Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Mengintegrasikan model Amazon SageMaker AI dengan Amazon Quick Sight
**catatan**
Anda tidak memerlukan pengalaman teknis apa pun dalam pembelajaran mesin (ML) untuk membuat analisis dan dasbor yang menggunakan fitur bertenaga ML di Amazon Quick Sight.
Anda dapat menambah data edisi Amazon Quick Enterprise dengan model pembelajaran mesin Amazon SageMaker AI. Anda dapat menjalankan inferensi pada data yang disimpan di SPICE impor dari sumber data apa pun yang didukung oleh Quick. Untuk daftar lengkap sumber data yang didukung, lihat[Sumber data yang didukung](supported-data-sources.md).
Menggunakan model Quick with SageMaker AI dapat menghemat waktu yang mungkin Anda habiskan untuk mengelola pergerakan data dan menulis kode. Hasilnya berguna baik untuk mengevaluasi model dan—ketika Anda puas dengan hasilnya—untuk dibagikan dengan pengambil keputusan. Anda dapat mulai segera setelah model dibangun. Melakukan hal ini memunculkan model bawaan ilmuwan data Anda, dan memungkinkan Anda menerapkan ilmu data ke kumpulan data Anda. Kemudian Anda dapat membagikan wawasan ini di dasbor prediktif Anda. Dengan pendekatan Quick serverless, proses menskalakan dengan mulus, sehingga Anda tidak perlu khawatir tentang inferensi atau kapasitas kueri.
Amazon Quick mendukung model SageMaker AI yang menggunakan algoritma regresi dan klasifikasi. Anda dapat menerapkan fitur ini untuk mendapatkan prediksi untuk hampir semua kasus penggunaan bisnis. Beberapa contoh termasuk memprediksi kemungkinan churn pelanggan, gesekan karyawan, penilaian prospek penjualan, dan menilai risiko kredit. Untuk menggunakan Quick untuk memberikan prediksi, data model SageMaker AI untuk input dan output harus dalam format tabel. Dalam kasus penggunaan klasifikasi multikelas atau multilabel, setiap kolom keluaran harus berisi satu nilai. Quick tidak mendukung beberapa nilai dalam satu kolom.
**Topics**
+ [Bagaimana integrasi SageMaker AI bekerja](#sagemaker-how-it-works)
+ [Biaya yang dikeluarkan (tidak ada biaya tambahan dengan integrasi itu sendiri)](#sagemaker-cost-of-use)
+ [Pedoman penggunaan](#sagemaker-usage-guidelines)
+ [Mendefinisikan file skema](#sagemaker-schema-file)
+ [Menambahkan model SageMaker AI ke kumpulan data Quick Sight Anda](#sagemaker-using)
+ [Bangun model prediktif dengan SageMaker AI Canvas](sagemaker-canvas-integration.md)
## Bagaimana integrasi SageMaker AI bekerja
Secara umum, prosesnya bekerja seperti ini:
1. Administrator Amazon Quick menambahkan izin untuk Quick to access SageMaker AI. Untuk melakukan ini, buka pengaturan **Keamanan & Izin** dari halaman **Kelola Cepat**. Buka **Akses cepat ke AWS layanan**, dan tambahkan SageMaker AI.
Saat Anda menambahkan izin ini, Quick ditambahkan ke peran AWS Identity and Access Management (IAM) yang menyediakan akses untuk mencantumkan semua model SageMaker AI di akun Anda AWS . Ini juga memberikan izin untuk menjalankan pekerjaan SageMaker AI yang memiliki nama yang diawali. `quicksight-auto-generated-`
1. Kami menyarankan Anda terhubung ke model SageMaker AI yang memiliki pipeline inferensi, karena secara otomatis melakukan prapemrosesan data. Untuk informasi selengkapnya, lihat [Menerapkan Saluran Inferensi](https://docs.aws.amazon.com/sagemaker/latest/dg/inference-pipelines.html) di Panduan *Pengembang SageMaker AI*.
1. Setelah Anda mengidentifikasi data dan model yang telah dilatih sebelumnya yang ingin Anda gunakan bersama, pemilik model membuat dan menyediakan file skema. File JSON ini adalah kontrak dengan SageMaker AI. Ini menyediakan metadata tentang bidang, tipe data, urutan kolom, output, dan pengaturan yang diharapkan model. Komponen pengaturan opsional menyediakan ukuran instans dan jumlah instance komputasi yang akan digunakan untuk pekerjaan tersebut.
Jika Anda adalah ilmuwan data yang membuat model, buat file skema ini menggunakan format yang didokumentasikan berikut. Jika Anda adalah konsumen model, dapatkan file skema dari pemilik model.
1. Di Quick, Anda mulai dengan membuat dataset baru dengan data yang ingin Anda prediksi. Jika Anda mengunggah file, Anda dapat menambahkan model SageMaker AI di layar pengaturan unggah. Jika tidak, tambahkan model pada halaman persiapan data.
Sebelum Anda melanjutkan, verifikasi pemetaan antara kumpulan data dan model.
1. Setelah data diimpor ke kumpulan data, bidang keluaran berisi data yang dikembalikan dari SageMaker AI. Anda menggunakan bidang ini sama seperti Anda menggunakan bidang lain, dalam pedoman yang dijelaskan dalam[Pedoman penggunaan](#sagemaker-usage-guidelines).
Saat Anda menjalankan integrasi SageMaker AI, Quick meneruskan permintaan ke SageMaker AI untuk menjalankan pekerjaan transformasi batch dengan pipeline inferensi. Ketentuan mulai cepat dan penyebaran instans yang diperlukan di akun Anda AWS . Saat pemrosesan selesai, instance ini dimatikan dan dihentikan. Kapasitas komputasi menimbulkan biaya hanya ketika memproses model.
Untuk memudahkan Anda mengidentifikasi mereka, Quick memberi nama semua pekerjaan SageMaker AI-nya dengan awalan`quicksight-auto-generated-`.
1. Output dari inferensi disimpan SPICE dan ditambahkan ke dataset. Segera setelah inferensi selesai, Anda dapat menggunakan kumpulan data untuk membuat visualisasi dan dasbor menggunakan data prediksi.
1. Penyegaran data dimulai setiap kali Anda menyimpan kumpulan data. Anda dapat memulai proses penyegaran data secara manual dengan menyegarkan SPICE kumpulan data, atau Anda dapat menjadwalkannya untuk dijalankan secara berkala. Selama setiap penyegaran data, sistem secara otomatis memanggil transformasi batch SageMaker AI untuk memperbarui bidang output dengan data baru.
Anda dapat menggunakan operasi API SPICE konsumsi Amazon Quick Sight untuk mengontrol proses penyegaran data. Untuk informasi selengkapnya tentang penggunaan operasi API ini, lihat [Referensi API Amazon Quick Sight](https://docs.aws.amazon.com/quicksight/latest/APIReference/qs-api-overview.html).
## Biaya yang dikeluarkan (tidak ada biaya tambahan dengan integrasi itu sendiri)
Menggunakan fitur ini sendiri tidak memerlukan biaya tambahan. Biaya Anda termasuk yang berikut:
+ Biaya penerapan model melalui SageMaker AI, yang dikeluarkan hanya ketika model sedang berjalan. Menyimpan dataset — setelah membuat atau mengeditnya — atau menyegarkan datanya memulai proses konsumsi data. Proses ini termasuk memanggil SageMaker AI jika kumpulan data memiliki bidang yang disimpulkan. Biaya dikeluarkan di AWS akun yang sama di mana langganan Cepat Anda berada.
+ Biaya berlangganan Cepat Anda adalah sebagai berikut:
+ Biaya penyimpanan data Anda di mesin perhitungan dalam memori di Quick (SPICE). Jika Anda menambahkan data baruSPICE, Anda mungkin perlu membeli SPICE kapasitas yang cukup untuk mengakomodasi itu.
+ Langganan cepat untuk penulis atau admin yang membuat kumpulan data.
+ Pay-per-session biaya untuk pemirsa (pembaca) untuk mengakses dasbor interaktif.
## Pedoman penggunaan
Di Amazon Quick, pedoman penggunaan berikut berlaku untuk fitur edisi Enterprise ini:
+ Pemrosesan model terjadi diSPICE. Oleh karena itu, ini hanya dapat berlaku untuk kumpulan data yang disimpan di. SPICE Proses saat ini mendukung hingga 500 juta baris per kumpulan data.
+ Hanya admin atau penulis Cepat yang dapat menambah kumpulan data dengan model ML. Pembaca hanya dapat melihat hasilnya ketika mereka adalah bagian dari dasbor.
+ Setiap dataset dapat bekerja dengan satu dan hanya satu model ML.
+ Bidang keluaran tidak dapat digunakan untuk menghitung bidang baru.
+ Kumpulan data tidak dapat difilter berdasarkan bidang yang terintegrasi dengan model. Dengan kata lain, jika bidang dataset Anda saat ini dipetakan ke model ML, Anda tidak dapat memfilter pada bidang itu.
Di SageMaker AI, pedoman penggunaan berikut berlaku untuk model terlatih yang Anda gunakan dengan Amazon Quick Sight:
+ Saat Anda membuat model, kaitkan dengan Amazon Resource Name (ARN) untuk peran IAM yang sesuai. Peran IAM untuk model SageMaker AI perlu memiliki akses ke bucket Amazon S3 yang digunakan Amazon Quick Sight.
+ Pastikan model Anda mendukung file.csv untuk input dan output. Pastikan data Anda dalam format tabel.
+ Berikan file skema yang berisi metadata tentang model, termasuk daftar bidang input dan output. Saat ini, Anda harus membuat file skema ini secara manual.
+ Pertimbangkan jumlah waktu yang diperlukan untuk menyelesaikan inferensi Anda, yang tergantung pada sejumlah faktor. Ini termasuk kompleksitas model, jumlah data, dan kapasitas komputasi yang ditentukan. Menyelesaikan inferensi dapat memakan waktu beberapa menit hingga beberapa jam. Amazon Quick Sight membatasi semua konsumsi data dan pekerjaan inferensi hingga maksimal 10 jam. Untuk mengurangi waktu yang diperlukan untuk melakukan inferensi, pertimbangkan untuk meningkatkan ukuran instans atau jumlah instance.
+ Saat ini, Anda hanya dapat menggunakan transformasi batch untuk integrasi dengan SageMaker AI, bukan data real-time. Anda tidak dapat menggunakan titik akhir SageMaker AI.
## Mendefinisikan file skema
Sebelum Anda menggunakan model SageMaker AI dengan data Quick Sight, buat file skema JSON yang berisi metadata yang dibutuhkan Amazon Quick Sight untuk memproses model tersebut. Penulis atau admin Amazon Quick mengunggah file skema saat mengonfigurasi kumpulan data.
Bidang skema didefinisikan sebagai berikut. Semua bidang diperlukan kecuali ditentukan dalam deskripsi berikut. Atribut peka huruf besar/kecil.
*inputContentType*
Jenis konten yang diharapkan model SageMaker AI ini untuk data input. Satu-satunya nilai yang didukung untuk ini adalah`"text/csv"`. Quick Sight tidak menyertakan nama header apa pun yang Anda tambahkan ke file input.
*outputContentType*
Jenis konten output yang dihasilkan oleh model SageMaker AI yang ingin Anda gunakan. Satu-satunya nilai yang didukung untuk ini adalah`"text/csv"`.
*masukan*
Daftar fitur yang diharapkan model dalam data input. Quick Sight menghasilkan data input dalam urutan yang persis sama. Daftar ini berisi atribut berikut:
+ *Nama* - Nama kolom. Jika memungkinkan, buat ini sama dengan nama kolom yang sesuai dalam QuickSight kumpulan data. Atribut ini dibatasi hingga 100 karakter.
+ *type — Tipe* data dari kolom ini. Atribut ini mengambil nilai-nilai`"INTEGER"`,`"STRING"`, dan`"DECIMAL"`.
+ *nullable* - (Opsional) Nullability lapangan. Nilai default-nya adalah `true`. Jika Anda `nullable` menyetelnya`false`, Quick Sight akan menjatuhkan baris yang tidak berisi nilai ini sebelum memanggil SageMaker AI. Melakukan hal ini membantu menghindari menyebabkan SageMaker AI gagal pada data yang diperlukan yang hilang.
*keluaran*
Daftar kolom keluaran yang dihasilkan model SageMaker AI. Quick Sight mengharapkan bidang-bidang ini dalam urutan yang persis sama. Daftar ini berisi atribut berikut:
+ *name* — Nama ini menjadi nama default untuk kolom baru yang sesuai yang dibuat di Quick Sight. Anda dapat mengganti nama yang ditentukan di sini di Quick Sight. Atribut ini dibatasi hingga 100 karakter.
+ *type — Tipe* data dari kolom ini. Atribut ini mengambil nilai-nilai`"INTEGER"`,`"STRING"`, dan`"DECIMAL"`.
*InstanceTypes*
Daftar jenis instans ML yang dapat disediakan SageMaker AI untuk menjalankan tugas transformasi. Daftar ini disediakan untuk pengguna Amazon Quick untuk dipilih. Daftar ini terbatas pada jenis yang didukung oleh SageMaker AI. Untuk informasi selengkapnya tentang jenis yang didukung, lihat [TransformResources](https://docs.aws.amazon.com/sagemaker/latest/dg/API_TransformResources.html)di *Panduan Pengembang SageMaker AI.*
*defaultInstanceType*
(Opsional) Jenis instans yang disajikan sebagai opsi default di wizard SageMaker AI di Quick Sight. Sertakan jenis contoh ini di`instanceTypes`.
*InstanceCount*
(Opsional) Jumlah instans menentukan berapa banyak instance yang dipilih untuk disediakan SageMaker AI untuk menjalankan pekerjaan transformasi. Nilai ini harus berupa bilangan bulat positif.
*deskripsi*
Bidang ini menyediakan tempat bagi orang yang memiliki model SageMaker AI untuk berkomunikasi dengan orang yang menggunakan model ini di Quick Sight. Gunakan bidang ini untuk memberikan petunjuk tentang berhasil menggunakan model ini. Misalnya, bidang ini dapat berisi informasi tentang memilih jenis instans yang efektif untuk dipilih dari daftar`instanceTypes`, berdasarkan ukuran kumpulan data. Bidang ini dibatasi hingga 1.000 karakter.
*versi*
Versi skema, misalnya "`1.0"`.
Contoh berikut menunjukkan struktur JSON dalam file skema.
```
{
"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"
}
```
Struktur file skema terkait dengan jenis model yang digunakan dalam contoh yang disediakan oleh SageMaker AI.
## Menambahkan model SageMaker AI ke kumpulan data Quick Sight Anda
Dengan menggunakan prosedur berikut, Anda dapat menambahkan model SageMaker AI yang telah dilatih sebelumnya ke kumpulan data Anda, sehingga Anda dapat menggunakan data prediktif dalam analisis dan dasbor.
Sebelum Anda mulai, sediakan item berikut:
+ Data yang ingin Anda gunakan untuk membangun dataset.
+ Nama model SageMaker AI yang ingin Anda gunakan untuk menambah dataset.
+ Skema model. Skema ini mencakup pemetaan nama bidang dan tipe data. Akan sangat membantu jika juga berisi pengaturan yang disarankan untuk jenis instance dan jumlah instance yang akan digunakan.
**Untuk menambah dataset Amazon Quick Sight Anda dengan AI SageMaker**
1. **Buat kumpulan data baru dari halaman awal dengan memilih **Datasets, lalu pilih Dataset** baru.**
Anda juga dapat mengedit kumpulan data yang ada.
1. Pilih **Augment dengan SageMaker** pada layar persiapan data.
1. Untuk **Pilih model Anda**, pilih pengaturan berikut:
+ **Model** — Pilih model SageMaker AI yang akan digunakan untuk menyimpulkan bidang.
+ **Nama** — Berikan nama deskriptif untuk model.
+ **Skema** - Unggah file skema JSON yang disediakan untuk model.
+ **Pengaturan lanjutan** — QuickSight merekomendasikan default yang dipilih berdasarkan kumpulan data Anda. Anda dapat menggunakan pengaturan runtime tertentu untuk menyeimbangkan kecepatan dan biaya pekerjaan Anda. Untuk melakukan ini, masukkan jenis instans SageMaker AI ML untuk **tipe Instance** dan jumlah instance untuk **Count**.
Pilih **Next** untuk melanjutkan.
1. Untuk **masukan Tinjauan**, tinjau bidang yang dipetakan ke kumpulan data Anda. Quick Sight mencoba untuk secara otomatis memetakan bidang dalam skema Anda ke bidang dalam kumpulan data Anda. Anda dapat membuat perubahan di sini jika pemetaan perlu penyesuaian.
Pilih **Next** untuk melanjutkan.
1. Untuk **keluaran Tinjauan**, lihat bidang yang ditambahkan ke kumpulan data Anda.
Pilih **Simpan dan siapkan data** untuk mengonfirmasi pilihan Anda.
1. Untuk menyegarkan data, pilih kumpulan data untuk melihat detail. Kemudian pilih **Refresh Now** untuk menyegarkan data secara manual, atau pilih **Jadwalkan penyegaran** untuk mengatur interval penyegaran reguler. Selama setiap penyegaran data, sistem secara otomatis menjalankan pekerjaan transformasi batch SageMaker AI untuk memperbarui bidang output dengan data baru.
# Bangun model prediktif dengan SageMaker AI Canvas
Penulis Amazon Quick dapat mengekspor data ke SageMaker AI Canvas untuk membangun model ML yang dapat dikirim kembali ke Quick. Penulis dapat menggunakan model ML ini untuk menambah kumpulan data mereka dengan analitik prediktif yang dapat digunakan untuk membangun analisis dan dasbor.
**Prasyarat**
+ Akun Cepat yang terintegrasi dengan IAM Identity Center. Jika akun Cepat Anda tidak terintegrasi dengan IAM Identity Center, buat akun Cepat baru dan pilih **Gunakan aplikasi yang diaktifkan Pusat Identitas IAM** sebagai penyedia identitas.
+ Untuk informasi selengkapnya tentang Pusat Identitas IAM, lihat [Memulai](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html).
+ Untuk mempelajari lebih lanjut tentang mengintegrasikan Quick Anda dengan IAM Identity Center, lihat. [Konfigurasikan akun Amazon Quick Anda dengan IAM Identity Center](setting-up-sso.md#sec-identity-management-identity-center)
+ Untuk mengimpor aset dari akun Cepat yang ada ke akun Cepat baru yang terintegrasi dengan Pusat Identitas IAM, lihat [Operasi bundel aset](https://docs.aws.amazon.com/quicksight/latest/developerguide/asset-bundle-ops.html).
+ Domain SageMaker AI baru yang terintegrasi dengan IAM Identity Center. Untuk informasi selengkapnya tentang orientasi ke Domain SageMaker AI dengan IAM Identity Center, lihat [Onboard to SageMaker AI Domain menggunakan IAM Identity](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-sso-users.html) Center.
**Topics**
+ [Bangun model prediktif di SageMaker AI Canvas dari Amazon Quick Sight](#sagemaker-canvas-integration-create-model)
+ [Buat kumpulan data dengan model SageMaker AI Canvas](#sagemaker-canvas-integration-create-dataset)
+ [Pertimbangan-pertimbangan](#sagemaker-canvas-integration-considerations)
## Bangun model prediktif di SageMaker AI Canvas dari Amazon Quick Sight
**Untuk membangun model prediktif di SageMaker AI Canvas**
1. Masuk ke Amazon Quick dan arahkan ke tabel tabular atau tabel pivot yang ingin Anda buat model prediktif.
1. Buka menu on-visual dan pilih **Build a predictive model**.
1. Dalam **Build a predictive model in SageMaker AI Canvas** pop up yang muncul, tinjau informasi yang disajikan lalu pilih **EXPORT DATA TO SAGEMAKER** CANVAS.
1. Di panel **Ekspor** yang muncul, pilih **GO TO SAGEMAKER CANVAS saat ekspor selesai untuk pergi ke konsol AI Canvas**. SageMaker
1. Di SageMaker AI Canvas, buat model prediktif dengan data yang Anda ekspor dari Quick Sight. Anda dapat memilih untuk mengikuti tur berpemandu yang membantu Anda membuat model prediktif, atau Anda dapat melewatkan tur dan bekerja dengan kecepatan Anda sendiri. Untuk informasi selengkapnya tentang membuat model prediktif di SageMaker AI Canvas, lihat [Membangun model](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model-how-to.html#canvas-build-model-numeric-categorical).
1. Kirim model prediktif kembali ke Quick Sight. Untuk informasi selengkapnya tentang mengirim model dari SageMaker AI Canvas ke Amazon Quick Sight, lihat [Mengirim model Anda ke Amazon Quick Sight](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-model-to-quicksight.html).
## Buat kumpulan data dengan model SageMaker AI Canvas
Setelah Anda membuat model prediktif di SageMaker AI Canvas dan mengirimkannya kembali ke Quick Sight, gunakan model baru untuk membuat kumpulan data baru atau menerapkannya ke kumpulan data yang ada.
**Untuk menambahkan bidang prediktif ke kumpulan data**
1. Buka konsol Cepat, pilih **Data** di sebelah kiri, dan pilih tab **Datasets**.
1. Unggah kumpulan data baru atau pilih kumpulan data yang sudah ada.
1. Pilih **Edit**.
1. **Pada halaman persiapan data set data, pilih ADD, lalu pilih **Tambahkan** **bidang prediktif** untuk membuka modal Augment with AI. SageMaker **
1. Untuk **Model**, pilih model yang Anda kirim ke Quick Sight dari SageMaker AI Canvas. File skema secara otomatis terisi di panel **Pengaturan lanjutan**. Tinjau input, lalu pilih **Berikutnya**.
1. Pada panel **Review output**, masukkan nama bidang dan deskripsi untuk colum yang akan ditargetkan oleh model yang Anda buat di SageMaker AI Canvas.
1. Setelah selesai, pilih **Siapkan data**.
1. Setelah Anda memilih **Siapkan data**, Anda akan diarahkan ke halaman dataset. Untuk mempublikasikan dataset baru, pilih, **Publish & Visuallize**.
Saat Anda mempublikasikan kumpulan data baru yang menggunakan model dari SageMaker AI Canvas, data diimpor ke SPICE dan pekerjaan inferensi batch dimulai di SageMaker AI. Diperlukan waktu hingga 10 menit untuk menyelesaikan proses ini.
## Pertimbangan-pertimbangan
Keterbatasan berikut berlaku untuk pembuatan model SageMaker AI Canvas dengan data Quick Sight.
+ Opsi **Build a predictive model** yang digunakan untuk mengirim data ke SageMaker AI Canvas hanya tersedia pada tabel dan visual tabel pivot tabular. Tabel atau tabel pivot visual harus memiliki antara 2 dan 1.000 bidang dan setidaknya 500 baris.
+ Kumpulan data yang berisi tipe data integer atau geografis akan mengalami kesalahan pemetaan skema saat Anda menambahkan bidang prediktif ke kumpulan data. Untuk mengatasi masalah ini, hapus tipe data integer atau geografis dari kumpulan data atau konversikan ke tipe data baru.