השג תוצאות עסקיות יעילות עם למידת מכונה ללא קוד באמצעות Amazon SageMaker Canvas

ב-30 בנובמבר 2021, אנחנו הודיע הזמינות הכללית של אמזון SageMaker Canvas, ממשק חזותי של הצבע ולחיצה המאפשר לאנליסטים עסקיים ליצור תחזיות של למידת מכונה (ML) מדויקות ביותר ללא צורך בכתיבת שורת קוד אחת. עם Canvas, אתה יכול לקחת את המיינסטרים של ML בכל הארגון שלך כך שאנליסטים עסקיים ללא מדעי נתונים או ניסיון ב-ML יכולים להשתמש בתחזיות ML מדויקות כדי לקבל החלטות מונחות נתונים.

ML הופכת להיות נפוצה בכל מקום בארגונים בכל תעשיות כדי לאסוף תובנות עסקיות חשובות באמצעות תחזיות מנתונים קיימים במהירות ובדייקנות. המפתח להגדלת השימוש ב-ML הוא הפיכתו לנגיש יותר. משמעות הדבר היא העצמת אנליסטים עסקיים להשתמש ב-ML בעצמם, ללא תלות בצוותי מדעי הנתונים. Canvas מסייעת לאנליסטים עסקיים ליישם ML על בעיות עסקיות נפוצות מבלי לדעת את הפרטים כגון סוגי אלגוריתמים, פרמטרי אימון או לוגיקה של אנסמבל. כיום, לקוחות משתמשים ב-Canvas כדי לתת מענה למגוון רחב של מקרי שימוש בתעשייה, כולל זיהוי נטייה, המרת מכירות וחיזוי סדרות זמן.

בפוסט זה, אנו דנים ביכולות מפתח של Canvas.

התחל עם Canvas

Canvas מציע סיור אינטראקטיבי שיעזור לך לנווט בממשק החזותי, החל בייבוא ​​נתונים מהענן או ממקורות מקומיים. התחלת העבודה עם Canvas היא מהירה; אנו מציעים מערכי נתונים לדוגמה עבור מקרי שימוש מרובים, כולל חיזוי נטישת לקוחות, הערכת הסתברויות למחדל הלוואות, חיזוי ביקוש וחיזוי זמני אספקה ​​של שרשרת האספקה. מערכי נתונים אלה מכסים את כל מקרי השימוש הנתמכים כיום על ידי Canvas, כולל סיווג בינארי, סיווג רב מחלקות, רגרסיה וחיזוי סדרות זמן. למידע נוסף על ניווט ב-Canvas ושימוש במערך הנתונים לדוגמה, ראה Amazon SageMaker Canvas מאיץ את ההטמעה עם סיורי מוצרים אינטראקטיביים חדשים ומערכי נתונים לדוגמה.

ניתוח נתוני חקר

לאחר ייבוא ​​הנתונים שלך, Canvas מאפשר לך לחקור ולנתח אותם, לפני בניית מודלים חזויים. אתה יכול לצפות בתצוגה מקדימה של הנתונים המיובאים שלך ולחזות בהפצה של תכונות שונות. לאחר מכן תוכל לבחור לשנות את הנתונים שלך כדי שיתאימו לטפל בבעיה שלך. לדוגמה, תוכל לבחור לבטל עמודות, לחלץ תאריך ושעה, לזקוף ערכים חסרים או להחליף חריגים בערכים סטנדרטיים או מותאמים אישית. פעילויות אלו מתועדות במודל מתכון, שהיא סדרה של צעדים לקראת הכנת נתונים. מתכון זה נשמר לאורך כל מחזור החיים של מודל ML מסוים מהכנת הנתונים ועד ליצירת תחזיות. לִרְאוֹת Amazon SageMaker Canvas מרחיבה את היכולות כדי להכין ולנתח נתונים טוב יותר ללמידת מכונה למידע נוסף על הכנה וניתוח נתונים בתוך Canvas.

דמיין את הנתונים שלך

Canvas מציעה גם את היכולת להגדיר וליצור תכונות חדשות בנתונים שלך באמצעות אופרטורים מתמטיים ופונקציות לוגיות. אתה יכול לדמיין ולחקור את הנתונים שלך באמצעות עלילות תיבה, תרשימי עמודות ותווי פיזור על ידי גרירה ושחרור של תכונות ישירות בתרשימים. בנוסף, Canvas מספקת מטריצות מתאם עבור משתנים מספריים וקטגוריים כדי להבין את הקשרים בין תכונות בנתונים שלך. ניתן להשתמש במידע זה כדי לחדד את נתוני הקלט שלך ולהניע דגמים מדויקים יותר. לפרטים נוספים על יכולות ניתוח נתונים ב-Canvas, ראה השתמש ב- Amazon SageMaker Canvas לניתוח נתונים חקרני. למידע נוסף על פונקציות מתמטיות ואופרטורים ב-Canvas, ראה Amazon SageMaker Canvas תומך בפונקציות מתמטיות ואופרטורים לחקר נתונים עשיר יותר.

לאחר שתתכונן ותחקור את הנתונים שלך, Canvas נותן לך אפשרות לאמת את מערכי הנתונים שלך כדי שתוכל לבדוק באופן יזום בעיות באיכות הנתונים. Canvas מאמת את הנתונים בשמך ומציג בעיות כמו ערכים חסרים בכל שורה או עמודה ויותר מדי תוויות ייחודיות בעמודת היעד בהשוואה למספר השורות. בנוסף, Canvas מספקת לך אפשרויות לתקן את הבעיות האלה לפני שאתה בונה את מודל ה-ML שלך. לצלילה עמוקה יותר לתוך יכולות אימות הנתונים, עיין ב זיהוי והימנעות מבעיות נתונים נפוצות תוך בניית דגמי ML ללא קוד עם Amazon SageMaker Canvas.

בניית דגמי ML

הצעד הראשון לקראת בניית מודלים של ML ב-Canvas הוא הגדרת עמודת היעד לבעיה. לדוגמה, תוכל לבחור את מספר החדרים הכולל כעמודת היעד כדי לקבוע את מחירי הדירות במודל דיור. לחלופין, תוכל להשתמש ב-churn כעמודת היעד כדי לקבוע את ההסתברות לאבד לקוחות בתנאים שונים. לאחר בחירת עמודת היעד, Canvas קובע אוטומטית את סוג הבעיה עבור הדגם שייבנה.

לפני בניית מודל ML, אתה יכול לקבל תובנות כיווניות לגבי הדיוק המשוער של המודל וכיצד כל תכונה השפיעה על התוצאות על ידי הפעלת ניתוח תצוגה מקדימה. בהתבסס על תובנות אלו, תוכל להמשיך להכין, לנתח או לחקור את הנתונים שלך כדי לקבל את הדיוק הרצוי עבור תחזיות המודל.

Canvas מציעה שתי שיטות לאימון דגמי ML: בנייה מהירה ו מבנה סטנדרטי. שתי השיטות מספקות מודל ML מאומן במלואו עם שקיפות מלאה כדי להבין את החשיבות של כל תכונה לקראת תוצאת המודל. בנייה מהירה מתמקדת במהירות ובניסוי, בעוד שבנייה רגילה מתמקדת ברמות הגבוהות ביותר של דיוק על ידי מעבר מספר רב של איטרציות של עיבוד מקדים של נתונים, בחירת האלגוריתם הנכון, חקר מרחב ההיפרפרמטרים ויצירת מספר מודלים מועמדים לפני בחירת המודל בעל הביצועים הטובים ביותר. תהליך זה נעשה מאחורי הקלעים על ידי Canvas ללא צורך בכתיבת קוד.

שיפורי ביצועים חדשים מספקים זמן אימון מהיר עד פי שלושה של מודל ML, המאפשר יצירת אב טיפוס מהיר וזמן-עד-ערך מהיר יותר לתוצאות העסקיות. למידע נוסף, ראה Amazon SageMaker Canvas מכריזה על זמן אימון מהיר עד פי 3 של מודל ML.

ניתוח מודלים

לאחר בניית המודל, Canvas מספק מדדי דיוק מפורטים של המודל ויכולת הסברת התכונות.

Canvas מציג גם תרשים Sankey המתאר את זרימת הנתונים מערך אחד לשני, כולל חיוביות שגויות ושליליות שגויות.

למשתמשים המעוניינים לנתח מדדים מתקדמים יותר, Canvas מספקת ציוני F1 המשלבים דיוק וזכירה, מדד דיוק המכמת כמה פעמים המודל ביצע חיזוי נכון על פני כל מערך הנתונים, ואת השטח מתחת לעקומה (AUC), המודד כיצד ובכן, המודל מפריד בין הקטגוריות במערך הנתונים.

תחזיות מודל

עם Canvas, אתה יכול להריץ תחזיות בזמן אמת על המודל המאומן עם ניתוחי מה-אם אינטראקטיביים על ידי ניתוח ההשפעה של ערכי תכונה שונים על דיוק המודל.

יתר על כן, אתה יכול להריץ תחזיות אצווה על כל מערך נתונים אימות בכללותו. ניתן לצפות בתחזיות אלו ולהוריד אותן לשימוש עם יישומים במורד הזרם.

שיתוף ושיתוף פעולה

Canvas מאפשר לך להמשיך במסע ML על ידי שיתוף המודלים שלך עם צוותי מדעי הנתונים שלך לסקירה, משוב ועדכונים. אתה יכול לשתף את הדגמים שלך עם משתמשים אחרים באמצעות סטודיו SageMaker של אמזון, סביבת פיתוח משולבת לחלוטין (IDE) עבור ML. משתמשי סטודיו יכולים לסקור את המודל, ובמידת הצורך, לעדכן טרנספורמציות של נתונים, לאמן מחדש את המודל ולשתף בחזרה את הגרסה המעודכנת של המודל עם משתמשי Canvas שיוכלו להשתמש בו כדי ליצור תחזיות.

בנוסף, מדעני נתונים יכולים לשתף מודלים שנבנו מחוץ ל אמזון SageMaker עם משתמשי Canvas, הסרת המשימות הכבדות כדי לבנות כלי נפרד או ממשק משתמש לשיתוף מודלים בין צוותים שונים. עם גישת הביאו מודל משלכם (BYOM), כעת תוכלו להשתמש במודלים של ML שנבנו על ידי צוותי מדעי הנתונים שלכם בסביבות אחרות וליצור תחזיות תוך דקות ישירות ב-Canvas. שיתוף הפעולה החלק הזה בין צוותים עסקיים וטכניים מסייע בדמוקרטיזציה של ML ברחבי הארגון על ידי הבאת שקיפות למודלים של ML והאצת פריסות ML. למידע נוסף על שיתוף ושיתוף פעולה בין צוותים עסקיים וטכניים המשתמשים ב-Canvas, ראה חדש - הבא דגמי ML שנבנו בכל מקום לתוך אמזון SageMaker Canvas וצור תחזיות.

סיכום

התחל היום עם Canvas ונצל את היתרונות של ML כדי להשיג את התוצאות העסקיות שלך מבלי לכתוב שורת קוד. למד עוד מהאינטראקטיבי הדרכה or קורס MOOC על Coursera. שמח לחדש!

---

על הסופר

שיאם סריניוואסן נמצא בצוות מוצרי ML עם קוד נמוך/ללא קוד של AWS. אכפת לו להפוך את העולם למקום טוב יותר באמצעות טכנולוגיה ואוהב להיות חלק מהמסע הזה. בזמנו הפנוי, שיאם אוהב לרוץ למרחקים ארוכים, לטייל ברחבי העולם ולחוות תרבויות חדשות עם בני משפחה וחברים.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/achieve-effective-business-outcomes-with-no-code-machine-learning-using-amazon-sagemaker-canvas/