Uczenie maszynowe (ML) pomaga organizacjom generować przychody, redukować koszty, ograniczać ryzyko, zwiększać wydajność i poprawiać jakość poprzez optymalizację podstawowych funkcji biznesowych w wielu jednostkach biznesowych, takich jak marketing, produkcja, operacje, sprzedaż, finanse i obsługa klienta. Dzięki AWS ML organizacje mogą przyspieszyć tworzenie wartości z miesięcy do dni. Płótno Amazon SageMaker to wizualna usługa typu „wskaż i kliknij”, która umożliwia analitykom biznesowym generowanie dokładnych prognoz ML bez pisania ani jednej linijki kodu ani konieczności posiadania specjalistycznej wiedzy w zakresie ML. Modeli można używać do interaktywnego prognozowania i oceniania wsadowego na zbiorczych zestawach danych.
W tym poście przedstawiamy wzorce architektoniczne dotyczące tego, jak zespoły biznesowe mogą wykorzystywać modele ML zbudowane w dowolnym miejscu, generując prognozy w Canvas i osiągając efektywne wyniki biznesowe.
Ta integracja opracowywania i udostępniania modeli zapewnia ściślejszą współpracę między zespołami biznesowymi i naukowymi o danych oraz skraca czas uzyskiwania korzyści. Zespoły biznesowe mogą korzystać z istniejących modeli zbudowanych przez analityków danych lub inne działy w celu rozwiązania problemu biznesowego, zamiast odbudowywać nowe modele w środowiskach zewnętrznych.
Wreszcie, analitycy biznesowi mogą importować udostępnione modele do Canvas i generować prognozy przed wdrożeniem do produkcji za pomocą zaledwie kilku kliknięć.
Omówienie rozwiązania
Na poniższym rysunku opisano trzy różne wzorce architektury, aby zademonstrować, w jaki sposób analitycy danych mogą udostępniać modele analitykom biznesowym, którzy następnie mogą bezpośrednio generować prognozy na podstawie tych modeli w interfejsie wizualnym Canvas:
Wymagania wstępne
Aby wytrenować i zbudować swój model za pomocą SageMaker i przenieść go do Canvas, spełnij następujące wymagania wstępne:
- Jeśli nie masz jeszcze domeny SageMaker i użytkownika Studio, skonfigurować i wdrożyć użytkownika Studio do domeny SageMaker.
- Włącz i skonfiguruj płótno podstawowe uprawnienia dla użytkowników i przyznać użytkownikom uprawnienia do współpracy w Studio.
- Musisz mieć przeszkolony model z rozwiązania Autopilot, JumpStart lub rejestru modeli. W przypadku każdego modelu, który zbudowałeś poza SageMaker, musisz zarejestrować swój model w rejestrze modeli przed zaimportowaniem go do Canvas.
Przyjmijmy teraz rolę analityka danych, który chce szkolić, budować, wdrażać i udostępniać modele uczenia maszynowego analitykowi biznesowemu dla każdego z tych trzech wzorców architektonicznych.
Użyj Autopilota i Płótna
Autopilot automatyzuje kluczowe zadania automatycznego procesu ML (AutoML), takie jak eksploracja danych, wybór odpowiedniego algorytmu dla typu problemu, a następnie uczenie go i dostrajanie. Wszystko to można osiągnąć, zachowując jednocześnie pełną kontrolę i widoczność zestawu danych. Autopilot automatycznie eksploruje różne rozwiązania, aby znaleźć najlepszy model, a użytkownicy mogą iterować model ML lub bezpośrednio wdrażać model do produkcji za pomocą jednego kliknięcia.
W tym przykładzie używamy syntetycznej rezygnacji klienta zestaw danych z domeny telekomunikacyjnej i mają za zadanie identyfikować klientów potencjalnie zagrożonych odejściem. Wykonaj następujące kroki, aby używać rozwiązania Autopilot AutoML do budowania, trenowania, wdrażania i udostępniania modelu ML analitykowi biznesowemu:
- Pobierz zestaw danych, prześlij go do Amazon S3 (Usługa Amazon Simple Storage) wiadro i zanotuj identyfikator URI S3.
- W konsoli Studio wybierz AutoML w okienku nawigacji.
- Dodaj Utwórz eksperyment AutoML.
- Podaj nazwę eksperymentu (dla tego posta
Telecom-Customer-Churn-AutoPilot
), wejście danych S3 i lokalizacja wyjścia. - Ustaw kolumnę docelową jako churn.
- W ustawieniach wdrażania możesz włączyć opcję automatycznego wdrażania, aby utworzyć punkt końcowy, który wdraża najlepszy model i uruchamia wnioskowanie na punkcie końcowym.
Aby uzyskać więcej informacji, zobacz Utwórz eksperyment Amazon SageMaker Autopilot.
- Wybierz swój eksperyment, a następnie wybierz najlepszy model i wybierz Udostępnij model.
- Dodaj użytkownika Canvas i wybierz Share udostępnić model.
(Note: Nie możesz udostępnić modelu temu samemu użytkownikowi Canvas, który jest używany do logowania w Studio. Na przykład użytkownik Studio-A nie może udostępniać modelu użytkownikowi Canvas-A. Ale użytkownik-A może współdzielić model z użytkownikiem-B, stąd wybiera różne zastosowania do udostępniania modelu)
Aby uzyskać więcej informacji, zobacz Użytkownicy Studio: udostępnij model w SageMaker Canvas.
Użyj JumpStart i Canvas
JumpStart to centrum ML, które zapewnia wstępnie wytrenowane modele typu open source dla szerokiego zakresu przypadków użycia ML, takich jak wykrywanie oszustw, przewidywanie ryzyka kredytowego i wykrywanie defektów produktów. Możesz wdrożyć ponad 300 wstępnie wytrenowanych modeli dla danych tabelarycznych, wizyjnych, tekstowych i dźwiękowych.
W tym poście używamy wstępnie wytrenowanego modelu regresji LightGBM z JumpStart. Trenujemy model na niestandardowym zbiorze danych i udostępniamy model użytkownikowi Canvas (analitykowi biznesowemu). Wstępnie przeszkolony model można wdrożyć w punkcie końcowym w celu wnioskowania. JumpStart udostępnia przykładowy notes umożliwiający dostęp do modelu po jego wdrożeniu.
W tym przykładzie używamy zbiór danych abalone. Zbiór danych zawiera przykłady ośmiu pomiarów fizycznych, takich jak długość, średnica i wysokość, aby przewidzieć wiek uchowca (problem regresji).
- Pobierz zbiór danych abalone z Kaggle.
- Utwórz zasobnik S3 i prześlij zestawy danych pociągów, walidacji i niestandardowych nagłówków.
- W konsoli Studio, pod SageMaker Szybki start w okienku nawigacji wybierz Modele, notebooki, rozwiązania.
- Pod Modele tabelarycznewybierz Regresja LightGBM.
- Pod Model pociągu, określ identyfikatory URI S3 dla zestawów danych uczących, sprawdzających poprawność i nagłówków kolumn.
- Dodaj Pociąg.
- W okienku nawigacji wybierz Uruchomiono zasoby JumpStart.
- Na Praca szkoleniowa wybierz swoją pracę szkoleniową.
- Na Share menu, wybierz Udostępnij na płótnie.
- Wybierz użytkowników Canvas, którym chcesz udostępnić, określ szczegóły modelu i wybierz Share.
Aby uzyskać więcej informacji, zobacz Użytkownicy Studio: udostępnij model w SageMaker Canvas.
Użyj rejestru modeli SageMaker i płótna
Dzięki rejestrowi modeli SageMaker możesz katalogować modele do produkcji, zarządzać wersjami modeli, kojarzyć metadane, zarządzać statusem zatwierdzenia modelu, wdrażać modele do produkcji i automatyzować wdrażanie modeli za pomocą CI/CD.
Wcielmy się w rolę naukowca danych. W tym przykładzie budujesz kompleksowy projekt ML, który obejmuje przygotowanie danych, szkolenie modeli, hosting modeli, rejestr modeli i udostępnianie modeli analitykowi biznesowemu. Opcjonalnie, do przygotowania danych i etapów wstępnego przetwarzania lub postprocessingu, możesz użyć Pogromca danych Amazon SageMaker oraz Zadanie przetwarzania Amazon SageMaker. W tym przykładzie używamy zestawu danych Abalone pobranego z LIBSVM. Zmienną docelową jest wiek abalone.
- W Studio sklonuj plik GitHub repo.
- Wykonaj kroki wymienione w pliku README.
- W konsoli Studio, pod modele w okienku nawigacji wybierz Rejestr modeli.
- Wybierz model
sklearn-reg-ablone
. - Udostępnij model w wersji 1 z rejestru modeli do Canvas.
- Wybierz użytkowników Canvas, którym chcesz udostępnić, określ szczegóły modelu i wybierz Share.
Aby uzyskać instrukcje, patrz Rejestr modeli sekcja w Użytkownicy Studio: udostępnij model w SageMaker Canvas.
Zarządzaj udostępnionymi modelami
Po udostępnieniu modelu przy użyciu dowolnej z powyższych metod możesz przejść do modele w Studio i przejrzyj wszystkie udostępnione modele. Na poniższym zrzucie ekranu widzimy 3 różne modele udostępnione przez użytkownika Studio (naukowca danych) różnym użytkownikom Canvas (zespołom biznesowym).
Importuj udostępniony model i twórz prognozy za pomocą Canvas
Wcielmy się w rolę analityka biznesowego i zalogujmy się do Canvas swoim użytkownikiem Canvas.
Kiedy analityk danych lub użytkownik Studio udostępnia model użytkownikowi Canvas, otrzymujesz powiadomienie w aplikacji Canvas, że użytkownik Studio udostępnił Ci model. W aplikacji Canvas powiadomienie jest podobne do poniższego zrzutu ekranu.
Możesz wybrać Wyświetl aktualizację aby zobaczyć udostępniony model, lub przejdź do modele w aplikacji Canvas, aby odkryć wszystkie modele, które zostały Ci udostępnione. Import modelu ze Studio może zająć do 20 minut.
Po zaimportowaniu modelu możesz przeglądać jego metryki i generować prognozy w czasie rzeczywistym z analizą „co, jeśli” lub prognozami wsadowymi.
rozważania
Podczas udostępniania modeli w Canvas należy pamiętać o następujących kwestiach:
- Przechowujesz zestawy danych szkoleniowych i walidacyjnych w Amazon S3, a identyfikatory URI S3 są przekazywane do Canvas AWS Zarządzanie tożsamością i dostępem (IAM) uprawnienia.
- Podaj kolumnę docelową do Canvas lub użyj pierwszej kolumny jako domyślnej.
- Aby kontener kanwy mógł analizować dane wnioskowania, punkt końcowy kanwy akceptuje tekst (CSV) lub aplikację (JSON).
- Kanwa nie obsługuje wielu kontenerów ani potoków wnioskowania.
- Schemat danych jest dostarczany do Canvas, jeśli w zestawach danych szkoleniowych i walidacyjnych nie podano nagłówków. Domyślnie platforma JumpStart nie udostępnia nagłówków w zestawach danych szkoleniowych i sprawdzania poprawności.
- Dzięki funkcji Jumpstart zadanie szkoleniowe musi zostać ukończone, zanim będzie można udostępnić je w systemie Canvas.
Odnosić się do Ograniczenia i rozwiązywanie problemów aby pomóc Ci rozwiązać wszelkie problemy, które napotkasz podczas udostępniania modeli.
Sprzątać
Aby uniknąć naliczania przyszłych opłat, usuń lub zamknij zasoby utworzone podczas obserwowania tego posta. Odnosić się do Wylogowanie z Amazon SageMaker Canvas po więcej szczegółów. Zamknij poszczególne zasoby, w tym notebooki, terminale, jądra, aplikacje i instancje. Aby uzyskać więcej informacji, patrz Zamknij zasoby. Usuń plik wersja modelowa, Punkt końcowy i zasoby SageMaker, Zasoby eksperymentu autopilota, Wiadro S3.
Wnioski
Studio umożliwia analitykom danych udostępnianie modeli ML analitykom biznesowym w kilku prostych krokach. Analitycy biznesowi mogą korzystać z modeli ML już zbudowanych przez analityków danych w celu rozwiązywania problemów biznesowych zamiast tworzenia nowego modelu w Canvas. Jednak używanie tych modeli poza środowiskami, w których zostały zbudowane, może być trudne ze względu na wymagania techniczne i ręczne procesy importowania modeli. To często zmusza użytkowników do przebudowania modeli ML, co skutkuje powielaniem wysiłków oraz dodatkowym czasem i zasobami. Kanwa usuwa te ograniczenia, dzięki czemu można generować prognozy w kanwie z modelami, które zostały wytrenowane w dowolnym miejscu. Korzystając z trzech wzorców przedstawionych w tym poście, możesz zarejestrować modele ML w rejestrze modeli SageMaker, który jest magazynem metadanych dla modeli ML, i zaimportować je do Canvas. Analitycy biznesowi mogą następnie analizować i generować prognozy na podstawie dowolnego modelu w systemie Canvas.
Aby dowiedzieć się więcej o korzystaniu z usług SageMaker, sprawdź następujące zasoby:
Jeśli masz pytania lub sugestie, zostaw komentarz.
O autorach
Amana Sharmy jest starszym architektem rozwiązań w AWS. Pracuje ze start-upami, małymi i średnimi firmami oraz klientami korporacyjnymi w całym regionie APJ, ma ponad 19 lat doświadczenia w doradztwie, architekturze i rozwiązaniach. Pasjonuje go demokratyzacja AI i ML oraz pomaganie klientom w projektowaniu ich strategii dotyczących danych i ML. Poza pracą lubi poznawać przyrodę i dziką przyrodę.
Zicheń Nie jest starszym inżynierem oprogramowania w AWS SageMaker kierującym w zeszłym roku projektem Bring Your Own Model to SageMaker Canvas. Pracuje w Amazon od ponad 7 lat i ma doświadczenie zarówno w Amazon Supply Chain Optimization, jak i usługach AWS AI. Lubi treningi Barre i muzykę po pracy.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoAiStream. Analiza danych Web3. Wiedza wzmocniona. Dostęp tutaj.
- Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :ma
- :Jest
- $W GÓRĘ
- 1
- 100
- 20
- 7
- a
- O nas
- przyśpieszyć
- Akceptuje
- dostęp
- dokładny
- Osiągać
- osiągnięty
- w poprzek
- Dodatkowy
- Po
- AI
- Usługi AI
- algorytm
- Wszystkie kategorie
- Pozwalać
- pozwala
- już
- Amazonka
- Amazon Sage Maker
- Autopilot Amazon SageMaker
- Płótno Amazon SageMaker
- an
- analiza
- analityk
- analitycy
- w czasie rzeczywistym sprawiają,
- i
- każdy
- nigdzie
- Zastosowanie
- zatwierdzenie
- mobilne i webowe
- architektoniczny
- architektura
- SĄ
- AS
- Współpracownik
- At
- audio
- samochód
- zautomatyzować
- automaty
- automatycznie
- automatycznie
- AutoML
- uniknąć
- AWS
- baza
- BE
- być
- zanim
- korzyści
- BEST
- pomiędzy
- obie
- przynieść
- budować
- Budowanie
- wybudowany
- biznes
- Funkcje biznesowe
- biznes
- ale
- by
- CAN
- brezentowy
- Etui
- katalog
- łańcuch
- Opłaty
- ZOBACZ
- Dodaj
- kliknij
- kod
- współpracować
- współpraca
- Kolumna
- komentarz
- kompletny
- Konsola
- consulting
- Pojemnik
- zawiera
- kontrola
- rdzeń
- Koszty:
- Stwórz
- stworzony
- tworzy
- Tworzenie
- tworzenie
- kredyt
- zwyczaj
- klient
- Obsługa klienta
- Klientów
- dane
- Przygotowywanie danych
- nauka danych
- naukowiec danych
- zbiory danych
- Dni
- Domyślnie
- Demokratyzować
- wykazać
- Działy
- rozwijać
- wdrażane
- wdrażanie
- Wdrożenie
- wdraża się
- projektowanie
- detale
- Wykrywanie
- oprogramowania
- różne
- trudny
- bezpośrednio
- odkryj
- Nie
- domena
- nie
- na dół
- napęd
- z powodu
- każdy
- Efektywne
- efektywność
- wysiłek
- bądź
- umożliwiać
- koniec końców
- Punkt końcowy
- inżynier
- Enterprise
- środowiska
- przykład
- przykłady
- Przede wszystkim system został opracowany
- doświadczenie
- eksperyment
- ekspertyza
- odkryj
- odkrywa
- Exploring
- kilka
- Postać
- filet
- finansować
- Znajdź
- i terminów, a
- następujący
- W razie zamówieenia projektu
- Siły
- oszustwo
- wykrywanie oszustw
- od
- pełny
- Funkcje
- przyszłość
- Generować
- generujący
- Go
- Have
- he
- headers
- wysokość
- pomoc
- pomoc
- pomaga
- stąd
- Hosting
- W jaki sposób
- Jednak
- HTML
- http
- HTTPS
- Piasta
- identyfikacja
- tożsamość
- if
- importować
- importowanie
- podnieść
- in
- obejmuje
- Włącznie z
- indywidualny
- Informacja
- wkład
- zamiast
- instrukcje
- integracja
- Interfejs
- najnowszych
- problemy
- IT
- JEGO
- Praca
- jpg
- json
- właśnie
- Klawisz
- Nazwisko
- Ostatni rok
- prowadzący
- UCZYĆ SIĘ
- nauka
- Pozostawiać
- Długość
- lubić
- lubi
- Ograniczenia
- Linia
- Katalogowany
- lokalizacja
- log
- Zaloguj Się
- poszukuje
- utrzymać
- robić
- zarządzanie
- podręcznik
- produkcja
- Marketing
- Pomiary
- średni
- Metadane
- metody
- Metryka
- może
- nic
- minut
- Złagodzić
- ML
- model
- modele
- miesięcy
- jeszcze
- wielokrotność
- Muzyka
- musi
- Nazwa
- Natura
- Nawigacja
- wymagania
- Nowości
- Nie
- notatnik
- powiadomienie
- of
- często
- on
- Onboard
- ONE
- open source
- operacje
- optymalizacja
- optymalizacji
- Option
- or
- organizacji
- Inne
- na zewnątrz
- wyniki
- wydajność
- zewnętrzne
- własny
- strona
- chleb
- minęło
- namiętny
- wzory
- uprawnienia
- fizyczny
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- Post
- potencjalnie
- przewidzieć
- przepowiednia
- Przewidywania
- warunki wstępne
- Problem
- problemy
- wygląda tak
- procesów
- przetwarzanie
- Produkt
- Produkcja
- projekt
- zapewniać
- pod warunkiem,
- zapewnia
- jakość
- pytania
- zasięg
- otrzymać
- zmniejszyć
- region
- zarejestrować
- rejestr
- wymagania
- Zasoby
- wynikły
- dochód
- przeglądu
- Ryzyko
- Rola
- sagemaker
- sole
- taki sam
- nauka
- Naukowiec
- Naukowcy
- punktacji
- Sekcja
- widzieć
- wybierając
- senior
- usługa
- Usługi
- zestaw
- w panelu ustawień
- Share
- shared
- Akcje
- dzielenie
- ona
- prezentacja
- zamknąć
- podobny
- Prosty
- pojedynczy
- mały
- So
- Tworzenie
- Software Engineer
- Rozwiązania
- ROZWIĄZANIA
- start-up
- Rynek
- Cel
- przechowywanie
- sklep
- strategie
- studio
- taki
- Dostawa
- łańcuch dostaw
- Optymalizacja łańcucha dostaw
- wsparcie
- syntetyczny
- Brać
- cel
- zadania
- Zespoły
- Techniczny
- Telecom
- terminal
- niż
- że
- Połączenia
- ich
- Im
- następnie
- Te
- one
- to
- tych
- trzy
- mocniej
- czas
- do
- Pociąg
- przeszkolony
- Trening
- rodzaj
- dla
- jednostek
- posługiwać się
- używany
- Użytkownik
- Użytkownicy
- za pomocą
- uprawomocnienie
- wartość
- tworzenie wartości
- wersja
- Zobacz i wysłuchaj
- widoczność
- wizja
- we
- jeśli chodzi o komunikację i motywację
- który
- Podczas
- KIM
- szeroki
- Szeroki zasięg
- w
- w ciągu
- bez
- Praca
- pracujący
- działa
- pisanie
- rok
- lat
- You
- Twój
- zefirnet