Erste Schritte mit dem Implementierungsleitfaden

6 Schritte  |  30 Minuten

Machine_Learning_HERO-ART_SM

F: Was ist Amazon Machine Learning (Amazon ML)?

Amazon ML ist ein Service, mit dem Sie auf einfache Art Prognoseanwendungen einschließlich Betrugserkennung, Nachfrageprognosen und Klickprognosen erstellen können. Amazon ML nutzt leistungsfähige Algorithmen, mit denen Sie Modelle für das maschinelle Lernen erstellen können, indem Sie Muster in vorhandenen Daten finden und mithilfe dieser Muster Prognosen aus neuen Daten erstellen, sobald diese verfügbar werden. Die AWS Management Console und die API bieten Tools zur Daten- und Modellvisualisierung. Außerdem stellen sie Assistenten bereit, die Sie beim Erstellen von Modellen für das maschinelle Lernen, bei der Qualitätsprüfung und bei der Feinabstimmung der Prognosen unterstützen, um die Anforderungen Ihrer Anwendung zu erfüllen. Wenn die Modelle erstellt wurden, können Sie Prognosen für Ihre Anwendung mithilfe der einfachen API abrufen, ohne benutzerdefinierte Codes zur Prognosegenerierung zu implementieren oder Infrastrukturen verwalten zu müssen. Amazon ML ist hochgradig skalierbar, kann Milliarden von Prognosen generieren und diese in Echtzeit mit hohem Durchsatz bereitstellen. Für die Nutzung von Amazon ML sind keine Einrichtungskosten erforderlich. Sie bezahlen für das, was Sie nutzen, können also klein beginnen und skalieren, wenn Ihre Anwendung wächst.

F: Was sind Anwendungsfälle für Amazon ML?

Mit Amazon ML können Sie eine Vielzahl von Prognoseanwendungen erstellen. Sie können Amazon ML beispielsweise zum Erstellen von Anwendungen benutzen, die verdächtige Transaktionen melden, betrügerische Bestellungen entdecken, Nachfrage vorhersagen, Inhalte personalisieren, Benutzeraktivitäten vorhersagen, Rezensionen filtern, soziale Medien verfolgen, Text analysieren und Artikel empfehlen.

F: Welche Sicherheitsmaßnahmen gibt es bei Amazon ML

Amazon ML stellt sicher, dass ML-Modelle und andere Systembestandteile sowohl bei der Übertragung als auch im inaktiven Zustand verschlüsselt sind. Anforderungen an die Amazon ML-API und die Konsole werden über eine sichere SSL-Verbindung gesendet. Sie können AWS Identity and Access Management (AWS IAM) verwenden, um zu steuern, welche IAM-Benutzer Zugriff auf bestimmte Aktionen und Ressourcen von Amazon Machine Learning haben.

F: Wo kann ich meine Daten mit Amazon ML speichern?

Sie können Amazon ML verwenden, um Ihre Daten aus drei Datenspeichern zu lesen: (a) eine oder mehrere Dateien in Amazon S3, wie in diesem Projektbeispiel, (b) Ergebnisse einer Amazon Redshift-Abfrage, (c) Ergebnisse einer RDS-Abfrage (Amazon Relational Database Service) einer Datenbank, die mit der MySQL-Engine ausgeführt wird. Daten anderer Produkte können normalerweise in Amazon S3 in CSV-Dateien exportiert werden, sodass sie für Amazon ML verfügbar sind. Detaillierte Anweisungen für die Konfiguration von Berechtigungen, mit denen Amazon ML in die Lage versetzt wird, auf die unterstützten Datenspeicher zuzugreifen, finden Sie im Amazon Machine Learning-Entwicklerhandbuch.

F: Ich möchte dieses Projektbeispiel mit meinen eigenen Daten verwenden. Gibt es Grenzen für die Größe der Datenmenge, die ich für das Training verwenden kann?

Amazon ML kann Modelle mit Datenmengen von bis zu 100 GB trainieren.

F: Wie kann ich mein Modell anpassen, wenn es nicht die gewünschten Ergebnisse liefert?

Die beste Methode zum Verbessern der Modellqualität besteht darin, beim Training des Modells mehr Daten und Daten mit höherer Qualität zu benutzen. Mehr Beobachtungen, zusätzliche Arten von Informationen und das Transformieren Ihrer Daten, um den Lernprozess zu optimieren, sind großartige Methoden zum Verbessern der Prognosegenauigkeit von Modellen. Amazon ML bietet weiterhin mehrere Parameter zum Anpassen des Lernprozesses: (a) Zielgröße des Modells, (b) Anzahl von Durchläufen mit den Daten, (c) Typ und Umfang der Regularisierung, die auf das Modell angewendet wird. Schließlich sollte noch ein wichtiger Aspekt der Modellanpassung berücksichtigt werden, nämlich wie die Prognosen Ihrer ML-Modelle von Ihrer Anwendung interpretiert werden, damit die Modelle optimal an die Unternehmensziele angepasst werden können. Amazon ML hilft Ihnen beim Anpassen des Grenzwerts für die Interpretation bei binären Klassifizierungsmodellen. Dadurch können Sie fundierte Entscheidungen bei den verschiedenen Arten von Fehlern treffen, die ein trainiertes Modell machen kann. Manche Anwendungen sind beispielsweise sehr tolerant bei Falsch-Positiv-Fehlern, aber Falsch-Negativ-Fehler sind äußerst unerwünscht. Die Servicekonsole von Amazon ML hilft Ihnen bei der Anpassung des Grenzwerts, um diese Anforderung zu erfüllen.

F: Welche Aufgaben kann ich mit dem mit Amazon ML erstellten Prognosemodell erledigen?

Sobald Sie Ihre Prognosen generiert haben, gibt es mehrere Möglichkeiten zum Nutzen der Ergebnisse. Sie können die Daten beispielsweise in ein Spreadsheet laden, um sie nach Prognoseergebnissen zu sortierten und zu filtern. Sie können die Daten in eine Datenbank wie Amazon RDS oder Amazon RedShift laden, um Listen mit qualifizierten Segmenten zu generieren. Außerdem können Sie die Prognoseergebnisse mithilfe von Amazon DynamoDB in eine NoSQL-Datenbank laden, um die Echtzeitbereitstellung der Prognoseergebnisse für eine Anwendung zu ermöglichen.

Erste Schritte mit dem Implementierungsleitfaden