ایمیزون سیج میکر کینوس میں بنائے گئے ایم ایل ماڈلز کو ایمیزون سیج میکر ریئل ٹائم اینڈ پوائنٹس پر تعینات کریں۔ ایمیزون ویب سروسز

ایمیزون سیج میکر کینوس اب مشین لرننگ (ML) ماڈلز کو ریئل ٹائم انفرنسنگ اینڈ پوائنٹس پر تعینات کرنے کی حمایت کرتا ہے، جس سے آپ اپنے ML ماڈلز کو پروڈکشن میں لے جا سکتے ہیں اور ML سے چلنے والی بصیرت کی بنیاد پر ایکشن چلا سکتے ہیں۔ SageMaker Canvas ایک بغیر کوڈ والی ورک اسپیس ہے جو تجزیہ کاروں اور سٹیزن ڈیٹا سائنسدانوں کو ان کی کاروباری ضروریات کے لیے درست ML پیشین گوئیاں پیدا کرنے کے قابل بناتی ہے۔

ابھی تک، SageMaker Canvas نے ML ماڈل کا جائزہ لینے، بڑی تعداد میں پیشین گوئیاں تیار کرنے، اور اپنے انٹرایکٹو ورک اسپیس کے اندر کیا ہو تو تجزیہ کرنے کی صلاحیت فراہم کی ہے۔ لیکن اب آپ ریئل ٹائم انفرنسنگ کے لیے ماڈلز کو ایمیزون سیج میکر اینڈ پوائنٹس پر بھی تعینات کر سکتے ہیں، جس سے ماڈل کی پیشن گوئیوں کو استعمال کرنا اور سیج میکر کینوس ورک اسپیس سے باہر ایکشن چلانا آسان ہو جاتا ہے۔ سیج میکر کینوس سے ایم ایل ماڈلز کو براہ راست تعینات کرنے کی اہلیت کا ہونا ایم ایل ماڈلز کو دستی طور پر برآمد کرنے، ترتیب دینے، جانچ کرنے اور پیداوار میں تعینات کرنے کی ضرورت کو ختم کرتا ہے، اس طرح پیچیدگی کو کم کرنے اور وقت کی بچت ہوتی ہے۔ یہ کوڈ لکھنے کی ضرورت کے بغیر، ML ماڈلز کو چلانے والے افراد کے لیے زیادہ قابل رسائی بناتا ہے۔

اس پوسٹ میں، ہم آپ کو اس عمل سے گزرتے ہیں۔ SageMaker کینوس میں ایک ماڈل تعینات کریں۔ ایک حقیقی وقت کے اختتامی نقطہ پر۔

حل کا جائزہ

اپنے استعمال کے معاملے کے لیے، ہم ایک موبائل فون آپریٹر کے مارکیٹنگ کے شعبے میں ایک کاروباری صارف کا کردار سنبھال رہے ہیں، اور ہم نے سیج میکر کینوس میں کامیابی کے ساتھ ایک ML ماڈل بنایا ہے تاکہ صارفین کو چرن کے ممکنہ خطرے سے پہچانا جا سکے۔ ہمارے ماڈل کی طرف سے پیدا ہونے والی پیشین گوئیوں کی بدولت، اب ہم اسے اپنے ترقیاتی ماحول سے پیداوار میں منتقل کرنا چاہتے ہیں۔ اندازہ کے لیے اپنے ماڈل کے اختتامی نقطہ کو تعینات کرنے کے عمل کو ہموار کرنے کے لیے، ہم سیج میکر کینوس سے ML ماڈلز کو براہ راست تعینات کرتے ہیں، اس طرح ایم ایل ماڈلز کو دستی طور پر برآمد کرنے، ترتیب دینے، جانچنے اور پیداوار میں تعینات کرنے کی ضرورت کو ختم کرتے ہیں۔ اس سے پیچیدگی کو کم کرنے میں مدد ملتی ہے، وقت کی بچت ہوتی ہے، اور کوڈ لکھنے کی ضرورت کے بغیر، ML ماڈلز کو چلانے والے افراد کے لیے زیادہ قابل رسائی بناتا ہے۔

ورک فلو کے مراحل درج ذیل ہیں:

1. SageMaker Canvas میں موجودہ کسٹمر کی آبادی کے ساتھ ایک نیا ڈیٹا سیٹ اپ لوڈ کریں۔ معاون ڈیٹا کے ذرائع کی مکمل فہرست کے لیے، رجوع کریں۔ کینوس میں ڈیٹا درآمد کریں۔.
2. ایم ایل ماڈلز بنائیں اور ان کی کارکردگی کے میٹرکس کا تجزیہ کریں۔ ہدایات کے لیے، رجوع کریں۔ اپنی مرضی کے مطابق ماڈل بنائیں اور Amazon SageMaker Canvas میں اپنے ماڈل کی کارکردگی کا اندازہ لگائیں۔.
3. منظور شدہ ماڈل ورژن تعینات کریں۔ ریئل ٹائم انفرنسنگ کے لیے ایک اختتامی نقطہ کے طور پر۔

آپ ان اقدامات کو SageMaker Canvas میں بغیر کوڈ کی ایک لائن لکھے انجام دے سکتے ہیں۔

شرائط

اس واک تھرو کے لیے، یقینی بنائیں کہ درج ذیل شرائط کو پورا کیا گیا ہے:

1. ماڈل ورژنز کو SageMaker اینڈ پوائنٹس پر تعینات کرنے کے لیے، SageMaker Canvas منتظم کو SageMaker Canvas صارف کو ضروری اجازت دینی چاہیے، جسے آپ SageMaker ڈومین میں منظم کر سکتے ہیں جو آپ کی SageMaker Canvas ایپلیکیشن کی میزبانی کرتا ہے۔ مزید معلومات کے لیے رجوع کریں۔ کینوس میں اجازتوں کا انتظام.
   
2. میں بیان کردہ شرائط کو نافذ کریں۔ Amazon SageMaker Canvas کا استعمال کرتے ہوئے بغیر کوڈ مشین لرننگ کے ساتھ کسٹمر کے منتھن کی پیش گوئی کریں۔.

اب آپ کے پاس کینوس میں تاریخی چرن کی پیشن گوئی کے اعداد و شمار پر تربیت یافتہ تین ماڈل ورژن ہونے چاہئیں:

• V1 تمام 21 خصوصیات کے ساتھ تربیت یافتہ اور 96.903% کے ماڈل سکور کے ساتھ فوری تعمیر کنفیگریشن
• V2 تمام 19 خصوصیات کے ساتھ تربیت یافتہ ہے (فون اور ریاستی خصوصیات کو ہٹا دیا گیا ہے) اور فوری تعمیر کنفیگریشن اور 97.403% کی بہتر درستگی
• V3 97.103% ماڈل سکور کے ساتھ معیاری تعمیراتی ترتیب کے ساتھ تربیت یافتہ ہے۔

کسٹمر چرن پیشن گوئی ماڈل استعمال کریں۔

فعال کریں اعلی درجے کی میٹرکس دکھائیں۔ ماڈل کی تفصیلات کے صفحہ پر اور ہر ماڈل ورژن کے ساتھ وابستہ معروضی میٹرکس کا جائزہ لیں تاکہ آپ SageMaker کو اختتامی نقطہ کے طور پر تعینات کرنے کے لیے بہترین کارکردگی کا مظاہرہ کرنے والے ماڈل کو منتخب کر سکیں۔

کارکردگی کے میٹرکس کی بنیاد پر، ہم تعینات کرنے کے لیے ورژن 2 کا انتخاب کرتے ہیں۔

ماڈل کی تعیناتی کی ترتیبات کو ترتیب دیں — تعیناتی کا نام، مثال کی قسم، اور مثال کی گنتی۔

نقطہ آغاز کے طور پر، Canvas خود بخود آپ کے ماڈل کی تعیناتی کے لیے بہترین مثال کی قسم اور مثالوں کی تعداد تجویز کرے گا۔ آپ اسے اپنے کام کے بوجھ کی ضروریات کے مطابق تبدیل کر سکتے ہیں۔

آپ سیج میکر کینوس کے اندر سے براہ راست تعینات سیج میکر انفرنس اینڈ پوائنٹ کی جانچ کر سکتے ہیں۔

آپ SageMaker Canvas یوزر انٹرفیس کا استعمال کرتے ہوئے ان پٹ ویلیوز کو تبدیل کر سکتے ہیں تاکہ اضافی churn prediction کا اندازہ لگایا جا سکے۔

اب آئیے نیویگیٹ کرتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو اور تعینات اختتامی نقطہ کو چیک کریں۔

سیج میکر اسٹوڈیو میں ایک نوٹ بک کھولیں اور تعینات کردہ ماڈل کے اختتامی نقطہ کا اندازہ لگانے کے لیے درج ذیل کوڈ کو چلائیں۔ ماڈل اینڈ پوائنٹ کے نام کو اپنے ماڈل اینڈ پوائنٹ کے نام سے بدل دیں۔

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)

ہمارا اصل ماڈل اینڈ پوائنٹ ایک ml.m5.xlarge مثال اور 1 مثال کا شمار استعمال کر رہا ہے۔ اب، آئیے فرض کریں کہ آپ توقع کرتے ہیں کہ آپ کے ماڈل کے اختتامی نقطہ کا اندازہ لگانے والے اختتامی صارفین کی تعداد میں اضافہ ہوگا اور آپ زیادہ کمپیوٹ صلاحیت فراہم کرنا چاہتے ہیں۔ آپ اسے براہ راست SageMaker Canvas کے اندر سے منتخب کر کے پورا کر سکتے ہیں۔ اپ ڈیٹ کنفیگریشن.

صاف کرو

مستقبل کے چارجز سے بچنے کے لیے، اس پوسٹ کی پیروی کرتے ہوئے اپنے بنائے گئے وسائل کو حذف کر دیں۔ اس میں سیج میکر کینوس سے لاگ آؤٹ کرنا شامل ہے۔ تعینات سیج میکر اینڈ پوائنٹ کو حذف کرنا. سیج میکر کینوس آپ کو سیشن کے دورانیے کا بل دیتا ہے، اور ہم تجویز کرتے ہیں کہ جب آپ سیج میکر کینوس استعمال نہ کر رہے ہوں تو اس سے لاگ آؤٹ کریں۔ کا حوالہ دیتے ہیں Amazon SageMaker Canvas سے لاگ آؤٹ ہو رہا ہے۔ مزید تفصیلات کے لئے.

نتیجہ

اس پوسٹ میں، ہم نے اس بات پر تبادلہ خیال کیا کہ کس طرح SageMaker Canvas ML ماڈلز کو ریئل ٹائم انفرنسنگ اینڈ پوائنٹس پر تعینات کر سکتا ہے، جس سے آپ اپنے ML ماڈلز کو پروڈکشن میں لے جا سکتے ہیں اور ML سے چلنے والی بصیرت کی بنیاد پر کارروائی کر سکتے ہیں۔ ہماری مثال میں، ہم نے دکھایا کہ کس طرح ایک تجزیہ کار بغیر کوئی کوڈ لکھے ایک انتہائی درست پیش گوئی کرنے والا ML ماڈل تیزی سے بنا سکتا ہے، اسے SageMaker پر اینڈ پوائنٹ کے طور پر تعینات کر سکتا ہے، اور SageMaker Canvas کے ساتھ ساتھ SageMaker اسٹوڈیو نوٹ بک سے ماڈل اینڈ پوائنٹ کی جانچ کر سکتا ہے۔

اپنا کم کوڈ/نو کوڈ ML سفر شروع کرنے کے لیے، رجوع کریں۔ ایمیزون سیج میکر کینوس.

لانچ میں تعاون کرنے والے سبھی لوگوں کا خصوصی شکریہ: پرشانت کروماڈالی، ابیشیک کمار، ایلن لیو، شان لیسٹر، ریچا سندرانی، اور ایلیسیا کیو۔

مصنفین کے بارے میں

جنیشا آنند Amazon SageMaker Low/No Code ML ٹیم میں ایک سینئر پروڈکٹ مینیجر ہے، جس میں SageMaker Canvas اور SageMaker آٹو پائلٹ شامل ہیں۔ وہ کافی سے لطف اندوز ہوتی ہے، متحرک رہتی ہے، اور اپنے خاندان کے ساتھ وقت گزارتی ہے۔

انڈی ساہنی ایمیزون ویب سروسز کے ساتھ ایک سینئر کسٹمر سلوشن لیڈر ہے۔ صارفین کے مسائل سے ہمیشہ پیچھے رہ کر کام کرتے ہوئے، Indy AWS انٹرپرائز کسٹمر ایگزیکٹوز کو ان کے منفرد کلاؤڈ ٹرانسفارمیشن سفر کے ذریعے مشورہ دیتا ہے۔ اس کے پاس 25 سال سے زیادہ کا تجربہ ہے جو انٹرپرائز تنظیموں کو ابھرتی ہوئی ٹیکنالوجیز اور کاروباری حل اپنانے میں مدد کرتا ہے۔ Indy AI/ML کے لیے AWS کی ٹیکنیکل فیلڈ کمیونٹی کے ساتھ گہرائی کے ماہر کا ایک علاقہ ہے، جس میں جنریٹو AI اور کم کوڈ/نو کوڈ Amazon SageMaker سلوشنز میں مہارت ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/