Ratkaise liiketoimintaongelmat päästä päähän koneoppimisen avulla Amazon SageMaker JumpStart -ratkaisuissa

Amazon SageMaker JumpStart tarjoaa valmiiksi koulutettuja avoimen lähdekoodin malleja monenlaisille ongelmatyypeille, jotka auttavat sinua pääsemään alkuun koneoppimisen (ML) kanssa. JumpStart tarjoaa myös ratkaisumalleja, jotka määrittävät infrastruktuurin yleisiä käyttötapauksia varten, ja suoritettavia esimerkkimuistikirjoja ML:lle Amazon Sage Maker.

Yrityskäyttäjänä pääset tekemään seuraavat asiat JumpStart-ratkaisuilla:

• Tutustu ratkaisuihin ja arvioi, mitkä sopivat hyvin yrityksesi tarpeisiin.
• Käynnistä ratkaisut yhdellä napsautuksella Amazon SageMaker Studio. Tämä käynnistää an AWS-pilven muodostuminen mallia tarvittavien resurssien luomiseksi.
• Muokkaa ratkaisua tarpeidesi mukaan käyttämällä taustalla olevia muistikirjoja ja malliresursseja.
• Poista hankitut resurssit, kun olet valmis.

Tämä viesti keskittyy viiteen ML-ratkaisuun, jotka lisättiin äskettäin vastaamaan viiteen eri liiketoimintahaasteeseen. Tätä kirjoitettaessa JumpStart tarjoaa 23 liiketoimintaratkaisua, jotka vaihtelevat rahatapahtumien petosten havaitsemisesta käsinkirjoituksen tunnistamiseen. JumpStartin kautta tarjottavien ratkaisujen määrä kasvaa säännöllisesti, kun siihen lisätään uusia ratkaisuja.

Ratkaisun yleiskatsaus

Viisi uutta ratkaisua ovat seuraavat:

• Hinnan optimointi - Tarjoaa muokattavia ML-malleja, joiden avulla voit tehdä optimaalisia päätöksiä tuotteesi tai palvelusi hinnan määrittämiseksi liiketoimintatavoitteesi saavuttamiseksi, kuten tulojen, voiton tai muiden mukautettujen mittareiden maksimoiminen.
• Lintulajin ennuste - Näyttää, kuinka voit kouluttaa ja hienosäätää esineentunnistusmallia. Se esittelee mallin viritystä harjoituskuvan lisäyksen avulla ja kartoittaa tarkkuusparannuksia, joita tapahtuu harjoitustyön iteraatioiden (aikakausien) aikana.
• Keuhkosyövän eloonjäämisennuste - Näyttää, kuinka voit syöttää 2D- ja 3D-radiopiirteitä ja potilaiden demografisia tietoja ML-algoritmiin ennustaaksesi potilaan keuhkosyövän eloonjäämismahdollisuudet. Tämän ennusteen tulokset voivat auttaa tarjoajia ryhtymään asianmukaisiin ennakoiviin toimiin.
• Maksujen luokitus - Näyttää, kuinka ML-mallia koulutetaan ja otetaan käyttöön rahoitustapahtumien luokittelemiseksi tapahtumatietojen perusteella. Voit käyttää tätä ratkaisua myös välivaiheena petosten havaitsemisessa, personoinnissa tai poikkeamien havaitsemisessa.
• Vaihtuvuusennuste matkapuhelinasiakkaille – Osoittaa, kuinka nopeasti kehitetään vaihtuvuuden ennustemalli käyttämällä matkapuhelutapahtumatietojoukkoa. Tämä on yksinkertainen esimerkki käyttäjille, jotka ovat uusia ML:ssä.

Edellytykset

Jotta voit käyttää näitä ratkaisuja, varmista, että sinulla on pääsy Studioon suoritusroolilla, jonka avulla voit käyttää SageMaker-toimintoja. Varmista Studion käyttäjäroolillesi, että SageMaker-projektit ja JumpStart vaihtoehto on käytössä.

Seuraavissa osioissa käymme läpi kunkin viidestä uudesta ratkaisusta ja keskustelemme yksityiskohtaisesti niiden toiminnasta sekä suosituksia siitä, kuinka voit käyttää sitä omiin liiketoimintatarpeisiisi.

Hinnan optimointi

Yritykset haluavat käyttää erilaisia ​​vipuja parhaiden tulosten saamiseksi. Esimerkiksi tuotteen tai palvelun hinta on vipu, jota yritys voi hallita. Kysymys on siitä, kuinka päättää, mihin hintaan tuote tai palvelu asetetaan, jotta liiketoiminnallinen tavoite, kuten voitto tai tulo, voidaan maksimoida.

Tämä ratkaisu tarjoaa mukautettavia ML-malleja, joiden avulla voit tehdä optimaalisia päätöksiä tuotteesi tai palvelusi hinnan määrittämiseksi tavoitteesi saavuttamiseksi, kuten tulojen, voiton tai muiden mukautettujen mittareiden maksimoiminen. Ratkaisu käyttää ML- ja kausaalipäätelmiä oppiakseen hinta-volyymi-suhteita historiallisista tiedoista, ja se pystyy antamaan dynaamisia hintasuosituksia reaaliajassa optimoidakseen mukautettuja tavoitemittareita.

Seuraava kuvakaappaus näyttää esimerkkitulotiedot.

Ratkaisu sisältää kolme osaa:

• Hintajoustoarvio – Tämä arvioidaan kausaalisen päättelyn avulla kaksoisML-algoritmin avulla
• Äänenvoimakkuuden ennuste – Tämä ennustetaan Profeetta-algoritmin avulla
• Hinnan optimointi – Tämä saavutetaan mitä jos -simulaatiolla eri hintaskenaarioiden kautta

Ratkaisu tarjoaa seuraavan päivän suositushinnan tulojen maksimoimiseksi. Lisäksi tuotoksina on arvioitu hintajousto, joka on arvo, joka ilmaisee hinnan vaikutusta volyymiin, sekä ennustemalli, joka pystyy ennustamaan seuraavan päivän volyymia. Seuraava kaavio näyttää, kuinka kausaalimalli, joka sisälsi lasketun hintajouston, toimii paljon paremmin mitä jos -analyysissä (suurilla poikkeamilla käyttäytymishinnasta) kuin ennustemalli, joka käyttää Prophetia volyymin ennustamiseen aikasarjatietojen avulla.

Voit soveltaa tätä ratkaisua yritykseesi seuraaviin käyttötapauksiin:

• Määritä tavaroiden optimaalinen hinta vähittäiskaupalle
• Arvioi alennuskuponkien vaikutus asiakkaiden ostoihin
• Ennusta erilaisten kannustinmenetelmien vaikutus missä tahansa liiketoiminnassa

Lintulajin ennuste

Nykyään yrityksille on olemassa useita tietokonenäkösovelluksia (CV). Yksi näistä sovelluksista on objektintunnistus, jossa ML-algoritmi havaitsee objektin sijainnin kuvassa piirtämällä sen ympärille rajoituslaatikon ja tunnistaa objektin tyypin. Kohteentunnistusmallin soveltamisen ja sen hienosäädön oppiminen voi olla arvokasta organisaatiolle, jolla on CV-tarpeita.

Tämä ratkaisu tarjoaa esimerkin siitä, kuinka rajoituslaatikon määritykset voidaan kääntää, kun kuvia tarjotaan SageMaker-algoritmille. Tämä ratkaisu osoittaa myös, kuinka kohteen tunnistusmallia voidaan parantaa lisäämällä harjoituskuvia, jotka on käännetty vaakasuunnassa (peilikuvat).

Mukana on muistikirja esineiden havaitsemishaasteiden kokeilua varten, kun luokkia on paljon (200 lintulajia). Muistikirja näyttää myös, kuinka kartoittaa tarkkuusparannuksia, joita tapahtuu koulutustyön eri vaiheissa. Seuraava kuva näyttää esimerkkikuvia lintutietojoukosta.

Tämä ratkaisu sisältää viisi vaihetta:

1. Valmistele tiedot, mukaan lukien lataus ja RecordIO tiedostojen luominen.
2. Luo ja kouluta esineentunnistusmalli.
3. Ota päätepiste käyttöön ja arvioi mallin suorituskykyä.
4. Luo ja kouluta objektintunnistusmalli uudelleen laajennetun tietojoukon avulla.
5. Ota käyttöön päätepiste ja arvioi laajennetun mallin suorituskykyä.

Tuloksena saat seuraavan:

• Objektien tunnistustulokset liimauslaatikoilla testikuvaasi vasten
• Koulutettu esineentunnistusmalli
• Koulutettu objektintunnistusmalli, jossa on lisälaajennettu (käännetty) tietojoukko
• Kaksi erillistä päätepistettä on otettu käyttöön yhdessä kustakin mallista

Seuraava kaavio näyttää mallin parannuksia verrattuna mallin iteraatioihin (epookeihin) harjoittelun aikana.

Seuraavat esimerkit on tulos kahdesta testikuvasta.

Voit soveltaa tätä ratkaisua yritykseesi seuraaviin käyttötapauksiin:

• Tunnista esineet kuljetushihnalla pakkausteollisuudessa
• Tunnista pizzan täytteet
• Toteuta toimitusketjun operatiivisia sovelluksia, joihin sisältyy objektien havaitseminen

Keuhkosyövän eloonjäämisennuste

COVID-19 toi paljon enemmän huomiota keuhkoihin liittyviin lääketieteellisiin haasteisiin. Se on myös aiheuttanut paljon paineita sairaaloihin, lääkäreihin, sairaanhoitajiin ja radiologeihin. Kuvittele mahdollisuus, jossa voit soveltaa ML:ää tehokkaana työkaluna auttamaan lääkäreitä ja nopeuttamaan heidän työtään. Tässä ratkaisussa näytämme, kuinka 2D- ja 3D-radiopiirteitä ja potilaiden demografisia tietoja voidaan syöttää ML-algoritmiin potilaan keuhkosyövän eloonjäämismahdollisuuksien ennustamiseksi. Tämän ennusteen tulokset voivat auttaa tarjoajia ryhtymään asianmukaisiin ennakoiviin toimiin.

Tämä ratkaisu osoittaa, kuinka skaalautuva ML-putki rakennetaan non-Small Cell Lung Cancer (NSCLC) Radiogenomics-tietojoukolle, joka koostuu RNA-sekvensointitiedoista, kliinisistä tiedoista (heijastaa EHR-tietoja) ja lääketieteellisistä kuvista. Useiden tietotyyppien käyttämistä konemallin luomiseen kutsutaan nimellä multimodaalinen ML. Tämä ratkaisu ennustaa ei-pienisoluista keuhkosyöpää sairastavien potilaiden eloonjäämistulosta.

Seuraavassa kuvassa on esimerkki NSCLC (Non-Small Cell Lung Cancer) Radiogenomics-tietojoukon syöttötiedoista.

Osana liuosta kokonais-RNA uutettiin kasvainkudoksesta ja analysoitiin RNA-sekvensointitekniikalla. Vaikka alkuperäiset tiedot sisältävät yli 22,000 21 geeniä, säilytämme 10 geeniä XNUMX voimakkaasti koekspressoidusta geeniklusterista (metageeneista), jotka tunnistettiin, validoitiin julkisesti saatavilla olevissa geeniekspressiokohorteissa ja korreloivat ennusteen kanssa.

Kliiniset tiedot tallennetaan CSV-muodossa. Jokainen rivi vastaa potilasta, ja sarakkeet sisältävät tietoja potilaista, mukaan lukien väestötiedot, kasvainvaihe ja eloonjäämistilanne.

Genomidataa varten säilytämme 21 geeniä 10 voimakkaasti koekspressoidusta geeniklusterista (metageeneista), jotka tunnistettiin, validoitiin julkisesti saatavilla olevissa geeniekspressiokohorteissa ja korreloivat ennusteen kanssa.

Lääketieteellisiä kuvantamistietoja varten luomme potilastason 3D-radiopiirteitä, jotka selittävät TT-skannauksissa havaittujen kasvainten koon, muodon ja visuaaliset ominaisuudet. Jokaiselle potilastutkimukselle suoritetaan seuraavat vaiheet:

1. Lue 2D DICOM slice -tiedostot sekä TT-skannausta että kasvaimen segmentointia varten, yhdistä ne 3D-taltioiksi, tallenna taltiot NIfTI-muodossa.
2. Kohdista CT-tilavuus ja kasvaimen segmentointi, jotta voimme kohdistaa laskennan kasvaimen sisään.
3. Laske kasvainaluetta kuvaavat radioiset piirteet pyrradiomiikkakirjaston avulla.
4. Poimi 120 radioamista ominaisuutta kahdeksasta luokasta, kuten tilastolliset esitykset intensiteetin jakautumisesta ja esiintymisestä kiinnostuksen kohteena olevalla kasvainalueella, ja muotoon perustuvat mittaukset, jotka kuvaavat kasvainta morfologisesti.

Luodaksemme potilaasta multimodaalisen näkymän mallikoulutukseen yhdistämme piirrevektorit kolmesta modaliteetista. Sitten käsittelemme tiedot. Ensin normalisoimme riippumattomien ominaisuuksien valikoiman käyttämällä ominaisuuden skaalausta. Sitten suoritamme pääkomponenttianalyysin (PCA) ominaisuuksille vähentääksemme ulottuvuutta ja tunnistaaksemme erottavimmat ominaisuudet, jotka aiheuttavat 95 %:n varianssia tiedoissa.

Tämä johtaa mittasuhteiden pienenemiseen 215 ominaisuudesta 45 pääkomponenttiin, jotka muodostavat ohjatun oppijan ominaisuuksia.

Ratkaisu tuottaa ML-mallin, joka ennustaa NSCLC-potilaiden eloonjäämistilan (kuollut tai elossa) todennäköisyyden muodossa. Mallin ja ennusteen lisäksi luomme myös raportteja mallin selittämiseksi. Lääketieteellinen kuvantamisputki tuottaa 3D-keuhkojen CT-tilavuuksia ja kasvaimen segmentointia visualisointitarkoituksiin.

Voit soveltaa tätä ratkaisua terveydenhuollon ja biotieteiden käyttötapauksiin.

Rahoitusmaksujen luokitus

Yrityksen tai kuluttajan kaikkien rahoitustapahtumien ottaminen ja järjestäminen eri luokkiin voi olla varsin hyödyllistä. Se voi auttaa käyttäjää saamaan selville, kuinka paljon hän on kuluttanut mihinkin kategoriaan, ja se voi myös antaa hälytyksiä, kun tietyn luokan tapahtumat tai menot kasvavat tai laskevat odottamatta.

Tämä ratkaisu osoittaa, kuinka ML-mallia voidaan kouluttaa ja ottaa käyttöön rahoitustapahtumien luokittelemiseksi tapahtumatietojen perusteella. Monet pankit tarjoavat tämän palveluna antaakseen loppukäyttäjille yleiskuvan kulutustottumuksistaan. Voit käyttää tätä ratkaisua myös välivaiheena petosten havaitsemisessa, personoinnissa tai poikkeamien havaitsemisessa. Käytämme SageMakeria kouluttaaksemme ja ottaaksemme käyttöön XGBoost-mallin, jossa on tarvittava taustalla oleva infrastruktuuri.

Synteettisellä tietojoukolla, jonka esitämme tämän ratkaisun, on seuraavat ominaisuudet:

• tapahtuman_luokka – Tapahtuman luokka seuraavista 19 vaihtoehdosta: Uncategorized, Entertainment, Education, Shopping, Personal Care, Health and Fitness, Food and Dining, Gifts and Donations, Investments, Bills and Utilities, Auto and Transport, Travel, Fees and Charges, Business Services, Personal Services, Taxes, Gambling, Homeja Pension and insurances.
• vastaanottajan_id – Vastaanottavan osapuolen tunniste. Tunniste koostuu 16 numerosta.
• lähettäjän ID – Lähettävän osapuolen tunniste. Tunniste koostuu 16 numerosta.
• määrä – Siirrettävä summa.
• aikaleima – Tapahtuman aikaleima muodossa VVVV-KK-PP HH:MM:SS.

Aineiston viisi ensimmäistä havaintoa ovat seuraavat:

Tässä ratkaisussa käytämme XGBoostia, suosittua ja tehokasta avoimen lähdekoodin toteutusta gradienttitehostetun puun algoritmille. Gradientin tehostaminen on valvottu oppimisalgoritmi, joka yrittää ennustaa kohdemuuttujan tarkasti yhdistämällä joukon arvioita joukosta yksinkertaisempia ja heikompia malleja. Sen toteutus on saatavilla SageMakerin sisäänrakennetuissa algoritmeissa.

Talousmaksujen luokitteluratkaisu sisältää neljä vaihetta:

1. Valmistele tiedot.
2. Rakenna ominaisuuskauppa.
3. Luo ja kouluta XGBoost-malli.
4. Ota päätepiste käyttöön ja arvioi mallin suorituskykyä.

Saamme seuraavan tuloksen:

• Koulutettu XGBoost-malli, joka perustuu esimerkkitietosarjaamme
• SageMaker-päätepiste, joka voi ennustaa tapahtumaluokan

Kun olet suorittanut tämän ratkaisun, sinun pitäisi nähdä seuraavanlainen luokitusraportti.

Mahdollisia sovelluksia yrityksellesi ovat mm.

• Erilaisia ​​rahoitussovelluksia vähittäis- ja investointipankkitoiminnassa
• Kun liiketoimet on luokiteltava missä tahansa käyttötapauksessa (ei vain taloudellisessa)

Vaihtuvuusennuste matkapuhelinasiakkaille

Asiakkaiden vaihtuvuuden ennustaminen on hyvin yleinen liiketoiminnan tarve. Lukuisat tutkimukset osoittavat, että nykyisen asiakkaan säilyttäminen maksaa paljon vähemmän kuin uuden asiakkaan hankkiminen. Haaste tulee usein siitä, että yrityksillä on vaikeuksia ymmärtää, miksi asiakas vaikeuttaa, tai rakentaa mallia, joka ennustaa vaimenemisen.

Tässä esimerkissä käyttäjät, jotka ovat uusia ML:ssä, voivat kokea, kuinka vaihtuvuusennustemalli voidaan nopeasti kehittää matkapuhelinpuhelutapahtumatietojoukon avulla. Tämä ratkaisu käyttää SageMakeria XGBoost-mallin kouluttamiseen ja käyttöönottoon asiakasprofiilitietojoukossa sen ennustamiseksi, lähteekö asiakas todennäköisesti matkapuhelinoperaattorin palveluksesta.

Tämän ratkaisun käyttämä tietojoukko on julkisesti saatavilla, ja se mainitaan Daniel T. Larose -kirjassa Discovering Knowledge in Data. Kirjoittaja pitää sen Kalifornian yliopiston Irvinen koneoppimistietoaineistojen arkiston ansioksi.

Tämä tietojoukko käyttää seuraavia 21 attribuuttia kuvaamaan tuntemattoman yhdysvaltalaisen matkapuhelinoperaattorin asiakkaan profiilia.

• Osavaltio: Yhdysvaltain osavaltio, jossa asiakas asuu, ilmaistuna kaksikirjaimalla lyhenteellä; esimerkiksi OH tai NJ
• Tilin pituus: kuinka monta päivää tämä tili on ollut aktiivinen
• Suuntanumero: vastaavan asiakkaan puhelinnumeron kolminumeroinen suuntanumero
• Puhelin: jäljellä oleva seitsennumeroinen puhelinnumero
• Kansainvälinen sopimus: onko asiakkaalla ulkomaanpuhelusopimus: kyllä/ei
• VMail-suunnitelma: onko asiakkaalla puhepostitoiminto: kyllä/ei
• VMail-viesti: puhepostiviestien keskimääräinen määrä kuukaudessa
• Päiväminuutit: päivän aikana käytettyjen puheluminuuttien kokonaismäärä
• Päiväpuhelut: päivän aikana soitettujen puheluiden kokonaismäärä
• Päivämaksu: päiväpuhelujen laskutettu hinta
• Eve Mins, Eve Calls, Eve Charge: laskutettu hinta illan aikana soitetuista puheluista
• Yöminuutit, yöpuhelut, yömaksu: laskutettu hinta yöaikaan soitetuista puheluista
• Intl Mins, Intl Calls, Intl Charge: laskutettu hinta ulkomaanpuheluista
• CustServ Calls: Asiakaspalveluun soitettujen puheluiden määrä
• Vaihtuvuus?: poistuiko asiakas palvelusta: tosi/epätosi

Tämä ratkaisu sisältää kolme vaihetta:

1. Valmistele tiedot.
2. Luo ja kouluta XGBoost-malli.
3. Ota päätepiste käyttöön ja arvioi mallin suorituskykyä.

Saamme seuraavan tuloksen:

• Koulutettu XGBoost-malli, joka perustuu esimerkkitietosarjaamme ennustamaan käyttäjien vaihtuvuutta
• SageMaker-päätepiste, joka voi ennustaa käyttäjien vaihtuvuuden

Tämä malli auttaa arvioimaan, kuinka moni 5,000 XNUMX matkapuhelinasiakkaasta todennäköisesti lopettaa nykyisen matkapuhelinoperaattorinsa käytön.

Seuraava kaavio näyttää vaihtuvuuden todennäköisyysjakauman mallin ulostulona.

Voit soveltaa tätä yritykseesi seuraaviin käyttötapauksiin:

• Ennusta asiakkaiden vaihtuvuus omassa yrityksessäsi
• Luokittele, mitkä asiakkaat voivat avata markkinointisähköpostisi ja ketkä eivät (binääriluokitus)
• Ennusta, ketkä opiskelijat todennäköisesti keskeyttävät kurssin

Siivoa resurssit

Kun olet suorittanut ratkaisun JumpStartissa, muista valita Poista kaikki resurssit joten kaikki prosessissa luomasi resurssit poistetaan ja laskutuksesi lopetetaan.

Yhteenveto

Tämä viesti osoitti sinulle, kuinka voit ratkaista erilaisia ​​​​liiketoiminnan ongelmia käyttämällä JumpStart-ratkaisuihin perustuvaa ML:ää. Vaikka tämä viesti keskittyi viiteen uuteen ratkaisuun, jotka äskettäin lisättiin JumpStartiin, käytettävissä on yhteensä 23 ratkaisua. Suosittelemme kirjautumaan sisään Studioon ja katsomaan JumpStart-ratkaisuja itse ja alkamaan saada niistä välitöntä arvoa. Lisätietoja on kohdassa Amazon SageMaker Studio ja SageMaker JumpStart.

Huomautus: Jos et näe kaikkia yllä olevia viittä ratkaisua AWS-alueesi JumpStart-konsolissa, odota viikko ja tarkista uudelleen. Julkaisemme niitä vaiheittain eri alueille.

---

Tietoja Tekijät

Tohtori Raju Penmatcha on AI/ML Specialist Solutions Architect AI Platformsissa AWS:ssä. Hän työskentelee SageMakerin matalan koodin/no-code-palvelupaketin parissa, jonka avulla asiakkaat voivat helposti rakentaa ja ottaa käyttöön koneoppimismalleja ja -ratkaisuja. Kun hän ei auta asiakkaita, hän matkustaa mielellään uusiin paikkoihin.

Manan Shah on ohjelmistokehityspäällikkö Amazon Web Services -palvelussa. Hän on ML-harrastaja ja keskittyy no-code/low-code AI/ML-tuotteiden rakentamiseen. Hän pyrkii valtuuttamaan muut lahjakkaat, tekniset ihmiset rakentamaan mahtavia ohjelmistoja.