ปรับใช้โมเดล ML ที่สร้างใน Amazon SageMaker Canvas ไปยังจุดสิ้นสุดแบบเรียลไทม์ของ Amazon SageMaker | อเมซอนเว็บเซอร์วิส

ผืนผ้าใบ Amazon SageMaker ขณะนี้รองรับการปรับใช้โมเดลการเรียนรู้ของเครื่อง (ML) กับจุดสิ้นสุดการอนุมานแบบเรียลไทม์ ช่วยให้คุณสามารถนำโมเดล ML ของคุณไปสู่การผลิตและขับเคลื่อนการดำเนินการตามข้อมูลเชิงลึกที่ขับเคลื่อนด้วย ML SageMaker Canvas เป็นพื้นที่ทำงานที่ไม่ต้องเขียนโค้ดซึ่งช่วยให้นักวิเคราะห์และนักวิทยาศาสตร์ข้อมูลพลเมืองสามารถสร้างการคาดการณ์ ML ที่แม่นยำสำหรับความต้องการทางธุรกิจของตนได้

จนถึงขณะนี้ SageMaker Canvas มอบความสามารถในการประเมินโมเดล ML สร้างการคาดการณ์จำนวนมาก และเรียกใช้การวิเคราะห์แบบ what-if ภายในพื้นที่ทำงานเชิงโต้ตอบ แต่ตอนนี้ คุณยังสามารถปรับใช้โมเดลกับตำแหน่งข้อมูล Amazon SageMaker สำหรับการอนุมานแบบเรียลไทม์ ทำให้ใช้การคาดการณ์โมเดลและขับเคลื่อนการดำเนินการนอกพื้นที่ทำงาน SageMaker Canvas ได้อย่างง่ายดาย การมีความสามารถในการปรับใช้โมเดล ML จาก SageMaker Canvas ได้โดยตรง ทำให้ไม่จำเป็นต้องส่งออก กำหนดค่า ทดสอบ และปรับใช้โมเดล ML ในการใช้งานจริงด้วยตนเอง ซึ่งช่วยลดความซับซ้อนและประหยัดเวลา นอกจากนี้ยังทำให้แต่ละบุคคลสามารถเข้าถึงการดำเนินการโมเดล ML ได้มากขึ้น โดยไม่จำเป็นต้องเขียนโค้ด

ในโพสต์นี้ เราจะแนะนำคุณตลอดกระบวนการ ปรับใช้โมเดลใน SageMaker Canvas ไปยังจุดสิ้นสุดแบบเรียลไทม์

ภาพรวมของโซลูชัน

สำหรับกรณีการใช้งานของเรา เรากำลังสวมบทบาทเป็นผู้ใช้ทางธุรกิจในแผนกการตลาดของผู้ให้บริการโทรศัพท์มือถือ และเราได้สร้างโมเดล ML ใน SageMaker Canvas ได้สำเร็จเพื่อระบุลูกค้าที่มีความเสี่ยงที่อาจเกิดการเลิกใช้งาน ด้วยการคาดการณ์ที่สร้างโดยแบบจำลองของเรา ตอนนี้เราต้องการย้ายสิ่งนี้จากสภาพแวดล้อมการพัฒนาของเราไปสู่การใช้งานจริง เพื่อปรับปรุงกระบวนการปรับใช้ตำแหน่งข้อมูลโมเดลของเราสำหรับการอนุมาน เราได้ปรับใช้โมเดล ML จาก SageMaker Canvas โดยตรง ซึ่งช่วยลดความจำเป็นในการส่งออก กำหนดค่า ทดสอบ และปรับใช้โมเดล ML ในการใช้งานจริงด้วยตนเอง ซึ่งจะช่วยลดความซับซ้อน ประหยัดเวลา และยังช่วยให้แต่ละบุคคลสามารถเข้าถึงการดำเนินการโมเดล ML ได้มากขึ้น โดยไม่จำเป็นต้องเขียนโค้ด

ขั้นตอนเวิร์กโฟลว์มีดังนี้:

1. อัปโหลดชุดข้อมูลใหม่ที่มีประชากรลูกค้าปัจจุบันลงใน SageMaker Canvas สำหรับรายการแหล่งข้อมูลที่รองรับทั้งหมด โปรดดูที่ นำเข้าข้อมูลลงใน Canvas.
2. สร้างโมเดล ML และวิเคราะห์ตัวชี้วัดประสิทธิภาพ สำหรับคำแนะนำ โปรดดูที่ สร้างแบบจำลองที่กำหนดเอง และ ประเมินประสิทธิภาพของโมเดลของคุณใน Amazon SageMaker Canvas.
3. ปรับใช้รุ่นโมเดลที่ได้รับอนุมัติ เป็นจุดสิ้นสุดสำหรับการอนุมานแบบเรียลไทม์

คุณสามารถทำตามขั้นตอนเหล่านี้ใน SageMaker Canvas ได้โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว

เบื้องต้น

สำหรับคำแนะนำนี้ ตรวจสอบให้แน่ใจว่าตรงตามข้อกำหนดเบื้องต้นต่อไปนี้:

1. หากต้องการปรับใช้เวอร์ชันโมเดลกับตำแหน่งข้อมูล SageMaker ผู้ดูแลระบบ SageMaker Canvas จะต้องให้สิทธิ์ที่จำเป็นแก่ผู้ใช้ SageMaker Canvas ซึ่งคุณสามารถจัดการได้ในโดเมน SageMaker ที่โฮสต์แอปพลิเคชัน SageMaker Canvas ของคุณ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การจัดการสิทธิ์ใน Canvas.
   
2. ดำเนินการตามข้อกำหนดเบื้องต้นที่กล่าวถึงใน ทำนายการเลิกราของลูกค้าด้วยแมชชีนเลิร์นนิงแบบไม่มีโค้ดโดยใช้ Amazon SageMaker Canvas.

ตอนนี้คุณควรมีโมเดลสามรุ่นที่ได้รับการฝึกฝนเกี่ยวกับข้อมูลการคาดการณ์การเลิกใช้งานที่ผ่านมาใน Canvas:

• V1 ฝึกฝนด้วยคุณสมบัติทั้งหมด 21 รายการและการกำหนดค่าการสร้างอย่างรวดเร็วด้วยคะแนนโมเดล 96.903%
• V2 ได้รับการฝึกฝนด้วยคุณสมบัติทั้งหมด 19 รายการ (คุณสมบัติโทรศัพท์และสถานะที่ถูกลบออก) และการกำหนดค่าการสร้างอย่างรวดเร็วและความแม่นยำที่เพิ่มขึ้น 97.403%
• V3 ฝึกฝนด้วยการกำหนดค่าบิลด์มาตรฐานด้วยคะแนนโมเดล 97.103%

ใช้แบบจำลองการคาดการณ์การเลิกใช้งานของลูกค้า

ทำให้สามารถ แสดงเมตริกขั้นสูง ในหน้ารายละเอียดโมเดล และตรวจสอบตัววัดวัตถุประสงค์ที่เกี่ยวข้องกับแต่ละเวอร์ชันของโมเดล เพื่อให้คุณสามารถเลือกโมเดลที่มีประสิทธิภาพดีที่สุดสำหรับการปรับใช้กับ SageMaker เป็นจุดสิ้นสุด

ตามตัวชี้วัดประสิทธิภาพ เราเลือกเวอร์ชัน 2 ที่จะปรับใช้

กำหนดการตั้งค่าการปรับใช้โมเดล ได้แก่ ชื่อการปรับใช้ ประเภทอินสแตนซ์ และจำนวนอินสแตนซ์

โดยเป็นจุดเริ่มต้น Canvas จะแนะนำประเภทอินสแตนซ์ที่ดีที่สุดและจำนวนอินสแตนซ์สำหรับการปรับใช้โมเดลของคุณโดยอัตโนมัติ คุณสามารถเปลี่ยนได้ตามความต้องการปริมาณงานของคุณ

คุณสามารถทดสอบตำแหน่งข้อมูลการอนุมานของ SageMaker ที่ปรับใช้ได้โดยตรงจากภายใน SageMaker Canvas

คุณสามารถเปลี่ยนค่าอินพุตได้โดยใช้อินเทอร์เฟซผู้ใช้ SageMaker Canvas เพื่ออนุมานการคาดการณ์การเลิกใช้งานเพิ่มเติม

ตอนนี้ขอนำทางไปยัง สตูดิโอ Amazon SageMaker และตรวจสอบจุดสิ้นสุดที่ปรับใช้

เปิดสมุดบันทึกใน SageMaker Studio และเรียกใช้โค้ดต่อไปนี้เพื่อสรุปจุดสิ้นสุดของโมเดลที่ปรับใช้ แทนที่ชื่อจุดสิ้นสุดของโมเดลด้วยชื่อจุดสิ้นสุดของโมเดลของคุณเอง

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)

ตำแหน่งข้อมูลโมเดลเดิมของเราใช้อินสแตนซ์ ml.m5.xlarge และจำนวนอินสแตนซ์ 1 รายการ ตอนนี้ สมมติว่าคุณคาดหวังว่าจำนวนผู้ใช้ปลายทางที่อนุมานตำแหน่งข้อมูลแบบจำลองของคุณจะเพิ่มขึ้น และคุณต้องการจัดเตรียมความสามารถในการประมวลผลมากขึ้น คุณสามารถดำเนินการนี้ได้โดยตรงจากภายใน SageMaker Canvas โดยการเลือก อัปเดตการกำหนดค่า.

ทำความสะอาด

เพื่อหลีกเลี่ยงไม่ให้มีการเรียกเก็บเงินในอนาคต โปรดลบทรัพยากรที่คุณสร้างขณะติดตามโพสต์นี้ ซึ่งรวมถึงการออกจากระบบ SageMaker Canvas และ การลบตำแหน่งข้อมูล SageMaker ที่ปรับใช้. SageMaker Canvas จะเรียกเก็บเงินคุณตามระยะเวลาของเซสชัน และเราขอแนะนำให้ออกจากระบบ SageMaker Canvas เมื่อคุณไม่ได้ใช้งาน อ้างถึง ออกจากระบบ Amazon SageMaker Canvas .

สรุป

ในโพสต์นี้ เราได้พูดคุยกันว่า SageMaker Canvas สามารถปรับใช้โมเดล ML กับจุดสิ้นสุดการอนุมานแบบเรียลไทม์ได้อย่างไร ช่วยให้คุณสามารถนำโมเดล ML ของคุณไปสู่การผลิตและขับเคลื่อนการดำเนินการตามข้อมูลเชิงลึกที่ขับเคลื่อนด้วย ML ในตัวอย่างของเรา เราแสดงให้เห็นว่านักวิเคราะห์สามารถสร้างโมเดล ML เชิงคาดการณ์ที่มีความแม่นยำสูงได้อย่างรวดเร็วโดยไม่ต้องเขียนโค้ดใดๆ ปรับใช้บน SageMaker เป็นจุดสิ้นสุด และทดสอบจุดสิ้นสุดของโมเดลจาก SageMaker Canvas รวมถึงจากโน้ตบุ๊ก SageMaker Studio ได้อย่างไร

หากต้องการเริ่มต้นการเดินทาง ML แบบโค้ดน้อย/ไม่มีโค้ด โปรดดูที่ ผืนผ้าใบ Amazon SageMaker.

ขอขอบคุณเป็นพิเศษสำหรับทุกคนที่มีส่วนร่วมในการเปิดตัว: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani และ Alicia Qi

เกี่ยวกับผู้เขียน

เจนิชา อานันท์ เป็นผู้จัดการผลิตภัณฑ์อาวุโสในทีม Amazon SageMaker Low/No Code ML ซึ่งรวมถึง SageMaker Canvas และ SageMaker Autopilot เธอชอบดื่มกาแฟ ทำกิจกรรม และใช้เวลาร่วมกับครอบครัว

อินดี้ ซอว์นีย์ เป็นผู้นำโซลูชันลูกค้าอาวุโสของ Amazon Web Services Indy ทำงานแบบถอยหลังเสมอจากปัญหาของลูกค้า Indy ให้คำแนะนำแก่ผู้บริหารลูกค้าองค์กร AWS ผ่านเส้นทางการเปลี่ยนแปลงระบบคลาวด์ที่ไม่เหมือนใคร เขามีประสบการณ์มากกว่า 25 ปีในการช่วยเหลือองค์กรองค์กรให้นำเทคโนโลยีและโซลูชั่นทางธุรกิจที่เกิดขึ้นใหม่มาใช้ Indy เป็นผู้เชี่ยวชาญด้านเชิงลึกในชุมชนด้านเทคนิคของ AWS สำหรับ AI/ML โดยมีความเชี่ยวชาญด้าน generative AI และโซลูชัน Amazon SageMaker แบบใช้โค้ดน้อย/ไม่มีโค้ด

• 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/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/