Apakah Anda memerlukan bantuan untuk memindahkan perjalanan Machine Learning (ML) organisasi Anda dari percontohan ke produksi? Kamu tidak sendiri. Sebagian besar eksekutif menganggap ML dapat diterapkan pada keputusan bisnis apa pun, tetapi rata-rata hanya setengah dari proyek ML yang berhasil mencapai produksi.
Posting ini menjelaskan cara mengimplementasikan kasus penggunaan ML pertama Anda menggunakan Amazon SageMaker hanya dalam 8–12 minggu dengan memanfaatkan metodologi yang disebut Percepatan Berbasis Pengalaman (EBA).
Tantangan
Pelanggan mungkin menghadapi beberapa tantangan saat mengimplementasikan solusi machine learning (ML).
- Anda mungkin kesulitan untuk menghubungkan upaya teknologi ML Anda dengan proposisi nilai bisnis Anda, sehingga mempersulit kepemimpinan TI dan bisnis untuk membenarkan investasi yang diperlukan untuk mengoperasionalkan model.
- Anda mungkin sering memilih kasus penggunaan bernilai rendah sebagai bukti konsep daripada menyelesaikan masalah bisnis atau pelanggan yang berarti.
- Anda mungkin memiliki kesenjangan dalam keterampilan dan teknologi, termasuk mengoperasionalkan solusi ML, menerapkan layanan ML, dan mengelola proyek ML untuk iterasi yang cepat.
- Memastikan kualitas data, tata kelola, dan keamanan dapat memperlambat atau menghentikan proyek ML.
Ikhtisar solusi: Akselerasi Berbasis Pengalaman Pembelajaran Mesin (ML EBA)
Machine learning EBA adalah lokakarya interaktif berbasis sprint selama 3 hari (disebut a pihak) yang menggunakan SageMaker untuk mempercepat hasil bisnis dengan memandu Anda melalui siklus hidup ML yang dipercepat dan preskriptif. Ini dimulai dengan mengidentifikasi sasaran bisnis dan pembingkaian masalah ML, dan membawa Anda melewati pemrosesan data, pengembangan model, penerapan produksi, dan pemantauan.
Visual berikut mengilustrasikan contoh siklus hidup ML.
Dua skenario pelanggan utama berlaku. Yang pertama adalah dengan menggunakan layanan ML low-code atau no-code seperti Kanvas Amazon SageMaker, Pengatur Data Amazon SageMaker, Autopilot Amazon SageMaker, dan Mulai Lompatan Amazon SageMaker untuk membantu analis data menyiapkan data, membangun model, dan menghasilkan prediksi. Yang kedua adalah dengan menggunakan SageMaker untuk membantu ilmuwan data dan insinyur ML membangun, melatih, dan menerapkan model ML khusus.
Kami menyadari bahwa pelanggan memiliki titik awal yang berbeda. Jika Anda memulai dari awal, seringkali lebih mudah untuk memulai dengan solusi kode rendah atau tanpa kode dan secara bertahap beralih ke pengembangan model kustom. Sebaliknya, jika Anda sudah memiliki infrastruktur ML lokal, Anda dapat langsung memulai dengan menggunakan SageMaker untuk mengatasi tantangan dengan solusi Anda saat ini.
Melalui ML EBA, pakar materi pelajaran AWS ML yang berpengalaman bekerja berdampingan dengan tim lintas fungsi Anda untuk memberikan panduan preskriptif, menghapus penghalang, dan membangun kemampuan organisasi untuk adopsi ML yang berkelanjutan. Pihak ini mengarahkan Anda untuk menyelesaikan masalah bisnis yang menarik, bukan berpikir dalam kerangka data dan lingkungan teknologi ML. Selain itu, pesta membuat Anda mulai mendorong nilai bisnis material dari data yang belum dimanfaatkan.
ML EBA membantu Anda berpikir besar, memulai dari yang kecil, dan menskalakan dengan cepat. Meskipun membuat model ML yang layak minimum dalam 3 hari, ada 4–6 minggu persiapan menjelang EBA. Selain itu, Anda menghabiskan 4–6 minggu pasca-EBA untuk menyempurnakan model dengan rekayasa fitur tambahan dan pengoptimalan hyperparameter sebelum penerapan produksi.
Mari selami seperti apa keseluruhan prosesnya dan bagaimana Anda dapat menggunakan metodologi ML EBA untuk mengatasi pemblokir umum.
Persiapan EBA (4–6 minggu)
Di bagian ini, kami merinci 4–6 minggu persiapan menjelang EBA.
6 minggu sebelum pesta: Pembingkaian masalah dan kualifikasi
Langkah pertama adalah membingkai dan mengkualifikasi masalah ML, yang meliputi hal-hal berikut:
- Mengidentifikasi hasil bisnis yang tepat – Anda harus memiliki pemahaman yang jelas tentang masalah yang Anda coba selesaikan dan hasil yang diinginkan yang ingin Anda capai melalui penggunaan ML. Anda harus dapat mengukur nilai bisnis yang diperoleh terhadap tujuan tertentu dan kriteria keberhasilan. Selanjutnya, Anda harus dapat mengidentifikasi apa yang harus diamati, dan apa yang harus diprediksi. AWS bekerja sama dengan Anda untuk membantu menjawab pertanyaan penting berikut sebelum memulai ML EBA:
- Apakah kasus penggunaan ML memecahkan masalah bisnis yang berarti?
- Apakah cukup penting untuk mendapatkan perhatian pimpinan bisnis?
- Apakah Anda sudah memiliki data untuk menyelesaikan kasus penggunaan ML?
- Bisakah kasus penggunaan pada akhirnya dioperasionalkan menjadi produksi?
- Apakah itu benar-benar membutuhkan ML?
- Apakah ada proses organisasi di tempat untuk bisnis menggunakan output model?
Grafik AI Gunakan Penjelajah Kasus adalah titik awal yang baik untuk menjelajahi kasus penggunaan yang tepat berdasarkan industri, fungsi bisnis, atau hasil bisnis yang diinginkan dan menemukan kisah sukses pelanggan yang relevan.
- sponsor eksekutif – Untuk membantu Anda bergerak lebih cepat daripada secara organik, AWS bertemu dengan sponsor eksekutif untuk mengonfirmasi pembelian, menghilangkan hambatan internal, dan menerapkan sumber daya. Selain itu, AWS dapat menawarkan insentif keuangan untuk membantu mengimbangi biaya kasus penggunaan ML pertama Anda.
- Bertemu dengan Anda di mana Anda berada dalam perjalanan ML Anda – AWS menilai keadaan Anda saat ini—orang, proses, dan teknologi. Kami membantu Anda merinci persyaratan dan ketergantungan; khususnya, tim dan data apa yang diperlukan untuk memulai perjalanan dengan sukses. Selain itu, kami memberikan rekomendasi pada jalur teknis: dimulai dengan layanan kode rendah atau tanpa kode, atau membuat model khusus menggunakan SageMaker.
5 minggu sebelum pesta: Konfigurasi alur kerja dan transisi ke tindakan
Langkah selanjutnya adalah mengidentifikasi tim yang dibutuhkan untuk mendukung upaya EBA. Umumnya, pekerjaan dibagi antara alur kerja berikut:
- Rekayasa cloud (infrastruktur dan keamanan) – Berfokus pada verifikasi bahwa akun dan infrastruktur AWS disiapkan dan aman sebelum EBA. Ini termasuk Identitas AWS dan Manajemen Akses (IAM) atau akses single sign-on (SSO), pagar pengaman, Studio Amazon SageMaker penyediaan, stop/start otomatis untuk menghemat biaya, dan Layanan Penyimpanan Sederhana Amazon (Amazon S3) disiapkan.
- Rekayasa data – Mengidentifikasi sumber data, mengatur penyerapan data dan jalur pipa, dan menyiapkan data menggunakan Data Wrangler.
- Ilmu data – Inti dari ML EBA dan berfokus pada rekayasa fitur, pelatihan model, penyetelan hyperparameter, dan validasi model.
- rekayasa MLOps – Berfokus pada mengotomatiskan saluran pipa DevOps untuk mengoperasionalkan kasus penggunaan ML. Ini mungkin sering menjadi tim yang sama dengan cloud engineering.
- Tim kepemimpinan – Bertanggung jawab untuk mengatur upaya, menghilangkan penghalang, menyelaraskan dengan sponsor eksekutif, dan pada akhirnya bertanggung jawab untuk memberikan hasil yang diharapkan.
Setelah upaya ini selesai, kita harus beralih ke tindakan. Garis waktu dasar standar 4 minggu harus dipatuhi dengan ketat untuk memastikan EBA tetap pada jalurnya. Pakar materi pelajaran AWS yang berpengalaman akan memandu dan melatih Anda melalui persiapan ini menjelang pesta EBA.
4 minggu sebelum pesta: Menginspirasi para pembangun dan menyusun rencana teknis
Setiap pelanggan berbeda; AWS membantu Anda menyusun rencana teknis aktivitas yang akan diselesaikan dalam 4 minggu ke depan menjelang pesta.
AWS mengadakan Immersion Days untuk menginspirasi pembangun Anda dan membangun momentum untuk pesta. Immersion Day adalah lokakarya setengah hari atau sehari penuh dengan paduan presentasi yang tepat, lab langsung, dan Tanya Jawab untuk memperkenalkan layanan atau solusi AWS. AWS akan membantu Anda memilih Hari Perendaman yang tepat dari Katalog Lokakarya AI/ML.
Kami menyadari bahwa setiap pembangun di organisasi Anda berada pada level yang berbeda. Kami menyarankan pembangun Anda menggunakan Panduan peningkatan ML sumber daya atau pelatihan digital atau kelas untuk memulai di mana mereka berada dan membangun keterampilan yang diperlukan untuk pesta.
3 minggu sebelum pesta: Persiapan teknologi berfokus pada cloud dan rekayasa data
Tim cloud dan teknik data Anda harus mengerjakan hal-hal berikut dengan panduan dari AWS:
- Buat akun AWS dengan penyiapan jaringan dan keamanan
- Siapkan Amazon SageMaker Studio
- Buat bucket Amazon S3 untuk menyimpan data
- Identifikasi sumber data (atau produsen)
- Integrasikan sumber eksternal untuk membuang data ke dalam bucket S3
2 minggu sebelum pesta: Persiapan teknologi berfokus pada ilmu data
Tim ilmu data Anda harus mengerjakan hal berikut dengan panduan dari AWS:
1 minggu sebelum pesta: Menilai kesiapan (lanjut/tidak lanjut)
AWS bekerja sama dengan Anda untuk menilai kesiapan lanjut/tidak lanjut untuk aktivitas teknis, keterampilan, dan momentum untuk pesta. Kemudian kami memantapkan ruang lingkup untuk pesta 3 hari, memprioritaskan kemajuan daripada kesempurnaan.
EBA (pesta 3 hari)
Meskipun pihak EBA sendiri disesuaikan untuk organisasi Anda, agenda yang direkomendasikan untuk 3 hari tersebut ditunjukkan pada tabel berikut. Anda akan belajar sambil melakukan selama EBA dengan panduan dari pakar materi pelajaran AWS.
. | hari 1 | hari 2 | hari 3 |
Ilmu Data |
AM: Coba model AutoPilot atau JumpStart. PM: Pilih 1–2 model berdasarkan hasil AutoPilot untuk bereksperimen lebih lanjut. |
Tingkatkan akurasi model:
|
Jaminan kualitas dan validasi dengan data uji. Terapkan ke produksi (titik akhir inferensi). Penyiapan pemantauan (model, penyimpangan data). |
Rekayasa Data | Jelajahi penggunaan toko fitur untuk kasus penggunaan ML di masa mendatang. Buat backlog item untuk tata kelola data dan pagar pembatas terkait. | ||
Rekayasa Cloud/MLOps | Mengevaluasi Solusi kerangka kerja MLOps perpustakaan. Nilai apakah ini dapat digunakan untuk kerangka kerja MLOps berulang. Identifikasi celah dan buat backlog hal-hal untuk meningkatkan pustaka solusi atau buat kerangka kerja MLOps Anda sendiri. | Terapkan item backlog untuk membuat kerangka kerja MLOps berulang. | Terus terapkan item simpanan untuk membuat kerangka kerja MLOps yang dapat diulang. |
Pasca-EBA
ML melibatkan eksperimen ekstensif, dan biasanya tidak mencapai akurasi model yang Anda inginkan selama EBA 3 hari. Oleh karena itu, membuat backlog atau jalur produksi yang terdefinisi dengan baik sangat penting, termasuk meningkatkan akurasi model melalui eksperimen, rekayasa fitur, optimalisasi hyperparameter, dan penerapan produksi. AWS akan terus membantu Anda melalui penerapan produksi.
Kesimpulan
Dengan melengkapi metodologi ML EBA dengan SageMaker, Anda dapat mencapai hasil berikut:
- Pindah dari pilot ke nilai produksi dalam 8-12 minggu – Satukan tim bisnis dan teknologi untuk menerapkan kasus penggunaan ML pertama ke produksi dalam 8-12 minggu.
- Bangun kemampuan organisasi untuk mempercepat dan menskalakan ML di seluruh lini bisnis – ML EBA menginspirasi dan meningkatkan keterampilan pembangun dengan pengalaman kerja nyata. Ini menetapkan model kerja yang sukses (model kolaborasi dan iterasi) untuk mempertahankan dan menskalakan inisiatif ML di seluruh lini bisnis. Ini juga menciptakan aset yang dapat digunakan kembali untuk mempercepat dan menskalakan ML dengan cara yang dapat diulang.
- Kurangi hutang teknis, masalah, dan biaya dari model ML lokal yang sudah ada – Solusi on-premise mungkin memiliki tantangan terkait dengan biaya yang lebih tinggi, ketidakmampuan untuk menskalakan infrastruktur, manajemen infrastruktur yang tidak terdiferensiasi, dan kurangnya rangkaian fitur canggih seperti pengoptimalan hyperparameter, penjelasan untuk prediksi, dan banyak lagi. Adopsi layanan AWS ML seperti SageMaker mengurangi masalah ini.
Hubungi tim akun AWS Anda (Manajer Akun atau Manajer Solusi Pelanggan) untuk mempelajari lebih lanjut dan memulai.
Tentang Penulis
Ritus Shah adalah Manajer Solusi Pelanggan Senior di Amazon Web Services. Dia membantu perusahaan besar AS-Pusat mempercepat transformasi mereka yang mendukung cloud dan membangun solusi cloud-native modern. Dia bersemangat untuk mempercepat perjalanan ML pelanggan. Di waktu luangnya, Ritesh menikmati menghabiskan waktu bersama putrinya, memasak, dan mempelajari sesuatu yang baru, sambil juga menginjili cloud dan ML. Terhubung dengan dia di LinkedIn.
Nicholas Lawson adalah Arsitek Solusi di AWS dan bagian dari grup khusus AIML. Dia memiliki latar belakang dalam rekayasa perangkat lunak dan penelitian AI. Di luar pekerjaan, Nicholas sering membuat kode, mempelajari sesuatu yang baru, atau pertukangan kayu. Terhubung dengan dia di LinkedIn.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/deliver-your-first-ml-use-case-in-8-12-weeks/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 10
- 100
- 7
- a
- Sanggup
- Tentang Kami
- mempercepat
- dipercepat
- mempercepat
- mengakses
- Akun
- Akun
- ketepatan
- Mencapai
- di seluruh
- Tindakan
- kegiatan
- Tambahan
- Selain itu
- alamat
- Adopsi
- maju
- terhadap
- agenda
- di depan
- AI
- ai penelitian
- AIML
- meringankan
- sendirian
- sudah
- juga
- Meskipun
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- Analis
- dan
- dan infrastruktur
- menjawab
- Apa pun
- Mendaftar
- ADALAH
- AS
- Aktiva
- membantu
- terkait
- jaminan
- At
- perhatian
- Otomatis
- mengotomatisasi
- rata-rata
- AWS
- latar belakang
- berdasarkan
- Dasar
- BE
- menjadi
- sebelum
- mulai
- antara
- Besar
- membawa
- membangun
- pembangun
- pembangun
- Bangunan
- bisnis
- tapi
- by
- bernama
- CAN
- kasus
- kasus
- tantangan
- jelas
- awan
- pelatih
- Pengkodean
- kolaborasi
- melakukan
- Umum
- umum
- menarik
- Lengkap
- konsep
- melakukan
- konfigurasi
- Memastikan
- Terhubung
- terus
- terus
- kontras
- Biaya
- Biaya
- membuat
- menciptakan
- membuat
- kriteria
- terbaru
- adat
- pelanggan
- Solusi Pelanggan
- Kesuksesan Pelanggan
- pelanggan
- disesuaikan
- data
- pengolahan data
- ilmu data
- hari
- Hari
- Hutang
- keputusan
- menyampaikan
- mengantarkan
- menyebarkan
- penyebaran
- diinginkan
- rinci
- berkembang
- Pengembangan
- berbeda
- sulit
- langsung
- menemukan
- melakukan
- turun
- penggerak
- membuang
- selama
- EBA
- usaha
- upaya
- Titik akhir
- Teknik
- Insinyur
- mempertinggi
- cukup
- perusahaan
- lingkungan
- penting
- menetapkan
- akhirnya
- Setiap
- contoh
- eksekutif
- eksekutif
- ada
- diharapkan
- pengalaman
- berpengalaman
- eksperimen
- ahli
- menyelidiki
- luas
- luar
- Menghadapi
- FAST
- lebih cepat
- Fitur
- keuangan
- Pertama
- terfokus
- berfokus
- berikut
- Untuk
- FRAME
- Kerangka
- Gratis
- dari
- penuh
- fungsi
- lebih lanjut
- Selanjutnya
- masa depan
- menghasilkan
- mendapatkan
- Anda
- baik
- pemerintahan
- bertahap
- Kelompok
- bimbingan
- membimbing
- Setengah
- hands-on
- Memiliki
- he
- Hati
- membantu
- membantu
- lebih tinggi
- -nya
- berharap
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- http
- HTTPS
- Optimalisasi Hyperparameter
- Penyesuaian Hyperparameter
- mengidentifikasi
- mengenali
- mengidentifikasi
- identitas
- if
- menggambarkan
- melaksanakan
- mengimplementasikan
- penting
- meningkatkan
- in
- ketidakmampuan
- Insentif
- termasuk
- Termasuk
- industri
- Infrastruktur
- inisiatif
- mengilhami
- interaktif
- intern
- ke
- memperkenalkan
- investasi
- masalah
- IT
- item
- perulangan
- iterasi
- Diri
- perjalanan
- Perjalanan
- hanya
- Labs
- Kekurangan
- besar
- Kepemimpinan
- terkemuka
- BELAJAR
- pengetahuan
- Tingkat
- leveraging
- Perpustakaan
- siklus hidup
- 'like'
- baris
- TERLIHAT
- mesin
- Mesin belajar
- membuat
- Membuat
- pengelolaan
- manajer
- pelaksana
- bahan
- hal
- Mungkin..
- berarti
- mengukur
- Memenuhi
- Metodologi
- minimum
- ML
- MLOps
- model
- model
- modern
- Momentum
- pemantauan
- lebih
- paling
- pindah
- perlu
- Perlu
- dibutuhkan
- jaringan
- New
- berikutnya
- target
- hambatan
- of
- menawarkan
- mengimbangi
- sering
- on
- hanya
- menentang
- optimasi
- or
- secara organik
- organisasi
- organisatoris
- Hasil
- keluaran
- di luar
- lebih
- ikhtisar
- sendiri
- Sakit
- bagian
- pihak
- bergairah
- path
- kesempurnaan
- memilih
- pilot
- Tempat
- rencana
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- poin
- Pos
- diprediksi
- Prediksi
- Mempersiapkan
- Mempersiapkan
- presentasi
- primer
- memprioritaskan
- Masalah
- proses
- proses
- pengolahan
- Produsen
- Produksi
- Kemajuan
- memprojeksikan
- bukti
- bukti konsep
- dalil
- memberikan
- Q & A
- memenuhi syarat
- kualitas
- Pertanyaan
- cepat
- agak
- mencapai
- Kesiapan
- nyata
- benar-benar
- mengenali
- sarankan
- rekomendasi
- direkomendasikan
- mengurangi
- terkait
- relevan
- menghapus
- menghapus
- berulang
- membutuhkan
- wajib
- Persyaratan
- membutuhkan
- penelitian
- Sumber
- tanggung jawab
- Hasil
- dapat digunakan kembali
- pembuat bijak
- sama
- Save
- Skala
- skenario
- Ilmu
- ilmuwan
- cakupan
- Kedua
- Bagian
- aman
- keamanan
- senior
- Layanan
- set
- set
- penyiapan
- beberapa
- harus
- ditunjukkan
- sisi
- Sederhana
- tunggal
- keterampilan
- lambat
- kecil
- Perangkat lunak
- rekayasa Perangkat Lunak
- larutan
- Solusi
- MEMECAHKAN
- Memecahkan
- sesuatu
- sumber
- Khusus
- tertentu
- Secara khusus
- kecepatan
- menghabiskan
- Pengeluaran
- membagi
- mensponsori
- Sponsor
- standar
- awal
- mulai
- Mulai
- dimulai
- Langkah
- penyimpanan
- menyimpan
- cerita
- Perjuangan
- subyek
- sukses
- Kisah Sukses
- sukses
- berhasil
- seperti itu
- mendukung
- tabel
- Dibutuhkan
- tim
- tim
- tech
- Teknis
- Teknologi
- Teknologi
- istilah
- uji
- dari
- bahwa
- Grafik
- mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- hal
- berpikir
- Pikir
- ini
- Melalui
- waktu
- waktu
- untuk
- bersama
- jalur
- Pelatihan VE
- Pelatihan
- Transformasi
- transisi
- Akhirnya
- pemahaman
- belum dimanfaatkan
- menggunakan
- gunakan case
- bekas
- menggunakan
- pengesahan
- nilai
- memverifikasi
- giat
- Cara..
- we
- jaringan
- layanan web
- minggu
- minggu
- terdefinisi dengan baik
- Apa
- ketika
- yang
- sementara
- seluruh
- akan
- dengan
- Kerja
- kerja
- bekerja
- bengkel
- Lokakarya
- akan
- Kamu
- Anda
- zephyrnet.dll