Stwórz własną sztuczną inteligencję za pomocą Amazon SageMaker z Salesforce Data Cloud | Usługi sieciowe Amazona

Współautorem tego postu jest Daryl Martis, dyrektor ds. produktu w Salesforce Einstein AI.

Jesteśmy podekscytowani, że możemy ogłosić Amazon Sage Maker i integrację Salesforce Data Cloud. Dzięki tej możliwości firmy mogą bezpiecznie uzyskiwać dostęp do swoich danych Salesforce bez kopiowania przy użyciu SageMaker i używać narzędzi SageMaker do tworzenia, trenowania i wdrażania modeli AI. Punkty końcowe wnioskowania są połączone z chmurą danych w celu generowania prognoz w czasie rzeczywistym. W rezultacie firmy mogą skrócić czas wprowadzenia produktu na rynek, zachowując jednocześnie integralność i bezpieczeństwo danych, a także zmniejszyć obciążenie operacyjne związane z przenoszeniem danych z jednej lokalizacji do drugiej.

Przedstawiamy Einstein Studio w chmurze danych

Data Cloud to platforma danych, która zapewnia firmom aktualizacje danych klientów w czasie rzeczywistym z dowolnego punktu kontaktu. Dzięki Einstein Studio, bramie do narzędzi AI na platformie danych, administratorzy i badacze danych mogą bez wysiłku tworzyć modele za pomocą kilku kliknięć lub przy użyciu kodu. Rozwiązanie Einstein Studio „przynieś własny model” (BYOM) zapewnia możliwość łączenia niestandardowych lub generatywnych modeli AI z platform zewnętrznych, takich jak SageMaker, z chmurą danych. Modele niestandardowe można trenować przy użyciu danych z Salesforce Data Cloud, do których można uzyskać dostęp za pośrednictwem Pogromca danych Amazon SageMaker złącze. Firmy mogą działać zgodnie ze swoimi przewidywaniami, płynnie integrując niestandardowe modele z przepływami pracy Salesforce, co prowadzi do poprawy wydajności, podejmowania decyzji i spersonalizowanych doświadczeń.

Korzyści z integracji SageMaker i Data Cloud Einstein Studio

Oto, jak użycie SageMaker z Einstein Studio w Salesforce Data Cloud może pomóc firmom:

• Zapewnia możliwość łączenia niestandardowych i generatywnych modeli AI z Einstein Studio dla różnych przypadków użycia, takich jak konwersja potencjalnych klientów, klasyfikacja przypadków i analiza nastrojów.
• Eliminuje żmudne, kosztowne i podatne na błędy zadania ETL (wyodrębnianie, przekształcanie i ładowanie). Podejście do danych polegające na zerowej kopii zmniejsza obciążenie związane z zarządzaniem kopiami danych, zmniejsza koszty przechowywania i poprawia wydajność.
• Zapewnia dostęp do wysoce wyselekcjonowanych, zharmonizowanych danych w czasie rzeczywistym w ramach Customer 360. Prowadzi to do modeli eksperckich, które dostarczają bardziej inteligentnych przewidywań i spostrzeżeń biznesowych.
• Upraszcza wykorzystanie wyników procesów biznesowych i generuje wartość bez opóźnień. Można na przykład użyć zautomatyzowanych przepływów pracy, które można błyskawicznie dostosować w oparciu o nowe dane.
• Ułatwia operacjonalizację modeli i wniosków SageMaker w Salesforce.

Poniżej znajduje się przykład operacjonalizacji modelu SageMaker przy użyciu Przepływ Salesforce.

Integracja z SageMakerem

SageMaker to w pełni zarządzana usługa umożliwiająca przygotowywanie danych oraz budowanie, trenowanie i wdrażanie modeli uczenia maszynowego (ML) dla dowolnego przypadku użycia z w pełni zarządzaną infrastrukturą, narzędziami i przepływami pracy.

Aby usprawnić integrację SageMaker i Salesforce Data Cloud, wprowadzamy dwie nowe możliwości w SageMaker:

• Złącze SageMaker Data Wrangler Salesforce Data Cloud – Dzięki nowo wprowadzonemu łącznikowi SageMaker Data Wrangler Salesforce Data Cloud administratorzy mogą wstępnie skonfigurować połączenia z Salesforce, aby umożliwić analitykom i badaczom danych szybki dostęp do danych Salesforce w czasie rzeczywistym i tworzenie funkcji dla ML. Umożliwi to użytkownikom bezpieczny dostęp do Salesforce Data Cloud przy użyciu protokołu OAuth. Możesz interaktywnie wizualizować, analizować i przekształcać dane, korzystając z możliwości platformy Spark bez pisania żadnego kodu, korzystając z funkcji wizualnego przygotowywania danych o niskim kodzie w Salesforce Data Wrangler. Można także skalować w celu przetwarzania dużych zbiorów danych za pomocą zadań SageMaker Processing i automatycznie trenować tryby uczenia maszynowego Autopilot Amazon SageMakeri zintegrować z potokiem wnioskowania SageMaker, aby wdrożyć ten sam przepływ danych do środowiska produkcyjnego z punktem końcowym wnioskowania w celu przetwarzania danych w czasie rzeczywistym lub wsadowo na potrzeby wnioskowania.

• Szablon projektów SageMaker dla Salesforce – Uruchomiliśmy tzw Projekty SageMakera szablon dla Salesforce, którego można używać do wdrażania punktów końcowych dla tradycyjnych i dużych modeli językowych (LLM) oraz automatycznego udostępniania punktów końcowych SageMaker jako interfejsu API. SageMaker Projects zapewnia prosty sposób konfigurowania i standaryzacji środowiska programistycznego dla analityków danych i inżynierów ML w celu tworzenia i wdrażania modeli ML w SageMaker.

Wycena partnera

„Partnerstwo pomiędzy Salesforce i AWS Sagemaker umożliwi klientom wykorzystanie mocy sztucznej inteligencji (zarówno modeli generatywnych, jak i niegeneratywnych) w źródłach danych, przepływach pracy i aplikacjach Salesforce w celu dostarczania spersonalizowanych doświadczeń oraz generowania nowych treści, podsumowań i zadawania pytań -odpowiedź typu doświadczenia. Łącząc to, co najlepsze z obu światów, tworzymy nowy paradygmat innowacji opartych na danych i sukcesu klientów wspieranego przez sztuczną inteligencję”.

– Kaushal Kurapati, starszy wiceprezes Salesforce ds. produktów, sztucznej inteligencji i wyszukiwania

Omówienie rozwiązania

Rozwiązanie integracyjne BYOM zapewnia klientom natywny łącznik Salesforce Data Cloud w SageMaker Data Wrangler. Złącze SageMaker Data Wrangler umożliwia bezpieczny dostęp do obiektów Salesforce Data Cloud. Po uwierzytelnieniu użytkownicy mogą wykonywać zadania związane z eksploracją danych, przygotowywaniem ich i inżynierią funkcji potrzebne do opracowania modelu i wnioskowania za pośrednictwem interaktywnego interfejsu wizualnego SageMaker Data Wrangler. Analitycy danych mogą pracować wewnątrz Studio Amazon SageMaker notebooki do opracowywania niestandardowych modeli, które mogą być tradycyjne lub LLM, i udostępniania ich do wdrożenia poprzez rejestrację modelu w rejestrze modeli SageMaker. Gdy model zostanie zatwierdzony do produkcji w rejestrze, SageMaker Projects zautomatyzuje wdrożenie interfejsu API wywołań, który można skonfigurować jako obiekt docelowy w Salesforce Einstein Studio i zintegrować z aplikacjami Salesforce Customer 360. Poniższy diagram ilustruje tę architekturę

Wnioski

W tym poście udostępniliśmy integrację SageMaker i Salesforce Einstein Studio BYOM, w której możesz wykorzystywać dane w Salesforce Data Cloud do tworzenia i szkolenia tradycyjnych i LLM w SageMaker. Możesz użyć SageMaker Data Wrangler, aby przygotować dane z Salesforce Data Cloud bez kopii zerowej. Udostępniliśmy także zautomatyzowane rozwiązanie do wdrażania punktów końcowych SageMaker jako interfejsu API przy użyciu szablonu projektów SageMaker dla Salesforce.

AWS i Salesforce są podekscytowani możliwością współpracy, aby zapewnić to doświadczenie naszym wspólnym klientom, aby pomóc im w prowadzeniu procesów biznesowych z wykorzystaniem mocy uczenia maszynowego i sztucznej inteligencji.

Więcej informacji na temat integracji Salesforce BYOM znajdziesz w artykule Przynieś własne modele sztucznej inteligencji dzięki Einstein Studio. Aby zapoznać się ze szczegółową implementacją z wykorzystaniem przykładowego przypadku użycia rekomendacji produktów, zobacz Skorzystaj z integracji Amazon SageMaker i Salesforce Data Cloud, aby wzmocnić swoje aplikacje Salesforce za pomocą AI/ML.

---

O autorach

Daryla Martisa jest dyrektorem ds. produktu w Einstein Studio w Salesforce Data Cloud. Posiada ponad 10-letnie doświadczenie w planowaniu, budowaniu, uruchamianiu i zarządzaniu światowej klasy rozwiązaniami dla klientów korporacyjnych, w tym rozwiązaniami AI/ML i chmurowymi. Wcześniej pracował w branży usług finansowych w Nowym Jorku.

Rachna Czadha jest głównym architektem rozwiązań AI/ML w dziale Strategic Accounts w AWS. Rachna jest optymistą, który wierzy, że etyczne i odpowiedzialne korzystanie z AI może w przyszłości poprawić społeczeństwo i przynieść dobrobyt gospodarczy i społeczny. W wolnym czasie Rachna lubi spędzać czas z rodziną, spacerować i słuchać muzyki.

Ife Stewart jest głównym architektem rozwiązań w segmencie strategicznych niezależnych dostawców oprogramowania w AWS. Przez ostatnie 2 lata współpracowała z Salesforce Data Cloud, aby pomóc w budowaniu zintegrowanych doświadczeń klientów w Salesforce i AWS. Ife ma ponad 10-letnie doświadczenie w technologii. Jest zwolenniczką różnorodności i włączenia w obszarze technologii.

Maninder (Mani) Kaur jest głównym specjalistą AI/ML dla strategicznych niezależnych dostawców oprogramowania w AWS. Dzięki podejściu skupiającemu się na kliencie Mani pomaga klientom strategicznym kształtować ich strategię AI/ML, napędzać innowacje i przyspieszać ich podróż w zakresie AI/ML. Mani mocno wierzy w etyczną i odpowiedzialną sztuczną inteligencję i stara się zapewnić, że rozwiązania AI jej klientów są zgodne z tymi zasadami.

• 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. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
• Źródło: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ai-using-amazon-sagemaker-with-salesforce-data-cloud/