Limitations et résolution des problèmes - Amazon SageMaker
Résolution des problèmes liés à l'octroi d'autorisations via la SageMaker consoleRésolution des problèmes liés à la création d'une application Canvas en raison d'un manque d'espaceLimitations relatives à la collaborationLimitations relatives à la fonctionnalité BYOM

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Limitations et résolution des problèmes

La section suivante décrit l'aide à la résolution des problèmes et les limites qui s'appliquent lors de l'utilisation d'Amazon SageMaker Canvas. Vous pouvez utiliser cette rubrique pour vous aider à résoudre les problèmes que vous rencontrez.

Résolution des problèmes liés à l'octroi d'autorisations via la SageMaker console

Si vous ne parvenez pas à accorder des autorisations de base Canvas ou des autorisations de eady-to-use modèles R à votre utilisateur, celui-ci a peut-être un rôle d'exécution AWS IAM avec plusieurs relations de confiance avec d'autres AWS services. Une relation d'approbation est une politique attachée à votre rôle qui définit quels principaux (utilisateurs, rôles, comptes ou services) peuvent assumer le rôle. Par exemple, vous pouvez rencontrer un problème pour accorder des autorisations Canvas supplémentaires à votre utilisateur si son rôle d'exécution entretient une relation de confiance avec Amazon SageMaker et Amazon Forecast.

Pour résoudre ce problème, choisissez l'une des solutions suivantes.

1. Retirez tous les services approuvés du rôle, à l'exception d'un service.

Cette solution vous oblige à modifier la relation de confiance pour le rôle IAM de votre profil utilisateur et à supprimer tous les AWS services sauf SageMaker.

Pour modifier la relation d'approbation de votre rôle d'exécution IAM, procédez comme suit :

  1. Accédez à la console IAM à l'adresse https://console.aws.amazon.com/iam/.

  2. Dans le panneau de navigation de la console IAM, sélectionnez Roles (Rôles). La console affiche les rôles de votre compte.

  3. Choisissez le nom du rôle que vous voulez modifier, puis sélectionnez Relations d'approbation dans la page des détails.

  4. Choisissez Edit trust policy (Modifier la politique d’approbation).

  5. Dans Modifier l'éditeur de politique d'approbation, collez les informations suivantes, puis choisissez Mettre à jour une politique.

    {
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Principal": {
                "Service": [
                    "sagemaker.amazonaws.com"
                ]
            },
            "Action": "sts:AssumeRole"
        }
    ]
}

Vous pouvez également mettre à jour ce document de stratégie à l'aide de l'interface de ligne de commande IAM. Pour plus d'informations, consultez update-trust dans la Référence de la ligne de commande IAM (langue française non garantie).

Vous pouvez maintenant réessayer d'accorder les autorisations de base Canvas ou les autorisations eady-to-use des modèles R à votre utilisateur.

2. Utilisez un autre rôle avec un service approuvé ou moins.

Cette solution vous oblige à spécifier un rôle IAM différent pour votre profil utilisateur. Utilisez cette solution si vous avez déjà un rôle IAM que vous pouvez remplacer.

Pour spécifier un rôle d'exécution différent pour votre utilisateur, procédez comme suit :

  1. Ouvrez la SageMaker console Amazon à l'adresse https://console.aws.amazon.com/sagemaker/.

  2. Dans le panneau de navigation de gauche, choisissez Configurations d'administrateur.

  3. Sous Configurations d'administration, sélectionnez les domaines.

  4. Dans la liste des domaines, sélectionnez le domaine pour lequel vous souhaitez consulter la liste des profils utilisateur.

  5. Sur la page des détails du domaine, choisissez l'onglet Profils utilisateurs.

  6. Choisissez l'utilisateur dont vous voulez modifier les autorisations. Sur la page User details (Détails de l'utilisateur), choisissez Edit (Modifier).

  7. Sur la page Paramètres généraux, cliquez sur la liste déroulante Rôle d'exécution et sélectionnez le rôle que vous souhaitez utiliser.

  8. Choisissez Soumettre pour enregistrer les modifications apportées au profil utilisateur.

Votre utilisateur doit désormais utiliser un rôle d'exécution avec un seul service sécurisé (SageMaker).

Vous pouvez réessayer d'accorder les autorisations de base Canvas ou les autorisations eady-to-use des modèles R à votre utilisateur.

3. Attachez manuellement la politique AWS gérée au rôle d'exécution au lieu d'utiliser le bouton dans les paramètres du SageMaker domaine.

Au lieu d'utiliser le bouton dans les paramètres du domaine ou du profil utilisateur, vous pouvez associer manuellement les politiques AWS gérées qui accordent à un utilisateur les autorisations appropriées.

Pour accorder à un utilisateur des autorisations de base Canvas, joignez la AmazonSageMakerCanvasFullAccesspolitique. Pour accorder des autorisations aux eady-to-use modèles R à un utilisateur, joignez la ServicesAccess politique d'AmazonSageMakerCanvasIA.

Pour associer une politique AWS gérée à votre rôle, procédez comme suit :

  1. Accédez à la console IAM à l'adresse https://console.aws.amazon.com/iam/.

  2. Sélectionnez Roles (Rôles).

  3. Dans la zone de recherche, recherchez le rôle IAM de l'utilisateur par son nom et sélectionnez-le.

  4. Sur la page du rôle de l'utilisateur, sous Permissions (Autorisations), choisissez Add permissions (Ajouter des autorisations).

  5. Choisissez Attacher des politiques dans le menu déroulant.

  6. Recherchez et sélectionnez la ou les politiques que vous souhaitez attacher au rôle d'exécution de l'utilisateur :

    1. Pour accorder les autorisations de base à Canvas, recherchez et sélectionnez la AmazonSageMakerCanvasFullAccesspolitique.

    2. Pour accorder des autorisations aux eady-to-use modèles R, recherchez et sélectionnez la ServicesAccess politique d'AmazonSageMakerCanvasIA.

  7. Choisissez Ajouter des autorisations pour attacher la politique au rôle.

Après avoir associé une politique AWS gérée au rôle de l'utilisateur via la console IAM, celui-ci doit désormais disposer des autorisations de base Canvas ou des autorisations eady-to-use des modèles R.

Résolution des problèmes liés à la création d'une application Canvas en raison d'un manque d'espace

Lorsque vous créez une nouvelle application Canvas, si vous rencontrez une erreur indiquant Unable to create app <app-arn> because space <space-arn> is not in InService state que la création de l'espace Amazon SageMaker Studio sous-jacent a échoué. Un espace Studio est le stockage sous-jacent qui héberge les données de votre application Canvas. Pour des informations plus générales sur les espaces Studio, consultezEspaces Amazon SageMaker Studio. Pour plus d'informations sur la configuration des espaces dans Canvas, consultezStockez les données de l'application SageMaker Canvas dans votre propre SageMaker espace.

Pour déterminer la cause première de l'échec de la création d'espace, vous pouvez utiliser l'DescribeSpaceAPI pour vérifier le FailureReason champ. Pour plus d'informations sur les statuts possibles des espaces et leur signification, voirEn savoir plus sur les entités et les statuts des SageMaker domaines Amazon.

Pour résoudre ce problème, recherchez votre domaine dans la SageMaker console et supprimez l'espace défaillant indiqué dans le message d'erreur que vous avez reçu. Pour savoir comment rechercher et supprimer un espace de studio en détail, consultez la page Supprimer ou arrêter l'exécution d'instances, d'applications et d'espaces dans votre Studio et suivez les instructions pour supprimer un espace de studio. La suppression de l'espace entraîne également la suppression de toutes les applications associées à l'espace. Après avoir supprimé l'espace, vous pouvez réessayer de créer votre application Canvas. L'espace devrait maintenant être approvisionné avec succès, permettant à Canvas de se lancer.

Limitations relatives à la collaboration

Les limites générales suivantes s'appliquent lorsque vous collaborez avec des data scientists dans Amazon SageMaker Studio Classic.

  • Vous ne pouvez partager que des modèles entraînés avec succès depuis Canvas vers Studio Classic. De même, vous ne pouvez partager sur Canvas que les modèles qui ont été correctement entraînés dans Studio Classic.

  • Vous ne pouvez pas partager de modèles de génération rapide de Canvas vers Studio Classic. Vous ne pouvez partager que des modèles de type Création standard.

  • Vous ne pouvez partager qu'une seule version d'un modèle de type Création standard entraîné dans Canvas. Vous pouvez entraîner des versions supplémentaires de votre modèle dans Canvas, mais vous ne pouvez pas les partager avec Studio Classic.

  • Dans Studio Classic, vous pouvez uniquement partager des commentaires ou partager un modèle mis à jour avec Canvas. Vous ne pouvez pas effectuer ces deux actions en même temps.

  • La limite de longueur des commentaires partagés de Studio Classic vers Canvas et de Canvas vers Studio Classic est de 1024 caractères.

  • Vous ne pouvez partager vos modèles Canvas ou Studio Classic qu'avec un profil utilisateur différent. Vous ne pouvez pas partager de modèles entre Canvas et Studio Classic dans votre propre profil utilisateur.

  • Vous ne pouvez pas partager d'un utilisateur de Canvas à un utilisateur de Canvas, ni d'un utilisateur de Studio Classic à un utilisateur de Studio Classic.

Certaines limitations s'appliquent également en fonction du type de modèle que vous souhaitez partager. Consultez les sections suivantes pour connaître les limitations relatives aux modèles de prévision de séries temporelles et aux modèles de prédiction numérique et catégorielle.

Limitations relatives à la collaboration sur des modèles de prévision de séries temporelles

Les limites suivantes s'appliquent lorsque vous collaborez sur des modèles de prévision de séries chronologiques entre Canvas et Studio Classic.

  • Vous ne pouvez pas faire de prédictions à l'aide de modèles de prévision de séries chronologiques dans Studio Classic via un bouton de partage automatique. Cependant, vous pouvez créer un bloc-notes Jupyter et y rédiger votre propre code.

  • Pour les modèles de prévision de séries chronologiques, vous ne pouvez pas modifier la recette du modèle ni les transformations de données dans Studio Classic. Vous pouvez uniquement apporter les mises à jour suivantes aux modèles de prévision de séries chronologiques dans Studio Classic :

    • Vous pouvez mettre à jour la durée de la période de prédiction.

    • Vous pouvez mettre à jour le champ de métadonnées de l'élément, qui regroupe vos données selon une certaine colonne.

    • Vous pouvez mettre à jour d'autres champs de dimension, par exemple en spécifiant une planification de vacances.

Limitations relatives à la collaboration sur des modèles de prédiction numérique et catégorielle

Les limitations suivantes s'appliquent lorsque vous collaborez sur des types de modèles de prédiction numériques et catégoriques entre Canvas et Studio Classic.

  • Lorsque vous mettez à jour ou entraînez des modèles dans Studio Classic, si vous fermez l'onglet avec la bannière de collaboration en haut, le flux de travail du modèle de partage s'arrête et vous perdez votre progression. Dans ce cas, vous devez redémarrer le flux de travail de partage de modèle à partir de la section Partagé avec moi sur la page Modèles partagés. Pour plus d'informations, consultez Collaboration avec des scientifiques des données (langue française non garantie).

  • Lorsque vous mettez à jour des modèles dans Studio Classic, vous ne pouvez pas modifier la colonne cible si vous souhaitez partager les mises à jour des modèles dans Canvas. Si vous souhaitez modifier la colonne cible et réentraîner le modèle, entraînez le modèle, puis utilisez le bouton Partager pour le partager avec Canvas. Pour plus d'informations sur le partage d'un nouveau modèle sur Canvas, voir Importer votre propre modèle SageMaker sur Canvas.

  • Lors de la mise à jour de modèles dans l'interface Amazon SageMaker Data Wrangler Recipe dans Studio Classic, les modifications prises en charge par Canvas sont limitées :

    • Vous ne pouvez partager avec Canvas qu'un modèle qui a été entraîné à partir du dernier nœud d'un flux de données linéaire Data Wrangler.

    • Seuls les nœuds de transformation sont pris en charge.

    • Vous ne pouvez pas effectuer d'opérations sur la colonne Cible.

    • Vous ne pouvez pas mettre à jour le type de données des colonnes.

    • Vous ne pouvez pas mettre à jour la source de données ou en ajouter une nouvelle.

  • Lorsque vous partagez un candidat alternatif à Canvas depuis la page du pilote automatique de Studio Classic, vous ne pouvez pas sélectionner le modèle dans le classement. Vous devez choisir le modèle partagé à partir de la bannière, puis sélectionner un modèle alternatif dans la liste. Pour plus d'informations, consultez Partage d'un modèle alternatif avec l'utilisateur Canvas (langue française non garantie) dans la documentation de Canvas.

  • Seuls les modèles compatibles avec SageMaker Neo peuvent être partagés avec succès sur Canvas. Les modèles compatibles sont les modèles Autopilot qui utilisent les algorithmes XGBoost ou MLP. Les modèles incompatibles incluent les modèles Autopilot qui utilisent l'algorithme d'apprentissage linéaire.

  • Pour les transformations de formules personnalisées à l'aide de Spark SQL, Canvas prend uniquement en charge les opérations unaires, les fonctions d'agrégation, l'opération de concaténation de chaînes et l'opération Power. Les autres opérations ne sont pas prises en charge.

Limitations relatives à la fonctionnalité BYOM

Les restrictions générales suivantes s'appliquent lorsque vous souhaitez intégrer votre propre modèle à SageMaker Canvas.

  • Lorsqu'un modèle est partagé entre Studio Classic et Canvas, l'utilisateur de Canvas ne peut ni mettre à jour ni afficher les détails du jeu de données utilisé pour créer le modèle.

  • Lorsqu'un utilisateur Canvas souhaite exécuter une seule prédiction sur un modèle importé, il n'existe aucune restriction de type de données lors de la mise à jour des valeurs de colonne. Vous devez vous assurer manuellement que lorsque vous mettez à jour les valeurs de prédictions uniques, votre type de données correspond à celui des valeurs existantes.

  • Lorsqu'un utilisateur Canvas souhaite exécuter des prédictions par lots sur un modèle importé, Canvas part du principe que vous (l'utilisateur Canvas) savez à quoi doit ressembler le jeu de données d'entrée attendu. Vous devez disposer d'un jeu de données dont les colonnes et les types de données correspondent au jeu de données utilisé pour entraîner le modèle. Dans le cas contraire, consultez l'utilisateur qui a partagé le modèle avec vous et importez un jeu de données que vous pouvez utiliser pour exécuter des prédictions par lots.

  • L'application Canvas utilise en interne un point de terminaison sans serveur pour exécuter des prédictions et générer des métriques de modèle. Le modèle partagé avec Canvas doit être compatible avec les points de terminaison sans serveur :

    • La taille de mémoire maximale est 6 144 Mo.

    • Lorsque vous configurez les clés de réponse d'entrée d'inférence dans votre conteneur, utilisez la configuration suivante :

      INFERENCE_INPUT_RESPONSE_KEYS = {
 "BINARY": ["predicted_label", "probability"],
 "MULTI_CLASS": ["predicted_label", "probability", "probabilities", "labels"],
}

    • Vous pouvez choisir un conteneur d'inférence SageMaker fourni ou apporter votre propre conteneur d'inférence d'image à utiliser pour le point de terminaison. SageMaker fournit des conteneurs pour ses algorithmes intégrés et des images Docker prédéfinies pour certains des frameworks d'apprentissage automatique les plus courants. Si vous apportez votre propre contenant, vous devez le modifier pour qu'il fonctionne avec SageMaker. Pour plus d'informations sur l'importation de votre propre conteneur, consultez Adaptation de votre propre conteneur d'inférence (langue française non garantie).

    • Les exclusions de fonctionnalités pour les points de terminaison sans serveur s'appliquent également.

  • Pour partager un modèle de Studio Classic vers Canvas avec succès, Canvas accepte les sorties d'inférence de modèle au format ci-dessous :

    TEXT/CSV

    • Régression : la réponse d'inférence de modèle doit être une chaîne d'octets dans laquelle chacune des prédictions de sortie est séparée par \n :

      b'-0.0007884334772825241\n-0.015136942267417908\n0.050063662230968475\n0.02891816757619381\n'

    • Classification : la réponse d'inférence de modèle doit être une chaîne d'octets dans laquelle chacun des éléments predicted_label, predicted_probability, probabilities et labels est séparé par \n. Voici un exemple de classification binaire :

      b'no,0.9967488050460815,"[0.9967488050460815, 0.003251201706007123]","[\'no\', \'yes\']"\nno,0.9999420642852783,"[0.9999420642852783, 5.793538366560824e-05]","[\'no\', \'yes\']"\nno,0.9999846816062927,"[0.9999846816062927, 1.5326571883633733e-05]","[\'no\', \'yes\']"\nno,0.9999727606773376,"[0.9999727606773376, 2.7267418772680685e-05]","[\'no\', \'yes\']"\n'

      Voici un exemple de classification multiclasse :

      b'Iris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\nIris-setosa,1.0,"[1.0, 0.0, 0.0]","[\'Iris-setosa\', \'Iris-versicolor\', \'Iris-virginica\']"\n'

    APPLICATION/JSON

    • Régression : la réponse d'inférence de modèle doit être une chaîne JSON contenant la clé prediction et sa valeur doit être la liste des prédictions de sortie :

      let response = {
    "predictions": [ 
        // First instance prediction. 
        1.75 
        // Second instance prediction.
        3.25 
    ]
}

    • Classification : la réponse d'inférence de modèle doit être une chaîne JSON contenant la clé probabilities et sa valeur doit être la liste des probabilités.

      Voici un exemple de classification binaire :

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.9, 0.1]
        // Second instance prediction.
        [0.2, 0.8]
    ]
}

      Voici un exemple de classification multiclasse :

      let response = {
    "probabilities": [ 
        // First instance prediction. 
        [0.7, 0.2, 0.1]
        // Second instance prediction.
        [0.2, 0.5, 0.3]
    ]
}

Certaines limitations s'appliquent également en fonction du type de modèle que vous souhaitez importer :

Apportez votre propre modèle de JumpStart

Consultez les informations et limites suivantes lorsque vous partagez un JumpStart modèle avec Canvas.

  • Les algorithmes pris en charge pour lesquels vous pouvez importer des modèles dans Canvas sont les suivants. Pour plus d'informations, consultez la documentation JumpStart .

    • Classification tabulaire : LightGBM, XGBoost, -Tabular CatBoost, Linear Learner AutoGluon TabTransformer

    • Régression tabulaire : LightGBM, XGBoost, -Tabular CatBoost, Linear Learner AutoGluon TabTransformer

  • Dans JumpStart, le bouton Partager n'est activé que si le modèle est prêt à être partagé sur Canvas. Si le modèle que vous avez entraîné ne possède pas de bouton Partager SageMaker sur Canvas, cela signifie qu'il n'est pas compatible avec le BYOM.

  • Vous devez fournir des ensembles de données d'entraînement et de validation lors de l'entraînement du JumpStart modèle. Les ensembles de données doivent être stockés dans Amazon S3, et le rôle d'exécution de vos utilisateurs de Studio Classic et de Canvas doit avoir accès à l'emplacement Amazon S3. Vous pouvez utiliser les mêmes URI Amazon S3 pour partager les jeux de données d'entraînement et de validation avec Canvas, ou vous pouvez partager différents jeux de données avec le même schéma de données.

    Votre fichier de données d'entraînement ou de validation doit se présenter comme suit (au format CSV). Vous devez indexer vos fichiers avec la première colonne comme cible.

    3	1	22	1	1	0	4	4
0	0	38	0	0	1	3	4
1	0	67	0	1	0	1	6
1	0	67	0	0	2	2	6
0	0	40	0	0	2	6	6
2	0	56	1	0	1	2	6

  • Par défaut, JumpStart utilise la première colonne des ensembles de données d'apprentissage et de validation comme cible lors de l'entraînement d'un modèle. La colonne cible (ou par défaut, la première colonne) des jeux de données est partagée avec Canvas.

  • Vous devez fournir les en-têtes de colonne des ensembles de données d'apprentissage et de validation lors de l'entraînement du JumpStart modèle. Par défaut, JumpStart seuls les ensembles de données sans en-têtes de colonne sont acceptés. Vous devez donc ajouter les en-têtes de colonne sous forme de fichier lors de l'entraînement de votre modèle. L'URI Amazon S3 du fichier d'en-têtes de colonne est également partagé avec Canvas. Votre fichier d'en-têtes de colonne doit ressembler à l'exemple suivant (au format CSV). La première colonne doit être la cible.

    Segmentation	EverMarried	Age	Graduated	WorkExperience	SpendingScore	FamilySize	Var1

  • Le poste de formation JumpStart doit avoir été créé pour Complete que vous puissiez le partager avec Canvas.

  • Pour les problèmes de classification (ou de prédiction catégorielle dans Canvas), les noms de classe d'origine doivent être fournis dans la section Configurer la sortie du modèle lors du partage avec Canvas. L'ordre des noms de classe doit correspondre à l'indexation utilisée dans le modèle. Votre fichier de relation de mappage doit ressembler à l'exemple suivant au format CSV, où l'index 0 (le premier index) est mappé au nom de classe A :

    A	B	C	D

    Lorsque l'utilisateur Canvas consulte les métriques du modèle dans l'application Canvas, il peut uniquement voir l'index de chaque classe (0, 1, 2). Il peut toutefois voir les noms de classe lorsqu'il consulte les résultats d'une seule prédiction.

Importation de votre propre modèle à partir d'Autopilot

Consultez les informations et limitations suivantes lorsque vous partagez un modèle entre Autopilot et Canvas.

  • Vous ne pouvez partager avec Canvas que les modèles que vous avez entraînés avec succès à partir d'une tâche AutoML en mode Assemblage, HPO ou Auto (pour le mode Auto, Autopilot choisit le mode Assemblage ou HPO en fonction de la taille du jeu de données d'entraînement). Autopilot prend actuellement en charge les types de problèmes Régression, Classification multiclasse et Classification binaire.

  • Pour chaque tâche Autopilot, vous pouvez choisir n'importe quel modèle (le Meilleur modèle ou tout autre candidat) à partager un par un avec Canvas. Il vous suffit de cliquer sur le bouton Partager le modèle, puis de spécifier les utilisateurs Canvas avec lesquels vous souhaitez partager le modèle et une note.

  • AutoGluon-Les modèles tabulaires qui utilisent les transformateurs Data Wrangler pour l'inférence ne peuvent pas être partagés avec Canvas. Cela est dû au fait que les transformateurs Data Wrangler obligent le modèle à utiliser plusieurs conteneurs.

  • Les modèles HPO qui ne sont pas compatibles avec SageMaker Neo ne peuvent pas être partagés avec succès sur Canvas. Les modèles compatibles sont les modèles Autopilot qui utilisent les algorithmes XGBoost ou MLP. Les modèles incompatibles incluent les modèles Autopilot qui utilisent l'algorithme d'apprentissage linéaire.

Importation de votre propre modèle à partir du registre des modèles

Consultez les informations et limitations suivantes lorsque vous partagez un modèle entre le registre des modèles et Canvas.

  • Contrairement au bouton Partager fourni par JumpStart, Model Registry ne permet pas de valider le modèle. Il est donc possible qu'un modèle enregistré partagé avec succès depuis Studio Classic échoue lors de l'importation dans Canvas en raison d'une incompatibilité du modèle. Consultez les conseils suivants avant de partager votre modèle avec Canvas à partir du registre des modèles :

    • Utilisez un seul conteneur d'inférence pour votre modèle. Vous pouvez enregistrer des modèles avec plusieurs conteneurs dans le champ AdditionalInferenceSpécifications, mais Canvas n'est optimisé que pour un seul conteneur d'inférence par modèle. Par exemple, lorsque vous utilisez un pipeline d'inférence et que vous enregistrez plusieurs conteneurs dans le champ AdditionalInferenceSpecifications avec plusieurs conteneurs de prétraitement de données et un conteneur d'inférence, le premier conteneur est sélectionné par défaut pour l'inférence de modèle dans Canvas. Déterminez si cela fonctionne pour votre cas d'utilisation si vous utilisez des pipelines de machine learning.

    • Utilisez un algorithme tabulaire SageMaker intégré avec des formats d'inférence compatibles. Les exemples d'algorithmes testés avec des sorties d'inférence compatibles sont Autogluon-Tabular, CatBoost LightGBM et XGBoost. TabTransformer Les algorithmes tels que les machines de factorisation n'acceptent pas le format CSV comme entrée de fichier, et les formats de sortie d'inférence pour les algorithmes tels que Linear Learner et K-NN ne sont pas pris en charge par Canvas.

    • Vous pouvez également apporter votre propre conteneur d'images et le partager sur Canvas, ou modifier SageMaker des conteneurs prédéfinis.

  • Lorsque vous enregistrez votre modèle dans un groupe de packages de modèles, n'oubliez pas de fournir les attributs suivants avec votre conteneur d'inférence :

    • Environment :

      "{\"SAGEMAKER_CONTAINER_LOG_LEVEL\": \"20\", \"SAGEMAKER_PROGRAM\": \"inference.py\", \"SAGEMAKER_REGION\": \"us-west-2\", \"SAGEMAKER_SUBMIT_DIRECTORY\": \"/opt/ml/model/code\"}"

    • Image :

      "s3://sagemaker-us-west-2-<account-id>/model-regression-abalone-2022-10-14-23-02-45/model.tar.gz"

    • ModelDataURL

      "<account-id>.dkr.ecr.us-west-2.amazonaws.com/sagemaker-xgboost:1.3-1"

  • Vous devez fournir des jeux de données d'entraînement et de validation lorsque vous partagez le modèle entre le registre des modèles et Canvas. Les ensembles de données doivent être stockés dans Amazon S3, et le rôle d'exécution des utilisateurs de Studio Classic et de Canvas doit avoir accès à l'emplacement Amazon S3. Vous pouvez utiliser les mêmes URI Amazon S3 pour partager les jeux de données d'entraînement et de validation avec Canvas, ou vous pouvez partager différents jeux de données avec le même schéma de données. Les jeux de données doivent avoir le format d'entrée exact qui alimente le conteneur d'inférence de votre modèle.

  • Vous devez fournir la colonne cible à Canvas ; sinon, la première colonne de votre jeu de données d'entraînement/validation est utilisée par défaut.

  • Dans la section Ajouter les détails du modèle lors du partage avec Canvas, vous pouvez fournir la première ligne de vos jeux de données d'entraînement et de validation en tant qu'en-têtes, ou vous pouvez spécifier les en-têtes sous forme de fichier différent.

  • Pour les problèmes de classification (ou de prédiction catégorique dans Canvas), les noms de classe originaux doivent être fournis lors du partage avec SageMaker Canvas via l'option Configurer les sorties du modèle. L'ordre des noms de classe doit correspondre à l'indexation utilisée avec le modèle partagé. Pour le mappage, vous pouvez soit spécifier un fichier CSV dans Amazon S3, soit saisir manuellement les noms de classe.