Terapkan model ML yang dibangun di Amazon SageMaker Canvas ke titik akhir real-time Amazon SageMaker | Layanan Web Amazon

Kanvas Amazon SageMaker kini mendukung penerapan model pembelajaran mesin (ML) ke titik akhir inferensi real-time, memungkinkan Anda membawa model ML ke produksi dan mendorong tindakan berdasarkan wawasan yang didukung ML. SageMaker Canvas adalah ruang kerja tanpa kode yang memungkinkan analis dan ilmuwan data warga menghasilkan prediksi ML yang akurat untuk kebutuhan bisnis mereka.

Hingga saat ini, SageMaker Canvas menyediakan kemampuan untuk mengevaluasi model ML, menghasilkan prediksi massal, dan menjalankan analisis bagaimana-jika dalam ruang kerja interaktifnya. Namun kini Anda juga dapat menerapkan model ke titik akhir Amazon SageMaker untuk inferensi waktu nyata, sehingga memudahkan penggunaan prediksi model dan mendorong tindakan di luar ruang kerja SageMaker Canvas. Memiliki kemampuan untuk menerapkan model ML secara langsung dari SageMaker Canvas menghilangkan kebutuhan untuk mengekspor, mengonfigurasi, menguji, dan menerapkan model ML secara manual ke dalam produksi, sehingga menghemat kompleksitas dan menghemat waktu. Hal ini juga membuat pengoperasian model ML lebih mudah diakses oleh individu, tanpa perlu menulis kode.

Dalam posting ini, kami memandu Anda melalui proses untuk menerapkan model di SageMaker Canvas ke titik akhir waktu nyata.

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 SageMaker Canvas untuk mengidentifikasi pelanggan dengan potensi risiko churn. Berkat prediksi yang dihasilkan oleh model kami, kami sekarang ingin memindahkannya dari lingkungan pengembangan ke produksi. Untuk menyederhanakan proses penerapan titik akhir model kami untuk inferensi, kami langsung menerapkan model ML dari SageMaker Canvas, sehingga menghilangkan kebutuhan untuk mengekspor, mengonfigurasi, menguji, dan menerapkan model ML secara manual ke dalam produksi. Hal ini membantu mengurangi kompleksitas, menghemat waktu, dan juga membuat pengoperasian model ML lebih mudah diakses oleh individu, tanpa perlu menulis kode.

Langkah-langkah alur kerjanya adalah sebagai berikut:

1. Unggah kumpulan data baru dengan populasi pelanggan saat ini ke SageMaker Canvas. Untuk daftar lengkap sumber data yang didukung, lihat Impor data ke Canvas.
2. Bangun model ML dan analisis metrik kinerjanya. Untuk instruksi, lihat Bangun model khusus dan Evaluasi Performa Model Anda di Kanvas Amazon SageMaker.
3. Terapkan versi model yang disetujui sebagai titik akhir untuk inferensi real-time.

Anda dapat melakukan langkah-langkah ini di SageMaker Canvas tanpa menulis satu baris kode pun.

Prasyarat

Untuk panduan ini, pastikan bahwa prasyarat berikut terpenuhi:

1. Untuk menyebarkan versi model ke titik akhir SageMaker, admin SageMaker Canvas harus memberikan izin yang diperlukan kepada pengguna SageMaker Canvas, yang dapat Anda kelola di domain SageMaker yang menghosting aplikasi SageMaker Canvas Anda. Untuk informasi lebih lanjut, lihat Manajemen Izin di Canvas.
   
2. 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 97.103%.

Gunakan model prediksi churn pelanggan

Aktifkan Tampilkan metrik lanjutan di halaman detail model dan tinjau metrik objektif yang terkait dengan setiap versi model sehingga Anda dapat memilih model dengan kinerja terbaik untuk diterapkan ke SageMaker sebagai titik akhir.

Berdasarkan metrik kinerja, kami memilih versi 2 untuk diterapkan.

Konfigurasikan pengaturan penerapan model—nama penerapan, jenis instans, dan jumlah instans.

Sebagai titik awal, Canvas akan secara otomatis merekomendasikan jenis instans terbaik dan jumlah instans untuk penerapan model Anda. Anda dapat mengubahnya sesuai kebutuhan beban kerja Anda.

Anda dapat menguji titik akhir inferensi SageMaker yang diterapkan langsung dari dalam SageMaker Canvas.

Anda dapat mengubah nilai input menggunakan antarmuka pengguna SageMaker Canvas untuk menyimpulkan prediksi churn tambahan.

Sekarang mari kita arahkan ke Studio Amazon SageMaker dan periksa titik akhir yang diterapkan.

Buka buku catatan di SageMaker Studio dan jalankan kode berikut untuk menyimpulkan titik akhir model yang disebarkan. Ganti nama titik akhir model dengan nama titik akhir model Anda sendiri.

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)

Titik akhir model asli kami menggunakan instans ml.m5.xlarge dan 1 jumlah instans. Sekarang, anggaplah Anda memperkirakan jumlah pengguna akhir yang menyimpulkan titik akhir model Anda akan meningkat dan Anda ingin menyediakan lebih banyak kapasitas komputasi. Anda dapat melakukannya langsung dari dalam SageMaker Canvas dengan memilih Perbarui konfigurasi.

Membersihkan

Untuk menghindari timbulnya biaya di masa mendatang, hapus sumber daya yang Anda buat saat mengikuti postingan ini. Ini termasuk keluar dari SageMaker Canvas dan menghapus titik akhir SageMaker yang diterapkan. SageMaker Canvas menagih Anda selama durasi sesi, dan kami menyarankan Anda keluar dari SageMaker Canvas saat Anda tidak menggunakannya. Mengacu pada Keluar dari Amazon SageMaker Canvas lebih lanjut.

Kesimpulan

Dalam postingan ini, kami membahas bagaimana SageMaker Canvas dapat menerapkan model ML ke titik akhir inferensi real-time, memungkinkan Anda membawa model ML ke produksi dan mendorong tindakan berdasarkan wawasan yang didukung ML. Dalam contoh kami, kami menunjukkan bagaimana seorang analis dapat dengan cepat membuat model ML prediktif yang sangat akurat tanpa menulis kode apa pun, menerapkannya di SageMaker sebagai titik akhir, dan menguji titik akhir model dari SageMaker Canvas, serta dari notebook SageMaker Studio.

Untuk memulai perjalanan ML kode rendah/tanpa kode, lihat Kanvas Amazon SageMaker.

Terima kasih khusus kepada semua orang yang berkontribusi pada peluncuran ini: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani, dan Alicia Qi.

Tentang Penulis

Janisha Anand adalah Manajer Produk Senior di tim ML Amazon SageMaker Rendah/Tanpa Kode, yang mencakup SageMaker Canvas dan SageMaker Autopilot. Dia menikmati kopi, tetap aktif, dan menghabiskan waktu bersama keluarganya.

Indy Sawhney adalah Pemimpin Solusi Pelanggan Senior di Amazon Web Services. Selalu bekerja mundur dari masalah pelanggan, Indy memberikan saran kepada eksekutif pelanggan perusahaan AWS melalui perjalanan transformasi cloud mereka yang unik. Beliau memiliki pengalaman lebih dari 25 tahun membantu organisasi perusahaan mengadopsi teknologi dan solusi bisnis yang sedang berkembang. Indy adalah spesialis bidang mendalam dengan Komunitas Bidang Teknis AWS untuk AI/ML, dengan spesialisasi dalam AI generatif dan solusi Amazon SageMaker kode rendah/tanpa kode.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/