How Searchmetrics Uses Amazon SageMaker To Automatically Find Relevant Keywords And Make Their Human Analysts 20% Faster

Genudgivet af Platon

Abonnenter: 0

Searchmetrics er en global leverandør af søgedata, software og konsulentløsninger, der hjælper kunder med at omdanne søgedata til unik forretningsindsigt. Til dato har Searchmetrics hjulpet mere end 1,000 virksomheder som McKinsey & Company, Lowe's og AXA med at finde en fordel i det hyperkonkurrencedygtige søgelandskab.

I 2021 henvendte Searchmetrics sig til AWS for at hjælpe med brug af kunstig intelligens (AI) for yderligere at forbedre deres søgeindsigtsmuligheder.

I dette indlæg deler vi, hvordan Searchmetrics byggede en kunstig intelligens-løsning, der øgede effektiviteten af dens menneskelige arbejdsstyrke med 20 % ved automatisk at finde relevante søgeord for et givet emne ved hjælp af Amazon SageMaker og dens oprindelige integration med Hugging Face.

Hvordan Searchmetrics bruger Amazon SageMaker til automatisk at finde relevante søgeord og gøre deres menneskelige analytikere 20 % hurtigere PlatoBlockchain Data Intelligence. Lodret søgning. Ai.

“Amazon SageMaker gjorde det til en leg at evaluere og integrere Hugging Faces avancerede NLP-modeller i vores systemer.
Løsningen, vi byggede, gør os mere effektive og forbedrer vores brugeroplevelse markant.”– Ioannis Foukarakis, Head of Data, Searchmetrics

Brug af AI til at identificere relevans fra en liste over søgeord

En vigtig del af Searchmetrics' indsigtstilbud er dets evne til at identificere de mest relevante søgeord for et givet emne eller søgehensigt.

For at gøre dette har Searchmetrics et team af analytikere, der vurderer den potentielle relevans af visse søgeord givet et specifikt frøord. Analytikere bruger et internt værktøj til at gennemgå et søgeord inden for et givet emne og en genereret liste over potentielt relaterede søgeord, og de skal derefter vælge et eller flere relaterede søgeord, der er relevante for det pågældende emne.

Denne manuelle filtrerings- og udvælgelsesproces var tidskrævende og bremsede Searchmetrics' evne til at levere indsigt til sine kunder.

For at forbedre denne proces søgte Searchmetrics at bygge en AI-løsning, der kunne bruge naturlig sprogbehandling (NLP) til at forstå hensigten med et givet søgeemne og automatisk rangordne en uset liste over potentielle søgeord efter relevans.

Brug af SageMaker og Hugging Face til hurtigt at opbygge avancerede NLP-funktioner

For at løse dette henvendte Searchmetrics' ingeniørteam sig til SageMaker, en end-to-end machine learning (ML) platform, der hjælper udviklere og dataforskere med hurtigt og nemt at bygge, træne og implementere ML-modeller.

SageMaker fremskynder implementeringen af ML-arbejdsbelastninger ved at forenkle ML-opbygningsprocessen. Det giver et bredt sæt af ML-funktioner oven i en fuldt administreret infrastruktur. Dette fjerner de udifferentierede tunge løft, der alt for ofte hindrer ML-udvikling.

Searchmetrics valgte SageMaker på grund af det fulde udvalg af muligheder, det gav ved hvert trin i ML-udviklingsprocessen:

SageMaker notesbøger gjorde det muligt for Searchmetrics-teamet hurtigt at opbygge fuldt administrerede ML-udviklingsmiljøer, udføre dataforbehandling og eksperimentere med forskellige tilgange
batch transformation egenskaber i SageMaker gjorde det muligt for Searchmetrics effektivt at behandle sine konklusioner i bulk, samt nemt at integrere i sin eksisterende webservice i produktionen

Searchmetrics var også særligt interesseret i den native integration af SageMaker med Knusende ansigt, en spændende NLP-startup, der giver nem adgang til mere end 7,000 forudtrænede sprogmodeller gennem sit populære Transformers-bibliotek.

SageMaker giver en direkte integration med Hugging Face gennem en dedikeret Hugging Face-estimator i SageMaker SDK. Dette gør det nemt at køre Hugging Face-modeller på den fuldt administrerede SageMaker-infrastruktur.

Med denne integration var Searchmetrics i stand til at teste og eksperimentere med en række forskellige modeller og tilgange for at finde den bedst ydende tilgang til deres use case.

Slutløsningen bruger en nul-skuds klassificeringspipeline til at identificere de mest relevante søgeord. Forskellige præ-trænede modeller og forespørgselsstrategier blev evalueret, med facebook/bart-large-mnli giver de mest lovende resultater.

Brug af AWS til at forbedre operationel effektivitet og finde nye innovationsmuligheder

Med SageMaker og dets indbyggede integration med Hugging Face var Searchmetrics i stand til at bygge, træne og implementere en NLP-løsning, der kunne forstå et givet emne og præcist rangere en uset liste over søgeord baseret på deres relevans. Værktøjssættet, som SageMaker tilbyder, gjorde det nemmere at eksperimentere og implementere.

Når den blev integreret med Searchmetrics' eksisterende interne værktøj, leverede denne AI-evne en gennemsnitlig reduktion på 20 % i den tid, det tog for menneskelige analytikere at fuldføre deres job. Dette resulterede i højere gennemløb, forbedret brugeroplevelse og hurtigere onboarding af nye brugere.

Denne indledende succes har ikke kun forbedret den operationelle ydeevne for Searchmetrics' søgeanalytikere, men har også hjulpet Searchmetrics med at tegne en klarere vej til at implementere mere omfattende automatiseringsløsninger ved hjælp af AI i sin forretning.

Disse spændende nye innovationsmuligheder hjælper Searchmetrics med at fortsætte med at forbedre deres indsigtsmuligheder og hjælper dem også med at sikre, at kunderne fortsætter med at være foran i det hyperkonkurrencedygtige søgelandskab.

Derudover annoncerede Hugging Face og AWS et partnerskab tidligere i 2022, der gør det endnu nemmere at træne Hugging Face-modeller på SageMaker. Denne funktionalitet er tilgængelig gennem udviklingen af Hugging Face AWS Deep Learning-containere (DLC'er). Disse beholdere inkluderer Hugging Face Transformers, Tokenizers og Dataset-biblioteket, som giver os mulighed for at bruge disse ressourcer til træning og inferensjob.

For en liste over tilgængelige DLC-billeder, se tilgængelige Billeder af Deep Learning Containers, som vedligeholdes og løbende opdateres med sikkerhedsrettelser. Du kan finde mange eksempler på, hvordan du træner Hugging Face-modeller med disse DLC'er og Hugging Face Python SDK i det følgende GitHub repo.

Få mere at vide om, hvordan du kan accelerere din evne til at innovere med AI/ML ved at besøge Kom godt i gang med Amazon SageMaker, få praktisk læringsindhold ved at gennemgå Amazon SageMaker-udviklerressourcereller på besøg Hugging Face på Amazon SageMaker.

Om forfatteren

Daniel Burke er den europæiske leder for AI og ML i Private Equity-gruppen hos AWS. Daniel arbejder direkte med Private Equity-fonde og deres porteføljevirksomheder og hjælper dem med at accelerere deres AI- og ML-adoption for at forbedre innovation og øge virksomhedens værdi.