「Amazon SageMaker Canvasで構築されたMLモデルをAmazon SageMakerリアルタイムエンドポイントに展開します」

「アマゾン・セージメーカー・キャンバスで作成された機械学習モデルをアマゾン・セージメーカーのリアルタイムエンドポイントに展開」

Amazon SageMaker Canvasは、機械学習（ML）モデルをリアルタイムの推論エンドポイントにデプロイすることができるようになりました。これにより、MLモデルを製品化し、MLに基づく洞察に基づいて行動を促すことができます。SageMaker Canvasは、アナリストや市民データサイエンティストがビジネスニーズに合わせた正確なML予測を生成するためのノーコードのワークスペースです。

これまでは、SageMaker Canvasは対話型のワークスペース内でMLモデルを評価し、大量の予測を生成し、シミュレーションを実行する機能を提供していました。しかし、今ではモデルをAmazon SageMakerエンドポイントにリアルタイム推論のためにデプロイすることもできます。これにより、SageMaker Canvasワークスペースの外部でモデルの予測結果を消費し、アクションを起こすことが容易になります。SageMaker Canvasから直接MLモデルをデプロイする能力により、MLモデルを手動でエクスポート、設定、テスト、デプロイする必要がなくなり、複雑さを削減し、時間を節約することができます。また、コードを書く必要がないため、個人でもMLモデルのオペレーショナライズがより簡単になります。

この記事では、SageMaker Canvasでモデルをリアルタイムエンドポイントにデプロイするプロセスを説明します。

解決策の概要

このユースケースでは、モバイル電話オペレータのマーケティング部門のビジネスユーザーの役割を想定し、SageMaker Canvasで顧客の離脱リスクの潜在性を特定するためのMLモデルを作成しました。モデルによって生成される予測のおかげで、開発環境から本番環境に移行したいと考えています。モデルのエンドポイントを推論のために展開するプロセスを効率化するために、SageMaker Canvasから直接MLモデルをデプロイします。これにより、手動でモデルをエクスポート、設定、テスト、デプロイする必要がなくなり、複雑さを削減し、時間を節約することができます。また、コードを書く必要がないため、個人でもMLモデルのオペレーショナライズがより簡単になります。

• マシンラーニングの革命：光フォトニックアクセラレータでの3D処理の活用による高度な並列処理とエッジコンピューティングの互換性の実現
• Amazon SageMaker JumpStartを使用した対話型ビジュアル言語処理
• 「GlotLIDをご紹介します：1665言語に対応するオープンソースの言語識別（LID）モデル」

以下がワークフローの手順です：

1. SageMaker Canvasに現在の顧客人口の新しいデータセットをアップロードします。サポートされるデータソースの完全なリストについては、Canvasへのデータのインポートを参照してください。
2. MLモデルを構築し、そのパフォーマンスメトリックを分析します。手順については、カスタムモデルの作成とAmazon SageMaker Canvasでモデルのパフォーマンスを評価するを参照してください。
3. 承認されたモデルバージョンをリアルタイム推論のエンドポイントとして展開します。

これらの手順は、SageMaker Canvasで1行のコードを書かずに実行できます。

前提条件

このウォークスルーに進む前に、次の前提条件が満たされていることを確認してください：

1. SageMaker Canvasエンドポイントにモデルバージョンを展開するためには、SageMaker Canvasの管理者がSageMaker Canvasユーザーに必要な権限を与える必要があります。これは、SageMaker CanvasアプリケーションをホストするSageMakerドメインで管理することができます。詳細については、Canvasでの権限管理を参照してください。
2. Amazon SageMaker Canvasを使用したノーコード機械学習で顧客の離脱を予測するで述べられている前提条件を実装してください。

これでCanvasで訓練された3つのモデルバージョンが履歴的な離脱予測データに基づいていることが保証されます：

• 21の特徴とクイックビルド構成でトレーニングされたV1モデルスコアは96.903％です。
• 19の特徴（電話と州の特徴を除く）とクイックビルド構成でトレーニングされたV2モデルで、改良された正確さは97.403％です。
• 標準ビルド構成でトレーニングされ、モデルスコアが97.103％のV3モデルです。

顧客離反予測モデルを利用する

モデルの詳細ページで高度なメトリクスを表示を有効にし、各モデルバージョンに関連付けられた目標メトリクスを確認して、SageMakerへのデプロイ時に最もパフォーマンスの良いモデルを選択できます。

パフォーマンスメトリクスに基づいて、バージョン2をデプロイすることにします。

モデルのデプロイ設定-デプロイ名、インスタンスタイプ、およびインスタンス数を構成します。

Canvasはモデルのデプロイについて、最適なインスタンスタイプとインスタンス数を自動的に推奨します。ワークロードのニーズに合わせて変更することができます。

SageMaker Canvas内からデプロイされたSageMaker推論エンドポイントを直接テストすることができます。

SageMaker Canvasのユーザーインターフェースを使用して入力値を変更し、追加の離反予測を推論することができます。

今、Amazon SageMaker Studioに移動してデプロイされたエンドポイントを確認しましょう。

SageMaker Studioでノートブックを開き、次のコードを実行してデプロイされたモデルエンドポイントを推論します。モデルエンドポイント名を独自のモデルエンドポイント名に置き換えてください。

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)

私たちの元のモデルエンドポイントは、ml.m5.xlargeインスタンスおよび1インスタンスカウントを使用しています。今、モデルエンドポイントによるエンドユーザーの推論数が増加し、より多くの計算能力を提供したい場合には、SageMaker Canvas内から構成の更新を選択することでこれを実現できます。

片付ける

将来の請求を回避するために、この記事を参考に作成したリソースを削除してください。これには、SageMaker Canvasからログアウトし、展開されたSageMakerエンドポイントを削除することが含まれます。SageMaker Canvasでは、セッションの期間中に料金が発生しますので、使用しない時にはSageMaker Canvasからログアウトすることをおすすめします。詳細については、Amazon SageMaker Canvasからログアウトするを参照してください。

まとめ

この記事では、SageMaker Canvasを使用してMLモデルをリアルタイムの推論エンドポイントに展開し、MLパワードの洞察に基づいてアクションを起こす方法について説明しました。この例では、アナリストがコードを1行も書かずに高度に正確な予測MLモデルを迅速に構築し、SageMakerにエンドポイントとして展開し、SageMaker CanvasおよびSageMaker Studioノートブックからモデルエンドポイントをテストする方法を示しました。

ローコード/ノーコードのMLの旅を始めるには、Amazon SageMaker Canvasを参照してください。

このローンチに貢献してくれた全ての方々に感謝します：プラシャント・クルマダリ、アビシェク・クマール、アレン・リウ、ショーン・レスター、リチャ・スンドラニ、そしてアリシア・チー。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!