¿Cómo compartir modelos de ML con Amazon QuickSight a través de Amazon SageMaker Canvas?

Por Aridai Solís

En el emocionante mundo de la inteligencia artificial y el Machine Learning (ML por sus siglas, y aprendizaje automático en español), el proceso de crear modelos predictivos y analíticos avanzados es solo el primer paso de un viaje igualmente emocionante. La verdadera chispa reside en lo que sucede después, cuando esos modelos se ponen en acción para proporcionar una visión profunda y valiosa de los datos, y eso es exactamente donde la sinergia entre la creación de modelos de machine learning, la visualización de los datos y predicciones desempeñan un papel esencial.

Para entrar en contexto, la visualización de datos es el proceso de utilizar elementos visuales como dashboards (páneles en español), gráficos o mapas para representar datos. Traduce datos complejos de gran volumen en una representación visual que es más fácil de procesar. Las herramientas de visualización de datos mejoran y automatizan el proceso de comunicación visual para lograr precisión y detalle. Puede utilizar las representaciones visuales para extraer información útil a partir de datos sin procesar. Amazon QuickSight brinda a las organizaciones basadas en datos inteligencia empresarial (BI) unificada a hiperescala. Con QuickSight, todos los usuarios pueden satisfacer diversas necesidades analíticas desde la misma fuente de verdad a través de páneles interactivos modernos, informes paginados, análisis integrados y consultas en lenguaje natural.

En este blog, exploraremos la importancia de generar modelos de Machine Learning y, al mismo tiempo, de habilitar su visualización y análisis a través de dashboards empresariales para la visualización de los datos. Descubriremos cómo esta combinación puede impulsar una toma de decisiones más informada, mejorar la eficiencia operativa y, en última instancia, agregar un valor significativo a las organizaciones.

Acompáñanos en este blog para descubrir las nuevas funcionalidades de AWS entre la creación de modelos y los dashboards empresariales, y cómo esta sinergia está dando forma al futuro de la inteligencia empresarial.

Amazon SageMaker Canvas es un servicio de ML sin código. SageMaker Canvas admite todo el flujo de trabajo de ML, incluida la preparación de datos, la creación y el entrenamiento de modelos, la generación de predicciones y la implementación de los modelos en producción. Con SageMaker Canvas, puede utilizar ML para detectar fraudes, predecir fallas de mantenimiento, pronosticar métricas financieras y ventas, optimizar el inventario, generar contenido y más.

Amazon SageMaker Canvas ahora admite compartir modelos de Machine Learning con Amazon QuickSight, lo que permite a los analistas crear modelos en Canvas y generar predicciones para crear dashboards en QuickSight. Esto amplía la solución integrada de ML/Analytics entre Canvas y QuickSight para que los analistas puedan crear modelos, generar predicciones, y enriquecer su información  con paneles interactivos y utilizar información para tomar decisiones de negocio efectivas, sin escribir una sola línea de código.

Con esta solución, puede construir modelos de ML en Canvas y aprovecharlos en QuickSight para generar predicciones. Además, el esquema para el modelo de ML, que consiste en todos los atributos de datos de entrada y salida, se crea automáticamente cuando se comparte el modelo desde Canvas. El esquema se utiliza para generar predicciones de alta precisión para nuevos datos en QuickSight. Con esta característica, el ML se vuelve más accesible y valioso para los equipos comerciales y acelera las decisiones basadas en datos.

Esta nueva capacidad se lanzó en julio de 2023 y está disponible en todas las regiones de AWS donde Amazon SageMaker Canvas está disponible en la actualidad.

¿Cómo comenzar?

Los usuarios empresariales ya no necesitan conocimientos de codificación para realizar análisis y Machine Learning. AWS proporciona herramientas y tecnología sin código para permitir la preparación de datos, el entrenamiento de modelos y la visualización de datos, todo sin escribir una sola línea de código.

En este blog ejemplificaremos cómo compartir un modelo creado en SageMaker Canvas en QuickSight con el objetivo de visualizar los campos predictivos en un dashboard que nos dé una mejor exposición de nuestras predicciones.

Los desarrollos recientes en QuickSight han permitido a los usuarios enviar sus modelos de machine learning creados en Canvas directamente a Amazon QuickSight. Esta capacidad solamente está disponible para modelos creados con la versión Standard (si su modelo fue contruido bajo la versión de Quick Build no será posible hacer la integración con QuickSight).

Paso 1: Abra la aplicación de Canvas y construya el modelo con su conjunto de datos según sus necesidades, en este blog utilizaremos un modelo pre-contruido para predecir el customer churn de una compañía telefónica móvil.

Si aún no construye un modelo en Canvas siga los siguientes pasos:

1.1. Seleccione el conjunto de datos a utilizar en su modelo

1.2. En la seccion de Build, haga clic en la opción Standard build

1.3. Esperar 30~45 minutes a que se realice la construcción del modelo. (Puede obtener más información aquí.)

Paso 2: Después de construir el modelo en Canvas, envíelo a QuickSight.

2.1. Vaya al menú de tres puntos localizado en la parte superior derecha donde seleccionará la opción Send to QuickSight donde emergirá una ventana para confirmar la acción.

Nota: Si recibe un error como “You don’t have an Amazon QuickSight Account” es probable que no haya creado/configurado previamente una cuenta de QuickSight, en caso de haber creado una cuenta y persistir con el error, asegurese de que el rol del usuario para su dominio en Amazon SageMaker tenga los permisos necesarios. 

2.2. Luego recibirá una notificación de que el modelo se envió correctamente, con la opción Go to Amazon QuickSight. Paralelamente, el archivo de esquema (para las entradas y salidas relevantes) del modelo se descargará a su disco local como un archivo JSON.

Paso 3: Abra QuickSight y elija un conjunto de datos con el mismo esquema que el conjunto de datos que utilizó para crear su modelo. Agregue un campo predictivo al conjunto de datos y siga estos pasos:

3.1. Dentro de QuickSight en la sección de Datasets crear un nuevo conjunto de datos con el botón New dataset

3.2. Especifique el conjunto de datos que cargó en Canvas. (archivo .csv, etc)

3.3. Confirmar la configuración de carga de archivos, haga clic en Next

3.4. Haga clic en Edit/Preview Data. Alternativamente, puede hacer clic en Augment with SageMaker.

Nota: Augment with SageMaker es una capacidad dentro de QuickSight que nos permite ejecutar inferencias sobre datos almacenados en SPICE importados desde cualquier fuente de datos compatible con Amazon QuickSight. Con esta funcionalidad podremos seleccionar nuestro modelo, empatar campos en el set de datos y revisar que campos se añadirán.

3.5. Una vez en la seccion de Edit/Preview Data vamos a agregar un campo de prediccion, haga clic en Add en la esquina superior izquierda y seleccione Add predictive field.

3.6. Seleccione el modelo que compartió desde Canvas. El archivo de esquema (descargado anteriormente en el paso 2.2). Haga clic en Next.

3.7. Asegúrese de que los campos del esquema coincidan con los del conjunto de datos. Si los tipos de datos no coinciden, puede encontrar errores. Haga clic en Next.

3.8. Revise las configuraciones anteriores y escriba un nombre para el campo predictivo.

Paso 4: Guarde y publique sus cambios y luego genere predicciones para el nuevo conjunto de datos. QuickSight utiliza el modelo para completar la columna de destino con predicciones.

4.1. Vaya a SageMaker Console y navegue hasta Inference → Batch Transformation Jobs. Espere a que el estado cambie a completado.

4.2. Regrese a la consola de QuickSight. Ahora podrá completar los datos y visualizarlos en su panel aumentado con SageMaker.

Si utiliza Amazon QuickSight y desea aprovechar SageMaker Canvas en sus visualizaciones de QuickSight, puede crear un modelo de Amazon SageMaker Canvas y utilizarlo como campo predictivo en su conjunto de datos de QuickSight.

Un campo predictivo es un campo en su conjunto de datos QuickSight que puede hacer predicciones para una columna determinada en su conjunto de datos, similar a cómo los usuarios de Canvas hacen predicciones individuales o por lotes con un modelo.

Conclusión

Al compartir modelos de Canvas en QuickSight, los usuarios pueden aprovechar predicciones de ML para enriquecer su análisis de datos y obtener información valiosa para la toma de decisiones. Esta integración sin fricciones entre la creación de modelos y la visualización de datos está transformando la forma en que las organizaciones acceden a la inteligencia artificial.

En resumen, la integración nativa entre SageMaker Canvas y QuickSight empodera a más personas a utilizar el machine learning y analítica de datos avanzada, impulsando organizaciones más inteligentes e informadas.

Acerca de la autora

Aridai Solis es una arquitecta de soluciones en AWS México. Su principal interés es el análisis de datos así como la inteligencia de negocios.

Revisores

Fabiana Serangelli es arquitecta de soluciones en AWS México. Le interesa la analítica de datos y la implementación de inteligencia artificial.

José Angel Arias es gerente de cuentas del sector financiero en AWS México. Tiene certificaciones de AWS como Arquitecto de Soluciones Asociado y Especialidad en Machine Learning.