ใช้ Amazon DocumentDB เพื่อสร้างโซลูชัน Machine Learning โดยไม่ต้องใช้โค้ดใน Amazon SageMaker Canvas | อเมซอนเว็บเซอร์วิส

เรารู้สึกตื่นเต้นที่จะประกาศเปิดตัว Amazon DocumentDB (พร้อมความเข้ากันได้กับ MongoDB) รวมกับ ผืนผ้าใบ Amazon SageMakerช่วยให้ลูกค้า Amazon DocumentDB สามารถสร้างและใช้โซลูชัน AI และการเรียนรู้ของเครื่อง (ML) แบบสร้างสรรค์ได้โดยไม่ต้องเขียนโค้ด Amazon DocumentDB เป็นฐานข้อมูลเอกสาร JSON ดั้งเดิมที่มีการจัดการเต็มรูปแบบ ซึ่งทำให้ดำเนินการปริมาณงานเอกสารสำคัญในแทบทุกขนาดได้อย่างตรงไปตรงมาและคุ้มต้นทุน โดยไม่ต้องจัดการโครงสร้างพื้นฐาน Amazon SageMaker Canvas คือพื้นที่ทำงาน ML แบบไม่ต้องเขียนโค้ดซึ่งมีโมเดลที่พร้อมใช้งาน รวมถึงโมเดลพื้นฐาน และความสามารถในการจัดเตรียมข้อมูล ตลอดจนสร้างและปรับใช้โมเดลแบบกำหนดเอง

ในโพสต์นี้ เราจะพูดถึงวิธีนำข้อมูลที่จัดเก็บไว้ใน Amazon DocumentDB เข้าสู่ SageMaker Canvas และใช้ข้อมูลนั้นเพื่อสร้างโมเดล ML สำหรับการวิเคราะห์เชิงคาดการณ์ โดยไม่ต้องสร้างและบำรุงรักษาไปป์ไลน์ข้อมูล คุณจะสามารถขับเคลื่อนโมเดล ML ด้วยข้อมูลที่ไม่มีโครงสร้างที่จัดเก็บไว้ใน Amazon DocumentDB

ภาพรวมโซลูชัน

เรามาสวมบทบาทเป็นนักวิเคราะห์ธุรกิจของบริษัทส่งอาหารกัน แอปมือถือของคุณจัดเก็บข้อมูลเกี่ยวกับร้านอาหารใน Amazon DocumentDB เนื่องจากความสามารถในการปรับขนาดและความสามารถของสคีมาที่ยืดหยุ่น คุณต้องการรวบรวมข้อมูลเชิงลึกเกี่ยวกับข้อมูลนี้และสร้างแบบจำลอง ML เพื่อคาดการณ์ว่าร้านอาหารใหม่ๆ จะได้รับการจัดอันดับอย่างไร แต่การวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างพบว่าทำได้ยาก คุณเผชิญกับปัญหาคอขวดเนื่องจากคุณต้องพึ่งพาทีมวิศวกรรมข้อมูลและวิทยาศาสตร์ข้อมูลเพื่อบรรลุเป้าหมายเหล่านี้

การบูรณาการใหม่นี้ช่วยแก้ปัญหาเหล่านี้โดยทำให้การนำข้อมูล Amazon DocumentDB เข้าสู่ SageMaker Canvas เป็นเรื่องง่าย และเริ่มเตรียมและวิเคราะห์ข้อมูลสำหรับ ML ได้ทันที นอกจากนี้ SageMaker Canvas ยังขจัดการพึ่งพาความเชี่ยวชาญด้าน ML เพื่อสร้างโมเดลคุณภาพสูงและสร้างการคาดการณ์

เราสาธิตวิธีใช้ข้อมูล Amazon DocumentDB เพื่อสร้างโมเดล ML ใน SageMaker Canvas ในขั้นตอนต่อไปนี้:

1. สร้างตัวเชื่อมต่อ Amazon DocumentDB ใน SageMaker Canvas
2. วิเคราะห์ข้อมูลโดยใช้ generative AI
3. เตรียมข้อมูลสำหรับการเรียนรู้ของเครื่อง
4. สร้างแบบจำลองและสร้างการคาดการณ์

เบื้องต้น

เมื่อต้องการนำโซลูชันนี้ไปใช้ ให้ทำตามข้อกำหนดเบื้องต้นต่อไปนี้:

1. ให้ผู้ดูแลระบบ AWS Cloud เข้าถึงด้วย AWS Identity และการจัดการการเข้าถึง (ฉัน) ผู้ใช้งาน โดยมีสิทธิ์ที่จำเป็นในการรวมระบบให้เสร็จสมบูรณ์
2. ตั้งค่าสภาพแวดล้อมให้เสร็จสิ้นโดยใช้ การก่อตัวของ AWS Cloud ผ่านตัวเลือกใดตัวเลือกหนึ่งต่อไปนี้:
   1. ปรับใช้เทมเพลต CloudFormation ใน VPC ใหม่ – ตัวเลือกนี้สร้างสภาพแวดล้อม AWS ใหม่ซึ่งประกอบด้วย VPC, ซับเน็ตส่วนตัว, กลุ่มความปลอดภัย, บทบาทการดำเนินการ IAM, อเมซอน คลาวด์9, จุดสิ้นสุด VPC ที่จำเป็นและ โดเมน SageMaker. จากนั้นจึงปรับใช้ Amazon DocumentDB ใน VPC ใหม่นี้ ดาวน์โหลด เทมเพลต หรือเปิดใช้สแตก CloudFormation อย่างรวดเร็วโดยเลือก เรียกใช้ Stack:
      
   2. ปรับใช้เทมเพลต CloudFormation ใน VPC ที่มีอยู่ – ตัวเลือกนี้จะสร้างตำแหน่งข้อมูล VPC ที่จำเป็น บทบาทการดำเนินการ IAM และโดเมน SageMaker ใน VPC ที่มีอยู่พร้อมซับเน็ตส่วนตัว ดาวน์โหลด เทมเพลต หรือเปิดใช้สแตก CloudFormation อย่างรวดเร็วโดยเลือก เรียกใช้ Stack:
      

โปรดทราบว่าหากคุณกำลังสร้างโดเมน SageMaker ใหม่ คุณต้องกำหนดค่าโดเมนให้อยู่ใน VPC ส่วนตัวที่ไม่มีการเข้าถึงอินเทอร์เน็ต เพื่อให้สามารถเพิ่มตัวเชื่อมต่อไปยัง Amazon DocumentDB ได้ หากต้องการเรียนรู้เพิ่มเติม โปรดดูที่ กำหนดค่า Amazon SageMaker Canvas ใน VPC โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต.

3. ตาม เกี่ยวกับการสอน เพื่อโหลดข้อมูลร้านอาหารตัวอย่างลงใน Amazon DocumentDB
4. เพิ่มการเข้าถึง Amazon Bedrock และโมเดล Anthropic Claude ภายใน สำหรับข้อมูลเพิ่มเติม โปรดดู เพิ่มการเข้าถึงโมเดล.

สร้างตัวเชื่อมต่อ Amazon DocumentDB ใน SageMaker Canvas

หลังจากที่คุณสร้างโดเมน SageMaker แล้ว ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon DocumentDB ให้เลือก การเรียนรู้ของเครื่องแบบไม่มีโค้ด ในบานหน้าต่างนำทาง
2. ภายใต้ เลือกโดเมนและโปรไฟล์ธ เลือกโดเมน SageMaker และโปรไฟล์ผู้ใช้ของคุณ
3. Choose เปิดตัวผ้าใบ เพื่อเปิด SageMaker Canvas ในแท็บใหม่
   

เมื่อ SageMaker Canvas โหลดเสร็จแล้ว คุณจะไปที่ กระแสข้อมูล แถบ

4. Choose สร้างบัญชีตัวแทน เพื่อสร้างกระแสข้อมูลใหม่
   
5. ป้อนชื่อสำหรับกระแสข้อมูลของคุณแล้วเลือก สร้างบัญชีตัวแทน.
6. เพิ่มการเชื่อมต่อ Amazon DocumentDB ใหม่โดยการเลือก นำเข้าข้อมูลแล้วเลือก แบน for ประเภทชุดข้อมูล.
7. เกี่ยวกับ นำเข้าข้อมูล หน้าสำหรับ แหล่งข้อมูลเลือก DocumentDB และ เพิ่มการเชื่อมต่อ.
   
8. ป้อนชื่อการเชื่อมต่อ เช่น การสาธิต และเลือกคลัสเตอร์ Amazon DocumentDB ที่คุณต้องการ

โปรดทราบว่า SageMaker Canvas จะเติมข้อมูลเมนูแบบเลื่อนลงล่วงหน้าด้วยคลัสเตอร์ใน VPC เดียวกันกับโดเมน SageMaker ของคุณ

9. กรอกชื่อผู้ใช้ รหัสผ่าน และชื่อฐานข้อมูล
10. สุดท้าย เลือกการตั้งค่าการอ่านของคุณ

เพื่อปกป้องประสิทธิภาพของอินสแตนซ์หลัก SageMaker Canvas จะมีค่าเริ่มต้นเป็น รองซึ่งหมายความว่าจะอ่านจากอินสแตนซ์รองเท่านั้น เมื่อตั้งค่าการอ่านเป็น รองที่ต้องการSageMaker Canvas จะอ่านจากอินสแตนซ์รองที่มีอยู่ แต่จะอ่านจากอินสแตนซ์หลักหากไม่มีอินสแตนซ์รอง สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีกำหนดค่าการเชื่อมต่อ Amazon DocumentDB โปรดดูที่ เชื่อมต่อกับฐานข้อมูลที่จัดเก็บไว้ใน AWS.

11. Choose เพิ่มการเชื่อมต่อ.
    

หากการเชื่อมต่อสำเร็จ คุณจะเห็นคอลเลกชันในฐานข้อมูล Amazon DocumentDB ของคุณแสดงเป็นตาราง

12. ลากตารางที่คุณเลือกลงบนผืนผ้าใบเปล่า สำหรับโพสต์นี้ เราได้เพิ่มข้อมูลร้านอาหารของเรา

100 แถวแรกจะแสดงเป็นตัวอย่าง

13. หากต้องการเริ่มวิเคราะห์และเตรียมข้อมูลของคุณ ให้เลือก นำเข้าข้อมูล.
    
14. ป้อนชื่อชุดข้อมูลและเลือก นำเข้าข้อมูล.

วิเคราะห์ข้อมูลโดยใช้ generative AI

ต่อไป เราต้องการรับข้อมูลเชิงลึกเกี่ยวกับข้อมูลของเราและมองหารูปแบบ SageMaker Canvas มีอินเทอร์เฟซภาษาธรรมชาติสำหรับวิเคราะห์และเตรียมข้อมูล เมื่อ ข้อมูล เมื่อโหลดแท็บแล้ว คุณสามารถเริ่มสนทนากับข้อมูลของคุณได้ตามขั้นตอนต่อไปนี้:

1. Choose แชทเพื่อเตรียมข้อมูล.
   
2. รวบรวมข้อมูลเชิงลึกเกี่ยวกับข้อมูลของคุณโดยถามคำถามเช่นตัวอย่างที่แสดงในภาพหน้าจอต่อไปนี้
   

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีใช้ภาษาธรรมชาติในการสำรวจและเตรียมข้อมูล โปรดดูที่ ใช้ภาษาธรรมชาติในการสำรวจและเตรียมข้อมูลด้วยความสามารถใหม่ของ Amazon SageMaker Canvas.

มาทำความเข้าใจคุณภาพข้อมูลของเราให้ลึกซึ้งยิ่งขึ้นโดยใช้รายงานคุณภาพและข้อมูลเชิงลึกของข้อมูล SageMaker Canvas ซึ่งจะประเมินคุณภาพข้อมูลโดยอัตโนมัติและตรวจจับความผิดปกติ

3. เกี่ยวกับ การวิเคราะห์ เลือกแท็บ รายงานคุณภาพข้อมูลและข้อมูลเชิงลึก.
4. Choose rating เป็นคอลัมน์เป้าหมายและ การถอยหลัง เป็นประเภทปัญหา จากนั้นเลือก สร้างบัญชีตัวแทน.

สิ่งนี้จะจำลองการฝึกโมเดลและให้ข้อมูลเชิงลึกเกี่ยวกับวิธีที่เราสามารถปรับปรุงข้อมูลของเราสำหรับการเรียนรู้ของเครื่อง รายงานฉบับสมบูรณ์จะถูกสร้างขึ้นภายในไม่กี่นาที

รายงานของเราแสดงให้เห็นว่า 2.47% ของแถวในเป้าหมายของเรามีค่าหายไป เราจะแก้ไขปัญหานั้นในขั้นตอนถัดไป นอกจากนี้ การวิเคราะห์ยังแสดงให้เห็นว่า address line 2, nameและ type_of_food คุณลักษณะต่างๆ มีพลังในการคาดการณ์มากที่สุดในข้อมูลของเรา ข้อมูลนี้บ่งชี้ว่าข้อมูลร้านอาหารขั้นพื้นฐาน เช่น สถานที่ตั้งและอาหาร อาจมีผลกระทบต่อการให้คะแนนเกินมาตรฐาน

เตรียมข้อมูลสำหรับการเรียนรู้ของเครื่อง

SageMaker Canvas นำเสนอการแปลงในตัวมากกว่า 300 รายการเพื่อเตรียมข้อมูลที่นำเข้าของคุณ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับคุณสมบัติการเปลี่ยนแปลงของ SageMaker Canvas โปรดดูที่ เตรียมข้อมูลด้วยการแปลงขั้นสูง. มาเพิ่มการแปลงเพื่อเตรียมข้อมูลของเราให้พร้อมสำหรับการฝึกโมเดล ML

1. กลับไปที่ การไหลของข้อมูล หน้าโดยเลือกชื่อกระแสข้อมูลของคุณที่ด้านบนของหน้า
2. เลือกเครื่องหมายบวกถัดจาก ประเภทข้อมูล และเลือก เพิ่มการแปลง.
   
3. Choose เพิ่มขั้นตอน.
4. มาเปลี่ยนชื่อ .กันเถอะ address line 2 คอลัมน์ถึง cities.
   1. Choose จัดการคอลัมน์.
   2. Choose เปลี่ยนชื่อคอลัมน์ for แปลง.
   3. Choose address line 2 for คอลัมน์อินพุตป้อน cities for ชื่อใหม่และเลือก เพิ่ม.
      
5. นอกจากนี้ ให้วางคอลัมน์ที่ไม่จำเป็นบางส่วนออกไป
   1. เพิ่มการแปลงใหม่
   2. สำหรับ แปลงเลือก วางคอลัมน์.
   3. สำหรับ คอลัมน์ที่จะปล่อยเลือก URL และ restaurant_id.
   4. Choose เพิ่ม.
      [
6. Our rating คอลัมน์คุณลักษณะมีค่าที่ขาดหายไป ดังนั้นเรามาเติมค่าเฉลี่ยของคอลัมน์นี้ในแถวเหล่านั้นกันดีกว่า
   1. เพิ่มการแปลงใหม่
   2. สำหรับ แปลงเลือก เปรต.
   3. สำหรับ ประเภทคอลัมน์เลือก เป็นตัวเลข.
   4. สำหรับ คอลัมน์อินพุต, เลือก rating คอลัมน์.
   5. สำหรับ กลยุทธ์การใส่ร้ายเลือก หมายความ.
   6. สำหรับ คอลัมน์เอาต์พุตป้อน rating_avg_filled.
   7. Choose เพิ่ม.
      
7. เราสามารถวาง rating เนื่องจากเรามีคอลัมน์ใหม่ที่มีค่าที่เติมไว้
8. เพราะ type_of_food มีลักษณะเป็นหมวดหมู่ เราจะต้องการเข้ารหัสเป็นตัวเลข มาเข้ารหัสคุณลักษณะนี้โดยใช้เทคนิคการเข้ารหัสแบบร้อนแรงกัน
   1. เพิ่มการแปลงใหม่
   2. สำหรับ แปลงเลือก การเข้ารหัสแบบร้อนครั้งเดียว.
   3. สำหรับคอลัมน์อินพุต ให้เลือก type_of_food.
   4. สำหรับ กลยุทธ์การจัดการที่ไม่ถูกต้อง¸ เลือก เก็บ.
   5. สำหรับ สไตล์เอาต์พุต¸ เลือก คอลัมน์.
   6. สำหรับ คอลัมน์เอาต์พุตป้อน encoded.
   7. Choose เพิ่ม.
      

สร้างแบบจำลองและสร้างการคาดการณ์

ตอนนี้เราได้แปลงข้อมูลของเราแล้ว มาฝึกโมเดล ML ที่เป็นตัวเลขเพื่อคาดการณ์คะแนนสำหรับร้านอาหารกันดีกว่า

1. Choose สร้างแบบจำลอง.
2. สำหรับ ชื่อชุดข้อมูลให้ป้อนชื่อสำหรับการส่งออกชุดข้อมูล
3. Choose ส่งออก และรอให้ข้อมูลที่แปลงแล้วถูกส่งออก
   
4. เลือก สร้างแบบจำลอง ลิงค์ที่มุมซ้ายล่างของหน้า

คุณยังเลือกชุดข้อมูลจากฟีเจอร์ Data Wrangler ทางด้านซ้ายของหน้าได้ด้วย

5. ป้อนชื่อรุ่น
6. Choose การวิเคราะห์เชิงทำนายแล้วเลือก สร้างบัญชีตัวแทน.
7. Choose rating_avg_filled เป็นคอลัมน์เป้าหมาย

SageMaker Canvas จะเลือกประเภทโมเดลที่เหมาะสมโดยอัตโนมัติ

8. Choose ดูตัวอย่างรุ่น เพื่อให้แน่ใจว่าจะไม่มีปัญหาด้านคุณภาพของข้อมูล
9. Choose สร้างด่วน เพื่อสร้างแบบจำลอง
   

การสร้างโมเดลจะใช้เวลาประมาณ 2-15 นาทีจึงจะเสร็จสมบูรณ์

คุณสามารถดูสถานะโมเดลได้หลังจากที่โมเดลเสร็จสิ้นการฝึก แบบจำลองของเรามี RSME อยู่ที่ 0.422 ซึ่งหมายความว่าแบบจำลองมักจะคาดการณ์คะแนนของร้านอาหารภายใน +/- 0.422 ของมูลค่าจริง ซึ่งเป็นค่าประมาณที่ชัดเจนสำหรับระดับคะแนนที่ 1–6

10. สุดท้ายนี้ คุณสามารถสร้างตัวอย่างการทำนายได้โดยไปที่ ทำนาย แถบ
    

ทำความสะอาด

เพื่อหลีกเลี่ยงไม่ให้มีการเรียกเก็บเงินในอนาคต โปรดลบทรัพยากรที่คุณสร้างขณะติดตามโพสต์นี้ SageMaker Canvas จะเรียกเก็บเงินคุณตามระยะเวลาของเซสชัน และเราขอแนะนำให้ออกจากระบบ SageMaker Canvas เมื่อคุณไม่ได้ใช้งาน อ้างถึง ออกจากระบบ Amazon SageMaker Canvas .

สรุป

ในโพสต์นี้ เราได้พูดคุยถึงวิธีที่คุณสามารถใช้ SageMaker Canvas สำหรับ generative AI และ ML ด้วยข้อมูลที่จัดเก็บไว้ใน Amazon DocumentDB ในตัวอย่างของเรา เราแสดงให้เห็นว่านักวิเคราะห์สามารถสร้างแบบจำลอง ML คุณภาพสูงได้อย่างรวดเร็วโดยใช้ชุดข้อมูลร้านอาหารตัวอย่างได้อย่างไร

เราได้แสดงขั้นตอนในการใช้โซลูชัน ตั้งแต่การนำเข้าข้อมูลจาก Amazon DocumentDB ไปจนถึงการสร้างโมเดล ML ใน SageMaker Canvas กระบวนการทั้งหมดเสร็จสิ้นผ่านอินเทอร์เฟซแบบภาพโดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว

หากต้องการเริ่มต้นการเดินทาง ML แบบโค้ดน้อย/ไม่มีโค้ด โปรดดูที่ ผืนผ้าใบ Amazon SageMaker.

---

เกี่ยวกับผู้แต่ง

อเดลเก้ โคเกอร์ เป็น Global Solutions Architect กับ AWS เขาทำงานร่วมกับลูกค้าทั่วโลกเพื่อให้คำแนะนำและความช่วยเหลือด้านเทคนิคในการปรับใช้ปริมาณงานการผลิตในขนาดต่างๆ บน AWS ในเวลาว่าง เขาสนุกกับการเรียนรู้ อ่านหนังสือ เล่นเกม และดูการแข่งขันกีฬา

กูรูราช เอส บายารี เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ DocumentDB อาวุโสที่ AWS เขาสนุกกับการช่วยให้ลูกค้านำฐานข้อมูลที่สร้างขึ้นตามวัตถุประสงค์ของ Amazon มาใช้ เขาช่วยลูกค้าออกแบบ ประเมิน และเพิ่มประสิทธิภาพขนาดอินเทอร์เน็ตและปริมาณงานประสิทธิภาพสูงที่ขับเคลื่อนโดย NoSQL และ/หรือฐานข้อมูลเชิงสัมพันธ์

ทิม ปูซาเตรี เป็นผู้จัดการผลิตภัณฑ์อาวุโสที่ AWS ซึ่งเขาทำงานบน Amazon SageMaker Canvas เป้าหมายของเขาคือการช่วยให้ลูกค้าได้รับคุณค่าจาก AI/ML อย่างรวดเร็ว นอกเหนือจากงาน เขาชอบออกไปข้างนอก เล่นกีตาร์ ดูดนตรีสด และใช้เวลากับครอบครัวและเพื่อนฝูง

ปราติค ดาส เป็นผู้จัดการผลิตภัณฑ์ของ AWS เขาสนุกกับการทำงานร่วมกับลูกค้าที่ต้องการสร้างปริมาณงานที่ยืดหยุ่นและรากฐานข้อมูลที่แข็งแกร่งในระบบคลาวด์ เขานำความเชี่ยวชาญที่ทำงานร่วมกับองค์กรต่างๆ ในโครงการริเริ่มด้านการปรับปรุงให้ทันสมัย ​​การวิเคราะห์ และการเปลี่ยนแปลงข้อมูล

วาร์มา กตตุมุกกา เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้านฐานข้อมูลอาวุโสที่ AWS ในเมืองดัลลัส ฟอร์ตเวิร์ธ Varma ทำงานร่วมกับลูกค้าเกี่ยวกับกลยุทธ์ฐานข้อมูลและออกแบบปริมาณงานโดยใช้ฐานข้อมูลที่สร้างขึ้นตามวัตถุประสงค์ของ AWS ก่อนที่จะมาร่วมงานกับ AWS เขาทำงานอย่างกว้างขวางกับฐานข้อมูลเชิงสัมพันธ์ ฐานข้อมูล NOSQL และภาษาการเขียนโปรแกรมหลายภาษาในช่วง 22 ปีที่ผ่านมา

• 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/use-amazon-documentdb-to-build-no-code-machine-learning-solutions-in-amazon-sagemaker-canvas/