Az Amazon SageMaker JumpStart megoldásaiban a gépi tanulás révén teljes körűen oldja meg az üzleti problémákat

Amazon SageMaker JumpStart előre betanított, nyílt forráskódú modelleket kínál számos problématípushoz, hogy segítsen a gépi tanulás (ML) elkezdésében. A JumpStart megoldássablonokat is kínál, amelyek infrastruktúrát állítanak be a gyakori felhasználási esetekhez, valamint futtatható példajegyzetfüzeteket az ML-hez Amazon SageMaker.

Üzleti felhasználóként a következőket teheti a JumpStart megoldásokkal:

• Fedezze fel a megoldásokat, és értékelje, melyek illenek jól az Ön üzleti igényeihez.
• Indítsa el a megoldásokat egyetlen kattintással Amazon SageMaker Studio. Ezzel elindít egy AWS felhőképződés sablon a szükséges erőforrások létrehozásához.
• Módosítsa a megoldást igényeinek megfelelően, hozzáféréssel a mögöttes notebook- és modelleszközökhöz.
• Ha végzett, törölje a megszerzett erőforrásokat.

Ez a bejegyzés arra az öt ML-megoldásra összpontosít, amelyeket nemrégiben adtak hozzá öt különböző üzleti kihívás kezelésére. Jelen pillanatban a JumpStart 23 üzleti megoldást kínál, a pénzügyi tranzakciók során elkövetett csalások észlelésétől a kézírás felismeréséig. A JumpStarton keresztül kínált megoldások száma rendszeresen növekszik, ahogy egyre több megoldást adnak hozzá.

Megoldás áttekintése

Az öt új megoldás a következő:

• Ár optimalizálás - Testreszabható ML-modelleket kínál, amelyek segítségével optimális döntéseket hozhat a terméke vagy szolgáltatása árának meghatározására vonatkozóan, üzleti céljainak elérése érdekében, például a bevétel, a profit vagy más egyéni mutatók maximalizálása érdekében.
• Madárfajok előrejelzése – Megmutatja, hogyan lehet betanítani és finomhangolni egy tárgyészlelési modellt. Bemutatja a modell hangolását a képzési kép kiegészítésén keresztül, és feltérképezi a pontosság javulását, amely a képzési feladat iterációi (korszakai) során bekövetkezik.
• A tüdőrák túlélési előrejelzése - Megmutatja, hogyan táplálhatja be a 2D és 3D rádiójellemzőket és a páciens demográfiai adatait egy ML algoritmusba, hogy előre jelezze a páciens tüdőrák túlélési esélyeit. Az előrejelzés eredményei segíthetik a szolgáltatókat a megfelelő proaktív intézkedések megtételében.
• Pénzügyi fizetések besorolása – Bemutatja, hogyan lehet betanítani és telepíteni egy ML-modellt a pénzügyi tranzakciók tranzakciós információk alapján történő osztályozására. Ezt a megoldást a csalásfelderítés, a személyre szabás vagy az anomáliák felderítése közbenső lépésként is használhatja.
• Lemorzsolódás előrejelzése a mobiltelefonos ügyfelek számára – Bemutatja, hogyan lehet gyorsan fejleszteni lemorzsolódás-előrejelzési modellt mobilhívás-tranzakciós adatkészlet használatával. Ez egy egyszerű példa azoknak a felhasználóknak, akik még nem ismerik az ML-t.

Előfeltételek

E megoldások használatához győződjön meg arról, hogy olyan végrehajtási szerepkörrel fér hozzá a Studióhoz, amely lehetővé teszi a SageMaker funkciók futtatását. A Studio-on belüli felhasználói szerepköréhez győződjön meg arról, hogy a SageMaker projektek és JumpStart opció be van kapcsolva.

A következő szakaszokban végigmegyünk mind az öt új megoldáson, és részletesen megbeszéljük, hogyan működik, valamint néhány javaslatot teszünk arra vonatkozóan, hogyan használhatja fel saját üzleti igényeire.

Ár optimalizálás

A vállalkozások szeretnek különféle karokat használni a legjobb eredmény elérése érdekében. Például egy termék vagy szolgáltatás ára egy olyan kar, amelyet a vállalkozás irányítani tud. A kérdés az, hogy hogyan döntsük el, milyen áron állítsuk be a terméket vagy szolgáltatást annak érdekében, hogy maximalizáljuk az üzleti célokat, például a profitot vagy a bevételt.

Ez a megoldás testreszabható ML-modelleket kínál, amelyek segítségével optimális döntéseket hozhat a terméke vagy szolgáltatása árának meghatározására vonatkozóan annak érdekében, hogy elérje célját, például a bevétel, a profit vagy más egyéni mutatók maximalizálását. A megoldás ML és ok-okozati következtetési megközelítéseket használ az ár-volumen összefüggések történeti adatokból való megtanulására, és képes valós időben dinamikus árjavaslatokat tenni az egyéni célmutatók optimalizálása érdekében.

A következő képernyőkép a minta bemeneti adatokat mutatja.

A megoldás három részből áll:

• Árrugalmasság becslés – Ezt a kettős ML algoritmus ok-okozati következtetésével becsülik meg
• Mennyiségi előrejelzés – Ezt a Próféta algoritmus segítségével jósoljuk meg
• Ár optimalizálás – Ezt a „mi lenne, ha” szimulációval érik el különböző árforgatókönyveken keresztül

A megoldás a bevétel maximalizálása érdekében a következő napi ajánlott árat biztosítja. Ezen kívül a kimenetek között szerepel a becsült árrugalmasság, amely az ár mennyiségre gyakorolt ​​hatását jelző érték, valamint egy előrejelzési modell, amely képes előre jelezni a következő napi mennyiséget. A következő diagram bemutatja, hogy a számított árrugalmasságot magában foglaló oksági modell sokkal jobban teljesít a mi lenne, ha elemzés során (a viselkedési ártól való nagy eltérésekkel), mint az a prediktív modell, amely a Prophetet használja a mennyiség előrejelzésére idősorok adatai alapján.

Ezt a megoldást a következő felhasználási esetekben alkalmazhatja vállalkozásában:

• Határozza meg az áruk optimális árát egy kiskereskedelmi üzlet számára
• Becsülje meg a kedvezményes kuponok hatását az ügyfelek vásárlásaira
• Megjósolni a különböző ösztönző módszerek hatását bármely vállalkozásban

Madárfajok előrejelzése

Manapság számos számítógépes látás (CV) alkalmazás létezik a vállalkozások számára. Az egyik ilyen alkalmazás az objektumészlelés, ahol egy ML-algoritmus érzékeli egy objektum helyét a képen úgy, hogy határolókeretet rajzol körülötte, és azonosítja az objektum típusát. Az objektumészlelési modell alkalmazásának elsajátítása és annak finomhangolása nagy értékű lehet egy olyan szervezet számára, amelynek önéletrajzi igényei vannak.

Ez a megoldás példát ad arra, hogyan lehet lefordítani a határolódoboz-specifikációkat, amikor képeket biztosít a SageMaker algoritmusnak. Ez a megoldás azt is bemutatja, hogyan lehet javítani egy objektumészlelési modellt vízszintesen elfordított oktatóképek (tükörképek) hozzáadásával.

Egy notebook áll rendelkezésre a tárgyfelismerési kihívásokkal való kísérletezéshez, ha nagy számú osztály van (200 madárfaj). A jegyzetfüzet azt is bemutatja, hogyan térképezheti fel a pontosságjavulásokat, amelyek a képzési munka korszakaiban jelentkeznek. A következő képen a madarak adatkészletéből származó példaképek láthatók.

Ez a megoldás öt lépésből áll:

1. Készítse elő az adatokat, beleértve a letöltést és RecordIO fájl generálás.
2. Tárgyfelismerési modell létrehozása és betanítása.
3. Telepítsen egy végpontot, és értékelje a modell teljesítményét.
4. Hozzon létre és tanítson újra egy objektumészlelési modellt a kibővített adatkészlettel.
5. Telepítsen egy végpontot, és értékelje a kibővített modell teljesítményét.

A következőt kapod kimenetként:

• Tárgyérzékelési eredmények a tesztképhez kötődobozokkal
• Egy betanított tárgyészlelési modell
• Egy betanított objektumészlelési modell egy további kibővített (fordított) adatkészlettel
• Két különálló végpont mindegyik modellből egy-egy üzembe helyezve

A következő diagram a modell javulását mutatja a modell iterációihoz (korszakokhoz) képest a képzés során.

A következő példák két tesztképből származnak.

Ezt a megoldást a következő felhasználási esetekben alkalmazhatja vállalkozásában:

• Tárgyak észlelése szállítószalagon a csomagolóiparban
• Feltétek észlelése egy pizzán
• Olyan ellátási lánc operatív alkalmazásokat valósítson meg, amelyek objektumészlelést foglalnak magukban

A tüdőrák túlélési előrejelzése

A COVID-19 sokkal nagyobb figyelmet fordított a tüdővel kapcsolatos egészségügyi kihívásokra. Ez nagy nyomást gyakorolt ​​a kórházakra, az orvosokra, a nővérekre és a radiológusokra is. Képzeljen el egy lehetőséget, ahol az ML-t hatékony eszközként alkalmazhatja az orvosok támogatására és munkájuk felgyorsítására. Ebben a megoldásban bemutatjuk, hogyan lehet a 2D és 3D radiomikus jellemzőket és a beteg demográfiai adatait betáplálni egy ML algoritmusba, hogy előre jelezzék a páciens tüdőrák túlélési esélyeit. Az előrejelzés eredményei segíthetik a szolgáltatókat a megfelelő proaktív intézkedések megtételében.

Ez a megoldás bemutatja, hogyan lehet méretezhető ML-folyamatot felépíteni a nem kissejtes tüdőrák (NSCLC) radiogenomikai adatkészletéhez, amely RNS-szekvenálási adatokból, klinikai adatokból (az EHR-adatokat tükröző) és orvosi képekből áll. Többféle adat felhasználását gépmodell létrehozásához ún kombinált ML. Ez a megoldás megjósolja a nem kissejtes tüdőrákkal diagnosztizált betegek túlélési kimenetelét.

A következő képen látható egy példa a nem kissejtes tüdőrák (NSCLC) radiogenomikai adatkészlet bemeneti adataira.

Az oldat részeként a teljes RNS-t extraháltuk a daganatszövetből, és RNS szekvenálási technológiával elemeztük. Bár az eredeti adatok több mint 22,000 21 gént tartalmaznak, 10 gént tartunk fenn XNUMX erősen koexpresszált génklaszterből (metagen), amelyeket azonosítottak, validáltak a nyilvánosan elérhető génexpressziós kohorszokban, és korreláltak a prognózissal.

A klinikai feljegyzéseket CSV formátumban tárolják. Minden sor egy páciensnek felel meg, és az oszlopok információkat tartalmaznak a betegekről, beleértve a demográfiai adatokat, a daganat stádiumát és a túlélési állapotot.

A genomikai adatokhoz 21 gént tartunk meg 10 erősen koexpresszált génklaszterből (metagenes), amelyeket azonosítottunk, validáltunk nyilvánosan elérhető génexpressziós kohorszokban, és korreláltak a prognózissal.

Az orvosi képalkotó adatokhoz páciensszintű 3D radiomikus jellemzőket hozunk létre, amelyek megmagyarázzák a CT-vizsgálatokon megfigyelt daganatok méretét, alakját és vizuális jellemzőit. Minden egyes betegvizsgálatnál a következő lépéseket kell végrehajtani:

1. Olvassa el a 2D DICOM szeletfájlokat mind a CT-vizsgálathoz, mind a tumorszegmentációhoz, egyesítse őket 3D kötetekké, és mentse el a köteteket NIfTI formátumban.
2. A CT térfogatát és a tumor szegmentációját igazítsa egymáshoz, hogy a számítást a daganat belsejébe tudjuk összpontosítani.
3. Számítsa ki a tumorrégiót leíró radiomikus jellemzőket a pirradiomikai könyvtár segítségével.
4. Nyolc osztály 120 radiomikus jellemzőjét vonja ki, mint például az intenzitás eloszlásának és egyidejű előfordulásának statisztikai ábrázolása az érdeklődésre számot tartó daganatos régión belül, valamint a daganatot morfológiailag leíró alakalapú mérések.

Ahhoz, hogy egy páciensről egy multimodális nézetet készítsünk a modellképzéshez, három modalitásból egyesítjük a jellemzővektorokat. Ezt követően feldolgozzuk az adatokat. Először is normalizáljuk a független jellemzők körét a funkcióskálázás segítségével. Ezután főkomponens-elemzést (PCA) hajtunk végre a jellemzőken, hogy csökkentsük a dimenziót, és azonosítsuk a leginkább megkülönböztető jellemzőket, amelyek 95%-os eltérést okoznak az adatokban.

Ennek eredményeként a dimenziók 215 jellemzőről 45 fő összetevőre csökkennek, amelyek a felügyelt tanuló jellemzőit jelentik.

A megoldás egy ML-modellt hoz létre, amely előrejelzi az NSCLC-betegek túlélési állapotát (halott vagy élő) valószínűségi formában. A modellen és az előrejelzésen kívül jelentéseket is készítünk a modell magyarázatához. Az orvosi képalkotó csővezeték 3D tüdő-CT-térfogatokat és tumorszegmentációt készít vizualizációs célokra.

Ezt a megoldást egészségügyi és élettudományi felhasználási esetekre is alkalmazhatja.

Pénzügyi fizetések besorolása

Hasznos lehet egy vállalkozás vagy fogyasztó összes pénzügyi tranzakciója, és különféle kategóriákba rendezése. Segítségével a felhasználó megtudhatja, hogy melyik kategóriában mennyit költött, és figyelmeztetést adhat arra is, ha egy adott kategóriában a tranzakciók vagy kiadások váratlanul emelkednek vagy csökkennek.

Ez a megoldás bemutatja, hogyan lehet betanítani és telepíteni egy ML-modellt a pénzügyi tranzakciók tranzakciós információk alapján történő osztályozására. Sok bank ezt szolgáltatásként nyújtja, hogy a végfelhasználói áttekintést kapjanak költési szokásaikról. Ezt a megoldást a csalásfelderítés, a személyre szabás vagy az anomáliák felderítése közbenső lépésként is használhatja. A SageMaker-t használjuk egy XGBoost modell betanításához és üzembe helyezéséhez a szükséges mögöttes infrastruktúrával.

A megoldás bemutatására szolgáló szintetikus adatkészlet a következő tulajdonságokkal rendelkezik:

• tranzakció_kategória – A tranzakció kategóriája, az alábbi 19 lehetőség közül: 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, Homeés Pension and insurances.
• fogadó_azonosító – A fogadó fél azonosítója. Az azonosító 16 számból áll.
• feladó_azonosítója – A küldő fél azonosítója. Az azonosító 16 számból áll.
• összeg – Az átutalt összeg.
• időbélyeg – A tranzakció időbélyege ÉÉÉÉ-HH-NN ÓÓ:PP:SS formátumban.

Az adatkészlet első öt megfigyelése a következő:

Ehhez a megoldáshoz az XGBoostot használjuk, amely egy népszerű és hatékony nyílt forráskódú megvalósítása a gradiens-növelt fák algoritmusának. A gradiensnövelés egy felügyelt tanulási algoritmus, amely megpróbálja pontosan megjósolni a célváltozót egyszerűbb és gyengébb modellekből származó becslések együttesének kombinálásával. Megvalósítása a SageMaker beépített algoritmusaiban érhető el.

A pénzügyi fizetési osztályozási megoldás négy lépésből áll:

1. Készítse elő az adatokat.
2. Készítsen szolgáltatástárolót.
3. Hozzon létre és tanítson XGBoost modellt.
4. Telepítsen egy végpontot, és értékelje a modell teljesítményét.

A következő kimenetet kapjuk:

• Egy betanított XGBoost modell a példaadatkészletünk alapján
• Egy SageMaker-végpont, amely megjósolja a tranzakció kategóriáját

A megoldás futtatása után a következőhöz hasonló osztályozási jelentésnek kell megjelennie.

Vállalkozásának lehetséges alkalmazásai a következők:

• Különféle pénzügyi alkalmazások a lakossági és befektetési banki szolgáltatásokban
• Amikor a tranzakciókat bármilyen felhasználási esetben (nem csak pénzügyi) be kell sorolni

Lemorzsolódás előrejelzése mobiltelefonos ügyfelek számára

Az ügyfelek lemorzsolódásának előrejelzése nagyon gyakori üzleti igény. Számos tanulmány kimutatta, hogy egy meglévő ügyfél megtartásának költsége sokkal kevesebb, mint egy új ügyfél megszerzése. A kihívás gyakran abból adódik, hogy a vállalkozások nehezen tudják megérteni, hogy az ügyfél miért zúg, vagy olyan modellt építenek fel, amely előre jelzi a lemorzsolódást.

Ebben a példában az ML-ben újonc felhasználók megtapasztalhatják, hogyan lehet gyorsan kifejleszteni egy lemorzsolódás-előrejelzési modellt egy mobilhívás-tranzakciós adatkészlet segítségével. Ez a megoldás a SageMaker segítségével betanítja és telepíti az XGBoost-modellt egy ügyfélprofil-adatkészletre annak előrejelzésére, hogy az ügyfél valószínűleg elhagyja-e a mobiltelefon-szolgáltatót.

A megoldás által használt adatkészlet nyilvánosan elérhető, és Daniel T. Larose Discovering Knowledge in Data című könyvében szerepel. A szerző a Kaliforniai Egyetem Irvine Machine Learning Datasets Repositoryjának tulajdonítja.

Ez az adatkészlet a következő 21 attribútumot használja egy ismeretlen amerikai mobilszolgáltató ügyfelének profiljának leírására.

• Állam: az Egyesült Államok állama, amelyben az ügyfél lakik, kétbetűs rövidítéssel jelezve; például OH vagy NJ
• Fiók hossza: a napok száma, ameddig a fiók aktív volt
• Körzetszám: a hozzá tartozó ügyfél telefonszámának háromjegyű körzetszáma
• Telefon: a fennmaradó hétjegyű telefonszám
• Nemzetközi híváscsomag: van-e az ügyfélnek nemzetközi híváscsomagja: igen/nem
• VMail terv: rendelkezik-e az ügyfél hangposta funkcióval: igen/nem
• VMail Message: a hangposta üzenetek átlagos száma havonta
• Napi percek: a nap folyamán felhasznált hívási percek teljes száma
• Napi hívások: a nap folyamán kezdeményezett hívások teljes száma
• Napi díj: a nappali hívások számlázott költsége
• Eve Mins, Eve Calls, Eve Charge: az este folyamán kezdeményezett hívások számlázott költsége
• Éjszakai percek, éjszakai hívások, éjszakai díj: az éjszakai hívások számlázott költsége
• Intl Mins, Intl Calls, Intl Charge: a nemzetközi hívások számlázott költsége
• CustServ hívások: az Ügyfélszolgálat felé indított hívások száma
• Lemorzsolódás?: az ügyfél elhagyta-e a szolgáltatást: igaz/hamis

Ez a megoldás három szakaszból áll:

1. Készítse elő az adatokat.
2. Hozzon létre és tanítson XGBoost modellt.
3. Telepítsen egy végpontot, és értékelje a modell teljesítményét.

A következő kimenetet kapjuk:

• Egy betanított XGBoost-modell, amely a példaadatkészletünkön alapul a felhasználói lemorzsolódás előrejelzésére
• A SageMaker végpont, amely képes előre jelezni a felhasználói lemorzsolódást

Ez a modell segít megbecsülni, hogy az 5,000 mobiltelefon-ügyfél közül valószínűleg hányan hagyják fel jelenlegi mobiltelefon-szolgáltatójuk használatát.

A következő diagram a lemorzsolódás valószínűségi eloszlását mutatja a modell kimeneteként.

Ezt a következő felhasználási esetekben alkalmazhatja vállalkozására:

• Jósolja meg az ügyfelek lemorzsolódását saját vállalkozásában
• Osztályozza, hogy mely ügyfelek nyithatják meg marketinges e-mailjeit, és kik nem (bináris besorolás)
• Megjósolni, hogy mely hallgatók esnek ki valószínűleg egy kurzusból

Tisztítsa meg az erőforrásokat

Miután befejezte a megoldás futtatását a JumpStartban, mindenképpen válasszon Törölje az összes erőforrást így a folyamat során létrehozott összes erőforrás törlődik, és a számlázás leáll.

Összegzésként

Ez a bejegyzés bemutatta, hogyan lehet különféle üzleti problémákat megoldani az ML alkalmazásával, JumpStart megoldások alapján. Bár ez a bejegyzés a JumpStarthoz nemrég hozzáadott öt új megoldásra összpontosított, összesen 23 megoldás áll rendelkezésre. Javasoljuk, hogy jelentkezzen be a Stúdióba, és nézze meg a JumpStart megoldásokat, és kezdjen el azonnali értéket levonni belőlük. További információkért lásd: Amazon SageMaker Studio és a SageMaker JumpStart.

Megjegyzés: Ha nem látja a fenti öt megoldás mindegyikét az AWS-régió JumpStart konzoljában, várjon egy hetet, és ellenőrizze újra. Fokozatosan adjuk ki őket különböző régiókba.

---

A szerzőkről

Dr. Raju Penmatcha az AWS mesterséges intelligencia-platformjainak AI/ML-specialista megoldásainak építésze. A SageMaker alacsony kódú/kód nélküli szolgáltatáscsomagján dolgozik, amely segít az ügyfeleknek gépi tanulási modellek és megoldások könnyű elkészítésében és üzembe helyezésében. Amikor nem segít az ügyfeleknek, szeret új helyekre utazni.

Manan Shah az Amazon Web Services szoftverfejlesztési menedzsere. Az ML rajongója, és a kód nélküli/alacsony kódú AI/ML termékek készítésére összpontosít. Arra törekszik, hogy más tehetséges, technikás embereket képessé tegyen nagyszerű szoftverek készítésére.