Развертывание моделей машинного обучения, встроенных в холст Amazon SageMaker, на конечных точках Amazon SageMaker в режиме реального времени

Переиздано Платоном

Читают: 0

Холст Amazon SageMaker теперь поддерживает развертывание моделей машинного обучения (ML) на конечных точках вывода в режиме реального времени, что позволяет вам запускать модели машинного обучения в производство и принимать меры на основе аналитических данных, полученных с помощью машинного обучения. SageMaker Canvas — это рабочее пространство без программирования, которое позволяет аналитикам и гражданским специалистам по обработке данных создавать точные прогнозы машинного обучения для нужд своего бизнеса.

До сих пор SageMaker Canvas предоставлял возможность оценивать модель машинного обучения, генерировать массовые прогнозы и выполнять анализ «что, если» в своем интерактивном рабочем пространстве. Но теперь вы также можете развертывать модели на конечных точках Amazon SageMaker для получения логических выводов в реальном времени, что упрощает использование прогнозов модели и управление действиями за пределами рабочей области SageMaker Canvas. Возможность прямого развертывания моделей машинного обучения из SageMaker Canvas устраняет необходимость вручную экспортировать, настраивать, тестировать и развертывать модели машинного обучения в рабочей среде, тем самым сокращая сложность и экономя время. Это также делает внедрение моделей машинного обучения более доступным для отдельных лиц без необходимости писать код.

В этом посте мы познакомим вас с процессом развернуть модель в SageMaker Canvas к конечной точке в реальном времени.

Обзор решения

В нашем случае мы берем на себя роль бизнес-пользователя в отделе маркетинга оператора мобильной связи и успешно создали модель машинного обучения в SageMaker Canvas для выявления клиентов с потенциальным риском оттока. Благодаря прогнозам, полученным с помощью нашей модели, теперь мы хотим перенести ее из нашей среды разработки в производственную среду. Чтобы упростить процесс развертывания конечной точки нашей модели для вывода, мы развертываем модели машинного обучения напрямую из SageMaker Canvas, тем самым устраняя необходимость вручную экспортировать, настраивать, тестировать и развертывать модели машинного обучения в рабочей среде. Это помогает снизить сложность, экономит время, а также делает внедрение моделей машинного обучения более доступным для отдельных лиц без необходимости писать код.

Этапы рабочего процесса следующие:

Загрузите новый набор данных с текущим количеством клиентов в SageMaker Canvas. Полный список поддерживаемых источников данных см. Импорт данных в Canvas.
Создавайте модели машинного обучения и анализируйте показатели их производительности. Инструкции см. Создайте собственную модель и Оцените производительность вашей модели в Amazon SageMaker Canvas.
Разверните утвержденную версию модели в качестве конечной точки для вывода в реальном времени.

Вы можете выполнить эти шаги в SageMaker Canvas, не написав ни единой строки кода.

Предпосылки

Для этого пошагового руководства убедитесь, что выполнены следующие предварительные условия:

Чтобы развернуть версии модели на конечных точках SageMaker, администратор SageMaker Canvas должен предоставить необходимые разрешения пользователю SageMaker Canvas, которым вы можете управлять в домене SageMaker, где размещено ваше приложение SageMaker Canvas. Для получения дополнительной информации см. Управление разрешениями в Canvas.
Выполните предварительные требования, указанные в Прогнозируйте отток клиентов с помощью машинного обучения без кода с помощью Amazon SageMaker Canvas.

Теперь у вас должно быть три версии модели, обученные на исторических данных прогнозирования оттока в Canvas:

Версия 1 обучена всем 21 функциям и быстрой конфигурации сборки с оценкой модели 96.903 %.
Версия 2 обучена всем 19 функциям (удалены функции телефона и состояния), быстрой настройке сборки и повышению точности на 97.403%.
Версия 3 обучена со стандартной конфигурацией сборки с оценкой модели 97.103 %.

Используйте модель прогнозирования оттока клиентов

Включите Показать расширенные показатели на странице сведений о модели и просмотрите целевые показатели, связанные с каждой версией модели, чтобы выбрать наиболее эффективную модель для развертывания в SageMaker в качестве конечной точки.

На основании показателей производительности мы выбираем для развертывания версию 2.

Настройте параметры развертывания модели — имя развертывания, тип экземпляра и количество экземпляров.

В качестве отправной точки Canvas автоматически порекомендует лучший тип экземпляра и количество экземпляров для развертывания вашей модели. Вы можете изменить его в соответствии с потребностями вашей рабочей нагрузки.

Вы можете протестировать развернутую конечную точку вывода SageMaker непосредственно из SageMaker Canvas.

Вы можете изменить входные значения с помощью пользовательского интерфейса SageMaker Canvas, чтобы получить дополнительный прогноз оттока.

Теперь давайте перейдем к Студия Amazon SageMaker и проверьте развернутую конечную точку.

Откройте блокнот в SageMaker Studio и запустите следующий код, чтобы определить конечную точку развернутой модели. Замените имя конечной точки модели собственным именем конечной точки модели.

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)

Наша исходная конечная точка модели использует экземпляр ml.m5.xlarge и количество экземпляров 1. Теперь предположим, что вы ожидаете, что число конечных пользователей, учитывающих конечную точку вашей модели, увеличится, и вы хотите предоставить больше вычислительных мощностей. Вы можете сделать это непосредственно из SageMaker Canvas, выбрав Обновить конфигурацию.

Убирать

Чтобы избежать будущих расходов, удалите ресурсы, которые вы создали, следуя этому сообщению. Это включает выход из SageMaker Canvas и удаление развернутой конечной точки SageMaker. SageMaker Canvas выставляет вам счет за продолжительность сеанса, и мы рекомендуем выходить из SageMaker Canvas, когда вы его не используете. Ссылаться на Выход из Amazon SageMaker Canvas Больше подробностей.

Заключение

В этом посте мы обсудили, как SageMaker Canvas может развертывать модели машинного обучения на конечных точках вывода в режиме реального времени, позволяя вам запускать модели машинного обучения в производство и стимулировать действия на основе идей машинного обучения. В нашем примере мы показали, как аналитик может быстро построить высокоточную прогнозную модель машинного обучения без написания какого-либо кода, развернуть ее в SageMaker в качестве конечной точки и протестировать конечную точку модели из SageMaker Canvas, а также из блокнота SageMaker Studio.

Чтобы начать свое путешествие по машинному обучению с низким кодом/без кода, см. Холст Amazon SageMaker.

Особая благодарность всем, кто способствовал запуску: Прашанту Курумаддали, Абишеку Кумару, Аллену Лю, Шону Лестеру, Риче Сундрани и Алисии Ци.

Об авторах

Яниша Ананд — старший менеджер по продукту в команде Amazon SageMaker Low/No Code ML, в которую входят SageMaker Canvas и SageMaker Autopilot. Она любит кофе, ведет активный образ жизни и проводит время со своей семьей.

Инди Сони является старшим руководителем отдела клиентских решений в Amazon Web Services. Всегда работая над проблемами клиентов, Инди консультирует руководителей корпоративных клиентов AWS на их уникальном пути трансформации облака. Он имеет более чем 25-летний опыт оказания помощи корпоративным организациям во внедрении новых технологий и бизнес-решений. Инди — профессиональный специалист технического сообщества AWS по искусственному интеллекту и машинному обучению, специализирующийся на генеративном искусственном интеллекте и решениях Amazon SageMaker с низким кодированием/без кода.