Machine Learning

Maschinelles Lernen ermöglicht es Unternehmen, gesammelte Daten schnell zu analysieren, um Muster zu erkennen, und dann Entscheidungen mit minimalem menschlichem Eingreifen zu treffen. Maschinelles Lernen beginnt mit einem ersten Datensatz, den sogenannten Trainingsdaten. Diese Trainingsdaten tragen dazu bei, die Vorhersagegenauigkeit eines Modells für maschinelles Lernen zu erhöhen, und dienen als Grundlage für das Lernen dieses Modells. Sobald das Modell als genau genug angesehen wird, um die Geschäftsanforderungen zu erfüllen, wird es in der Produktion eingesetzt. Das AWS Step FunctionsData Science Software Development Kit (SDK) ist eine Open-Source-Bibliothek, mit der Sie auf einfache Weise Workflows erstellen können, die Daten vorverarbeiten, Ihre Modelle mithilfe von Amazon und Step Functions trainieren SageMaker und dann veröffentlichen.

Durch die Vorverarbeitung vorhandener Datensätze erstellt ein Unternehmen häufig Trainingsdaten. Diese Methode fügt Informationen hinzu, z. B. indem Objekte in einem Bild beschriftet, Text mit Anmerkungen versehen oder Audio verarbeitet werden. Um Daten vorzuverarbeiten, können Sie eine Notebook-Instanz verwendenAWS Glue, oder Sie können eine SageMaker Notebook-Instanz erstellen, auf der die Jupyter Notebook-App ausgeführt wird. Sobald Ihre Daten bereit sind, können sie für einen einfachen Zugriff auf Amazon S3 hochgeladen werden. Während die Modelle für maschinelles Lernen trainiert werden, können Sie die Parameter jedes Modells anpassen, um die Genauigkeit zu verbessern, bis es einsatzbereit ist.

Mit Step Functions können Sie durchgängige Workflows für maschinelles Lernen orchestrieren. SageMaker Diese Workflows können Datenvorverarbeitung, Nachverarbeitung, Feature-Engineering, Datenvalidierung und Modellbewertung umfassen. Sobald das Modell in der Produktion eingesetzt wurde, können Sie neue Ansätze verfeinern und testen, um die Geschäftsergebnisse kontinuierlich zu verbessern. Sie können produktionsbereite Workflows direkt in Python erstellen oder das Step Functions Data Science SDK verwenden, um diesen Workflow zu kopieren, mit neuen Optionen zu experimentieren und den verfeinerten Workflow in der Produktion zu platzieren.

Einige Arten von Workflows für maschinelles Lernen, für die Kunden Step Functions verwenden, umfassen:

Betrugserkennung

• Identifizieren und verhindern Sie betrügerische Transaktionen wie Kreditbetrug.

• Erkennen und verhindern Sie Kontoübernahmen mithilfe von trainierten Modellen für maschinelles Lernen.

• Identifizieren Sie Werbemissbrauch, einschließlich der Erstellung gefälschter Konten, damit Sie schnell Maßnahmen ergreifen können.

Personalisierung und Empfehlungen

• Empfehlen Sie bestimmten Kunden Produkte auf der Grundlage dessen, was voraussichtlich ihr Interesse wecken wird.

• Prognostizieren Sie, ob ein Kunde sein Konto von einem kostenlosen Kontingent auf ein kostenpflichtiges Abonnement hochstufen wird.

Datenanreicherung

• Verwenden Sie die Datenanreicherung als Teil der Vorverarbeitung, um bessere Trainingsdaten für genauere Modelle des maschinellen Lernens bereitzustellen.

• Kommentieren Sie Text- und Audioauszüge, um syntaktische Informationen wie Sarkasmus und Slang hinzuzufügen.

• Kennzeichnen Sie zusätzliche Objekte in Bildern, um wichtige Informationen bereitzustellen, aus denen das Modell lernen kann, z. B. ob es sich bei einem Objekt um einen Apfel, einen Basketball, einen Stein oder ein Tier handelt.