Amazon SageMaker Yapay Zeka
Genel Bakış Fiyatlandırma SSS Müşteriler

MLflow ile Amazon SageMaker kullanılan Makine Öğrenimi Denemeleri

MLflow kullanarak makine öğrenimi modellerini ve üretici yapay zeka uygulama denemelerini uygun ölçekte verimli bir şekilde yönetin

SageMaker'da MLflow kullanmaya başlayın

Amazon SageMaker'ı neden MLflow ile kullanmalısınız?

Amazon SageMaker, makine öğrenimi (ML) ve üretici yapay zeka denemeleri için yönetilen bir MLflow özelliği sunar. Bu özellik, veri bilimcilerin model eğitimi, kaydı ve dağıtımı için SageMaker üzerinde MLflow kullanmalarını kolaylaştırır. Yöneticiler, AWS üzerinde hızlı bir şekilde güvenli ve ölçeklenebilir MLflow ortamları kurabilir. Veri bilimciler ve ML geliştiricileri, ML denemelerini verimli bir şekilde takip edebilir ve bir iş sorunu için doğru modeli bulabilir.

MLflow ile Amazon SageMaker'ın Avantajları

Veri Bilimciler; bir altyapı modelinin ince ayarı sırasında oluşturulan tüm ölçümleri takip etmek, modeli değerlendirmek, modeli örnek verilerle test etmek, her bir modelin çıktılarını MLflow kullanıcı arayüzünde yan yana karşılaştırmak ve kullanım durumları için doğru modeli kaydetmek üzere MLflow kullanabilirler. Modeli kaydetmelerinin ardından ML mühendisleri de modeli SageMaker çıkarımına dağıtabilirler.
MLflow’u barındırmak için gerekli herhangi bir altyapıyı yönetmeniz gerekmiyor. Veri Bilimciler, yöneticilerin altyapı yükü konusunda endişelenmesine gerek kalmadan tüm MLflow açık kaynak imkanlarını kullanabilirler. Böylece veri bilimi ortamları ayarlanırken zaman ve maliyet tasarrufu sağlanır. MLflow, Amazon Kimlik ve Erişim Yönetimi (IAM) ile entegre olup MLflow İzleme Sunucuları için Rol Tabanlı Erişim Denetimini (RBAC) ayarlamanıza olanak sağlar.
MLflow'a kayıtlı modeller, ilişkili bir Amazon SageMaker Model Kartı ile birlikte Amazon SageMaker Model Kayıt Defteri'ne otomatik olarak kaydedilir. Böylece veri bilimciler, bağlamı değiştirmeden modellerini üretim dağıtımı için makine öğrenimi (ML) mühendislerine aktarırlar. ML Mühendisleri, özel container'lar oluşturmadan veya MLflow model yapıtlarını yeniden paketlemeden modelleri MLflow'dan SageMaker uç noktalarına dağıtabilir.
MLflow projesi geliştikçe, SageMaker AI müşterileri AWS tarafından sağlanan altyapı yönetiminden yararlanırken MLflow topluluğunun açık kaynaklı yeniliklerinden avantaj sağlayacaktır.

Denemeleri her yerden takip edin

ML denemeleri; yerel not defterleri, IDE'ler, bulut tabanlı eğitim kodu veya Amazon SageMaker Stüdyosu'nda yönetilen IDE'ler dahil olmak üzere çeşitli ortamlarda gerçekleştirilir. SageMaker AI ve MLflow ile, tercih ettiğiniz ortamı; modelleri eğitmek, denemelerinizi MLflow'da takip etmek ve analiz için MLflow kullanıcı arabirimini doğrudan veya SageMaker Stüdyosu aracılığıyla başlatmak için kullanabilirsiniz.

Denemeleri Günlüğe Kaydedin

Model denemelerinde iş birliği yapın

Başarılı veri bilimi projeleri için etkili ekip iş birliği şarttır. SageMaker Stüdyosu, MLflow İzleme Sunucularını ve denemelerini yönetmenizi ve bunlara erişmenizi sağlayarak ekip üyelerinin bilgi paylaşmasına ve tutarlı deneme sonuçları sunmasına olanak sağlayıp iş birliğini kolaylaştırır.

ML denemelerinin üst verilerini merkezi olarak yönetin

Denemeleri değerlendirin

Birden çok yinelemeden en iyi modeli belirlemek, model performansının analizini ve karşılaştırılmasını gerektirir. MLflow, eğitim yinelemelerini karşılaştırmak için saçılım grafikleri, çubuk grafikler ve histogramlar gibi görselleştirmeler sunar. Ek olarak MLflow, modellerin sapma ve hakkaniyet açısından değerlendirilmesini sağlar.

ML denemelerinizi değerlendirin

MLFlow modellerini merkezi olarak yönetin

Birden fazla ekip, denemelerini yönetmek için genellikle MLflow kullanırken yalnızca bazı modeller üretim adayı durumuna gelir. Kuruluşlar, hangi modellerin üretime alınacağı konusunda bilinçli kararlar almak üzere tüm aday modelleri takip etmek için kolay bir yola ihtiyaç duyarlar. MLflow, SageMaker Model Kayıt Defteri ile sorunsuz bir şekilde entegre olup kuruluşların, MLflow'da kayıtlı modellerini yönetişim için bir SageMaker Model Kartı ile donatılmış olarak SageMaker Model Kayıt Defteri'nde görmelerini sağlar. Bu entegrasyon, veri bilimcilerin ve ML mühendislerinin kendi görevlerinde farklı araçlar kullanmalarını sağlar: denemeler için MLflow ve üretim yaşam döngüsünü kapsamlı model geçmişiyle birlikte yönetmek için SageMaker Model Kayıt Defteri.

Güncellemeleri ve sonuçları paylaşın

MLflow Modellerini SageMaker uç noktalarına dağıtın

Modelleri, MLflow'dan SageMaker Uç Noktaları'na dağıtmak sorunsuz olup model saklama için özel container'lar oluşturma ihtiyacını ortadan kaldırır. Bu entegrasyon, müşterilerin, modelleri günlüğe yazmak ve kaydetmek için MLflow'un kullanıcı dostu deneyimini saklarken SageMaker'ın optimize edilmiş çıkarım container'larından yararlanmalarını sağlar.

ML denemelerini yeniden oluşturun ve denetleyin