Створіть власний ШІ за допомогою Amazon SageMaker із Salesforce Data Cloud | Веб-сервіси Amazon

Співавтором цієї публікації є Деріл Мартіс, директор із продуктів Salesforce Einstein AI.

Ми раді повідомити Amazon SageMaker і інтеграція Salesforce Data Cloud. Завдяки цій можливості компанії можуть безпечно отримувати доступ до своїх даних Salesforce за допомогою підходу без копіювання за допомогою SageMaker і використовувати інструменти SageMaker для створення, навчання та розгортання моделей ШІ. Кінцеві точки висновків підключаються до хмари даних для створення прогнозів у режимі реального часу. У результаті підприємства можуть прискорити час виходу на ринок, зберігаючи цілісність і безпеку даних, а також зменшити операційне навантаження на переміщення даних з одного місця в інше.

Представляємо Einstein Studio в Data Cloud

Хмара даних — це платформа даних, яка надає компаніям оновлення даних клієнтів у режимі реального часу з будь-якої точки дотику. Завдяки Einstein Studio, шлюзу до інструментів штучного інтелекту на платформі даних, адміністратори та дослідники даних можуть легко створювати моделі кількома клацаннями миші або за допомогою коду. Досвід створення власної моделі Einstein Studio (BYOM) надає можливість підключати власні або генеративні моделі ШІ із зовнішніх платформ, таких як SageMaker, до Data Cloud. Спеціальні моделі можна навчити, використовуючи дані з Salesforce Data Cloud, доступ до яких здійснюється через Amazon SageMaker Data Wrangler роз'єм. Підприємства можуть діяти відповідно до своїх прогнозів, плавно інтегруючи спеціальні моделі в робочі процеси Salesforce, що веде до підвищення ефективності, прийняття рішень і персоналізації досвіду.

Переваги інтеграції SageMaker і Data Cloud Einstein Studio

Ось як використання SageMaker з Einstein Studio в Salesforce Data Cloud може допомогти компаніям:

• Він надає можливість підключати власні та генеративні моделі штучного інтелекту до Einstein Studio для різних випадків використання, таких як перетворення потенційних клієнтів, класифікація випадків і аналіз настроїв.
• Це усуває стомлюючі, дорогі та схильні до помилок завдання ETL (вилучення, перетворення та завантаження). Підхід до нульового копіювання даних зменшує накладні витрати на керування копіями даних, знижує витрати на зберігання та підвищує ефективність.
• Він надає доступ до чітко підібраних, узгоджених даних у реальному часі в Customer 360. Це призводить до експертних моделей, які забезпечують більш розумні прогнози та бізнес-аналіз.
• Це спрощує використання результатів бізнес-процесів і підвищує цінність без затримок. Наприклад, ви можете використовувати автоматизовані робочі процеси, які можуть миттєво адаптуватися на основі нових даних.
• Це полегшує операціоналізацію моделей SageMaker і висновків у Salesforce.

Нижче наведено приклад того, як ввести в дію модель SageMaker за допомогою Salesforce Flow.

Інтеграція SageMaker

SageMaker — це повністю керована служба для підготовки даних і створення, навчання та розгортання моделей машинного навчання (ML) для будь-яких випадків використання з повністю керованою інфраструктурою, інструментами та робочими процесами.

Щоб оптимізувати інтеграцію SageMaker і Salesforce Data Cloud, ми представляємо дві нові можливості в SageMaker:

• Конектор SageMaker Data Wrangler Salesforce Data Cloud – За допомогою нещодавно запущеного конектора Salesforce Data Cloud SageMaker Data Wrangler адміністратори можуть попередньо налаштувати підключення до Salesforce, щоб дати аналітикам даних і науковцям дані швидко отримувати доступ до даних Salesforce у реальному часі та створювати функції для ML. Це дозволить користувачам безпечно отримувати доступ до Salesforce Data Cloud за допомогою OAuth. Ви можете інтерактивно візуалізувати, аналізувати та перетворювати дані за допомогою потужності Spark без написання коду за допомогою функцій підготовки візуальних даних з низьким кодом Salesforce Data Wrangler. Ви також можете масштабувати для обробки великих наборів даних за допомогою завдань обробки SageMaker, автоматично навчати режими ML за допомогою Автопілот Amazon SageMaker, а також інтегруватися з конвеєром висновку SageMaker, щоб розгорнути той самий потік даних у виробництві з кінцевою точкою висновку для обробки даних у режимі реального часу або в пакетному режимі для висновку.

• Шаблон проектів SageMaker для Salesforce – Ми запустили a Проекти SageMaker шаблон для Salesforce, який можна використовувати для розгортання кінцевих точок для традиційних і великих мовних моделей (LLM) і автоматично виставляти кінцеві точки SageMaker як API. SageMaker Projects забезпечує простий спосіб налаштувати та стандартизувати середовище розробки для науковців із обробки даних та інженерів ML для створення та розгортання моделей ML на SageMaker.

Партнер Цитата

«Партнерство між Salesforce і AWS Sagemaker дозволить клієнтам використовувати потужність штучного інтелекту (як генеративних, так і негенеративних моделей) у своїх джерелах даних, робочих процесах і програмах Salesforce, щоб забезпечити персоналізований досвід і генерувати новий контент, узагальнювати та запитувати. - досвід типу відповідей. Поєднуючи найкраще з обох світів, ми створюємо нову парадигму для інновацій, що керуються даними, і успіху клієнтів на основі штучного інтелекту».

– Каушал Курапаті, старший віце-президент Salesforce із продуктів, ШІ та пошуку

Огляд рішення

Інтеграційне рішення BYOM надає клієнтам власний конектор Salesforce Data Cloud у SageMaker Data Wrangler. Конектор SageMaker Data Wrangler дозволяє безпечно отримувати доступ до об’єктів Salesforce Data Cloud. Після автентифікації користувачі можуть виконувати дослідження даних, підготовку та інженерні завдання, необхідні для розробки моделі та висновків через інтерактивний візуальний інтерфейс SageMaker Data Wrangler. Науковці даних можуть працювати всередині Студія Amazon SageMaker ноутбуки для розробки спеціальних моделей, які можуть бути традиційними або LLM, і зробити їх доступними для розгортання, зареєструвавши модель у реєстрі моделей SageMaker. Коли модель буде схвалено для виробництва в реєстрі, SageMaker Projects автоматизує розгортання API виклику, який можна налаштувати як ціль у Salesforce Einstein Studio та інтегрувати з програмами Salesforce Customer 360. Наступна діаграма ілюструє цю архітектуру

Висновок

У цій публікації ми поділилися інтеграцією SageMaker і Salesforce Einstein Studio BYOM, де ви можете використовувати дані в Salesforce Data Cloud для створення та навчання традиційних і LLM-ів у SageMaker. Ви можете використовувати SageMaker Data Wrangler, щоб підготувати дані з Salesforce Data Cloud з нульовою копією. Ми також надали автоматизоване рішення для розгортання кінцевих точок SageMaker як API за допомогою шаблону SageMaker Projects для Salesforce.

AWS і Salesforce раді співпрацювати, щоб надати цей досвід нашим спільним клієнтам, щоб допомогти їм керувати бізнес-процесами за допомогою можливостей машинного навчання та штучного інтелекту.

Щоб дізнатися більше про інтеграцію Salesforce BYOM, див Принесіть власні моделі ШІ за допомогою Einstein Studio. Для детальної реалізації з використанням рекомендацій продукту приклад використання прикладу див Використовуйте інтеграцію Amazon SageMaker і Salesforce Data Cloud, щоб забезпечити роботу своїх програм Salesforce за допомогою AI/ML.

---

Про авторів

Деріл Мартіс є директором із продуктів Einstein Studio в Salesforce Data Cloud. Він має понад 10 років досвіду в плануванні, створенні, запуску та управлінні рішеннями світового класу для корпоративних клієнтів, включаючи AI/ML і хмарні рішення. Раніше він працював у сфері фінансових послуг у Нью-Йорку.

Рачна Чадха є головним архітектором рішень AI/ML у Strategic Accounts в AWS. Рахна — оптиміст, який вірить, що етичне та відповідальне використання ШІ може покращити суспільство в майбутньому та принести економічне та соціальне процвітання. У вільний час Рачна любить проводити час з сім'єю, гуляти в походах і слухати музику.

Іфе Стюарт є головним архітектором рішень у стратегічному сегменті ISV в AWS. Протягом останніх 2 років вона працювала з Salesforce Data Cloud, щоб допомогти створити інтегрований досвід клієнтів у Salesforce і AWS. Ife має понад 10 років досвіду в галузі технологій. Вона є прихильником різноманітності та інклюзії в галузі технологій.

Маніндер (Мані) Каур є провідним спеціалістом зі штучного інтелекту та ML для стратегічних незалежних програмного забезпечення в AWS. Завдяки своєму підходу, орієнтованому на клієнта, Мані допомагає стратегічним клієнтам формувати стратегію штучного інтелекту/ML, стимулювати інновації та пришвидшувати шлях до штучного інтелекту/ML. Мані твердо вірить у етичний і відповідальний штучний інтелект і прагне забезпечити відповідність рішень штучного інтелекту її клієнтів цим принципам.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. Автомобільні / електромобілі, вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• BlockOffsets. Модернізація екологічної компенсаційної власності. Доступ тут.
• джерело: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ai-using-amazon-sagemaker-with-salesforce-data-cloud/