Comece a usar com o guia de implementação

6 etapas  |  30 minutos

Machine_Learning_HERO-ART_SM

P: O que é o Amazon Machine Learning (Amazon ML)?

O Amazon ML é um serviço que permite criar facilmente aplicações preditivas, incluindo detecção de fraudes, previsão de demanda e previsão de cliques. O Amazon ML usa algoritmos poderosos que podem ajudar a criar modelos de aprendizado de máquina, identificando padrões em dados existentes e usando esses padrões para fazer previsões com base em novos dados à medida que são disponibilizados. O Console de Gerenciamento da AWS e a API oferecem ferramentas de visualização de dados e modelos, bem como assistentes para orientação durante o processo de criação de modelos de aprendizagem de máquina, medição de sua qualidade e ajuste fino das previsões para cumprir os requisitos da aplicação. Após a criação dos modelos, você pode obter previsões para a sua aplicação usando a API simples, sem necessidade de implantar código personalizado de geração de previsões ou de gerenciar uma infraestrutura. O Amazon ML é altamente escalável e pode gerar bilhões de previsões, fornecendo-as em tempo real com alto throughput. O Amazon ML não tem custo inicial e você paga conforme o uso, o que permite iniciar em pequena escala e aumentar a escala conforme o crescimento da aplicação.

P: Quais são alguns casos de uso do Amazon ML?

Você pode usar o Amazon ML para criar uma grande variedade de aplicações preditivas. Por exemplo, é possível usar o Amazon ML para ajudar a criar aplicações que identificam transações suspeitas, detectam pedidos fraudulentos, estimam a demanda, personalizam o contexto, preveem atividades de usuário, filtram avaliações, ouvem mídia social, analisam texto livre e recomendam itens.

P: Quais as medidas de segurança implementadas no Amazon ML?

O Amazon ML garante que modelos de ML e outros artefatos de sistema sejam criptografados quando em trânsito e quando ociosos. As solicitações para a API e o console do Amazon ML são efetuadas em uma conexão segura (SSL). Você pode usar o AWS Identity and Access Management (AWS IAM) para controlar quais usuários do IAM têm acesso a ações e recursos específicos do Amazon Machine Learning.

P: Onde posso armazenar dados com o Amazon ML?

Você pode usar o Amazon ML para ler dados de três armazenamentos de dados: (a) um ou mais arquivos no Amazon S3, (b) resultados de uma consulta do Amazon Redshift ou (c) resultados de uma consulta do Amazon Relational Database Service (RDS) executada em um banco de dados que executa o mecanismo do MySQL. Normalmente, dados de outros produtos podem ser exportados para arquivos CSV no Amazon S3, disponibilizando-os para acesso pelo Amazon ML. Para obter instruções detalhadas sobre como configurar permissões para que o Amazon ML possa acessar dados nos armazenamentos de dados compatíveis, consulte o Amazon Machine Learning Developer Guide.

P: Quero usar esse exemplo de projeto com meus próprios dados. Há limite para o tamanho do conjunto de dados que posso usar para treinamento?

O Amazon ML pode treinar modelos em conjuntos de dados com tamanho de até 100 GB.

P: Como ajusto o modelo caso ele não forneça os resultados desejados?

A melhor maneira de aumentar a qualidade de um modelo é usar mais dados de melhor qualidade para treiná-lo. A adição de mais observações e de tipos de informação, bem como a transformação dos dados para otimizar o processo de aprendizado são formas excelentes de aprimorar a precisão preditiva do modelo. O Amazon ML também oferece diversos parâmetros para ajustar o processo de aprendizado: (a) tamanho pretendido do modelo, (b) o número de passagens pelos dados e (c) o tipo e a quantidade de regularização a serem aplicados ao modelo. Por fim, um aspecto importante do ajuste de modelos é considerar como as previsões geradas pelo modelo de ML são interpretadas pela aplicação, o que permite alinhá-las de forma ideal aos objetivos de negócios. O Amazon ML ajuda a ajustar a pontuação de corte de interpretação para modelos de classificação binária, permitindo a escolha de um equilíbrio bem fundamentado entre os diferentes tipos de erros que um modelo treinado pode cometer. Por exemplo, algumas aplicações têm alto grau de tolerância de erros do tipo falso positivo, mas erros do tipo falso negativo são altamente indesejáveis. O console do serviço do Amazon ML ajuda a ajustar a pontuação de corte para cumprir esse requisito.

P: O que posso fazer com o modelo preditivo que criei com o Amazon ML?

Após gerar as previsões, você poderá usar os resultados de diversas formas. Por exemplo, é possível carregar os dados em uma planilha para classificar e filtrar os dados por pontuações de previsão. Você também pode carregar os dados em um banco de dados como Amazon RDS ou Amazon Redshift para gerar listas de segmentos qualificados. Além disso, é possível carregar a pontuação de previsão em um banco de dados NoSQL usando o Amazon DynamoDB para permitir que uma aplicação informe a pontuação de previsão em tempo real.

Comece a usar com o guia de implementação