Deploy ML Models Built In Amazon SageMaker Canvas To Amazon SageMaker Real-time Endpoints

Taasavaldanud Platon

järgijaid: 0

Amazon SageMakeri lõuend toetab nüüd masinõppe (ML) mudelite juurutamist reaalajas järeldavate lõpp-punktide jaoks, võimaldades teil viia oma ML-mudelid tootmisse ja juhtida tegevusi ML-põhise ülevaate põhjal. SageMaker Canvas on koodita tööruum, mis võimaldab analüütikutel ja kodanike andmeteadlastel luua täpseid ML-prognoose oma ärivajaduste jaoks.

Siiani võimaldas SageMaker Canvas oma interaktiivses tööruumis hinnata ML-mudelit, genereerida hulgiprognoose ja käivitada mis-kui-analüüse. Kuid nüüd saate reaalajas järelduste tegemiseks kasutada mudeleid ka Amazon SageMakeri lõpp-punktides, muutes mudeli prognooside tarbimise ja toimingute juhtimise väljaspool SageMaker Canvas tööruumi lihtsaks. ML-mudelite otse juurutamise võimalus SageMaker Canvasest välistab vajaduse ML-mudeleid käsitsi eksportida, konfigureerida, testida ja tootmisse juurutada, vähendades seeläbi keerukust ja säästes aega. Samuti muudab see ML-mudelite kasutuselevõtu üksikisikutele kättesaadavamaks, ilma et oleks vaja koodi kirjutada.

Selles postituses tutvustame teile protsessi juurutada mudel SageMaker Canvasis reaalajas lõpp-punkti.

Ülevaade lahendusest

Oma kasutusjuhtumi puhul võtame endale ärikasutaja rolli mobiiltelefonioperaatori turundusosakonnas ja oleme edukalt loonud SageMaker Canvasis ML-i mudeli, et tuvastada potentsiaalset katkestamisriskiga kliente. Tänu meie mudeli loodud ennustustele tahame selle nüüd oma arenduskeskkonnast tootmisse viia. Mudeli lõpp-punkti juurutamise protsessi sujuvamaks muutmiseks juurutame otse SageMaker Canvasest ML-mudelid, välistades sellega vajaduse ML-mudeleid käsitsi eksportida, konfigureerida, testida ja tootmisse juurutada. See aitab vähendada keerukust, säästab aega ja muudab ka ML-mudelite kasutuselevõtu üksikisikutele kättesaadavamaks, ilma et oleks vaja koodi kirjutada.

Töövoo etapid on järgmised.

Laadige SageMaker Canvasesse üles uus andmestik praeguse kliendipopulatsiooniga. Toetatud andmeallikate täieliku loendi leiate aadressilt Importige andmed lõuendisse.
Looge ML-mudeleid ja analüüsige nende toimivusmõõdikuid. Juhiste saamiseks vaadake Ehitage kohandatud mudel ja Hinnake oma mudeli jõudlust rakenduses Amazon SageMaker Canvas.
Juurutage heakskiidetud mudeli versioon reaalajas järeldamise lõpp-punktina.

Saate neid toiminguid SageMaker Canvasis teha ilma ühtki koodirida kirjutamata.

Eeldused

Selle ülevaate jaoks veenduge, et järgmised eeltingimused on täidetud.

Mudeliversioonide juurutamiseks SageMakeri lõpp-punktidesse peab SageMaker Canvase administraator andma SageMaker Canvase kasutajale vajalikud õigused, mida saate hallata SageMakeri domeenis, mis hostib teie SageMaker Canvas'i rakendust. Lisateabe saamiseks vaadake Lubade haldamine rakenduses Canvas.
Rakendage punktis nimetatud eeldusi Ennustage klientide vähenemist koodita masinõppega, kasutades Amazon SageMaker Canvas.

Teil peaks nüüd olema kolm mudeliversiooni, mis on koolitatud Canvas ajalooliste ennustusandmete põhjal.

V1 on koolitatud kõigi 21 funktsiooni ja kiire konfiguratsiooniga mudeli skooriga 96.903%.
V2 on koolitatud kõigi 19 funktsiooniga (eemaldatud telefoni- ja olekufunktsioonid) ja kiire ehituse konfiguratsiooniga ning täiustatud täpsusega 97.403%
V3 koolitatud standardse ehituskonfiguratsiooniga 97.103% mudeliskooriga

Kasutage klientide vähenemise prognoosi mudelit

Võimaldama Kuva täpsemad mõõdikud mudeli üksikasjade lehel ja vaadake üle iga mudeliversiooniga seotud eesmärgimõõdikud, et saaksite valida lõpp-punktina SageMakeris juurutamiseks kõige paremini toimiva mudeli.

Toimivusmõõdikute põhjal valime juurutamiseks versiooni 2.

Konfigureerige mudeli juurutamise sätted – juurutuse nimi, eksemplari tüüp ja eksemplaride arv.

Alustuseks soovitab Canvas teie mudeli juurutamiseks automaatselt parimat eksemplari tüüpi ja eksemplaride arvu. Saate seda muuta vastavalt oma töökoormuse vajadustele.

Saate testida juurutatud SageMakeri järelduse lõpp-punkti otse SageMaker Canvasist.

Saate muuta sisendväärtusi SageMaker Canvase kasutajaliidese abil, et järeldada täiendavat ennustust.

Nüüd navigeerime juurde Amazon SageMaker Studio ja kontrollige juurutatud lõpp-punkti.

Avage SageMaker Studios märkmik ja käivitage juurutatud mudeli lõpp-punkti järeldamiseks järgmine kood. Asendage mudeli lõpp-punkti nimi oma mudeli lõpp-punkti nimega.

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)

Meie algse mudeli lõpp-punkt kasutab ml.m5.xlarge eksemplari ja 1 eksemplari arvu. Oletame nüüd, et eeldate, et teie mudeli lõpp-punkti järeldavate lõppkasutajate arv suureneb ja soovite pakkuda rohkem arvutusvõimsust. Saate seda teha otse SageMaker Canvasist, valides Värskenda konfiguratsiooni.

Koristage

Edaspidiste tasude vältimiseks kustutage selle postituse jälgimise ajal loodud ressursid. See hõlmab SageMaker Canvasist väljalogimist ja juurutatud SageMakeri lõpp-punkti kustutamine. SageMaker Canvas esitab teile arve seansi kestuse eest ja kui te seda ei kasuta, soovitame SageMaker Canvasist välja logida. Viitama Amazon SageMaker Canvasist väljalogimine rohkem üksikasju.

Järeldus

Selles postituses arutasime, kuidas SageMaker Canvas saab juurutada ML-mudeleid reaalajas järeldavate lõpp-punktide jaoks, võimaldades teil oma ML-mudelid tootmisse viia ja tegevust juhtida ML-i toel põhineva ülevaate põhjal. Meie näites näitasime, kuidas analüütik saab kiiresti luua ülitäpse ennustava ML-mudeli ilma koodi kirjutamata, juurutada selle lõpp-punktina SageMakeris ja testida mudeli lõpp-punkti nii SageMaker Canvasist kui ka SageMaker Studio sülearvutist.

Madala koodiga/koodita ML-teekonna alustamiseks vaadake jaotist Amazon SageMakeri lõuend.

Eriline tänu kõigile, kes käivitamisele kaasa aitasid: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani ja Alicia Qi.

Autoritest

Janisha Anand on vanemtootejuht Amazon SageMaker Low/No Code ML meeskonnas, kuhu kuuluvad SageMaker Canvas ja SageMaker Autopilot. Ta naudib kohvi, aktiivset olemist ja perega aega veetmist.

Indy Sawhney on Amazoni veebiteenuste vanemkliendilahenduste juht. Töötades alati klientide probleemidest tagasi, nõustab Indy AWS-i ettevõtete klientide juhte nende ainulaadse pilve ümberkujundamise teekonna kaudu. Tal on üle 25-aastane kogemus ettevõtete organisatsioonidel uute tehnoloogiate ja ärilahenduste kasutuselevõtul. Indy on AWS-i tehisintellekti ja ML-i tehnilise valdkonna kogukonnaga sügavusspetsialist, mis on spetsialiseerunud generatiivsetele AI-le ja madala koodiga/koodita Amazon SageMakeri lahendustele.