โพสต์นี้ร่วมเขียนโดย Daryl Martis ผู้อำนวยการฝ่ายผลิตภัณฑ์ Salesforce Einstein AI
นี่เป็นโพสต์ที่สามในชุดที่พูดคุยถึงการบูรณาการ Salesforce Data Cloud และ อเมซอน SageMaker.
In 1 หมายเลข และ 2 หมายเลขเราจะแสดงให้เห็นว่าการรวม Salesforce Data Cloud และ Einstein Studio กับ SageMaker ช่วยให้ธุรกิจต่างๆ เข้าถึงข้อมูล Salesforce ของตนได้อย่างปลอดภัยโดยใช้ SageMaker และใช้เครื่องมือเพื่อสร้าง ฝึกอบรม และปรับใช้โมเดลกับปลายทางที่โฮสต์บน SageMaker ได้อย่างไร ตำแหน่งข้อมูล SageMaker สามารถลงทะเบียนกับ Salesforce Data Cloud เพื่อเปิดใช้งานการคาดการณ์ใน Salesforce
ในโพสต์นี้ เราสาธิตวิธีที่นักวิเคราะห์ธุรกิจและนักวิทยาศาสตร์ข้อมูลพลเมืองสามารถสร้างโมเดลการเรียนรู้ของเครื่อง (ML) โดยไม่ต้องใช้โค้ดใดๆ ใน ผืนผ้าใบ Amazon SageMaker และปรับใช้โมเดลที่ผ่านการฝึกอบรมเพื่อบูรณาการกับ Salesforce Einstein Studio เพื่อสร้างแอปพลิเคชันทางธุรกิจที่ทรงพลัง SageMaker Canvas มอบประสบการณ์ที่ไม่ต้องเขียนโค้ดเพื่อเข้าถึงข้อมูลจาก Salesforce Data Cloud และสร้าง ทดสอบ และปรับใช้โมเดลด้วยการคลิกเพียงไม่กี่ครั้ง SageMaker Canvas ยังช่วยให้คุณเข้าใจการคาดการณ์ของคุณโดยใช้ความสำคัญของคุณลักษณะและค่า SHAP ทำให้คุณสามารถอธิบายการคาดการณ์ที่สร้างโดยโมเดล ML ได้อย่างตรงไปตรงมา
SageMaker ผ้าใบ
SageMaker Canvas ช่วยให้นักวิเคราะห์ธุรกิจและทีมวิทยาศาสตร์ข้อมูลสามารถสร้างและใช้ ML และโมเดล AI เชิงสร้างสรรค์ได้โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว SageMaker Canvas มอบอินเทอร์เฟซแบบชี้และคลิกที่ภาพเพื่อสร้างการคาดการณ์ ML ที่แม่นยำสำหรับการจำแนกประเภท การถดถอย การคาดการณ์ การประมวลผลภาษาธรรมชาติ (NLP) และการมองเห็นของคอมพิวเตอร์ (CV) นอกจากนี้คุณยังสามารถเข้าถึงและประเมินโมเดลรากฐาน (FMs) ได้จาก อเมซอน เบดร็อค หรือ FM สาธารณะจาก Amazon SageMaker JumpStart สำหรับการสร้างเนื้อหา การแยกข้อความ และการสรุปข้อความเพื่อรองรับโซลูชัน AI เชิงสร้างสรรค์ SageMaker Canvas ช่วยให้คุณทำแบบนั้นได้ นำโมเดล ML ที่สร้างขึ้นไปได้ทุกที่ และสร้างการคาดการณ์โดยตรงใน SageMaker Canvas
Salesforce Data Cloud และ Einstein Studio
Salesforce Data Cloud เป็นแพลตฟอร์มข้อมูลที่ช่วยให้ธุรกิจต่างๆ ได้รับการอัปเดตข้อมูลลูกค้าแบบเรียลไทม์จากทุกจุดสัมผัส
Einstein Studio เป็นประตูสู่เครื่องมือ AI บน Salesforce Data Cloud ด้วย Einstein Studio ผู้ดูแลระบบและนักวิทยาศาสตร์ข้อมูลสามารถสร้างโมเดลได้อย่างง่ายดายด้วยการคลิกเพียงไม่กี่ครั้งหรือใช้โค้ด ประสบการณ์การนำโมเดลของคุณเอง (BYOM) ของ Einstein Studio มอบความสามารถในการเชื่อมต่อโมเดล AI แบบกำหนดเองหรือแบบสร้างจากแพลตฟอร์มภายนอก เช่น SageMaker ไปยัง Salesforce Data Cloud
ภาพรวมโซลูชัน
เพื่อสาธิตวิธีที่คุณสามารถสร้างโมเดล ML โดยใช้ข้อมูลใน Salesforce Data Cloud โดยใช้ SageMaker Canvas เราจะสร้างโมเดลเชิงคาดการณ์เพื่อแนะนำผลิตภัณฑ์ โมเดลนี้ใช้คุณสมบัติที่จัดเก็บไว้ใน Salesforce Data Cloud เช่น ข้อมูลประชากรของลูกค้า การมีส่วนร่วมทางการตลาด และประวัติการซื้อ โมเดลการแนะนำผลิตภัณฑ์ถูกสร้างขึ้นและปรับใช้โดยใช้อินเทอร์เฟซผู้ใช้แบบไม่มีโค้ดของ SageMaker Canvas โดยใช้ข้อมูลใน Salesforce Data Cloud
เราใช้สิ่งต่อไปนี้ ชุดข้อมูลตัวอย่าง เก็บไว้ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน S3). หากต้องการใช้ชุดข้อมูลนี้ใน Salesforce Data Cloud โปรดดูที่ สร้างสตรีมข้อมูล Amazon S3 ใน Data Cloud. จำเป็นต้องมีแอตทริบิวต์ต่อไปนี้เพื่อสร้างโมเดล:
- สมาชิกชมรม – หากลูกค้าเป็นสมาชิกคลับ
- รณรงค์ – แคมเปญที่ลูกค้ามีส่วนร่วม
- สถานะ – รัฐหรือจังหวัดที่ลูกค้าอาศัยอยู่
- เดือน – เดือนที่ซื้อ
- จำนวนกรณี – จำนวนเคสที่แจ้งโดยลูกค้า
- กรณีกลับประเภท – ไม่ว่าลูกค้าจะคืนสินค้าใด ๆ ภายในปีที่ผ่านมา
- กรณีประเภทการจัดส่งเสียหาย – ลูกค้ามีสินค้าเสียหายในปีที่แล้วหรือไม่
- คะแนนการมีส่วนร่วม – ระดับการมีส่วนร่วมของลูกค้า (การตอบกลับแคมเปญทางไปรษณีย์ การเข้าสู่ระบบร้านค้าออนไลน์ และอื่นๆ)
- ความครอบครอง – ระยะเวลาของความสัมพันธ์กับลูกค้ากับบริษัท
- คลิก – จำนวนคลิกเฉลี่ยที่ลูกค้าทำภายในหนึ่งสัปดาห์ก่อนซื้อ
- หน้าที่เยี่ยมชม – จำนวนเพจเฉลี่ยที่ลูกค้าเข้าชมภายในหนึ่งสัปดาห์ก่อนซื้อ
- ซื้อสินค้าแล้ว – สินค้าจริงที่ซื้อ
ขั้นตอนต่อไปนี้จะให้ภาพรวมของวิธีใช้ตัวเชื่อมต่อ Salesforce Data Cloud ที่เปิดใช้งานใน SageMaker Canvas เพื่อเข้าถึงข้อมูลองค์กรของคุณและสร้างแบบจำลองการคาดการณ์:
- กำหนดค่าแอปที่เชื่อมต่อกับ Salesforce เพื่อลงทะเบียนโดเมน SageMaker Canvas
- ตั้งค่า OAuth สำหรับ Salesforce Data Cloud ใน SageMaker Canvas
- เชื่อมต่อกับข้อมูล Salesforce Data Cloud โดยใช้ตัวเชื่อมต่อ SageMaker Canvas Salesforce Data Cloud ในตัวและนำเข้าชุดข้อมูล
- สร้างและฝึกโมเดลใน SageMaker Canvas
- ปรับใช้โมเดลใน SageMaker Canvas และทำการคาดการณ์
- ปรับใช้และ Amazon API Gateway Amazon ตำแหน่งข้อมูลเป็นการเชื่อมต่อส่วนหน้ากับตำแหน่งข้อมูลการอนุมานของ SageMaker
- ลงทะเบียนตำแหน่งข้อมูล API Gateway ใน Einstein Studio สำหรับคำแนะนำ โปรดดูที่ นำโมเดล AI ของคุณเองมาสู่ Data Cloud.
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
เบื้องต้น
ก่อนที่คุณจะเริ่มต้น ให้ทำตามขั้นตอนเบื้องต้นต่อไปนี้เพื่อสร้างโดเมน SageMaker และเปิดใช้งาน SageMaker Canvas:
- สร้าง สตูดิโอ Amazon SageMaker โดเมน. สำหรับคำแนะนำ โปรดดูที่ ออนบอร์ดไปยังโดเมน Amazon SageMaker.
- จดบันทึก ID โดเมนและบทบาทการดำเนินการที่สร้างขึ้นและจะถูกใช้โดยโปรไฟล์ผู้ใช้ของคุณ คุณเพิ่มสิทธิ์ให้กับบทบาทนี้ในขั้นตอนต่อๆ ไป
ภาพหน้าจอต่อไปนี้แสดงโดเมนที่เราสร้างขึ้นสำหรับโพสต์นี้
- จากนั้นไปที่โปรไฟล์ผู้ใช้แล้วเลือก Edit.
- ไปที่ การตั้งค่า Amazon SageMaker Canvas และเลือก เปิดใช้งานการอนุญาตฐาน Canvas.
- เลือก เปิดใช้งานการปรับใช้โมเดล Canvas โดยตรง และ เปิดใช้งานการอนุญาตการลงทะเบียนโมเดลสำหรับผู้ใช้ทั้งหมด.
ซึ่งช่วยให้ SageMaker Canvas ปรับใช้โมเดลกับตำแหน่งข้อมูลบนคอนโซล SageMaker ได้ การตั้งค่าเหล่านี้สามารถกำหนดค่าได้ที่ระดับโดเมนหรือโปรไฟล์ผู้ใช้ การตั้งค่าโปรไฟล์ผู้ใช้มีความสำคัญมากกว่าการตั้งค่าโดเมน
สร้างหรืออัปเดตแอปที่เชื่อมต่อกับ Salesforce
ต่อไป เราจะสร้างแอปที่เชื่อมต่อกับ Salesforce เพื่อเปิดใช้งานโฟลว์ OAuth จาก SageMaker Canvas ไปยัง Salesforce Data Cloud ทำตามขั้นตอนต่อไปนี้:
- เข้าสู่ระบบ Salesforce และไปที่ การติดตั้ง.
- ค้นหา app ผู้จัดการ และสร้างแอปที่เชื่อมต่อใหม่
- ป้อนข้อมูลต่อไปนี้:
- สำหรับ ชื่อแอปที่เชื่อมต่อ, ป้อนชื่อ
- สำหรับ ชื่อ APIปล่อยให้เป็นค่าเริ่มต้น (ระบบจะเติมโดยอัตโนมัติ)
- สำหรับ ติดต่ออีเมล์ป้อนที่อยู่อีเมลสำหรับติดต่อของคุณ
- เลือก เปิดใช้งานการตั้งค่า OAuth.
- สำหรับ URL โทรกลับป้อน
https://<domain-id>.studio.<region>.sagemaker.aws/canvas/default/lab
และระบุ ID โดเมนและภูมิภาคจากโดเมน SageMaker ของคุณ
- กำหนดค่าขอบเขตต่อไปนี้ในแอปที่เชื่อมต่อของคุณ:
- จัดการข้อมูลผู้ใช้ผ่าน API (
api
). - ดำเนินการตามคำขอได้ตลอดเวลา (
refresh_token
,offline_access
). - ดำเนินการสืบค้น ANSI SQL บนข้อมูล Salesforce Data Cloud (Data
Cloud_query_api
). - จัดการข้อมูลโปรไฟล์ Data Cloud (
Data Cloud_profile_api
). - เข้าถึงบริการ URL ข้อมูลประจำตัว (
id
,profile
,email
,address
,phone
). - เข้าถึงตัวระบุผู้ใช้เฉพาะ (
openid
).
- จัดการข้อมูลผู้ใช้ผ่าน API (
- ตั้งค่าแอปที่เชื่อมต่อของคุณ การผ่อนคลาย IP การตั้งค่า ผ่อนคลายข้อจำกัด IP
กำหนดการตั้งค่า OAuth สำหรับตัวเชื่อมต่อ Salesforce Data Cloud
การใช้ SageMaker Canvas ผู้จัดการความลับของ AWS เพื่อจัดเก็บข้อมูลการเชื่อมต่ออย่างปลอดภัยจากแอปที่เชื่อมต่อกับ Salesforce SageMaker Canvas ช่วยให้ผู้ดูแลระบบกำหนดการตั้งค่า OAuth สำหรับโปรไฟล์ผู้ใช้แต่ละรายหรือในระดับโดเมนได้ โปรดทราบว่าคุณสามารถเพิ่มข้อมูลลับให้กับทั้งโดเมนและโปรไฟล์ผู้ใช้ได้ แต่ SageMaker Canvas จะค้นหาข้อมูลลับในโปรไฟล์ผู้ใช้ก่อน
หากต้องการกำหนดการตั้งค่า OAuth ให้ทำตามขั้นตอนต่อไปนี้:
- นำทางเพื่อแก้ไขการตั้งค่าโดเมนหรือโปรไฟล์ผู้ใช้ใน SageMaker Console
- Choose การตั้งค่าแคนวาส ในบานหน้าต่างนำทาง
- ภายใต้ การตั้งค่า OAuthสำหรับ แหล่งข้อมูลเลือก ข้อมูลคลาวด์ของ Salesforce.
- สำหรับ การตั้งค่าความลับคุณสามารถสร้างข้อมูลลับใหม่หรือใช้ข้อมูลลับที่มีอยู่ได้ สำหรับตัวอย่างนี้ เราสร้างข้อมูลลับใหม่และป้อน ID ไคลเอ็นต์และข้อมูลลับไคลเอ็นต์จากแอปที่เชื่อมต่อกับ Salesforce
สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการเปิดใช้งาน OAuth ใน SageMaker Canvas โปรดดูที่ ตั้งค่า OAuth สำหรับ Salesforce Data Cloud.
การดำเนินการนี้จะเสร็จสิ้นการตั้งค่าเพื่อเปิดใช้งานการเข้าถึงข้อมูลจาก Salesforce Data Cloud ไปยัง SageMaker Canvas เพื่อสร้างโมเดล AI และ ML
นำเข้าข้อมูลจาก Salesforce Data Cloud
ในการนำเข้าข้อมูลของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
- จากโปรไฟล์ผู้ใช้ที่คุณสร้างด้วยโดเมน SageMaker ของคุณ ให้เลือก ยิง และเลือก ผ้าใบ.
ครั้งแรกที่คุณเข้าถึงแอป Canvas ของคุณ จะใช้เวลาประมาณ 10 นาทีในการสร้าง
- Choose ดาต้าแรงเลอร์ ในบานหน้าต่างนำทาง
- เกี่ยวกับ สร้างบัญชีตัวแทน เมนูให้เลือก แบน เพื่อสร้างชุดข้อมูลแบบตาราง
- ตั้งชื่อชุดข้อมูลและเลือก สร้างบัญชีตัวแทน.
- สำหรับ แหล่งข้อมูลเลือก ข้อมูลคลาวด์ของ Salesforce และ เพิ่มการเชื่อมต่อ เพื่อนำเข้าออบเจ็กต์ Data Lake
หากคุณได้กำหนดค่าการเชื่อมต่อกับ Salesforce Data Cloud ไว้ก่อนหน้านี้ คุณจะเห็นตัวเลือกให้ใช้การเชื่อมต่อนั้นแทนการสร้างใหม่
- ระบุชื่อสำหรับการเชื่อมต่อ Salesforce Data Cloud ใหม่แล้วเลือก เพิ่มการเชื่อมต่อ.
จะใช้เวลาสองสามนาทีจึงจะเสร็จสมบูรณ์
- คุณจะถูกเปลี่ยนเส้นทางไปที่ เข้าสู่ระบบ Salesforce หน้าอนุญาตการเชื่อมต่อ
หลังจากเข้าสู่ระบบสำเร็จ คำขอจะถูกเปลี่ยนเส้นทางกลับไปที่ SageMaker Canvas พร้อมด้วยรายการอ็อบเจ็กต์ Data Lake
- เลือกชุดข้อมูลที่มีคุณสมบัติสำหรับการฝึกโมเดลที่อัปโหลดผ่าน Amazon S3
- ลากและวางไฟล์ จากนั้นเลือก แก้ไขในSQL.
Salesforce เพิ่ม “__c
“ ไปยังช่องออบเจ็กต์ Data Cloud ทั้งหมด ตามแบบแผนการตั้งชื่อ SageMaker Canvas ”__“
ไม่ได้รับอนุญาตในชื่อช่อง
- แก้ไข SQL เพื่อเปลี่ยนชื่อคอลัมน์และปล่อยข้อมูลเมตาที่ไม่เกี่ยวข้องกับการฝึกโมเดล แทนที่ชื่อตารางด้วยชื่อวัตถุของคุณ
- Choose เรียกใช้SQL แล้วก็ สร้างชุดข้อมูล.
- เลือกชุดข้อมูลและเลือก สร้างแบบจำลอง.
- หากต้องการสร้างแบบจำลองเพื่อคาดการณ์คำแนะนำผลิตภัณฑ์ ให้ระบุชื่อรุ่น จากนั้นเลือก การวิเคราะห์เชิงทำนาย for
ประเภทปัญหาและเลือก สร้างบัญชีตัวแทน.
สร้างและฝึกโมเดล
ทำตามขั้นตอนต่อไปนี้เพื่อสร้างและฝึกโมเดลของคุณ:
- หลังจากเปิดตัวโมเดลแล้ว ให้ตั้งค่าคอลัมน์เป้าหมายเป็น
product_purchased
.
SageMaker Canvas แสดงสถิติที่สำคัญและความสัมพันธ์ของแต่ละคอลัมน์กับคอลัมน์เป้าหมาย SageMaker Canvas มีเครื่องมือในการดูตัวอย่างโมเดลของคุณและตรวจสอบข้อมูลก่อนที่จะเริ่มสร้าง
- ใช้ฟีเจอร์แสดงตัวอย่างโมเดลเพื่อดูความแม่นยำของโมเดลของคุณ และตรวจสอบชุดข้อมูลของคุณเพื่อป้องกันปัญหาในขณะที่สร้างโมเดล
- หลังจากตรวจสอบข้อมูลและเปลี่ยนแปลงชุดข้อมูลแล้ว ให้เลือกประเภทบิวด์ของคุณ ที่ สร้างด่วน ตัวเลือกอาจเร็วกว่า แต่จะใช้เพียงชุดย่อยของข้อมูลของคุณเพื่อสร้างโมเดล สำหรับวัตถุประสงค์ของโพสต์นี้ เราเลือก โครงสร้างมาตรฐาน ตัวเลือก
การสร้างมาตรฐานอาจใช้เวลา 2-4 ชั่วโมงจึงจะเสร็จสมบูรณ์
SageMaker Canvas จะจัดการค่าที่หายไปในชุดข้อมูลของคุณโดยอัตโนมัติในขณะที่สร้างโมเดล นอกจากนี้ยังจะใช้การแปลงการเตรียมข้อมูลอื่นๆ เพื่อให้คุณเตรียมข้อมูลให้พร้อมสำหรับ ML
- หลังจากที่โมเดลของคุณเริ่มสร้างแล้ว คุณสามารถออกจากหน้านี้ได้
เมื่อโมเดลแสดงเป็น พร้อม บน โมเดลของฉัน พร้อมวิเคราะห์และทำนายผลแล้ว
- หลังจากสร้างโมเดลแล้ว ให้ไปที่ My โมเดลเลือก รายละเอียด เพื่อดูโมเดลที่คุณสร้าง และเลือกเวอร์ชันล่าสุด
- ไปที่ วิเคราะห์ เพื่อดูผลกระทบของแต่ละฟีเจอร์ที่มีต่อการคาดการณ์
- สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการทำนายของโมเดล ให้ไปที่ เกณฑ์การให้คะแนน แถบ
- Choose ทำนาย เพื่อเริ่มต้นการคาดการณ์ผลิตภัณฑ์
ปรับใช้โมเดลและทำการคาดการณ์
ทำตามขั้นตอนต่อไปนี้เพื่อปรับใช้โมเดลของคุณและเริ่มการคาดการณ์:
- คุณสามารถเลือกทำการคาดการณ์แบบชุดหรือแบบเดี่ยวก็ได้ สำหรับวัตถุประสงค์ของโพสต์นี้เราเลือก คำทำนายเดียว.
เมื่อคุณเลือก คำทำนายเดียว, SageMaker Canvas จะแสดงคุณสมบัติที่คุณสามารถระบุอินพุตได้
- คุณสามารถเปลี่ยนค่าได้โดยการเลือก บันทึก และดูคำทำนายแบบเรียลไทม์
ความแม่นยำของแบบจำลองตลอดจนผลกระทบของแต่ละคุณลักษณะสำหรับการคาดการณ์เฉพาะนั้นจะปรากฏขึ้น
- หากต้องการปรับใช้โมเดล ให้ระบุชื่อการปรับใช้ เลือกประเภทอินสแตนซ์และจำนวนอินสแตนซ์ จากนั้นเลือก ปรับใช้.
การทำให้โมเดลใช้งานได้จะใช้เวลาสักครู่
สถานะโมเดลได้รับการอัปเดตเป็น ในบริการ หลังจากปรับใช้สำเร็จแล้ว
SageMaker Canvas มีตัวเลือกในการทดสอบการปรับใช้งาน
- Choose ดูรายละเอียด.
พื้นที่ รายละเอียด แท็บแสดงรายละเอียดจุดสิ้นสุดของโมเดล ประเภทอินสแตนซ์ จำนวน รูปแบบอินพุต เนื้อหาการตอบสนอง และจุดสิ้นสุดคือรายละเอียดสำคัญบางส่วนที่แสดง
- Choose ทดสอบการใช้งาน เพื่อทดสอบปลายทางที่ปรับใช้
เช่นเดียวกับการคาดการณ์เดี่ยว มุมมองจะแสดงคุณลักษณะอินพุตและมีตัวเลือกในการอัปเดตและทดสอบตำแหน่งข้อมูลแบบเรียลไทม์
การคาดการณ์ใหม่พร้อมกับผลลัพธ์การเรียกใช้จุดสิ้นสุดจะถูกส่งกลับไปยังผู้ใช้
สร้าง API เพื่อเปิดเผย SageMaker Endpoint
หากต้องการสร้างการคาดการณ์ที่ขับเคลื่อนแอปพลิเคชันทางธุรกิจใน Salesforce คุณจะต้องเปิดเผยตำแหน่งข้อมูลการอนุมานของ SageMaker ที่สร้างโดยการปรับใช้ SageMaker Canvas ของคุณผ่าน API Gateway และลงทะเบียนใน Salesforce Einstein
รูปแบบคำขอและการตอบกลับจะแตกต่างกันไประหว่างจุดสิ้นสุดการอนุมานของ Salesforce Einstein และ SageMaker คุณสามารถใช้ API Gateway เพื่อทำการเปลี่ยนแปลงหรือใช้งานก็ได้ AWS แลมบ์ดา เพื่อแปลงคำขอและแมปการตอบสนอง อ้างถึง เรียกใช้ตำแหน่งข้อมูลรุ่น Amazon SageMaker โดยใช้ Amazon API Gateway และ AWS Lambda เพื่อแสดงตำแหน่งข้อมูล SageMaker ผ่าน Lambda และ API Gateway
ข้อมูลโค้ดต่อไปนี้เป็นฟังก์ชัน Lambda เพื่อแปลงคำขอและการตอบกลับ
อัปเดต endpoint
และ prediction_label
ค่าในฟังก์ชัน Lambda ตามการกำหนดค่าของคุณ
- เพิ่มตัวแปรสภาพแวดล้อม
SAGEMAKER_ENDPOINT_NAME
เพื่อบันทึกตำแหน่งข้อมูลการอนุมานของ SageMaker - ตั้งค่าป้ายกำกับการคาดการณ์ให้ตรงกับคีย์ JSON เอาต์พุตโมเดลที่ลงทะเบียนใน Einstein Studio
การหมดเวลาเริ่มต้นสำหรับฟังก์ชัน Lambda คือ 3 วินาที API การอนุมานแบบเรียลไทม์ของ SageMaker อาจใช้เวลานานกว่า 3 วินาทีในการตอบสนอง ทั้งนี้ขึ้นอยู่กับขนาดอินพุตคำขอการคาดการณ์
- เพิ่มการหมดเวลาของฟังก์ชัน Lambda แต่ให้อยู่ต่ำกว่า การหมดเวลาการรวมเริ่มต้นของ API Gatewayซึ่งก็คือ 29 วินาที
ลงทะเบียนโมเดลใน Salesforce Einstein Studio
หากต้องการลงทะเบียนตำแหน่งข้อมูล API Gateway ใน Einstein Studio โปรดดูที่ นำโมเดล AI ของคุณเองมาสู่ Data Cloud.
สรุป
ในโพสต์นี้ เราได้อธิบายวิธีที่คุณสามารถใช้ SageMaker Canvas เพื่อเชื่อมต่อกับ Salesforce Data Cloud และสร้างการคาดการณ์ผ่านฟีเจอร์ ML อัตโนมัติโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว เราได้สาธิตความสามารถในการสร้างโมเดล SageMaker Canvas เพื่อดำเนินการดูตัวอย่างประสิทธิภาพของโมเดลของคุณก่อนเริ่มรันบิวด์มาตรฐานที่ฝึกโมเดลด้วยชุดข้อมูลแบบเต็ม นอกจากนี้ เรายังจัดแสดงกิจกรรมการสร้างโมเดลภายหลัง เช่น การใช้อินเทอร์เฟซการคาดการณ์เดียวภายใน SageMaker Canvas และทำความเข้าใจการคาดการณ์ของคุณโดยใช้ความสำคัญของคุณลักษณะ ต่อไป เราใช้ตำแหน่งข้อมูล SageMaker ที่สร้างขึ้นใน SageMaker Canvas และทำให้มันพร้อมใช้งานเป็น API เพื่อให้คุณสามารถรวมเข้ากับ Salesforce Einstein Studio และสร้างแอปพลิเคชัน Salesforce อันทรงพลังได้
ในโพสต์ที่กำลังจะมาถึง เราจะแสดงวิธีใช้ข้อมูลจาก Salesforce Data Cloud ใน SageMaker Canvas เพื่อสร้างข้อมูลเชิงลึกและการจัดเตรียมข้อมูลให้ตรงไปตรงมายิ่งขึ้นโดยใช้อินเทอร์เฟซแบบภาพและการแจ้งด้วยภาษาธรรมชาติที่เรียบง่าย
หากต้องการเริ่มต้นใช้งาน SageMaker Canvas โปรดดู วันแห่งการดื่มด่ำกับ SageMaker Canvas และอ้างถึง เริ่มต้นใช้งาน Amazon SageMaker Canvas.
เกี่ยวกับผู้แต่ง
ดาริล มาร์ติส เป็นผู้อำนวยการฝ่ายผลิตภัณฑ์ของ Einstein Studio ที่ Salesforce Data Cloud เขามีประสบการณ์มากกว่า 10 ปีในการวางแผน สร้าง เปิดตัว และจัดการโซลูชันระดับโลกสำหรับลูกค้าองค์กร รวมถึงโซลูชัน AI/ML และคลาวด์ ก่อนหน้านี้เขาเคยทำงานในอุตสาหกรรมบริการทางการเงินในนิวยอร์กซิตี้ ติดตามเขาต่อไป LinkedIn.
รจนาชาดา เป็น Principal Solutions Architect AI/ML ในบัญชีเชิงกลยุทธ์ที่ AWS Rachna เป็นคนมองโลกในแง่ดีที่เชื่อว่าการใช้ AI อย่างมีจริยธรรมและมีความรับผิดชอบสามารถปรับปรุงสังคมในอนาคตและนำความเจริญทางเศรษฐกิจและสังคมมาให้ ในเวลาว่าง รัชนาชอบใช้เวลาอยู่กับครอบครัว เดินป่า และฟังเพลง
ไอเฟ สจ๊วต เป็น Principal Solutions Architect ในกลุ่ม ISV เชิงกลยุทธ์ที่ AWS เธอมีส่วนร่วมกับ Salesforce Data Cloud ในช่วง 2 ปีที่ผ่านมา เพื่อช่วยสร้างประสบการณ์ลูกค้าแบบบูรณาการทั่วทั้ง Salesforce และ AWS Ife มีประสบการณ์มากกว่า 10 ปีในด้านเทคโนโลยี เธอเป็นผู้สนับสนุนความหลากหลายและการรวมไว้ในสาขาเทคโนโลยี
รวี ภัทรติโปรลู เป็นสถาปนิกโซลูชันคู่ค้าอาวุโสที่ AWS Ravi ทำงานร่วมกับพันธมิตรเชิงกลยุทธ์ ได้แก่ Salesforce และ Tableau เพื่อนำเสนอผลิตภัณฑ์และโซลูชันที่เป็นนวัตกรรมและได้รับการออกแบบมาอย่างดี เพื่อช่วยให้ลูกค้าร่วมบรรลุวัตถุประสงค์ทางธุรกิจของตน
มิเรียม เลโบวิทซ์ เป็นสถาปนิกโซลูชันในส่วน ISV เชิงกลยุทธ์ที่ AWS เธอทำงานร่วมกับทีมต่างๆ ทั่วทั้ง Salesforce รวมถึง Salesforce Data Cloud และเชี่ยวชาญด้านการวิเคราะห์ข้อมูล นอกเหนือจากงาน เธอชอบทำขนม ท่องเที่ยว และใช้เวลาร่วมกับเพื่อนและครอบครัว
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/democratize-ml-on-salesforce-data-cloud-with-no-code-amazon-sagemaker-canvas/
- :มี
- :เป็น
- :ไม่
- $ ขึ้น
- 1
- 10
- 100
- 29
- 7
- 8
- a
- เกี่ยวกับเรา
- เข้า
- บัญชี
- ความถูกต้อง
- ถูกต้อง
- ข้าม
- กิจกรรม
- ที่เกิดขึ้นจริง
- เพิ่ม
- นอกจากนี้
- เพิ่มเติม
- ข้อมูลเพิ่มเติม
- ที่อยู่
- เพิ่ม
- ผู้ดูแลระบบ
- ผู้สนับสนุน
- หลังจาก
- AI
- โมเดล AI
- AI / ML
- ทั้งหมด
- อนุญาตให้
- ช่วยให้
- ตาม
- ด้วย
- อเมซอน
- Amazon API Gateway Amazon
- อเมซอน SageMaker
- ผืนผ้าใบ Amazon SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- นักวิเคราะห์
- การวิเคราะห์
- และ
- ใด
- API
- APIs
- app
- การใช้งาน
- ใช้
- สถาปัตยกรรม
- เป็น
- AS
- At
- แอตทริบิวต์
- อนุญาต
- อัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- เฉลี่ย
- AWS
- กลับ
- ฐาน
- ตาม
- BE
- รับ
- ก่อน
- เริ่ม
- เชื่อ
- ด้านล่าง
- ระหว่าง
- ร่างกาย
- ทั้งสอง
- นำมาซึ่ง
- สร้าง
- การก่อสร้าง
- สร้าง
- สร้าง
- built-in
- ธุรกิจ
- การประยุกต์ทางธุรกิจ
- ธุรกิจ
- แต่
- by
- แคลิฟอร์เนีย
- รณรงค์
- แคมเปญ
- CAN
- ผ้าใบ
- ความสามารถ
- จับ
- กรณี
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- Choose
- เลือก
- พลเมือง
- เมือง
- การจัดหมวดหมู่
- ไคลเอนต์
- เมฆ
- สโมสร
- รหัส
- คอลัมน์
- คอลัมน์
- สมบูรณ์
- เสร็จสิ้น
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- ความประพฤติ
- องค์ประกอบ
- การกำหนดค่า
- เชื่อมต่อ
- งานที่เชื่อมต่อ
- การเชื่อมต่อ
- ปลอบใจ
- ติดต่อเรา
- มี
- เนื้อหา
- การสร้างเนื้อหา
- สิ่งแวดล้อม
- การประชุม
- ความสัมพันธ์
- ได้
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- การสร้าง
- ประเพณี
- ลูกค้า
- ข้อมูลลูกค้า
- ลูกค้า
- ข้อมูล
- การเข้าถึงข้อมูล
- วิเคราะห์ข้อมูล
- ดาต้าเลค
- แพลตฟอร์มข้อมูล
- วิทยาศาสตร์ข้อมูล
- ค่าเริ่มต้น
- ส่งมอบ
- ทำให้เป็นประชาธิปไตย
- ประชากร
- สาธิต
- แสดงให้เห็นถึง
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- การใช้งาน
- การใช้งาน
- รายละเอียด
- โดยตรง
- โดยตรง
- ผู้อำนวยการ
- พูดคุย
- แสดง
- แสดง
- ความหลากหลาย
- ความหลากหลายและการรวม
- โดเมน
- ลง
- หล่น
- แต่ละ
- ก่อน
- ด้านเศรษฐกิจ
- ง่าย
- Einstein
- ทั้ง
- อีเมล
- ทำให้สามารถ
- ช่วยให้
- การเปิดใช้งาน
- ปลายทาง
- หมั้น
- มีส่วนร่วม
- การนัดหมาย
- เข้าสู่
- Enterprise
- สิ่งแวดล้อม
- ตามหลักจริยธรรม
- ประเมินค่า
- แม้
- เหตุการณ์
- ตัวอย่าง
- การปฏิบัติ
- ที่มีอยู่
- ประสบการณ์
- ประสบการณ์
- อธิบาย
- อธิบาย
- ภายนอก
- การสกัด
- ครอบครัว
- เร็วขึ้น
- ลักษณะ
- คุณสมบัติ
- สองสาม
- สนาม
- สาขา
- เนื้อไม่มีมัน
- ทางการเงิน
- บริการทางการเงิน
- ชื่อจริง
- ครั้งแรก
- ไหล
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- รูป
- รากฐาน
- เพื่อน
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชัน
- อนาคต
- เกตเวย์
- สร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- ได้รับ
- ให้
- Go
- มี
- จัดการ
- มี
- he
- ช่วย
- เธอ
- พระองค์
- ประวัติ
- เป็นเจ้าภาพ
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- ID
- ตัวบ่งชี้
- เอกลักษณ์
- if
- แสดงให้เห็นถึง
- การแช่
- ส่งผลกระทบ
- นำเข้า
- ความสำคัญ
- ปรับปรุง
- in
- รวมทั้ง
- รวม
- เป็นรายบุคคล
- อุตสาหกรรม
- ข้อมูล
- เริ่มต้น
- นวัตกรรม
- อินพุต
- ปัจจัยการผลิต
- ข้อมูลเชิงลึก
- ตัวอย่าง
- แทน
- คำแนะนำการใช้
- รวบรวม
- แบบบูรณาการ
- บูรณาการ
- อินเตอร์เฟซ
- IP
- ปัญหา
- ไอเอสวี
- IT
- ITS
- ร่วมกัน
- jpg
- JSON
- เพียงแค่
- เก็บ
- คีย์
- ฉลาก
- ทะเลสาบ
- ภาษา
- ชื่อสกุล
- เปิดตัว
- การเปิดตัว
- การเรียนรู้
- ทิ้ง
- ชั้น
- กดไลก์
- ยอดไลก์
- Line
- การฟัง
- รายการ
- เข้าสู่ระบบ
- LOOKS
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- ทางไปรษณีย์
- ทำ
- การทำ
- การจัดการ
- แผนที่
- การตลาด
- การจับคู่
- อาจ..
- เมตาดาต้า
- นาที
- หายไป
- ML
- แบบ
- โมเดล
- เดือน
- ข้อมูลเพิ่มเติม
- มากที่สุด
- ดนตรี
- ชื่อ
- ชื่อ
- การตั้งชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- นำทาง
- การเดินเรือ
- จำเป็นต้อง
- จำเป็น
- ใหม่
- นิวยอร์ก
- เมืองนิวยอร์ก
- ถัดไป
- NLP
- หมายเหตุ
- จำนวน
- รับรอง
- วัตถุ
- วัตถุประสงค์
- of
- on
- ONE
- ออนไลน์
- เพียง
- ตัวเลือกเสริม (Option)
- or
- OS
- อื่นๆ
- เอาท์พุต
- ด้านนอก
- เกิน
- ภาพรวม
- ของตนเอง
- หน้า
- หน้า
- บานหน้าต่าง
- ส่วนหนึ่ง
- หุ้นส่วน
- พาร์ทเนอร์
- ต่อ
- ดำเนินการ
- การปฏิบัติ
- สิทธิ์
- การวางแผน
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- ประชากร
- โพสต์
- อำนาจ
- ที่มีประสิทธิภาพ
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- การจัดเตรียม
- ป้องกัน
- ดูตัวอย่าง
- ก่อนหน้านี้
- หลัก
- ก่อน
- การประมวลผล
- ผลิตภัณฑ์
- ผลิตภัณฑ์
- โปรไฟล์
- แจ้ง
- ความเจริญ
- ให้
- ให้
- สาธารณะ
- ซื้อ
- วัตถุประสงค์
- คุณภาพ
- คำสั่ง
- ยก
- พร้อม
- จริง
- เรียลไทม์
- ตระหนักถึง
- เมื่อเร็ว ๆ นี้
- แนะนำ
- แนะนำ
- อ้างอิง
- ภูมิภาค
- ทะเบียน
- ลงทะเบียน
- รีจิสทรี
- ความสัมพันธ์
- ตรงประเด็น
- แทนที่
- ขอ
- การร้องขอ
- ตอบสนอง
- คำตอบ
- รับผิดชอบ
- ข้อ จำกัด
- ผล
- กลับ
- การตรวจสอบ
- บทบาท
- วิ่ง
- รันไทม์
- sagemaker
- การอนุมาน SageMaker
- Salesforce
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- วินาที
- ลับ
- ความลับ
- Section
- อย่างปลอดภัย
- เห็น
- ส่วน
- เลือก
- เลือก
- ชุด
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- การตั้งค่า
- การติดตั้ง
- เธอ
- โชว์
- จัดแสดง
- แสดงให้เห็นว่า
- ง่าย
- เดียว
- ขนาด
- เศษเล็กเศษน้อย
- So
- สังคม
- สังคม
- ทางออก
- โซลูชัน
- บาง
- ความเชี่ยวชาญ
- โดยเฉพาะ
- การใช้จ่าย
- มาตรฐาน
- เริ่มต้น
- ข้อความที่เริ่ม
- สถานะ
- สถิติ
- Status
- ขั้นตอน
- สจ๊วต
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- ซื่อตรง
- ยุทธศาสตร์
- พันธมิตรเชิงกลยุทธ์
- กระแส
- สตูดิโอ
- ภายหลัง
- ที่ประสบความสำเร็จ
- อย่างเช่น
- สนับสนุน
- ตาราง
- ฉาก
- เอา
- เป้า
- ทีม
- เทคโนโลยี
- ทดสอบ
- ข้อความ
- กว่า
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- รัฐ
- ของพวกเขา
- แล้วก็
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- ที่สาม
- นี้
- ตลอด
- เวลา
- ไปยัง
- เครื่องมือ
- แตะ
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- รถไฟ
- แปลง
- การแปลง
- การแปลง
- การเดินทาง
- ชนิด
- เข้าใจ
- ความเข้าใจ
- เป็นเอกลักษณ์
- ที่กำลังมา
- บันทึก
- ให้กับคุณ
- การปรับปรุง
- อัปโหลด
- URL
- ใช้
- มือสอง
- ผู้ใช้งาน
- ส่วนติดต่อผู้ใช้
- ใช้
- การใช้
- ตรวจสอบความถูกต้อง
- ความคุ้มค่า
- ตัวแปร
- รุ่น
- ผ่านทาง
- รายละเอียด
- วิสัยทัศน์
- เข้าเยี่ยมชม
- ภาพ
- คือ
- วอชิงตัน
- we
- เว็บ
- บริการเว็บ
- สัปดาห์
- ดี
- ว่า
- ที่
- ในขณะที่
- WHO
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- ทำงาน
- โรงงาน
- การประชุมเชิงปฏิบัติการ
- ระดับโลก
- เขียน
- การเขียน
- ปี
- นิวยอร์ก
- คุณ
- ของคุณ
- ลมทะเล