Amazon SageMaker Autopilot
Automatisches Erstellen von Machine-Learning-Modellen bei voller Transparenz
Automatisches Erstellen, Trainieren und Abstimmen der besten ML-Modelle basierend auf Ihren Daten, bei voller Kontrolle und Transparenz
Wählen Sie das beste Modell aus einer Rangliste für Modellleistung und Genauigkeitsanforderungen
Stellen Sie das Modell mit nur einem Klick in der Produktion bereit oder iterieren Sie mit den empfohlenen Modellen in Amazon SageMaker Studio
Amazon SageMaker Autopilot nimmt Ihnen die Schwerstarbeit der Erstellung von ML-Modellen ab. Sie stellen einfach einen Tabellendatensatz bereit und wählen die Zielspalte aus, die vorhergesagt werden soll, und SageMaker Autopilot wird automatisch verschiedene Lösungen untersuchen, um das beste Modell zu finden. Sie können dann das Modell mit nur einem Klick direkt in die Produktion übernehmen oder die empfohlenen Lösungen iterativ bearbeiten, um die Modellqualität weiter zu verbessern.
Funktionsweise
Wichtigste Funktionen
Automatische Datenvorverarbeitung und Funktions-Engineering
Sie können Amazon SageMaker Autopilot auch dann verwenden, wenn Daten fehlen. SageMaker Autopilot füllt die fehlenden Daten automatisch aus, bietet statistische Einblicke in Spalten in Ihrem Datensatz und extrahiert automatisch Informationen aus nicht numerischen Spalten, z. B. Datums- und Uhrzeitinformationen aus Zeitstempeln.
Automatische ML-Modellauswahl
Amazon SageMaker Autopilot leitet automatisch die Art der Prognosen ab, die am besten zu Ihren Daten passen, z. B. binäre Klassifizierung, Klassifizierung mehrerer Klassen oder Regression. SageMaker Autopilot untersucht dann leistungsstarke Algorithmen wie den Entscheidungsbaum zur Erhöhung des Gradienten, die Vorwärtskopplung tiefer neuronaler Netze und die logistische Regression und trainiert und optimiert Hunderte von Modellen basierend auf diesen Algorithmen, um das Modell zu finden, das am besten zu Ihren Daten passt.
Modell-Rangliste
Mit Amazon SageMaker Autopilot können Sie alle ML-Modelle überprüfen, die automatisch für Ihre Daten generiert werden. Sie können die Liste der Modelle anzeigen, die nach Metriken wie Genauigkeit, Präzision, Rückruf und Fläche unter der Kurve (AUC) geordnet sind, Modelldetails wie die Auswirkung von Funktionen auf Prognosen überprüfen und das für Sie am besten geeignete Modell für Ihren Anwendungsfall bereitstellen.
Feature Importance
Amazon SageMaker Autopilot bietet einen von Amazon SageMaker Clarify generierten Erklärbarkeitsbericht, mit dem Sie leichter verstehen und erklären können, wie mit SageMaker Autopilot erstellte Modelle Vorhersagen treffen. Sie können außerdem ermitteln, wie jedes Attribut in Ihren Schulungsdaten prozentual zu dem vorhergesagten Ergebnis beiträgt. Je höher der Prozentsatz, desto stärker wirkt sich dieses Merkmal auf die Vorhersagen Ihres Modells aus.
Einfache Integration in Ihre Anwendungen
Mit der Amazon SageMaker Autopilot-API (Application programming interface) können Sie auf einfache Weise Modelle erstellen und Schlussfolgerungen direkt aus Ihren Anwendungen ziehen, z. B. aus Ihren Datenanalyse- und Data Warehousing-Tools.
Anpassbare autoML-Journey
Mit Amazon SageMaker Autopilot können Sie die einzelnen Schritte Ihrer autoML-Journey anpassen, um qualitativ hochwertige ML-Modelle zu erstellen. Sie können Ihre eigenen Datenvorverarbeitungen und Feature Engineering-Transformationen mit über 300 vorkonfigurierten Datentransformationen in SageMaker Data Wrangler anwenden und das Rezept in SageMaker Autopilot übernehmen. Sie können auch eine benutzerdefinierte Datenteilung für Trainings- und Validierungsdaten festlegen oder einen benutzerdefinierten Datensatz für die Validierung hochladen. Außerdem können Sie Features für das Training auswählen, den Datentyp ändern und einen Trainingsmodus (Ensemble oder Hyperparameter-Optimierung) für Ihr SageMaker-Autopilot-Experiment auswählen.
Einfache Integration in Ihre Anwendungen
Mit der Amazon SageMaker Autopilot-API (Application programming interface) können Sie auf einfache Weise Modelle erstellen und Schlussfolgerungen direkt aus Ihren Anwendungen ziehen, z. B. aus Ihren Datenanalyse- und Data Warehousing-Tools.
Automatische Notebook-Erstellung
Sie können automatisch ein Amazon SageMaker Studio-Notebook für jedes Modell erstellen, das Amazon SageMaker Autopilot erstellt, in die Details seiner Erstellung eintaucht, es wie gewünscht verfeinert und zu einem späteren Zeitpunkt aus dem Notebook neu erstellt.
Anwendungsfälle
Preisprognosen
Modelle für Preisprognosen kommen in den Bereichen Finanzdienstleistungen, Immobilien sowie Energie und Versorgung häufig zum Einsatz, um den Preis von Aktien, Immobilien und natürlichen Ressourcen vorherzusagen. Amazon SageMaker Autopilot kann künftige Preise vorhersagen, damit Sie auf der Grundlage historischer Daten, etwa zur Nachfrage, zu saisonalen Trends und zu den Preisen anderer Rohstoffe fundierte Investitionsentscheidungen treffen können.
Abwanderungsprognosen
Mit Kundenabwanderung ist der Verlust von Kunden oder Klienten gemeint. Jedes Unternehmen sucht nach Methoden, diese Abwanderung zu verhindern. Von Amazon SageMaker Autopilot automatisch generierte Modelle helfen Ihnen, Abwanderungsmuster zu verstehen. Modelle zur Abwanderungsprognose funktionieren so, dass zunächst die Muster in den vorhandenen Daten analysiert und dann Muster in neuen Datensätzen identifiziert werden. So erhalten Sie eine Prognosen zu Kunden, die am ehesten abwandern.
Risikobewertung
Zur Risikobewertung müssen potenzielle Ereignisse ermittelt und analysiert werden, die sich negativ auf Personen, Vermögenswerte und Ihr Unternehmen auswirken können. Von Amazon SageMaker Autopilot automatisch generierte Modelle sagen Risiken voraus, wenn sich neue Ereignisse zutragen. Modelle zur Risikobewertung werden anhand Ihrer vorhandenen Datensätze trainiert, sodass Sie optimierte Prognosen für Ihr Geschäft erhalten.
Kunden
„Wir bei RetentionX bieten Geschäfterkenntnisse in die E-Commerce-Unternehmen auf einem Klick. Zur Bedienung unserer Kunden ist es wichtig, dass sie schnell anfangen und rechtzeitige Geschäftsentscheidungen treffen können. Jedoch kann die Erstellung von präzisen Modellen des maschinellen Lernens teuer sein und kann durch Ausprobieren monatelang dauern. Außerdem hängt die Modellgüte stark von der Breite und Tiefe der Trainingsdaten und einzigartigen Funktionssätzen ab, die für jeden einzelnen unserer Kunden zur Verfügung stehen. Mit der Hilfe von Amazon SageMaker Autopilot können unsere Kunden automatisch die besten ML-Modelle auf Grundlage von einzigartigen Datensätzen generieren. Dank SageMaker Autopilot können wir personalisierte Erkenntnisse Käufern im zweistelligen Millionenbereich bieten, die von der Kraft von AutoML Gebrauch machen.
Alexander Jost, CEO, RetentionX
„Bei EPCVIP setzen wir Machine Learning ein, um die Eigenschaften von Benutzergruppen besser zu verstehen, die Bearbeitungszeiten zu beschleunigen und die Konversionsraten für unsere Produktangebote zu erhöhen. Fintech ist eine hochkomplexe Branche, die sich ständig verändert. Neue Partner, Tochterfirmen, Traffic-Quellen und Produktangebote werden wöchentlich hinzugefügt. Während wir Modelle für Machine Learning entwickeln, experimentieren wir ständig, um unsere Modelle anzupassen und bessere Ergebnisse zu erzielen. Dank Amazon SageMaker Autopilot können wir jetzt schnell Prototypen erstellen und automatisch ML-Modelle mit vollem Einblick in die Daten erstellen, trainieren und abstimmen. Mit SageMaker Autopilot können wir Funktionen, Hyperparameter, Algorithmen und Datensätze katalogisieren und überprüfen, was uns ein umfassendes Verständnis unserer Modelliterationen ermöglicht hat. Die Ergebnisse der verbesserten Abgleichsraten und anderer Modelle, die durch SageMaker Autopilot eingesetzt werden, haben dazu beigetragen, dass der Wert pro Lead in unserem Unternehmen um bis zu 30 % gestiegen ist.“
Pascal Simpkins, Head of Data Science, EPCVIP
„Der neue ML-Service von Sisense, der von Amazon SageMaker Autopilot unterstützt wird, war genau das, was wir brauchten, um während dieser COVID-19-Pandemie im Kundenservice die Nase vorn zu haben. Skullcandy konnte tiefe Einblicke in die Bedürfnisse unserer Kunden gewinnen, unsere Problemlösung verbessern und die Kundenzufriedenheit steigern.“
Mark Hopkins, Chief Information Officer, Skullcandy Inc.
„Vorher haben wir einfach zwei Restaurants ausgewählt, die ähnlich wirkten. Jetzt aber verfügen wir über ein wirkliches Verständnis der Beziehung zwischen Speisekarte, Gästen und Standorten. Amazon SageMaker Autopilot, das die neue ML-Kapazität von Domo treibt, ist für unsere Marketing- und Einkaufsteams zu einem echten Multiplikator geworden, um neue Ideen auszuprobieren und die Erfahrung für die Gäste zu verbessern.“
Sean Thompson, IT Director, Freddy’s
„Das Hauptziel bei der demografischen Kartierung ist die Optimierung sowohl hinsichtlich Genauigkeit als auch Skalierbarkeit. Obwohl dies im Allgemeinen schwierig ist, konnten wir Amazon SageMaker Autopilot mit unseren umfassenden Trainingsdaten und ausgefeilten Funktionen verwenden, um bessere Modelle zu erstellen, die unsere Prognosegenauigkeit um 137 % verbessern.“
Anindya Datta, CEO, Mobilewalla