افزایش بهره وری توسعه دهندگان: چگونه Deloitte از Canvas SageMaker Amazon برای یادگیری ماشینی بدون کد/کد استفاده می کند | خدمات وب آمازون

توانایی ساخت و استقرار سریع مدل‌های یادگیری ماشینی (ML) در دنیای داده‌محور امروزی اهمیت فزاینده‌ای پیدا می‌کند. با این حال، ساخت مدل‌های ML نیاز به زمان، تلاش و تخصص تخصصی دارد. از جمع‌آوری و تمیز کردن داده‌ها تا مهندسی ویژگی، ساخت مدل، تنظیم و استقرار، پروژه‌های ML اغلب ماه‌ها طول می‌کشد تا توسعه‌دهندگان تکمیل شوند. و دستیابی به دانشمندان داده با تجربه دشوار است.

اینجاست که مجموعه AWS از خدمات ML با کد پایین و بدون کد به یک ابزار ضروری تبدیل می شود. تنها با چند کلیک با استفاده از آمازون SageMaker Canvas، می توانید بدون نیاز به نوشتن کد از قدرت ML استفاده کنید.

Deloitte به‌عنوان یکپارچه‌کننده سیستم‌های استراتژیک با تجربه عمیق ML، از ابزارهای بدون کد و کم‌کد ML از AWS برای ساخت و استقرار مدل‌های ML برای مشتریان Deloitte و دارایی‌های داخلی بهره می‌برد. این ابزارها به Deloitte اجازه می دهد تا راه حل های ML را بدون نیاز به کدگذاری دستی مدل ها و خطوط لوله توسعه دهد. این می تواند به سرعت بخشیدن به جدول زمانی تحویل پروژه کمک کند و Deloitte را قادر سازد تا کارهای مشتری بیشتری را انجام دهد.

در زیر دلایل خاصی وجود دارد که چرا Deloitte از این ابزارها استفاده می کند:

• قابلیت دسترسی برای غیر برنامه نویسان - ابزارهای بدون کد، ساختمان مدل ML را برای غیر برنامه نویسان باز می کنند. اعضای تیم فقط با تخصص دامنه و مهارت های بسیار کمی در کدنویسی می توانند مدل های ML را توسعه دهند.
• پذیرش سریع فناوری جدید – در دسترس بودن و بهبود مستمر در مدل‌های آماده برای استفاده و AutoML کمک می‌کند تا اطمینان حاصل شود که کاربران دائماً از فناوری کلاس پیشرو استفاده می‌کنند.
• توسعه مقرون به صرفه – ابزارهای بدون کد به کاهش هزینه و زمان مورد نیاز برای توسعه مدل ML کمک می‌کنند و آن را برای مشتریان در دسترس‌تر می‌سازند، که می‌تواند به آنها کمک کند بازده سرمایه‌گذاری بالاتری داشته باشند.

علاوه بر این، این ابزارها یک راه حل جامع برای گردش کار سریعتر ارائه می دهند که موارد زیر را امکان پذیر می کند:

• آماده سازی سریعتر داده ها – SageMaker Canvas دارای بیش از 300 تبدیل داخلی و توانایی استفاده از زبان طبیعی است که می تواند آماده سازی داده ها و آماده سازی داده ها برای ساخت مدل را تسریع بخشد.
• ساخت مدل سریعتر – SageMaker Canvas مدل های آماده استفاده یا Amazon AutoML فناوری که شما را قادر می سازد مدل های سفارشی را بر روی داده های سازمانی تنها با چند کلیک بسازید. این به سرعت بخشیدن به فرآیند در مقایسه با مدل های کدگذاری از ابتدا کمک می کند.
• استقرار آسان تر – SageMaker Canvas توانایی استقرار مدل های آماده تولید را به یک آمازون ساگ میکر نقطه پایانی با چند کلیک در حالی که آن را در آن ثبت می کنید رجیستری مدل آمازون SageMaker.

ویشوشوارا واسا، CTO Cloud برای Deloitteمی گوید:

ما در Deloitte Consulting از طریق سرویس‌های ML بدون کد AWS مانند SageMaker Canvas و SageMaker Data Wrangler، کارایی‌های جدیدی را کشف کرده‌ایم که سرعت توسعه و بهره‌وری استقرار را 30 تا 40 درصد در پروژه‌های مشتری و پروژه‌های داخلی خود افزایش داده‌ایم.

در این پست، قدرت ساخت یک مدل ML سرتاسر و بدون کد با استفاده از SageMaker Canvas را با نشان دادن نحوه ساخت یک مدل طبقه‌بندی برای پیش‌بینی اینکه آیا مشتری در پرداخت وام نکول می‌کند را نشان می‌دهیم. با پیش‌بینی دقیق‌تر نکول وام‌ها، این مدل می‌تواند به شرکت خدمات مالی کمک کند تا ریسک را مدیریت کند، وام‌ها را به‌طور مناسب قیمت‌گذاری کند، عملیات را بهبود بخشد، خدمات اضافی ارائه کند و مزیت رقابتی به دست آورد. ما نشان می‌دهیم که چگونه SageMaker Canvas می‌تواند به شما کمک کند تا به سرعت از داده‌های خام به یک مدل طبقه‌بندی دودویی مستقر برای پیش‌بینی پیش‌فرض وام بروید.

SageMaker Canvas قابلیت های جامع آماده سازی داده ها را ارائه می دهد Amazon SageMaker Data Rangler در فضای کاری SageMaker Canvas. این به شما امکان می‌دهد تمام مراحل یک گردش کار استاندارد ML، از آماده‌سازی داده تا ساخت و استقرار مدل، را روی یک پلتفرم واحد طی کنید.

آماده سازی داده ها معمولاً زمان برترین مرحله گردش کار ML است. برای کاهش زمان صرف شده برای آماده‌سازی داده‌ها، SageMaker Canvas به شما امکان می‌دهد داده‌های خود را با استفاده از بیش از 300 تبدیل داخلی آماده کنید. متناوبا، از سوی دیگر، شما می توانید درخواست های زبان طبیعی را بنویسیدمانند «ردیف‌های ستون c که پرت هستند را رها کنید» و قطعه کد لازم برای این مرحله آماده‌سازی داده ارائه شود. سپس می توانید این را با چند کلیک به گردش کار آماده سازی داده خود اضافه کنید. در این پست نیز نحوه استفاده از آن را به شما نشان می دهیم.

بررسی اجمالی راه حل

نمودار زیر معماری یک مدل طبقه‌بندی پیش‌فرض وام را با استفاده از ابزارهای کم‌کد و بدون کد SageMaker توصیف می‌کند.

با مجموعه داده‌ای شروع کنید که جزئیاتی در مورد داده‌های پیش‌فرض وام دارد سرویس ذخیره سازی ساده آمازون (Amazon S3)، ما از SageMaker Canvas برای به دست آوردن بینش در مورد داده ها استفاده می کنیم. سپس مهندسی ویژگی را برای اعمال تبدیل‌هایی مانند رمزگذاری ویژگی‌های طبقه‌بندی، حذف ویژگی‌هایی که مورد نیاز نیستند و موارد دیگر انجام می‌دهیم. بعد، ما داده های پاک شده را در آمازون S3 ذخیره می کنیم. ما از مجموعه داده تمیز شده برای ایجاد یک مدل طبقه بندی برای پیش بینی نکول وام استفاده می کنیم. سپس یک مدل آماده تولید برای استنتاج داریم.

پیش نیازها

از موارد زیر اطمینان حاصل کنید پیش نیازها کامل هستند و شما آن را فعال کرده اید مدل های آماده برای استفاده بوم گزینه هنگام تنظیم دامنه SageMaker. اگر قبلا دامنه خود را راه اندازی کرده اید، تنظیمات دامنه خود را ویرایش کنید و رفتن به تنظیمات بوم برای فعال کردن مدل‌های Canvas Ready-to-use را فعال کنید گزینه. علاوه بر این، راه اندازی و برنامه SageMaker Canvas را ایجاد کنید، سپس درخواست و فعال کنید دسترسی مدل Anthropic Claude on بستر آمازون.

مجموعه داده

ما از یک مجموعه داده عمومی استفاده می کنیم لگد زدن که حاوی اطلاعاتی در مورد وام های مالی است. هر ردیف در مجموعه داده نشان دهنده یک وام واحد است و ستون ها جزئیات مربوط به هر تراکنش را ارائه می دهند. این مجموعه داده را دانلود کنید و آن را در یک سطل S3 به انتخاب خود ذخیره کنید. جدول زیر فیلدهای مجموعه داده را فهرست می کند.

نام ستون	نوع داده	توضیحات:
Person_age	عدد صحیح	سن فردی که وام گرفته است
Person_income	عدد صحیح	درآمد وام گیرنده
Person_home_ownership	رشته	وضعیت مالکیت خانه (مالک یا اجاره ای)
Person_emp_length	اعشاری	تعداد سالهایی که شاغل هستند
Loan_intent	رشته	دلیل وام (شخصی، پزشکی، آموزشی و غیره)
Loan_grade	رشته	درجه وام (A-E)
Loan_int_rate	اعشاری	نرخ بهره
Loan_amnt	عدد صحیح	کل مبلغ وام
Loan_status	عدد صحیح	هدف (خواه پیش‌فرض شده باشند یا نه)
Loan_percent_income	اعشاری	مبلغ وام نسبت به درصد درآمد
Cb_person_default_on_file	عدد صحیح	پیش فرض های قبلی (در صورت وجود)
Cb_person_credit_history_length	رشته	طول تاریخ اعتباری آنها

آماده سازی داده ها را با SageMaker Canvas ساده کنید

آماده سازی داده ها می تواند تا 80 درصد از تلاش را در پروژه های ML ببرد. آماده سازی مناسب داده ها منجر به عملکرد بهتر مدل و پیش بینی های دقیق تر می شود. SageMaker Canvas امکان کاوش، تبدیل و آماده سازی داده های تعاملی را بدون نوشتن هیچ کد SQL یا Python فراهم می کند.

مراحل زیر را برای آماده سازی داده های خود انجام دهید:

1. در کنسول SageMaker Canvas، را انتخاب کنید آماده سازی داده ها در صفحه ناوبری
2. بر ساختن منو ، انتخاب کنید سند.
3. برای نام مجموعه داده، یک نام برای مجموعه داده خود وارد کنید.
4. را انتخاب کنید ساختن.
   
5. Amazon S3 را به عنوان منبع داده انتخاب کنید و آن را به مجموعه داده متصل کنید.
6. پس از بارگیری مجموعه داده، با استفاده از آن مجموعه داده، یک جریان داده ایجاد کنید.
   
7. به تب تجزیه و تحلیل بروید و a را ایجاد کنید گزارش کیفیت داده و بینش.

این یک مرحله توصیه شده برای تجزیه و تحلیل کیفیت مجموعه داده ورودی است. خروجی این گزارش بینش‌های فوری مبتنی بر ML مانند انحراف داده‌ها، موارد تکراری در داده‌ها، مقادیر از دست رفته و موارد دیگر را تولید می‌کند. تصویر زیر نمونه ای از گزارش تولید شده برای مجموعه داده وام را نشان می دهد.

SageMaker Canvas با ایجاد این بینش ها از طرف شما، مجموعه ای از مسائل را در داده ها در اختیار شما قرار می دهد که در مرحله آماده سازی داده ها نیاز به اصلاح دارند. برای انتخاب دو مشکل اصلی شناسایی شده توسط SageMaker Canvas، باید ویژگی های دسته بندی را رمزگذاری کنید و ردیف های تکراری را حذف کنید تا کیفیت مدل شما بالا باشد. شما می توانید هر دوی این موارد و موارد دیگر را در یک گردش کار بصری با SageMaker Canvas انجام دهید.

1. ابتدا، یک گرم رمزگذاری کنید loan_intent, loan_gradeو person_home_ownership
2. می توانید رها کنید cb_person_cred_history_length ستون زیرا همانطور که در گزارش کیفیت داده و بینش نشان داده شده است، آن ستون کمترین قدرت پیش بینی را دارد.
   
   SageMaker Canvas اخیراً a چت با داده گزینه. این ویژگی از قدرت مدل های پایه برای تفسیر پرس و جوهای زبان طبیعی و تولید کدهای مبتنی بر پایتون برای اعمال تبدیل های مهندسی ویژگی استفاده می کند. این ویژگی توسط Amazon Bedrock ارائه می شود و می توان آن را طوری پیکربندی کرد که به طور کامل در VPC شما اجرا شود تا داده ها هرگز از محیط شما خارج نشوند.
3. برای استفاده از این ویژگی برای حذف ردیف‌های تکراری، علامت مثبت در کنار علامت را انتخاب کنید رها کردن ستون تبدیل کنید، سپس انتخاب کنید چت با داده.
   
4. درخواست خود را به زبان طبیعی وارد کنید (به عنوان مثال، "حذف ردیف های تکراری از مجموعه داده").
5. تبدیل ایجاد شده را بررسی کرده و انتخاب کنید به مراحل اضافه کنید برای اضافه کردن تبدیل به جریان.
   
6. در نهایت، خروجی این تبدیل ها را به Amazon S3 یا به صورت اختیاری صادر کنید فروشگاه ویژگی آمازون SageMaker برای استفاده از این ویژگی ها در چندین پروژه

همچنین می‌توانید مرحله دیگری را برای ایجاد یک مقصد Amazon S3 برای مجموعه داده اضافه کنید تا گردش کار را برای یک مجموعه داده بزرگ مقیاس کنید. نمودار زیر جریان داده SageMaker Canvas را پس از افزودن تبدیل‌های بصری نشان می‌دهد.

شما کل مرحله پردازش داده و مهندسی ویژگی ها را با استفاده از گردش کار بصری در SageMaker Canvas تکمیل کرده اید. این کمک می کند تا زمانی که مهندس داده برای تمیز کردن و آماده کردن داده ها برای توسعه مدل از هفته ها به روزها صرف می کند، کاهش یابد. مرحله بعدی ساخت مدل ML است.

با SageMaker Canvas یک مدل بسازید

آمازون SageMaker Canvas یک گردش کار سرتاسر بدون کد برای ساخت، تجزیه و تحلیل، آزمایش و استقرار این مدل طبقه بندی باینری ارائه می دهد. مراحل زیر را کامل کنید:

1. یک مجموعه داده در SageMaker Canvas ایجاد کنید.
2. مکان S3 را که برای صادر کردن داده ها استفاده شده است یا مکان S3 که در مقصد کار SageMaker Canvas است را مشخص کنید.
   
   اکنون شما آماده ساخت مدل هستید.
3. را انتخاب کنید مدل در قسمت ناوبری و انتخاب کنید مدل جدید.
4. مدل را نام ببرید و انتخاب کنید تحلیل پیش بینی به عنوان نوع مدل
5. مجموعه داده ایجاد شده در مرحله قبل را انتخاب کنید.
   
   مرحله بعدی پیکربندی نوع مدل است.
6. ستون هدف را انتخاب کنید و نوع مدل به طور خودکار به عنوان تنظیم می شود پیش بینی دسته 2.
7. نوع ساخت خود را انتخاب کنید، ساخت استاندارد or ساخت سریع.
   
   SageMaker Canvas زمان مورد انتظار ساخت را به محض شروع ساخت مدل نمایش می دهد. ساخت استاندارد معمولاً بین 2 تا 4 ساعت طول می کشد. می توانید از گزینه ساخت سریع برای مجموعه داده های کوچکتر استفاده کنید که فقط 2 تا 15 دقیقه طول می کشد. برای این مجموعه داده خاص، باید حدود 45 دقیقه طول بکشد تا ساخت مدل کامل شود. SageMaker Canvas شما را در جریان پیشرفت فرآیند ساخت قرار می دهد.
8. پس از ساخت مدل، می توانید به عملکرد مدل نگاه کنید.
   
   SageMaker Canvas معیارهای مختلفی مانند دقت، دقت و امتیاز F1 را بسته به نوع مدل ارائه می دهد. تصویر زیر دقت و چند معیار پیشرفته دیگر را برای این مدل طبقه بندی باینری نشان می دهد.
9. مرحله بعدی انجام پیش بینی های آزمایشی است.
   SageMaker Canvas به شما امکان می دهد پیش بینی های دسته ای را در ورودی های متعدد یا یک پیش بینی واحد انجام دهید تا به سرعت کیفیت مدل را تأیید کنید. تصویر زیر یک نمونه استنتاج را نشان می دهد.
   
10. آخرین مرحله پیاده سازی مدل آموزش دیده است.
    SageMaker Canvas مدل را در نقاط پایانی SageMaker مستقر می کند و اکنون شما یک مدل تولید آماده برای استنباط دارید. تصویر زیر نقطه پایانی مستقر شده را نشان می دهد.
    

پس از استقرار مدل، می توانید آن را از طریق AWS SDK یا فراخوانی کنید رابط خط فرمان AWS (AWS CLI) یا با هر برنامه ای که انتخاب می کنید با API تماس بگیرید تا با اطمینان خطر وام گیرنده بالقوه را پیش بینی کنید. برای کسب اطلاعات بیشتر در مورد آزمایش مدل خود به ادامه مطلب مراجعه کنید نقاط پایانی بلادرنگ را فراخوانی کنید.

پاک کردن

برای جلوگیری از تحمیل هزینه های اضافی، از SageMaker Canvas خارج شوید or دامنه SageMaker را حذف کنید که ایجاد شد. علاوه بر این، نقطه پایانی مدل SageMaker را حذف کنید و مجموعه داده ای که در آمازون S3 آپلود شده است را حذف کنید.

نتیجه

بدون کد ML توسعه را سرعت می بخشد، استقرار را ساده می کند، به مهارت های برنامه نویسی نیاز ندارد، استانداردسازی را افزایش می دهد و هزینه را کاهش می دهد. این مزایا ML بدون کد را برای Deloitte جذاب کرد تا خدمات ML خود را بهبود بخشد، و آنها جدول زمانی ساخت مدل ML خود را 30 تا 40٪ کوتاه کردند.

Deloitte یک ادغام کننده سیستم های جهانی استراتژیک با بیش از 17,000 متخصص AWS در سراسر جهان است. از طریق شرکت در برنامه صلاحیت AWS به بالا بردن سطح خود ادامه می دهد 25 شایستگی، از جمله یادگیری ماشین. با دیلویت ارتباط برقرار کنید برای شروع استفاده از راه حل های بدون کد و کم کد AWS برای شرکت خود.

---

درباره نویسندگان

چیدا سادایاپان هدایت تمرین هوش مصنوعی/ماشین ابری Deloitte. او تجربه رهبری فکری قوی را در تعاملات به ارمغان می آورد و در حمایت از ذینفعان اجرایی برای دستیابی به اهداف بهبود عملکرد و نوسازی در صنایع با استفاده از AI/ML پیشرفت می کند. چیدا یک کارآفرین فناوری سریال و یک جامعه ساز مشتاق در اکوسیستم های استارتاپ و توسعه دهنده است.

کلدیپ سینگ، یک رهبر اصلی جهانی هوش مصنوعی/ML در AWS با بیش از 20 سال سابقه در فناوری، مهارت فروش و کارآفرینی خود را به طرز ماهرانه ای با درک عمیق هوش مصنوعی، ML و امنیت سایبری ترکیب می کند. او در ایجاد مشارکت‌های استراتژیک جهانی، هدایت راه‌حل‌ها و استراتژی‌های متحول کننده در صنایع مختلف با تمرکز بر هوش مصنوعی و GSI های مولد، سرآمد است.

کاسی موتو یک معمار راه حل های شریک ارشد است که بر روی داده ها و AI/ML در AWS مستقر در هیوستون، TX تمرکز دارد. او مشتاق کمک به شرکا و مشتریان برای تسریع سفر داده های ابری خود است. او یک مشاور قابل اعتماد در این زمینه است و تجربه زیادی در زمینه معماری و ساخت حجم‌های کاری مقیاس‌پذیر، انعطاف‌پذیر و عملکردی در فضای ابری دارد. خارج از محل کار از گذراندن وقت با خانواده لذت می برد.

• 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. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/boosting-developer-productivity-how-deloitte-uses-amazon-sagemaker-canvas-for-no-code-low-code-machine-learning/