Raggiungi risultati di business time-to-value rapidi con un addestramento del modello ML più rapido utilizzando Amazon SageMaker Canvas

Il machine learning (ML) può aiutare le aziende a prendere decisioni aziendali migliori attraverso l'analisi avanzata. Le aziende di tutti i settori applicano il machine learning a casi d'uso come la previsione dell'abbandono dei clienti, la previsione della domanda, il punteggio di credito, la previsione delle spedizioni in ritardo e il miglioramento della qualità della produzione.

In questo post sul blog, vedremo come Tela di Amazon SageMaker offre tempi di addestramento del modello più rapidi e accurati consentendo la prototipazione e la sperimentazione iterative, che a loro volta accelerano il tempo necessario per generare previsioni migliori.

Addestramento di modelli di machine learning

SageMaker Canvas offre due metodi per addestrare i modelli ML senza scrivere codice: Quick build e Standard build. Entrambi i metodi forniscono un modello ML completamente addestrato che include l'impatto delle colonne per i dati tabulari, con Quick build incentrato su velocità e sperimentazione, mentre Standard build fornisce i massimi livelli di accuratezza.

Con entrambi i metodi, SageMaker Canvas pre-elabora i dati, sceglie l'algoritmo giusto, esplora e ottimizza lo spazio degli iperparametri e genera il modello. Questo processo è astratto dall'utente e svolto dietro le quinte, consentendo all'utente di concentrarsi sui dati e sui risultati piuttosto che sugli aspetti tecnici dell'addestramento del modello.

Tempi di addestramento del modello più rapidi

In precedenza, i modelli di compilazione rapida richiedevano fino a 20 minuti e i modelli di compilazione standard impiegavano fino a 4 ore per generare un modello completamente addestrato con importanza delle funzionalità. Con le nuove ottimizzazioni delle prestazioni, ora puoi ottenere un modello di build rapido in meno di 7 minuti e un modello di build standard in meno di 2 ore, a seconda delle dimensioni del tuo set di dati. Abbiamo stimato questi numeri eseguendo test di benchmark su diverse dimensioni di set di dati da 0.5 MB a 100 MB.

Sotto il cofano, SageMaker Canvas utilizza più tecnologie AutoML per creare automaticamente i migliori modelli ML per i tuoi dati. Considerando le caratteristiche eterogenee dei set di dati, è difficile sapere in anticipo quale algoritmo si adatta meglio a un particolare set di dati. Le nuove ottimizzazioni delle prestazioni introdotte in SageMaker Canvas eseguono diverse prove su diversi algoritmi e addestrano una serie di modelli dietro le quinte, prima di restituire il modello migliore per il set di dati specificato.

Le configurazioni in tutte queste prove vengono eseguite in parallelo per ogni set di dati per trovare la migliore configurazione in termini di prestazioni e latenza. I test di configurazione includono metriche oggettive come punteggi F1 e precisione e ottimizzano gli iperparametri dell'algoritmo per produrre punteggi ottimali per queste metriche.

Tempi di addestramento del modello migliorati e accelerati ora consentono di prototipare e sperimentare rapidamente, con conseguente riduzione del time-to-value per la generazione di previsioni utilizzando SageMaker Canvas.

Sommario

Amazon SageMaker Canvas ti consente di ottenere un modello ML completamente addestrato in meno di 7 minuti e aiuta a generare previsioni accurate per molteplici problemi di machine learning. Con tempi di addestramento del modello più rapidi, puoi concentrarti sulla comprensione dei dati e sull'analisi dell'impatto dei dati e ottenere risultati aziendali efficaci.

Questa funzionalità è disponibile in tutte le regioni AWS in cui SageMaker Canvas è ora supportato. Puoi saperne di più su SageMaker Canvas e la documentazione.

Informazioni sugli autori

Ajjay Govindaram è Senior Solutions Architect presso AWS. Lavora con clienti strategici che utilizzano AI/ML per risolvere problemi aziendali complessi. La sua esperienza risiede nel fornire indicazioni tecniche e assistenza alla progettazione per distribuzioni di applicazioni AI/ML da modeste a grandi dimensioni. Le sue conoscenze spaziano dall'architettura delle applicazioni ai big data, all'analisi e all'apprendimento automatico. Gli piace ascoltare la musica mentre riposa, vivere la vita all'aria aperta e passare il tempo con i suoi cari.

Meenakshisundaram Tandavarayan è uno specialista senior di AI/ML con AWS. Aiuta gli account strategici hi-tech nel loro viaggio di AI e ML. È molto appassionato di IA basata sui dati.

Hariharan Suresh è Senior Solutions Architect presso AWS. È appassionato di database, machine learning e progettazione di soluzioni innovative. Prima di entrare in AWS, Hariharan è stato architetto di prodotti, specialista dell'implementazione di core banking e sviluppatore e ha lavorato con organizzazioni BFSI per oltre 11 anni. Al di fuori della tecnologia, ama il parapendio e il ciclismo.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/achieve-rapid-time-to-value-business-outcomes-with-faster-ml-model-training-using-amazon-sagemaker-canvas/