Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Integration von Amazon SageMaker AI-Modellen mit Amazon Quick Sight **Anmerkung** Sie benötigen keine technische Erfahrung im Bereich maschinelles Lernen (ML), um Analysen und Dashboards zu erstellen, die die ML-gestützten Funktionen von Amazon Quick Sight nutzen. Sie können Ihre Amazon Quick Enterprise Edition-Daten mit Amazon SageMaker AI-Modellen für maschinelles Lernen erweitern. Sie können Rückschlüsse auf Daten ziehen, die aus jeder von Quick unterstützten Datenquelle SPICE importiert wurden. Eine vollständige Liste der unterstützten Datenquellen finden Sie unter [Unterstützte Datenquellen](supported-data-sources.md). Wenn Sie Quick mit SageMaker KI-Modellen verwenden, können Sie Zeit sparen, die Sie sonst für die Verwaltung der Datenbewegung und das Schreiben von Code aufwenden müssten. Die Ergebnisse sind sowohl für die Bewertung des Modells als auch - wenn Sie mit den Ergebnissen zufrieden sind - für die Weitergabe an Entscheidungsträger nützlich. Sie können sofort beginnen, nachdem das Modell erstellt wurde. Dies bringt die vorgefertigten Modelle Ihrer Daten-Wissenschaftler hervor und Sie können diese Wissenschaft auf Ihre Datasets anwenden. Anschließend können Sie diese Erkenntnisse in Ihren prädiktiven Dashboards freigeben. Mit dem serverlosen Quick Ansatz lässt sich der Prozess nahtlos skalieren, sodass Sie sich keine Gedanken über Inferenz- oder Abfragekapazität machen müssen. Amazon Quick unterstützt SageMaker KI-Modelle, die Regressions- und Klassifizierungsalgorithmen verwenden. Sie können dieses Feature anwenden, um Vorhersagen für beinahe jeden geschäftlichen Anwendungsfall zu erhalten. Einige Beispiele umfassen die Vorhersage der Wahrscheinlichkeit von Kundenabwanderungen oder Mitarbeiterfluktuationen, die Bewertung von Vertriebs-Leads und die Bewertung von Kreditrisiken. Um Quick zur Bereitstellung von Prognosen verwenden zu können, müssen die SageMaker KI-Modelldaten sowohl für die Eingabe als auch für die Ausgabe in tabellarischer Form vorliegen. In Anwendungsfällen mit mehreren Klassen oder Bezeichnungen darf jede Ausgabespalte nur einen einzigen Wert enthalten. Quick unterstützt nicht mehrere Werte in einer einzelnen Spalte. **Topics** + [Wie funktioniert die SageMaker KI-Integration](#sagemaker-how-it-works) + [Anfallende Kosten (keine zusätzlichen Kosten bei Integration selbst)](#sagemaker-cost-of-use) + [Richtlinien für die Verwendung](#sagemaker-usage-guidelines) + [Definieren der Schemadatei](#sagemaker-schema-file) + [Hinzufügen eines SageMaker KI-Modells zu Ihrem Quick Sight-Datensatz](#sagemaker-using) + [Erstellen Sie prädiktive Modelle mit SageMaker AI Canvas](sagemaker-canvas-integration.md) ## Wie funktioniert die SageMaker KI-Integration Im Allgemeinen funktioniert der Prozess folgendermaßen: 1. Ein Amazon Quick-Administrator fügt Berechtigungen für Quick to Access SageMaker AI hinzu. Öffnen Sie dazu auf der Seite **Manage Quick** die Einstellungen für **Sicherheit und Berechtigungen**. Gehen Sie zu **Schnellzugriff auf AWS Dienste** und fügen Sie SageMaker KI hinzu. Wenn Sie diese Berechtigungen hinzufügen, wird Quick zu einer AWS Identity and Access Management (IAM-) Rolle hinzugefügt, die Zugriff auf eine Liste aller SageMaker KI-Modelle in Ihrem AWS Konto bietet. Es bietet auch Berechtigungen zum Ausführen von SageMaker KI-Jobs, deren Namen mit einem Präfix versehen sind. `quicksight-auto-generated-` 1. Wir empfehlen, dass Sie eine Verbindung zu einem SageMaker KI-Modell herstellen, das über eine Inferenzpipeline verfügt, da dieses automatisch die Datenvorverarbeitung durchführt. Weitere Informationen finden Sie unter [Deploy an Inference Pipeline](https://docs.aws.amazon.com/sagemaker/latest/dg/inference-pipelines.html) im *SageMaker AI* Developer Guide. 1. Nachdem Sie die Daten und das vorgeschulte Modell, das Sie gemeinsam verwenden möchten, identifiziert haben, erstellt der Besitzer des Modells eine Schemadatei und stellt diese bereit. Diese JSON-Datei ist ein Vertrag mit SageMaker AI. Sie stellt Metadaten zu den Feldern, Datentypen, Spaltenreihenfolge, Ausgabe und Einstellungen bereit, die das Modell erwartet. Die optionale Einstellungskomponente stellt die Instance-Größe und -Anzahl der für den Auftrag zu verwendenden Datenverarbeitungs-Instances bereit. Wenn Sie der Daten-Wissenschaftler sind, der das Modell entwickelt hat, erstellen Sie diese Schemadatei in dem nachfolgend dokumentierten Format. Wenn Sie ein Nutzer des Modells sind, rufen Sie die Schemadatei vom Besitzer des Modells ab. 1. In Quick erstellen Sie zunächst einen neuen Datensatz mit den Daten, für die Sie Vorhersagen treffen möchten. Wenn Sie eine Datei hochladen, können Sie das SageMaker KI-Modell auf dem Bildschirm mit den Upload-Einstellungen hinzufügen. Andernfalls fügen Sie das Modell auf der Seite der Datenvorbereitung hinzu. Bevor Sie fortfahren, überprüfen Sie die Zuweisungen zwischen dem Dataset und dem Modell. 1. Nachdem die Daten in den Datensatz importiert wurden, enthalten die Ausgabefelder die von SageMaker AI zurückgegebenen Daten. Diese Felder können genauso wie andere Felder im Rahmen der unter [Richtlinien für die Verwendung](#sagemaker-usage-guidelines) beschriebenen Richtlinien verwendet werden. Wenn Sie die SageMaker KI-Integration ausführen, leitet Quick eine Anfrage an SageMaker AI weiter, um Batch-Transformationsjobs mit Inferenz-Pipelines auszuführen. Quick Starts, Bereitstellung und Bereitstellung der in Ihrem AWS Konto benötigten Instanzen. Wenn die Verarbeitung abgeschlossen ist, werden diese Instances heruntergefahren und beendet. Die Rechenkapazität verursacht nur bei der Verarbeitung von Modellen Kosten. Damit Sie sie leichter identifizieren können, benennt Quick alle SageMaker KI-Jobs mit dem Präfix`quicksight-auto-generated-`. 1. Die Ausgabe der Inferenz wird in SPICE gespeichert und an das Dataset angehängt. Sobald die Inferenz abgeschlossen ist, können Sie das Dataset verwenden, um Visualisierungen und Dashboards mithilfe der Vorhersagedaten zu erstellen. 1. Die Datenaktualisierung wird jedes Mal, wenn Sie das Dataset speichern, gestartet. Sie können den Datenaktualisierungsprozess manuell starten, indem Sie das SPICE-Dataset aktualisieren, oder Sie können planen, dass es in einem regelmäßigen Intervall ausgeführt wird. Bei jeder Datenaktualisierung ruft das System automatisch die SageMaker AI-Batchtransformation auf, um die Ausgabefelder mit neuen Daten zu aktualisieren. Sie können die Amazon Quick SPICE Sight-Aufnahme-API-Operationen verwenden, um den Datenaktualisierungsprozess zu steuern. Weitere Informationen zur Verwendung dieser API-Operationen finden Sie in der [Amazon Quick Sight API-Referenz](https://docs.aws.amazon.com/quicksight/latest/APIReference/qs-api-overview.html). ## Anfallende Kosten (keine zusätzlichen Kosten bei Integration selbst) Für die Nutzung dieses Feature fällt an sich keine zusätzliche Gebühr an. Ihre Kosten beinhalten Folgendes: + Die Kosten für die Modellbereitstellung mithilfe von SageMaker KI, die nur anfallen, wenn das Modell ausgeführt wird. Durch das Speichern eines Datensatzes - nachdem er entweder erstellt oder bearbeitet wurde - oder dessen Daten aktualisiert wurden, wird der Datenaufnahmeprozess gestartet. Dieser Prozess beinhaltet den Aufruf von SageMaker KI, wenn der Datensatz abgeleitete Felder enthält. Die Kosten fallen auf demselben AWS Konto an, auf dem sich Ihr Quick-Abonnement befindet. + Die Kosten für Ihr Quick-Abonnement lauten wie folgt: + Die Kosten für das Speichern Ihrer Daten in der speicherinternen Berechnungsengine in Quick (SPICE). Wenn Sie neue Daten zu SPICE hinzufügen, müssen Sie möglicherweise ausreichend SPICE-Kapazität erwerben, um sie aufzunehmen. + Schnellabonnements für die Autoren oder Administratoren, die die Datensätze erstellen. + Pay-per-session Gebühren für Zuschauer (Leser) für den Zugriff auf interaktive Dashboards. ## Richtlinien für die Verwendung In Amazon Quick gelten die folgenden Nutzungsrichtlinien für diese Enterprise Edition-Funktion: + Die Verarbeitung des Modells erfolgt in SPICE. Daher kann es nur für Datasets gelten, die in SPICE gespeichert sind. Der Prozess unterstützt derzeit bis zu 500 Millionen Zeilen pro Dataset. + Nur Quick-Administratoren oder Autoren können Datensätze mit ML-Modellen erweitern. Leser können die Ergebnisse nur anzeigen, wenn sie Teil eines Dashboards sind. + Jedes Dataset kann mit nur einem einzigen ML-Modell arbeiten. + Ausgabefelder können nicht zum Berechnen neuer Felder verwendet werden. + Datasets können nicht nach Feldern gefiltert werden, die in das Modell integriert sind. Mit anderen Worten: Wenn das Dataset-Feld derzeit dem ML-Modell zugeordnet ist, können Sie nicht nach diesem Feld filtern. In SageMaker KI gelten die folgenden Nutzungsrichtlinien für ein vortrainiertes Modell, das Sie mit Amazon Quick Sight verwenden: + Wenn Sie das Modell erstellen, ordnen Sie es dem Amazon-Ressourcennamen (ARN) für die entsprechende IAM-Rolle zu. Die IAM-Rolle für das SageMaker KI-Modell muss Zugriff auf den Amazon S3-Bucket haben, den Amazon Quick Sight verwendet. + Stellen Sie sicher, dass Ihr Modell CSV-Dateien sowohl für die Eingabe als auch für die Ausgabe unterstützt. Stellen Sie sicher, dass die Daten in einer Tabelle vorliegen. + Stellen Sie eine Schemadatei bereit, die Metadaten zum Modell enthält, einschließlich der Liste der Eingabe- und Ausgabefelder. Derzeit müssen Sie diese Schemadatei manuell erstellen. + Berücksichtigen Sie die Zeit, die zum Abschließen der Inferenz benötigt wird. Diese hängt von einer Reihe von Faktoren ab. Dazu gehören die Komplexität des Modells, die Datenmenge und die definierte Rechenkapazität. Das Abschließen der Inferenz kann einige Minuten bis mehrere Stunden dauern. Amazon Quick Sight begrenzt alle Datenerfassungs- und Inferenzaufträge auf maximal 10 Stunden. Um die Zeit zu verkürzen, die zum Ausführen einer Inferenz erforderlich ist, sollten Sie erwägen, die Instance-Größe oder die Anzahl der Instances zu erhöhen. + Derzeit können Sie für die Integration mit SageMaker KI nur Batch-Transformationen verwenden, keine Echtzeitdaten. Sie können keinen SageMaker KI-Endpunkt verwenden. ## Definieren der Schemadatei Bevor Sie ein SageMaker KI-Modell mit Quick Sight-Daten verwenden, erstellen Sie die JSON-Schemadatei, die die Metadaten enthält, die Amazon Quick Sight zur Verarbeitung des Modells benötigt. Der Autor oder Administrator von Amazon Quick lädt die Schemadatei bei der Konfiguration des Datensatzes hoch. Die Schemafelder sind wie folgt definiert. Alle Felder sind erforderlich, sofern nicht in der folgenden Beschreibung angegeben. Bei Attributen wird zwischen Groß- und Kleinschreibung unterschieden. *inputContentType* Der Inhaltstyp, den dieses SageMaker KI-Modell für die Eingabedaten erwartet. Der einzige unterstützte Wert hierfür ist `"text/csv"`. Quick Sight enthält keinen der Header-Namen, die Sie der Eingabedatei hinzufügen. *outputContentType* Der Inhaltstyp der Ausgabe, die von dem SageMaker KI-Modell erzeugt wird, das Sie verwenden möchten. Der einzige unterstützte Wert hierfür ist `"text/csv"`. *input* Eine Liste der Funktionen, die das Modell in den Eingabedaten erwartet. Quick Sight erzeugt die Eingabedaten in genau derselben Reihenfolge. Diese Liste enthält die folgenden Attribute: + *name* – Der Name der Spalte. Wenn möglich, machen Sie dies mit dem Namen der entsprechenden Spalte im QuickSight Datensatz identisch. Dieses Attribut ist auf 100 Zeichen begrenzt. + *type* – Der Datentyp dieser Spalte. Dieses Attribut akzeptiert die Werte `"INTEGER"`, `"STRING"` und `"DECIMAL"`. + *type* – (Optional) Die NULL-Zulässigkeit des Feldes. Der Standardwert ist `true`. Wenn Sie `nullable` auf einstellen`false`, löscht Quick Sight Zeilen, die diesen Wert nicht enthalten, bevor SageMaker AI aufgerufen wird. Auf diese Weise wird verhindert, dass SageMaker KI bei fehlenden erforderlichen Daten ausfällt. *output* Eine Liste der Ausgabespalten, die das SageMaker KI-Modell erzeugt. Quick Sight erwartet diese Felder in genau derselben Reihenfolge. Diese Liste enthält die folgenden Attribute: + *Name* — Dieser Name wird zum Standardnamen für die entsprechende neue Spalte, die in Quick Sight erstellt wird. Sie können den hier in Quick Sight angegebenen Namen überschreiben. Dieses Attribut ist auf 100 Zeichen begrenzt. + *type* – Der Datentyp dieser Spalte. Dieses Attribut akzeptiert die Werte `"INTEGER"`, `"STRING"` und `"DECIMAL"`. *instanceTypes* Eine Liste der ML-Instanztypen, die SageMaker KI für die Ausführung des Transformationsjobs bereitstellen kann. Die Liste wird dem Amazon Quick-Benutzer zur Auswahl zur Verfügung gestellt. Diese Liste ist auf die von SageMaker KI unterstützten Typen beschränkt. Weitere Informationen zu den unterstützten Typen finden Sie [TransformResources](https://docs.aws.amazon.com/sagemaker/latest/dg/API_TransformResources.html)im *SageMaker AI Developer Guide.* *defaultInstanceType* (Optional) Der Instanztyp, der im SageMaker KI-Assistenten in Quick Sight als Standardoption angezeigt wird. Fügen Sie diesen Instance-Typ in `instanceTypes` ein. *instanceCount* (Optional) Die Anzahl der Instanzen definiert, wie viele der ausgewählten Instanzen von SageMaker AI bereitgestellt werden müssen, um den Transformationsjob auszuführen. Der Wert muss eine positive Ganzzahl sein. *description* Dieses Feld bietet der Person, der das SageMaker KI-Modell gehört, die Möglichkeit, mit der Person zu kommunizieren, die dieses Modell in Quick Sight verwendet. Verwenden Sie dieses Feld, um Hinweise zur erfolgreichen Verwendung dieses Modells bereitzustellen. Dieses Feld kann z. B. Informationen zur Auswahl eines effektiven Instance-Typs enthalten, der aus der Liste in `instanceTypes` auszuwählen ist, basierend auf der Größe des Datasets. Dieses Feld ist auf 1.000 Zeichen beschränkt. *Version* Die Version des Schemas, zum Beispiel "`1.0"`. Das folgende Beispiel zeigt die JSON-Struktur in der Schemadatei. ``` { "inputContentType": "CSV", "outputContentType": "CSV", "input": [ { "name": "buying", "type": "STRING" }, { "name": "maint", "type": "STRING" }, { "name": "doors", "type": "INTEGER" }, { "name": "persons", "type": "INTEGER" }, { "name": "lug_boot", "type": "STRING" }, { "name": "safety", "type": "STRING" } ], "output": [ { "name": "Acceptability", "type": "STRING" } ], "description": "Use ml.m4.xlarge instance for small datasets, and ml.m4.4xlarge for datasets over 10 GB", "version": "1.0", "instanceCount": 1, "instanceTypes": [ "ml.m4.xlarge", "ml.m4.4xlarge" ], "defaultInstanceType": "ml.m4.xlarge" } ``` Die Struktur der Schemadatei hängt von der Art des Modells ab, das in den von SageMaker AI bereitgestellten Beispielen verwendet wird. ## Hinzufügen eines SageMaker KI-Modells zu Ihrem Quick Sight-Datensatz Mithilfe des folgenden Verfahrens können Sie Ihrem Datensatz ein vortrainiertes SageMaker KI-Modell hinzufügen, sodass Sie prädiktive Daten in Analysen und Dashboards verwenden können. Bevor Sie beginnen, sollten Sie Folgendes verfügbar haben: + Die Daten, die Sie zum Erstellen des Datasets verwenden möchten + Der Name des SageMaker KI-Modells, das Sie zur Erweiterung des Datensatzes verwenden möchten. + Das Schema des Modells. Dieses Schema umfasst Feldnamenzuweisungen und Datentypen. Es ist hilfreich, wenn es auch empfohlene Einstellungen für den Instance-Typ und die Anzahl der zu verwendenden Instances enthält. **Um Ihren Amazon Quick Sight-Datensatz mit SageMaker KI zu erweitern** 1. Erstellen Sie auf der Startseite ein neues Dataset, indem Sie **Datasets (Datensatz)** und dann **New data set (Neues Dataset)** auswählen. Sie können auch ein vorhandenes Dataset bearbeiten. 1. Wählen Sie SageMaker auf **dem Bildschirm zur Datenvorbereitung die Option Erweitern mit** aus. 1. Wählen Sie unter **Select your model (Modell auswählen)** die folgenden Einstellungen aus: + **Modell** — Wählen Sie das SageMaker KI-Modell aus, das zum Ableiten von Feldern verwendet werden soll. + **Name** – Geben Sie einen aussagekräftigen Namen für das Modell an. + **Schema** – Laden Sie die für das Modell bereitgestellte JSON-Schemadatei hoch. + **Erweiterte Einstellungen** — QuickSight empfiehlt die ausgewählten Standardeinstellungen auf der Grundlage Ihres Datensatzes. Sie können bestimmte Laufzeiteinstellungen verwenden, um die Geschwindigkeit und die Kosten Ihres Auftrags auszugleichen. Geben Sie dazu die SageMaker AI ML-Instanztypen für **Instanztyp** und die Anzahl der Instanzen für **Count** ein. Wählen Sie **Next** (Weiter), um fortzufahren. 1. Überprüfen Sie unter **Review inputs (Eingaben überprüfen)** die Felder, die Ihrem Dataset zugeordnet sind. Quick Sight versucht, die Felder in Ihrem Schema automatisch den Feldern in Ihrem Datensatz zuzuordnen. Sie können hier Änderungen vornehmen, wenn die Zuweisung angepasst werden muss. Wählen Sie **Next** (Weiter), um fortzufahren. 1. Prüfen Sie unter **Review outputs** (Ausgaben überprüfen) die Felder, die Ihrem Dataset hinzugefügt werden. Wählen Sie **Save and prepare data (Speichern und Daten vorbereiten)** aus, um Ihre Auswahl zu bestätigen. 1. Um die Daten zu aktualisieren, wählen Sie das Dataset aus, um Details anzuzeigen. Wählen Sie dann entweder **Refresh Now (Jetzt aktualisieren)** aus, um die Daten manuell zu aktualisieren, oder wählen Sie **Schedule refresh (Aktualisierung planen)** aus, um ein regelmäßiges Aktualisierungsintervall einzurichten. Bei jeder Datenaktualisierung führt das System automatisch den SageMaker AI-Batch-Transformationsjob aus, um die Ausgabefelder mit neuen Daten zu aktualisieren. # Erstellen Sie prädiktive Modelle mit SageMaker AI Canvas Amazon Quick-Autoren können Daten in SageMaker AI Canvas exportieren, um ML-Modelle zu erstellen, die an Quick zurückgesendet werden können. Autoren können diese ML-Modelle verwenden, um ihre Datensätze um prädiktive Analysen zu erweitern, die zur Erstellung von Analysen und Dashboards verwendet werden können. **Voraussetzungen** + Ein Quick-Konto, das in IAM Identity Center integriert ist. Wenn Ihr Quick-Konto nicht in IAM Identity Center integriert ist, erstellen Sie ein neues Quick-Konto und wählen Sie „**IAM Identity Center-fähige Anwendung als Identitätsanbieter verwenden**“. + Weitere Informationen zu IAM Identity Center finden Sie unter [Erste Schritte](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html). + Weitere Informationen zur Integration von Quick mit IAM Identity Center finden Sie unter. [Konfigurieren Sie Ihr Amazon Quick-Konto mit IAM Identity Center](setting-up-sso.md#sec-identity-management-identity-center) + Informationen zum Importieren von Assets aus einem vorhandenen Quick-Konto in ein neues Quick-Konto, das in IAM Identity Center integriert ist, finden Sie unter [Asset-Bundle-Operationen](https://docs.aws.amazon.com/quicksight/latest/developerguide/asset-bundle-ops.html). + Eine neue SageMaker KI-Domain, die in IAM Identity Center integriert ist. Weitere Informationen zum Onboarding in SageMaker AI Domain mit IAM Identity Center finden Sie unter [Onboarding in SageMaker AI Domain mithilfe von IAM](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-sso-users.html) Identity Center. **Topics** + [Erstellen Sie ein Prognosemodell in SageMaker AI Canvas von Amazon Quick Sight](#sagemaker-canvas-integration-create-model) + [Erstellen Sie einen Datensatz mit einem SageMaker AI Canvas-Modell](#sagemaker-canvas-integration-create-dataset) + [Überlegungen](#sagemaker-canvas-integration-considerations) ## Erstellen Sie ein Prognosemodell in SageMaker AI Canvas von Amazon Quick Sight **Um ein Vorhersagemodell in SageMaker AI Canvas zu erstellen** 1. Melden Sie sich bei Amazon Quick an und navigieren Sie zu der tabellarischen Tabelle oder Pivot-Tabelle, für die Sie ein Prognosemodell erstellen möchten. 1. Öffnen Sie das Visualisierungsmenü und wählen Sie **Ein Prognosemodell erstellen**. 1. Überprüfen **Sie im daraufhin angezeigten Popup-Fenster „Ein Prognosemodell in SageMaker AI Canvas erstellen**“ die angezeigten Informationen und wählen Sie dann **DATEN NACH SAGEMAKER CANVAS EXPORTIEREN**. 1. Wählen Sie im daraufhin angezeigten Bereich „**Exporte**“ die Option **GO TO SAGEMAKER CANVAS, wenn der Export abgeschlossen ist, um zur AI Canvas-Konsole** zu gelangen. SageMaker 1. Erstellen Sie in SageMaker AI Canvas ein Prognosemodell mit den Daten, die Sie aus Quick Sight exportiert haben. Sie können wählen, ob Sie an einem Tutorial teilnehmen möchten, die Ihnen bei der Erstellung des Vorhersagemodells hilft, oder Sie können das Tutorial überspringen und in Ihrem eigenen Tempo arbeiten. Weitere Informationen zum Erstellen eines Vorhersagemodells in SageMaker AI Canvas finden Sie unter Modell [erstellen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model-how-to.html#canvas-build-model-numeric-categorical). 1. Senden Sie das Vorhersagemodell zurück an Quick Sight. Weitere Informationen zum Senden eines Modells von SageMaker AI Canvas an Amazon Quick Sight finden [Sie unter Senden Sie Ihr Modell an Amazon Quick Sight](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-model-to-quicksight.html). ## Erstellen Sie einen Datensatz mit einem SageMaker AI Canvas-Modell Nachdem Sie ein Vorhersagemodell in SageMaker AI Canvas erstellt und an Quick Sight zurückgesendet haben, verwenden Sie das neue Modell, um einen neuen Datensatz zu erstellen oder ihn auf einen vorhandenen Datensatz anzuwenden. **So fügen Sie einem Datensatz ein Vorhersagefeld hinzu** 1. Öffnen Sie die Schnellkonsole, wählen Sie links **Daten** und dann die Registerkarte **Datensätze** aus. 1. Laden Sie einen neuen Datensatz hoch oder wählen Sie einen vorhandenen Datensatz aus. 1. Wählen Sie **Bearbeiten** aus. 1. **Wählen Sie auf der Datenvorbereitungsseite des Datensatzes die Option HINZUFÜGEN und anschließend **Vorhersagefeld **hinzufügen** aus, um das Modal „Mit KI erweitern“** zu öffnen. SageMaker ** 1. Wählen Sie unter **Modell** das Modell aus, das Sie von AI Canvas an Quick Sight gesendet haben. SageMaker Die Schemadatei wird automatisch im Bereich **Erweiterte Einstellungen** ausgefüllt. Überprüfen Sie die Eingaben und wählen Sie dann **Weiter**. 1. Geben Sie im Bereich „**Ausgaben überprüfen**“ einen Feldnamen und eine Beschreibung für eine Spalte ein, auf die das Modell ausgerichtet werden soll, das Sie in SageMaker AI Canvas erstellt haben. 1. Wählen Sie danach **Daten vorbereiten** aus. 1. Nachdem Sie **Daten vorbereiten** ausgewählt haben, werden Sie zur Datensatzseite weitergeleitet. Um den neuen Datensatz zu veröffentlichen, wählen Sie **Veröffentlichen und visualisieren**. Wenn Sie einen neuen Datensatz veröffentlichen, der ein Modell aus SageMaker AI Canvas verwendet, werden die Daten in SPICE importiert und ein Batch-Inferenzjob beginnt in SageMaker AI. Es kann bis zu 10 Minuten dauern, bis diese Prozesse abgeschlossen sind. ## Überlegungen Die folgenden Einschränkungen gelten für die Erstellung von SageMaker AI Canvas-Modellen mit Quick Sight-Daten. + Die Option **Ein Prognosemodell erstellen**, die zum Senden von Daten an SageMaker AI Canvas verwendet wird, ist nur für Tabellen- und tabellarische Pivottabellen verfügbar. Die Visualisierung der Tabelle oder Pivot-Tabelle muss zwischen 2 und 1.000 Felder und mindestens 500 Zeilen enthalten. + Bei Datensätzen, die Ganzzahl- oder geografische Datentypen enthalten, treten Schemazuordnungsfehler auf, wenn Sie dem Datensatz ein prädiktives Feld hinzufügen. Um dieses Problem zu beheben, entfernen Sie die Ganzzahl- oder geographischen Datentypen aus dem Datensatz oder konvertieren Sie sie in einen neuen Datentyp.