Dosezite učinkovite poslovne rezultate s strojnim učenjem brez kode z uporabo Amazon SageMaker Canvas

30. novembra 2021 smo razglasitve splošna razpoložljivost Amazon SageMaker Canvas, vizualni vmesnik pokaži in klikni, ki poslovnim analitikom omogoča ustvarjanje zelo natančnih napovedi strojnega učenja (ML), ne da bi morali napisati eno vrstico kode. S Canvasom lahko ML uveljavite v svoji organizaciji, tako da lahko poslovni analitiki brez podatkovne znanosti ali izkušenj z ML uporabljajo natančne napovedi ML za sprejemanje odločitev na podlagi podatkov.

ML postaja vseprisoten v organizacijah v različnih panogah za hitro in natančno zbiranje dragocenih poslovnih vpogledov z uporabo napovedi iz obstoječih podatkov. Ključ do razširitve uporabe ML je, da postane bolj dostopen. To pomeni opolnomočenje poslovnih analitikov, da sami uporabljajo strojno učenje, ne da bi bili odvisni od ekip za podatkovno znanost. Canvas pomaga poslovnim analitikom pri uporabi ML za običajne poslovne težave, ne da bi morali poznati podrobnosti, kot so vrste algoritmov, parametri usposabljanja ali logika ansambla. Danes stranke uporabljajo Canvas za obravnavo širokega nabora primerov uporabe v različnih panogah, vključno z zaznavanjem osipa, konverzijo prodaje in napovedovanjem časovnih vrst.

V tej objavi razpravljamo o ključnih zmogljivostih Canvasa.

Začnite uporabljati Canvas

Canvas ponuja interaktivno predstavitev, ki vam pomaga krmariti po vizualnem vmesniku, začenši z uvozom podatkov iz oblaka ali lokalnih virov. Začetek s Canvasom je hiter; ponujamo vzorčne nabore podatkov za več primerov uporabe, vključno z napovedovanjem odliva strank, ocenjevanjem verjetnosti neplačila posojila, napovedovanjem povpraševanja in predvidevanjem dobavnih časov dobavne verige. Ti nabori podatkov pokrivajo vse primere uporabe, ki jih trenutno podpira Canvas, vključno z binarno klasifikacijo, večrazredno klasifikacijo, regresijo in napovedovanjem časovnih vrst. Če želite izvedeti več o krmarjenju po platnu in uporabi vzorčnih naborov podatkov, glejte Amazon SageMaker Canvas pospešuje vkrcanje z novimi interaktivnimi ogledi izdelkov in vzorčnimi nabori podatkov.

Raziskovalne analize podatkov

Ko uvozite svoje podatke, vam Canvas omogoča, da jih raziščete in analizirate, preden zgradite napovedne modele. Lahko si predogledate uvožene podatke in vizualizirate porazdelitev različnih funkcij. Nato se lahko odločite za preoblikovanje svojih podatkov, da bodo primerni za reševanje vaše težave. Lahko se na primer odločite, da izpustite stolpce, izvlečete datum in čas, pripišete manjkajoče vrednosti ali zamenjate izstopajoče vrednosti s standardnimi vrednostmi ali vrednostmi po meri. Te dejavnosti so zapisane v modelu Recept, ki je vrsta korakov k pripravi podatkov. Ta recept se ohranja v celotnem življenjskem ciklu določenega modela ML od priprave podatkov do generiranja napovedi. glej Amazon SageMaker Canvas razširja zmogljivosti za boljšo pripravo in analizo podatkov za strojno učenje če želite izvedeti več o pripravi in ​​analizi podatkov v Canvasu.

Vizualizirajte svoje podatke

Canvas ponuja tudi možnost definiranja in ustvarjanja novih funkcij v vaših podatkih prek matematičnih operaterjev in logičnih funkcij. Svoje podatke lahko vizualizirate in raziskujete prek škatlastih grafov, paličnih grafov in razpršenih grafov tako, da funkcije povlečete in spustite neposredno na grafikone. Poleg tega Canvas ponuja korelacijske matrike za numerične in kategorične spremenljivke za razumevanje odnosov med funkcijami v vaših podatkih. Te informacije lahko uporabite za izboljšanje vhodnih podatkov in ustvarjanje natančnejših modelov. Za več podrobnosti o zmožnostih analize podatkov v Canvasu glejte Uporabite Amazon SageMaker Canvas za raziskovalno analizo podatkov. Če želite izvedeti več o matematičnih funkcijah in operatorjih v Canvasu, glejte Amazon SageMaker Canvas podpira matematične funkcije in operaterje za bogatejše raziskovanje podatkov.

Ko pripravite in raziščete svoje podatke, vam Canvas ponudi možnost potrditve naborov podatkov, tako da lahko proaktivno preverite težave s kakovostjo podatkov. Canvas preveri podatke v vašem imenu in odkrije težave, kot so manjkajoče vrednosti v kateri koli vrstici ali stolpcu in preveč edinstvenih oznak v ciljnem stolpcu v primerjavi s številom vrstic. Poleg tega vam Canvas ponuja možnosti za odpravo teh težav, preden zgradite svoj model ML. Za globlji potop v zmožnosti preverjanja podatkov glejte Prepoznavanje in izogibanje pogostim težavam s podatki med gradnjo modelov ML brez kode z Amazon SageMaker Canvas.

Zgradite modele ML

Prvi korak k izdelavi modelov ML v Canvasu je definiranje ciljnega stolpca za težavo. Na primer, lahko izberete skupno število sob kot ciljni stolpec za določitev cen stanovanj v stanovanjskem modelu. Lahko pa uporabite odliv kot ciljni stolpec za določitev verjetnosti izgube strank pod različnimi pogoji. Ko izberete ciljni stolpec, Canvas samodejno določi vrsto težave za model, ki ga želite zgraditi.

Preden zgradite model ML, lahko dobite vpogled v ocenjeno natančnost modela in kako je posamezna funkcija vplivala na rezultate, tako da izvedete analizo predogleda. Na podlagi teh vpogledov lahko dodatno pripravite, analizirate ali raziščete svoje podatke, da dobite želeno natančnost za napovedi modela.

Canvas ponuja dve metodi za usposabljanje modelov ML: Hitra izdelava in Standardna izdelava. Obe metodi nudita popolnoma usposobljen model ML s popolno preglednostjo za razumevanje pomena vsake funkcije za rezultat modela. Hitra izdelava se osredotoča na hitrost in eksperimentiranje, medtem ko se standardna izdelava osredotoča na najvišje ravni natančnosti, tako da gre skozi več iteracij predobdelave podatkov, izbere pravi algoritem, razišče prostor hiperparametrov in ustvari več kandidatnih modelov, preden izbere najučinkovitejši model. Ta postopek v zakulisju izvede Canvas, ne da bi bilo treba pisati kodo.

Nove izboljšave zmogljivosti zagotavljajo do trikrat hitrejši čas usposabljanja modela ML, kar omogoča hitro izdelavo prototipov in hitrejši čas do vrednosti za poslovne rezultate. Če želite izvedeti več, glejte Amazon SageMaker Canvas napoveduje do 3x hitrejše usposabljanje modela ML.

Analiza modela

Ko zgradite model, Canvas nudi podrobne meritve natančnosti modela in razložljivost funkcij.

Canvas predstavlja tudi diagram Sankey, ki prikazuje pretok podatkov iz ene vrednosti v drugo, vključno z lažno pozitivnimi in lažno negativnimi vrednostmi.

Za uporabnike, ki jih zanima analiza naprednejših metrik, Canvas ponuja rezultate F1, ki združujejo natančnost in priklic, metriko natančnosti, ki kvantificira, kolikokrat je model izvedel pravilno napoved v celotnem naboru podatkov, in območje pod krivuljo (AUC), ki meri, kako dobro model ločuje kategorije v naboru podatkov.

Napovedi modela

S programom Canvas lahko izvajate napovedi v realnem času na usposobljenem modelu z interaktivnimi analizami kaj če analizirate vpliv različnih vrednosti funkcij na natančnost modela.

Poleg tega lahko izvajate paketna predvidevanja na katerem koli naboru validacijskih podatkov kot celoti. Te napovedi si je mogoče predogledati in jih prenesti za uporabo z nadaljnjimi aplikacijami.

Deljenje in sodelovanje

Canvas vam omogoča, da nadaljujete pot ML tako, da delite svoje modele s svojimi skupinami za podatkovno znanost za pregled, povratne informacije in posodobitve. Svoje modele lahko delite z drugimi uporabniki z uporabo Amazon SageMaker Studio, popolnoma integrirano razvojno okolje (IDE) za ML. Uporabniki Studia lahko pregledajo model in po potrebi posodobijo transformacije podatkov, ponovno usposobijo model in dajo posodobljeno različico modela nazaj v skupno rabo z uporabniki Canvas, ki jo lahko nato uporabijo za ustvarjanje napovedi.

Poleg tega lahko podatkovni znanstveniki delijo modele, ustvarjene zunaj Amazon SageMaker z uporabniki Canvas, odpravo težkega dela za izdelavo ločenega orodja ali uporabniškega vmesnika za skupno rabo modelov med različnimi ekipami. S pristopom prinašanja lastnega modela (BYOM) lahko zdaj uporabljate modele ML, ki so jih izdelale vaše skupine za podatkovno znanost, v drugih okoljih in ustvarite napovedi v nekaj minutah neposredno v Canvasu. To brezhibno sodelovanje med poslovnimi in tehničnimi ekipami pomaga demokratizirati ML v celotni organizaciji z vnosom preglednosti v modele ML in pospeševanjem uvajanja ML. Če želite izvedeti več o skupni rabi in sodelovanju med poslovnimi in tehničnimi ekipami, ki uporabljajo Canvas, glejte Novo – Prenesite modele ML, vgrajene kjer koli, v Amazon SageMaker Canvas in ustvarite napovedi.

zaključek

Začnite s Canvasom že danes in izkoristite ML, da dosežete svoje poslovne rezultate brez pisanja vrstice kode. Izvedite več iz interaktivnega Navodila or MOOC tečaj na Courseri. Veselo inoviranje!

---

O avtorju

Shyam Srinivasan je v skupini za izdelke AWS z nizko kodo/brez kode ML. Skrbi za to, da s tehnologijo naredi svet boljši kraj in rad je del tega potovanja. V prostem času Shyam rad teče na dolge razdalje, potuje po svetu in doživlja nove kulture z družino in prijatelji.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
• vir: https://aws.amazon.com/blogs/machine-learning/achieve-effective-business-outcomes-with-no-code-machine-learning-using-amazon-sagemaker-canvas/