Bereik effectieve bedrijfsresultaten met machine learning zonder code met behulp van Amazon SageMaker Canvas

Op 30 november 2021 hebben wij aangekondigd de algemene beschikbaarheid van Amazon SageMaker-canvas, een visuele point-and-click-interface waarmee bedrijfsanalisten zeer nauwkeurige machine learning (ML)-voorspellingen kunnen genereren zonder ook maar één regel code te hoeven schrijven. Met Canvas kun je ML mainstream maken in je hele organisatie, zodat bedrijfsanalisten zonder datawetenschap of ML-ervaring nauwkeurige ML-voorspellingen kunnen gebruiken om datagestuurde beslissingen te nemen.

ML wordt alomtegenwoordig in organisaties in verschillende sectoren om snel en nauwkeurig waardevolle zakelijke inzichten te verzamelen met behulp van voorspellingen uit bestaande gegevens. De sleutel tot het opschalen van het gebruik van ML is om het toegankelijker te maken. Dit betekent dat bedrijfsanalisten ML zelfstandig kunnen gebruiken, zonder afhankelijk te zijn van datawetenschapsteams. Canvas helpt bedrijfsanalisten ML toe te passen op veelvoorkomende bedrijfsproblemen zonder dat ze de details zoals algoritmetypen, trainingsparameters of ensemblelogica hoeven te kennen. Tegenwoordig gebruiken klanten Canvas om een ​​breed scala aan gebruiksscenario's in verschillende branches aan te pakken, waaronder churn-detectie, verkoopconversie en tijdreeksprognoses.

In dit bericht bespreken we de belangrijkste Canvas-mogelijkheden.

Ga aan de slag met Canvas

Canvas biedt een interactieve rondleiding om je te helpen navigeren door de visuele interface, te beginnen met het importeren van gegevens uit de cloud of lokale bronnen. Aan de slag gaan met Canvas is snel; we bieden voorbeelddatasets voor meerdere gebruiksscenario's, waaronder het voorspellen van klantverloop, het inschatten van de kans op wanbetaling, het voorspellen van de vraag en het voorspellen van levertijden in de toeleveringsketen. Deze datasets dekken alle gebruiksscenario's die momenteel door Canvas worden ondersteund, inclusief binaire classificatie, classificatie met meerdere klassen, regressie en prognoses van tijdreeksen. Zie voor meer informatie over navigeren in Canvas en het gebruik van de voorbeeldgegevenssets Amazon SageMaker Canvas versnelt onboarding met nieuwe interactieve productrondleidingen en voorbeelddatasets.

Verkennende gegevensanalyse

Nadat je je gegevens hebt geïmporteerd, kun je deze in Canvas verkennen en analyseren voordat je voorspellende modellen bouwt. U kunt een voorbeeld van uw geïmporteerde gegevens bekijken en de verdeling van verschillende functies visualiseren. U kunt er dan voor kiezen om uw gegevens te transformeren om ze geschikt te maken om uw probleem aan te pakken. U kunt er bijvoorbeeld voor kiezen om kolommen te verwijderen, datum en tijd te extraheren, ontbrekende waarden toe te schrijven of uitschieters te vervangen door standaard- of aangepaste waarden. Deze activiteiten worden vastgelegd in een model recept, wat een reeks stappen is in de richting van gegevensvoorbereiding. Dit recept wordt gehandhaafd gedurende de levenscyclus van een bepaald ML-model, van gegevensvoorbereiding tot het genereren van voorspellingen. Zien Amazon SageMaker Canvas breidt de mogelijkheden uit om gegevens beter voor te bereiden en te analyseren voor machine learning voor meer informatie over het voorbereiden en analyseren van gegevens in Canvas.

Visualiseer uw gegevens

Canvas biedt ook de mogelijkheid om nieuwe functies in uw gegevens te definiëren en te creëren door middel van wiskundige operatoren en logische functies. U kunt uw gegevens visualiseren en verkennen door middel van boxplots, staafdiagrammen en spreidingsdiagrammen door objecten rechtstreeks op diagrammen te slepen en neer te zetten. Daarnaast biedt Canvas correlatiematrices voor numerieke en categorische variabelen om de relaties tussen kenmerken in uw gegevens te begrijpen. Deze informatie kan worden gebruikt om uw invoergegevens te verfijnen en nauwkeurigere modellen aan te sturen. Zie voor meer informatie over mogelijkheden voor gegevensanalyse in Canvas Gebruik Amazon SageMaker Canvas voor verkennende gegevensanalyse. Zie voor meer informatie over wiskundige functies en operatoren in Canvas Amazon SageMaker Canvas ondersteunt wiskundige functies en operatoren voor uitgebreidere gegevensverkenning.

Nadat je je gegevens hebt voorbereid en onderzocht, biedt Canvas je een optie om je gegevenssets te valideren, zodat je proactief kunt controleren op problemen met de gegevenskwaliteit. Canvas valideert de gegevens namens jou en brengt problemen aan het licht zoals ontbrekende waarden in een rij of kolom en te veel unieke labels in de doelkolom vergeleken met het aantal rijen. Daarnaast biedt Canvas je opties om deze problemen op te lossen voordat je je ML-model bouwt. Raadpleeg voor een diepere duik in gegevensvalidatiemogelijkheden Het identificeren en vermijden van veelvoorkomende gegevensproblemen terwijl ML-modellen zonder code worden gebouwd met Amazon SageMaker Canvas.

ML-modellen bouwen

De eerste stap naar het bouwen van ML-modellen in Canvas is het definiëren van de doelkolom voor het probleem. U kunt bijvoorbeeld het totale aantal kamers kiezen als doelkolom om de huizenprijzen in een woningmodel te bepalen. U kunt ook churn gebruiken als de doelkolom om de waarschijnlijkheid te bepalen van het verliezen van klanten onder verschillende omstandigheden. Nadat je de doelkolom hebt geselecteerd, bepaalt Canvas automatisch het type probleem voor het te bouwen model.

Voordat u een ML-model bouwt, kunt u gerichte inzichten krijgen in de geschatte nauwkeurigheid van het model en hoe elke functie de resultaten heeft beïnvloed door een voorbeeldanalyse uit te voeren. Op basis van deze inzichten kunt u uw gegevens verder voorbereiden, analyseren of verkennen om de gewenste nauwkeurigheid voor modelvoorspellingen te krijgen.

Canvas biedt twee methoden om ML-modellen te trainen: Snel gebouwd en Standaard gebouwd. Beide methoden leveren een volledig getraind ML-model met volledige transparantie om het belang van elke functie voor het modelresultaat te begrijpen. Snel bouwen richt zich op snelheid en experimenteren, terwijl standaard bouwen zich richt op de hoogste niveaus van nauwkeurigheid door meerdere iteraties van gegevensvoorverwerking te doorlopen, het juiste algoritme te kiezen, de hyperparameterruimte te verkennen en meerdere kandidaat-modellen te genereren voordat het best presterende model wordt geselecteerd. Dit proces wordt achter de schermen uitgevoerd door Canvas zonder dat er code hoeft te worden geschreven.

Nieuwe prestatieverbeteringen zorgen voor tot drie keer snellere trainingstijd voor ML-modellen, waardoor snelle prototyping en snellere time-to-value voor bedrijfsresultaten mogelijk worden. Zie voor meer informatie Amazon SageMaker Canvas kondigt tot 3x snellere ML-modeltrainingstijd aan.

Modelanalyse

Nadat je het model hebt gebouwd, biedt Canvas gedetailleerde meetgegevens voor modelnauwkeurigheid en uitleg over functies.

Canvas presenteert ook een Sankey-grafiek die de stroom van de gegevens van de ene waarde naar de andere weergeeft, inclusief fout-positieven en fout-negatieven.

Voor gebruikers die geïnteresseerd zijn in het analyseren van meer geavanceerde statistieken, biedt Canvas F1-scores die precisie en herinnering combineren, een nauwkeurigheidsmetriek die kwantificeert hoe vaak het model een correcte voorspelling heeft gedaan over de hele dataset, en de Area Under the Curve (AUC), die meet hoe goed, het model scheidt de categorieën in de dataset.

Modelvoorspellingen

Met Canvas kun je real-time voorspellingen doen op het getrainde model met interactieve wat-als-analyses door de impact van verschillende kenmerkwaarden op de modelnauwkeurigheid te analyseren.

Bovendien kunt u batchvoorspellingen uitvoeren op elke validatiedataset als geheel. Deze voorspellingen kunnen worden bekeken en gedownload voor gebruik met downstream-applicaties.

Delen en samenwerken

Met Canvas kun je het ML-traject voortzetten door je modellen te delen met je data science-teams voor beoordeling, feedback en updates. U kunt uw modellen delen met andere gebruikers via Amazon SageMaker Studio, een volledig geïntegreerde ontwikkelomgeving (IDE) voor ML. Studio-gebruikers kunnen het model beoordelen en, indien nodig, gegevenstransformaties bijwerken, het model opnieuw trainen en de bijgewerkte versie van het model delen met Canvas-gebruikers die deze vervolgens kunnen gebruiken om voorspellingen te genereren.

Bovendien kunnen datawetenschappers modellen delen die buiten zijn gebouwd Amazon Sage Maker met Canvas-gebruikers, waardoor het zware werk wordt weggenomen om een ​​afzonderlijke tool of gebruikersinterface te bouwen om modellen tussen verschillende teams te delen. Met de BYOM-benadering (Bring Your Own Model) kun je nu ML-modellen gebruiken die door je datawetenschapsteams zijn gebouwd in andere omgevingen en binnen enkele minuten rechtstreeks in Canvas voorspellingen genereren. Deze naadloze samenwerking tussen zakelijke en technische teams helpt ML in de hele organisatie te democratiseren door ML-modellen transparanter te maken en ML-implementaties te versnellen. Zie voor meer informatie over delen en samenwerken tussen zakelijke en technische teams met behulp van Canvas Nieuw - Breng ML-modellen die overal zijn ingebouwd in Amazon SageMaker Canvas en genereer voorspellingen.

Conclusie

Ga vandaag nog aan de slag met Canvas en profiteer van ML om uw bedrijfsresultaten te behalen zonder een regel code te schrijven. Leer meer van de interactieve zelfstudie or MOOC-cursus op Coursera. Veel plezier met innoveren!

---

Over de auteur

Shyam Srinivasan zit in het AWS low-code/no-code ML-productteam. Hij geeft erom de wereld een betere plek te maken door middel van technologie en vindt het heerlijk om deel uit te maken van deze reis. In zijn vrije tijd houdt Shyam ervan om lange afstanden af ​​te leggen, de wereld rond te reizen en nieuwe culturen te ervaren met familie en vrienden.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/achieve-effective-business-outcomes-with-no-code-machine-learning-using-amazon-sagemaker-canvas/