組み込みの機械学習 (ML) モデルを登録できるようになりました Amazon SageMaker キャンバス ワンクリックで Amazon SageMaker モデルレジストリにより、本番環境で ML モデルを運用できるようになります。 Canvas は、ビジネス アナリストが ML の経験を必要とせず、コードを XNUMX 行も記述することなく、ビジネス アナリストが自分で正確な ML 予測を生成できるようにするビジュアル インターフェイスです。 開発や実験には最適な場所ですが、これらのモデルから価値を引き出すには、モデルを運用する必要があります。つまり、予測や意思決定に使用できる運用環境にデプロイする必要があります。 モデル レジストリとの統合により、メタデータやパフォーマンス メトリクスのベースラインを含むすべてのモデル アーティファクトを中央リポジトリに保存し、既存のモデル デプロイ CI/CD プロセスにプラグインできるようになりました。
モデル レジストリは、ML モデルのカタログ化、さまざまなモデル バージョンの管理、メタデータ (トレーニング メトリクスなど) のモデルへの関連付け、モデルの承認ステータスの管理、およびモデルの運用環境へのデプロイを行うリポジトリです。 モデル バージョンを作成した後、通常は、実稼働エンドポイントにデプロイする前にそのパフォーマンスを評価する必要があります。 要件を満たしている場合は、モデル バージョンの承認ステータスを承認に更新できます。 ステータスを承認済みに設定すると、モデルの CI/CD デプロイメントを開始できます。 モデルのバージョンが要件を満たしていない場合は、レジストリで承認ステータスを拒否に更新できます。これにより、モデルがエスカレーションされた環境にデプロイされるのを防ぐことができます。
モデル レジストリは、すべてのモデル情報をパッケージ化し、実稼働環境へのモデルのプロモーションの自動化を可能にするため、モデルの展開プロセスで重要な役割を果たします。 以下に、モデル レジストリが ML モデルの運用化に役立ついくつかの方法を示します。
- バージョン管理 – モデル レジストリを使用すると、ML モデルのさまざまなバージョンを追跡できます。これは、実稼働環境にモデルをデプロイするときに不可欠です。 モデルのバージョンを追跡すると、新しいバージョンで問題が発生した場合に、簡単に前のバージョンに戻すことができます。
- コラボレーション – モデル レジストリは、モデルを保存、共有、アクセスするための一元的な場所を提供することで、データ サイエンティスト、エンジニア、その他の関係者間のコラボレーションを可能にします。 これにより、展開プロセスが合理化され、全員が同じモデルを使用できるようになります。
- ガバナンス – モデル レジストリは、モデルの変更と展開の監査可能な履歴を提供することで、コンプライアンスとガバナンスに役立ちます。
全体として、モデル レジストリは、バージョン管理、コラボレーション、監視、ガバナンスを提供することで、ML モデルを実稼働環境にデプロイするプロセスを合理化するのに役立ちます。
ソリューションの概要
このユースケースでは、携帯電話事業者のマーケティング部門におけるビジネス ユーザーの役割を想定しており、解約の潜在的なリスクがある顧客を特定するための ML モデルを Canvas で作成することに成功しました。 モデルによって生成された予測のおかげで、これを開発環境から運用環境に移行したいと考えています。 ただし、モデルを運用エンドポイントにデプロイする前に、中央の MLOps チームによるレビューと承認が必要です。 このチームは、モデルのバージョンの管理、モデルに関連するすべてのメタデータ (トレーニング メトリクスなど) の確認、すべての ML モデルの承認ステータスの管理、承認されたモデルの運用環境へのデプロイ、CI/CD を使用したモデルのデプロイの自動化を担当します。 実稼働環境でモデルをデプロイするプロセスを合理化するために、Canvas とモデル レジストリの統合を利用し、MLOps チームによるレビューのためにモデルを登録します。
ワークフローの手順は次のとおりです。
- 現在の顧客集団を含む新しいデータセットを Canvas にアップロードします。 サポートされているデータ ソースの完全なリストについては、以下を参照してください。 データをCanvasにインポートする.
- ML モデルを構築し、そのパフォーマンス指標を分析します。 手順を参照してください。 Canvas でカスタム ML モデルを構築する および モデルのパフォーマンスを評価する.
- 最もパフォーマンスの高いバージョンを登録する レビューと承認のためにモデルレジストリに送信されます。
- 承認されたモデルのバージョンをデプロイする リアルタイム推論のために運用エンドポイントに送信します。
Canvas では、コードを 1 行も記述することなく、手順 3 ~ XNUMX を実行できます。
前提条件
このチュートリアルでは、次の前提条件が満たされていることを確認してください。
- モデルのバージョンをモデル レジストリに登録するには、Canvas 管理者は Canvas ユーザーに必要なアクセス許可を与える必要があります。このアクセス許可は、Canvas アプリケーションをホストする SageMaker ドメインで管理できます。 詳細については、を参照してください。 AmazonSageMaker開発者ガイド。 Canvas ユーザー権限を付与するときは、ユーザーが同じ AWS アカウントにモデル バージョンを登録できるようにするかどうかを選択する必要があります。
- で説明されている前提条件を実装します。 Amazon SageMaker Canvasを使用して、コードなしの機械学習で顧客離れを予測する.
これで、Canvas の過去のチャーン予測データに基づいてトレーニングされた XNUMX つのモデル バージョンが完成したはずです。
- V1 は 21 の機能すべてを使用してトレーニングされ、モデル スコア 96.903% のクイック ビルド構成を実現しました。
- V2 は 19 の機能すべて (電話と状態の機能を削除) でトレーニングされ、迅速なビルド構成と 97.403% の精度の向上
- V3 は標準ビルド構成でトレーニングされ、97.03% のモデル スコアを獲得
顧客離れ予測モデルを使用する
有効にします 高度なメトリクスを表示する また、モデル レジストリに登録するために最もパフォーマンスの高いモデルを選択できるように、各モデル バージョンに関連付けられた客観的な指標を確認します。
パフォーマンス メトリックに基づいて、登録するバージョン 2 を選択します。
モデル レジストリは、モデル グループ内の特定の問題を解決するためにトレーニングしたすべてのモデル バージョンを追跡します。 Canvas モデルをトレーニングしてモデル レジストリに登録すると、新しいモデル バージョンとしてモデル グループに追加されます。
登録時に、モデル レジストリ内のモデル グループが自動的に作成されます。 オプションで、名前を任意の名前に変更することも、モデル レジストリ内の既存のモデル グループを使用することもできます。
この例では、自動生成されたモデル グループ名を使用し、 Add.
これで、モデル バージョンがモデル レジストリのモデル グループに登録されるはずです。 別のモデルバージョンを登録すると、同じモデルグループに登録されます。
モデルのバージョンのステータスは から変更されているはずです。 未登録 〜へ 登録された.
ステータスの上にマウスを置くと、モデル グループ名、モデル レジストリ アカウント ID、承認ステータスなどのモデル レジストリの詳細を確認できます。 登録直後はステータスが に変わります。 承認待ちのこれは、このモデルはモデル レジストリに登録されていますが、データ サイエンティストまたは MLOps チーム メンバーからのレビューと承認が保留中であり、承認された場合にのみエンドポイントにデプロイできることを意味します。
それでは、次の場所に移動しましょう Amazon SageMakerスタジオ MLOps チーム メンバーの役割を引き受けます。 下 Models ナビゲーション ペインで、 モデルレジストリ をクリックして、モデル レジストリのホームページを開きます。
モデルグループが見えますp canvas-Churn-Prediction-Model
Canvas が自動的に作成したものです。
モデルを選択して、このモデル グループに登録されているすべてのバージョンを確認し、対応するモデルの詳細を確認します。
バージョン 1 の詳細を開くと、 アクティビティXNUMX タブには、モデルで発生したすべてのイベントが追跡されます。
ソフトウェア設定ページで、下図のように モデルの品質 タブでは、モデルのメトリクス、適合率/再現率曲線、および混同行列プロットを確認して、モデルのパフォーマンスを理解できます。
ソフトウェア設定ページで、下図のように 説明可能 タブでは、モデルのパフォーマンスに最も影響を与えた機能を確認できます。
モデル成果物を確認した後、承認ステータスを次から変更できます。 保留中 〜へ 承認.
更新されたアクティビティを確認できるようになりました。
Canvas ビジネス ユーザーは、登録されたモデルのステータスが から変更されたことを確認できるようになります。 承認待ちの 〜へ 承認.
MLOps チームのメンバーとして、この ML モデルを承認したので、それをエンドポイントにデプロイしましょう。
Studio で、モデル レジストリのホームページに移動し、 canvas-Churn-Prediction-Model
モデルグループ。 デプロイするバージョンを選択し、 設定 タブには何も表示されないことに注意してください。
モデル レジストリで選択したモデル バージョンからモデル パッケージ ARN 詳細を参照して取得します。
Studio でノートブックを開き、次のコードを実行してモデルをエンドポイントにデプロイします。 モデル パッケージ ARN を独自のモデル パッケージ ARN に置き換えます。
エンドポイントが作成されると、それがイベントとして追跡されることを確認できます。 アクティビティXNUMX モデルレジストリのタブ。
エンドポイント名をダブルクリックすると、詳細を表示できます。
エンドポイントを作成したので、それを呼び出してリアルタイムの推論を取得しましょう。 次のコード スニペット内のエンドポイント名を置き換えます。
クリーンアップ
今後料金が発生しないようにするには、この投稿のフォロー中に作成したリソースを削除してください。 これには、Canvas からのログアウトや デプロイされた SageMaker エンドポイントの削除。 Canvas ではセッション期間に対して料金が請求されるため、使用していないときは Canvas からログアウトすることをお勧めします。 参照する Amazon SageMaker Canvas からのログアウト のガイドをご参照ください。
まとめ
この投稿では、ML の専門知識を必要とせずに、Canvas を使用して ML モデルを運用環境で運用できるようにする方法について説明しました。 この例では、アナリストがコードを書かずに高精度の予測 ML モデルを迅速に構築し、それをモデル レジストリに登録する方法を示しました。 その後、MLOps チームはそれを確認してモデルを拒否するか、モデルを承認してダウンストリーム CI/CD デプロイメント プロセスを開始できます。
ローコード/ノーコード ML ジャーニーを開始するには、以下を参照してください。 Amazon SageMaker キャンバス.
立ち上げにご協力いただいた皆様に心より感謝いたします。
バックエンド:
- 華源(アリス)ウー
- クリッタファット・プグディートサポル
- ヤンダ・フー
- ジョン・ヘ
- エシャ ダッタ
- プラシャンス
フロントエンド:
- カイズの商人
- エド・チャン
著者について
ジャニシャ・アナンド SageMaker Autopilot を含む SageMaker Low/No Code ML チームのシニア プロダクト マネージャーです。 彼女はコーヒーを楽しみ、アクティブに過ごし、家族と過ごす時間を楽しんでいます。
クリッタファット・プグディートサポル Amazon SageMaker のソフトウェア開発エンジニアで、主に SageMaker のローコード製品とノーコード製品を担当しています。
華源(アリス)・ウー Amazon SageMaker のソフトウェア開発エンジニアです。 彼女は、顧客向けの ML ツールと製品の構築に注力しています。 仕事以外では、アウトドア、ヨガ、ハイキングを楽しんでいます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- プラトアイストリーム。 Web3 データ インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- 未来を鋳造する w エイドリエン・アシュリー。 こちらからアクセスしてください。
- PREIPO® を使用して PRE-IPO 企業の株式を売買します。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :は
- :not
- :どこ
- ][p
- 1
- 100
- 視聴者の38%が
- 420
- 7
- 8
- a
- できる
- アクセス
- 精度
- 正確な
- アクティブ
- アクティビティ
- 追加されました
- 管理人
- 高度な
- 利点
- 後
- すべて
- 許す
- ことができます
- しかし
- Amazon
- アマゾンセージメーカー
- Amazon SageMaker キャンバス
- 間で
- an
- アナリスト
- アナリスト
- 分析します
- および
- 別の
- どれか
- 申し込み
- 承認
- 承認する
- 承認された
- です
- AS
- 関連する
- At
- 監査可能
- 自動的に
- 自動化する
- オートメーション
- 避ける
- AWS
- BE
- なぜなら
- さ
- BEST
- 札
- ボディ
- ビルド
- 建物
- 内蔵
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- 缶
- キャンバス
- 場合
- カタログ
- 原因
- 中央の
- 集中型の
- 変化する
- 変更
- 変更
- 課金
- 選択
- 選択する
- クリック
- コード
- コーヒー
- 環境、テクノロジーを推奨
- コンプライアンス
- 混乱
- 貢献
- コントロール
- 対応する
- 作ります
- 作成した
- 電流プローブ
- カスタム
- 顧客
- Customers
- データ
- データサイエンティスト
- 日付時刻
- 決定
- 部門
- 展開します
- 展開
- 展開する
- 展開
- 配備
- 配備する
- 細部
- Developer
- 開発
- 異なります
- 議論する
- そうではありません
- ドメイン
- デュレーション
- 各
- 簡単に
- どちら
- 可能
- 有効にする
- end
- エンドポイント
- エンジニア
- エンジニア
- 確保
- 環境
- 環境
- 本質的な
- 評価する
- イベント
- イベント
- あらゆる
- 誰も
- 例
- 既存の
- 体験
- 専門知識
- 家族
- 特徴
- 焦点を当てて
- フォロー中
- 次
- から
- フル
- 未来
- 生成する
- 生成された
- 取得する
- 与える
- Go
- ガバナンス
- 付与
- 素晴らしい
- グループ
- 出来事
- 持ってる
- 持って
- 助けます
- 彼女の
- 非常に
- 歴史的
- history
- ホーム
- ホスト
- ホバー
- 認定条件
- しかしながら
- HTML
- HTTPS
- ID
- 識別する
- if
- import
- 改善されました
- in
- include
- 含ま
- 含めて
- 影響を受け
- 情報
- 開始する
- 説明書
- 統合
- インタフェース
- に
- 問題
- IT
- ITS
- 旅
- JPG
- 保管
- キー
- 起動する
- 学習
- LINE
- リスト
- 場所
- ロギング
- 機械
- 機械学習
- 主に
- make
- 管理します
- マネージャー
- 管理する
- 管理する
- マーケティング
- マトリックス
- 手段
- メンバー
- 言及した
- メトリック
- ML
- MLOps
- モバイル
- 携帯電話
- モデル
- モニタリング
- 他には?
- 最も
- しなければなりません
- 名
- ナビゲート
- ナビゲーション
- 必要
- 必要
- ニーズ
- 新作
- いいえ
- ノート
- 今
- 客観
- of
- on
- の
- 開いた
- オペレータ
- or
- OS
- その他
- 私たちの
- でる
- 屋外で
- 外側
- が
- 自分の
- パッケージ
- パッケージ
- ページ
- パンダ
- ペイン
- 特定の
- ペンディング
- 実行する
- パフォーマンス
- 実行
- 実行する
- パーミッション
- 電話
- 場所
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- 演劇
- プラグ
- 人口
- ポスト
- 潜在的な
- 予測
- 予測
- 前提条件
- を防止
- 前
- 問題
- プロセス
- ラボレーション
- プロダクト
- プロダクトマネージャー
- 生産
- 製品
- プロモーション
- 提供
- クイック
- すぐに
- への
- 推奨する
- 登録
- 登録された
- 参加申し込み
- レジストリ
- 削除済み
- replace
- 倉庫
- 要件
- リソース
- 応答
- 責任
- 元に戻す
- レビュー
- 日
- レビュー
- 右
- リスク
- 職種
- ラン
- セージメーカー
- 同じ
- 科学者
- 科学者たち
- スコア
- 選択
- シニア
- セッション
- 設定
- シェアリング
- 彼女
- すべき
- 示されました
- So
- ソフトウェア
- ソフトウェア開発
- 解決する
- 一部
- ソース
- 支出
- ステークホルダー
- 標準
- start
- 都道府県
- Status:
- ステップ
- 店舗
- 保存
- 流線
- 研究
- 首尾よく
- そのような
- サポート
- SYS
- 取る
- チーム
- 感謝
- それ
- アプリ環境に合わせて
- それら
- その後
- ボーマン
- 彼ら
- この
- 三
- 時間
- 〜へ
- 豊富なツール群
- 追跡する
- トレーニング
- 訓練された
- トレーニング
- 一般的に
- 下
- わかる
- アップデイト
- 更新しました
- us
- つかいます
- 使用事例
- 中古
- ユーザー
- 値
- さまざまな
- バージョン
- ウォークスルー
- 欲しいです
- 方法
- we
- した
- いつ
- かどうか
- which
- while
- 誰
- 意志
- 以内
- 無し
- 仕事
- ワーキング
- 作品
- でしょう
- 書きます
- 書き込み
- はい
- ヨガ
- You
- あなたの
- ゼファーネット