Amazon SageMaker JumpStart çözümlerinde makine öğrenimi yoluyla iş sorunlarını uçtan uca çözün

Amazon SageMaker Hızlı Başlangıç Makine öğrenimine (ML) başlamanıza yardımcı olmak amacıyla çok çeşitli sorun türleri için önceden eğitilmiş, açık kaynaklı modeller sağlar. JumpStart ayrıca yaygın kullanım durumları için altyapıyı kuran çözüm şablonları ve makine öğrenimi için yürütülebilir örnek not defterleri de sağlar. Amazon Adaçayı Yapıcı.

Bir iş kullanıcısı olarak JumpStart çözümleriyle aşağıdakileri yapabilirsiniz:

• Çözümleri keşfedin ve hangilerinin iş ihtiyaçlarınıza uygun olduğunu değerlendirin.
• Tek tıklamayla çözümleri başlatın Amazon SageMaker Stüdyosu. Bu, bir AWS CloudFormation Gerekli kaynakları oluşturmak için şablon.
• Temel dizüstü bilgisayar ve model varlıklarına erişim sayesinde çözümü ihtiyaçlarınızı karşılayacak şekilde değiştirin.
• İşlem tamamlandıktan sonra edinilen kaynakları silin.

Bu yazı, beş farklı iş sorununu çözmek için yakın zamanda eklenen beş makine öğrenimi çözümüne odaklanıyor. Bu yazının yazıldığı an itibarıyla JumpStart, finansal işlemlerde dolandırıcılığın tespitinden el yazısını tanımaya kadar değişen 23 iş çözümü sunuyor. JumpStart aracılığıyla sunulan çözümlerin sayısı, daha fazla çözüm eklendikçe düzenli olarak artmaktadır.

Çözüme genel bakış

Beş yeni çözüm aşağıdaki gibidir:

• Fiyat optimizasyonu – Geliri, kârı veya diğer özel ölçümleri en üst düzeye çıkarmak gibi iş hedefinize ulaşmak amacıyla ürün veya hizmetinizin fiyatını belirlerken en uygun kararları vermenize yardımcı olacak özelleştirilebilir makine öğrenimi modelleri sunar.
• Kuş türü tahmini – Bir nesne algılama modelini nasıl eğitebileceğinizi ve ince ayar yapabileceğinizi gösterir. Eğitim görüntüsünün artırılması yoluyla model ayarlamasını gösterir ve eğitim işinin yinelemeleri (dönemleri) boyunca meydana gelen doğruluk iyileştirmelerinin grafiğini çizer.
• Akciğer kanseri hayatta kalma tahmini – Bir hastanın akciğer kanserinde hayatta kalma şansını tahmin etmek için 2D ve 3D radyomik özellikleri ve hasta demografisini bir ML algoritmasına nasıl besleyebileceğinizi gösterir. Bu tahminden elde edilen sonuçlar, sağlayıcıların uygun proaktif önlemleri almasına yardımcı olabilir.
• Finansal ödeme sınıflandırması – Finansal işlemleri işlem bilgilerine göre sınıflandırmak için bir makine öğrenimi modelinin nasıl eğitileceğini ve dağıtılacağını gösterir. Bu çözümü ayrıca dolandırıcılık tespiti, kişiselleştirme veya anormallik tespitinde bir ara adım olarak da kullanabilirsiniz.
• Cep telefonu müşterileri için müşteri kaybı tahmini – Mobil çağrı işlem veri kümesini kullanarak bir müşteri kaybı tahmin modelinin hızlı bir şekilde nasıl geliştirileceğini gösterir. Bu, makine öğrenimine yeni başlayan kullanıcılar için basit bir örnektir.

Önkoşullar

Bu çözümleri kullanmak için SageMaker işlevini çalıştırmanıza olanak tanıyan bir yürütme rolüyle Studio'ya erişiminiz olduğundan emin olun. Studio'daki kullanıcı rolünüz için aşağıdakilerin geçerli olduğundan emin olun: SageMaker Projeleri ve Hızlı Başlangıç seçeneği açık.

Aşağıdaki bölümlerde, beş yeni çözümün her birini inceleyeceğiz ve nasıl çalıştığını ayrıntılı olarak tartışacağız ve bunu kendi iş ihtiyaçlarınız için nasıl kullanabileceğinize dair bazı öneriler sunacağız.

Fiyat optimizasyonu

İşletmeler en iyi sonuçları elde etmek için çeşitli araçları kullanmayı sever. Örneğin bir ürünün veya hizmetin fiyatı, işletmenin kontrol edebileceği bir kaldıraçtır. Soru, kar veya gelir gibi bir iş hedefini en üst düzeye çıkarmak için bir ürün veya hizmetin hangi fiyata belirleneceğine nasıl karar verileceğidir.

Bu çözüm, geliri, kârı veya diğer özel ölçümleri en üst düzeye çıkarmak gibi hedefinize ulaşmak amacıyla ürün veya hizmetinizin fiyatını belirlerken en uygun kararları vermenize yardımcı olacak özelleştirilebilir makine öğrenimi modelleri sağlar. Çözüm, geçmiş verilerden fiyat-hacim ilişkilerini öğrenmek için makine öğrenimi ve nedensel çıkarım yaklaşımlarını kullanıyor ve özel hedef metriklerini optimize etmek için gerçek zamanlı dinamik fiyat önerileri yapabiliyor.

Aşağıdaki ekran görüntüsü örnek giriş verilerini göstermektedir.

Çözüm üç bölümden oluşuyor:

• Fiyat esnekliği tahmini – Bu, çift ML algoritması yoluyla nedensel çıkarımla tahmin edilir
• Hacim tahmini – Bu, Prophet algoritması kullanılarak tahmin ediliyor
• Fiyat optimizasyonu – Bu, farklı fiyat senaryoları aracılığıyla bir senaryo simülasyonu ile elde edilir

Çözüm, geliri en üst düzeye çıkarmak için ertesi gün için önerilen fiyatı sağlar. Ayrıca çıktılar, fiyatın hacim üzerindeki etkisini gösteren bir değer olan tahmini fiyat esnekliğini ve bir sonraki günün hacmini tahmin edebilen bir tahmin modelini de içermektedir. Aşağıdaki grafik, hesaplanan fiyat esnekliğini içeren nedensel bir modelin, bir durum analizi altında (davranış fiyatından büyük sapmalarla), zaman serisi verilerini kullanarak hacmi tahmin etmek için Prophet'i kullanan tahmine dayalı bir modele göre nasıl çok daha iyi performans gösterdiğini göstermektedir.

Bu çözümü aşağıdaki kullanım durumları için işletmenize uygulayabilirsiniz:

• Bir perakende mağazası için en uygun mal fiyatını belirleyin
• İndirim kuponlarının müşteri satın almaları üzerindeki etkisini tahmin edin
• Herhangi bir işletmedeki çeşitli teşvik yöntemlerinin etkisini tahmin edin

Kuş türü tahmini

Günümüzde işletmeler için çeşitli bilgisayarlı görme (CV) uygulamaları bulunmaktadır. Bu uygulamalardan biri, bir ML algoritmasının bir görüntüdeki bir nesnenin konumunu, etrafına bir sınırlayıcı kutu çizerek algıladığı ve nesnenin türünü tanımladığı nesne algılamadır. Bir nesne algılama modelinin nasıl uygulanacağını ve ince ayarının nasıl yapılacağını öğrenmek, CV ihtiyaçları olan bir kuruluş için büyük değer taşıyabilir.

Bu çözüm, görüntüleri SageMaker algoritmasına sağlarken sınırlayıcı kutu spesifikasyonlarının nasıl çevrileceğine ilişkin bir örnek sağlar. Bu çözüm aynı zamanda yatay olarak çevrilen eğitim görüntülerinin (ayna görüntüleri) eklenmesiyle bir nesne algılama modelinin nasıl geliştirileceğini de gösterir.

Çok sayıda sınıf (200 kuş türü) olduğunda, nesne algılama zorluklarını denemek için bir not defteri sağlanır. Not defteri ayrıca eğitim işinin dönemleri boyunca meydana gelen doğruluk iyileştirmelerinin nasıl çizelgeleneceğini de gösterir. Aşağıdaki resimde kuşlar veri kümesinden örnek resimler gösterilmektedir.

Bu çözüm beş adım içerir:

1. İndirme ve indirme de dahil olmak üzere verileri hazırlayın. RecordIO dosya oluşturma.
2. Bir nesne algılama modeli oluşturun ve eğitin.
3. Bir uç nokta dağıtın ve model performansını değerlendirin.
4. Genişletilmiş veri kümesiyle yeniden bir nesne algılama modeli oluşturun ve eğitin.
5. Bir uç nokta dağıtın ve genişletilmiş model performansını değerlendirin.

Çıktı olarak aşağıdakileri alırsınız:

• Test görüntünüze kutuların yapıştırılmasıyla nesne algılama sonuçları
• Eğitilmiş bir nesne algılama modeli
• Ek genişletilmiş (çevrilmiş) veri kümesine sahip eğitimli bir nesne algılama modeli
• Her modelden biriyle dağıtılan iki ayrı uç nokta

Aşağıdaki grafik, eğitim sırasında model yinelemelerine (dönemlere) karşı model gelişimini göstermektedir.

Aşağıdaki örnekler iki test görüntüsünden alınmıştır.

Bu çözümü aşağıdaki kullanım durumları için işletmenize uygulayabilirsiniz:

• Ambalaj endüstrisindeki taşıma bandındaki nesneleri algılama
• Pizzadaki malzemeleri tespit edin
• Nesne algılamayı içeren tedarik zinciri operasyonel uygulamalarını hayata geçirin

Akciğer kanseri hayatta kalma tahmini

COVID-19, akciğerle ilgili tıbbi zorluklara çok daha fazla dikkat çekti. Ayrıca hastaneler, doktorlar, hemşireler ve radyologlar üzerinde de büyük bir baskı oluşturdu. Tıp pratisyenlerine yardımcı olmak ve işlerini hızlandırmalarına yardımcı olmak için ML'yi güçlü bir araç olarak uygulayabileceğiniz bir olasılığı hayal edin. Bu çözümde, bir hastanın akciğer kanserinde hayatta kalma şansını tahmin etmek için 2D ve 3D radyomik özelliklerin ve hasta demografisinin bir ML algoritmasına nasıl beslenebileceğini gösteriyoruz. Bu tahminden elde edilen sonuçlar, sağlayıcıların uygun proaktif önlemleri almasına yardımcı olabilir.

Bu çözüm, RNA sıralama verileri, klinik veriler (EHR verilerini yansıtan) ve tıbbi görüntülerden oluşan Küçük Hücreli Dışı Akciğer Kanseri (NSCLC) Radyogenomik veri kümesi için ölçeklenebilir bir ML hattının nasıl oluşturulacağını gösterir. Bir makine modeli oluşturmak için birden fazla veri türünün kullanılmasına ne ad verilir? çok modlu ML. Bu çözüm, küçük hücreli dışı akciğer kanseri tanısı alan hastaların hayatta kalma sonuçlarını öngörüyor.

Aşağıdaki resimde Küçük Hücreli Dışı Akciğer Kanseri (NSCLC) Radyogenomik veri setinden alınan giriş verilerinin bir örneği gösterilmektedir.

Çözümün bir parçası olarak tümör dokusundan toplam RNA çıkarıldı ve RNA sıralama teknolojisiyle analiz edildi. Orijinal veriler 22,000'den fazla gen içermesine rağmen, tanımlanmış, halka açık gen ekspresyon kohortlarında doğrulanmış ve prognozla ilişkilendirilen 21 yüksek derecede birlikte eksprese edilen gen kümesinden (metajen) 10 geni tutuyoruz.

Klinik kayıtlar CSV formatında saklanır. Her satır bir hastaya karşılık gelir ve sütunlar hastalar hakkında demografik bilgiler, tümör evresi ve hayatta kalma durumu gibi bilgileri içerir.

Genomik veriler için, tanımlanmış, kamuya açık gen ekspresyon kohortlarında doğrulanmış ve prognozla ilişkilendirilmiş, yüksek düzeyde birlikte eksprese edilen 21 gen kümesinden (metajenler) 10 gen tutuyoruz.

Tıbbi görüntüleme verileri için, BT taramalarında gözlemlenen tümörlerin boyutunu, şeklini ve görsel özelliklerini açıklayan hasta düzeyinde 3 boyutlu radyomik özellikler oluşturuyoruz. Her hasta çalışması için aşağıdaki adımlar gerçekleştirilir:

1. Hem CT taraması hem de tümör segmentasyonu için 2D DICOM dilim dosyalarını okuyun, bunları 3D hacimlerle birleştirin, hacimleri NIfTI formatında kaydedin.
2. CT hacmini ve tümör segmentasyonunu hizalayın, böylece hesaplamayı tümörün içine odaklayabiliriz.
3. Piradiomik kütüphanesini kullanarak tümör bölgesini tanımlayan radyomik özellikleri hesaplayın.
4. İlgili tümörlü bölgedeki yoğunluğun dağılımı ve birlikte ortaya çıkışının istatistiksel temsilleri ve tümörü morfolojik olarak tanımlayan şekil bazlı ölçümler gibi sekiz sınıfın 120 radyomik özelliğini çıkarın.

Model eğitimi için bir hastanın çok modlu görünümünü oluşturmak amacıyla üç modaliteden özellik vektörlerini birleştiriyoruz. Daha sonra verileri işleriz. İlk olarak, özellik ölçeklendirmeyi kullanarak bağımsız özelliklerin aralığını normalleştiriyoruz. Daha sonra boyutluluğu azaltmak ve verilerde %95 varyansa katkıda bulunan en ayırt edici özellikleri belirlemek için özellikler üzerinde temel bileşen analizi (PCA) gerçekleştiriyoruz.

Bu, denetlenen öğrenen için özellikleri oluşturan 215 özellikten 45 temel bileşene kadar boyutsallığın azalmasıyla sonuçlanır.

Çözüm, NSCLC hastalarının hayatta kalma durumunu (ölü veya canlı) bir olasılık biçiminde tahmin eden bir ML modeli üretiyor. Model ve tahminin yanı sıra modeli açıklayacak raporlar da üretiyoruz. Tıbbi görüntüleme hattı, görselleştirme amacıyla 3 boyutlu akciğer BT hacimleri ve tümör segmentasyonu üretir.

Bu çözümü sağlık ve yaşam bilimleri kullanım senaryolarına uygulayabilirsiniz.

Finansal ödeme sınıflandırması

Bir işletmenin veya tüketicinin tüm finansal işlemlerini alıp bunları çeşitli kategorilere ayırmak oldukça faydalı olabilir. Kullanıcının hangi kategoride ne kadar harcadığını öğrenmesine yardımcı olabilir ve ayrıca belirli bir kategorideki işlemler veya harcamalar beklenmedik bir şekilde arttığında veya azaldığında uyarı verebilir.

Bu çözüm, finansal işlemleri işlem bilgilerine göre sınıflandırmak için bir makine öğrenimi modelinin nasıl eğitileceğini ve dağıtılacağını gösterir. Birçok banka bunu, son kullanıcılarına harcama alışkanlıklarına ilişkin genel bir bakış sunan bir hizmet olarak sunmaktadır. Bu çözümü ayrıca dolandırıcılık tespiti, kişiselleştirme veya anormallik tespitinde bir ara adım olarak da kullanabilirsiniz. Gerekli temel altyapıya sahip bir XGBoost modelini eğitmek ve dağıtmak için SageMaker'ı kullanıyoruz.

Bu çözümü göstereceğimiz sentetik veri seti aşağıdaki özelliklere sahiptir:

• işlem_kategorisi – Aşağıdaki 19 seçenek arasından işlemin kategorisi: Uncategorized, Entertainment, Education, Shopping, Personal Care, Health and Fitness, Food and Dining, Gifts and Donations, Investments, Bills and Utilities, Auto and Transport, Travel, Fees and Charges, Business Services, Personal Services, Taxes, Gambling, Home, ve Pension and insurances.
• alıcı_kimliği – Alıcı tarafın tanımlayıcısı. Tanımlayıcı 16 rakamdan oluşur.
• Gönderen Kimliği – Gönderen tarafın tanımlayıcısı. Tanımlayıcı 16 rakamdan oluşur.
• miktar – Aktarılan tutar.
• zaman damgası – İşlemin YYYY-AA-GG SS:DD:SS biçimindeki zaman damgası.

Veri setinin ilk beş gözlemi aşağıdaki gibidir:

Bu çözüm için, degrade destekli ağaçlar algoritmasının popüler ve etkili bir açık kaynak uygulaması olan XGBoost'u kullanıyoruz. Gradyan artırma, bir dizi daha basit ve daha zayıf modelden elde edilen tahminler grubunu birleştirerek bir hedef değişkeni doğru bir şekilde tahmin etmeye çalışan denetimli bir öğrenme algoritmasıdır. Uygulaması SageMaker yerleşik algoritmalarında mevcuttur.

Finansal ödeme sınıflandırma çözümü dört adımdan oluşur:

1. Verileri hazırlayın.
2. Bir özellik mağazası oluşturun.
3. Bir XGBoost modeli oluşturun ve eğitin.
4. Bir uç nokta dağıtın ve model performansını değerlendirin.

Aşağıdaki çıktıyı alıyoruz:

• Örnek veri kümemizi temel alan eğitimli bir XGBoost modeli
• İşlem kategorisini tahmin edebilen bir SageMaker uç noktası

Bu çözümü çalıştırdıktan sonra aşağıdakine benzer bir sınıflandırma raporu görmelisiniz.

İşletmeniz için olası uygulamalar aşağıdakileri içerir:

• Bireysel ve yatırım bankacılığında çeşitli finansal uygulamalar
• İşlemlerin herhangi bir kullanım durumunda (sadece finansal değil) sınıflandırılması gerektiğinde

Cep telefonu müşterileri için abone kaybı tahmini

Müşteri kaybını tahmin etmek çok yaygın bir iş ihtiyacıdır. Çok sayıda çalışma, mevcut bir müşteriyi elde tutmanın maliyetinin, yeni bir müşteri kazanmaktan çok daha az olduğunu göstermektedir. Zorluk genellikle bir müşterinin neden vazgeçtiğini anlamakta veya müşteriyi kaybetmeyi öngören bir model oluşturmakta zorlanan işletmelerden kaynaklanmaktadır.

Bu örnekte, ML'de yeni olan kullanıcılar, bir mobil çağrı işlem veri kümesi kullanılarak bir müşteri kaybı tahmin modelinin nasıl hızlı bir şekilde geliştirilebileceğini deneyimleyebilir. Bu çözüm, bir müşterinin cep telefonu operatöründen ayrılma olasılığının olup olmadığını tahmin etmek amacıyla müşteri profili veri kümesinde bir XGBoost modelini eğitmek ve dağıtmak için SageMaker'ı kullanıyor.

Bu çözümün kullandığı veri kümesi kamuya açıktır ve Daniel T. Larose'nin Discovering Knowledge in Data adlı kitabında bahsedilmektedir. Yazar tarafından Kaliforniya Üniversitesi Irvine Makine Öğrenimi Veri Kümeleri Havuzuna atfedilmektedir.

Bu veri kümesi, bilinmeyen bir ABD mobil operatörünün müşterisinin profilini tanımlamak için aşağıdaki 21 özelliği kullanır.

• Eyalet: Müşterinin ikamet ettiği, iki harfli kısaltmayla gösterilen ABD eyaleti; örneğin OH veya NJ
• Hesap Uzunluğu: Bu hesabın aktif olduğu gün sayısı
• Alan Kodu: İlgili müşterinin telefon numarasının üç haneli alan kodu
• Telefon: kalan yedi haneli telefon numarası
• Uluslararası Plan: Müşterinin uluslararası arama planı olup olmadığı: evet/hayır
• VMail Planı: müşterinin sesli posta özelliği olup olmadığı: evet/hayır
• VMail Mesajı: aylık ortalama sesli posta mesajı sayısı
• Gün Dakikası: gün içinde kullanılan toplam arama dakikası sayısı
• Günlük Aramalar: gün içinde yapılan aramaların toplam sayısı
• Günlük Ücret: gündüz aramalarının faturalandırılan maliyeti
• Eve Dakikalar, Eve Aramalar, Eve Ücreti: akşam boyunca yapılan aramaların faturalandırılan maliyeti
• Gece Dakikaları, Gece Aramaları, Gece Ücreti: gece boyunca yapılan aramaların faturalandırılan maliyeti
• Uluslararası Dakika, Uluslararası Aramalar, Uluslararası Ücret: uluslararası aramalar için faturalanan maliyet
• CustServ Çağrıları: Müşteri Hizmetlerine yapılan çağrıların sayısı
• Churn?: müşterinin hizmetten ayrılıp ayrılmadığı: doğru/yanlış

Bu çözüm üç aşamayı içerir:

1. Verileri hazırlayın.
2. Bir XGBoost modeli oluşturun ve eğitin.
3. Bir uç nokta dağıtın ve model performansını değerlendirin.

Aşağıdaki çıktıyı alıyoruz:

• Kullanıcı kaybını tahmin etmek için örnek veri kümemizi temel alan eğitimli bir XGBoost modeli
• Kullanıcı kaybını tahmin edebilen bir SageMaker uç noktası

Bu model, 5,000 cep telefonu müşterisinden kaçının mevcut cep telefonu operatörünü kullanmayı bırakacağını tahmin etmeye yardımcı olur.

Aşağıdaki grafik, modelin bir çıktısı olarak kaybın olasılık dağılımını göstermektedir.

Aşağıdaki kullanım durumları için bunu işletmenize uygulayabilirsiniz:

• Kendi işinizde müşteri kaybını tahmin edin
• Pazarlama e-postanızı hangi müşterilerin açabileceğini ve kimlerin açamayacağını sınıflandırın (ikili sınıflandırma)
• Hangi öğrencilerin dersten ayrılma ihtimalinin olduğunu tahmin edin

Kaynakları temizleme

JumpStart'ta bir çözümü çalıştırmayı bitirdikten sonra, şunu seçtiğinizden emin olun: Tüm kaynakları sil böylece süreçte oluşturduğunuz tüm kaynaklar silinir ve faturalandırmanız durdurulur.

Özet

Bu gönderi size JumpStart çözümlerine dayalı olarak makine öğrenimi uygulayarak çeşitli iş sorunlarını nasıl çözeceğinizi gösterdi. Her ne kadar bu yazı JumpStart'a yakın zamanda eklenen beş yeni çözüme odaklanmış olsa da, toplam 23 mevcut çözüm bulunmaktadır. Studio'da oturum açmanızı ve JumpStart çözümlerine kendi başınıza bakmanızı ve onlardan anında değer elde etmeye başlamanızı öneririz. Daha fazla bilgi için bkz. Amazon SageMaker Stüdyosu ve Adaçayı Yapıcı Hızlı Başlangıç.

Not: Yukarıdaki beş çözümün tamamını AWS bölgenizin JumpStart konsolunda görmüyorsanız lütfen bir hafta bekleyip tekrar kontrol edin. Bunları aşamalı olarak çeşitli bölgelere bırakıyoruz.

---

Yazarlar Hakkında

Raju Penmatcha AWS'de Yapay Zeka Platformlarında Yapay Zeka/ML Uzman Çözüm Mimarıdır. SageMaker'da müşterilerin makine öğrenimi modellerini ve çözümlerini kolayca oluşturmasına ve dağıtmasına yardımcı olan az kodlu/kodsuz hizmet paketi üzerinde çalışıyor. Müşterilere yardım etmediği zamanlarda yeni yerlere seyahat etmeyi seviyor.

Manan Şah Amazon Web Services'te Yazılım Geliştirme Müdürüdür. Kendisi bir makine öğrenimi meraklısıdır ve kodsuz/düşük kodlu AI/ML ürünleri oluşturmaya odaklanmaktadır. Harika yazılımlar geliştirmeleri için diğer yetenekli ve teknik kişileri güçlendirmeye çalışıyor.