این پست توسط برایان کری (بنیانگذار و رئیس محصولات در OCX Cognition) و Sandhya MN (سرپرست علم داده در InfoGain) نوشته شده است.
OCX Cognition یک استارت آپ مستقر در خلیج سانفرانسیسکو است که یک نرم افزار تجاری B2B به عنوان یک محصول خدماتی (SaaS) به نام Spectrum AI ارائه می دهد. Spectrum AI یک پلت فرم تجزیه و تحلیل CX پیش بینی کننده (تولید کننده) برای شرکت ها است. راه حل های OCX با همکاری توسعه یافته اند اطلاع رسانی مجدد، یک شریک سطح پیشرفته AWS. Infogain با OCX Cognition به عنوان یک تیم محصول یکپارچه کار می کند و خدمات مهندسی نرم افزار انسان محور و تخصص در توسعه نرم افزار، میکروسرویس ها، اتوماسیون، اینترنت اشیا (IoT) و هوش مصنوعی را ارائه می دهد.
پلت فرم Spectrum AI نگرش های مشتری را با داده های عملیاتی مشتریان ترکیب می کند و از یادگیری ماشینی (ML) برای ایجاد بینش مداوم در مورد CX استفاده می کند. OCX Spectrum AI را بر روی AWS ساخته است زیرا AWS طیف گسترده ای از ابزارها، محاسبات الاستیک و محیط ML را ارائه می دهد که همگام با نیازهای در حال تکامل است.
در این پست، ما بحث میکنیم که چگونه OCX Cognition با پشتیبانی Infogain و تیم حساب AWS OCX، تجربه مشتری نهایی آنها را بهبود بخشید و با خودکارسازی و هماهنگسازی عملکردهای ML که از تجزیه و تحلیل CX Spectrum AI پشتیبانی میکردند، زمان را کاهش داد. استفاده كردن توابع مرحله AWSاز AWS Step Functions Data Science SDK برای پایتونو آزمایشات آمازون SageMaker، OCX Cognition زمان توسعه مدل ML را از 6 هفته به 2 هفته کاهش داد و زمان به روز رسانی مدل ML را از 4 روز به زمان تقریباً واقعی کاهش داد.
زمینه
پلتفرم Spectrum AI باید مدل هایی را تولید کند که برای صدها امتیاز CX مولد مختلف برای هر مشتری تنظیم شده اند، و این امتیازات باید به طور منحصر به فرد برای ده ها هزار حساب فعال محاسبه شوند. با گذشت زمان و انباشته شدن تجربیات جدید، پلتفرم باید این امتیازات را بر اساس ورودی داده های جدید به روز کند. پس از ایجاد امتیازات جدید، OCX و Infogain تأثیر نسبی هر معیار عملیاتی زیربنایی را در پیشبینی محاسبه میکنند. آمازون SageMaker یک محیط توسعه یکپارچه مبتنی بر وب (IDE) است که به شما امکان میدهد مدلهای ML را برای هر موردی با زیرساختها، ابزارها و گردشهای کاری کاملاً مدیریت شده بسازید، آموزش دهید و به کار ببرید. با SageMaker، تیم OCX-Infogain راه حل خود را با استفاده از کتابخانه های کد مشترک در نوت بوک های Jupyter که به صورت جداگانه نگهداری می شوند، توسعه دادند. Amazon SageMaker Studio.
مشکل: مقیاس بندی راه حل برای مشتریان متعدد
در حالی که تحقیق و توسعه اولیه موفقیت آمیز بود، مقیاس بندی یک چالش بود. توسعه ML OCX و Infogain شامل چندین مرحله بود: مهندسی ویژگی، آموزش مدل، پیشبینی و تولید تجزیه و تحلیل. کد ماژولها در چندین نوتبوک قرار داشت و اجرای این نوتبوکها به صورت دستی و بدون ابزار ارکستراسیون بود. برای هر مشتری جدید، تیم OCX-Infogain 6 هفته برای هر مشتری در زمان توسعه مدل صرف میکرد، زیرا کتابخانهها قابل استفاده مجدد نبودند. با توجه به زمان صرف شده برای توسعه مدل، تیم OCX-Infogain به یک راه حل خودکار و مقیاس پذیر نیاز داشت که به عنوان یک پلت فرم منحصر به فرد با استفاده از تنظیمات منحصر به فرد برای هر یک از مشتریان خود عمل کند.
نمودار معماری زیر فرآیندهای توسعه و بهروزرسانی اولیه مدل ML OCX را نشان میدهد.
بررسی اجمالی راه حل
برای سادهسازی فرآیند ML، تیم OCX-Infogain با تیم حساب AWS کار کرد تا یک چارچوب ML اعلامی سفارشی برای جایگزینی همه کدهای تکراری ایجاد کند. این امر نیاز به توسعه کد ML جدید سطح پایین را کاهش داد. کتابخانه های جدید می توانند برای چندین مشتری با پیکربندی مناسب داده ها برای هر مشتری از طریق فایل های YAML مجددا استفاده شوند.
در حالی که این کد سطح بالا در ابتدا در استودیو با استفاده از نوتبوکهای Jupyter توسعه مییابد، سپس به Python (فایلهای .py) تبدیل میشود و پلتفرم SageMaker برای ساخت یک تصویر Docker با ظروف BYO (خودتان را بیاورید) استفاده میشود. سپس تصاویر Docker به فشار داده می شوند رجیستری ظروف الاستیک آمازون (Amazon ECR) به عنوان یک مرحله مقدماتی. در نهایت، کد با استفاده از توابع مرحله اجرا می شود.
تیم حساب کاربری AWS، Step Functions Data Science SDK و آزمایش SageMaker را برای خودکارسازی مهندسی ویژگی، آموزش مدل و استقرار مدل توصیه کرد. Step Functions Data Science SDK برای تولید توابع مرحله به صورت برنامه نویسی استفاده شد. تیم OCX-Infogain یاد گرفت که چگونه از ویژگی هایی مانند Parallel و MAP در توابع Step برای هماهنگی تعداد زیادی از کارهای آموزشی و پردازشی به صورت موازی استفاده کند که باعث کاهش زمان اجرا می شود. این با Experiments ترکیب شد، که به عنوان یک ابزار تجزیه و تحلیل، ردیابی چندین نامزد ML و تغییرات تنظیم هایپرپارامتر عمل می کند. این تجزیه و تحلیلهای داخلی به تیم OCX-Infogain اجازه میدهد تا چندین معیار را در زمان اجرا مقایسه کند و بهترین مدلها را در زمان اجرا شناسایی کند.
نمودار معماری زیر خط لوله MLOps را برای چرخه ایجاد مدل نشان می دهد.
Step Functions Data Science SDK برای تحلیل و مقایسه الگوریتم های آموزشی چند مدل استفاده می شود. ماشین حالت چندین مدل را به صورت موازی اجرا می کند و خروجی هر مدل به Experiments وارد می شود. هنگامی که آموزش مدل کامل شد، نتایج آزمایشهای متعدد با استفاده از SDK بازیابی و مقایسه میشوند. اسکرین شات های زیر نشان می دهد که چگونه بهترین مدل برای هر مرحله انتخاب می شود.
مراحل زیر مراحل سطح بالای چرخه حیات ML است:
- توسعه دهندگان ML پس از اتمام توسعه در استودیو، کد خود را به کتابخانه های مخزن Gitlab وارد می کنند.
- AWS CodePipeline برای بررسی کد مناسب از مخزن Gitlab استفاده می شود.
- یک تصویر Docker با استفاده از این کد آماده می شود و برای محاسبات بدون سرور به Amazon ECR منتقل می شود.
- از توابع مرحله ای برای اجرای مراحل با استفاده از استفاده می شود پردازش آمازون SageMaker شغل ها. در اینجا، چندین کار مستقل به صورت موازی اجرا می شوند:
- مهندسی ویژگی انجام می شود و ویژگی ها در فروشگاه ویژگی ذخیره می شوند.
- آموزش مدل با چندین الگوریتم و چندین ترکیب از هایپرپارامترها با استفاده از فایل پیکربندی YAML اجرا می شود.
- تابع مرحله آموزش به گونه ای طراحی شده است که موازی سازی سنگین داشته باشد. مدل های هر مرحله سفر به صورت موازی اجرا می شوند. این در نمودار زیر نشان داده شده است.
- سپس نتایج مدل در Experiments ثبت می شود. مدل با بهترین عملکرد انتخاب شده و به رجیستری مدل منتقل می شود.
- پیشبینیها با استفاده از مدلهای با بهترین عملکرد برای هر تحلیل CX که تولید میکنیم انجام میشود.
- صدها تجزیه و تحلیل تولید می شود و سپس برای انتشار در انبار داده ای که در AWS میزبانی می شود، تحویل داده می شود.
نتایج
با این رویکرد، OCX Cognition پردازش ML خود را خودکار و تسریع کرده است. با جایگزینی فرآیندهای دستی کار فشرده و بارهای توسعه بسیار تکراری، هزینه هر مشتری بیش از 60٪ کاهش می یابد. این همچنین به OCX اجازه میدهد تا تجارت نرمافزاری خود را با سه برابر کردن ظرفیت کلی و دوبرابر کردن ظرفیت برای حضور همزمان مشتریان افزایش دهد. خودکارسازی پردازش ML توسط OCX پتانسیل جدیدی را برای رشد از طریق جذب مشتری باز می کند. استفاده از SageMaker Experiments برای ردیابی آموزش مدل برای شناسایی بهترین مجموعه مدلها برای استفاده و تولید بسیار مهم است. برای مشتریان خود، این راه حل جدید نه تنها بهبود 8 درصدی در عملکرد ML، بلکه 63 درصد بهبود در زمان به ارزش را فراهم می کند. ورود مشتری جدید و نسل مدل اولیه از 6 هفته به 2 هفته بهبود یافته است. هنگامی که ساخته شد و در جای خود قرار گرفت، OCX شروع به بازسازی مداوم تجزیه و تحلیل CX می کند زیرا داده های ورودی جدید از مشتری می رسد. این چرخه های به روز رسانی از 4 روز به زمان تقریباً واقعی بهبود یافته اند
نتیجه
در این پست، ما نشان دادیم که چگونه OCX Cognition و Infogain از Step Function ها، Step Functions Data Science SDK برای Python، و Sagemaker Experiments در ارتباط با Sagemaker Studio برای کاهش زمان برای تیم OCX-InfoGain در توسعه و به روز رسانی مدل های تجزیه و تحلیل CX استفاده کردند. برای مشتریان خود
برای شروع کار با این خدمات به آمازون SageMaker, AWS Step Functions Data Science Python SDK, توابع مرحله AWSو مدیریت یادگیری ماشینی با آمازون SageMaker Experiments.
درباره نویسنده
برایان کاری در حال حاضر بنیانگذار و رئیس محصولات در OCX Cognition است، جایی که ما در حال ساخت یک پلت فرم یادگیری ماشین برای تجزیه و تحلیل مشتریان هستیم. برایان بیش از یک دهه تجربه راه حل های ابری و سازمان های محصول محور طراحی دارد.
ساندیا MN بخشی از Infogain است و تیم Data Science را برای OCX رهبری می کند. او یک رهبر باتجربه توسعه نرم افزار با تجربه گسترده در چندین فناوری و حوزه های صنعتی است. او علاقه زیادی به به روز ماندن با فناوری و استفاده از آن برای ارائه ارزش تجاری به مشتریان دارد.
پراشانت گاناپاتی یک معمار ارشد راه حل در بخش کسب و کارهای متوسط کوچک (SMB) در AWS است. او از یادگیری در مورد خدمات AWS AI/ML و کمک به مشتریان برای رسیدن به نتایج تجاری خود با ایجاد راه حل برای آنها لذت می برد. در خارج از محل کار، پراشانت از عکاسی، سفر و امتحان کردن غذاهای مختلف لذت می برد.
صبها پارامسواران یک معمار ارشد راه حل در AWS با بیش از 20 سال تجربه عمیق در ادغام برنامه های سازمانی، میکروسرویس ها، کانتینرها و تنظیم عملکرد سیستم های توزیع شده، نمونه سازی اولیه و موارد دیگر است. او خارج از منطقه خلیج سانفرانسیسکو مستقر است. در AWS، او بر کمک به مشتریان در سفر ابری تمرکز دارد و همچنین به طور فعال در میکروسرویس ها و معماری و چارچوب های مبتنی بر سرور مشارکت دارد.
وایشنوی گانسان یک معمار راه حل در AWS مستقر در منطقه خلیج سانفرانسیسکو است. او بر کمک به مشتریان بخش تجاری در سفر ابری تمرکز دارد و به امنیت در فضای ابری علاقه زیادی دارد. وایشنوی در خارج از محل کار، از سفر، پیادهروی، و امتحان کردن انواع روستر قهوه لذت میبرد.
آجی سوامیناتان یک Account Manager II در AWS است. او مدافع مشتریان بخش تجاری است و منابع مالی، نوآوری تجاری و فنی مناسب را مطابق با اهداف مشتریانش ارائه می دهد. خارج از کار، آجی به اسکی، موسیقی داب استپ و درام و بیس و بسکتبال علاقه دارد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- خرید و فروش سهام در شرکت های PRE-IPO با PREIPO®. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/how-ocx-cognition-reduced-ml-model-development-time-from-weeks-to-days-and-model-update-time-from-days-to-real-time-using-aws-step-functions-and-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 100
- 20
- سال 20
- 7
- a
- درباره ما
- تسریع شد
- مطابقت
- حساب
- حساب ها
- انباشتن
- اکتساب
- در میان
- فعال
- فعالانه
- پیشرفته
- مدافع
- پس از
- AI
- پلتفرم هوش مصنوعی
- AI / ML
- الگوریتم
- معرفی
- اجازه می دهد تا
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- مقدار
- an
- تحلیلی
- علم تجزیه و تحلیل
- تحلیل
- و
- هر
- کاربرد
- روش
- مناسب
- به درستی
- معماری
- هستند
- محدوده
- وارد می شود
- مصنوعی
- هوش مصنوعی
- AS
- At
- خودکار بودن
- خودکار
- اتوماسیون
- اتوماسیون
- AWS
- توابع مرحله AWS
- B2B
- مستقر
- بسکتبال
- باس
- سرخ مایل به قرمز
- BE
- زیرا
- بهترین
- برایان
- به ارمغان بیاورد
- ساختن
- بنا
- ساخته
- ساخته شده در
- کسب و کار
- اما
- by
- نام
- نامزد
- ظرفیت
- مورد
- به چالش
- بررسی
- ابر
- رمز
- کشت
- همکاری
- ترکیب
- ترکیب شده
- ترکیب
- تجاری
- مقايسه كردن
- مقایسه
- کامل
- محاسبه
- محاسبه
- پیکر بندی
- ظرف
- ظروف
- ادامه
- مداوم
- به طور مداوم
- مبدل
- هزینه
- میتوانست
- ایجاد
- بحرانی
- در حال حاضر
- سفارشی
- مشتری
- تجربه مشتری
- مشتریان
- CX
- چرخه
- چرخه
- داده ها
- علم اطلاعات
- تاریخ
- روز
- دهه
- عمیق
- ارائه
- گسترش
- گسترش
- طراحی
- توسعه
- توسعه
- توسعه دهندگان
- در حال توسعه
- پروژه
- مختلف
- بحث و تبادل نظر
- توزیع شده
- سیستم های توزیع شده
- کارگر بارانداز
- حوزه
- دو برابر
- دو
- هر
- پایان
- مهندسی
- سرمایه گذاری
- شرکت
- محیط
- هر
- در حال تحول
- تجربه
- تجارب
- آزمایش
- تخصص
- وسیع
- تجربه گسترده
- ویژگی
- امکانات
- پرونده
- فایل ها
- سرانجام
- مالی
- متمرکز شده است
- پیروی
- برای
- موسس
- چارچوب
- چارچوب
- فرانسیسکو
- از جانب
- کاملا
- تابع
- توابع
- تولید می کنند
- تولید
- نسل
- مولد
- دریافت کنید
- اهداف
- شدن
- آیا
- he
- سر
- سنگین
- کمک
- اینجا کلیک نمایید
- در سطح بالا
- خیلی
- خود را
- میزبانی
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- صدها نفر
- تنظیم فراپارامتر
- شناسایی
- شناسایی
- ii
- تصویر
- تصاویر
- تأثیر
- بهبود یافته
- بهبود
- in
- مستقل
- به طور جداگانه
- صنعت
- شالوده
- اول
- در ابتدا
- ابداع
- ورودی
- ورودی
- بینش
- یکپارچه
- ادغام
- اطلاعات
- اینترنت
- اینترنت از چیزهایی که
- به
- گرفتار
- اینترنت اشیا
- IT
- شغل ها
- سفر
- JPG
- نگاه داشتن
- بزرگ
- رهبری
- رهبر
- برجسته
- منجر می شود
- آموخته
- یادگیری
- کتابخانه ها
- wifecycwe
- پسندیدن
- سیستم وارد
- دستگاه
- فراگیری ماشین
- ساخته
- اداره می شود
- مدیر
- کتابچه راهنمای
- نقشه
- متوسط
- دیدار
- متری
- متریک
- خدمات میکرو
- ML
- MLO ها
- مدل
- مدل
- ماژول ها
- بیش
- چندگانه
- موسیقی
- نیاز
- ضروری
- نیازهای
- جدید
- راه حل جدید
- نه
- عدد
- of
- خاموش
- ارائه شده
- ارائه
- on
- شبانه روزی
- یک بار
- فقط
- عمل
- قابل استفاده
- تنظیم و ارکستراسیون
- سازمان های
- خارج
- نتایج
- تولید
- خارج از
- روی
- به طور کلی
- خود
- سرعت
- موازی
- بخش
- شریک
- عبور می کند
- احساساتی
- کارایی
- انجام
- عکاسی
- خط لوله
- محل
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- پست
- پتانسیل
- پیش گویی
- آماده شده
- مشکل
- روند
- فرآیندهای
- در حال پردازش
- تولید کردن
- ساخته
- محصول
- تولید
- محصولات
- نمونه سازی
- ثابت
- فراهم می کند
- ارائه
- انتشار
- فشار
- تحت فشار قرار دادند
- پــایتــون
- تحقیق و توسعه
- محدوده
- واقعی
- زمان واقعی
- توصیه می شود
- كاهش دادن
- کاهش
- را کاهش می دهد
- رجیستری
- تکراری
- جایگزین کردن
- مخزن
- منابع
- نتایج
- راست
- دویدن
- در حال اجرا
- SAAS
- حکیم ساز
- سان
- سان فرانسیسکو
- مقیاس پذیر
- مقیاس
- مقیاس گذاری
- علم
- تصاویر
- sdk
- چاشنی
- تیم امنیت لاتاری
- بخش
- انتخاب شد
- ارشد
- بدون سرور
- سرویس
- خدمات
- تنظیم
- چند
- به اشتراک گذاشته شده
- او
- نشان
- نشان داد
- نشان می دهد
- ساده کردن
- مفرد
- کوچک
- SMB
- نرم افزار
- نرم افزار به عنوان یک سرویس
- توسعه نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- طیف
- صرف
- صحنه
- آغاز شده
- شروع
- دولت
- گام
- مراحل
- opbevare
- ذخیره شده
- استودیو
- موفق
- پشتیبانی
- پشتیبانی
- سیستم های
- گرفتن
- وظایف
- تیم
- فنی
- فن آوری
- پیشرفته
- ده ها
- نسبت به
- که
- La
- دولت
- شان
- آنها
- سپس
- اینها
- اشیاء
- این
- هزاران نفر
- از طریق
- ردیف
- زمان
- به
- ابزار
- ابزار
- مسیر
- پیگردی
- قطار
- آموزش
- سفر
- سفر
- سه برابر شدن
- اساسی
- منحصر به فرد
- منحصر به فرد
- باز کردن
- بروزرسانی
- به روز رسانی
- استفاده کنید
- مورد استفاده
- استفاده
- با استفاده از
- استفاده
- با استفاده از
- ارزش
- مختلف
- بود
- we
- وب
- خدمات وب
- مبتنی بر وب
- هفته
- چه زمانی
- که
- وسیع
- دامنه گسترده
- با
- در داخل
- مهاجرت کاری
- مشغول به کار
- گردش کار
- با این نسخهها کار
- خواهد بود
- یامل
- سال
- شما
- شما
- زفیرنت