นี่คือบล็อกโพสต์รับเชิญโดย Danny Brock, Rajeev Govindan และ Krishnaram Kenthapadi ที่ Fiddler AI
ของคุณ อเมซอน SageMaker โมเดลมีชีวิต พวกเขากำลังจัดการการอนุมานนับล้านในแต่ละวันและขับเคลื่อนผลลัพธ์ทางธุรกิจที่ดีขึ้นสำหรับบริษัทของคุณ พวกเขากำลังดำเนินการเช่นเดียวกับวันที่พวกเขาเปิดตัว
เอ่อรอ ที่พวกเขา? อาจจะ. อาจจะไม่.
ไม่มีระดับองค์กร การตรวจสอบแบบจำลองแบบจำลองของคุณอาจทรุดโทรมในความเงียบ ทีมแมชชีนเลิร์นนิง (ML) ของคุณอาจไม่เคยรู้เลยว่าโมเดลเหล่านี้เปลี่ยนจากความอัศจรรย์ของการสร้างรายได้เป็นความรับผิดชอบในการตัดสินใจที่ไม่ถูกต้องซึ่งทำให้บริษัทของคุณเสียเวลาและเงิน
ไม่ต้องกังวล ทางออกอยู่ใกล้กว่าที่คิด
พู้ทำเล่นซึ่งเป็นโซลูชัน Model Performance Management ระดับองค์กรที่มีอยู่ใน AWS Marketplaceเสนอการตรวจสอบแบบจำลองและ AI ที่อธิบายได้ เพื่อช่วยให้ทีม ML ตรวจสอบและแก้ไขปัญหาแบบจำลองที่ครอบคลุม ผ่านการตรวจสอบแบบจำลอง การอธิบายแบบจำลอง การวิเคราะห์ และการตรวจจับอคติ Fiddler มอบบานหน้าต่างกระจกเดียวที่ใช้งานง่ายให้กับบริษัทของคุณ เพื่อให้แน่ใจว่าแบบจำลองของคุณจะทำงานตามที่ควรจะเป็น และหากไม่เป็นเช่นนั้น Fiddler ยังมีคุณสมบัติที่ช่วยให้คุณตรวจสอบแบบจำลองของคุณเพื่อค้นหาสาเหตุที่แท้จริงของการลดประสิทธิภาพการทำงาน
โพสต์นี้แสดงให้เห็นว่า .ของคุณเป็นอย่างไร ม.ป.ป ทีมงานสามารถปรับปรุงประสิทธิภาพการทำงานของนักวิทยาศาสตร์ข้อมูล และลดเวลาในการตรวจหาปัญหาสำหรับโมเดลของคุณที่ใช้งานใน SageMaker โดยการผสานรวมกับ Fiddler Model Performance Management Platform ในไม่กี่ขั้นตอนง่ายๆ
ภาพรวมโซลูชัน
สถาปัตยกรรมอ้างอิงต่อไปนี้เน้นประเด็นหลักของการรวม Fiddler มีอยู่ในฐานะ "ไซด์คาร์" ของเวิร์กโฟลว์ SageMaker ML ที่มีอยู่ของคุณ
ส่วนที่เหลือของโพสต์นี้จะแนะนำคุณตลอดขั้นตอนในการผสานรวมโมเดล SageMaker ของคุณกับ Fiddler's แพลตฟอร์มการจัดการประสิทธิภาพของแบบจำลอง:
- ตรวจสอบให้แน่ใจว่าโมเดลของคุณเปิดใช้งานการดักจับข้อมูล
- สร้างสภาพแวดล้อมการทดลองใช้ Fiddler
- ลงทะเบียนข้อมูลเกี่ยวกับแบบจำลองของคุณในสภาพแวดล้อม Fiddler ของคุณ
- สร้าง AWS แลมบ์ดา ฟังก์ชันเพื่อเผยแพร่การอนุมาน SageMaker ไปยัง Fiddler
- สำรวจความสามารถในการตรวจสอบของ Fiddler ในสภาพแวดล้อมการทดลองใช้ Fiddler ของคุณ
เบื้องต้น
โพสต์นี้ถือว่าคุณได้ตั้งค่า SageMaker และปรับใช้ปลายทางของโมเดลแล้ว หากต้องการเรียนรู้วิธีกำหนดค่า SageMaker สำหรับการให้บริการโมเดล โปรดดูที่ ปรับใช้แบบจำลองสำหรับการอนุมาน. ตัวอย่างบางส่วนยังมีอยู่ใน repo GitHub.
ตรวจสอบให้แน่ใจว่าโมเดลของคุณเปิดใช้งานการดักจับข้อมูล
บนคอนโซล SageMaker ให้นำทางไปยังจุดสิ้นสุดการให้บริการของโมเดลของคุณ และตรวจดูให้แน่ใจว่าคุณได้เปิดใช้งานแล้ว การจับข้อมูล เป็น บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ถัง สิ่งนี้จะเก็บการอนุมาน (คำขอและการตอบสนอง) ที่โมเดลของคุณทำให้ในแต่ละวันเป็น ไฟล์บรรทัด JSON (.jsonl) ใน Amazon S3
สร้างสภาพแวดล้อมการทดลองใช้ Fiddler
จาก fiddler.ai เว็บไซต์ คุณสามารถขอทดลองใช้ฟรี หลังจากกรอกแบบฟอร์มด่วน Fiddler จะติดต่อคุณเพื่อทำความเข้าใจความต้องการเฉพาะของการจัดการประสิทธิภาพแบบจำลองของคุณและจะมีสภาพแวดล้อมทดลองใช้งานพร้อมสำหรับคุณภายในเวลาไม่กี่ชั่วโมง คุณสามารถคาดหวังสภาพแวดล้อมเฉพาะเช่น https://yourcompany.try.fiddler.ai.
ลงทะเบียนข้อมูลเกี่ยวกับโมเดลของคุณในสภาพแวดล้อม Fiddler ของคุณ
ก่อนที่คุณจะสามารถเริ่มเผยแพร่กิจกรรมจากโมเดลที่โฮสต์ SageMaker ของคุณไปยัง Fiddler คุณต้องสร้างโปรเจ็กต์ภายในสภาพแวดล้อมการทดลองใช้ Fiddler ของคุณและให้รายละเอียด Fiddler เกี่ยวกับโมเดลของคุณผ่านขั้นตอนที่เรียกว่า การลงทะเบียนรุ่น. หากคุณต้องการใช้โน้ตบุ๊กที่กำหนดค่าไว้ล่วงหน้าจากภายใน สตูดิโอ Amazon SageMaker แทนที่จะคัดลอกและวางข้อมูลโค้ดต่อไปนี้ คุณสามารถอ้างอิงสมุดบันทึกการเริ่มต้นอย่างรวดเร็วของ Fiddler บน GitHub. Studio มีอินเทอร์เฟซแบบภาพบนเว็บเดียว ซึ่งคุณสามารถดำเนินการตามขั้นตอนการพัฒนา ML ทั้งหมดได้
ก่อนอื่น คุณต้องติดตั้ง ไคลเอนต์ Fiddler Python ในโน้ตบุ๊ก SageMaker ของคุณ และจำลองไคลเอ็นต์ Fiddler คุณสามารถรับ AUTH_TOKEN
จาก การตั้งค่า ในสภาพแวดล้อมการทดลองใช้ Fiddler ของคุณ
ถัดไป สร้างโครงการภายในสภาพแวดล้อมการทดลองใช้ Fiddler:
ตอนนี้อัปโหลดชุดข้อมูลการฝึกอบรมของคุณ สมุดบันทึกยังมีชุดข้อมูลตัวอย่างเพื่อเรียกใช้ Fiddler's อธิบายได้ อัลกอริธึมและเป็นพื้นฐานสำหรับการตรวจสอบเมตริก ชุดข้อมูลยังใช้เพื่อสร้างสคีมาสำหรับโมเดลนี้ใน Fiddler
สุดท้ายนี้ ก่อนที่คุณจะสามารถเริ่มเผยแพร่การอนุมานไปยัง Fiddler เพื่อตรวจสอบ วิเคราะห์สาเหตุ และคำอธิบาย คุณต้องลงทะเบียนโมเดลของคุณเสียก่อน มาสร้าง a . กันก่อน model_info
อ็อบเจ็กต์ที่มีข้อมูลเมตาเกี่ยวกับโมเดลของคุณ:
จากนั้นคุณสามารถลงทะเบียนโมเดลโดยใช้ new . ของคุณ model_info
วัตถุ:
ยอดเยี่ยม! ตอนนี้คุณสามารถเผยแพร่เหตุการณ์บางอย่างไปยัง Fiddler เพื่อสังเกตประสิทธิภาพของแบบจำลองได้
สร้างฟังก์ชัน Lambda เพื่อเผยแพร่การอนุมาน SageMaker ไปยัง Fiddler
ด้วยสถาปัตยกรรมแบบไร้เซิร์ฟเวอร์ที่ปรับใช้ได้ง่ายของ Lambda คุณสามารถสร้างกลไกที่จำเป็นในการย้ายการอนุมานจากบัคเก็ต S3 ที่คุณตั้งค่าไว้ก่อนหน้านี้ในสภาพแวดล้อมการทดลองใช้ Fiddler ที่จัดเตรียมใหม่ได้อย่างรวดเร็ว ฟังก์ชัน Lambda นี้มีหน้าที่ในการเปิดไฟล์บันทึกเหตุการณ์ JSONL ใหม่ในบัคเก็ต S3 ของโมเดลของคุณ แยกวิเคราะห์และจัดรูปแบบเนื้อหา JSONL ลงใน dataframe แล้วเผยแพร่ dataframe ของเหตุการณ์นั้นไปยังสภาพแวดล้อมการทดลองใช้ Fiddler ของคุณ ภาพหน้าจอต่อไปนี้แสดงรายละเอียดโค้ดของฟังก์ชันของเรา
ต้องกำหนดค่าฟังก์ชัน Lambda เพื่อเรียกใช้ไฟล์ที่สร้างขึ้นใหม่ในบัคเก็ต S3 ของคุณ ต่อไปนี้ เกี่ยวกับการสอน แนะนำคุณผ่านการสร้าง an อเมซอน EventBridge ทริกเกอร์ที่เรียกใช้ฟังก์ชัน Lambda ทุกครั้งที่อัปโหลดไฟล์ไปยัง Amazon S3 ภาพหน้าจอต่อไปนี้แสดงการกำหนดค่าทริกเกอร์ของฟังก์ชันของเรา ซึ่งช่วยให้มั่นใจได้ว่าทุกครั้งที่โมเดลของคุณทำการอนุมานใหม่ เหตุการณ์เหล่านั้นที่จัดเก็บไว้ใน Amazon S3 จะถูกโหลดลงใน Fiddler เพื่อขับเคลื่อนความสามารถในการสังเกตโมเดลที่บริษัทของคุณต้องการ
เพื่อทำให้สิ่งนี้ง่ายขึ้น โค้ดสำหรับฟังก์ชัน Lambda นี้มีให้แบบสาธารณะตั้งแต่ เว็บไซต์เอกสารของฟิดเลอร์. ตัวอย่างโค้ดนี้ใช้ได้กับโมเดลการจำแนกประเภทไบนารีที่มีอินพุตแบบมีโครงสร้าง หากคุณมีประเภทโมเดลที่มีคุณสมบัติหรืองานที่แตกต่างกัน โปรดติดต่อ Fiddler เพื่อขอความช่วยเหลือเกี่ยวกับการเปลี่ยนแปลงเล็กน้อยในโค้ด
ฟังก์ชัน Lambda จำเป็นต้องอ้างอิงถึงไคลเอนต์ Fiddler Python Fiddler ได้สร้างเลเยอร์ Lambda ที่เปิดเผยต่อสาธารณะซึ่งคุณสามารถอ้างอิงได้เพื่อให้แน่ใจว่า import fiddler as fdl
ขั้นตอนทำงานได้อย่างราบรื่น คุณสามารถอ้างอิงเลเยอร์นี้ผ่าน ARN ในภูมิภาค us-west-2: arn:aws:lambda:us-west-2:079310353266:layer:fiddler-client-0814:1
ดังแสดงในภาพหน้าจอต่อไปนี้
คุณต้องระบุตัวแปรสภาพแวดล้อมของแลมบ์ดาด้วย เพื่อให้ฟังก์ชันแลมบ์ดารู้วิธีเชื่อมต่อกับสภาพแวดล้อมการทดลองใช้ Fiddler และสิ่งที่อินพุตและเอาต์พุตอยู่ภายในไฟล์ .jsonl ที่โมเดลของคุณจับ ภาพหน้าจอต่อไปนี้แสดงรายการตัวแปรสภาพแวดล้อมที่จำเป็น ซึ่งอยู่ใน เว็บไซต์เอกสารของฟิดเลอร์. อัพเดตค่าสำหรับตัวแปรสภาพแวดล้อมเพื่อให้ตรงกับโมเดลและชุดข้อมูลของคุณ
สำรวจความสามารถในการตรวจสอบของ Fiddler ในสภาพแวดล้อมการทดลองใช้ Fiddler ของคุณ
คุณทำได้แล้ว! ด้วยข้อมูลพื้นฐาน โมเดล และทราฟฟิกที่เชื่อมต่อ ตอนนี้คุณอธิบายได้แล้ว ข้อมูลดริฟท์, ค่าผิดปกติ, โมเดลอคติ, ปัญหาด้านข้อมูล และประสิทธิภาพการทำงานผิดพลาด และแชร์แดชบอร์ดกับผู้อื่น จบการเดินทางของคุณโดย กำลังดูเดโม เกี่ยวกับความสามารถในการจัดการประสิทธิภาพของแบบจำลองที่คุณได้แนะนำให้รู้จักกับบริษัทของคุณ
ภาพหน้าจอตัวอย่างด้านล่างแสดงภาพรวมของข้อมูลเชิงลึกของโมเดล เช่น การเลื่อน การตรวจหาค่าผิดปกติ คำอธิบายจุดในเครื่อง และการวิเคราะห์แบบจำลองที่จะพบได้ในสภาพแวดล้อมการทดลองใช้ Fiddler ของคุณ
สรุป
โพสต์นี้เน้นย้ำถึงความต้องการระดับองค์กร การตรวจสอบแบบจำลอง และแสดงให้เห็นว่าคุณสามารถผสานรวมโมเดลของคุณที่ปรับใช้ใน SageMaker กับ แพลตฟอร์มการจัดการประสิทธิภาพแบบจำลอง Fiddler เพียงไม่กี่ขั้นตอน Fiddler มีฟังก์ชันสำหรับการตรวจสอบโมเดล, AI ที่อธิบายได้, การตรวจจับอคติ และการวิเคราะห์สาเหตุ และมีอยู่ใน AWS Marketplace. โดยให้ .ของคุณ ม.ป.ป ทีมที่มีบานหน้าต่างกระจกเดียวที่ใช้งานง่ายเพื่อให้แน่ใจว่าแบบจำลองของคุณทำงานตามที่คาดไว้และเพื่อระบุสาเหตุที่แท้จริงของการลดประสิทธิภาพ Fiddler สามารถช่วยปรับปรุงประสิทธิภาพการทำงานของนักวิทยาศาสตร์ข้อมูล และลดเวลาในการตรวจหาและแก้ไขปัญหา
หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Fiddler โปรดไปที่ fiddler.ai หรือหากคุณต้องการตั้งค่าการสาธิตส่วนบุคคลและอีเมลสนทนาทางเทคนิค sales@fiddler.ai.
เกี่ยวกับผู้เขียน
แดนนี่ บร็อค เป็น Sr Solutions Engineer ที่ Fiddler AI Danny ทำงานด้านการวิเคราะห์และ ML มาอย่างยาวนาน โดยดูแลทีมขายล่วงหน้าและหลังการขายสำหรับสตาร์ทอัพอย่าง Endeca และ Incorta เขาก่อตั้งบริษัทที่ปรึกษาด้านการวิเคราะห์บิ๊กดาต้าของตัวเองที่ชื่อ Branchbird ในปี 2012
ราจีฟ โกวินดัน เป็น Sr Solutions Engineer ที่ Fiddler AI Rajeev มีประสบการณ์มากมายในด้านวิศวกรรมการขายและการพัฒนาซอฟต์แวร์ในบริษัทระดับองค์กรหลายแห่ง รวมถึง AppDynamics
กฤษณาราม เกนทาปที เป็นหัวหน้านักวิทยาศาสตร์ของ Fiddler AI ก่อนหน้านี้ เขาเป็นหัวหน้านักวิทยาศาสตร์ที่ Amazon AWS AI ซึ่งเขาเป็นผู้นำโครงการริเริ่มด้านความเป็นธรรม การอธิบาย ความเป็นส่วนตัว และการทำความเข้าใจโมเดลในแพลตฟอร์ม Amazon AI และก่อนหน้านั้น เขาเคยดำรงตำแหน่งที่ LinkedIn AI และ Microsoft Research Krishnaram ได้รับปริญญาเอกด้านวิทยาการคอมพิวเตอร์จากมหาวิทยาลัยสแตนฟอร์ดในปี 2006
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- อเมซอน SageMaker
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- AWS Marketplace
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล