Máy học (ML) giúp các tổ chức tạo doanh thu, giảm chi phí, giảm thiểu rủi ro, nâng cao hiệu quả và cải thiện chất lượng bằng cách tối ưu hóa các chức năng kinh doanh cốt lõi trên nhiều đơn vị kinh doanh như tiếp thị, sản xuất, vận hành, bán hàng, tài chính và dịch vụ khách hàng. Với AWS ML, các tổ chức có thể đẩy nhanh quá trình tạo giá trị từ vài tháng đến vài ngày. Canvas SageMaker của Amazon là một dịch vụ trỏ và nhấp trực quan cho phép các nhà phân tích kinh doanh tạo ra các dự đoán ML chính xác mà không cần viết một dòng mã nào hoặc yêu cầu chuyên môn về ML. Bạn có thể sử dụng các mô hình để đưa ra dự đoán một cách tương tác và để chấm điểm hàng loạt trên bộ dữ liệu hàng loạt.
Trong bài đăng này, chúng tôi giới thiệu các mẫu kiến trúc về cách các nhóm kinh doanh có thể sử dụng các mô hình ML được xây dựng ở mọi nơi bằng cách tạo dự đoán trong Canvas và đạt được kết quả kinh doanh hiệu quả.
Việc tích hợp phát triển và chia sẻ mô hình này tạo ra sự hợp tác chặt chẽ hơn giữa các nhóm kinh doanh và khoa học dữ liệu, đồng thời giảm thời gian định giá. Các nhóm kinh doanh có thể sử dụng các mô hình hiện có do các nhà khoa học dữ liệu của họ hoặc các bộ phận khác xây dựng để giải quyết vấn đề kinh doanh thay vì xây dựng lại các mô hình mới ở môi trường bên ngoài.
Cuối cùng, các nhà phân tích kinh doanh có thể nhập các mô hình được chia sẻ vào Canvas và tạo các dự đoán trước khi triển khai vào sản xuất chỉ bằng một vài cú nhấp chuột.
Tổng quan về giải pháp
Hình dưới đây mô tả ba mẫu kiến trúc khác nhau để minh họa cách các nhà khoa học dữ liệu có thể chia sẻ mô hình với các nhà phân tích kinh doanh, những người sau đó có thể trực tiếp tạo dự đoán từ các mô hình đó trong giao diện trực quan của Canvas:
Điều kiện tiên quyết
Để đào tạo và xây dựng mô hình của bạn bằng SageMaker cũng như đưa mô hình của bạn vào Canvas, hãy hoàn thành các điều kiện tiên quyết sau:
- Nếu bạn chưa có miền SageMaker và người dùng Studio, thiết lập và đưa người dùng Studio vào miền SageMaker.
- Kích hoạt và thiết lập Canvas quyền cơ sở cho người dùng của bạn và cấp cho người dùng quyền cộng tác với Studio.
- Bạn phải có một mô hình được đào tạo từ Autopilot, JumpStart hoặc sổ đăng ký mô hình. Đối với bất kỳ mô hình nào bạn đã tạo bên ngoài SageMaker, bạn phải đăng ký mô hình của mình trong sổ đăng ký mô hình trước khi nhập mô hình đó vào Canvas.
Bây giờ, hãy giả sử đóng vai một nhà khoa học dữ liệu đang tìm cách đào tạo, xây dựng, triển khai và chia sẻ các mô hình ML với một nhà phân tích kinh doanh cho từng mẫu trong số ba mẫu kiến trúc này.
Sử dụng Autopilot và Canvas
Autopilot tự động hóa các tác vụ chính của quy trình ML tự động (AutoML) như khám phá dữ liệu, chọn thuật toán phù hợp cho loại sự cố, sau đó đào tạo và điều chỉnh nó. Tất cả những điều này có thể đạt được trong khi cho phép bạn duy trì toàn quyền kiểm soát và khả năng hiển thị trên tập dữ liệu. Autopilot tự động khám phá các giải pháp khác nhau để tìm ra mô hình tốt nhất và người dùng có thể lặp lại trên mô hình ML hoặc trực tiếp triển khai mô hình vào sản xuất chỉ bằng một cú nhấp chuột.
Trong ví dụ này, chúng tôi sử dụng tổng hợp khách hàng rời đi tập dữ liệu từ lĩnh vực viễn thông và được giao nhiệm vụ xác định những khách hàng có nguy cơ rời bỏ tiềm năng. Hoàn thành các bước sau để sử dụng Autopilot AutoML nhằm xây dựng, đào tạo, triển khai và chia sẻ mô hình ML với nhà phân tích kinh doanh:
- Tải về tập dữ liệu, tải nó lên Amazon S3 (Dịch vụ lưu trữ đơn giản của Amazon) nhóm và ghi lại URI S3.
- Trên bảng điều khiển Studio, hãy chọn Tự động trong khung điều hướng.
- Chọn Tạo thử nghiệm AutoML.
- Chỉ định tên thử nghiệm (đối với bài đăng này,
Telecom-Customer-Churn-AutoPilot
), vị trí đầu vào và đầu ra dữ liệu S3. - Đặt cột mục tiêu là churn.
- Trong cài đặt triển khai, bạn có thể bật tùy chọn triển khai tự động để tạo điểm cuối triển khai mô hình tốt nhất của bạn và chạy suy luận trên điểm cuối.
Để biết thêm thông tin, tham khảo Tạo thử nghiệm Tự động lái của Amazon SageMaker.
- Chọn thử nghiệm của bạn, sau đó chọn mô hình tốt nhất của bạn và chọn Chia sẻ mô hình.
- Thêm người dùng Canvas và chọn Chia sẻ chia sẻ mô hình
(Chú thích: Bạn không thể chia sẻ mô hình với cùng một người dùng Canvas như đã dùng để đăng nhập Studio. Ví dụ: Người dùng Studio-A không thể chia sẻ mô hình với Người dùng Canvas-A. Nhưng người dùng-A có thể chia sẻ mô hình với người dùng-B, do đó chọn các cách sử dụng khác nhau để chia sẻ mô hình)
Để biết thêm thông tin, tham khảo Người dùng Studio: Chia sẻ mô hình với SageMaker Canvas.
Sử dụng JumpStart và Canvas
JumpStart là một trung tâm ML cung cấp các mô hình nguồn mở, được đào tạo trước cho nhiều trường hợp sử dụng ML như phát hiện gian lận, dự đoán rủi ro tín dụng và phát hiện lỗi sản phẩm. Bạn có thể triển khai hơn 300 mô hình được đào tạo trước cho dữ liệu dạng bảng, hình ảnh, văn bản và âm thanh.
Đối với bài đăng này, chúng tôi sử dụng mô hình được đào tạo trước hồi quy LightGBM từ JumpStart. Chúng tôi đào tạo mô hình trên tập dữ liệu tùy chỉnh và chia sẻ mô hình với người dùng Canvas (nhà phân tích kinh doanh). Mô hình được đào tạo trước có thể được triển khai đến một điểm cuối để suy luận. JumpStart cung cấp sổ ghi chép ví dụ để truy cập mô hình sau khi nó được triển khai.
Trong ví dụ này, chúng tôi sử dụng tập dữ liệu bào ngư. Tập dữ liệu chứa các ví dụ về tám phép đo vật lý như chiều dài, đường kính và chiều cao để dự đoán tuổi của bào ngư (một bài toán hồi quy).
- Tải về tập dữ liệu bào ngư từ Kagle.
- Tạo bộ chứa S3 và tải lên tập dữ liệu đào tạo, xác thực và tiêu đề tùy chỉnh.
- Trên bảng điều khiển Studio, dưới Khởi động SageMaker trong ngăn điều hướng, chọn Mô hình, sổ tay, lời giải.
- Theo Mô hình dạng bảng, chọn Hồi quy GBM nhẹ.
- Theo Mô hình xe lửa, chỉ định các URI S3 cho bộ dữ liệu đào tạo, xác thực và tiêu đề cột.
- Chọn Train.
- Trong ngăn dẫn hướng, chọn Ra mắt tài sản JumpStart.
- trên Công việc đào tạo tab, chọn công việc đào tạo của bạn.
- trên Chia sẻ menu, chọn Chia sẻ lên Canvas.
- Chọn người dùng Canvas để chia sẻ, chỉ định chi tiết mô hình và chọn Chia sẻ.
Để biết thêm thông tin, tham khảo Người dùng Studio: Chia sẻ mô hình với SageMaker Canvas.
Sử dụng sổ đăng ký mô hình SageMaker và Canvas
Với sổ đăng ký mô hình SageMaker, bạn có thể lập danh mục các mô hình để sản xuất, quản lý các phiên bản mô hình, liên kết siêu dữ liệu, quản lý trạng thái phê duyệt của một mô hình, triển khai các mô hình vào sản xuất và tự động hóa việc triển khai mô hình bằng CI/CD.
Hãy đảm nhận vai trò của một nhà khoa học dữ liệu. Đối với ví dụ này, bạn đang xây dựng một dự án ML toàn diện bao gồm chuẩn bị dữ liệu, đào tạo mô hình, lưu trữ mô hình, đăng ký mô hình và chia sẻ mô hình với nhà phân tích kinh doanh. Theo tùy chọn, đối với các bước chuẩn bị và tiền xử lý hoặc hậu xử lý dữ liệu, bạn có thể sử dụng Trình sắp xếp dữ liệu Amazon SageMaker và một Công việc xử lý Amazon SageMaker. Trong ví dụ này, chúng tôi sử dụng bộ dữ liệu bào ngư được tải xuống từ LIBSVM. Biến mục tiêu là tuổi của bào ngư.
- Trong Studio, sao chép Repo GitHub.
- Hoàn thành các bước được liệt kê trong tệp README.
- Trên bảng điều khiển Studio, dưới mô hình trong ngăn điều hướng, chọn Đăng ký mô hình.
- Chọn mô hình
sklearn-reg-ablone
. - Chia sẻ mô hình phiên bản 1 từ sổ đăng ký mô hình lên Canvas.
- Chọn người dùng Canvas để chia sẻ, chỉ định chi tiết mô hình và chọn Chia sẻ.
Để biết hướng dẫn, hãy tham khảo Đăng ký mô hình phần trong Người dùng Studio: Chia sẻ mô hình với SageMaker Canvas.
Quản lý các mô hình được chia sẻ
Sau khi bạn chia sẻ mô hình bằng bất kỳ phương pháp nào ở trên, bạn có thể vào mô hình phần trong Studio và xem xét tất cả các mô hình được chia sẻ. Trong ảnh chụp màn hình sau đây, chúng ta thấy 3 mô hình khác nhau được chia sẻ bởi một người dùng Studio (nhà khoa học dữ liệu) với những người dùng Canvas (nhóm kinh doanh) khác nhau.
Nhập mô hình được chia sẻ và đưa ra dự đoán với Canvas
Hãy đảm nhận vai trò của nhà phân tích kinh doanh và đăng nhập vào Canvas với người dùng Canvas của bạn.
Khi nhà khoa học dữ liệu hoặc người dùng Studio chia sẻ mô hình với người dùng Canvas, bạn sẽ nhận được thông báo trong ứng dụng Canvas rằng người dùng Studio đã chia sẻ mô hình với bạn. Trong ứng dụng Canvas, thông báo tương tự như ảnh chụp màn hình sau.
Bạn có thể chọn Xem bản cập nhật để xem mô hình được chia sẻ hoặc bạn có thể truy cập mô hình trong ứng dụng Canvas để khám phá tất cả các mô hình đã được chia sẻ với bạn. Quá trình nhập mô hình từ Studio có thể mất tới 20 phút.
Sau khi nhập mô hình, bạn có thể xem số liệu của mô hình và tạo dự đoán thời gian thực với phân tích what-if hoặc dự đoán hàng loạt.
Những cân nhắc
Hãy ghi nhớ những điều sau khi chia sẻ mô hình với Canvas:
- Bạn lưu trữ bộ dữ liệu đào tạo và xác thực trong Amazon S3 và các URI S3 được chuyển đến Canvas bằng Quản lý truy cập và nhận dạng AWS (IAM) quyền.
- Cung cấp cột mục tiêu cho Canvas hoặc sử dụng cột đầu tiên làm mặc định.
- Để bộ chứa Canvas phân tích cú pháp dữ liệu suy luận, điểm cuối Canvas chấp nhận văn bản (CSV) hoặc ứng dụng (JSON).
- Canvas không hỗ trợ nhiều vùng chứa hoặc đường dẫn suy luận.
- Lược đồ dữ liệu được cung cấp cho Canvas nếu không có tiêu đề nào được cung cấp trong bộ dữ liệu đào tạo và xác thực. Theo mặc định, nền tảng JumpStart không cung cấp tiêu đề trong bộ dữ liệu đào tạo và xác thực.
- Với Khởi động, công việc đào tạo cần phải hoàn thành trước khi bạn có thể chia sẻ nó với Canvas.
Tham khảo Hạn chế và khắc phục sự cố để giúp bạn khắc phục mọi sự cố mà bạn gặp phải khi chia sẻ mô hình.
Làm sạch
Để tránh bị tính phí trong tương lai, hãy xóa hoặc tắt các tài nguyên bạn đã tạo khi theo dõi bài đăng này. tham khảo Đăng xuất khỏi Amazon SageMaker Canvas để biết thêm chi tiết. Tắt các tài nguyên riêng lẻ, bao gồm sổ ghi chép, thiết bị đầu cuối, nhân, ứng dụng và phiên bản. Để biết thêm thông tin, hãy tham khảo Tắt tài nguyên. Xóa phiên bản mô hình, Điểm cuối SageMaker và tài nguyên, Tài nguyên thí nghiệm Autopilotvà Xô S3.
Kết luận
Studio cho phép các nhà khoa học dữ liệu chia sẻ các mô hình ML với các nhà phân tích kinh doanh chỉ bằng một vài bước đơn giản. Các nhà phân tích kinh doanh có thể hưởng lợi từ các mô hình ML đã được các nhà khoa học dữ liệu xây dựng để giải quyết các vấn đề kinh doanh thay vì tạo một mô hình mới trong Canvas. Tuy nhiên, có thể khó sử dụng các mô hình này bên ngoài môi trường mà chúng được xây dựng do các yêu cầu kỹ thuật và quy trình nhập mô hình thủ công. Điều này thường buộc người dùng phải xây dựng lại các mô hình ML, dẫn đến nhân đôi nỗ lực và thêm thời gian cũng như tài nguyên. Canvas loại bỏ những hạn chế này để bạn có thể tạo dự đoán trong Canvas bằng các mô hình mà bạn đã đào tạo ở bất kỳ đâu. Bằng cách sử dụng ba mẫu được minh họa trong bài đăng này, bạn có thể đăng ký các mô hình ML trong sổ đăng ký mô hình SageMaker, đây là kho lưu trữ siêu dữ liệu cho các mô hình ML và nhập chúng vào Canvas. Sau đó, các nhà phân tích kinh doanh có thể phân tích và tạo dự đoán từ bất kỳ mô hình nào trong Canvas.
Để tìm hiểu thêm về cách sử dụng dịch vụ SageMaker, hãy xem các tài nguyên sau:
Nếu bạn có câu hỏi hoặc gợi ý, hãy để lại nhận xét.
Giới thiệu về tác giả
Aman Sharma là Kiến trúc sư giải pháp cấp cao của AWS. Ông làm việc với các công ty mới thành lập, doanh nghiệp vừa và nhỏ cũng như khách hàng doanh nghiệp trên khắp khu vực APJ với hơn 19 năm kinh nghiệm trong lĩnh vực tư vấn, kiến trúc và giải pháp. Anh ấy đam mê dân chủ hóa AI và ML, đồng thời giúp khách hàng thiết kế dữ liệu và chiến lược ML của họ. Ngoài công việc, anh thích khám phá thiên nhiên và động vật hoang dã.
Tử Thần Nhiếp là Kỹ sư phần mềm cao cấp tại AWS SageMaker đang dẫn đầu dự án Mang mô hình của riêng bạn lên SageMaker Canvas vào năm ngoái. Cô đã làm việc tại Amazon hơn 7 năm và có kinh nghiệm trong cả hai dịch vụ Tối ưu hóa chuỗi cung ứng của Amazon và AWS AI. Cô ấy thích tập luyện Barre và nghe nhạc sau giờ làm việc.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoAiStream. Thông minh dữ liệu Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ml-model-into-amazon-sagemaker-canvas-and-generate-accurate-predictions/
- : có
- :là
- $ LÊN
- 1
- 100
- 20
- 7
- a
- Giới thiệu
- đẩy nhanh tiến độ
- Chấp nhận
- truy cập
- chính xác
- Đạt được
- đạt được
- ngang qua
- thêm vào
- Sau
- AI
- Dịch vụ AI
- thuật toán
- Tất cả
- Cho phép
- cho phép
- Đã
- đàn bà gan dạ
- Amazon SageMaker
- Amazon SageMaker Tự động lái
- Canvas SageMaker của Amazon
- an
- phân tích
- phân tích
- Các nhà phân tích
- phân tích
- và
- bất kì
- bất cứ nơi nào
- Các Ứng Dụng
- phê duyệt
- ứng dụng
- kiến trúc
- kiến trúc
- LÀ
- AS
- Liên kết
- At
- âm thanh
- tự động
- tự động hóa
- tự động hóa
- Tự động
- tự động
- Tự động
- tránh
- AWS
- cơ sở
- BE
- được
- trước
- hưởng lợi
- BEST
- giữa
- cả hai
- mang lại
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- chức năng kinh doanh
- các doanh nghiệp
- nhưng
- by
- CAN
- vải
- trường hợp
- Danh mục hàng
- chuỗi
- tải
- kiểm tra
- Chọn
- Nhấp chuột
- mã
- hợp tác
- hợp tác
- Cột
- bình luận
- hoàn thành
- An ủi
- tư vấn
- Container
- chứa
- điều khiển
- Trung tâm
- Chi phí
- tạo
- tạo ra
- tạo ra
- Tạo
- tạo
- tín dụng
- khách hàng
- khách hàng
- Dịch Vụ CSKH
- khách hàng
- dữ liệu
- Chuẩn bị dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- bộ dữ liệu
- Ngày
- Mặc định
- Dân chủ hóa
- chứng minh
- phòng ban
- triển khai
- triển khai
- triển khai
- triển khai
- triển khai
- thiết kế
- chi tiết
- Phát hiện
- Phát triển
- khác nhau
- khó khăn
- trực tiếp
- khám phá
- Không
- miền
- dont
- xuống
- lái xe
- hai
- mỗi
- Hiệu quả
- hiệu quả
- nỗ lực
- hay
- cho phép
- Cuối cùng đến cuối
- Điểm cuối
- ky sư
- Doanh nghiệp
- môi trường
- ví dụ
- ví dụ
- hiện tại
- kinh nghiệm
- thử nghiệm
- chuyên môn
- khám phá
- khám phá
- Khám phá
- vài
- Hình
- Tập tin
- tài chính
- Tìm kiếm
- Tên
- tiếp theo
- Trong
- Lực lượng
- gian lận
- phát hiện gian lận
- từ
- Full
- chức năng
- tương lai
- tạo ra
- tạo ra
- Go
- Có
- he
- tiêu đề
- cao
- giúp đỡ
- giúp đỡ
- giúp
- vì thế
- lưu trữ
- Độ đáng tin của
- Tuy nhiên
- HTML
- http
- HTTPS
- Hub
- xác định
- Bản sắc
- if
- nhập khẩu
- nhập khẩu
- nâng cao
- in
- bao gồm
- Bao gồm
- hệ thống riêng biệt,
- thông tin
- đầu vào
- thay vì
- hướng dẫn
- hội nhập
- Giao thức
- trong
- các vấn đề
- IT
- ITS
- Việc làm
- jpg
- json
- chỉ
- Key
- Họ
- Năm ngoái
- hàng đầu
- LEARN
- học tập
- Rời bỏ
- Chiều dài
- Lượt thích
- Lượt thích
- hạn chế
- Dòng
- Liệt kê
- địa điểm thư viện nào
- đăng nhập
- đăng nhập
- tìm kiếm
- duy trì
- làm cho
- quản lý
- nhãn hiệu
- sản xuất
- Marketing
- đo
- trung bình
- Siêu dữ liệu
- phương pháp
- Metrics
- Might
- tâm
- Phút
- Giảm nhẹ
- ML
- kiểu mẫu
- mô hình
- tháng
- chi tiết
- nhiều
- Âm nhạc
- phải
- tên
- Thiên nhiên
- THÔNG TIN
- nhu cầu
- Mới
- Không
- máy tính xách tay
- thông báo
- of
- thường
- on
- onboard
- ONE
- mã nguồn mở
- Hoạt động
- tối ưu hóa
- tối ưu hóa
- Tùy chọn
- or
- tổ chức
- Nền tảng khác
- ra
- kết quả
- đầu ra
- bên ngoài
- riêng
- trang
- cửa sổ
- thông qua
- đam mê
- mô hình
- quyền
- vật lý
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- Bài đăng
- có khả năng
- dự đoán
- dự đoán
- Dự đoán
- điều kiện tiên quyết
- Vấn đề
- vấn đề
- quá trình
- Quy trình
- xử lý
- Sản phẩm
- Sản lượng
- dự án
- cho
- cung cấp
- cung cấp
- chất lượng
- Câu hỏi
- phạm vi
- nhận
- giảm
- khu
- ghi danh
- đăng ký
- có liên quan
- Yêu cầu
- Thông tin
- kết quả
- doanh thu
- xem xét
- Nguy cơ
- Vai trò
- nhà làm hiền triết
- bán hàng
- tương tự
- Khoa học
- Nhà khoa học
- các nhà khoa học
- ghi bàn
- Phần
- xem
- lựa chọn
- cao cấp
- dịch vụ
- DỊCH VỤ
- định
- thiết lập
- Chia sẻ
- chia sẻ
- cổ phiếu
- chia sẻ
- chị ấy
- giới thiệu
- Đóng cửa
- tương tự
- Đơn giản
- duy nhất
- nhỏ
- So
- Phần mềm
- Kỹ sư phần mềm
- Giải pháp
- động SOLVE
- bắt đầu-up
- Trạng thái
- Các bước
- là gắn
- hàng
- chiến lược
- phòng thu
- như vậy
- cung cấp
- chuỗi cung ứng
- Tối ưu hóa chuỗi cung ứng
- hỗ trợ
- sợi tổng hợp
- Hãy
- Mục tiêu
- nhiệm vụ
- đội
- Kỹ thuật
- viễn thông
- Thiết bị đầu cuối
- hơn
- việc này
- Sản phẩm
- cung cấp their dịch
- Them
- sau đó
- Kia là
- họ
- điều này
- những
- số ba
- chặt chẽ hơn
- thời gian
- đến
- Train
- đào tạo
- Hội thảo
- kiểu
- Dưới
- các đơn vị
- sử dụng
- đã sử dụng
- người sử dang
- Người sử dụng
- sử dụng
- xác nhận
- giá trị
- tạo giá trị
- phiên bản
- Xem
- khả năng hiển thị
- tầm nhìn
- we
- khi nào
- cái nào
- trong khi
- CHÚNG TÔI LÀ
- rộng
- Phạm vi rộng
- với
- ở trong
- không có
- Công việc
- đang làm việc
- công trinh
- viết
- năm
- năm
- Bạn
- trên màn hình
- zephyrnet