Machine Learning - AWS Step Functions

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Machine Learning

Machine Learning ermöglicht es Unternehmen, gesammelte Daten schnell zu analysieren, um Muster zu identifizieren und dann Entscheidungen mit minimalem menschlichem Eingriff zu treffen. Maschinelles Lernen beginnt mit einem ersten Datensatz, der als Trainingsdaten bezeichnet wird. Diese Trainingsdaten tragen dazu bei, die Vorhersagegenauigkeit eines Machine Learning-Modells zu erhöhen und dienen als Grundlage, durch die dieses Modell lernt. Sobald das Modell als genau genug angesehen wird, um die geschäftlichen Anforderungen zu erfüllen, wird es in der Produktion eingesetzt. DieAWS 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 SageMaker und Step Functions trainieren und dann veröffentlichen.

Durch die Vorverarbeitung vorhandener Datensätze erstellt eine Organisation häufig Trainingsdaten. Diese Methode fügt Informationen hinzu, z. B. durch Beschriften von Objekten in einem Bild, Beschriften von Text oder Verarbeiten von Audio. Zur Vorverarbeitung von Daten können Sie verwendenAWS Glueoder Sie können eine SageMaker-Notebook-Instanz erstellen, die die Jupyter Notebook-App ausführt. Sobald Ihre Daten fertig sind, können sie für einen einfachen Zugriff auf Amazon S3 hochgeladen werden. Wenn Modelle für maschinelles Lernen trainiert werden, können Sie die Parameter jedes Modells anpassen, um die Genauigkeit zu verbessern, bis es bereit für die Bereitstellung ist.

Mithilfe von Step Functions können Sie durchgängiges maschinelles Lernen Workflows auf SageMaker orchestrieren. Diese Workflows können Datenvorverarbeitung, Nachbearbeitung, Feature-Engineering, Datenvalidierung und Modellauswertung umfassen. Sobald das Modell in der Produktion bereitgestellt wurde, können Sie neue Ansätze verfeinern und testen, um die Geschäftsergebnisse kontinuierlich zu verbessern. Sie können produktionsfähige Workflows direkt in Python erstellen, oder Sie können das Step Functions Data Science SDK verwenden, um diesen Workflow zu kopieren, mit neuen Optionen zu experimentieren und den verfeinerten Workflow in die Produktion zu geben.

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

Betrugserkennung

  • Identifizieren und verhindern Sie, dass betrügerische Transaktionen wie Kreditbetrug auftreten.

  • Erkennen und verhindern Sie Kontoübernahmen mit geschulten Machine Learning-Modellen.

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

Personalisierung und Empfehlungen

  • Empfehlen Sie Produkte an zielgerichtete Kunden basierend auf dem, was voraussichtlich ihr Interesse wecken wird.

  • Sagen Sie voraus, ob ein Kunde sein Konto von einem kostenlosen Kontingent auf ein kostenpflichtiges Abonnement aktualisieren 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.

  • Beschriften Sie zusätzliche Objekte in Bildern, um wichtige Informationen zu liefern, von denen das Modell lernen kann, z. B. ob ein Objekt ein Apfel, ein Basketball, ein Stein oder ein Tier ist.