Amazon SageMaker Canvas で構築された ML モデルを Amazon SageMaker リアルタイムエンドポイントにデプロイする | アマゾン ウェブ サービス

Amazon SageMaker キャンバス では、リアルタイム推論エンドポイントへの機械学習 (ML) モデルのデプロイがサポートされるようになりました。これにより、ML モデルを本番環境に導入し、ML を利用した洞察に基づいてアクションを推進できるようになります。 SageMaker Canvas は、アナリストやシチズン データ サイエンティストがビジネス ニーズに合わせた正確な ML 予測を生成できるノーコード ワークスペースです。

これまで、SageMaker Canvas は、対話型ワークスペース内で ML モデルを評価し、一括予測を生成し、what-if 分析を実行する機能を提供していました。 しかし、リアルタイム推論のためにモデルを Amazon SageMaker エンドポイントにデプロイすることもできるようになり、SageMaker Canvas ワークスペースの外でモデルの予測を使用してアクションを推進することが簡単になります。 SageMaker Canvas から ML モデルを直接デプロイできるため、ML モデルを手動でエクスポート、設定、テストし、運用環境にデプロイする必要がなくなり、複雑さが軽減され、時間が節約されます。 また、コードを記述することなく、個人が ML モデルを運用できるようになります。

この投稿では、そのプロセスについて説明します。 SageMaker Canvas にモデルをデプロイする リアルタイムエンドポイントに接続します。

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、潜在的なチャーン リスクを持つ顧客を特定するための ML モデルを SageMaker 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。 推論用のモデルエンドポイントをデプロイするプロセスを合理化するために、SageMaker Canvas から ML モデルを直接デプロイすることで、ML モデルを手動でエクスポート、設定、テストし、本番環境にデプロイする必要がなくなりました。 これにより、複雑さが軽減され、時間が節約されるほか、コードを記述することなく、個人が ML モデルを運用できるようになります。

ワークフローの手順は次のとおりです。

1. 現在の顧客母集団を含む新しいデータセットを SageMaker 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.
2. 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。 手順については、を参照してください。 カスタムモデルを構築する および Amazon SageMaker Canvas でモデルのパフォーマンスを評価する.
3. 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エンドポイントとして。

SageMaker Canvas では、コードを XNUMX 行も記述することなく、これらの手順を実行できます。

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。

1. モデル バージョンを SageMaker エンドポイントにデプロイするには、SageMaker Canvas 管理者は、SageMaker Canvas ユーザーに必要な権限を与える必要があります。この権限は、SageMaker 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、以下を参照してください。 Canvas での権限管理.
   
2. 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、97.103% 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 モデルの詳細ページで、各モデル バージョンに関連付けられた目標メトリクスを確認して、SageMaker にエンドポイントとしてデプロイするための最高のパフォーマンスのモデルを選択できるようにします。

パフォーマンス メトリックに基づいて、展開するバージョン 2 を選択します。

モデルのデプロイ設定 (デプロイ名、インスタンス タイプ、インスタンス数) を構成します。

開始点として、Canvas はモデルのデプロイメントに最適なインスタンス タイプとインスタンスの数を自動的に推奨します。 ワークロードのニーズに応じて変更できます。

デプロイされた SageMaker 推論エンドポイントを SageMaker Canvas 内から直接テストできます。

SageMaker Canvas ユーザー インターフェイスを使用して入力値を変更し、追加のチャーン予測を推測できます。

それでは、次の場所に移動しましょう Amazon SageMakerスタジオ デプロイされたエンドポイントをチェックアウトします。

SageMaker Studio でノートブックを開き、次のコードを実行して、デプロイされたモデルのエンドポイントを推測します。 モデル エンドポイント名を独自のモデル エンドポイント名に置き換えます。

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)

元のモデルのエンドポイントは、ml.m5.xlarge インスタンスと 1 つのインスタンス数を使用しています。 ここで、モデル エンドポイントを推論するエンドユーザーの数が増加すると予想され、より多くのコンピューティング容量をプロビジョニングしたいと仮定します。 これは、SageMaker Canvas 内から選択して直接実行できます。 構成を更新する.

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、SageMaker 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。 SageMaker Canvas はセッションの継続時間に対して料金を請求するため、使用していないときは SageMaker 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、SageMaker Canvas が ML モデルをリアルタイム推論エンドポイントにデプロイして、ML モデルを本番環境に導入し、ML を活用した洞察に基づいてアクションを推進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、それをエンドポイントとして SageMaker にデプロイし、SageMaker Canvas および SageMaker Studio ノートブックからモデルのエンドポイントをテストする方法を示しました。

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.

立ち上げに貢献してくれたすべての人に特別な感謝を捧げます: Prashanth Kuramaddali、Abishek Kumar、Allen Liu、Sean Lester、Richa Sundrani、Alicia Qi。

著者について

ジャニシャ・アナンド SageMaker Canvas と SageMaker Autopilot を含む Amazon 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。 彼女はコーヒーを飲むこと、アクティブに過ごすこと、そして家族と過ごす時間を楽しんでいます。

インディ・ソーニー アマゾン ウェブ サービスのシニア カスタマー ソリューション リーダーです。 常に顧客の問題から逆算して、Indy は AWS 企業の顧客幹部に、独自のクラウド変革の取り組みを通じてアドバイスを行っています。 彼は、企業組織が新しいテクノロジーやビジネス ソリューションを導入するのを支援してきた 25 年以上の経験があります。 Indy は、AWS の AI/ML テクニカルフィールドコミュニティの深層スペシャリストであり、生成 AI とローコード/ノーコード Amazon SageMaker ソリューションを専門としています。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 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。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 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/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/