Wie Searchmetrics Amazon SageMaker verwendet, um relevante Schlüsselwörter automatisch zu finden und seine menschlichen Analysten 20 % schneller zu machen

Neuauflage von Plato

Verfolger: 0

Searchmetrics ist ein globaler Anbieter von Suchdaten, Software und Beratungslösungen, der Kunden hilft, Suchdaten in einzigartige Geschäftseinblicke umzuwandeln. Bis heute hat Searchmetrics mehr als 1,000 Unternehmen wie McKinsey & Company, Lowe's und AXA geholfen, einen Vorteil in der wettbewerbsintensiven Suchlandschaft zu finden.

Im Jahr 2021 wandte sich Searchmetrics an AWS, um bei der Nutzung künstlicher Intelligenz (KI) zu helfen, um seine Sucherkenntnisse weiter zu verbessern.

In diesem Beitrag teilen wir mit, wie Searchmetrics eine KI-Lösung entwickelt hat, die die Effizienz seiner menschlichen Belegschaft um 20 % steigerte, indem es automatisch relevante Suchbegriffe für ein bestimmtes Thema findet Amazon Sage Maker und seine native Integration mit Hugging Face.

Wie Searchmetrics Amazon SageMaker nutzt, um automatisch relevante Schlüsselwörter zu finden und seine menschlichen Analysten 20 % schneller zu machen. PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

„Mit Amazon SageMaker war es ein Kinderspiel, die hochmodernen NLP-Modelle von Hugging Face zu evaluieren und in unsere Systeme zu integrieren.
Die von uns entwickelte Lösung macht uns effizienter und verbessert unsere Benutzererfahrung erheblich.“– Ioannis Foukarakis, Datenleiter, Searchmetrics

Verwendung von KI zur Ermittlung der Relevanz aus einer Liste von Schlüsselwörtern

Ein wichtiger Bestandteil des Insights-Angebots von Searchmetrics ist die Fähigkeit, die relevantesten Suchbegriffe für ein bestimmtes Thema oder eine bestimmte Suchabsicht zu identifizieren.

Zu diesem Zweck verfügt Searchmetrics über ein Team von Analysten, die die potenzielle Relevanz bestimmter Keywords bei einem bestimmten Seed-Wort bewerten. Analysten verwenden ein internes Tool, um ein Schlüsselwort innerhalb eines bestimmten Themas und eine generierte Liste potenziell verwandter Schlüsselwörter zu überprüfen, und sie müssen dann ein oder mehrere verwandte Schlüsselwörter auswählen, die für dieses Thema relevant sind.

Dieser manuelle Filter- und Auswahlprozess war zeitaufwändig und verlangsamte die Fähigkeit von Searchmetrics, seinen Kunden Einblicke zu liefern.

Um diesen Prozess zu verbessern, versuchte Searchmetrics, eine KI-Lösung zu entwickeln, die die Verarbeitung natürlicher Sprache (NLP) nutzt, um die Absicht eines bestimmten Suchthemas zu verstehen und eine unsichtbare Liste potenzieller Schlüsselwörter automatisch nach Relevanz zu ordnen.

Verwenden von SageMaker und Hugging Face zum schnellen Aufbau erweiterter NLP-Funktionen

Um dieses Problem zu lösen, wandte sich das Engineering-Team von Searchmetrics an SageMaker, eine End-to-End-Plattform für maschinelles Lernen (ML), die Entwicklern und Datenwissenschaftlern hilft, ML-Modelle schnell und einfach zu erstellen, zu trainieren und bereitzustellen.

SageMaker beschleunigt die Bereitstellung von ML-Workloads, indem es den ML-Build-Prozess vereinfacht. Es bietet eine breite Palette von ML-Funktionen zusätzlich zu einer vollständig verwalteten Infrastruktur. Dies beseitigt das undifferenzierte schwere Heben, das allzu oft die ML-Entwicklung behindert.

Searchmetrics hat sich für SageMaker entschieden, weil es in jedem Schritt des ML-Entwicklungsprozesses die volle Bandbreite an Funktionen bietet:

SageMaker Laptops ermöglichte es dem Searchmetrics-Team, schnell vollständig verwaltete ML-Entwicklungsumgebungen einzurichten, eine Datenvorverarbeitung durchzuführen und mit verschiedenen Ansätzen zu experimentieren
Das Batch-Transformation Dank der Funktionen in SageMaker konnte Searchmetrics seine Inferenz-Payloads effizient in großen Mengen verarbeiten und sich problemlos in seinen bestehenden Webservice in der Produktion integrieren

Besonders interessiert war Searchmetrics auch an der nativen Integration von SageMaker mit Gesicht umarmen, ein aufregendes NLP-Startup, das über seine beliebte Transformers-Bibliothek einfachen Zugriff auf mehr als 7,000 vortrainierte Sprachmodelle bietet.

SageMaker bietet eine direkte Integration mit Hugging Face über einen dedizierten Hugging Face-Schätzer in der SageMaker-SDK. Dies macht es einfach, Hugging Face-Modelle auf der vollständig verwalteten SageMaker-Infrastruktur auszuführen.

Mit dieser Integration konnte Searchmetrics eine Reihe verschiedener Modelle und Ansätze testen und damit experimentieren, um den leistungsstärksten Ansatz für ihren Anwendungsfall zu finden.

Die Endlösung verwendet eine Zero-Shot-Klassifizierungspipeline, um die relevantesten Keywords zu identifizieren. Dabei wurden verschiedene vortrainierte Modelle und Abfragestrategien evaluiert facebook/bart-large-mnli liefert die vielversprechendsten Ergebnisse.

Verwendung von AWS zur Verbesserung der betrieblichen Effizienz und zur Suche nach neuen Innovationsmöglichkeiten

Mit SageMaker und seiner nativen Integration mit Hugging Face war Searchmetrics in der Lage, eine NLP-Lösung zu entwickeln, zu trainieren und bereitzustellen, die ein bestimmtes Thema verstehen und eine unsichtbare Liste von Schlüsselwörtern basierend auf ihrer Relevanz genau einordnen konnte. Das von SageMaker angebotene Toolset erleichterte das Experimentieren und Bereitstellen.

Bei der Integration in das bestehende interne Tool von Searchmetrics führte diese KI-Funktion zu einer durchschnittlichen Zeitersparnis von 20 %, die menschliche Analysten für die Erledigung ihrer Arbeit benötigten. Dies führte zu einem höheren Durchsatz, einer verbesserten Benutzererfahrung und einem schnelleren Onboarding neuer Benutzer.

Dieser anfängliche Erfolg hat nicht nur die operative Leistung der Suchanalysten von Searchmetrics verbessert, sondern hat Searchmetrics auch dabei geholfen, einen klareren Weg zur Bereitstellung umfassenderer Automatisierungslösungen mit KI in seinem Geschäft einzuschlagen.

Diese aufregenden neuen Innovationsmöglichkeiten helfen Searchmetrics dabei, seine Erkenntnisfähigkeiten weiter zu verbessern und sicherzustellen, dass Kunden in der hart umkämpften Suchlandschaft weiterhin die Nase vorn haben.

Darüber hinaus kündigten Hugging Face und AWS Anfang 2022 eine Partnerschaft an, die es noch einfacher macht, Hugging Face-Modelle auf SageMaker zu trainieren. Diese Funktionalität ist durch die Entwicklung von Hugging Face verfügbar AWS Deep Learning Container (DLCs). Diese Container umfassen Hugging Face Transformers, Tokenizers und die Datasets-Bibliothek, die es uns ermöglicht, diese Ressourcen für Trainings- und Inferenzaufgaben zu verwenden.

Eine Liste der verfügbaren DLC-Images finden Sie unter verfügbar Deep Learning Container Bilder, die gewartet und regelmäßig mit Sicherheitspatches aktualisiert werden. Sie können viele Beispiele dafür finden, wie Sie Hugging Face-Modelle mit diesen DLCs und dem trainieren können Umarmendes Gesicht Python SDK im Folgenden GitHub Repo.

Erfahren Sie mehr darüber, wie Sie Ihre Innovationsfähigkeit mit KI/ML beschleunigen können, indem Sie uns besuchen Erste Schritte mit Amazon SageMaker, um praktische Lerninhalte zu erhalten, indem Sie die Amazon SageMaker-Entwicklerressourcen, oder Besuch Umarmendes Gesicht bei Amazon SageMaker.

Über den Autor

Daniel Burke ist der europäische Leiter für KI und ML in der Private-Equity-Gruppe bei AWS. Daniel arbeitet direkt mit Private-Equity-Fonds und ihren Portfoliounternehmen zusammen und hilft ihnen, ihre KI- und ML-Einführung zu beschleunigen, um Innovationen zu verbessern und den Unternehmenswert zu steigern.