[ad_1]
Amazon SageMaker Canvas ahora admite la implementación de modelos de aprendizaje automático (ML) en puntos finales de inferencia en tiempo real, para que pueda poner sus modelos de ML en producción y tomar medidas basadas en información basada en ML. SageMaker Canvas es un espacio de trabajo sin código que permite a los analistas y científicos de datos ciudadanos crear predicciones de aprendizaje automático precisas para sus necesidades comerciales.
Anteriormente, SageMaker Canvas brindaba la capacidad de evaluar un modelo de ML, generar predicciones masivas y realizar análisis hipotéticos en su espacio de trabajo interactivo. Ahora también puede implementar los modelos en los puntos finales de Amazon SageMaker para realizar inferencias en tiempo real, de modo que pueda usar fácilmente predicciones de modelos y controlar acciones fuera del espacio de trabajo de SageMaker Canvas. La capacidad de implementar modelos de ML directamente desde SageMaker Canvas elimina la necesidad de exportar, configurar, probar e implementar manualmente modelos de ML en producción, lo que ahorra complejidad y tiempo. También hace que la puesta en funcionamiento de modelos de aprendizaje automático sea más accesible para las personas sin la necesidad de escribir código.
En esta publicación, lo guiaremos a través del proceso de implementación de un modelo en SageMaker Canvas en un punto final en tiempo real.
Descripción general de la solución
Para nuestro caso de uso, asumimos el rol de un usuario comercial en el departamento de marketing de un operador de telefonía móvil y hemos creado con éxito un modelo de aprendizaje automático en SageMaker Canvas para identificar clientes con posible riesgo de abandono. Gracias a las predicciones generadas por nuestro modelo, ahora queremos trasladarlo de nuestro entorno de desarrollo a producción. Para agilizar el proceso de implementación de nuestro punto final de modelo para inferencia, implementamos modelos de ML directamente desde SageMaker Canvas, eliminando la necesidad de exportar, configurar, probar e implementar manualmente modelos de ML en producción. Esto ayuda a reducir la complejidad, ahorrar tiempo y hacer que la puesta en funcionamiento de los modelos de aprendizaje automático sea más accesible para las personas sin la necesidad de escribir código.
Los pasos del flujo de trabajo son los siguientes:
- Cargue un nuevo conjunto de datos con la población de clientes actual en SageMaker Canvas. Para obtener la lista completa de fuentes de datos admitidas, consulte Importar datos a Canvas.
- Cree modelos de ML y analice sus métricas de rendimiento. Para obtener instrucciones, consulte Crear un modelo personalizado y evaluar el rendimiento de su modelo en Amazon SageMaker Canvas.
- Implemente la versión del modelo aprobado como punto final para la inferencia en tiempo real.
Puede completar estos pasos en SageMaker Canvas sin escribir una sola línea de código.
requisitos
Para este tutorial, asegúrese de que se cumplan los siguientes requisitos previos:
- Para implementar versiones de modelos en los puntos finales de SageMaker, el administrador de SageMaker Canvas debe otorgar al usuario de SageMaker Canvas los permisos necesarios, que puede administrar en el dominio de SageMaker que aloja su aplicación SageMaker Canvas. Para obtener más información, consulte Gestión de permisos en Canvas.
- Implemente los requisitos previos en «Predecir la pérdida de clientes con aprendizaje automático sin código» utilizando Amazon SageMaker Canvas.
Ahora debería tener tres versiones del modelo entrenadas con datos históricos de predicción de abandono en Canvas:
- Trenes V1 con las 21 características y configuración de construcción rápida con una puntuación de modelo del 96,903%
- Trenes V2 con las 19 funciones (teléfono remoto y funciones de estado) y configuración de compilación rápida y precisión mejorada del 97,403%
- V3 se entrenó utilizando la configuración de compilación predeterminada con una puntuación de modelo del 97,103%
Utilice el modelo de predicción de pérdida de clientes
Activar Ver métricas avanzadas en la página de detalles del modelo y revise las métricas objetivas asociadas con cada versión del modelo para que pueda seleccionar el modelo con mejor rendimiento para implementar en SageMaker como punto final.
Según las métricas de rendimiento, seleccionamos la versión 2 para la implementación.
Configure los ajustes de implementación del modelo: nombre de implementación, tipo de instancia y recuento de instancias.
Como punto de partida, Canvas recomienda automáticamente el mejor tipo de instancia y la mejor cantidad de instancias para la implementación de su modelo. Puedes cambiarlo según tus necesidades laborales.
Puede probar el punto final de inferencia de SageMaker implementado directamente en SageMaker Canvas.
Puede modificar los valores de entrada utilizando la interfaz de usuario de SageMaker Canvas para derivar predicciones de abandono adicionales.
Ahora naveguemos hasta Amazon SageMaker Studio y verifiquemos el punto final implementado.
Abra un cuaderno en SageMaker Studio y ejecute el siguiente código para derivar el punto final del modelo proporcionado. Reemplace el nombre del punto final del modelo con su propio nombre del punto final del modelo.
Nuestro punto final modelo original utiliza una instancia ml.m5.xlarge y un recuento de instancias. Ahora supongamos que espera que aumente el número de usuarios finales que infieren el punto final de su modelo y desea proporcionar más capacidad informática. Puede lograr esto directamente en SageMaker Canvas haciendo clic en » Actualizar configuración.
Limpiar
Para evitar cargos futuros, elimine los recursos que creó mientras seguía esta publicación. Esto incluye cerrar sesión en SageMaker Canvas y eliminar el punto final de SageMaker implementado. SageMaker Canvas le facturará por la duración de la sesión. Le recomendamos que cierre sesión en SageMaker Canvas cuando no lo esté utilizando. Para obtener más detalles, consulte Cerrar sesión en Amazon SageMaker Canvas.
Diploma
En esta publicación, analizamos cómo SageMaker Canvas puede implementar modelos de ML en puntos finales de inferencia en tiempo real para que pueda poner sus modelos de ML en producción y tomar medidas basadas en conocimientos basados en ML. En nuestro ejemplo, mostramos cómo un analista puede crear rápidamente un modelo de aprendizaje automático predictivo de alta fidelidad sin escribir código, implementarlo en SageMaker como un punto final y probar el punto final del modelo desde SageMaker Canvas y un cuaderno de SageMaker Studio.
Para comenzar su viaje de aprendizaje automático con código bajo o sin código, consulte Amazon SageMaker Canvas.
Un agradecimiento especial a todos los que contribuyeron al lanzamiento: Prashanth Kurumaddali, Abishek Kumar, Allen Liu, Sean Lester, Richa Sundrani y Alicia Qi.
Sobre los autores
Janisha Anand es gerente senior de productos en el equipo de aprendizaje automático bajo/sin código de Amazon SageMaker, que incluye SageMaker Canvas y SageMaker Autopilot. Le gusta el café, mantenerse activa y pasar tiempo con su familia.
Indy Sawhney es líder senior de soluciones para clientes en Amazon Web Services. Indy siempre trabaja al revés de los problemas de los clientes y asesora a los líderes de clientes empresariales de AWS en su viaje único de transformación de la nube. Tiene más de 25 años de experiencia ayudando a empresas a adoptar nuevas tecnologías y soluciones comerciales. Indy es un especialista en profundidad de IA/ML de la comunidad técnica de campo de AWS que se especializa en IA generativa y soluciones de Amazon SageMaker con código bajo o sin código.
[ad_2]