Studio Amazon SageMaker to internetowe, zintegrowane środowisko programistyczne (IDE) do uczenia maszynowego (ML), które umożliwia tworzenie, trenowanie, debugowanie, wdrażanie i monitorowanie modeli ML. SageMaker Studio zapewnia wszystkie narzędzia potrzebne do przeprowadzenia modeli od przygotowania danych, przez eksperymenty, aż po produkcję, jednocześnie zwiększając produktywność.
Płótno Amazon SageMaker to potężne narzędzie do uczenia maszynowego niewymagające kodu, przeznaczone dla zespołów biznesowych i zespołów zajmujących się danymi, umożliwiające generowanie dokładnych prognoz bez konieczności pisania kodu lub posiadania dużego doświadczenia w zakresie uczenia maszynowego. Dzięki intuicyjnemu interfejsowi wizualnemu SageMaker Canvas upraszcza proces ładowania, czyszczenia i przekształcania zbiorów danych oraz budowania modeli ML, dzięki czemu są one dostępne dla szerszego grona odbiorców.
Jednak w miarę ewolucji potrzeb uczenia maszynowego lub jeśli potrzebujesz bardziej zaawansowanego dostosowywania i kontroli, możesz chcieć przejść ze środowiska bez kodu na podejście oparte na kodzie. W tym miejscu wchodzi w grę płynna integracja SageMaker Canvas i SageMaker Studio.
W tym poście przedstawiamy rozwiązanie dla następujących typów użytkowników:
- Eksperci nie zajmujący się uczeniem maszynowym, np. analitycy biznesowi, inżynierowie danych lub programiści, którzy są ekspertami w danej dziedzinie i interesują się narzędziami o niskim kodzie bez kodu (LCNC), które pomagają im w przygotowywaniu danych na potrzeby uczenia maszynowego i budowaniu modeli uczenia maszynowego. Ta osoba zazwyczaj jest tylko użytkownikiem SageMaker Canvas i często polega na ekspertach ML w swojej organizacji, którzy sprawdzają i zatwierdzają ich pracę.
- Eksperci ML zainteresowani tym, jak narzędzia LCNC mogą przyspieszyć części cyklu życia ML (takie jak przygotowanie danych), ale prawdopodobnie przyjmą również podejście oparte na wysokim kodzie do niektórych części cyklu życia ML (takich jak budowanie modelu). Ta osoba to zazwyczaj użytkownik SageMaker Studio, który może być także użytkownikiem SageMaker Canvas. Eksperci ML często odgrywają także rolę w przeglądaniu i zatwierdzaniu pracy ekspertów niezwiązanych z ML w przypadku zastosowań produkcyjnych.
Użyteczność rozwiązań zaproponowanych w tym poście jest dwojaka. Po pierwsze, demonstrując, w jaki sposób można udostępniać modele w programach SageMaker Canvas i SageMaker Studio, eksperci nie zajmujący się uczeniem maszynowym i uczeniem maszynowym mogą współpracować w preferowanych przez siebie środowiskach, którymi może być środowisko bez kodu (SageMaker Canvas) dla osób niebędących ekspertami oraz środowisko o wysokim kodzie środowisko (SageMaker Studio) dla ekspertów. Po drugie, demonstrując, jak udostępnić model z SageMaker Canvas do SageMaker Studio, pokazujemy, jak eksperci ML, którzy chcą przejść od podejścia LCNC do programowania do podejścia opartego na wysokim kodzie do produkcji, mogą to zrobić w różnych środowiskach SageMaker. Rozwiązanie opisane w tym poście jest przeznaczone dla użytkowników nowego SageMaker Studio. Dla użytkowników SageMaker Studio Classic, zobacz Współpracuj z analitykami danych aby dowiedzieć się, jak płynnie przejść między SageMaker Canvas i SageMaker Studio Classic.
Omówienie rozwiązania
Aby płynnie przejść od uczenia maszynowego bez kodu do uczenia się opartego na kodzie w SageMaker Canvas i SageMaker Studio, przedstawiliśmy dwie opcje. Możesz wybrać opcję w zależności od swoich wymagań. W niektórych przypadkach możesz zdecydować się na użycie obu opcji równolegle.
- Opcja 1: Rejestr modelu SageMaker – Użytkownik SageMaker Canvas rejestruje swój model w pliku Rejestr modelu Amazon SageMaker, wywołując przepływ pracy zarządzania dla ekspertów ML w celu przejrzenia szczegółów i metryk modelu, a następnie zatwierdzenia go lub odrzucenia, po czym użytkownik może wdrożyć zatwierdzony model z SageMaker Canvas. Ta opcja to zautomatyzowany proces udostępniania zapewniający wbudowane śledzenie zarządzania i zatwierdzeń. Możesz przeglądać metryki modelu; jednak widoczność kodu modelu i architektury jest ograniczona. Poniższy diagram ilustruje architekturę.
- Opcja 2: Eksport notatnika – W tej opcji użytkownik SageMaker Canvas eksportuje cały notatnik z SageMaker Canvas do Usługa Amazon Simple Storage (Amazon S3), a następnie udostępnia go ekspertom ML w celu zaimportowania do SageMaker Studio, umożliwiając pełną widoczność i dostosowanie kodu modelu oraz logiki, zanim ekspert ML wdroży ulepszony model. W tej opcji dostępna jest pełna widoczność kodu i architektury modelu, a także możliwość dostosowania i udoskonalenia modelu przez eksperta ML w SageMaker Studio. Jednak ta opcja wymaga ręcznego eksportu i importu modelu notebooka do IDE. Poniższy diagram ilustruje tę architekturę.
Poniższe fazy opisują etapy współpracy:
- Share – Użytkownik SageMaker Canvas rejestruje model w SageMaker Canvas lub pobiera notatnik z SageMaker Canvas
- Review – Użytkownik SageMaker Studio uzyskuje dostęp do modelu poprzez rejestr modeli, aby przejrzeć i uruchomić wyeksportowany notatnik za pomocą JupyterLab w celu sprawdzenia poprawności modelu
- Zatwierdzenie – Użytkownik SageMaker Studio zatwierdza model z rejestru modeli
- Rozmieścić – Użytkownik SageMaker Studio może wdrożyć model z JupyterLab lub użytkownik SageMaker Canvas może wdrożyć model z SageMaker Canvas
Przyjrzyjmy się szczegółowo dwóm opcjom (rejestr modelu i eksport notatnika) w ramach każdego kroku.
Wymagania wstępne
Zanim zagłębisz się w rozwiązanie, upewnij się, że zarejestrowałeś się i utworzyłeś konto AWS. Następnie musisz utworzyć użytkownika administracyjnego i grupę. Aby uzyskać instrukcje dotyczące obu kroków, zobacz Skonfiguruj wymagania wstępne Amazon SageMaker. Możesz pominąć ten krok, jeśli masz już uruchomioną własną wersję SageMaker Studio.
Ukończ wymagania wstępne dotyczące konfiguracji SageMaker Canvas i utwórz model według własnego wyboru dla danego przypadku użycia.
Udostępnij model
Użytkownik SageMaker Canvas udostępnia model użytkownikowi SageMaker Studio, rejestrując go w rejestrze modelu SageMaker, co uruchamia przepływ pracy związany z zarządzaniem, lub pobierając pełny notatnik z SageMaker Canvas i dostarczając go użytkownikowi SageMaker Studio.
Rejestr modeli SageMaker
Aby wdrożyć przy użyciu rejestru modelu SageMaker, wykonaj następujące kroki:
- Po utworzeniu modelu w SageMaker Canvas wybierz menu opcji (trzy pionowe kropki) i wybierz Dodaj do rejestru modeli.
- Wprowadź nazwę grupy modeli.
- Dodaj Dodaj.
Możesz teraz zobaczyć, że model jest zarejestrowany.
Widać również, że model oczekuje na zatwierdzenie.
Eksport notatnika SageMaker
Aby wdrożyć za pomocą notatnika SageMaker, wykonaj następujące kroki:
- W menu opcji wybierz Zobacz Notatnik.
- Dodaj Skopiuj identyfikator URI S3.
Możesz teraz udostępnić identyfikator URI S3 użytkownikowi SageMaker Studio.
Przejrzyj model
Użytkownik SageMaker Studio uzyskuje dostęp do udostępnionego modelu poprzez rejestr modeli, aby przejrzeć jego szczegóły i metryki, lub może zaimportować wyeksportowany notatnik do SageMaker Studio i użyć notatników Jupyter do dokładnej weryfikacji kodu, logiki i wydajności modelu.
Rejestr modeli SageMaker
Aby skorzystać z rejestru modeli, wykonaj następujące kroki:
- W konsoli SageMaker Studio wybierz modele w okienku nawigacji.
- Dodaj Zarejestrowane modele.
- Wybierz swój model.
Możesz przejrzeć szczegóły modelu i sprawdzić, czy status ma status „oczekujący”.
Możesz także przejrzeć różne metryki, aby sprawdzić wydajność modelu.
Możesz przeglądać metryki modelu; jednak widoczność kodu modelu i architektury jest ograniczona. Jeśli chcesz mieć pełną widoczność kodu modelu i architektury z możliwością dostosowywania i ulepszania modelu, skorzystaj z opcji eksportu notatnika.
Eksport notatnika SageMaker
Aby skorzystać z opcji eksportu notatnika jako użytkownik SageMaker Studio, wykonaj poniższe kroki.
- Uruchom SageMaker Studio i wybierz laboratorium jupytera dla Zastosowania.
- Otwórz przestrzeń JupyterLab. Jeśli nie masz przestrzeni JupyterLab, możesz ją utworzyć.
- Otwórz terminal i uruchom następujące polecenie, aby skopiować notatnik z Amazon S3 do SageMaker Studio (numer konta w poniższym przykładzie został zmieniony na
awsaccountnumber
): - Po pobraniu notesu możesz go otworzyć i uruchomić w celu dalszej oceny.
Zatwierdź model
Po kompleksowej ocenie użytkownik SageMaker Studio może podjąć świadomą decyzję o zatwierdzeniu lub odrzuceniu modelu w rejestrze modeli w oparciu o ocenę jego jakości, dokładności i przydatności do zamierzonego przypadku użycia.
W przypadku użytkowników, którzy zarejestrowali swój model za pośrednictwem interfejsu użytkownika Canvas, wykonaj poniższe kroki, aby zatwierdzić model. W przypadku użytkowników, którzy wyeksportowali model notatnika z interfejsu użytkownika Canvas, możesz zarejestrować i zatwierdzić model przy użyciu rejestru modeli SageMaker, jednak te kroki nie są wymagane.
Rejestr modeli SageMaker
Jeśli jesteś użytkownikiem SageMaker Studio, jeśli znasz już model, możesz zaktualizować jego status do zatwierdzonego. Zatwierdzenie odbywa się wyłącznie w rejestrze modeli SageMaker. Wykonaj następujące kroki:
- W SageMaker Studio przejdź do wersji modelu.
- W menu opcji wybierz Stan aktualizacji i Zatwierdzony.
- Wpisz opcjonalny komentarz i wybierz Zapisz i zaktualizuj.
Teraz możesz zobaczyć, że model został zatwierdzony.
Wdróż model
Gdy model jest gotowy do wdrożenia (uzyskał niezbędne recenzje i zatwierdzenia), użytkownicy mają dwie możliwości. Użytkownicy, którzy zastosowali podejście oparte na rejestrze modeli, mogą wdrożyć rozwiązanie z SageMaker Studio lub SageMaker Canvas. Użytkownicy, którzy wybrali metodę eksportu modelowego notesu, mogą wdrożyć rozwiązanie z SageMaker Studio. Obie opcje wdrożenia opisano szczegółowo poniżej.
Wdróż za pomocą SageMaker Studio
Użytkownik SageMaker Studio może wdrożyć model z przestrzeni JupyterLab.
Po wdrożeniu modelu możesz przejść do konsoli SageMaker i wybrać Punkty końcowe dla Wnioskowanie w panelu nawigacji i wyświetl model.
Wdróż za pomocą SageMaker Canvas
Alternatywnie, jeśli wdrażanie jest obsługiwane przez użytkownika SageMaker Canvas, możesz wdrożyć model z SageMaker Canvas.
Po wdrożeniu modelu można przejść do pliku Punkty końcowe stronę w konsoli SageMaker, aby wyświetlić model.
Sprzątać
Aby uniknąć opłat za sesję w przyszłości, wyloguj się z SageMaker Canvas.
Aby uniknąć bieżących opłat, usuń punkty końcowe wnioskowania SageMaker. Możesz usunąć punkty końcowe za pomocą konsoli SageMaker lub z notatnika SageMaker Studio, używając następujących poleceń:
Wnioski
Wcześniej można było udostępniać modele w SageMaker Canvas (lub przeglądać udostępnione modele SageMaker Canvas) tylko w SageMaker Studio Classic. W tym poście pokazaliśmy, jak udostępniać modele zbudowane w SageMaker Canvas w SageMaker Studio, aby różne zespoły mogły współpracować i móc przejść od ścieżki wdrażania bez kodu do ścieżki wdrażania z dużą ilością kodu. Korzystając z rejestru modeli SageMaker lub eksportując notatniki, eksperci ML i osoby niebędące ekspertami mogą współpracować, przeglądać i ulepszać modele na tych platformach, umożliwiając płynny przepływ pracy od przygotowania danych po wdrożenie produkcyjne.
Więcej informacji na temat współpracy nad modelami przy użyciu SageMaker Canvas można znaleźć w artykule Buduj, udostępniaj, wdrażaj: jak analitycy biznesowi i analitycy danych osiągają szybszy czas wprowadzania produktów na rynek, korzystając z bezkodowej ML i Amazon SageMaker Canvas.
O autorach
Rajakumar Sampathkumar jest głównym kierownikiem ds. kont technicznych w AWS, udzielając klientom wskazówek dotyczących dostosowania technologii biznesowych i wspierających ponowne opracowywanie modeli i procesów operacyjnych w chmurze. Pasjonuje się chmurą i uczeniem maszynowym. Raj jest również specjalistą od uczenia maszynowego i współpracuje z klientami AWS przy projektowaniu, wdrażaniu i zarządzaniu ich obciążeniami i architekturami AWS.
Meenakshisundaram Tandavarayan pracuje w AWS jako Specjalista AI/ML. Jego pasją jest projektowanie, tworzenie i promowanie danych i rozwiązań analitycznych skupionych na człowieku. Meena koncentruje się na rozwoju zrównoważonych systemów, które zapewniają wymierne, konkurencyjne przewagi dla strategicznych klientów AWS. Meena jest łącznikiem i myślicielem projektowym, stara się kierować biznes na nowe sposoby pracy poprzez innowacje, inkubację i demokratyzację.
Claire O'Brien Rajkumar jest starszym menedżerem produktu w zespole Amazon SageMaker zajmującym się SageMaker Canvas, obszarem roboczym SageMaker o niskim kodzie i bez kodu dla uczenia maszynowego i generatywnej sztucznej inteligencji. SageMaker Canvas pomaga demokratyzować ML i generatywną sztuczną inteligencję, obniżając bariery w adaptacji dla osób, które dopiero zaczynają korzystać z ML i przyspieszając przepływy pracy dla zaawansowanych praktyków.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/seamlessly-transition-between-no-code-and-code-first-machine-learning-with-amazon-sagemaker-canvas-and-amazon-sagemaker-studio/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 100
- 204
- 378
- 7
- 9
- a
- zdolność
- O nas
- przyśpieszyć
- przyspieszenie
- dostępny
- Konto
- precyzja
- dokładny
- Osiągać
- w poprzek
- Dodaj
- administracyjny
- Przyjęcie
- zaawansowany
- Zalety
- Po
- AI
- wyrównanie
- Wszystkie kategorie
- już
- również
- Amazonka
- Amazon Sage Maker
- Płótno Amazon SageMaker
- Studio Amazon SageMaker
- Amazon Web Services
- an
- analitycy
- analityka
- i
- podejście
- zatwierdzenie
- Zatwierdzenia
- Zatwierdzać
- zatwierdzony
- architektura
- architektur
- SĄ
- AS
- oszacowanie
- At
- publiczność
- zautomatyzowane
- uniknąć
- AWS
- bariery
- na podstawie
- BE
- zanim
- poniżej
- pomiędzy
- pobudzanie
- obie
- szerszy
- budować
- Budowanie
- wybudowany
- wbudowany
- biznes
- ale
- by
- CAN
- kandydat
- brezentowy
- walizka
- Etui
- pewien
- zmieniony
- Opłaty
- ZOBACZ
- wybór
- Dodaj
- klasyczny
- Chmura
- kod
- współpracować
- współpracę
- współpraca
- byliśmy spójni, od początku
- wygodny
- komentarz
- konkurencyjny
- kompletny
- wszechstronny
- Konsola
- kontrola
- kopia
- mógłby
- Stwórz
- stworzony
- klient
- Klientów
- dostosowywanie
- dostosować
- dane
- Przygotowywanie danych
- zbiory danych
- zdecydować
- decyzja
- dostarczyć
- wymagania
- demokratyzacja
- zdemokratyzować
- demonstrowanie
- rozwijać
- wdrażane
- Wdrożenie
- wdraża się
- opisać
- Wnętrze
- zaprojektowany
- detal
- szczegółowe
- detale
- deweloperzy
- rozwijanie
- oprogramowania
- schemat
- różne
- nurkować
- do
- domena
- nie
- pobrany
- ściąganie
- pliki do pobrania
- napęd
- każdy
- bądź
- umożliwiając
- Inżynierowie
- wzmacniać
- wzmocnione
- Środowisko
- środowiska
- oceniać
- ewoluuje
- przykład
- doświadczenie
- Doświadczenia
- ekspert
- eksperci
- eksport
- eksportowanie
- eksport
- rozległy
- szybciej
- koncentruje
- obserwuj
- następujący
- W razie zamówieenia projektu
- od
- pełny
- dalej
- przyszłość
- Generować
- generatywny
- generatywna sztuczna inteligencja
- zarządzanie
- Zarządzanie
- poradnictwo
- poprowadzi
- dzieje
- Have
- mający
- he
- pomaga
- W jaki sposób
- How To
- Jednak
- HTML
- http
- HTTPS
- if
- ilustruje
- importować
- in
- inkubacja
- Informacja
- poinformowany
- Innowacja
- instrukcje
- zintegrowany
- integracja
- zamierzony
- zainteresowany
- Interfejs
- najnowszych
- intuicyjny
- IT
- JEGO
- jpeg
- jpg
- laboratorium
- nauka
- pozwala
- wifecycwe
- Prawdopodobnie
- Ograniczony
- załadunek
- log
- logika
- Popatrz
- Opuszczenie
- maszyna
- uczenie maszynowe
- robić
- Dokonywanie
- zarządzanie
- kierownik
- podręcznik
- Może..
- Menu
- Metryka
- może
- ML
- model
- modele
- monitor
- jeszcze
- Nazwa
- Nawigacja
- Nawigacja
- niezbędny
- Potrzebować
- wymagania
- Nowości
- nie-eksperci
- notatnik
- już dziś
- numer
- of
- często
- on
- ONE
- trwający
- tylko
- koncepcja
- działanie
- Option
- Opcje
- or
- organizacja
- na zewnątrz
- opisane
- własny
- chleb
- Parallel
- strony
- pasja
- namiętny
- ścieżka
- w oczekiwaniu
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- fazy
- Pivot
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- Grać
- Proszę
- Post
- mocny
- Przewidywania
- Urządzenie prognozujące
- Korzystny
- przygotowanie
- przygotowanie
- teraźniejszość
- Główny
- wygląda tak
- procesów
- Produkt
- product manager
- Produkcja
- wydajność
- promować
- zaproponowane
- zapewnia
- że
- jakość
- gotowy
- Odebrane
- odnosić się
- zarejestrować
- zarejestrowany
- rejestracji
- rejestry
- rejestr
- opiera się
- wymagać
- wymagany
- wymagania
- przeglądu
- recenzowanie
- Recenzje
- Rola
- run
- bieganie
- sagemaker
- Wnioskowanie SageMakera
- Naukowcy
- bezszwowy
- płynnie
- widzieć
- Usługi
- Sesja
- ustawienie
- Share
- shared
- Akcje
- dzielenie
- pokazać
- pokazał
- podpisana
- Prosty
- upraszcza
- gładki
- So
- rozwiązanie
- Rozwiązania
- kilka
- Typ przestrzeni
- specjalista
- Rynek
- Ewolucja krok po kroku
- Cel
- przechowywanie
- Strategiczny
- dąży
- studio
- taki
- stosowność
- Wspierający
- pewnie
- zrównoważone
- systemy
- Brać
- zespół
- Zespoły
- Techniczny
- terminal
- że
- Połączenia
- ich
- Im
- następnie
- Tam.
- Te
- one
- myśliciel
- to
- całkowicie
- tych
- trzy
- Przez
- do
- wziął
- narzędzie
- narzędzia
- Śledzenie
- Pociąg
- transformatorowy
- przejście
- Próby
- drugiej
- dwojaki
- typy
- zazwyczaj
- ui
- dla
- Aktualizacja
- posługiwać się
- przypadek użycia
- Użytkownik
- Użytkownicy
- za pomocą
- użyteczność
- UPRAWOMOCNIĆ
- wersja
- pionowy
- przez
- Zobacz i wysłuchaj
- widoczność
- wizualny
- chcieć
- sposoby
- we
- sieć
- usługi internetowe
- Web-based
- jeśli chodzi o komunikację i motywację
- który
- Podczas
- KIM
- w
- w ciągu
- bez
- Praca
- workflow
- przepływów pracy
- pracujący
- działa
- pisanie
- You
- Twój
- zefirnet