Ennek a bejegyzésnek a társszerzője Brian Curry (az OCX Cognition alapítója és termékvezetője) és Sandhya MN (az InfoGain adattudományi vezetője)
OCX Kogníció egy San Francisco Bay Area-i székhelyű startup, amely egy kereskedelmi B2B szoftvert kínál szolgáltatásként (SaaS) Spectrum AI néven. A Spectrum AI egy prediktív (generatív) CX-elemző platform a vállalatok számára. Az OCX megoldásait együttműködve fejlesztik Infogain, az AWS Advanced Tier Partner. Az Infogain az OCX Cognition vállalattal egy integrált termékcsapatként dolgozik, emberközpontú szoftvermérnöki szolgáltatásokat és szakértelmet nyújt a szoftverfejlesztés, mikroszolgáltatások, automatizálás, tárgyak internete (IoT) és mesterséges intelligencia terén.
A Spectrum AI platform egyesíti az ügyfelek hozzáállását az ügyfelek működési adataival, és gépi tanulást (ML) használ, hogy folyamatos betekintést nyerjen a CX-be. Az OCX a Spectrum AI-t AWS-re építette, mert az AWS eszközök széles skáláját, rugalmas számítástechnikát és ML-környezetet kínált, amely lépést tud tartani a változó igényekkel.
Ebben a bejegyzésben megvitatjuk, hogy az OCX Cognition az Infogain és az OCX AWS fiókcsapata támogatásával hogyan javította a végfelhasználói élményt, és csökkentette az értékteremtéshez szükséges időt a Spectrum AI CX-elemzését támogató ML-funkciók automatizálásával és összehangolásával. Használata AWS lépésfunkciók, a AWS Step Functions Data Science SDK Pythonhozés Amazon SageMaker kísérletek, Az OCX Cognition 6 hétről 2 hétre csökkentette az ML modell fejlesztési idejét, és csökkentette az ML modell frissítési idejét 4 napról közel valós időre.
Háttér
A Spectrum AI platformnak több száz különböző generatív CX-pontszámra hangolt modelleket kell készítenie minden ügyfél számára, és ezeket a pontszámokat egyedileg kell kiszámítani több tízezer aktív fiók esetében. Az idő múlásával és az új tapasztalatok gyarapodásával a platformnak frissítenie kell ezeket a pontszámokat az új adatbevitel alapján. Az új pontszámok létrehozása után az OCX és az Infogain kiszámítja az egyes mögöttes működési metrikák relatív hatását az előrejelzésben. Amazon SageMaker egy webalapú integrált fejlesztői környezet (IDE), amely lehetővé teszi ML-modellek építését, betanítását és üzembe helyezését bármilyen felhasználási esetre teljesen felügyelt infrastruktúrával, eszközökkel és munkafolyamatokkal. A SageMakerrel az OCX-Infogain csapata megosztott kódkönyvtárak felhasználásával fejlesztette ki megoldását az egyénileg karbantartott Jupyter notebookokon. Amazon SageMaker Studio.
A probléma: A megoldás méretezése több ügyfél számára
Míg a kezdeti K+F sikeresnek bizonyult, a méretezés kihívást jelentett. Az OCX és az Infogain ML fejlesztése több lépésből állt: jellemzők tervezése, modell betanítás, előrejelzés és elemzések generálása. A modulok kódja több notebookban volt, és ezeknek a notebookoknak a futtatása manuális volt, hangszerelési eszköz nélkül. Az OCX-Infogain csapata minden új ügyfél esetében ügyfelenként 6 hetet fordított a modellfejlesztésre, mivel a könyvtárakat nem lehetett újra felhasználni. A modellfejlesztésre fordított idő miatt az OCX-Infogain csapatának olyan automatizált és skálázható megoldásra volt szüksége, amely egyedülálló platformként működött, egyedi konfigurációkat használva minden ügyfele számára.
A következő architektúra diagram az OCX kezdeti ML modell fejlesztési és frissítési folyamatait mutatja be.
Megoldás áttekintése
Az ML-folyamat egyszerűsítése érdekében az OCX-Infogain csapata az AWS-fiókkal együttműködve kifejlesztett egy egyéni deklaratív ML keretrendszert, amely minden ismétlődő kódot helyettesít. Ez csökkentette az új, alacsony szintű ML kód kifejlesztésének szükségességét. Az új könyvtárak több ügyfél számára is felhasználhatók, ha az adatokat YAML-fájlokon keresztül minden ügyfél számára megfelelően konfigurálják.
Míg ezt a magas szintű kódot kezdetben továbbra is a Studióban fejlesztik Jupyter-jegyzetfüzetek használatával, ezt követően Python (.py fájlok) formátumba konvertálják, és a SageMaker platformot használják Docker-kép létrehozására BYO (hozd el saját magad) tárolókkal. A Docker-képek ezután a következő helyre kerülnek Amazon Elastic Container Registry (Amazon ECR) előkészítő lépésként. Végül a kód a Step Functions segítségével fut le.
Az AWS-fiók csapata a Step Functions Data Science SDK-t és a SageMaker Experiments-t javasolta a funkciók tervezésének, a modellképzésnek és a modellek üzembe helyezésének automatizálására. A Step Functions Data Science SDK-t a lépésfüggvények programozott létrehozására használták. Az OCX-Infogain csapata megtanulta, hogyan használhat olyan funkciókat, mint a Parallel és a MAP a Step Functions-on belül, hogy nagyszámú betanítási és feldolgozási feladatot párhuzamosan irányítson, ami csökkenti a futási időt. Ezt kombinálták a Kísérletekkel, amely elemző eszközként működik, több ML jelöltet és hiperparaméter-hangolási variációkat követ. Ezek a beépített elemzések lehetővé tették az OCX-Infogain csapata számára, hogy futás közben több mutatót is összehasonlítson, és menet közben azonosítsa a legjobban teljesítő modelleket.
A következő architektúra diagram a modellkészítési ciklushoz kifejlesztett MLOps folyamatot mutatja be.
A Step Functions Data Science SDK több modelltanító algoritmus elemzésére és összehasonlítására szolgál. Az állapotgép több modellt futtat párhuzamosan, és minden modellkimenet bejelentkezik a kísérletekbe. A modell betanítása után több kísérlet eredményeit is lekérjük és összehasonlítjuk az SDK segítségével. A következő képernyőképek bemutatják, hogyan választják ki a legjobban teljesítő modellt az egyes szakaszokhoz.
A következők az ML életciklusának magas szintű lépései:
- Az ML-fejlesztők kódjukat a Gitlab-tárhelyen lévő könyvtárakba helyezik, amikor a fejlesztés a Studio-ban befejeződött.
- AWS CodePipeline A megfelelő kód lekérdezésére szolgál a Gitlab adattárból.
- Ezzel a kóddal egy Docker-kép készül, és az Amazon ECR-be kerül a szerver nélküli számítástechnika érdekében.
- A Step Functions lépések futtatására szolgál Amazon SageMaker feldolgozás munkahelyek. Itt több független feladat fut párhuzamosan:
- A szolgáltatás tervezése megtörténik, és a funkciók a szolgáltatástárolóban tárolódnak.
- Modell betanítás fut, több algoritmussal és a hiperparaméterek több kombinációjával a YAML konfigurációs fájl felhasználásával.
- Az edzéslépés funkciót erős párhuzamosságra tervezték. Az egyes utazási szakaszokhoz tartozó modellek párhuzamosan futnak. Ezt a következő diagram mutatja be.
- A modelleredmények ezután naplózásra kerülnek a Kísérletekbe. A legjobban teljesítő modell kiválasztásra kerül, és elküldésre kerül a modellnyilvántartásba.
- Az előrejelzések a legjobban teljesítő modellek felhasználásával készülnek minden egyes általunk generált CX-analitika esetében.
- Elemzések százait állítják elő, majd adják át közzétételre az AWS-en tárolt adattárházban.
Eredmények
Ezzel a megközelítéssel az OCX Cognition automatizálta és felgyorsította az ML feldolgozását. A munkaigényes manuális folyamatok és az erősen ismétlődő fejlesztési terhek lecserélésével az egy vásárlóra jutó költség több mint 60%-kal csökken. Ez azt is lehetővé teszi, hogy az OCX bővítse szoftverüzletét azáltal, hogy megháromszorozza a teljes kapacitást, és megduplázza a kapacitást az ügyfelek egyidejű bevonása érdekében. Az OCX ML-feldolgozásának automatizálása új növekedési lehetőségeket nyit meg az ügyfélszerzés révén. A SageMaker Experiments használata a modellképzés nyomon követésére kritikus fontosságú a használható és a gyártásba kerülő modellek legjobb készletének meghatározásához. Ügyfeleik számára ez az új megoldás nem csupán 8%-os ML-teljesítménynövekedést, hanem 63%-os értéknövelési időt is biztosít. Az új ügyfelek bevonása és a kezdeti modellgeneráció 6 hétről 2 hétre javult. Miután megépült és a helyére került, az OCX elkezdi folyamatosan újragenerálni a CX-analitikát, amint új bemeneti adatok érkeznek az ügyféltől. Ezek a frissítési ciklusok 4 napról közel valós időre javultak
Következtetés
Ebben a bejegyzésben bemutattuk, hogy az OCX Cognition és az Infogain hogyan használta fel a Step Functions-t, a Step Functions Data Science SDK for Python-t és a Sagemaker Experiments-t a Sagemaker Studio-val együttműködve, hogy csökkentse az OCX-InfoGain csapatának értékteremtési idejét a CX-elemző modellek fejlesztése és frissítése során. ügyfeleik számára.
A szolgáltatások használatának megkezdéséhez lásd: Amazon SageMaker, AWS Step Functions Data Science Python SDK, AWS lépésfunkciókés Kezelje a gépi tanulást az Amazon SageMaker Experiments segítségével.
A szerzőkről
Brian Curry jelenleg az OCX Cognition alapítója és termékvezetője, ahol egy gépi tanulási platformot építünk az ügyfelek elemzéséhez. Brian több mint egy évtizedes tapasztalattal rendelkezik felhőmegoldások és tervezés-központú termékszervezetek vezetésében.
Sandhya MN az Infogain része, és az OCX Data Science csapatát vezeti. Tapasztalt szoftverfejlesztési vezető, széles körű tapasztalattal több technológiai és iparági területen. Szenvedélyesen törekszik arra, hogy naprakész legyen a technológiával, és azt használja, hogy üzleti értéket biztosítson az ügyfeleknek.
Prashanth Ganapathy az AWS kis- és középvállalkozási (SMB) szegmensében vezető megoldástervező. Szívesen tanul az AWS AI/ML szolgáltatásairól, és megoldások kidolgozásával segíti ügyfeleit üzleti eredményeik elérésében. A munkán kívül Prashanth szeret fényképezni, utazni és különféle konyhákat kipróbálni.
Sabha Parameswaran az AWS vezető megoldástervezője, aki több mint 20 éves nagy tapasztalattal rendelkezik a vállalati alkalmazások integrációja, mikroszolgáltatások, konténerek és elosztott rendszerek teljesítményhangolása, prototípus-készítés és egyebek terén. Székhelye a San Francisco-öböl térségében található. Az AWS-nél arra összpontosít, hogy segítse az ügyfeleket a felhőalapú utazásukban, és aktívan részt vesz a mikroszolgáltatásokban és a szerver nélküli architektúrában és keretrendszerekben is.
Vaisnavi Ganesan a San Francisco Bay Area-i székhelyű AWS megoldások építésze. Arra összpontosít, hogy segítse a Commercial Segment ügyfeleit a felhőben való utazásukban, és szenvedélyesen rajong a felhő biztonságáért. A munkán kívül Vaishnavi szeret utazni, túrázni és különféle kávépörkölőket kipróbálni.
Ajay Swaminathan az AWS II. fiókkezelője. A Kereskedelmi Szegmens ügyfeleinek szószólója, ügyfelei céljainak megfelelően biztosítja a megfelelő pénzügyi, üzleti innovációs és technikai erőforrásokat. A munkán kívül Ajay szenvedélyes a síelés, a dubstep és a drum and bass zene, valamint a kosárlabda iránt.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/how-ocx-cognition-reduced-ml-model-development-time-from-weeks-to-days-and-model-update-time-from-days-to-real-time-using-aws-step-functions-and-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 100
- 20
- 20 év
- 7
- a
- Rólunk
- felgyorsult
- összhangban
- Fiók
- Fiókok
- felhalmozásra
- beszerzés
- át
- aktív
- aktívan
- fejlett
- szószóló
- Után
- AI
- AI platform
- AI / ML
- algoritmusok
- Minden termék
- lehetővé teszi, hogy
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- összeg
- an
- Analitikus
- analitika
- elemez
- és a
- bármilyen
- Alkalmazás
- megközelítés
- megfelelő
- megfelelő
- építészet
- VANNAK
- TERÜLET
- érkezik
- mesterséges
- mesterséges intelligencia
- AS
- At
- automatizált
- Automatizált
- automatizálás
- Automatizálás
- AWS
- AWS lépésfunkciók
- B2B
- alapján
- Kosárlabda
- basszus
- öböl
- BE
- mert
- BEST
- Brian
- hoz
- épít
- Épület
- épült
- beépített
- üzleti
- de
- by
- hívott
- jelöltek
- Kapacitás
- eset
- kihívás
- ellenőrizze
- felhő
- kód
- Kávé
- együttműködés
- kombinációk
- kombinált
- kombájnok
- kereskedelmi
- összehasonlítani
- képest
- teljes
- Kiszámít
- számítástechnika
- Configuration
- Konténer
- Konténerek
- tovább
- folyamatos
- folyamatosan
- átalakított
- Költség
- tudott
- teremtés
- kritikai
- Jelenleg
- szokás
- vevő
- Vásárlói élmény
- Ügyfelek
- CX
- ciklus
- ciklusok
- dátum
- adat-tudomány
- találka
- Nap
- évtized
- mély
- szállít
- telepíteni
- bevetés
- tervezett
- Fejleszt
- fejlett
- fejlesztők
- fejlesztése
- Fejlesztés
- különböző
- megvitatni
- megosztott
- elosztott rendszerek
- Dokkmunkás
- domainek
- megduplázásával
- két
- minden
- végén
- Mérnöki
- Vállalkozás
- Vállalatok
- Környezet
- Minden
- fejlődik
- tapasztalat
- Tapasztalatok
- kísérletek
- szakvélemény
- kiterjedt
- Átfogó tapasztalat
- Funkció
- Jellemzők
- filé
- Fájlok
- Végül
- pénzügyi
- összpontosított
- következő
- A
- alapító
- Keretrendszer
- keretek
- Francisco
- ból ből
- teljesen
- funkció
- funkciók
- generál
- generált
- generáció
- nemző
- kap
- Célok
- Nő
- Legyen
- he
- fej
- nehéz
- segít
- itt
- magas szinten
- nagyon
- övé
- házigazdája
- Hogyan
- How To
- HTML
- http
- HTTPS
- Több száz
- Hiperparaméter hangolás
- azonosítani
- azonosító
- ii
- kép
- képek
- Hatás
- javított
- javulás
- in
- független
- Egyénileg
- ipar
- Infrastruktúra
- kezdetben
- alapvetően
- Innováció
- bemenet
- bemenet
- Insight
- integrált
- integráció
- Intelligencia
- Internet
- internet a dolgok
- bele
- részt
- tárgyak internete
- IT
- Állások
- utazás
- jpg
- Tart
- nagy
- vezet
- vezető
- vezető
- vezetékek
- tanult
- tanulás
- könyvtárak
- életciklus
- mint
- bejelentkezve
- gép
- gépi tanulás
- készült
- sikerült
- menedzser
- kézikönyv
- térkép
- közepes
- Találkozik
- metrikus
- Metrics
- microservices
- ML
- MLOps
- modell
- modellek
- Modulok
- több
- többszörös
- zene
- Szükség
- szükséges
- igények
- Új
- új megoldás
- nem
- szám
- of
- kedvezmény
- felajánlott
- felajánlás
- on
- Beszállás
- egyszer
- csak
- hajtású
- operatív
- hangszerelés
- szervezetek
- ki
- eredmények
- teljesítmény
- kívül
- felett
- átfogó
- saját
- Béke
- Párhuzamos
- rész
- partner
- bérletek
- szenvedélyes
- teljesítmény
- előadó
- fényképezés
- csővezeték
- Hely
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- állás
- potenciális
- előrejelzés
- előkészített
- Probléma
- folyamat
- Folyamatok
- feldolgozás
- gyárt
- Készült
- Termékek
- Termelés
- Termékek
- prototípus
- bizonyított
- biztosít
- amely
- A megjelenés
- Nyomja
- meglökött
- Piton
- K + F
- hatótávolság
- igazi
- real-time
- ajánlott
- csökkenteni
- Csökkent
- csökkenti
- iktató hivatal
- ismétlő
- cserélni
- raktár
- Tudástár
- Eredmények
- jobb
- futás
- futás
- SaaS
- sagemaker
- San
- San Francisco
- skálázható
- Skála
- skálázás
- Tudomány
- screenshotok
- sdk
- fűszerezett
- biztonság
- részes
- kiválasztott
- idősebb
- vagy szerver
- szolgáltatás
- Szolgáltatások
- készlet
- számos
- megosztott
- ő
- előadás
- kimutatta,
- Műsorok
- egyszerűsítése
- egyedülálló
- kicsi
- SMB
- szoftver
- szoftver mint szolgáltatás
- szoftverfejlesztés
- szoftverfejlesztés
- megoldások
- Megoldások
- Spektrum
- költött
- Színpad
- kezdődött
- indítás
- Állami
- Lépés
- Lépései
- tárolni
- memorizált
- stúdió
- sikeres
- támogatás
- Támogatott
- Systems
- Vesz
- feladatok
- csapat
- Műszaki
- Technologies
- Technológia
- tíz
- mint
- hogy
- A
- Az állam
- azok
- Őket
- akkor
- Ezek
- dolgok
- ezt
- ezer
- Keresztül
- tier
- idő
- nak nek
- szerszám
- szerszámok
- vágány
- Csomagkövetés
- Vonat
- Képzések
- utazás
- Utazó
- megháromszorozza
- mögöttes
- egyedi
- egyedileg
- kinyitja
- Frissítések
- frissítése
- használ
- használati eset
- használt
- segítségével
- hasznosított
- kihasználva
- érték
- különféle
- volt
- we
- háló
- webes szolgáltatások
- web-alapú
- Hetek
- amikor
- ami
- széles
- Széleskörű
- val vel
- belül
- Munka
- dolgozott
- munkafolyamatok
- művek
- lenne
- yaml
- év
- te
- A te
- zephyrnet