פתור בעיות עסקיות מקצה לקצה באמצעות למידת מכונה בפתרונות Amazon SageMaker JumpStart

אמזון SageMaker JumpStart מספק מודלים מאומנים מראש, קוד פתוח עבור מגוון רחב של סוגי בעיות כדי לעזור לך להתחיל עם למידת מכונה (ML). JumpStart מספקת גם תבניות פתרונות שמגדירות תשתית למקרי שימוש נפוצים, ומחברות לדוגמה הניתנות להפעלה עבור ML עם אמזון SageMaker.

כמשתמש עסקי, אתה יכול לעשות את הפעולות הבאות עם פתרונות JumpStart:

• חקור את הפתרונות והעריך אילו מתאימים לצרכי העסק שלך.
• הפעל פתרונות בלחיצה אחת סטודיו SageMaker של אמזון. זה משיק א AWS CloudFormation תבנית ליצירת המשאבים הנדרשים.
• שנה את הפתרון כדי לענות על הצרכים שלך עם גישה לנכסי מחברת ומודלים בסיסיים.
• מחק את המשאבים שנרכשו לאחר הביצוע.

פוסט זה מתמקד בחמשת פתרונות ה-ML שנוספו לאחרונה כדי להתמודד עם חמישה אתגרים עסקיים שונים. נכון לכתיבת שורות אלה, JumpStart מציעה 23 פתרונות עסקיים, החל מזיהוי הונאה בעסקאות פיננסיות ועד זיהוי כתב יד. מספר הפתרונות המוצעים דרך JumpStart גדל על בסיס קבוע ככל שמתווספים לו פתרונות נוספים.

סקירת פתרונות

חמשת הפתרונות החדשים הם כדלקמן:

• אופטימיזציה של מחירים - מציע מודלים של ML הניתנים להתאמה אישית כדי לעזור לך לקבל החלטות אופטימליות לקביעת המחיר של המוצר או השירות שלך כדי להשיג את היעד העסקי שלך, כגון מקסום הכנסה, רווח או מדדים מותאמים אישית אחרים.
• תחזית מיני ציפורים - מראה כיצד ניתן לאמן ולכוונן מודל זיהוי אובייקטים. הוא מדגים כוונון מודל באמצעות הגדלת תמונה באימון, ומשרטט את שיפורי הדיוק המתרחשים לאורך האיטרציות (תקופות) של עבודת האימון.
• חיזוי הישרדות סרטן ריאות - מראה כיצד ניתן להזין תכונות רדיומיות דו-ממדיות ותלת-ממדיות ודמוגרפיה של חולים לאלגוריתם ML כדי לחזות את סיכויי ההישרדות של חולה מסרטן הריאות. התוצאות מהתחזית הזו יכולות לעזור לספקים לנקוט באמצעים יזומים מתאימים.
• סיווג תשלום כספי – מדגים כיצד לאמן ולפרוס מודל ML לסיווג עסקאות פיננסיות על סמך מידע על עסקאות. אתה יכול גם להשתמש בפתרון זה כשלב ביניים בזיהוי הונאה, התאמה אישית או זיהוי חריגות.
• חיזוי נטישה ללקוחות טלפונים ניידים - מדגים כיצד לפתח במהירות מודל חיזוי נטישה באמצעות מערך נתונים של עסקאות שיחות ניידות. זוהי דוגמה פשוטה למשתמשים חדשים ב-ML.

תנאים מוקדמים

כדי להשתמש בפתרונות אלה, ודא שיש לך גישה ל-Studio עם תפקיד ביצוע המאפשר לך להפעיל את הפונקציונליות של SageMaker. עבור תפקיד המשתמש שלך בתוך Studio, ודא כי SageMaker Projects ו-JumpStart האפשרות מופעלת.

בסעיפים הבאים, אנו עוברים על כל אחד מחמשת הפתרונות החדשים ודנים כיצד הוא פועל בפירוט, יחד עם כמה המלצות כיצד תוכל להשתמש בו לצרכים העסקיים שלך.

מיטוב מחירים

עסקים אוהבים להשתמש במנופים שונים כדי להשיג את התוצאות הטובות ביותר. לדוגמה, המחיר של מוצר או שירות הוא מנוף שעסק יכול לשלוט בו. השאלה היא איך להחליט באיזה מחיר לקבוע מוצר או שירות, על מנת למקסם יעד עסקי כמו רווח או הכנסה.

פתרון זה מספק מודלים של ML הניתנים להתאמה אישית כדי לעזור לך לקבל החלטות אופטימליות לקביעת המחיר של המוצר או השירות שלך כדי להשיג את המטרה שלך, כגון מקסום הכנסות, רווח או מדדים מותאמים אישית אחרים. הפתרון משתמש בגישות ML והסקת מסקנות סיבתיות כדי ללמוד יחסי מחיר-נפח מנתונים היסטוריים, והוא מסוגל להציע המלצות מחיר דינמיות בזמן אמת כדי לייעל את מדדי המטרה המותאמים אישית.

צילום המסך הבא מציג את נתוני הקלט לדוגמה.

הפתרון כולל שלושה חלקים:

• אומדן גמישות המחיר - זה מוערך על ידי הסקה סיבתית באמצעות אלגוריתם ML כפול
• תחזית נפח - זה צפוי באמצעות אלגוריתם הנביא
• מיטוב מחירים - זה מושג על ידי סימולציית מה אם באמצעות תרחישי מחיר שונים

הפתרון מספק את המחיר המומלץ ליום המחרת למיקסום ההכנסה. בנוסף, התפוקות כוללות את גמישות המחירים המשוערת, שהיא ערך המצביע על השפעת המחיר על הנפח, ומודל תחזית, המסוגל לחזות את הנפח של היום הבא. התרשים הבא מראה כיצד מודל סיבתי ששילב את גמישות המחיר המחושבת מתפקד הרבה יותר בניתוח מה אם (עם סטיות גדולות ממחיר ההתנהגות) מאשר מודל חזוי המשתמש ב-Proph לחיזוי נפח באמצעות נתוני סדרות זמן.

אתה יכול ליישם את הפתרון הזה על העסק שלך עבור מקרי השימוש הבאים:

• קבע את המחיר האופטימלי של סחורה עבור חנות קמעונאית
• הערך את ההשפעה של קופוני הנחה על רכישות של לקוחות
• חזה את ההשפעה של שיטות תמריצים שונות בכל עסק

תחזית מיני ציפורים

ישנם מספר יישומי ראייה ממוחשבת (CV) לעסקים כיום. אחד מהיישומים הללו הוא זיהוי אובייקטים, שבו אלגוריתם ML מזהה את מיקומו של אובייקט בתמונה על ידי ציור תיבה תוחמת סביבו, ומזהה את סוג האובייקט שהוא. ללמוד כיצד ליישם מודל זיהוי אובייקטים ולכוונן אותו יכול להיות בעל ערך רב לארגון שיש לו צרכי קורות חיים.

פתרון זה מספק דוגמה כיצד לתרגם מפרטי תיבה תוחמת בעת מתן תמונות לאלגוריתם SageMaker. פתרון זה גם מדגים כיצד לשפר מודל זיהוי אובייקטים על ידי הוספת תמונות אימון המתהפכות אופקית (תמונות מראה).

מחברת מסופקת להתנסות באתגרי זיהוי עצמים כאשר יש מספר רב של כיתות (200 מיני ציפורים). המחברת מראה גם כיצד לשרטט את שיפורי הדיוק המתרחשים לאורך תקופות עבודת ההדרכה. התמונה הבאה מציגה תמונות לדוגמה ממערך הנתונים של הציפורים.

פתרון זה מכיל חמישה שלבים:

1. הכן את הנתונים, כולל הורדה ו RecordIO יצירת קבצים.
2. צור ואימון מודל זיהוי אובייקטים.
3. פרוס נקודת קצה והעריך את ביצועי המודל.
4. צור ואמן שוב מודל זיהוי אובייקטים עם מערך הנתונים המורחב.
5. פרוס נקודת קצה והעריך את ביצועי המודל המורחבת.

אתה מקבל את הדברים הבאים כפלט:

• תוצאות זיהוי אובייקטים עם תיבות מליטה כנגד תמונת הבדיקה שלך
• מודל זיהוי עצמים מאומן
• מודל זיהוי אובייקטים מאומן עם מערך נתונים מורחב (היפוך) נוסף
• שתי נקודות קצה נפרדות פרוסות עם אחת מכל דגם

התרשים הבא מציג שיפור במודל מול איטרציות (תקופות) של מודל במהלך האימון.

הדוגמאות הבאות מופקות משתי תמונות בדיקה.

אתה יכול ליישם את הפתרון הזה על העסק שלך עבור מקרי השימוש הבאים:

• זיהוי עצמים על מסוע בתעשיית אריזה
• זיהוי תוספות על פיצה
• הטמעת יישומים תפעוליים של שרשרת האספקה ​​הכוללים זיהוי אובייקטים

חיזוי הישרדות סרטן ריאות

COVID-19 הביא הרבה יותר תשומת לב לאתגרים רפואיים הקשורים לריאות. זה גם הפעיל לחץ רב על בתי חולים, רופאים, אחיות ורדיולוגים. תארו לעצמכם אפשרות שבה תוכלו ליישם ML ככלי רב עוצמה כדי לסייע לרופאים ולעזור להם להאיץ את עבודתם. בפתרון זה, אנו מראים כיצד ניתן להזין תכונות רדיומיות דו-ממדיות ותלת-ממדיות ודמוגרפיה של חולים לאלגוריתם ML כדי לחזות את סיכויי ההישרדות של חולה מסרטן הריאות. תוצאות מהתחזית הזו יכולות לעזור לספקים לנקוט באמצעים יזומים מתאימים.

פתרון זה מדגים כיצד לבנות צינור ML ניתן להרחבה עבור מערך הנתונים של רדיוגנומיקה מסוג Non-Small Cell Lung Cancer (NSCLC), המורכב מנתוני רצף RNA, נתונים קליניים (המשקפים נתוני EHR) ותמונות רפואיות. שימוש במספר סוגים של נתונים ליצירת מודל מכונה נקרא רב-מודאלי ML. פתרון זה מנבא את תוצאת ההישרדות של חולים שאובחנו עם סרטן ריאות של תאים לא קטנים.

התמונה הבאה מציגה דוגמה לנתוני הקלט ממערך הנתונים של רדיוגנומיקה של סרטן ריאות לא קטן (NSCLC).

כחלק מהפתרון, RNA הכולל הופק מרקמת הגידול ונותח בטכנולוגיית רצף RNA. למרות שהנתונים המקוריים מכילים יותר מ-22,000 גנים, אנו שומרים על 21 גנים מ-10 צבירי גנים בעלי ביטוי משותף (מטגנים) שזוהו, אושרו בקבוצות של ביטוי גנים זמינים לציבור, ותואמו עם פרוגנוזה.

הרשומות הקליניות מאוחסנות בפורמט CSV. כל שורה מתאימה למטופל, והעמודות מכילות מידע על החולים, כולל נתונים דמוגרפיים, שלב הגידול ומצב ההישרדות.

לנתונים גנומיים, אנו שומרים 21 גנים מ-10 צבירי גנים בעלי ביטוי משותף גבוה (מטגנים) שזוהו, אושרו בקבוצות ביטוי גנים זמינות לציבור, ותואמו עם פרוגנוזה.

עבור נתוני הדמיה רפואית, אנו יוצרים תכונות רדיומיות תלת-ממדיות ברמת המטופל המסבירות את הגודל, הצורה והתכונות החזותיות של הגידולים שנצפו בסריקות CT. עבור כל מחקר מטופל, מבוצעים השלבים הבאים:

1. קרא את קובצי פרוסות DICOM 2D הן עבור סריקת ה-CT והן עבור פילוח הגידול, שלבו אותם לכרכים תלת מימדיים, שמור את אמצעי האחסון בפורמט NIfTI.
2. יישר נפח CT ופילוח גידול כדי שנוכל למקד את החישוב בתוך הגידול.
3. חישוב תכונות רדיומיות המתארות את אזור הגידול באמצעות ספריית הפירדיומיקה.
4. חלץ 120 מאפיינים רדיומיים של שמונה מחלקות, כגון ייצוגים סטטיסטיים של התפלגות והתרחשות משותפת של העוצמה באזור הגידול הרצוי, ומדידות מבוססות צורה המתארות את הגידול בצורה מורפולוגית.

כדי ליצור תצוגה רב-מודאלית של מטופל להכשרת מודלים, אנו מצטרפים לוקטורי התכונות משלוש אופנים. לאחר מכן אנו מעבדים את הנתונים. ראשית, אנו מנרמלים את מגוון התכונות העצמאיות באמצעות קנה מידה של תכונות. לאחר מכן אנו מבצעים ניתוח רכיבים עיקריים (PCA) על המאפיינים כדי להפחית את הממדיות ולזהות את המאפיינים המבדילים ביותר שתורמים 95% שונות בנתונים.

זה מביא להפחתת הממדיות מ-215 תכונות למטה ל-45 מרכיבים עיקריים, המהווים תכונות עבור הלומד בפיקוח.

הפתרון מייצר מודל ML המנבא את מצב ההישרדות של חולי NSCLC (מתים או חיים) בצורה של הסתברות. מלבד המודל והתחזית, אנו גם מפיקים דוחות כדי להסביר את המודל. צינור ההדמיה הרפואי מייצר נפחי CT ריאות תלת מימדיים ופילוח גידולים למטרות הדמיה.

אתה יכול ליישם את הפתרון הזה על מקרי שימוש בתחום הבריאות ומדעי החיים.

סיווג תשלום כספי

לקחת את כל העסקאות הפיננסיות של עסק או צרכן ולארגן אותן בקטגוריות שונות יכול להיות מועיל למדי. זה יכול לעזור למשתמש ללמוד כמה הוא הוציא באיזו קטגוריה, וזה יכול גם להעלות התראות כאשר עסקאות או הוצאות בקטגוריה נתונה עולות או יורדות באופן בלתי צפוי.

פתרון זה מדגים כיצד להכשיר ולפרוס מודל ML לסיווג עסקאות פיננסיות על סמך מידע עסקה. בנקים רבים מספקים זאת כשירות כדי לתת למשתמשי הקצה שלהם סקירה כללית של הרגלי ההוצאות שלהם. אתה יכול גם להשתמש בפתרון זה כשלב ביניים בזיהוי הונאה, התאמה אישית או זיהוי חריגות. אנו משתמשים ב- SageMaker כדי להכשיר ולפרוס מודל XGBoost עם התשתית הבסיסית הנדרשת.

למערך הנתונים הסינטטי שאנו להדגים פתרון זה יש את התכונות הבאות:

• קטגוריית_עסקאות – קטגוריית העסקה, מתוך 19 האפשרויות הבאות: 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, Home, ו Pension and insurances.
• מקלט_יד – מזהה עבור הצד המקבל. המזהה מורכב מ-16 מספרים.
• מספר זהות השולח – מזהה עבור הצד השולח. המזהה מורכב מ-16 מספרים.
• כמות – הסכום שמועבר.
• חותם – חותמת הזמן של העסקה בפורמט YYYY-MM-DD HH:MM:SS.

חמש התצפיות הראשונות של מערך הנתונים הן כדלקמן:

עבור פתרון זה, אנו משתמשים ב-XGBoost, יישום פופולרי ויעיל בקוד פתוח של אלגוריתם העצים המוגברים בשיפוע. הגברת גרדיאנט היא אלגוריתם למידה מפוקח המנסה לחזות במדויק משתנה יעד על ידי שילוב של מכלול של הערכות מקבוצה של מודלים פשוטים וחלשים יותר. היישום שלו זמין באלגוריתמים המובנים של SageMaker.

פתרון סיווג התשלומים הפיננסיים מכיל ארבעה שלבים:

1. הכן את הנתונים.
2. בנה חנות תכונות.
3. צור ואמן מודל XGBoost.
4. פרוס נקודת קצה והעריך את ביצועי המודל.

אנו מקבלים את הפלט הבא:

• מודל XGBoost מאומן המבוסס על מערך הנתונים לדוגמה שלנו
• נקודת קצה של SageMaker שיכולה לחזות את קטגוריית העסקה

לאחר הפעלת פתרון זה, אתה אמור לראות דו"ח סיווג הדומה להלן.

יישומים אפשריים עבור העסק שלך כוללים את הדברים הבאים:

• יישומים פיננסיים שונים בבנקאות קמעונאית והשקעות
• כאשר יש לסווג עסקאות בכל מקרה שימוש (לא רק פיננסי)

חיזוי נטישה ללקוחות טלפונים ניידים

חיזוי נטישת לקוחות הוא צורך עסקי נפוץ מאוד. מחקרים רבים מראים שעלות שימור לקוח קיים נמוכה בהרבה מרכישת לקוח חדש. האתגר נובע לעתים קרובות מעסקים שמתקשים להבין מדוע לקוח מתנדנד, או בניית מודל שמנבא תנועות.

בדוגמה זו, משתמשים חדשים ב-ML יכולים לחוות כיצד ניתן לפתח במהירות מודל חיזוי נטישה באמצעות מערך נתונים של עסקאות שיחות לנייד. פתרון זה משתמש ב- SageMaker כדי לאמן ולפרוס מודל XGBoost על מערך נתונים של פרופיל לקוח כדי לחזות אם לקוח צפוי לעזוב מפעיל טלפון סלולרי.

מערך הנתונים של פתרון זה זמין לציבור ומוזכר בספר Discovering Knowledge in Data מאת Daniel T. Larose. זה מיוחס על ידי המחבר למאגר הנתונים של למידת מכונה של אוניברסיטת קליפורניה Irvine.

מערך נתונים זה משתמש ב-21 המאפיינים הבאים כדי לתאר את הפרופיל של לקוח של מפעיל סלולרי לא ידוע בארה"ב.

• מדינה: המדינה בארה"ב בה מתגורר הלקוח, המצוינת בקיצור בן שתי אותיות; לדוגמה, OH או NJ
• אורך חשבון: מספר הימים שבהם חשבון זה היה פעיל
• אזור חיוג: אזור החיוג בן שלוש הספרות של מספר הטלפון של הלקוח המתאים
• טלפון: מספר הטלפון הנותר בן שבע הספרות
• תוכנית בינלאומית: האם ללקוח יש תוכנית שיחות בינלאומיות: כן/לא
• תוכנית VMail: האם ללקוח יש תכונת דואר קולי: כן/לא
• הודעת VMail: המספר הממוצע של הודעות דואר קולי בחודש
• דקות יום: המספר הכולל של דקות שיחה בשימוש במהלך היום
• שיחות יום: המספר הכולל של שיחות שבוצעו במהלך היום
• תשלום יום: העלות החיובית של שיחות בשעות היום
• Eve Mins, Eve Calls, Eve Charge: העלות החיובית עבור שיחות שבוצעו במהלך הערב
• דקות לילה, שיחות לילה, חיוב לילה: העלות החיובית עבור שיחות המבוצעות במהלך הלילה
• Intl Mins, Intl Calls, Intl Charge: העלות החיובית עבור שיחות בינלאומיות
• שיחות CustServ: מספר השיחות שבוצעו לשירות הלקוחות
• נטישה?: האם הלקוח עזב את השירות: נכון/לא נכון

פתרון זה מכיל שלושה שלבים:

1. הכן את הנתונים.
2. צור ואמן מודל XGBoost.
3. פרוס נקודת קצה והעריך את ביצועי המודל.

אנו מקבלים את הפלט הבא:

• מודל XGBoost מאומן המבוסס על מערך הנתונים לדוגמה שלנו לניבוי נטישת משתמשים
• נקודת קצה של SageMaker שיכולה לחזות נטישה של משתמשים

מודל זה עוזר להעריך כמה מתוך 5,000 לקוחות הטלפונים הניידים צפויים להפסיק להשתמש במפעיל הסלולרי הנוכחי שלהם.

התרשים הבא מציג התפלגות הסתברות של הנטישה כתפוקה מהמודל.

אתה יכול להחיל את זה על העסק שלך עבור מקרי השימוש הבאים:

• חזה נטישת לקוחות בעסק שלך
• סיווג אילו לקוחות עשויים לפתוח את המייל השיווקי שלך ומי לא (סיווג בינארי)
• חזה אילו תלמידים צפויים לנשור מהקורס

לנקות משאבים

לאחר שתסיים להפעיל פתרון ב-JumpStart, הקפד לבחור מחק את כל המשאבים כך שכל המשאבים שיצרת בתהליך נמחקים והחיוב שלך יופסק.

<br> סיכום

פוסט זה הראה לך כיצד לפתור בעיות עסקיות שונות על ידי יישום ML, המבוסס על פתרונות JumpStart. למרות שפוסט זה התמקד בחמשת הפתרונות החדשים שנוספו לאחרונה ל-JumpStart, ישנם בסך הכל 23 פתרונות זמינים. אנו ממליצים לך להיכנס לסטודיו ולהסתכל בעצמך על פתרונות JumpStart ולהתחיל להפיק מהם ערך מיידי. למידע נוסף, עיין ב סטודיו SageMaker של אמזון ו SageMaker JumpStart.

הערה: אם אינך רואה את כל חמשת הפתרונות לעיל במסוף JumpStart של אזור ה-AWS שלך, המתן שבוע ובדוק שוב. אנחנו משחררים אותם לאזורים שונים בצורה מדורגת.

---

על הכותבים

ד"ר ראג'ו פנמאצ'ה הוא אדריכל פתרונות AI/ML מומחה בפלטפורמות AI ב-AWS. הוא עובד על חבילת השירותים דל קוד/ללא קוד ב- SageMaker המסייעת ללקוחות לבנות ולפרוס בקלות מודלים ופתרונות למידת מכונה. כשהוא לא עוזר ללקוחות, הוא אוהב לנסוע למקומות חדשים.

מנאן שה הוא מנהל פיתוח תוכנה ב- Amazon Web Services. הוא חובב ML ומתמקד בבניית מוצרי AI/ML ללא קוד/קוד נמוך. הוא שואף להעצים אנשים מוכשרים וטכניים אחרים לבנות תוכנה נהדרת.