 |
Como cientista de dados, experimentei em primeira mão os desafios de tornar o aprendizado de máquina (ML) acessível a analistas de negócios, analistas de advertising, analistas de dados e engenheiros de dados que são especialistas em seus domínios sem experiência em ML. É por isso que estou particularmente entusiasmado com o evento de hoje Amazon Internet Companies (AWS) anúncio de que Desenvolvedor Amazon Q agora está disponível em Tela Amazon SageMaker. O que chama minha atenção é como o Amazon Q Developer ajuda a conectar a experiência em ML às necessidades de negócios, tornando o ML mais acessível em todas as organizações.
Desenvolvedor Amazon Q ajuda especialistas de domínio a criar modelos de ML precisos e com qualidade de produção por meio de interações de linguagem pure, mesmo que não tenham experiência em ML. O Amazon Q Developer orienta esses usuários detalhando seus problemas de negócios e analisando seus dados para recomendar orientações passo a passo para a criação de modelos de ML personalizados. Ele transforma os dados dos usuários para remover anomalias e cria e avalia modelos de ML personalizados para recomendar o melhor, ao mesmo tempo que fornece aos usuários controle e visibilidade em cada etapa do fluxo de trabalho de ML guiado. Isso permite que as organizações inovem mais rapidamente e com menor tempo de lançamento no mercado. Também reduz a dependência de especialistas em ML para que seus especialistas possam se concentrar em desafios técnicos mais complexos.
Por exemplo, um analista de advertising pode afirmar: “Quero prever os preços de venda de casas usando as características das casas e dados de vendas anteriores”, e o Amazon Q Developer traduzirá isso em um conjunto de etapas de ML, analisando dados relevantes do cliente, construindo vários modelos e recomendando a melhor abordagem.
Vamos ver isso em ação
Para começar a usar o Amazon Q Developer, sigo o Conceitos básicos de uso do Amazon SageMaker Canvas guia para iniciar o aplicativo Canvas. Nesta demonstração, utilizo instruções em linguagem pure para criar um modelo de previsão de preços de imóveis para equipes de advertising e finanças. Na página SageMaker Canvas, seleciono Amazon Q e então escolha Inicie uma nova conversa.
Na nova conversa escrevo:
Sou analista e preciso prever os preços das casas para minhas equipes de advertising e finanças.
A seguir, o Amazon Q Developer explica o problema e recomenda o tipo de modelo de ML apropriado. Também descreve os requisitos da solução, incluindo as características necessárias do conjunto de dados. O Amazon Q Developer então pergunta se Quero fazer add do meu conjunto de dados ou Quero escolher uma coluna de destino. Eu o seleciono para carregar meu conjunto de dados.
Na próxima etapa, o Amazon Q Developer lista os requisitos do conjunto de dados, que incluem informações relevantes sobre casas, preços atuais de casas e a variável de destino para o modelo de regressão. Em seguida, recomendou as próximas etapas, incluindo: Quero fazer add do meu conjunto de dados, Selecione um conjunto de dados existente, Crie um novo conjunto de dados ou Quero escolher uma coluna de destino. Para esta demonstração, usarei o canvas-sample-housing.csv conjunto de dados de amostra como meu conjunto de dados existente.
Após selecionar e carregar o conjunto de dados, o Amazon Q Developer o analisa e sugere valor_casa_mediana como coluna de destino para o modelo de regressão. Eu aceito selecionando Gostaria de prever a coluna “median_house_value”. Passando para a próxima etapa, o Amazon Q Developer detalha quais recursos do conjunto de dados (como “localização”, “housing_median_age” e “total_rooms”) ele usará para prever o median_house_value.
Antes de prosseguir com o treinamento do modelo, pergunto sobre a qualidade dos dados, pois sem bons dados não podemos construir um modelo confiável. O Amazon Q Developer responde com insights de qualidade para todo o meu conjunto de dados.
Posso fazer perguntas específicas sobre recursos individuais e suas distribuições para compreender melhor a qualidade dos dados.
Para minha surpresa, através da pergunta anterior, descobri que a coluna “famílias” apresenta uma grande variação entre valores extremos, o que pode afetar a precisão da previsão do modelo. Portanto, peço ao Amazon Q Developer para corrigir esse problema atípico.
Após a transformação ser concluída, posso perguntar quais etapas o Amazon Q Developer seguiu para fazer essa alteração. Nos bastidores, o Amazon Q Developer aplica etapas avançadas de preparação de dados usando Recursos de preparação de dados do SageMaker Canvasonde posso revisar e ver as etapas para poder visualizar e replicar o processo para obter o conjunto de dados closing preparado para treinar o modelo.
Depois de revisar as etapas de preparação de dados, seleciono Iniciar meu trabalho de treinamento.
Após o lançamento do trabalho de treinamento, posso ver seu progresso na conversa e nos conjuntos de dados criados.
Como cientista de dados, aprecio particularmente o fato de que, com o Amazon Q Developer, posso ver métricas detalhadas, como a matriz de confusão e pontuações de recuperação de precisão para modelos de classificação e erro quadrático médio (RMSE) para modelos de regressão. Esses são elementos cruciais que sempre procuro ao avaliar o desempenho do modelo e tomar decisões baseadas em dados, e é revigorante vê-los apresentados de uma forma acessível a usuários não técnicos para construir confiança e permitir uma governança adequada, mantendo ao mesmo tempo a profundidade que as equipes técnicas precisam.
Você pode acessar essas métricas selecionando o novo modelo em Meus modelos ou do Amazon Q menu de conversa:
- Visão geral – Esta aba mostra o Impacto da coluna análise. Nesse caso, renda_mediana surge como o principal fator que influencia meu modelo.
- Pontuação – Esta guia fornece insights sobre a precisão do modelo, incluindo métricas de RMSE.
- Métricas avançadas – Esta guia exibe os detalhes Tabela de métricas, Resíduos e Densidade de erro para avaliação aprofundada do modelo.
Depois de revisar essas métricas e validar o desempenho do modelo, posso passar para os estágios finais do fluxo de trabalho de ML:
- Previsões – Posso testar meu modelo usando o Previsões guia para validar seu desempenho no mundo actual.
- Implantação – Posso criar uma implantação de endpoint para disponibilizar meu modelo para uso em produção.
Isso simplifica o processo de implantação, uma etapa que tradicionalmente requer conhecimento significativo de DevOps, em uma operação simples que os analistas de negócios podem realizar com confiança.
Coisas para saber
Amazon Q Developer democratiza o ML em todas as organizações:
Capacitando todos os níveis de habilidade com ML – O Amazon Q Developer agora está disponível no SageMaker Canvas, ajudando analistas de negócios, analistas de advertising e profissionais de dados que não têm experiência em ML a criar soluções para problemas de negócios por meio de um fluxo de trabalho de ML guiado. Desde a análise de dados e seleção de modelos até a implantação, os usuários podem resolver problemas de negócios usando linguagem pure, reduzindo a dependência de especialistas em ML, como cientistas de dados, e permitindo que as organizações inovem mais rapidamente com tempo de lançamento no mercado reduzido.
Simplificando o fluxo de trabalho de ML – Com o Amazon Q Developer disponível no SageMaker Canvas, os usuários podem preparar dados e criar, analisar e implantar modelos de ML por meio de um fluxo de trabalho guiado e transparente. O Amazon Q Developer fornece preparação avançada de dados e recursos de AutoML que democratizam o ML e permitem que não especialistas em ML produzam modelos de ML altamente precisos.
Fornecendo visibilidade complete do fluxo de trabalho de ML – O Amazon Q Developer oferece complete transparência ao gerar o código subjacente e os artefatos técnicos, como etapas de transformação de dados, explicabilidade do modelo e medidas de precisão. Isso permite que equipes multifuncionais, incluindo especialistas em ML, revisem, validem e atualizem os modelos conforme necessário, facilitando a colaboração em um ambiente seguro.
Disponibilidade – Amazon Q Developer agora está em versão prévia no Amazon SageMaker Canvas.
Preços – Amazon Q Developer agora está disponível no SageMaker Canvas sem custo adicional para ambos Nível Professional do Amazon Q Developer e Nível gratuito do Amazon Q Developer Usuários. No entanto, aplicam-se taxas padrão a recursos como Espaço de trabalho do SageMaker Canvas instâncias e quaisquer recursos usados para construir ou implantar modelos. Para informações detalhadas sobre preços, visite o Preços do Amazon SageMaker Canvas.
Para saber mais sobre como começar, visite o Página do produto Amazon Q Developer.
– Eli