Démarrez avec le guide d'implémentation

6 étapes | 30 minutes

Machine_Learning_HERO-ART_SM

Q : Qu'est-ce qu'Amazon Machine Learning (Amazon ML) ?

Amazon ML est un service qui vous permet de créer facilement des applications prédictives, intégrant notamment la détection de fraude, la prévision de la demande et la prévision de clics. Amazon ML utilise des algorithmes puissants, qui peuvent vous aider à créer des modèles d'apprentissage-machine en trouvant des schémas contenus dans les données existantes, puis en utilisant ces schémas pour établir des prédictions à partir des nouvelles données au fur et à mesure de leur disponibilité. L'AWS Management Console et l'API associée intègrent des outils de visualisation de modèles et de données, ainsi que des assistants pour vous guider tout au long du processus de création de modèles d'apprentissage-machine. Ces outils mesurent la qualité des modèles et paramètrent les prédictions afin qu'elles répondent aux exigences de votre application. Une fois les modèles créés, vous pouvez générer des prédictions pour votre application en utilisant l'API simple d'utilisation, sans avoir à implémenter un code de génération de prédictions personnalisé ou à gérer une infrastructure. Amazon ML est un outil hautement évolutif, capable de générer des milliards de prédictions, en temps réel et à haut débit. Avec Amazon ML, il n'y a aucuns frais initiaux et vous payez en fonction de votre utilisation. Vous pouvez donc débuter modestement et faire évoluer votre application au fur et à mesure qu'elle progresse.

Q : Quels sont les principaux cas d'utilisation d'Amazon ML ?

Vous pouvez utiliser Amazon ML pour créer un large éventail d'applications prédictives. Par exemple, vous pouvez utiliser Amazon ML pour créer des applications qui signalent les transactions douteuses, détectent les commandes frauduleuses, prévoient la demande, personnalisent du contenu, prévoient l'activité des utilisateurs, filtrent les évaluations, fournissent des données relatives aux réseaux sociaux, analysent du texte libre et recommandent des articles.

Q : Quelles mesures de sécurité sont intégrées au service Amazon ML ?

Amazon ML garantit que les modèles d'apprentissage-machine et d'autres artéfacts du système sont chiffrés en transit et au repos. Les requêtes sont envoyées à l'API et à la console d'Amazon ML par le biais d'une connexion sécurisée (SSL). Vous pouvez utiliser AWS Identity and Access Management (AWS IAM) pour contrôler les utilisateurs IAM pouvant accéder aux actions et ressources spécifiques du service Amazon Machine Learning.

Q : Où puis-je stocker mes données avec Amazon ML ?

Vous pouvez utiliser Amazon ML pour lire vos données depuis trois banques de données : (a) un ou plusieurs fichiers dans Amazon S3 comme dans cet exemple de projet, (b) les résultats d'une requête Amazon Redshift ou (c) les résultats d'une requête Amazon Relational Database Service (RDS) lorsqu'elle est exécutée à partir d'une base de données fonctionnant avec le moteur MySQL. Les données issues d'autres produits peuvent en général être exportées sous forme de fichiers CSV dans Amazon S3 pour permettre à Amazon ML d'y accéder. Pour obtenir des instructions détaillées sur la configuration d'autorisations permettant à Amazon ML d'accéder aux banques de données prises en charge, consultez le manuel Amazon Machine Learning Developer Guide.

Q : Je souhaite utiliser cet exemple de projet avec mes propres données. La taille de l'ensemble de données que je peux utiliser pour la formation est-elle limitée ?

Amazon ML peut former des modèles sur des ensembles de données de 100 Go maximum.

Q : Comment puis-je ajuster mon modèle s'il ne fournit pas les résultats escomptés ?

Le meilleur moyen d'augmenter la qualité d'un modèle consiste à utiliser davantage de données de meilleure qualité pour le former. Pour améliorer la précision des prédictions fournies par votre modèle, vous pouvez appliquer les solutions suivantes : ajouter un plus grand nombre d'observations, ajouter des types d'informations supplémentaires et transformer vos données pour optimiser le processus d'apprentissage. Amazon ML met également à votre disposition plusieurs paramètres pour ajuster le processus d'apprentissage : (a) la taille cible du modèle, (b) le nombre de passages à effectuer sur les données et (c) le type et la quantité de régularisation à appliquer au modèle. Enfin, il est important de prendre en compte un aspect important de l'ajustement de modèles, à savoir la manière dont les prédictions générées par votre modèle d'apprentissage-machine sont interprétées par votre application, dans le but de les adapter de manière optimale à vos objectifs professionnels. Amazon ML vous aide à ajuster l'interprétation du score-seuil des modèles de classification binaire, vous permettant ainsi de prendre des décisions éclairées à l'égard des différentes erreurs qu'un modèle formé peut commettre. Par exemple, certaines applications tolèrent très bien les erreurs faussement positives, mais les erreurs faussement négatives ne sont pas du tout bénéfiques à votre activité. La console du service Amazon ML vous permet à juste titre d'ajuster le score-seuil pour vous adapter à cette exigence.

Q : Que puis-je faire avec les modèles prédictifs que j'ai conçus avec Amazon ML ?

Une fois que vous avez généré vos prédictions, vous pouvez utiliser les résultats de plusieurs façons. Par exemple, vous pouvez charger les données dans une feuille de calcul pour trier et filtrer les données par score de prédiction. Vous pouvez également charger les données dans une base de données telle qu'Amazon RDS ou Amazon RedShift pour générer une liste de segments qualifiés. De plus, vous pouvez charger le score de prédiction dans une base de données NoSQL en utilisant Amazon DynamoDB pour activer la gestion en temps réel du score de prédiction d'une application.

Démarrez avec le guide d'implémentation