Strojno učenje (ML) pomaga organizacijam ustvariti prihodke, zmanjšati stroške, zmanjšati tveganje, povečati učinkovitost in izboljšati kakovost z optimizacijo osnovnih poslovnih funkcij v več poslovnih enotah, kot so trženje, proizvodnja, operacije, prodaja, finance in storitve za stranke. Z AWS ML lahko organizacije pospešijo ustvarjanje vrednosti od mesecev do dni. Amazon SageMaker Canvas je vizualna storitev »pokaži in klikni«, ki poslovnim analitikom omogoča ustvarjanje natančnih napovedi ML, ne da bi napisali eno vrstico kode ali potrebovali strokovno znanje o ML. Modele lahko uporabite za interaktivno napovedovanje in za skupinsko točkovanje množičnih podatkovnih nizov.
V tem prispevku prikazujemo arhitekturne vzorce, kako lahko poslovne ekipe uporabljajo modele ML, izdelane kjer koli, z ustvarjanjem napovedi v Canvasu in dosegajo učinkovite poslovne rezultate.
Ta integracija razvoja modelov in skupne rabe ustvarja tesnejše sodelovanje med poslovnimi in podatkovnimi ekipami ter skrajšuje čas do vrednosti. Poslovne ekipe lahko za rešitev poslovnega problema uporabijo obstoječe modele, ki so jih izdelali njihovi podatkovni znanstveniki ali drugi oddelki, namesto da ponovno gradijo nove modele v zunanjih okoljih.
Končno lahko poslovni analitiki uvozijo modele v skupni rabi v Canvas in ustvarijo napovedi pred uvedbo v produkcijo z le nekaj kliki.
Pregled rešitev
Naslednja slika opisuje tri različne arhitekturne vzorce, ki prikazujejo, kako lahko podatkovni znanstveniki delijo modele s poslovnimi analitiki, ki lahko nato neposredno ustvarijo napovedi iz teh modelov v vizualnem vmesniku Canvas:
Predpogoji
Če želite usposobiti in zgraditi svoj model s SageMakerjem ter prenesti svoj model v Canvas, izpolnite naslednje predpogoje:
- Če še nimate domene SageMaker in uporabnika Studio, nastavite in vključite uporabnika Studia v domeno SageMaker.
- Omogočite in nastavite Canvas osnovna dovoljenja za vaše uporabnike in uporabnikom dodelite dovoljenja za sodelovanje s Studiem.
- Imeti morate usposobljen model iz Autopilota, JumpStarta ali registra modelov. Za vsak model, ki ste ga zgradili zunaj SageMakerja, morate svoj model registrirati v registru modelov, preden ga uvozite v Canvas.
Zdaj pa prevzamemo vlogo podatkovnega znanstvenika, ki želi usposobiti, zgraditi, razmestiti in deliti modele ML s poslovnim analitikom za vsakega od teh treh arhitekturnih vzorcev.
Uporabite avtopilot in platno
Avtopilot avtomatizira ključne naloge samodejnega postopka ML (AutoML), kot je raziskovanje podatkov, izbira ustreznega algoritma za vrsto težave ter njegovo nato usposabljanje in nastavitev. Vse to je mogoče doseči, medtem ko vam omogoča ohranjanje popolnega nadzora in preglednosti nabora podatkov. Avtopilot samodejno raziskuje različne rešitve, da najde najboljši model, uporabniki pa lahko bodisi ponovijo model ML bodisi neposredno uvedejo model v proizvodnjo z enim klikom.
V tem primeru uporabljamo sintetiko odliva strank nabor podatkov iz domene telekomunikacij in so zadolženi za prepoznavanje strank, ki so potencialno v nevarnosti odpovedi. Izvedite naslednje korake, če želite uporabiti Autopilot AutoML za izdelavo, usposabljanje, uvajanje in skupno rabo modela ML s poslovnim analitikom:
- Prenos nabor podatkov, ga naložite v Amazon S3 (Preprosta storitev shranjevanja Amazon) vedro in si zabeležite URI S3.
- Na konzoli Studio izberite AutoML v podoknu za krmarjenje.
- Izberite Ustvarite preizkus AutoML.
- Določite ime poskusa (za to objavo,
Telecom-Customer-Churn-AutoPilot
), vnos podatkov S3 in lokacija izhoda. - Nastavite ciljni stolpec kot odliv.
- V nastavitvah uvajanja lahko omogočite možnost samodejne uvedbe, da ustvarite končno točko, ki razmesti vaš najboljši model in izvaja sklepanje na končni točki.
Za več informacij glejte Ustvarite poskus avtopilota Amazon SageMaker.
- Izberite svoj poskus, nato izberite najboljši model in izberite Delite model.
- Dodajte uporabnika Canvas in izberite Delite s prijatelji, znanci, družino in partnerji :-) deliti model.
(Opombe: Modela ne morete deliti z istim uporabnikom Canvas, kot se uporablja za prijavo v Studio. Uporabnik Studio-A na primer ne more deliti modela z uporabnikom Canvas-A. Toda uporabnik-A lahko deli model z uporabnikom-B, zato izberite različne uporabe za skupno rabo modela)
Za več informacij glejte Uporabniki Studia: Delite model s SageMaker Canvas.
Uporabite JumpStart in Canvas
JumpStart je središče ML, ki ponuja vnaprej usposobljene odprtokodne modele za širok spekter primerov uporabe ML, kot so odkrivanje goljufij, napovedovanje kreditnega tveganja in odkrivanje napak izdelkov. Razmestite lahko več kot 300 vnaprej usposobljenih modelov za tabelarne, vizualne, besedilne in zvočne podatke.
Za to objavo uporabljamo regresijski model LightGBM, ki je bil vnaprej usposobljen za JumpStart. Model urimo na naboru podatkov po meri in ga delimo z uporabnikom Canvasa (poslovni analitik). Vnaprej usposobljen model je mogoče razmestiti na končno točko za sklepanje. JumpStart ponuja primer zvezka za dostop do modela po njegovi uvedbi.
V tem primeru uporabljamo nabor podatkov o ustih. Nabor podatkov vsebuje primere osmih fizičnih meritev, kot so dolžina, premer in višina, za napovedovanje starosti abalona (regresijski problem).
- Prenos nabor podatkov o ustih od Kaggle.
- Ustvarite vedro S3 in naložite vlak, validacijo in nabore podatkov glave po meri.
- Na konzoli Studio pod SageMaker JumpStart v podoknu za krmarjenje izberite Modeli, zvezki, rešitve.
- Pod Tabelarni modeli, izberite Regresija LightGBM.
- Pod Model vlaka, podajte URI-je S3 za nabore podatkov o usposabljanju, preverjanju veljavnosti in glavah stolpcev.
- Izberite Vlak.
- V podoknu za krmarjenje izberite Lansirana sredstva JumpStart.
- o Usposabljanja zavihek izberite svojo nalogo usposabljanja.
- o Delite s prijatelji, znanci, družino in partnerji :-) izberite meni Skupna raba na Canvas.
- Izberite uporabnike Canvas za skupno rabo, določite podrobnosti modela in izberite Delite s prijatelji, znanci, družino in partnerji :-).
Za več informacij glejte Uporabniki Studia: Delite model s SageMaker Canvas.
Uporabite register modelov SageMaker in Canvas
Z registrom modelov SageMaker lahko katalogizirate modele za proizvodnjo, upravljate različice modela, povezujete metapodatke, upravljate status odobritve modela, uvajate modele v produkcijo in avtomatizirate uvajanje modela s CI/CD.
Prevzemimo vlogo podatkovnega znanstvenika. V tem primeru gradite projekt ML od konca do konca, ki vključuje pripravo podatkov, usposabljanje modela, gostovanje modela, register modela in skupno rabo modela s poslovnim analitikom. Po želji lahko za pripravo podatkov in korake predobdelave ali naknadne obdelave uporabite Amazon SageMaker Data Wrangler in Posel obdelave Amazon SageMaker. V tem primeru uporabljamo nabor podatkov o morskem uhu, prenesen iz LIBSVM. Ciljna spremenljivka je starost abalona.
- V Studiu klonirajte GitHub repo.
- Dokončajte korake, navedene v datoteki README.
- Na konzoli Studio pod Modeli v podoknu za krmarjenje izberite Register modelov.
- Izberite model
sklearn-reg-ablone
. - Delite model različice 1 iz registra modelov v Canvas.
- Izberite uporabnike Canvas za skupno rabo, določite podrobnosti modela in izberite Delite s prijatelji, znanci, družino in partnerji :-).
Za navodila glejte Vzorec registra oddelek v Uporabniki Studia: Delite model s SageMaker Canvas.
Upravljajte skupne modele
Ko delite model s katero koli od prejšnjih metod, lahko greste na Modeli v Studiu in preglejte vse modele v skupni rabi. Na naslednjem posnetku zaslona vidimo 3 različne modele, ki jih deli uporabnik Studia (podatkovni znanstvenik) z različnimi uporabniki Canvas (poslovne ekipe).
Uvozite skupni model in naredite napovedi s Canvasom
Prevzemimo vlogo poslovnega analitika in se prijavimo v Canvas s svojim uporabnikom Canvas.
Ko podatkovni znanstvenik ali uporabnik Studia deli model z uporabnikom Canvas, prejmete obvestilo znotraj aplikacije Canvas, da je uporabnik Studia delil model z vami. V aplikaciji Canvas je obvestilo podobno naslednjemu posnetku zaslona.
Lahko izberete Ogled posodobitve če si želite ogledati model v skupni rabi, lahko pa obiščete Modeli strani v aplikaciji Canvas, da odkrijete vse modele, ki so bili v skupni rabi z vami. Uvoz modela iz Studia lahko traja do 20 minut.
Po uvozu modela si lahko ogledate njegove metrike in ustvarite napovedi v realnem času z analizo kaj če ali paketnimi napovedmi.
Premisleki
Pri skupni rabi modelov s platnom upoštevajte naslednje:
- Nabore podatkov o usposabljanju in preverjanju shranite v Amazon S3, URI-ji S3 pa se posredujejo Canvasu z AWS upravljanje identitete in dostopa (IAM) dovoljenja.
- Zagotovite ciljni stolpec za Canvas ali uporabite prvi stolpec kot privzeti.
- Za vsebnik Canvas za razčlenitev podatkov sklepanja končna točka Canvas sprejme besedilo (CSV) ali aplikacijo (JSON).
- Canvas ne podpira več vsebnikov ali cevovodov sklepanja.
- Podatkovna shema je zagotovljena Canvasu, če v naborih podatkov za usposabljanje in preverjanje ni na voljo nobenih glav. Platforma JumpStart privzeto ne zagotavlja glav v naborih podatkov za usposabljanje in validacijo.
- Pri Jumpstartu mora biti usposabljanje dokončano, preden ga lahko delite s Canvasom.
Nanašati se na Omejitve in odpravljanje težav za pomoč pri odpravljanju težav, na katere naletite pri skupni rabi modelov.
Čiščenje
Da se izognete prihodnjim stroškom, izbrišite ali zaprite vire, ki ste jih ustvarili med spremljanjem te objave. Nanašati se na Odjava iz Amazon SageMaker Canvas za več podrobnosti. Zaustavite posamezne vire, vključno z zvezki, terminalom, jedri, aplikacijami in primerki. Za več informacij glejte Zapri vire. Izbrišite modelna različica, Končna točka in viri SageMaker, Viri poskusov avtopilotain Vedro S3.
zaključek
Studio omogoča podatkovnim znanstvenikom, da delijo modele ML s poslovnimi analitiki v nekaj preprostih korakih. Poslovnim analitikom lahko koristijo modeli ML, ki so jih že izdelali podatkovni znanstveniki za reševanje poslovnih problemov, namesto da ustvarijo nov model v Canvasu. Vendar pa bo zaradi tehničnih zahtev in ročnih postopkov za uvoz modelov te modele morda težko uporabljati zunaj okolij, v katerih so izdelani. To uporabnike pogosto prisili, da ponovno zgradijo modele ML, kar povzroči podvajanje truda ter dodaten čas in sredstva. Canvas odstrani te omejitve, tako da lahko ustvarite napovedi v Canvasu z modeli, ki ste jih trenirali kjer koli. Z uporabo treh vzorcev, prikazanih v tej objavi, lahko registrirate modele ML v registru modelov SageMaker, ki je shramba metapodatkov za modele ML, in jih uvozite v Canvas. Poslovni analitiki lahko nato analizirajo in ustvarjajo napovedi iz katerega koli modela v Canvasu.
Če želite izvedeti več o uporabi storitev SageMaker, si oglejte naslednje vire:
Če imate vprašanja ali predloge, pustite komentar.
O avtorjih
Aman Šarma je višji arhitekt rešitev pri AWS. Deluje z novoustanovljenimi podjetji, malimi in srednje velikimi podjetji ter podjetniškimi strankami po vsej regiji APJ, ima več kot 19 let izkušenj s svetovanjem, arhitekturo in reševanjem. Navdušen je nad demokratizacijo AI in ML ter pomaga strankam pri oblikovanju njihovih podatkov in strategij ML. Izven službe rad raziskuje naravo in divje živali.
Zichen Nie je višji programski inženir pri AWS SageMaker, ki je lani vodil projekt Bring Your Own Model to SageMaker Canvas. V Amazonu dela že več kot 7 let in ima izkušnje z optimizacijo dobavne verige Amazon in storitvami umetne inteligence AWS. Uživa v Barrejevi vadbi in glasbi po službi.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoAiStream. Podatkovna inteligenca Web3. Razširjeno znanje. Dostopite tukaj.
- Kovanje prihodnosti z Adryenn Ashley. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :ima
- : je
- $GOR
- 1
- 100
- 20
- 7
- a
- O meni
- pospeši
- Sprejema
- dostop
- natančna
- Doseči
- doseže
- čez
- Dodatne
- po
- AI
- Storitve AI
- algoritem
- vsi
- Dovoli
- omogoča
- že
- Amazon
- Amazon SageMaker
- Amazonski SageMaker avtopilot
- Amazon SageMaker Canvas
- an
- Analiza
- Analitik
- Analitiki
- analizirati
- in
- kaj
- kjerkoli
- uporaba
- odobritev
- aplikacije
- architectural
- Arhitektura
- SE
- AS
- Sodelavec
- At
- audio
- avto
- avtomatizirati
- avtomatizira
- Samodejno
- samodejno
- AutoML
- izogniti
- AWS
- baza
- BE
- bilo
- pred
- koristi
- BEST
- med
- tako
- prinašajo
- izgradnjo
- Building
- zgrajena
- poslovni
- poslovne funkcije
- podjetja
- vendar
- by
- CAN
- platno
- primeri
- Katalog
- verige
- Stroški
- preveriti
- Izberite
- klik
- Koda
- sodelovati
- sodelovanje
- Stolpec
- komentar
- dokončanje
- Konzole
- svetovanje
- Posoda
- Vsebuje
- nadzor
- Core
- stroški
- ustvarjajo
- ustvaril
- ustvari
- Ustvarjanje
- Oblikovanje
- kredit
- po meri
- stranka
- Za stranke
- Stranke, ki so
- datum
- Priprava podatkov
- znanost o podatkih
- podatkovni znanstvenik
- nabor podatkov
- Dnevi
- privzeto
- Demokratiziranje
- izkazati
- oddelki
- razporedi
- razporejeni
- uvajanja
- uvajanje
- razpolaga
- oblikovanje
- Podrobnosti
- Odkrivanje
- Razvoj
- drugačen
- težko
- neposredno
- odkriti
- Ne
- domena
- dont
- navzdol
- pogon
- 2
- vsak
- Učinkovito
- učinkovitosti
- prizadevanje
- bodisi
- omogočajo
- konec koncev
- Končna točka
- inženir
- Podjetje
- okolja
- Primer
- Primeri
- obstoječih
- izkušnje
- poskus
- strokovno znanje
- raziskuje
- raziskuje
- Raziskovati
- Nekaj
- Slika
- file
- financiranje
- Najdi
- prva
- po
- za
- sile
- goljufija
- odkrivanje goljufij
- iz
- polno
- funkcije
- Prihodnost
- ustvarjajo
- ustvarjajo
- Go
- Imajo
- he
- Glave
- višina
- pomoč
- pomoč
- Pomaga
- zato
- gostovanje
- Kako
- Vendar
- HTML
- http
- HTTPS
- Hub
- identifikacijo
- identiteta
- if
- uvoz
- uvoz
- izboljšanje
- in
- vključuje
- Vključno
- individualna
- Podatki
- vhod
- Namesto
- Navodila
- integracija
- vmesnik
- v
- Vprašanja
- IT
- ITS
- Job
- jpg
- json
- samo
- Ključne
- Zadnja
- Lansko leto
- vodi
- UČITE
- učenje
- pustite
- dolžina
- kot
- všeč mi je
- omejitve
- vrstica
- Navedeno
- kraj aktivnosti
- prijavi
- prijava
- si
- vzdrževati
- Znamka
- upravljanje
- Navodilo
- proizvodnja
- Trženje
- meritve
- srednje
- metapodatki
- Metode
- Meritve
- morda
- moti
- Minute
- Omiliti
- ML
- Model
- modeli
- mesecev
- več
- več
- Glasba
- morajo
- Ime
- Narava
- ostalo
- potrebe
- Novo
- št
- prenosnik
- Obvestilo
- of
- pogosto
- on
- Na krovu
- ONE
- open source
- operacije
- optimizacija
- optimizacijo
- Možnost
- or
- organizacije
- Ostalo
- ven
- rezultatov
- izhod
- zunaj
- lastne
- Stran
- podokno
- opravil
- strastno
- vzorci
- Dovoljenja
- fizično
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Prispevek
- potencialno
- napovedati
- napoved
- Napovedi
- predpogoji
- problem
- Težave
- Postopek
- Procesi
- obravnavati
- Izdelek
- proizvodnja
- Projekt
- zagotavljajo
- če
- zagotavlja
- kakovost
- vprašanja
- območje
- prejeti
- zmanjša
- okolica
- Registracija
- registra
- pomembno
- Zahteve
- viri
- rezultat
- prihodki
- pregleda
- Tveganje
- vloga
- sagemaker
- prodaja
- Enako
- Znanost
- Znanstvenik
- Znanstveniki
- točkovanje
- Oddelek
- glej
- izbiranje
- višji
- Storitev
- Storitve
- nastavite
- nastavitve
- Delite s prijatelji, znanci, družino in partnerji :-)
- deli
- Delnice
- delitev
- je
- predstavitev
- Zaustavite
- Podoben
- Enostavno
- sam
- majhna
- So
- Software
- Software Engineer
- rešitve
- SOLVE
- start-up podjetij
- Status
- Koraki
- shranjevanje
- trgovina
- strategije
- studio
- taka
- dobavi
- dobavne verige
- Optimizacija dobavne verige
- podpora
- sintetična
- Bodite
- ciljna
- Naloge
- Skupine
- tehnični
- telecom
- terminal
- kot
- da
- O
- njihove
- Njih
- POTEM
- te
- jih
- ta
- tisti,
- 3
- tesnejši
- čas
- do
- Vlak
- usposobljeni
- usposabljanje
- tip
- pod
- enote
- uporaba
- Rabljeni
- uporabnik
- Uporabniki
- uporabo
- potrjevanje
- vrednost
- ustvarjanje vrednosti
- različica
- Poglej
- vidljivost
- Vizija
- we
- kdaj
- ki
- medtem
- WHO
- široka
- Širok spekter
- z
- v
- brez
- delo
- deluje
- deluje
- pisanje
- leto
- let
- Vi
- Vaša rutina za
- zefirnet