Distribuera ML-modeller inbyggda i Amazon SageMaker Canvas till Amazon SageMaker-slutpunkter i realtid | Amazon webbtjänster

Amazon SageMaker Canvas stöder nu distribution av maskininlärningsmodeller (ML) till slutpunkter för realtids slutpunkter, så att du kan ta dina ML-modeller till produktion och driva åtgärder baserade på ML-drivna insikter. SageMaker Canvas är en kodfri arbetsyta som gör det möjligt för analytiker och medborgardatavetare att generera korrekta ML-förutsägelser för deras affärsbehov.

Fram till nu har SageMaker Canvas gett möjligheten att utvärdera en ML-modell, generera bulkprognoser och köra vad-om-analyser inom sin interaktiva arbetsyta. Men nu kan du också distribuera modellerna till Amazon SageMaker-slutpunkter för realtidsinferencing, vilket gör det enkelt att konsumera modellförutsägelser och driva åtgärder utanför SageMaker Canvas arbetsyta. Att ha möjligheten att direkt distribuera ML-modeller från SageMaker Canvas eliminerar behovet av att manuellt exportera, konfigurera, testa och distribuera ML-modeller i produktion, vilket sparar minskad komplexitet och sparar tid. Det gör också operationalisering av ML-modeller mer tillgängliga för individer, utan att behöva skriva kod.

I det här inlägget går vi igenom processen för att distribuera en modell i SageMaker Canvas till en slutpunkt i realtid.

Översikt över lösningen

För vårt användningsfall antar vi rollen som en affärsanvändare på marknadsavdelningen hos en mobiltelefonoperatör, och vi har framgångsrikt skapat en ML-modell i SageMaker Canvas för att identifiera kunder med potentiell risk för churn. Tack vare de förutsägelser som genereras av vår modell vill vi nu flytta detta från vår utvecklingsmiljö till produktion. För att effektivisera processen med att distribuera vår modellslutpunkt för slutledning distribuerar vi ML-modeller direkt från SageMaker Canvas, vilket eliminerar behovet av att manuellt exportera, konfigurera, testa och distribuera ML-modeller till produktion. Detta hjälper till att minska komplexiteten, sparar tid och gör också operationalisering av ML-modeller mer tillgängliga för individer, utan att behöva skriva kod.

Arbetsflödesstegen är följande:

1. Ladda upp en ny datauppsättning med den nuvarande kundpopulationen till SageMaker Canvas. För den fullständiga listan över datakällor som stöds, se Importera data till Canvas.
2. Bygg ML-modeller och analysera deras prestationsmått. För instruktioner, se Bygg en anpassad modell och Utvärdera din modells prestanda i Amazon SageMaker Canvas.
3. Installera den godkända modellversionen som en slutpunkt för realtidsinferencing.

Du kan utföra dessa steg i SageMaker Canvas utan att skriva en enda rad kod.

Förutsättningar

För den här genomgången, se till att följande förutsättningar är uppfyllda:

1. För att distribuera modellversioner till SageMaker-slutpunkter måste SageMaker Canvas-administratören ge nödvändiga behörigheter till SageMaker Canvas-användaren, som du kan hantera i SageMaker-domänen som är värd för din SageMaker Canvas-applikation. För mer information, se Behörighetshantering i Canvas.
   
2. Implementera de förutsättningar som nämns i Förutsäg kundförlust med no-code maskininlärning med Amazon SageMaker Canvas.

Du bör nu ha tre modellversioner tränade på historisk churn-förutsägelsedata i Canvas:

• V1 tränad med alla 21 funktioner och snabbbyggd konfiguration med en modellpoäng på 96.903 %
• V2 tränad med alla 19 funktioner (borttagna telefon- och statusfunktioner) och snabbbyggd konfiguration och förbättrad noggrannhet på 97.403 %
• V3 tränad med standardbyggkonfiguration med 97.103 % modellpoäng

Använd modellen för förutsägelse av kundavgång

aktivera Visa avancerad statistik på sidan med modelldetaljer och granska de objektiva mätvärdena som är förknippade med varje modellversion så att du kan välja den modell som har bäst prestanda för implementering till SageMaker som en slutpunkt.

Baserat på prestandamåtten väljer vi version 2 som ska distribueras.

Konfigurera inställningarna för modelldistribution – distributionsnamn, instanstyp och instansantal.

Som utgångspunkt kommer Canvas automatiskt att rekommendera den bästa instanstypen och antalet instanser för din modelldistribution. Du kan ändra det enligt dina arbetsbelastningsbehov.

Du kan testa den distribuerade SageMaker slutpunkten direkt från SageMaker Canvas.

Du kan ändra inmatningsvärden med hjälp av SageMaker Canvas användargränssnitt för att härleda ytterligare churn-förutsägelse.

Låt oss nu navigera till Amazon SageMaker Studio och kolla in den distribuerade slutpunkten.

Öppna en anteckningsbok i SageMaker Studio och kör följande kod för att härleda slutpunkten för den distribuerade modellen. Byt ut modellens slutpunktsnamn med ditt eget modelländpunktsnamn.

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)

Vår ursprungliga modellslutpunkt använder en ml.m5.xlarge-instans och 1 instansräkning. Låt oss nu anta att du förväntar dig att antalet slutanvändare som drar slutsatser om din modelländpunkt kommer att öka och att du vill tillhandahålla mer beräkningskapacitet. Du kan åstadkomma detta direkt från SageMaker Canvas genom att välja Uppdatera konfiguration.

Städa upp

För att undvika framtida avgifter, radera resurserna du skapade när du följde det här inlägget. Detta inkluderar att logga ut från SageMaker Canvas och ta bort den distribuerade SageMaker-slutpunkten. SageMaker Canvas fakturerar dig för hela sessionen, och vi rekommenderar att du loggar ut från SageMaker Canvas när du inte använder den. Hänvisa till Logga ut från Amazon SageMaker Canvas för mer detaljer.

Slutsats

I det här inlägget diskuterade vi hur SageMaker Canvas kan distribuera ML-modeller till slutpunkter i realtid, så att du kan ta dina ML-modeller till produktion och driva åtgärder baserat på ML-drivna insikter. I vårt exempel visade vi hur en analytiker snabbt kan bygga en mycket exakt prediktiv ML-modell utan att skriva någon kod, distribuera den på SageMaker som en slutpunkt och testa modellens slutpunkt från SageMaker Canvas, såväl som från en SageMaker Studio-anteckningsbok.

För att starta din ML-resa med låg kod/kod utan kod, se Amazon SageMaker Canvas.

Speciellt tack till alla som bidrog till lanseringen: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani och Alicia Qi.

Om författarna

Janisha Anand är en Senior Product Manager i Amazon SageMaker Low/No Code ML-teamet, som inkluderar SageMaker Canvas och SageMaker Autopilot. Hon tycker om kaffe, att vara aktiv och umgås med sin familj.

Indy Sawhney är en Senior Customer Solutions Leader med Amazon Web Services. Indy arbetar alltid bakåt från kundproblem och ger råd till AWS företagskunder genom deras unika molntransformationsresa. Han har över 25 års erfarenhet av att hjälpa företagsorganisationer att ta till sig nya teknologier och affärslösningar. Indy är ett område av djupspecialist med AWS:s Technical Field Community för AI/ML, med specialisering på generativ AI och Amazon SageMaker-lösningar med låg kod/no-kod.

• 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. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/