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.

Premiers pas avec Amazon Redshift ML

Amazon Redshift ML permet SQL aux utilisateurs de créer, d'entraîner et de déployer facilement des modèles d'apprentissage automatique à l'aide de commandes familièresSQL. Avec Amazon Redshift ML, vous pouvez utiliser les données de votre cluster Redshift pour entraîner des modèles avec Amazon. SageMaker Ensuite, les modèles sont localisés et les prédictions peuvent être faites dans une base de données Amazon Redshift. Amazon Redshift ML prend actuellement en charge les algorithmes d'apprentissage automatique : XGBoost (AUTOON etOFF) et perceptron multicouche (AUTOON), K-Means () et Linear AUTO OFF Learner.

Cluster et configuration de la mise en place pour l'administration Amazon Redshift ML

Avant de travailler avec Amazon Redshift ML, terminez la configuration du cluster et configurez les autorisations pour utiliser Amazon Redshift ML.

Configuration du cluster pour l'utilisation d'Amazon Redshift ML

Avant de travailler avec Amazon Redshift ML, vous devez remplir les conditions préalables suivantes.

En tant qu'administrateur Amazon Redshift, effectuez la configuration unique suivante pour utiliser les clusters provisionnés par Amazon Redshift. Pour utiliser Amazon Redshift ML avec Amazon Redshift Serverless, consultez Getting started with Amazon Redshift Serverless.

Pour plus d'informations sur la façon d'utiliser l'CREATEMODELinstruction pour commencer à créer des modèles pour différents cas d'utilisation, consultezCREATE MODEL.

Gestion des autorisations et de la propriété

Tout comme pour d'autres objets de base de données, tels que des tables ou des fonctions, Amazon Redshift lie la création et l'utilisation de modèles ML pour accéder aux mécanismes de contrôle. Il existe des autorisations distinctes pour la création d'un modèle exécutant des fonctions de prédiction.

Les exemples suivants illustrent comment Amazon Redshift gère le contrôle d'accès en utilisant deux groupes d'utilisateurs, retention_analyst_grp (créateur du modèle) et marketing_analyst_grp (utilisateur du modèle). L'analyste de rétention crée des modèles de machine learning que d'autres groupes d'utilisateurs peuvent utiliser grâce aux autorisations acquises.

Un superutilisateur peut GRANT USER ou est GROUP autorisé à créer des modèles d'apprentissage automatique à l'aide de l'instruction suivante.

GRANT CREATE MODEL TO GROUP retention_analyst_grp;

Les utilisateurs ou les groupes disposant de cette autorisation peuvent créer un modèle dans n'importe quel schéma du cluster si un utilisateur dispose de l'CREATEautorisation habituelle sur leSCHEMA. Le modèle de machine learning fait partie de la hiérarchie du schéma de la même manière que les tables, les vues, les procédures et les fonctions définies par l'utilisateur.

En supposant qu'un schéma demo_ml existe déjà, accordez l'autorisation aux deux groupes d'utilisateurs sur le schéma comme suit.

GRANT CREATE, USAGE ON SCHEMA demo_ml TO GROUP retention_analyst_grp;

GRANT USAGE ON SCHEMA demo_ml TO GROUP marketing_analyst_grp;

Pour permettre à d'autres utilisateurs d'utiliser votre fonction d'inférence d'apprentissage automatique, accordez l'EXECUTEautorisation. L'exemple suivant utilise l'EXECUTEautorisation pour accorder au marketing_analyst_grp GROUP l'autorisation d'utiliser le modèle.

GRANT EXECUTE ON MODEL demo_ml.customer_churn_auto_model TO GROUP marketing_analyst_grp;

Utilisez l'REVOKEinstruction avec CREATE MODEL et EXECUTE pour révoquer ces autorisations accordées à des utilisateurs ou à des groupes. Pour plus d'informations sur les instructions de contrôle d'autorisations, consultez GRANT et REVOKE.

Utilisation de l'explicabilité du modèle avec Amazon Redshift ML

Avec l'explicabilité du modèle dans Amazon Redshift ML, vous utilisez des valeurs d'importance des fonctions pour aider à comprendre comment chaque attribut de vos données d'entraînement contribue au résultat prédit.

L'explicabilité du modèle aide à améliorer vos modèles de machine learning (ML) en expliquant les prédictions réalisées par vos modèles. L'explicabilité du modèle vous explique comment les modèles réalisent des prédictions à l'aide d'une approche d'attribution de fonctions.

Amazon Redshift ML intègre l'explicabilité du modèle pour fournir une fonctionnalité d'explication du modèle aux utilisateurs Amazon Redshift ML. Pour plus d'informations sur l'explicabilité des modèles, consultez Qu'est-ce que l'équité et l'explicabilité des modèles pour les prédictions du Machine Learning ? dans le manuel Amazon SageMaker Developer Guide.

L'explicabilité du modèle surveille également les inférences produites par les modèles en production, pour la dérive dans l'attribution de fonctions. Elle fournit également les outils nécessaires pour générer des rapports de gouvernance de modèles destinés aux équipes responsables des risques et de la conformité, et aux organismes de réglementation externes.

Lorsque vous spécifiez l'AUTOOFFoption AUTO ON ou que vous utilisez l'CREATEMODELinstruction, une fois la tâche de formation du modèle terminée, la sortie d'explication est SageMaker créée. Vous pouvez utiliser la MODEL fonction EXPLAIN _ pour interroger le rapport d'explicabilité dans un JSON format. Pour de plus amples informations, veuillez consulter Solutions de machine learning.

Métriques de probabilité Amazon Redshift ML

Dans les problèmes d'apprentissage supervisé, les étiquettes de classe sont le résultat de prédictions utilisant les données d'entrée. Par exemple, si vous utilisez un modèle pour prédire si un client se réabonnera à un service de streaming, les étiquettes possibles sont probable et peu probable. Redshift ML offre la possibilité d'utiliser des métriques de probabilité, qui attribuent une probabilité à chaque étiquette pour indiquer sa probabilité. Cela vous permet de prendre des décisions plus éclairées en fonction des résultats prévus. Dans Amazon Redshift ML, les métriques de probabilité sont disponibles lors de la création de modèles AUTO ON présentant un type de problème de classification binaire ou de classification multiclasse. Si vous omettez le paramètre AUTO ON, Redshift ML suppose que le modèle doit avoir AUTO la valeur ON.

Créer le modèle

Lors de la création d'un modèle, Amazon Redshift détecte automatiquement le type de modèle et le type de problème. S'il s'agit d'un problème de classification, Redshift crée automatiquement une deuxième fonction d'inférence que vous pouvez utiliser pour générer des probabilités relatives à chaque étiquette. Le nom de cette deuxième fonction d'inférence est le nom de la fonction d'inférence que vous avez spécifié, suivi de la chaîne _probabilities. Par exemple, si vous nommez votre fonction d'inférence customer_churn_predict, le nom de la deuxième fonction d'inférence est customer_churn_predict_probabilities. Vous pouvez ensuite interroger cette fonction pour obtenir les probabilités de chaque étiquette.

CREATE MODEL customer_churn_model
FROM customer_activity
    PROBLEM_TYPE BINARY_CLASSIFICATION
TARGET churn
FUNCTION customer_churn_predict
IAM_ROLE {default}
AUTO ON
SETTINGS ( S3_BUCKET 'amzn-s3-demo-bucket'

Obtenir des probabilités

Une fois que la fonction de probabilité est prête, l'exécution de la commande renvoie un SUPERtype contenant des tableaux des probabilités renvoyées et leurs étiquettes associées. Par exemple, le résultat "probabilities" : [0.7, 0.3], "labels" : ["False.", "True."] signifie que l'étiquette False a une probabilité de 0,7 et que l'étiquette True a une probabilité de 0,3.

SELECT customer_churn_predict_probabilities(Account_length, Area_code, 
            VMail_message, Day_mins, Day_calls, Day_charge,Eve_mins, Eve_calls, 
            Eve_charge, Night_mins, Night_calls, Night_charge,Intl_mins, Intl_calls, 
            Intl_charge, Cust_serv_calls) 
FROM customer_activity;
            
customer_churn_predict_probabilities
 --------------------
 {"probabilities" : [0.7, 0.3], "labels" : ["False.", "True."]} 
 {"probabilities" : [0.8, 0.2], "labels" : ["False.", "True."]}
 {"probabilities" : [0.75, 0.25], "labels" : ["True.", "False"]}

Les tableaux de probabilités et d'étiquettes sont toujours triés en fonction de leurs probabilités par ordre décroissant. Vous pouvez écrire une requête pour renvoyer uniquement l'étiquette prédite présentant la probabilité la plus élevée en démêlant les résultats SUPER renvoyés par la fonction de probabilité.

SELECT prediction.labels[0], prediction.probabilities[0]
            FROM (SELECT customer_churn_predict_probabilities(Account_length, Area_code, 
            VMail_message, Day_mins, Day_calls, Day_charge,Eve_mins, Eve_calls, 
            Eve_charge, Night_mins, Night_calls, Night_charge,Intl_mins, Intl_calls, 
            Intl_charge, Cust_serv_calls) AS prediction
FROM customer_activity);

  labels   | probabilities
-----------+--------------
 "False."  | 0.7
 "False."  | 0.8
 "True."   | 0.75  

Pour simplifier les requêtes, vous pouvez stocker les résultats de la fonction de prédiction dans une table.

CREATE TABLE churn_auto_predict_probabilities AS 
             (SELECT customer_churn_predict_probabilities(Account_length, Area_code, 
             VMail_message, Day_mins, Day_calls, Day_charge,Eve_mins, Eve_calls, 
             Eve_charge, Night_mins, Night_calls, Night_charge,Intl_mins,
             Intl_calls, Intl_charge, Cust_serv_calls) AS prediction
FROM customer_activity); 

Vous pouvez interroger la table contenant les résultats pour renvoyer uniquement les prédictions dont la probabilité est supérieure à 0,7.

SELECT prediction.labels[0], prediction.probabilities[0]
FROM churn_auto_predict_probabilities
WHERE prediction.probabilities[0] > 0.7;

  labels   | probabilities
-----------+--------------
 "False."  | 0.8
 "True."   | 0.75   

En utilisant la notation d'index, vous pouvez obtenir la probabilité d'une étiquette spécifique. L'exemple suivant renvoie les probabilités de toutes les étiquettes True..

SELECT label, index, p.prediction.probabilities[index]
FROM churn_auto_predict_probabilities p, p.prediction.labels AS label AT index
WHERE label='True.';

  label  | index | probabilities
---------+-------+---------------
 "True." |     0 | 0.3
 "True." |     0 | 0.2
 "True." |     0 | 0.75

L'exemple suivant renvoie toutes les lignes portant une étiquette True avec une probabilité supérieure à 0,7, ce qui indique que le client est susceptible de se désister.

SELECT prediction.labels[0], prediction.probabilities[0]
FROM churn_auto_predict_probabilities
WHERE prediction.probabilities[0] > 0.7 AND prediction.labels[0] = "True.";

labels     | probabilities
-----------+--------------
 "True."   | 0.75