Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Acquisizione di dati da endpoint in tempo reale

Per acquisire dati per il tuo endpoint in tempo reale, devi implementare un modello utilizzando i servizi di hosting SageMaker AI. Ciò richiede la creazione di un modello SageMaker AI, la definizione di una configurazione dell'endpoint e la creazione di un endpoint HTTPS.

I passaggi necessari per attivare l'acquisizione dei dati sono simili sia che si utilizzi l'SDK Python AWS SDK per Python (Boto) o SageMaker Python. Se usi l' AWS SDK, definisci il DataCaptureConfig dizionario, insieme ai campi obbligatori, all'interno del CreateEndpointConfig metodo per attivare l'acquisizione dei dati. Se usi SageMaker Python SDK, importa la DataCaptureConfig classe e inizializza un'istanza da questa classe. Passa quindi questo oggetto al parametro DataCaptureConfig nel metodo sagemaker.model.Model.deploy().

Per utilizzare i frammenti di codice procedenti, sostituisci il codice di esempio con italicized placeholder text le tue informazioni.

Come abilitare l'acquisizione dei dati

Specifica una configurazione per l’acquisizione dei dati. Con questa configurazione puoi acquisire il payload di richiesta, il payload di risposta o entrambi. Lo snippet di codice che procede dimostra come abilitare l'acquisizione dei dati utilizzando l'SDK AI Python. AWS SDK per Python (Boto) SageMaker

AWS SDK per Python (Boto)

Configura i dati che desideri acquisire con il DataCaptureConfig dizionario quando crei un endpoint utilizzando il metodo. CreateEndpointConfig Imposta EnableCapture sul valore booleano True. Inoltre, fornisci i seguenti parametri obbligatori:

• EndpointConfigName: il nome della configurazione di endpoint. Utilizzerai questo nome quando effettuerai una richiesta CreateEndpoint.

• ProductionVariants: un elenco di modelli che si desidera ospitare su questo endpoint. Definisci un tipo di dati del dizionario per ogni modello.

• DataCaptureConfig: tipo di dati del dizionario in cui si specifica un valore intero che corrisponde alla percentuale iniziale di dati da campionare (InitialSamplingPercentage), l'URI di Amazon S3 in cui si desidera archiviare i dati acquisiti e un elenco di opzioni di acquisizione (CaptureOptions). Specifica Input o Output per CaptureMode all'interno dell'elenco CaptureOptions.

Puoi facoltativamente specificare in che modo l' SageMaker IA deve codificare i dati acquisiti passando gli argomenti della coppia chiave-valore al dizionario. CaptureContentTypeHeader

# Create an endpoint config name.
endpoint_config_name = '<endpoint-config-name>'

# The name of the production variant.
variant_name = '<name-of-production-variant>'                   
  
# The name of the model that you want to host. 
# This is the name that you specified when creating the model.
model_name = '<The_name_of_your_model>'

instance_type = '<instance-type>'
#instance_type='ml.m5.xlarge' # Example    

# Number of instances to launch initially.
initial_instance_count = <integer>

# Sampling percentage. Choose an integer value between 0 and 100
initial_sampling_percentage = <integer>                                                                                                                                                                                                                        

# The S3 URI containing the captured data
s3_capture_upload_path = 's3://<bucket-name>/<data_capture_s3_key>'

# Specify either Input, Output, or both
capture_modes = [ "Input",  "Output" ] 
#capture_mode = [ "Input"] # Example - If you want to capture input only
                            
endpoint_config_response = sagemaker_client.create_endpoint_config(
    EndpointConfigName=endpoint_config_name, 
    # List of ProductionVariant objects, one for each model that you want to host at this endpoint.
    ProductionVariants=[
        {
            "VariantName": variant_name, 
            "ModelName": model_name, 
            "InstanceType": instance_type, # Specify the compute instance type.
            "InitialInstanceCount": initial_instance_count # Number of instances to launch initially.
        }
    ],
    DataCaptureConfig= {
        'EnableCapture': True, # Whether data should be captured or not.
        'InitialSamplingPercentage' : initial_sampling_percentage,
        'DestinationS3Uri': s3_capture_upload_path,
        'CaptureOptions': [{"CaptureMode" : capture_mode} for capture_mode in capture_modes] # Example - Use list comprehension to capture both Input and Output
    }
)

Per ulteriori informazioni su altre opzioni di configurazione degli endpoint, consulta l'CreateEndpointConfigAPI nella Amazon SageMaker AI Service API Reference Guide.

SageMaker Python SDK

Importa la classe DataCaptureConfig dal modulo sagemaker.model_monitor. Abilita l'acquisizione dei dati impostando EnableCapture sul valore booleano True.

Fornisci facoltativamente argomenti per i seguenti parametri:

• SamplingPercentage: un valore intero che corrisponde alla percentuale di dati da campionare. Se non fornisci una percentuale di campionamento, l' SageMaker IA campionerà per impostazione predefinita il 20 (20%) dei tuoi dati.

• DestinationS3Uri: l'URI di Amazon S3 che l' SageMaker IA utilizzerà per archiviare i dati acquisiti. Se non ne fornisci uno, l' SageMaker IA archivierà i dati acquisiti in"s3://<default-session-bucket>/ model-monitor/data-capture".

from sagemaker.model_monitor import DataCaptureConfig

# Set to True to enable data capture
enable_capture = True

# Optional - Sampling percentage. Choose an integer value between 0 and 100
sampling_percentage = <int> 
# sampling_percentage = 30 # Example 30%

# Optional - The S3 URI of stored captured-data location
s3_capture_upload_path = 's3://<bucket-name>/<data_capture_s3_key>'

# Specify either Input, Output or both. 
capture_modes = ['REQUEST','RESPONSE'] # In this example, we specify both
# capture_mode = ['REQUEST'] # Example - If you want to only capture input.

# Configuration object passed in when deploying Models to SM endpoints
data_capture_config = DataCaptureConfig(
    enable_capture = enable_capture, 
    sampling_percentage = sampling_percentage, # Optional
    destination_s3_uri = s3_capture_upload_path, # Optional
    capture_options = ["REQUEST", "RESPONSE"],
)

Distribuzione del modello

Distribuisci il tuo modello e crea un endpoint HTTPS con abilitato DataCapture.

AWS SDK per Python (Boto3)

Fornisci la configurazione degli endpoint all' SageMaker IA. Il servizio avvia le istanze di calcolo ML e distribuisce il modello o i modelli come specificato nella configurazione.

Una volta completata la configurazione del modello e dell'endpoint, utilizza l'API CreateEndpointper creare l'endpoint. Il nome dell'endpoint deve essere univoco all'interno di una AWS regione del tuo AWS account.

L’esempio seguente crea un endpoint utilizzando la configurazione endpoint specificata nella richiesta. Amazon SageMaker AI utilizza l'endpoint per fornire risorse e distribuire modelli.

# The name of the endpoint. The name must be unique within an AWS Region in your AWS account.
endpoint_name = '<endpoint-name>' 

# The name of the endpoint configuration associated with this endpoint.
endpoint_config_name='<endpoint-config-name>'

create_endpoint_response = sagemaker_client.create_endpoint(
                                            EndpointName=endpoint_name, 
                                            EndpointConfigName=endpoint_config_name) 

Per ulteriori informazioni, consulta l'API CreateEndpoint.

SageMaker Python SDK

Definisci un nome per l'endpoint. Questa fase è facoltativa. Se non ne fornisci uno, l' SageMaker IA creerà un nome univoco per te:

from datetime import datetime

endpoint_name = f"DEMO-{datetime.utcnow():%Y-%m-%d-%H%M}"
print("EndpointName =", endpoint_name)

Distribuisci il tuo modello su un endpoint HTTPS in tempo reale con il metodo integrato deploy() dell'oggetto Model. Fornisci il nome del tipo di istanza Amazon EC2 su cui distribuire questo modello nel campo instance_type insieme al numero iniziale di istanze su cui eseguire l'endpoint per il campo initial_instance_count:

initial_instance_count=<integer>
# initial_instance_count=1 # Example

instance_type='<instance-type>'
# instance_type='ml.m4.xlarge' # Example

# Uncomment if you did not define this variable in the previous step
#data_capture_config = <name-of-data-capture-configuration>

model.deploy(
    initial_instance_count=initial_instance_count,
    instance_type=instance_type,
    endpoint_name=endpoint_name,
    data_capture_config=data_capture_config
)

Visualizzare i dati acquisiti

Crea un Endpoint oggetto dall'SDK SageMaker Python. Utilizzerai l'Endpointoggetto per richiamare il tuo endpoint in una fase successiva. Fornisci il nome del tuo endpoint (definito in precedenza come). endpoint_name

from sagemaker.core.resources import Endpoint

endpoint = Endpoint(endpoint_name=endpoint_name)

# Example
#from sagemaker.core.resources import Endpoint
#endpoint = Endpoint(endpoint_name=endpoint_name)

Nel seguente scenario di esempio di codice, richiamiamo l'endpoint con dati di convalida di esempio che abbiamo archiviato in locale in un file CSV denominato validation_with_predictions. Il nostro set di convalida di esempio contiene etichette per ogni input.

Le prime righe delle istruzioni aprono innanzitutto il file CSV del set di convalida, quindi dividono ogni riga all'interno del file in base alla virgola "," e quindi memorizzano i due oggetti restituiti in un’etichetta e variabili input_cols. Per ogni riga, l'input (input_cols) viene passato al metodo integrato (endpoint) della variabile endpoint. invoke()

Supponiamo che il modello restituisca una probabilità. Le probabilità sono comprese tra i valori interi 0 e 1,0. Se la probabilità restituita dal modello è maggiore dell'80% (0,8), assegniamo alla previsione un'etichetta di valore intero pari a 1. Altrimenti, assegniamo alla previsione un'etichetta di valore intero pari a 0.

from time import sleep

validate_dataset = "validation_with_predictions.csv"

# Cut off threshold of 80%
cutoff = 0.8

limit = 200  # Need at least 200 samples to compute standard deviations
i = 0
with open(f"test_data/{validate_dataset}", "w") as validation_file:
    validation_file.write("probability,prediction,label\n")  # CSV header
    with open("test_data/validation.csv", "r") as f:
        for row in f:
            (label, input_cols) = row.split(",", 1)
            probability = float(endpoint.invoke(input_cols))
            prediction = "1" if probability > cutoff else "0"
            baseline_file.write(f"{probability},{prediction},{label}\n")
            i += 1
            if i > limit:
                break
            print(".", end="", flush=True)
            sleep(0.5)
print()
print("Done!")

Poiché nelle fasi precedenti è stata abilitata l'acquisizione dei dati, i payload della richiesta e della risposta, insieme ad alcuni metadati aggiuntivi, vengono salvati nel percorso Amazon S3 specificato in DataCaptureConfig. La consegna dei dati di acquisizione ad Amazon S3 può richiedere qualche minuto.

Visualizzazione dei dati acquisiti tramite elenco dei file di acquisizione dei dati archiviati in Amazon S3. Il formato del percorso Amazon S3 è: s3:///{endpoint-name}/{variant-name}/yyyy/mm/dd/hh/filename.jsonl.

Potrai visualizzare file differenti relativi a periodi diversi, organizzati in base all'ora in cui sono stati richiamati. Esegui quanto segue per stampare il contenuto di un singolo file di acquisizione:

print("\n".join(capture_file[-3:-1]))

Ciò restituirà un file JSON-line formattato specifico per l' SageMaker IA. Di seguito è riportato un esempio di risposta tratto da un endpoint in tempo reale che abbiamo richiamato utilizzando i dati csv/text:

{"captureData":{"endpointInput":{"observedContentType":"text/csv","mode":"INPUT",
"data":"69,0,153.7,109,194.0,105,256.1,114,14.1,6,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0,1,0\n",
"encoding":"CSV"},"endpointOutput":{"observedContentType":"text/csv; charset=utf-8","mode":"OUTPUT","data":"0.0254181120544672","encoding":"CSV"}},
"eventMetadata":{"eventId":"aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee","inferenceTime":"2022-02-14T17:25:49Z"},"eventVersion":"0"}
{"captureData":{"endpointInput":{"observedContentType":"text/csv","mode":"INPUT",
"data":"94,23,197.1,125,214.5,136,282.2,103,9.5,5,4,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,1,0,1\n",
"encoding":"CSV"},"endpointOutput":{"observedContentType":"text/csv; charset=utf-8","mode":"OUTPUT","data":"0.07675473392009735","encoding":"CSV"}},
"eventMetadata":{"eventId":"aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee","inferenceTime":"2022-02-14T17:25:49Z"},"eventVersion":"0"}

Nell'esempio precedente, l'oggetto capture_file è un tipo di elenco. Indicizza il primo elemento dell'elenco per visualizzare una singola richiesta di inferenza.

# The capture_file object is a list. Index the first element to view a single inference request  
print(json.dumps(json.loads(capture_file[0]), indent=2))

Ciò restituisce una risposta simile alla seguente. I valori restituiti saranno diversi in base alla configurazione dell'endpoint, al modello SageMaker AI e ai dati acquisiti:

{
  "captureData": {
    "endpointInput": {
      "observedContentType": "text/csv", # data MIME type
      "mode": "INPUT",
      "data": "50,0,188.9,94,203.9,104,151.8,124,11.6,8,3,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1,1,0,1,0\n",
      "encoding": "CSV"
    },
    "endpointOutput": {
      "observedContentType": "text/csv; charset=character-encoding",
      "mode": "OUTPUT",
      "data": "0.023190177977085114",
      "encoding": "CSV"
    }
  },
  "eventMetadata": {
    "eventId": "aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee",
    "inferenceTime": "2022-02-14T17:25:06Z"
  },
  "eventVersion": "0"
}