هوش مصنوعی خود را با استفاده از Amazon SageMaker با Salesforce Data Cloud | خدمات وب آمازون

این پست توسط Daryl Martis، مدیر محصول، Salesforce Einstein AI نوشته شده است.

ما هیجان زده هستیم که اعلام کنیم آمازون SageMaker و Salesforce Data Cloud یکپارچه سازی. با استفاده از این قابلیت، کسب‌وکارها می‌توانند با استفاده از SageMaker به داده‌های Salesforce خود با رویکردی کپی صفر دسترسی داشته باشند و از ابزار SageMaker برای ساخت، آموزش و استقرار مدل‌های هوش مصنوعی استفاده کنند. نقاط پایانی استنتاج با Data Cloud متصل می شوند تا پیش بینی ها را در زمان واقعی انجام دهند. در نتیجه، کسب‌وکارها می‌توانند با حفظ یکپارچگی و امنیت داده‌ها، زمان ورود به بازار را تسریع کنند و بار عملیاتی انتقال داده‌ها از یک مکان به مکان دیگر را کاهش دهند.

معرفی استودیوی انیشتین در Data Cloud

Data Cloud یک پلتفرم داده است که به‌روزرسانی‌های بی‌درنگ داده‌های مشتریان خود را از هر نقطه تماسی برای کسب‌وکارها فراهم می‌کند. با استودیوی انیشتین، دروازه ای برای ابزارهای هوش مصنوعی در پلتفرم داده، مدیران و دانشمندان داده می توانند بدون زحمت مدل هایی را با چند کلیک یا با استفاده از کد ایجاد کنند. تجربه مدل خود (BYOM) توسط استودیو انیشتین، قابلیت اتصال مدل‌های هوش مصنوعی سفارشی یا تولیدی را از پلتفرم‌های خارجی مانند SageMaker به Data Cloud فراهم می‌کند. مدل‌های سفارشی را می‌توان با استفاده از داده‌های Salesforce Data Cloud آموزش داد Amazon SageMaker Data Rangler اتصال دهنده کسب‌وکارها می‌توانند با ادغام یکپارچه مدل‌های سفارشی در گردش‌های کاری Salesforce، به پیش‌بینی‌های خود عمل کنند که منجر به بهبود کارایی، تصمیم‌گیری و تجربیات شخصی‌شده می‌شود.

مزایای ادغام SageMaker و Data Cloud Einstein Studio

در اینجا نحوه استفاده از SageMaker با Einstein Studio در Salesforce Data Cloud می‌تواند به کسب‌وکارها کمک کند:

• این قابلیت اتصال مدل‌های هوش مصنوعی سفارشی و مولد به استودیوی انیشتین را برای موارد استفاده مختلف مانند تبدیل سرنخ، طبقه‌بندی موارد و تحلیل احساسات فراهم می‌کند.
• کارهای خسته کننده، پرهزینه و مستعد خطا ETL (استخراج، تبدیل و بارگذاری) را حذف می کند. رویکرد صفر کپی به داده ها هزینه های سربار برای مدیریت کپی های داده را کاهش می دهد، هزینه های ذخیره سازی را کاهش می دهد و کارایی را بهبود می بخشد.
• این امکان دسترسی به داده‌های بسیار هماهنگ، هماهنگ و بی‌درنگ را در سراسر Customer 360 فراهم می‌کند. این منجر به مدل‌های خبره‌ای می‌شود که پیش‌بینی‌ها و بینش‌های تجاری هوشمندانه‌تری ارائه می‌دهند.
• مصرف نتایج حاصل از فرآیندهای تجاری را ساده می کند و ارزش را بدون تأخیر هدایت می کند. برای مثال، می‌توانید از گردش‌های کاری خودکار استفاده کنید که می‌توانند در یک لحظه بر اساس داده‌های جدید سازگار شوند.
• عملیاتی کردن مدل‌ها و استنتاج‌های SageMaker در Salesforce را تسهیل می‌کند.

در زیر نمونه ای از نحوه عملیاتی کردن مدل SageMaker با استفاده از آن آورده شده است جریان نیروی فروش.

ادغام SageMaker

SageMaker یک سرویس کاملاً مدیریت شده برای تهیه داده ها و ساخت، آموزش و استقرار مدل های یادگیری ماشینی (ML) برای هر موردی با زیرساخت، ابزار و گردش کار کاملاً مدیریت شده است.

برای ساده‌سازی ادغام SageMaker و Salesforce Data Cloud، دو قابلیت جدید را در SageMaker معرفی می‌کنیم:

• رابط SageMaker Data Wrangler Salesforce Data Cloud – با رابط SageMaker Data Wrangler Salesforce Data Cloud که به تازگی راه اندازی شده است، مدیران می توانند اتصالات به Salesforce را از قبل پیکربندی کنند تا تحلیلگران داده و دانشمندان داده را قادر سازند تا به سرعت به داده های Salesforce در زمان واقعی دسترسی پیدا کنند و ویژگی هایی برای ML ایجاد کنند. این به کاربران امکان می دهد با استفاده از OAuth به طور ایمن به Salesforce Data Cloud دسترسی داشته باشند. می‌توانید با استفاده از قدرت Spark بدون نوشتن کدی با استفاده از ویژگی‌های آماده‌سازی داده‌های تصویری کم‌کد Salesforce Data Wrangler، داده‌ها را به صورت تعاملی تجسم، تجزیه و تحلیل و تبدیل کنید. همچنین می‌توانید برای پردازش مجموعه داده‌های بزرگ با کارهای پردازش SageMaker مقیاس کنید، حالت‌های ML را به‌طور خودکار با استفاده از Amazon SageMaker Autopilotو با یک خط لوله استنتاج SageMaker ادغام شود تا جریان داده یکسان را برای تولید با نقطه پایانی استنتاج به کار گیرد تا داده ها را در زمان واقعی یا به صورت دسته ای برای استنتاج پردازش کند.

• الگوی SageMaker Projects برای Salesforce - ما راه اندازی کردیم پروژه های SageMaker قالبی برای Salesforce که می‌توانید از آن برای استقرار نقاط پایانی برای مدل‌های زبان سنتی و بزرگ (LLM) استفاده کنید و نقاط پایانی SageMaker را به‌عنوان یک API به طور خودکار در معرض دید قرار دهید. SageMaker Projects راه ساده ای برای راه اندازی و استانداردسازی محیط توسعه برای دانشمندان داده و مهندسان ML برای ساخت و استقرار مدل های ML در SageMaker فراهم می کند.

نقل قول شریک

همکاری بین Salesforce و AWS Sagemaker به مشتریان این امکان را می‌دهد تا از قدرت هوش مصنوعی (هم مدل‌های مولد و هم غیرتولیدکننده) در منابع داده‌های Salesforce، گردش کار و برنامه‌های کاربردی خود برای ارائه تجربیات شخصی‌سازی شده و تولید محتوای جدید، خلاصه‌سازی و پرسش استفاده کنند. -تجارب نوع پاسخ. با ترکیب بهترین های هر دو جهان، ما در حال ایجاد یک الگوی جدید برای نوآوری مبتنی بر داده و موفقیت مشتری هستیم که زیربنای هوش مصنوعی است.

-کاوشال کوراپاتی، معاون ارشد بخش محصولات، هوش مصنوعی و جستجوی Salesforce

بررسی اجمالی راه حل

راه‌حل یکپارچه‌سازی BYOM یک کانکتور بومی Salesforce Data Cloud را در SageMaker Data Wrangler به مشتریان ارائه می‌دهد. رابط SageMaker Data Wrangler به شما امکان می دهد به طور ایمن به اشیاء Salesforce Data Cloud دسترسی داشته باشید. هنگامی که کاربران احراز هویت شدند، می توانند کاوش داده، آماده سازی و کارهای مهندسی ویژگی های مورد نیاز برای توسعه مدل و استنتاج را از طریق رابط بصری تعاملی SageMaker Data Wrangler انجام دهند. دانشمندان داده می توانند در داخل کار کنند Amazon SageMaker Studio نوت‌بوک‌هایی برای توسعه مدل‌های سفارشی، که می‌توانند سنتی یا LLM باشند، و با ثبت مدل در رجیستری مدل SageMaker، آنها را برای استقرار در دسترس قرار دهند. هنگامی که یک مدل برای تولید در رجیستری تأیید می‌شود، SageMaker Projects استقرار یک API فراخوانی را خودکار می‌کند که می‌تواند به عنوان هدف در استودیوی Salesforce Einstein پیکربندی شود و با برنامه‌های Salesforce Customer 360 یکپارچه شود. نمودار زیر این معماری را نشان می دهد

نتیجه

در این پست، ادغام SageMaker و Salesforce Einstein Studio BYOM را به اشتراک گذاشتیم، که در آن می‌توانید از داده‌ها در Salesforce Data Cloud برای ساخت و آموزش سنتی و LLM در SageMaker استفاده کنید. می‌توانید از SageMaker Data Wrangler برای تهیه داده‌ها از Salesforce Data Cloud با کپی صفر استفاده کنید. ما همچنین یک راه حل خودکار برای استقرار نقاط پایانی SageMaker به عنوان یک API با استفاده از الگوی SageMaker Projects برای Salesforce ارائه کردیم.

AWS و Salesforce برای ارائه این تجربه به مشتریان مشترک خود هیجان‌زده هستند تا با استفاده از قدرت ML و هوش مصنوعی، فرآیندهای تجاری را هدایت کنند.

برای کسب اطلاعات بیشتر در مورد ادغام Salesforce BYOM، مراجعه کنید مدل های هوش مصنوعی خود را با استودیوی انیشتین بیاورید. برای پیاده‌سازی دقیق با استفاده از توصیه‌های محصول به عنوان مثال مورد استفاده، به از آمازون SageMaker و ادغام Salesforce Data Cloud برای تقویت برنامه های Salesforce خود با هوش مصنوعی / ML استفاده کنید.

---

درباره نویسنده

داریل مارتیس مدیر محصول استودیو انیشتین در Salesforce Data Cloud است. او بیش از 10 سال تجربه در برنامه ریزی، ساخت، راه اندازی و مدیریت راه حل های کلاس جهانی برای مشتریان سازمانی از جمله AI/ML و راه حل های ابری دارد. او قبلاً در صنعت خدمات مالی در شهر نیویورک کار کرده است.

راچنا چادا یک معمار راه حل اصلی AI/ML در حساب های استراتژیک در AWS است. Rachna خوشبین است که معتقد است استفاده اخلاقی و مسئولانه از هوش مصنوعی می تواند جامعه را در آینده بهبود بخشد و رونق اقتصادی و اجتماعی را به ارمغان بیاورد. راچنا در اوقات فراغت خود دوست دارد با خانواده، پیاده روی و گوش دادن به موسیقی وقت بگذراند.

ایفه استوارت یک معمار راه حل اصلی در بخش استراتژیک ISV در AWS است. او در 2 سال گذشته با Salesforce Data Cloud درگیر بوده است تا به ایجاد تجربیات مشتری یکپارچه در سراسر Salesforce و AWS کمک کند. Ife بیش از 10 سال تجربه در زمینه فناوری دارد. او مدافع تنوع و گنجاندن در حوزه فناوری است.

منیندر (مانی) کائور سرپرست متخصص AI/ML برای ISV های استراتژیک در AWS است. مانی با رویکرد مشتری اول خود به مشتریان استراتژیک کمک می کند تا استراتژی AI/ML خود را شکل دهند، نوآوری را تقویت کنند و سفر AI/ML خود را تسریع بخشند. مانی به هوش مصنوعی اخلاقی و مسئولانه معتقد است و تلاش می‌کند تا اطمینان حاصل کند که راه‌حل‌های هوش مصنوعی مشتریانش با این اصول همسو هستند.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/bring-your-own-ai-using-amazon-sagemaker-with-salesforce-data-cloud/