Lahendage äriprobleeme otsast lõpuni masinõppe abil Amazon SageMakeri JumpStart lahendustes

Amazon SageMaker JumpStart pakub eelkoolitatud avatud lähtekoodiga mudeleid paljude probleemide tüüpide jaoks, et aidata teil masinõppega (ML) alustada. KiirStart pakub ka lahendusmalle, mis seadistavad infrastruktuuri tavaliste kasutusjuhtude jaoks, ja käivitatavaid märkmikke ML-i jaoks Amazon SageMaker.

Ärikasutajana saate JumpStarti lahendustega teha järgmist.

• Uurige lahendusi ja hinnake, millised sobivad hästi teie ettevõtte vajadustega.
• Käivitage lahendused ühe klõpsuga Amazon SageMaker Studio. See käivitab an AWS CloudFormation mall vajalike ressursside loomiseks.
• Muutke lahendust vastavalt oma vajadustele, kasutades juurdepääsu sülearvuti ja mudeli varadele.
• Kui olete lõpetanud, kustutage omandatud ressursid.

See postitus keskendub viiele ML-lahendusele, mis lisati hiljuti viie erineva äriprobleemi lahendamiseks. Selle kirjutamise seisuga pakub JumpStart 23 ärilahendust, alates finantstehingute pettuste tuvastamisest kuni käekirja tuvastamiseni. JumpStarti kaudu pakutavate lahenduste arv suureneb regulaarselt, kui sellele lisandub rohkem lahendusi.

Lahenduse ülevaade

Viis uut lahendust on järgmised:

• Hinna optimeerimine – Pakub kohandatavaid ML-mudeleid, mis aitavad teil teha optimaalseid otsuseid toote või teenuse hinna määramiseks, et saavutada teie ärieesmärk, näiteks tulu, kasumi maksimeerimine või muud kohandatud mõõdikud.
• linnuliikide ennustus - Näitab, kuidas saate objekti tuvastamise mudelit treenida ja peenhäälestada. See demonstreerib mudeli häälestamist treeningpildi suurendamise kaudu ja kaardistab treeningtöö iteratsioonide (epohhide) täpsuse paranemise.
• Kopsuvähi ellujäämise prognoos - Näitab, kuidas saate ML-algoritmile edastada 2D- ja 3D-raadioomadused ning patsiendi demograafia, et ennustada patsiendi kopsuvähi ellujäämisvõimalusi. Selle prognoosi tulemused võivad aidata teenusepakkujatel võtta asjakohaseid ennetavaid meetmeid.
• Finantsmaksete klassifikatsioon – Näitab, kuidas koolitada ja juurutada ML-mudelit finantstehingute klassifitseerimiseks tehinguteabe põhjal. Seda lahendust saate kasutada ka pettuste tuvastamise, isikupärastamise või anomaaliate tuvastamise vaheetapina.
• Mobiiltelefoniklientide müügist loobumise ennustus – Näitab, kuidas mobiilikõnede tehingute andmestikku kasutades kiiresti välja töötada katkestuse prognoosimise mudel. See on lihtne näide kasutajatele, kes pole ML-i jaoks uued.

Eeldused

Nende lahenduste kasutamiseks veenduge, et teil on juurdepääs Studiole täitmisrolliga, mis võimaldab teil käitada SageMakeri funktsioone. Stuudios oma kasutajarolli jaoks veenduge, et SageMakeri projektid ja KiirStart valik on sisse lülitatud.

Järgmistes jaotistes käsitleme kõiki viit uut lahendust ja arutame üksikasjalikult, kuidas see toimib, ning anname soovitusi selle kohta, kuidas saate seda oma ärivajaduste jaoks kasutada.

Hinna optimeerimine

Ettevõtetele meeldib parimate tulemuste saamiseks kasutada erinevaid hoobasid. Näiteks toote või teenuse hind on hoob, mida ettevõte saab kontrollida. Küsimus on selles, kuidas otsustada, millise hinnaga toote või teenuse määrata, et maksimeerida ärieesmärki, nagu kasum või tulu.

See lahendus pakub kohandatavaid ML-mudeleid, mis aitavad teil teha optimaalseid otsuseid toote või teenuse hinna määramiseks, et saavutada teie eesmärk, näiteks tulu, kasumi või muude kohandatud mõõdikute maksimeerimine. Lahendus kasutab ML-i ja põhjusliku järelduse lähenemisviise, et õppida ajaloolistest andmetest hinna-mahu seoseid, ning on võimeline andma reaalajas dünaamilisi hinnasoovitusi, et optimeerida kohandatud eesmärgi mõõdikuid.

Järgmine ekraanipilt näitab näidissisendandmeid.

Lahendus koosneb kolmest osast:

• Hinnaelastsuse hinnang – Seda hinnatakse kahekordse ML-algoritmi abil tehtud põhjusliku järelduse abil
• Mahuprognoos – Seda prognoositakse prohveti algoritmi abil
• Hinna optimeerimine – See saavutatakse mis-kui-simulatsiooniga erinevate hinnastsenaariumite kaudu

Lahendus pakub tulu maksimeerimiseks järgmise päeva soovituslikku hinda. Lisaks on väljunditeks hinnanguline hinnaelastsus, mis on väärtus, mis näitab hinna mõju mahule, ja prognoosimudel, mis suudab prognoosida järgmise päeva mahtu. Järgmine diagramm näitab, kuidas arvutatud hinnaelastsust sisaldav põhjuslik mudel toimib mis-kui-analüüsis palju paremini (suurte kõrvalekalletega käitumishinnast) kui ennustusmudel, mis kasutab aegridade andmeid kasutades mahu prognoosimiseks Prophet.

Saate seda lahendust oma ettevõttele rakendada järgmistel kasutusjuhtudel.

• Määrake jaekaupluse jaoks kaupade optimaalne hind
• Hinnake sooduskupongide mõju klientide ostudele
• Ennustage erinevate ergutusmeetodite mõju igas ettevõttes

Linnuliikide ennustus

Tänapäeval on ettevõtetele mitu arvutinägemise (CV) rakendust. Üks neist rakendustest on objekti tuvastamine, kus ML-algoritm tuvastab objekti asukoha pildil, tõmmates selle ümber piirdekasti, ja tuvastab selle objekti tüübi. Objektide tuvastamise mudeli rakendamise ja selle täpsustamise õppimine võib olla väga kasulik organisatsioonile, kellel on CV-d.

See lahendus pakub näidet, kuidas tõlkida piirdekasti spetsifikatsioone SageMakeri algoritmile piltide esitamisel. See lahendus näitab ka, kuidas parandada objekti tuvastamise mudelit, lisades horisontaalselt pööratud treeningpilte (peegelpildid).

Objektide tuvastamise väljakutsetega katsetamiseks, kui klasse on palju (200 linnuliiki), on kaasas märkmik. Märkmik näitab ka, kuidas kaardistada täpsuse paranemist, mis ilmnevad koolitustöö perioodide lõikes. Järgmisel pildil on lindude andmestiku näidispildid.

See lahendus sisaldab viit sammu:

1. Valmistage andmed ette, sealhulgas laadige alla ja RecordIO faili genereerimine.
2. Looge ja treenige objekti tuvastamise mudel.
3. Juurutage lõpp-punkt ja hinnake mudeli jõudlust.
4. Looge ja treenige laiendatud andmestiku abil uuesti objekti tuvastamise mudel.
5. Juurutage lõpp-punkt ja hinnake laiendatud mudeli jõudlust.

Saate väljundina järgmise:

• Objektide tuvastamise tulemused koos testpildiga ühendatavate kastide abil
• Koolitatud objekti tuvastamise mudel
• Koolitatud objektituvastusmudel koos täiendava laiendatud (pööratud) andmestikuga
• Iga mudeliga on juurutatud kaks eraldi lõpp-punkti

Järgmine diagramm näitab mudeli täiustamist võrreldes mudeli iteratsioonidega (epohhidega) treeningu ajal.

Järgmised näited on väljastatud kahest testpildist.

Saate seda lahendust oma ettevõttele rakendada järgmistel kasutusjuhtudel.

• Tuvastage pakenditööstuses konveierilindil olevaid esemeid
• Tuvastage pitsal täidised
• Rakendage tarneahela töörakendusi, mis hõlmavad objektide tuvastamist

Kopsuvähi ellujäämise prognoos

COVID-19 juhtis palju rohkem tähelepanu kopsudega seotud meditsiinilistele väljakutsetele. See on avaldanud suurt survet ka haiglatele, arstidele, õdedele ja radioloogidele. Kujutage ette võimalust, kus saate rakendada ML-i kui võimsat vahendit, mis aitab arstidel ja aitab neil oma tööd kiirendada. Selles lahenduses näitame, kuidas 2D- ja 3D-radioomaseid tunnuseid ja patsiendi demograafiat saab ML-algoritmile sisestada, et ennustada patsiendi kopsuvähi ellujäämisvõimalusi. Selle ennustuse tulemused võivad aidata teenusepakkujatel võtta asjakohaseid ennetavaid meetmeid.

See lahendus demonstreerib, kuidas luua skaleeritav ML torujuhe mitteväikerakk-kopsuvähi (NSCLC) radiogenoomika andmekogumi jaoks, mis koosneb RNA sekveneerimise andmetest, kliinilistest andmetest (peegeldavad EHR andmeid) ja meditsiinilistest piltidest. Mitut tüüpi andmete kasutamist masinamudeli loomiseks nimetatakse multimodaalne ML. See lahendus ennustab mitteväikerakk-kopsuvähi diagnoosiga patsientide ellujäämist.

Järgmisel pildil on näide mitteväikerakk-kopsuvähi (NSCLC) radiogenoomika andmestiku sisendandmetest.

Lahuse osana ekstraheeriti kasvajakoest kogu RNA ja analüüsiti RNA sekveneerimistehnoloogiaga. Kuigi algandmed sisaldavad rohkem kui 22,000 21 geeni, säilitame 10 geeni XNUMX tugevalt koosekspresseeritud geeniklastrist (metageen), mis tuvastati, valideeriti avalikult kättesaadavates geeniekspressiooni kohortides ja korreleerusid prognoosiga.

Kliinilised andmed salvestatakse CSV-vormingus. Iga rida vastab patsiendile ja veerud sisaldavad teavet patsientide kohta, sealhulgas demograafia, kasvaja staadium ja ellujäämise staatus.

Genoomiliste andmete jaoks säilitame 21 geeni 10 tugevalt koosekspresseeritud geeniklastrist (metageen), mis tuvastati, valideeriti avalikult kättesaadavates geeniekspressiooni kohortides ja korreleerusid prognoosiga.

Meditsiiniliste kujutiste andmete jaoks loome patsiendi tasemel 3D-radioomadused, mis selgitavad CT-skaneerimisel täheldatud kasvajate suurust, kuju ja visuaalseid omadusi. Iga patsiendiuuringu jaoks tehakse järgmised sammud:

1. Lugege 2D DICOM-i viilufaile nii CT-skannimiseks kui ka kasvaja segmenteerimiseks, ühendage need 3D-mahtudeks, salvestage köited NIfTI-vormingus.
2. Joondage CT maht ja kasvaja segmentatsioon, et saaksime arvutada kasvaja sees.
3. Arvutage pürradioomika raamatukogu abil kasvaja piirkonda kirjeldavad radiooomilised tunnused.
4. Ekstraheerige kaheksa klassi 120 radioaktiivset tunnust, nagu intensiivsuse jaotuse ja samaaegse esinemise statistilised esitused huvipakkuvas kasvajapiirkonnas ning kujupõhised mõõtmised, mis kirjeldavad kasvajat morfoloogiliselt.

Patsiendist mudelitreeningu jaoks multimodaalse vaate loomiseks ühendame kolme modaalsuse tunnusvektorid. Seejärel töötleme andmeid. Esiteks normaliseerime sõltumatute funktsioonide vahemiku funktsioonide skaleerimise abil. Seejärel teostame funktsioonide põhikomponentide analüüsi (PCA), et vähendada mõõtmeid ja tuvastada kõige eristavamad omadused, mis põhjustavad andmete 95% dispersiooni.

Selle tulemuseks on dimensioonide vähenemine 215 funktsioonilt 45 põhikomponendini, mis moodustavad juhendatava õppija funktsioonid.

Lahendus loob ML mudeli, mis ennustab NSCLC patsientide ellujäämise staatust (surnud või elus) tõenäosuse vormis. Lisaks mudelile ja prognoosile koostame mudeli selgitamiseks ka aruandeid. Meditsiinilise pildistamise torujuhe toodab visualiseerimiseks 3D-kopsu CT mahtu ja kasvaja segmenteerimist.

Saate seda lahendust rakendada tervishoiu- ja bioteaduste kasutusjuhtudel.

Finantsmaksete klassifikatsioon

Ettevõtte või tarbija kõigi finantstehingute võtmine ja nende erinevatesse kategooriatesse jagamine võib olla üsna kasulik. See võib aidata kasutajal teada saada, kui palju ta millises kategoorias on kulutanud, ja samuti saab see hoiatada, kui tehingud või kulutused antud kategoorias ootamatult suurenevad või vähenevad.

See lahendus näitab, kuidas koolitada ja juurutada ML-mudelit finantstehingute klassifitseerimiseks tehinguteabe põhjal. Paljud pangad pakuvad seda teenust, et anda lõppkasutajatele ülevaade oma kulutamisharjumustest. Seda lahendust saate kasutada ka pettuste tuvastamise, isikupärastamise või anomaaliate tuvastamise vaheetapina. Me kasutame SageMakerit, et koolitada ja juurutada XGBoosti mudel koos vajaliku aluseks oleva infrastruktuuriga.

Selle lahenduse demonstreerimiseks mõeldud sünteetilisel andmekogumil on järgmised funktsioonid:

• tehingu_kategooria – Tehingu kategooria järgmise 19 valiku hulgast: 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, Homeja Pension and insurances.
• vastuvõtja_id – vastuvõtva poole identifikaator. Identifikaator koosneb 16 numbrist.
• Saatja ID – saatva osapoole identifikaator. Identifikaator koosneb 16 numbrist.
• summa – ülekantav summa.
• ajatempel – Tehingu ajatempel vormingus AAAA-KK-PP HH:MM:SS.

Andmestiku esimesed viis vaatlust on järgmised:

Selle lahenduse jaoks kasutame XGBoosti, mis on gradiendi võimendatud puude algoritmi populaarne ja tõhus avatud lähtekoodiga rakendus. Gradiendi võimendamine on juhendatud õppealgoritm, mis püüab sihtmuutujat täpselt ennustada, kombineerides hinnangute kogumit lihtsamate ja nõrgemate mudelite komplektist. Selle rakendamine on saadaval SageMakeri sisseehitatud algoritmides.

Finantsmaksete klassifitseerimise lahendus sisaldab nelja sammu:

1. Valmistage andmed ette.
2. Ehitage funktsioonide pood.
3. Looge ja treenige XGBoosti mudel.
4. Juurutage lõpp-punkt ja hinnake mudeli jõudlust.

Saame järgmise väljundi:

• Koolitatud XGBoosti mudel, mis põhineb meie näidisandmestikul
• SageMakeri lõpp-punkt, mis suudab ennustada tehingukategooriat

Pärast selle lahenduse käivitamist peaksite nägema järgmisega sarnast liigitusaruannet.

Võimalikud rakendused teie ettevõtte jaoks on järgmised:

• Erinevad finantsrakendused jae- ja investeerimispanganduses
• Kui tehingud tuleb klassifitseerida igal kasutusjuhul (mitte ainult rahalisel juhul)

Mobiiltelefoniklientide vähenemise ennustus

Klientide vähenemise ennustamine on väga levinud ärivajadus. Paljud uuringud näitavad, et olemasoleva kliendi hoidmise kulud on palju väiksemad kui uue kliendi hankimisel. Väljakutse tuleneb sageli sellest, et ettevõtetel on raske aru saada, miks klient segab, või luua mudel, mis ennustab segamist.

Selles näites saavad kasutajad, kes on ML-i uued kasutajad, kogeda, kuidas saab mobiilikõne tehingute andmestiku abil kiiresti välja töötada katkestuse prognoosimudeli. See lahendus kasutab SageMakerit XGBoosti mudeli koolitamiseks ja juurutamiseks kliendiprofiili andmekogumis, et ennustada, kas klient tõenäoliselt lahkub mobiiltelefonioperaatori juurest.

Andmekogum, mida see lahendus kasutab, on avalikult kättesaadav ja seda mainitakse Daniel T. Larose'i raamatus Discovering Knowledge in Data. Autor omistab selle California ülikooli Irvine'i masinõppe andmekogumite hoidlale.

See andmestik kasutab tundmatu USA mobiilsideoperaatori kliendi profiili kirjeldamiseks järgmist 21 atribuuti.

• Osariik: USA osariik, kus klient elab, tähistatud kahetähelise lühendiga; näiteks OH või NJ
• Konto pikkus: päevade arv, mil see konto on olnud aktiivne
• Suunakood: vastava kliendi telefoninumbri kolmekohaline suunakood
• Telefon: ülejäänud seitsmekohaline telefoninumber
• Rahvusvaheline plaan: kas kliendil on rahvusvaheline kõneplaan: jah/ei
• VMaili plaan: kas kliendil on kõneposti funktsioon: jah/ei
• VMaili sõnum: keskmine kõnepostisõnumite arv kuus
• Day Mins: päeva jooksul kasutatud kõneminutite koguarv
• Päevakõned: päeva jooksul tehtud kõnede koguarv
• Päevatasu: päevaste kõnede arveldatud maksumus
• Eve Mins, Eve Calls, Eve Charge: õhtusel ajal tehtud kõnede arveldusarve
• Öised minutid, öised kõned, öötasu: öösel tehtud kõnede tasu
• Intl Mins, Intl Calls, Intl Charge: rahvusvaheliste kõnede tasu
• CustServ kõned: klienditeenindusse tehtud kõnede arv
• Tühistamine?: kas klient lahkus teenusest: õige/vale

See lahendus koosneb kolmest etapist:

1. Valmistage andmed ette.
2. Looge ja treenige XGBoosti mudel.
3. Juurutage lõpp-punkt ja hinnake mudeli jõudlust.

Saame järgmise väljundi:

• Koolitatud XGBoosti mudel, mis põhineb meie näidisandmestikul, et ennustada kasutajate vähenemist
• SageMakeri lõpp-punkt, mis suudab ennustada kasutajate katkemist

See mudel aitab hinnata, kui paljud 5,000 mobiiltelefoni kliendist tõenäoliselt lõpetavad oma praeguse mobiilioperaatori kasutamise.

Järgmisel diagrammil on kujutatud mudeli väljundina väljalangemise tõenäosusjaotus.

Saate seda oma ettevõttele rakendada järgmistel kasutusjuhtudel.

• Ennustage oma ettevõtte klientide vähenemist
• Liigitage, millised kliendid võivad teie turundusmeili avada ja kes mitte (binaarne klassifikatsioon)
• Ennustage, millised õpilased tõenäoliselt kursuselt välja langevad

Puhastage ressursse

Kui olete KiirStartis lahenduse käitamise lõpetanud, tehke kindlasti valik Kustutage kõik ressursid nii et kõik protsessi käigus loodud ressursid kustutatakse ja teie arveldamine peatatakse.

kokkuvõte

See postitus näitas, kuidas lahendada erinevaid äriprobleeme ML-i rakendamisel, tuginedes KiirStardi lahendustele. Kuigi see postitus keskendus viiele uuele lahendusele, mis hiljuti JumpStarti lisati, on saadaval kokku 23 lahendust. Soovitame teil Studiosse sisse logida ja ise KiirStart-lahendusi vaadata ning neist vahetut väärtust hankima hakata. Lisateabe saamiseks vaadake Amazon SageMaker Studio ja SageMaker KiirStart.

Märkus. Kui te ei näe kõiki ülaltoodud viit lahendust oma AWS-i piirkonna JumpStart-konsoolis, oodake nädal ja kontrollige uuesti. Avaldame need järk-järgult erinevatesse piirkondadesse.

---

Autoritest

Dr Raju Penmatcha on AWS-i tehisintellekti platvormide AI/ML spetsialistilahenduste arhitekt. Ta töötab SageMakeri madala koodi/koodita teenuste komplekti kallal, mis aitavad klientidel hõlpsasti masinõppemudeleid ja -lahendusi luua ja juurutada. Kui kliente ei aita, meeldib talle reisida uutesse kohtadesse.

Manan Shah on Amazon Web Services tarkvaraarenduse juht. Ta on ML-i entusiast ja keskendub koodita/madala koodiga AI/ML toodete loomisele. Ta püüab anda teistele andekatele tehnilistele inimestele võimaluse luua suurepärast tarkvara.