Amazon SageMaker Canvas'ta yerleşik makine öğrenimi modellerini Amazon SageMaker gerçek zamanlı uç noktalarına dağıtın | Amazon Web Hizmetleri

Amazon SageMaker Tuval artık makine öğrenimi (ML) modellerinin gerçek zamanlı çıkarım uç noktalarına dağıtılmasını destekleyerek ML modellerinizi üretime geçirmenize ve ML destekli içgörülere dayalı eylemi artırmanıza olanak tanır. SageMaker Canvas, analistlerin ve vatandaş veri bilimcilerinin iş ihtiyaçları için doğru makine öğrenimi tahminleri oluşturmalarına olanak tanıyan, kod içermeyen bir çalışma alanıdır.

Şimdiye kadar SageMaker Canvas, etkileşimli çalışma alanı içinde bir makine öğrenimi modelini değerlendirme, toplu tahminler oluşturma ve durum analizleri yürütme olanağı sağlıyordu. Ancak artık modelleri, gerçek zamanlı çıkarım için Amazon SageMaker uç noktalarına da dağıtabilirsiniz; bu da model tahminlerini kullanmayı ve SageMaker Canvas çalışma alanı dışındaki eylemleri yönlendirmeyi zahmetsiz hale getirir. ML modellerini SageMaker Canvas'tan doğrudan dağıtma yeteneğine sahip olmak, ML modellerini manuel olarak üretime aktarma, yapılandırma, test etme ve dağıtma ihtiyacını ortadan kaldırır, böylece karmaşıklığı azaltır ve zamandan tasarruf sağlar. Ayrıca, ML modellerinin kod yazmaya gerek kalmadan operasyonel hale getirilmesini bireyler için daha erişilebilir hale getirir.

Bu yazıda size süreç boyunca yol göstereceğiz. SageMaker Canvas'ta bir model dağıtma gerçek zamanlı bir uç noktaya.

Çözüme genel bakış

Kullanım örneğimiz için, bir cep telefonu operatörünün pazarlama departmanındaki bir iş kullanıcısı rolünü üstleniyoruz ve potansiyel kayıp riski olan müşterileri belirlemek için SageMaker Canvas'ta başarıyla bir ML modeli oluşturduk. Modelimizin ürettiği tahminler sayesinde artık bunu geliştirme ortamımızdan üretime taşımak istiyoruz. Çıkarım için model uç noktamızı dağıtma sürecini kolaylaştırmak amacıyla, ML modellerini doğrudan SageMaker Canvas'tan dağıtıyoruz, böylece ML modellerini manuel olarak dışa aktarma, yapılandırma, test etme ve üretime dağıtma ihtiyacını ortadan kaldırıyoruz. Bu, karmaşıklığın azaltılmasına yardımcı olur, zamandan tasarruf sağlar ve ayrıca makine öğrenimi modellerinin kod yazmaya gerek kalmadan operasyonel hale getirilmesini bireyler için daha erişilebilir hale getirir.

İş akışı adımları aşağıdaki gibidir:

1. Mevcut müşteri popülasyonunu içeren yeni bir veri kümesini SageMaker Canvas'a yükleyin. Desteklenen veri kaynaklarının tam listesi için bkz. Verileri Canvas'a aktarın.
2. ML modelleri oluşturun ve performans ölçümlerini analiz edin. Talimatlar için bkz. Özel bir model oluşturun ve Modelinizin Performansını Amazon SageMaker Canvas'ta Değerlendirin.
3. Onaylanan model sürümünü dağıtın gerçek zamanlı çıkarım için bir uç nokta olarak.

Bu adımları SageMaker Canvas'ta tek satır kod yazmanıza gerek kalmadan gerçekleştirebilirsiniz.

Önkoşullar

Bu izlenecek yol için aşağıdaki ön koşulların karşılandığından emin olun:

1. Model sürümlerini SageMaker uç noktalarına dağıtmak için SageMaker Canvas yöneticisinin, SageMaker Canvas uygulamanızı barındıran SageMaker etki alanında yönetebileceğiniz SageMaker Canvas kullanıcısına gerekli izinleri vermesi gerekir. Daha fazla bilgi için bkz. Canvas'ta İzin Yönetimi.
   
2. Belirtilen ön koşulları uygulayın Amazon SageMaker Canvas'ı kullanarak kodsuz makine öğrenimi ile müşteri kaybını tahmin edin.

Artık Canvas'ta tarihsel kayıp tahmin verileri üzerinde eğitilmiş üç model sürümünüz olmalıdır:

• V1, 21 özelliğin tümü ve %96.903'lük bir model puanıyla hızlı kurulum yapılandırmasıyla eğitildi
• V2, 19 özelliğin tümü (kaldırılan telefon ve durum özellikleri) ve hızlı oluşturma yapılandırması ve %97.403 oranında iyileştirilmiş doğrulukla eğitildi
• V3, %97.103 model puanına sahip standart yapı yapılandırmasıyla eğitildi

Müşteri kaybı tahmin modelini kullanın

etkinleştirme Gelişmiş metrikleri göster model ayrıntıları sayfasında ve her model sürümüyle ilişkili nesnel metrikleri gözden geçirerek SageMaker'a uç nokta olarak dağıtmak için en iyi performans gösteren modeli seçebilirsiniz.

Performans metriklerine göre dağıtılacak sürüm 2'yi seçiyoruz.

Model dağıtım ayarlarını (dağıtım adı, örnek türü ve örnek sayısı) yapılandırın.

Başlangıç ​​noktası olarak Canvas, model dağıtımınız için en iyi bulut sunucusu tipini ve bulut sunucusu sayısını otomatik olarak önerecektir. İş yükünüze göre değiştirebilirsiniz.

Dağıtılan SageMaker çıkarım uç noktasını doğrudan SageMaker Canvas içinden test edebilirsiniz.

Ek kayıp tahmini çıkarmak için SageMaker Canvas kullanıcı arayüzünü kullanarak giriş değerlerini değiştirebilirsiniz.

Şimdi şuraya gidelim Amazon SageMaker Stüdyosu ve konuşlandırılan uç noktayı kontrol edin.

SageMaker Studio'da bir not defteri açın ve dağıtılan model uç noktasını anlamak için aşağıdaki kodu çalıştırın. Model uç noktası adını kendi model uç nokta adınızla değiştirin.

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)

Orijinal model uç noktamız bir ml.m5.xlarge bulut sunucusu ve 1 bulut sunucusu sayısını kullanıyor. Şimdi, model uç noktanızdan çıkarım yapan son kullanıcıların sayısının artacağını beklediğinizi ve daha fazla işlem kapasitesi sağlamak istediğinizi varsayalım. Bunu doğrudan SageMaker Canvas içinden aşağıdakileri seçerek gerçekleştirebilirsiniz: Yapılandırmayı güncelle.

Temizlemek

Gelecekte masraf oluşmasını önlemek için bu gönderiyi takip ederken oluşturduğunuz kaynakları silin. Bu, SageMaker Canvas'tan çıkış yapmayı ve dağıtılan SageMaker uç noktasını silme. SageMaker Canvas, oturum süresi boyunca size fatura keser ve kullanmadığınız zamanlarda SageMaker Canvas'tan çıkış yapmanızı öneririz. Bakınız Amazon SageMaker Canvas oturumunu kapatma daha fazla ayrıntı için.

Sonuç

Bu yazıda, SageMaker Canvas'ın ML modellerini gerçek zamanlı çıkarım uç noktalarına nasıl dağıtabileceğini, böylece ML modellerinizi üretime geçirmenize ve ML destekli içgörülere dayalı olarak harekete geçmenize olanak tanıdığını tartıştık. Örneğimizde, bir analistin herhangi bir kod yazmadan yüksek doğruluklu bir tahmine dayalı makine öğrenimi modelini nasıl hızlı bir şekilde oluşturabileceğini, bunu bir uç nokta olarak SageMaker'da nasıl dağıtabileceğini ve model uç noktasını SageMaker Canvas'ın yanı sıra bir SageMaker Studio dizüstü bilgisayarından nasıl test edebileceğini gösterdik.

Düşük kodlu/kodsuz makine öğrenimi yolculuğunuza başlamak için bkz. Amazon SageMaker Tuval.

Lansmana katkıda bulunan herkese özel teşekkürler: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani ve Alicia Qi.

Yazarlar Hakkında

Janişa Anand SageMaker Canvas ve SageMaker Autopilot'u içeren Amazon SageMaker Düşük/Kodsuz ML ekibinde Kıdemli Ürün Yöneticisidir. Kahve içmeyi, aktif olmayı ve ailesiyle vakit geçirmeyi seviyor.

Indy Sawhney Amazon Web Services'te Kıdemli Müşteri Çözümleri Lideridir. Her zaman müşteri sorunlarına karşı geriye doğru çalışan Indy, AWS kurumsal müşteri yöneticilerine benzersiz bulut dönüşümü yolculukları boyunca tavsiyelerde bulunur. Kurumsal kuruluşların gelişen teknolojileri ve iş çözümlerini benimsemelerine yardımcı olan 25 yılı aşkın deneyime sahiptir. Indy, AWS'nin AI/ML Teknik Saha Topluluğunda üretken yapay zeka ve az kodlu/kodsuz Amazon SageMaker çözümlerinde uzmanlığa sahip, derinlemesine bir alan uzmanıdır.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/