Obtenha resultados de negócios rápidos com retorno mais rápido do treinamento de modelo de ML usando o Amazon SageMaker Canvas

O aprendizado de máquina (ML) pode ajudar as empresas a tomar melhores decisões de negócios por meio de análises avançadas. Empresas de todos os setores aplicam ML para casos de uso, como previsão de rotatividade de clientes, previsão de demanda, pontuação de crédito, previsão de remessas atrasadas e melhoria da qualidade da fabricação.

Nesta postagem do blog, veremos como Tela do Amazon SageMaker oferece tempos de treinamento de modelo mais rápidos e precisos, permitindo prototipagem e experimentação iterativas, o que, por sua vez, acelera o tempo necessário para gerar previsões melhores.

Modelos de aprendizado de máquina de treinamento

O SageMaker Canvas oferece dois métodos para treinar modelos de ML sem escrever código: compilação rápida e compilação padrão. Ambos os métodos fornecem um modelo de ML totalmente treinado, incluindo impacto de coluna para dados tabulares, com compilação rápida com foco em velocidade e experimentação, enquanto a compilação padrão fornece os mais altos níveis de precisão.

Com ambos os métodos, o SageMaker Canvas pré-processa os dados, escolhe o algoritmo certo, explora e otimiza o espaço de hiperparâmetros e gera o modelo. Esse processo é abstraído do usuário e executado nos bastidores, permitindo que o usuário se concentre nos dados e nos resultados, e não nos aspectos técnicos do treinamento do modelo.

Tempos de treinamento de modelo mais rápidos

Anteriormente, os modelos de construção rápida levavam até 20 minutos e os modelos de construção padrão costumavam levar até 4 horas para gerar um modelo totalmente treinado com importância de recurso. Com novas otimizações de desempenho, agora você pode obter um modelo de construção rápida em menos de 7 minutos e um modelo de construção padrão em menos de 2 horas, dependendo do tamanho do seu conjunto de dados. Estimamos esses números executando testes de benchmark em diferentes tamanhos de conjunto de dados de 0.5 MB a 100 MB.

Nos bastidores, o SageMaker Canvas usa várias tecnologias AutoML para criar automaticamente os melhores modelos de ML para seus dados. Considerando as características heterogêneas dos conjuntos de dados, é difícil saber antecipadamente qual algoritmo melhor se ajusta a um determinado conjunto de dados. As otimizações de desempenho recém-introduzidas no SageMaker Canvas executam vários testes em diferentes algoritmos e treinam uma série de modelos nos bastidores, antes de retornar o melhor modelo para o conjunto de dados fornecido.

As configurações em todos esses testes são executadas em paralelo para cada conjunto de dados para encontrar a melhor configuração em termos de desempenho e latência. Os testes de configuração incluem métricas objetivas, como pontuações F1 e precisão, e ajustam hiperparâmetros de algoritmo para produzir pontuações ideais para essas métricas.

Os tempos de treinamento de modelo aprimorados e acelerados agora permitem que você crie protótipos e experimente rapidamente, resultando em um tempo mais rápido para gerar previsões usando o SageMaker Canvas.

Resumo

O Amazon SageMaker Canvas permite que você obtenha um modelo de ML totalmente treinado em menos de 7 minutos e ajuda a gerar previsões precisas para vários problemas de aprendizado de máquina. Com tempos de treinamento de modelo mais rápidos, você pode se concentrar em entender seus dados e analisar o impacto dos dados e obter resultados de negócios eficazes.

Esse recurso está disponível em todas as regiões da AWS em que o SageMaker Canvas agora é compatível. Você pode aprender mais sobre o SageMaker Canvas página do produto FlexSim e os votos de documentação.

Sobre os autores

Ajjay Govindaram é Arquiteto de Soluções Sênior na AWS. Ele trabalha com clientes estratégicos que usam AI/ML para resolver problemas complexos de negócios. Sua experiência está em fornecer orientação técnica e assistência de design para implantações de aplicativos de IA/ML de modesta a grande escala. Seu conhecimento varia de arquitetura de aplicativos a big data, análise e aprendizado de máquina. Ele gosta de ouvir música enquanto descansa, experimenta o ar livre e passa tempo com seus entes queridos.

Meenakshisundaram Thandavarayan é especialista sênior em IA/ML da AWS. Ele ajuda contas estratégicas de alta tecnologia em sua jornada de IA e ML. Ele é muito apaixonado por IA orientada a dados.

Hariharan Suresh é Arquiteto de Soluções Sênior na AWS. Ele é apaixonado por bancos de dados, aprendizado de máquina e design de soluções inovadoras. Antes de ingressar na AWS, Hariharan foi arquiteto de produtos, especialista em implementação de core banking e desenvolvedor, e trabalhou com organizações BFSI por mais de 11 anos. Fora da tecnologia, ele gosta de parapente e ciclismo.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/achieve-rapid-time-to-value-business-outcomes-with-faster-ml-model-training-using-amazon-sagemaker-canvas/