本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 將 Amazon SageMaker AI 模型與 Amazon Quick Sight 整合
<a name="sagemaker-integration"></a>

**注意**  
您不需要任何機器學習 (ML) 的技術經驗，即可撰寫使用 Amazon Quick Sight 中採用 ML 功能的分析和儀表板。

您可以使用 Amazon SageMaker AI 機器學習模型來擴增 Amazon Quick Enterprise 版資料。您可以在從 Quick 支援的任何資料來源SPICE匯入的 中存放的資料上執行推論。如需支援的資料來源的完整清單，請參閱 [支援的資料來源](supported-data-sources.md)。

使用 Quick with SageMaker AI 模型可以節省您管理資料移動和編寫程式碼所花費的時間。這些結果針對評估模型，以及 (當您滿意結果時) 用於與決策制定者分享都很有用。您可以在建立模型後立即開始。這樣做可以顯示您的資料科學家預先建立的模型，並可讓您將資料科學套用於資料集。然後，您可以在預測儀表板中分享這些深入解析。透過快速無伺服器方法，程序可無縫擴展，因此您不需要擔心推論或查詢容量。

Amazon Quick 支援使用迴歸和分類演算法的 SageMaker AI 模型。您可以套用此功能，取得幾乎所有商業使用案例的預測。有些範例包括預測客戶流失的可能性、員工流失、評分銷售潛在客戶，以及評估信用風險。若要使用 Quick 提供預測，輸入和輸出的 SageMaker AI 模型資料必須是表格格式。在多類別或多標籤的分類使用案例中，每個輸出資料欄都必須包含單一值。Quick 不支援單一資料欄中的多個值。

**Topics**
+ [SageMaker AI 整合的運作方式](#sagemaker-how-it-works)
+ [產生的成本 (整合本身無額外成本)](#sagemaker-cost-of-use)
+ [使用指引](#sagemaker-usage-guidelines)
+ [定義結構描述檔案](#sagemaker-schema-file)
+ [將 SageMaker AI 模型新增至 Quick Sight 資料集](#sagemaker-using)
+ [使用 SageMaker AI Canvas 建置預測模型](sagemaker-canvas-integration.md)

## SageMaker AI 整合的運作方式
<a name="sagemaker-how-it-works"></a>

 一般來說，此程序的運作方式如下：

1. Amazon Quick 管理員新增 Quick 存取 SageMaker AI 的許可。若要這樣做，請從**管理快速**頁面開啟**安全與許可**設定。前往**快速存取 AWS 服務**，並新增 SageMaker AI。

   當您新增這些許可時，Quick 會新增至 AWS Identity and Access Management (IAM) 角色，該角色提供列出您 AWS 帳戶中所有 SageMaker AI 模型的存取權。它也提供執行名稱前置詞為 `quicksight-auto-generated-` 的 SageMaker AI 任務的許可。

1. 建議您連線至具有推論管道的 SageMaker AI 模型，因為其會自動執行資料預先處理。如需詳細資訊，請參閱《SageMaker AI 開發人員指南》**中的[部署推論管道](https://docs.aws.amazon.com/sagemaker/latest/dg/inference-pipelines.html)一節。

1. 識別資料和您要一起使用的預先訓練模型之後，模型的擁有者會建立並提供結構描述檔案。此 JSON 檔案是與 SageMaker AI 簽訂的合約。它提供有關欄位、資料類型、資料欄順序、輸出和模型預期之設定的中繼資料。選用設定元件提供要用於任務的執行個體大小和計算執行個體的計數。

   如果您是建置該模型的資料科學家，請使用下列格式建立此資料結構描述檔案。如果您是模型的使用者，請向模型的擁有者取得結構描述檔案。

1. 在 Quick 中，首先使用您要進行預測的資料建立新的資料集。如果您正在上傳檔案，您可以在上傳設定畫面上新增 SageMaker AI 模型。否則，您可以在資料準備頁面上新增模型。

   在繼續之前，請確認資料集和模型之間的對應。

1. 將資料匯入資料集之後，輸出欄位會包含從 SageMaker AI 傳回的資料。這些欄位的使用方式與您使用其他欄位的方式相同，請遵循 [使用指引](#sagemaker-usage-guidelines) 中所述的指導方針。

   當您執行 SageMaker AI 整合時，Quick 會將請求傳遞給 SageMaker AI，以使用推論管道執行批次轉換任務。快速啟動佈建和部署您 AWS 帳戶中所需的執行個體。當處理完成時，這些執行個體會被關閉並終止。運算容量只有在處理模型時才會產生成本。

   為了讓您更輕鬆地識別它們，快速將其所有 SageMaker AI 任務命名為字首 `quicksight-auto-generated-`。

1. 推斷的輸出會儲存在 SPICE 中，並附加到資料集。一旦推論完成，您就可以使用資料集來利用預測資料建立視覺效果和儀表板。

1. 每次儲存資料集時，都會開始重新整理資料。您可以重新整理 SPICE 資料集，以手動開始資料的重新整理程序，或者您可以將它排程為定期執行。在每次資料重新整理期間，系統會自動呼叫 SageMaker AI 批次轉換，以更新具有新資料的輸出欄位。

   您可以使用 Amazon Quick Sight SPICE 擷取 API 操作來控制資料重新整理程序。如需使用這些 API 操作的詳細資訊，請參閱 [Amazon Quick Sight API 參考](https://docs.aws.amazon.com/quicksight/latest/APIReference/qs-api-overview.html)。

## 產生的成本 (整合本身無額外成本)
<a name="sagemaker-cost-of-use"></a>

使用此功能本身不需支付額外的費用。您的成本包括下列各項：
+ 透過 SageMaker AI 模型部署的成本，只有在模型執行時才會產生成本。儲存資料集 (在建立或編輯資料集之後) 或重新整理資料之後，就會開始資料擷取程序。如果資料集具有推斷欄位，則此程序包括呼叫 SageMaker AI。成本會在您的快速訂閱所在的相同 AWS 帳戶中產生。
+ 您的快速訂閱成本如下所示：
  + 在 Quick () 的記憶體內計算引擎中存放資料的成本SPICE。如果您要新增資料至 SPICE，您可能需要購買足夠的 SPICE 容量來容納它。
  + 適用於建置資料集之作者或管理員的快速訂閱。
  + 檢視者 (讀者) 存取互動式儀表板的按工作階段付費費用。

## 使用指引
<a name="sagemaker-usage-guidelines"></a>

在 Amazon Quick 中，下列使用準則適用於此 Enterprise Edition 功能：
+ 模型的處理會發生在 SPICE 中。因此，它僅套用至儲存在 SPICE 中的資料集。該程序目前支援每個資料集最多 5 億個資料列。
+ 只有快速管理員或作者可以使用 ML 模型增強資料集。讀者只能在他們是儀表板的一部分時檢視結果。
+ 每個資料集僅可以使用確切一個 ML 模型。
+ 輸出欄位不能用來計算新欄位。
+ 資料集不能依與模型整合的欄位篩選。換句話說，如果您的資料集欄位目前映射至 ML 模型，則您無法依該欄位篩選。

在 SageMaker AI 中，下列使用準則適用於您與 Amazon Quick Sight 搭配使用的預先訓練模型：
+ 建立模型時，請將其與適當 IAM 角色的 Amazon Resource Name (ARN) 產生關聯。SageMaker AI 模型的 IAM 角色需要存取 Amazon Quick Sight 使用的 Amazon S3 儲存貯體。
+ 確定您的模型支援輸入和輸出的 .csv 檔案。確定您的資料是表格格式。
+ 提供包含模型相關中繼資料的結構描述檔案，包括輸入和輸出欄位的清單。目前，您必須手動建立此結構描述檔案。
+ 考量完成推論所需的時間，這取決於許多因素。其中包括模型的複雜性、資料量以及定義的計算容量。完成推論可能需要幾分鐘到幾個小時。Amazon Quick Sight 會將所有資料擷取和推論任務限制在最多 10 小時。若要減少執行推論所需的時間，請考慮增加執行個體大小或執行個體的數量。
+ 目前，您只能使用批次轉換來與 SageMaker AI 整合，而不能與即時資料整合。您無法使用 SageMaker AI 端點。

## 定義結構描述檔案
<a name="sagemaker-schema-file"></a>

在搭配 Quick Sight 資料使用 SageMaker AI 模型之前，請建立 JSON 結構描述檔案，其中包含 Amazon Quick Sight 處理模型所需的中繼資料。Amazon Quick 作者或管理員會在設定資料集時上傳結構描述檔案。

結構描述欄位的定義如下。除非在下列說明中有指定，否則所有欄位均為必填欄位。屬性區分大小寫。

 *inputContentType*   
此 SageMaker AI 模型對輸入資料預期的內容類型。此項目唯一支援的值是 `"text/csv"`。Quick Sight 不包含您新增至輸入檔案的任何標頭名稱。

 *outputContentType*   
由您想要使用的 SageMaker AI 模型產生的輸出的內容類型。此項目唯一支援的值是 `"text/csv"`。

 *input*   
模型預期在輸入資料中的功能清單。Quick Sight 會以完全相同的順序產生輸入資料。此清單包含下列屬性：  
+  *name*：資料欄的名稱。如果可能，請讓此名稱其與 QuickSight 資料集中對應欄的名稱相同。此屬性限制為 100 個字元。
+  *type*：此資料欄的資料類型。此屬性會採用值 `"INTEGER"`、`"STRING"` 和 `"DECIMAL"`。
+  *nullable*：(選用) 欄位的可為 Null 性。預設值為 `true`。如果您將 `nullable`設定為 `false`，Quick Sight 會在呼叫 SageMaker AI 之前捨棄不包含此值的資料列。這麼做有助於避免造成 SageMaker AI 因遺失必要的資料而失敗。

 *output*   
SageMaker AI 模型產生的輸出資料欄的清單。Quick Sight 預期這些欄位的順序完全相同。此清單包含下列屬性：  
+  *name* – 此名稱會成為在 Quick Sight 中建立之對應新資料欄的預設名稱。您可以覆寫 Quick Sight 中在此處指定的名稱。此屬性限制為 100 個字元。
+  *type*：此資料欄的資料類型。此屬性會採用值 `"INTEGER"`、`"STRING"` 和 `"DECIMAL"`。

 *instanceTypes*   
SageMaker AI 可以佈建以執行轉換任務的 ML 執行個體類型的清單。清單會提供給 Amazon Quick 使用者以供選擇。此清單僅限於 SageMaker AI 支援的類型。如需支援類型的詳細資訊，請參閱《SageMaker AI 開發人員指南》**中的 [TransformResources](https://docs.aws.amazon.com/sagemaker/latest/dg/API_TransformResources.html) 一節。

 *defaultInstanceType*   
（選用） 在 Quick Sight 的 SageMaker AI 精靈中顯示為預設選項的執行個體類型。在 `instanceTypes` 中包含此執行個體類型。

 *instanceCount*   
(選用) 執行個體計數會定義 SageMaker AI 要佈建以執行轉換任務的所選執行個體數目。此值必須為正整數。

 *description*   
此欄位可讓擁有 SageMaker AI 模型的人員與在 Quick Sight 中使用此模型的人員進行通訊。使用此欄位可提供有關成功使用此模型的提示。例如，此欄位可以包含有關選取有效的執行個體類型，以根據資料集大小從 `instanceTypes` 中的清單中選擇的資訊。此欄位限制為 1,000 個字元。

 *version*   
結構描述的版本，例如 "`1.0"`。

下列範例會顯示結構描述檔案中 JSON 的結構。

```
{
        "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"
    }
```

結構描述檔案的結構與 SageMaker AI 所提供的範例中使用的模型種類有關。

## 將 SageMaker AI 模型新增至 Quick Sight 資料集
<a name="sagemaker-using"></a>

依照下列程序，您可以將預先訓練的 SageMaker AI 模型新增至資料集，以便在分析和儀表板中使用預測資料。

開始之前，請先準備好下列項目：
+ 您要用來建置資料集的資料。
+ 要用來擴增資料集的 SageMaker AI 模型名稱。
+ 模型的結構描述。此結構描述包括欄位名稱對應和資料類型。如果它還包含執行個體類型和要使用的執行個體數量的建議設定，這會很有幫助。

**使用 SageMaker AI 擴充 Amazon Quick Sight 資料集**

1. 從開始頁面建立新的資料集，方法是選擇**資料**，然後選擇**新增資料集**。

   您也可以編輯現有的資料集。

1. 在資料準備畫面上選擇**使用 SageMaker 擴增**。

1. 對於 **Select your model (選取您的模型)**，選擇下列設定：
   + **模型**：選擇要用來推斷欄位的 SageMaker AI 模型。
   + **名稱**：提供模型的描述名稱。
   + **結構描述**：上傳為模型提供的 JSON 結構描述檔案。
   + **進階設定**：QuickSight 會根據您的資料集建議選取的預設值。您可以使用特定的執行期設定來平衡任務的速度和成本。為此，請在**執行個體類型**中輸入 SageMaker AI ML 執行個體類型，在**計數**中輸入執行個體數量。

   選擇 **Next** (下一步) 繼續。

1. 對於 **Review inputs (檢閱輸入)**，請檢閱與您的資料集對應的欄位。Quick Sight 會嘗試自動將結構描述中的欄位映射至資料集中的欄位。如果對應需要調整，您可以在此處進行變更。

   選擇 **Next** (下一步) 繼續。

1. 針對**檢閱輸出**，請檢視新增至您的資料集的欄位。

   選擇 **Save and prepare data (儲存並準備資料)** 以確認您的選擇。

1. 若要重新整理資料，請選擇要檢視詳細資料的資料集。然後選擇 **Refresh Now (立即重新整理)** 以手動重新整理資料，或選擇 **Schedule refresh (排程重新整理)** 以設定定期的重新整理間隔。在每次資料重新整理期間，系統會自動執行 SageMaker AI 批次轉換任務，以更新具有新資料的輸出欄位。

# 使用 SageMaker AI Canvas 建置預測模型
<a name="sagemaker-canvas-integration"></a>

Amazon Quick 作者可以將資料匯出至 SageMaker AI Canvas，以建置可傳回 Quick 的 ML 模型。作者可以使用這些機器學習模型透過預測分析來擴增其資料集，進而將資料集用於建立分析和儀表板。

**先決條件**
+ 與 IAM Identity Center 整合的快速帳戶。如果您的快速帳戶未與 IAM Identity Center 整合，請建立新的快速帳戶，然後選擇**使用已啟用 IAM Identity Center 的應用程式**做為身分提供者。
  + 如需 IAM Identity Center 的詳細資訊，請參閱 [Getting started](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html) 中的內容。
  + 若要進一步了解如何將 Quick 與 IAM Identity Center 整合，請參閱 [使用 IAM Identity Center 設定 Amazon Quick 帳戶](setting-up-sso.md#sec-identity-management-identity-center)。
  + 若要將資產從現有的快速帳戶匯入至與 IAM Identity Center 整合的新快速帳戶，請參閱[資產套件操作](https://docs.aws.amazon.com/quicksight/latest/developerguide/asset-bundle-ops.html)。
+ 與 IAM Identity Center 整合的新 SageMaker AI 網域。如需使用 IAM Identity Center 加入 SageMaker AI 網域的詳細資訊，請參閱 [Onboard to SageMaker AI Domain using IAM Identity Center](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-sso-users.html) 中的內容。

**Topics**
+ [從 Amazon Quick Sight 在 SageMaker AI Canvas 中建置預測模型](#sagemaker-canvas-integration-create-model)
+ [使用 SageMaker AI Canvas 模型建立資料集](#sagemaker-canvas-integration-create-dataset)
+ [考量事項](#sagemaker-canvas-integration-considerations)

## 從 Amazon Quick Sight 在 SageMaker AI Canvas 中建置預測模型
<a name="sagemaker-canvas-integration-create-model"></a>

**在 SageMaker AI Canvas 中建置預測模型**

1. 登入 Amazon Quick 並導覽至您要為其建立預測模型的表格式資料表或樞紐分析表。

1. 開啟視覺化效果選單並選擇**建置預測模型**。

1. 在顯示的**在 SageMaker AI Canvas 中建置預測模型**快顯視窗中，檢視顯示的資訊，然後選擇**將資料匯出至 SAGEMAKER CANVAS**。

1. 在顯示的**匯出**窗格中，選擇匯出完成後**前往 SAGEMAKER CANVAS** 以前往 SageMaker AI Canvas 主控台。

1. 在 SageMaker AI Canvas 中，使用您從 Quick Sight 匯出的資料建立預測模型。您可以選擇跟隨引導式導覽來協助您建置預測模型，也可以略過導覽按自己的步調進行。如需在 SageMaker AI Canvas 中建置預測模型的詳細資訊，請參閱 [Build a model](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model-how-to.html#canvas-build-model-numeric-categorical) 中的內容。

1. 將預測模型傳回 Quick Sight。如需將模型從 SageMaker AI Canvas 傳送至 Amazon Quick Sight 的詳細資訊，請參閱[將模型傳送至 Amazon Quick Sight](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-model-to-quicksight.html)。

## 使用 SageMaker AI Canvas 模型建立資料集
<a name="sagemaker-canvas-integration-create-dataset"></a>

在 SageMaker AI Canvas 中建立預測模型並將其傳回 Quick Sight 後，請使用新模型建立新的資料集，或將其套用至現有的資料集。

**將預測欄位新增至資料集**

1. 開啟快速主控台，選擇左側**的資料**，然後選擇**資料集**索引標籤。

1. 上傳新資料集或選擇現有資料集。

1. 選擇**編輯**。

1. 在資料集的資料準備頁面上，選擇**新增**，然後選擇**新增預測欄位**，以開啟**使用 SageMaker AI 擴增**模態對話方塊。

1. 針對**模型**，從 SageMaker AI Canvas 選擇您傳送至 Quick Sight 的模型。結構描述檔案會自動填入**進階設定**窗格中。檢閱輸入，然後選擇**下一步**。

1. 在**檢視輸出**窗格中，輸入您在 SageMaker AI Canvas 中建立的模型所針對的資料欄的欄位名稱和描述。

1. 完成後，選擇**準備資料**。

1. 選擇**準備資料**後，您將被重新導向到資料集頁面。若要發布新資料集，請選擇**發布並視覺化**。

當您發布使用 SageMaker AI Canvas 模型的新資料集時，資料會匯入 SPICE 中，並在 SageMaker AI 中開始批次推論任務。這些程序最長可能需要 10 分鐘的時間才能完成。

## 考量事項
<a name="sagemaker-canvas-integration-considerations"></a>

下列限制適用於使用 Quick Sight 資料建立 SageMaker AI Canvas 模型。
+ 用於將資料傳送至 SageMaker AI Canvas 的**建置預測模型**選項僅適用於資料表和資料表式樞紐分析表視覺化效果。資料表或樞紐分析表視覺化效果必須具有 2 到 1,000 個欄位，以及至少 500 列。
+ 當您為資料集新增預測欄位時，包含整數或地理資料類型的資料集將會遇到結構描述映射錯誤。若要解決此問題，請從資料集中移除整數或地理資料類型，或將它們轉換為新的資料類型。