- segera
- real-time
- sarankan
- daftar
- terdaftar
- Pendaftaran
- pendaftaran
- Dihapus
- menggantikan
- gudang
- Persyaratan
- Sumber
- tanggapan
- tanggung jawab
- kembali
- ulasan
- review jurnal
- meninjau
- benar
- Risiko
- Peran
- Run
- pembuat bijak
- sama
- ilmuwan
- ilmuwan
- skor
- melihat
- terpilih
- senior
- Sidang
- pengaturan
- berbagi
- dia
- harus
- menunjukkan
- tunggal
- So
- Perangkat lunak
- pengembangan perangkat lunak
- MEMECAHKAN
- beberapa
- sumber
- Pengeluaran
- stakeholder
- standar
- awal
- Negara
- Status
- Tangga
- menyimpan
- menyimpan
- mempersingkat
- studio
- berhasil
- seperti itu
- Didukung
- SYS
- Mengambil
- tim
- Terima kasih
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- Ini
- mereka
- ini
- tiga
- waktu
- untuk
- alat
- jalur
- Pelatihan VE
- terlatih
- Pelatihan
- khas
- bawah
- memahami
- Memperbarui
- diperbarui
- us
- menggunakan
- gunakan case
- bekas
- Pengguna
- menggunakan
- nilai
- berbagai
- versi
- walkthrough
- ingin
- cara
- we
- adalah
- ketika
- apakah
- yang
- sementara
- SIAPA
- akan
- dengan
- dalam
- tanpa
- Kerja
- kerja
- bekerja
- akan
- menulis
- penulisan
- iya nih
- Yoga
- Kamu
- Anda
- zephyrnet.dll