פרוס דגמי ML שנבנו ב-Amazon SageMaker Canvas לנקודות קצה של Amazon SageMaker בזמן אמת | שירותי האינטרנט של אמזון

אמזון SageMaker Canvas תומך כעת בפריסת מודלים של למידת מכונה (ML) לנקודות קצה של הסקת מסקנות בזמן אמת, מה שמאפשר לך לקחת את מודלי ה-ML שלך לייצור ולהניע פעולה על סמך תובנות המופעלות על ML. SageMaker Canvas הוא סביבת עבודה ללא קוד המאפשרת לאנליסטים ולמדעני נתונים אזרחיים ליצור תחזיות ML מדויקות לצרכים העסקיים שלהם.

עד כה, SageMaker Canvas סיפקה את היכולת להעריך מודל ML, ליצור תחזיות בכמות גדולה ולהריץ ניתוח מה אם בתוך סביבת העבודה האינטראקטיבית שלו. אבל עכשיו אתה יכול גם לפרוס את המודלים לנקודות קצה של אמזון SageMaker להסקת מסקנות בזמן אמת, מה שהופך את זה ללא מאמץ לצרוך תחזיות מודל ולהניע פעולות מחוץ לסביבת העבודה של SageMaker Canvas. היכולת לפרוס ישירות דגמי ML מ- SageMaker Canvas מבטלת את הצורך לייצא, להגדיר, לבדוק ולפרוס דגמי ML באופן ידני לייצור, ובכך לחסוך צמצום המורכבות וחיסכון בזמן. זה גם הופך את הפעלת מודלים של ML לנגישים יותר לאנשים, ללא צורך בכתיבת קוד.

בפוסט זה, אנו מדריכים אותך בתהליך לפרוס דגם ב- SageMaker Canvas לנקודת קצה בזמן אמת.

סקירה כללית של הפיתרון

במקרה השימוש שלנו, אנו מקבלים על עצמו את התפקיד של משתמש עסקי במחלקת השיווק של מפעיל טלפונים סלולריים, ויצרנו בהצלחה מודל ML ב- SageMaker Canvas כדי לזהות לקוחות עם סיכון פוטנציאלי לנטישה. הודות לתחזיות שנוצרו על ידי המודל שלנו, אנו רוצים כעת להעביר את זה מסביבת הפיתוח שלנו לייצור. כדי לייעל את תהליך פריסת נקודת הקצה של המודל שלנו להסקה, אנו פורסים ישירות מודלים של ML מ- SageMaker Canvas, ובכך מונעים את הצורך לייצא, להגדיר, לבדוק ולפרוס דגמי ML באופן ידני לייצור. זה עוזר להפחית את המורכבות, חוסך זמן וגם הופך את תפעול המודלים של ML לנגישים יותר לאנשים, ללא צורך בכתיבת קוד.

שלבי זרימת העבודה הם כדלקמן:

1. העלה מערך נתונים חדש עם אוכלוסיית הלקוחות הנוכחית לתוך SageMaker Canvas. לרשימה המלאה של מקורות נתונים נתמכים, עיין ב ייבא נתונים לתוך Canvas.
2. בנה מודלים של ML ונתח את מדדי הביצועים שלהם. להנחיות, עיין ב בניית דגם מותאם אישית ו הערכת הביצועים של הדגם שלך ב-Amazon SageMaker Canvas.
3. פרוס את גרסת הדגם המאושרת כנקודת קצה להסקת מסקנות בזמן אמת.

אתה יכול לבצע את השלבים האלה ב- SageMaker Canvas מבלי לכתוב שורת קוד אחת.

תנאים מוקדמים

להדרכה זו, ודא שמתקיימים התנאים המוקדמים הבאים:

1. כדי לפרוס גרסאות מודל לנקודות קצה של SageMaker, מנהל SageMaker Canvas חייב לתת את ההרשאות הדרושות למשתמש SageMaker Canvas, אותם תוכל לנהל בדומיין SageMaker המארח את אפליקציית SageMaker Canvas שלך. למידע נוסף, עיין ב ניהול הרשאות בקנבס.
   
2. יישם את התנאים המוקדמים המוזכרים ב חזה נטישה של לקוחות עם למידת מכונה ללא קוד באמצעות Amazon SageMaker Canvas.

כעת אמורות להיות לך שלוש גרסאות מודל מאומנות על נתוני חיזוי נטישה היסטוריים ב-Canvas:

• V1 מאומן עם כל 21 התכונות ותצורת בנייה מהירה עם ציון דגם של 96.903%
• V2 מאומן עם כל 19 התכונות (הוסרו תכונות הטלפון והמצב) ותצורת בנייה מהירה ודיוק משופר של 97.403%
• V3 מאומן עם תצורת בנייה סטנדרטית עם ציון דגם של 97.103%.

השתמש במודל חיזוי נטישת לקוחות

אפשר הצג מדדים מתקדמים בדף פרטי הדגם וסקור את המדדים האובייקטיביים הקשורים לכל גרסת דגם, כך שתוכל לבחור את המודל בעל הביצועים הטובים ביותר לפריסה ל- SageMaker כנקודת קצה.

בהתבסס על מדדי הביצועים, אנו בוחרים את גרסה 2 לפריסה.

הגדר את הגדרות פריסת המודל - שם הפריסה, סוג המופע וספירת המופעים.

כנקודת התחלה, Canvas ימליץ אוטומטית על סוג המופע הטוב ביותר ומספר המופעים עבור פריסת המודל שלך. אתה יכול לשנות אותו בהתאם לצרכי עומס העבודה שלך.

אתה יכול לבדוק את נקודת הסיום של SageMaker הפרוסה ישירות מתוך SageMaker Canvas.

אתה יכול לשנות ערכי קלט באמצעות ממשק המשתמש של SageMaker Canvas כדי להסיק על חיזוי נטישה נוספת.

עכשיו בואו ננווט אל סטודיו SageMaker של אמזון ובדוק את נקודת הקצה שנפרסה.

פתח מחברת ב-SageMaker Studio והפעל את הקוד הבא כדי להסיק את נקודת הקצה של המודל שנפרס. החלף את שם נקודת הקצה של הדגם בשם נקודת הקצה של הדגם שלך.

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)

נקודת הסיום המקורית של הדגם שלנו משתמשת במופע ml.m5.xlarge ובספירת מופע אחד. כעת, נניח שאתה מצפה שמספר משתמשי הקצה המסיקים את נקודת הקצה המודל שלך יגדל ואתה רוצה לספק יותר קיבולת מחשוב. אתה יכול להשיג זאת ישירות מתוך SageMaker Canvas על ידי בחירה עדכן את התצורה.

לנקות את

כדי להימנע מחיובים עתידיים, מחק את המשאבים שיצרת תוך כדי מעקב אחר פוסט זה. זה כולל יציאה מ- SageMaker Canvas ו מחיקת נקודת הקצה של SageMaker שנפרסה. SageMaker Canvas מחייב אותך למשך ההפעלה, ואנו ממליצים לצאת מ- SageMaker Canvas כאשר אינך משתמש בו. מתייחס יציאה מאמזון SageMaker Canvas לקבלת פרטים נוספים.

סיכום

בפוסט זה, דנו כיצד SageMaker Canvas יכולה לפרוס מודלים של ML לנקודות קצה בזמן אמת, מה שמאפשר לך לקחת את מודל ה-ML שלך לייצור ולהניע לפעולה על סמך תובנות המופעלות על ML. בדוגמה שלנו, הראינו כיצד אנליסט יכול לבנות במהירות מודל ML חזוי מדויק ביותר מבלי לכתוב שום קוד, לפרוס אותו ב- SageMaker כנקודת קצה, ולבדוק את נקודת הקצה של המודל מ- SageMaker Canvas, כמו גם ממחברת SageMaker Studio.

כדי להתחיל במסע ML עם קוד נמוך/ללא קוד, עיין ב אמזון SageMaker Canvas.

תודה מיוחדת לכל מי שתרם להשקה: פרשנת' קורומדאלי, אבישק קומאר, אלן ליו, שון לסטר, ריצ'ה סנדרני ואליסיה צ'י.

על הכותבים

ג'נישה אנאנד הוא מנהל מוצר בכיר בצוות Amazon SageMaker Low/No Code ML, הכולל את SageMaker Canvas ו- SageMaker Autopilot. היא נהנית מקפה, להישאר פעילה ולבלות עם משפחתה.

אינדי סווני הוא מוביל בכיר בפתרונות לקוחות עם שירותי האינטרנט של אמזון. אינדי תמיד עובד לאחור מבעיות לקוחות, מייעץ למנהלי לקוחות ארגוניים של AWS דרך מסע הטרנספורמציה הייחודי שלהם בענן. יש לו למעלה מ-25 שנות ניסיון בסיוע לארגונים ארגוניים לאמץ טכנולוגיות מתפתחות ופתרונות עסקיים. אינדי הוא מומחה בתחום העומק עם קהילת השדה הטכני של AWS עבור AI/ML, עם התמחות ב-AI גנרטיבי ופתרונות אמזון SageMaker עם קוד נמוך/ללא קוד.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/