Розгортання моделей ML, створених у Amazon SageMaker Canvas, на кінцевих точках Amazon SageMaker у реальному часі | Веб-сервіси Amazon

Canvas Amazon SageMaker тепер підтримує розгортання моделей машинного навчання (ML) на кінцевих точках висновків у реальному часі, дозволяючи використовувати ваші моделі ML у виробництві та керувати діями на основі розуміння ML. SageMaker Canvas — це робочий простір без коду, який дає змогу аналітикам і дослідникам даних громадян генерувати точні прогнози машинного навчання для своїх бізнес-потреб.

Досі SageMaker Canvas надавав можливість оцінювати модель ML, генерувати масові прогнози та виконувати аналізи «що-якщо» в інтерактивному робочому просторі. Але тепер ви також можете розгортати моделі на кінцевих точках Amazon SageMaker для висновків у реальному часі, що полегшує використання прогнозів моделі та керування діями за межами робочого простору SageMaker Canvas. Наявність можливості безпосереднього розгортання моделей ML із SageMaker Canvas позбавляє від необхідності вручну експортувати, налаштовувати, тестувати та розгортати моделі ML у виробництві, тим самим заощаджуючи, зменшуючи складність і заощаджуючи час. Це також робить реалізацію моделей ML більш доступною для окремих людей без необхідності писати код.

У цій публікації ми ознайомимо вас із процесом розгорнути модель у SageMaker Canvas до кінцевої точки в реальному часі.

Огляд рішення

Для нашого випадку використання ми беремо на себе роль бізнес-користувача у відділі маркетингу оператора мобільного зв’язку, і ми успішно створили модель ML у SageMaker Canvas для виявлення клієнтів із потенційним ризиком відтоку. Завдяки передбаченням, створеним нашою моделлю, тепер ми хочемо перенести це з нашого середовища розробки до виробництва. Щоб спростити процес розгортання нашої кінцевої точки моделі для висновків, ми безпосередньо розгортаємо моделі ML із SageMaker Canvas, усуваючи таким чином необхідність вручну експортувати, налаштовувати, тестувати та розгортати моделі ML у виробництві. Це допомагає зменшити складність, заощадити час, а також зробити реалізацію моделей ML більш доступною для окремих людей без необхідності писати код.

Етапи робочого процесу такі:

1. Завантажте новий набір даних із поточною популяцією клієнтів у SageMaker Canvas. Повний список підтримуваних джерел даних див Імпортуйте дані в Canvas.
2. Створюйте моделі ML і аналізуйте їх показники ефективності. Інструкції див Створіть власну модель та Оцініть продуктивність своєї моделі в Amazon SageMaker Canvas.
3. Розгорніть затверджену версію моделі як кінцеву точку для висновків у реальному часі.

Ви можете виконати ці дії в SageMaker Canvas, не написавши жодного рядка коду.

Передумови

Для цього покрокового керівництва переконайтеся, що виконано такі передумови:

1. Щоб розгорнути версії моделі на кінцевих точках SageMaker, адміністратор SageMaker Canvas повинен надати необхідні дозволи користувачу SageMaker Canvas, яким ви можете керувати в домені SageMaker, де розміщено вашу програму SageMaker Canvas. Для отримання додаткової інформації див Керування дозволами в Canvas.
   
2. Виконайте передумови, зазначені в Передбачте відтік клієнтів за допомогою машинного навчання без використання коду за допомогою Amazon SageMaker Canvas.

Тепер у вас має бути три версії моделі, навчені на даних прогнозування відтоку в минулому в Canvas:

• V1 навчено всіма 21 функціями та швидкою конфігурацією збірки з оцінкою моделі 96.903%
• V2 навчено з усіма 19 функціями (вилучено функції телефону та стану), а також швидку конфігурацію збірки та підвищену точність 97.403%
• V3 навчено зі стандартною конфігурацією збірки з оцінкою моделі 97.103%.

Використовуйте модель прогнозування відтоку клієнтів

включити Показати розширені показники на сторінці деталей моделі та перегляньте об’єктивні показники, пов’язані з кожною версією моделі, щоб вибрати найефективнішу модель для розгортання в SageMaker як кінцевої точки.

На основі показників продуктивності ми вибираємо версію 2 для розгортання.

Налаштуйте параметри розгортання моделі — назву розгортання, тип екземпляра та кількість екземплярів.

Для початку Canvas автоматично запропонує найкращий тип екземпляра та кількість екземплярів для розгортання вашої моделі. Ви можете змінити його відповідно до потреб свого робочого навантаження.

Ви можете перевірити розгорнуту кінцеву точку висновку SageMaker безпосередньо з SageMaker Canvas.

Ви можете змінити вхідні значення за допомогою інтерфейсу користувача SageMaker Canvas, щоб отримати додатковий прогноз відтоку.

Тепер давайте перейдемо до Студія Amazon SageMaker і перевірте розгорнуту кінцеву точку.

Відкрийте блокнот у SageMaker Studio та запустіть наведений нижче код, щоб визначити кінцеву точку розгорнутої моделі. Замініть назву кінцевої точки моделі на власну назву кінцевої точки моделі.

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)

Наша початкова кінцева точка моделі використовує екземпляр ml.m5.xlarge і кількість екземплярів 1. А тепер припустімо, що ви очікуєте, що кількість кінцевих користувачів, які роблять висновок про вашу кінцеву точку моделі, збільшиться, і ви хочете забезпечити більше обчислювальної потужності. Ви можете зробити це безпосередньо з SageMaker Canvas, вибравши Оновити конфігурацію.

Прибирати

Щоб уникнути майбутніх витрат, видаліть ресурси, які ви створили під час перегляду цієї публікації. Це включає вихід із SageMaker Canvas і видалення розгорнутої кінцевої точки SageMaker. SageMaker Canvas виставляє вам рахунок за тривалість сеансу, і ми рекомендуємо вийти з SageMaker Canvas, коли ви ним не користуєтеся. Відноситься до Вихід із Amazon SageMaker Canvas для більш докладної інформації.

Висновок

У цьому дописі ми обговорювали, як SageMaker Canvas може розгортати моделі ML на кінцевих точках виводу в режимі реального часу, дозволяючи вам використовувати моделі ML у виробництві та керувати діями на основі розуміння ML. У нашому прикладі ми показали, як аналітик може швидко побудувати високоточну прогнозну модель ML без написання коду, розгорнути її на SageMaker як кінцеву точку та протестувати кінцеву точку моделі з SageMaker Canvas, а також із блокнота SageMaker Studio.

Щоб розпочати свою подорож ML з низьким кодом/без коду, зверніться до Canvas Amazon SageMaker.

Особлива подяка всім, хто зробив внесок у запуск: Прашанту Курумаддалі, Абішеку Кумару, Аллену Лю, Шону Лестеру, Річі Сундрані та Алісії Кі.

Про авторів

Яніша Ананд є старшим менеджером із продуктів у команді Amazon SageMaker Low/No Code ML, яка включає SageMaker Canvas і SageMaker Autopilot. Вона любить каву, залишаючись активною та проводячи час із сім’єю.

Інді Соні є старшим керівником рішень для клієнтів Amazon Web Services. Завжди віддаляючись від проблем клієнтів, Інді консультує керівників корпоративних клієнтів AWS на їхньому унікальному шляху трансформації хмари. Він має понад 25 років досвіду допомоги корпоративним організаціям у впровадженні нових технологій і бізнес-рішень. Інді є фахівцем із технічної сфери AWS для штучного інтелекту та ML, який спеціалізується на генеративному штучному інтелекті та рішеннях Amazon SageMaker із низьким кодом/без коду.

• 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. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/