关键字: [Amazon SageMaker Canvas, Amazon SageMaker Canvas, No-Code Modeling, Generative Ai, Data Preparation, Custom Model]

本文字数: 2400, 阅读完需: 12 分钟

导读

演讲者 阐释了Amazon SageMaker Canvas 如何实现无代码开发机器学习和生成式AI 模型; 具体而言, 它提供了可直接使用的模型、自定义模型构建功能、包括自然语言界面在内的数据准备工具, 以及与其他亚马逊云科技服务( 如SageMaker Studio 和QuickSight) 的集成。 演讲重点关注Amazon SageMaker Canvas 如何推动机器学习的普及、促进业务团队与ML 专家之间的协作, 以及加快ML 解决方案的部署速度。

演讲精华

以下是小编为您整理的本次演讲的精华，共2100 字，阅读时间大约是10 分钟。

在不断发展的技术领域中, 机器学习(ML) 解决方案在各个组织中的需求急剧增长。然而, 一个重大挑战随之而来, 由于ML 专家的数量有限, 导致许多项目排队等待优先处理, 其中一些项目甚至可能需要等待数年才能得到解决。加剧这一问题的是, 拥有深入业务问题理解的领域专家往往缺乏必要的编码技能来利用ML 解决这些问题。即使这些专家获得了ML 技能, 他们所在组织中可用的工具也常常无法促进与ML 专家的有效协作, 而这种协作对于确保ML 模型在生产环境中成功部署至关重要。

有鉴于此, 亚马逊云科技(Amazon Web Services, AWS) 推出了Amazon SageMaker Canvas, 这是一个无代码工作空间, 旨在让业务团队能够构建、部署和利用ML 和生成式AI 模型。这一创新解决方案旨在弥合日益增长的ML 解决方案需求与有限的ML 专家供给之间的差距, 使组织能够实现ML 的民主化。

Amazon SageMaker Canvas 提供了一套全面的功能来简化ML 模型开发过程。其关键优势之一在于提供来自亚马逊云科技AI 服务( 如Amazon Bedrock 、Amazon Comprehend 和Amazon Rekognition) 的现成预训练模型。通过利用这些预训练模型, 用户可以生成预测, 而无需从头构建ML 模型, 从而大大减少所需的时间和精力。 例如, 用户可以带来自己的文档, 并使用由预训练模型支持的文档问答功能开始提问和查询。同样, 他们可以使用Canvas 中可用的预训练模型解决客户流失预测、信用风险评估、视觉缺陷检测、对象检测、文本检测、情感分析、PII 检测、实体提取、需求预测和销售预测等问题。

数据准备步骤的可视化表示以有向无环图(DAG) 的形式呈现, 为用户提供了对数据转换过程的清晰概览, 简化了构建数据管道或准备机器学习模型训练数据的流程。此外,Canvas 现已提供自然语言界面, 允许用户使用自然语言命令查询和操作数据, 进一步提高了平台的可访问性和用户友好性。

数据准备就绪后, 用户可利用Canvas 构建和评估各种机器学习模型, 应用于分类、回归、时间序列分析、文本分类、图像分类等各类问题, 并对基础模型进行微调。Canvas 采用自动机器学习(AutoML) 技术, 训练多种算法, 并根据提供的数据选择表现最佳的模型。如有需要, 用户可覆盖模型选择过程, 访问模型排行榜, 显示每个训练模型的性能指标, 从而作出明智决策。

在亚马逊峰会上, 一项突破性的新功能是在Amazon SageMaker Canvas 中微调基础模型。用户可从Amazon Bedrock 或SageMaker JumpStart 选择基础模型, 提供标注示例, 然后单击即可启动微调过程。Canvas 协调微调作业, 为用户提供全面的模型评估指标, 包括对责任人工智能方面( 如毒性和偏差) 的性能指标。 这一功能使用户能够评估和比较微调后的基础模型, 确保它们符合特定需求和道德考量。

为了展现Amazon SageMaker Canvas 的强大功能, 亚马逊云科技的技术领导者和解决方案架构师Davide Galatelli 演示了如何针对投资建议用例对语言模型进行微调。他逐步演示了上传数据、选择模型进行微调、配置超参数、跟踪训练性能以及比较微调后模型与基础模型的输出结果。这个实操演示展现了用户如何轻松高效地利用量身定制的尖端语言模型满足其独特业务需求, 而无需广泛的编码或机器学习专业知识。

除了预训练模型,Amazon SageMaker Canvas 还提供了强大的自定义机器学习模型构建功能。亚马逊云科技SageMaker 低代码/ 无代码团队的总经理Rashid Singh 深入探讨了这一过程的细节。在准备好数据后, 用户可以根据问题领域( 如分类、回归、计算机视觉或自然语言处理(NLP)) 选择合适的模型类型。单击一下,Canvas 就会启动AutoML 过程, 训练多种算法并为用户呈现性能最佳的模型。

为进一步说明自定义模型构建过程,Davide Galatelli 提供了全面的演示。他演示了数据准备步骤, 利用新引入的自然语言界面查询和转换数据。Davide 展示了执行数据质量报告, 该报告提供了数据集中潜在问题或异常的见解, 使用户能够就数据转换做出明智决策。数据质量报告显示快速模型评分为0.6, 这表明数据集存在需要解决的潜在问题。随后, 他继续训练多个模型, 评估它们的性能指标, 如准确性、列影响和混淆矩阵, 并根据特定标准( 如推理延迟或首选评估指标) 选择最合适的候选模型。

一旦构建完成模型,Amazon SageMaker Canvas 就支持多种预测模式, 以满足不同的业务需求。用户可以在Canvas 应用程序本身中生成预测, 通过修改特征值并观察预测的相应变化来执行” 假设分析” 。例如,Davide 演示了如何更改单个特征值会影响预测置信度分数, 从而让用户洞察模型的行为。或者, 他们可以上传批量数据并批量生成预测。对于需要自动生成预测的场景,Canvas 支持调度预测作业, 确保与不断变化的数据流无缝集成。

此外,Canvas 通过一键式模型部署简化了训练模型的部署。此功能调用SageMaker 托管端点, 为用户提供了一个可编程接口, 将他们的模型与其他应用程序集成。值得注意的是,Canvas 还支持与Amazon QuickSight 共享预测和模型, 从而实现数据可视化和分析功能。

认识到业务团队和ML 专家之间协作的重要性,Amazon SageMaker Canvas 提供了与SageMaker Studio 的集成,SageMaker Studio 是一个为偏好编码环境的ML 从业者量身定制的集成开发环境(IDE) 。通过这种集成, 用户可以共享模型工件并利用ML 专家的专业知识, 促进模型开发和部署的协作方式。

为了确保与现有的ML 运营(MLOps) 流程无缝集成,Canvas 允许用户将训练好的模型注册到SageMaker 模型注册表中。该注册表充当中央存储库, 使MLOps 团队能够访问模型工件、容器和相关元数据, 从而有助于将Canvas 训练的模型纳入现有的MLOps 管道。

针对企业客户关于访问控制和成本管理的担忧,Amazon SageMaker Canvas 为管理员提供了限制权限和配置单点登录(SSO) 设置的能力。此外,Canvas 引入了空闲指标和自动关机功能, 通过在实例不再使用时终止实例来实现成本优化, 确保整个过程中数据保留在用户的虚拟私有云(VPC) 中。

呼叫中心预测用于在高峰时期合理调配资源; 转换预测则预估试用用户在30% 的转换率后订阅付费服务的可能性; 此外, 还运用聚类技术进行客户分析。

值得一提的是, 获胜团队由来自不同领域的成员组成, 包括存储工程师、业务分析师和软件工程师, 他们均未具备人工智能或机器学习的专业背景。借助Amazon SageMaker Canvas, 该团队成功连接数据源、执行特征工程、训练自定义预测模型、在中央模型注册表中注册模型, 并将其部署以生成预测。

这次黑客马拉松的成功不仅彰显了Amazon SageMaker Canvas 民主化机器学习的能力, 更凸显了该平台促进创新, 使非专业人士能够利用人工智能和机器学习技术解决复杂业务问题的潜力。参与者对实施机器学习模型、数据处理的过程以及使用Canvas 训练机器学习模型的相对简单性获得了宝贵的见解, 他们发现Canvas 是一个友好的工具。

获胜用例之一涉及在高峰季节管理客户呼叫中心的资源。由一名存储工程师、一名业务分析师和两名没有先前机器学习经验的软件工程师组成的团队, 利用Amazon SageMaker Canvas 连接到Snowflake 数据源、执行特征工程、训练自定义预测模型、在中央模型注册表中注册模型, 并部署模型以生成预测。他们完全在Canvas 内开发的解决方案优于人工驱动的资源分配, 并赢得了黑客马拉松, 证明了Canvas 在为业务团队民主化机器学习方面的有效性。

全年, 汤森路透与亚马逊云科技团队密切合作, 从企业的角度提供反馈和见解。这种合作旨在解决关键方面, 如确保流程、平衡要求和在整个组织内标准化方法。这种合作关系的成功为未来几年内继续合作奠定了基础, 进一步增强Amazon SageMaker Canvas 的功能及其在企业环境中的采用。

为了支持不断增长的Amazon SageMaker Canvas 用户社区, 亚马逊云科技策划了一系列资源。其中一个值得注意的是在Coursera 上的课程, 旨在指导用户将业务问题转化为机器学习问题, 这是领域专家面临的一个常见挑战。该课程为学习者提供了有效利用Amazon SageMaker Canvas 解决现实世界业务挑战所需的知识和技能。

此外, 亚马逊云科技还提供了动手实验室和示例数据集, 使用户能够在Canvas 环境中探索和试验各种机器学习用例。这些自定进度的实验室提供了一种实践学习的方法, 允许用户构建机器学习模型、生成预测, 并全面了解该平台的功能。

为了满足Amazon SageMaker Canvas 社区多样化的兴趣和学习偏好, 亚马逊云科技在亚马逊峰会大会上精心安排了丰富多彩的活动。针对那些渴望深入探讨高阶主题的与会者, 如微调基础模型和自然语言数据准备,11 月30 日下午2:30 至3:30 在凯撒论坛举办的AIM339 环节将是一个宝贵的资源。

此外, 还将于11 月30 日下午4:00 至5:00 在曼德勒湾酒店举办一场专门讨论Amazon SageMaker Canvas 的白板会议。该环节将通过各种演示和用例, 全面展示该平台的多功能性和实际应用, 让与会者对其有更深入的了解。

总结

Amazon SageMaker Canvas 是一个无代码工作空间, 赋予业务团队构建、部署和协作机器学习及生成式人工智能模型的能力。它解决了组织内部缺乏机器学习专业知识和缺乏协作工具的挑战。通过 Canvas, 用户可以访问现成的模型、微调基础模型、使用自动机器学习构建自定义模型, 并在无需编写代码的情况下生成预测。

Canvas 的关键功能包括使用可视化和自然语言界面进行数据准备、模型训练和评估、一键式模型部署, 以及与 SageMaker Studio 集成, 以便与专业代码用户协作。Canvas 还为管理员提供了治理和安全控制。汤森路透已成功利用 Canvas 在整个企业范围内实现机器学习的民主化, 使非专家能够为各种用例构建和部署模型。

亚马逊云科技旨在通过低代码和无代码解决方案( 如 Amazon SageMaker Canvas) 使机器学习更加易于使用。通过赋予公民开发者和领域专家权力, 组织可以加速其机器学习计划, 并充分发挥其数据和业务问题的潜力。

亚马逊云科技（Amazon Web Services ）是全球云计算的开创者和引领者。提供200 多类广泛而深入的云服务，服务全球245 个国家和地区的数百万客户。亚马逊云科技致力于成为企业构建和应用生成式AI 的首选，通过生成式AI 技术栈，提供用于模型训练和推理的基础设施服务、构建生成式AI 应用的大模型等工具、以及开箱即用的生成式AI 应用。深耕本地、链接全球 -- 在中国，亚马逊云科技通过安全、稳定、可信赖的云服务，助力中国企业加速数字化转型和创新，并深度参与全球化市场。