Machine learning in de cloud helpt bedrijven te innoveren

In associatie met AWS

In het afgelopen decennium is machine learning een bekende technologie geworden voor het verbeteren van de efficiëntie en nauwkeurigheid van processen zoals aanbevelingen, supply chain-prognoses, het ontwikkelen van chatbots, zoeken naar afbeeldingen en tekst en geautomatiseerde klantenservicefuncties, om er maar een paar te noemen. Machine learning wordt tegenwoordig nog alomtegenwoordiger en heeft invloed op elk marktsegment en elke industrie, inclusief productie, SaaS-platforms, gezondheidszorg, reserveringen en routering van klantenondersteuning, natuurlijke taalverwerkingstaken (NLP) zoals intelligente documentverwerking en zelfs voedseldiensten.

Neem het geval van Domino's Pizza, dat gebruik heeft gemaakt van machine learning-tools die zijn ontwikkeld om de efficiëntie van de pizzaproductie te verbeteren. Domino's had een project genaamd Project 3/10, dat erop gericht was een pizza binnen drie minuten na een bestelling af te halen of binnen 10 minuten na een bestelling te bezorgen, zegt Dr. Bratin Saha, vice-president en algemeen manager van machine leerdiensten voor Amazon AI. Als je die doelen wilt bereiken, moet je kunnen voorspellen wanneer een pizzabestelling binnenkomt. Ze gebruiken voorspellende machine learning-modellen om dat te bereiken.

De recente opkomst van machine learning in diverse industrieën is gedreven door verbeteringen op andere technologische gebieden, zegt Saha, niet in de laatste plaats de toenemende rekenkracht in clouddatacenters.

In de afgelopen jaren, legt Saha uit, verdubbelt de totale hoeveelheid rekenkracht die kan worden gebruikt voor machine learning-problemen bijna elke vier maanden. Dat is 5 tot 6 keer meer dan de wet van Moore. Als gevolg hiervan worden veel functies die ooit alleen door mensen konden worden gedaan, zoals het detecteren van een object of het begrijpen van spraak, uitgevoerd door computers en machinale leermodellen.

Bij AWS werkt alles wat we doen terug van de klant en zoeken we uit hoe we hun pijnpunten verminderen en hoe we het voor hen gemakkelijker maken om machine learning te doen. Onderaan de stapel machine learning-services innoveren we op de machine learning-infrastructuur, zodat we het voor klanten goedkoper kunnen maken om aan machine learning te doen en sneller voor klanten om aan machine learning te doen. Daar hebben we twee AWS-innovaties. De ene is Inferentia en de andere is Trainium.

De huidige gebruiksscenario's voor machine learning die bedrijven helpen de waarde van hun gegevens te optimaliseren om taken uit te voeren en producten te verbeteren, zijn nog maar het begin, zegt Saha.

Machine learning zal alleen maar doordringender worden. Bedrijven zullen zien dat ze de manier waarop ze zaken doen fundamenteel kunnen veranderen. Ze zullen zien dat ze de klantervaring fundamenteel veranderen, en ze zullen machine learning omarmen.

Toon notities en referenties

AWS Machine Learning-infrastructuur

Volledig transcript

Laurel Ruma : Van MIT Technology Review, ik ben Laurel Ruma. Dit is Business Lab, de show die bedrijfsleiders helpt om nieuwe technologieën te begrijpen die uit het lab komen en op de markt komen.

Ons onderwerp van vandaag is machine learning in de cloud. In alle sectoren vereist de exponentiële toename van gegevensverzameling snellere en nieuwe manieren om gegevens te analyseren, maar ook om ervan te leren om betere zakelijke beslissingen te nemen. Dit is hoe machine learning in de cloud helpt bij het stimuleren van innovatie voor ondernemingen, van startups tot legacy-spelers.

Twee woorden voor jou: data-innovatie. Mijn gast is Dr. Bratin Saha, vice-president en algemeen directeur van machine learning-services voor Amazon AI. Hij heeft leidinggevende functies bekleed bij NVIDIA en Intel. Deze aflevering van Business Lab is tot stand gekomen in samenwerking met AWS. Welkom, Bratijn.

Bratin Saha : Bedankt dat je me hebt, Laurel. Het is geweldig om hier te zijn.

Laurier: Bovenal, kunt u enkele voorbeelden geven van hoe AWS-klanten machine learning gebruiken om hun zakelijke problemen op te lossen?

Bratin : Laten we beginnen met de definitie van wat we bedoelen met machine learning. Machine learning is een proces waarbij een computer en een algoritme gegevens, meestal historische gegevens, kunnen gebruiken om patronen te begrijpen en die informatie vervolgens kunnen gebruiken om voorspellingen over de toekomst te doen. Bedrijven gebruiken machine learning om verschillende dingen te doen, zoals het personaliseren van aanbevelingen, het verbeteren van supply chain-prognoses, het maken van chatbots, het gebruik ervan in de gezondheidszorg, enzovoort.

Autodesk was bijvoorbeeld in staat om de machine learning-infrastructuur die we hebben voor hun chatbots te gebruiken om hun vermogen om verzoeken te verwerken met bijna vijf keer te verbeteren. Ze konden de verbeterde chatbots gebruiken om meer dan 100.000 klantvragen per maand te beantwoorden.

Dan is er de Nerd Wallet. Nerd Wallet is een personal finance-startup die de aanbevelingen die ze aan klanten gaven niet personaliseerde op basis van de voorkeuren van de klant. Ze gebruiken nu AWS machine learning-services om de aanbevelingen af ​​te stemmen op wat een persoon echt wil zien, wat hun bedrijf aanzienlijk heeft verbeterd.

Dan hebben we klanten zoals Thomson Reuters. Thomson Reuters is een van 's werelds meest vertrouwde aanbieders van antwoorden, met teams van experts. Ze gebruiken machine learning om gegevens te ontginnen om informatie te verbinden en te ordenen, zodat ze gemakkelijker antwoorden op vragen kunnen geven.

In de financiële sector hebben we veel gebruik gezien van machine learning-toepassingen. Een bedrijf, bijvoorbeeld een betalingsdienstaanbieder, was in staat om in slechts 30 minuten een fraudedetectiemodel te bouwen.

De reden dat ik je zoveel voorbeelden geef, is om te laten zien hoe machine learning alomtegenwoordig wordt. Het gaat over geografische gebieden, door marktsegmenten en wordt gebruikt door allerlei soorten bedrijven. Ik heb nog een paar andere voorbeelden die ik wil delen om te laten zien hoe machine learning ook sectoren raakt zoals productie, voedselbezorging, enzovoort.

Domino's Pizza had bijvoorbeeld een project genaamd Project 3/10, waarbij ze een pizza binnen drie minuten na een bestelling klaar wilden hebben voor afhaling, of binnen 10 minuten na een bestelling bezorgd wilden hebben. Als je die doelen wilt bereiken, moet je kunnen voorspellen wanneer een pizzabestelling binnenkomt. Ze gebruiken machine learning-modellen om naar de geschiedenis van bestellingen te kijken. Vervolgens gebruiken ze het machine learning-model dat op die bestelgeschiedenis is getraind. Ze konden dat vervolgens gebruiken om te voorspellen wanneer een bestelling zou binnenkomen, en ze konden dit in veel winkels implementeren en ze waren in staat om de doelen te raken.

Machine learning is alomtegenwoordig geworden in de manier waarop onze klanten zaken doen. Het begint in vrijwel elke branche te worden toegepast. We hebben meer dan enkele honderdduizenden klanten die onze machine learning-services gebruiken. Een van onze machine learning-services, Amazon SageMaker, is een van de snelstgroeiende services in de geschiedenis van AWS.

Laurier : Om even samen te vatten: klanten kunnen machine learning-services gebruiken om een ​​aantal problemen op te lossen. Enkele van de problemen op hoog niveau zijn een aanbevelingsengine, afbeeldingen zoeken, tekst zoeken en klantenservice, maar dan ook om de kwaliteit van het product zelf te verbeteren.

Ik hou van het voorbeeld van Domino's Pizza. Iedereen begrijpt hoe een pizzazaak werkt. Maar als het doel is om pizza's zo snel mogelijk om te draaien, om die klanttevredenheid te vergroten, moest Domino's op een plek zijn om gegevens te verzamelen, die historische gegevens te analyseren over wanneer bestellingen binnenkwamen, hoe snel ze die omdraaiden bestellingen, hoe vaak mensen bestelden wat ze bestelden, et cetera. Daar was het voorspellingsmodel op gebaseerd, toch?

Bratin : Ja. Je hebt een vraag gesteld over hoe we denken over machine learning-services. Als je kijkt naar de machine learning-stack van AWS, zien we het als een service met drie lagen. De onderste laag is de machine learning-infrastructuur.

Wat ik hiermee bedoel, is dat wanneer je een model hebt, je het model traint om iets te voorspellen. Dan zijn de voorspellingen waar je dit ding doet dat gevolgtrekking wordt genoemd. Op de onderste laag bieden we de meest geoptimaliseerde infrastructuur, zodat klanten hun eigen machine learning-systemen kunnen bouwen.

Dan komt er een laag bovenop, waar klanten komen en zeggen: 'Weet je wat? Ik wil me alleen concentreren op machine learning. Ik wil geen machine learning-infrastructuur bouwen.' Dit is waar Amazon SageMaker binnenkomt.

Dan komt er nog een laag bovenop, wat we AI-services noemen, waar we voorgetrainde modellen hebben die voor veel use-cases kunnen worden gebruikt.

We beschouwen machine learning dus als drie lagen. Verschillende klanten gebruiken diensten op verschillende lagen, op basis van wat ze willen, op basis van het soort datawetenschapsexpertise dat ze hebben en op basis van het soort investeringen dat ze willen doen.

Het andere deel van onze visie gaat terug op wat u aan het begin noemde, namelijk data en innovatie. Machine learning gaat in wezen over het verkrijgen van inzichten uit data en het gebruiken van die inzichten om voorspellingen te doen over de toekomst. Vervolgens gebruikt u die voorspellingen om bedrijfswaarde af te leiden.

In het geval van Domino's Pizza zijn er gegevens over historische bestelpatronen die kunnen worden gebruikt om toekomstige bestelpatronen te voorspellen. De zakelijke waarde daar is het verbeteren van de klantenservice door bestellingen op tijd klaar te krijgen. Een ander voorbeeld is Freddy's Frozen Custard, dat machine learning gebruikte om menu's aan te passen. Als gevolg daarvan konden ze een omzetstijging met dubbele cijfers behalen. Het gaat dus echt om gegevens hebben en vervolgens machine learning gebruiken om inzichten uit die gegevens te halen. Zodra u inzichten uit die gegevens hebt verkregen, gebruikt u die inzichten om betere bedrijfsresultaten te behalen. Dit gaat terug op wat je in het begin noemde: je begint met data en vervolgens gebruik je machine learning om er bovenop te innoveren.

Laurier : Wat zijn enkele van de uitdagingen waarmee organisaties worden geconfronteerd wanneer ze aan hun machine learning-reizen beginnen?

Bratin : Het eerste is om gegevens te verzamelen en ervoor te zorgen dat deze goed gestructureerd zijn - schone gegevens - die niet veel afwijkingen vertonen. Omdat machine learning-modellen doorgaans beter worden als u ze kunt trainen met steeds meer gegevens, moet u doorgaan met het verzamelen van enorme hoeveelheden gegevens. We zien vaak dat klanten data lakes creëren in de cloud, zoals op Amazon S3 bijvoorbeeld. De eerste stap is dus om uw gegevens op orde te krijgen en vervolgens mogelijk datameren in de cloud te creëren die u kunt gebruiken om uw op gegevens gebaseerde innovatie te voeden.

De volgende stap is het realiseren van de juiste infrastructuur. Dat is waar sommige klanten zeggen: 'Kijk, ik wil gewoon de hele infrastructuur zelf bouwen', maar de overgrote meerderheid van de klanten zegt: 'Kijk, ik wil gewoon een managed service kunnen gebruiken omdat ik dat niet wil. moeten investeren in het bouwen van de infrastructuur en het onderhouden van de infrastructuur, enzovoort.

De volgende is het kiezen van een businesscase. Als je nog niet eerder aan machine learning hebt gedaan, dan wil je aan de slag met een businesscase die leidt tot een goed bedrijfsresultaat. Wat er vaak kan gebeuren met machine learning, is om te zien dat het cool is, een paar echt coole demo's te doen, maar die vertalen zich niet in bedrijfsresultaten, dus je begint met experimenten en je krijgt niet echt de ondersteuning die je nodig hebt.

Ten slotte heb je commitment nodig omdat machine learning een zeer iteratief proces is. Je traint een model. Het eerste model dat u traint, levert mogelijk niet de gewenste resultaten op. Er is een proces van experimenteren en herhalen dat je moet doorlopen, en het kan een paar maanden duren voordat je resultaten krijgt. Dus het samenstellen van een team en hen de ondersteuning geven die ze nodig hebben, is het laatste deel.

Als ik dit in termen van een opeenvolging van stappen moet zeggen, is het belangrijk om data en een datacultuur te hebben. Het is in de meeste gevallen belangrijk dat klanten ervoor kiezen om een ​​beheerde service te gebruiken om hun modellen in de cloud te bouwen en te trainen, simpelweg omdat u veel gemakkelijker opslagruimte krijgt en computergebruik een stuk eenvoudiger. De derde is om een ​​use-case te kiezen die zakelijke waarde zal hebben, zodat uw bedrijf weet dat dit iets is dat u op grote schaal wilt implementeren. En tot slot, wees geduldig en wees bereid om te experimenteren en te herhalen, want het kost vaak wat tijd om de gegevens te krijgen die je nodig hebt om de modellen goed te trainen en daadwerkelijk de zakelijke waarde te krijgen.

Laurier : Juist, want het is niet iets dat van de ene op de andere dag gebeurt.

Bratin : Het gebeurt niet van de ene op de andere dag.

Laurier : Hoe bereiden bedrijven zich voor om te profiteren van data? Want, zoals je al zei, dit is een proces van vier stappen, maar je moet op het einde nog steeds geduld hebben om iteratief en experimenteel te zijn. Heb je bijvoorbeeld ideeën over hoe bedrijven over hun data kunnen nadenken op een manier die hen beter voorbereid maakt om succes te zien, misschien met hun eerste experiment, en dan misschien een beetje avontuurlijker te zijn als ze andere datasets of andere manieren proberen gegevens benaderen?

Bratin : Ja. Bedrijven beginnen meestal met een use-case waarin ze in het verleden over goede gegevens beschikken. Wat ik bedoel met een geschiedenis van het hebben van goede gegevens, is dat ze een overzicht hebben van transacties die zijn gedaan, en de meeste gegevens zijn nauwkeurig. U hebt bijvoorbeeld niet veel lege recordtransacties.

Doorgaans hebben we gezien dat het niveau van gegevensvolwassenheid varieert tussen verschillende onderdelen van een bedrijf. Je begint bij het onderdeel van een bedrijf waar de datacultuur veel meer aanwezig is. U begint daar, zodat u een overzicht hebt van historische transacties die u hebt opgeslagen. U wilt echt vrij dichte gegevens hebben om uw modellen te trainen.

Laurier : Waarom is het nu het juiste moment voor bedrijven om na te denken over het implementeren van machine learning in de cloud?

Bratin : Ik denk dat er nu een samenloop van factoren plaatsvindt. Een daarvan is dat machine learning de afgelopen vijf jaar echt van de grond is gekomen. Dat komt omdat de hoeveelheid beschikbare rekenkracht in een zeer snel tempo is toegenomen. Als je teruggaat naar de IT-revolutie, de IT-revolutie werd aangedreven door de wet van Moore. Volgens de wet van Moore verdubbelde de rekenkracht elke 18 maanden.

De afgelopen jaren verdubbelt de totale hoeveelheid computers bijna elke vier maanden. Dat is vijf keer meer dan de wet van Moore. De hoeveelheid vooruitgang die we in de afgelopen vier tot vijf jaar hebben gezien, is echt verbazingwekkend. Als gevolg hiervan worden veel functies die ooit alleen door mensen konden worden gedaan, zoals het detecteren van een object of het begrijpen van spraak, uitgevoerd door computers en modellen voor machine learning. Als gevolg daarvan komen er veel mogelijkheden vrij. Dat heeft geleid tot deze enorme toename van de toepasbaarheid van machine learning: je kunt het gebruiken voor personalisatie, je kunt het gebruiken in de gezondheidszorg en financiën, je kunt het gebruiken voor taken als churn-voorspelling, fraudedetectie, enzovoort.

Een van de redenen waarom het nu een goed moment is om aan de slag te gaan met machine learning in de cloud, is de enorme vooruitgang in de afgelopen jaren die deze nieuwe mogelijkheden ontketent die voorheen niet mogelijk waren.

De tweede reden is dat veel van de machine learning-services die in de cloud worden gebouwd, machine learning voor veel meer mensen toegankelijk maken. Zelfs als je kijkt naar vier tot vijf jaar geleden, was machine learning iets dat alleen zeer deskundige beoefenaars konden doen en slechts een handvol bedrijven konden doen omdat ze deskundige beoefenaars hadden. Tegenwoordig hebben we meer dan honderdduizend klanten die onze machine learning-services gebruiken. Dat vertelt je dat machine learning voor een groot deel is gedemocratiseerd, zodat veel meer bedrijven machine learning kunnen gaan gebruiken en hun bedrijf kunnen transformeren.

Dan komt de derde reden, namelijk dat je geweldige mogelijkheden hebt die nu mogelijk zijn, en je hebt cloudgebaseerde tools die deze mogelijkheden democratiseren. De eenvoudigste manier om toegang te krijgen tot deze tools en deze mogelijkheden is via de cloud, omdat deze ten eerste de basis vormt voor rekenkracht en gegevens. Machine learning gaat in de kern over het gooien van veel rekenkracht op gegevens. In de cloud krijg je toegang tot de nieuwste compute. U betaalt naar gebruik en u hoeft vooraf geen enorme investeringen te doen om compute farms op te zetten. U krijgt ook alle opslagruimte en de beveiliging en privacy en codering, enzovoort - al die kerninfrastructuur die nodig is om machine learning op gang te brengen.

Laurier : Dus Bratin, hoe innoveert AWS om organisaties te helpen met machine learning, modeltraining en inferentie?

Bratin : Bij AWS werkt alles wat we doen vanuit de klant en zoeken we uit hoe we hun pijnpunten verminderen en hoe we het voor hen gemakkelijker maken om machine learning te doen. Onderaan de stapel machine learning-services innoveren we op de machine learning-infrastructuur, zodat we het voor klanten goedkoper kunnen maken om aan machine learning te doen en sneller voor klanten om aan machine learning te doen. Daar hebben we twee AWS-innovaties. De ene is Inferentia en de andere is Trainium. Dit zijn aangepaste chips die we bij AWS hebben ontworpen en die speciaal zijn gebouwd voor inferentie, het proces van het maken van voorspellingen voor machine learning, en voor training. Inferentia biedt tegenwoordig de goedkoopste inferentie-instanties in de cloud. En Trainium, wanneer het later dit jaar beschikbaar komt, zal de krachtigste en meest kosteneffectieve trainingsinstanties in de cloud bieden.

We hebben tegenwoordig een aantal klanten die Inferentia gebruiken. Autodesk gebruikt Inferentia om hun chatbotmodellen te hosten, en ze waren in staat om de kosten en latenties met bijna vijf keer te verbeteren. Airbnb heeft meer dan vier miljoen hosts die in bijna elk land meer dan 900 miljoen gasten verwelkomen. Airbnb zag een dubbele verbetering van de doorvoer door het gebruik van de Inferentia-instanties, wat betekent dat ze bijna twee keer zoveel verzoeken om klantenondersteuning konden behandelen dan ze anders zouden kunnen doen. Een ander bedrijf, Sprinklr genaamd, ontwikkelt een SaaS-platform voor klantervaring en ze hebben een AI-gestuurd uniform beheerplatform voor klantervaringen. Ze waren in staat om de natuurlijke taalverwerkingsmodellen in Inferentia in te zetten, en ze zagen ook aanzienlijke prestatieverbeteringen.

Zelfs intern was ons Alexa-team in staat om hun gevolgtrekkingen over te hevelen van GPU's naar op Inferentia gebaseerde systemen, en ze zagen een kostenverbetering van meer dan 50% dankzij deze op Inferentia gebaseerde systemen. Dat hebben we dus op de onderste laag van de infrastructuur. Daarbovenop hebben we de managed services, waarbij we innoveren zodat klanten een stuk productiever worden. Dat is waar we SageMaker Studio hebben, 's werelds eerste IDE, die tools biedt zoals debuggers en profilers en uitlegbaarheid, en een groot aantal andere tools, zoals een visuele datavoorbereidingstool, die klanten een stuk productiever maken. Daarbovenop hebben we AI-services waar we vooraf getrainde modellen bieden voor gebruiksscenario's zoals zoeken en documentverwerking - Kendra voor zoeken, Textract voor documentverwerking, beeld- en videoherkenning - waar we innoveren om het klanten gemakkelijker te maken om deze use-cases direct uit de doos aan te pakken.

Laurier : Er zijn dus zeker enkele voordelen voor machine learning-services in de cloud, zoals verbeterde klantenservice, verbeterde kwaliteit en, hopelijk, hogere winst, maar welke key performance-indicatoren belangrijk zijn voor het succes van machine learning-projecten, en waarom zijn deze specifieke indicatoren zo belangrijk?

Bratin : We werken terug vanuit de klant, werken terug vanuit de pijnpunten op basis van wat klanten ons vertellen, en bedenken namens de klanten hoe we kunnen innoveren om het voor hen gemakkelijker te maken om machine learning te doen. Een onderdeel van machine learning, zoals ik al zei, zijn voorspellingen. Vaak zitten de grote kosten van machine learning in termen van infrastructuur in de gevolgtrekking. Daarom kwamen we uit met Inferentia, dat tegenwoordig de meest kosteneffectieve machine learning-instanties in de cloud zijn. We innoveren dus op hardwareniveau.

We hebben ook Tranium aangekondigd. Dat zijn de krachtigste en meest kosteneffectieve trainingsinstanties in de cloud. We innoveren dus eerst op de infrastructuurlaag, zodat we klanten de meest kosteneffectieve rekenkracht kunnen bieden.

Vervolgens hebben we gekeken naar de pijnpunten van wat er nodig is om een ​​ML-service te bouwen. U hebt gegevensverzamelingsservices nodig, u hebt een manier nodig om een ​​gedistribueerde infrastructuur op te zetten, u hebt een manier nodig om een ​​inferentiesysteem op te zetten en het automatisch te schalen, enzovoort. We hebben veel nagedacht over hoe we deze infrastructuur en innovatie rond de klanten konden bouwen.

Daarna hebben we enkele gebruiksscenario's bekeken. Dus voor veel van deze use-cases, of het nu gaat om zoeken, objectherkenning en -detectie of intelligente documentverwerking, hebben we services die klanten direct kunnen gebruiken. En voor hen blijven we innoveren. Ik weet zeker dat we dit jaar en volgend jaar nog veel meer functies zullen bedenken om te zien hoe we het voor onze klanten gemakkelijker kunnen maken om machine learning te gebruiken.

Laurier : Welke key performance indicators zijn belangrijk voor het succes van machine learning-projecten? We hebben het even gehad over hoe je de klantenservice en kwaliteit wilt verbeteren en natuurlijk de winst wilt vergroten, maar om een ​​KPI toe te kennen aan een machine learning-model, dat is iets anders. En waarom zijn ze zo belangrijk?

Bratin : Om de KPI's toe te wijzen, moet u terugwerken vanuit uw use case. Stel dat u machine learning wilt gebruiken om fraude te verminderen. Uw algemene KPI is: wat was de vermindering in fraudedetectie? Of laten we zeggen dat je het wilt gebruiken voor churn reductie. U runt een bedrijf, uw klanten komen, maar een aantal van hen hakt af. U wilt dan beginnen met, hoe verminder ik mijn klantverloop met een procent? U begint dus met de KPI op het hoogste niveau, wat een bedrijfsresultaat is dat u wilt bereiken, en hoe u dat bedrijfsresultaat kunt verbeteren.

Laten we het voorbeeld van churn-voorspelling nemen. Wat er aan het eind van de dag gebeurt, is dat je een machine learning-model hebt dat gegevens gebruikt en de hoeveelheid training die het heeft gehad om bepaalde voorspellingen te doen rond welke klant gaat karnen. Dat komt dus neer op de nauwkeurigheid van het model. Als het model zegt dat 100 mensen gaan karnen, hoeveel van hen gaan dan daadwerkelijk karnen? Dat wordt dus een kwestie van nauwkeurigheid. En dan wil je ook kijken hoe goed het machine learning-model alle gevallen heeft gedetecteerd.

Er zijn dus twee aspecten van kwaliteit waarnaar u op zoek bent. Een daarvan is, van de dingen die het model voorspelde, hoeveel ervan zijn er daadwerkelijk gebeurd? Laten we zeggen dat dit model voorspelde dat deze 100 klanten gaan churnen. Hoeveel van hen churn eigenlijk? En laten we zeggen dat 95 van hen daadwerkelijk churn. Dus daar heb je een nauwkeurigheid van 95%. Het andere aspect is, stel dat je dit bedrijf runt en je hebt 1.000 klanten. En laten we zeggen dat er in een bepaald jaar 200 van hen zijn gekarnd. Hoeveel van die 200 voorspelde het model dat ze daadwerkelijk zouden omslaan? Dat wordt terugroepen genoemd, wat wil zeggen, hoeveel kan het machine learning-model, gegeven de totale set, voorspellen? Dus, in wezen, begin je met deze zakelijke statistiek, dat is het resultaat dat ik wil krijgen, en dan kun je dit omzetten in modelnauwkeurigheidsstatistieken in termen van precisie, en dat is hoe nauwkeurig het model was in het voorspellen van bepaalde dingen, en vervolgens herinneren, hoe volledig of hoe uitgebreid was het model bij het detecteren van alle situaties.

Dus, op een hoog niveau, dit zijn de dingen die je zoekt. En dan ga je naar beneden naar statistieken op een lager niveau. De modellen draaien op bepaalde instanties op bepaalde stukken computer: wat waren de infrastructuurkosten en hoe verlaag ik die kosten? Deze services worden bijvoorbeeld gebruikt om pieken tijdens Prime Day of Black Friday op te vangen, enzovoort. Dus, dan kom je bij die statistieken op een lager niveau, namelijk: ben ik in staat om pieken in het verkeer aan te pakken? Het is echt een hiërarchische reeks KPI's. Begin met de bedrijfsstatistieken, ga naar de modelstatistieken en ga vervolgens naar de infrastructuurstatistieken.

Laurier : Wat zie je als je denkt aan machine learning in de cloud in de komende drie tot vijf jaar? Waar denk je aan? Wat kunnen bedrijven nu doen om zich voor te bereiden op wat komen gaat?

Bratin : Ik denk dat wat er zal gebeuren, is dat machine learning meer doordringend zal worden. Want wat er zal gebeuren, is dat klanten zullen zien dat ze in staat zijn om de manier van zakendoen fundamenteel te veranderen. Bedrijven zullen zien dat ze de klantervaring fundamenteel transformeren en ze zullen machine learning omarmen. Dat hebben we ook bij Amazon gezien: we hebben een lange geschiedenis van investeren in machine learning. We doen dit al meer dan 20 jaar en we hebben de manier waarop we klanten bedienen veranderd met amazon.com of Alexa of Amazon Go, Prime. En nu met AWS, waar we deze kennis hebben opgedaan die we de afgelopen twee decennia hebben opgedaan door machine learning op grote schaal in te zetten en deze nu beschikbaar te stellen aan onze klanten. Dus ik denk dat we een veel snellere acceptatie van machine learning zullen zien.

Dan zullen we zien dat veel brede use-cases, zoals intelligente documentverwerking, veel papiergebaseerde verwerking, geautomatiseerd zullen worden omdat een machine learning-model nu in staat is om die documenten te scannen en er informatie uit af te leiden - semantische informatie afleiden, niet alleen de syntaxis. Als u denkt aan op papier gebaseerde processen, of het nu gaat om de verwerking van leningen en hypotheken, dan wordt veel daarvan geautomatiseerd. We zien ook dat bedrijven veel efficiënter worden op het gebied van personalisatie, zoals prognoses, supply chain-prognoses, vraagprognoses, enzovoort.

We zien veel gebruik van machine learning in de gezondheidszorg. We hebben klanten, GE gebruikt bijvoorbeeld een machine learning-service voor radiologie. Ze gebruiken machine learning om radiologische beelden te scannen om te bepalen welke ernstiger zijn, en daarom wil je de patiënten vroeg krijgen. We zien ook mogelijkheden en kansen voor het gebruik van machine learning in genomics voor precisiegeneeskunde. Dus ik denk dat er veel innovatie gaat gebeuren met machine learning in de zorg.

We zullen veel machine learning zien in de productie. Veel productieprocessen zullen efficiënter, geautomatiseerd en veiliger worden door machine learning.

Dus ik zie dat je in de komende vijf tot tien jaar een willekeurig domein kiest, zoals sport, NFL, NASCAR, Bundesliga, ze gebruiken allemaal onze machine learning-services. NFL gebruikt Amazon SageMaker om hun fans een meer meeslepende ervaring te geven via Next Gen Stats. Bundesliga gebruikt onze machine learning-services om een ​​reeks voorspellingen te doen en een veel meer meeslepende ervaring te bieden. Hetzelfde met NASCAR. NASCAR heeft veel datageschiedenis van hun races en ze gebruiken dat om modellen te trainen om hun kijkers een veel meer meeslepende ervaring te bieden, omdat ze veel gemakkelijker kunnen voorspellen wat er gaat gebeuren. Dus sport, entertainment, financiële diensten, gezondheidszorg, productie - ik denk dat we veel meer gebruik zullen zien van machinaal leren en de wereld slimmer, gezonder en veiliger zullen maken.

Laurier : Wat een fijn gesprek. Heel erg bedankt, Bratin voor je deelname aan Business Lab.

Bratin : Dank u. Bedankt dat ik hier mocht zijn. Het was erg leuk om met je te praten.

Laurier : Dat was Dr. Bratin Saha, Vice President en General Manager Machine Learning Services voor Amazon AI, met wie ik sprak vanuit Cambridge, Massachusetts, de thuisbasis van MIT en MIT Technology Review met uitzicht op de Charles-rivier. Dat was het voor deze aflevering van Business Law. Ik ben je gastheer, Laurel Ruma. Ik ben de directeur van Insights, de custom publishing-divisie van MIT Technology Review. We zijn in 1899 opgericht aan het Massachusetts Institute of Technology. En je kunt ons ook vinden in prints op het web en op evenementen die elk jaar over de hele wereld plaatsvinden. Ga voor meer informatie over ons en de show naar onze website op technologyreview.com. Deze show is overal beschikbaar waar je je podcasts vandaan haalt. Als je deze aflevering leuk vindt, hopen we dat je even de tijd wilt nemen om ons te beoordelen en te beoordelen. Business Lab is een productie van MIT Technology Review. Deze aflevering is geproduceerd door Collective Next. Bedankt voor het luisteren.

zich verstoppen