Машинне навчання (ML) допомагає організаціям отримувати прибуток, зменшувати витрати, знижувати ризики, підвищувати ефективність і покращувати якість шляхом оптимізації основних бізнес-функцій у кількох бізнес-підрозділах, таких як маркетинг, виробництво, операції, продажі, фінанси та обслуговування клієнтів. За допомогою AWS ML організації можуть прискорити створення цінності з місяців до днів. Canvas Amazon SageMaker – це візуальний сервіс, який дозволяє бізнес-аналітикам генерувати точні прогнози ML без написання жодного рядка коду або потреби досвіду ML. Ви можете використовувати моделі, щоб робити прогнози в інтерактивному режимі та для пакетного оцінювання масових наборів даних.
У цій публікації ми демонструємо архітектурні моделі того, як бізнес-команди можуть використовувати моделі машинного навчання, створені будь-де, створюючи прогнози в Canvas, і досягати ефективних бізнес-результатів.
Ця інтеграція розробки та обміну моделями створює більш тісну співпрацю між бізнес-групами та командами з обробки даних і скорочує час для окупності. Бізнес-команди можуть використовувати існуючі моделі, створені їхніми науковцями з обробки даних або іншими відділами, щоб вирішити бізнес-проблему, замість того, щоб перебудовувати нові моделі у зовнішньому середовищі.
Нарешті, бізнес-аналітики можуть імпортувати спільні моделі в Canvas і генерувати прогнози перед розгортанням у виробництві лише кількома клацаннями миші.
Огляд рішення
На наступному малюнку описано три різні шаблони архітектури, щоб продемонструвати, як дослідники даних можуть ділитися моделями з бізнес-аналітиками, які потім можуть безпосередньо створювати прогнози на основі цих моделей у візуальному інтерфейсі Canvas:
Передумови
Щоб навчити та побудувати свою модель за допомогою SageMaker і перенести її на Canvas, виконайте наступні передумови:
- Якщо у вас ще немає домену SageMaker і користувача Studio, налаштувати та підключити користувача Studio до домену SageMaker.
- Увімкніть і налаштуйте Canvas базові дозволи для ваших користувачів і надавати користувачам дозволи на співпрацю зі Studio.
- Ви повинні мати навчену модель з Autopilot, JumpStart або реєстру моделей. Для будь-якої моделі, яку ви створили за межами SageMaker, ви повинні зареєструвати свою модель у реєстрі моделей перед тим, як імпортувати її в Canvas.
Тепер візьмемо на себе роль спеціаліста з обробки даних, який хоче навчати, створювати, розгортати та ділитися моделями машинного навчання з бізнес-аналітиком для кожного з цих трьох архітектурних шаблонів.
Використовуйте автопілот і Canvas
Autopilot автоматизує ключові завдання автоматичного процесу ML (AutoML), як-от дослідження даних, вибір відповідного алгоритму для типу проблеми, а потім його навчання та налаштування. Усе це можна досягти, дозволяючи вам зберігати повний контроль і видимість набору даних. Autopilot автоматично досліджує різні рішення, щоб знайти найкращу модель, і користувачі можуть або повторити модель ML, або безпосередньо розгорнути модель у виробництві одним клацанням миші.
У цьому прикладі ми використовуємо синтетичний відтік клієнтів набору даних з телекомунікаційного домену, і їм доручено ідентифікувати клієнтів, які потенційно ризикують відмовитися. Виконайте наведені нижче дії, щоб використовувати Autopilot AutoML для створення, навчання, розгортання та надання спільного доступу до моделі ML бізнес-аналітику:
- Завантажити набору даних, завантажте його на Amazon S3 (Служба простого зберігання Amazon) і запишіть S3 URI.
- На консолі Studio виберіть AutoML у навігаційній панелі.
- Вибирати Створіть експеримент AutoML.
- Вкажіть назву експерименту (для цієї публікації,
Telecom-Customer-Churn-AutoPilot
), місце введення та виведення даних S3. - Установіть цільовий стовпець як відтік.
- У налаштуваннях розгортання ви можете ввімкнути параметр автоматичного розгортання, щоб створити кінцеву точку, яка розгортає вашу найкращу модель і виконує висновки на кінцевій точці.
Для отримання додаткової інформації зверніться до Створіть експеримент Amazon SageMaker Autopilot.
- Виберіть свій експеримент, потім виберіть найкращу модель і вибирайте Поділіться моделлю.
- Додайте користувача Canvas і виберіть Поділитись поділитися моделлю.
(примітки: ви не можете поділитися моделлю з тим самим користувачем Canvas, який використовується для входу в Studio. Наприклад, користувач Studio-A не може поділитися моделлю з користувачем Canvas-A. Але користувач-A може ділитися моделлю з користувачем-B, тому вибирайте різні варіанти використання для спільного використання моделі)
Для отримання додаткової інформації зверніться до Користувачі Studio: надайте доступ до моделі в SageMaker Canvas.
Використовуйте JumpStart і Canvas
JumpStart — це центр машинного навчання, який надає попередньо підготовлені моделі з відкритим вихідним кодом для широкого спектру випадків використання машинного навчання, як-от виявлення шахрайства, прогнозування кредитного ризику та виявлення дефектів продукту. Ви можете розгорнути понад 300 попередньо навчених моделей для табличних, візуальних, текстових і звукових даних.
Для цієї публікації ми використовуємо попередньо навчену регресійну модель LightGBM від JumpStart. Ми навчаємо модель на спеціальному наборі даних і ділимося моделлю з користувачем Canvas (бізнес-аналітиком). Попередньо підготовлену модель можна розгорнути до кінцевої точки для висновку. JumpStart надає приклад блокнота для доступу до моделі після її розгортання.
У цьому прикладі ми використовуємо набір даних морського вушка. Набір даних містить приклади восьми фізичних вимірювань, таких як довжина, діаметр і висота, щоб передбачити вік морського вушка (проблема регресії).
- Завантажити набір даних морського вушка від Kaggle.
- Створіть сегмент S3 і завантажте набори даних тренування, перевірки та користувацького заголовка.
- На консолі Studio під SageMaker JumpStart на панелі навігації виберіть Макети, зошити, рішення.
- під Табличні моделівиберіть Регресія LightGBM.
- під Модель потяга, вкажіть URI S3 для наборів даних навчання, перевірки та заголовків стовпців.
- Вибирати поїзд.
- На панелі навігації виберіть Запущені ресурси JumpStart.
- на Навчальні роботи вкладку виберіть своє навчальне завдання.
- на Поділитись меню, виберіть Поділитися на Canvas.
- Виберіть користувачів Canvas, з якими потрібно поділитися, укажіть деталі моделі та виберіть Поділитись.
Для отримання додаткової інформації зверніться до Користувачі Studio: надайте доступ до моделі в SageMaker Canvas.
Використовуйте реєстр моделей SageMaker і Canvas
За допомогою реєстру моделей SageMaker ви можете каталогізувати моделі для виробництва, керувати версіями моделей, асоціювати метадані, керувати статусом затвердження моделі, розгортати моделі для виробництва та автоматизувати розгортання моделей за допомогою CI/CD.
Давайте візьмемо на себе роль спеціаліста з даних. У цьому прикладі ви створюєте наскрізний проект ML, який включає підготовку даних, навчання моделі, розміщення моделі, реєстр моделі та обмін моделлю з бізнес-аналітиком. За бажанням, для етапів підготовки та попередньої чи постобробки даних можна використовувати Amazon SageMaker Data Wrangler і Завдання обробки Amazon SageMaker. У цьому прикладі ми використовуємо набір даних морського вушка, завантажений з LIBSVM. Цільовою змінною є вік морського вушка.
- У Studio клонуйте GitHub репо.
- Виконайте дії, наведені у файлі README.
- На консолі Studio під моделі на панелі навігації виберіть Модельний реєстр.
- Виберіть модель
sklearn-reg-ablone
. - Надайте доступ до версії 1 моделі з реєстру моделей на Canvas.
- Виберіть користувачів Canvas, з якими потрібно поділитися, укажіть деталі моделі та виберіть Поділитись.
Щоб отримати інструкції, зверніться до Реєстр моделі розділ в Користувачі Studio: надайте доступ до моделі в SageMaker Canvas.
Керуйте спільними моделями
Після того як ви надали доступ до моделі за допомогою будь-якого з попередніх методів, ви можете перейти до моделі у розділі Studio та перегляньте всі спільні моделі. На наступному знімку екрана ми бачимо 3 різні моделі, якими користувач Studio (фахівець із обробки даних) поділився з різними користувачами Canvas (бізнес-командами).
Імпортуйте спільну модель і робіть прогнози за допомогою Canvas
Давайте візьмемо на себе роль бізнес-аналітика та ввійдемо до Canvas як ваш користувач Canvas.
Коли спеціаліст із обробки даних або користувач Studio надає спільний доступ до моделі користувачеві Canvas, ви отримуєте сповіщення в програмі Canvas про те, що користувач Studio надав вам доступ до моделі. У програмі Canvas сповіщення схоже на наведений нижче знімок екрана.
Ви можете вибрати Переглянути оновлення щоб переглянути спільну модель, або ви можете перейти до моделі у програмі Canvas, щоб знайти всі моделі, якими вам надали спільний доступ. Імпорт моделі зі Studio може тривати до 20 хвилин.
Після імпорту моделі ви можете переглядати її показники та генерувати прогнози в реальному часі з аналізом "що, якщо" або пакетні прогнози.
Міркування
Пам’ятайте про таке, надаючи спільний доступ до моделей із Canvas.
- Ви зберігаєте набори даних для навчання та перевірки в Amazon S3, а URI S3 передаються в Canvas за допомогою Управління ідентифікацією та доступом AWS (IAM) дозволи.
- Надайте цільовий стовпець Canvas або використовуйте перший стовпець за умовчанням.
- Щоб контейнер Canvas аналізував дані висновків, кінцева точка Canvas приймає або текст (CSV), або програму (JSON).
- Canvas не підтримує кілька контейнерів або конвеєрів висновку.
- Схема даних надається Canvas, якщо в наборах даних для навчання та перевірки не надано заголовків. За замовчуванням платформа JumpStart не надає заголовків у наборах даних навчання та перевірки.
- За допомогою Jumpstart навчальну роботу потрібно завершити, перш ніж ви зможете поділитися нею з Canvas.
Відноситься до Обмеження та усунення несправностей щоб допомогти вам вирішити будь-які проблеми, які виникають під час обміну моделями.
Прибирати
Щоб уникнути майбутніх витрат, видаліть або закрийте ресурси, які ви створили під час перегляду цієї публікації. Відноситься до Вихід із Amazon SageMaker Canvas для більш детальної інформації. Вимкніть окремі ресурси, зокрема блокноти, термінал, ядра, програми та екземпляри. Для отримання додаткової інформації див Закрити ресурси. Видаліть версія моделі, Кінцева точка та ресурси SageMaker, Ресурси експерименту автопілота та Ковш S3.
Висновок
Studio дозволяє дослідникам обробки даних ділитися моделями машинного навчання з бізнес-аналітиками за кілька простих кроків. Бізнес-аналітики можуть скористатися моделями машинного навчання, які вже створили науковці з обробки даних, для вирішення бізнес-проблем замість створення нової моделі в Canvas. Однак може бути складно використовувати ці моделі поза середовищами, у яких вони створені, через технічні вимоги та ручні процеси для імпорту моделей. Це часто змушує користувачів перебудовувати моделі ML, що призводить до дублювання зусиль і додаткового часу та ресурсів. Canvas усуває ці обмеження, тож ви можете генерувати прогнози в Canvas за допомогою моделей, які ви навчили будь-де. Використовуючи три шаблони, проілюстровані в цій публікації, ви можете зареєструвати моделі ML у реєстрі моделей SageMaker, який є сховищем метаданих для моделей ML, та імпортувати їх у Canvas. Потім бізнес-аналітики можуть аналізувати та створювати прогнози на основі будь-якої моделі в Canvas.
Щоб дізнатися більше про використання послуг SageMaker, перегляньте такі ресурси:
Якщо у вас є запитання чи пропозиції, залиште коментар.
Про авторів
Аман Шарма є старшим архітектором рішень в AWS. Він працює з початківцями, малими та середніми підприємствами та корпоративними клієнтами в регіоні APJ, має понад 19 років досвіду в консалтингу, архітектурі та розробці рішень. Він захоплений демократизацією штучного інтелекту та машинного навчання та допомагає клієнтам розробляти їхні дані та стратегії машинного навчання. Поза роботою він любить досліджувати природу та дику природу.
Zichen Nie є старшим інженером-програмістом в AWS SageMaker, який очолює минулорічний проект Bring Your Own Model to SageMaker Canvas. Вона працює в Amazon більше 7 років і має досвід як в оптимізації ланцюга поставок Amazon, так і в сервісах AWS AI. Їй подобається тренування Барре та музика після роботи.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoAiStream. Web3 Data Intelligence. Розширення знань. Доступ тут.
- Карбування майбутнього з Адріенн Ешлі. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- : має
- :є
- $UP
- 1
- 100
- 20
- 7
- a
- МЕНЮ
- прискорювати
- Приймає
- доступ
- точний
- Achieve
- досягнутий
- через
- Додатковий
- після
- AI
- Послуги ШІ
- алгоритм
- ВСІ
- Дозволити
- дозволяє
- вже
- Amazon
- Amazon SageMaker
- Автопілот Amazon SageMaker
- Canvas Amazon SageMaker
- an
- аналіз
- аналітик
- аналітики
- аналізувати
- та
- будь-який
- де-небудь
- додаток
- твердження
- додатка
- архітектурний
- архітектура
- ЕСТЬ
- AS
- Юрист
- At
- аудіо
- автоматичний
- автоматизувати
- автоматизує
- автоматичний
- автоматично
- AutoML
- уникнути
- AWS
- база
- BE
- було
- перед тим
- користь
- КРАЩЕ
- між
- обидва
- приносити
- будувати
- Створюємо
- побудований
- бізнес
- господарська діяльність
- підприємства
- але
- by
- CAN
- полотно
- випадків
- каталог
- ланцюг
- вантажі
- перевірка
- Вибирати
- клацання
- код
- співпрацювати
- співробітництво
- Колонка
- коментар
- повний
- Консоль
- консалтинг
- Контейнер
- містить
- контроль
- Core
- витрати
- створювати
- створений
- створює
- створення
- створення
- кредит
- виготовлений на замовлення
- клієнт
- Контакти
- Клієнти
- дані
- Підготовка даних
- наука про дані
- вчений даних
- набори даних
- Днів
- дефолт
- Демократизувати
- демонструвати
- відомства
- розгортання
- розгорнути
- розгортання
- розгортання
- розгортає
- проектування
- деталі
- Виявлення
- розробка
- різний
- важкий
- безпосередньо
- відкрити
- Ні
- домен
- Не знаю
- вниз
- управляти
- два
- кожен
- Ефективний
- Ефективність
- зусилля
- або
- включіть
- кінець в кінець
- Кінцева точка
- інженер
- підприємство
- середовищах
- приклад
- Приклади
- існуючий
- досвід
- експеримент
- експертиза
- дослідити
- досліджує
- Дослідження
- кілька
- Рисунок
- філе
- фінансування
- знайти
- Перший
- після
- для
- Війська
- шахрайство
- виявлення шахрайства
- від
- Повний
- Функції
- майбутнє
- породжувати
- породжує
- Go
- Мати
- he
- Заголовки
- висота
- допомога
- допомогу
- допомагає
- отже
- хостинг
- Як
- Однак
- HTML
- HTTP
- HTTPS
- Концентратор
- ідентифікує
- Особистість
- if
- імпорт
- імпорт
- удосконалювати
- in
- includes
- У тому числі
- індивідуальний
- інформація
- вхід
- замість
- інструкції
- інтеграція
- інтерфейс
- в
- питання
- IT
- ЙОГО
- робота
- JPG
- json
- просто
- ключ
- останній
- Минулого року
- провідний
- УЧИТЬСЯ
- вивчення
- Залишати
- довжина
- як
- Сподобалося
- недоліки
- Лінія
- Перераховані
- розташування
- журнал
- Логін
- шукати
- підтримувати
- зробити
- управляти
- керівництво
- виробництво
- Маркетинг
- вимірювання
- середа
- метадані
- методика
- Метрика
- може бути
- mind
- хвилин
- Пом'якшити
- ML
- модель
- Моделі
- місяців
- більше
- множинний
- музика
- повинен
- ім'я
- природа
- навігація
- потреби
- Нові
- немає
- ноутбук
- сповіщення
- of
- часто
- on
- Onboard
- ONE
- з відкритим вихідним кодом
- операції
- оптимізація
- оптимізуючий
- варіант
- or
- організації
- Інше
- з
- Результати
- вихід
- поза
- власний
- сторінка
- pane
- Пройшов
- пристрасний
- моделі
- Дозволи
- фізичний
- платформа
- plato
- Інформація про дані Платона
- PlatoData
- пошта
- потенційно
- передбачати
- прогноз
- Прогнози
- передумови
- Проблема
- проблеми
- процес
- процеси
- обробка
- Product
- Production
- проект
- забезпечувати
- за умови
- забезпечує
- якість
- питань
- діапазон
- отримати
- зменшити
- регіон
- реєструвати
- реєстру
- доречний
- Вимога
- ресурси
- в результаті
- revenue
- огляд
- Risk
- Роль
- мудрець
- продажів
- то ж
- наука
- вчений
- Вчені
- рахунок
- розділ
- побачити
- вибирає
- старший
- обслуговування
- Послуги
- комплект
- налаштування
- Поділитись
- загальні
- акції
- поділ
- вона
- демонстрації
- Вимикати
- аналогічний
- простий
- один
- невеликий
- So
- Софтвер
- Інженер-програміст
- Рішення
- ВИРІШИТИ
- стартапів
- Статус
- заходи
- зберігання
- зберігати
- стратегії
- студія
- такі
- поставка
- ланцюжка поставок
- Оптимізація ланцюга поставок
- підтримка
- синтетичний
- Приймати
- Мета
- завдання
- команди
- технічний
- телеком
- термінал
- ніж
- Що
- Команда
- їх
- Їх
- потім
- Ці
- вони
- це
- ті
- три
- міцніше
- час
- до
- поїзд
- навчений
- Навчання
- тип
- при
- одиниць
- використання
- використовуваний
- користувач
- користувачі
- використання
- перевірка достовірності
- значення
- створення цінності
- версія
- вид
- видимість
- бачення
- we
- коли
- який
- в той час як
- ВООЗ
- широкий
- Широкий діапазон
- з
- в
- без
- Work
- робочий
- працює
- лист
- рік
- років
- Ти
- вашу
- зефірнет