Agora você pode registrar modelos de aprendizado de máquina (ML) integrados Tela do Amazon SageMaker com um único clique para o Registro de modelos do Amazon SageMaker, permitindo que você operacionalize modelos de ML na produção. O Canvas é uma interface visual que permite aos analistas de negócios gerar previsões precisas de ML por conta própria, sem exigir nenhuma experiência em ML ou escrever uma única linha de código. Embora seja um ótimo local para desenvolvimento e experimentação, para obter valor desses modelos, eles precisam ser operacionalizados, ou seja, implantados em um ambiente de produção onde possam ser usados para fazer previsões ou tomar decisões. Agora, com a integração com o registro do modelo, você pode armazenar todos os artefatos do modelo, incluindo metadados e linhas de base de métricas de desempenho, em um repositório central e conectá-los aos processos existentes de CI/CD de implementação de modelo.
O registro de modelo é um repositório que cataloga modelos de ML, gerencia várias versões de modelo, associa metadados (como métricas de treinamento) a um modelo, gerencia o status de aprovação de um modelo e os implanta na produção. Depois de criar uma versão de modelo, você normalmente deseja avaliar seu desempenho antes de implantá-lo em um endpoint de produção. Se atender aos seus requisitos, você poderá atualizar o status de aprovação da versão do modelo para aprovado. Definir o status como aprovado pode iniciar a implantação de CI/CD para o modelo. Se a versão do modelo não atender aos seus requisitos, você poderá atualizar o status de aprovação para rejeitado no registro, o que impede que o modelo seja implantado em um ambiente escalado.
Um registro de modelo desempenha um papel fundamental no processo de implantação do modelo porque empacota todas as informações do modelo e permite a automação da promoção do modelo para ambientes de produção. A seguir estão algumas maneiras pelas quais um registro de modelo pode ajudar na operacionalização de modelos de ML:
- Controle de versão – Um registro de modelo permite rastrear diferentes versões de seus modelos de ML, o que é essencial ao implantar modelos na produção. Ao acompanhar as versões do modelo, você pode reverter facilmente para uma versão anterior se uma nova versão causar problemas.
- Colaboração – Um registro de modelo permite a colaboração entre cientistas de dados, engenheiros e outras partes interessadas, fornecendo um local centralizado para armazenar, compartilhar e acessar modelos. Isso pode ajudar a simplificar o processo de implantação e garantir que todos trabalhem com o mesmo modelo.
- Governance – Um registro de modelo pode ajudar na conformidade e na governança, fornecendo um histórico auditável de alterações e implantações de modelo.
No geral, um registro de modelo pode ajudar a simplificar o processo de implantação de modelos de ML na produção, fornecendo controle de versão, colaboração, monitoramento e governança.
Visão geral da solução
Para nosso caso de uso, estamos assumindo o papel de um usuário comercial no departamento de marketing de uma operadora de telefonia móvel e criamos com sucesso um modelo de ML no Canvas para identificar clientes com risco potencial de rotatividade. Graças às previsões geradas pelo nosso modelo, agora queremos passar isso do nosso ambiente de desenvolvimento para a produção. No entanto, antes que nosso modelo seja implantado em um endpoint de produção, ele precisa ser revisado e aprovado por uma equipe central de MLOps. Essa equipe é responsável por gerenciar as versões do modelo, revisar todos os metadados associados (como métricas de treinamento) a um modelo, gerenciar o status de aprovação de cada modelo de ML, implantar modelos aprovados para produção e automatizar a implantação do modelo com CI/CD. Para agilizar o processo de implantação do nosso modelo em produção, aproveitamos a integração do Canvas com o cadastro de modelos e cadastramos nosso modelo para análise do nosso time de MLOps.
As etapas do fluxo de trabalho são as seguintes:
- Carregue um novo conjunto de dados com a população de clientes atual no Canvas. Para obter a lista completa de fontes de dados compatíveis, consulte Importar dados para o Canvas.
- Crie modelos de ML e analise suas métricas de desempenho. Consulte as instruções para crie um modelo de ML personalizado no Canvas e avaliar o desempenho do modelo.
- Registre as versões com melhor desempenho ao registro do modelo para revisão e aprovação.
- Implante a versão do modelo aprovado a um endpoint de produção para inferência em tempo real.
Você pode executar as Etapas 1–3 no Canvas sem escrever uma única linha de código.
Pré-requisitos
Para este passo a passo, certifique-se de que os seguintes pré-requisitos sejam atendidos:
- Para registrar versões de modelo no registro de modelo, o administrador do Canvas deve conceder as permissões necessárias ao usuário do Canvas, que você pode gerenciar no domínio SageMaker que hospeda seu aplicativo Canvas. Para mais informações, consulte o Guia do desenvolvedor Amazon SageMaker. Ao conceder permissões de usuário do Canvas, você deve escolher se deseja permitir que o usuário registre suas versões de modelo na mesma conta da AWS.
- Implemente os pré-requisitos mencionados em Preveja a perda de clientes com aprendizado de máquina sem código usando o Amazon SageMaker Canvas.
Agora você deve ter três versões de modelo treinadas em dados históricos de previsão de rotatividade no Canvas:
- V1 treinado com todos os 21 recursos e configuração de construção rápida com uma pontuação de modelo de 96.903%
- V2 treinado com todos os 19 recursos (removidos recursos de telefone e estado) e configuração de construção rápida e precisão aprimorada de 97.403%
- V3 treinado com configuração de construção padrão com pontuação de modelo de 97.03%
Use o modelo de previsão de rotatividade de clientes
permitir Mostrar métricas avançadas e revise as métricas objetivas associadas a cada versão do modelo para que possamos selecionar o modelo de melhor desempenho para registro no registro de modelos.
Com base nas métricas de desempenho, selecionamos a versão 2 para ser registrada.
O registro do modelo rastreia todas as versões do modelo que você treina para resolver um problema específico em um grupo de modelos. Quando você treina um modelo do Canvas e o registra no registro do modelo, ele é adicionado a um grupo de modelos como uma nova versão do modelo.
No momento do registro, um grupo de modelos dentro do registro de modelos é criado automaticamente. Opcionalmente, você pode renomeá-lo para um nome de sua escolha ou usar um grupo de modelo existente no registro de modelo.
Para este exemplo, usamos o nome do grupo de modelos gerado automaticamente e escolhemos Adicionar.
Nossa versão do modelo agora deve ser registrada no grupo de modelos no registro do modelo. Se registrássemos outra versão de modelo, ela seria registrada no mesmo grupo de modelos.
O status da versão do modelo deve ter mudado de Não registrado para Membros.
Ao passar o mouse sobre o status, podemos revisar os detalhes do registro do modelo, que incluem o nome do grupo de modelos, o ID da conta de registro do modelo e o status de aprovação. Logo após o registro, o status muda para Pendente de aprovação, o que significa que esse modelo está registrado no registro de modelo, mas está pendente de revisão e aprovação de um cientista de dados ou membro da equipe MLOps e só pode ser implantado em um terminal se aprovado.
Agora vamos navegar para Estúdio Amazon SageMaker e assumir o papel de um membro da equipe MLOps. Sob Modelos no painel de navegação, escolha Registro do modelo para abrir a página inicial do registro do modelo.
Podemos ver o grupo modelop canvas-Churn-Prediction-Model
que o Canvas criou automaticamente para nós.
Escolha o modelo para revisar todas as versões registradas neste grupo de modelos e, em seguida, revise os detalhes do modelo correspondente.
Se você abrir os detalhes da versão 1, podemos ver que o Atividade tab mantém o controle de todos os eventos que acontecem no modelo.
No Qualidade do modelo guia, podemos revisar as métricas do modelo, curvas de precisão/recall e gráficos de matriz de confusão para entender o desempenho do modelo.
No Explicação aba, podemos revisar as características que mais influenciaram o desempenho do modelo.
Depois de revisarmos os artefatos do modelo, podemos alterar o status de aprovação de Pendente para aprovado.
Agora podemos ver a atividade atualizada.
O usuário comercial do Canvas agora poderá ver que o status do modelo registrado mudou de Pendente de aprovação para aprovado.
Como membro da equipe MLOps, como aprovamos esse modelo de ML, vamos implantá-lo em um endpoint.
No Studio, navegue até a página inicial do registro do modelo e escolha o canvas-Churn-Prediction-Model
grupo modelo. Escolha a versão a ser implantada e acesse o Configurações aba.
Navegue para obter os detalhes do ARN do pacote do modelo da versão do modelo selecionado no registro do modelo.
Abra um notebook no Studio e execute o código a seguir para implantar o modelo em um endpoint. Substitua o ARN do pacote de modelo pelo seu próprio ARN de pacote de modelo.
Depois que o endpoint é criado, você pode vê-lo rastreado como um evento no Atividade guia do registro do modelo.
Você pode clicar duas vezes no nome do endpoint para obter seus detalhes.
Agora que temos um endpoint, vamos invocá-lo para obter uma inferência em tempo real. Substitua o nome do endpoint no seguinte trecho de código:
limpar
Para evitar cobranças futuras, exclua os recursos que você criou ao seguir esta postagem. Isso inclui sair do Canvas e excluindo o endpoint implantado do SageMaker. O Canvas cobra pela duração da sessão e recomendamos que você saia do Canvas quando não estiver usando. Referir-se Sair do Amazon SageMaker Canvas para mais detalhes.
Conclusão
Nesta postagem, discutimos como o Canvas pode ajudar a operacionalizar modelos de ML para ambientes de produção sem exigir experiência em ML. Em nosso exemplo, mostramos como um analista pode criar rapidamente um modelo preditivo de ML altamente preciso sem escrever nenhum código e registrá-lo no registro do modelo. A equipe MLOps pode revisá-lo e rejeitar o modelo ou aprová-lo e iniciar o processo de implantação de CI/CD downstream.
Para iniciar sua jornada de ML com baixo código/sem código, consulte Tela do Amazon SageMaker.
Agradecimentos especiais a todos que contribuíram para o lançamento:
Backend:
- Huayuan (Alice) Wu
- Krittaphat Pugdeetosapol
- Yanda Hu
- João Ele
- Esha Dutta
- Prashanth
A parte dianteira:
- Comerciante Kaiz
- Ed Cheung
Sobre os autores
Janisha Anand é Gerente de Produto Sênior na equipe SageMaker Low/No Code ML, que inclui o SageMaker Autopilot. Ela gosta de café, manter-se ativa e passar tempo com sua família.
Krittaphat Pugdeetosapol é um engenheiro de desenvolvimento de software no Amazon SageMaker e trabalha principalmente com produtos de código baixo e sem código do SageMaker.
Huayuan (Alice) Wu é um engenheiro de desenvolvimento de software no Amazon SageMaker. Ela se concentra na criação de ferramentas e produtos de ML para clientes. Fora do trabalho, ela gosta de atividades ao ar livre, ioga e caminhadas.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoAiStream. Inteligência de Dados Web3. Conhecimento Amplificado. Acesse aqui.
- Cunhando o Futuro com Adryenn Ashley. Acesse aqui.
- Compre e venda ações em empresas PRE-IPO com PREIPO®. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :é
- :não
- :onde
- ][p
- 1
- 100
- 15%
- 420
- 7
- 8
- a
- Capaz
- acessando
- Conta
- precisão
- preciso
- ativo
- atividade
- adicionado
- admin
- avançado
- Vantagem
- Depois de
- Todos os Produtos
- permitir
- permite
- Apesar
- Amazon
- Amazon Sage Maker
- Tela do Amazon SageMaker
- entre
- an
- analista
- Analistas
- analisar
- e
- Outro
- qualquer
- Aplicação
- aprovação
- aprovar
- aprovou
- SOMOS
- AS
- associado
- At
- auditável
- automaticamente
- automatizando
- Automação
- evitar
- AWS
- BE
- Porque
- antes
- ser
- MELHOR
- Contas inclusas
- corpo
- construir
- Prédio
- construído
- negócio
- mas a
- by
- CAN
- lona
- casas
- catálogos
- causas
- central
- centralizada
- alterar
- mudado
- Alterações
- acusações
- escolha
- Escolha
- clique
- código
- Café
- colaboração
- compliance
- Configuração
- confusão
- contribuiu
- ao controle
- Correspondente
- crio
- criado
- Atual
- personalizadas
- cliente
- Clientes
- dados,
- cientista de dados
- datetime
- decisões
- Departamento
- implantar
- implantado
- Implantação
- desenvolvimento
- Implantações
- implanta
- detalhes
- Developer
- Desenvolvimento
- diferente
- discutido
- Não faz
- domínio
- duração
- cada
- facilmente
- ou
- permite
- permitindo
- final
- Ponto final
- engenheiro
- Engenheiros
- garantir
- Meio Ambiente
- ambientes
- essencial
- avaliar
- Evento
- eventos
- Cada
- todos
- exemplo
- existente
- vasta experiência
- experiência
- família
- Funcionalidades
- concentra-se
- seguinte
- segue
- Escolha
- da
- cheio
- futuro
- gerar
- gerado
- ter
- OFERTE
- Go
- governo
- concessão
- ótimo
- Grupo
- Acontecimento
- Ter
- ter
- ajudar
- sua experiência
- altamente
- histórico
- história
- Início
- anfitriões
- pairar
- Como funciona o dobrador de carta de canal
- Contudo
- HTML
- HTTPS
- ID
- identificar
- if
- importar
- melhorado
- in
- incluir
- inclui
- Incluindo
- influenciado
- INFORMAÇÕES
- iniciar
- instruções
- integração
- Interface
- para dentro
- questões
- IT
- ESTÁ
- viagem
- jpg
- manutenção
- Chave
- lançamento
- aprendizagem
- Line
- Lista
- localização
- logging
- máquina
- aprendizado de máquina
- principalmente
- fazer
- gerencia
- Gerente
- gestão
- gestão
- Marketing
- Matriz
- significa
- membro
- mencionado
- metadados
- Métrica
- ML
- MLOps
- Móvel Esteira
- telefone móvel
- modelo
- modelos
- monitoração
- mais
- a maioria
- mover
- devo
- nome
- Navegar
- Navegação
- necessário
- você merece...
- Cria
- Novo
- não
- caderno
- agora
- objetivo
- of
- on
- só
- aberto
- operador
- or
- OS
- Outros
- A Nossa
- Fora
- ao ar livre
- lado de fora
- Acima de
- próprio
- pacote
- pacotes
- página
- pandas
- pão
- particular
- pendente
- Realizar
- atuação
- realização
- executa
- permissões
- telefone
- Lugar
- platão
- Inteligência de Dados Platão
- PlatãoData
- desempenha
- plugue
- população
- Publique
- potencial
- predição
- Previsões
- pré-requisitos
- impede
- anterior
- Problema
- processo
- processos
- Produto
- gerente de produto
- Produção
- Produtos
- promoção
- fornecendo
- Links
- rapidamente
- em tempo real
- recomendar
- cadastre-se
- registrado
- Registo
- registro
- Removido
- substituir
- repositório
- Requisitos
- Recursos
- resposta
- responsável
- reverter
- rever
- Comentários
- revendo
- certo
- Risco
- Tipo
- Execute
- sábio
- mesmo
- Cientista
- cientistas
- Ponto
- Vejo
- selecionado
- senior
- Sessão
- contexto
- compartilhando
- ela
- rede de apoio social
- mostrou
- solteiro
- So
- Software
- desenvolvimento de software
- RESOLVER
- alguns
- Fontes
- Passar
- partes interessadas
- padrão
- começo
- Estado
- Status
- Passos
- loja
- armazenar
- simplificar
- estudo
- entraram com sucesso
- tal
- Suportado
- SYS
- Tire
- Profissionais
- obrigado
- que
- A
- deles
- Eles
- então
- Este
- deles
- isto
- três
- tempo
- para
- ferramentas
- pista
- Trem
- treinado
- Training
- tipicamente
- para
- compreender
- Atualizar
- Atualizada
- us
- usar
- caso de uso
- usava
- Utilizador
- utilização
- valor
- vário
- versão
- Passo a passo
- queremos
- maneiras
- we
- foram
- quando
- se
- qual
- enquanto
- QUEM
- precisarão
- de
- dentro
- sem
- Atividades:
- trabalhar
- trabalho
- seria
- escrever
- escrita
- sim
- Ioga
- Vocês
- investimentos
- zefirnet