Разместите модели машинного обучения, созданные в Amazon SageMaker Canvas, на реальных конечных точках Amazon SageMaker.

Запустите модели машинного обучения, созданные с помощью Amazon SageMaker Canvas, на реальных конечных точках Amazon SageMaker.

Amazon SageMaker Canvas теперь поддерживает развертывание моделей машинного обучения (ML) для конечных точек реального времени, позволяя вам внедрять ваши модели ML в производство и принимать действия на основе ML-ориентированных идей. SageMaker Canvas – это рабочее пространство без кода, которое позволяет аналитикам и гражданским ученым по данным генерировать точные прогнозы ML для своих бизнес-потребностей.

До сих пор SageMaker Canvas предоставлял возможность оценить модель ML, генерировать обобщенные прогнозы и выполнять анализ “что если” в его интерактивном рабочем пространстве. Но теперь вы также можете развернуть модели на конечные точки Amazon SageMaker для реального времени вывода, что позволяет без труда потреблять прогнозы модели и выполнять действия вне рабочего пространства SageMaker Canvas. Возможность непосредственного развертывания моделей ML из SageMaker Canvas устраняет необходимость вручную экспортировать, настраивать, тестировать и развертывать модели ML в производство, тем самым упрощая комплексность и экономя время. Это также делает более доступным оперативное использование моделей ML для отдельных лиц без необходимости написания кода.

В этой статье мы расскажем вам о процессе развертывания модели в SageMaker Canvas на конечную точку реального времени.

Обзор решения

Для нашего сценария использования мы предполагаем роль бизнес-пользователя в маркетинговом отделе оператора мобильной связи, и мы успешно создали модель ML в SageMaker Canvas для выявления клиентов с потенциальным риском оттока. Благодаря прогнозам, сформированным нашей моделью, мы теперь хотим перевести это из нашей среды разработки в производство. Чтобы упростить процесс развертывания конечной точки модели для вывода, мы напрямую развертываем модели ML из SageMaker Canvas, тем самым устраняя необходимость вручную экспортировать, настраивать, тестировать и развертывать модели ML в производство. Это помогает упростить комплексность, экономит время и также делает оперативное использование моделей ML более доступным для отдельных лиц без необходимости написания кода.

• Полезные сенсоры запускают искусственный интеллект в коробке
• Революционизируя машинное обучение использование 3D-обработки в фотонных ускорителях для достижения передового параллелизма и совместимости с вычислениями на периферии
• Познакомьтесь с GlotLID моделью идентификации языка с открытым исходным кодом (LID), поддерживающей 1665 языков

Шаги рабочего процесса следующие:

1. Загрузите новый набор данных с текущей клиентской базой в SageMaker Canvas. Для полного списка поддерживаемых источников данных смотрите Импорт данных в Canvas.
2. Постройте модели ML и проанализируйте их метрики производительности. Для инструкций смотрите Построение пользовательской модели и Оценка производительности вашей модели в Amazon SageMaker Canvas.
3. Разверните одобренную версию модели в качестве конечной точки для вывода в реальном времени.

Вы можете выполнять эти шаги в SageMaker Canvas, не писав ни одной строки кода.

Предварительные требования

Для данного руководства убедитесь, что выполнены следующие предварительные требования:

1. Чтобы развернуть версии моделей на конечные точки SageMaker, администратор SageMaker Canvas должен предоставить необходимые разрешения пользователю SageMaker Canvas, которые вы можете управлять в домене SageMaker, который хостит ваше приложение SageMaker Canvas. Дополнительные сведения смотрите в разделе Управление разрешениями в Canvas.
2. Реализуйте предварительные требования, упомянутые в Прогнозирование оттока клиентов с использованием машинного обучения без написания кода с помощью Amazon SageMaker Canvas.

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

• V1 обученная на всех 21 признаке и быстрая конфигурация построения с модельным баллом 96,903%
• V2 обученная на всех 19 признаках (удалены признаки телефона и состояния) и быстрая конфигурация построения с повышенной точностью 97,403%
• V3 обученная на стандартной конфигурации построения с модельным баллом 97,103%

Используйте модель прогнозирования оттока клиентов

Включите Показывать дополнительные метрики на странице сведений о модели и ознакомьтесь с объективными метриками, связанными с каждой версией модели, чтобы выбрать наиболее производительную модель для развертывания в SageMaker в качестве конечной точки.

На основе показателей производительности мы выбираем версию 2 для развертывания.

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

В качестве отправной точки Canvas автоматически рекомендует наилучший тип экземпляра и количество экземпляров для развертывания вашей модели. Вы можете изменить их в соответствии с требованиями вашей рабочей нагрузки.

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

Вы можете изменить значения ввода с помощью пользовательского интерфейса SageMaker Canvas для вывода дополнительного прогнозирования оттока.

Теперь перейдем к Amazon SageMaker Studio и ознакомимся с развернутой конечной точкой.

Откройте записную книжку в SageMaker Studio и выполните следующий код для вывода развернутой модели. Замените имя конечной точки модели на своё собственное имя конечной точки модели.

import boto3, sysimport pandas as pdendpoint_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)

Наш исходный модельный конечный пункт использует экземпляр ml.m5.xlarge и 1 экземпляр. Предположим теперь, что вы ожидаете увеличение количества конечных пользователей, делающих выводы из вашего модельного конечного пункта, и вы хотите предоставить еще больше вычислительных возможностей. Вы можете сделать это непосредственно из SageMaker Canvas, выбрав Обновить конфигурацию.

Уборка

Чтобы избежать дальнейших расходов, удалите ресурсы, созданные вами при следовании инструкциям этого сообщения. Это включает выход из SageMaker Canvas и удаление развернутого конечного пункта SageMaker. Amazon SageMaker Canvas выставляет вам счет за время сеанса, и мы рекомендуем выходить из SageMaker Canvas, когда вы им не пользуетесь. См. Выход из Amazon SageMaker Canvas для получения дополнительной информации.

Заключение

В этом сообщении мы обсудили, как SageMaker Canvas может развертывать модели машинного обучения на конечных пунктах реального времени, позволяя вам перенести ваши модели машинного обучения в производство и приводить в действие на основе искусственного интеллекта. В нашем примере мы показали, как аналитик может быстро создать высокоточную прогностическую модель машинного обучения, не написав ни одной строки кода, развернуть ее на SageMaker в виде конечного пункта и проверить конечный пункт модели из SageMaker Canvas, а также из записной книжки SageMaker Studio.

Чтобы начать ваш путь в области низкого и без кода машинного обучения, обратитесь к Amazon SageMaker Canvas.

Особая благодарность всем, кто принимал участие в запуске: Прашанту Курумаддали, Абишеку Кумару, Аллену Лью, Шону Лестеру, Риче Сундране и Алики Ки.