Amazon SageMaker Studio este un mediu de dezvoltare integrat (IDE) bazat pe web pentru învățarea automată (ML) care vă permite să creați, antrenați, depanați, implementați și monitorizați modelele ML. SageMaker Studio oferă toate instrumentele de care aveți nevoie pentru a vă prelua modelele de la pregătirea datelor la experimentare la producție, sporind în același timp productivitatea.
Amazon SageMaker Canvas este un instrument puternic de ML fără cod, conceput pentru echipele de afaceri și de date, pentru a genera predicții precise fără a scrie cod sau a avea o experiență extinsă ML. Cu interfața sa vizuală intuitivă, SageMaker Canvas simplifică procesul de încărcare, curățare și transformare a seturilor de date și construirea modelelor ML, făcându-l accesibil unui public mai larg.
Cu toate acestea, pe măsură ce nevoile dvs. de ML evoluează sau dacă aveți nevoie de personalizare și control mai avansate, este posibil să doriți să treceți de la un mediu fără cod la o abordare bazată pe cod. Aici intervine integrarea perfectă dintre SageMaker Canvas și SageMaker Studio.
În această postare, vă prezentăm o soluție pentru următoarele tipuri de utilizatori:
- Experți non-ML, cum ar fi analiști de afaceri, ingineri de date sau dezvoltatori, care sunt experți în domeniu și sunt interesați de instrumente low-code no-code (LCNC) pentru a-i ghida în pregătirea datelor pentru ML și construirea modelelor ML. Această persoană este de obicei doar un utilizator SageMaker Canvas și se bazează adesea pe experții ML din organizația lor pentru a-și revizui și aproba munca.
- Experții ML care sunt interesați de modul în care instrumentele LCNC pot accelera părți ale ciclului de viață ML (cum ar fi pregătirea datelor), dar sunt, de asemenea, probabil să adopte o abordare cu cod înalt pentru anumite părți ale ciclului de viață ML (cum ar fi crearea de modele). Această persoană este de obicei un utilizator SageMaker Studio care ar putea fi și un utilizator SageMaker Canvas. Experții ML joacă adesea un rol în revizuirea și aprobarea muncii experților non-ML pentru cazurile de utilizare în producție.
Utilitatea soluțiilor propuse în acest post este dublă. În primul rând, demonstrând cum puteți partaja modele în SageMaker Canvas și SageMaker Studio, experții non-ML și ML pot colabora în mediile lor preferate, care ar putea fi un mediu fără cod (SageMaker Canvas) pentru neexperți și un high-code. mediu (SageMaker Studio) pentru experți. În al doilea rând, demonstrând cum să partajați un model de la SageMaker Canvas la SageMaker Studio, arătăm cum experții ML care doresc să treacă de la o abordare LCNC pentru dezvoltare la o abordare high-code pentru producție pot face acest lucru în mediile SageMaker. Soluția prezentată în această postare este pentru utilizatorii noului SageMaker Studio. Pentru utilizatorii SageMaker Studio Classic, consultați Colaborați cu oamenii de știință de date pentru cum puteți trece fără probleme între SageMaker Canvas și SageMaker Studio Classic.
Prezentare generală a soluțiilor
Pentru a trece fără probleme între ML fără cod și cod mai întâi cu SageMaker Canvas și SageMaker Studio, am subliniat două opțiuni. Puteți alege opțiunea în funcție de cerințele dvs. În unele cazuri, puteți decide să utilizați ambele opțiuni în paralel.
- Opțiunea 1: SageMaker Model Registry – Un utilizator SageMaker Canvas își înregistrează modelul în Registrul de modele Amazon SageMaker, invocând un flux de lucru de guvernare pentru experții ML pentru a revizui detaliile și valorile modelului, apoi să îl aprobe sau să îl respingă, după care utilizatorul poate implementa modelul aprobat din SageMaker Canvas. Această opțiune este un proces de partajare automatizat care vă oferă guvernanță încorporată și urmărirea aprobării. Puteți vizualiza valorile modelului; cu toate acestea, există o vizibilitate limitată asupra codului modelului și arhitecturii. Următoarea diagramă ilustrează arhitectura.
- Opțiunea 2: export pentru notebook – În această opțiune, utilizatorul SageMaker Canvas exportă blocnotesul complet din SageMaker Canvas în Serviciul Amazon de stocare simplă (Amazon S3), apoi îl partajează experților ML pentru a-l importa în SageMaker Studio, permițând vizibilitatea completă și personalizarea codului și logicii modelului înainte ca expertul ML să implementeze modelul îmbunătățit. În această opțiune, există o vizibilitate completă a codului și arhitecturii modelului, cu capacitatea expertului ML de a personaliza și îmbunătăți modelul în SageMaker Studio. Cu toate acestea, această opțiune necesită un export manual și un import al modelului de notebook în IDE. Următoarea diagramă ilustrează această arhitectură.
Următoarele faze descriu pașii pentru colaborare:
- Distribuie – Utilizatorul SageMaker Canvas înregistrează modelul din SageMaker Canvas sau descarcă blocnotesul din SageMaker Canvas
- Recenzie – Utilizatorul SageMaker Studio accesează modelul prin registrul modelului pentru a revizui și rula blocnotesul exportat prin JupyterLab pentru a valida modelul
- Aprobare – Utilizatorul SageMaker Studio aprobă modelul din registrul de modele
- Lansa – Utilizatorul SageMaker Studio poate implementa modelul din JupyterLab, sau utilizatorul SageMaker Canvas poate implementa modelul din SageMaker Canvas
Să ne uităm la cele două opțiuni (registru de model și export de notebook) în fiecare pas în detaliu.
Cerințe preliminare
Înainte de a vă scufunda în soluție, asigurați-vă că v-ați înscris și ați creat un cont AWS. Apoi trebuie să creați un utilizator administrativ și un grup. Pentru instrucțiuni privind ambii pași, consultați Configurați cerințele preliminare Amazon SageMaker. Puteți sări peste acest pas dacă aveți deja propria versiune de SageMaker Studio care rulează.
Completați premisele pentru configurarea SageMaker Canvas și creați modelul la alegere pentru cazul dvs. de utilizare.
Distribuie modelul
Utilizatorul SageMaker Canvas partajează modelul cu utilizatorul SageMaker Studio fie înregistrându-l în SageMaker Model Registry, care declanșează un flux de lucru de guvernare, fie prin descărcarea blocnotesului complet din SageMaker Canvas și furnizarea acestuia utilizatorului SageMaker Studio.
Registrul de modele SageMaker
Pentru a implementa folosind SageMaker Model Registry, parcurgeți următorii pași:
- După ce un model este creat în SageMaker Canvas, alegeți meniul de opțiuni (trei puncte verticale) și alegeți Adăugați la Registrul de modele.
- Introduceți un nume pentru grupul de modele.
- Alege Adăuga.
Acum puteți vedea că modelul este înregistrat.
De asemenea, puteți vedea că modelul este în așteptarea aprobării.
Export de notebook SageMaker
Pentru a implementa folosind un notebook SageMaker, parcurgeți următorii pași:
- În meniul de opțiuni, alegeți Vizualizare Notebook.
- Alege Copiați URI-ul S3.
Acum puteți partaja URI-ul S3 cu utilizatorul SageMaker Studio.
Examinați modelul
Utilizatorul SageMaker Studio accesează modelul partajat prin registrul modelului pentru a-i revizui detaliile și valorile sau poate importa blocnotesul exportat în SageMaker Studio și poate utiliza blocnotesurile Jupyter pentru a valida codul, logica și performanța modelului.
Registrul de modele SageMaker
Pentru a utiliza registrul modelului, parcurgeți următorii pași:
- Pe consola SageMaker Studio, alegeți modele în panoul de navigare.
- Alege Modele inregistrate.
- Alege-ți modelul.
Puteți examina detaliile modelului și puteți vedea că starea este în așteptare.
De asemenea, puteți examina diferitele valori pentru a verifica performanța modelului.
Puteți vizualiza valorile modelului; cu toate acestea, există o vizibilitate limitată asupra codului modelului și arhitecturii. Dacă doriți o vizibilitate completă a codului modelului și a arhitecturii cu posibilitatea de a personaliza și îmbunătăți modelul, utilizați opțiunea de export pentru notebook.
Export de notebook SageMaker
Pentru a utiliza opțiunea de export pentru notebook ca utilizator SageMaker Studio, parcurgeți următorii pași.
- Lansați SageMaker Studio și alegeți laborator jupyter în aplicatii.
- Deschideți spațiul JupyterLab. Dacă nu aveți un spațiu JupyterLab, puteți crea unul.
- Deschideți un terminal și rulați următoarea comandă pentru a copia blocnotesul din Amazon S3 în SageMaker Studio (numărul de cont din exemplul următor este schimbat în
awsaccountnumber
): - După ce blocnotesul este descărcat, puteți deschide blocnotesul și rula blocnotesul pentru a evalua în continuare.
Aprobați modelul
După o analiză cuprinzătoare, utilizatorul SageMaker Studio poate lua o decizie în cunoștință de cauză fie de a aproba, fie de a respinge modelul din registrul de modele, pe baza evaluării sale cu privire la calitatea, acuratețea și adecvarea acestuia pentru cazul de utilizare prevăzut.
Pentru utilizatorii care și-au înregistrat modelul prin interfața de utilizare Canvas, urmați pașii de mai jos pentru a aproba modelul. Pentru utilizatorii care au exportat modelul de blocnotes din interfața de utilizare Canvas, puteți înregistra și aproba modelul utilizând registrul de modele SageMaker, totuși, acești pași nu sunt necesari.
Registrul de modele SageMaker
În calitate de utilizator SageMaker Studio, atunci când vă simțiți confortabil cu modelul, puteți actualiza starea la aprobat. Aprobarea are loc numai în SageMaker Model Registry. Parcurgeți următorii pași:
- În SageMaker Studio, navigați la versiunea modelului.
- În meniul de opțiuni, alegeți Starea de actualizare și Aprobat.
- Introduceți un comentariu opțional și alegeți Salvați și actualizați.
Acum puteți vedea că modelul este aprobat.
Implementați modelul
Odată ce modelul este gata de implementare (a primit recenzii și aprobări necesare), utilizatorii au două opțiuni. Pentru utilizatorii care au adoptat abordarea modelului de registru, aceștia pot implementa fie din SageMaker Studio, fie din SageMaker Canvas. Pentru utilizatorii care au adoptat abordarea exportului de notebook-uri model, aceștia pot implementa din SageMaker Studio. Ambele opțiuni de implementare sunt detaliate mai jos.
Implementați prin SageMaker Studio
Utilizatorul SageMaker Studio poate implementa modelul din spațiul JupyterLab.
După ce modelul este implementat, puteți naviga la consola SageMaker, alegeți Puncte finale în deducție în panoul de navigare și vizualizați modelul.
Implementați prin SageMaker Canvas
Alternativ, dacă implementarea este gestionată de utilizatorul SageMaker Canvas, puteți implementa modelul din SageMaker Canvas.
După ce modelul este implementat, puteți naviga la Puncte finale pagina de pe consola SageMaker pentru a vizualiza modelul.
A curăța
Pentru a evita costurile viitoare de sesiune, deconectați-vă de la SageMaker Canvas.
Pentru a evita taxele continue, ștergeți punctele finale de inferență SageMaker. Puteți șterge punctele finale prin consola SageMaker sau din blocnotesul SageMaker Studio folosind următoarele comenzi:
Concluzie
Anterior, puteai partaja doar modele către SageMaker Canvas (sau să vezi modele SageMaker Canvas partajate) în SageMaker Studio Classic. În această postare, am arătat cum să partajați modelele construite în SageMaker Canvas cu SageMaker Studio, astfel încât diferite echipe să poată colabora și să puteți trece de la o cale de implementare fără cod la o cale de implementare cu cod înalt. Folosind SageMaker Model Registry sau exportând notebook-uri, experții și non-experții ML pot colabora, revizui și îmbunătăți modelele pe aceste platforme, permițând un flux de lucru fluid de la pregătirea datelor până la implementarea producției.
Pentru mai multe informații despre colaborarea pe modele folosind SageMaker Canvas, consultați Construiți, partajați, implementați: cum analiștii de afaceri și oamenii de știință de date obțin un time-to-market mai rapid folosind ML fără cod și Amazon SageMaker Canvas.
Despre Autori
Rajakumar Sampathkumar este manager principal de cont tehnic la AWS, oferind îndrumări clienților cu privire la alinierea tehnologiei de afaceri și sprijinind reinventarea modelelor și proceselor lor de operare în cloud. Este pasionat de cloud și machine learning. Raj este, de asemenea, un specialist în învățarea automată și lucrează cu clienții AWS pentru a proiecta, implementa și gestiona sarcinile de lucru și arhitecturile lor AWS.
Meenakshisundaram Thandavarayan lucrează pentru AWS ca specialist AI/ML. Are o pasiune de a proiecta, crea și promova experiențe de analiză și date centrate pe om. Meena se concentrează pe dezvoltarea de sisteme durabile care oferă avantaje măsurabile și competitive pentru clienții strategici ai AWS. Meena este un conector și gânditor de design și se străduiește să conducă afacerile către noi moduri de lucru prin inovare, incubare și democratizare.
Claire O'Brien Rajkumar este un manager de produs senior al echipei Amazon SageMaker, axat pe SageMaker Canvas, spațiul de lucru SageMaker low-code fără cod pentru ML și AI generativă. SageMaker Canvas ajută la democratizarea ML și a IA generativă prin scăderea barierelor în calea adopției pentru cei care încep ML și accelerând fluxurile de lucru pentru practicienii avansați.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: 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/
- :are
- :este
- :nu
- :Unde
- $UP
- 1
- 100
- 204
- 378
- 7
- 9
- a
- capacitate
- Despre Noi
- accelera
- accelerarea
- accesibil
- Cont
- precizie
- precis
- Obține
- peste
- adăuga
- administrativ
- Adoptare
- avansat
- Avantajele
- După
- AI
- aliniere
- TOATE
- deja
- de asemenea
- Amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analiști
- Google Analytics
- și
- abordare
- aprobare
- aprobări
- aproba
- aprobat
- arhitectură
- arhitecturi
- SUNT
- AS
- evaluare
- At
- audiență
- Automata
- evita
- AWS
- bariere
- bazat
- BE
- înainte
- de mai jos
- între
- stimularea
- atât
- mai larg
- construi
- Clădire
- construit
- construit-in
- afaceri
- dar
- by
- CAN
- candidat
- pânză
- caz
- cazuri
- sigur
- si-a schimbat hainele;
- taxe
- verifica
- alegere
- Alege
- clasic
- Cloud
- cod
- colabora
- colaborarea
- colaborare
- vine
- confortabil
- comentariu
- competitiv
- Completă
- cuprinzător
- Consoleze
- Control
- copiaţi
- ar putea
- crea
- a creat
- client
- clienţii care
- personalizare
- personaliza
- de date
- Pregătirea datelor
- seturi de date
- decide
- decizie
- livra
- cererile
- democratizare
- democratiza
- demonstrând
- implementa
- dislocate
- desfășurarea
- implementează
- descrie
- Amenajări
- proiectat
- detaliu
- detaliat
- detalii
- Dezvoltatorii
- în curs de dezvoltare
- Dezvoltare
- diagramă
- diferit
- scufunda
- do
- domeniu
- Dont
- descărcat
- descărcarea
- download-uri
- conduce
- fiecare
- oricare
- permițând
- inginerii
- spori
- sporită
- Mediu inconjurator
- medii
- evalua
- evolua
- exemplu
- experienţă
- Experiențe
- expert
- experți
- exporturile
- exportator
- exporturile
- extensiv
- mai repede
- concentrat
- urma
- următor
- Pentru
- din
- Complet
- mai mult
- viitor
- genera
- generativ
- AI generativă
- guvernare
- grup
- îndrumare
- ghida
- se întâmplă
- Avea
- având în
- he
- ajută
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- if
- ilustrează
- import
- in
- INCUBATIE
- informații
- informat
- Inovaţie
- instrucțiuni
- integrate
- integrare
- destinate
- interesat
- interfaţă
- în
- intuitiv
- IT
- ESTE
- jpeg
- jpg
- de laborator
- învăţare
- Permite
- ciclu de viață
- Probabil
- Limitat
- încărcare
- log
- logică
- Uite
- coborârea
- maşină
- masina de învățare
- face
- Efectuarea
- administra
- manager
- manual
- Mai..
- Meniu
- Metrici
- ar putea
- ML
- model
- Modele
- monitor
- mai mult
- nume
- Navigaţi
- Navigare
- necesar
- Nevoie
- nevoilor
- Nou
- neexperti
- caiet
- acum
- număr
- of
- de multe ori
- on
- ONE
- în curs de desfășurare
- afară
- deschide
- operaţie
- Opțiune
- Opţiuni
- or
- organizație
- afară
- a subliniat
- propriu
- pâine
- Paralel
- piese
- pasiune
- pasionat
- cale
- în așteptarea
- performanță
- faze
- Pivot
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- Joaca
- "vă rog"
- Post
- puternic
- Predictii
- Predictor
- preferat
- pregătire
- pregătirea
- prezenta
- Principal
- proces
- procese
- Produs
- manager de produs
- producere
- productivitate
- promova
- propus
- furnizează
- furnizarea
- calitate
- gata
- primit
- trimite
- Inregistreaza-te
- înregistrată
- înregistrare
- registre
- registru
- se bazează
- necesita
- necesar
- Cerinţe
- revizuiască
- revizuirea
- Recenzii
- Rol
- Alerga
- funcţionare
- sagemaker
- SageMaker Inference
- oamenii de stiinta
- fără sudură
- perfect
- vedea
- Servicii
- sesiune
- instalare
- Distribuie
- comun
- Acțiuni
- partajarea
- Arăta
- a arătat
- semnat
- simplu
- Simplifică
- netezi
- So
- soluţie
- soluţii
- unele
- Spaţiu
- specialist
- Stare
- Pas
- paşi
- depozitare
- Strategic
- se străduiește
- studio
- astfel de
- potrivire
- De sprijin
- sigur
- durabilă
- sisteme
- Lua
- echipă
- echipe
- Tehnic
- Terminal
- acea
- lor
- Lor
- apoi
- Acolo.
- Acestea
- ei
- gânditor
- acest
- complet
- aceste
- trei
- Prin
- la
- a luat
- instrument
- Unelte
- Urmărire
- Tren
- transformare
- tranziţie
- studii
- Două
- dublu
- Tipuri
- tipic
- ui
- în
- Actualizează
- utilizare
- carcasa de utilizare
- Utilizator
- utilizatorii
- folosind
- utilitate
- VALIDA
- versiune
- vertical
- de
- Vizualizare
- vizibilitate
- vizual
- vrea
- modalități de
- we
- web
- servicii web
- bazat pe web
- cand
- care
- în timp ce
- OMS
- cu
- în
- fără
- Apartamente
- flux de lucru
- fluxuri de lucru
- de lucru
- fabrică
- scris
- Tu
- Ta
- zephyrnet