Logo Zephyrnet

Trí thông minh dữ liệu tạo

AI

Triển khai các mô hình ML được xây dựng trong Amazon SageMaker Canvas cho các điểm cuối thời gian thực của Amazon SageMaker | Dịch vụ web của Amazon

Được xuất bản lại bởi Plato
Được xuất bản lại bởi Plato

Ngày:

Lượt xem: 173

Canvas SageMaker của Amazon hiện hỗ trợ triển khai các mô hình máy học (ML) cho các điểm cuối suy luận theo thời gian thực, cho phép bạn đưa mô hình ML của mình vào sản xuất và thúc đẩy hành động dựa trên những hiểu biết sâu sắc do ML cung cấp. SageMaker Canvas là không gian làm việc không cần mã cho phép các nhà phân tích và nhà khoa học dữ liệu công dân tạo ra các dự đoán ML chính xác cho nhu cầu kinh doanh của họ.

Cho đến thời điểm hiện tại, SageMaker Canvas đã cung cấp khả năng đánh giá mô hình ML, tạo dự đoán hàng loạt và chạy phân tích giả định trong không gian làm việc tương tác của nó. Nhưng giờ đây, bạn cũng có thể triển khai các mô hình đến các điểm cuối của Amazon SageMaker để suy luận theo thời gian thực, giúp bạn dễ dàng sử dụng các dự đoán mô hình và thúc đẩy các hành động bên ngoài không gian làm việc của SageMaker Canvas. Việc có khả năng triển khai trực tiếp các mô hình ML từ SageMaker Canvas giúp loại bỏ nhu cầu xuất, định cấu hình, kiểm tra và triển khai các mô hình ML theo cách thủ công vào sản xuất, từ đó giảm bớt độ phức tạp và tiết kiệm thời gian. Nó cũng giúp các cá nhân dễ dàng vận hành các mô hình ML hơn mà không cần phải viết mã.

Trong bài đăng này, chúng tôi sẽ hướng dẫn bạn quy trình để triển khai mô hình trong SageMaker Canvas đến điểm cuối thời gian thực.

Tổng quan về giải pháp

Đối với trường hợp sử dụng của chúng tôi, chúng tôi đang đảm nhận vai trò là người dùng doanh nghiệp trong bộ phận tiếp thị của một nhà khai thác điện thoại di động và chúng tôi đã tạo thành công mô hình ML trong SageMaker Canvas để xác định những khách hàng có nguy cơ rời bỏ. Nhờ những dự đoán do mô hình của chúng tôi tạo ra, giờ đây chúng tôi muốn chuyển điều này từ môi trường phát triển sang môi trường sản xuất. Để hợp lý hóa quy trình triển khai điểm cuối mô hình của chúng tôi để suy luận, chúng tôi trực tiếp triển khai các mô hình ML từ SageMaker Canvas, từ đó loại bỏ nhu cầu xuất, định cấu hình, kiểm tra và triển khai mô hình ML vào sản xuất theo cách thủ công. Điều này giúp giảm độ phức tạp, tiết kiệm thời gian và cũng giúp các cá nhân dễ dàng vận hành các mô hình ML hơn mà không cần phải viết mã.

Các bước quy trình làm việc như sau:

  1. Tải tập dữ liệu mới với số lượng khách hàng hiện tại lên SageMaker Canvas. Để biết danh sách đầy đủ các nguồn dữ liệu được hỗ trợ, hãy tham khảo Nhập dữ liệu vào Canvas.
  2. Xây dựng mô hình ML và phân tích số liệu hiệu suất của chúng. Để biết hướng dẫn, hãy tham khảo Xây dựng mô hình tùy chỉnh và Đánh giá hiệu suất mô hình của bạn trong Amazon SageMaker Canvas.
  3. Triển khai phiên bản mô hình đã được phê duyệt như một điểm cuối cho suy luận thời gian thực.

Bạn có thể thực hiện các bước này trong SageMaker Canvas mà không cần viết một dòng mã nào.

Điều kiện tiên quyết

Đối với hướng dẫn này, hãy đảm bảo rằng các điều kiện tiên quyết sau được đáp ứng:

  1. Để triển khai các phiên bản mô hình tới điểm cuối SageMaker, quản trị viên SageMaker Canvas phải cấp các quyền cần thiết cho người dùng SageMaker Canvas mà bạn có thể quản lý trong miền SageMaker lưu trữ ứng dụng SageMaker Canvas của bạn. Để biết thêm thông tin, hãy tham khảo Quản lý quyền trong Canvas.
  2. Thực hiện các điều kiện tiên quyết được đề cập trong Dự đoán thời gian nghỉ ngơi của khách hàng với công nghệ máy học không mã sử dụng Amazon SageMaker Canvas.

Bây giờ, bạn sẽ có ba phiên bản mô hình được đào tạo về dữ liệu dự đoán rời bỏ lịch sử trong Canvas:

  • V1 được đào tạo với tất cả 21 tính năng và cấu hình xây dựng nhanh với điểm mô hình là 96.903%
  • V2 được đào tạo với tất cả 19 tính năng (các tính năng của điện thoại và trạng thái đã bị loại bỏ) và cấu hình xây dựng nhanh và độ chính xác được cải thiện là 97.403%
  • V3 được đào tạo với cấu hình xây dựng tiêu chuẩn với điểm số mô hình 97.103%

Sử dụng mô hình dự đoán rời bỏ khách hàng

Kích hoạt tính năng Hiển thị số liệu nâng cao trên trang chi tiết mô hình và xem xét các số liệu khách quan được liên kết với từng phiên bản mô hình để bạn có thể chọn mô hình hoạt động tốt nhất để triển khai lên SageMaker làm điểm cuối.

Dựa trên các số liệu hiệu suất, chúng tôi chọn phiên bản 2 để triển khai.

Định cấu hình cài đặt triển khai mô hình—tên triển khai, loại phiên bản và số lượng phiên bản.

Khi bắt đầu, Canvas sẽ tự động đề xuất loại phiên bản tốt nhất và số lượng phiên bản để triển khai mô hình của bạn. Bạn có thể thay đổi nó theo nhu cầu khối lượng công việc của bạn.

Bạn có thể kiểm tra điểm cuối suy luận SageMaker đã triển khai trực tiếp từ trong SageMaker Canvas.

Bạn có thể thay đổi giá trị đầu vào bằng giao diện người dùng SageMaker Canvas để suy ra dự đoán rời bỏ bổ sung.

Bây giờ hãy điều hướng đến Xưởng sản xuất Amazon SageMaker và kiểm tra điểm cuối đã triển khai.

Mở sổ ghi chép trong SageMaker Studio và chạy mã sau để suy ra điểm cuối của mô hình đã triển khai. Thay thế tên điểm cuối mô hình bằng tên điểm cuối mô hình của riêng bạn.

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)

Điểm cuối mô hình ban đầu của chúng tôi đang sử dụng phiên bản ml.m5.xlarge và số lượng phiên bản là 1. Bây giờ, giả sử bạn mong đợi số lượng người dùng cuối suy luận điểm cuối mô hình của bạn sẽ tăng lên và bạn muốn cung cấp thêm công suất điện toán. Bạn có thể thực hiện việc này trực tiếp từ bên trong SageMaker Canvas bằng cách chọn Cập nhật cấu hình.

Làm sạch

Để tránh phát sinh phí trong tương lai, hãy xóa tài nguyên bạn đã tạo khi theo dõi bài đăng này. Điều này bao gồm việc đăng xuất khỏi SageMaker Canvas và xóa điểm cuối SageMaker đã triển khai. SageMaker Canvas tính phí cho bạn trong suốt phiên và chúng tôi khuyên bạn nên đăng xuất khỏi SageMaker Canvas khi không sử dụng. tham khảo Đăng xuất khỏi Amazon SageMaker Canvas để biết thêm chi tiết.

Kết luận

Trong bài đăng này, chúng tôi đã thảo luận về cách SageMaker Canvas có thể triển khai các mô hình ML đến các điểm cuối suy luận theo thời gian thực, cho phép bạn đưa mô hình ML của mình vào sản xuất và thúc đẩy hành động dựa trên những hiểu biết sâu sắc do ML cung cấp. Trong ví dụ của chúng tôi, chúng tôi đã chỉ ra cách nhà phân tích có thể nhanh chóng xây dựng mô hình ML dự đoán có độ chính xác cao mà không cần viết bất kỳ mã nào, triển khai mô hình đó trên SageMaker làm điểm cuối và kiểm tra điểm cuối mô hình từ SageMaker Canvas cũng như từ sổ ghi chép SageMaker Studio.

Để bắt đầu hành trình ML mã thấp/không mã của bạn, hãy tham khảo Canvas SageMaker của Amazon.

Đặc biệt cảm ơn tất cả những người đã đóng góp cho buổi ra mắt: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani và Alicia Qi.

Về các tác giả

Janisha Anand là Giám đốc sản phẩm cấp cao trong nhóm ML Low/No Code ML của Amazon SageMaker, bao gồm SageMaker Canvas và SageMaker Autopilot. Cô thích cà phê, năng động và dành thời gian cho gia đình.

Indy Sawhney là Nhà lãnh đạo giải pháp khách hàng cấp cao của Amazon Web Services. Luôn giải quyết các vấn đề của khách hàng, Indy tư vấn cho các giám đốc điều hành khách hàng doanh nghiệp AWS về hành trình chuyển đổi đám mây độc đáo của họ. Ông có hơn 25 năm kinh nghiệm giúp các tổ chức doanh nghiệp áp dụng các công nghệ và giải pháp kinh doanh mới nổi. Indy là chuyên gia chuyên sâu trong lĩnh vực Kỹ thuật của Cộng đồng AI/ML của AWS, với chuyên môn về AI tổng hợp và các giải pháp Amazon SageMaker mã thấp/không mã.

tại chỗ_img

Tin tức mới nhất

tại chỗ_img

Bản quyền @ 2024 Plato Technologies Inc.