Kehittäjän tuottavuuden lisääminen: Miten Deloitte käyttää Amazon SageMaker Canvaa ilman koodia/low-code-koneoppimista | Amazon Web Services

Kyky rakentaa ja ottaa nopeasti käyttöön koneoppimismalleja (ML) on tulossa yhä tärkeämmäksi nykypäivän datavetoisessa maailmassa. ML-mallien rakentaminen vaatii kuitenkin paljon aikaa, vaivaa ja erikoisosaamista. Tietojen keräämisestä ja puhdistamisesta ominaisuuksien suunnitteluun, mallin rakentamiseen, viritykseen ja käyttöönottoon, ML-projektit vievät usein kuukausia, ennen kuin kehittäjät valmistuvat. Ja kokeneita datatieteilijöitä voi olla vaikea löytää.

Tässä AWS-paketista, joka sisältää matalan koodin ja ei-koodia ML-palveluita, tulee olennainen työkalu. Vain muutamalla napsautuksella Amazon SageMaker Canvas, voit hyödyntää ML:n tehoa ilman, että sinun tarvitsee kirjoittaa mitään koodia.

Strategisena järjestelmäintegraattorina, jolla on syvällinen ML-kokemus, Deloitte käyttää AWS:n kooditonta ja matalakoodia sisältäviä ML-työkaluja rakentaakseen ja ottaakseen tehokkaasti käyttöön ML-malleja Deloitten asiakkaille ja sisäiselle omaisuudelle. Näiden työkalujen avulla Deloitte voi kehittää ML-ratkaisuja ilman, että malleja ja putkia tarvitsee koodata käsin. Tämä voi nopeuttaa projektien toimitusaikatauluja ja antaa Deloittelle mahdollisuuden ottaa enemmän asiakastöitä.

Seuraavassa on joitakin erityisiä syitä, miksi Deloitte käyttää näitä työkaluja:

• Helppokäyttöisyys muille kuin ohjelmoijille – Koodittomat työkalut avaavat ML-mallin rakentamisen muille kuin ohjelmoijille. Tiimin jäsenet, joilla on vain domain-asiantuntemusta ja hyvin vähän koodaustaitoja, voivat kehittää ML-malleja.
• Uuden teknologian nopea käyttöönotto – Käyttövalmiiden mallien ja AutoML:n saatavuus ja jatkuva parantaminen auttaa varmistamaan, että käyttäjät käyttävät jatkuvasti huippuluokan teknologiaa.
• Kustannustehokasta kehitystä – Koodittomat työkalut auttavat vähentämään ML-mallin kehittämiseen kuluvaa aikaa ja kustannuksia, mikä tekee siitä helpommin asiakkaiden käytettävissä, mikä voi auttaa heitä saavuttamaan paremman sijoitetun pääoman tuoton.

Lisäksi nämä työkalut tarjoavat kattavan ratkaisun nopeampiin työnkulkuihin, mikä mahdollistaa seuraavat:

• Nopeampi tietojen valmistelu – SageMaker Canvasissa on yli 300 sisäänrakennettua muunnosa ja kyky käyttää luonnollista kieltä, joka voi nopeuttaa tietojen valmistelua ja tietojen valmistamista mallinrakennusta varten.
• Nopeampi mallin rakentaminen – SageMaker Canvas tarjoaa käyttövalmiita malleja tai Amazon AutoML tekniikka, jonka avulla voit rakentaa mukautettuja malleja yritystietoihin muutamalla napsautuksella. Tämä nopeuttaa prosessia verrattuna mallien koodaukseen alusta alkaen.
• Helpompi käyttöönotto – SageMaker Canvas tarjoaa mahdollisuuden ottaa käyttöön tuotantovalmiita malleja Amazon Sagmaker päätepiste muutamalla napsautuksella samalla kun rekisteröit sen Amazon SageMaker -mallirekisteri.

Vishveshwara Vasa, Deloitten pilviteknologiajohtaja, sanoo:

"AWS:n koodittomien ML-palvelujen, kuten SageMaker Canvasin ja SageMaker Data Wranglerin, avulla me Deloitte Consultingissa olemme saaneet aikaan uusia tehokkuuksia, jotka ovat lisänneet kehitysnopeutta ja käyttöönoton tuottavuutta 30–40 % asiakaskohtaisissa ja sisäisissä projekteissamme."

Tässä viestissä esittelemme SageMaker Canvasin avulla täydellisen ML-mallin rakentamisen ilman koodia näyttämällä, kuinka voit rakentaa luokittelumallin sen ennustamiseksi, jos asiakas laiminlyö lainan. Ennakoimalla lainojen maksuhäiriöt tarkemmin malli voi auttaa finanssipalveluyritystä hallitsemaan riskejä, hinnoittelemaan lainoja asianmukaisesti, parantamaan toimintaa, tarjoamaan lisäpalveluita ja saavuttamaan kilpailuetua. Osoitamme, kuinka SageMaker Canvas voi auttaa sinua siirtymään nopeasti raakatiedoista käyttöön otettuun binääriluokittelumalliin lainan maksukyvyttömyyden ennustamista varten.

SageMaker Canvas tarjoaa kattavat tiedonkäsittelyominaisuudet Amazon SageMaker Data Wrangler SageMaker Canvas -työtilassa. Näin voit käydä läpi kaikki tavallisen ML-työnkulun vaiheet tietojen valmistelusta mallin rakentamiseen ja käyttöönottoon yhdellä alustalla.

Tietojen valmistelu on tyypillisesti ML-työnkulun aikaa vievin vaihe. Voit vähentää tietojen valmisteluun käytettyä aikaa SageMaker Canvasin avulla voit valmistella tietosi yli 300 sisäänrakennetun muunnoksen avulla. Vaihtoehtoisesti voit kirjoittaa luonnollisen kielen kehotteita, kuten "pudota sarakkeen c rivit, jotka ovat poikkeavia", ja sinulle esitetään tässä tietojen valmisteluvaiheessa tarvittava koodinpätkä. Voit sitten lisätä tämän tietojen valmistelutyönkulkuun muutamalla napsautuksella. Näytämme sinulle, kuinka sitä käytetään myös tässä viestissä.

Ratkaisun yleiskatsaus

Seuraava kaavio kuvaa lainan oletusluokitusmallin arkkitehtuuria käyttämällä SageMakerin matalakoodi- ja ei-koodityökaluja.

Alkaen tietojoukosta, jossa on tietoja lainan oletustiedoista Amazonin yksinkertainen tallennuspalvelu (Amazon S3), käytämme SageMaker Canvaa saadaksemme tietoa tiedoista. Suoritamme sitten ominaisuussuunnittelua muunnoksien soveltamiseksi, kuten kategoristen ominaisuuksien koodaaminen, tarpeettomien ominaisuuksien poistaminen ja paljon muuta. Seuraavaksi tallennamme puhdistetut tiedot takaisin Amazon S3:een. Luomme puhdistetun tietojoukon avulla luokittelumallin lainojen maksuhäiriöiden ennustamiseen. Sitten meillä on tuotantovalmis malli johtopäätöstä varten.

Edellytykset

Varmista, että seuraavat edellytyksiä ovat valmiit ja että olet ottanut käyttöön Canvas Käyttövalmiit mallit vaihtoehto, kun määrität SageMaker-toimialueen. Jos olet jo määrittänyt verkkotunnuksesi, muokkaa verkkotunnuksesi asetuksia ja mene Kanvas-asetukset jotta Ota käyttöön Canvas-käyttövalmiit mallit vaihtoehto. Lisäksi määritä ja luo SageMaker Canvas -sovellus, pyydä ja ota käyttöön Antrooppinen Claude malli pääsy on Amazonin kallioperä.

aineisto

Käytämme julkista tietojoukkoa alkaen kaggle joka sisältää tietoa rahoituslainoista. Jokainen tietojoukon rivi edustaa yhtä lainaa, ja sarakkeet sisältävät tietoja jokaisesta tapahtumasta. Lataa tämä tietojoukko ja tallenna se valitsemaasi S3-ämpäriin. Seuraavassa taulukossa on lueteltu tietojoukon kentät.

Sarakkeen nimi	Tietotyyppi	Kuvaus
Person_age	Kokonaisluku	Lainan ottaneen henkilön ikä
Person_income	Kokonaisluku	Lainaajan tulot
Person_home_ownership	jono	Asunnon omistusoikeus (oma tai vuokra)
Person_emp_length	Desimaali	Heidän työskentelyvuosiensa lukumäärä
Loan_intent	jono	Lainauksen syy (henkilökohtainen, lääketieteellinen, koulutus ja niin edelleen)
Loan_grade	jono	Lainaluokka (A–E)
Loan_int_rate	Desimaali	Korko
Loan_amnt	Kokonaisluku	Lainan kokonaismäärä
Loan_status	Kokonaisluku	Kohde (olivatko ne oletuksena vai eivät)
Loan_percent_income	Desimaali	Lainan määrä suhteessa tulojen prosenttiin
Cb_person_default_on_file	Kokonaisluku	Aiemmat oletusasetukset (jos sellaisia ​​on)
Cb_person_credit_history_length	jono	Heidän luottohistoriansa pituus

Yksinkertaista tietojen valmistelu SageMaker Canvasilla

Tietojen valmistelu voi viedä jopa 80 % ML-projektien vaivannäöstä. Asianmukainen tietojen valmistelu johtaa parempaan mallin suorituskykyyn ja tarkempiin ennusteisiin. SageMaker Canvas mahdollistaa tietojen interaktiivisen tutkimisen, muuntamisen ja valmistelun kirjoittamatta SQL- tai Python-koodia.

Valmistele tietosi suorittamalla seuraavat vaiheet:

1. Valitse SageMaker Canvas -konsolista Tietojen valmistelu navigointipaneelissa.
2. On luoda valikosta, valitse Asiakirja.
3. varten Tietojoukon nimi, kirjoita tietojoukolle nimi.
4. Valita luoda.
   
5. Valitse tietolähteeksi Amazon S3 ja liitä se tietojoukkoon.
6. Kun tietojoukko on ladattu, luo tietovirta kyseisellä tietojoukolla.
   
7. Vaihda analyysit-välilehteen ja luo a Data Quality and Insights -raportti.

Tämä on suositeltava vaihe syötetietojoukon laadun analysoimiseksi. Tämän raportin tulos tuottaa välittömiä ML-käyttöisiä oivalluksia, kuten tietojen vinoutumista, tietojen kaksoiskappaleita, puuttuvia arvoja ja paljon muuta. Seuraavassa kuvakaappauksessa on esimerkki lainatietojoukon luodusta raportista.

Luomalla nämä oivallukset puolestasi, SageMaker Canvas tarjoaa sinulle joukon tiedoissa olevia ongelmia, jotka vaativat korjausta tietojen valmisteluvaiheessa. Jotta voit valita kaksi SageMaker Canvasin tunnistamaa ongelmaa, sinun on koodattava kategorialliset ominaisuudet ja poistettava päällekkäiset rivit, jotta mallisi laatu on korkea. Voit tehdä molemmat nämä ja paljon muuta visuaalisessa työnkulussa SageMaker Canvasin avulla.

1. Ensin yksi-hot koodaa loan_intent, loan_gradeja person_home_ownership
2. Voit pudottaa cb_person_cred_history_length -sarakkeessa, koska tällä sarakkeella on pienin ennusteteho, kuten Data Quality and Insights -raportissa näkyy.
   
   SageMaker Canvas lisäsi äskettäin a Keskustele tietojen kanssa vaihtoehto. Tämä ominaisuus käyttää perusmallien tehoa luonnollisen kielen kyselyjen tulkitsemiseen ja Python-pohjaisen koodin luomiseen ominaisuussuunnittelumuunnosten soveltamiseksi. Tämä ominaisuus on peräisin Amazon Bedrockista, ja se voidaan määrittää toimimaan kokonaan VPC:ssäsi, jotta tiedot eivät koskaan poistu ympäristöstäsi.
3. Voit käyttää tätä ominaisuutta päällekkäisten rivien poistamiseen valitsemalla plusmerkin vieressä Pudota sarake muunna ja valitse sitten Keskustele tietojen kanssa.
   
4. Kirjoita kyselysi luonnollisella kielellä (esimerkiksi "Poista päällekkäiset rivit tietojoukosta").
5. Tarkista luotu muunnos ja valitse Lisää vaiheisiin lisätäksesi muunnoksen virtaan.
   
6. Vie lopuksi näiden muunnosten tulos Amazon S3:een tai valinnaisesti Amazon SageMaker -ominaisuuskauppa käyttää näitä ominaisuuksia useissa projekteissa.

Voit myös lisätä toisen vaiheen luodaksesi Amazon S3 -kohteen tietojoukolle skaalataksesi työnkulkua suurelle tietojoukolle. Seuraava kaavio näyttää SageMaker Canvas -tietovirran visuaalisten muunnosten lisäämisen jälkeen.

Olet suorittanut koko tietojenkäsittelyn ja ominaisuuksien suunnitteluvaiheen käyttämällä visuaalisia työnkulkuja SageMaker Canvasissa. Tämä auttaa vähentämään aikaa, jonka datasuunnittelija käyttää puhdistukseen ja tietojen valmistukseen mallinkehitystä varten viikoista päiviin. Seuraava askel on rakentaa ML-malli.

Rakenna malli SageMaker Canvasilla

Amazon SageMaker Canvas tarjoaa koodittoman päästä päähän -työnkulun tämän binäärisen luokitusmallin rakentamiseen, analysoimiseen, testaamiseen ja käyttöönottoon. Suorita seuraavat vaiheet:

1. Luo tietojoukko SageMaker Canvasissa.
2. Määritä joko S3-sijainti, jota käytettiin tietojen viemiseen, tai S3-sijainti, joka on SageMaker Canvas -työn kohteena.
   
   Nyt olet valmis rakentamaan mallin.
3. Valita Mallit navigointiruudussa ja valitse Uusi malli.
4. Nimeä malli ja valitse Ennakoiva analyysi mallin tyyppinä.
5. Valitse edellisessä vaiheessa luotu tietojoukko.
   
   Seuraava vaihe on mallityypin määrittäminen.
6. Valitse kohdesarake ja mallin tyyppi määritetään automaattisesti 2 luokan ennuste.
7. Valitse rakennustyyppisi, Vakiorakenne or Nopea rakentaa.
   
   SageMaker Canvas näyttää odotetun rakennusajan heti, kun aloitat mallin rakentamisen. Normaali rakentaminen kestää yleensä 2–4 tuntia; Voit käyttää Quick build -vaihtoehtoa pienemmille tietojoukoille, mikä kestää vain 2–15 minuuttia. Tämän tietyn tietojoukon mallin rakentamisen pitäisi kestää noin 45 minuuttia. SageMaker Canvas pitää sinut ajan tasalla rakennusprosessin edistymisestä.
8. Kun malli on rakennettu, voit tarkastella mallin suorituskykyä.
   
   SageMaker Canvas tarjoaa erilaisia ​​mittareita, kuten tarkkuus, tarkkuus ja F1-pisteet mallin tyypistä riippuen. Seuraava kuvakaappaus näyttää tämän binääriluokitusmallin tarkkuuden ja muutamia muita edistyneitä mittareita.
9. Seuraava askel on tehdä testiennusteita.
   SageMaker Canvasin avulla voit tehdä eräennusteita useille tuloille tai yksittäiselle ennusteelle mallin laadun nopeaksi tarkistamiseksi. Seuraava kuvakaappaus näyttää esimerkkipäätelmän.
   
10. Viimeinen vaihe on koulutetun mallin käyttöönotto.
    SageMaker Canvas ottaa mallin käyttöön SageMaker-päätepisteissä, ja nyt sinulla on tuotantomalli, joka on valmis päätelmiä varten. Seuraavassa kuvakaappauksessa näkyy käyttöön otettu päätepiste.
    

Kun malli on otettu käyttöön, voit kutsua sitä AWS SDK:n tai AWS-komentoriviliitäntä (AWS CLI) tai soita API-kutsuja mihin tahansa valitsemaasi sovellukseen ennustaaksesi luotettavasti mahdollisen lainanottajan riskiä. Lisätietoja mallin testaamisesta on kohdassa Kutsu reaaliaikaisia ​​päätepisteitä.

Puhdistaa

Välttääksesi lisäkuluja, kirjaudu ulos SageMaker Canvasista or poista SageMaker-verkkotunnus joka luotiin. Lisäksi, poista SageMaker-mallin päätepiste ja poista Amazon S3:een ladattu tietojoukko.

Yhteenveto

No-code ML nopeuttaa kehitystä, yksinkertaistaa käyttöönottoa, ei vaadi ohjelmointitaitoja, lisää standardointia ja alentaa kustannuksia. Nämä edut tekivät no-code ML:stä houkuttelevan Deloitten ML-palvelutarjonnan parantamiseksi, ja ne ovat lyhentäneet ML-mallien rakennusaikatauluja 30–40 %.

Deloitte on strateginen globaali järjestelmäintegraattori, jolla on yli 17,000 XNUMX sertifioitua AWS-harjoittajaa ympäri maailmaa. Se jatkaa rimaa kohoamista osallistumalla AWS-kompetenssiohjelmaan 25 osaamista, mukaan lukien koneoppiminen. Ota yhteyttä Deloitteen alkaa käyttää AWS-koodittomia ja matalakoodiratkaisuja yrityksellesi.

---

Tietoja kirjoittajista

Chida Sadayappan johtaa Deloitten Cloud AI/Machine Learning -käytäntöä. Hän tuo vahvan ajatusjohtajuuden kokemuksen toimeksiannoissa ja viihtyy tukeessaan johtavia sidosryhmiä saavuttamaan suorituskyvyn parantamiseen ja modernisointiin liittyviä tavoitteita kaikilla toimialoilla tekoälyn/ML:n avulla. Chida on sarjatekniikan yrittäjä ja innokas yhteisön rakentaja startup- ja kehittäjäekosysteemeissä.

Kuldeep Singh, AWS:n johtava globaali AI/ML-johtaja, jolla on yli 20 vuoden kokemus tekniikasta, yhdistää taitavasti myynti- ja yrittäjyysosaaminen syvään tekoälyn, ML:n ja kyberturvallisuuden ymmärtämiseen. Hän loistaa strategisten maailmanlaajuisten kumppanuuksien luomisessa, muuntavien ratkaisujen ja strategioiden ohjaamisessa eri toimialoilla keskittyen luoviin tekoälyihin ja GSI:hin.

Kasi Muthu on vanhempi kumppaniratkaisuarkkitehti, joka keskittyy dataan ja tekoälyyn/ML:ään Houstonissa, TX:ssä sijaitsevassa AWS:ssä. Hän on intohimoinen auttamaan kumppaneita ja asiakkaita nopeuttamaan pilvitietomatkaansa. Hän on luotettu neuvonantaja tällä alalla, ja hänellä on runsaasti kokemusta skaalautuvien, kestävien ja suorituskykyisten työkuormien suunnittelusta ja rakentamisesta pilvessä. Työn ulkopuolella hän viettää mielellään aikaa perheensä kanssa.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/boosting-developer-productivity-how-deloitte-uses-amazon-sagemaker-canvas-for-no-code-low-code-machine-learning/