Makine öğrenimi (ML), pazarlama, üretim, operasyonlar, satış, finans ve müşteri hizmetleri gibi birden çok iş birimi genelinde temel iş işlevlerini optimize ederek kuruluşların gelir elde etmesine, maliyetleri düşürmesine, riski azaltmasına, verimliliği artırmasına ve kaliteyi artırmasına yardımcı olur. AWS ML ile kuruluşlar, değer yaratmayı aylardan günlere hızlandırabilir. Amazon SageMaker Tuval iş analistlerinin tek bir satır kod yazmadan veya makine öğrenimi uzmanlığı gerektirmeden doğru makine öğrenimi tahminleri oluşturmasına olanak tanıyan görsel, işaretle ve tıkla hizmetidir. Etkileşimli tahminler yapmak ve toplu veri kümelerinde toplu puanlama yapmak için modelleri kullanabilirsiniz.
Bu gönderide, iş ekiplerinin Canvas'ta tahminler üreterek her yerde oluşturulan makine öğrenimi modellerini nasıl kullanabileceklerine ve etkili iş sonuçları elde edebileceklerine ilişkin mimari kalıpları gösteriyoruz.
Model geliştirme ve paylaşımın bu entegrasyonu, işletme ve veri bilimi ekipleri arasında daha sıkı bir işbirliği oluşturur ve değer elde etme süresini kısaltır. İş ekipleri, dış ortamlarda yeni modelleri yeniden oluşturmak yerine bir iş sorununu çözmek için veri bilimcileri veya diğer departmanlar tarafından oluşturulan mevcut modelleri kullanabilir.
Son olarak, iş analistleri paylaşılan modelleri Canvas'a aktarabilir ve yalnızca birkaç tıklamayla üretime dağıtmadan önce tahminler oluşturabilir.
Çözüme genel bakış
Aşağıdaki şekilde, veri bilimcilerin modelleri iş analistleriyle nasıl paylaşabileceklerini ve daha sonra Canvas'ın görsel arayüzünde bu modellerden doğrudan tahminler oluşturabileceklerini göstermek için üç farklı mimari modeli açıklanmaktadır:
Önkoşullar
Modelinizi SageMaker kullanarak eğitmek ve oluşturmak ve modelinizi Canvas'a getirmek için aşağıdaki ön koşulları tamamlayın:
- Halihazırda bir SageMaker alanınız ve Studio kullanıcınız yoksa, bir Studio kullanıcısını kurun ve bir SageMaker etki alanına ekleyin.
- Canvas'ı etkinleştirin ve kurun kullanıcılarınız için temel izinler ve kullanıcılara Studio ile ortak çalışma izinleri verme.
- Autopilot, JumpStart veya model kaydından eğitilmiş bir modeliniz olmalıdır. SageMaker dışında oluşturduğunuz herhangi bir model için, modelinizi Canvas'a aktarmadan önce model kaydına kaydetmeniz gerekir.
Şimdi, bu üç mimari modelin her biri için bir iş analistiyle makine öğrenimi modellerini eğitmek, oluşturmak, dağıtmak ve paylaşmak isteyen bir veri bilimcisi rolünü üstlenelim.
Otopilot ve Canvas'ı kullanın
Autopilot, verileri keşfetmek, problem türü için ilgili algoritmayı seçmek ve ardından onu eğitmek ve ayarlamak gibi otomatik bir makine öğrenimi (AutoML) sürecinin temel görevlerini otomatikleştirir. Tüm bunlar, veri kümesi üzerinde tam kontrol ve görünürlüğü korumanıza izin verirken elde edilebilir. Autopilot, en iyi modeli bulmak için farklı çözümleri otomatik olarak araştırır ve kullanıcılar makine öğrenimi modelini yineleyebilir veya tek tıklamayla modeli doğrudan üretime dağıtabilir.
Bu örnekte, bir müşteri karmaşası sentetik kullanıyoruz veri kümesi telekom etki alanından ve potansiyel olarak çalkantı riski altında olan müşterileri belirlemekle görevlidirler. Bir makine öğrenimi modelini oluşturmak, eğitmek, dağıtmak ve bir iş analistiyle paylaşmak üzere Autopilot AutoML'yi kullanmak için aşağıdaki adımları tamamlayın:
- Atomic Cüzdanı indirin : veri kümesi, bir Amazon S3'e yükleyin (Amazon Basit Depolama Hizmeti) kovalayın ve S3 URI'sini not edin.
- Studio konsolunda, AutoML Gezinti bölmesinde.
- Klinik AutoML denemesi oluştur.
- Deney adını belirtin (bu gönderi için,
Telecom-Customer-Churn-AutoPilot
), S3 veri girişi ve çıkış konumu. - Hedef sütunu karmaşa olarak ayarlayın.
- Dağıtım ayarlarında, en iyi modelinizi dağıtan ve uç noktada çıkarım çalıştıran bir uç nokta oluşturmak için otomatik dağıtma seçeneğini etkinleştirebilirsiniz.
Daha fazla bilgi için, bkz. Bir Amazon SageMaker Otomatik Pilot denemesi oluşturun.
- Denemenizi seçin, ardından en iyi modelinizi seçin ve seçin Modeli paylaş.
- Bir Canvas kullanıcısı ekleyin ve seçin paylaş modeli paylaşmak için
(not: Modeli, Studio girişi için kullanılanla aynı Canvas kullanıcısıyla paylaşamazsınız. Örneğin, Studio kullanıcısı-A modeli Canvas Kullanıcısı-A ile paylaşamaz. Ancak kullanıcı A, modeli kullanıcı B ile paylaşabilir, bu nedenle model paylaşımı için farklı kullanımlar seçebilir)
Daha fazla bilgi için, bkz. Studio kullanıcıları: SageMaker Canvas'ta bir model paylaşın.
JumpStart ve Canvas'ı kullanma
JumpStart, dolandırıcılık tespiti, kredi riski tahmini ve ürün hatası tespiti gibi çok çeşitli makine öğrenimi kullanım durumları için önceden eğitilmiş, açık kaynaklı modeller sağlayan bir makine öğrenimi merkezidir. Tablo, görüntü, metin ve ses verileri için önceden eğitilmiş 300'den fazla model dağıtabilirsiniz.
Bu gönderi için, JumpStart'tan önceden eğitilmiş bir LightGBM regresyon modeli kullanıyoruz. Modeli özel bir veri kümesi üzerinde eğitiyor ve bir Canvas kullanıcısı (iş analisti) ile paylaşıyoruz. Önceden eğitilmiş model, çıkarım için bir uç noktaya dağıtılabilir. JumpStart, dağıtıldıktan sonra modele erişmek için örnek bir not defteri sağlar.
Bu örnekte, deniz kulağı veri kümesi. Veri seti, denizkulağının yaşını tahmin etmek için uzunluk, çap ve yükseklik gibi sekiz fiziksel ölçümün örneklerini içerir (bir regresyon problemi).
- Atomic Cüzdanı indirin : deniz kulağı veri kümesi Kaggle'dan.
- Bir S3 grubu oluşturun ve tren, doğrulama ve özel başlık veri kümelerini yükleyin.
- Studio konsolunda, altında Adaçayı Yapıcı Hızlı Başlangıç gezinme bölmesinde öğesini seçin. Modeller, defterler, çözümler.
- Altında Tablolu Modeller, seçmek LightGBM Regresyonu.
- Altında Tren Modeli, eğitim, doğrulama ve sütun başlığı veri kümeleri için S3 URI'lerini belirtin.
- Klinik Tren.
- Gezinti bölmesinde şunu seçin: Başlatılan JumpStart varlıkları.
- Üzerinde Eğitim işleri sekmesinde eğitim işinizi seçin.
- Üzerinde paylaş menü seç Canvas'ta Paylaş.
- Paylaşım yapılacak Canvas kullanıcılarını seçin, model ayrıntılarını belirtin ve paylaş.
Daha fazla bilgi için, bkz. Studio kullanıcıları: SageMaker Canvas'ta bir model paylaşın.
SageMaker model kaydını ve Canvas'ı kullanın
SageMaker model kaydı ile modelleri üretim için kataloglayabilir, model sürümlerini yönetebilir, meta verileri ilişkilendirebilir, bir modelin onay durumunu yönetebilir, modelleri üretime dağıtabilir ve CI/CD ile model dağıtımını otomatikleştirebilirsiniz.
Bir veri bilimcisi rolünü üstlenelim. Bu örnekte, veri hazırlama, model eğitimi, model barındırma, model kaydı ve bir iş analistiyle model paylaşımını içeren uçtan uca bir makine öğrenimi projesi oluşturuyorsunuz. İsteğe bağlı olarak, veri hazırlama ve ön işleme veya son işleme adımları için kullanabilirsiniz. Amazon SageMaker Veri Düzenleyicisi ve bir Amazon SageMaker Processing işi. Bu örnekte, LIBSVM'den indirilen abalone veri kümesini kullanıyoruz. Hedef değişken denizkulağının yaşıdır.
- Studio'da, GitHub repo.
- README dosyasında listelenen adımları tamamlayın.
- Studio konsolunda, altında Modeller gezinme bölmesinde öğesini seçin. Model kaydı.
- Modeli seçin
sklearn-reg-ablone
. - Model kayıt defterinden model sürüm 1'i Canvas'ta paylaşın.
- Paylaşım yapılacak Canvas kullanıcılarını seçin, model ayrıntılarını belirtin ve paylaş.
Talimatlar için bkz. Model Kaydı bölümündeki bölüm Studio kullanıcıları: SageMaker Canvas'ta bir model paylaşın.
Paylaşılan modelleri yönet
Modeli yukarıdaki yöntemlerden herhangi birini kullanarak paylaştıktan sonra, Modeller bölümüne gidin ve paylaşılan tüm modelleri inceleyin. Aşağıdaki ekran görüntüsünde bir Studio kullanıcısının (veri bilimcisi) farklı Canvas kullanıcılarıyla (iş ekipleri) paylaştığı 3 farklı model görüyoruz.
Paylaşılan bir modeli içe aktarın ve Canvas ile tahminler yapın
İş analisti rolünü üstlenelim ve Canvas kullanıcınızla Canvas'ta oturum açalım.
Bir veri bilimcisi veya Studio kullanıcısı bir Canvas kullanıcısıyla bir model paylaştığında, Canvas uygulamasında bir Studio kullanıcısının sizinle bir model paylaştığına dair bir bildirim alırsınız. Canvas uygulamasında bildirim aşağıdaki ekran görüntüsüne benzer.
Seçebilirsiniz Güncellemeyi görüntüle paylaşılan modeli görmek için veya şu adrese gidebilirsiniz: Modeller Sizinle paylaşılan tüm modelleri keşfetmek için Canvas uygulamasındaki sayfa. Studio'dan model içe aktarma işlemi 20 dakika kadar sürebilir.
Modeli içe aktardıktan sonra, metriklerini görüntüleyebilir ve oluşturabilirsiniz. what-if analizi veya toplu tahminlerle gerçek zamanlı tahminler.
Hususlar
Modelleri Canvas ile paylaşırken aşağıdakileri aklınızda bulundurun:
- Eğitim ve doğrulama veri kümelerini Amazon S3'te depolarsınız ve S3 URI'leri Canvas'a iletilir. AWS Kimlik ve Erişim Yönetimi (IAM) izinleri.
- Hedef sütunu Canvas'a sağlayın veya ilk sütunu varsayılan olarak kullanın.
- Bir Canvas kapsayıcısının çıkarım verilerini ayrıştırması için Canvas uç noktası metni (CSV) veya uygulamayı (JSON) kabul eder.
- Canvas, birden çok kapsayıcı veya çıkarım ardışık düzenini desteklemez.
- Eğitim ve doğrulama veri kümelerinde üstbilgi sağlanmazsa Canvas'a bir veri şeması sağlanır. Varsayılan olarak JumpStart platformu, eğitim ve doğrulama veri kümelerinde başlık sağlamaz.
- Jumpstart ile eğitim işinin Canvas ile paylaşılabilmesi için önce tamamlanması gerekir.
Bakın Sınırlamalar ve sorun giderme modelleri paylaşırken karşılaştığınız sorunları gidermenize yardımcı olmak için.
Temizlemek
İleride ücret ödememek için bu gönderiyi takip ederken oluşturduğunuz kaynakları silin veya kapatın. bakın Amazon SageMaker Canvas oturumunu kapatma daha fazla ayrıntı için. Not defterleri, terminal, çekirdekler, uygulamalar ve bulut sunucuları dahil olmak üzere bireysel kaynakları kapatın. Daha fazla bilgi için bkz. Kaynakları Kapat. Sil model versiyonu, SageMaker uç noktası ve kaynakları, Otomatik pilot deneme kaynakları, ve S3 kepçe.
Sonuç
Studio, veri bilimcilerin makine öğrenimi modellerini birkaç basit adımda iş analistleriyle paylaşmasına olanak tanır. İş analistleri, Canvas'ta yeni bir model oluşturmak yerine iş sorunlarını çözmek için veri bilimcileri tarafından oluşturulmuş makine öğrenimi modellerinden yararlanabilir. Ancak, teknik gereksinimler ve modelleri içe aktarmak için yapılan manuel işlemler nedeniyle bu modellerin üretildikleri ortamların dışında kullanılması zor olabilir. Bu genellikle kullanıcıları makine öğrenimi modellerini yeniden oluşturmaya zorlar ve bu da çabanın ve ek zaman ve kaynakların tekrarlanmasına neden olur. Canvas, her yerde eğittiğiniz modellerle Canvas'ta tahminler oluşturabilmeniz için bu sınırlamaları kaldırır. Bu gönderide gösterilen üç modeli kullanarak, makine öğrenimi modellerini, makine öğrenimi modelleri için bir meta veri deposu olan SageMaker model kayıt defterine kaydedebilir ve bunları Canvas'a aktarabilirsiniz. İş analistleri daha sonra Canvas'taki herhangi bir modeli analiz edebilir ve tahminler üretebilir.
SageMaker hizmetlerini kullanma hakkında daha fazla bilgi edinmek için aşağıdaki kaynaklara göz atın:
Sorularınız veya önerileriniz varsa, yorum bırakın.
yazarlar hakkında
Aman Sharma AWS'de Kıdemli Çözüm Mimarıdır. APJ bölgesindeki yeni kurulan şirketler, küçük ve orta ölçekli işletmeler ve kurumsal müşterilerle birlikte çalışıyor ve danışmanlık, mimarlık ve çözümleme alanlarında 19 yılı aşkın deneyime sahip. Yapay zekayı ve makine öğrenimini demokratikleştirme ve müşterilerin verilerini ve makine öğrenimi stratejilerini tasarlamalarına yardımcı olma konusunda tutkulu. İş dışında doğayı ve vahşi yaşamı keşfetmeyi seviyor.
Zichen Nie AWS SageMaker'da Kıdemli Yazılım Mühendisidir ve geçen yıl Kendi Modelinizi SageMaker Canvas'a Getirin projesini yönetmektedir. 7 yılı aşkın bir süredir Amazon'da çalışmaktadır ve hem Amazon Supply Chain Optimization hem de AWS AI hizmetlerinde deneyime sahiptir. İşten sonra Barre egzersizlerinden ve müzikten hoşlanıyor.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- :vardır
- :dır-dir
- $UP
- 1
- 100
- 20
- 7
- a
- Hakkımızda
- hızlandırmak
- Kabul eder
- erişim
- doğru
- Başarmak
- elde
- karşısında
- Ek
- Sonra
- AI
- AI hizmetleri
- algoritma
- Türkiye
- Izin
- veriyor
- zaten
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Otomatik Pilot
- Amazon SageMaker Tuval
- an
- analiz
- analist
- Analistler
- çözümlemek
- ve
- herhangi
- hiçbir yerde
- Uygulama
- onay
- uygulamalar
- mimari
- mimari
- ARE
- AS
- Ortak
- At
- ses
- Oto
- otomatikleştirmek
- otomata
- Otomatik
- otomatik olarak
- AutoML
- önlemek
- AWS
- baz
- BE
- olmuştur
- önce
- yarar
- İYİ
- arasında
- her ikisi de
- getirmek
- inşa etmek
- bina
- yapılı
- iş
- Iş fonksiyonları
- işletmeler
- fakat
- by
- CAN
- tuval
- durumlarda
- katalog
- zincir
- yükler
- Kontrol
- Klinik
- tıklayın
- kod
- işbirliği yapmak
- işbirliği
- Sütun
- yorum Yap
- tamamlamak
- konsolos
- danışman
- Konteyner
- içeren
- kontrol
- çekirdek
- maliyetler
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- oluşturma
- kredi
- görenek
- müşteri
- Müşteri Hizmetleri
- Müşteriler
- veri
- Veri Hazırlama
- veri bilimi
- veri bilimcisi
- veri kümeleri
- Günler
- Varsayılan
- Demokratikleştirilmesi
- göstermek
- bölümler
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- dağıtır
- tasarım
- ayrıntılar
- Bulma
- gelişme
- farklı
- zor
- direkt olarak
- keşfetmek
- Değil
- domain
- Dont
- aşağı
- sürücü
- gereken
- her
- Etkili
- verimlilikleri
- çaba
- ya
- etkinleştirmek
- son uca
- Son nokta
- mühendis
- kuruluş
- ortamları
- örnek
- örnekler
- mevcut
- deneyim
- deneme
- Uzmanlık
- keşfetmek
- araştırıyor
- Keşfetmek
- az
- şekil
- fileto
- maliye
- bulmak
- Ad
- takip etme
- İçin
- Güçler
- dolandırıcılık
- sahtekarlık tespiti
- itibaren
- tam
- fonksiyonlar
- gelecek
- oluşturmak
- üreten
- Go
- Var
- he
- başlıkları
- yükseklik
- yardım et
- yardım
- yardımcı olur
- bundan dolayı
- hosting
- Ne kadar
- Ancak
- HTML
- http
- HTTPS
- merkez
- belirlenmesi
- Kimlik
- if
- ithalat
- ithal
- iyileştirmek
- in
- içerir
- Dahil olmak üzere
- bireysel
- bilgi
- giriş
- yerine
- talimatlar
- bütünleşme
- arayüzey
- içine
- sorunlar
- IT
- ONUN
- İş
- jpg
- json
- sadece
- anahtar
- Soyad
- Geçen yıl
- önemli
- ÖĞRENİN
- öğrenme
- Ayrılmak
- uzunluk
- sevmek
- seviyor
- sınırlamaları
- çizgi
- Listelenmiş
- yer
- log
- giriş
- bakıyor
- korumak
- yapmak
- yönetmek
- Manuel
- üretim
- Pazarlama
- ölçümler
- orta
- Metadata
- yöntemleri
- Metrikleri
- olabilir
- akla
- dakika
- Azaltmak
- ML
- model
- modelleri
- ay
- Daha
- çoklu
- Music
- şart
- isim
- Tabiat
- Navigasyon
- ihtiyaçlar
- yeni
- yok hayır
- defter
- tebliğ
- of
- sık sık
- on
- Teknede
- ONE
- açık kaynak
- Operasyon
- optimizasyon
- optimize
- seçenek
- or
- organizasyonlar
- Diğer
- dışarı
- sonuçlar
- çıktı
- dışında
- kendi
- Kanal
- bölmesi
- geçti
- tutkulu
- desen
- izinleri
- fiziksel
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- Çivi
- potansiyel
- tahmin
- tahmin
- Tahminler
- önkoşullar
- Sorun
- sorunlar
- süreç
- Süreçler
- işleme
- PLATFORM
- üretim
- proje
- sağlamak
- sağlanan
- sağlar
- kalite
- Sorular
- menzil
- teslim almak
- azaltmak
- bölge
- kayıt olmak
- kayıt
- uygun
- Yer Alan Kurallar
- Kaynaklar
- Ortaya çıkan
- gelir
- yorum
- Risk
- Rol
- sagemaker
- satış
- aynı
- Bilim
- bilim adamı
- bilim adamları
- puanlama
- Bölüm
- görmek
- seçme
- kıdemli
- hizmet
- Hizmetler
- set
- ayarlar
- paylaş
- Paylaşılan
- Paylar
- paylaşımı
- o
- vitrin
- kapatmak
- benzer
- Basit
- tek
- küçük
- So
- Yazılım
- Yazılım Mühendisi
- Çözümler
- ÇÖZMEK
- start-up
- Durum
- Basamaklar
- hafızası
- mağaza
- stratejileri
- stüdyo
- böyle
- arz
- tedarik zinciri
- Tedarik Zinciri Optimizasyonu
- destek
- sentetik
- Bizi daha iyi tanımak için
- Hedef
- görevleri
- takım
- Teknik
- telekom
- terminal
- göre
- o
- The
- ve bazı Asya
- Onları
- sonra
- Bunlar
- onlar
- Re-Tweet
- Bu
- üç
- sıkı
- zaman
- için
- Tren
- eğitilmiş
- Eğitim
- tip
- altında
- birimleri
- kullanım
- Kullanılmış
- kullanıcı
- kullanıcılar
- kullanma
- onaylama
- değer
- değer oluşturma
- versiyon
- Görüntüle
- görünürlük
- vizyonumuz
- we
- ne zaman
- hangi
- süre
- DSÖ
- geniş
- Geniş ürün yelpazesi
- ile
- içinde
- olmadan
- İş
- çalışma
- çalışır
- yazı yazıyor
- yıl
- yıl
- Sen
- zefirnet