Çeşitli endüstrilerdeki birçok hizmet olarak yazılım (SaaS) sağlayıcısı, kişiselleştirilmiş ürün tavsiyesi, dolandırıcılık tespiti ve doğru talep koruması gibi kullanım durumlarını ele almak için SaaS tekliflerine makine öğrenimi (ML) ve yapay zeka (AI) yetenekleri ekliyor. Bazı SaaS sağlayıcıları, bu tür ML ve AI yeteneklerini kendileri oluşturmak ve bunları çok kiracılı bir ortamda dağıtmak ister. Ancak, daha gelişmiş müşterileri olan diğerleri, müşterilerinin ML modellerini kendilerinin oluşturmasına ve bunları SaaS'ı ek yeteneklerle genişletmek veya belirli işlevlerin varsayılan uygulamasını geçersiz kılmak için kullanmalarına izin vermek ister.
Bu gönderide, SaaS teklifinizi aşağıdakiler tarafından desteklenen bir veri bilimi tezgahıyla nasıl geliştirebileceğinizi tartışıyoruz. Amazon SageMaker Stüdyosu.
XYZ adlı bağımsız bir yazılım satıcısının (ISV), milyonlarca müşteri tarafından müşteri satın alma davranışını analiz etmek için kullanılan lider bir CRM SaaS teklifine sahip olduğunu varsayalım. FOO şirketinden bir pazarlamacı (bir XYZ müşterisi), bu tür alıcıları hedefleyerek müşteri tutma programlarının yatırım getirisini optimize edebilmeleri için, müşterilerini kaybetme eğiliminde olan alıcılarını bulmak istiyor. Bu tür müşterileri değerlendirmek için daha önce CRM'de basit istatistiksel analiz kullandılar. Şimdi, makine öğrenimi tekniklerini kullanarak yatırım getirisini daha da geliştirmek istiyorlar. XYZ, bu gönderide açıklanan çözümü kullanarak müşterileri için CRM'lerini iyileştirebilir ve FOO'nun veri bilimi ekibinin verilerinin üzerine modeller oluşturmasını sağlayabilir.
Bu kullanım senaryosu ile ilgilenen SaaS müşterileri, SaaS'ın bir parçası olarak, SaaS içinde bulunan verilerine kolaylıkla erişebilecekleri, analiz edebilecekleri, eğilimleri çıkarabilecekleri ve özel oluşturma, eğitme ve devreye alma işlemlerini gerçekleştirebilecekleri bir veri bilimi tezgahına erişmek isterler. ML modelleri. Veri bilimi tezgahı ve SaaS arasında güvenli entegrasyon, kapsamlı ve geniş bir veri bilimi ve ML yeteneklerine erişim ve ek veri kümelerini içe aktarma ve faydalı bilgiler elde etmek için SaaS'tan çıkarılan verilerle bunlara katılma becerisi istiyorlar.
Aşağıdaki şema, XYZ'nin CRM SaaS teklifinin mimarisini olduğu gibi göstermektedir.
Bu mimari aşağıdaki unsurlardan oluşur:
- Ön uç katmanı – Bu katman şurada barındırılıyor: Amazon Basit Depolama Hizmeti (Amazon S3). Amazon CloudFront küresel içerik dağıtım ağı olarak kullanılır ve Amazon Cognito'su Kullanıcı doğrulama ve yetkilendirme için kullanılır. Bu katman üç web uygulaması içerir:
- Giriş ve kayıt – Müşterilerin CRM çözümüne kaydolmak için bulup kullanabileceği, herkese açık sayfa. Kaydolma, müşteri için sistemde yeni bir kiracı oluşturmayı içeren kayıt sürecini tetikler.
- CRM uygulaması – Müşteriler tarafından fırsatları yönetmek, kendi müşterilerini yönetmek ve daha fazlası için kullanılır. Kullanıcıların kimliğini doğrulamak ve yetkilendirmek için Amazon Cognito'ya güvenir.
- CRM yöneticisi – Kiracıları yönetmek ve yapılandırmak için SaaS sağlayıcısı tarafından kullanılır.
- Arka uç katmanı – Bu katman, üzerinde çalışan iki set mikro hizmet olarak uygulanır. Amazon Elastik Kubernetes Hizmeti (Amazon EKS):
- SaaS hizmetleri – Kayıt, kiracı yönetimi ve kullanıcı yönetimi hizmetlerini içerir. Daha eksiksiz bir uygulama, faturalandırma ve ölçüm için ek hizmetleri içerecektir.
- Uygulama hizmetleri – Müşteri yönetimi, fırsat yönetimi ve ürün kataloğu hizmetlerini içerir. Bu set, CRM çözümü tarafından sağlanan iş işlevlerine dayalı ek hizmetler içerebilir.
Gönderinin sonraki bölümleri, yerleşik bir veri bilimi tezgahıyla CRM SaaS'nin yeni bir sürümünün nasıl oluşturulacağını tartışır.
Çözüme genel bakış
Biz kullanmak Amazon Adaçayı Yapıcı çözümümüzün gereksinimlerini karşılamak için. SageMaker, makine öğrenimi için en eksiksiz uçtan uca hizmettir. Veri bilimciler ve geliştiriciler için ML ile ilişkili farklılaşmamış ağır yüklerin kaldırılmasına yardımcı olan yönetilen bir hizmettir, böylece işinize odaklanmak için daha fazla zamana, kaynağa ve enerjiye sahip olabilirsiniz.
SageMaker'ın özellikleri arasında, ML için ilk tam entegre geliştirme ortamı (IDE) olan SageMaker Studio bulunur. Modelleri oluşturmak, eğitmek, ayarlamak, hata ayıklamak, dağıtmak ve izlemek için gereken tüm ML geliştirme adımlarını gerçekleştirebileceğiniz tek bir web tabanlı görsel arabirim sağlar. Veri bilimcilerine IDE'den ayrılmadan ML modellerini deneyden üretime almak için ihtiyaç duydukları tüm araçları sağlar.
SageMaker Studio, veri bilimi tezgahı olarak SaaS'ın içine yerleştirilmiştir; SaaS içinde bir bağlantı seçerek onu başlatabilir ve SageMaker'ın çeşitli özelliklerine erişebilirsiniz. SaaS'ta depolanan kendi verilerinizi işlemek ve analiz etmek ve içgörüleri çıkarmak için SageMaker Studio'yu kullanabilirsiniz. Ayrıca bir ML modeli oluşturmak ve dağıtmak için SageMaker API'lerini kullanabilir, ardından daha doğru veri işleme için SaaS süreçlerini ve iş akışlarını dağıtılan ML modeliyle entegre edebilirsiniz.
Bu gönderi, bir çözüm için gereken çeşitli hususları ele almaktadır:
- Çok kiracılı yaklaşım ve hesap kurulumu – Kiracılar nasıl izole edilir. Bu bölümde ayrıca önerilen bir hesap yapısı tartışılmaktadır.
- Tedarik ve otomasyon – Veri bilimi tezgahının sağlanması nasıl otomatikleştirilir.
- Entegrasyon ve kimlik yönetimi – SaaS ve SageMaker Studio arasındaki entegrasyon ve kimlik sağlayıcı (IdP) ile entegrasyon.
- Veri yönetimi – Veri çıkarma ve veri bilimi tezgahında nasıl kullanılabilir hale getirileceği.
Bu kavramları yazının başında açıklanan CRM SaaS çözümü bağlamında tartışıyoruz. Aşağıdaki diyagram, çözüm mimarisinin üst düzey bir görünümünü sağlar.
Önceki şemada gösterildiği gibi, mimarideki temel değişiklik aşağıdaki bileşenlerin eklenmesidir:
- Veri yönetimi hizmeti – SaaS müşterisinin verilerini SaaS veri deposundan çıkarmaktan ve veri bilimi tezgahına iletmekten sorumludur.
- Veri bilimi tezgahı yönetim hizmeti – SaaS müşterileri için veri bilimi tezgahının sağlanmasından ve SaaS içinde başlatılmasından sorumludur.
- Veri bilimi tezgahı – SageMaker Studio'ya dayalıdır ve ayrı bir AWS hesabında çalışır. Ayrıca, SaaS veri deposundan ayıklanan verileri depolayan bir S3 kovası içerir.
Bu çözümün faydaları aşağıdakileri içerir:
- SaaS müşterileri, SaaS'den SageMaker Studio'yu ayrı bir sekmede başlatarak çeşitli veri bilimi ve ML görevlerini gerçekleştirebilir ve kendilerini yeniden doğrulamak zorunda kalmadan bunu veri bilimi tezgahı olarak kullanabilirler. Ayrı bir veri bilimi platformu oluşturmak ve yönetmek zorunda değiller.
- SaaS müşterileri, SaaS veri deposunda bulunan verileri kolayca çıkarabilir ve veri mühendisliği becerilerine sahip olmak zorunda kalmadan gömülü veri bilimi tezgahında kullanılabilir hale getirebilir. Ayrıca oluşturdukları ML modelini SaaS ile entegre etmek daha kolaydır.
- SaaS müşterileri, SageMaker tarafından sağlanan en geniş ve eksiksiz ML yeteneklerine erişebilir.
Çok kiracılı yaklaşım ve hesap kurulumu
Bu bölüm, farklı kiracılar veya SaaS müşterileri için SageMaker Studio'nun nasıl sağlanacağını açıklar (kiracı ve SaaS müşterileri, yakından ilişkili oldukları için birbirinin yerine kullanılır; her SaaS müşterisinin bir kiracısı vardır). Aşağıdaki şema, her kiracı için güvenli ve yalıtılmış bir SageMaker ortamı sağlamayı destekleyen bir çoklu hesap kurulumunu gösterir. Önerilen yapı, çok hesaplı bir kurulum için AWS'nin en iyi uygulamalarıyla uyumludur. Daha fazla bilgi için bkz. AWS Ortamınızı Birden Çok Hesap Kullanarak Düzenleme.
Biz kullanmak AWS Kontrol Kulesi Önerilen çoklu hesap kurulumunu uygulamak için. AWS Control Tower, güvenlik ve uyumlulukla ilgili en iyi uygulamaları temel alan, iyi tasarlanmış, çok hesaplı bir AWS ortamını kurmak ve genişletmek için bir çerçeve sağlar. AWS Control Tower, aşağıdakiler de dahil olmak üzere birçok başka AWS hizmetini kullanır: AWS Kuruluşları, AWS Hizmet Kataloğu, ve AWS CloudFormation, hesap yapısını oluşturmak ve korkulukları uygulamak için. Korkuluklar, AWS Kuruluşlarının hizmet kontrol politikaları veya AWS Yapılandırması tüzük. AWS Control Tower'ın, merkezi günlük kaydı ve denetleme için uygun temellerle yeni hesap sağlamanın standartlaştırılmasını sağlayan bir özelliği olan Account Factory, işe alım sürecinin bir parçası olarak müşterilerin SageMaker ortamları için yeni hesapların sağlanmasını otomatikleştirmek için kullanılır. bkz. AWS Control Tower – Çok Hesaplı Bir AWS Ortamı Kurun ve Yönetin AWS Control Tower ve çoklu hesap kurulumunu kurmak ve yönetmek için kaputun altındaki diğer AWS hizmetlerini nasıl kullandığı hakkında daha fazla bilgi için.
Müşterilerin SageMaker ortamlarını barındıran tüm hesaplar, bir SageMaker Studio etki alanı oluşturan temel yapılandırma, SaaS veri deposundan ayıklanan veri kümelerinin bulunduğu S3 kovası da dahil olmak üzere ortak korkulukların ve otomasyonun uygulanmasına izin vermek için ortak bir organizasyon birimi (OU) altındadır. hesaplar arası AWS Kimlik ve Erişim Yönetimi SaaS içinden SageMaker bileşenlerine erişmeye izin veren (IAM) rolleri ve daha fazlası.
kiracı izolasyonu
SaaS bağlamında, çeşitli kiracı izolasyon stratejilerini düşünebilirsiniz:
- Silo modeli – Her kiracı tamamen silolanmış bir kaynak yığını çalıştırıyor
- havuz modeli – Aynı altyapı ve kaynaklar kiracılar arasında paylaşılır
- Köprü modeli – Silo ve havuz modellerinin bir karışımını içeren bir çözüm
Bakın SaaS Kiracı Yalıtım Stratejileri teknik incelemesi SaaS kiracı izolasyon stratejileri hakkında daha fazla ayrıntı için.
Silo modeli SageMaker için kullanılır; her müşteri için veri bilimi tezgahının örneği olarak ayrı bir hesapta ayrı veya bağımsız bir SageMaker Studio etki alanı sağlanır. Silo modeli, güvenlik kurulumunu ve izolasyonu basitleştirir. Ayrıca, kiracının çeşitli SageMaker yeteneklerini tüketmesiyle ilişkili maliyetlerin hesaplanmasını basitleştirmek gibi başka faydalar da sağlar.
SageMaker ortamı için silo izolasyon stratejisi kullanılırken, diğer bileşenler (veri bilimi çalışma tezgahı yönetim hizmeti gibi) için havuz modeli kullanılır. Her kiracının kendi altyapısında (bu durumda bir AWS hesabı) faaliyet gösterdiği silo modelinde izolasyon kurmak, altyapının paylaşıldığı havuz modeline göre çok daha basittir. Daha önce atıfta bulunulan teknik inceleme, bir havuz modeliyle yalıtımın nasıl oluşturulacağı konusunda rehberlik sağlar. Bu yazıda, aşağıdaki yaklaşımı kullanıyoruz:
- Kullanıcı, kimlik doğrulama için IdP'ye (bu durumda Amazon Cognito) yönlendirilir. Kullanıcı, kullanıcı adını ve parolasını girer ve başarılı kimlik doğrulamasının ardından IdP, kullanıcı bilgilerini ve kiracı tanımlayıcısını içeren bir belirteç döndürür. Ön uç, ön uç tarafından mikro hizmetlere gönderilen sonraki HTTP isteklerinde döndürülen belirteci içerir.
- Mikro hizmet bir istek aldığında, HTTP isteğinde bulunan belirteçten kiracı tanımlayıcısını çıkarır ve kiracıya karşılık gelen bir IAM rolü üstlenir. Varsayılan IAM rolü izinleri, kiracıya özgü kaynaklarla sınırlıdır. Bu nedenle, mikro hizmetin geliştiricisi kodda bir hata yapmış ve başka bir kiracıya ait kaynaklara erişmeye çalışsa bile, varsayılan IAM rolü bu eylemin devam etmesine izin vermez.
- Kiracıya karşılık gelen IAM rolü, kiracı kaydı ve işe alım sürecinin bir parçası olarak oluşturulur.
Havuz moduyla yalıtım oluşturmaya yönelik diğer yaklaşımlar, çalışma zamanında mikro hizmet tarafından üstlenilen dinamik ilkelerin ve rollerin oluşturulmasını içerir. Daha fazla bilgi için bkz. SaaS Kiracı Yalıtım Stratejileri teknik incelemesi. Diğer bir alternatif ise ABAC IAM ilkelerini kullanmaktır; bkz. ABAC ve AWS IAM ile SaaS kiracı izolasyonu nasıl uygulanır? daha fazla ayrıntı için.
Tedarik ve otomasyon
Daha önce gösterildiği gibi, gerekli çoklu hesap kurulumunu uygulamak için AWS Organizations, AWS Service Catalog ve AWS CloudFormation StackSets kullanıyoruz. Bunun önemli bir yönü, SageMaker ortamını barındırmak için müşteri başına yeni bir AWS hesabı oluşturmak ve bu sürecin nasıl tamamen otomatikleştirileceğidir.
Bir müşterinin hesabında SageMaker sağlamak için StackSet, yönetim hesabında oluşturulur; StackSet'in hedefi ML OU'dur. ML OU altında yeni bir hesap oluşturulduğunda, yeni hesapta yönetim hesabında tanımlanan StackSet ile ilişkili şablona dayalı bir yığın otomatik olarak oluşturulur.
Bir kiracı için SageMaker ortamı sağlamak, tamamlanması birkaç dakika süren çok adımlı bir işlemdir. Bu nedenle, bir Amazon DinamoDB tablo, SageMaker ortam sağlama durumunu depolamak için oluşturulur.
Aşağıdaki şema, veri bilimi tezgahının sağlanmasına yönelik akışı göstermektedir.
Veri bilimi çalışma tezgahı yönetimi mikro hizmeti, SaaS müşterileri için veri bilimi çalışma tezgahı sağlamaya yönelik çeşitli etkinlikleri düzenler. AWS Hizmet Kataloğu'nu çağırır ProvisionProduct
AWS hesabı oluşturmayı başlatmak için API.
Daha önce belirtildiği gibi, ML OU'ya eklenen StackSet, çağrı AWS Service Catalog'un bir sonucu olarak hesap bir ML OU altında oluşturulur oluşturulmaz müşteri hesabında bir SageMaker Studio etki alanının ve diğer kaynakların oluşturulmasını tetikler. ProvisionProduct
API. Bunu başarmanın başka bir yolu da AWS Service Catalog'u kullanmaktır; SageMaker Studio ortamını sağlamak için bir ürün oluşturabilir ve bunu bir portföye ekleyebilirsiniz. Ardından portföy, ML OU altındaki tüm AWS hesaplarıyla paylaşılır. Veri bilimi çalışma tezgahı yönetimi mikro hizmetinin, AWS hesabı oluşturma tamamlandıktan sonra SageMaker Studio ortamı oluşturma işlemini tetiklemek için AWS Hizmet Kataloğu API'sine açık bir çağrı yapması gerekir. AWS Service Catalog, birden çok veri bilimi çalışma ekranı varyantını desteklemeniz gerekiyorsa çok kullanışlıdır; kullanıcı bir varyant listesinden seçim yapar ve veri bilimi çalışma ekranı yönetimi mikro hizmeti, kullanıcı seçimini AWS Service Catalog'da tanımlanan bir ürünle eşler. Sonra şunu çağırır: ProvisionProduct
İlgili ürün kimliğine sahip API.
AWS hesabı oluşturulduktan sonra, bir CreateManagedAccount
olay AWS Control Tower tarafından yayınlanır. Amazon EventBridge. EventBridge'de göndermek için bir kural yapılandırıldı CreateManagedAccount
olaylar bir Amazon Basit Kuyruk Hizmeti (Amazon SQS) kuyruğu. Veri bilimi çalışma tezgahı yönetimi mikro hizmeti, SQS kuyruğunu yoklar, alır CreateManagedAccount
olaylar ve oluşturulan AWS hesap numarasını (olay mesajının bir parçası) kiracı meta verilerine eklemek için kiracı yönetim hizmetini çağırır.
Veri bilimi çalışma tezgahı sağlama isteklerinin durumu, kullanıcıların istedikleri zaman sorgulayabilmeleri için bir DynamoDB tablosunda saklanır.
Entegrasyon ve kimlik yönetimi
Bu bölüm, SaaS ve SageMaker Studio (SaaS içinden SageMaker Studio'nun başlatılmasını kapsar) ve kimlik yönetimi arasındaki entegrasyona odaklanır. Bu çözümde IdP olarak Amazon Cognito'yu kullanıyoruz, ancak SaaS zaten OAuth 2.0/OpenID Connect'i destekleyen başka bir IdP ile entegreyse, aynı tasarım geçerli olduğundan bunu kullanmaya devam edebilirsiniz.
SageMaker Studio, aracılığıyla kimlik doğrulamayı destekler AWS Tek Oturum Açma (AWS SSO) ve IAM. Bu durumda AWS organizasyonunun SaaS sağlayıcısı tarafından yönetildiği göz önüne alındığında, AWS SSO'nun SaaS müşteri IdP'sine değil, SaaS sağlayıcısı IdP'ye bağlı olması muhtemeldir. Bu nedenle, SageMaker Studio'ya erişen kullanıcıların kimliğini doğrulamak için IAM kullanıyoruz.
IAM kullanarak SageMaker Studio'ya erişen kullanıcıların kimliğini doğrulamak, SageMaker etki alanındaki her kullanıcı için bir kullanıcı profili oluşturmayı ve Amazon Cognito'daki kimliklerini oluşturulan kullanıcı profiliyle eşleştirmeyi gerektirir. Bunu başarmanın basit bir yolu, SageMaker Studio etki alanında kullanıcı profili adı olarak Amazon Cognito'daki kullanıcı adlarını kullanmaktır. SageMaker şunları sağlar: CreateUserProfile
Kullanıcı, SageMaker Studio'yu ilk kez başlatmaya çalıştıklarında programlı olarak bir kullanıcı profili oluşturmak için kullanılabilen API.
SageMaker Studio'nun SaaS içinden başlatılmasıyla ilgili olarak, SageMaker şunları ortaya çıkarır: CreatePresignedDomainUrl
SageMaker Studio için önceden belirlenmiş URL'yi oluşturan API. Oluşturulan önceden belirlenmiş URL, SageMaker Studio'yu başka bir tarayıcı sekmesinde başlatmak için kullanıcı arayüzüne iletilir.
Aşağıdaki şema, SaaS ve SageMaker Studio arasında entegrasyon kurmaya yönelik mimariyi göstermektedir.
Veri bilimi çalışma tezgahı yönetimi mikro hizmeti, müşteri hesabında bulunan SageMaker Studio'yu başlatmak için kullanılan önceden belirlenmiş URL'nin oluşturulmasını yönetir. İstekte yer alan kiracı kimliğine karşılık gelen AWS hesap numarasını almak için kiracı yönetimi mikro hizmetini çağırır, gerekli izinlerle bu hesapta bir IAM rolü üstlenir ve SageMaker'ı çağırır. CreatePresignedDomainUrl
Önceden belirlenmiş URL'yi oluşturmak için API.
Kullanıcı SageMaker Studio'yu ilk kez başlatıyorsa, önce onlar için bir kullanıcı profilinin oluşturulması gerekir. Bu, SageMaker'ı arayarak elde edilir. CreateUserProfile
API.
Kullanıcılar, ölçekte veri işleme gerçekleştirmek, bir ML modeli eğitmek ve bunu toplu çıkarım için kullanmak ve zenginleştirilmiş veri kümeleri oluşturmak için veri bilimi tezgahını kullanabilir. Ayrıca bir ML modeli oluşturmak ve eğitmek için de kullanabilirler, bu ML modelini üzerinde barındırabilirler. SageMaker yönetilen barındırma, ve gönderinin başında belirtilene benzer bir kullanım senaryosu gerçekleştirmek için SaaS'dan çağırın (müşteri kaybını öngören basit bir istatistiksel analiz yeteneğinin, müşterinin modeli kendisinin oluşturduğu gelişmiş bir makine öğrenimi tabanlı yetenekle değiştirilmesi). Aşağıdaki diyagram, bunu başarmak için bir yaklaşımı göstermektedir.
SaaS müşteri veri bilimcisi, veri bilimi tezgahını (SageMaker Studio) başlatır ve bunu kullanarak ayıklanan verileri önceden işlemek için kullanır. SageMaker İşleme (alternatif olarak, kullanabilirsiniz SageMaker Veri Wrangler). Hangi ML algoritmasının kullanılacağına karar verirler ve bir Adaçayı Yapıcı eğitimi Modeli önceden işlenmiş verilerle eğitme işi. Ardından, bir SageMaker Studio not defterinde gerekli model değerlendirmesini yaparlar ve sonuçlardan memnun kalırlarsa, üretilen ML modelini dağıtmak ve barındırmak için SageMaker tarafından yönetilen barındırma kullanırlar.
ML dağıtıldıktan sonra, veri bilimcisi SaaS'a gider ve ML modelini barındıran SageMaker uç noktasının ayrıntılarını sağlar. Bu, kiracı bilgilerine SageMaker uç nokta ayrıntılarını eklemek için kiracı yönetimi mikro hizmetine yapılan bir çağrıyı tetikler. Ardından, müşteri yönetimi mikro hizmetine bir çağrı yapıldığında, AWS hesap numarası ve SageMaker uç nokta ayrıntıları dahil olmak üzere kiracı bilgilerini almak için kiracı yönetimi mikro hizmetini arar. Ardından, müşteri hesabında gerekli izinlere sahip bir IAM rolü üstlenir, müşteri kayıp olasılığını hesaplamak için SageMaker uç noktasını çağırır ve çıktıyı yanıt mesajına dahil eder.
Müşteri yönetimi mikro hizmeti tarafından çağrılan ML uç noktası dinamiktir (kiracı yönetim hizmetinden alınır), ancak arabirim sabittir ve SaaS sağlayıcısı tarafından önceden tanımlanmıştır - buna biçim (ör. uygulama/json), SaaS'ın makine öğrenimi modeline gönderdiği özellikler, bunların sıralaması ve çıktısı. SaaS müşterisinin, SaaS sağlayıcısı tarafından tanımlanan arayüzle uyumlu bir ML modeli oluşturması beklenir. Arayüz ayrıntıları ve örnek bir istek/yanıt, uygulama sayfasında SaaS müşterisine, uygulamayı kendi ML modelleriyle geçersiz kılmalarına olanak tanıyacak şekilde sunulacaktır. SaaS mikro hizmeti (yukarıdaki şemada müşteri yönetimi mikro hizmeti), ML uç noktası tarafından beklenen özellikleri belirtilen biçimde üretmek için gerekli dönüştürme ve serileştirmeyi gerçekleştirir, ML uç noktasını çağırır, gerekli seri durumdan çıkarma ve dönüştürmeyi gerçekleştirir ve ardından çıkarım çıktısını içerir mikro hizmet tarafından döndürülen yanıtta.
SaaS müşterisi, modeliyle ilgili olmayan özellikleri hariç tutmak veya SaaS'ın geçtiklerinin üzerine özellikler eklemek isteyebilir. Bu kaldıraçla başarılabilir Kendi Çıkarım Kodunuzu Kullanınçıkarım kodu üzerinde tam denetime sahip oldukları yer.
Veri yönetimi
Bu bölüm, SaaS müşterilerinin SaaS veri deposunda bulunan verilere erişmesine izin vermek için izleyebileceğiniz yaklaşımlardan biri olan veri yönetimi mikro hizmetini oluşturmak için önerilen bir mimariyi kapsar. Veri yönetimi mikro hizmeti, veri bilimcilerinden veri çıkarma isteklerini alır ve SaaS veri deposu performansını olumsuz etkilemekten kaçınmak için bu istekleri kontrollü bir şekilde çalıştırır. Mikro hizmet ayrıca, SaaS veri deposuna (veri özüne dahil edilen veri öğeleri) erişimin ve gerekirse veri maskeleme ve anonimleştirmenin kontrolünden sorumludur.
Aşağıdaki diyagram, veri yönetimi mikro hizmeti için olası bir tasarımı göstermektedir.
Veri yönetimi mikro hizmeti iki bileşene ayrılmıştır:
- Veri yönetimi – Veri çıkarma talebini alır, bir kuyruğa yerleştirir ve yanıt olarak bir onay gönderir
- Veri yönetimi çalışanı – Kuyruktan isteği alır ve bir AWS Tutkal iş
Bu ayrıştırma, iki bileşeni bağımsız olarak ölçeklendirmenize ve veri çıkarma isteklerinin hacminden bağımsız olarak SaaS veri deposundaki yükü kontrol etmenize olanak tanır.
AWS Glue işi, verileri veritabanının birincil eşgörünümü yerine işlemler veritabanı için bir replikadan alır. Bu, veri çıkarma isteklerinin SaaS performansını olumsuz etkilemesini önler.
AWS Glue işi, ayıklanan verileri belirli bir müşteri tarafından oluşturulan AWS hesabındaki bir S3 klasörüne yükler. Bu nedenle, veri yönetimi çalışanı bileşeninin, kiracı bilgilerinin bir parçası olan AWS hesap numarasını almak için kiracı yönetimi mikro hizmetini araması gerekir.
Veri çıkarma isteklerinin durumu, kullanıcıların istedikleri zaman sorgulayabilmeleri için bir DynamoDB tablosunda saklanır.
Sonuç
Bu gönderide, SaaS'ınızda SageMaker Studio kullanarak bir veri bilimi tezgahının nasıl oluşturulacağını gösterdik. AWS hesap yapısı, kiracı izolasyonu, SaaS veri deposundan veri çıkarma ve veri bilimi tezgahı için erişilebilir hale getirme, SaaS içinden SageMaker Studio'yu başlatma, kimlikleri yönetme ve son olarak veri bilimi tezgahının otomatikleştirilmiş bir şekilde sağlanması gibi konuları ele aldık. AWS Control Tower, AWS Organizations ve AWS CloudFormation gibi hizmetleri kullanmanın yolu.
Bunun, SaaS'ınızda ML kullanımını genişletmenize ve müşterilerinize, sağladığınız ML özelliklerini kullanmalarına ve ayrıca ML yeteneklerini kendilerinin oluşturmalarına olanak tanıyan daha esnek bir çözüm sunmanıza yardımcı olacağını umuyoruz.
Yazarlar Hakkında
İslam Mahgoub AWS'de uygulama, entegrasyon ve teknoloji mimarisinde 15 yıllık deneyime sahip bir Çözüm Mimarıdır. AWS'de, müşterilerin yeni bulut tabanlı çözümler oluşturmasına ve AWS hizmetlerinden yararlanarak eski uygulamalarını modernize etmesine yardımcı oluyor. İş dışında İslam yürümeyi, film izlemeyi ve müzik dinlemeyi sever.
Giuseppe Angelo Porcelli Amazon Web Servisleri için Baş Makine Öğrenimi Uzmanı Çözüm Mimarıdır. Birkaç yıllık yazılım mühendisliği ve makine öğrenimi geçmişiyle, her büyüklükteki müşteriyle iş ve teknik ihtiyaçlarını derinlemesine anlamak ve AWS Cloud ve Amazon Machine Learning yığınından en iyi şekilde yararlanan Yapay Zeka ve Makine Öğrenimi çözümleri tasarlamak için çalışır. MLOps, Computer Vision, NLP dahil olmak üzere farklı alanlarda ve çok çeşitli AWS hizmetlerini içeren projelerde çalıştı. Giuseppe boş zamanlarında futbol oynamayı sever.
Arunprasath Şankar AWS'li bir Yapay Zeka ve Makine Öğrenimi (AI / ML) Uzman Çözüm Mimarıdır ve küresel müşterilerin yapay zeka çözümlerini bulutta etkili ve verimli bir şekilde ölçeklendirmelerine yardımcı olur. Arun boş zamanlarında bilim kurgu filmleri izlemekten ve klasik müzik dinlemekten hoşlanıyor.
- Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
- KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/enhance-your-saas-offering-with-a-data-science-workbench-powered-by-amazon-sagemaker-studio/
- "
- &
- 100
- Hakkımızda
- erişim
- Hesap
- doğru
- elde
- karşısında
- Action
- faaliyetler
- Ek
- adres
- ileri
- AI
- algoritma
- Türkiye
- zaten
- Amazon
- Amazon Web Servisleri
- analiz
- Başka
- api
- API'ler
- uygulamayı yükleyeceğiz
- Uygulama
- uygulamaları
- Uygulanması
- yaklaşım
- mimari
- yapay
- yapay zeka
- Yapay zeka (AI)
- Yapay Zeka ve Makine Öğrenimi
- Doğrulama
- yetki
- Otomatik
- Otomasyon
- mevcut
- AWS
- arka fon
- Temel
- Başlangıç
- faydaları
- İYİ
- en iyi uygulamalar
- fatura
- tarayıcı
- inşa etmek
- bina
- iş
- çağrı
- yetenekleri
- durumlarda
- değişiklik
- bulut
- kod
- ortak
- şirket
- karşılaştırıldığında
- uyma
- bileşen
- yapılandırma
- tüketmek
- tüketim
- içeren
- içerik
- devam etmek
- kontrol
- maliyetler
- oluşturur
- Oluşturma
- Müşteriler
- veri
- veri yönetimi
- veri işleme
- veri bilimi
- veri bilimcisi
- veritabanı
- teslim
- Talep
- dağıtmak
- Dizayn
- Bulma
- Geliştirici
- geliştiriciler
- gelişme
- farklı
- tartışmak
- Değil
- domain
- etki
- dinamik
- kolayca
- Son nokta
- enerji
- Mühendislik
- zenginleştirilmiş
- girer
- çevre
- kurmak
- Etkinlikler
- olaylar
- Genişletmek
- beklenen
- deneyim
- uzatmak
- Hulasa
- fabrika
- Özellikler(Hazırlık aşamasında)
- Özellikler
- Nihayet
- Ad
- ilk kez
- akış
- odak
- takip et
- takip etme
- futbol
- biçim
- iskelet
- dolandırıcılık
- Ücretsiz
- tam
- işlevsellik
- oluşturmak
- Küresel
- gidiş
- mutlu
- sahip olan
- yardımcı olur
- Ne kadar
- Nasıl Yapılır
- HTTPS
- Kimlik
- kimlik yönetimi
- uygulamak
- uygulanan
- önemli
- iyileştirmek
- dahil
- dahil
- Dahil olmak üzere
- Endüstri
- bilgi
- Altyapı
- anlayışlar
- entegre
- entegre
- bütünleşme
- İstihbarat
- arayüzey
- izolasyon
- IT
- İş
- kaydol
- anahtar
- başlatmak
- başlattı
- fırlatma
- önemli
- öğrenme
- miras
- Sınırlı
- LINK
- Liste
- Dinleme
- yük
- makine
- makine öğrenme
- Yapımı
- yönetim
- yönetme
- Haritalar
- milyonlarca
- ML
- model
- modelleri
- çoğu
- filmler
- Music
- ağ
- defter
- numara
- teklif
- teklifleri
- Onboarding
- Fırsatlar
- Fırsat
- kuruluşlar
- organizasyonlar
- Diğer
- Şifre
- performans
- platform
- politikaları
- havuz
- portföy
- birincil
- Anapara
- süreç
- Süreçler
- üretmek
- Üretilmiş
- PLATFORM
- üretim
- Profil
- Programlar
- Projeler
- koruma
- sağlamak
- sağlar
- satın alma
- kayıtlar
- gereklidir
- Yer Alan Kurallar
- Kaynaklar
- yanıt
- sorumlu
- Sonuçlar
- İade
- ROI
- kurallar
- koşu
- ölçek
- Bilim
- bilim adamı
- bilim adamları
- güvenli
- güvenlik
- hizmet
- Hizmetler
- set
- Paylaşılan
- Basit
- beden
- becerileri
- So
- Yazılım
- hizmet olarak yazılım
- yazılım Mühendisliği
- Çözümler
- bölmek
- yığın
- Eyalet
- istatistiksel
- Durum
- hafızası
- mağaza
- mağaza
- stratejileri
- Stratejileri
- stüdyo
- başarılı
- destek
- Destekler
- sistem
- Hedef
- görevleri
- takım
- Teknik
- teknikleri
- Teknoloji
- İçinden
- zaman
- simge
- araçlar
- üst
- işlemler
- Dönüşüm
- Trendler
- ui
- anlamak
- kullanım
- kullanıcılar
- Görüntüle
- vizyonumuz
- hacim
- yürüyüş
- ağ
- Web Uygulamaları
- web hizmetleri
- Web tabanlı
- Ne
- Tanıtım Belgesi
- DSÖ
- içinde
- olmadan
- İş
- işlenmiş
- çalışır
- yıl