Implementați modele ML construite în Amazon SageMaker Canvas în punctele finale în timp real Amazon SageMaker | Amazon Web Services

Amazon SageMaker Canvas acceptă acum implementarea modelelor de învățare automată (ML) la punctele finale de inferență în timp real, permițându-vă să vă duceți modelele ML în producție și să conduceți acțiuni pe baza informațiilor bazate pe ML. SageMaker Canvas este un spațiu de lucru fără cod care le permite analiștilor și oamenilor de știință de date pentru cetățeni să genereze predicții ML precise pentru nevoile lor de afaceri.

Până acum, SageMaker Canvas a oferit capacitatea de a evalua un model ML, de a genera previziuni în bloc și de a rula analize „hy-if” în spațiul său de lucru interactiv. Dar acum puteți implementa modelele și în punctele finale Amazon SageMaker pentru inferențe în timp real, făcându-vă fără efort consumarea predicțiilor modelului și conducerea acțiunilor în afara spațiului de lucru SageMaker Canvas. Abilitatea de a implementa direct modele ML din SageMaker Canvas elimină necesitatea de a exporta manual, configura, testa și implementa modele ML în producție, reducând astfel complexitatea și economisind timp. De asemenea, face operaționalizarea modelelor ML mai accesibilă persoanelor, fără a fi nevoie să scrie cod.

În această postare, vă ghidăm prin procesul către implementați un model în SageMaker Canvas la un punct final în timp real.

Prezentare generală a soluției

Pentru cazul nostru de utilizare, ne asumăm rolul unui utilizator de afaceri în departamentul de marketing al unui operator de telefonie mobilă și am creat cu succes un model ML în SageMaker Canvas pentru a identifica clienții cu risc potențial de abandon. Datorită predicțiilor generate de modelul nostru, acum dorim să trecem acest lucru din mediul nostru de dezvoltare în producție. Pentru a simplifica procesul de implementare a punctului final al modelului nostru pentru inferență, implementăm direct modele ML din SageMaker Canvas, eliminând astfel nevoia de a exporta, configura, testa și implementa manual modelele ML în producție. Acest lucru ajută la reducerea complexității, economisește timp și, de asemenea, face operaționalizarea modelelor ML mai accesibilă persoanelor, fără a fi nevoie să scrie cod.

Pașii fluxului de lucru sunt următorii:

1. Încărcați un nou set de date cu populația actuală de clienți în SageMaker Canvas. Pentru lista completă a surselor de date acceptate, consultați Importați date în Canvas.
2. Creați modele ML și analizați valorile lor de performanță. Pentru instrucțiuni, consultați Construiți un model personalizat și Evaluați performanța modelului dvs. în Amazon SageMaker Canvas.
3. Implementați versiunea de model aprobată ca punct final pentru deducerea în timp real.

Puteți efectua acești pași în SageMaker Canvas fără a scrie o singură linie de cod.

Cerințe preliminare

Pentru această explicație, asigurați-vă că sunt îndeplinite următoarele cerințe preliminare:

1. Pentru a implementa versiuni de model în punctele finale SageMaker, administratorul SageMaker Canvas trebuie să acorde permisiunile necesare utilizatorului SageMaker Canvas, pe care le puteți gestiona în domeniul SageMaker care găzduiește aplicația dvs. SageMaker Canvas. Pentru mai multe informații, consultați Gestionarea permisiunilor în Canvas.
   
2. Implementați condițiile prealabile menționate în Prevedeți ratarea clienților cu învățarea automată fără cod folosind Amazon SageMaker Canvas.

Acum ar trebui să aveți trei versiuni de model instruite pe datele istorice de predicție a abandonului în Canvas:

• V1 antrenat cu toate cele 21 de funcții și configurație rapidă de construcție cu un scor de model de 96.903%
• V2 instruit cu toate cele 19 funcții (telefon eliminat și funcții de stat) și configurație rapidă de construcție și precizie îmbunătățită de 97.403%
• V3 antrenat cu configurație standard de construcție cu un scor de model de 97.103%.

Utilizați modelul de predicție a pierderii clienților

Permite Afișați valori avansate pe pagina cu detaliile modelului și examinați valorile obiective asociate cu fiecare versiune de model, astfel încât să puteți selecta modelul cu cele mai bune performanțe pentru implementarea în SageMaker ca punct final.

Pe baza valorilor de performanță, selectăm versiunea 2 pentru a fi implementată.

Configurați setările de implementare a modelului - numele implementării, tipul instanței și numărul de instanțe.

Ca punct de plecare, Canvas va recomanda automat cel mai bun tip de instanță și numărul de instanțe pentru implementarea modelului dvs. Îl puteți modifica în funcție de nevoile dvs. de lucru.

Puteți testa punctul final de inferență SageMaker implementat direct din SageMaker Canvas.

Puteți modifica valorile de intrare utilizând interfața de utilizator SageMaker Canvas pentru a deduce predicții suplimentare de pierdere.

Acum să navigăm la Amazon SageMaker Studio și verificați punctul final implementat.

Deschideți un blocnotes în SageMaker Studio și rulați următorul cod pentru a deduce punctul final al modelului implementat. Înlocuiți numele punctului final al modelului cu propriul nume de punct final al modelului.

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)

Punctul final al modelului nostru original folosește o instanță ml.m5.xlarge și un număr de instanțe. Acum, să presupunem că vă așteptați ca numărul de utilizatori finali care deduc punctul final al modelului dvs. să crească și doriți să furnizați mai multă capacitate de calcul. Puteți realiza acest lucru direct din SageMaker Canvas, alegând Actualizați configurația.

A curăța

Pentru a evita costurile viitoare, ștergeți resursele pe care le-ați creat în timp ce urmăriți această postare. Aceasta include deconectarea din SageMaker Canvas și ștergerea punctului final SageMaker implementat. SageMaker Canvas vă facturează pentru durata sesiunii și vă recomandăm să vă deconectați de la SageMaker Canvas atunci când nu îl utilizați. A se referi la Deconectarea de la Amazon SageMaker Canvas pentru mai multe detalii.

Concluzie

În această postare, am discutat despre modul în care SageMaker Canvas poate implementa modele ML în punctele finale de inferență în timp real, permițându-vă să vă duceți modelele ML în producție și să conduceți acțiuni bazate pe informații bazate pe ML. În exemplul nostru, am arătat cum un analist poate construi rapid un model ML predictiv foarte precis fără a scrie niciun cod, îl poate implementa pe SageMaker ca punct final și poate testa punctul final al modelului din SageMaker Canvas, precum și dintr-un blocnotes SageMaker Studio.

Pentru a începe călătoria ML low-code/fără cod, consultați Amazon SageMaker Canvas.

Mulțumiri speciale tuturor celor care au contribuit la lansare: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani și Alicia Qi.

Despre Autori

Janisha Anand este Senior Product Manager în echipa Amazon SageMaker Low/No Code ML, care include SageMaker Canvas și SageMaker Autopilot. Îi place cafeaua, să rămână activă și să petreacă timpul cu familia ei.

Indy Sawhney este lider senior în soluții pentru clienți cu Amazon Web Services. Lucrând mereu înapoi de la problemele clienților, Indy îi sfătuiește pe directorii clienților întreprinderilor AWS prin călătoria lor unică de transformare a cloud-ului. Are peste 25 de ani de experiență în a ajuta organizațiile întreprinderilor să adopte tehnologii și soluții de afaceri emergente. Indy este un specialist în domeniu cu comunitatea de domeniu tehnic AWS pentru AI/ML, cu specializare în AI generativă și soluții Amazon SageMaker low-code/fără cod.

• 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/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/