Обзор дополнений к моделям машинного обучения, созданным с помощью Amazon SageMaker, с QuickSight.

Вы когда-нибудь задумывались, как упростить добавление прогнозов машинного обучения на платформу бизнес-аналитики и поделиться ими с бизнес-клиентами? Не волнуйся! Одно из дополнений QuickSight с помощью SageMaker от AWS ML Insights поможет вам!

Представьте, что вы построили оптимизированную модель и получили точность x%. Но в сценариях реального времени важны внедрение моделей в производство и обмен бизнес-информацией.

Типичные шаги, связанные с добавлением прогнозов машинного обучения в бизнес-аналитику, требуют участия разработчика для обновления результатов. Традиционно получение прогнозов из обученных моделей в инструмент бизнес-аналитики требует значительных усилий. Вы должны написать код для ETL данных в Amazon Simple Storage Service (Amazon S3), вызвать API вывода для получения прогнозов, ETL для вывода модели из Amazon S3 в источник с возможностью запроса, организовать этот процесс при появлении новых данных. , и повторите рабочий процесс для каждой модели. Конечные точки логического вывода упрощают использование моделей, но за счет этого могут взиматься сборы, когда они не используются. Наконец, вы используете сторонние инструменты, такие как Excel, для выполнения анализа и составления отчетов по прогнозам, что затрудняет обновление и передачу результатов большому количеству пользователей. Сквозной процесс получения выгоды от модели недифференцирован и может занять дни или недели, прежде чем прогнозы моделей попадут в лица, принимающие бизнес-решения.

Интеграция QuickSight с SageMaker упрощает добавление прогнозов и обмен мнениями с меньшим участием разработчика. Вывод SageMaker в QuickSight избавляет от необходимости управлять перемещением данных и писать код. QuickSight берет на себя тяжелую работу: извлекает данные из источника данных, разбивает данные на части, обрабатывает данные через задания пакетного преобразования SageMaker, а также очищает и сохраняет результаты логического вывода для визуализации и создания отчетов. Вы просто указываете QuickSight свои данные и модель SageMaker, и он управляет всем процессом. QuickSight также заботится об оркестровке, поэтому вы можете запланировать его запуск в полночь в любое время, когда будут доступны новые данные, или программно запустить новый логический вывод.

  1. Вы можете выбрать источник данных в соответствии с требованиями.
  2. Модель ML можно использовать из AWS MarketPlace, SageMaker Autopilot (он автоматически создает модель для входных данных) или ваших пользовательских моделей.

Здесь я объясню, как дополнить Пользовательскую модель классификации радужной оболочки глаза с помощью QuickSight. Перед расширением Убедитесь, что администратор QuickSight разрешает выполнять вызовы Sagemaker API.

Вовлеченные шаги:

1. Подключиться к данным или загрузить данные

Примечание. Ваши данные должны содержать только входные столбцы, модель, которую необходимо дополнить с помощью SageMaker, прогнозирует и добавляет выходной столбец.

2. Нажмите "Изменить настройки и просмотреть данные".

3. Щелкните "Дополнить с помощью SageMaker".

4. Выберите свою модель

5. Загрузите файл схемы (формат JSON).

Примечание. Допустимые типы данных: INTEGER (для целочисленных значений), DECIMAL (для значений с плавающей запятой), STRING (для дат, категориальных переменных и т. д.)

6. Сопоставьте поля входных и выходных данных.

7. Нажмите «Далее», «Сохранить» и «Визуализировать».

Примечание. Для выполнения заданий пакетного преобразования и добавления прогнозируемого вывода к заданному набору тестовых данных требуется не менее 4 минут.

Подробное объяснение создания пользовательской модели, определения файла схемы, дополнения с помощью SageMaker можно найти здесь.

Заключение:

Использование Amazon QuickSight с моделями Amazon SageMaker может сэкономить время, которое в противном случае вы могли бы потратить на управление перемещением данных и написание кода. Результаты полезны как для оценки модели, так и - когда вы удовлетворены результатами - для передачи лицам, принимающим решения. Вы можете начать сразу после того, как модель будет построена. При этом отображаются предварительно созданные модели ваших специалистов по данным и вы можете применить науку о данных к своим наборам данных. Затем вы можете поделиться этой информацией на своих панелях прогнозирования. Благодаря бессерверному подходу Amazon QuickSight процесс легко масштабируется, поэтому вам не нужно беспокоиться о логическом выводе или объеме запросов.

Последние мысли..

Я вернусь к вам, когда вы экспериментируете с другими инструментами машинного обучения, такими как прогнозирование временных рядов и обнаружение аномалий.

Связаться

Надеюсь, вы нашли это проницательным. Я хотел бы услышать от вас отзывы, чтобы импровизировать и улучшить! Если вы хотите связаться, свяжитесь со мной в LinkedIn. Спасибо за прочтение!