قم بحل مشاكل العمل من البداية إلى النهاية من خلال التعلم الآلي في حلول Amazon SageMaker JumpStart

أمازون سيج ميكر جومب ستارت توفر نماذج مفتوحة المصدر مدربة مسبقًا لمجموعة كبيرة من أنواع المشكلات لمساعدتك على البدء في التعلم الآلي (ML). يوفر JumpStart أيضًا قوالب الحلول التي تقوم بإعداد البنية التحتية لحالات الاستخدام الشائعة ، وأمثلة من دفاتر الملاحظات القابلة للتنفيذ لـ ML مع الأمازون SageMaker.

بصفتك مستخدمًا تجاريًا ، يمكنك القيام بما يلي باستخدام حلول JumpStart:

• استكشف الحلول وقيّم الحلول المناسبة لاحتياجات عملك.
• ابدأ الحلول بنقرة واحدة أمازون ساجميكر ستوديو. هذا يطلق ملف تكوين سحابة AWS نموذج لإنشاء الموارد المطلوبة.
• قم بتعديل الحل لتلبية احتياجاتك من خلال الوصول إلى أصول الكمبيوتر المحمول والنموذج الأساسي.
• حذف الموارد المكتسبة بمجرد الانتهاء.

يركز هذا المنشور على حلول ML الخمسة التي تمت إضافتها مؤخرًا لمعالجة خمسة تحديات تجارية مختلفة. حتى كتابة هذه السطور ، تقدم JumpStart 23 حلاً للأعمال تتراوح من اكتشاف الاحتيال في المعاملات المالية إلى التعرف على الكتابة اليدوية. يزداد عدد الحلول التي يتم تقديمها من خلال JumpStart بشكل منتظم مع إضافة المزيد من الحلول إليها.

حل نظرة عامة

الحلول الخمسة الجديدة هي كما يلي:

• تحسين السعر - تقدم نماذج ML قابلة للتخصيص لمساعدتك في اتخاذ القرارات المثلى لتحديد سعر منتجك أو خدمتك من أجل تحقيق هدف عملك ، مثل زيادة الإيرادات أو الأرباح أو غيرها من المقاييس المخصصة.
• التنبؤ بأنواع الطيور - يوضح كيف يمكنك تدريب وضبط نموذج اكتشاف كائن. يوضح ضبط النموذج من خلال زيادة صورة التدريب ، ويوضح تحسينات الدقة التي تحدث عبر التكرارات (العهود) لوظيفة التدريب.
• التنبؤ بالبقاء على قيد الحياة من سرطان الرئة - يوضح كيف يمكنك تغذية الميزات الإشعاعية ثنائية وثلاثية الأبعاد والتركيبة السكانية للمريض إلى خوارزمية ML للتنبؤ بفرص نجاة المريض من سرطان الرئة. يمكن أن تساعد نتائج هذا التوقع مقدمي الخدمات على اتخاذ تدابير استباقية مناسبة.
• تصنيف المدفوعات المالية - يوضح كيفية تدريب ونشر نموذج ML لتصنيف المعاملات المالية بناءً على معلومات المعاملة. يمكنك أيضًا استخدام هذا الحل كخطوة وسيطة في اكتشاف الاحتيال أو التخصيص أو اكتشاف الانحراف.
• توقع الزخم لعملاء الهاتف المحمول - يوضح كيفية تطوير نموذج التنبؤ بسرعة باستخدام مجموعة بيانات معاملات مكالمات الهاتف المحمول. هذا مثال بسيط للمستخدمين الجدد في ML.

المتطلبات الأساسية المسبقة

لاستخدام هذه الحلول ، تأكد من أن لديك حق الوصول إلى Studio مع دور تنفيذي يسمح لك بتشغيل وظائف SageMaker. لدور المستخدم الخاص بك داخل Studio ، تأكد من أن ملف مشاريع SageMaker و JumpStart الخيار قيد التشغيل.

في الأقسام التالية ، نستعرض كل حل من الحلول الخمسة الجديدة ونناقش كيفية عملها بالتفصيل ، جنبًا إلى جنب مع بعض التوصيات حول كيفية استخدامها لتلبية احتياجات عملك.

تحسين الأسعار

تفضل الشركات استخدام أدوات رافعة مختلفة للحصول على أفضل النتائج. على سبيل المثال ، سعر المنتج أو الخدمة هو رافعة يمكن أن تتحكم بها الشركة. السؤال هو كيفية تحديد السعر الذي يجب تحديد منتج أو خدمة فيه ، من أجل تعظيم هدف تجاري مثل الربح أو الإيرادات.

يوفر هذا الحل نماذج ML قابلة للتخصيص لمساعدتك في اتخاذ القرارات المثلى لتحديد سعر منتجك أو خدمتك من أجل تحقيق هدفك ، مثل زيادة الإيرادات أو الأرباح أو غيرها من المقاييس المخصصة. يستخدم الحل أساليب ML والاستدلال السببي لتعلم العلاقات بين السعر والحجم من البيانات التاريخية ، وهو قادر على تقديم توصيات أسعار ديناميكية في الوقت الفعلي لتحسين مقاييس الهدف المخصصة.

تُظهر لقطة الشاشة التالية بيانات إدخال العينة.

يتضمن الحل ثلاثة أجزاء:

• تقدير مرونة السعر - يقدر ذلك بالاستدلال السببي عبر خوارزمية ML المزدوجة
• توقعات الحجم - هذا متوقع باستخدام خوارزمية النبي
• تحسين الأسعار - يتم تحقيق ذلك من خلال محاكاة ماذا لو من خلال سيناريوهات الأسعار المختلفة

يوفر الحل السعر الموصى به لليوم التالي لتحقيق أقصى قدر من الأرباح. بالإضافة إلى ذلك ، تشمل المخرجات مرونة السعر المقدرة ، وهي قيمة تشير إلى تأثير السعر على الحجم ، ونموذج تنبؤ قادر على التنبؤ بحجم اليوم التالي. يوضح الرسم البياني التالي كيف أن النموذج السببي الذي يتضمن مرونة السعر المحسوبة يؤدي بشكل أفضل بكثير في ظل تحليل ماذا لو (مع انحرافات كبيرة عن سعر السلوك) من النموذج التنبئي الذي يستخدم النبي للتنبؤ بالحجم باستخدام بيانات السلاسل الزمنية.

يمكنك تطبيق هذا الحل على عملك في حالات الاستخدام التالية:

• تحديد السعر الأمثل للبضائع لمتجر البيع بالتجزئة
• تقدير تأثير كوبونات الخصم على مشتريات العملاء
• توقع تأثير طرق التحفيز المختلفة في أي عمل تجاري

التنبؤ بأنواع الطيور

هناك العديد من تطبيقات رؤية الكمبيوتر (CV) للشركات اليوم. أحد هذه التطبيقات هو اكتشاف الكائن ، حيث تكتشف خوارزمية ML موقع كائن في صورة عن طريق رسم مربع محيط حوله ، وتحدد نوع الكائن. يمكن أن يكون تعلم كيفية تطبيق نموذج الكشف عن الكائنات وضبطه ذا قيمة كبيرة لمؤسسة لديها احتياجات سيرة ذاتية.

يوفر هذا الحل مثالاً على كيفية ترجمة مواصفات الصندوق المحيط عند توفير الصور لخوارزمية SageMaker. يوضح هذا الحل أيضًا كيفية تحسين نموذج اكتشاف الكائن عن طريق إضافة صور تدريبية مقلوبة أفقيًا (صور معكوسة).

يتم توفير دفتر ملاحظات لتجربة تحديات اكتشاف الكائنات عندما يكون هناك عدد كبير من الفئات (200 نوع من الطيور). يوضح دفتر الملاحظات أيضًا كيفية تخطيط تحسينات الدقة التي تحدث عبر فترات مهمة التدريب. تُظهر الصورة التالية أمثلة للصور من مجموعة بيانات الطيور.

يحتوي هذا الحل على خمس خطوات:

1. قم بإعداد البيانات ، بما في ذلك التنزيل و RecordIO توليد الملفات.
2. إنشاء وتدريب نموذج الكشف عن الكائن.
3. انشر نقطة نهاية وقم بتقييم أداء النموذج.
4. قم بإنشاء وتدريب نموذج اكتشاف كائن مرة أخرى باستخدام مجموعة البيانات الموسعة.
5. انشر نقطة نهاية وقم بتقييم أداء النموذج الموسع.

تحصل على ما يلي كناتج:

• نتائج اكتشاف الكائن مع مربعات الربط مع صورة الاختبار الخاصة بك
• نموذج مدرب للكشف عن الأشياء
• نموذج مدرب للكشف عن الكائنات مع مجموعة بيانات إضافية موسعة (مقلوبة)
• يتم نشر نقطتي نهاية منفصلتين مع واحدة من كل نموذج

يوضح الرسم البياني التالي تحسين النموذج مقابل تكرارات النموذج (العهود) أثناء التدريب.

يتم إخراج الأمثلة التالية من صورتين اختباريتين.

يمكنك تطبيق هذا الحل على عملك في حالات الاستخدام التالية:

• كشف الأشياء على حزام ناقل في صناعة التعبئة والتغليف
• الكشف عن الطبقة العلوية للبيتزا
• تنفيذ التطبيقات التشغيلية لسلسلة التوريد التي تتضمن الكشف عن الكائنات

توقع بقاء سرطان الرئة

جلب COVID-19 الكثير من الاهتمام للتحديات الطبية المتعلقة بالرئة. كما أنها فرضت ضغوطًا كبيرة على المستشفيات والأطباء والممرضات وأخصائيي الأشعة. تخيل إمكانية حيث يمكنك تطبيق ML كأداة قوية لمساعدة الممارسين الطبيين ومساعدتهم على تسريع عملهم. في هذا الحل ، نوضح كيف يمكن تغذية الميزات الإشعاعية ثنائية وثلاثية الأبعاد والتركيبة السكانية للمريض في خوارزمية ML للتنبؤ بفرص نجاة المريض من سرطان الرئة. يمكن أن تساعد النتائج من هذا التوقع مقدمي الخدمات على اتخاذ تدابير استباقية مناسبة.

يوضح هذا الحل كيفية بناء خط أنابيب ML قابل للتطوير لمجموعة بيانات الجينوميات الإشعاعية لسرطان الرئة ذو الخلايا غير الصغيرة (NSCLC) ، والتي تتكون من بيانات تسلسل الحمض النووي الريبي ، والبيانات السريرية (التي تعكس بيانات EHR) ، والصور الطبية. يشار إلى استخدام أنواع متعددة من البيانات لإنشاء نموذج آلة باسم متعدد الوسائط ML. يتنبأ هذا الحل بنتيجة البقاء على قيد الحياة للمرضى الذين تم تشخيص إصابتهم بسرطان الرئة ذو الخلايا غير الصغيرة.

تُظهر الصورة التالية مثالاً لبيانات الإدخال من مجموعة بيانات Radiogenomics لسرطان الرئة ذو الخلايا غير الصغيرة (NSCLC).

كجزء من الحل ، تم استخراج الحمض النووي الريبي الكلي من أنسجة الورم وتحليلها باستخدام تقنية تسلسل الحمض النووي الريبي. على الرغم من أن البيانات الأصلية تحتوي على أكثر من 22,000 جين ، إلا أننا نحتفظ بـ 21 جينًا من 10 مجموعات جينية متعاكسة للغاية (metagenes) تم تحديدها ، والتحقق من صحتها في مجموعات التعبير الجيني المتاحة للجمهور ، وترتبط بالتشخيص.

يتم تخزين السجلات السريرية بتنسيق CSV. يتوافق كل صف مع مريض ، وتحتوي الأعمدة على معلومات حول المرضى ، بما في ذلك التركيبة السكانية ومرحلة الورم وحالة البقاء على قيد الحياة.

بالنسبة للبيانات الجينومية ، نحتفظ بـ 21 جينًا من 10 مجموعات جينية متعاكسة للغاية (metagenes) تم تحديدها ، والتحقق من صحتها في مجموعات التعبير الجيني المتاحة للجمهور ، وترتبط بالتشخيص.

بالنسبة لبيانات التصوير الطبي ، نقوم بإنشاء ميزات إشعاعية ثلاثية الأبعاد على مستوى المريض تشرح الحجم والشكل والسمات المرئية للأورام التي لوحظت في التصوير المقطعي المحوسب. لكل دراسة مريض ، يتم تنفيذ الخطوات التالية:

1. اقرأ ملفات شرائح DICOM ثنائية الأبعاد لكل من الفحص بالأشعة المقطعية وتجزئة الورم ، واجمعها في مجلدات ثلاثية الأبعاد ، واحفظ المجلدات بتنسيق NIfTI.
2. قم بمحاذاة حجم التصوير المقطعي المحوسب وتجزئة الورم حتى نتمكن من تركيز الحساب داخل الورم.
3. احسب السمات الإشعاعية التي تصف منطقة الورم باستخدام مكتبة البيراديوميكس.
4. استخراج 120 سمة إشعاعية من ثماني فئات ، مثل التمثيل الإحصائي للتوزيع والتواجد المشترك للكثافة داخل منطقة الورم ذات الأهمية ، والقياسات المستندة إلى الشكل التي تصف الورم شكليًا.

لإنشاء عرض متعدد الوسائط لمريض للتدريب النموذجي ، ننضم إلى متجهات الميزات من ثلاث طرائق. ثم نقوم بمعالجة البيانات. أولاً ، نقوم بتطبيع نطاق الميزات المستقلة باستخدام تحجيم الميزة. ثم نجري تحليل المكون الرئيسي (PCA) على الميزات لتقليل الأبعاد وتحديد السمات الأكثر تمييزًا التي تساهم بنسبة 95 ٪ في التباين في البيانات.

ينتج عن هذا تقليل الأبعاد من 215 ميزة وصولاً إلى 45 مكونًا رئيسيًا ، والتي تشكل ميزات للمتعلم الخاضع للإشراف.

ينتج الحل نموذج ML الذي يتنبأ بحالة بقاء مرضى NSCLC (ميتًا أو حيًا) في شكل من أشكال الاحتمالية. إلى جانب النموذج والتنبؤ ، نقوم أيضًا بإنشاء تقارير لشرح النموذج. ينتج خط أنابيب التصوير الطبي أحجامًا ثلاثية الأبعاد للتصوير المقطعي المحوسب للرئة وتجزئة الورم لأغراض التصور.

يمكنك تطبيق هذا الحل على حالات استخدام الرعاية الصحية وعلوم الحياة.

تصنيف المدفوعات المالية

قد يكون من المفيد جدًا إجراء جميع المعاملات المالية لشركة أو مستهلك وتنظيمها في فئات مختلفة. يمكن أن يساعد المستخدم في معرفة المبلغ الذي أنفقه في أي فئة ، ويمكنه أيضًا رفع التنبيهات عندما ترتفع أو تنخفض المعاملات أو الإنفاق في فئة معينة بشكل غير متوقع.

يوضح هذا الحل كيفية تدريب ونشر نموذج ML لتصنيف المعاملات المالية بناءً على معلومات المعاملة. تقدم العديد من البنوك هذا كخدمة لمنح المستخدمين النهائيين لمحة عامة عن عادات الإنفاق لديهم. يمكنك أيضًا استخدام هذا الحل كخطوة وسيطة في اكتشاف الاحتيال أو التخصيص أو اكتشاف الانحراف. نحن نستخدم SageMaker لتدريب ونشر نموذج XGBoost بالبنية التحتية الأساسية المطلوبة.

تحتوي مجموعة البيانات التركيبية التي نعرضها على هذا الحل على الميزات التالية:

• فئة_المعاملة - فئة المعاملة ، من بين الخيارات الـ 19 التالية: Uncategorized, Entertainment, Education, Shopping, Personal Care, Health and Fitness, Food and Dining, Gifts and Donations, Investments, Bills and Utilities, Auto and Transport, Travel, Fees and Charges, Business Services, Personal Services, Taxes, Gambling, Homeو Pension and insurances.
• receiver_id - معرف للطرف المستلم. يتكون المعرف من 16 رقمًا.
• هوية المرسل - معرف للطرف المرسل. يتكون المعرف من 16 رقمًا.
• كمية - المبلغ المحول.
• الطابع الزمني - الطابع الزمني للمعاملة بتنسيق YYYY-MM-DD HH: MM: SS.

الملاحظات الخمس الأولى لمجموعة البيانات هي كما يلي:

بالنسبة لهذا الحل ، نستخدم XGBoost ، وهو تطبيق مفتوح المصدر شائع وفعال لخوارزمية الأشجار المعززة بالتدرج. تعزيز التدرج عبارة عن خوارزمية تعلم خاضعة للإشراف تحاول التنبؤ بدقة بالمتغير المستهدف من خلال الجمع بين مجموعة من التقديرات من مجموعة من النماذج الأبسط والأضعف. تنفيذها متاح في خوارزميات SageMaker المدمجة.

يحتوي حل تصنيف المدفوعات المالية على أربع خطوات:

1. تحضير البيانات.
2. بناء متجر الميزات.
3. قم بإنشاء وتدريب نموذج XGBoost.
4. انشر نقطة نهاية وقم بتقييم أداء النموذج.

نحصل على الناتج التالي:

• نموذج XGBoost مدرب بناءً على مجموعة البيانات الخاصة بنا
• نقطة نهاية SageMaker يمكنها التنبؤ بفئة المعاملة

بعد تشغيل هذا الحل ، يجب أن ترى تقرير تصنيف مشابهًا لما يلي.

تشمل التطبيقات الممكنة لعملك ما يلي:

• تطبيقات مالية متنوعة في خدمات التجزئة المصرفية والاستثمارية
• عندما يلزم تصنيف المعاملات في أي حالة استخدام (وليس فقط مالية)

توقع زخم لعملاء الهاتف المحمول

يعد التنبؤ بضخ العميل من الاحتياجات التجارية الشائعة جدًا. تظهر العديد من الدراسات أن تكلفة الاحتفاظ بعميل حالي أقل بكثير من الحصول على عميل جديد. غالبًا ما يأتي التحدي من الشركات التي تواجه صعوبة في فهم سبب تخبط العميل ، أو بناء نموذج يتنبأ بالاضطراب.

في هذا المثال ، يمكن للمستخدمين الجدد في ML تجربة كيفية تطوير نموذج التنبؤ بالتخبط بسرعة باستخدام مجموعة بيانات معاملات مكالمات الهاتف المحمول. يستخدم هذا الحل SageMaker لتدريب ونشر نموذج XGBoost على مجموعة بيانات ملف تعريف العميل للتنبؤ بما إذا كان من المحتمل أن يترك العميل مشغل الهاتف المحمول.

مجموعة البيانات التي يستخدمها هذا الحل متاحة للجمهور وهي مذكورة في كتاب Discovering Knowledge in Data by Daniel T. Larose. ينسبه المؤلف إلى مستودع مجموعات بيانات التعلم الآلي بجامعة كاليفورنيا في إيرفين.

تستخدم مجموعة البيانات هذه السمات الـ 21 التالية لوصف ملف تعريف عميل لمشغل جوال أمريكي غير معروف.

• الولاية: الولاية الأمريكية التي يقيم فيها العميل ، ويشار إليها باختصار مكون من حرفين ؛ على سبيل المثال ، OH أو NJ
• طول الحساب: عدد الأيام التي تم فيها تنشيط هذا الحساب
• رمز المنطقة: رمز المنطقة المكون من ثلاثة أرقام لرقم هاتف العميل المقابل
• الهاتف: رقم الهاتف المتبقي المكون من سبعة أرقام
• الخطة الدولية: ما إذا كان العميل لديه خطة اتصال دولية: نعم / لا
• خطة VMail: ما إذا كان لدى العميل ميزة البريد الصوتي: نعم / لا
• رسالة VMail: متوسط ​​عدد رسائل البريد الصوتي شهريًا
• عدد دقائق اليوم: إجمالي عدد دقائق الاتصال المستخدمة خلال اليوم
• مكالمات اليوم: العدد الإجمالي للمكالمات التي تم إجراؤها خلال اليوم
• رسوم اليوم: التكلفة الواردة في الفاتورة للمكالمات النهارية
• Eve Mins و Eve Calls و Eve Charge: تكلفة الفاتورة للمكالمات التي يتم إجراؤها أثناء المساء
• الدقائق الليلية والمكالمات الليلية والرسوم الليلية: تكلفة الفاتورة للمكالمات التي يتم إجراؤها أثناء الليل
• الدقائق الدولية والمكالمات الدولية والرسوم الدولية: تكلفة الفاتورة للمكالمات الدولية
• مكالمات CustServ: عدد المكالمات التي تم إجراؤها لخدمة العملاء
• Churn؟: ما إذا كان العميل قد ترك الخدمة: صحيح / خطأ

يحتوي هذا الحل على ثلاث مراحل:

1. تحضير البيانات.
2. قم بإنشاء وتدريب نموذج XGBoost.
3. انشر نقطة نهاية وقم بتقييم أداء النموذج.

نحصل على الناتج التالي:

• نموذج XGBoost مدرب استنادًا إلى مجموعة بيانات المثال الخاصة بنا للتنبؤ بضخ المستخدم
• نقطة نهاية SageMaker يمكنها التنبؤ بتضخم المستخدم

يساعد هذا النموذج في تقدير عدد عملاء الهاتف المحمول البالغ عددهم 5,000 عميل من المحتمل أن يتوقفوا عن استخدام مشغل الهاتف المحمول الحالي لديهم.

يُظهر الرسم البياني التالي توزيعًا احتماليًا للمخضضة كناتج من النموذج.

يمكنك تطبيق هذا على عملك لحالات الاستخدام التالية:

• توقع تخبط العميل في عملك الخاص
• صنف العملاء الذين يمكنهم فتح بريدك الإلكتروني التسويقي والذين لن يقوموا بذلك (التصنيف الثنائي)
• توقع الطلاب الذين من المحتمل أن يتركوا مقررًا دراسيًا

تنظيف الموارد

بعد الانتهاء من تشغيل الحل في JumpStart ، تأكد من الاختيار حذف كافة الموارد لذلك يتم حذف جميع الموارد التي قمت بإنشائها في العملية وإيقاف الفواتير الخاصة بك.

نبذة عامة

أوضح لك هذا المنشور كيفية حل مشاكل العمل المختلفة من خلال تطبيق ML ، بناءً على حلول JumpStart. على الرغم من أن هذا المنشور ركز على الحلول الخمسة الجديدة التي تمت إضافتها مؤخرًا إلى JumpStart ، إلا أن هناك ما مجموعه 23 حلاً متاحًا. نحن نشجعك على تسجيل الدخول إلى Studio وإلقاء نظرة على حلول JumpStart بأنفسكم والبدء في استخلاص قيمة فورية منها. لمزيد من المعلومات ، يرجى الرجوع إلى أمازون ساجميكر ستوديو و سيج ميكر جومب ستارت.

ملاحظة: إذا كنت لا ترى كل الحلول الخمسة المذكورة أعلاه في وحدة تحكم JumpStart في منطقة AWS الخاصة بك ، فيرجى الانتظار لمدة أسبوع والتحقق مرة أخرى. نحن نطلقها إلى مناطق مختلفة بطريقة تدريجية.

---

حول المؤلف

الدكتور راجو بنماتشا هو مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي في منصات الذكاء الاصطناعي في AWS. إنه يعمل على مجموعة الخدمات ذات التعليمات البرمجية المنخفضة / التي لا تحتوي على تعليمات برمجية في SageMaker والتي تساعد العملاء على بناء ونشر نماذج وحلول التعلم الآلي بسهولة. عندما لا يساعد العملاء ، يحب السفر إلى أماكن جديدة.

منان شاه هو مدير تطوير البرامج في Amazon Web Services. إنه متحمس لـ ML ويركز على بناء منتجات AI / ML بدون كود / كود منخفض. إنه يسعى جاهدًا لتمكين الأشخاص الموهوبين والتقنيين الآخرين من بناء برامج رائعة.