在 Amazon SageMaker Canvas 与 SageMaker Studio 之间无缝过渡

重点总结

本文讨论了如何通过 Amazon SageMaker Canvas 和 Amazon SageMaker Studio 实现无代码与代码优先机器学习的无缝过渡。这种过渡有助于不同用户之间的协作，包括不具备机器学习专业知识的业务分析师和需要更高自定义的机器学习专家。通过这两个工具的集成，用户可以根据需要选择最适合的工作流程来构建和部署机器学习模型。

在人工智能领域，Amazon SageMaker Studio 是一个基于 Web 的集成开发环境IDE，为机器学习ML提供全面的支持，包括构建、训练、调试、部署和监控 ML 模型。SageMaker Studio 提供了从数据准备到实验再到生产所需的所有工具，以提升生产效率。

与此同时，Amazon SageMaker Canvas 作为一款强大的无代码 ML 工具，专为业务和数据团队设计，使其在无需编写代码或拥有丰富 ML 经验的情况下生成准确预测。其直观的可视化界面简化了数据加载、清洗和转换以及构建 ML 模型的过程，使得更多人能方便使用。

然而，随着 ML 需求的演变，或在需要更多高级自定义和控制的情况下，用户可能希望从无代码环境迁移到代码优先的方法。这就是 SageMaker Canvas 与 SageMaker Studio 之间无缝集成的作用所在。

解决方案概述

为了实现无缝过渡，我们提出了两种选择，用户可以根据需要选择适合的方案。有时，用户也可以同时使用这两种方案。

选项描述选项 1 SageMaker 模型注册表用户在 SageMaker Canvas 中注册其模型，启动治理工作流程以供 ML 专家审核和批准。这个自动共享过程提供了内置的治理和审批跟踪。选项 2 笔记本导出用户导出完整的笔记本到 Amazon S3，然后与 ML 专家共享，以便在 SageMaker Studio 中导入，实现模型代码的完整可视化和定制。

这些选项使非 ML 用户与 ML 专家能够在其各自偏好的环境中进行协作。

先决条件

在深入解决方案之前，请确保您已注册并创建了 AWS 账户。之后，您需要创建一个管理用户和一个用户组。有关这两个步骤的说明，请参见 设置 Amazon SageMaker 先决条件。如果您已经有了自己的 SageMaker Studio 实例，可以跳过此步骤。

完成设置 SageMaker Canvas 的先决条件 并创建符合您用例的 模型。

共享模型

无论是通过在 SageMaker 模型注册表中注册还是下载完整笔记本，SageMaker Canvas 用户都可以将模型共享给 SageMaker Studio 用户。

使用 SageMaker 模型注册表

若要使用 SageMaker 模型注册表进行部署，请完成以下步骤：

在 SageMaker Canvas 中创建模型后，选择选项菜单三个垂直点，然后选择 添加到模型注册表。

输入模型组的名称。选择 添加。

此时您可以看到模型已被注册。

使用 SageMaker 笔记本导出

要使用 SageMaker 笔记本进行部署，请按以下步骤操作：

在选项菜单中选择 查看笔记本。

加速器永久免费破解版

选择 复制 S3 URI。

将 S3 URI 共享给 SageMaker Studio 用户。

审核模型

SageMaker Studio 用户可通过模型注册表访问共享模型以审核其详细信息和指标，或者导入导出的笔记本以在 Jupyter 笔记本中验证模型的代码、逻辑和性能。

使用 SageMaker 模型注册表

要使用模型注册表，请完成以下步骤：

在 SageMaker Studio 控制台中，选择导航窗格中的 模型。选择 注册的模型。选择您的模型。

您可以查看模型的详细信息，并查看状态待定。

您还可以查看不同的指标以检查模型性能。

如需完全可视化模型代码和架构并进行定制，请使用笔记本导出选项。

使用 SageMaker 笔记本导出

作为 SageMaker Studio 用户，使用笔记本导出选项的步骤如下：

启动 SageMaker Studio，选择 JupyterLab。打开 JupyterLab 空间。如果没有 JupyterLab 空间，可以创建一个。

打开终端并运行以下命令将笔记本从 Amazon S3 复制到 SageMaker Studio以下示例中的账户号码被更改为 awsaccountnumber

bash sagemakeruser@default aws s3 cp s3//sagemakeruseast1awsaccountnumber/Canvas/default20240130t161835/Training/output/Canvas1707947728560/sagemakerautomlcandidates/notebooks/SageMakerAutopilotCandidateDefinitionNotebookipynb /canvasipynb

下载完笔记本后，您可以打开并运行它以进行进一步评估。

批准模型

在全面审核后，SageMaker Studio 用户可以根据对模型质量、准确性和适用性的评估，决定批准或拒绝模型。

对于通过 Canvas UI 注册模型的用户，请遵循以下步骤以批准模型。对于从 Canvas UI 导出模型笔记本的用户，您可以使用 SageMaker 模型注册表注册和批准模型，但这些步骤不是强制的。

使用 SageMaker 模型注册表

作为 SageMaker Studio 用户，当您对模型感到满意时，可以将状态更新为已批准。批准仅在 SageMaker 模型注册表中进行。完成以下步骤：

在 SageMaker Studio 中，导航至模型版本。在选项菜单中选择 更新状态 和 已批准。

输入可选评论并选择 保存并更新。

现在您可以看到模型已被批准。

部署模型

一旦模型准备好进行部署已完成必要的审核和批准，用户有两种选择。通过模型注册表方式的用户可以选择从 SageMaker Studio 或 SageMaker Canvas 部署。选择模型笔记本导出方式的用户可以在 SageMaker Studio 中进行部署。下面详细说明了这两种部署选项。

通过 SageMaker Studio 部署

SageMaker Studio 用户可以从 JupyterLab 空间部署模型。

模型部署后，您可以导航至 SageMaker 控制台，选择导航窗格中的 端点 查看模型。

通过 SageMaker Canvas 部署

另外，如果部署由 SageMaker Canvas 用户负责，您可以从 SageMaker Canvas 中部署模型。

模型部署后，您可以导航至 SageMaker 控制台的 端点 页面查看模型。

清理资源

为了避免将来的会话费用，请退出 SageMaker Canvas。

为了避免持续费用，删除 SageMaker 推理端点。您可以通过 SageMaker 控制台或使用以下命令从 SageMaker Studio 笔记本删除端点：

pythonpredictordeletemodel()predictordeleteendpoint()

结论

以前，您只能将模型共享到 SageMaker Canvas或在 SageMaker Studio Classic 中查看共享的 SageMaker Canvas 模型。在本文中，我们展示了如何将 SageMaker Canvas 中构建的模型与 SageMaker Studio 共享，从而让不同团队之间能够协作，并让您从无代码路径转向高代码部署路径。通过使用 SageMaker 模型注册表或导出笔记本，无论是 ML 专家还是非专家都可以跨这些平台协作、审核和增强模型，从而实现从数据准备到生产部署的流畅工作流程。

有关使用 SageMaker Canvas 协作模型的更多信息，请参阅 通过无代码 ML 和 Amazon SageMaker Canvas 快速实现市场优势。

关于作者

Rajakumar Sampathkumar 是 AWS 的首席技术账户经理，负责提供客户在业务与技术对齐方面的指导，并支持其云操作模型和流程的重塑。他热衷于云和机器学习，同时也是机器学习专家，并与 AWS 客户共同设计、部署和管理其 AWS 工作负载和架构。

Meenakshisundaram Thandavarayan 是 AWS 的 AI/ML 专家。他热衷于设计、创建和推动以人为中心的数据和分析体验，专注于为 AWS 的战略客户开发可持续的系统，从而提供可度量的、具有竞争优势的解决方案。Meena 是一位连接者和设计思考者，努力通过创新、孵化和民主化驱动业务转型。

Claire O’Brien Rajkumar 是 Amazon SageMaker 团队的高级产品经理，专注于 SageMaker Canvas 这款面向机器学习和生成 AI 的低代码无代码工作区。SageMaker Canvas 通过降低机器学习的采用门槛，帮助实现其民主化，并加速高级从业者的工作流程。