Inference Patterns - endpoint based feature lookup

title: “推理模式 - 基于端点的特征查询” weight: 5

在本笔记本中,我们演示如何从两个在线特征组中检索特征。下图说明了该架构。

注意:本模块依赖于先运行模块 1 、模块 2 和模块 3 ，以显示如何在实时从端点查看来自在线特征存储的特征。

关键要点

  • 我们将在模块 1 和 2 中导出并摄入到在线特征存储的特征集,以及在模块 3 中训练的模型作为 SageMaker XGBoost 二元分类算法,用于预测给定产品是否被用户添加到购物篮中。

  • 我们将从模型工件上部署已训练的模型到 SageMaker 端点进行实时推理。我们的端点将从两个在线特征组(模块 2 中创建的客户和产品特征组)获取特征。通过发送客户ID和产品ID作为请求体,我们从低延迟在线特征存储中检索关联的客户和产品特征组特征,并将它们发送到模型端点进行实时推理。

  • 我们将创建自定义推理脚本,并指定特征组和特征。我们利用自定义库(helper.py),它使用一些助手函数来促进从特征存储返回结果。返回的结果然后被馈送到模型进行推理。

导航到笔记本

  • 导航到 amazon-sagemaker-feature-store-end-to-end-workshop Jupyter Lab 目录结构的主目录。然后导航到 04-module-working-with-online-store 并打开笔记本 m4_nb2_Inference_endpoint_lookup.ipynb

  • 将内核设置为 Python 3 (Data Science),并选择实例 ml.t3.medium

  • 按 Shift+Enter 在每个单元中执行代码。当代码运行时,方括号之间会出现一个 。几秒钟后,代码执行将完成, 将被替换为一个数字。

  • 您可以按照笔记本中的说明继续操作。