Utilice Amazon Q Developer para crear modelos de aprendizaje automático en Amazon SageMaker Canvas | Servicios web de Amazon

Como científico de datos, he experimentado de primera mano los desafíos de hacer que el aprendizaje automático (ML) sea accesible para analistas de negocios, analistas de marketing, analistas de datos e ingenieros de datos que son expertos en sus dominios sin experiencia en ML. Es por eso que estoy particularmente entusiasmado con el anuncio de hoy de Amazon Web Services (AWS) de que Amazon Q Developer ya está disponible en Amazon SageMaker Canvas. Lo que me llama la atención es cómo Amazon Q Developer ayuda a conectar la experiencia en aprendizaje automático con las necesidades comerciales, haciendo que el aprendizaje automático sea más accesible en todas las organizaciones.

Amazon Q Developer ayuda a los expertos en el dominio a crear modelos de aprendizaje automático precisos y con calidad de producción a través de interacciones de lenguaje natural, incluso si no tienen experiencia en aprendizaje automático. Amazon Q Developer guía a estos usuarios desglosando sus problemas comerciales y analizando sus datos para recomendar una guía paso a paso para crear modelos de aprendizaje automático personalizados. Transforma los datos de los usuarios para eliminar anomalías y crea y evalúa modelos de ML personalizados para recomendar el mejor, al tiempo que proporciona a los usuarios control y visibilidad en cada paso del flujo de trabajo de ML guiado. Esto permite a las organizaciones innovar más rápido con un tiempo de comercialización reducido. También reduce su dependencia de los expertos en ML para que sus especialistas puedan centrarse en desafíos técnicos más complejos.

Por ejemplo, un analista de marketing puede decir: «Quiero predecir los precios de venta de viviendas utilizando las características de la vivienda y los datos de ventas anteriores», y Amazon Q Developer traducirá esto en un conjunto de pasos de aprendizaje automático, analizando datos relevantes de los clientes, creando múltiples modelos y recomendando el mejor enfoque.

Veámoslo en acción
Para comenzar a utilizar Amazon Q Developer, sigo la guía Introducción al uso de Amazon SageMaker Canvas para iniciar la aplicación Canvas. En esta demostración, utilizo instrucciones en lenguaje natural para crear un modelo para predecir los precios de la vivienda para los equipos de marketing y finanzas. Desde la página Canvas de SageMaker, selecciono Amazonas Q y luego elegir Inicie una nueva conversación.

En la nueva conversación escribo:

Soy analista y necesito predecir los precios de la vivienda para mis equipos de marketing y finanzas.

A continuación, Amazon Q Developer explica el problema y recomienda el tipo de modelo de ML adecuado. También describe los requisitos de la solución, incluidas las características necesarias del conjunto de datos. El desarrollador de Amazon Q luego pregunta si Quiero subir mi conjunto de datos o Quiero elegir una columna de destino. Lo selecciono para cargar mi conjunto de datos.

En el siguiente paso, Amazon Q Developer enumera los requisitos del conjunto de datos, que incluyen información relevante sobre las casas, los precios actuales de las viviendas y la variable objetivo para el modelo de regresión. Luego recomendó los siguientes pasos, que incluyen: Quiero subir mi conjunto de datos, Seleccione un conjunto de datos existente, Crear un nuevo conjunto de datos o Quiero elegir una columna de destino. Para esta demostración, usaré el lienzo-muestra-vivienda.csv conjunto de datos de muestra como mi conjunto de datos existente.

Después de seleccionar y cargar el conjunto de datos, Amazon Q Developer lo analiza y sugiere valor_casa_mediana como columna objetivo para el modelo de regresión. Acepto seleccionando Me gustaría predecir la columna «median_house_value». Pasando al siguiente paso, Amazon Q Developer detalla qué características del conjunto de datos (como «ubicación», «edad_mediana_vivienda» y «habitaciones_totales») utilizará para predecir el valor_mediano_casa.

Antes de seguir adelante con el entrenamiento de modelos, pregunto sobre la calidad de los datos, porque sin buenos datos no podemos construir un modelo confiable. Amazon Q Developer responde con información de calidad para todo mi conjunto de datos.

Puedo hacer preguntas específicas sobre características individuales y sus distribuciones para comprender mejor la calidad de los datos.

Para mi sorpresa, a través de la pregunta anterior descubrí que la columna “hogares” tiene una amplia variación entre valores extremos, lo que podría afectar la precisión de la predicción del modelo. Por lo tanto, le pido a Amazon Q Developer que solucione este problema atípico.

Una vez realizada la transformación, puedo preguntar qué pasos siguió Amazon Q Developer para realizar este cambio. Detrás de escena, Amazon Q Developer aplica pasos avanzados de preparación de datos utilizando las capacidades de preparación de datos de SageMaker Canvas, que puedo revisar y ver los pasos para poder visualizar y replicar el proceso para obtener el conjunto de datos final preparado para entrenar el modelo.

Después de revisar los pasos de preparación de datos, selecciono Lanzar mi trabajo de formación.

Una vez iniciado el trabajo de capacitación, puedo ver su progreso en la conversación y los conjuntos de datos creados.

Como científico de datos, aprecio especialmente que, con Amazon Q Developer, puedo ver métricas detalladas como la matriz de confusión y las puntuaciones de recuperación de precisión para los modelos de clasificación y el error cuadrático medio (RMSE) para los modelos de regresión. Estos son elementos cruciales que siempre busco cuando evalúo el rendimiento del modelo y tomo decisiones basadas en datos, y es reconfortante verlos presentados de una manera accesible para usuarios no técnicos para generar confianza y permitir una gobernanza adecuada mientras se mantiene la profundidad que los equipos técnicos necesitan.

Puede acceder a estas métricas seleccionando el nuevo modelo desde Mis modelos o desde el Amazonas Q menú de conversación:

• Descripción general – Esta pestaña muestra la Impacto de columna análisis. En este caso, ingreso_mediano Surge como el factor principal que influye en mi modelo.
• Puntuación – Esta pestaña proporciona información sobre la precisión del modelo, incluidas las métricas RMSE.
• Métricas avanzadas – Esta pestaña muestra el detalle tabla de métricas, Derechos residuales de autor y Densidad de errores para una evaluación en profundidad del modelo.

Después de revisar estas métricas y validar el rendimiento del modelo, puedo pasar a las etapas finales del flujo de trabajo de ML:

• Predicciones – Puedo probar mi modelo usando el Predicciones para validar su rendimiento en el mundo real.
• Despliegue – Puedo crear una implementación de punto final para que mi modelo esté disponible para uso en producción.

Esto simplifica el proceso de implementación, un paso que tradicionalmente requiere importantes conocimientos de DevOps, en una operación sencilla que los analistas de negocios pueden manejar con confianza.

Cosas que debes saber
Amazon Q Developer democratiza el aprendizaje automático en todas las organizaciones:

Potenciando todos los niveles de habilidad con ML – Amazon Q Developer ahora está disponible en SageMaker Canvas, lo que ayuda a los analistas de negocios, analistas de marketing y profesionales de datos que no tienen experiencia en ML a crear soluciones para problemas comerciales a través de un flujo de trabajo de ML guiado. Desde el análisis de datos y la selección de modelos hasta la implementación, los usuarios pueden resolver problemas comerciales utilizando lenguaje natural, reduciendo la dependencia de expertos en ML, como los científicos de datos, y permitiendo a las organizaciones innovar más rápido con un tiempo de comercialización reducido.

Optimización del flujo de trabajo de ML – Con Amazon Q Developer disponible en SageMaker Canvas, los usuarios pueden preparar datos y crear, analizar e implementar modelos de aprendizaje automático a través de un flujo de trabajo guiado y transparente. Amazon Q Developer proporciona preparación avanzada de datos y capacidades de AutoML que democratizan el aprendizaje automático y permiten que los expertos que no son expertos en aprendizaje automático produzcan modelos de aprendizaje automático de alta precisión.

Proporcionar visibilidad completa del flujo de trabajo de ML – Amazon Q Developer proporciona total transparencia al generar el código subyacente y artefactos técnicos, como pasos de transformación de datos, explicabilidad del modelo y medidas de precisión. Esto permite que los equipos multifuncionales, incluidos los expertos en ML, revisen, validen y actualicen los modelos según sea necesario, lo que facilita la colaboración en un entorno seguro.

Disponibilidad – Amazon Q Developer se encuentra ahora en versión preliminar en Amazon SageMaker Canvas.

Precios – Amazon Q Developer ahora está disponible en SageMaker Canvas sin costo adicional para los usuarios de Amazon Q Developer Pro Tier y Amazon Q Developer Free. Sin embargo, se aplican cargos estándar por recursos como las instancias del espacio de trabajo de SageMaker Canvas y cualquier recurso utilizado para crear o implementar modelos. Para obtener información detallada sobre precios, visite Precios de Amazon SageMaker Canvas.

Para obtener más información sobre cómo comenzar, visite la página web del producto Amazon Q Developer.

— eli