Du kan nu registrera inbyggda maskininlärningsmodeller (ML). Amazon SageMaker Canvas med ett enda klick till Amazon SageMaker Model Registry, vilket gör att du kan operationalisera ML-modeller i produktion. Canvas är ett visuellt gränssnitt som gör det möjligt för affärsanalytiker att generera exakta ML-förutsägelser på egen hand – utan att kräva någon ML-erfarenhet eller att behöva skriva en enda rad kod. Även om det är ett bra ställe för utveckling och experiment, för att få värde från dessa modeller, måste de operationaliseras – nämligen distribueras i en produktionsmiljö där de kan användas för att göra förutsägelser eller beslut. Nu med integrationen med modellregistret kan du lagra alla modellartefakter, inklusive baslinjer för metadata och prestandamätningar, i ett centralt arkiv och koppla in dem i dina befintliga CI/CD-processer för modelldistribution.
Modellregistret är ett arkiv som katalogiserar ML-modeller, hanterar olika modellversioner, associerar metadata (som träningsmått) med en modell, hanterar godkännandestatus för en modell och distribuerar dem till produktion. När du har skapat en modellversion vill du vanligtvis utvärdera dess prestanda innan du distribuerar den till en produktionsslutpunkt. Om den uppfyller dina krav kan du uppdatera godkännandestatusen för modellversionen till godkänd. Att ställa in statusen till godkänd kan initiera CI/CD-distribution för modellen. Om modellversionen inte uppfyller dina krav kan du uppdatera godkännandestatusen till avvisad i registret, vilket förhindrar att modellen distribueras i en eskalerad miljö.
Ett modellregister spelar en nyckelroll i modelldistributionsprocessen eftersom det paketerar all modellinformation och möjliggör automatisering av modellreklam till produktionsmiljöer. Följande är några sätt som ett modellregister kan hjälpa till med att operationalisera ML-modeller:
- Versionskontroll – Ett modellregister låter dig spåra olika versioner av dina ML-modeller, vilket är viktigt när du distribuerar modeller i produktion. Genom att hålla reda på modellversioner kan du enkelt återgå till en tidigare version om en ny version orsakar problem.
- Samarbete – Ett modellregister möjliggör samarbete mellan datavetare, ingenjörer och andra intressenter genom att tillhandahålla en centraliserad plats för lagring, delning och åtkomst av modeller. Detta kan hjälpa till att effektivisera implementeringsprocessen och säkerställa att alla arbetar med samma modell.
- Bolagsstyrning – Ett modellregister kan hjälpa till med efterlevnad och styrning genom att tillhandahålla en granskningsbar historik över modelländringar och implementeringar.
Sammantaget kan ett modellregister hjälpa till att effektivisera processen för att distribuera ML-modeller i produktionen genom att tillhandahålla versionskontroll, samarbete, övervakning och styrning.
Översikt över lösningen
För vårt användningsfall tar vi på oss rollen som affärsanvändare på marknadsavdelningen hos en mobiltelefonoperatör, och vi har framgångsrikt skapat en ML-modell i 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. Men innan vår modell distribueras till en produktionsändpunkt måste den granskas och godkännas av ett centralt MLOps-team. Det här teamet ansvarar för att hantera modellversioner, granska all associerad metadata (som träningsmått) med en modell, hantera godkännandestatus för varje ML-modell, distribuera godkända modeller till produktion och automatisera modelldistribution med CI/CD. För att effektivisera processen med att distribuera vår modell i produktionen drar vi fördel av integrationen av Canvas med modellregistret och registrerar vår modell för granskning av vårt MLOps-team.
Arbetsflödesstegen är följande:
- Ladda upp en ny datauppsättning med den aktuella kundpopulationen till Canvas. För den fullständiga listan över datakällor som stöds, se Importera data till Canvas.
- Bygg ML-modeller och analysera deras prestationsmått. Se instruktionerna till bygga en anpassad ML-modell i Canvas och utvärdera modellens prestanda.
- Registrera de bäst presterande versionerna till modellregistret för granskning och godkännande.
- Installera den godkända modellversionen till en produktionsändpunkt för slutledning i realtid.
Du kan utföra steg 1–3 i Canvas utan att skriva en enda rad kod.
Förutsättningar
För den här genomgången, se till att följande förutsättningar är uppfyllda:
- För att registrera modellversioner till modellregistret måste Canvas-administratören ge de nödvändiga behörigheterna till Canvas-användaren, som du kan hantera i SageMaker-domänen som är värd för din Canvas-applikation. För mer information, se Amazon SageMaker Developer Guide. När du beviljar dina Canvas-användarbehörigheter måste du välja om du vill tillåta användaren att registrera sina modellversioner på samma AWS-konto.
- 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 97.03 % modellpoäng
Använd modellen för förutsägelse av kundavgång
aktivera Visa avancerad statistik och granska de objektiva mätvärdena för varje modellversion så att vi kan välja den modell som ger bäst resultat för registrering i modellregistret.
Baserat på prestandamåtten väljer vi version 2 som ska registreras.
Modellregistret spårar alla modellversioner som du tränar för att lösa ett visst problem i en modellgrupp. När du tränar en Canvas-modell och registrerar den i modellregistret läggs den till i en modellgrupp som en ny modellversion.
Vid registreringstillfället skapas automatiskt en modellgrupp inom modellregistret. Alternativt kan du byta namn på den till ett valfritt namn eller använda en befintlig modellgrupp i modellregistret.
För det här exemplet använder vi det autogenererade modellgruppens namn och väljer Lägg till.
Vår modellversion ska nu vara registrerad i modellgruppen i modellregistret. Om vi skulle registrera en annan modellversion skulle den registreras till samma modellgrupp.
Statusen för modellversionen borde ha ändrats från Inte registrerad till Registrerad.
När vi håller muspekaren över statusen kan vi granska modellregistrets detaljer, som inkluderar modellgruppens namn, modellregistrets konto-ID och godkännandestatus. Direkt efter registrering ändras status till Väntar på godkännande, vilket innebär att denna modell är registrerad i modellregistret men väntar på granskning och godkännande från en datavetare eller MLOps-teammedlem och kan endast distribueras till en endpoint om den godkänns.
Låt oss nu navigera till Amazon SageMaker Studio och anta rollen som en MLOps-teammedlem. Under Modeller välj i navigeringsfönstret Modellregister för att öppna modellregistrets hemsida.
Vi kan se modellen group canvas-Churn-Prediction-Model
som Canvas automatiskt skapade åt oss.
Välj modell för att granska alla versioner som är registrerade för denna modellgrupp och granska sedan motsvarande modelldetaljer.
Om du öppnar detaljerna för version 1 kan vi se att Aktivitet fliken håller reda på alla händelser som händer på modellen.
På Modellkvalitet fliken kan vi granska modellens mätvärden, precisions-/återkallningskurvor och plottningar av förvirringsmatriser för att förstå modellens prestanda.
På Förklarbarhet fliken kan vi granska de funktioner som påverkade modellens prestanda mest.
Efter att vi har granskat modellartefakterna kan vi ändra godkännandestatus från Avvaktan till Godkänd.
Vi kan nu se den uppdaterade aktiviteten.
Canvas företagsanvändare kommer nu att kunna se att den registrerade modellens status ändrats från Väntar på godkännande till Godkänd.
Som MLOps-teammedlem, eftersom vi har godkänt denna ML-modell, låt oss distribuera den till en slutpunkt.
I Studio, navigera till modellregistrets hemsida och välj canvas-Churn-Prediction-Model
modellgrupp. Välj den version som ska distribueras och gå till Inställningar fliken.
Bläddra för att få information om modellpaketet ARN från den valda modellversionen i modellregistret.
Öppna en anteckningsbok i Studio och kör följande kod för att distribuera modellen till en slutpunkt. Byt ut modellpaketet ARN mot ditt eget modellpaket ARN.
Efter att slutpunkten har skapats kan du se den spåras som en händelse på Aktivitet fliken i modellregistret.
Du kan dubbelklicka på ändpunktsnamnet för att få dess detaljer.
Nu när vi har en slutpunkt, låt oss åberopa den för att få en slutledning i realtid. Byt ut ditt slutpunktsnamn i följande kodavsnitt:
Städa upp
För att undvika framtida avgifter, radera resurserna du skapade när du följde det här inlägget. Detta inkluderar att logga ut från Canvas och ta bort den distribuerade SageMaker-slutpunkten. Canvas fakturerar dig för hela sessionen, och vi rekommenderar att du loggar ut från 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 Canvas kan hjälpa till att operationalisera ML-modeller till produktionsmiljöer utan att kräva ML-expertis. I vårt exempel visade vi hur en analytiker snabbt kan bygga en mycket exakt prediktiv ML-modell utan att skriva någon kod och registrera den i modellregistret. MLOps-teamet kan sedan granska den och antingen förkasta modellen eller godkänna modellen och initiera nedströms CI/CD-distributionsprocessen.
För att starta din ML-resa med låg kod/kod utan kod, se Amazon SageMaker Canvas.
Ett särskilt tack till alla som bidragit till lanseringen:
backend:
- Huayuan (Alice) Wu
- Krittaphat Pugdeethosapol
- Yanda Hu
- John He
- Esha Dutta
- Prashanth
Framdel:
- Kaiz köpman
- Ed Cheung
Om författarna
Janisha Anand är Senior Product Manager i SageMaker Low/No Code ML-teamet, som inkluderar SageMaker Autopilot. Hon tycker om kaffe, att vara aktiv och umgås med sin familj.
Krittaphat Pugdeethosapol är mjukvaruutvecklingsingenjör på Amazon SageMaker och arbetar huvudsakligen med SageMaker lågkods- och no-code-produkter.
Huayuan(Alice) Wu är en mjukvaruutvecklingsingenjör på Amazon SageMaker. Hon fokuserar på att bygga ML-verktyg och produkter för kunder. Utanför jobbet tycker hon om att vara utomhus, yoga och vandra.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoAiStream. Web3 Data Intelligence. Kunskap förstärkt. Tillgång här.
- Minting the Future med Adryenn Ashley. Tillgång här.
- Köp och sälj aktier i PRE-IPO-företag med PREIPO®. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :är
- :inte
- :var
- ][s
- 1
- 100
- 15%
- 420
- 7
- 8
- a
- Able
- åtkomst
- Konto
- noggrannhet
- exakt
- aktiv
- aktivitet
- lagt till
- administration
- avancerat
- Fördel
- Efter
- Alla
- tillåter
- tillåter
- Även
- amason
- Amazon SageMaker
- Amazon SageMaker Canvas
- bland
- an
- analytiker
- analytiker
- analysera
- och
- Annan
- vilken som helst
- Ansökan
- godkännande
- godkänna
- godkänd
- ÄR
- AS
- associerad
- At
- granskbar
- automatiskt
- automatisera
- Automation
- undvika
- AWS
- BE
- därför att
- innan
- Där vi får lov att vara utan att konstant prestera,
- BÄST
- Sedlar
- kropp
- SLUTRESULTAT
- Byggnad
- byggt
- företag
- men
- by
- KAN
- canvas
- Vid
- kataloger
- Orsakerna
- centrala
- centraliserad
- byta
- ändrats
- Förändringar
- avgifter
- val
- Välja
- klick
- koda
- Kaffe
- samverkan
- Efterlevnad
- konfiguration
- förvirring
- bidrog
- kontroll
- Motsvarande
- skapa
- skapas
- Aktuella
- beställnings
- kund
- Kunder
- datum
- datavetare
- datum Tid
- beslut
- Avdelning
- distribuera
- utplacerade
- utplacera
- utplacering
- distributioner
- vecklas ut
- detaljer
- Utvecklare
- Utveckling
- olika
- diskuteras
- inte
- domän
- varaktighet
- varje
- lätt
- antingen
- möjliggör
- möjliggör
- änden
- Slutpunkt
- ingenjör
- Ingenjörer
- säkerställa
- Miljö
- miljöer
- väsentlig
- utvärdera
- händelse
- händelser
- Varje
- alla
- exempel
- befintliga
- erfarenhet
- expertis
- familj
- Funktioner
- fokuserar
- efter
- följer
- För
- från
- full
- framtida
- generera
- genereras
- skaffa sig
- Ge
- Go
- styrning
- beviljande
- stor
- Grupp
- Happening
- Har
- har
- hjälpa
- här
- höggradigt
- historisk
- historia
- Hem
- värdar
- hovring
- Hur ser din drömresa ut
- Men
- html
- HTTPS
- ID
- identifiera
- if
- importera
- förbättras
- in
- innefattar
- innefattar
- Inklusive
- påverkas
- informationen
- initiera
- instruktioner
- integrering
- Gränssnitt
- in
- problem
- IT
- DESS
- resa
- jpg
- hålla
- Nyckel
- lansera
- inlärning
- linje
- Lista
- läge
- skogsavverkning
- Maskinen
- maskininlärning
- huvudsakligen
- göra
- hantera
- chef
- förvaltar
- hantera
- Marknadsföring
- Matris
- betyder
- medlem
- nämnts
- metadata
- Metrics
- ML
- MLOps
- Mobil
- mobiltelefon
- modell
- modeller
- övervakning
- mer
- mest
- flytta
- måste
- namn
- Navigera
- Navigering
- nödvändigt för
- Behöver
- behov
- Nya
- Nej
- anteckningsbok
- nu
- mål
- of
- on
- endast
- öppet
- Operatören
- or
- OS
- Övriga
- vår
- ut
- utomhus
- utanför
- över
- egen
- paket
- paket
- sida
- pandor
- panelen
- särskilt
- väntan
- Utföra
- prestanda
- utför
- utför
- behörigheter
- telefon
- Plats
- plato
- Platon Data Intelligence
- PlatonData
- spelar
- kontakt
- befolkning
- Inlägg
- potentiell
- förutsägelse
- Förutsägelser
- förutsättningar
- förhindrar
- föregående
- Problem
- process
- processer
- Produkt
- produktchef
- Produktion
- Produkter
- främjande
- tillhandahålla
- Snabbt
- snabbt
- realtid
- rekommenderar
- registrera
- registrerat
- Registrering
- register
- avlägsnas
- ersätta
- Repository
- Krav
- Resurser
- respons
- ansvarig
- återgå
- översyn
- Granskad
- reviewing
- höger
- Risk
- Roll
- Körning
- sagemaker
- Samma
- Forskare
- vetenskapsmän
- göra
- se
- vald
- senior
- session
- inställning
- delning
- hon
- skall
- visade
- enda
- So
- Mjukvara
- mjukvaruutveckling
- LÖSA
- några
- Källor
- Spendera
- intressenter
- standard
- starta
- Ange
- status
- Steg
- lagra
- misslyckande
- effektivisera
- studio
- Framgångsrikt
- sådana
- Som stöds
- SYS
- Ta
- grupp
- Tack
- den där
- Smakämnen
- deras
- Dem
- sedan
- Dessa
- de
- detta
- tre
- tid
- till
- verktyg
- spår
- Tåg
- tränad
- Utbildning
- typiskt
- under
- förstå
- Uppdatering
- uppdaterad
- us
- användning
- användningsfall
- Begagnade
- Användare
- med hjälp av
- värde
- olika
- version
- genomgång
- vill
- sätt
- we
- były
- när
- om
- som
- medan
- VEM
- kommer
- med
- inom
- utan
- Arbete
- arbetssätt
- fungerar
- skulle
- skriva
- skrivning
- ja
- Yoga
- Om er
- Din
- zephyrnet