Limitazioni e risoluzione dei problemi

La sezione seguente descrive la guida alla risoluzione dei problemi e le limitazioni che si applicano all'utilizzo di Amazon SageMaker Canvas. Puoi utilizzare questi argomenti per risolvere eventuali problemi riscontrati.

Risoluzione dei problemi relativi alla concessione delle autorizzazioni tramite la console SageMaker

Se hai problemi a concedere le autorizzazioni di base o le autorizzazioni per Ready-to-use i modelli di Canvas al tuo utente, l'utente potrebbe avere un ruolo di AWS IAM esecuzione con più di una relazione di fiducia con altri servizi. AWS Una relazione di attendibilità è una policy collegata al tuo ruolo che definisce quali principali (utenti, ruoli, account o servizi) possono assumere il ruolo. Ad esempio, potresti riscontrare un problema nel concedere autorizzazioni Canvas aggiuntive al tuo utente se il suo ruolo di esecuzione ha una relazione di fiducia sia con Amazon che con Amazon SageMaker Forecast.

Puoi risolvere questo problema scegliendo una delle seguenti opzioni.

1. Rimuovi tutti i servizi attendibili, tranne uno, dal ruolo.

Questa soluzione richiede la modifica della relazione di fiducia per il IAM ruolo del profilo utente e la rimozione di tutti i AWS servizi tranne. SageMaker

Per modificare la relazione di trust per il ruolo di IAM esecuzione, procedi come segue:

1. Vai alla IAM console all'indirizzo https://console.aws.amazon.com/iam/.

2. Nel riquadro di navigazione della IAM console, scegli Ruoli. La console visualizza i ruoli del tuo account.

3. Seleziona il nome del ruolo che intendi modificare, quindi seleziona la scheda Relazioni di attendibilità nella pagina dei dettagli.

4. Seleziona Modifica policy di attendibilità.

5. Nell’editor Modifica policy di attendibilità, incolla quanto indicato di seguito, quindi seleziona Aggiorna policy.

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

È inoltre possibile aggiornare questo documento di policy utilizzando il IAMCLI. Per ulteriori informazioni, vedere update-trust nel IAMCommand Line Reference.

Ora puoi riprovare a concedere le autorizzazioni di base di Canvas o le autorizzazioni dei Ready-to-use modelli al tuo utente.

2. Usa un ruolo diverso con uno o meno servizi attendibili.

Questa soluzione richiede di specificare un IAM ruolo diverso per il profilo utente. Utilizzate questa opzione se avete già un IAM ruolo che potete sostituire.

Per specificare un ruolo di esecuzione diverso per l'utente, procedi come segue:

1. Apri la SageMaker console Amazon all'indirizzo https://console.aws.amazon.com/sagemaker/.

2. Nel riquadro di navigazione a sinistra, scegli Configurazioni admin.

3. In Configurazioni di amministrazione, scegli domini.

4. Dall'elenco dei domini, seleziona il dominio per il quale desideri visualizzare un elenco di profili utente.

5. Nella pagina dei dettagli del dominio, scegli la scheda Profili utente.

6. Scegli l'utente per cui desideri modificare le autorizzazioni. Nella pagina Dettagli utente, scegli Modifica.

7. Nella pagina Impostazioni generali, scegli l'elenco a discesa Ruolo di esecuzione e seleziona il ruolo che desideri utilizzare.

8. Scegli Invia per salvare le modifiche al profilo utente.

Il tuo utente dovrebbe ora utilizzare un ruolo di esecuzione con un solo servizio affidabile (SageMaker).

Puoi riprovare a concedere le autorizzazioni di base di Canvas o le autorizzazioni dei Ready-to-use modelli al tuo utente.

3. Associa manualmente la policy AWS gestita al ruolo di esecuzione invece di utilizzare l'interruttore nelle impostazioni del dominio. SageMaker

Invece di utilizzare l'interruttore nelle impostazioni del dominio o del profilo utente, puoi allegare manualmente le politiche AWS gestite che concedono a un utente le autorizzazioni corrette.

Per concedere a un utente le autorizzazioni di base Canvas, allega la policy. AmazonSageMakerCanvasFullAccess Per concedere le autorizzazioni Ready-to-use ai modelli utente, allega la AmazonSageMakerCanvasAIServicesAccesspolicy.

Utilizza la seguente procedura per allegare una politica AWS gestita al tuo ruolo:

1. Vai alla IAM console all'indirizzo https://console.aws.amazon.com/iam/.

2. Scegli Ruoli.

3. Nella casella di ricerca, cerca il IAM ruolo dell'utente per nome e selezionalo.

4. Nella pagina del ruolo dell'utente, in Autorizzazioni, scegli Aggiungi autorizzazioni.

5. Dal menu a discesa scegli Collega policy.

6. Cerca e seleziona la policy o le policy che desideri collegare al ruolo di esecuzione dell'utente:

   1. Per concedere le autorizzazioni di base di Canvas, cerca e seleziona la AmazonSageMakerCanvasFullAccesspolitica.

   2. Per concedere le autorizzazioni ai Ready-to-use modelli, cerca e seleziona la AmazonSageMakerCanvasAIServicesAccesspolitica.

7. Scegli Aggiungi autorizzazioni per collegare la policy al ruolo.

Dopo aver associato una policy AWS gestita al ruolo dell'utente tramite la IAM console, l'utente dovrebbe ora disporre delle autorizzazioni di base di Canvas o Ready-to-use delle autorizzazioni dei modelli.

Risoluzione dei problemi relativi alla creazione di un'applicazione Canvas dovuti a problemi di spazio

Quando si crea una nuova applicazione Canvas, se si verifica un errore che indica che la creazione dello spazio Amazon SageMaker Studio sottostante non è riuscita. Unable to create app <app-arn> because space <space-arn> is not in InService state Uno spazio Studio è lo storage sottostante che ospita i dati dell'applicazione Canvas. Per informazioni più generali sugli spazi Studio, consultaSpazi Amazon SageMaker Studio. Per ulteriori informazioni sulla configurazione degli spazi in Canvas, consultaArchivia i dati dell'applicazione SageMaker Canvas nel tuo spazio SageMaker.

Per determinare la causa principale del motivo per cui la creazione dello spazio non è riuscita, puoi utilizzare il campo DescribeSpaceAPIper controllare il FailureReason campo. Per ulteriori informazioni sui possibili stati degli spazi e sul loro significato, consultaEntità e stati del SageMaker dominio Amazon.

Per risolvere questo problema, trova il tuo dominio nella SageMaker console ed elimina lo spazio in cui si verifica l'errore indicato nel messaggio di errore ricevuto. Per la procedura dettagliata su come trovare ed eliminare uno spazio, consulta la pagina Elimina o interrompi l'esecuzione di istanze, applicazioni e spazi di Studio e segui le istruzioni per eliminare uno spazio Studio. L'eliminazione dello spazio elimina anche tutte le applicazioni associate allo spazio. Dopo aver eliminato lo spazio, puoi provare a creare nuovamente l'applicazione Canvas. Lo spazio dovrebbe ora essere rifornito correttamente, permettendo l'avvio di Canvas.

Limitazioni alla collaborazione

Le seguenti limitazioni generali si applicano quando collabori con data scientist in Amazon SageMaker Studio Classic.

• Puoi condividere solo modelli addestrati con successo da Canvas a Studio Classic. Allo stesso modo, puoi condividere su Canvas solo i modelli che sono stati addestrati con successo in Studio Classic.

• Non puoi condividere modelli Quick build da Canvas a Studio Classic. Puoi condividere solo modelli Standard build.

• Puoi condividere solo una versione di un modello Standard build addestrato in Canvas. Puoi addestrare versioni aggiuntive del tuo modello all'interno di Canvas, ma non puoi condividerle con Studio Classic.

• Da Studio Classic, puoi solo condividere feedback o condividere un modello aggiornato con Canvas. Non puoi eseguire entrambe le operazioni contemporaneamente.

• Il limite di lunghezza per i commenti condivisi da Studio Classic a Canvas e da Canvas a Studio Classic è di 1024 caratteri.

• Puoi condividere i tuoi modelli Canvas o Studio Classic solo con un profilo utente diverso. Non puoi condividere modelli tra Canvas e Studio Classic all'interno del tuo profilo utente.

• Non puoi condividere da un utente Canvas a un utente Canvas o da un utente di Studio Classic a un utente di Studio Classic.

Esistono anche delle limitazioni che si applicano a seconda del tipo di modello che desideri condividere. Consulta le sezioni seguenti per conoscere le limitazioni relative ai modelli di previsione di serie temporali e ai modelli di previsione numerici e categoriali.

Limitazioni alla collaborazione sui modelli di previsione di serie temporali

Le seguenti limitazioni si applicano quando si collabora su modelli di previsione di serie temporali tra Canvas e Studio Classic.

• Non puoi fare previsioni con i modelli di previsione delle serie temporali in Studio Classic tramite un pulsante Condividi automatico. Tuttavia, puoi creare un notebook Jupyter e scrivere il tuo codice.

• Per i modelli di previsione delle serie temporali, non è possibile modificare la composizione del modello o le trasformazioni dei dati in Studio Classic. È possibile apportare solo i seguenti aggiornamenti ai modelli di previsione delle serie temporali in Studio Classic:

  • Puoi aggiornare la lunghezza dell'orizzonte di previsione.

  • Puoi aggiornare il campo dei metadati dell'elemento, che raggruppa i tuoi dati in base a una determinata colonna.

  • Puoi aggiornare altri campi di dimensione, ad esempio specificando una pianificazione delle festività.

Limitazioni alla collaborazione su modelli di previsione numerici e categoriali

Le seguenti limitazioni si applicano quando si collabora su tipi di modelli di previsione numerici e categoriali tra Canvas e Studio Classic.

• Quando aggiorni o addestra i modelli in Studio Classic, se chiudi la scheda con il banner di collaborazione in alto, il flusso di lavoro del modello di condivisione termina e perdi i tuoi progressi. In tal caso, devi riavviare il flusso di lavoro di condivisione del modello dalla sezione Condivisi con me nella pagina Modelli condivisi. Per ulteriori informazioni, consulta Collaborate with data scientists.

• Quando aggiorni i modelli in Studio Classic, non puoi modificare la colonna di destinazione se desideri condividere gli aggiornamenti del modello su Canvas. Se desideri modificare la colonna di destinazione e riaddestrare il modello, addestra il modello e usa il pulsante Condividi per condividerlo in Canvas. Per ulteriori informazioni sulla condivisione di un nuovo modello su Canvas, consulta Bring your own model to SageMaker Canvas.

• Quando si aggiornano i modelli nell'interfaccia Amazon SageMaker Data Wrangler Recipe in Studio Classic, ci sono dei limiti alle modifiche che un utente di Studio Classic può applicare e che Canvas supporta:

  • Puoi condividere in Canvas solo un modello che è stato addestrato dall'ultimo nodo di un flusso di dati lineare di Data Wrangler.

  • Sono supportati solo i nodi di trasformazione.

  • Non puoi eseguire operazioni sulla colonna Destinazione.

  • Non puoi aggiornare il tipo di dati delle colonne.

  • Non puoi aggiornare l'origine dati o aggiungere una nuova origine dati.

• Quando condividi un candidato alternativo a Canvas dalla pagina Studio Classic Autopilot, non puoi selezionare il modello dalla classifica. Devi scegliere il modello condiviso dal banner e quindi selezionare un'alternativa dall'elenco. Per ulteriori informazioni, consulta Share an alternate model with the Canvas user nella documentazione di Canvas.

• Solo i modelli compatibili con SageMaker Neo possono essere condivisi con successo su Canvas. I modelli compatibili sono modelli Autopilot che utilizzano XGBoost algoritmi OR. MLP I modelli incompatibili includono i modelli Autopilot che utilizzano l'algoritmo Linear Learner.

• Per le trasformazioni di formule personalizzate che utilizzano SparkSQL, Canvas supporta solo le operazioni Unary, le funzioni Aggregate, l'operazione di concatenazione di stringhe e l'operazione Power. Non sono supportate altre operazioni.

Limitazioni relative all'utilizzo del proprio modello () BYOM

Le seguenti limitazioni generali si applicano quando desideri portare il tuo modello SageMaker su Canvas.

• Quando un modello viene condiviso da Studio Classic a Canvas, l'utente Canvas non può aggiornare o visualizzare i dettagli sul set di dati utilizzato per creare il modello.

• Quando un utente di Canvas desidera eseguire una previsione singola su un modello importato, non ci sono restrizioni sui tipi di dati durante l'aggiornamento dei valori di colonna. Devi assicurarti manualmente che, quando aggiorni i valori per previsioni singole, questi corrispondano al tipo di dati dei valori esistenti.

• Quando un utente di Canvas desidera eseguire previsioni in batch su un modello importato, Canvas presuppone che tu (l'utente di Canvas) sappia come dovrebbe essere il set di dati di input previsto. Dovresti avere un set di dati con colonne e tipi di dati che corrispondano al set di dati utilizzato per addestrare il modello. In caso contrario, consulta l'utente che ha condiviso il modello con te e importa un set di dati da utilizzare per eseguire previsioni in batch.

• L'applicazione Canvas utilizza internamente un endpoint serverless per eseguire previsioni e generare i parametri del modello. Il modello condiviso su Canvas deve essere compatibile con gli endpoint serverless:

  • La memoria massima è 6144 MB.

  • Quando configuri le chiavi della risposta dell'input di inferenza nel tuo container, usa la seguente configurazione:

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

  • È possibile scegliere un contenitore di inferenza SageMaker fornito o utilizzare il proprio contenitore di inferenza di immagini da utilizzare per l'endpoint. SageMaker fornisce contenitori per i suoi algoritmi integrati e immagini Docker predefinite per alcuni dei framework di machine learning più comuni. Se intendi portare con te un contenitore personale, devi modificarlo per renderlo utilizzabile. SageMaker Per ulteriori informazioni su come portare il proprio container, consulta Adapting Your Own Inference Container.

  • Si applicano anche esclusioni di funzionalità per gli endpoint serverless.

• Per condividere con successo un modello da Studio Classic a Canvas, Canvas accetta gli output di inferenza del modello nel formato seguente:

  TEXT/CSV

  • Regressione: la risposta di inferenza del modello deve essere una stringa di byte in cui ciascuna delle previsioni di output è separata da \n:

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

  • Classificazione: la risposta di inferenza del modello deve essere una stringa di byte in cui predicted_label, predicted_probability, probabilities e labels sono separati da \n. Di seguito è riportato un esempio di classificazione binaria:

    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'

    Di seguito è riportato un esempio di classificazione 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

  • Regressione: la risposta di inferenza del modello dovrebbe essere una JSON stringa che contiene la prediction chiave e il suo valore dovrebbe essere l'elenco delle previsioni di output:

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

  • Classificazione: la risposta di inferenza del modello dovrebbe essere una JSON stringa che contiene la probabilities chiave e il suo valore dovrebbe essere l'elenco delle probabilità.

    Di seguito è riportato un esempio di classificazione binaria:

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

    Di seguito è riportato un esempio di classificazione multiclasse:

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

Esistono anche delle limitazioni che si applicano a seconda del tipo di modello che desideri portare:

Porta il tuo modello da JumpStart

Consulta le seguenti informazioni e limiti quando condividi un JumpStart modello con Canvas.

• Di seguito sono riportati gli algoritmi supportati, per i quali è possibile importare modelli in Canvas. Per ulteriori dettagli, consulta la documentazione di JumpStart .

  • Classificazione tabulare: LightGBM,, CatBoost, AutoGluon -TabularXGBoost, TabTransformer Linear Learner

  • Regressione tabulare: Light,,, -TabularGBM,, Linear Learner CatBoost XGBoost AutoGluon TabTransformer

• In JumpStart, il pulsante Condividi è attivo solo se il modello è pronto per la condivisione su Canvas. Se il modello addestrato non dispone di un pulsante Condividi SageMaker su Canvas, il modello non è supportato perBYOM.

• È necessario fornire set di dati di addestramento e convalida durante l'addestramento del JumpStart modello. I set di dati devono essere archiviati in Amazon S3 e il ruolo di esecuzione degli utenti di Studio Classic e Canvas deve avere accesso alla posizione di Amazon S3. Puoi utilizzare lo stesso Amazon S3 URIs per condividere i set di dati di formazione e convalida con Canvas oppure puoi condividere set di dati diversi con lo stesso schema di dati.

  Il file dei dati di addestramento o convalida dovrebbe avere il seguente aspetto (in formato). CSV Devi indicizzare i tuoi file impostando la prima colonna come destinazione.

  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
  

• Per impostazione predefinita, JumpStart utilizza la prima colonna dei set di dati di addestramento e convalida come obiettivo per l'addestramento di un modello. La colonna di destinazione (o per impostazione predefinita, la prima colonna) dei set di dati è condivisa in Canvas.

• È necessario fornire le intestazioni delle colonne dei set di dati di addestramento e convalida durante l'addestramento del modello. JumpStart Per impostazione predefinita, accetta JumpStart solo set di dati senza intestazioni di colonna, quindi è necessario aggiungere le intestazioni di colonna come file durante l'addestramento del modello. Il file Amazon S3 URI per le intestazioni delle colonne è condiviso anche su Canvas. Il file delle intestazioni di colonna dovrebbe essere simile al seguente esempio (in CSV formato). La prima colonna deve essere la colonna di destinazione.

  Segmentation	EverMarried	Age	Graduated	WorkExperience	SpendingScore	FamilySize	Var1
  

• Il corso di formazione JumpStart deve essere svolto Complete prima di poter condividere con Canvas.

• Per problemi di classificazione (o di previsione categoriale in Canvas), i nomi delle classi originali devono essere inseriti nella sezione Configura l'output del modello durante la condivisione in Canvas. L'ordine dei nomi delle classi deve corrispondere all'indicizzazione utilizzata nel modello. Il CSV formato del file di relazione di mappatura dovrebbe essere simile al seguente esempio, in cui l'indice 0 (il primo indice) è mappato al nome della classe: A

  A	B	C	D
  

  Quando l'utente di Canvas visualizza i parametri del modello nell'applicazione Canvas, può vedere solo l'indice di ogni classe (0, 1, 2). Tuttavia, l'utente può vedere i nomi delle classi quando visualizza i risultati di una previsione singola.

Porta il tuo modello da Autopilot

Esamina le seguenti informazioni e limitazioni quando condividi un modello da Autopilot a Canvas.

• Puoi condividere su Canvas solo i modelli che hai addestrato con successo da un lavoro AutoML con Ensembling o la modalità Auto (per la modalità Auto HPO, Autopilot sceglie Ensembling o la modalità in base alla dimensione del set di dati di addestramento). HPO I tipi di problemi Autopilot attualmente supportati sono: regressione, classificazione multiclasse e classificazione binaria.

• Per ogni processo di Autopilot, puoi scegliere qualsiasi modello (il modello migliore o qualsiasi altro candidato) da condividere su Canvas, uno alla volta. Devi solo scegliere il pulsante Condividi modello e specificare gli utenti di Canvas con cui desideri condividere il modello, aggiungendo una nota.

• AutoGluon-I modelli tabulari che utilizzano i trasformatori Data Wrangler per l'inferenza non possono essere condivisi con Canvas. Questo perché i trasformatori Data Wrangler comportano l’utilizzo di più di un container da parte del modello.

• HPOi modelli che non sono compatibili con SageMaker Neo non possono essere condivisi con successo su Canvas. I modelli compatibili sono modelli Autopilot che utilizzano XGBoost algoritmi Or. MLP I modelli incompatibili includono i modelli Autopilot che utilizzano l'algoritmo Linear Learner.

Porta il tuo modello da Model Registry

Esamina le seguenti informazioni e limitazioni quando condividi un modello da Model Registry in Canvas.

• A differenza del pulsante Condividi fornito da JumpStart, Model Registry non fornisce la convalida del modello, quindi è possibile che un modello registrato condiviso con successo da Studio Classic possa fallire durante l'importazione su Canvas a causa dell'incompatibilità del modello. Esamina i seguenti suggerimenti prima di eseguire una condivisione in Canvas da Model Registry:

  • Usa un singolo container di inferenza per il tuo modello. È possibile registrare modelli con più contenitori all'interno del AdditionalInferenceSpecificationscampo, ma Canvas è ottimizzato solo per un contenitore di inferenza per modello. Ad esempio, quando utilizzi una pipeline di inferenza e registri più container nel campo AdditionalInferenceSpecifications con più container di preelaborazione dei dati e un container di inferenza, per l'inferenza del modello in Canvas viene selezionato il primo container per impostazione predefinita. Valuta se ciò può andare bene per il tuo caso d'uso se utilizzi pipeline di machine learning.

  • Utilizza un algoritmo tabulare SageMaker integrato con formati di inferenza compatibili. Gli algoritmi di esempio testati con output di inferenza compatibili sono Autogluon-Tabular, Light e. CatBoost GBM TabTransformer XGBoost Algoritmi come Factorization Machine non accettano come file di input e i formati di output di inferenza per algoritmi CSV come Linear Learner e K-NN non sono supportati da Canvas.

  • Puoi anche portare il tuo contenitore di immagini e condividerlo su Canvas o modificare contenitori predefiniti. SageMaker

    • Se stai portando il tuo contenitore, devi modificarlo per utilizzarlo. SageMaker Per ulteriori informazioni su come portare il proprio container, consulta Adapting Your Own Inference Container.

    • Per una formattazione dettagliata dei formati di output di inferenza, consulta Limitazioni relative all'utilizzo del proprio modello () BYOM.

• Quando registri il tuo modello in un gruppo di pacchetti di modelli, ricorda di fornire i seguenti attributi con il tuo container di inferenza:

  • Ambiente:

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

  • Immagine:

    "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"

• Devi fornire set di dati di addestramento e convalida quando condividi il modello da Model Registry a Canvas. I set di dati devono essere archiviati in Amazon S3 e il ruolo di esecuzione degli utenti di Studio Classic e Canvas deve avere accesso alla posizione di Amazon S3. Puoi utilizzare lo stesso Amazon S3 URIs per condividere i set di dati di formazione e convalida con Canvas oppure puoi condividere set di dati diversi con lo stesso schema di dati. I set di dati devono avere la stessa formattazione di input che alimenta il tuo container di inferenza del modello.

• Devi fornire la colonna di destinazione a Canvas, altrimenti per impostazione predefinita viene utilizzata la prima colonna del set di dati di addestramento/convalida.

• Nella sezione Aggiungi dettagli del modello durante la condivisione su Canvas, puoi fornire nella prima riga i tuoi set di dati di addestramento e convalida come intestazioni oppure puoi specificare le intestazioni in un file apposito.

• Per problemi di classificazione (o di previsione categorica in Canvas), è necessario fornire i nomi delle classi originali al momento della condivisione SageMaker su Canvas tramite l'opzione Configure model outputs. L'ordine dei nomi delle classi deve corrispondere all'indicizzazione utilizzata per il modello condiviso. La mappatura può essere un CSV file in Amazon S3 oppure puoi inserire manualmente i nomi delle classi.