Machine learning (ML) helpt organisaties inkomsten te genereren, kosten te verlagen, risico's te beperken, efficiëntie te stimuleren en kwaliteit te verbeteren door kernbedrijfsfuncties te optimaliseren in meerdere bedrijfseenheden, zoals marketing, productie, operaties, verkoop, financiën en klantenservice. Met AWS ML kunnen organisaties de waardecreatie versnellen van maanden naar dagen. Amazon SageMaker-canvas is een visuele point-and-click-service waarmee bedrijfsanalisten nauwkeurige ML-voorspellingen kunnen genereren zonder een enkele regel code te schrijven of ML-expertise te vereisen. U kunt modellen gebruiken om interactief voorspellingen te doen en voor batchscores op bulkdatasets.
In dit bericht laten we architecturale patronen zien over hoe bedrijfsteams ML-modellen kunnen gebruiken die overal zijn gebouwd door voorspellingen in Canvas te genereren en effectieve bedrijfsresultaten te behalen.
Deze integratie van het ontwikkelen en delen van modellen zorgt voor een hechtere samenwerking tussen business- en data science-teams en verkort de time-to-value. Zakelijke teams kunnen bestaande modellen gebruiken die zijn gebouwd door hun datawetenschappers of andere afdelingen om een zakelijk probleem op te lossen in plaats van nieuwe modellen opnieuw op te bouwen in externe omgevingen.
Ten slotte kunnen bedrijfsanalisten gedeelde modellen in Canvas importeren en voorspellingen genereren voordat ze met slechts een paar klikken in productie worden genomen.
Overzicht oplossingen
De volgende afbeelding beschrijft drie verschillende architectuurpatronen om te laten zien hoe datawetenschappers modellen kunnen delen met bedrijfsanalisten, die vervolgens rechtstreeks voorspellingen kunnen genereren op basis van die modellen in de visuele interface van Canvas:
Voorwaarden
Voltooi de volgende vereisten om uw model te trainen en te bouwen met SageMaker en uw model in Canvas te brengen:
- Als u nog geen SageMaker-domein en Studio-gebruiker heeft, een Studio-gebruiker instellen en onboarden in een SageMaker-domein.
- Canvas inschakelen en instellen basismachtigingen voor uw gebruikers en gebruikers machtigingen verlenen om samen te werken met Studio.
- U moet een getraind model hebben van Autopilot, JumpStart of het modelregister. Voor elk model dat u buiten SageMaker heeft gebouwd, moet u uw model in het modelregister registreren voordat u het in Canvas importeert.
Laten we nu de rol aannemen van een datawetenschapper die ML-modellen wil trainen, bouwen, implementeren en delen met een bedrijfsanalist voor elk van deze drie architecturale patronen.
Gebruik Autopilot en Canvas
Autopilot automatiseert de belangrijkste taken van een automatisch ML-proces (AutoML), zoals het verkennen van gegevens, het selecteren van het relevante algoritme voor het probleemtype en het vervolgens trainen en afstemmen ervan. Dit alles kan worden bereikt terwijl u de volledige controle en zichtbaarheid over de dataset behoudt. Autopilot onderzoekt automatisch verschillende oplossingen om het beste model te vinden, en gebruikers kunnen het ML-model herhalen of het model met één klik direct in productie nemen.
In dit voorbeeld gebruiken we een synthetisch klantverloop dataset uit het telecomdomein en zijn belast met het identificeren van klanten die mogelijk het risico lopen te veranderen. Voer de volgende stappen uit om Autopilot AutoML te gebruiken voor het bouwen, trainen, implementeren en delen van een ML-model met een bedrijfsanalist:
- Download de dataset, upload het naar een Amazon S3 (Amazon eenvoudige opslagservice) bucket en noteer de S3 URI.
- Kies op de Studio-console AutoML in het navigatievenster.
- Kies Maak een AutoML-experiment.
- Geef de naam van het experiment op (voor dit bericht,
Telecom-Customer-Churn-AutoPilot
), S3 gegevensinvoer en uitvoerlocatie. - Stel de doelkolom in als churn.
- In de implementatie-instellingen kunt u de optie voor automatische implementatie inschakelen om een eindpunt te maken dat uw beste model implementeert en gevolgtrekking uitvoert op het eindpunt.
Raadpleeg voor meer informatie Een Amazon SageMaker Autopilot-experiment maken.
- Kies je experiment, selecteer vervolgens je beste model en kies Model delen.
- Voeg een Canvas-gebruiker toe en kies Delen om het model te delen.
(Note: U kunt het model niet delen met dezelfde Canvas-gebruiker als die waarmee u zich bij Studio aanmeldt. Studio-gebruiker-A kan bijvoorbeeld geen model delen met Canvas-gebruiker-A. Maar gebruiker-A kan het model delen met gebruiker-B, dus kies verschillende toepassingen voor het delen van modellen)
Raadpleeg voor meer informatie Studio-gebruikers: deel een model met SageMaker Canvas.
Gebruik JumpStart en Canvas
JumpStart is een ML-hub die vooraf getrainde, open-sourcemodellen biedt voor een breed scala aan ML-use-cases, zoals fraudedetectie, kredietrisicovoorspelling en detectie van productdefecten. U kunt meer dan 300 vooraf getrainde modellen implementeren voor tabel-, visie-, tekst- en audiogegevens.
Voor dit bericht gebruiken we een vooraf getraind LightGBM-regressiemodel van JumpStart. We trainen het model op een custom dataset en delen het model met een Canvas gebruiker (business analist). Het vooraf getrainde model kan worden geïmplementeerd op een eindpunt voor gevolgtrekking. JumpStart biedt een voorbeeldnotitieblok om toegang te krijgen tot het model nadat het is geïmplementeerd.
In dit voorbeeld gebruiken we de abalone-gegevensset. De dataset bevat voorbeelden van acht fysieke metingen zoals lengte, diameter en hoogte om de leeftijd van abalone te voorspellen (een regressieprobleem).
- Download de abalone-gegevensset van Kaggle.
- Maak een S3-bucket en upload de trein-, validatie- en aangepaste header-datasets.
- Op de Studio-console, onder SageMaker JumpStart in het navigatievenster, kies Modellen, notebooks, oplossingen.
- Onder Tabelmodellen, kiezen LightGBM-regressie.
- Onder Treinmodel, geeft u de S3-URI's op voor de trainings-, validatie- en kolomkopgegevenssets.
- Kies Trainen.
- Kies in het navigatievenster JumpStart-middelen gelanceerd.
- Op de Training banen tabblad, kies je trainingsbaan.
- Op de Delen menu, kies Deel op Canvas.
- Kies de Canvas-gebruikers om mee te delen, specificeer de modeldetails en kies Delen.
Raadpleeg voor meer informatie Studio-gebruikers: deel een model met SageMaker Canvas.
Gebruik het SageMaker-modelregister en Canvas
Met SageMaker-modelregistratie kunt u modellen catalogiseren voor productie, modelversies beheren, metadata koppelen, de goedkeuringsstatus van een model beheren, modellen implementeren voor productie en de implementatie van modellen automatiseren met CI/CD.
Laten we de rol aannemen van een datawetenschapper. Voor dit voorbeeld bouwt u een end-to-end ML-project dat gegevensvoorbereiding, modeltraining, modelhosting, modelregistratie en het delen van modellen met een bedrijfsanalist omvat. Optioneel kunt u voor gegevensvoorbereiding en voor- of nabewerkingsstappen gebruiken Amazon SageMaker-gegevens Wrangler en een Amazon SageMaker Verwerkingstaak. In dit voorbeeld gebruiken we de abalone dataset die is gedownload van LIBSVM. De doelvariabele is de leeftijd van de zeeoor.
- Kloon in Studio het GitHub repo.
- Voltooi de stappen die worden vermeld in het README-bestand.
- Op de Studio-console, onder Modellen in het navigatievenster, kies Modelregister.
- Kies het model
sklearn-reg-ablone
. - Deel modelversie 1 vanuit het modelregister naar Canvas.
- Kies de Canvas-gebruikers om mee te delen, specificeer de modeldetails en kies Delen.
Raadpleeg voor instructies de Modelregister sectie in Studio-gebruikers: deel een model met SageMaker Canvas.
Beheer gedeelde modellen
Nadat u het model hebt gedeeld met een van de voorgaande methoden, kunt u naar het Modellen sectie in Studio en bekijk alle gedeelde modellen. In de volgende schermafbeelding zien we 3 verschillende modellen die door een Studio-gebruiker (datawetenschapper) worden gedeeld met verschillende Canvas-gebruikers (bedrijfsteams).
Importeer een gedeeld model en doe voorspellingen met Canvas
Laten we de rol van bedrijfsanalist aannemen en inloggen op Canvas met je Canvas-gebruiker.
Wanneer een datawetenschapper of Studio-gebruiker een model deelt met een Canvas-gebruiker, ontvang je binnen de Canvas-applicatie een melding dat een Studio-gebruiker een model met jou heeft gedeeld. In de Canvas-toepassing is de melding vergelijkbaar met de volgende schermafbeelding.
Je kan kiezen Update bekijken om het gedeelde model te zien, of u kunt naar de Modellen pagina in de Canvas-applicatie om alle modellen te ontdekken die met u zijn gedeeld. Het importeren van modellen uit Studio kan tot 20 minuten duren.
Na het importeren van het model kunt u de statistieken bekijken en genereren real-time voorspellingen met wat-als-analyse of batchvoorspellingen.
Overwegingen
Houd rekening met het volgende wanneer u modellen deelt met Canvas:
- Je slaat trainings- en validatiegegevenssets op in Amazon S3 en de S3-URI's worden mee doorgegeven aan Canvas AWS Identiteits- en toegangsbeheer (IAM) machtigingen.
- Geef de doelkolom op aan Canvas of gebruik de eerste kolom als standaard.
- Voor een Canvas-container om deductiegegevens te parseren, accepteert het Canvas-eindpunt tekst (CSV) of toepassing (JSON).
- Canvas ondersteunt geen meerdere container- of inferentiepijplijnen.
- Er wordt een dataschema aan Canvas geleverd als er geen headers zijn opgegeven in de trainings- en validatiedatasets. Het JumpStart-platform biedt standaard geen headers in de trainings- en validatiedatasets.
- Met Jumpstart moet de trainingstaak voltooid zijn voordat je deze kunt delen met Canvas.
Verwijzen naar Beperkingen en probleemoplossing om u te helpen bij het oplossen van problemen die u tegenkomt bij het delen van modellen.
Opruimen
Om te voorkomen dat er in de toekomst kosten in rekening worden gebracht, verwijdert of sluit u de bronnen af die u hebt gemaakt tijdens het volgen van dit bericht. Verwijzen naar Afmelden bij Amazon SageMaker Canvas voor meer details. Sluit de individuele bronnen af, inclusief notebooks, terminal, kernels, apps en instances. Voor meer informatie, zie Sluit bronnen af Verwijder het modelversie, SageMaker-eindpunt en bronnen, Bronnen voor Autopilot-experimenten en S3 emmer.
Conclusie
Met Studio kunnen datawetenschappers in een paar eenvoudige stappen ML-modellen delen met bedrijfsanalisten. Bedrijfsanalisten kunnen profiteren van ML-modellen die al door datawetenschappers zijn gebouwd om bedrijfsproblemen op te lossen in plaats van een nieuw model in Canvas te maken. Het kan echter moeilijk zijn om deze modellen te gebruiken buiten de omgevingen waarin ze zijn gebouwd vanwege technische vereisten en handmatige processen om modellen te importeren. Dit dwingt gebruikers vaak om ML-modellen opnieuw op te bouwen, wat resulteert in dubbel werk en extra tijd en middelen. Canvas verwijdert deze beperkingen zodat je voorspellingen in Canvas kunt genereren met modellen die je waar dan ook hebt getraind. Door de drie patronen te gebruiken die in dit bericht worden geïllustreerd, kunt u ML-modellen registreren in het SageMaker-modelregister, een metadataopslag voor ML-modellen, en deze importeren in Canvas. Bedrijfsanalisten kunnen vervolgens elk model in Canvas analyseren en voorspellingen genereren.
Bekijk de volgende bronnen voor meer informatie over het gebruik van SageMaker-services:
Als je vragen of suggesties hebt, laat dan een reactie achter.
Over de auteurs
Aman Sharma is een Senior Solutions Architect bij AWS. Hij werkt met start-ups, kleine en middelgrote bedrijven en zakelijke klanten in de hele APJ-regio, met meer dan 19 jaar ervaring in advies, architectuur en oplossingen. Hij is gepassioneerd door het democratiseren van AI en ML en het helpen van klanten bij het ontwerpen van hun data- en ML-strategieën. Buiten zijn werk verkent hij graag de natuur en dieren in het wild.
Zichen Nie is de Senior Software Engineer bij AWS SageMaker en leidde vorig jaar het project Bring Your Own Model to SageMaker Canvas. Ze werkt al meer dan 7 jaar bij Amazon en heeft ervaring in zowel Amazon Supply Chain Optimization als AWS AI-services. Ze geniet van Barre-workouts en muziek na het werk.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
- De toekomst slaan met Adryenn Ashley. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- : heeft
- :is
- $UP
- 1
- 100
- 20
- 7
- a
- Over
- versnellen
- Accepteert
- toegang
- accuraat
- Bereiken
- bereikt
- over
- Extra
- Na
- AI
- AI-diensten
- algoritme
- Alles
- Het toestaan
- toestaat
- al
- Amazone
- Amazon Sage Maker
- Amazon SageMaker-stuurautomaat
- Amazon SageMaker-canvas
- an
- analyse
- analist
- analisten
- analyseren
- en
- elke
- overal
- Aanvraag
- goedkeuring
- apps
- bouwkundig
- architectuur
- ZIJN
- AS
- Associëren
- At
- audio
- auto
- automatiseren
- automaten
- Automatisch
- webmaster.
- AutoML
- vermijd
- AWS
- baseren
- BE
- geweest
- vaardigheden
- voordeel
- BEST
- tussen
- zowel
- brengen
- bouw
- Gebouw
- bebouwd
- bedrijfsdeskundigen
- zakelijke functies
- ondernemingen
- maar
- by
- CAN
- canvas
- gevallen
- catalogus
- keten
- lasten
- controle
- Kies
- Klik
- code
- samenwerken
- samenwerking
- Kolom
- commentaar
- compleet
- troosten
- consulting
- Containers
- bevat
- onder controle te houden
- Kern
- Kosten
- en je merk te creëren
- aangemaakt
- creëert
- Wij creëren
- het aanmaken
- Credits
- gewoonte
- klant
- Klantenservice
- Klanten
- gegevens
- Data voorbereiding
- data science
- data scientist
- datasets
- dagen
- Standaard
- Democratiserend
- tonen
- afdelingen
- implementeren
- ingezet
- het inzetten
- inzet
- ontplooit
- ontwerpen
- gegevens
- Opsporing
- Ontwikkeling
- anders
- moeilijk
- direct
- Onthul Nu
- Nee
- domein
- Dont
- beneden
- rit
- twee
- elk
- effectief
- efficiëntie
- inspanning
- beide
- in staat stellen
- eind tot eind
- Endpoint
- ingenieur
- Enterprise
- omgevingen
- voorbeeld
- voorbeelden
- bestaand
- ervaring
- experiment
- expertise
- Verken
- verkent
- Verkennen
- weinig
- Figuur
- Dien in
- financiën
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Voornaam*
- volgend
- Voor
- Krachten
- bedrog
- fraude detectie
- oppompen van
- vol
- functies
- toekomst
- voortbrengen
- het genereren van
- Go
- Hebben
- he
- headers
- Hoogte
- hulp
- het helpen van
- helpt
- Vandaar
- Hosting
- Hoe
- Echter
- HTML
- http
- HTTPS
- Naaf
- het identificeren van
- Identiteit
- if
- importeren
- importeren
- verbeteren
- in
- omvat
- Inclusief
- individueel
- informatie
- invoer
- verkrijgen in plaats daarvan
- instructies
- integratie
- Interface
- in
- problemen
- IT
- HAAR
- Jobomschrijving:
- jpg
- json
- voor slechts
- sleutel
- Achternaam*
- Afgelopen jaar
- leidend
- LEARN
- leren
- Verlof
- Lengte
- als
- sympathieën
- beperkingen
- Lijn
- opgesomd
- plaats
- inloggen
- Log in
- op zoek
- onderhouden
- maken
- beheer
- handboek
- productie
- Marketing
- maten
- Medium
- Metadata
- methoden
- Metriek
- macht
- denken
- minuten
- Verzachten
- ML
- model
- modellen
- maanden
- meer
- meervoudig
- Muziek
- Dan moet je
- naam
- NATUUR
- Navigatie
- behoeften
- New
- geen
- notitieboekje
- notificatie
- of
- vaak
- on
- Aan boord
- EEN
- open source
- Operations
- optimalisatie
- optimaliseren
- Keuze
- or
- organisaties
- Overige
- uit
- resultaten
- uitgang
- buiten
- het te bezitten.
- pagina
- brood
- voorbij
- hartstochtelijk
- patronen
- permissies
- Fysiek
- platform
- Plato
- Plato gegevensintelligentie
- PlatoData
- Post
- mogelijk
- voorspellen
- voorspelling
- Voorspellingen
- vereisten
- probleem
- problemen
- processen
- verwerking
- Product
- productie
- project
- zorgen voor
- mits
- biedt
- kwaliteit
- Contact
- reeks
- ontvangen
- verminderen
- regio
- registreren
- register
- relevante
- Voorwaarden
- Resources
- verkregen
- inkomsten
- beoordelen
- Risico
- Rol
- sagemaker
- verkoop
- dezelfde
- Wetenschap
- Wetenschapper
- wetenschappers
- scoren
- sectie
- zien
- selecteren
- senior
- service
- Diensten
- reeks
- settings
- Delen
- gedeeld
- Aandelen
- delen
- ze
- showcase
- stilgelegd
- gelijk
- Eenvoudig
- single
- Klein
- So
- Software
- Software Engineer
- Oplossingen
- OPLOSSEN
- start-ups
- Status
- Stappen
- mediaopslag
- shop
- strategieën
- studio
- dergelijk
- leveren
- toeleveringsketen
- Optimalisatie van de toeleveringsketen
- ondersteuning
- synthetisch
- Nemen
- doelwit
- taken
- teams
- Technisch
- telecom
- terminal
- neem contact
- dat
- De
- hun
- Ze
- harte
- Deze
- ze
- dit
- die
- drie
- strakker
- niet de tijd of
- naar
- Trainen
- getraind
- Trainingen
- type dan:
- voor
- eenheden
- .
- gebruikt
- Gebruiker
- gebruikers
- gebruik
- bevestiging
- waarde
- waardecreatie
- versie
- Bekijk
- zichtbaarheid
- visie
- we
- wanneer
- welke
- en
- WIE
- breed
- Grote range
- Met
- binnen
- zonder
- Mijn werk
- werkzaam
- Bedrijven
- het schrijven van
- jaar
- jaar
- You
- Your
- zephyrnet