Dosezite hitre poslovne rezultate s časom do vrednosti s hitrejšim usposabljanjem modela ML z uporabo Amazon SageMaker Canvas

Strojno učenje (ML) lahko z napredno analitiko pomaga podjetjem sprejemati boljše poslovne odločitve. Podjetja v različnih panogah uporabljajo ML za primere uporabe, kot so napovedovanje odliva strank, napovedovanje povpraševanja, kreditno točkovanje, predvidevanje zamud pri dobavah in izboljšanje kakovosti proizvodnje.

V tem blogu si bomo ogledali, kako Amazon SageMaker Canvas zagotavlja hitrejše in natančnejše čase usposabljanja modela, kar omogoča iterativno izdelavo prototipov in eksperimentiranje, kar posledično pospeši čas, potreben za ustvarjanje boljših napovedi.

Usposabljanje modelov strojnega učenja

SageMaker Canvas ponuja dve metodi za usposabljanje modelov ML brez pisanja kode: Quick build in Standard build. Obe metodi zagotavljata popolnoma usposobljen model ML, vključno z vplivom stolpca za tabelarične podatke, pri čemer se Quick build osredotoča na hitrost in eksperimentiranje, medtem ko Standard build zagotavlja najvišje stopnje natančnosti.

Z obema metodama SageMaker Canvas predhodno obdela podatke, izbere pravi algoritem, razišče in optimizira prostor hiperparametrov ter ustvari model. Ta proces je abstrahiran od uporabnika in poteka v zakulisju, kar uporabniku omogoča, da se osredotoči na podatke in rezultate, ne pa na tehnične vidike usposabljanja modela.

Hitrejši čas usposabljanja modela

Prej so modeli za hitro izgradnjo potrebovali do 20 minut, standardni modeli za izgradnjo pa do 4 ure, da so ustvarili popolnoma usposobljen model s pomembnostjo funkcij. Z novimi optimizacijami zmogljivosti lahko zdaj dobite model hitre gradnje v manj kot 7 minutah in standardni model gradnje v manj kot 2 urah, odvisno od velikosti vašega nabora podatkov. Te številke smo ocenili z izvajanjem primerjalnih testov na različnih velikostih naborov podatkov od 0.5 MB do 100 MB.

Pod pokrovom SageMaker Canvas uporablja več tehnologij AutoML za samodejno izdelavo najboljših modelov ML za vaše podatke. Glede na heterogene značilnosti naborov podatkov je težko vnaprej vedeti, kateri algoritem najbolje ustreza določenemu naboru podatkov. Na novo uvedene optimizacije delovanja v SageMaker Canvas izvajajo več preskusov z različnimi algoritmi in usposabljajo vrsto modelov v zakulisju, preden vrnejo najboljši model za dani nabor podatkov.

Konfiguracije v vseh teh preskusih se izvajajo vzporedno za vsak nabor podatkov, da se poišče najboljša konfiguracija v smislu zmogljivosti in zakasnitve. Konfiguracijski testi vključujejo objektivne metrike, kot so rezultati F1 in natančnost, ter prilagajanje hiperparametrov algoritma za ustvarjanje optimalnih rezultatov za te metrike.

Izboljšani in pospešeni časi usposabljanja modela vam zdaj omogočajo hitro izdelavo prototipov in eksperimentiranje, kar ima za posledico hitrejši čas za ustvarjanje napovedi z uporabo SageMaker Canvas.

Povzetek

Amazon SageMaker Canvas vam omogoča, da dobite popolnoma usposobljen model ML v manj kot 7 minutah, in pomaga pri ustvarjanju natančnih napovedi za več težav s strojnim učenjem. S hitrejšim časom usposabljanja modela se lahko osredotočite na razumevanje svojih podatkov in analiziranje vpliva podatkov ter dosežete učinkovite poslovne rezultate.

Ta zmožnost je na voljo v vseh regijah AWS, kjer je zdaj podprt SageMaker Canvas. Več lahko izveste na SageMaker Canvas Stran izdelka in Dokumentacija.

O avtorjih

Ajjay Govindaram je višji arhitekt rešitev pri AWS. Dela s strateškimi strankami, ki uporabljajo AI/ML za reševanje kompleksnih poslovnih problemov. Njegove izkušnje so pri zagotavljanju tehničnega vodenja in pomoči pri oblikovanju za skromne do obsežne uvedbe aplikacij AI/ML. Njegovo znanje sega od arhitekture aplikacij do velikih podatkov, analitike in strojnega učenja. Uživa v poslušanju glasbe med počitkom, doživetjih na prostem in preživljanju časa s svojimi najdražjimi.

Meenakshisundaram Thandavarayan je višji strokovnjak za AI/ML pri AWS. Pomaga visokotehnološkim strateškim računom na njihovi poti AI in ML. Zelo je navdušen nad AI, ki temelji na podatkih.

Hariharan Suresh je višji arhitekt rešitev pri AWS. Navdušen je nad bazami podatkov, strojnim učenjem in oblikovanjem inovativnih rešitev. Preden se je pridružil AWS, je bil Hariharan produktni arhitekt, specialist za osnovno bančništvo in razvijalec ter je več kot 11 let sodeloval z organizacijami BFSI. Poleg tehnike se ukvarja z jadralnim padalstvom in kolesarjenjem.

• 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-rapid-time-to-value-business-outcomes-with-faster-ml-model-training-using-amazon-sagemaker-canvas/