Breng uw eigen AI met behulp van Amazon SageMaker met Salesforce Data Cloud | Amazon-webservices

Dit bericht is mede geschreven door Daryl Martis, Director of Product, Salesforce Einstein AI.

We zijn verheugd om aan te kondigen Amazon Sage Maker en Salesforce Data Cloud-integratie. Met deze mogelijkheid hebben bedrijven veilig toegang tot hun Salesforce-gegevens met een zero-copy-benadering met behulp van SageMaker en kunnen ze SageMaker-tools gebruiken om AI-modellen te bouwen, trainen en implementeren. De inferentie-eindpunten zijn verbonden met Data Cloud om in realtime voorspellingen te doen. Als gevolg hiervan kunnen bedrijven de time-to-market verkorten met behoud van de gegevensintegriteit en -beveiliging, en de operationele last van het verplaatsen van gegevens van de ene locatie naar de andere verminderen.

Introductie van Einstein Studio op Data Cloud

Data Cloud is een dataplatform dat bedrijven real-time updates van hun klantgegevens biedt vanaf elk contactpunt. Met Einstein Studio, een toegangspoort tot AI-tools op het dataplatform, kunnen beheerders en datawetenschappers moeiteloos modellen maken met een paar klikken of met behulp van code. De BYOM-ervaring (Bring Your Own Model) van Einstein Studio biedt de mogelijkheid om aangepaste of generatieve AI-modellen van externe platforms zoals SageMaker te verbinden met Data Cloud. Aangepaste modellen kunnen worden getraind met behulp van gegevens uit Salesforce Data Cloud die toegankelijk zijn via de Amazon SageMaker-gegevens Wrangler verbindingsstuk. Bedrijven kunnen hun voorspellingen uitvoeren door aangepaste modellen naadloos te integreren in Salesforce-workflows, wat leidt tot verbeterde efficiëntie, besluitvorming en gepersonaliseerde ervaringen.

Voordelen van de integratie van SageMaker en Data Cloud Einstein Studio

Zo kan het gebruik van SageMaker met Einstein Studio in Salesforce Data Cloud bedrijven helpen:

• Het biedt de mogelijkheid om aangepaste en generatieve AI-modellen te verbinden met Einstein Studio voor verschillende gebruiksscenario's, zoals leadconversie, case-classificatie en sentimentanalyse.
• Het elimineert vervelende, kostbare en foutgevoelige ETL-taken (extraheren, transformeren en laden). De zero-copy-benadering van gegevens vermindert de overhead voor het beheren van gegevenskopieën, verlaagt de opslagkosten en verbetert de efficiëntie.
• Het biedt toegang tot sterk samengestelde, geharmoniseerde en realtime gegevens in Customer 360. Dit leidt tot deskundige modellen die intelligentere voorspellingen en zakelijke inzichten opleveren.
• Het vereenvoudigt de consumptie van resultaten van bedrijfsprocessen en stimuleert waarde zonder latentie. Zo kun je gebruik maken van geautomatiseerde workflows die zich in een handomdraai kunnen aanpassen op basis van nieuwe data.
• Het vergemakkelijkt de operationalisering van SageMaker-modellen en gevolgtrekkingen in Salesforce.

Het volgende is een voorbeeld van het operationaliseren van een SageMaker-model met behulp van Salesforce-stroom.

SageMaker-integratie

SageMaker is een volledig beheerde service voor het voorbereiden van gegevens en het bouwen, trainen en implementeren van machine learning (ML)-modellen voor elke use case met volledig beheerde infrastructuur, tools en workflows.

Om de integratie van SageMaker en Salesforce Data Cloud te stroomlijnen, introduceren we twee nieuwe mogelijkheden in SageMaker:

• De SageMaker Data Wrangler Salesforce Data Cloud-connector – Met de onlangs gelanceerde SageMaker Data Wrangler Salesforce Data Cloud-connector kunnen beheerders verbindingen met Salesforce vooraf configureren, zodat data-analisten en datawetenschappers snel en in realtime toegang hebben tot Salesforce-gegevens en functies voor ML kunnen creëren. Hierdoor kunnen gebruikers veilig toegang krijgen tot Salesforce Data Cloud met behulp van OAuth. U kunt gegevens interactief visualiseren, analyseren en transformeren met behulp van de kracht van Spark zonder code te schrijven met behulp van de low-code visuele gegevensvoorbereidingsfuncties van Salesforce Data Wrangler. U kunt ook schalen om grote datasets te verwerken met SageMaker Processing-taken, ML-modi automatisch trainen met behulp van Amazon SageMaker-stuurautomaaten integreer met een SageMaker-inferentiepijplijn om dezelfde gegevensstroom naar productie te implementeren met het inferentie-eindpunt om gegevens in realtime of in batch te verwerken voor inferentie.

• De SageMaker Projects-sjabloon voor Salesforce - We lanceerden een SageMaker-projecten sjabloon voor Salesforce die u kunt gebruiken om eindpunten voor traditionele en grote taalmodellen (LLM's) te implementeren en SageMaker-eindpunten automatisch als een API beschikbaar te stellen. SageMaker Projects biedt een eenvoudige manier om de ontwikkelomgeving voor datawetenschappers en ML-engineers op te zetten en te standaardiseren om ML-modellen op SageMaker te bouwen en te implementeren.

Partner offerte

“De samenwerking tussen Salesforce en AWS Sagemaker stelt klanten in staat om de kracht van AI (zowel generatieve als niet-generatieve modellen) te benutten in hun Salesforce-gegevensbronnen, workflows en applicaties om gepersonaliseerde ervaringen te leveren en nieuwe contentgeneratie, samenvattingen en vragen mogelijk te maken. -antwoord typen ervaringen. Door het beste van twee werelden te combineren, creëren we een nieuw paradigma voor datagestuurde innovatie en klantensucces ondersteund door AI.”

-Kaushal Kurapati, Salesforce Senior Vice President Product, AI en Search

Overzicht oplossingen

De BYOM-integratieoplossing biedt klanten een native Salesforce Data Cloud-connector in SageMaker Data Wrangler. Met de SageMaker Data Wrangler-connector krijgt u veilig toegang tot Salesforce Data Cloud-objecten. Zodra gebruikers zijn geauthenticeerd, kunnen ze data-exploratie, voorbereiding en functie-engineeringtaken uitvoeren die nodig zijn voor modelontwikkeling en inferentie via de SageMaker Data Wrangler interactieve visuele interface. Datawetenschappers kunnen binnen werken Amazon SageMaker Studio notebooks om aangepaste modellen te ontwikkelen, die traditioneel of LLM's kunnen zijn, en deze beschikbaar te maken voor implementatie door het model te registreren in het SageMaker Model Registry. Wanneer een model is goedgekeurd voor productie in het register, automatiseert SageMaker Projects de implementatie van een aanroep-API die kan worden geconfigureerd als een doel in Salesforce Einstein Studio en kan worden geïntegreerd met Salesforce Customer 360-applicaties. Het volgende diagram illustreert deze architectuur

Conclusie

In dit bericht hebben we de BYOM-integratie van SageMaker en Salesforce Einstein Studio gedeeld, waar u gegevens in Salesforce Data Cloud kunt gebruiken om traditionele en LLM's in SageMaker te bouwen en te trainen. U kunt SageMaker Data Wrangler gebruiken om gegevens uit Salesforce Data Cloud voor te bereiden zonder te kopiëren. We hebben ook een geautomatiseerde oplossing geboden om de SageMaker-eindpunten als een API te implementeren met behulp van een SageMaker Projects-sjabloon voor Salesforce.

AWS en Salesforce zijn verheugd om samen te werken om deze ervaring aan onze gezamenlijke klanten te bieden om hen te helpen bedrijfsprocessen aan te sturen met behulp van de kracht van ML en kunstmatige intelligentie.

Raadpleeg voor meer informatie over de Salesforce BYOM-integratie Breng uw eigen AI-modellen mee met Einstein Studio. Voor een gedetailleerde implementatie met behulp van een voorbeeld van een productaanbeveling, zie Gebruik de integratie van Amazon SageMaker en Salesforce Data Cloud om uw Salesforce-apps van AI/ML te voorzien.

---

Over de auteurs

Daryl Martis is Director of Product voor Einstein Studio bij Salesforce Data Cloud. Hij heeft meer dan 10 jaar ervaring in het plannen, bouwen, lanceren en beheren van oplossingen van wereldklasse voor zakelijke klanten, waaronder AI/ML- en cloudoplossingen. Hij heeft eerder in de financiële dienstverlening in New York City gewerkt.

Rachna Chadha is een Principal Solutions Architect AI/ML in Strategic Accounts bij AWS. Rachna is een optimist die gelooft dat het ethische en verantwoorde gebruik van AI de samenleving in de toekomst kan verbeteren en economische en sociale welvaart kan brengen. In haar vrije tijd brengt Rachna graag tijd door met haar gezin, wandelen en naar muziek luisteren.

Als Stewart is een Principal Solutions Architect in het Strategic ISV-segment bij AWS. Ze is de afgelopen 2 jaar betrokken geweest bij Salesforce Data Cloud om te helpen bij het bouwen van geïntegreerde klantervaringen in Salesforce en AWS. Ife heeft meer dan 10 jaar ervaring in technologie. Ze is een pleitbezorger voor diversiteit en inclusie op het gebied van technologie.

Maninder (Mani) Kaur is de AI/ML Specialist lead voor Strategic ISV's bij AWS. Met haar klantgerichte benadering helpt Mani strategische klanten hun AI/ML-strategie vorm te geven, innovatie aan te wakkeren en hun AI/ML-reis te versnellen. Mani is een groot voorstander van ethische en verantwoorde AI en streeft ernaar ervoor te zorgen dat de AI-oplossingen van haar klanten aansluiten bij deze principes.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ai-using-amazon-sagemaker-with-salesforce-data-cloud/