将 Amazon SageMaker Canvas 中构建的 ML 模型部署到 Amazon SageMaker 实时终端节点 | 亚马逊网络服务

亚马逊 SageMaker 画布 现在支持将机器学习 (ML) 模型部署到实时推理端点，使您可以将 ML 模型投入生产，并根据 ML 驱动的见解推动行动。 SageMaker Canvas 是一个无代码工作区，使分析师和公民数据科学家能够根据其业务需求生成准确的 ML 预测。

到目前为止，SageMaker Canvas 提供了评估 ML 模型、生成批量预测以及在其交互式工作区中运行假设分析的功能。 但现在您还可以将模型部署到 Amazon SageMaker 终端节点以进行实时推理，从而轻松使用模型预测并在 SageMaker Canvas 工作区之外驱动操作。 能够直接从 SageMaker Canvas 部署 ML 模型，无需手动导出、配置、测试 ML 模型并将其部署到生产中，从而降低复杂性并节省时间。 它还使个人更容易操作机器学习模型，而无需编写代码。

在这篇文章中，我们将引导您完成整个过程 在 SageMaker Canvas 中部署模型 到实时端点。

解决方案概述

对于我们的用例，我们假设移动电话运营商营销部门的业务用户的角色，并且我们已在 SageMaker Canvas 中成功创建了一个 ML 模型，以识别具有潜在流失风险的客户。 由于我们的模型生成的预测，我们现在希望将其从开发环境转移到生产环境。 为了简化部署用于推理的模型端点的过程，我们直接从 SageMaker Canvas 部署 ML 模型，从而无需手动导出、配置、测试 ML 模型并将其部署到生产中。 这有助于降低复杂性、节省时间，并且还使个人更容易操作机器学习模型，而无需编写代码。

工作流程步骤如下：

1. 将包含当前客户群体的新数据集上传到 SageMaker Canvas。 有关支持的数据源的完整列表，请参阅 将数据导入画布.
2. 构建机器学习模型并分析其性能指标。 有关说明，请参阅 构建自定义模型 和 评估您的模型在 Amazon SageMaker Canvas 中的性能.
3. 部署批准的模型版本 作为实时推理的端点。

您无需编写任何代码即可在 SageMaker Canvas 中执行这些步骤。

先决条件

对于本演练，请确保满足以下先决条件：

1. 要将模型版本部署到 SageMaker 终端节点，SageMaker Canvas 管理员必须向 SageMaker Canvas 用户授予必要的权限，您可以在托管 SageMaker Canvas 应用程序的 SageMaker 域中管理该用户。 欲了解更多信息，请参阅 Canvas 中的权限管理.
   
2. 实施中提到的先决条件 使用 Amazon SageMaker Canvas 通过无代码机器学习预测客户流失.

您现在应该在 Canvas 中使用历史流失预测数据训练了三个模型版本：

• V1 使用所有 21 个特征和快速构建配置进行训练，模型得分为 96.903%
• V2 使用所有 19 个特征（删除电话和状态特征）和快速构建配置进行训练，准确率提高到 97.403%
• 使用标准构建配置训练的 V3，模型得分为 97.103%

使用客户流失预测模型

启用 显示高级指标 在模型详细信息页面上，查看与每个模型版本关联的客观指标，以便您可以选择性能最佳的模型作为端点部署到 SageMaker。

根据性能指标，我们选择要部署的版本 2。

配置模型部署设置 — 部署名称、实例类型和实例计数。

作为起点，Canvas 将自动为您的模型部署推荐最佳实例类型和实例数量。 您可以根据您的工作负载需求更改它。

您可以直接从 SageMaker Canvas 中测试已部署的 SageMaker 推理端点。

您可以使用 SageMaker Canvas 用户界面更改输入值，以推断额外的流失预测。

现在让我们导航到 亚马逊SageMaker Studio 并检查已部署的端点。

在 SageMaker Studio 中打开笔记本并运行以下代码以推断已部署的模型端点。 将模型端点名称替换为您自己的模型端点名称。

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)

我们的原始模型端点使用 ml.m5.xlarge 实例和 1 个实例计数。 现在，假设您预计推断模型端点的最终用户数量将会增加，并且您希望配置更多计算容量。 您可以直接从 SageMaker Canvas 中完成此操作，方法是选择 更新配置.

清理

为了避免将来产生费用，请删除您在关注此帖子时创建的资源。 这包括注销 SageMaker Canvas 以及 删除已部署的 SageMaker 端点。 SageMaker Canvas 会在会话期间向您计费，我们建议您在不使用 SageMaker Canvas 时注销它。 参考 注销 Amazon SageMaker 画布 以获得更多细节。

结论

在这篇文章中，我们讨论了 SageMaker Canvas 如何将 ML 模型部署到实时推理端点，从而使您能够将 ML 模型投入生产，并根据 ML 驱动的见解推动行动。 在我们的示例中，我们展示了分析师如何快速构建高度准确的预测 ML 模型，而无需编写任何代码，将其作为端点部署在 SageMaker 上，并从 SageMaker Canvas 以及 SageMaker Studio 笔记本测试模型端点。

要开始您的低代码/无代码 ML 之旅，请参阅 亚马逊 SageMaker 画布.

特别感谢为此次发布做出贡献的所有人：Prashanth Kurumaddali、Abishek Kumar、Allen Liu、Sean Lester、Richa Sundrani 和 Alicia Qi。

作者简介

贾尼莎·阿南德 是 Amazon SageMaker 低/无代码 ML 团队的高级产品经理，该团队包括 SageMaker Canvas 和 SageMaker Autopilot。 她喜欢喝咖啡、保持活跃并与家人共度时光。

印迪·索尼 是 Amazon Web Services 的高级客户解决方案领导者。 Indy 始终从客户问题出发，为 AWS 企业客户高管提供独特的云转型之旅建议。 他在帮助企业组织采用新兴技术和业务解决方案方面拥有超过 25 年的经验。 Indy 是 AWS 人工智能/机器学习技术领域社区的深度专家，专门研究生成式 AI 和低代码/无代码 Amazon SageMaker 解决方案。

• 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/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/