AWS Summit London – SageMaker for Machine Learning Beginners

AWS Summit London werd gehouden op 10 mei in het ExCeL conferentiecentrum in Oost-Londen. Dit was mijn eerste r ste keer op een AWS-conferentie en ik werd overweldigd door de enorme omvang ervan. Er moesten minstens 10.000 aanwezigen zijn en elke lezing die ik bijwoonde, was bijna vol. Ik had alleen een algemeen idee over de lezingen die ik wilde bijwonen, maar om de een of andere reden voelde ik me aangetrokken tot het nieuwe product SageMaker van AWS. Ik had er nog nooit van gehoord tot ik de keynote zag met Dr. Werner Vogels, CTO van Amazon.com. Veel van mijn vrienden hadden Machine Learning (ML) gestudeerd aan hun universiteit, maar ik kende niemand die het in de industrie heeft gebruikt. In de monitoringwereld zijn er allerlei interessante ideeën over het gebruik van ML voor voorspellende analyses, dus ik wilde meer weten over hoe andere bedrijven ML gebruiken en hoe SageMaker kan worden gebruikt door bedrijven die aan de slag willen met ML.

Tijdens de presentatie van Dr. Vogels wees hij er snel op dat Amazon.com al 20 jaar ML gebruikt in hun e-commerce-activiteiten. Het is gemakkelijk in te zien waarom dit belangrijk voor hen was toen ze groeiden. Aan de kant van productaanbevelingen moet het intelligent kunnen upsellen naar klanten een enorme impact hebben gehad op hun verkoop. Maar niet veel bedrijven opereren op de schaal van Amazon. Kan ML een zakelijke impact hebben voor een kleine software-startup of een traditionele detailhandel?

Waar SageMaker voor is gemaakt, waren die soorten bedrijven waar ML niet de kern van het bedrijf is zoals het bij Amazon is. Het moeilijkste van ML is de enorme inspanning die nodig is om uw model op te bouwen, te trainen en af ​​te stemmen, zodat het nauwkeurige voorspellingen voor uw bedrijf oplevert. Net als veel andere services die AWS biedt, proberen ze een deel van die complexiteit weg te nemen, zodat u sneller kunt implementeren.

Build

Het eerste dat u moet doen om uw model te bouwen, is het verbinden met uw gegevens. Dit is natuurlijk veel gemakkelijker om te doen als je al gegevens hebt opgeslagen op AWS, dus dit kan een blokkering zijn als je het ergens anders hebt opgeslagen. Het kost echter niet veel moeite om enkele testgegevens op S3 te krijgen, zodat het model er toegang toe heeft. Als u eenmaal uw gegevens heeft, moet u uw algoritme kiezen. Dit is waar een product als SageMaker echt de beginner helpt, omdat het al algoritmen heeft die vooraf zijn geladen met standaardinstellingen om u op weg te helpen. Dus als we SageMaker in Opsview Monitor zouden gaan gebruiken, zouden we hoogstwaarschijnlijk het DeepAR-algoritme gebruiken, dat grote reeksen tijdreeksgegevens gebruikt om voorspellingen en voorspellingen te genereren door patronen in die gegevens te analyseren.

Trein

Training is wat ML onderscheidt van een eenvoudig invoer / uitvoer-algoritme. Hoe meer gegevens er worden verwerkt en hoe meer tijd er verstrijkt, hoe beter het model zou moeten zijn in het voorspellen van trends. Training is ook het deel dat het meest computationeel intensief is, dus nogmaals, dit is waar AWS de overhead probeert te verminderen. U betaalt alleen voor wat u gebruikt, dus u kunt uw model trainen totdat u tevreden bent met de resultaten. Het afstemmen en tweaken dat nodig is om uw algoritme correct te configureren, kan ook automatisch worden gedaan door SageMaker.

Implementeren

Dit is waar SageMaker echte waarde voor het bedrijf biedt. Door uw ML-oplossing op AWS te kunnen implementeren, kunnen bedrijven snel het voordeel van hun model realiseren en zien hoe het presteert in de echte wereld. Met functies zoals implementatie met één klik, A / B-testen en hosting, kunt u aan de slag met uw eerste ML-applicatie zonder alle overhead van implementatie in een lokale infrastructuur.

Conclusie

Het kan intimiderend zijn om aan de slag te gaan in de wereld van ML, maar AWS heeft geprobeerd de toetredingsdrempel te verlagen met de introductie van SageMaker. Microsoft en Google hebben al hun eigen ML-oplossingen, dus het zal interessant zijn om te zien hoe deze drie in de loop van de tijd evolueren. Het is goed dat AWS de waarde van ML voor kleinere bedrijven heeft ingezien en het heeft geïntegreerd met hun andere aanbiedingen, aangezien zij de grootste cloudserviceprovider zijn. Ik hoop dat hierdoor meer bedrijven ML in hun dagelijkse activiteiten kunnen gebruiken en kunnen profiteren van het inzicht dat het oplevert.

Geschreven door Nathan Garbacz, Opsview’s Solutions Architect