Hvordan Searchmetrics bruker Amazon SageMaker til å automatisk finne relevante søkeord og gjøre menneskelige analytikere 20 % raskere

Publisert av Platon

Følgere: 0

Searchmetrics er en global leverandør av søkedata, programvare og konsulentløsninger, som hjelper kunder å gjøre søkedata om til unik forretningsinnsikt. Til dags dato har Searchmetrics hjulpet mer enn 1,000 selskaper som McKinsey & Company, Lowe's og AXA med å finne en fordel i det hyperkonkurransedyktige søkelandskapet.

I 2021 henvendte Searchmetrics seg til AWS for å hjelpe med bruk av kunstig intelligens (AI) for å forbedre søkeinnsiktsfunksjonene deres ytterligere.

I dette innlegget deler vi hvordan Searchmetrics bygde en AI-løsning som økte effektiviteten til den menneskelige arbeidsstyrken med 20 % ved automatisk å finne relevante søkeord for et gitt emne, ved å bruke Amazon SageMaker og dens opprinnelige integrasjon med Hugging Face.

Hvordan Searchmetrics bruker Amazon SageMaker til å automatisk finne relevante søkeord og gjøre deres menneskelige analytikere 20 % raskere PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

«Amazon SageMaker gjorde det til en lek å evaluere og integrere Hugging Faces toppmoderne NLP-modeller i systemene våre.
Løsningen vi bygde gjør oss mer effektive og forbedrer brukeropplevelsen vår betydelig.»– Ioannis Foukarakis, sjef for data, søkemetrics

Bruke AI for å identifisere relevans fra en liste med søkeord

En sentral del av Searchmetrics' innsiktstilbud er dens evne til å identifisere de mest relevante søkeordene for et gitt emne eller søkehensikt.

For å gjøre dette har Searchmetrics et team av analytikere som vurderer den potensielle relevansen til visse søkeord gitt et spesifikt frøord. Analytikere bruker et internt verktøy for å vurdere et søkeord innenfor et gitt emne og en generert liste over potensielt relaterte søkeord, og de må deretter velge ett eller flere relaterte søkeord som er relevante for det emnet.

Denne manuelle filtrerings- og utvalgsprosessen var tidkrevende og bremset Searchmetrics' evne til å levere innsikt til kundene sine.

For å forbedre denne prosessen søkte Searchmetrics å bygge en AI-løsning som kunne bruke naturlig språkbehandling (NLP) for å forstå intensjonen til et gitt søkeemne og automatisk rangere en usett liste over potensielle søkeord etter relevans.

Bruke SageMaker og Hugging Face for raskt å bygge avanserte NLP-funksjoner

For å løse dette, henvendte Searchmetrics' ingeniørteam seg til SageMaker, en ende-til-ende maskinlæringsplattform (ML) som hjelper utviklere og dataforskere raskt og enkelt å bygge, trene og distribuere ML-modeller.

SageMaker akselererer distribusjonen av ML-arbeidsbelastninger ved å forenkle ML-byggeprosessen. Den gir et bredt sett med ML-funksjoner på toppen av en fullt administrert infrastruktur. Dette fjerner de udifferensierte tunge løftene som altfor ofte hindrer ML-utvikling.

Searchmetrics valgte SageMaker på grunn av hele spekteret av funksjoner det ga på hvert trinn i ML-utviklingsprosessen:

SageMaker notatbøker gjorde det mulig for Searchmetrics-teamet å raskt spinne opp fullt administrerte ML-utviklingsmiljøer, utføre dataforbehandling og eksperimentere med forskjellige tilnærminger
De batch-transformasjon egenskapene i SageMaker gjorde det mulig for Searchmetrics å effektivt behandle sine slutningsnyttelaster i bulk, samt enkelt integrere i sin eksisterende nettjeneste i produksjon

Searchmetrics var også spesielt interessert i den opprinnelige integreringen av SageMaker med Klemme ansiktet, en spennende NLP-oppstart som gir enkel tilgang til mer enn 7,000 ferdigtrente språkmodeller gjennom sitt populære Transformers-bibliotek.

SageMaker gir en direkte integrasjon med Hugging Face gjennom en dedikert Hugging Face-estimator i SageMaker SDK. Dette gjør det enkelt å kjøre Hugging Face-modeller på den fullt administrerte SageMaker-infrastrukturen.

Med denne integrasjonen var Searchmetrics i stand til å teste og eksperimentere med en rekke forskjellige modeller og tilnærminger for å finne den best ytelse tilnærmingen til brukssaken deres.

Sluttløsningen bruker en nullskuddsklassifiseringspipeline for å identifisere de mest relevante søkeordene. Ulike forhåndstrente modeller og spørringsstrategier ble evaluert, med facebook/bart-large-mnli gir de mest lovende resultatene.

Bruk av AWS for å forbedre operasjonell effektivitet og finne nye innovasjonsmuligheter

Med SageMaker og dens opprinnelige integrasjon med Hugging Face, var Searchmetrics i stand til å bygge, trene og distribuere en NLP-løsning som kunne forstå et gitt emne og nøyaktig rangere en usett liste over søkeord basert på deres relevans. Verktøysettet som tilbys av SageMaker gjorde det enklere å eksperimentere og distribuere.

Når integrert med Searchmetrics sitt eksisterende interne verktøy, ga denne AI-evnen en gjennomsnittlig reduksjon på 20 % i tiden det tok for menneskelige analytikere å fullføre jobben sin. Dette resulterte i høyere gjennomstrømning, forbedret brukeropplevelse og raskere introduksjon av nye brukere.

Denne første suksessen har ikke bare forbedret den operasjonelle ytelsen til Searchmetrics sine søkeanalytikere, men har også hjulpet Searchmetrics med å kartlegge en klarere vei for å implementere mer omfattende automatiseringsløsninger ved bruk av AI i virksomheten.

Disse spennende nye innovasjonsmulighetene hjelper Searchmetrics med å fortsette å forbedre sine innsiktsevner, og hjelper dem også med å sikre at kundene fortsetter å ligge i forkant i det hyperkonkurransedyktige søkelandskapet.

I tillegg annonserte Hugging Face og AWS et samarbeid tidligere i 2022 som gjør det enda enklere å trene Hugging Face-modeller på SageMaker. Denne funksjonaliteten er tilgjengelig gjennom utviklingen av Hugging Face AWS Deep Learning-beholdere (DLC-er). Disse beholderne inkluderer Hugging Face Transformers, Tokenizers og Dataset-biblioteket, som lar oss bruke disse ressursene til trening og slutningsjobber.

For en liste over tilgjengelige DLC-bilder, se tilgjengelig Deep Learning Containers-bilder, som vedlikeholdes og oppdateres jevnlig med sikkerhetsoppdateringer. Du kan finne mange eksempler på hvordan du trener Hugging Face-modeller med disse DLC-ene og Hugging Face Python SDK i de neste GitHub repo.

Finn ut mer om hvordan du kan akselerere din evne til å innovere med AI/ML ved å besøke Komme i gang med Amazon SageMaker, få praktisk læringsinnhold ved å gå gjennom Amazon SageMaker-utviklerressurser, eller på besøk Hugging Face på Amazon SageMaker.

om forfatteren

Daniel Burke er europeisk leder for AI og ML i Private Equity-gruppen hos AWS. Daniel jobber direkte med Private Equity-fond og deres porteføljeselskaper, og hjelper dem med å akselerere deres AI og ML-adopsjon for å forbedre innovasjon og øke bedriftsverdien.