機械学習 (ML) は、マーケティング、製造、運営、販売、財務、顧客サービスなどの複数の事業単位にわたる中核的なビジネス機能を最適化することで、組織が収益を生み出し、コストを削減し、リスクを軽減し、効率を高め、品質を向上させるのに役立ちます。 AWS ML を使用すると、組織は価値の創造を数か月から数日に加速できます。 Amazon SageMaker キャンバス は、ビジネス アナリストがコードを XNUMX 行も記述したり、ML の専門知識を必要とせずに、正確な ML 予測を生成できる視覚的なポイント アンド クリック サービスです。 モデルを使用して、対話的に予測を行ったり、バルク データセットのバッチ スコアリングを行うことができます。
この投稿では、ビジネス チームが Canvas で予測を生成することでどこにでも構築された ML モデルを使用し、効果的なビジネス成果を達成する方法に関するアーキテクチャ パターンを紹介します。
このモデル開発と共有の統合により、ビジネス チームとデータ サイエンス チーム間の連携が強化され、価値実現までの時間が短縮されます。 ビジネス チームは、外部環境で新しいモデルを再構築するのではなく、データ サイエンティストや他の部門が構築した既存のモデルを使用してビジネス上の問題を解決できます。
最後に、ビジネス アナリストは共有モデルを Canvas にインポートし、数回クリックするだけで本番環境に展開する前に予測を生成できます。
ソリューションの概要
次の図は、データ サイエンティストがモデルをビジネス アナリストと共有し、Canvas のビジュアル インターフェイスでそれらのモデルから直接予測を生成できる方法を示す XNUMX つの異なるアーキテクチャ パターンを示しています。
前提条件
SageMaker を使用してモデルをトレーニングおよび構築し、モデルを Canvas に取り込むには、次の前提条件を満たしている必要があります。
- SageMaker ドメインと Studio ユーザーをまだお持ちでない場合は、 Studio ユーザーをセットアップして SageMaker ドメインにオンボードする.
- Canvasを有効にして設定する ユーザーの基本権限と Studio と共同作業する権限をユーザーに付与する.
- Autopilot、JumpStart、またはモデル レジストリからトレーニングされたモデルが必要です。 SageMaker の外部で構築したモデルの場合は、Canvas にインポートする前にモデルをモデル レジストリに登録する必要があります。
ここで、これら XNUMX つのアーキテクチャ パターンごとに ML モデルをトレーニング、構築、デプロイし、ビジネス アナリストと共有しようとしているデータ サイエンティストの役割を想定してみましょう。
オートパイロットとキャンバスを使用する
Autopilot は、データの探索、問題の種類に関連するアルゴリズムの選択、トレーニングと調整などの自動 ML (AutoML) プロセスの主要なタスクを自動化します。 これらすべてを実現しながら、データセットの完全な制御と可視性を維持できます。 Autopilot はさまざまなソリューションを自動的に探索して最適なモデルを見つけます。ユーザーは ML モデルを反復処理するか、ワンクリックでモデルを実稼働環境に直接デプロイできます。
この例では、顧客チャーン合成を使用します。 データセット 通信ドメインからの情報を収集し、潜在的にチャーンのリスクにさらされている顧客を特定する任務を負っています。 Autopilot AutoML を使用して ML モデルを構築、トレーニング、デプロイし、ビジネス アナリストと共有するには、次の手順を実行します。
- ダウンロード データセット、Amazon S3 にアップロードします (Amazon シンプル ストレージ サービス) バケットを作成し、S3 URI をメモします。
- Studioコンソールで、 AutoML ナビゲーションペインに表示されます。
- 選択する AutoML 実験の作成.
- 実験名を指定します(この投稿では、
Telecom-Customer-Churn-AutoPilot
)、S3 データ入力、および出力場所。 - ターゲット列をチャーンとして設定します。
- デプロイ設定では、自動デプロイ オプションを有効にして、最適なモデルをデプロイし、エンドポイントで推論を実行するエンドポイントを作成できます。
詳細については、 AmazonSageMakerAutopilot実験を作成する.
- 実験を選択し、次に最適なモデルを選択して、 共有モデル.
- Canvas ユーザーを追加して選択します シェアする モデルを共有します。
(Note: Studio ログインに使用したのと同じ Canvas ユーザーとモデルを共有することはできません。 たとえば、Studio ユーザー A は Canvas ユーザー A とモデルを共有できません。 ただし、ユーザー A はユーザー B とモデルを共有できるため、モデル共有には別の用途を選択してください)
詳細については、 Studio ユーザー: モデルを SageMaker Canvas に共有する.
JumpStart と Canvas を使用する
JumpStart は、不正行為検出、信用リスク予測、製品欠陥検出などの幅広い ML ユースケース向けに、事前トレーニングされたオープンソース モデルを提供する ML ハブです。 表形式、ビジョン、テキスト、オーディオ データ用に 300 を超える事前トレーニングされたモデルをデプロイできます。
この投稿では、JumpStart の LightGBM 回帰事前トレーニング モデルを使用します。 カスタム データセットでモデルをトレーニングし、そのモデルを Canvas ユーザー (ビジネス アナリスト) と共有します。 事前トレーニングされたモデルは、推論のためにエンドポイントにデプロイできます。 JumpStart には、デプロイ後にモデルにアクセスするためのサンプル ノートブックが用意されています。
この例では、 アワビのデータセット。 データセットには、アワビの年齢を予測するための長さ、直径、高さなどの XNUMX つの物理的測定値の例が含まれています (回帰問題)。
- ダウンロード アワビのデータセット カグルから。
- S3 バケットを作成し、トレーニング、検証、カスタム ヘッダー データセットをアップロードします。
- Studio コンソールで、 SageMaker ジャンプスタート ナビゲーション ペインで、 モデル、ノートブック、ソリューション.
- 表形式モデル、選択する LightGBM回帰.
- 電車模型、トレーニング、検証、列ヘッダーのデータセットの S3 URI を指定します。
- 選択する トレーニング.
- ナビゲーションペインで、 JumpStart アセットを開始しました.
- ソフトウェア設定ページで、下図のように トレーニングの仕事 タブで、トレーニング ジョブを選択します。
- ソフトウェア設定ページで、下図のように シェアする メニュー、選択 キャンバスで共有.
- 共有するキャンバス ユーザーを選択し、モデルの詳細を指定して、 シェアする.
詳細については、 Studio ユーザー: モデルを SageMaker Canvas に共有する.
SageMaker モデル レジストリと Canvas を使用する
SageMaker モデル レジストリを使用すると、実稼働用のモデルのカタログ化、モデルのバージョンの管理、メタデータの関連付け、モデルの承認ステータスの管理、実稼働へのモデルのデプロイ、CI/CD によるモデルのデプロイメントの自動化を行うことができます。
データサイエンティストの役割を想定してみましょう。 この例では、データの準備、モデルのトレーニング、モデルのホスティング、モデル レジストリ、ビジネス アナリストとのモデル共有を含むエンドツーエンドの ML プロジェクトを構築しています。 必要に応じて、データの準備と前処理または後処理の手順で、 AmazonSageMakerデータラングラー と Amazon SageMaker処理ジョブ。 この例では、LIBSVM からダウンロードしたアワビ データセットを使用します。 ターゲット変数はアワビの年齢です。
- Studio で、 GitHubレポ.
- README ファイルに記載されている手順を完了します。
- Studio コンソールで、 Models ナビゲーション ペインで、 モデルレジストリ.
- モデルを選択してください
sklearn-reg-ablone
. - モデル バージョン 1 をモデル レジストリから Canvas に共有します。
- 共有するキャンバス ユーザーを選択し、モデルの詳細を指定して、 シェアする.
手順については、を参照してください。 モデルレジストリ のセクション Studio ユーザー: モデルを SageMaker Canvas に共有する.
共有モデルを管理する
前述の方法のいずれかを使用してモデルを共有した後、 Models Studio のセクションですべての共有モデルを確認してください。 次のスクリーンショットでは、Studio ユーザー (データ サイエンティスト) がさまざまな Canvas ユーザー (ビジネス チーム) と共有している 3 つの異なるモデルが示されています。
共有モデルをインポートし、Canvas で予測を行う
ビジネス アナリストの役割を引き受けて、Canvas ユーザーで Canvas にログインしてみましょう。
データ サイエンティストまたは Studio ユーザーが Canvas ユーザーとモデルを共有すると、Studio ユーザーがモデルを共有したという通知が Canvas アプリケーション内で届きます。 Canvas アプリケーションでは、通知は次のスクリーンショットのようになります。
選んでいいですよ 更新を見る 共有モデルを確認するには、 Models Canvas アプリケーションのページにアクセスして、共有されているすべてのモデルを見つけます。 Studio からのモデルのインポートには最大 20 分かかる場合があります。
モデルをインポートした後、そのメトリクスを表示し、 what-if 分析またはバッチ予測によるリアルタイム予測.
考慮事項
Canvas でモデルを共有するときは、次の点に注意してください。
- トレーニングと検証のデータセットを Amazon S3 に保存すると、S3 URI が Canvas に渡されます。 AWS IDおよびアクセス管理 (IAM) 権限。
- Canvas にターゲット列を指定するか、最初の列をデフォルトとして使用します。
- Canvas コンテナーが推論データを解析するために、Canvas エンドポイントはテキスト (CSV) またはアプリケーション (JSON) を受け入れます。
- Canvas は複数のコンテナーまたは推論パイプラインをサポートしません。
- トレーニングおよび検証データセットにヘッダーが提供されていない場合、データ スキーマが Canvas に提供されます。 デフォルトでは、JumpStart プラットフォームはトレーニング データセットと検証データセットにヘッダーを提供しません。
- Jumpstart では、Canvas と共有する前にトレーニング ジョブが完了している必要があります。
参照する 制限事項とトラブルシューティング モデルを共有するときに発生する問題のトラブルシューティングに役立ちます。
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するかシャットダウンしてください。 参照する Amazon SageMaker Canvas からのログアウト 詳細については。 ノートブック、ターミナル、カーネル、アプリ、インスタンスなどの個々のリソースをシャットダウンします。 詳細については、以下を参照してください。 リソースをシャットダウンする。 を削除します モデルバージョン, SageMaker エンドポイントとリソース, 自動操縦実験リソース, S3バケット.
まとめ
Studio を使用すると、データ サイエンティストは、いくつかの簡単な手順で ML モデルをビジネス アナリストと共有できます。 ビジネス アナリストは、Canvas で新しいモデルを作成する代わりに、データ サイエンティストによってすでに構築されている ML モデルの恩恵を受けることができ、ビジネス上の問題を解決できます。 ただし、技術的な要件やモデルをインポートするための手動プロセスのため、これらのモデルを構築された環境以外で使用するのは難しい場合があります。 これにより、多くの場合、ユーザーは ML モデルを再構築する必要が生じ、労力が重複し、時間とリソースが追加されます。 Canvas ではこれらの制限が取り除かれるため、どこでもトレーニングしたモデルを使用して Canvas で予測を生成できます。 この投稿で説明した XNUMX つのパターンを使用すると、ML モデルのメタデータ ストアである SageMaker モデル レジストリに ML モデルを登録し、Canvas にインポートできます。 ビジネス アナリストは、Canvas 内の任意のモデルを分析して予測を生成できます。
SageMaker サービスの使用方法の詳細については、次のリソースを確認してください。
質問や提案がある場合は、コメントを残してください。
著者について
アマンシャルマ AWS のシニア ソリューション アーキテクトです。 彼は、APJ 地域全体の新興企業、中小企業、大企業顧客と協力しており、コンサルティング、設計、ソリューションにおいて 19 年以上の経験があります。 彼は AI と ML の民主化と、顧客のデータと ML 戦略の設計を支援することに情熱を注いでいます。 仕事以外では、自然や野生動物を探索するのが好きです。
ジーチェン・ニー は AWS SageMaker のシニア ソフトウェア エンジニアで、昨年 SageMaker Canvas に独自のモデルを導入するプロジェクトを主導しました。 彼女は Amazon で 7 年以上働いており、Amazon サプライ チェーンの最適化と AWS AI サービスの両方の経験があります。 彼女は仕事の後はバレートレーニングと音楽を楽しんでいます。
- 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。
- 情報源: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :持っている
- :は
- $UP
- 1
- 100
- 20
- 7
- a
- 私たちについて
- 加速する
- 受け入れる
- アクセス
- 正確な
- 達成する
- 達成
- 越えて
- NEW
- 後
- AI
- AIサービス
- アルゴリズム
- すべて
- 許可
- ことができます
- 既に
- Amazon
- アマゾンセージメーカー
- Amazon SageMakerオートパイロット
- Amazon SageMaker キャンバス
- an
- 分析
- アナリスト
- アナリスト
- 分析します
- および
- どれか
- どこにでも
- 申し込み
- 承認
- アプリ
- 建築の
- 建築
- です
- AS
- 仲間
- At
- オーディオ
- オート
- 自動化する
- 自動化する
- オートマチック
- 自動的に
- AutoML
- 避ける
- AWS
- ベース
- BE
- き
- 恩恵
- BEST
- の間に
- 両言語で
- 持って来る
- ビルド
- 建物
- 内蔵
- ビジネス
- ビジネス機能
- 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
- 例
- カタログ
- チェーン
- 課金
- チェック
- 選択する
- クリック
- コード
- 協力します
- 環境、テクノロジーを推奨
- コラム
- コメント
- コンプリート
- 領事
- コンサルティング
- コンテナ
- 含まれています
- コントロール
- 基本
- コスト
- 作ります
- 作成した
- 作成します。
- 作成
- 創造
- クレジット
- カスタム
- 顧客
- 顧客サービス
- Customers
- データ
- データの準備
- データサイエンス
- データサイエンティスト
- データセット
- 日
- デフォルト
- 民主化
- 実証します
- 部署
- 展開します
- 展開
- 展開する
- 展開
- 配備する
- 設計
- 細部
- 検出
- 開発
- 異なります
- 難しい
- 直接に
- 発見する
- そうではありません
- ドメイン
- ドント
- ダウン
- ドライブ
- 原因
- 各
- 効果的な
- 効率
- 努力
- どちら
- enable
- 端から端まで
- エンドポイント
- エンジニア
- Enterprise
- 環境
- 例
- 例
- 既存の
- 体験
- 実験
- 専門知識
- 探る
- 探検する
- 探る
- 少数の
- フィギュア
- File
- ファイナンス
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フォロー中
- 軍隊
- 詐欺
- 不正検出
- から
- フル
- 機能
- 未来
- 生成する
- 生成
- Go
- 持ってる
- he
- ヘッダーの
- 高さ
- 助けます
- 助け
- ことができます
- それゆえ
- ホスティング
- 認定条件
- しかしながら
- HTML
- HTTP
- HTTPS
- ハブ
- 識別
- アイデンティティ
- if
- import
- インポート
- 改善します
- in
- 含ま
- 含めて
- 個人
- 情報
- を取得する必要がある者
- 説明書
- 統合
- インタフェース
- に
- 問題
- IT
- ITS
- ジョブ
- JPG
- JSON
- ただ
- キー
- 姓
- 昨年
- 主要な
- LEARN
- 学習
- コメントを残す
- 長さ
- ような
- 好き
- 制限
- LINE
- リストされた
- 場所
- ログ
- ログイン
- 探して
- 維持する
- make
- 管理します
- マニュアル
- 製造業
- マーケティング
- 測定結果
- ミディアム
- メソッド
- メトリック
- かもしれない
- マインド
- 分
- 軽減する
- ML
- モデル
- ヶ月
- 他には?
- の試合に
- 音楽を聴く際のスピーカーとして
- しなければなりません
- 名
- 自然
- ナビゲーション
- ニーズ
- 新作
- いいえ
- ノート
- 通知
- of
- 頻繁に
- on
- オンボード
- ONE
- オープンソース
- 業務執行統括
- 最適化
- 最適化
- オプション
- or
- 組織
- その他
- でる
- 成果
- 出力
- 外側
- 自分の
- ページ
- ペイン
- 渡された
- 情熱的な
- パターン
- パーミッション
- 物理的な
- プラットフォーム
- 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
- ポスト
- :
- 予測する
- 予測
- 予測
- 前提条件
- 問題
- 問題
- プロセス
- ラボレーション
- 処理
- プロダクト
- 生産
- プロジェクト
- 提供します
- 提供
- は、大阪で
- 品質
- 質問
- 範囲
- 受け取ります
- 減らします
- 地域
- 登録
- レジストリ
- 関連した
- 要件
- リソース
- 結果として
- 収入
- レビュー
- リスク
- 職種
- セージメーカー
- セールス
- 同じ
- 科学
- 科学者
- 科学者たち
- 得点
- セクション
- 選択
- シニア
- サービス
- サービス
- セッションに
- 設定
- シェアする
- shared
- 株式
- シェアリング
- 彼女
- ショーケース
- シャットダウン
- 同様の
- 簡単な拡張で
- 小さい
- So
- ソフトウェア
- ソフトウェアエンジニア
- ソリューション
- 解決する
- ベンチャー
- Status:
- ステップ
- ストレージ利用料
- 店舗
- 作戦
- 研究
- そのような
- 供給
- サプライチェーン
- サプライチェーンの最適化
- サポート
- 合成
- 取る
- ターゲット
- タスク
- チーム
- 技術的
- 電気通信
- ターミナル
- より
- 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
- それらの
- 三
- タイト
- 時間
- 〜へ
- トレーニング
- 訓練された
- トレーニング
- type
- 下
- ユニット
- つかいます
- 中古
- ユーザー
- users
- 値
- 価値創造
- バージョン
- 詳しく見る
- 視認性
- ビジョン
- we
- いつ
- which
- while
- 誰
- ワイド
- 広い範囲
- 以内
- 無し
- 仕事
- ワーキング
- 作品
- 書き込み
- 年
- 年
- You
- あなたの
- ゼファーネット