Comment Searchmetrics utilise Amazon SageMaker pour trouver automatiquement des mots clés pertinents et rendre ses analystes humains 20 % plus rapides

Republié par Platon

Suiveurs: 0

Searchmetrics est un fournisseur mondial de données de recherche, de logiciels et de solutions de conseil, aidant les clients à transformer les données de recherche en informations commerciales uniques. À ce jour, Searchmetrics a aidé plus de 1,000 XNUMX entreprises telles que McKinsey & Company, Lowe's et AXA à trouver un avantage dans le paysage de recherche hyper-concurrentiel.

En 2021, Searchmetrics s'est tourné vers AWS pour l'aider à utiliser l'intelligence artificielle (IA) afin d'améliorer encore ses capacités d'analyse des recherches.

Dans cet article, nous expliquons comment Searchmetrics a construit une solution d'IA qui a augmenté l'efficacité de sa main-d'œuvre humaine de 20 % en trouvant automatiquement des mots-clés de recherche pertinents pour un sujet donné, à l'aide de Amazon Sage Maker et son intégration native avec Hugging Face.

Comment Searchmetrics utilise Amazon SageMaker pour trouver automatiquement des mots-clés pertinents et rendre ses analystes humains 20 % plus rapides PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

« Amazon SageMaker a facilité l'évaluation et l'intégration des modèles NLP de pointe de Hugging Face dans nos systèmes.
La solution que nous avons construite nous rend plus efficaces et améliore considérablement notre expérience utilisateur.– Ioannis Foukarakis, responsable des données, Searchmetrics

Utilisation de l'IA pour identifier la pertinence à partir d'une liste de mots-clés

Un élément clé de l'offre d'informations de Searchmetrics est sa capacité à identifier les mots clés de recherche les plus pertinents pour un sujet ou une intention de recherche donnés.

Pour ce faire, Searchmetrics dispose d'une équipe d'analystes évaluant la pertinence potentielle de certains mots clés en fonction d'un mot de départ spécifique. Les analystes utilisent un outil interne pour examiner un mot-clé dans un sujet donné et une liste générée de mots-clés potentiellement liés, et ils doivent ensuite sélectionner un ou plusieurs mots-clés liés qui sont pertinents pour ce sujet.

Ce processus manuel de filtrage et de sélection prenait du temps et ralentissait la capacité de Searchmetrics à fournir des informations à ses clients.

Pour améliorer ce processus, Searchmetrics a cherché à créer une solution d'IA qui pourrait utiliser le traitement du langage naturel (NLP) pour comprendre l'intention d'un sujet de recherche donné et classer automatiquement une liste invisible de mots-clés potentiels par pertinence.

Utilisation de SageMaker et de Hugging Face pour créer rapidement des fonctionnalités avancées de PNL

Pour résoudre ce problème, l'équipe d'ingénieurs de Searchmetrics s'est tournée vers SageMaker, une plateforme d'apprentissage automatique (ML) de bout en bout qui aide les développeurs et les scientifiques des données à créer, former et déployer rapidement et facilement des modèles ML.

SageMaker accélère le déploiement des charges de travail ML en simplifiant le processus de création ML. Il fournit un large éventail de fonctionnalités ML en plus d'une infrastructure entièrement gérée. Cela supprime les charges lourdes indifférenciées qui entravent trop souvent le développement du ML.

Searchmetrics a choisi SageMaker en raison de la gamme complète de fonctionnalités fournies à chaque étape du processus de développement ML :

SageMaker ordinateurs portables a permis à l'équipe Searchmetrics de lancer rapidement des environnements de développement ML entièrement gérés, d'effectuer un prétraitement des données et d'expérimenter différentes approches
Les transformation par lots les capacités de SageMaker ont permis à Searchmetrics de traiter efficacement ses charges utiles d'inférence en masse, ainsi que de s'intégrer facilement dans son service Web existant en production

Searchmetrics était également particulièrement intéressé par l'intégration native de SageMaker avec Étreindre le visage, une startup PNL passionnante qui offre un accès facile à plus de 7,000 XNUMX modèles de langage pré-formés via sa célèbre bibliothèque Transformers.

SageMaker fournit une intégration directe avec Hugging Face via un estimateur dédié à Hugging Face dans le SDK SageMaker. Cela facilite l'exécution des modèles Hugging Face sur l'infrastructure SageMaker entièrement gérée.

Grâce à cette intégration, Searchmetrics a pu tester et expérimenter une gamme de modèles et d'approches différents pour trouver l'approche la plus performante pour leur cas d'utilisation.

La solution finale utilise un pipeline de classification zéro coup pour identifier les mots-clés les plus pertinents. Différents modèles pré-formés et stratégies de requête ont été évalués, avec facebook/bart-large-mnli donnant les résultats les plus prometteurs.

Utilisation d'AWS pour améliorer l'efficacité opérationnelle et trouver de nouvelles opportunités d'innovation

Avec SageMaker et son intégration native avec Hugging Face, Searchmetrics a pu créer, former et déployer une solution NLP capable de comprendre un sujet donné et de classer avec précision une liste inédite de mots-clés en fonction de leur pertinence. L'ensemble d'outils proposé par SageMaker a facilité l'expérimentation et le déploiement.

Lorsqu'elle est intégrée à l'outil interne existant de Searchmetrics, cette capacité d'IA a permis une réduction moyenne de 20 % du temps nécessaire aux analystes humains pour effectuer leur travail. Cela s'est traduit par un débit plus élevé, une expérience utilisateur améliorée et une intégration plus rapide des nouveaux utilisateurs.

Ce succès initial a non seulement amélioré les performances opérationnelles des analystes de recherche de Searchmetrics, mais a également aidé Searchmetrics à tracer une voie plus claire pour déployer des solutions d'automatisation plus complètes utilisant l'IA dans son entreprise.

Ces nouvelles opportunités d'innovation passionnantes aident Searchmetrics à continuer d'améliorer ses capacités d'analyse, et l'aident également à garantir que les clients continuent de garder une longueur d'avance dans le paysage de recherche hyper-concurrentiel.

De plus, Hugging Face et AWS ont annoncé un partenariat plus tôt en 2022 qui facilite encore plus la formation des modèles Hugging Face sur SageMaker. Cette fonctionnalité est disponible via le développement de Hugging Face Conteneurs AWS Deep Learning (DLC). Ces conteneurs incluent Hugging Face Transformers, Tokenizers et la bibliothèque Datasets, qui nous permet d'utiliser ces ressources pour les tâches de formation et d'inférence.

Pour une liste des images DLC disponibles, voir disponible Images de conteneurs d'apprentissage profond, qui sont maintenus et régulièrement mis à jour avec des correctifs de sécurité. Vous pouvez trouver de nombreux exemples sur la façon de former des modèles Hugging Face avec ces DLC et le Kit de développement logiciel Python pour étreindre le visage dans ce qui suit GitHub repo.

Découvrez comment vous pouvez accélérer votre capacité à innover avec l'IA/ML en visitant Premiers pas avec Amazon SageMaker, obtenir un contenu d'apprentissage pratique en examinant le Ressources pour les développeurs Amazon SageMaker, ou en visite Visage étreignant sur Amazon SageMaker.

À propos de l’auteur

Daniel Burque est le responsable européen de l'IA et du ML dans le groupe Private Equity d'AWS. Daniel travaille directement avec les fonds de capital-investissement et leurs sociétés de portefeuille, les aidant à accélérer leur adoption de l'IA et du ML pour améliorer l'innovation et augmenter la valeur de l'entreprise.