Artık yerleşik makine öğrenimi (ML) modellerini kaydedebilirsiniz. Amazon SageMaker Tuval tek bir tıklama ile Amazon SageMaker Model KaydıML modellerini üretimde çalıştırmanıza olanak tanır. Canvas, iş analistlerinin herhangi bir makine öğrenimi deneyimi gerektirmeden veya tek bir kod satırı yazmak zorunda kalmadan kendi başlarına doğru makine öğrenimi tahminleri oluşturmalarını sağlayan görsel bir arabirimdir. Geliştirme ve deneme için harika bir yer olsa da, bu modellerden değer elde etmek için bunların operasyonel hale getirilmesi, yani tahminlerde veya kararlar almak için kullanılabilecekleri bir üretim ortamında devreye alınması gerekir. Artık model kayıt defteriyle entegrasyon sayesinde, meta veriler ve performans ölçümleri temelleri dahil olmak üzere tüm model yapılarını merkezi bir depoda depolayabilir ve bunları mevcut model dağıtım CI/CD işlemlerinize bağlayabilirsiniz.
Model kaydı, makine öğrenimi modellerini kataloglayan, çeşitli model sürümlerini yöneten, meta verileri (eğitim ölçümleri gibi) bir modelle ilişkilendiren, bir modelin onay durumunu yöneten ve bunları üretime dağıtan bir havuzdur. Bir model sürümü oluşturduktan sonra, genellikle bir üretim uç noktasına dağıtmadan önce performansını değerlendirmek istersiniz. Gereksinimlerinizi karşılıyorsa, model sürümünün onay durumunu onaylandı olarak güncelleyebilirsiniz. Durumun onaylandı olarak ayarlanması, model için CI/CD dağıtımını başlatabilir. Model sürümü gereksinimlerinizi karşılamıyorsa, kayıt defterinde onay durumunu reddedildi olarak güncelleştirebilirsiniz; bu, modelin yükseltilmiş bir ortama dağıtılmasını engeller.
Bir model kaydı, tüm model bilgilerini paketlediğinden ve üretim ortamlarına model yükseltmenin otomasyonunu sağladığından, model dağıtım sürecinde önemli bir rol oynar. Aşağıda, bir model kaydının makine öğrenimi modellerini çalıştırmaya yardımcı olabileceği bazı yollar verilmiştir:
- Sürüm kontrolü – Bir model kaydı, ML modellerinizin farklı sürümlerini izlemenize olanak tanır; bu, modelleri üretimde devreye alırken çok önemlidir. Model sürümlerini takip ederek, yeni sürüm sorunlara neden olursa kolayca önceki sürüme dönebilirsiniz.
- İşbirliği – Bir model kaydı, modelleri depolamak, paylaşmak ve modellere erişmek için merkezi bir konum sağlayarak veri bilimcileri, mühendisler ve diğer paydaşlar arasında işbirliği sağlar. Bu, dağıtım sürecini kolaylaştırmaya ve herkesin aynı modelle çalışmasını sağlamaya yardımcı olabilir.
- Yönetim – Bir model kaydı, denetlenebilir bir model değişiklikleri ve devreye alma geçmişi sağlayarak uyumluluk ve yönetişime yardımcı olabilir.
Genel olarak bir model kaydı, sürüm kontrolü, işbirliği, izleme ve yönetişim sağlayarak makine öğrenimi modellerini üretimde dağıtma sürecini kolaylaştırmaya yardımcı olabilir.
Çözüme genel bakış
Kullanım durumumuz için, bir cep telefonu operatörünün pazarlama departmanında bir iş kullanıcısı rolünü üstleniyoruz ve potansiyel müşteri kaybı riski taşıyan müşterileri belirlemek için Canvas'ta başarılı bir şekilde bir ML modeli oluşturduk. Modelimizin ürettiği tahminler sayesinde artık bunu geliştirme ortamımızdan üretime taşımak istiyoruz. Ancak, modelimizin bir üretim uç noktasına dağıtılmasından önce, merkezi bir MLOps ekibi tarafından incelenip onaylanması gerekir. Bu ekip, model sürümlerini yönetmekten, bir modelle ilişkili tüm meta verileri (eğitim ölçümleri gibi) gözden geçirmekten, her makine öğrenimi modelinin onay durumunu yönetmekten, onaylanmış modelleri üretime dağıtmaktan ve CI/CD ile model dağıtımını otomatikleştirmekten sorumludur. Modelimizi üretimde dağıtma sürecini kolaylaştırmak için Canvas'ın model kaydıyla entegrasyonundan yararlanıyoruz ve modelimizi MLOps ekibimiz tarafından incelenmek üzere kaydediyoruz.
İş akışı adımları aşağıdaki gibidir:
- Mevcut müşteri popülasyonunu içeren yeni bir veri kümesini Canvas'a yükleyin. Desteklenen veri kaynaklarının tam listesi için bkz. Verileri Canvas'a aktarın.
- Makine öğrenimi modelleri oluşturun ve bunların performans ölçümlerini analiz edin. için talimatlara bakın. Canvas'ta özel bir makine öğrenimi modeli oluşturun ve modelin performansını değerlendirin.
- En iyi performans gösteren sürümleri kaydedin inceleme ve onay için model kaydına.
- Onaylanan model sürümünü dağıtın gerçek zamanlı çıkarım için bir üretim uç noktasına.
Canvas'ta 1-3. Adımları tek bir kod satırı yazmadan gerçekleştirebilirsiniz.
Önkoşullar
Bu izlenecek yol için aşağıdaki ön koşulların karşılandığından emin olun:
- Model sürümlerini model kayıt defterine kaydetmek için Canvas yöneticisi, Canvas uygulamanızı barındıran SageMaker etki alanında yönetebileceğiniz Canvas kullanıcısına gerekli izinleri vermelidir. Daha fazla bilgi için bkz. Amazon SageMaker Geliştirici Kılavuzu. Canvas kullanıcı izinlerinizi verirken, kullanıcının model sürümlerini aynı AWS hesabına kaydetmesine izin verip vermeyeceğinizi seçmelisiniz.
- 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, %97.03 model puanına sahip standart yapı yapılandırmasıyla eğitildi
Müşteri kaybı tahmin modelini kullanın
etkinleştirme Gelişmiş metrikleri göster ve model kaydına kayıt için en iyi performans gösteren modeli seçebilmemiz için her model sürümüyle ilişkili nesnel ölçümleri gözden geçirin.
Performans ölçütlerine göre, kaydedilecek sürüm 2'yi seçiyoruz.
Model kaydı, bir model grubundaki belirli bir sorunu çözmek için eğittiğiniz tüm model sürümlerini izler. Bir Canvas modelini eğitip model kaydına kaydettiğinizde, model grubuna yeni bir model sürümü olarak eklenir.
Kayıt sırasında, model kaydı içinde bir model grubu otomatik olarak oluşturulur. İsteğe bağlı olarak, onu istediğiniz bir adla yeniden adlandırabilir veya model kayıt defterinde mevcut bir model grubunu kullanabilirsiniz.
Bu örnek için, otomatik oluşturulan model grubu adını kullanıyoruz ve Ekle.
Model versiyonumuz artık model kayıt defterindeki model grubuna kaydedilmelidir. Başka bir model versiyonu kaydedecek olsaydık, aynı model grubuna kayıtlı olurdu.
Model sürümünün durumu değişmiş olmalıdır. Kayıtlı değil için Kayıtlı.
Durumun üzerine geldiğimizde, model grubu adını, model kayıt defteri hesap kimliğini ve onay durumunu içeren model kayıt ayrıntılarını inceleyebiliriz. Kayıttan hemen sonra durum şu şekilde değişir: Onay Bekliyor, bu, bu modelin model kayıt defterinde kayıtlı olduğu ancak bir veri bilimcisi veya MLOps ekip üyesinin incelemesini ve onayını beklediği ve yalnızca onaylanması halinde bir uç noktaya dağıtılabileceği anlamına gelir.
Şimdi şuraya gidelim Amazon SageMaker Stüdyosu ve bir MLOps ekip üyesi rolünü üstlenin. Altında Modeller gezinme bölmesinde öğesini seçin. Model kaydı model kayıt ana sayfasını açmak için.
Model grubunu görebilirizp canvas-Churn-Prediction-Model
Bu Canvas bizim için otomatik olarak oluşturuldu.
Bu model grubuna kayıtlı tüm sürümleri incelemek için modeli seçin ve ardından ilgili model ayrıntılarını inceleyin.
Versiyon 1 için detayları açarsanız, Etkinlik sekmesi, modelde meydana gelen tüm olayları takip eder.
Üzerinde Model kalitesi sekmesinde, model performansını anlamak için model ölçümlerini, kesinlik/geri çağırma eğrilerini ve karışıklık matrisi grafiklerini gözden geçirebiliriz.
Üzerinde Açıklanabilirlik sekmesinden modelin performansını en çok etkileyen özelliklerini inceleyebiliriz.
Model eserlerini inceledikten sonra, onay durumunu şu şekilde değiştirebiliriz: Kadar için Onaylı.
Artık güncellenmiş aktiviteyi görebiliriz.
Canvas işletme kullanıcısı artık kayıtlı model durumunun değiştiğini görebilecektir. Onay Bekliyor için Onaylı.
MLOps ekibi üyesi olarak, bu ML modelini onayladığımız için, onu bir uç noktaya dağıtalım.
Studio'da, model kayıt ana sayfasına gidin ve canvas-Churn-Prediction-Model
modeli grubu. Dağıtılacak sürümü seçin ve şuraya gidin: Ayarlar sekmesi.
Model kayıt defterinde seçilen model sürümünden model paketi ARN ayrıntılarını almak için göz atın.
Studio'da bir not defteri açın ve modeli bir uç noktaya dağıtmak için aşağıdaki kodu çalıştırın. Model paketi ARN'yi kendi model paketiniz ARN ile değiştirin.
Uç nokta oluşturulduktan sonra, uç nokta üzerinde bir olay olarak izlendiğini görebilirsiniz. Etkinlik model kayıt defterinin sekmesi.
Ayrıntılarını almak için uç nokta adına çift tıklayabilirsiniz.
Artık bir son noktamız olduğuna göre, gerçek zamanlı bir çıkarım elde etmek için onu çağıralım. Uç nokta adınızı aşağıdaki kod parçacığında değiştirin:
Temizlemek
İleride ücret ödememek için bu gönderiyi takip ederken oluşturduğunuz kaynakları silin. Bu, Canvas'tan çıkış yapmayı ve dağıtılan SageMaker uç noktasını silme. Canvas size oturum süresi kadar fatura keser ve kullanmadığınız zamanlarda Canvas'tan çıkış yapmanızı öneririz. bakın Amazon SageMaker Canvas oturumunu kapatma daha fazla ayrıntı için.
Sonuç
Bu gönderide, Canvas'ın makine öğrenimi uzmanlığı gerektirmeden makine öğrenimi modellerini üretim ortamlarında çalıştırmaya nasıl yardımcı olabileceğini tartıştık. Örneğimizde, bir analistin herhangi bir kod yazmadan nasıl hızlı bir şekilde son derece doğru tahmine dayalı bir makine öğrenimi modeli oluşturabileceğini ve bunu model kaydına kaydedebileceğini gösterdik. MLOps ekibi daha sonra modeli inceleyebilir ve modeli reddedebilir veya modeli onaylayarak aşağı akış CI/CD dağıtım sürecini başlatabilir.
Düşük kodlu/kodsuz makine öğrenimi yolculuğunuza başlamak için bkz. Amazon SageMaker Tuval.
Lansmana katkıda bulunan herkese özel teşekkürler:
Arka uç:
- Huayuan (Alice) Wu
- Krittaphat Pugdeethosapol
- Yanda Hu
- John o
- Esha Dutta
- Praşanth
Başlangıç aşaması:
- Kaiz Tüccarı
- Ed Cheung
Yazarlar Hakkında
Janişa Anand SageMaker Autopilot'u içeren SageMaker Low/No Code ML ekibinde Kıdemli Ürün Müdürüdür. Kahveyi, aktif olmayı ve ailesiyle vakit geçirmeyi seviyor.
Krittaphat Pugdeethosapol Amazon SageMaker'da bir Yazılım Geliştirme Mühendisidir ve temel olarak SageMaker düşük kodlu ve kodsuz ürünlerle çalışır.
Huayuan (Alice) Wu Amazon SageMaker'da Yazılım Geliştirme Mühendisi. Müşteriler için makine öğrenimi araçları ve ürünleri oluşturmaya odaklanıyor. İş dışında açık havada, yoga yapmaktan ve yürüyüş yapmaktan 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.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/operationalize-ml-models-built-in-amazon-sagemaker-canvas-to-production-using-the-amazon-sagemaker-model-registry/
- :dır-dir
- :olumsuzluk
- :Neresi
- ][P
- 1
- 100
- %15
- 420
- 7
- 8
- a
- Yapabilmek
- erişme
- Hesap
- doğruluk
- doğru
- aktif
- etkinlik
- katma
- Gizem
- ileri
- avantaj
- Sonra
- Türkiye
- izin vermek
- veriyor
- Rağmen
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Tuval
- arasında
- an
- analist
- Analistler
- çözümlemek
- ve
- Başka
- herhangi
- Uygulama
- onay
- onaylamak
- onaylı
- ARE
- AS
- ilişkili
- At
- denetlenebilir
- otomatik olarak
- ayrıca otomasyonun
- Otomasyon
- önlemek
- AWS
- BE
- Çünkü
- önce
- olmak
- İYİ
- Fatura
- vücut
- inşa etmek
- bina
- yapılı
- iş
- fakat
- by
- CAN
- tuval
- dava
- kataloglar
- nedenleri
- merkezi
- merkezi
- değişiklik
- değişmiş
- değişiklikler
- yükler
- seçim
- Klinik
- tıklayın
- kod
- Kahve
- işbirliği
- uyma
- yapılandırma
- karışıklık
- katkıda
- kontrol
- uyan
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- akım
- görenek
- müşteri
- Müşteriler
- veri
- veri bilimcisi
- datetime
- kararlar
- bölüm
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- dağıtımları
- dağıtır
- ayrıntılar
- Geliştirici
- gelişme
- farklı
- tartışılan
- Değil
- domain
- süre
- her
- kolayca
- ya
- sağlar
- etkinleştirme
- son
- Son nokta
- mühendis
- Mühendisler
- sağlamak
- çevre
- ortamları
- gerekli
- değerlendirmek
- Etkinlikler
- olaylar
- Her
- herkes
- örnek
- mevcut
- deneyim
- Uzmanlık
- aile
- Özellikler
- odaklanır
- takip etme
- şu
- İçin
- itibaren
- tam
- gelecek
- oluşturmak
- oluşturulan
- almak
- Vermek
- Go
- yönetim
- verme
- harika
- grup
- olay
- Var
- sahip olan
- yardım et
- onu
- büyük ölçüde
- tarihsel
- tarih
- Ana Sayfa
- ana
- duraksamak
- Ne kadar
- Ancak
- HTML
- HTTPS
- ID
- belirlemek
- if
- ithalat
- gelişmiş
- in
- dahil
- içerir
- Dahil olmak üzere
- etkilenmiş
- bilgi
- başlatmak
- talimatlar
- bütünleşme
- arayüzey
- içine
- sorunlar
- IT
- ONUN
- seyahat
- jpg
- koruma
- anahtar
- başlatmak
- öğrenme
- çizgi
- Liste
- yer
- günlüğü
- makine
- makine öğrenme
- ağırlıklı olarak
- yapmak
- yönetmek
- müdür
- yönetir
- yönetme
- Pazarlama
- Matris
- anlamına geliyor
- üye
- adı geçen
- Metadata
- Metrikleri
- ML
- MLO'lar
- Telefon
- cep telefonu kullanıyor.
- model
- modelleri
- izleme
- Daha
- çoğu
- hareket
- şart
- isim
- Gezin
- Navigasyon
- gerekli
- gerek
- ihtiyaçlar
- yeni
- yok hayır
- defter
- şimdi
- nesnel
- of
- on
- bir tek
- açık
- Şebeke
- or
- OS
- Diğer
- bizim
- dışarı
- açık havada
- dışında
- tekrar
- kendi
- paket
- paketler
- Kanal
- pandalar
- bölmesi
- belirli
- kadar
- Yapmak
- performans
- icra
- gerçekleştirir
- izinleri
- telefon
- yer
- Platon
- Plato Veri Zekası
- PlatoVeri
- çalış
- fiş
- nüfus
- Çivi
- potansiyel
- tahmin
- Tahminler
- önkoşullar
- önler
- önceki
- Sorun
- süreç
- Süreçler
- PLATFORM
- ürün müdürü
- üretim
- Ürünler
- tanıtım
- sağlama
- Hızlı
- hızla
- gerçek zaman
- tavsiye etmek
- kayıt olmak
- kayıtlı
- kayıtlar
- kayıt
- çıkarıldı
- değiştirmek
- Depo
- Yer Alan Kurallar
- Kaynaklar
- yanıt
- sorumlu
- dönmek
- yorum
- Yorumlar
- gözden
- krallar gibi yaşamaya
- Risk
- Rol
- koşmak
- sagemaker
- aynı
- bilim adamı
- bilim adamları
- Gol
- görmek
- seçilmiş
- kıdemli
- Oturum
- ayar
- paylaşımı
- o
- meli
- gösterdi
- tek
- So
- Yazılım
- yazılım geliştirme
- ÇÖZMEK
- biraz
- kaynaklar
- Harcama
- paydaşlar
- standart
- başlama
- Eyalet
- Durum
- Basamaklar
- mağaza
- depolamak
- kolaylaştırmak
- stüdyo
- Başarılı olarak
- böyle
- destekli
- SYS
- Bizi daha iyi tanımak için
- takım
- Teşekkür
- o
- The
- ve bazı Asya
- Onları
- sonra
- Bunlar
- onlar
- Re-Tweet
- üç
- zaman
- için
- araçlar
- iz
- Tren
- eğitilmiş
- Eğitim
- tipik
- altında
- anlamak
- Güncelleme
- güncellenmiş
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- kullanma
- değer
- çeşitli
- versiyon
- örneklerde
- istemek
- yolları
- we
- vardı
- ne zaman
- olup olmadığını
- hangi
- süre
- DSÖ
- irade
- ile
- içinde
- olmadan
- İş
- çalışma
- çalışır
- olur
- yazmak
- yazı yazıyor
- Evet
- Yoga
- Sen
- zefirnet