Bắt đầu Machine Learning không cần mã với Amazon Sagemaker Canvas

Bắt đầu Machine Learning không cần mã với Amazon Sagemaker Canvas

Đợi xíu, AWS Cloud Application, Kiến trúc sư ứng dụng đám mây Tómoki Kosugi sẽ trình bày buổi diễn thuyết "Sử dụng Amazon Sagemaker Canvas để bắt đầu với Machine Learning không cần mã" trong khuôn khổ sự kiện AWS Builders Online Series hôm nay. Chúng tôi cũng nhận câu hỏi về phiên và các vấn đề liên quan đến triển khai AWS, xin vui lòng gửi câu hỏi qua nút chat. Chào mừng tất cả mọi người, cám ơn đã tham gia AWS Builders Online Series. Trong buổi diễn thuyết này, chúng ta sẽ tìm hiểu về dịch vụ Machine Learning không cần mã của Amazon, Amazon Sagemaker Canvas. Rất mong được sự ủng hộ của các bạn. Trước tiên, xin giới thiệu nội dung của buổi diễn thuyết này. Buổi diễn thuyết này sẽ giúp các bạn hiểu cách sử dụng Amazon Sagemaker Canvas để sử dụng Machine Learning mà không cần viết mã, chúng ta sẽ điểm qua cách sử dụng và ứng dụng của Amazon Sagemaker Canvas để áp dụng Machine Learning vào các vấn đề kinh doanh của bạn. Việc này sẽ giúp bạn bắt đầu với Machine Learning mà không cần kiến thức chuyên sâu, đồng thời giúp bạn giải quyết các bài toán kinh doanh của mình bằng Machine Learning. Chúng ta đã chuẩn bị sẵn hashtag AWSBuilders để các bạn chia sẻ nhận xét và những gì bạn đã học từ buổi diễn thuyết này. Rất vui nếu các bạn chia sẻ ý kiến và học điều gì mới từ buổi diễn thuyết này. Buổi diễn thuyết dự kiến sẽ phù hợp cho những người chưa có kiến thức và kỹ năng về Machine Learning nhưng muốn áp dụng Machine Learning vào công việc kinh doanh hoặc những người đã thực hiện công việc liên quan đến Machine Learning trong công việc và muốn tối ưu hóa công việc đó. Trước khi bắt đầu, hãy cho phép tôi tự giới thiệu. Thông thường, tôi là một kiến trúc sư ứng dụng đám mây và hỗ trợ phát triển dự án liên quan đến khai thác dữ liệu và Machine Learning. Tuy nhiên, tôi không phải là một nhà khoa học dữ liệu và không thực hiện việc triển khai các công việc Machine Learning một cách chuyên nghiệp. Nói cách khác, tôi có thể coi mình là một người dùng tiêu biểu của Amazon Sagemaker Canvas. Hôm nay, tôi sẽ sử dụng góc nhìn đó của mình để giải thích các khái niệm về Machine Learning một cách dễ hiểu, ngay cả với những người không có kiến thức chuyên sâu về Machine Learning. Qua phần trình bày này, tôi hy vọng sẽ giúp mọi người có một cái nhìn tổng quan về AWS, khái niệm của Machine Learning và cách sử dụng Amazon Sagemaker Canvas để giải quyết các vấn đề kinh doanh của bạn một cách dễ hiểu. Chúng ta sẽ bắt đầu với tổng quan về nhu cầu và thách thức trong việc sử dụng dữ liệu và Machine Learning, theo báo cáo của Hiệp hội Nhà khoa học dữ liệu trong nước, có 62% doanh nghiệp không thể đáp ứng đủ số lượng nhân sự cho vai trò nhà khoa học dữ liệu vào năm 2021, đây là tỷ lệ cao nhất trong vòng 3 năm qua. Yếu tố này chỉ ra rằng nhu cầu nguồn nhân lực vượt trội so với nguồn cung. Bên cạnh đó, một khảo sát khác cho thấy việc giải quyết vấn đề kinh doanh dựa trên dữ liệu là yêu cầu quan trọng nhất khi tuyển dụng và đào tạo nhân lực nhà khoa học dữ liệu trong tương lai. Gần đây, Machine Learning không chỉ là một xu hướng mà còn là yêu cầu thực tế trong các môi trường kinh doanh, các doanh nghiệp thực sự cần áp dụng nó một cách hiệu quả. Tiếp theo, chúng ta sẽ xem xét quy trình công việc tiêu biểu để triển khai Machine Learning. Đầu tiên, có quá trình đặt vấn đề kinh doanh, trong đó các nhà lãnh đạo kinh doanh và các nhà phân tích lựa chọn các trường hợp sử dụng từ nhiều khung cảnh khác nhau. Ví dụ, trong trường hợp muốn giảm tỷ lệ hủy dịch vụ của người dùng, có thể dự báo tỷ lệ hủy và trong trường hợp giảm thiểu kho hàng bán lẻ, có thể dự báo nhu cầu. Nhân viên kinh doanh và các nhà phân tích thường không phải là những người có vai trò và kỹ năng giống như nhà khoa học dữ liệu. Sau đó, dựa trên các trường hợp sử dụng này, chúng ta cần xác minh bằng cách sử dụng các chuyên gia dữ liệu hoặc kỹ sư học máy để thực hiện các cuộc phỏng vấn lặp đi lặp lại và tích hợp kết quả tốt vào sản phẩm bằng cách làm việc chung với các kỹ sư khác. Điều này là quy trình thông thường khi triển khai Machine Learning, không cần hiểu từng công việc cụ thể, nhưng các bạn có thể hiểu được rằng đó là một quá trình khá phức tạp. Để triển khai đánh giá Machine Learning, chúng ta cần có nhiều kiến thức chuyên môn, thời gian và nguồn lực con người. Chúng ta cần làm việc cùng với nhiều vai trò khác nhau trong quá trình này, do đó, việc điều chỉnh nguồn lực nội bộ cũng gặp nhiều khó khăn. Khi chúng ta thực sự muốn bắt đầu thực hiện đánh giá, chúng ta không thể sử dụng tay của các nhà khoa học dữ liệu vì chúng không có sẵn cho đến tháng sau. Nghĩa là, khi tổ chức thực sự sử dụng Machine Learning, hiện tại không có mục tiêu giải quyết vấn đề sử dụng Machine Learning làm mục tiêu trước hết, thông tin này cho thấy như vậy. Điều này là một thế mạnh rất lớn, AWS đã cung cấp hashtag AWSBuilders để ủng hộ ý kiến và những gì bạn đã học từ buổi diễn thuyết này. Chúng ta có thể chia sẻ nhau và tiếp tục học hỏi AWS. Nếu nội dung đề cập đến bất kỳ URL trang web nào, hãy liệt kê chúng làm nguồn tài nguyên ở cuối.