Επιλύστε επιχειρηματικά προβλήματα από άκρο σε άκρο μέσω μηχανικής εκμάθησης στις λύσεις Amazon SageMaker JumpStart

Amazon SageMaker JumpStart παρέχει προεκπαιδευμένα μοντέλα ανοιχτού κώδικα για ένα ευρύ φάσμα τύπων προβλημάτων που θα σας βοηθήσουν να ξεκινήσετε με τη μηχανική εκμάθηση (ML). Το JumpStart παρέχει επίσης πρότυπα λύσεων που δημιουργούν υποδομές για περιπτώσεις κοινής χρήσης και εκτελέσιμα παραδείγματα σημειωματάρια για ML με Amazon Sage Maker.

Ως επιχειρηματικός χρήστης, μπορείτε να κάνετε τα εξής με τις λύσεις JumpStart:

• Εξερευνήστε τις λύσεις και αξιολογήστε ποιες ταιριάζουν καλά με τις ανάγκες της επιχείρησής σας.
• Εκκινήστε λύσεις με ένα μόνο κλικ Στούντιο Amazon SageMaker. Αυτό εκτοξεύει ένα AWS CloudFormation πρότυπο για τη δημιουργία των απαιτούμενων πόρων.
• Τροποποιήστε τη λύση για να καλύψετε τις ανάγκες σας με πρόσβαση σε υποκείμενα στοιχεία φορητού υπολογιστή και μοντέλου.
• Διαγράψτε τους πόρους που αποκτήσατε μόλις ολοκληρωθεί.

Αυτή η ανάρτηση εστιάζει στις πέντε λύσεις ML που προστέθηκαν πρόσφατα για την αντιμετώπιση πέντε διαφορετικών επιχειρηματικών προκλήσεων. Μέχρι τη στιγμή που γράφεται αυτό το άρθρο, το JumpStart προσφέρει 23 επιχειρηματικές λύσεις που ποικίλλουν από τον εντοπισμό απάτης στις οικονομικές συναλλαγές έως την αναγνώριση χειρογράφου. Ο αριθμός των λύσεων που προσφέρονται μέσω του JumpStart αυξάνεται σε τακτική βάση καθώς προστίθενται περισσότερες λύσεις σε αυτό.

Επισκόπηση λύσεων

Οι πέντε νέες λύσεις είναι οι εξής:

• Βελτιστοποίηση τιμών – Προσφέρει προσαρμόσιμα μοντέλα ML για να σας βοηθήσει να λάβετε βέλτιστες αποφάσεις για τον καθορισμό της τιμής του προϊόντος ή της υπηρεσίας σας προκειμένου να επιτύχετε τον επιχειρηματικό σας στόχο, όπως τη μεγιστοποίηση εσόδων, κέρδους ή άλλες προσαρμοσμένες μετρήσεις.
• Πρόβλεψη ειδών πουλιών – Δείχνει πώς μπορείτε να εκπαιδεύσετε και να τελειοποιήσετε ένα μοντέλο ανίχνευσης αντικειμένων. Επιδεικνύει συντονισμό μοντέλου μέσω της αύξησης της εικόνας της εκπαίδευσης και απεικονίζει τις βελτιώσεις ακρίβειας που συμβαίνουν στις επαναλήψεις (εποχές) της εργασίας εκπαίδευσης.
• Πρόβλεψη επιβίωσης από καρκίνο του πνεύμονα – Δείχνει πώς μπορείτε να τροφοδοτήσετε 2D και 3D ραδιολογικά χαρακτηριστικά και δημογραφικά στοιχεία ασθενών σε έναν αλγόριθμο ML για να προβλέψετε τις πιθανότητες επιβίωσης ενός ασθενούς από καρκίνο του πνεύμονα. Τα αποτελέσματα από αυτήν την πρόβλεψη μπορούν να βοηθήσουν τους παρόχους να λάβουν κατάλληλα προληπτικά μέτρα.
• Ταξινόμηση χρηματοοικονομικών πληρωμών – Επιδεικνύει πώς να εκπαιδεύσετε και να αναπτύξετε ένα μοντέλο ML για την ταξινόμηση των χρηματοοικονομικών συναλλαγών με βάση τις πληροφορίες συναλλαγών. Μπορείτε επίσης να χρησιμοποιήσετε αυτήν τη λύση ως ενδιάμεσο βήμα για τον εντοπισμό απάτης, την εξατομίκευση ή τον εντοπισμό ανωμαλιών.
• Πρόβλεψη ανατροπής για πελάτες κινητών τηλεφώνων – Δείχνει πώς να αναπτύξετε γρήγορα ένα μοντέλο πρόβλεψης απόκλισης χρησιμοποιώντας ένα σύνολο δεδομένων συναλλαγών κλήσεων από κινητά. Αυτό είναι ένα απλό παράδειγμα για χρήστες που είναι νέοι στην ML.

Προϋποθέσεις

Για να χρησιμοποιήσετε αυτές τις λύσεις, βεβαιωθείτε ότι έχετε πρόσβαση στο Studio με έναν ρόλο εκτέλεσης που σας επιτρέπει να εκτελέσετε τη λειτουργικότητα του SageMaker. Για τον ρόλο χρήστη σας στο Studio, βεβαιωθείτε ότι SageMaker Projects και JumpStart είναι ενεργοποιημένη.

Στις επόμενες ενότητες, εξετάζουμε καθεμία από τις πέντε νέες λύσεις και συζητάμε λεπτομερώς πώς λειτουργεί, μαζί με μερικές συστάσεις για το πώς μπορείτε να το χρησιμοποιήσετε για τις δικές σας επιχειρηματικές ανάγκες.

Βελτιστοποίηση τιμών

Στις επιχειρήσεις αρέσει να χρησιμοποιούν διάφορους μοχλούς για να έχουν τα καλύτερα αποτελέσματα. Για παράδειγμα, η τιμή ενός προϊόντος ή μιας υπηρεσίας είναι ένας μοχλός που μπορεί να ελέγξει μια επιχείρηση. Το ερώτημα είναι πώς να αποφασίσετε σε ποια τιμή θα ορίσετε ένα προϊόν ή μια υπηρεσία, προκειμένου να μεγιστοποιήσετε έναν επιχειρηματικό στόχο, όπως το κέρδος ή τα έσοδα.

Αυτή η λύση παρέχει προσαρμόσιμα μοντέλα ML για να σας βοηθήσει να λάβετε βέλτιστες αποφάσεις για τον καθορισμό της τιμής του προϊόντος ή της υπηρεσίας σας προκειμένου να επιτύχετε τον στόχο σας, όπως τη μεγιστοποίηση εσόδων, κέρδους ή άλλες προσαρμοσμένες μετρήσεις. Η λύση χρησιμοποιεί προσεγγίσεις ML και αιτιώδους συναγωγής για να μάθει σχέσεις τιμής-όγκου από ιστορικά δεδομένα και είναι σε θέση να κάνει δυναμικές προτάσεις τιμών σε πραγματικό χρόνο για να βελτιστοποιήσει τις προσαρμοσμένες μετρήσεις στόχου.

Το ακόλουθο στιγμιότυπο οθόνης δείχνει τα δείγματα δεδομένων εισόδου.

Η λύση περιλαμβάνει τρία μέρη:

• Εκτίμηση ελαστικότητας τιμής – Αυτό εκτιμάται με αιτιώδη συναγωγή μέσω ενός διπλού αλγορίθμου ML
• Πρόβλεψη όγκου – Αυτό προβλέπεται χρησιμοποιώντας τον αλγόριθμο του Προφήτη
• Βελτιστοποίηση τιμών – Αυτό επιτυγχάνεται με μια προσομοίωση what-if μέσω διαφορετικών σεναρίων τιμών

Η λύση παρέχει την προτεινόμενη τιμή για την επόμενη μέρα για μεγιστοποίηση εσόδων. Επιπλέον, τα αποτελέσματα περιλαμβάνουν την εκτιμώμενη ελαστικότητα τιμής, η οποία είναι μια τιμή που υποδεικνύει την επίδραση της τιμής στον όγκο, και ένα μοντέλο πρόβλεψης, το οποίο μπορεί να προβλέψει τον όγκο της επόμενης ημέρας. Το παρακάτω διάγραμμα δείχνει πώς ένα μοντέλο αιτίου που ενσωμάτωσε την υπολογισμένη ελαστικότητα τιμής αποδίδει πολύ καλύτερα σε μια ανάλυση what-if (με μεγάλες αποκλίσεις από την τιμή συμπεριφοράς) από ένα μοντέλο πρόβλεψης που χρησιμοποιεί το Prophet για την πρόβλεψη όγκου χρησιμοποιώντας δεδομένα χρονοσειρών.

Θα μπορούσατε να εφαρμόσετε αυτήν τη λύση στην επιχείρησή σας για τις ακόλουθες περιπτώσεις χρήσης:

• Προσδιορίστε τη βέλτιστη τιμή των αγαθών για ένα κατάστημα λιανικής
• Υπολογίστε την επίδραση των εκπτωτικών κουπονιών στις αγορές των πελατών
• Προβλέψτε την επίδραση διαφόρων μεθόδων κινήτρων σε οποιαδήποτε επιχείρηση

Πρόβλεψη ειδών πτηνών

Υπάρχουν πολλές εφαρμογές υπολογιστικής όρασης (CV) για τις επιχειρήσεις σήμερα. Μία από αυτές τις εφαρμογές είναι η ανίχνευση αντικειμένων, όπου ένας αλγόριθμος ML ανιχνεύει τη θέση ενός αντικειμένου σε μια εικόνα σχεδιάζοντας ένα πλαίσιο οριοθέτησης γύρω από αυτό και προσδιορίζει τον τύπο του αντικειμένου που είναι. Η εκμάθηση του τρόπου εφαρμογής ενός μοντέλου ανίχνευσης αντικειμένων και η τελειοποίηση του μπορεί να έχει μεγάλη αξία για έναν οργανισμό που έχει ανάγκες βιογραφικού.

Αυτή η λύση παρέχει ένα παράδειγμα του τρόπου μετάφρασης των προδιαγραφών του πλαισίου οριοθέτησης κατά την παροχή εικόνων στον αλγόριθμο SageMaker. Αυτή η λύση δείχνει επίσης πώς να βελτιώσετε ένα μοντέλο ανίχνευσης αντικειμένων προσθέτοντας εικόνες εκπαίδευσης που αναστρέφονται οριζόντια (εικόνες καθρέφτη).

Παρέχεται ένα σημειωματάριο για πειραματισμό με προκλήσεις ανίχνευσης αντικειμένων όταν υπάρχει μεγάλος αριθμός τάξεων (200 είδη πουλιών). Το σημειωματάριο δείχνει επίσης πώς να χαράξετε τις βελτιώσεις ακρίβειας που συμβαίνουν σε όλες τις εποχές της εργασίας εκπαίδευσης. Η παρακάτω εικόνα δείχνει παραδείγματα εικόνων από το σύνολο δεδομένων πτηνών.

Αυτή η λύση περιλαμβάνει πέντε βήματα:

1. Προετοιμάστε τα δεδομένα, συμπεριλαμβανομένης της λήψης και RecordIO δημιουργία αρχείων.
2. Δημιουργήστε και εκπαιδεύστε ένα μοντέλο ανίχνευσης αντικειμένων.
3. Αναπτύξτε ένα τελικό σημείο και αξιολογήστε την απόδοση του μοντέλου.
4. Δημιουργήστε και εκπαιδεύστε ξανά ένα μοντέλο ανίχνευσης αντικειμένων με το διευρυμένο σύνολο δεδομένων.
5. Αναπτύξτε ένα τελικό σημείο και αξιολογήστε την απόδοση του διευρυμένου μοντέλου.

Ως έξοδο λαμβάνετε τα εξής:

• Αποτελέσματα ανίχνευσης αντικειμένων με πλαίσια συγκόλλησης στην εικόνα δοκιμής σας
• Ένα εκπαιδευμένο μοντέλο ανίχνευσης αντικειμένων
• Ένα εκπαιδευμένο μοντέλο ανίχνευσης αντικειμένων με ένα πρόσθετο διευρυμένο (αναποδογυρισμένο) σύνολο δεδομένων
• Δύο ξεχωριστά τελικά σημεία που αναπτύσσονται με ένα από κάθε μοντέλο

Το παρακάτω διάγραμμα δείχνει τη βελτίωση του μοντέλου έναντι επαναλήψεων μοντέλων (εποχές) κατά τη διάρκεια της εκπαίδευσης.

Τα ακόλουθα παραδείγματα προέρχονται από δύο δοκιμαστικές εικόνες.

Θα μπορούσατε να εφαρμόσετε αυτήν τη λύση στην επιχείρησή σας για τις ακόλουθες περιπτώσεις χρήσης:

• Ανίχνευση αντικειμένων σε μεταφορική ταινία σε μια βιομηχανία συσκευασίας
• Εντοπίστε γαρνιτούρες σε πίτσα
• Εφαρμογή λειτουργικών εφαρμογών εφοδιαστικής αλυσίδας που περιλαμβάνουν ανίχνευση αντικειμένων

Πρόβλεψη επιβίωσης από καρκίνο του πνεύμονα

Ο COVID-19 έφερε πολύ περισσότερη προσοχή στις ιατρικές προκλήσεις που σχετίζονται με τους πνεύμονες. Έχει επίσης ασκήσει μεγάλη πίεση στα νοσοκομεία, τους γιατρούς, τους νοσηλευτές και τους ακτινολόγους. Φανταστείτε μια δυνατότητα όπου μπορείτε να εφαρμόσετε το ML ως ένα ισχυρό εργαλείο για να βοηθήσετε τους ιατρούς και να τους βοηθήσετε να επιταχύνουν την εργασία τους. Σε αυτή τη λύση, δείχνουμε πώς τα δισδιάστατα και τρισδιάστατα ραδιολογικά χαρακτηριστικά και τα δημογραφικά στοιχεία ασθενών μπορούν να τροφοδοτηθούν σε έναν αλγόριθμο ML για την πρόβλεψη των πιθανοτήτων επιβίωσης ενός ασθενούς από καρκίνο του πνεύμονα. Τα αποτελέσματα αυτής της πρόβλεψης μπορούν να βοηθήσουν τους παρόχους να λάβουν κατάλληλα προληπτικά μέτρα.

Αυτή η λύση δείχνει πώς να δημιουργήσετε μια κλιμακούμενη διοχέτευση ML για το σύνολο δεδομένων Radiogenomics για τον Καρκίνο του Πνεύμονα Μη Μικροκυτταρικού Κυττάρου (NSCLC), το οποίο αποτελείται από δεδομένα αλληλουχίας RNA, κλινικά δεδομένα (αντανακλαστικά δεδομένα EHR) και ιατρικές εικόνες. Η χρήση πολλαπλών τύπων δεδομένων για τη δημιουργία ενός μοντέλου μηχανής αναφέρεται ως πολυτροπικό ML. Αυτή η λύση προβλέπει την έκβαση της επιβίωσης ασθενών που έχουν διαγνωστεί με μη μικροκυτταρικό καρκίνο του πνεύμονα.

Η ακόλουθη εικόνα δείχνει ένα παράδειγμα των δεδομένων εισόδου από το σύνολο δεδομένων Radiogenomics του μη μικροκυτταρικού καρκίνου του πνεύμονα (NSCLC).

Ως μέρος του διαλύματος, ολικό RNA εκχυλίστηκε από τον ιστό του όγκου και αναλύθηκε με τεχνολογία προσδιορισμού αλληλουχίας RNA. Αν και τα αρχικά δεδομένα περιέχουν περισσότερα από 22,000 γονίδια, διατηρούμε 21 γονίδια από 10 συστάδες γονιδίων (μεταγονίδια) υψηλής συνεκφρασιμότητας που αναγνωρίστηκαν, επικυρώθηκαν σε κοόρτες γονιδιακής έκφρασης που ήταν διαθέσιμες στο κοινό και συσχετίστηκαν με την πρόγνωση.

Τα κλινικά αρχεία αποθηκεύονται σε μορφή CSV. Κάθε σειρά αντιστοιχεί σε έναν ασθενή και οι στήλες περιέχουν πληροφορίες για τους ασθενείς, συμπεριλαμβανομένων των δημογραφικών στοιχείων, του σταδίου του όγκου και της κατάστασης επιβίωσης.

Για γονιδιωματικά δεδομένα, διατηρούμε 21 γονίδια από 10 συστάδες γονιδίων (μεταγονίδια) με υψηλή συνεκφραση που ταυτοποιήθηκαν, επικυρώθηκαν σε κοόρτες γονιδιακής έκφρασης που ήταν διαθέσιμες στο κοινό και συσχετίστηκαν με την πρόγνωση.

Για δεδομένα ιατρικής απεικόνισης, δημιουργούμε τρισδιάστατα ραδιενεργά χαρακτηριστικά σε επίπεδο ασθενούς που εξηγούν το μέγεθος, το σχήμα και τα οπτικά χαρακτηριστικά των όγκων που παρατηρούνται στις αξονικές τομογραφίες. Για κάθε μελέτη ασθενούς, εκτελούνται τα ακόλουθα βήματα:

1. Διαβάστε τα αρχεία τμημάτων 2D DICOM τόσο για την αξονική σάρωση όσο και για την τμηματοποίηση όγκου, συνδυάστε τα σε τόμους 3D, αποθηκεύστε τους τόμους σε μορφή NIfTI.
2. Ευθυγραμμίστε τον όγκο CT και την κατάτμηση του όγκου, ώστε να μπορούμε να εστιάσουμε τον υπολογισμό μέσα στον όγκο.
3. Υπολογίστε ραδιομικά χαρακτηριστικά που περιγράφουν την περιοχή του όγκου χρησιμοποιώντας τη βιβλιοθήκη pyradiomics.
4. Εξαγάγετε 120 ραδιολογικά χαρακτηριστικά οκτώ τάξεων, όπως στατιστικές αναπαραστάσεις της κατανομής και συν-εμφάνισης της έντασης στην ογκώδη περιοχή ενδιαφέροντος και μετρήσεις με βάση το σχήμα που περιγράφουν τον όγκο μορφολογικά.

Για να δημιουργήσουμε μια πολυτροπική άποψη ενός ασθενούς για εκπαίδευση μοντέλου, ενώνουμε τα διανύσματα χαρακτηριστικών από τρεις τρόπους. Στη συνέχεια επεξεργαζόμαστε τα δεδομένα. Αρχικά, κανονικοποιούμε το εύρος των ανεξάρτητων χαρακτηριστικών χρησιμοποιώντας την κλίμακα χαρακτηριστικών. Στη συνέχεια, εκτελούμε ανάλυση κύριου συστατικού (PCA) στα χαρακτηριστικά για να μειώσουμε τη διάσταση και να εντοπίσουμε τα πιο διακριτικά χαρακτηριστικά που συμβάλλουν 95% απόκλιση στα δεδομένα.

Αυτό έχει ως αποτέλεσμα τη μείωση των διαστάσεων από 215 χαρακτηριστικά σε 45 κύρια στοιχεία, τα οποία αποτελούν χαρακτηριστικά για τον εποπτευόμενο εκπαιδευόμενο.

Η λύση παράγει ένα μοντέλο ML που προβλέπει την κατάσταση επιβίωσης των ασθενών με NSCLC (νεκρό ή ζωντανό) με μια μορφή πιθανότητας. Εκτός από το μοντέλο και την πρόβλεψη, δημιουργούμε επίσης αναφορές για να εξηγήσουμε το μοντέλο. Ο αγωγός ιατρικής απεικόνισης παράγει τρισδιάστατους όγκους CT πνεύμονα και τμηματοποίηση όγκου για σκοπούς οπτικοποίησης.

Μπορείτε να εφαρμόσετε αυτήν τη λύση σε περιπτώσεις χρήσης της υγειονομικής περίθαλψης και των βιοεπιστημών.

Ταξινόμηση χρηματοοικονομικών πληρωμών

Η λήψη όλων των οικονομικών συναλλαγών μιας επιχείρησης ή ενός καταναλωτή και η οργάνωσή τους σε διάφορες κατηγορίες μπορεί να είναι αρκετά χρήσιμη. Μπορεί να βοηθήσει τον χρήστη να μάθει πόσα έχει ξοδέψει σε ποια κατηγορία και μπορεί επίσης να προειδοποιεί όταν οι συναλλαγές ή οι δαπάνες σε μια δεδομένη κατηγορία αυξάνονται ή μειώνονται απροσδόκητα.

Αυτή η λύση δείχνει πώς να εκπαιδεύσετε και να αναπτύξετε ένα μοντέλο ML για την ταξινόμηση των χρηματοοικονομικών συναλλαγών με βάση τις πληροφορίες συναλλαγών. Πολλές τράπεζες το παρέχουν ως υπηρεσία για να δώσουν στους τελικούς χρήστες τους μια επισκόπηση των καταναλωτικών τους συνηθειών. Μπορείτε επίσης να χρησιμοποιήσετε αυτήν τη λύση ως ενδιάμεσο βήμα για τον εντοπισμό απάτης, την εξατομίκευση ή τον εντοπισμό ανωμαλιών. Χρησιμοποιούμε το SageMaker για να εκπαιδεύσουμε και να αναπτύξουμε ένα μοντέλο XGBoost με την απαιτούμενη υποκείμενη υποδομή.

Το συνθετικό σύνολο δεδομένων που θα δείξουμε αυτή τη λύση έχει τα ακόλουθα χαρακτηριστικά:

• συναλλαγή_κατηγορία – Η κατηγορία της συναλλαγής, από τις ακόλουθες 19 επιλογές: 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, Home, να Pension and insurances.
• receiver_id – Ένα αναγνωριστικό για τον παραλήπτη. Το αναγνωριστικό αποτελείται από 16 αριθμούς.
• ταυτότητα αποστολέα – Ένα αναγνωριστικό για το μέρος που αποστέλλει. Το αναγνωριστικό αποτελείται από 16 αριθμούς.
• ποσό – Το ποσό που μεταφέρεται.
• timestamp – Η χρονική σήμανση της συναλλαγής σε μορφή ΕΕΕΕ-ΜΜ-ΗΗ ΩΩ:ΜΜ:ΔΣ.

Οι πρώτες πέντε παρατηρήσεις του συνόλου δεδομένων είναι οι εξής:

Για αυτήν τη λύση, χρησιμοποιούμε το XGBoost, μια δημοφιλή και αποτελεσματική εφαρμογή ανοιχτού κώδικα του αλγόριθμου δέντρων ενισχυμένων με κλίση. Η ενίσχυση κλίσης είναι ένας εποπτευόμενος αλγόριθμος μάθησης που επιχειρεί να προβλέψει με ακρίβεια μια μεταβλητή στόχο συνδυάζοντας ένα σύνολο εκτιμήσεων από ένα σύνολο απλούστερων και ασθενέστερων μοντέλων. Η υλοποίησή του είναι διαθέσιμη στους ενσωματωμένους αλγόριθμους του SageMaker.

Η λύση ταξινόμησης οικονομικών πληρωμών περιλαμβάνει τέσσερα βήματα:

1. Προετοιμάστε τα δεδομένα.
2. Δημιουργήστε ένα κατάστημα χαρακτηριστικών.
3. Δημιουργήστε και εκπαιδεύστε ένα μοντέλο XGBoost.
4. Αναπτύξτε ένα τελικό σημείο και αξιολογήστε την απόδοση του μοντέλου.

Παίρνουμε την ακόλουθη έξοδο:

• Ένα εκπαιδευμένο μοντέλο XGBoost που βασίζεται στο παράδειγμα δεδομένων μας
• Ένα τελικό σημείο του SageMaker που μπορεί να προβλέψει την κατηγορία συναλλαγής

Μετά την εκτέλεση αυτής της λύσης, θα πρέπει να δείτε μια αναφορά ταξινόμησης παρόμοια με την παρακάτω.

Οι πιθανές εφαρμογές για την επιχείρησή σας περιλαμβάνουν τα ακόλουθα:

• Διάφορες χρηματοοικονομικές εφαρμογές στη λιανική και επενδυτική τραπεζική
• Όταν οι συναλλαγές πρέπει να ταξινομηθούν σε οποιαδήποτε περίπτωση χρήσης (όχι μόνο οικονομική)

Πρόβλεψη ανατροπής για πελάτες κινητών τηλεφώνων

Η πρόβλεψη της απόσυρσης πελατών είναι μια πολύ κοινή επιχειρηματική ανάγκη. Πολυάριθμες μελέτες δείχνουν ότι το κόστος διατήρησης ενός υπάρχοντος πελάτη είναι πολύ μικρότερο από την απόκτηση ενός νέου πελάτη. Η πρόκληση συχνά προέρχεται από τις επιχειρήσεις που δυσκολεύονται να κατανοήσουν γιατί ένας πελάτης αναστέλλεται ή να δημιουργήσουν ένα μοντέλο που προβλέπει την ανατροπή.

Σε αυτό το παράδειγμα, οι χρήστες που είναι νέοι στην ML μπορούν να βιώσουν πώς μπορεί να αναπτυχθεί γρήγορα ένα μοντέλο πρόβλεψης παρέκκλισης χρησιμοποιώντας ένα σύνολο δεδομένων συναλλαγών κλήσεων από κινητά. Αυτή η λύση χρησιμοποιεί το SageMaker για να εκπαιδεύσει και να αναπτύξει ένα μοντέλο XGBoost σε ένα σύνολο δεδομένων προφίλ πελάτη για να προβλέψει εάν ένας πελάτης είναι πιθανό να εγκαταλείψει μια εταιρεία κινητής τηλεφωνίας.

Το σύνολο δεδομένων που χρησιμοποιεί αυτή η λύση είναι δημόσια διαθέσιμο και αναφέρεται στο βιβλίο Discovering Knowledge in Data του Daniel T. Larose. Αποδίδεται από τον συγγραφέα στο Πανεπιστήμιο της Καλιφόρνια Irvine Repository of Machine Learning Datasets.

Αυτό το σύνολο δεδομένων χρησιμοποιεί τα ακόλουθα 21 χαρακτηριστικά για να περιγράψει το προφίλ ενός πελάτη μιας άγνωστης εταιρείας κινητής τηλεφωνίας στις ΗΠΑ.

• Πολιτεία: η πολιτεία των ΗΠΑ στην οποία διαμένει ο πελάτης, που υποδεικνύεται με μια συντομογραφία δύο γραμμάτων. για παράδειγμα, OH ή NJ
• Διάρκεια λογαριασμού: ο αριθμός των ημερών που αυτός ο λογαριασμός ήταν ενεργός
• Κωδικός περιοχής: ο τριψήφιος κωδικός περιοχής του αριθμού τηλεφώνου του αντίστοιχου πελάτη
• Τηλέφωνο: ο υπόλοιπος επταψήφιος αριθμός τηλεφώνου
• Διεθνές σχέδιο: εάν ο πελάτης έχει πρόγραμμα διεθνών κλήσεων: ναι/όχι
• Σχέδιο VMail: εάν ο πελάτης διαθέτει δυνατότητα φωνητικού ταχυδρομείου: ναι/όχι
• Μήνυμα VMail: ο μέσος αριθμός μηνυμάτων φωνητικού ταχυδρομείου ανά μήνα
• Λεπτά ημέρας: ο συνολικός αριθμός λεπτών κλήσης που χρησιμοποιήθηκαν κατά τη διάρκεια της ημέρας
• Ημερήσιες κλήσεις: ο συνολικός αριθμός κλήσεων που πραγματοποιήθηκαν κατά τη διάρκεια της ημέρας
• Χρέωση ημέρας: το χρεωμένο κόστος των ημερήσιων κλήσεων
• Λεπτά παραμονής, κλήσεις παραμονής, χρέωση παραμονής: το χρεωμένο κόστος για κλήσεις που πραγματοποιούνται κατά τη διάρκεια της βραδιάς
• Νυχτερινά λεπτά, νυχτερινές κλήσεις, νυχτερινή χρέωση: το χρεωμένο κόστος για κλήσεις που πραγματοποιούνται κατά τη διάρκεια της νύχτας
• Intl Mins, Intl Calls, Intl Charge: το τιμολογημένο κόστος για διεθνείς κλήσεις
• Κλήσεις CustServ: ο αριθμός των κλήσεων που πραγματοποιήθηκαν στην Εξυπηρέτηση Πελατών
• Churn;: εάν ο πελάτης αποχώρησε από την υπηρεσία: true/false

Αυτή η λύση περιλαμβάνει τρία στάδια:

1. Προετοιμάστε τα δεδομένα.
2. Δημιουργήστε και εκπαιδεύστε ένα μοντέλο XGBoost.
3. Αναπτύξτε ένα τελικό σημείο και αξιολογήστε την απόδοση του μοντέλου.

Παίρνουμε την ακόλουθη έξοδο:

• Ένα εκπαιδευμένο μοντέλο XGBoost που βασίζεται στο παράδειγμά μας για την πρόβλεψη της ανατροπής των χρηστών
• Ένα τελικό σημείο του SageMaker που μπορεί να προβλέψει την ανατροπή των χρηστών

Αυτό το μοντέλο βοηθά στην εκτίμηση του πόσοι από τους 5,000 πελάτες κινητής τηλεφωνίας είναι πιθανό να σταματήσουν να χρησιμοποιούν την τρέχουσα εταιρεία κινητής τηλεφωνίας τους.

Το παρακάτω διάγραμμα δείχνει μια κατανομή πιθανότητας της ανατροπής ως έξοδο από το μοντέλο.

Θα μπορούσατε να το εφαρμόσετε στην επιχείρησή σας για τις ακόλουθες περιπτώσεις χρήσης:

• Προβλέψτε την ανατροπή πελατών στη δική σας επιχείρηση
• Ταξινομήστε ποιοι πελάτες μπορούν να ανοίξουν το email μάρκετινγκ και ποιοι όχι (δυαδική ταξινόμηση)
• Προβλέψτε ποιοι μαθητές είναι πιθανό να εγκαταλείψουν ένα μάθημα

Εκκαθάριση πόρων

Αφού ολοκληρώσετε την εκτέλεση μιας λύσης στο JumpStart, φροντίστε να επιλέξετε Διαγράψτε όλους τους πόρους Έτσι, όλοι οι πόροι που έχετε δημιουργήσει στη διαδικασία διαγράφονται και η χρέωσή σας διακόπτεται.

Χαρακτηριστικά

Αυτή η ανάρτηση σάς έδειξε πώς να επιλύετε διάφορα επιχειρηματικά προβλήματα εφαρμόζοντας ML, με βάση τις λύσεις JumpStart. Αν και αυτή η ανάρτηση επικεντρώθηκε στις πέντε νέες λύσεις που προστέθηκαν πρόσφατα στο JumpStart, υπάρχουν συνολικά 23 διαθέσιμες λύσεις. Σας ενθαρρύνουμε να συνδεθείτε στο Studio και να δείτε μόνοι σας τις λύσεις JumpStart και να αρχίσετε να αντλείτε άμεση αξία από αυτές. Για περισσότερες πληροφορίες, ανατρέξτε στο Στούντιο Amazon SageMaker και SageMaker JumpStart.

Σημείωση: Εάν δεν βλέπετε και τις παραπάνω πέντε λύσεις στην κονσόλα JumpStart της περιοχής σας AWS, περιμένετε μια εβδομάδα και ελέγξτε ξανά. Τα κυκλοφορούμε σε διάφορες περιοχές σταδιακά.

---

Σχετικά με τους Συγγραφείς

Δρ Raju Penmatcha είναι AI/ML Specialist Solutions Architect σε πλατφόρμες AI στο AWS. Εργάζεται στη σουίτα υπηρεσιών χαμηλού κώδικα/χωρίς κώδικα στο SageMaker που βοηθούν τους πελάτες να δημιουργούν και να αναπτύσσουν εύκολα μοντέλα και λύσεις μηχανικής εκμάθησης. Όταν δεν βοηθά τους πελάτες, του αρέσει να ταξιδεύει σε νέα μέρη.

Μανάν Σαχ είναι Διευθυντής Ανάπτυξης Λογισμικού στο Amazon Web Services. Είναι λάτρης της ML και εστιάζει στην κατασκευή προϊόντων AI/ML χωρίς κώδικα/χαμηλό κώδικα. Προσπαθεί να ενδυναμώσει άλλους ταλαντούχους, τεχνικούς ανθρώπους για να δημιουργήσουν εξαιρετικό λογισμικό.