Hur Searchmetrics använder Amazon SageMaker för att automatiskt hitta relevanta sökord och göra sina mänskliga analytiker 20 % snabbare

Återutgiven av Platon

anhängare: 0

Searchmetrics är en global leverantör av sökdata, mjukvara och konsultlösningar som hjälper kunder att omvandla sökdata till unika affärsinsikter. Hittills har Searchmetrics hjälpt mer än 1,000 XNUMX företag som McKinsey & Company, Lowe's och AXA att hitta en fördel i det hyperkonkurrenskraftiga söklandskapet.

2021 vände sig Searchmetrics till AWS för att hjälpa till med användning av artificiell intelligens (AI) för att ytterligare förbättra deras sökinsiktsmöjligheter.

I det här inlägget delar vi hur Searchmetrics byggde en AI-lösning som ökade effektiviteten för sin mänskliga arbetsstyrka med 20 % genom att automatiskt hitta relevanta sökord för ett givet ämne, med hjälp av Amazon SageMaker och dess inbyggda integration med Hugging Face.

Hur Searchmetrics använder Amazon SageMaker för att automatiskt hitta relevanta nyckelord och göra deras mänskliga analytiker 20 % snabbare PlatoBlockchain Data Intelligence. Vertikal sökning. Ai.

"Amazon SageMaker gjorde det enkelt att utvärdera och integrera Hugging Faces toppmoderna NLP-modeller i våra system.
Lösningen vi byggde gör oss mer effektiva och förbättrar vår användarupplevelse avsevärt.”– Ioannis Foukarakis, chef för data, sökmetrics

Använda AI för att identifiera relevans från en lista med sökord

En viktig del av Searchmetrics insiktserbjudande är dess förmåga att identifiera de mest relevanta sökorden för ett visst ämne eller sökavsikt.

För att göra detta har Searchmetrics ett team av analytiker som bedömer den potentiella relevansen av vissa sökord givet ett specifikt fröord. Analytiker använder ett internt verktyg för att granska ett sökord inom ett givet ämne och en genererad lista med potentiellt relaterade sökord, och de måste sedan välja ett eller flera relaterade sökord som är relevanta för det ämnet.

Denna manuella filtrerings- och urvalsprocess var tidskrävande och bromsade Searchmetrics förmåga att leverera insikter till sina kunder.

För att förbättra denna process försökte Searchmetrics bygga en AI-lösning som kunde använda naturlig språkbehandling (NLP) för att förstå syftet med ett givet sökämne och automatiskt rangordna en osynlig lista med potentiella sökord efter relevans.

Använder SageMaker och Hugging Face för att snabbt bygga avancerade NLP-funktioner

För att lösa detta vände sig Searchmetrics ingenjörsteam till SageMaker, en plattform för maskininlärning (ML) som hjälper utvecklare och datavetare att snabbt och enkelt bygga, träna och distribuera ML-modeller.

SageMaker påskyndar distributionen av ML-arbetsbelastningar genom att förenkla ML-byggprocessen. Det ger en bred uppsättning ML-funktioner utöver en helt hanterad infrastruktur. Detta tar bort de odifferentierade tunga lyften som alltför ofta hindrar ML-utvecklingen.

Searchmetrics valde SageMaker på grund av hela utbudet av möjligheter som det gav vid varje steg i ML-utvecklingsprocessen:

SageMaker bärbara datorer gjorde det möjligt för Searchmetrics-teamet att snabbt bygga upp helt hanterade ML-utvecklingsmiljöer, utföra dataförbearbetning och experimentera med olika tillvägagångssätt
Smakämnen batch-omvandling funktioner i SageMaker gjorde det möjligt för Searchmetrics att effektivt bearbeta sina slutsatser i bulk, samt enkelt integreras i sin befintliga webbtjänst i produktionen

Searchmetrics var också särskilt intresserade av den inbyggda integrationen av SageMaker med Kramande ansikte, en spännande NLP-startup som ger enkel tillgång till mer än 7,000 XNUMX förtränade språkmodeller genom sitt populära Transformers-bibliotek.

SageMaker tillhandahåller en direkt integration med Hugging Face genom en dedikerad Hugging Face-skattare i SageMaker SDK. Detta gör det enkelt att köra Hugging Face-modeller på den fullt hanterade SageMaker-infrastrukturen.

Med denna integrering kunde Searchmetrics testa och experimentera med en rad olika modeller och tillvägagångssätt för att hitta den bästa metoden för deras användningsfall.

Slutlösningen använder en klassificeringspipeline för nollbilder för att identifiera de mest relevanta sökorden. Olika förtränade modeller och frågestrategier utvärderades, med facebook/bart-large-mnli ger de mest lovande resultaten.

Använder AWS för att förbättra operativ effektivitet och hitta nya innovationsmöjligheter

Med SageMaker och dess inbyggda integration med Hugging Face kunde Searchmetrics bygga, träna och distribuera en NLP-lösning som kunde förstå ett givet ämne och korrekt rangordna en osynlig lista med sökord baserat på deras relevans. Verktygsuppsättningen som SageMaker erbjuder gjorde det lättare att experimentera och distribuera.

När den integrerades med Searchmetrics befintliga interna verktyg, gav denna AI-kapacitet en genomsnittlig minskning på 20 % av tiden det tog för mänskliga analytiker att slutföra sitt jobb. Detta resulterade i högre genomströmning, förbättrad användarupplevelse och snabbare introduktion av nya användare.

Denna initiala framgång har inte bara förbättrat den operativa prestandan för Searchmetrics sökanalytiker, utan har också hjälpt Searchmetrics att kartlägga en tydligare väg för att implementera mer omfattande automationslösningar med hjälp av AI i sin verksamhet.

Dessa spännande nya innovationsmöjligheter hjälper Searchmetrics att fortsätta att förbättra sina insiktsmöjligheter och hjälper dem också att säkerställa att kunderna fortsätter att ligga före i det hyperkonkurrenskraftiga söklandskapet.

Dessutom tillkännagav Hugging Face och AWS ett partnerskap tidigare under 2022 som gör det ännu enklare att träna Hugging Face-modeller på SageMaker. Denna funktion är tillgänglig genom utvecklingen av Hugging Face AWS Deep Learning-behållare (DLC). Dessa behållare inkluderar Hugging Face Transformers, Tokenizers och Dataset-biblioteket, vilket gör att vi kan använda dessa resurser för utbildning och slutledningsjobb.

För en lista över tillgängliga DLC-bilder, se tillgängliga Deep Learning Containers -bilder, som underhålls och uppdateras regelbundet med säkerhetskorrigeringar. Du kan hitta många exempel på hur man tränar Hugging Face-modeller med dessa DLC:er och Hugging Face Python SDK i följande GitHub repo.

Läs mer om hur du kan påskynda din förmåga att förnya med AI/ML genom att besöka Komma igång med Amazon SageMaker, få praktiskt lärandeinnehåll genom att granska Amazon SageMaker utvecklarresurser, eller på besök Hugging Face på Amazon SageMaker.

Om författaren

Daniel Burke är den europeiska ledaren för AI och ML i Private Equity-gruppen på AWS. Daniel arbetar direkt med Private Equity-fonder och deras portföljbolag, och hjälper dem att accelerera deras AI- och ML-adoption för att förbättra innovation och öka företagsvärdet.