Amazon SageMaker Autopilot

Automatisches Erstellen von Machine-Learning-Modellen bei voller Transparenz

Amazon SageMaker Autopilot erstellt, trainiert und optimiert automatisch die besten Modelle für Machine Learning basierend auf Ihren Daten und ermöglicht Ihnen gleichzeitig die vollständige Kontrolle und Sichtbarkeit.

Zum Erstellen von ML-Modellen (Machine Learning) müssen Sie Funktionen manuell vorbereiten, mehrere Algorithmen testen und Hunderte von Modellparametern optimieren, um das beste Modell für Ihre Daten zu finden. Diese Vorgehensweise erfordert jedoch umfangreiches ML-Fachwissen. Wenn Sie nicht über dieses Fachwissen verfügen, können Sie einen automatisierten Ansatz (AutoML) verwenden. AutoML-Ansätze bieten jedoch in der Regel nur einen sehr geringen Einblick in die Auswirkungen Ihrer Funktionen für Modellprognosen. Infolgedessen haben Sie möglicherweise weniger Vertrauen, da Sie es nicht neu erstellen und nicht lernen können, wie es Prognosen trifft.

Amazon SageMaker Autopilot macht das Erstellen von ML-Modellen überflüssig und hilft Ihnen, das beste ML-Modell basierend auf Ihren Daten automatisch zu erstellen, zu trainieren und zu optimieren. Mit SageMaker Autopilot stellen Sie einfach einen tabellarischen Datensatz bereit und wählen die zu prognostizierende Zielspalte aus. Dies kann eine Zahl (z. B. ein Immobilienpreis, Regression genannt) oder eine Kategorie (z. B. Spam/kein Spam, Klassifikation genannt) sein. SageMaker Autopilot untersucht automatisch verschiedene Lösungen, um das beste Modell zu finden. Anschließend können Sie das Modell mit nur einem Klick direkt in der Produktion bereitstellen oder auf Grundlage der empfohlenen Lösungen mit Amazon SageMaker Studio iterieren, um die Qualität des Modells weiter zu verbessern.

Funktionsweise

Funktionsweise von Amazon SageMaker Autopilot

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.

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.

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.

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

Skullcandy Inc.
„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.

Freddy’s
„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

Mobilewalla
„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

Amazon SageMaker Autopilot