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 QuickSight

Sie können Ihre Amazon QuickSight Enterprise Edition-Daten mit Amazon SageMaker AI-Modellen für maschinelles Lernen erweitern. Sie können Rückschlüsse auf Daten ziehen, die in gespeichert sind SPICE importiert aus einer beliebigen von Amazon unterstützten Datenquelle QuickSight. Eine vollständige Liste der unterstützten Datenquellen finden Sie unter Unterstützte Datenquellen.

Wenn Sie Amazon QuickSight mit SageMaker KI-Modellen verwenden, können Sie Zeit sparen, die Sie sonst für die Verwaltung von Datenbewegungen 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 QuickSight serverlosen Ansatz von Amazon lässt sich der Prozess nahtlos skalieren, sodass Sie sich keine Gedanken über Inferenz- oder Abfragekapazität machen müssen.

Amazon QuickSight 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 Amazon zur Bereitstellung von Prognosen verwenden QuickSight 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. Amazon unterstützt QuickSight nicht mehrere Werte in einer einzelnen Spalte.

Wie funktioniert die SageMaker KI-Integration

Im Allgemeinen funktioniert der Prozess folgendermaßen:

Anfallende Kosten (keine zusätzlichen Kosten bei Integration selbst)

Für die Nutzung dieses Feature fällt an sich keine zusätzliche Gebühr an. Ihre Kosten beinhalten Folgendes:

Richtlinien für die Verwendung

Bei Amazon QuickSight gelten die folgenden Nutzungsrichtlinien für diese Enterprise Edition-Funktion:

In SageMaker KI gelten die folgenden Nutzungsrichtlinien für ein vortrainiertes Modell, das Sie mit Amazon QuickSight verwenden:

Definieren der Schemadatei

Bevor Sie ein SageMaker KI-Modell mit QuickSight Amazon-Daten verwenden, erstellen Sie die JSON Schemadatei, die die Metadaten enthält, die Amazon zur Verarbeitung des Modells QuickSight benötigt. Der QuickSight Amazon-Autor oder -Administrator 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.

Das folgende Beispiel zeigt die Struktur von JSON 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 QuickSight Datensatz

Mit dem folgenden Verfahren 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: