Amazon SageMaker Autopilot
Cree modelos de machine learning con visibilidad completa de forma automática
Cree, entrene y ajuste de forma automática los mejores modelos de ML en función de los datos, manteniendo el control y la visibilidad totales
Seleccione el mejor modelo de una tabla de clasificación para los requisitos de rendimiento y precisión del modelo
Implemente el modelo en la etapa de producción con solo un clic o bien itere con los modelos recomendados en Amazon SageMaker Studio
El Piloto automático de Amazon SageMaker elimina el trabajo pesado que supone crear modelos de ML. Simplemente proporcione un conjunto de datos tabulares y seleccione la columna de destino para predecir, y el piloto automático de Amazon SageMaker analizará de forma automática las diferentes soluciones para encontrar el mejor modelo. Después, podrá implementar directamente el modelo en la etapa de producción con un solo clic o bien iterar en las soluciones recomendadas a fin de mejorar aún más la calidad del modelo.
Funcionamiento
Características principales
Preprocesamiento automático de datos e ingeniería de características
Puede usar Amazon SageMaker Autopilot incluso cuando le faltan datos. SageMaker Autopilot rellena de manera automática los datos faltantes, proporciona información estadística acerca de las columnas del conjunto de datos y, también de forma automática, extrae la información de las columnas no numéricas, como la de la fecha y la hora de las marcas temporales.
Selección automática de modelos de aprendizaje automático
Amazon SageMaker Autopilot infiere automáticamente el tipo de predicciones que mejor se adapta a sus datos, como la clasificación binaria, la clasificación de varias clases o la regresión. Luego, SageMaker Autopilot analiza los algoritmos de alto rendimiento, como el árbol de decisiones con potenciación de gradientes, las redes neuronales profundas de prealimentación y la regresión logística, y entrena y optimiza cientos de modelos basados en estos algoritmos para encontrar el modelo que mejor se adapte a sus datos.
Tabla de clasificación de modelos
Amazon SageMaker Autopilot permite revisar todos los modelos de aprendizaje automático que se generan automáticamente para sus datos. Puede ver la lista de modelos, ordenados por métricas como la precisión, la exactitud, las recuperaciones y el área debajo de la curva (AUC), revisar los detalles de los modelos, como el impacto de las características en las predicciones, e implementar el modelo que se adapte mejor a su caso de uso.
Importancia de la característica
Amazon SageMaker Autopilot provee un informe de explicabilidad, generado por Amazon SageMaker Clarify, que facilita la comprensión y explicación de la forma en que los modelos creados con SageMaker Autopilot elaboran predicciones. También puede identificar en qué medida cada atributo de los datos de entrenamiento contribuye al resultado predicho en forma de porcentaje. Cuanto mayor sea el porcentaje, mayor será el impacto de esa característica en las predicciones del modelo.
Integración sencilla a sus aplicaciones
Puede utilizar la interfaz de programación de aplicaciones (API) de Piloto automático de Amazon SageMaker para crear modelos con facilidad y llevar a cabo inferencias directamente desde sus aplicaciones, como las herramientas de análisis y almacenamiento de datos.
Personalización del proceso de autoML
Con Piloto automático de Amazon SageMaker, puede personalizar los pasos del proceso de autoML para poder crear modelos de ML de alta calidad. Puede aplicar sus propios métodos de procesamiento previo de datos y transformaciones de ingeniería de características con las más de 300 transformaciones de datos configuradas previamente de SageMaker Data Wrangler y llevar los pasos a Piloto automático de SageMaker. También puede definir una división de datos personalizada para el entrenamiento y la validación de los datos o cargar un conjunto de datos personalizado para la validación. Además, puede seleccionar características para el entrenamiento, cambiar el tipo de datos y seleccionar un modo de entrenamiento (conjunto u optimización de hiperparámetros) para el experimento de Piloto automático de SageMaker.
Integración sencilla a sus aplicaciones
Puede utilizar la interfaz de programación de aplicaciones (API) de Piloto automático de Amazon SageMaker para crear modelos con facilidad y llevar a cabo inferencias directamente desde sus aplicaciones, como las herramientas de análisis y almacenamiento de datos.
Creación automática de blocs de notas
Puede generar de forma automática un bloc de notas de Amazon SageMaker Studio para cualquier modelo que cree Amazon SageMaker Autopilot y sumergirse en los detalles de cómo se creó, refinarlo como lo desee y recrearlo a partir del bloc de notas en cualquier momento en el futuro.
Casos de uso
Predicciones de precios
Los modelos para predicciones de precios se utilizan mucho en los sectores de servicios financieros, de bienes raíces, de energía y de servicios públicos con el fin de predecir el precio de las acciones, los bienes inmuebles y los recursos naturales. Amazon SageMaker Autopilot puede predecir los precios futuros para ayudarlo a tomar decisiones acertadas de inversión en función de los datos históricos, como la demanda, las tendencias estacionales y el precio de otros productos básicos.
Predicción de pérdida de clientes
El abandono de clientes implica la pérdida de dichos clientes y, por ello, es un factor que todas las empresas buscan eliminar. Los modelos generados de forma automática con Amazon SageMaker Autopilot lo ayudan a comprender los patrones de abandono de los clientes. Los modelos de predicción del abandono de los clientes funcionan, en primer lugar, aprendiendo los patrones de los datos existentes e identificando los patrones de los nuevos conjuntos de datos, de manera que obtenga una predicción acerca de qué clientes tienen más probabilidades de abandono.
Evaluación de riesgos
La evaluación de riesgos requiere la identificación y el análisis de los eventos potenciales que puedan afectar de forma negativa a las personas, a los activos o a su empresa. Los modelos generados de forma automática con Amazon SageMaker Autopilot predicen los riesgos a medida que se desarrollan nuevos eventos. Los modelos de evaluación de riesgos se entrenan con sus conjuntos de datos existentes con el fin de obtener predicciones optimizadas para su negocio.
Clientes
“En RetentionX, proporcionamos información comercial con un solo clic a las empresas de comercio electrónico. Para servir a nuestros clientes, es importante que puedan comenzar rápidamente y tomar decisiones empresariales a tiempo, sin embargo, crear modelos de machine learning precisos puede ser costoso y llevar meses de prueba y error. Además, la precisión del modelo también depende en gran medida de la amplitud y la profundidad de los datos de formación y del conjunto de características únicas disponibles para cada uno de nuestros clientes. Con la ayuda de Amazon SageMaker Autopilot, nuestros clientes pueden generar automáticamente los mejores modelos de ML basados en conjuntos de datos únicos. Gracias a SageMaker Autopilot, podemos proporcionar información personalizada a decenas de millones de compradores aprovechando el poder de AutoML”.
Alexander Jost, director ejecutivo (CEO) de RetentionX
“En EPCVIP, sacamos partido del machine learning para entender mejor los atributos de grupos de usuarios, acelerar los tiempos de procesamiento y mejorar las tasas de conversión para nuestras ofertas de productos. La industria de la tecnología financiera es muy completa y está en constante cambio. De manera semanal, se incorporan nuevos socios, afiliados, orígenes de tráfico y ofertas de productos. A medida que creamos modelos de machine learning, experimentamos de manera constante para adaptar nuestros modelos con el objetivo de producir mejores resultados. Ahora, gracias al Piloto automático de Amazon SageMaker, podemos diseñar con rapidez un prototipo y crear, entrenar y ajustar automáticamente modelos de ML con visibilidad total de los datos. Con el Piloto automático de SageMaker podemos clasificar y revisar características, algoritmos y conjuntos de datos, lo que nos ha permitido comprender de manera completa las iteraciones de nuestros modelos. Los resultados de las tasas de coincidencia mejoradas y otros modelos implementados a través del Piloto automático de SageMaker han contribuido al valor por cliente potencial de nuestra compañía hasta en un 30 %”.
Pascal Simpkins, director de ciencia de datos, EPCVIP
“El nuevo servicio de aprendizaje automático con tecnología de Amazon SageMaker Autopilot de Sisense era exactamente lo que necesitábamos para mantenernos a la vanguardia en el servicio de atención al cliente durante esta pandemia de COVID-19. Skullcandy pudo obtener información detallada sobre las necesidades de los clientes, mejorar la resolución de problemas y aumentar las puntuaciones de satisfacción de los clientes”.
Mark Hopkins, director de Información de Skullcandy Inc.
“Antes, simplemente elegíamos dos restaurantes parecidos, pero ahora comprendemos realmente la relación entre los productos del menú, los clientes y los locales. Amazon SageMaker Autopilot, que respalda la nueva funcionalidad de aprendizaje automático de Domo, ha aumentado de forma exponencial la fuerza de nuestros equipos de marketing y compra para tratar nuevas ideas y mejorar la experiencia de nuestros clientes”.
Sean Thompson, director de TI de Freddy’s
“El objetivo principal del mapeo demográfico es optimizar tanto la precisión como la escala. Aunque esto suele ser difícil, pudimos usar Amazon SageMaker Autopilot con nuestros completos datos de entrenamiento y características sofisticadas para producir mejores modelos que optimizaron la precisión de nuestras predicciones en un 137 %”.
Anindya Datta, director ejecutivo de Mobilewalla
Introducción a Piloto automático de Amazon SageMaker
Blogs
SageMaker Autopilot is 8x faster with new ensemble training mode powered by AutoGluon (Piloto automático de SageMaker ahora es hasta 8 veces más rápido gracias al nuevo modo de entrenamiento de conjunto con tecnología AutoGluon)
Unified data preparation and model building (Unificación de la preparación de datos y la creación de modelos)
Use integrated explainability tools and improve model quality (Uso de las herramientas de capacidad de explicación integradas y mejora de la calidad de los modelos)
Ahora, el piloto automático de Amazon SageMaker admite datos de series temporales
Ejercicios prácticos
Videos de demostración
Piloto automático de Amazon SageMaker
AWS On Air con Piloto automático de Amazon SageMaker
Documentación
Explore la documentación de introducción a Piloto automático de SageMaker
Novedades
- Fecha (de más reciente a más antigua)