¿Necesita ayuda para pasar el proceso de Machine Learning (ML) de su organización de piloto a producción? No estás solo. La mayoría de los ejecutivos piensan que ML puede aplicarse a cualquier decisión comercial, pero en promedio solo la mitad de los proyectos de ML llegan a producción.

Esta publicación describe cómo implementar su primer caso de uso de ML usando Amazon SageMaker en solo 8 a 12 semanas aprovechando una metodología llamada Aceleración basada en la experiencia (EBA).

Desafios

Los clientes pueden enfrentar varios desafíos al implementar soluciones de aprendizaje automático (ML).

• Es posible que tenga dificultades para conectar sus esfuerzos de tecnología ML con su propuesta de valor comercial, lo que dificulta que TI y el liderazgo comercial justifiquen la inversión que requiere para poner en funcionamiento los modelos.
• A menudo, puede seleccionar casos de uso de bajo valor como prueba de concepto en lugar de resolver un problema comercial o de cliente significativo.
• Es posible que tenga brechas en habilidades y tecnologías, incluida la puesta en funcionamiento de soluciones de ML, la implementación de servicios de ML y la gestión de proyectos de ML para iteraciones rápidas.
• Garantizar la calidad de los datos, el gobierno y la seguridad puede ralentizar o detener los proyectos de ML.

Descripción general de la solución: Aceleración basada en la experiencia de aprendizaje automático (ML EBA)

Machine learning EBA es un taller interactivo de 3 días basado en sprints (llamado fiesta) que usa SageMaker para acelerar los resultados comerciales al guiarlo a través de un ciclo de vida de aprendizaje automático prescriptivo y acelerado. Comienza con la identificación de objetivos comerciales y el encuadre de problemas de ML, y lo lleva a través del procesamiento de datos, el desarrollo de modelos, la implementación de producción y el monitoreo.

La siguiente imagen ilustra un ciclo de vida de ML de muestra.

Se aplican dos escenarios principales de clientes. La primera es mediante el uso de servicios de aprendizaje automático de código bajo o sin código, como Lienzo de Amazon SageMaker, Wrangler de datos de Amazon SageMaker, Piloto automático Amazon SageMakery JumpStart de Amazon SageMaker para ayudar a los analistas de datos a preparar datos, construir modelos y generar predicciones. La segunda es mediante el uso de SageMaker para ayudar a los científicos de datos y los ingenieros de ML a crear, entrenar e implementar modelos de ML personalizados.

Reconocemos que los clientes tienen diferentes puntos de partida. Si está comenzando desde cero, a menudo es más sencillo comenzar con soluciones de código bajo o sin código y pasar gradualmente al desarrollo de modelos personalizados. Por el contrario, si tiene una infraestructura de ML local existente, puede comenzar directamente usando SageMaker para aliviar los desafíos con su solución actual.

A través de ML EBA, los expertos en la materia de AWS ML trabajan codo con codo con su equipo multifuncional para proporcionar orientación prescriptiva, eliminar bloqueadores y desarrollar la capacidad organizativa para una adopción continua de ML. Esta parte lo lleva a resolver un problema comercial convincente en lugar de pensar en términos de entornos de tecnología de datos y ML. Además, la fiesta lo ayuda a comenzar a generar valor comercial material a partir de datos sin explotar.

ML EBA lo ayuda a pensar en grande, comenzar de a poco y escalar rápidamente. Aunque crea un modelo ML mínimo viable en 3 días, hay 4 a 6 semanas de preparación antes de la EBA. Además, pasa de 4 a 6 semanas posteriores a la EBA para ajustar el modelo con ingeniería de características adicionales y optimización de hiperparámetros antes de la implementación de producción.

Analicemos cómo se ve todo el proceso y cómo puede usar la metodología ML EBA para abordar los bloqueadores comunes.

Preparación EBA (4–6 semanas)

En esta sección, detallamos las 4 a 6 semanas de preparación previas al EBA.

6 semanas antes del partido: Problema de encuadre y calificación

El primer paso es enmarcar y calificar el problema de ML, que incluye lo siguiente:

• Identificar el resultado comercial correcto – Debe tener una comprensión clara del problema que está tratando de resolver y el resultado deseado que espera lograr mediante el uso de ML. Debe ser capaz de medir el valor empresarial obtenido frente a objetivos específicos y criterios de éxito. Además, debe ser capaz de identificar lo que debe observarse y lo que debe predecirse. AWS trabaja con usted para ayudarlo a responder las siguientes preguntas importantes antes de embarcarse en ML EBA:
  • ¿El caso de uso de ML resuelve un problema comercial significativo?
  • ¿Es lo suficientemente importante como para llamar la atención de los líderes empresariales?
  • ¿Ya tienes datos para resolver el caso de uso de ML?
  • ¿Puede el caso de uso eventualmente ser operacionalizado en producción?
  • ¿Realmente requiere ML?
  • ¿Existen procesos organizativos establecidos para que la empresa utilice los resultados del modelo?

La Explorador de casos de uso de IA es un buen punto de partida para explorar los casos de uso correctos por industria, función comercial o resultado comercial deseado y descubrir historias de éxito de clientes relevantes.

• Patrocinio ejecutivo – Para ayudarlo a moverse más rápido de lo que lo habría hecho orgánicamente, AWS se reúne con el patrocinador ejecutivo para confirmar la aceptación, eliminar obstáculos internos y comprometer recursos. Además, AWS puede ofrecer incentivos financieros para ayudar a compensar los costos de su primer caso de uso de ML.
• Nos encontramos con usted donde se encuentra en su viaje ML – AWS evalúa su estado actual: personas, procesos y tecnología. Te ayudamos a detallar requisitos y dependencias; específicamente, qué equipos y datos se requieren para comenzar el viaje con éxito. Además, brindamos recomendaciones sobre la ruta técnica: comenzar con servicios de código bajo o sin código, o crear un modelo personalizado con SageMaker.

5 semanas antes de la fiesta: configuración del flujo de trabajo y transición a la acción

El siguiente paso es identificar los equipos necesarios para apoyar el esfuerzo de la EBA. Comúnmente, el trabajo se divide entre los siguientes flujos de trabajo:

• Ingeniería en la nube (infraestructura y seguridad) – Se enfoca en verificar que las cuentas y la infraestructura de AWS estén configuradas y seguras antes de EBA. Esto incluye Gestión de identidades y accesos de AWS (IAM) o acceso de inicio de sesión único (SSO), barandillas de seguridad, Estudio Amazon SageMaker aprovisionamiento, parada/arranque automatizado para ahorrar costes y Servicio de almacenamiento simple de Amazon (Amazon S3) configurado.
• Ingeniería de datos – Identifica las fuentes de datos, configura la ingestión de datos y las canalizaciones, y prepara los datos mediante Data Wrangler.
• Ciencia de los datos – El corazón de ML EBA y se centra en la ingeniería de funciones, el entrenamiento de modelos, el ajuste de hiperparámetros y la validación de modelos.
• Ingeniería MLOps – Se centra en la automatización de las canalizaciones de DevOps para hacer operativo el caso de uso de ML. A menudo, este puede ser el mismo equipo que el de ingeniería en la nube.
• Equipo de liderazgo – Responsable de orquestar el esfuerzo, eliminar los obstáculos, alinearse con los patrocinadores ejecutivos y, en última instancia, es responsable de entregar los resultados esperados.

Una vez que se hayan completado estos esfuerzos, debemos pasar a la acción. Se debe cumplir estrictamente un cronograma de referencia estándar de 4 semanas para garantizar que la EBA se mantenga en el buen camino. Los expertos en la materia de AWS con experiencia lo guiarán y asesorarán a través de esta preparación previa a la fiesta EBA.

4 semanas antes de la fiesta: inspirar a los constructores y elaborar un plan técnico

Cada cliente es diferente; AWS lo ayuda a seleccionar un plan técnico de actividades que se completarán en las próximas 4 semanas antes de la fiesta.

AWS lleva a cabo Días de inmersión para inspirar a sus constructores y generar impulso para la fiesta. Un día de inmersión es un taller de medio día o día completo con la combinación adecuada de presentaciones, laboratorios prácticos y preguntas y respuestas para presentar los servicios o soluciones de AWS. AWS lo ayudará a seleccionar los Días de inmersión correctos de la Catálogo de talleres de IA/ML.

Reconocemos que cada constructor en su organización está en un nivel diferente. Recomendamos que sus constructores utilicen el Guía de aumento de aprendizaje automático recursos o formación digital o presencial para comenzar donde están y desarrollar las habilidades necesarias para la fiesta.

3 semanas antes de la fiesta: preparación técnica centrada en la nube y la ingeniería de datos

Sus equipos de ingeniería de datos y de la nube deben trabajar en lo siguiente con la orientación de AWS:

• Cree cuentas de AWS con configuración de red y seguridad
• Configurar Amazon SageMaker Studio
• Cree depósitos de Amazon S3 para almacenar datos
• Identificar fuentes de datos (o productores)
• Integre fuentes externas para volcar datos en cubos S3

2 semanas antes de la fiesta: preparación técnica centrada en la ciencia de datos

Su equipo de ciencia de datos debe trabajar en lo siguiente con la orientación de AWS:

1 semana antes de la fiesta: evaluar la preparación (ir/no ir)

AWS trabaja con usted para evaluar la preparación para las actividades técnicas, las habilidades y el impulso de la fiesta. Luego solidificamos el alcance de la fiesta de 3 días, priorizando el progreso sobre la perfección.

EBA (fiesta de 3 días)

Aunque la fiesta EBA en sí está personalizada para su organización, la agenda recomendada para los 3 días se muestra en la siguiente tabla. Aprenderá haciendo durante la EBA con la orientación de los expertos en la materia de AWS.

Post-ABE

ML implica una amplia experimentación, y es común no alcanzar la precisión deseada del modelo durante el EBA de 3 días. Por lo tanto, es esencial crear un backlog bien definido o una ruta hacia la producción, incluida la mejora de la precisión del modelo a través de la experimentación, la ingeniería de funciones, la optimización de hiperparámetros y la implementación de la producción. AWS continuará ayudándolo a través de la implementación de producción.

Conclusión

Al complementar la metodología ML EBA con SageMaker, puede lograr los siguientes resultados:

• Pase del valor piloto al valor de producción en 8-12 semanas – Reúna a los equipos de negocios y tecnología para implementar el primer caso de uso de ML en producción en 8 a 12 semanas.
• Desarrolle la capacidad organizativa para acelerar y escalar ML en todas las líneas de negocio – El ML EBA inspira y mejora las habilidades de los constructores con experiencia laboral real. Establece un modelo de trabajo exitoso (un modelo de colaboración e iteración) para sostener y escalar las iniciativas de ML en todas las líneas de negocio. También crea activos reutilizables para acelerar y escalar ML de manera repetible.
• Reduzca la deuda técnica, los puntos débiles y el costo de los modelos de ML locales existentes – Las soluciones locales pueden tener desafíos relacionados con costos más altos, incapacidad para escalar la infraestructura, administración de infraestructura no diferenciada y falta de conjuntos de funciones avanzadas, como optimización de hiperparámetros, explicabilidad para predicciones y más. La adopción de los servicios de aprendizaje automático de AWS, como SageMaker, reduce estos problemas.

Comuníquese con su equipo de cuentas de AWS (administrador de cuentas o administrador de soluciones para clientes) para obtener más información y comenzar.

Acerca de los autores

ritash shah es gerente sénior de soluciones para clientes en Amazon Web Services. Ayuda a grandes empresas del centro de EE. UU. a acelerar su transformación habilitada para la nube y crear soluciones modernas nativas de la nube. Le apasiona acelerar los viajes de aprendizaje automático de los clientes. En su tiempo libre, Ritesh disfruta pasar tiempo con su hija, cocinar y aprender algo nuevo, al mismo tiempo que evangeliza la nube y el aprendizaje automático. Conéctate con él en Etiqueta LinkedIn.

Nicolás Lawson es Arquitecto de Soluciones en AWS y parte del grupo especializado AIML. Tiene experiencia en ingeniería de software e investigación de inteligencia artificial. Fuera del trabajo, Nicholaus suele programar, aprender algo nuevo o trabajar la madera. Conéctate con él en Etiqueta LinkedIn.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
• Acuñando el futuro con Adryenn Ashley. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/deliver-your-first-ml-use-case-in-8-12-weeks/