Kuinka Searchmetrics käyttää Amazon SageMakeria löytääkseen automaattisesti asiaankuuluvat avainsanat ja tehdäkseen ihmisanalyytikoista 20 % nopeampia

Julkaissut Platon

seuraajia: 0

Searchmetrics on maailmanlaajuinen hakutietojen, ohjelmistojen ja konsultointiratkaisujen toimittaja, joka auttaa asiakkaita muuttamaan hakudataa ainutlaatuisiksi liiketoimintatiedoiksi. Tähän mennessä Searchmetrics on auttanut yli 1,000 XNUMX yritystä, kuten McKinsey & Companyä, Lowe's ja AXA, löytämään etuja erittäin kilpailukykyisestä hakuympäristöstä.

Vuonna 2021 Searchmetrics kääntyi AWS:n puoleen auttaakseen tekoälyn (AI) käytössä parantaakseen edelleen hakutietojaan.

Tässä viestissä jaamme, kuinka Searchmetrics rakensi tekoälyratkaisun, joka lisäsi sen työvoiman tehokkuutta 20 % etsimällä automaattisesti osuvat hakuavainsanat mille tahansa aiheelle. Amazon Sage Maker ja sen alkuperäinen integraatio Hugging Facen kanssa.

Miten Searchmetrics käyttää Amazon SageMakeria löytääkseen automaattisesti asiaankuuluvia avainsanoja ja tehdäkseen ihmisanalyytikoistaan 20 % nopeampia PlatoBlockchain Data Intelligencea. Pystysuuntainen haku. Ai.

"Amazon SageMaker teki Hugging Facen huippuluokan NLP-mallien arvioinnin ja integroimisen järjestelmiimme helppoa.
Rakentamamme ratkaisu tekee meistä tehokkaampia ja parantaa huomattavasti käyttökokemustamme."– Ioannis Foukarakis, datapäällikkö, hakumetriikka

Tekoälyn käyttäminen osuvuuden tunnistamiseen avainsanaluettelosta

Keskeinen osa Searchmetricsin oivalluksia on sen kyky tunnistaa tietyn aiheen tai hakutarkoituksen osuvimmat hakusanat.

Tätä varten Searchmetricsillä on analyytikkotiimi, joka arvioi tiettyjen avainsanojen mahdollisen merkityksen tietyllä aloitussanalla. Analyytikot käyttävät sisäistä työkalua tarkistaakseen avainsanan tietyssä aiheessa ja luodun luettelon mahdollisesti liittyvistä avainsanoista, ja heidän on sitten valittava yksi tai useampi aiheeseen liittyvä avainsana.

Tämä manuaalinen suodatus- ja valintaprosessi oli aikaa vievä ja hidasti Searchmetricsin kykyä toimittaa oivalluksia asiakkailleen.

Tämän prosessin parantamiseksi Searchmetrics pyrki rakentamaan tekoälyratkaisun, joka voisi käyttää luonnollisen kielen prosessointia (NLP) ymmärtääkseen tietyn hakuaiheen tarkoituksen ja asettaa automaattisesti näkymättömän luettelon mahdollisista avainsanoista osuvuuden mukaan.

Käyttämällä SageMakeria ja Hugging Facea kehittyneiden NLP-ominaisuuksien nopeaan rakentamiseen

Tämän ratkaisemiseksi Searchmetricsin suunnittelutiimi kääntyi SageMakerin, end-to-end-koneoppimisalustan (ML) puoleen, joka auttaa kehittäjiä ja datatieteilijöitä nopeasti ja helposti rakentamaan, kouluttamaan ja ottamaan käyttöön ML-malleja.

SageMaker nopeuttaa ML-työkuormien käyttöönottoa yksinkertaistamalla ML-koontiprosessia. Se tarjoaa laajan joukon ML-ominaisuuksia täysin hallitun infrastruktuurin lisäksi. Tämä poistaa erottumattoman raskaiden nostojen, jotka liian usein haittaavat ML:n kehitystä.

Searchmetrics valitsi SageMakerin, koska se tarjosi täyden valikoiman ominaisuuksia ML-kehitysprosessin jokaisessa vaiheessa:

SageMaker kannettavat tietokoneet antoi Searchmetrics-tiimille mahdollisuuden nopeasti kehittää täysin hallittuja ML-kehitysympäristöjä, suorittaa tietojen esikäsittelyä ja kokeilla erilaisia lähestymistapoja
- erämuunnos SageMakerin ominaisuudet mahdollistivat Searchmetricsin tehokkaan päättelyhyötykuormien käsittelyn irtotavarana sekä integroinnin helposti olemassa olevaan verkkopalveluunsa tuotannossa.

Searchmetrics oli myös erityisen kiinnostunut SageMakerin integraatiosta Halaaminen kasvot, jännittävä NLP-käynnistys, joka tarjoaa helpon pääsyn yli 7,000 XNUMX valmiiksi koulutettuun kielimalliin suositun Tranformers-kirjastonsa kautta.

SageMaker tarjoaa suoran integroinnin Hugging Face -sovellukseen erillisen Hugging Face -estimaattorin avulla. SageMaker SDK. Tämä tekee Hugging Face -mallien käyttämisestä helppoa täysin hallitussa SageMaker-infrastruktuurissa.

Tämän integraation avulla Searchmetrics pystyi testaamaan ja kokeilemaan erilaisia malleja ja lähestymistapoja löytääkseen parhaiten toimivan lähestymistavan niiden käyttötapauksiin.

Loppuratkaisu käyttää nolla-luokitteluputkistoa osuvimpien avainsanojen tunnistamiseen. Erilaisia esikoulutettuja malleja ja kyselystrategioita arvioitiin facebook/bart-large-mnli tarjoavat lupaavimmat tulokset.

AWS:n käyttö parantaa toiminnan tehokkuutta ja löytää uusia innovaatiomahdollisuuksia

SageMakerin ja sen alkuperäisen Hugging Facen integroinnin avulla Searchmetrics pystyi rakentamaan, kouluttamaan ja ottamaan käyttöön NLP-ratkaisun, joka pystyi ymmärtämään tietyn aiheen ja luokittelemaan näkymätön avainsanaluettelon tarkasti niiden osuvuuden perusteella. SageMakerin tarjoama työkalusarja helpotti kokeilua ja käyttöönottoa.

Integroituna Searchmetricsin olemassa olevaan sisäiseen työkaluun tämä AI-ominaisuus lyhensi keskimäärin 20 % aikaa, joka ihmisanalyytikoille kului työnsä suorittamiseen. Tämä johti korkeampaan suorituskykyyn, parempaan käyttökokemukseen ja nopeampaan uusien käyttäjien käyttöönottoon.

Tämä ensimmäinen menestys ei ole vain parantanut Searchmetricsin hakuanalyytikkojen toiminnallista suorituskykyä, vaan se on myös auttanut Searchmetricsia kartoittamaan selkeämmän tien kattavampien automaatioratkaisujen käyttöönottamiseksi, joissa käytetään tekoälyä liiketoiminnassaan.

Nämä jännittävät uudet innovaatiomahdollisuudet auttavat Searchmetricsia jatkamaan oivallustensa parantamista ja varmistamaan, että asiakkaat pysyvät edellä hyperkilpaillussa hakuympäristössä.

Lisäksi Hugging Face ja AWS ilmoittivat kumppanuudesta aiemmin vuonna 2022, mikä tekee Hugging Face -mallien kouluttamisesta entistä helpompaa SageMakerilla. Tämä toiminto on saatavilla Hugging Facen kehityksen kautta AWS Deep Learning Containers (DLC:t). Näihin säilöihin kuuluvat Hugging Face Transformers, Tokenizers ja Datasets-kirjasto, jonka avulla voimme käyttää näitä resursseja koulutukseen ja päättelytyöhön.

Luettelo saatavilla olevista DLC-kuvista on kohdassa Saatavilla Syvän oppimisen säiliöiden kuvat, joita ylläpidetään ja päivitetään säännöllisesti tietoturvakorjauksilla. Löydät monia esimerkkejä Hugging Face -mallien kouluttamisesta näillä lisäosilla ja Hugging Face Python SDK seuraavassa GitHub repo.

Lue lisää siitä, kuinka voit nopeuttaa kykyäsi innovoida AI/ML:n avulla käymällä osoitteessa Amazon SageMakerin käytön aloittaminen, saada käytännön oppimissisältöä tarkistamalla Amazon SageMaker -kehittäjäresurssittai vierailemassa Halaavat kasvot Amazon SageMakerissa.

kirjailijasta

Daniel Burke on tekoälyn ja ML:n johtaja Euroopassa AWS:n Private Equity -ryhmässä. Daniel työskentelee suoraan Private Equity -rahastojen ja niiden kohdeyritysten kanssa auttaen niitä nopeuttamaan tekoälyn ja ML:n käyttöönottoa innovaatioiden parantamiseksi ja yrityksen arvon lisäämiseksi.