Razmestite modele ML, zgrajene v Amazon SageMaker Canvas, na končne točke Amazon SageMaker v realnem času | Spletne storitve Amazon

Amazon SageMaker Canvas zdaj podpira uvajanje modelov strojnega učenja (ML) na končne točke sklepanja v realnem času, kar vam omogoča, da svoje modele ML prenesete v produkcijo in spodbujate ukrepanje na podlagi vpogledov, ki jih poganja ML. SageMaker Canvas je delovni prostor brez kode, ki analitikom in znanstvenikom za podatke državljanov omogoča ustvarjanje natančnih napovedi ML za njihove poslovne potrebe.

Do sedaj je SageMaker Canvas omogočal ovrednotenje modela ML, generiranje množičnih napovedi in izvajanje analiz, kaj-če, znotraj svojega interaktivnega delovnega prostora. Zdaj pa lahko modele uvedete tudi v končne točke Amazon SageMaker za sklepanje v realnem času, kar olajša uporabo napovedi modela in izvajanje dejanj zunaj delovnega prostora SageMaker Canvas. Možnost neposredne uvedbe modelov ML iz SageMaker Canvas odpravlja potrebo po ročnem izvozu, konfiguriranju, testiranju in uvajanju modelov ML v produkcijo, s čimer prihranite manj zapletenosti in prihranite čas. Prav tako naredi operacionalizacijo modelov ML bolj dostopno posameznikom, brez potrebe po pisanju kode.

V tej objavi vas vodimo skozi postopek do razmestite model v SageMaker Canvas do končne točke v realnem času.

Pregled rešitve

Za naš primer uporabe prevzemamo vlogo poslovnega uporabnika v oddelku za trženje operaterja mobilne telefonije in smo uspešno ustvarili model ML v SageMaker Canvas za identifikacijo strank s potencialnim tveganjem odhoda. Zahvaljujoč napovedim, ki jih je ustvaril naš model, želimo zdaj to premakniti iz našega razvojnega okolja v proizvodnjo. Za poenostavitev postopka uvajanja naše končne točke modela za sklepanje neposredno uvajamo modele ML iz SageMaker Canvas, s čimer odpravimo potrebo po ročnem izvozu, konfiguraciji, testiranju in uvajanju modelov ML v produkcijo. To pomaga zmanjšati zapletenost, prihrani čas in naredi operacionalizacijo modelov ML bolj dostopno posameznikom, ne da bi bilo treba pisati kodo.

Koraki poteka dela so naslednji:

1. Naložite nov nabor podatkov s trenutno populacijo strank v SageMaker Canvas. Za celoten seznam podprtih virov podatkov glejte Uvoz podatkov v Canvas.
2. Zgradite modele ML in analizirajte njihove meritve uspešnosti. Za navodila glejte Zgradite model po meri in Ocenite delovanje svojega modela v Amazon SageMaker Canvas.
3. Namestite odobreno različico modela kot končna točka za sklepanje v realnem času.

Te korake lahko izvedete v SageMaker Canvas, ne da bi napisali eno vrstico kode.

Predpogoji

Za ta potek se prepričajte, da so izpolnjeni naslednji predpogoji:

1. Za razmestitev različic modela na končne točke SageMaker mora skrbnik SageMaker Canvas dati potrebna dovoljenja uporabniku SageMaker Canvas, ki jih lahko upravljate v domeni SageMaker, ki gosti vašo aplikacijo SageMaker Canvas. Za več informacij glejte Upravljanje dovoljenj v Canvasu.
   
2. Izvedite predpogoje, navedene v Predvidite odliv strank s strojnim učenjem brez kode z uporabo Amazon SageMaker Canvas.

Zdaj bi morali imeti tri različice modela, ki so usposobljene za zgodovinske podatke o predvidevanju opuščanja v Canvasu:

• V1 usposobljen z vsemi 21 funkcijami in konfiguracijo hitre gradnje z rezultatom modela 96.903 %
• V2, usposobljen z vsemi 19 funkcijami (odstranjene funkcije telefona in stanja) ter hitro konfiguracijo gradnje in izboljšano natančnostjo 97.403 %
• V3, usposobljen s standardno konfiguracijo gradnje z 97.103-odstotnim rezultatom modela

Uporabite model napovedi odliva strank

Omogoči Prikaži napredne meritve na strani s podrobnostmi o modelu in preglejte objektivne meritve, povezane z vsako različico modela, tako da lahko izberete najuspešnejši model za uvedbo v SageMaker kot končno točko.

Na podlagi meritev uspešnosti izberemo različico 2 za uvedbo.

Konfigurirajte nastavitve uvajanja modela – ime uvajanja, vrsto primerka in število primerkov.

Kot izhodišče bo Canvas samodejno priporočil najboljšo vrsto primerka in število primerkov za vašo uvedbo modela. Lahko ga spremenite glede na vaše potrebe po delovni obremenitvi.

Razmeščeno končno točko sklepanja SageMaker lahko preizkusite neposredno znotraj SageMaker Canvas.

Vhodne vrednosti lahko spremenite z uporabniškim vmesnikom SageMaker Canvas, da sklepate o dodatni napovedi odliva.

Zdaj pa pojdimo do Amazon SageMaker Studio in preverite nameščeno končno točko.

Odprite zvezek v SageMaker Studio in zaženite naslednjo kodo, da ugotovite razporejeno končno točko modela. Zamenjajte ime končne točke modela s svojim imenom končne točke modela.

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)

Naša prvotna končna točka modela uporablja primerek ml.m5.xlarge in 1 število primerkov. Zdaj pa predpostavimo, da pričakujete, da se bo število končnih uporabnikov, ki sklepajo na vašo končno točko modela, povečalo in želite zagotoviti več računalniške zmogljivosti. To lahko storite neposredno v programu SageMaker Canvas tako, da izberete Posodobi konfiguracijo.

Čiščenje

Da se izognete prihodnjim stroškom, izbrišite vire, ki ste jih ustvarili med spremljanjem te objave. To vključuje odjavo iz SageMaker Canvas in brisanje nameščene končne točke SageMaker. SageMaker Canvas vam zaračuna trajanje seje in priporočamo, da se odjavite iz SageMaker Canvas, ko ga ne uporabljate. Nanašati se na Odjava iz Amazon SageMaker Canvas Za več podrobnosti.

zaključek

V tej objavi smo razpravljali o tem, kako lahko SageMaker Canvas uvede modele ML na končne točke sklepanja v realnem času, kar vam omogoča, da svoje modele ML prenesete v proizvodnjo in spodbudite dejanja na podlagi vpogledov, ki jih poganja ML. V našem primeru smo pokazali, kako lahko analitik hitro zgradi zelo natančen napovedni model ML, ne da bi napisal kodo, ga uvede v SageMaker kot končno točko in preizkusi končno točko modela iz SageMaker Canvas in iz prenosnega računalnika SageMaker Studio.

Če želite začeti svoje potovanje ML z nizko kodo/brez kode, glejte Amazon SageMaker Canvas.

Posebna zahvala vsem, ki so prispevali k predstavitvi: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani in Alicia Qi.

O avtorjih

Janisha Anand je višji produktni vodja v skupini Amazon SageMaker Low/No Code ML, ki vključuje SageMaker Canvas in SageMaker Autopilot. Uživa v kavi, ostane aktivna in preživlja čas s svojo družino.

Indy Sawhney je višji vodja rešitev za stranke pri Amazon Web Services. Indy, ki se vedno ukvarja s težavami strank, svetuje vodstvenim delavcem podjetij AWS na njihovi edinstveni poti preobrazbe v oblaku. Ima več kot 25 let izkušenj s pomočjo podjetniškim organizacijam pri sprejemanju nastajajočih tehnologij in poslovnih rešitev. Indy je specialist za področje globine v AWS-jevi skupnosti za tehnično področje za AI/ML, s specializacijo za generativno umetno inteligenco in rešitve Amazon SageMaker z nizko kodo/brez kode.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/