Amazon SageMaker Canvas ile kodsuz makine öğrenimi için 40'tan fazla veri kaynağından veri aktarın

Veriler, makine öğreniminin (ML) merkezinde yer alır. İş sorununuzu kapsamlı bir şekilde temsil etmek için ilgili verileri dahil etmek, iş kararlarını yönlendirmek için gereken içgörüleri elde edebilmeniz için eğilimleri ve ilişkileri etkili bir şekilde yakalamanızı sağlar. İle Amazon SageMaker Tuval, artık verileri içe aktarabilirsiniz 40'tan fazla veri kaynağı kodsuz ML için kullanılacak. Canvas, iş analistlerine herhangi bir makine öğrenimi deneyimi gerektirmeden veya tek bir kod satırı yazmak zorunda kalmadan kendi başlarına doğru makine öğrenimi tahminleri oluşturmalarına olanak tanıyan görsel bir arabirim sağlayarak makine öğrenimine erişimi genişletiyor. Artık, uygulama içi verileri aşağıdakiler gibi popüler ilişkisel veri depolarından içe aktarabilirsiniz: Amazon Atina tarafından desteklenen üçüncü taraf hizmet olarak yazılım (SaaS) platformlarının yanı sıra Amazon Uygulama Akışı Salesforce, SAP OData ve Google Analytics gibi.

Makine öğrenimi için yüksek kaliteli veri toplama süreci karmaşık ve zaman alıcı olabilir, çünkü SaaS uygulamalarının ve veri depolama hizmetlerinin yaygınlaşması, verilerin çok sayıda sisteme yayılmasını sağlamıştır. Örneğin, Salesforce'tan müşteri verilerini, SAP'den finansal verileri ve Snowflake'ten lojistik verilerini kullanarak bir müşteri kayıp analizi yapmanız gerekebilir. Bu kaynaklar arasında bir veri kümesi oluşturmak için, her uygulamada ayrı ayrı oturum açmanız, istenen verileri seçmeniz ve yerel olarak dışa aktarmanız, ardından farklı bir araç kullanılarak toplanabilmesi gerekir. Bu veri kümesinin daha sonra makine öğrenimi için ayrı bir uygulamaya aktarılması gerekir.

Bu lansman ile Canvas, 40'tan fazla veri kaynağından uygulama içi veri içe aktarmayı ve toplamayı destekleyerek farklı kaynaklarda depolanan verilerden yararlanmanıza olanak tanır. Bu özellik, Athena'ya ve Amazon AppFlow'a yönelik yeni yerel bağlayıcılar aracılığıyla mümkün kılınmıştır. AWS Tutkal Veri Kataloğu. Amazon AppFlow, verileri üçüncü taraf SaaS uygulamalarından güvenli bir şekilde Amazon Basit Depolama Hizmeti (Amazon S3) ve yalnızca birkaç tıklamayla Veri Kataloğu ile verileri kataloglayın. Verileriniz aktarıldıktan sonra, tablo şemalarını görüntüleyebileceğiniz, veri kaynakları içinde veya arasında tabloları birleştirebileceğiniz, Athena sorguları yazabileceğiniz ve verilerinizi önizleyip içe aktarabileceğiniz Canvas içinden veri kaynağına kolayca erişebilirsiniz. Verileriniz içe aktarıldıktan sonra, bir makine öğrenimi modeli oluşturma, sütun etkisi verilerini görüntüleme veya tahminler oluşturma gibi mevcut Canvas işlevlerini kullanabilirsiniz. Canvas'taki en son verilere her zaman erişiminiz olduğundan emin olmak için Amazon AppFlow'daki veri aktarım sürecini otomatikleştirerek bir programa göre etkinleştirebilirsiniz.

Çözüme genel bakış

Bu gönderide özetlenen adımlar, kodsuz makine öğrenimi için verilerin Canvas'a nasıl aktarılacağına ilişkin iki örnek sağlar. İlk örnekte, verilerin Athena aracılığıyla nasıl içe aktarılacağını gösteriyoruz. İkinci örnekte, Amazon AppFlow aracılığıyla üçüncü taraf bir SaaS uygulamasından nasıl veri aktarılacağını gösteriyoruz.

Athena'dan verileri içe aktar

Bu bölümde, müşteri segmentasyonu analizi yapmak için Athena'dan Canvas'a veri aktarmanın bir örneğini gösteriyoruz. Müşteri tabanımızı dört farklı sınıfa ayırmak için bir ML sınıflandırma modeli oluşturuyoruz ve nihai hedef, modeli yeni bir müşterinin hangi sınıfa gireceğini tahmin etmek için kullanmak. Üç ana adımı takip ediyoruz: verileri içe aktarın, bir model eğitin ve tahminler oluşturun. Başlayalım.

Verileri içeri aktarın

Athena'dan veri almak için aşağıdaki adımları tamamlayın:

1. Canvas konsolunda, Veri Setleri gezinme bölmesinde, ardından ithalat.
   
2. genişletmek Veri kaynağı menü ve seçim Athena.
   
3. İçe aktarmak istediğiniz doğru veritabanını ve tabloyu seçin. İsteğe bağlı olarak önizleme simgesini seçerek tabloyu önizleyebilirsiniz.
   

Aşağıdaki ekran görüntüsü önizleme tablosunun bir örneğini göstermektedir.

Örneğimizde, müşterilerimizi hizmetlerimizle etkileşimde bulundukları pazarlama kanalına göre bölümlere ayırıyoruz. Bu, sütun tarafından belirtilir segmentation, burada A yazılı medyadır, B mobildir, C mağaza içi promosyonlardır ve D televizyondur.

4. Doğru tabloya sahip olduğunuzdan emin olduğunuzda, istediğiniz tabloyu Katılmak için veri kümelerini sürükleyip bırakın Bölüm.
   
5. Artık isteğe bağlı olarak sütunları seçebilir veya seçimlerini kaldırabilir, başka bir tabloyu sürükleyerek tabloları birleştirebilirsiniz. Katılmak için veri kümelerini sürükleyip bırakın bölümünden veya veri diliminizi belirtmek için SQL sorguları yazın. Bu gönderi için tablodaki tüm verileri kullanıyoruz.
6. Verileri içe aktarmak için seçin Verileri içe aktarın.
   
   

Verileriniz, Athena'daki belirli tablodan bir veri kümesi olarak Canvas'a aktarılır.

Bir model eğitin

Verileriniz içe aktarıldıktan sonra, Veri Setleri sayfa. Bu aşamada bir model oluşturabilirsiniz. Bunu yapmak için aşağıdaki adımları tamamlayın:

1. Veri kümenizi seçin ve seçin Bir model oluşturun.
   
2. İçin Model adı, modelinizin adını girin (bu gönderi için, my_first_model).
3. Canvas, tahmine dayalı analiz, görüntü analizi ve metin analizi için modeller oluşturmanıza olanak tanır. Müşterileri kategorilere ayırmak istediğimiz için, Tahmine dayalı analiz için Sorun tipi.
4. Devam etmek için seçin oluşturmak.
   

Üzerinde İnşa etmek sayfasında, veri kümenizle ilgili eksik değerlerin yüzdesi ve verilerin ortalaması gibi istatistikleri görebilirsiniz.

4. İçin Hedef sütun, bir sütun seçin (bu gönderi için, segmentation).
   

Canvas, tahminler oluşturabilen iki tür model sunar. Hızlı oluşturma, 2-15 dakikada bir model sağlayarak hıza doğruluktan daha fazla öncelik verir. Standart yapı, hızdan çok doğruluğa öncelik verir ve 2-4 saat içinde bir model sağlar.

5. Bu gönderi için seçin Hızlı inşa.
   
6. Model eğitildikten sonra model doğruluğunu analiz edebilirsiniz.

Aşağıdaki model, müşterileri %94.67 oranında doğru bir şekilde sınıflandırır.

7. İsteğe bağlı olarak, her bir sütunun kategorizasyonu nasıl etkilediğini de görüntüleyebilirsiniz. Bu örnekte, müşteri yaşlandıkça sütunun kategorizasyon üzerinde daha az etkisi olur. Yeni modelinizle tahminler oluşturmak için Tahmin.
   

Tahminler oluştur

Üzerinde Tahmin sekmesinde, hem toplu tahminler hem de tek tahminler oluşturabilirsiniz. Aşağıdaki adımları tamamlayın:

1. Bu gönderi için seçin Tek tahmin yeni bir müşteri için müşteri segmentasyonunun nasıl sonuçlanacağını anlamak.
   

Tahminimiz için, bir müşterinin 32 yaşında ve meslek olarak avukat olması durumunda nasıl bir segmentasyon olacağını anlamak istiyoruz.

2. Karşılık gelen değerleri bu girişlerle değiştirin.
3. Klinik Güncelleme.
   

Güncellenen tahmin, tahmin penceresinde görüntülenir. Bu örnekte, 32 yaşında bir avukat segment D'de sınıflandırılmaktadır.

Bir üçüncü taraf SaaS uygulamasından AWS'ye veri aktarın

Kodsuz makine öğrenimi için üçüncü taraf Hizmet Olarak Sunulan Yazılım uygulamalarından Canvas'a veri aktarmak üzere önce uygulamadan Amazon AppFlow aracılığıyla verileri Amazon S3'e aktarmanız gerekir. Bu örnekte, üretim verilerini SAP OData'dan aktarıyoruz.

Verilerinizi aktarmak için aşağıdaki adımları tamamlayın:

1. Amazon AppFlow konsolunda, Akış oluştur.
   
2. İçin Akış adı, isim girin.
3. Klinik Sonraki.
   
4. İçin Kaynak adı, istediğiniz üçüncü taraf SaaS uygulamasını seçin (bu gönderi için SAP OData).
5. Klinik Yeni bağlantı oluştur.
   
6. içinde SAP OData'ya bağlanın açılır pencere, kimlik doğrulama ayrıntılarını doldurun ve seçin Sosyal medya.
   
7. İçin SAP OData nesnesi, SAP OData içinde verilerinizi içeren nesneyi seçin.
8. İçin Hedef adı, seçmek Amazon S3.
9. İçin kova ayrıntıları, S3 grup ayrıntılarınızı belirtin.
10. seç Verilerinizi AWS Glue Data Catalog'da kataloglayın.
11. İçin Kullanıcı rolü, seç AWS Kimlik ve Erişim Yönetimi Canvas kullanıcısının verilere erişmek için kullanacağı (IAM) rolü.
12. İçin Akış tetikleyicisiseçin Talep üzerine çalıştırın.

Alternatif olarak, seçerek akış transferini otomatikleştirebilirsiniz. Akışı programa göre çalıştır.

13. Klinik Sonraki.
    
14. Alanların nasıl eşleneceğini seçin ve alan eşlemeyi tamamlayın. Bu gönderi için, eşlenecek karşılık gelen bir hedef veritabanı olmadığı için eşlemeyi belirtmeye gerek yoktur.
15. Klinik Sonraki.
    
    
16. İsteğe bağlı olarak, gerekirse aktarılan verileri kısıtlamak için filtreler ekleyin.
17. Klinik Sonraki.
    
18. Bilgilerinizi gözden geçirin ve seçin Akış oluştur.
    

Akış oluşturulduğunda, sayfanın üst kısmında başarılı bir şekilde güncellendiğini gösteren yeşil bir şerit görünecektir.

18. Klinik Akışı çalıştır.
    

Bu aşamada, verilerinizi SAP OData'dan Amazon S3'e başarıyla aktardınız.

Artık verileri Canvas uygulamasından içe aktarabilirsiniz. Verilerinizi Canvas'tan içe aktarmak için şu bölümde açıklanan adımların aynısını izleyin: Veri içe aktarma Bu yazının önceki bölümü. Bu örnek için, üzerinde Veri kaynağı açılır menü Veri içe aktarma sayfada görebilirsiniz SAP OVerileri listelenmiş.

Artık verilerinizi temizleme, makine öğrenimi modeli oluşturma, sütun etki verilerini görüntüleme ve tahminler oluşturma gibi tüm mevcut Canvas işlevlerini kullanabilirsiniz.

Temizlemek

Sağlanan kaynakları temizlemek için Canvas uygulamasında oturumu kapatarak seçiminizi yapın. Çıkış Yap Gezinti bölmesinde.

Sonuç

Canvas ile artık AWS Glue Data Catalog aracılığıyla Athena ve Amazon AppFlow ile yerel bağlayıcılar aracılığıyla 47 veri kaynağından kodsuz makine öğrenimi için veri içe aktarabilirsiniz. Bu süreç, veriler Amazon AppFlow aracılığıyla aktarıldıktan sonra Canvas içindeki veri kaynakları genelinde doğrudan erişmenize ve verileri toplamanıza olanak tanır. Bir programa göre etkinleştirmek için veri aktarımını otomatikleştirebilirsiniz; bu, verilerinizi yenilemek için işlemi tekrar yapmanız gerekmediği anlamına gelir. Bu işlemle, Canvas uygulamasından çıkmak zorunda kalmadan en son verilerinizle yeni veri kümeleri oluşturabilirsiniz. Bu özellik artık Canvas'ın kullanıma sunulduğu tüm AWS Bölgelerinde kullanılabilir. Verilerinizi içe aktarmaya başlamak için Canvas konsoluna gidin ve bu gönderide belirtilen adımları izleyin. Daha fazla bilgi edinmek için bkz. Veri kaynaklarına bağlanın.

---

yazarlar hakkında

Brandon Nair Amazon SageMaker Canvas Kıdemli Ürün Müdürüdür. Profesyonel ilgisi, ölçeklenebilir makine öğrenimi hizmetleri ve uygulamaları oluşturmaktır. İş dışında milli parkları keşfederken, golf vuruşunu mükemmelleştirirken veya bir macera gezisi planlarken bulunabilir.

Sanjana Kambalapally kodsuz makine öğrenimi uygulamaları oluşturarak makine öğrenimini demokratikleştirmeyi amaçlayan AWS Sagemaker Canvas'ın Yazılım Geliştirme Yöneticisidir.

Xin Xu kodsuz makine öğrenimi ürünlerinin diğer yönlerinin yanı sıra veri hazırlama üzerinde çalıştığı Canvas ekibinde bir yazılım geliştirme mühendisidir. Boş zamanlarında koşu yapmaktan, kitap okumaktan ve film izlemekten hoşlanır.

Volkan Ünsal Yapay zekayı insanlar için erişilebilir kılmak için kodsuz ürünler geliştirdiği Canvas ekibinde Kıdemli Ön Uç Mühendisidir. Boş zamanlarında koşmaktan, kitap okumaktan, e-spor izlemekten ve dövüş sanatlarından hoşlanıyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/import-data-from-over-40-data-sources-for-no-code-machine-learning-with-amazon-sagemaker-canvas/