Implante modelos de ML criados no Amazon SageMaker Canvas em endpoints em tempo real do Amazon SageMaker | Amazon Web Services

Tela do Amazon SageMaker agora oferece suporte à implantação de modelos de aprendizado de máquina (ML) em endpoints de inferência em tempo real, permitindo que você leve seus modelos de ML para produção e impulsione ações com base em insights baseados em ML. SageMaker Canvas é um espaço de trabalho sem código que permite que analistas e cientistas de dados cidadãos gerem previsões de ML precisas para suas necessidades de negócios.

Até agora, o SageMaker Canvas fornecia a capacidade de avaliar um modelo de ML, gerar previsões em massa e executar análises hipotéticas em seu espaço de trabalho interativo. Mas agora você também pode implantar os modelos em endpoints do Amazon SageMaker para inferência em tempo real, facilitando o consumo de previsões de modelos e a condução de ações fora do espaço de trabalho do SageMaker Canvas. Ter a capacidade de implantar modelos de ML diretamente do SageMaker Canvas elimina a necessidade de exportar, configurar, testar e implantar modelos de ML manualmente na produção, economizando, assim, redução da complexidade e tempo. Também torna a operacionalização de modelos de ML mais acessível aos indivíduos, sem a necessidade de escrever código.

Nesta postagem, orientamos você no processo para implantar um modelo no SageMaker Canvas para um endpoint em tempo real.

Visão geral da solução

Para nosso caso de uso, estamos assumindo o papel de um usuário empresarial no departamento de marketing de uma operadora de telefonia móvel e criamos com sucesso um modelo de ML no SageMaker Canvas para identificar clientes com risco potencial de rotatividade. Graças às previsões geradas pelo nosso modelo, queremos agora passar isto do nosso ambiente de desenvolvimento para a produção. Para agilizar o processo de implantação de nosso endpoint de modelo para inferência, implantamos modelos de ML diretamente do SageMaker Canvas, eliminando assim a necessidade de exportar, configurar, testar e implantar modelos de ML manualmente na produção. Isso ajuda a reduzir a complexidade, economiza tempo e também torna a operacionalização de modelos de ML mais acessível aos indivíduos, sem a necessidade de escrever código.

As etapas do fluxo de trabalho são as seguintes:

1. Carregue um novo conjunto de dados com a população atual de clientes no SageMaker Canvas. Para obter a lista completa de fontes de dados suportadas, consulte Importar dados para o Canvas.
2. Crie modelos de ML e analise suas métricas de desempenho. Para obter instruções, consulte Crie um modelo personalizado e Avalie o desempenho do seu modelo no Amazon SageMaker Canvas.
3. Implante a versão do modelo aprovado como um ponto final para inferência em tempo real.

Você pode executar essas etapas no SageMaker 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:

1. Para implantar versões de modelo em endpoints do SageMaker, o administrador do SageMaker Canvas deve conceder as permissões necessárias ao usuário do SageMaker Canvas, que você pode gerenciar no domínio do SageMaker que hospeda seu aplicativo SageMaker Canvas. Para obter mais informações, consulte Gerenciamento de permissões no Canvas.
   
2. 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 97.103%

Use o modelo de previsão de rotatividade de clientes

permitir Mostrar métricas avançadas na página de detalhes do modelo e revise as métricas objetivas associadas a cada versão do modelo para que você possa selecionar o modelo de melhor desempenho para implantação no SageMaker como um endpoint.

Com base nas métricas de desempenho, selecionamos a versão 2 a ser implantada.

Defina as configurações de implantação do modelo: nome da implantação, tipo de instância e contagem de instâncias.

Como ponto de partida, o Canvas recomendará automaticamente o melhor tipo de instância e o número de instâncias para a implantação do seu modelo. Você pode alterá-lo de acordo com suas necessidades de carga de trabalho.

Você pode testar o endpoint de inferência do SageMaker implantado diretamente no SageMaker Canvas.

Você pode alterar os valores de entrada usando a interface do usuário do SageMaker Canvas para inferir previsões adicionais de rotatividade.

Agora vamos navegar para Estúdio Amazon SageMaker e confira o endpoint implantado.

Abra um notebook no SageMaker Studio e execute o código a seguir para inferir o endpoint do modelo implantado. Substitua o nome do terminal do modelo pelo seu próprio nome do terminal do modelo.

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)

Nosso endpoint do modelo original está usando uma instância ml.m5.xlarge e 1 contagem de instâncias. Agora, vamos supor que você espera que o número de usuários finais que inferem o endpoint do seu modelo aumente e você deseja provisionar mais capacidade computacional. Você pode fazer isso diretamente no SageMaker Canvas escolhendo Atualizar configuração.

limpar

Para evitar cobranças futuras, exclua os recursos que você criou ao seguir esta postagem. Isso inclui sair do SageMaker Canvas e excluindo o endpoint implantado do SageMaker. O SageMaker Canvas cobra pela duração da sessão e recomendamos sair do SageMaker Canvas quando não estiver usando-o. Referir-se Sair do Amazon SageMaker Canvas para mais detalhes.

Conclusão

Nesta postagem, discutimos como o SageMaker Canvas pode implantar modelos de ML em endpoints de inferência em tempo real, permitindo que você leve seus modelos de ML para produção e conduza ações com base em insights baseados em ML. Em nosso exemplo, mostramos como um analista pode construir rapidamente um modelo de ML preditivo altamente preciso sem escrever nenhum código, implantá-lo no SageMaker como um endpoint e testar o endpoint do modelo no SageMaker Canvas, bem como em um notebook SageMaker Studio.

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: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani e Alicia Qi.

Sobre os autores

Janisha Anand é gerente de produto sênior da equipe de ML Low/No Code do Amazon SageMaker, que inclui SageMaker Canvas e SageMaker Autopilot. Ela gosta de tomar café, manter-se ativa e passar tempo com a família.

Indy Sawhney é líder sênior de soluções para clientes da Amazon Web Services. Sempre trabalhando retroativamente a partir dos problemas dos clientes, Indy aconselha executivos de clientes corporativos da AWS em sua jornada exclusiva de transformação na nuvem. Ele tem mais de 25 anos de experiência ajudando organizações empresariais a adotar tecnologias e soluções de negócios emergentes. Indy é especialista em área de profundidade da comunidade de campo técnico da AWS para IA/ML, com especialização em IA generativa e soluções Amazon SageMaker de baixo código/sem código.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/