Distribuer ML-modeller bygget i Amazon SageMaker Canvas til Amazon SageMaker sanntidsendepunkter | Amazon Web Services

Amazon SageMaker Canvas støtter nå distribusjon av maskinlæringsmodeller (ML) til sanntidsslutningsendepunkter, slik at du kan ta ML-modellene dine til produksjon og drive handling basert på ML-drevet innsikt. SageMaker Canvas er et arbeidsområde uten kode som gjør det mulig for analytikere og innbyggerdataforskere å generere nøyaktige ML-spådommer for deres forretningsbehov.

Til nå har SageMaker Canvas gitt muligheten til å evaluere en ML-modell, generere bulkprediksjoner og kjøre hva-hvis-analyser innenfor sitt interaktive arbeidsområde. Men nå kan du også distribuere modellene til Amazon SageMaker-endepunkter for sanntidsslutning, noe som gjør det enkelt å konsumere modellforutsigelser og drive handlinger utenfor SageMaker Canvas-arbeidsområdet. Å ha muligheten til å distribuere ML-modeller direkte fra SageMaker Canvas eliminerer behovet for manuelt å eksportere, konfigurere, teste og distribuere ML-modeller i produksjon, og sparer dermed redusert kompleksitet og sparer tid. Det gjør også operasjonalisering av ML-modeller mer tilgjengelig for enkeltpersoner, uten behov for å skrive kode.

I dette innlegget leder vi deg gjennom prosessen til distribuere en modell i SageMaker Canvas til et endepunkt i sanntid.

Oversikt over løsning

For vår brukstilfelle påtar vi oss rollen som en bedriftsbruker i markedsavdelingen til en mobiltelefonoperatør, og vi har med suksess laget en ML-modell i SageMaker Canvas for å identifisere kunder med potensiell risiko for churn. Takket være spådommene generert av modellen vår, ønsker vi nå å flytte dette fra utviklingsmiljøet til produksjonen. For å strømlinjeforme prosessen med å distribuere modellendepunktet vårt for slutninger, distribuerer vi ML-modeller direkte fra SageMaker Canvas, og eliminerer dermed behovet for manuelt å eksportere, konfigurere, teste og distribuere ML-modeller til produksjon. Dette bidrar til å redusere kompleksiteten, sparer tid og gjør også operasjonalisering av ML-modeller mer tilgjengelige for enkeltpersoner, uten behov for å skrive kode.

Arbeidsflyttrinnene er som følger:

1. Last opp et nytt datasett med den nåværende kundepopulasjonen til SageMaker Canvas. For den fullstendige listen over støttede datakilder, se Importer data til Canvas.
2. Bygg ML-modeller og analyser ytelsesberegningene deres. For instruksjoner, se Bygg en tilpasset modell og Evaluer modellens ytelse i Amazon SageMaker Canvas.
3. Implementer den godkjente modellversjonen som et endepunkt for sanntidsslutning.

Du kan utføre disse trinnene i SageMaker Canvas uten å skrive en eneste linje med kode.

Forutsetninger

For denne gjennomgangen, sørg for at følgende forutsetninger er oppfylt:

1. For å distribuere modellversjoner til SageMaker-endepunkter, må SageMaker Canvas-administratoren gi de nødvendige tillatelsene til SageMaker Canvas-brukeren, som du kan administrere i SageMaker-domenet som er vert for SageMaker Canvas-applikasjonen. For mer informasjon, se Tillatelsesbehandling i Canvas.
   
2. Implementer forutsetningene nevnt i Forutsi kundefragang med maskinlæring uten kode ved hjelp av Amazon SageMaker Canvas.

Du bør nå ha tre modellversjoner trent på historiske churn-prediksjonsdata i Canvas:

• V1 trent med alle 21 funksjoner og rask byggekonfigurasjon med en modellscore på 96.903 %
• V2 trent med alle 19 funksjoner (fjernede telefon- og tilstandsfunksjoner) og rask byggekonfigurasjon og forbedret nøyaktighet på 97.403 %
• V3 trent med standard byggekonfigurasjon med 97.103 % modellscore

Bruk prediksjonsmodellen for kundeavgang

aktiver Vis avanserte beregninger på modelldetaljer-siden og gjennomgå de objektive beregningene knyttet til hver modellversjon, slik at du kan velge den modellen som gir best ytelse for distribusjon til SageMaker som et endepunkt.

Basert på ytelsesberegningene velger vi versjon 2 som skal distribueres.

Konfigurer modelldistribusjonsinnstillingene – distribusjonsnavn, forekomsttype og forekomstantall.

Som et utgangspunkt vil Canvas automatisk anbefale den beste forekomsttypen og antall forekomster for din modellimplementering. Du kan endre det i henhold til dine arbeidsbelastningsbehov.

Du kan teste det utplasserte SageMaker-slutningsendepunktet direkte fra SageMaker Canvas.

Du kan endre inngangsverdier ved å bruke SageMaker Canvas brukergrensesnitt for å utlede ytterligere churn-prediksjon.

La oss nå navigere til Amazon SageMaker Studio og sjekk ut det distribuerte endepunktet.

Åpne en notatbok i SageMaker Studio og kjør følgende kode for å utlede endepunktet for den distribuerte modellen. Bytt ut modellens endepunktnavn med ditt eget modellendepunktsnavn.

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)

Vårt opprinnelige modellendepunkt bruker en ml.m5.xlarge-forekomst og 1 forekomsttelling. La oss nå anta at du forventer at antallet sluttbrukere som konkluderer med modellendepunktet ditt vil øke, og at du ønsker å tilrettelegge mer datakapasitet. Du kan oppnå dette direkte fra SageMaker Canvas ved å velge Oppdater konfigurasjonen.

Rydd opp

For å unngå fremtidige kostnader, slett ressursene du opprettet mens du fulgte dette innlegget. Dette inkluderer utlogging av SageMaker Canvas og sletter det utplasserte SageMaker-endepunktet. SageMaker Canvas fakturerer deg for varigheten av økten, og vi anbefaler å logge ut av SageMaker Canvas når du ikke bruker det. Referere til Logger ut av Amazon SageMaker Canvas for mer informasjon.

konklusjonen

I dette innlegget diskuterte vi hvordan SageMaker Canvas kan distribuere ML-modeller til sanntidsslutningsendepunkter, slik at du kan ta ML-modellene dine til produksjon og drive handling basert på ML-drevet innsikt. I vårt eksempel viste vi hvordan en analytiker raskt kan bygge en svært nøyaktig prediktiv ML-modell uten å skrive noen kode, distribuere den på SageMaker som et endepunkt og teste modellendepunktet fra SageMaker Canvas, så vel som fra en SageMaker Studio-notisbok.

For å starte din lavkode/ingen kode ML-reise, se Amazon SageMaker Canvas.

Spesiell takk til alle som bidro til lanseringen: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani og Alicia Qi.

Om forfatterne

Janisha Anand er senior produktsjef i Amazon SageMaker Low/No Code ML-teamet, som inkluderer SageMaker Canvas og SageMaker Autopilot. Hun liker kaffe, holder seg aktiv og tilbringer tid med familien.

Indy Sawhney er en senior kundeløsningsleder med Amazon Web Services. Indy jobber alltid bakover fra kundeproblemer, og gir råd til AWS-bedriftskundeledere gjennom deres unike skytransformasjonsreise. Han har over 25 års erfaring med å hjelpe bedriftsorganisasjoner med å ta i bruk nye teknologier og forretningsløsninger. Indy er et område med dybdespesialist med AWSs tekniske feltfellesskap for AI/ML, med spesialisering i generativ AI og Amazon SageMaker-løsninger med lav kode/no-kode.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/