Ta med din egen AI med Amazon SageMaker med Salesforce Data Cloud | Amazon webbtjänster

Det här inlägget är medförfattare av Daryl Martis, produktchef, Salesforce Einstein AI.

Vi är glada att kunna meddela Amazon SageMaker och Salesforce Data Cloud-integration. Med den här kapaciteten kan företag komma åt sina Salesforce-data på ett säkert sätt med ett nollkopieringssätt med SageMaker och använda SageMaker-verktyg för att bygga, träna och distribuera AI-modeller. Slutpunkterna är kopplade till Data Cloud för att driva förutsägelser i realtid. Som ett resultat kan företag påskynda tiden till marknaden samtidigt som dataintegriteten och säkerheten bibehålls, och minska den operativa bördan av att flytta data från en plats till en annan.

Vi presenterar Einstein Studio på Data Cloud

Data Cloud är en dataplattform som förser företag med realtidsuppdateringar av sina kunddata från vilken kontaktpunkt som helst. Med Einstein Studio, en inkörsport till AI-verktyg på dataplattformen, kan administratörer och datavetare enkelt skapa modeller med några få klick eller med hjälp av kod. Einstein Studios erfarenhet av att ta med din egen modell (BYOM) ger möjligheten att ansluta anpassade eller generativa AI-modeller från externa plattformar som SageMaker till Data Cloud. Anpassade modeller kan tränas med hjälp av data från Salesforce Data Cloud som nås via Amazon SageMaker Data Wrangler kontakt. Företag kan agera på sina förutsägelser genom att sömlöst integrera anpassade modeller i Salesforce-arbetsflöden, vilket leder till förbättrad effektivitet, beslutsfattande och personliga upplevelser.

Fördelar med integreringen av SageMaker och Data Cloud Einstein Studio

Så här kan du hjälpa företag att använda SageMaker med Einstein Studio i Salesforce Data Cloud:

• Det ger möjligheten att koppla anpassade och generativa AI-modeller till Einstein Studio för olika användningsfall, såsom leadkonvertering, fallklassificering och sentimentanalys.
• Det eliminerar tråkiga, kostsamma och felbenägna ETL-jobb (extrahera, transformera och ladda). Nollkopieringsmetoden för data minskar omkostnaderna för att hantera datakopior, minskar lagringskostnaderna och förbättrar effektiviteten.
• Det ger tillgång till mycket kurerade, harmoniserade och realtidsdata över Customer 360. Detta leder till expertmodeller som levererar mer intelligenta förutsägelser och affärsinsikter.
• Det förenklar konsumtionen av resultat från affärsprocesser och driver värde utan latens. Du kan till exempel använda automatiserade arbetsflöden som kan anpassas på ett ögonblick baserat på ny data.
• Det underlättar operationaliseringen av SageMaker-modeller och slutsatser i Salesforce.

Följande är ett exempel på hur man operationaliserar en SageMaker-modell med hjälp av Salesforce Flow.

SageMaker integration

SageMaker är en helt hanterad tjänst för att förbereda data och bygga, träna och distribuera modeller för maskininlärning (ML) för alla användningsfall med helt hanterad infrastruktur, verktyg och arbetsflöden.

För att effektivisera integreringen av SageMaker och Salesforce Data Cloud, introducerar vi två nya funktioner i SageMaker:

• SageMaker Data Wrangler Salesforce Data Cloud-anslutningen – Med den nyligen lanserade SageMaker Data Wrangler Salesforce Data Cloud-anslutningen kan administratörer förkonfigurera anslutningar till Salesforce för att göra det möjligt för dataanalytiker och datavetare att snabbt komma åt Salesforce-data i realtid och skapa funktioner för ML. Detta gör det möjligt för användare att komma åt Salesforce Data Cloud på ett säkert sätt med OAuth. Du kan interaktivt visualisera, analysera och transformera data med kraften i Spark utan att skriva någon kod med hjälp av de lågkodade visuella dataförberedande funktionerna i Salesforce Data Wrangler. Du kan också skala för att bearbeta stora datamängder med SageMaker Processing-jobb, träna ML-lägen automatiskt med hjälp av Amazon SageMaker autopilot, och integrera med en SageMaker-inferenspipeline för att distribuera samma dataflöde till produktion med slutpunktens slutpunkt för att bearbeta data i realtid eller i batch för slutledning.

• SageMaker Projects-mallen för Salesforce – Vi lanserade en SageMaker-projekt mall för Salesforce som du kan använda för att distribuera slutpunkter för traditionella och stora språkmodeller (LLM) och exponera SageMaker-slutpunkter som ett API automatiskt. SageMaker Projects tillhandahåller ett enkelt sätt att ställa in och standardisera utvecklingsmiljön för datavetare och ML-ingenjörer att bygga och distribuera ML-modeller på SageMaker.

Partner offert

"Samarbetet mellan Salesforce och AWS Sagemaker kommer att ge kunderna möjlighet att utnyttja kraften i AI (både generativa och icke-generativa modeller) över deras Salesforce-datakällor, arbetsflöden och applikationer för att leverera personliga upplevelser och driva generering av nytt innehåll, sammanfattningar och frågor -upplevelser av svarstyp. Genom att kombinera det bästa av två världar skapar vi ett nytt paradigm för datadriven innovation och kundframgång som stöds av AI.”

-Kaushal Kurapati, Salesforce Senior Vice President för produkt, AI och sökning

Lösningsöversikt

BYOM-integreringslösningen ger kunderna en inbyggd Salesforce Data Cloud-anslutning i SageMaker Data Wrangler. SageMaker Data Wrangler-anslutningen låter dig säkert komma åt Salesforce Data Cloud-objekt. När användarna har autentiserats kan de utföra datautforskning, förberedelse och funktionstekniska uppgifter som behövs för modellutveckling och slutledning genom SageMaker Data Wranglers interaktiva visuella gränssnitt. Datavetare kan arbeta inom Amazon SageMaker Studio bärbara datorer för att utveckla anpassade modeller, som kan vara traditionella eller LLM, och göra dem tillgängliga för distribution genom att registrera modellen i SageMaker Model Registry. När en modell är godkänd för produktion i registret kommer SageMaker Projects att automatisera distributionen av ett anrops-API som kan konfigureras som ett mål i Salesforce Einstein Studio och integreras med Salesforce Customer 360-applikationer. Följande diagram illustrerar denna arkitektur

Slutsats

I det här inlägget delade vi SageMaker och Salesforce Einstein Studio BYOM-integrationen, där du kan använda data i Salesforce Data Cloud för att bygga och träna traditionella och LLM:er i SageMaker. Du kan använda SageMaker Data Wrangler för att förbereda data från Salesforce Data Cloud med noll kopia. Vi tillhandahöll också en automatiserad lösning för att distribuera SageMaker-slutpunkterna som ett API med hjälp av en SageMaker Projects-mall för Salesforce.

AWS och Salesforce är glada över att samarbeta för att leverera denna upplevelse till våra gemensamma kunder för att hjälpa dem att driva affärsprocesser med hjälp av kraften i ML och artificiell intelligens.

För att lära dig mer om Salesforce BYOM-integrationen, se Ta med dina egna AI-modeller med Einstein Studio. För en detaljerad implementering med hjälp av produktrekommendationer exempel användningsfall, se Använd Amazon SageMaker och Salesforce Data Cloud-integreringen för att driva dina Salesforce-appar med AI/ML.

---

Om författarna

Daryl Martis är produktchef för Einstein Studio på Salesforce Data Cloud. Han har över 10 års erfarenhet av att planera, bygga, lansera och hantera lösningar i världsklass för företagskunder inklusive AI/ML och molnlösningar. Han har tidigare arbetat inom finansbranschen i New York City.

Rachna Chadha är en Principal Solutions Architect AI/ML i Strategic Accounts på AWS. Rachna är en optimist som tror att den etiska och ansvarsfulla användningen av AI kan förbättra samhället i framtiden och ge ekonomiskt och socialt välstånd. På fritiden gillar Rachna att umgås med sin familj, vandra och lyssna på musik.

Ife Stewart är en Principal Solutions Architect inom det strategiska ISV-segmentet på AWS. Hon har varit engagerad i Salesforce Data Cloud under de senaste två åren för att hjälpa till att bygga integrerade kundupplevelser över Salesforce och AWS. Ife har över 2 års erfarenhet av teknik. Hon är en förespråkare för mångfald och inkludering inom teknikområdet.

Maninder (Mani) Kaur är AI/ML-specialistledare för strategiska ISV:er på AWS. Med sin kund-först-strategi hjälper Mani strategiska kunder att forma sin AI/ML-strategi, driva på innovation och påskynda sin AI/ML-resa. Mani är en övertygad om etisk och ansvarsfull AI och strävar efter att se till att hennes kunders AI-lösningar överensstämmer med dessa principer.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Fordon / elbilar, Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• BlockOffsets. Modernisera miljökompensation ägande. Tillgång här.
• Källa: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ai-using-amazon-sagemaker-with-salesforce-data-cloud/