使用无代码和低代码机器学习加速任务结果-Toy模板网

这篇具有很好参考价值的文章主要介绍了使用无代码和低代码机器学习加速任务结果。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

关键字: [Amazon Web Services re:Invent 2023, Amazon SageMaker Canvas, Machine Learning Models, No Code Tool, Accelerate Outcomes, Amazon Sagemaker Canvas, Model Building And Deployment]

本文字数: 1200, 阅读完需: 6 分钟

视频

如视频不能正常播放，请前往bilibili观看本视频。>> https://www.bilibili.com/video/BV1sc411i7iG

导读

组织可以通过预测分析来改造他们的业务,但是可能缺乏机器学习项目所需的IT资源和预算。这个针对企业领导和技术人员的课程中,我们将了解一流的无代码和低代码AI/ML以及生成式AI技术,这些技术可以用于构建面向结果的解决方案。我们将探讨使用案例,观看演示,并了解设计这些解决方案的规范性指导。发现设计安全、经济高效和负责任的AI/ML应用程序的关键见解,这些应用程序可以帮助加速非营利组织和企业的成果。

演讲精华

以下是小编为您整理的本次演讲的精华，共900字，阅读时间大约是4分钟。如果您想进一步了解演讲内容或者观看演讲全文，请观看演讲完整视频或者下面的演讲原文。

演讲者R女士在她的演讲开始时，向观众们询问了他们使用机器学习的情况。她想知道有多少人已经尝试使用看起来适合机器学习的案例，许多人都热情地举起了手。R女士对此表示认可，并强调，实际上，大部分组织往往有多个潜在的机器学习案例，而不仅仅是一个。然而，她也指出，通常很难找到合适的资源和技能来实现机器学习。

R女士表示，她的目标就是帮助听众们能够轻松地实施机器学习。为此，她介绍了一种名为Amazon SageMaker Canvas的无代码机器学习工具。她提到，她将现场演示这个工具，但在展示之前，她想先为大家提供一些背景信息。

R女士解释说，一个典型的机器学习项目通常从识别业务需求开始，然后确定哪些案例似乎非常适合机器学习。一旦他们确定了一个或两个顶级案例，从案例到具有工作状态的机器学习模型之间会涉及到多个步骤。

她详细描述了机器学习的生命周期，该周期从识别数据源、收集和准备数据、特征工程开始，然后进行模型构建，即寻找适用于所处理案例的正确算法。接下来是超参数调优、模型评估，最后是部署阶段。但是，这并没有结束，因为已部署的模型需要持续监控以确保其性能如预期。整个过程可能会持续几周甚至几个月的时间，且具有很大的迭代性。

总结了这些关键挑战后，R女士指出，机器学习需要大量的实验和投资时间。此外，通常还需要专门的机器学习专业知识，而这种知识在市面上可能是非常稀缺的。另外，为了让业务分析师等其他人员能充分利用现有资源，他们也需要进行技能提升，这需要一定的时间。因此，核心问题变成了如何在整个组织中扩大机器学习的应用范围。为了解决这个问题，R女士表示，SageMaker Canvas的实时演示将展示如何利用无代码工具加速机器学习的价值实现速度。

R介绍了Amazon SageMaker，并询问有多少人熟悉它。许多人表示了解这个完全管理的端到端机器学习服务。据她介绍，Canvas是无代码功能，专为没有机器学习专业知识的业务用户设计。她表示将展示Canvas的功能，包括实时演示。在等待演示界面加载的过程中，R提供了一些背景信息。Canvas作为Bedrock的前端接口，后者在幕后驱动机器学习模型。下拉菜单显示了Bedrock的一列基础模型，包括公开可用的模型以及亚马逊的专有模型。这使得用户能够选择像亚马逊的泰坦这样的基础模型，选择一个示例提示如“创建KPI摘要”，然后看到模型生成的结果，所有操作都在同一个Canvas界面内完成。R展示了Canvas如何能并排比较不同的模型。例如，用户可以选择Anthropic的克洛德和亚马逊的P-not，输入相同的提示“编写报告”，然后立即看到每个模型对同一任务的输出。这有助于通过比较相同提示的结果来选择模型。从生成性AI演示开始，R展示了Canvas中可用的即插即用模型。这些模型利用其他AI服务，如用于情感分析模型的亚马逊Comprehend和用于计算机视觉模型的亚马逊Rekognition。作为一个例子，她演示了一个情感分析模型，输入文本并生成一个正面情感的预测以及置信度分数。她强调了置信度分数在评估结果质量的重要性。R还展示了该模型可以用于单次预测或批量预测。接下来，R演示了一个由亚马逊Rekognition驱动的对象检测模型。通过提供一张图片，它可以识别图片中的不同物体以及每个检测到物体的置信度分数。R随后提供了一个使用亚马逊Textract在后台分析文档的例子，该文档包含不仅仅是文本的表格、表格和数据。这允许与文档进行对话以提取相关数据。

尽管R已经展示了一些现成的模型，但她指出这些可能并不适合每个特定的应用场景。用户还可以通过在Canvas中利用自己的数据来构建定制的模型。她通过提供一个自定义模型的示例，明确问题类型（如数值预测）并上传一个住房数据集来预测房价，向用户展示了如何进行操作。

Canvas能够根据数据自动识别问题类型，比如将“中等房屋价值”识别为数值目标列。快速构建模型通常需要2-15分钟的验证数据时间，而完整标准的构建过程则需要2-4小时的时长，具体取决于数据大小和模型的复杂程度。

R展示了快速构建模型的输出结果，其中包括诸如RMSE之类的性能指标以及内置模型的可解释性，揭示了特征属性的重要性。这使得用户能够利用自己的数据进行预测，可以是单个数据点也可以是批量数据。一旦完整的模型建立完毕，便可以部署并在团队之间共享，从而提高协作效率。

总的来说，R强调SageMaker Canvas通过让非机器学习专家也能轻松地应用AI技术，从而加速了机器学习的普及。这个无代码的工作平台使得机器学习在整个组织内部得到了推广，并且提供了更快速的时间效益。

下面是一些演讲现场的精彩瞬间：

领导者探讨了从明确业务需求到开发高效机器学习模型的整个过程。