Segítségre van szüksége ahhoz, hogy szervezete gépi tanulási (ML) útját a pilotról a termelésre vigye át? Nem vagy egyedül. A legtöbb vezető úgy gondolja, hogy az ML bármilyen üzleti döntésre alkalmazható, de átlagosan az ML projekteknek csak a fele jut el a termelésig.
Ez a bejegyzés leírja, hogyan valósíthatja meg az első ML használati esetet Amazon SageMaker nevű módszertan segítségével mindössze 8–12 hét alatt Élményalapú gyorsítás (EBA).
Kihívások
Az ügyfelek számos kihívással szembesülhetnek a gépi tanulási (ML) megoldások megvalósítása során.
- Előfordulhat, hogy nehézségekbe ütközhet az ML technológiai erőfeszítések összekapcsolása az üzleti értékajánlattal, ami megnehezíti az IT és az üzleti vezetők számára, hogy igazolják a modellek működéséhez szükséges befektetést.
- Gyakran előfordulhat, hogy az alacsony értékű felhasználási eseteket választja a koncepció bizonyítékaként, ahelyett, hogy egy értelmes üzleti vagy ügyfélproblémát megoldana.
- Előfordulhat, hogy hiányosságai vannak a készségekben és a technológiákban, beleértve az ML-megoldások operacionalizálását, az ML-szolgáltatások megvalósítását és az ML-projektek kezelését a gyors iterációk érdekében.
- Az adatminőség, az irányítás és a biztonság biztosítása lelassíthatja vagy leállíthatja az ML projekteket.
Megoldás áttekintése: Machine Learning Experience-based Acceleration (ML EBA)
A gépi tanulás EBA egy 3 napos, sprint alapú, interaktív workshop (úgynevezett a párt), amely a SageMakert használja az üzleti eredmények felgyorsítására azáltal, hogy végigvezeti Önt egy gyorsított és előíró ML életcikluson. Az üzleti célok azonosításával és az ML-probléma kialakításával kezdődik, és végigvezeti az adatfeldolgozáson, a modellfejlesztésen, a termelési telepítésen és a monitorozáson.
A következő kép egy minta ML életciklust szemléltet.
Két elsődleges ügyfél-forgatókönyv érvényes. Az első az alacsony kódú vagy kód nélküli ML szolgáltatások, mint pl Amazon SageMaker Canvas, Amazon SageMaker Data Wrangler, Amazon SageMaker Autopilotés Amazon SageMaker JumpStart hogy segítse az adatelemzőket adatok előkészítésében, modellek felépítésében és előrejelzések készítésében. A második az, hogy a SageMaker segítségével segíti az adattudósokat és az ML-mérnököket egyéni ML-modellek létrehozásában, betanításában és üzembe helyezésében.
Elismerjük, hogy az ügyfelek különböző kiindulási pontokkal rendelkeznek. Ha a nulláról kezdi, gyakran egyszerűbb alacsony kódú vagy kód nélküli megoldásokkal kezdeni, és fokozatosan áttérni az egyedi modellek fejlesztésére. Ezzel szemben, ha rendelkezik már meglévő helyszíni ML infrastruktúrával, akkor közvetlenül kezdheti a SageMaker használatával, hogy enyhítse a jelenlegi megoldással kapcsolatos kihívásokat.
Az ML EBA-n keresztül tapasztalt AWS ML-szakértők dolgoznak együtt az Ön többfunkciós csapatával, hogy előírásszerű útmutatást nyújtsanak, eltávolítsák a blokkolókat, és szervezeti képességeket építsenek ki az ML folyamatos alkalmazásához. Ez a parti egy lenyűgöző üzleti probléma megoldására irányítja Önt, nem pedig az adat- és ML technológiai környezetekben való gondolkodást. Ezen túlmenően a buli elindítja Önt abban, hogy a kiaknázatlan adatokból anyagi üzleti értéket teremtsen.
Az ML EBA segít nagyban gondolkodni, kicsiben kezdeni és gyorsan skálázni. Bár 3 nap alatt létrehoz egy minimálisan életképes ML-modellt, az EBA-ig 4-6 hétig tart a felkészülés. Ezenkívül az EBA után 4–6 hetet kell eltöltenie a modell finomhangolására további funkciók tervezésével és hiperparaméter-optimalizálással az éles üzembe helyezés előtt.
Nézzük meg, hogyan néz ki az egész folyamat, és hogyan használhatja az ML EBA módszertant a gyakori blokkolók kezelésére.
EBA felkészülés (4-6 hét)
Ebben a részben részletezzük az EBA-t megelőző 4–6 hetes felkészülést.
6 héttel a buli előtt: Probléma megfogalmazása és minősítése
Az első lépés az ML probléma keretbe állítása és minősítése, amely a következőket tartalmazza:
- Határozza meg a megfelelő üzleti eredményt – Világosan meg kell értenie a megoldani kívánt problémát és a kívánt eredményt, amelyet az ML használatával szeretne elérni. Képesnek kell lennie arra, hogy az elért üzleti értéket konkrét célok és sikerkritériumok alapján mérje. Ezenkívül tudnia kell azonosítani, hogy mit kell megfigyelni, és mit kell előre jelezni. Az AWS együttműködik Önnel, hogy segítsen megválaszolni a következő fontos kérdéseket, mielőtt elkezdené az ML EBA-t:
- Megold az ML használati eset értelmes üzleti problémát?
- Elég fontos, hogy felkeltsd a cégvezetés figyelmét?
- Vannak már adatok az ML használati eset megoldásához?
- Lehetséges, hogy a használati eset végül üzembe helyezhető a termelésben?
- Tényleg ML kell hozzá?
- Léteznek-e olyan szervezeti folyamatok, amelyek segítségével a vállalkozás felhasználhatja a modell kimenetét?
A AI használata Case Explorer jó kiindulópont a megfelelő felhasználási esetek feltárásához iparág, üzleti funkció vagy kívánt üzleti eredmény szerint, és felfedezni a releváns ügyfelek sikertörténeteit.
- Ügyvezető szponzoráció – Annak érdekében, hogy gyorsabban tudjon haladni, mint amennyit organikusan tenne, az AWS találkozik az ügyvezető szponzorral, hogy megerősítse a nevezést, eltávolítsa a belső akadályokat és lekösse az erőforrásokat. Ezenkívül az AWS pénzügyi ösztönzőket kínálhat az első ML-használat költségeinek ellensúlyozására.
- Találkozunk ott, ahol az ML utazása során tart – Az AWS felméri az Ön jelenlegi állapotát – az embereket, a folyamatokat és a technológiát. Segítünk a követelmények és függőségek részletezésében; konkrétan milyen csapatokra és adatokra van szükség az utazás sikeres megkezdéséhez. Ezen kívül ajánlásokat adunk a technikai útra vonatkozóan: kezdve alacsony kódú vagy kód nélküli szolgáltatásokkal, vagy egyéni modell felépítésével a SageMaker segítségével.
5 héttel a buli előtt: Workstream konfigurálása és átállás a gyakorlatba
A következő lépés az EBA erőfeszítéseinek támogatásához szükséges csapatok azonosítása. Általában a munka a következő munkafolyamatok között oszlik meg:
- Felhőtechnológia (infrastruktúra és biztonság) – Arra összpontosít, hogy ellenőrizze, hogy az AWS-fiókok és -infrastruktúra be van-e állítva és biztonságos-e az EBA előtt. Ebbe beletartozik AWS Identity and Access Management (IAM) vagy egyszeri bejelentkezési (SSO) hozzáférés, biztonsági korlátok, Amazon SageMaker Studio kiépítés, automatikus leállítás/indítás a költségek megtakarítása érdekében, és Amazon egyszerű tárolási szolgáltatás (Amazon S3) beállítva.
- Adattechnika – Azonosítja az adatforrásokat, beállítja az adatfeldolgozást és a folyamatokat, valamint előkészíti az adatokat a Data Wrangler segítségével.
- Adat-tudomány – Az ML EBA szíve, és a jellemzők tervezésére, a modellképzésre, a hiperparaméter-hangolásra és a modellellenőrzésre összpontosít.
- MLOps tervezés – A DevOps folyamatok automatizálására összpontosít az ML használati eset operacionalizálására. Ez gyakran ugyanaz a csapat, mint a felhőmérnökség.
- Vezetői csapat – Felelős az erőfeszítések megszervezéséért, a blokkolók eltávolításáért, a végrehajtó szponzorokhoz való igazodásért, és végső soron felelős a várt eredmények eléréséért.
Ezen erőfeszítések befejezése után cselekednünk kell. Szigorúan be kell tartani a szabványos, 4 hetes kiindulási ütemtervet annak érdekében, hogy az EBA a pályán maradjon. Tapasztalt AWS-szakértők végigvezetik és felkészítik Önt az EBA-partihoz vezető felkészülés során.
4 héttel a buli előtt: Inspirálja az építőket, és készítsen műszaki tervet
Minden ügyfél más; Az AWS segít a bulit megelőző 4 hétben végrehajtandó tevékenységek technikai tervének összeállításában.
Az AWS Merítési Napokat szervez, hogy inspirálja az építőket, és lendületet adjon a bulinak. Az Immersion Day egy fél- vagy egész napos műhelymunka a prezentáció, a gyakorlati laboratóriumok és a kérdések és válaszok megfelelő keverékével az AWS szolgáltatások vagy megoldások bemutatására. Az AWS segít kiválasztani a megfelelő Merítési Napokat a AI/ML Workshops katalógus.
Felismerjük, hogy a szervezetében minden építő más-más szinten áll. Javasoljuk, hogy építtetői használják a ML felfutási útmutató források ill digitális vagy tantermi képzés hogy ott kezdjék, ahol tartanak, és kiépítsék a bulihoz szükséges készségeket.
3 héttel a buli előtt: A technikai felkészülés a felhőre és az adatkezelésre összpontosított
A felhő- és adatmérnöki csapatoknak a következőkön kell dolgozniuk az AWS útmutatása alapján:
- Hozzon létre AWS-fiókokat hálózati és biztonsági beállításokkal
- Állítsa be az Amazon SageMaker Studio-t
- Hozzon létre Amazon S3 vödröket az adatok tárolására
- Az adatforrások (vagy előállítók) azonosítása
- Integráljon külső forrásokat az adatok S3 tárolókba való kiíratásához
2 héttel a buli előtt: A technikai felkészülés az adattudományra összpontosított
Adattudományi csapatának a következőkön kell dolgoznia az AWS útmutatása alapján:
1 héttel a buli előtt: Mérje fel a felkészültséget (go/no-go)
Az AWS Önnel együttműködve felméri a technikai tevékenységekre való go/no-go felkészültséget, a készségeket és a parti lendületét. Ezután megszilárdítjuk a 3 napos buli keretét, előnyben részesítve a haladást a tökéletességgel szemben.
EBA (3 napos buli)
Bár maga az EBA party személyre szabott az Ön szervezetéhez, a 3 napra javasolt napirend a következő táblázatban látható. Az EBA során az AWS-témával foglalkozó szakértők útmutatásával tanulhat meg.
. | Nap 1 | Nap 2 | Nap 3 |
Data Science |
AM: Próbálja ki az AutoPilot vagy a JumpStart modelleket. PM: Válasszon 1–2 modellt az AutoPilot eredményei alapján a további kísérletezéshez. |
A modell pontosságának javítása:
|
Minőségbiztosítás és validálás tesztadatokkal. Üzembe helyezés élesben (következtetési végpont). Monitoring beállítás (modell, adatsodródás). |
Adattechnika | Fedezze fel a funkciótár használatát a jövőbeni ML használati esetekhez. Hozzon létre egy hátralékot az adatkezeléshez és a kapcsolódó védőkorlátokhoz. | ||
Cloud/MLOps Engineering | Értékelje a MLOps keretrendszer megoldás könyvtár. Mérje fel, hogy ez használható-e egy megismételhető MLOps keretrendszerhez. Határozza meg a hiányosságokat, és hozzon létre hátralékot a megoldási könyvtár fejlesztéséhez, vagy hozzon létre saját MLOps keretrendszert. | A hátralékelemek megvalósítása megismételhető MLOps keretrendszer létrehozásához. | Folytassa a hátralékelemek megvalósítását egy megismételhető MLOps keretrendszer létrehozásához. |
Az EBA után
Az ML kiterjedt kísérletezéssel jár, és gyakori, hogy a 3 napos EBA alatt nem éri el a kívánt modellpontosságot. Ezért elengedhetetlen egy jól meghatározott lemaradás vagy a termeléshez vezető útvonal létrehozása, beleértve a modell pontosságának javítását kísérletezéssel, jellemző tervezéssel, hiperparaméter-optimalizálással és éles üzembe helyezéssel. Az AWS továbbra is segít Önnek az éles üzembe helyezés során.
Következtetés
Az ML EBA módszertan SageMakerrel való kiegészítésével a következő eredményeket érheti el:
- 8-12 hét alatt váltson át a pilotról a gyártási értékre – Összehozza az üzleti és technológiai csapatokat, hogy 8-12 héten belül üzembe helyezzék az első ML használati esetet.
- Építsd ki a szervezeti képességet az ML felgyorsításához és skálázásához az üzletágak között – Az ML EBA valódi munkatapasztalattal inspirálja és fejleszti az építőket. Sikeres működési modellt (együttműködési és iterációs modellt) hoz létre az ML kezdeményezések fenntartására és skálázására az üzletágak között. Újrafelhasználható eszközöket is létrehoz az ML megismételhető módon történő felgyorsítása és méretezése érdekében.
- Csökkentse a műszaki adósságot, a fájdalompontokat és a költségeket a meglévő helyszíni ML-modellekből – A helyszíni megoldások kihívásai lehetnek a magasabb költségekkel, az infrastruktúra méretezésének képtelenségével, az infrastruktúra differenciálatlan kezelésével, valamint a fejlett szolgáltatáskészletek hiányával, például a hiperparaméter-optimalizálással, az előrejelzések magyarázhatóságával stb. Az AWS ML szolgáltatások, például a SageMaker alkalmazása csökkenti ezeket a problémákat.
További információért és a kezdéshez forduljon az AWS fiókkezelő csapatához (fiókmenedzser vagy ügyfélmegoldások menedzsere).
A szerzőkről
Ritesh sah az Amazon Web Services vezető ügyfélmegoldás-menedzsere. Segít a nagy amerikai-közép-vállalatoknak felgyorsítani felhőalapú átalakulásukat és modern, felhőalapú natív megoldásokat kiépíteni. Szenvedélyesen törekszik az ügyfelek ML-útjának felgyorsítására. Szabadidejében Ritesh szívesen tölt időt a lányával, főz és tanul valami újat, miközben evangelizálja a felhőt és az ML-t. Kapcsolatba lépni vele LinkedIn.
Nicholaus Lawson az AWS megoldástervezője, és az AIML szakcsoport tagja. Szoftvermérnöki és AI-kutatási háttérrel rendelkezik. A munkán kívül Nicholaus gyakran kódol, valami újat tanul vagy famegmunkál. Kapcsolatba lépni vele LinkedIn.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/deliver-your-first-ml-use-case-in-8-12-weeks/
- :van
- :is
- :nem
- :ahol
- $ UP
- 10
- 100
- 7
- a
- Képes
- Rólunk
- gyorsul
- felgyorsult
- gyorsuló
- hozzáférés
- Fiók
- Fiókok
- pontosság
- Elérése
- át
- Akció
- tevékenységek
- További
- Ezen kívül
- cím
- Örökbefogadás
- fejlett
- ellen
- napirend
- előre
- AI
- ai kutatás
- AIML
- enyhít
- kizárólag
- már
- Is
- Bár
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- Az elemzők
- és a
- és az infrastruktúra
- válasz
- bármilyen
- alkalmaz
- VANNAK
- AS
- Eszközök
- segít
- társult
- biztosíték
- At
- figyelem
- Automatizált
- automatizálás
- átlagos
- AWS
- háttér
- alapján
- kiindulási
- BE
- óta
- előtt
- kezdődik
- között
- Nagy
- hoz
- épít
- építész
- építők
- Épület
- üzleti
- de
- by
- hívott
- TUD
- eset
- esetek
- kihívások
- világos
- felhő
- edző
- Kódolás
- együttműködés
- elkövetni
- Közös
- általában
- kényszerítő
- Befejezett
- koncepció
- magatartások
- Configuration
- megerősít
- Csatlakozás
- folytatódik
- tovább
- kontraszt
- Költség
- kiadások
- teremt
- teremt
- létrehozása
- kritériumok
- Jelenlegi
- szokás
- vevő
- Ügyfélmegoldások
- Ügyfél sikere
- Ügyfelek
- szabott
- dátum
- adatfeldolgozás
- adat-tudomány
- nap
- Nap
- Adósság
- döntés
- szállít
- átadó
- telepíteni
- bevetés
- kívánatos
- részlet
- fejlesztése
- Fejlesztés
- különböző
- nehéz
- közvetlenül
- felfedez
- Ennek
- le-
- vezetés
- kiírása
- alatt
- EBA
- erőfeszítés
- erőfeszítések
- Endpoint
- Mérnöki
- Mérnökök
- növelése
- elég
- Vállalatok
- környezetek
- alapvető
- megállapítja
- végül is
- Minden
- példa
- végrehajtó
- vezetők
- létező
- várható
- tapasztalat
- tapasztalt
- kísérlet
- szakértők
- feltárása
- kiterjedt
- külső
- Arc
- GYORS
- gyorsabb
- Funkció
- pénzügyi
- vezetéknév
- összpontosított
- koncentrál
- következő
- A
- KERET
- Keretrendszer
- Ingyenes
- ból ből
- Tele
- funkció
- további
- Továbbá
- jövő
- generál
- kap
- Célok
- jó
- kormányzás
- fokozatosan
- Csoport
- útmutatást
- útmutató
- fél
- hands-on
- Legyen
- he
- Szív
- segít
- segít
- <p></p>
- övé
- remény
- Hogyan
- How To
- http
- HTTPS
- Hiperparaméter optimalizálás
- Hiperparaméter hangolás
- azonosítja
- azonosítani
- azonosító
- Identitás
- if
- illusztrálja
- végre
- végrehajtási
- fontos
- javuló
- in
- képtelenség
- Ösztönzők
- magában foglalja a
- Beleértve
- ipar
- Infrastruktúra
- kezdeményezések
- inspirál
- interaktív
- belső
- bele
- bevezet
- beruházás
- kérdések
- IT
- tételek
- ismétlés
- iterációk
- maga
- utazás
- Journeys
- éppen
- Labs
- hiány
- nagy
- Vezetés
- vezető
- TANUL
- tanulás
- szint
- erőfölény
- könyvtár
- életciklus
- mint
- vonalak
- MEGJELENÉS
- gép
- gépi tanulás
- csinál
- Gyártás
- vezetés
- menedzser
- kezelése
- anyag
- Anyag
- Lehet..
- jelentőségteljes
- intézkedés
- Megfelel
- Módszertan
- minimum
- ML
- MLOps
- modell
- modellek
- modern
- Lendület
- ellenőrzés
- több
- a legtöbb
- mozog
- elengedhetetlen
- Szükség
- szükséges
- hálózat
- Új
- következő
- célok
- akadályok
- of
- ajánlat
- eltolt
- gyakran
- on
- csak
- ellentétes
- optimalizálás
- or
- szervesen
- szervezet
- szervezeti
- Eredmény
- teljesítmény
- kívül
- felett
- áttekintés
- saját
- Fájdalom
- rész
- párt
- szenvedélyes
- ösvény
- tökéletesség
- vedd
- pilóta
- Hely
- terv
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- pont
- állás
- jósolt
- Tippek
- Készít
- Előkészíti
- bemutatás
- elsődleges
- prioritások
- Probléma
- folyamat
- Folyamatok
- feldolgozás
- Termelők
- Termelés
- Haladás
- projektek
- bizonyíték
- bizonyíték a koncepcióra
- ajánlat
- ad
- Kérdések és válaszok
- jogosultak
- világítás
- Kérdések
- gyors
- Inkább
- el
- Készenlét
- igazi
- tényleg
- elismerik
- ajánl
- ajánlások
- ajánlott
- csökkenti
- összefüggő
- eltávolítása
- eltávolítása
- megismételhető
- szükség
- kötelező
- követelmények
- megköveteli,
- kutatás
- Tudástár
- felelős
- Eredmények
- újrahasználható
- sagemaker
- azonos
- Megtakarítás
- Skála
- forgatókönyvek
- Tudomány
- tudósok
- hatálya
- Második
- Rész
- biztonság
- biztonság
- idősebb
- Szolgáltatások
- készlet
- Szettek
- felépítés
- számos
- kellene
- mutatott
- oldal
- Egyszerű
- egyetlen
- készségek
- lassú
- kicsi
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- SOLVE
- Megoldása
- valami
- Források
- Különlegesség
- különleges
- kifejezetten
- sebesség
- költ
- Költési
- osztott
- szponzor
- Szponzorok
- standard
- kezdet
- kezdődött
- Kezdve
- kezdődik
- Lépés
- tárolás
- tárolni
- TÖRTÉNETEK
- Küzdelem
- tárgy
- siker
- Sikertörténetek
- sikeres
- sikeresen
- ilyen
- támogatás
- táblázat
- tart
- csapat
- csapat
- tech
- Műszaki
- Technologies
- Technológia
- feltételek
- teszt
- mint
- hogy
- A
- azok
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- dolgok
- Szerintem
- Gondolkodás
- ezt
- Keresztül
- idő
- időrendben
- nak nek
- együtt
- vágány
- Vonat
- Képzések
- Átalakítás
- átmenet
- Végül
- megértés
- kiaknázatlan
- használ
- használati eset
- használt
- segítségével
- érvényesítés
- érték
- ellenőrzése
- életképes
- Út..
- we
- háló
- webes szolgáltatások
- hét
- Hetek
- jól definiált
- Mit
- amikor
- ami
- míg
- egész
- lesz
- val vel
- Munka
- dolgozó
- művek
- műhely
- Műhelyek
- lenne
- te
- A te
- zephyrnet