Heeft u hulp nodig om de machine learning (ML)-reis van uw organisatie van pilot naar productie te brengen? Je bent niet alleen. De meeste leidinggevenden denken dat ML van toepassing kan zijn op elke zakelijke beslissing, maar gemiddeld haalt slechts de helft van de ML-projecten de productie.

In dit bericht wordt beschreven hoe u uw eerste ML-use-case kunt implementeren met behulp van Amazon Sage Maker in slechts 8-12 weken door gebruik te maken van een methode genaamd Op ervaring gebaseerde versnelling (EBA).

Uitdagingen

Klanten kunnen verschillende uitdagingen tegenkomen bij het implementeren van machine learning (ML)-oplossingen.

• U kunt moeite hebben om uw ML-technologie-inspanningen te koppelen aan uw zakelijke waardevoorstel, waardoor het moeilijk wordt voor IT en zakelijk leiderschap om de investering te rechtvaardigen die nodig is om modellen te operationaliseren.
• U kiest vaak gebruiksscenario's met een lage waarde als proof of concept in plaats van een zinvol zakelijk of klantprobleem op te lossen.
• Mogelijk hebt u hiaten in vaardigheden en technologieën, waaronder het operationaliseren van ML-oplossingen, het implementeren van ML-services en het beheren van ML-projecten voor snelle iteraties.
• Het waarborgen van gegevenskwaliteit, governance en beveiliging kan ML-projecten vertragen of vertragen.

Oplossingsoverzicht: Machine Learning Experience-based Acceleration (ML EBA)

Machine learning EBA is een driedaagse, op sprints gebaseerde, interactieve workshop (een zogenaamde feest) die SageMaker gebruikt om bedrijfsresultaten te versnellen door u door een versnelde en voorgeschreven ML-levenscyclus te leiden. Het begint met het identificeren van bedrijfsdoelen en het in kaart brengen van ML-problemen, en leidt u door gegevensverwerking, modelontwikkeling, productie-implementatie en monitoring.

De volgende visual illustreert een voorbeeld van een ML-levenscyclus.

Er zijn twee primaire klantscenario's van toepassing. De eerste is door gebruik te maken van low-code of no-code ML-services zoals Amazon SageMaker-canvas, Amazon SageMaker-gegevens Wrangler, Amazon SageMaker-stuurautomaat en Amazon SageMaker JumpStart om gegevensanalisten te helpen bij het voorbereiden van gegevens, het bouwen van modellen en het genereren van voorspellingen. De tweede is door SageMaker te gebruiken om datawetenschappers en ML-engineers te helpen bij het bouwen, trainen en implementeren van aangepaste ML-modellen.

We erkennen dat klanten verschillende uitgangspunten hebben. Als je helemaal opnieuw begint, is het vaak eenvoudiger om te beginnen met low-code of no-code oplossingen en geleidelijk over te stappen naar het ontwikkelen van aangepaste modellen. Als u daarentegen een bestaande on-premises ML-infrastructuur heeft, kunt u direct beginnen door SageMaker te gebruiken om uitdagingen met uw huidige oplossing te verlichten.

Via ML EBA werken ervaren AWS ML-experts zij aan zij met uw cross-functionele team om prescriptieve begeleiding te bieden, blokkades te verwijderen en organisatorische capaciteit op te bouwen voor een voortdurende ML-adoptie. Deze partij stuurt je aan om een ​​dwingend zakelijk probleem op te lossen in plaats van te denken in termen van data- en ML-technologieomgevingen. Bovendien helpt de partij u aan de slag om materiële bedrijfswaarde te genereren uit onaangeboorde gegevens.

ML EBA helpt u groot te denken, klein te beginnen en snel op te schalen. Hoewel het in 3 dagen een minimaal levensvatbaar ML-model creëert, zijn er 4 tot 6 weken voorbereiding in de aanloop naar de EBA. Bovendien besteedt u 4 tot 6 weken na EBA om het model te verfijnen met aanvullende functie-engineering en hyperparameteroptimalisatie vóór productie-implementatie.

Laten we eens kijken hoe het hele proces eruit ziet en hoe u de ML EBA-methodiek kunt gebruiken om de veelvoorkomende blokkades aan te pakken.

EBA-voorbereiding (4–6 weken)

In dit gedeelte beschrijven we de 4-6 weken voorbereiding voorafgaand aan de EBA.

6 weken voor het feest: probleemstelling en kwalificatie

De eerste stap is het kaderen en kwalificeren van het ML-probleem, dat het volgende omvat:

• Identificeer het juiste bedrijfsresultaat - U moet een duidelijk begrip hebben van het probleem dat u probeert op te lossen en het gewenste resultaat dat u hoopt te bereiken door het gebruik van ML. U moet de behaalde bedrijfswaarde kunnen afmeten aan specifieke doelstellingen en succescriteria. Bovendien moet u kunnen identificeren wat moet worden waargenomen en wat moet worden voorspeld. AWS werkt met u samen om de volgende belangrijke vragen te beantwoorden voordat u aan de ML EBA begint:
  • Lost de ML use case een zinvol zakelijk probleem op?
  • Is het belangrijk genoeg om de aandacht van zakelijk leiderschap te trekken?
  • Heb je al data om de ML use case op te lossen?
  • Kan de use case uiteindelijk worden geoperationaliseerd in productie?
  • Heeft het echt ML nodig?
  • Zijn er organisatorische processen voor het bedrijf om de output van het model te gebruiken?

De AI Gebruik Case Explorer is een goed startpunt om de juiste use cases per branche, bedrijfsfunctie of gewenst bedrijfsresultaat te verkennen en relevante succesverhalen van klanten te ontdekken.

• Uitvoerende sponsoring - Om u te helpen sneller te gaan dan u organisch zou hebben gedaan, ontmoet AWS de uitvoerende sponsor om de buy-in te bevestigen, interne obstakels te verwijderen en middelen toe te wijzen. Bovendien kan AWS financiële prikkels bieden om de kosten voor uw eerste ML-gebruiksscenario te helpen compenseren.
• Ik ontmoet je waar je bent in je ML-reis – AWS beoordeelt uw huidige status: mensen, processen en technologie. We helpen u bij het in kaart brengen van vereisten en afhankelijkheden; met name welke teams en gegevens nodig zijn om de reis succesvol te beginnen. Daarnaast geven we aanbevelingen over het technische pad: beginnen met low-code of no-code services, of een aangepast model bouwen met SageMaker.

5 weken voor het feest: Workstream-configuratie en overgang naar actie

De volgende stap is het identificeren van de teams die nodig zijn om de EBA-inspanningen te ondersteunen. Gewoonlijk wordt het werk verdeeld over de volgende werkstromen:

• Cloud engineering (infrastructuur en beveiliging) – Richt zich op het verifiëren dat de AWS-accounts en infrastructuur vóór EBA zijn opgezet en beveiligd. Dit bevat AWS Identiteits- en toegangsbeheer (IAM) of single sign-on (SSO) toegang, beveiligingsrails, Amazon SageMaker Studio provisioning, geautomatiseerde stop/start om kosten te besparen, en Amazon eenvoudige opslagservice (Amazon S3) ingesteld.
• Data-engineering - Identificeert de gegevensbronnen, stelt gegevensopname en pijplijnen in en bereidt gegevens voor met behulp van Data Wrangler.
• Gegevenswetenschap – Het hart van ML EBA en richt zich op feature engineering, modeltraining, hyperparameter tuning en modelvalidatie.
• MLOps-engineering – Richt zich op het automatiseren van de DevOps-pijplijnen voor het operationaliseren van de ML-use-case. Dit kan vaak hetzelfde team zijn als cloud engineering.
• Leiderschaps team - Verantwoordelijk voor het orkestreren van de inspanning, het verwijderen van blokkades, afstemming met de uitvoerende sponsors en is uiteindelijk verantwoordelijk voor het leveren van de verwachte resultaten.

Nadat deze inspanningen zijn voltooid, moeten we overgaan tot actie. Een standaard basislijn van vier weken moet strikt worden nageleefd om ervoor te zorgen dat de EBA op schema blijft. Ervaren AWS-inhoudsexperts begeleiden en coachen u bij deze voorbereiding op weg naar het EBA-feest.

4 weken voor het feest: Inspireer bouwers en stel een technisch plan samen

Elke klant is anders; AWS helpt je bij het opstellen van een technisch plan met activiteiten die in de komende 4 weken voorafgaand aan het feest moeten worden voltooid.

AWS organiseert Immersion Days om uw bouwers te inspireren en momentum voor het feest op te bouwen. Een Immersion Day is een workshop van een halve of hele dag met de juiste mix van presentatie, hands-on labs en Q&A om AWS-services of -oplossingen te introduceren. AWS helpt u bij het selecteren van de juiste onderdompelingsdagen uit de Catalogus AI/ML-workshops.

We erkennen dat elke bouwer in uw organisatie zich op een ander niveau bevindt. We raden uw bouwers aan om de ML ramp-up gids middelen of digitale of klassikale training om te beginnen waar ze zijn en de nodige vaardigheden voor het feest op te bouwen.

3 weken voor het feest: technische voorbereiding gericht op cloud- en data-engineering

Uw cloud- en data-engineeringteams zouden onder begeleiding van AWS aan het volgende moeten werken:

• Maak AWS-accounts met netwerk- en beveiligingsinstellingen
• Stel Amazon SageMaker Studio in
• Maak Amazon S3-buckets om gegevens op te slaan
• Identificeer gegevensbronnen (of producenten)
• Integreer externe bronnen om gegevens in S3-buckets te dumpen

2 weken voor het feest: technische voorbereiding gericht op datawetenschap

Uw data science-team zou onder begeleiding van AWS aan het volgende moeten werken:

1 week voor het feest: gereedheid beoordelen (go/no-go)

AWS werkt met u samen om de go/no-go-gereedheid voor technische activiteiten, vaardigheden en momentum voor het feest te beoordelen. Vervolgens verstevigen we de reikwijdte voor het driedaagse feest, waarbij vooruitgang prioriteit krijgt boven perfectie.

EBA (3-daags feest)

Hoewel het EBA-feest zelf op maat wordt gemaakt voor uw organisatie, wordt de aanbevolen agenda voor de 3 dagen weergegeven in de volgende tabel. Tijdens de EBA leer je door te doen onder begeleiding van AWS-experts.

Post-EBA

ML omvat uitgebreide experimenten en het is normaal dat u tijdens de driedaagse EBA niet de door u gewenste modelnauwkeurigheid bereikt. Daarom is het creëren van een goed gedefinieerde backlog of het pad naar productie essentieel, inclusief het verbeteren van de modelnauwkeurigheid door middel van experimenten, feature-engineering, hyperparameter-optimalisatie en productie-implementatie. AWS blijft u helpen bij productie-implementatie.

Conclusie

Door de ML EBA-methodologie aan te vullen met SageMaker, kunt u de volgende resultaten behalen:

• Overgang van pilot- naar productiewaarde in 8-12 weken – Breng business- en technologieteams samen om de eerste ML-usecase binnen 8-12 weken in productie te nemen.
• Bouw de organisatorische capaciteit om ML te versnellen en op te schalen in alle bedrijfsonderdelen – De ML EBA inspireert en verbetert bouwers met echte werkervaring. Het zorgt voor een succesvol werkmodel (een samenwerkings- en iteratiemodel) om ML-initiatieven in alle bedrijfstakken te ondersteunen en op te schalen. Het creëert ook herbruikbare middelen om ML op een herhaalbare manier te versnellen en te schalen.
• Verminder technische schulden, pijnpunten en kosten van bestaande on-premises ML-modellen - De on-premises oplossingen kunnen uitdagingen hebben met betrekking tot hogere kosten, onvermogen om infrastructuur te schalen, ongedifferentieerd infrastructuurbeheer en gebrek aan geavanceerde functiesets zoals hyperparameteroptimalisatie, verklaarbaarheid voor voorspellingen en meer. Het gebruik van AWS ML-services zoals SageMaker vermindert deze problemen.

Neem contact op met uw AWS-accountteam (Accountmanager of Customer Solutions Manager) voor meer informatie en om aan de slag te gaan.

Over de auteurs

Ritesh Sjah is Senior Customer Solutions Manager bij Amazon Web Services. Hij helpt grote US-Central-ondernemingen hun cloud-enabled transformatie te versnellen en moderne cloud-native oplossingen te bouwen. Hij is gepassioneerd door het versnellen van de ML-trajecten van klanten. In zijn vrije tijd brengt Ritesh graag tijd door met zijn dochter, koken en iets nieuws leren, terwijl hij ook cloud en ML evangeliseert. Maak contact met hem op LinkedIn.

Nicholas Lawson is een Solution Architect bij AWS en maakt deel uit van de AIML-specialiteitsgroep. Hij heeft een achtergrond in software engineering en AI-onderzoek. Buiten zijn werk is Nicholaus vaak aan het coderen, iets nieuws aan het leren of hout aan het bewerken. Maak contact met hem op LinkedIn.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
• De toekomst slaan met Adryenn Ashley. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/deliver-your-first-ml-use-case-in-8-12-weeks/