例：Amazon SageMaker モデルを統合する

以下のドキュメントでは、Amazon SageMaker でホストされているモデルへのカスタム接続に使用する設定とモデルアダプターの例を示します。外部モデル統合の利点を確認し、ユースケースに適していることを確かめてください。

ステップごとのガイドについては、モデルアダプターを作成する方法と外部でホストされているモデルへの接続を作成する方法のドキュメントを参照してください。

Amazon SageMaker 表形式モデルアダプターの例

まず、Code Repositories アプリケーションのモデルアダプターライブラリを使用して、モデルアダプターを公開し、タグを付けます。以下のモデルアダプターは、AWS SDK for Python (Boto3) ↗ とフレームワークを使用して、Amazon SageMaker でホストされているモデルへの接続を設定します。以下のコードは、バージョン Python 3.8.17、boto3 1.28.1、pandas 1.5.3 でテストされています。

このモデルアダプターは、以下を前提としています。

このモデルアダプターは、このモデルに渡されるデータが表形式であることを前提としています。
このモデルアダプターは、入力データを JSON にシリアライズし、ホストされている Amazon SageMaker モデルに送信します。
このモデルアダプターは、レスポンスを JSON から pandas データフレームにデシリアライズできることを前提としています。
このモデルアダプターは、Boto3 クライアントを構築するために4個の入力を受け取ります。
- region_name - 接続設定として指定します
- endpoint_name - 接続設定として指定します
- access_key_id - 資格情報として指定します
- secret_access_key - 資格情報として指定します

Copied!1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
import palantir_models as pm
import models_api.models_api_executable as executable_api

import boto3
import json
import pandas as pd
import logging
from typing import Optional
from botocore.exceptions import ClientError

logger = logging.getLogger(__name__)


class SageMakerTabularAdapter(pm.ExternalModelAdapter):
    """
    :display-name: SageMaker Tabular Model Adapter
    :description: Default model adapter for SageMaker models that expect tabular input and output tabular data.
    """

    def __init__(self, region_name, endpoint_name, access_key_id, secret_access_key):
        self.endpoint_name = endpoint_name
        self.runtime = boto3.client(
            'runtime.sagemaker',
            aws_access_key_id=access_key_id,
            aws_secret_access_key=secret_access_key,
            region_name=region_name
        )

    @classmethod
    def init_external(cls, external_context) -> "pm.ExternalModelAdapter":
        region_name = external_context.connection_config["region_name"]
        endpoint_name = external_context.connection_config["endpoint_name"]
        access_key_id = external_context.resolved_credentials["access_key_id"]
        secret_access_key = external_context.resolved_credentials["secret_access_key"]
        return cls(
            region_name,
            endpoint_name,
            access_key_id,
            secret_access_key
        )

    @classmethod
    def api(cls):
        inputs = {"df_in": pm.Pandas()}
        outputs = {"df_out": pm.Pandas()}
        return inputs, outputs

    def predict(self, df_in):
        payload = {
            "instances": df_in.apply(lambda row: {"features": row.tolist()}, axis=1).tolist()
        }
        try:
            response = self.runtime.invoke_endpoint(
                EndpointName=self.endpoint_name,
                ContentType="application/json",
                Body=json.dumps(payload)
            )
        except ClientError as error:
            logger.error("SageMaker inference call failed. This can indicate an error with this Model's egress "
                         "policy. Double check your configured egress policy and ensure the remote endpoint is still "
                         "available.")
            raise error
        try:
            # モデルの出力は JSON にシリアル化できることを前提としています
            # 結果がエグゼキューターで扱うには大きすぎる場合、このデシリアル化によって OOM が発生する可能性があります
            result = json.loads(response['Body'].read().decode())
        except ValueError as error:
            logger.error("This SageMakerTabularAdapter expects results to be json serializable.")
            raise error
        return pd.json_normalize(result)