Amazon SageMaker Autopilot

自動建立具有完整能見度的機器學習模型

根據您的資料自動建置、訓練和調整最佳 ML 模型,同時保持完全控制和可見性

根據模型效能和準確性要求從排行榜中選擇最佳模型

只需按一下即可將模型部署至生產環境,或使用 Amazon SageMaker Studio 中的推薦模型進行反覆運作

 

Amazon SageMaker Autopilot 消除了建置 ML 模型的繁重工作。只需提供表格資料集並選取要預測的目標資料欄,SageMaker Autopilot 即會自動探索不同的解決方案以找到最佳模型。接著,只要點選滑鼠一次,就能將模型直接部署至生產,或重複使用建議的解決方案,增進模型品質。

Amazon SageMaker Autopilot 概觀 (1:28)

運作方式

Amazon SageMaker Autopilot 的運作方式

主要功能

自動化資料預先處理與特徵工程

即使有遺漏的資料,您也可以使用 Amazon SageMaker Autopilot。 SageMaker Autopilot 會自動填寫遺漏的資料、提供資料集中有關直欄的統計洞見資訊,並且會自動從非數值直欄擷取資訊,例如從時間戳記擷取日期與時間資訊。

自動化 ML 模型選擇

Amazon SageMaker Autopilot 會自動推斷最適合您資料的預測類型,例如二進制分類、多元分類或迴歸。接著,SageMaker Autopilot 會探索高效能演算法,例如梯度提升決策樹、前饋型深度神經網路以及羅吉斯迴歸,且會根據這些演算法來培訓並最佳化數以百計的模型,藉此找出最適合您資料的模型。

模型排行榜

Amazon SageMaker Autopilot 能讓您檢閱為您的資料自動產生的所有 ML 模型。您可以檢閱依正確性、精準度、召回率和曲線下面積 (AUC) 區分的模型清單,檢閱模型詳細資訊 (例如功能對預測的影響),並且部署最適合您使用案例的模型。

功能重要性

Amazon SageMaker Autopilot 提供由 Amazon SageMaker Clarify 產生的可闡述性報告,讓您能夠更輕鬆地理解和闡述使用 SageMaker Autopilot 建立的模型如何進行預測。您還可以確定訓練資料中的每個屬性,如何以百分比形式對預測結果產生影響。百分比越高,該功能對模型預測的影響就越大。

輕鬆與您的應用程式整合

您可以使用 Amazon SageMaker Autopilot 應用程式開發介面 (API) 來輕鬆建立模型並直接從您的應用程式 (例如您的資料分析與資料倉儲工具) 進行推斷。

可自訂的 autoML 旅程

藉助 Amazon SageMaker Autopilot,您可以自訂 autoML 旅程中的步驟,以協助建立高品質的 ML 模型。可以使用 SageMaker Data Wrangler 中超過 300 個預先設定的資料轉換,套用自己的資料預先處理和特徵工程轉換,並將配方帶到 SageMaker Autopilot。您還可以定義自訂資料拆分來訓練和驗證數據,或上傳自訂資料集進行驗證。此外,還可以針對 SageMaker Autopilot 實驗選擇訓練特徵、變更資料類型以及選擇訓練模式 (集合或超參數最佳化)。

輕鬆與您的應用程式整合

您可以使用 Amazon SageMaker Autopilot 應用程式開發介面 (API) 來輕鬆建立模型並直接從您的應用程式 (例如您的資料分析與資料倉儲工具) 進行推斷。

建立自動化筆記本

您可以為 Amazon SageMaker Autopilot 所建立的任何模型自動產生 Amazon SageMaker Studio Notebook,並深入了解建立過程的詳細資訊、視需要精簡它,並在未來任何時間點在筆記本中重建。

使用案例

價格預測

金融服務、房地產、能源和公用事業產業都大量使用價格預測模型,以預測股票、房地產和天然資源的價格。Amazon SageMaker Autopilot 可預測未來價格,協助您根據歷史資料,例如:需求、每季趨勢和其他商品價格,作出良好的投資決策。

流失率預測

客戶流失率指的是客戶 (或顧客) 流失,而每家公司都竭力想阻止此類情況的發生。由 Amazon SageMaker Autopilot 自動建立的模型可協助您了解流失率的模式。流失率預測模型先學習您現有資料的模式,接著辨識新資料集內的模式,讓您可以預測最有可能流失的客戶群。

風險評定

風險評定必須能找出並分析會對個人、資產和貴公司帶來負面影響的潛在事件。發生新事件時,由 Amazon SageMaker Autopilot 自動建立的模型可協助您預測風險。系統會運用您現有的資料集來培訓風險評定模型,讓您可以針對業務取得最佳化的預測結果。

客戶

RetentionX
「在 RetentionX,我們為電子商務公司提供一鍵式業務洞察。為服務我們的客戶,讓他們能夠快速開始並及時做出業務決策很重要,但是建立準確的機器學習模型可能成本高昂,並且需要數月的反複試驗。此外,模型準確性還高度取決於訓練資料的廣度和深度,以及每位客戶可用的獨特功能集。在 Amazon SageMaker Autopilot 的協助下,我們的客戶能夠根據獨特資料集自動產生最佳的機器學習模型。得益於 SageMaker Autopilot,我們可以為數千萬利用 AutoML 功能的購物者提供個人化的洞察。」

RetentionX 執行長 Alexander Jost

EPCVIP
「在 EPCVIP,我們善用機器學習來更好地了解使用者群組屬性、加速處理時間,以及提高我們產品的轉化率。金融科技是一個高度複雜的產業,並且一直在變化。每週都會新增合作夥伴、附屬公司、流量來源和產品供應。在我們建置機器學習模型的過程中,我們不斷嘗試調整我們的模型以產生卓越的結果。得益於 Amazon SageMaker Autopilot,我們現在可以快速建置原型,自動建置、訓練和調整 ML 模型,以及全面了解資料。藉助 SageMaker Autopilot,我們可以對特徵、超參數、演算法和資料集進行分類和審查,這讓我們能夠充分了解我們的模型反覆運作。我們透過 SageMaker Autopilot 改善了匹配率和其他部署模型,從而為我們公司的每位潛在客戶實現了高達 30% 的價值提升。」

EPCVIP 資料科學主管 Pascal Simpkins

Skullcandy Inc.
「Sisense 以 Amazon SageMaker Autopilot 作為技術骨幹的全新 ML 服務完全符合我們的需求,它讓我們的客戶服務在今年 COVID-19 全球疫情蔓延期間依然保持遙遙領先的地位。受惠於此,Skullcandy 終能深入了解我們客戶的需求、改善問題解決方式,並提高客戶滿意度的分數。」

Skullcandy Inc. 資訊長 Mark Hopkins

Freddys
「以前,我們只選擇兩家看起來類似的餐廳,但現在我們對菜單品項、客戶和地點之間的關係有了真正的了解。支援 Domo 新 ML 功能的 Amazon SageMaker Autopilot,已經讓我們的行銷和採購團隊嘗試新想法和改善客戶體驗的戰鬥力倍增。」

Freddy’s IT 總監,Sean Thompson

Mobilewalla
「人口統計圖繪製的主要目標是在精準度和比例尺之間取得最完美的平衡。儘管這個目標不容易達成,我們還是能使用 Amazon SageMaker Autopilot 來搭配完整培訓的資料與精緻複雜的功能來產生更好的模型,將我們的預測精準度提升 137%。」

Mobilewalla 執行長,Anindya Datta

開始使用 Amazon SageMaker Autopilot

部落格

部落格

SageMaker Autopilot 使用採用 AutoGluon 技術的新集合訓練模式,速度提高了 8 倍

部落格

統一的資料準備和模型建置

部落格

使用 Amazon SageMaker Autopilot 進行批次預測

部落格

使用整合的可說明性工具並改善模型品質

部落格

Amazon SageMaker Autopilot 現在支援時間序列資料

實作練習

教學

開始使用 SageMaker Autopilot 逐步教學

研討會

探索如何將 SageMaker Autopilot 用於使用案例

示範影片

影片

Amazon SageMaker Autopilot 概觀

Amazon SageMaker Autopilot 概觀 (39:16)
影片

AWS On Air ft.Amazon SageMaker Autopilot

AWS On Air ft.Amazon SageMaker Autopilot (29:24)

文件

文件

瀏覽如何開始使用 SageMaker Autopilot 的文件

最新消息

日期 (最新到最舊)
  • 日期 (最新到最舊)
1
找不到結果