Amazon SageMaker-canvas ondersteunt nu de implementatie van machine learning (ML)-modellen op realtime deductie-eindpunten, waardoor u uw ML-modellen naar productie kunt brengen en actie kunt stimuleren op basis van ML-aangedreven inzichten. SageMaker Canvas is een werkruimte zonder code waarmee analisten en burgerdatawetenschappers nauwkeurige ML-voorspellingen kunnen genereren voor hun zakelijke behoeften.

Tot nu toe bood SageMaker Canvas de mogelijkheid om een ​​ML-model te evalueren, bulkvoorspellingen te genereren en wat-als-analyses uit te voeren binnen de interactieve werkruimte. Maar nu kunt u de modellen ook implementeren op Amazon SageMaker-eindpunten voor realtime gevolgtrekking, waardoor het moeiteloos wordt om modelvoorspellingen te gebruiken en acties buiten de SageMaker Canvas-werkruimte aan te sturen. Door de mogelijkheid om ML-modellen rechtstreeks vanuit SageMaker Canvas te implementeren, is het niet meer nodig om ML-modellen handmatig te exporteren, configureren, testen en in productie te nemen, waardoor de complexiteit wordt verminderd en tijd wordt bespaard. Het maakt het operationeel maken van ML-modellen ook toegankelijker voor individuen, zonder de noodzaak om code te schrijven.

In dit bericht begeleiden we u door het proces implementeer een model in SageMaker Canvas naar een real-time eindpunt.

Overzicht van de oplossing

Voor ons gebruik nemen we de rol aan van een zakelijke gebruiker op de marketingafdeling van een mobiele telefoonoperator, en we hebben met succes een ML-model in SageMaker Canvas gemaakt om klanten te identificeren met het potentiële risico op klantverloop. Dankzij de voorspellingen die ons model genereert, willen we dit nu van onze ontwikkelomgeving naar productie verplaatsen. Om het proces van de implementatie van ons modeleindpunt voor inferentie te stroomlijnen, implementeren we rechtstreeks ML-modellen vanuit SageMaker Canvas, waardoor de noodzaak wordt geëlimineerd om ML-modellen handmatig te exporteren, configureren, testen en in productie te nemen. Dit helpt de complexiteit te verminderen, bespaart tijd en maakt het operationeel maken van ML-modellen ook toegankelijker voor individuen, zonder dat er code hoeft te worden geschreven.

De workflowstappen zijn als volgt:

1. Upload een nieuwe dataset met de huidige klantenpopulatie naar SageMaker Canvas. Voor de volledige lijst met ondersteunde gegevensbronnen raadpleegt u Gegevens importeren in Canvas.
2. Bouw ML-modellen en analyseer hun prestatiestatistieken. Voor instructies, zie Bouw een aangepast model en Evalueer de prestaties van uw model in Amazon SageMaker Canvas.
3. Implementeer de goedgekeurde modelversie als eindpunt voor realtime gevolgtrekking.

U kunt deze stappen in SageMaker Canvas uitvoeren zonder ook maar één regel code te schrijven.

Voorwaarden

Zorg ervoor dat voor deze walkthrough aan de volgende vereisten wordt voldaan:

1. Om modelversies op SageMaker-eindpunten te implementeren, moet de SageMaker Canvas-beheerder de benodigde machtigingen geven aan de SageMaker Canvas-gebruiker, die u kunt beheren in het SageMaker-domein dat als host fungeert voor uw SageMaker Canvas-toepassing. Voor meer informatie, zie Machtigingenbeheer in Canvas.
   
2. Implementeer de vereisten vermeld in Voorspel klantverloop met machine learning zonder code met Amazon SageMaker Canvas.

U zou nu drie modelversies moeten hebben die zijn getraind op historische verloopvoorspellingsgegevens in Canvas:

• V1 getraind met alle 21 functies en snelle configuratie met een modelscore van 96.903%
• V2 getraind met alle 19 functies (telefoon- en statusfuncties verwijderd) en snelle opbouwconfiguratie en verbeterde nauwkeurigheid van 97.403%
• V3 getraind met standaard buildconfiguratie met 97.103% modelscore

Gebruik het voorspellingsmodel voor klantverloop

Enable Toon geavanceerde statistieken op de pagina met modeldetails en bekijk de objectieve statistieken die aan elke modelversie zijn gekoppeld, zodat u het best presterende model kunt selecteren om als eindpunt in SageMaker te implementeren.

Op basis van de prestatiestatistieken selecteren we versie 2 om te implementeren.

Configureer de instellingen voor de modelimplementatie: de implementatienaam, het exemplaartype en het aantal exemplaren.

Als uitgangspunt zal Canvas automatisch het beste exemplaartype en het aantal exemplaren voor uw modelimplementatie aanbevelen. U kunt dit wijzigen afhankelijk van uw werklastbehoeften.

U kunt het geïmplementeerde SageMaker-inferentie-eindpunt rechtstreeks vanuit SageMaker Canvas testen.

U kunt invoerwaarden wijzigen met behulp van de SageMaker Canvas-gebruikersinterface om aanvullende churn-voorspellingen af ​​te leiden.

Laten we nu naar navigeren Amazon SageMaker Studio en bekijk het geïmplementeerde eindpunt.

Open een notitieblok in SageMaker Studio en voer de volgende code uit om het geïmplementeerde modeleindpunt af te leiden. Vervang de modeleindpuntnaam door uw eigen modeleindpuntnaam.

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)

Ons oorspronkelijke modeleindpunt gebruikt een ml.m5.xlarge-instantie en 1 exemplaartelling. Laten we nu aannemen dat u verwacht dat het aantal eindgebruikers dat uw modeleindpunt afleidt, zal toenemen en dat u meer rekencapaciteit wilt inrichten. U kunt dit rechtstreeks vanuit SageMaker Canvas bereiken door te kiezen Configuratie bijwerken.

Opruimen

Om te voorkomen dat er in de toekomst kosten in rekening worden gebracht, verwijdert u de bronnen die u heeft gemaakt terwijl u dit bericht volgde. Dit omvat het uitloggen bij SageMaker Canvas en het verwijderen van het geïmplementeerde SageMaker-eindpunt. SageMaker Canvas factureert u voor de duur van de sessie en we raden u aan uit te loggen bij SageMaker Canvas als u het niet gebruikt. Verwijzen naar Afmelden bij Amazon SageMaker Canvas voor meer details.

Conclusie

In dit bericht hebben we besproken hoe SageMaker Canvas ML-modellen kan implementeren op realtime eindpunten voor deductie, zodat u uw ML-modellen naar productie kunt brengen en actie kunt stimuleren op basis van ML-aangedreven inzichten. In ons voorbeeld hebben we laten zien hoe een analist snel een zeer nauwkeurig voorspellend ML-model kan bouwen zonder code te schrijven, dit als eindpunt op SageMaker kan implementeren en het modeleindpunt kan testen vanuit SageMaker Canvas, maar ook vanuit een SageMaker Studio-notebook.

Om uw low-code/no-code ML-traject te starten, raadpleegt u Amazon SageMaker-canvas.

Speciale dank aan iedereen die heeft bijgedragen aan de lancering: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani en Alicia Qi.

Over de auteurs

Janisha Anand is Senior Product Manager in het Amazon SageMaker Low/No Code ML-team, waartoe ook SageMaker Canvas en SageMaker Autopilot behoren. Ze houdt van koffie, actief blijven en tijd doorbrengen met haar gezin.

Indy Sawhney is een Senior Customer Solutions Leader bij Amazon Web Services. Indy werkt altijd achteruit vanuit klantproblemen en adviseert leidinggevenden van AWS-ondernemingsklanten tijdens hun unieke cloudtransformatietraject. Hij heeft meer dan 25 jaar ervaring met het helpen van ondernemingen bij het adopteren van opkomende technologieën en bedrijfsoplossingen. Indy is een diepgaande specialist bij de Technical Field Community voor AI/ML van AWS, met specialisatie in generatieve AI en low-code/no-code Amazon SageMaker-oplossingen.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/deploy-ml-models-built-in-amazon-sagemaker-canvas-to-amazon-sagemaker-real-time-endpoints/