چگونه Searchmetrics از Amazon SageMaker استفاده می کند تا به طور خودکار کلمات کلیدی مرتبط را پیدا کند و تحلیلگران انسانی خود را 20٪ سریعتر از هوش داده PlatoBlockchain کند. جستجوی عمودی Ai.

چگونه Searchmetrics از Amazon SageMaker استفاده می کند تا به طور خودکار کلمات کلیدی مرتبط را پیدا کند و تحلیلگران انسانی خود را 20٪ سریعتر کند.

تمبر زمان: 28 آوریل 2022، 1:33 بعد از ظهر

جستجوگرها ارائه‌دهنده جهانی داده‌های جستجو، نرم‌افزار و راه‌حل‌های مشاوره است که به مشتریان کمک می‌کند تا داده‌های جستجو را به بینش‌های تجاری منحصربه‌فرد تبدیل کنند. تا به امروز، Searchmetrics به بیش از 1,000 شرکت مانند McKinsey & Company، Lowe's و AXA کمک کرده است تا در چشم انداز جستجوی بیش از حد رقابتی مزیتی پیدا کنند.

در سال 2021، Searchmetrics برای کمک به استفاده از هوش مصنوعی (AI) برای بهبود بیشتر قابلیت‌های بینش جستجوی خود، به AWS روی آورد.

در این پست، ما به اشتراک می گذاریم که چگونه Searchmetrics یک راه حل هوش مصنوعی ایجاد کرد که با یافتن خودکار کلمات کلیدی جستجوی مرتبط برای هر موضوعی، با استفاده از آن، کارایی نیروی انسانی خود را تا 20٪ افزایش داد. آمازون SageMaker و ادغام بومی آن با Hugging Face.

چگونه Searchmetrics از Amazon SageMaker استفاده می کند تا به طور خودکار کلمات کلیدی مرتبط را پیدا کند و تحلیلگران انسانی خود را 20٪ سریعتر از هوش داده PlatoBlockchain کند. جستجوی عمودی Ai. «Amazon SageMaker ارزیابی و ادغام مدل‌های پیشرفته NLP Hugging Face را در سیستم‌های ما آسان کرد.
راه حلی که ساخته ایم ما را کارآمدتر می کند و تجربه کاربری ما را تا حد زیادی بهبود می بخشد."– یوانیس فوکاراکیس، رئیس داده، Searchmetrics

استفاده از هوش مصنوعی برای شناسایی ارتباط از فهرستی از کلمات کلیدی

بخش مهمی از ارائه بینش Searchmetrics توانایی آن در شناسایی مرتبط ترین کلمات کلیدی جستجو برای یک موضوع یا هدف جستجو است.

برای انجام این کار، Searchmetrics تیمی از تحلیلگران دارد که ارتباط بالقوه کلمات کلیدی خاص را با توجه به یک کلمه اولیه خاص ارزیابی می کنند. تحلیلگران از یک ابزار داخلی برای بررسی یک کلمه کلیدی در یک موضوع معین و یک لیست تولید شده از کلمات کلیدی بالقوه مرتبط استفاده می کنند و سپس باید یک یا چند کلمه کلیدی مرتبط را که با آن موضوع مرتبط هستند انتخاب کنند.

این فرآیند فیلتر کردن و انتخاب دستی زمان‌بر بود و توانایی Searchmetrics در ارائه بینش به مشتریان خود را کاهش داد.

برای بهبود این فرآیند، Searchmetrics به دنبال ساخت یک راه‌حل هوش مصنوعی بود که می‌تواند از پردازش زبان طبیعی (NLP) برای درک هدف یک موضوع جستجوی معین استفاده کند و به‌طور خودکار فهرستی از کلمات کلیدی بالقوه را بر اساس ارتباط رتبه‌بندی کند.

استفاده از SageMaker و Hugging Face برای ایجاد سریع قابلیت‌های NLP پیشرفته

برای حل این مشکل، تیم مهندسی Searchmetrics به SageMaker، پلتفرم یادگیری ماشینی (ML) سرتاسری که به توسعه‌دهندگان و دانشمندان داده کمک می‌کند تا به سرعت و به راحتی مدل‌های ML را بسازند، آموزش دهند و به کار ببرند، روی آوردند.

SageMaker با ساده کردن فرآیند ساخت ML، استقرار بارهای کاری ML را تسریع می بخشد. این مجموعه گسترده ای از قابلیت های ML را در بالای یک زیرساخت کاملاً مدیریت شده ارائه می دهد. این کار وزنه برداری تمایز نیافته را که اغلب مانع توسعه ML می شود، حذف می کند.

Searchmetrics SageMaker را به دلیل طیف کاملی از قابلیت‌هایی که در هر مرحله از فرآیند توسعه ML ارائه می‌کند، انتخاب کرد:

  • SageMaker نوت بوک تیم Searchmetrics را قادر ساخت تا به سرعت محیط های توسعه ML کاملاً مدیریت شده را بچرخاند، پیش پردازش داده ها را انجام دهد و رویکردهای مختلف را آزمایش کند.
  • La تبدیل دسته ای قابلیت‌های SageMaker Searchmetrics را قادر می‌سازد تا به طور کارآمد بارهای استنتاج خود را به صورت انبوه پردازش کند، و همچنین به راحتی در سرویس وب موجود خود در تولید ادغام شود.

Searchmetrics همچنین علاقه خاصی به ادغام بومی SageMaker با آن داشت در آغوش کشیدن صورت، یک استارت آپ هیجان انگیز NLP که دسترسی آسان به بیش از 7,000 مدل زبان از پیش آموزش دیده را از طریق کتابخانه محبوب Tranformers خود فراهم می کند.

SageMaker یک ادغام مستقیم با Hugging Face را از طریق تخمینگر اختصاصی Hugging Face در SageMaker SDK. این امر اجرای مدل های Hugging Face را در زیرساخت کاملاً مدیریت شده SageMaker آسان می کند.

با این ادغام، Searchmetrics توانست طیف وسیعی از مدل‌ها و رویکردهای مختلف را آزمایش و آزمایش کند تا بهترین رویکرد را برای موارد استفاده آنها پیدا کند.

راه حل نهایی از خط لوله طبقه بندی صفر شات برای شناسایی مرتبط ترین کلمات کلیدی استفاده می کند. مدل های مختلف از قبل آموزش دیده و استراتژی های پرس و جو مورد ارزیابی قرار گرفتند facebook/bart-large-mnli امیدوار کننده ترین نتایج را ارائه می دهد.

استفاده از AWS برای بهبود کارایی عملیاتی و یافتن فرصت‌های نوآوری جدید

با SageMaker و ادغام بومی آن با Hugging Face، Searchmetrics توانست یک راه‌حل NLP را بسازد، آموزش دهد و به کار ببرد که می‌تواند یک موضوع معین را درک کند و فهرستی از کلمات کلیدی دیده نشده را بر اساس ارتباط آنها به دقت رتبه‌بندی کند. مجموعه ابزار ارائه شده توسط SageMaker آزمایش و استقرار را آسان‌تر کرد.

هنگامی که این قابلیت هوش مصنوعی با ابزار داخلی موجود Searchmetrics ادغام شد، به طور متوسط ​​20٪ کاهش در زمان صرف شده برای تحلیلگران انسانی برای تکمیل کار خود ایجاد کرد. این منجر به توان عملیاتی بالاتر، بهبود تجربه کاربر و ورود سریعتر کاربران جدید شد.

این موفقیت اولیه نه تنها عملکرد عملیاتی تحلیلگران جستجوی Searchmetrics را بهبود بخشیده است، بلکه به Searchmetrics کمک کرده تا مسیر روشن تری را برای استقرار راه حل های اتوماسیون جامع تر با استفاده از هوش مصنوعی در تجارت خود ترسیم کند.

این فرصت‌های نوآوری جدید و هیجان‌انگیز به Searchmetrics کمک می‌کند تا به بهبود قابلیت‌های بینش خود ادامه دهد، و همچنین به آنها کمک می‌کند تا اطمینان حاصل کنند که مشتریان همچنان در چشم‌انداز جستجوی بیش از حد رقابتی پیش‌رو خواهند بود.

علاوه بر این، Hugging Face و AWS در اوایل سال 2022 شراکتی را اعلام کردند که آموزش مدل‌های Hugging Face را در SageMaker آسان‌تر می‌کند. این قابلیت از طریق توسعه Hugging Face در دسترس است ظروف یادگیری عمیق AWS (DLC ها). این ظروف شامل Hugging Face Transformers، Tokenizers و کتابخانه Datasets است که به ما امکان می دهد از این منابع برای کارهای آموزشی و استنباط استفاده کنیم.

برای لیستی از تصاویر DLC موجود، در دسترس را ببینید تصاویر ظروف یادگیری عمیق، که با وصله های امنیتی نگهداری می شوند و مرتباً به روز می شوند. شما می توانید نمونه های زیادی از نحوه آموزش مدل های Hugging Face را با این DLC ها و آن ها پیدا کنید SDK پایتون در آغوش گرفتن صورت در زیر است GitHub repo.

در مورد اینکه چگونه می توانید با مراجعه به سایت، توانایی خود را برای نوآوری با AI/ML تسریع کنید، بیشتر بیاموزید شروع کار با Amazon SageMaker، دریافت محتوای آموزشی عملی با مرور منابع توسعه دهنده Amazon SageMaker، یا بازدید صورت در آغوش گرفتن در آمازون SageMaker.

درباره نویسنده

چگونه Searchmetrics از Amazon SageMaker استفاده می کند تا به طور خودکار کلمات کلیدی مرتبط را پیدا کند و تحلیلگران انسانی خود را 20٪ سریعتر از هوش داده PlatoBlockchain کند. جستجوی عمودی Ai.دنیل برک پیشرو اروپا برای هوش مصنوعی و ML در گروه سهام خصوصی در AWS است. دانیل مستقیماً با صندوق‌های سهام خصوصی و شرکت‌های نمونه کار آنها کار می‌کند و به آنها کمک می‌کند تا پذیرش هوش مصنوعی و ML خود را برای بهبود نوآوری و افزایش ارزش سازمانی تسریع کنند.

تمبر زمان:

بیشتر از آموزش ماشین AWS