編輯導(dǎo)語：Amazon SageMaker Canvas作為一款優(yōu)秀的機器學(xué)習(xí)平臺，在做模型預(yù)測方面有很大的優(yōu)勢，本篇文章作者向我們介紹了Amazon SageMaker Canvas的產(chǎn)品特色以及操作體驗等，并結(jié)合具體案例來體驗該工具的服務(wù)，感興趣的一起來看。

一、業(yè)務(wù)場景

隨著數(shù)據(jù)意識的提升，數(shù)字化轉(zhuǎn)型和對數(shù)據(jù)價值挖掘的訴求越來越強，人工智能技術(shù)成為了不可或缺的一部分，如何在業(yè)務(wù)中嘗試AI？

如何用AI技術(shù)為公司、產(chǎn)品、業(yè)務(wù)、客戶創(chuàng)造附加價值？

如何在IT系統(tǒng)嵌入智能功能，提高業(yè)務(wù)處理效率？

做智能推薦，哪些影響因子應(yīng)該擁有更高的權(quán)重？

這些高頻的疑問擺在眼前。

AI具有天然的高門檻：算力資源稀缺、開發(fā)成本高、模型訓(xùn)練較慢、部署效率低。

行業(yè)數(shù)據(jù)缺乏、應(yīng)用發(fā)展不足、人才培養(yǎng)和儲備不足。

頂尖人才稀缺細化到機器學(xué)習(xí)，機器學(xué)習(xí)門檻高，如何選擇算法、清洗數(shù)據(jù)、訓(xùn)練參數(shù)、評估指標(biāo)、選擇最佳實踐，構(gòu)建推薦系統(tǒng)。

每一步都是門學(xué)問，那該怎樣做到低成本的應(yīng)用和有效落地實踐呢？

站在巨人的肩膀上，借助AI廠商、云服務(wù)廠商的平臺能力，依托成型的工具是個不錯的辦法。

云計算龍頭亞馬遜云科技的SageMaker Canvas，用無代碼理念構(gòu)建機器學(xué)習(xí)模型，面向業(yè)務(wù)、產(chǎn)品、運營、數(shù)據(jù)分析師等沒有機器學(xué)習(xí)經(jīng)驗群體，在沒有數(shù)據(jù)技術(shù)團隊情況下，可以用可視化、點擊式用戶界面，輕松探索和構(gòu)建機器學(xué)習(xí)模型，做出準確的模型預(yù)測。

二、Amazon SageMaker Canvas介紹

全球最大的云服務(wù)商亞馬遜云科技在2021 re：Invent大會上推出機器學(xué)習(xí)服務(wù)SageMaker新的功能——Canvas，允許產(chǎn)品經(jīng)理、運營、業(yè)務(wù)分析師以可視化的操作方式，不需要機器學(xué)習(xí)經(jīng)驗，也不需要編寫程序代碼，即使沒有算法工程師幫助也可以自動清理和組合數(shù)據(jù)，并就能構(gòu)建機器學(xué)習(xí)模型，選出性能最佳的模型，生成精準的預(yù)測。

1. 產(chǎn)品特色

• 提供可視化、點擊式界面構(gòu)建 ML 模型并生成準確的預(yù)測，無需編寫代碼或事先具備 ML 經(jīng)驗；
• 可快速連接和訪問來自云和本地數(shù)據(jù)源的數(shù)據(jù)、組合數(shù)據(jù)集并創(chuàng)建統(tǒng)一的數(shù)據(jù)集以訓(xùn)練 ML 模型，會自動檢測和糾正數(shù)據(jù)錯誤并分析 ML 的數(shù)據(jù)準備情況；
• 使用Amazon SageMaker 的強大 AutoML 技術(shù)，能夠根據(jù)數(shù)據(jù)集自動創(chuàng)建確定最佳模型；
• 可與Amazon SageMaker Studio 集成，使業(yè)務(wù)分析師可以輕松地與數(shù)據(jù)科學(xué)家共享模型和數(shù)據(jù)集，以便驗證和進一步優(yōu)化模型。

2. 產(chǎn)品操作——不寫代碼的創(chuàng)建機器學(xué)習(xí)模型

使用操作極其簡單，注冊賬號后，只需打開 Amazon SageMaker Canvas服務(wù)，在上傳數(shù)據(jù)和選擇目標(biāo)后，都是自動操作：自動清理準備數(shù)據(jù)——自動創(chuàng)建模型——生成并理解預(yù)測，在過程中，平臺能自動糾正上傳數(shù)據(jù)錯誤，比如補充缺失值或刪除重復(fù)的行和列。

1）瀏覽導(dǎo)入和連接數(shù)據(jù)

支持瀏覽和導(dǎo)入來自云和本地數(shù)據(jù)源的數(shù)據(jù)，可以輕松連接多個數(shù)據(jù)源、組合數(shù)據(jù)集并創(chuàng)建新的統(tǒng)一數(shù)據(jù)集以訓(xùn)練預(yù)測模型。

2）選擇目標(biāo)

選擇要預(yù)測的值。

3）準備和分析數(shù)據(jù)

內(nèi)置數(shù)據(jù)清理和數(shù)據(jù)準備，可以自動檢測錯誤、清理和分析數(shù)據(jù)，最大限度地減少手動清理數(shù)據(jù)的需要，例如自動填充缺失值等，以確定數(shù)據(jù)已準備就緒。

4）創(chuàng)建模型

指定模型預(yù)測的目標(biāo)后點擊按鈕創(chuàng)建ML模型，所需模型即可訓(xùn)練得到?？梢允褂肅anvas 測試數(shù)百個 ML 候選模型，以創(chuàng)建基于您的數(shù)據(jù)集做出最準確預(yù)測的模型。

5）生成并理解預(yù)測

模型預(yù)覽，描述個人使用數(shù)據(jù)的來源、數(shù)據(jù)集定義、模型選擇與原因、模型效果及預(yù)測結(jié)果?？梢粤私猱?dāng)前模型的準確性以及每列對預(yù)測的相對影響。

輸入或上傳數(shù)據(jù)即可生成單個或批量預(yù)測結(jié)果。生成模型后，還可使用Amazon SageMaker Studio協(xié)作共享模型給數(shù)據(jù)科學(xué)家等合作伙伴，幫助進一步審查或者優(yōu)化。

三、SageMaker Canvas電梯廣告業(yè)務(wù)實踐體驗

電梯廣告是以廣告公司同小區(qū)物業(yè)簽訂租用合約，再向廣告主提供廣告投放服務(wù)的形式。

在刊例價相同的情況下，如何選擇樓宇、優(yōu)化點位，提前預(yù)測哪些電梯點位會更容易被廣告主選擇、有更高的上刊率就至關(guān)重要。

即如何通過簽約前獲得的樓盤基礎(chǔ)信息：城市、區(qū)縣、地址、樓盤類型（商住樓、寫字樓、綜合體、住宅）、占地面積、建筑面積、物業(yè)公司、物業(yè)費、平均租金、開發(fā)商、交付時間、容積率、綠化率

入住率、樓棟數(shù)、覆蓋人數(shù)、房價等信息，預(yù)測樓盤的上刊率，判斷是否是優(yōu)質(zhì)樓盤可以簽約。

1）第一步：開啟 Amazon SageMaker Canvas服務(wù)

注冊賬戶后，搜索進入SageMaker控制臺，啟動Canvas應(yīng)用程序。

2）第二步：上傳數(shù)據(jù)并選擇目標(biāo)

開啟Canvas實例后，會彈出操作介紹，按提示上傳數(shù)據(jù)、連接數(shù)據(jù)。

SageMaker Canvas可對連接的數(shù)據(jù)顯示預(yù)覽結(jié)果，導(dǎo)入數(shù)據(jù)后，選擇用于預(yù)測的目標(biāo)數(shù)據(jù)。Canvas會自動選擇適合的問題類型，如現(xiàn)金上刊率，即為數(shù)值預(yù)測，點擊“Quilk build”變開始自動構(gòu)建模型。

3）第三步，評估模型

上傳數(shù)據(jù)并選擇構(gòu)建方式后，Canvas進入模型構(gòu)建階段，1500條數(shù)據(jù)，8.8萬單元格，提示需要1h45min構(gòu)建完畢，實際16:00 開始，17:35 結(jié)束跟預(yù)估時間相差不大。

模型構(gòu)建完畢的頁面，看出模型預(yù)測與真實數(shù)值差異在正負0.065左右，對現(xiàn)金上刊率影響較大的因子有：點位數(shù)、最高樓層、區(qū)域、總?cè)藬?shù)、真實房價、交房時間、總戶數(shù)。

給出模型的執(zhí)行情況、每一列數(shù)據(jù)對預(yù)測結(jié)果所產(chǎn)生的影響情況，切換Scoring選項卡可查看解釋相關(guān)指標(biāo)可視化結(jié)果和指標(biāo)。

4）第四步，生成預(yù)測

Amazon SageMaker Canvas支持，①Batch 針對整個數(shù)據(jù)集進行批量預(yù)測 可以上傳數(shù)據(jù)，下載預(yù)測結(jié)果 預(yù)測值及可能性，②Single 針對指定的單一數(shù)值進行預(yù)測，直接輸入數(shù)據(jù)，更新結(jié)果即可查看預(yù)測值和相對于平均預(yù)測結(jié)果的情況。

四、總結(jié)體驗

Amazon SageMaker Canvas像是一個完備的“中央廚房”，使用Amazon SageMaker的用戶只需準備好“食材”（數(shù)據(jù)）就可以享受菜品（預(yù)測結(jié)果），不需考慮食材準備（數(shù)據(jù)清洗）、菜譜選擇（模型選擇）、開始做菜（訓(xùn)練模型），從實踐后總結(jié)優(yōu)劣勢如下：

1. 優(yōu)勢

• 業(yè)務(wù)友好，真0代碼0基礎(chǔ)應(yīng)用，上傳數(shù)據(jù)-選擇指標(biāo)-生成模型，自動構(gòu)建可視化一鍵式操作，即可生成高準確度的機器學(xué)習(xí)預(yù)測；
• 低成本實踐，使業(yè)務(wù)工程師能夠開始處理以前由數(shù)據(jù)科學(xué)團隊負責(zé)的數(shù)據(jù)科學(xué)問題，加快構(gòu)建使用機器學(xué)習(xí)模型的效率，提高解決方案的創(chuàng)新和數(shù)字化速度；
• 協(xié)作友好，內(nèi)置可共享給算法同事，進一步評估優(yōu)化模型，一個專為 ML 設(shè)計的完全集成的開發(fā)環(huán)境；外部可與各種流行的 BI 工具集成；
• 對外提供為期兩個月的免費試用，最多可訓(xùn)練10個 ML 模型和100萬單元格的免費數(shù)據(jù)空間。

2. 劣勢

• 計費方式復(fù)雜，按服務(wù)計費、按流量付費，不適宜國情；
• 全稱英文操作&界面交互，習(xí)慣了中文頁面和交互的會有點不適應(yīng)；
• 單指標(biāo)最優(yōu)，適用場景有限，目前只支持：預(yù)測及影響因子評估。

作者：申墨揚

本文由 @申墨揚 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CCO協(xié)議。