亚马逊SageMaker Studio 是一个基于 Web 的机器学习 (ML) 集成开发环境 (IDE),可让您构建、训练、调试、部署和监控 ML 模型。 SageMaker Studio 提供了将模型从数据准备到实验再到生产所需的所有工具,同时提高了您的工作效率。
亚马逊 SageMaker 画布 是一款功能强大的无代码 ML 工具,专为业务和数据团队设计,无需编写代码或拥有丰富的 ML 经验即可生成准确的预测。凭借直观的可视化界面,SageMaker Canvas 简化了加载、清理和转换数据集以及构建 ML 模型的过程,使其可供更广泛的受众使用。
但是,随着您的 ML 需求的发展,或者如果您需要更高级的自定义和控制,您可能希望从无代码环境过渡到代码优先方法。这就是 SageMaker Canvas 和 SageMaker Studio 之间的无缝集成发挥作用的地方。
在这篇文章中,我们为以下类型的用户提供了一个解决方案:
- 非机器学习专家,例如业务分析师、数据工程师或开发人员,他们是领域专家,对低代码无代码 (LCNC) 工具感兴趣,以指导他们为机器学习准备数据和构建机器学习模型。此角色通常只是 SageMaker Canvas 用户,并且通常依赖其组织中的 ML 专家来审核和批准他们的工作。
- 对 LCNC 工具如何加速 ML 生命周期的某些部分(例如数据准备)感兴趣的 ML 专家,但也可能对 ML 生命周期的某些部分(例如模型构建)采用高代码方法。此角色通常是 SageMaker Studio 用户,也可能是 SageMaker Canvas 用户。机器学习专家还经常在审查和批准非机器学习专家的生产用例工作方面发挥作用。
这篇文章中提出的解决方案的效用有两个。首先,通过演示如何跨 SageMaker Canvas 和 SageMaker Studio 共享模型,非 ML 和 ML 专家可以在他们的首选环境中进行协作,这可能是面向非专家的无代码环境 (SageMaker Canvas) 和高代码环境适合专家的环境 (SageMaker Studio)。其次,通过演示如何将模型从 SageMaker Canvas 共享到 SageMaker Studio,我们展示了想要从 LCNC 开发方法转向高代码生产方法的 ML 专家如何在 SageMaker 环境中实现这一目标。本文概述的解决方案适用于新 SageMaker Studio 的用户。对于 SageMaker Studio Classic 的用户,请参阅 与数据科学家合作 了解如何在 SageMaker Canvas 和 SageMaker Studio Classic 之间无缝过渡。
解决方案概述
为了使用 SageMaker Canvas 和 SageMaker Studio 在无代码和代码优先 ML 之间无缝过渡,我们概述了两个选项。您可以根据您的要求选择该选项。在某些情况下,您可能决定并行使用这两个选项。
- 选项 1:SageMaker 模型注册表 – SageMaker Canvas 用户在 Amazon SageMaker 模型注册表,调用 ML 专家的治理工作流来审查模型详细信息和指标,然后批准或拒绝它,之后用户可以从 SageMaker Canvas 部署批准的模型。此选项是一个自动共享流程,为您提供内置的治理和审批跟踪。您可以查看模型指标;然而,模型代码和架构的可见性有限。下图说明了该架构。
- 选项 2:笔记本导出 – 在此选项中,SageMaker Canvas 用户将完整笔记本从 SageMaker Canvas 导出到 亚马逊简单存储服务 (Amazon S3),然后与 ML 专家共享以导入到 SageMaker Studio,从而在 ML 专家部署增强模型之前实现模型代码和逻辑的完全可见性和自定义。在此选项中,模型代码和架构具有完全可见性,ML 专家能够在 SageMaker Studio 中自定义和增强模型。但是,此选项需要手动将模型笔记本导出和导入到 IDE 中。下图说明了这种架构。
以下阶段描述了协作步骤:
- Share – SageMaker Canvas 用户从 SageMaker Canvas 注册模型或从 SageMaker Canvas 下载笔记本
- 评论 – SageMaker Studio 用户通过模型注册表访问模型,以通过 JupyterLab 查看和运行导出的笔记本来验证模型
- 赞同 – SageMaker Studio 用户批准模型注册表中的模型
- 部署 – SageMaker Studio 用户可以从 JupyterLab 部署模型,或者 SageMaker Canvas 用户可以从 SageMaker Canvas 部署模型
让我们详细了解每个步骤中的两个选项(模型注册表和笔记本导出)。
先决条件
在深入研究该解决方案之前,请确保您已注册并创建一个 AWS 账户。然后您需要创建一个管理用户和一个组。有关这两个步骤的说明,请参阅 设置 Amazon SageMaker 先决条件。如果您已经运行了自己的 SageMaker Studio 版本,则可以跳过此步骤。
完成 设置 SageMaker Canvas 的先决条件 和 创建模型 您根据您的用例进行选择。
分享模型
SageMaker Canvas 用户通过在 SageMaker Model Registry 中注册模型(这会触发治理工作流程)或从 SageMaker Canvas 下载完整笔记本并将其提供给 SageMaker Studio 用户来与 SageMaker Studio 用户共享模型。
SageMaker模型注册表
要使用 SageMaker Model Registry 进行部署,请完成以下步骤:
- 在 SageMaker Canvas 中创建模型后,选择选项菜单(三个垂直点)并选择 添加到模型注册表.
- 输入模型组的名称。
- 地址.
您现在可以看到模型已注册。
您还可以看到该模型正在等待批准。
SageMaker 笔记本导出
要使用 SageMaker 笔记本进行部署,请完成以下步骤:
- 在选项菜单上,选择 查看笔记本.
- 复制 S3 URI.
您现在可以与 SageMaker Studio 用户共享 S3 URI。
查看模型
SageMaker Studio 用户通过模型注册表访问共享模型以查看其详细信息和指标,或者他们可以将导出的笔记本导入 SageMaker Studio 并使用 Jupyter 笔记本彻底验证模型的代码、逻辑和性能。
SageMaker模型注册表
要使用模型注册表,请完成以下步骤:
- 在 SageMaker Studio 控制台上,选择 型号 在导航窗格中。
- 注册型号.
- 选择您的型号。
您可以查看模型详细信息并看到状态为待处理。
您还可以查看不同的指标来检查模型的性能。
您可以查看模型指标;然而,模型代码和架构的可见性有限。如果您希望完全了解模型代码和架构,并能够自定义和增强模型,请使用笔记本导出选项。
SageMaker 笔记本导出
要以 SageMaker Studio 用户身份使用笔记本导出选项,请完成以下步骤。
- 启动 SageMaker Studio 并选择 Jupyter实验室 下 应用领域.
- 打开 JupyterLab 空间。如果您没有 JupyterLab 空间,您可以创建一个。
- 打开终端并运行以下命令,将笔记本从 Amazon S3 复制到 SageMaker Studio(以下示例中的帐号更改为
awsaccountnumber
): - 下载笔记本后,您可以打开笔记本并运行笔记本以进一步评估。
批准模型
经过全面审查后,SageMaker Studio 用户可以根据对模型质量、准确性和对预期用例的适用性的评估,做出明智的决定,批准或拒绝模型注册表中的模型。
对于通过 Canvas UI 注册模型的用户,请按照以下步骤批准模型。对于从 Canvas UI 导出模型笔记本的用户,您可以使用 SageMaker 模型注册表注册并批准模型,但是,不需要这些步骤。
SageMaker模型注册表
作为 SageMaker Studio 用户,当您对模型感到满意时,可以将状态更新为已批准。批准仅在 SageMaker Model Registry 中进行。完成以下步骤:
- 在 SageMaker Studio 中,导航到模型的版本。
- 在选项菜单上,选择 更新状态 和 批准.
- 输入可选评论并选择 保存并更新.
现在您可以看到该模型已获得批准。
部署模型
一旦模型准备好部署(已收到必要的审查和批准),用户有两种选择。对于采用模型注册表方法的用户,他们可以从 SageMaker Studio 或 SageMaker Canvas 进行部署。对于采用模型笔记本导出方法的用户,他们可以从 SageMaker Studio 进行部署。下面详细介绍了这两种部署选项。
通过 SageMaker Studio 部署
SageMaker Studio 用户可以从 JupyterLab 空间部署模型。
部署模型后,您可以导航到 SageMaker 控制台,选择 端点 下 推理 在导航窗格中,然后查看模型。
通过 SageMaker Canvas 进行部署
或者,如果部署由 SageMaker Canvas 用户处理,您可以从 SageMaker Canvas 部署模型。
模型部署完成后,您可以导航到 端点 SageMaker 控制台上的页面以查看模型。
清理
为避免产生未来的会话费用,请注销 SageMaker Canvas。
为了避免持续产生费用,请删除 SageMaker 推理端点。 您可以使用以下命令通过 SageMaker 控制台或从 SageMaker Studio 笔记本删除端点:
结论
以前,您只能在 SageMaker Studio Classic 中将模型共享到 SageMaker Canvas(或查看共享的 SageMaker Canvas 模型)。在这篇文章中,我们展示了如何与 SageMaker Studio 共享 SageMaker Canvas 中构建的模型,以便不同的团队可以协作,并且您可以从无代码部署路径转向高代码部署路径。通过使用 SageMaker Model Registry 或导出笔记本,机器学习专家和非专家可以跨这些平台协作、审查和增强模型,从而实现从数据准备到生产部署的平稳工作流程。
有关使用 SageMaker Canvas 协作处理模型的更多信息,请参阅 构建、共享、部署:业务分析师和数据科学家如何使用无代码 ML 和 Amazon SageMaker Canvas 缩短上市时间.
作者简介
拉贾库马尔·桑帕斯库马尔 是 AWS 的首席技术客户经理,为客户提供有关业务技术协调的指导并支持其云运营模型和流程的重塑。他对云和机器学习充满热情。 Raj 也是一名机器学习专家,与 AWS 客户合作设计、部署和管理他们的 AWS 工作负载和架构。
Meenakshisundaram 坦达瓦拉扬 在 AWS 担任 AI/ML 专家。他热衷于设计、创建和推广以人为本的数据和分析体验。 Meena 专注于开发可持续系统,为 AWS 的战略客户提供可衡量的竞争优势。 Meena 是一位沟通者和设计思想家,致力于通过创新、孵化和民主化推动企业采用新的工作方式。
克莱尔·奥布莱恩·拉吉库玛 是 Amazon SageMaker 团队的高级产品经理,专注于 SageMaker Canvas,这是用于 ML 和生成 AI 的 SageMaker 低代码无代码工作区。 SageMaker Canvas 通过降低 ML 新手的采用障碍并加速高级从业者的工作流程,帮助实现 ML 和生成式 AI 的民主化。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/seamlessly-transition-between-no-code-and-code-first-machine-learning-with-amazon-sagemaker-canvas-and-amazon-sagemaker-studio/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 1
- 100
- 204
- 378
- 7
- 9
- a
- 对,能力--
- 关于
- 加快
- 加速
- 无障碍
- 账号管理
- 精准的
- 横过
- 加
- 行政
- 采用
- 高级
- 优点
- 后
- AI
- 对准
- 所有类型
- 已经
- 还
- Amazon
- 亚马逊SageMaker
- 亚马逊 SageMaker 画布
- 亚马逊SageMaker Studio
- 亚马逊网络服务
- an
- 分析师
- 分析
- 和
- 的途径
- 批准
- 批准
- 批准
- 批准
- 架构
- 架构
- 保健
- AS
- 评定
- At
- 听众
- 自动化
- 避免
- AWS
- 障碍
- 基于
- BE
- before
- 如下。
- 之间
- 提高
- 都
- 更广泛
- 建立
- 建筑物
- 建
- 内建的
- 商业
- 但是
- by
- CAN
- 候选人
- 帆布
- 案件
- 例
- 一定
- 变
- 收费
- 查
- 选择
- 经典
- 云端技术
- 码
- 合作
- 合作
- 合作
- 购买的订单均
- 舒适
- 评论
- 竞争的
- 完成
- 全面
- 安慰
- 控制
- 复制
- 可以
- 创建信息图
- 创建
- 顾客
- 合作伙伴
- 定制
- 定制
- data
- 资料准备
- 数据集
- 决定
- 决定
- 交付
- 需求
- 民主化
- 民主化
- 示范
- 部署
- 部署
- 部署
- 部署
- 描述
- 设计
- 设计
- 细节
- 详细
- 详情
- 开发
- 发展
- 研发支持
- 图表
- 不同
- 潜水
- do
- 域
- 别
- 下载
- 下载
- 下载
- 驾驶
- 每
- 或
- 使
- 工程师
- 提高
- 增强
- 环境
- 环境中
- 评估
- 发展
- 例子
- 体验
- 体验
- 技术专家
- 专家
- 出口
- 出口
- 出口
- 广泛
- 快
- 重点
- 遵循
- 以下
- 针对
- 止
- ,
- 进一步
- 未来
- 生成
- 生成的
- 生成式人工智能
- 治理
- 团队
- 指导
- 指南
- 发生
- 有
- 有
- he
- 帮助
- 创新中心
- How To
- 但是
- HTML
- HTTP
- HTTPS
- if
- 说明
- 进口
- in
- 孵化
- 信息
- 通知
- 創新
- 说明
- 集成
- 积分
- 拟
- 有兴趣
- 接口
- 成
- 直观的
- IT
- 它的
- JPEG
- JPG
- 实验室
- 学习
- 让
- 生命周期
- 容易
- 有限
- 装载
- 日志
- 逻辑
- 看
- 一蹴即至
- 机
- 机器学习
- 使
- 制作
- 管理
- 经理
- 手册
- 可能..
- 菜单
- 指标
- 可能
- ML
- 模型
- 模型
- 显示器
- 更多
- 姓名
- 导航
- 旅游导航
- 必要
- 需求
- 需要
- 全新
- 非专家
- 笔记本
- 现在
- 数
- of
- 经常
- on
- 一
- 正在进行
- 仅由
- 打开
- 操作
- 附加选项
- 附加选项
- or
- 组织
- 输出
- 概述
- 己
- 面包
- 并行
- 部分
- 情
- 多情
- 径
- 有待
- 性能
- 阶段
- 枢
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 请
- 帖子
- 强大
- 预测
- 预报器
- 首选
- 准备
- 准备
- 当下
- 校长
- 过程
- 过程
- 产品
- 产品经理
- 生产
- 生产率
- 促进
- 建议
- 提供
- 优
- 质量
- 准备
- 收到
- 参考
- 寄存器
- 在相关机构注册的
- 注册
- 寄存器
- 注册处
- 依赖
- 要求
- 必须
- 岗位要求
- 检讨
- 回顾
- 评论
- 角色
- 运行
- 运行
- sagemaker
- SageMaker 推理
- 科学家
- 无缝的
- 无缝
- 看到
- 特色服务
- 会议
- 设置
- Share
- 共用的,
- 分享
- 共享
- 显示
- 显示
- 签
- 简易
- 简化
- 光滑
- So
- 方案,
- 解决方案
- 一些
- 太空
- 专家
- Status
- 步
- 步骤
- 存储
- 善用
- 努力打造
- 工作室
- 这样
- 适应性
- 支持
- 肯定
- 可持续发展
- 产品
- 采取
- 团队
- 队
- 文案
- 终端
- 这
- 其
- 他们
- 然后
- 那里。
- 博曼
- 他们
- 思想家
- Free Introduction
- 透
- 那些
- 三
- 通过
- 至
- 了
- 工具
- 工具
- 跟踪
- 培训
- 转型
- 过渡
- 试验
- 二
- 双重
- 类型
- 一般
- ui
- 下
- 更新
- 使用
- 用例
- 用户
- 用户
- 运用
- 效用
- 验证
- 版本
- 垂直
- 通过
- 查看
- 能见度
- 视觉
- 想
- 方法
- we
- 卷筒纸
- Web服务
- 基于网络的
- ,尤其是
- 这
- 而
- WHO
- 中
- 也完全不需要
- 工作
- 工作流程
- 工作流程
- 加工
- 合作
- 写作
- 完全
- 您一站式解决方案
- 和风网