Αυτοματοποιήστε την ταξινόμηση των αιτημάτων υπηρεσιών πληροφορικής με έναν προσαρμοσμένο ταξινομητή Amazon Comprehend

Οι επιχειρήσεις αντιμετωπίζουν συχνά μεγάλους όγκους αιτημάτων υπηρεσιών πληροφορικής. Παραδοσιακά, το βάρος βαρύνει τον αιτούντα να επιλέξει τη σωστή κατηγορία για κάθε θέμα. Ένα μη αυτόματο σφάλμα ή εσφαλμένη ταξινόμηση ενός εισιτηρίου συνήθως σημαίνει καθυστέρηση στην επίλυση του αιτήματος υπηρεσίας πληροφορικής. Αυτό μπορεί να οδηγήσει σε μειωμένη παραγωγικότητα, μείωση της ικανοποίησης των πελατών, αντίκτυπο στις συμφωνίες επιπέδου υπηρεσιών (SLA) και ευρύτερες λειτουργικές επιπτώσεις. Καθώς η επιχείρησή σας μεγαλώνει, το πρόβλημα της παροχής του σωστού αιτήματος υπηρεσίας στη σωστή ομάδα γίνεται ακόμη πιο σημαντικό. Η χρήση μιας προσέγγισης που βασίζεται στη μηχανική μάθηση (ML) και την τεχνητή νοημοσύνη μπορεί να βοηθήσει στις συνεχώς εξελισσόμενες ανάγκες της επιχείρησής σας.

Η εποπτευόμενη ML είναι μια διαδικασία που χρησιμοποιεί επισημασμένα σύνολα δεδομένων και εξόδους για την εκπαίδευση αλγορίθμων μάθησης σχετικά με τον τρόπο ταξινόμησης δεδομένων ή πρόβλεψης ενός αποτελέσματος. Κατανοήστε το Amazon είναι μια υπηρεσία επεξεργασίας φυσικής γλώσσας (NLP) που χρησιμοποιεί ML για να αποκαλύψει πολύτιμες πληροφορίες και συνδέσεις σε κείμενο. Παρέχει API που υποστηρίζονται από ML για εξαγωγή φράσεων-κλειδιά, οντότητες, ανάλυση συναισθήματος και πολλά άλλα.

Σε αυτήν την ανάρτηση, σας δείχνουμε πώς να εφαρμόσετε ένα εποπτευόμενο μοντέλο ML που μπορεί να σας βοηθήσει να ταξινομήσετε αυτόματα αιτήματα υπηρεσιών πληροφορικής χρησιμοποιώντας Amazon Comprehend προσαρμοσμένη ταξινόμηση. Η προσαρμοσμένη ταξινόμηση του Amazon Comprehend σάς βοηθά να προσαρμόσετε το Amazon Comprehend για τις συγκεκριμένες απαιτήσεις σας χωρίς το σύνολο δεξιοτήτων που απαιτείται για τη δημιουργία λύσεων NLP που βασίζονται σε ML. Με την αυτόματη ML ή AutoML, η προσαρμοσμένη ταξινόμηση του Amazon Comprehend δημιουργεί προσαρμοσμένα μοντέλα NLP για λογαριασμό σας, χρησιμοποιώντας τα δεδομένα εκπαίδευσης που παρέχετε.

Επισκόπηση της λύσης

Για να απεικονίσει την ταξινόμηση αιτημάτων υπηρεσιών πληροφορικής, αυτή η λύση χρησιμοποιεί το Σύνολο δεδομένων SEOSS. Αυτό το σύνολο δεδομένων είναι ένα συστηματικά ανακτημένο σύνολο δεδομένων που αποτελείται από 33 έργα λογισμικού ανοιχτού κώδικα που περιέχει μεγάλο αριθμό δακτυλογραφημένων τεχνουργημάτων και ιχνηλάτες συνδέσμους μεταξύ τους. Αυτή η λύση χρησιμοποιεί τα δεδομένα ζητημάτων από αυτά τα 33 έργα ανοιχτού κώδικα, περιλήψεις και περιγραφές όπως αναφέρθηκαν από τους τελικούς χρήστες για να δημιουργήσει ένα προσαρμοσμένο μοντέλο ταξινομητή χρησιμοποιώντας το Amazon Comprehend.

Αυτή η ανάρτηση δείχνει πώς να εφαρμόσετε και να αναπτύξετε τη λύση χρησιμοποιώντας το Κιτ ανάπτυξης AWS Cloud (AWS CDK) σε ένα απομονωμένο Εικονικό ιδιωτικό σύννεφο Amazon (Amazon VPC) περιβάλλον που αποτελείται μόνο από ιδιωτικά υποδίκτυα. Χρησιμοποιούμε επίσης τον κώδικα για να δείξουμε πώς μπορείτε να χρησιμοποιήσετε το AWS CDK πλαίσιο παρόχου, ένα μίνι πλαίσιο για την υλοποίηση ενός παρόχου για AWS CloudFormation προσαρμοσμένους πόρους για τη δημιουργία, ενημέρωση ή διαγραφή ενός προσαρμοσμένου πόρου, όπως ένα τελικό σημείο του Amazon Comprehend. Το τελικό σημείο του Amazon Comprehend περιλαμβάνει διαχειριζόμενους πόρους που καθιστούν το προσαρμοσμένο μοντέλο σας διαθέσιμο για συμπεράσματα σε πραγματικό χρόνο σε έναν υπολογιστή-πελάτη ή σε εφαρμογές τρίτων. ο κώδικα για αυτή τη λύση είναι διαθέσιμο στο Github.

Χρησιμοποιείτε το AWS CDK για να αναπτύξετε την υποδομή, τον κώδικα εφαρμογής και τις ρυθμίσεις παραμέτρων για τη λύση. Χρειάζεστε επίσης έναν λογαριασμό AWS και τη δυνατότητα δημιουργίας πόρων AWS. Χρησιμοποιείτε το AWS CDK για να δημιουργήσετε πόρους AWS, όπως ένα VPC με ιδιωτικά υποδίκτυα, Καταληκτικά σημεία VPC του Amazon, Σύστημα αρχείων ελαστικού Amazon (Amazon EFS), αν Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS) θέμα, αν Απλή υπηρεσία αποθήκευσης Amazon κάδος (Amazon S3), Ειδοποιήσεις συμβάντων Amazon S3, να AWS Lambda λειτουργίες. Συλλογικά, αυτοί οι πόροι AWS αποτελούν τη στοίβα εκπαίδευσης, την οποία χρησιμοποιείτε για τη δημιουργία και την εκπαίδευση του προσαρμοσμένου μοντέλου ταξινομητή.

Αφού δημιουργήσετε αυτούς τους πόρους AWS, κατεβάζετε το σύνολο δεδομένων SEOSS και ανεβάζετε το σύνολο δεδομένων στον κάδο S3 που δημιουργήθηκε από τη λύση. Εάν αναπτύσσετε αυτήν τη λύση στο AWS Region us-east-2, η μορφή του ονόματος του κάδου S3 είναι comprehendcustom--us-east-2-s3stack. Η λύση χρησιμοποιεί τον κανόνα μεταφόρτωσης πολλαπλών τμημάτων Amazon S3 για να καλέσει μια συνάρτηση Lambda που ξεκινά την προεπεξεργασία των δεδομένων εισόδου και χρησιμοποιεί τα προεπεξεργασμένα δεδομένα για να εκπαιδεύσει τον προσαρμοσμένο ταξινομητή Amazon Comprehend για τη δημιουργία του προσαρμοσμένου μοντέλου ταξινομητή. Στη συνέχεια, χρησιμοποιείτε το Amazon Resource Name (ARN) του μοντέλου προσαρμοσμένου ταξινομητή για να δημιουργήσετε τη στοίβα συμπερασμάτων, η οποία δημιουργεί ένα τελικό σημείο Amazon Comprehend χρησιμοποιώντας το AWS CDK πλαίσιο παρόχου, το οποίο μπορείτε στη συνέχεια να χρησιμοποιήσετε για συμπεράσματα από μια εφαρμογή τρίτου κατασκευαστή ή υπολογιστή-πελάτη.

Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική της στοίβας εκπαίδευσης.

Τα βήματα της ροής εργασιών είναι τα εξής:

1. Ανεβάστε το σύνολο δεδομένων SEOSS στον κάδο S3 που δημιουργήθηκε ως μέρος της διαδικασίας ανάπτυξης στοίβας εκπαίδευσης. Αυτό δημιουργεί μια ενεργοποίηση συμβάντος που καλεί το etl_lambda λειτουργία.
2. Η etl_lambda Η λειτουργία κατεβάζει το σύνολο ακατέργαστων δεδομένων από το Amazon S3 στο Amazon EFS.
3. Η etl_lambda Η συνάρτηση εκτελεί την εργασία προεπεξεργασίας δεδομένων του συνόλου δεδομένων SEOSS.
4. Όταν ολοκληρωθεί η εκτέλεση της συνάρτησης, ανεβάζει τα μετασχηματισμένα δεδομένα με prepped_data πρόθεμα στον κάδο S3.
5. Αφού ολοκληρωθεί η μεταφόρτωση των μετασχηματισμένων δεδομένων, αποστέλλεται ένα μήνυμα επιτυχούς ολοκλήρωσης ETL στο Amazon SNS.
6. Στο Amazon Comprehend, μπορείτε να ταξινομήσετε τα έγγραφά σας χρησιμοποιώντας δύο λειτουργίες: πολλαπλών κλάσεων ή πολλαπλών ετικετών. Η λειτουργία πολλαπλών κλάσεων προσδιορίζει μία και μόνο μία κλάση για κάθε έγγραφο και η λειτουργία πολλαπλών ετικετών προσδιορίζει μία ή περισσότερες ετικέτες για κάθε έγγραφο. Επειδή θέλουμε να προσδιορίσουμε μία κλάση σε κάθε έγγραφο, εκπαιδεύουμε το μοντέλο προσαρμοσμένου ταξινομητή σε λειτουργία πολλαπλών κλάσεων. Το Amazon SNS ενεργοποιεί το train_classifier_lambda λειτουργία, η οποία ξεκινά την εκπαίδευση ταξινομητή Amazon Comprehend σε λειτουργία πολλαπλών κλάσεων.
7. Η train_classifier_lambda η λειτουργία εκκινεί την εκπαίδευση προσαρμοσμένου ταξινομητή Amazon Comprehend.
8. Το Amazon Comprehend κατεβάζει τα μετασχηματισμένα δεδομένα από το prepped_data πρόθεμα στο Amazon S3 για να εκπαιδεύσετε το μοντέλο προσαρμοσμένου ταξινομητή.
9. Όταν ολοκληρωθεί η εκπαίδευση του μοντέλου, το Amazon Comprehend ανεβάζει το model.tar.gz αρχείο στο output_data πρόθεμα του κάδου S3. Ο μέσος χρόνος ολοκλήρωσης για την εκπαίδευση αυτού του προσαρμοσμένου μοντέλου ταξινομητή είναι περίπου 10 ώρες.
10. Η σκανδάλη μεταφόρτωσης του Amazon S3 καλεί το extract_comprehend_model_name_lambda συνάρτηση, η οποία ανακτά το μοντέλο προσαρμοσμένου ταξινομητή ARN.
11. Η συνάρτηση εξάγει το μοντέλο προσαρμοσμένου ταξινομητή ARN από το ωφέλιμο φορτίο συμβάντων S3 και την απόκριση του list-document-classifiers κλήση.
12. Η συνάρτηση στέλνει το μοντέλο προσαρμοσμένου ταξινομητή ARN στη διεύθυνση email που είχατε εγγραφεί νωρίτερα ως μέρος της διαδικασίας δημιουργίας στοίβας εκπαίδευσης. Στη συνέχεια, χρησιμοποιείτε αυτό το ARN για να αναπτύξετε τη στοίβα συμπερασμάτων.

Αυτή η ανάπτυξη δημιουργεί τη στοίβα συμπερασμάτων, όπως φαίνεται στο παρακάτω σχήμα. Η στοίβα συμπερασμάτων σάς παρέχει ένα REST API που ασφαλίζεται από ένα Διαχείριση ταυτότητας και πρόσβασης AWS Εξουσιοδοτητή (IAM), τον οποίο μπορείτε στη συνέχεια να χρησιμοποιήσετε για να δημιουργήσετε βαθμολογίες εμπιστοσύνης των ετικετών με βάση το κείμενο εισαγωγής που παρέχεται από μια εφαρμογή τρίτου κατασκευαστή ή μια μηχανή πελάτη.

Προϋποθέσεις

Για αυτό το demo, θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις:

• An Λογαριασμός AWS.
• Python 3.7 ή νεότερη έκδοση, Node.js, να Git στη μηχανή ανάπτυξης. Το AWS CDK χρησιμοποιεί συγκεκριμένες εκδόσεις του Node.js (>=10.13.0, εκτός από την έκδοση 13.0.0 – 13.6.0). Συνιστάται μια έκδοση σε ενεργή μακροχρόνια υποστήριξη (LTS).
  Για να εγκαταστήσετε την ενεργή έκδοση LTS του Node.js, μπορείτε να χρησιμοποιήσετε τα ακόλουθα εγκατάσταση σεναρίου for nvm Και χρήση nvm προς την εγκαθιστώ την έκδοση Node.js LTS. Μπορείτε επίσης να εγκαταστήσετε το τρέχον ενεργό LTS Node.js μέσω του διαχειριστή πακέτων ανάλογα με το λειτουργικό σύστημα της επιλογής σας.

  Για macOS, μπορείτε να εγκαταστήσετε το Node.js μέσω του διαχειριστή πακέτων χρησιμοποιώντας τα ακόλουθα οδηγίες.

  Για Windows, μπορείτε να εγκαταστήσετε το Node.js μέσω της διαχείρισης πακέτων χρησιμοποιώντας τα ακόλουθα οδηγίες.

• Το AWS CDK v2 είναι προεγκατεστημένο εάν χρησιμοποιείτε ένα AWS Cloud9 IDE. Εάν χρησιμοποιείτε το AWS Cloud9 IDE, μπορείτε να παραλείψετε αυτό το βήμα. Εάν δεν έχετε εγκαταστήσει το AWS CDK στη μηχανή ανάπτυξης, εγκαταστήστε το AWS CDK v2 παγκοσμίως χρησιμοποιώντας την εντολή Node Package Manager npm install -g aws-cdk. Αυτό το βήμα απαιτεί την εγκατάσταση του Node.js στη μηχανή ανάπτυξης.
• Διαμορφώστε τα διαπιστευτήριά σας AWS για πρόσβαση και δημιουργία πόρων AWS χρησιμοποιώντας το AWS CDK. Για οδηγίες, ανατρέξτε στο Καθορισμός διαπιστευτηρίων και περιοχής.
• Κατεβάστε το Σύνολο δεδομένων SEOSS που αποτελείται από απαιτήσεις, αναφορές σφαλμάτων, ιστορικό κώδικα και συνδέσμους εντοπισμού 33 έργων λογισμικού ανοιχτού κώδικα. Αποθηκεύστε το αρχείο dataverse_files.zip στο τοπικό σας μηχάνημα.

Αναπτύξτε τη στοίβα εκπαίδευσης AWS CDK

Για την ανάπτυξη AWS CDK, ξεκινάμε με τη στοίβα εκπαίδευσης. Ολοκληρώστε τα παρακάτω βήματα:

1. Κλωνοποιήστε το αποθετήριο GitHub:

$ git clone https://github.com/aws-samples/amazon-comprehend-custom-automate-classification-it-service-request.git

2. Πλοηγηθείτε με το amazon-comprehend-custom-automate-classification-it-service-request φάκελο:

$ cd amazon-comprehend-custom-automate-classification-it-service-request/

Όλες οι ακόλουθες εντολές εκτελούνται εντός του amazon-comprehend-custom-automate-classification-it-service-request Κατάλογο.

3. Στον κατάλογο amazon-comprehend-custom-automate-classification-it-service-request, αρχικοποιήστε το εικονικό περιβάλλον Python και εγκαταστήστε τις απαιτήσεις.txt με pip:

$ python3 -m venv .venv
$ source .venv/bin/activate
$ pip install -r requirements.txt

4. Εάν χρησιμοποιείτε το AWS CDK σε συγκεκριμένο λογαριασμό και περιοχή AWS για πρώτη φορά, δείτε τις οδηγίες για εκκίνηση του περιβάλλοντος AWS CDK σας:

$ cdk bootstrap aws:///

5. Συνθέστε τα πρότυπα CloudFormation για αυτήν τη λύση χρησιμοποιώντας cdk synth Και χρήση cdk deploy για να δημιουργήσετε τους πόρους AWS που αναφέρθηκαν προηγουμένως:

$ cdk synth
$ cdk deploy VPCStack EFSStack S3Stack SNSStack ExtractLoadTransformEndPointCreateStack --parameters SNSStack:emailaddressarnnotification=

Αφού μπείτε cdk deploy, το AWS CDK σας ζητά εάν θέλετε να αναπτύξετε αλλαγές για καθεμία από τις στοίβες που αναφέρονται στην εντολή ανάπτυξης cdk.

6. εισάγετε y για καθεμία από τις προτροπές δημιουργίας στοίβας, τότε το βήμα ανάπτυξης του cdk δημιουργεί αυτές τις στοίβες. Εγγραφείτε στη διεύθυνση email που παρέχετε στο θέμα SNS που δημιουργήθηκε ως μέρος της ανάπτυξης του cdk.
7. Αφού ολοκληρωθεί με επιτυχία η ανάπτυξη του cdk, δημιουργήστε έναν φάκελο που ονομάζεται raw_data στον κάδο S3 comprehendcustom---s3stack.
8. Ανεβάστε το σύνολο δεδομένων SEOSS dataverse_files.zip που κατεβάσατε νωρίτερα σε αυτόν τον φάκελο.

Αφού ολοκληρωθεί η μεταφόρτωση, η λύση καλεί το etl_lambda λειτουργούν χρησιμοποιώντας μια ενεργοποίηση συμβάντος Amazon S3 για να ξεκινήσετε τη διαδικασία εξαγωγής, μετασχηματισμού και φόρτωσης (ETL). Αφού ολοκληρωθεί με επιτυχία η διαδικασία ETL, αποστέλλεται ένα μήνυμα στο θέμα SNS, το οποίο καλεί το train_classifier_lambda λειτουργία. Αυτή η λειτουργία ενεργοποιεί μια εκπαίδευση μοντέλου προσαρμοσμένου ταξινομητή Amazon Comprehend. Ανάλογα με το αν εκπαιδεύετε το μοντέλο σας στο πλήρες σύνολο δεδομένων SEOSS, η εκπαίδευση μπορεί να διαρκέσει έως και 10 ώρες. Όταν ολοκληρωθεί η διαδικασία εκπαίδευσης, το Amazon Comprehend ανεβάζει το model.tar.gz αρχείο στο output_data πρόθεμα στον κάδο S3.

Αυτή η μεταφόρτωση ενεργοποιεί το extract_comprehend_model_name_lambda λειτουργία χρησιμοποιώντας μια ενεργοποίηση συμβάντος S3 που εξάγει το μοντέλο προσαρμοσμένου ταξινομητή ARN και το στέλνει στη διεύθυνση email που είχατε εγγραφεί νωρίτερα. Αυτό το μοντέλο προσαρμοσμένου ταξινομητή ARN χρησιμοποιείται στη συνέχεια για τη δημιουργία της στοίβας συμπερασμάτων. Όταν ολοκληρωθεί η εκπαίδευση του μοντέλου, μπορείτε να δείτε τις μετρήσεις απόδοσης του μοντέλου προσαρμοσμένου ταξινομητή μεταβαίνοντας στην ενότητα λεπτομερειών έκδοσης στην κονσόλα Amazon Comprehend (δείτε το παρακάτω στιγμιότυπο οθόνης) ή χρησιμοποιώντας το Amazon Comprehend Boto3 SDK.

Αναπτύξτε τη στοίβα συμπερασμάτων AWS CDK

Τώρα είστε έτοιμοι να αναπτύξετε τη στοίβα συμπερασμάτων.

1. Αντιγράψτε το μοντέλο προσαρμοσμένου ταξινομητή ARN από το email που λάβατε και χρησιμοποιήστε τα παρακάτω cdk deploy εντολή για τη δημιουργία της στοίβας συμπερασμάτων.

Αυτή η εντολή αναπτύσσει ένα API Gateway REST API ασφαλισμένο από έναν εξουσιοδοτητή IAM, το οποίο χρησιμοποιείτε για συμπέρασμα με ένα αναγνωριστικό χρήστη AWS ή έναν ρόλο IAM που έχει απλώς το δικαίωμα execute-api:Invoke IAM. Η ακόλουθη εντολή ανάπτυξης cdk αναπτύσσει τη στοίβα συμπερασμάτων. Αυτή η στοίβα χρησιμοποιεί το AWS CDK πλαίσιο παρόχου για να δημιουργήσετε το τελικό σημείο Amazon Comprehend ως προσαρμοσμένο πόρο, έτσι ώστε η δημιουργία, η διαγραφή και η ενημέρωση του τερματικού σημείου Amazon Comprehend να μπορεί να γίνει ως μέρος του κύκλου ζωής της στοίβας συμπερασμάτων χρησιμοποιώντας τις εντολές ανάπτυξης cdk και καταστροφής cdk.

Επειδή πρέπει να εκτελέσετε την ακόλουθη εντολή μετά την ολοκλήρωση της εκπαίδευσης του μοντέλου, η οποία μπορεί να διαρκέσει έως και 10 ώρες, βεβαιωθείτε ότι βρίσκεστε στο εικονικό περιβάλλον Python που αρχικοποιήσατε σε προηγούμενο βήμα και στο amazon-comprehend-custom-automate-classification-it-service-request Ευρετήριο:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=

Για παράδειγμα:

$ cdk deploy APIGWInferenceStack --parameters APIGWInferenceStack:documentclassifierarn=arn:aws:comprehend:us-east-2:111122223333:document-classifier/ComprehendCustomClassifier-11111111-2222-3333-4444-abc5d67e891f/version/v1

2. Μετά το cdk deploy η εντολή ολοκληρώνεται με επιτυχία, αντιγράψτε το APIGWInferenceStack.ComprehendCustomClassfierInvokeAPI τιμή από την έξοδο της κονσόλας και χρησιμοποιήστε αυτό το REST API για να δημιουργήσετε συμπεράσματα από έναν υπολογιστή-πελάτη ή μια εφαρμογή τρίτου κατασκευαστή που έχει execute-api:Invoke προνόμιο IAM. Εάν εκτελείτε αυτήν τη λύση στο us-east-2, η μορφή αυτού του API REST είναι https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1.

Εναλλακτικά, μπορείτε να χρησιμοποιήσετε το πρόγραμμα-πελάτη δοκιμής apiclientinvoke.py από το αποθετήριο GitHub για να στείλετε ένα αίτημα στο μοντέλο προσαρμοσμένου ταξινομητή. Πριν χρησιμοποιήσετε το apiclientinvoke.py, βεβαιωθείτε ότι υπάρχουν οι ακόλουθες προϋποθέσεις:

• Εχεις το boto3 και requests Το πακέτο Python εγκαταστάθηκε χρησιμοποιώντας pip στον υπολογιστή-πελάτη.
• Έχετε διαμορφώσει τα διαπιστευτήρια Boto3. Από προεπιλογή, ο πελάτης δοκιμής υποθέτει ότι υπάρχει ένα προφίλ με το όνομα προεπιλογή και έχει το execute-api:Invoke Προνόμιο IAM στο REST API.
• Το SigV4Auth δείχνει την περιοχή όπου έχει αναπτυχθεί το REST API. Ενημερώστε το αξία σε us-east-2 in apiclientinvoke.py εάν το REST API σας έχει αναπτυχθεί στο us-east-2.
• Έχετε αναθέσει το raw_data μεταβλητή με το κείμενο στο οποίο θέλετε να κάνετε την πρόβλεψη της τάξης ή το αίτημα ταξινόμησης:

raw_data="""Spark is a unified analytics engine for large-scale data processing. It provides high-level APIs in Scala, Java, Python, and R, and an optimized engine that supports general computation graphs for data analysis."""

• Έχετε αναθέσει το restapi μεταβλητή με το REST API που αντιγράφηκε νωρίτερα:

restapi="https://.execute-api.us-east-2.amazonaws.com/prod/invokecomprehendV1"

3. Εκτελέστε το apiclientinvoke.py μετά τις προηγούμενες ενημερώσεις:

$ python3 apiclientinvoke.py

Λαμβάνετε την ακόλουθη απάντηση από το μοντέλο προσαρμοσμένου ταξινομητή:

{
 "statusCode": 200,
 "body": [
	{
	 "Name": "SPARK",
	 "Score": 0.9999773502349854
	},
	{
	 "Name": "HIVE",
	 "Score": 1.1613215974648483e-05
	},
	{
	 "Name": "DROOLS",
	 "Score": 1.1110682862636168e-06
	}
   ]
}

Το Amazon Comprehend επιστρέφει βαθμολογίες εμπιστοσύνης για κάθε ετικέτα που έχει αποδώσει σωστά. Εάν η υπηρεσία είναι πολύ σίγουρη για μια ετικέτα, η βαθμολογία θα είναι πιο κοντά στο 1. Επομένως, για το μοντέλο προσαρμοσμένου ταξινομητή Amazon Comprehend που εκπαιδεύτηκε χρησιμοποιώντας το σύνολο δεδομένων SEOSS, το μοντέλο προσαρμοσμένου ταξινομητή προβλέπει ότι το κείμενο ανήκει στην κλάση SPARK. Αυτή η ταξινόμηση που επιστρέφεται από το μοντέλο προσαρμοσμένου ταξινομητή Amazon Comprehend μπορεί στη συνέχεια να χρησιμοποιηθεί για την ταξινόμηση των αιτημάτων υπηρεσιών πληροφορικής ή την πρόβλεψη της σωστής κατηγορίας των αιτημάτων υπηρεσιών πληροφορικής, μειώνοντας έτσι τα μη αυτόματα σφάλματα ή την εσφαλμένη ταξινόμηση των αιτημάτων υπηρεσιών.

εκκαθάριση

Για να καθαρίσετε όλους τους πόρους που δημιουργήθηκαν σε αυτήν την ανάρτηση που δημιουργήθηκαν ως μέρος της στοίβας εκπαίδευσης και της στοίβας συμπερασμάτων, χρησιμοποιήστε την ακόλουθη εντολή. Αυτή η εντολή διαγράφει όλους τους πόρους AWS που δημιουργήθηκαν ως μέρος των προηγούμενων εντολών ανάπτυξης cdk:

$ cdk destroy --all

Συμπέρασμα

Σε αυτήν την ανάρτηση, σας δείξαμε πώς οι επιχειρήσεις μπορούν να εφαρμόσουν ένα εποπτευόμενο μοντέλο ML χρησιμοποιώντας την προσαρμοσμένη ταξινόμηση του Amazon Comprehend για να προβλέψουν την κατηγορία των αιτημάτων υπηρεσιών πληροφορικής βάσει είτε του θέματος είτε της περιγραφής του αιτήματος που υποβάλλεται από τον τελικό χρήστη. Αφού δημιουργήσετε και εκπαιδεύσετε ένα προσαρμοσμένο μοντέλο ταξινομητή, μπορείτε να εκτελέσετε ανάλυση σε πραγματικό χρόνο για προσαρμοσμένη ταξινόμηση δημιουργώντας ένα τελικό σημείο. Αφού αναπτύξετε αυτό το μοντέλο σε ένα τελικό σημείο του Amazon Comprehend, μπορεί να χρησιμοποιηθεί για την εκτέλεση συμπερασμάτων σε πραγματικό χρόνο από εφαρμογές τρίτων ή άλλους υπολογιστές-πελάτες, συμπεριλαμβανομένων εργαλείων διαχείρισης υπηρεσιών πληροφορικής. Στη συνέχεια, μπορείτε να χρησιμοποιήσετε αυτό το συμπέρασμα για να προβλέψετε την κατηγορία ελαττωμάτων και να μειώσετε τα χειροκίνητα σφάλματα ή τις εσφαλμένες ταξινομήσεις των εισιτηρίων. Αυτό βοηθά στη μείωση των καθυστερήσεων για την επίλυση εισιτηρίων και αυξάνει την ακρίβεια ανάλυσης και την παραγωγικότητα των πελατών, γεγονός που τελικά οδηγεί σε αυξημένη ικανοποίηση των πελατών.

Μπορείτε να επεκτείνετε τις έννοιες σε αυτήν την ανάρτηση σε άλλες περιπτώσεις χρήσης, όπως εισιτήρια δρομολόγησης επιχειρήσεων ή IT σε διάφορες εσωτερικές ομάδες, όπως επιχειρηματικά τμήματα, πράκτορες εξυπηρέτησης πελατών και υποστήριξη IT Tier 2/3, που δημιουργούνται είτε από τελικούς χρήστες είτε μέσω αυτοματοποιημένων που σημαίνει.

αναφορές

• Rath, Michael; Mäder, Patrick, 2019, «Το σύνολο δεδομένων SEOSS – Απαιτήσεις, αναφορές σφαλμάτων, Ιστορικό κώδικα και σύνδεσμοι ανίχνευσης για ολόκληρα έργα», https://doi.org/10.7910/DVN/PDDZ4Q, Harvard Dataverse, V1

Σχετικά με τους Συγγραφείς

Arnab Chakraborty είναι αρχιτέκτονας Sr. Solutions στο AWS με έδρα το Σινσινάτι του Οχάιο. Είναι παθιασμένος με θέματα αρχιτεκτονικής Enterprise & Solution, Data analytics, Serverless και Machine Learning. Στον ελεύθερο χρόνο του, του αρέσει να παρακολουθεί ταινίες, ταξιδιωτικές εκπομπές και σπορ.

Viral Ντεσάι είναι κύριος αρχιτέκτονας λύσεων στην AWS. Με περισσότερα από 25 χρόνια εμπειρίας στην τεχνολογία πληροφοριών, βοηθά τους πελάτες να υιοθετήσουν το AWS και να εκσυγχρονίσουν τις αρχιτεκτονικές τους. Του αρέσει η πεζοπορία και απολαμβάνει τις καταδύσεις με πελάτες σε όλα τα πράγματα AWS.