بغض النظر عن الصناعة أو المنتج ، فإن العملاء هم العنصر الأكثر أهمية في نجاح الأعمال التجارية ونموها. تبذل الشركات جهودًا كبيرة لاكتساب عملائها الحاليين والاحتفاظ بهم. يرتبط رضا العملاء مباشرة بنمو الإيرادات ومصداقية الأعمال والسمعة. هذه كلها عوامل رئيسية في استراتيجية نمو الأعمال المستدامة وطويلة الأجل.
نظرًا للتكاليف التسويقية والتشغيلية لاكتساب العملاء ورضاهم ، ومدى تكلفة خسارة العميل أمام منافس ، فإن الاحتفاظ بالعملاء الجدد أقل تكلفة بشكل عام. لذلك ، من الضروري للشركات أن تفهم لماذا ومتى قد يتوقف العميل عن استخدام خدماته أو يتحول إلى منافس ، حتى يتمكنوا من اتخاذ تدابير استباقية من خلال توفير الحوافز أو تقديم ترقيات للحزم الجديدة التي يمكن أن تشجع العميل على البقاء في العمل.
توفر تفاعلات خدمة العملاء نظرة ثاقبة على رأي العميل حول الأعمال التجارية وخدماتها ، ويمكن استخدامها ، بالإضافة إلى العوامل الكمية الأخرى ، لتمكين الأعمال من فهم مشاعر واتجاهات محادثات العملاء بشكل أفضل وتحديد الشركة والمنتج المهمين. تعليق. يمكن أن يكون التنبؤ بإزعاج العملاء باستخدام تقنيات التعلم الآلي (ML) أداة قوية لخدمة العملاء ورعايتهم.
في هذا المنشور ، نوجهك خلال عملية التدريب ونشر نموذج التنبؤ بالتخبط على الأمازون SageMaker أن الاستخدامات تعانق محولات الوجه للعثور على إشارات مفيدة في نسخ مكالمات وكيل العميل. بالإضافة إلى المدخلات النصية ، نعرض لك كيفية دمج أنواع أخرى من البيانات ، مثل الميزات العددية والفئوية من أجل التنبؤ بضغوط العملاء.
المتطلبات الأساسية المسبقة
لتجربة الحل في حسابك الخاص ، تأكد من توفر ما يلي:
يؤدي تشغيل حل JumpStart إلى إنشاء الموارد التي تم إعدادها وتهيئتها بشكل صحيح لتشغيل الحل بنجاح.
نظرة عامة على العمارة
في هذا الحل ، نركز على مكونات SageMaker. نستخدم وظائف تدريب SageMaker لتدريب نموذج التنبؤ بالتخبط ونقطة نهاية SageMaker لنشر النموذج. نحن نستخدم خدمة تخزين أمازون البسيطة (Amazon S3) لتخزين بيانات التدريب وعناصر النماذج ، و الأمازون CloudWatch لتسجيل مخرجات التدريب ونقطة النهاية. يوضح الشكل التالي بنية الحل.
استكشاف البيانات
في هذا المنشور ، نستخدم السجلات التاريخية لمشغل الهاتف المحمول والتي انتهى بها المطاف بالعملاء واستمرت في استخدام الخدمة. تتضمن البيانات أيضًا نسخًا لأحدث محادثات المكالمات الهاتفية بين العميل والوكيل (والتي يمكن أن تكون أيضًا نسخًا متدفقًا أثناء إجراء المكالمة). يمكننا استخدام هذه المعلومات التاريخية لتدريب نموذج مصنف ML ، والذي يمكننا استخدامه بعد ذلك للتنبؤ باحتمالية حدوث اضطراب في العميل بناءً على معلومات ملف تعريف العميل ومحتوى نسخ المكالمات الهاتفية. نقوم بإنشاء نقطة نهاية SageMaker لعمل تنبؤات في الوقت الفعلي باستخدام النموذج وتقديم المزيد من البصيرة لوكلاء خدمة العملاء أثناء تعاملهم مع مكالمات العملاء الهاتفية.
يتم إنشاء مجموعة البيانات التي نستخدمها صناعيًا وهي متاحة بموجب ترخيص CC BY 4.0. تستند البيانات المستخدمة لإنشاء الميزات العددية والفئوية على مجموعة البيانات العامة كأس كي دي دي 2009: التنبؤ بعلاقة العملاء. لقد أنشأنا أكثر من 50,000 عينة وقسمنا البيانات بشكل عشوائي إلى 45,000 عينة للتدريب و 5,000 عينة للاختبار. بالإضافة إلى ذلك ، تم إنشاء نصوص المحادثة الهاتفية صناعياً باستخدام GPT2 (محولات أولية مدربة مسبقًا 2) الخوارزمية. البيانات مستضافة على Amazon S3.
يمكن العثور على مزيد من التفاصيل حول نماذج تصنيف زبد العملاء باستخدام بيانات مماثلة ، وكذلك إرشادات خطوة بخطوة حول كيفية إنشاء نموذج مصنف ثنائي باستخدام بيانات مماثلة ، في منشور المدونة توقع اضطراب العملاء باستخدام التعلم الآلي من Amazon. يركز هذا المنشور بشكل أكبر على التصنيف الثنائي باستخدام البيانات المجدولة. تتناول هذه المدونة هذه المشكلة من منظور مختلف ، وتجلب معالجة اللغة الطبيعية (NLP) من خلال معالجة سياق المحادثات الهاتفية بين الوكيل والعميل.
فيما يلي سمات (ميزات) مجموعة بيانات ملفات تعريف العملاء:
- مكالمات CustServ - عدد المكالمات التي تم إجراؤها لخدمة العملاء
- حالة: الولاية الأمريكية التي يقيم فيها العميل ، ويشار إليها باختصار مكون من حرفين ؛ على سبيل المثال ، OH أو NJ
- رسالة VMail - متوسط عدد رسائل البريد الصوتي شهريًا
- طول الحساب - عدد الأيام التي تم فيها تنشيط هذا الحساب
- دقائق يومية ، مكالمات يومية ، رسوم يومية - تكلفة الفاتورة للمكالمات التي يتم إجراؤها خلال اليوم
- Eve Mins ، Eve Calls ، Eve Charge - تكلفة الفاتورة للمكالمات التي يتم إجراؤها أثناء المساء
- دقائق ليلية ، مكالمات ليلية ، شحن ليلي - تكلفة الفاتورة للمكالمات التي يتم إجراؤها أثناء الليل
- دقائق دولية ، مكالمات دولية ، رسوم دولية - التكلفة فاتورة للمكالمات الدولية
- الموقع الجغرافي - ما إذا كان العميل موجودًا في المناطق الحضرية أو الضواحي أو الريفية أو مناطق أخرى
- الولايه او المحافظه - موقع دولة العميل
- خطة - فئة الخطة
- قصر - نوع خطة محدودة أو غير محدودة
- نص - أنتج GPT-2 الاصطناعية نسخًا للمحادثة الهاتفية بين وكيل العميل
- Y: ما إذا كان العميل قد ترك الخدمة (صح / خطأ)
السمة الأخيرة ، Y
، والمعروف باسم ميزة الهدف، أو الميزة التي نريد أن يتوقعها نموذج ML. نظرًا لأن الميزة الهدف ثنائية (صواب / خطأ) ، فإن نوع النمذجة هو نموذج تصنيف ثنائي. يتنبأ النموذج الذي ندربه لاحقًا في هذا المنشور باحتمالية حدوث اضطراب أيضًا.
لا ننتقل إلى تحليل البيانات الاستكشافية في هذا المنشور. لمزيد من التفاصيل ، انظر توقع اضطراب العملاء باستخدام التعلم الآلي من Amazon و توقعات زبون العملاء مع XGBoost دفتر عينة.
تم تطوير البرنامج النصي للتدريب للسماح لممارس تعلم الآلة باختيار واختيار الميزات المستخدمة في التدريب. على سبيل المثال ، لا نستخدم جميع الميزات في التدريب. نحن نركز أكثر على نضج حساب العميل ، وعدد المرات التي اتصل فيها العميل بخدمة العملاء ، ونوع الخطة التي لديهم ، ونسخ آخر مكالمة هاتفية. يمكنك استخدام ميزات إضافية في التدريب من خلال تضمين القائمة في المعلمات التشعبية ، كما نوضح في القسم التالي.
نسخ مكالمة هاتفية وكيل العميل في text
العمود هو نص اصطناعي تم إنشاؤه بواسطة نماذج ML باستخدام خوارزمية GPT2. والغرض منه هو إظهار كيف يمكنك تطبيق هذا الحل على المحادثات الهاتفية لخدمة العملاء في العالم الحقيقي. GPT2 هو نموذج لغة محول غير خاضع للإشراف تم تطويره بواسطة OpenAI. إنه نموذج قوي لتوليد البرمجة اللغوية العصبية يتفوق في معالجة التبعيات بعيدة المدى ، ويتم تدريبه مسبقًا على مجموعة متنوعة من النصوص. لمزيد من التفاصيل حول كيفية إنشاء نص باستخدام GPT2 ، راجع تجربة حزمة نموذج التعلم الآلي GPT-2 XL على Amazon SageMaker و الكتابة الإبداعية باستخدام إنشاء نص GPT2 مثال مفكرة.
درب النموذج
لهذا المنصب ، نستخدم SageMaker PyTorch مقدر لإنشاء مقدر SageMaker باستخدام حاوية Docker من Amazon تقوم بتشغيل الوظائف المحددة في المرفق entry_point
نص Python ضمن وظيفة تدريب SageMaker. بدأت وظيفة التدريب بالاتصال .fit()
على هذا المقدّر. لاحقًا ، ننشر النموذج عن طريق استدعاء .deploy()
طريقة على المقدر. يزور الأمازون SageMaker Python SDK الوثائق الفنية لمزيد من التفاصيل حول إعداد نصوص PyTorch لتدريب SageMaker واستخدام PyTorch Estimator.
أيضا ، قم بزيارة صور حاويات التعلم العميق المتاحة على GitHub للحصول على قائمة بإصدارات PyTorch المدعومة. في وقت كتابة هذا التقرير ، كان أحدث إصدار متاح هو PyTorch 1.8.1 مع إصدار Python 3.6. يمكنك تحديث إصدار إطار العمل إلى أحدث إصدار مدعوم عن طريق تغيير framework_version
المعلمة في مقدر PyTorch. تستطيع ايضا استخذام واجهة برمجة تطبيقات SageMaker المساعدة URIs للحصول على أحدث قائمة بالإصدارات المدعومة.
يحدد قاموس hyperparameters الميزات التي نريد استخدامها للتدريب وكذلك عدد الأشجار في الغابة (n-estimators
) للنموذج. يمكنك إضافة أي معلمات تشعبية أخرى لـ RandomForestClassifier؛ ومع ذلك ، تحتاج أيضًا إلى مراجعة البرنامج النصي المخصص للتدريب الخاص بك لتلقي هذه المعلمات في شكل وسيطات (باستخدام مكتبة argparse) وقم بإضافتها إلى نموذجك. انظر الكود التالي:
إذا قمت بتشغيل حل SageMaker JumpStart في حسابك ، فستتوفر البرامج النصية المخصصة في ملفات الاستوديو الخاصة بك. نحن نستخدم ال entry_point.py
النصي. يتلقى هذا البرنامج النصي قائمة بالخصائص العددية ، والميزات الفئوية ، والميزات النصية ، والتسمية المستهدفة ، ويدرب SKLearn RandomForestClassifier على البيانات. ومع ذلك ، فإن المفتاح هنا هو معالجة الميزات قبل استخدامها في المصنف ، وخاصة نسخ المكالمات. يوضح الشكل التالي هذه العملية ، التي تنطبق على احتساب السمات العددية واستبدال القيم المفقودة بمتوسط ترميز واحد ساخن إلى ميزات فئوية ، وتضمين المحولات في الميزات النصية.
الغرض من البرنامج النصي المقدم في هذا المنشور هو تقديم مثال على كيفية تطوير خط أنابيب تحويل الميزات المخصصة الخاص بك. يمكنك تطبيق تحويلات أخرى على البيانات بناءً على حالة الاستخدام المحددة وطبيعة مجموعة البيانات الخاصة بك ، وجعلها معقدة أو بسيطة كما تريد. على سبيل المثال ، بناءً على طبيعة مجموعة البيانات الخاصة بك ونتائج تحليل البيانات الاستكشافية ، قد ترغب في التفكير في التسوية أو تحويل السجل أو إفلات السجلات ذات القيم الخالية. للحصول على قائمة أكثر اكتمالاً لتقنيات تحويل الميزات ، قم بزيارة SKLearn تحولات مجموعة البيانات.
يوضح لك مقتطف الشفرة التالي كيفية إنشاء مثيل لهذه المحولات للميزات العددية والفئوية ، وكيفية تطبيقها على مجموعة البيانات الخاصة بك. مزيد من التفاصيل حول كيفية القيام بذلك في البرنامج النصي للتدريب متاح في entry_point.py
البرنامج النصي الذي تم تشغيله في ملفاتك بواسطة حل JumpStart.
الآن دعنا نركز على البيانات النصية. نحن نستخدم تعانق محولات جملة الوجه، والتي يمكنك استخدامها لتوليد تضمين الجملة. إنها تأتي مع نماذج مدربة مسبقًا يمكنك استخدامها خارج الصندوق بناءً على حالة الاستخدام الخاصة بك. في هذا المنشور ، نستخدم ملف bert-base-nli-cls-token النموذج الموضح في الجملة بيرت: تضمين الجمل باستخدام شبكات بيرت السيامي.
في الآونة الأخيرة ، قدم SageMaker الجديد حاويات التعلم العميق للوجه المعانقة (DLC) التي تمكنك من تدريب الاستدلال وضبطه وتشغيله باستخدام نماذج Hugging Face لـ NLP على SageMaker. في هذا المنشور ، نستخدم حاوية PyTorch ونص تدريب مخصص. لهذا الغرض ، في البرنامج النصي التدريبي الخاص بنا ، نحدد أ BertEncoder
فئة على أساس Hugging Face SentenceTransformer
وحدد النموذج المدرب مسبقًا على أنه bert-base-nli-cls-token
، كما هو موضح في الكود التالي. والسبب في ذلك هو أن تكون قادرًا على تطبيق المحول على مجموعة البيانات بنفس طريقة تطبيق محولات مجموعة البيانات الأخرى ، مع التطبيق .transform()
طريقة. فائدة استخدام نماذج Hugging Face المدربة مسبقًا هي أنك لست بحاجة إلى القيام بتدريب إضافي لتتمكن من استخدام النموذج. ومع ذلك ، لا يزال بإمكانك ضبط النماذج باستخدام البيانات المخصصة ، كما هو موضح في صقل نموذج مسبق.
الآن بعد أن تمت معالجة مجموعة البيانات وأصبحت جاهزة للاستهلاك بواسطة نموذج ML ، يمكننا تدريب أي نموذج مصنف للتنبؤ بما إذا كان العميل سيتخبط أم لا. بالإضافة إلى التنبؤ بالفئة (0/1 أو صواب / خطأ) لتحرك العميل ، فإن هذه النماذج تولد أيضًا احتمالية لكل فئة ، مما يعني احتمال حدوث اضطراب في العميل. هذا مفيد بشكل خاص لفرق خدمة العملاء لوضع إستراتيجيات للحوافز أو الترقيات التي يمكنهم تقديمها للعميل بناءً على مدى احتمالية إلغاء العميل للخدمة أو الاشتراك. في هذا المنشور ، نستخدم ملف SKLearn RandomForestClassifier نموذج. يمكنك الاختيار من بين العديد من المعلمات الفائقة لهذا النموذج وأيضًا تحسين المعلمات الفائقة للحصول على تنبؤ أكثر دقة للنموذج باستخدام استراتيجيات مثل البحث الشبكي والبحث العشوائي والبحث البايزي. سيجماكر الضبط التلقائي للمعلمات الفائقة يمكن أن تكون أداة قوية لهذا الغرض.
تدريب النموذج في entry_point.py
يتم التعامل معه بواسطة train_fn()
تعمل في البرنامج النصي المخصص. تسمى هذه الوظيفة عندما يكون ملف .fit()
يتم تطبيق الطريقة على المقدّر. تخزن هذه الوظيفة أيضًا النموذج المدرب ومحولات البيانات المدربة على Amazon S3. يتم استخدام هذه الملفات لاحقًا بواسطة model_fn()
لتحميل النموذج لأغراض الاستدلال.
train_fn()
يتضمن أيضًا تقييم النموذج المدرب ، ويوفر درجات الدقة للنموذج لكل من مجموعات بيانات التدريب والاختبار. يساعدك هذا على تقييم أداء النموذج بشكل أفضل. نظرًا لأن هذه مشكلة تصنيف ، نوصي بتضمين مقاييس أخرى في نص التقييم الخاص بك ، على سبيل المثال نتيجة F1, نقاط ROC AUCو درجة الاستدعاء، بنفس الطريقة التي أضفنا بها درجات الدقة. تتم طباعة هذه مع تقدم التدريب. نظرًا لأننا نستخدم بيانات تركيبية لتدريب النموذج في نموذج الكمبيوتر الدفتري هذا ، خاصة بالنسبة لنسخ مكالمات الوكيل والعميل ، فإننا لا نتوقع رؤية نماذج عالية الأداء فيما يتعلق بمقاييس التصنيف ، وبالتالي فإننا لا نركز على هذه المقاييس في هذا المثال. ومع ذلك ، عند استخدام بياناتك الخاصة ، يجب أن تفكر في كيفية تأثير كل مقياس تصنيف على قابلية تطبيق النموذج على حالة الاستخدام الخاصة بك. يستغرق تدريب هذا النموذج على 45,000 عينة على مثيل ml.p3.2xlarge حوالي 30 دقيقة.
عندما تشعر بالراحة تجاه أداء نموذجك ، يمكنك الانتقال إلى الخطوة التالية ، وهي نشر نموذجك للاستدلال في الوقت الفعلي.
انشر النموذج
عندما يكتمل التدريب ، يمكنك ذلك نشر النموذج كنقطة نهاية مستضافة في SageMaker للاستدلال في الوقت الفعلي ، أو استخدم النموذج للاستدلال الدُفعي دون اتصال بالإنترنت ، باستخدام تحويل دفعة SageMaker. تتم معالجة مهمة إجراء الاستدلال (سواء في الوقت الفعلي أو الدُفعة) من خلال أربع وظائف رئيسية في البرنامج النصي المخصص:
input_fn()
يعالج بيانات الإدخالmodel_fn()
يقوم بتحميل عيوب النموذج المدربة من Amazon S3predict_fn()
يجعل التنبؤاتoutput_fn()
تعد إخراج النموذج
يوضح الرسم البياني التالي هذه العملية.
البرنامج النصي التالي هو مقتطف من entry_point.py
النصي ، ويوضح كيف تعمل الوظائف الأربع معًا لأداء الاستدلال:
لنشر النموذج ، عند اكتمال التدريب ، نستخدم ملف .deploy()
على المقدر وتحديد عدد ونوع المثيلات التي نريد إرفاقها بنقطة النهاية ، ويدير SageMaker البنية التحتية نيابة عنك. عند استدعاء نقطة النهاية من دفتر الملاحظات ، نستخدم SageMaker SDK المتنبئ. يرسل المتنبئ البيانات إلى نقطة نهاية (كجزء من طلب) ويفسر الاستجابة. انظر الكود التالي:
يؤدي ذلك إلى نشر النموذج كمتوقع لنقطة النهاية. بعد اكتمال النشر ، يمكننا استخدام ذلك لعمل تنبؤات بشأن عينة البيانات. دعنا نحدد احتمالية حدوث تذبذب لعميل افتراضي:
في هذه الحالة ، يبلغ احتمال حدوث تمضغ حوالي 31٪. بالنسبة للعميل نفسه ، قمنا بتغيير النص إلى "أستخدم خدمتك لمدة 6 أشهر وأشعر بخيبة أمل في خدمة العملاء". يزداد احتمال حدوث تمخض إلى أكثر من 46٪. يوضح هذا أن التغيير في معنويات العميل يؤثر على احتمالية حدوث اضطراب.
تنظيف
لتنظيف الموارد وإيقاف تكبد الرسوم في حسابك ، يمكنك حذف نقطة النهاية:
ملحقات
كما أوضحنا سابقًا ، يمكنك استخدام ميزات إضافية في التدريب وأيضًا دمج المزيد من محولات الميزات في خط أنابيب هندسة الميزات ، مما قد يساعد في تحسين أداء النموذج.
بالإضافة إلى ذلك ، بعد أن أصبح لديك الآن نقطة نهاية عاملة تقوم بإجراء الاستدلال في الوقت الفعلي ، يمكنك استخدامها لتطبيقاتك أو موقعك على الويب. ومع ذلك ، لا تزال نقطة نهاية SageMaker الخاصة بك غير مواجهة للعامة ، لذلك تحتاج إلى إنشاء بوابة API للسماح بحركة المرور الخارجية إلى نقطة نهاية SageMaker الخاصة بك. بوابة أمازون API هي خدمة مُدارة بالكامل تسهل على المطورين إنشاء واجهات برمجة التطبيقات ونشرها وصيانتها ومراقبتها وتأمينها على أي نطاق. يمكنك استخدام بوابة API لتقديم نقطة دخول خارجية واحدة لنقاط نهاية SageMaker ، وتوفير الأمان ، والاختناق ، والمصادقة ، وجدار الحماية على النحو المنصوص عليه من قبل أوس واف، و اكثر. باستخدام قوالب تعيين بوابة API ، يمكنك استدعاء نقطة نهاية SageMaker الخاصة بك مع طلب REST API وتلقي استجابة API مرة أخرى دون الحاجة إلى أي وسيط AWS لامدا وظائف ، وبالتالي تحسين الأداء والفعالية من حيث التكلفة لتطبيقاتك.
لإنشاء بوابة API واستخدامها لإجراء استدلال في الوقت الفعلي باستخدام نقطة نهاية SageMaker الخاصة بك (انظر البنية التالية) ، يمكنك اتباع الإرشادات الموضحة في إنشاء واجهة برمجة تطبيقات REST API للتعلم الآلي باستخدام قوالب خرائط Amazon API Gateway و Amazon SageMaker.
بالإضافة إلى ذلك ، يمكنك استخدام الأمازون النسخ لإنشاء نسخ نصية لمحادثات وكيل العملاء المسجلة واستخدامها لأغراض التدريب ، وكذلك استخدامها Amazon Transcribe البث لإرسال دفق صوتي للمحادثة وتلقي دفق من النص في الوقت الفعلي. يمكنك استخدام دفق النص هذا لإضافة إمكانية تحويل الكلام إلى نص في الوقت الفعلي إلى تطبيقاتك وأيضًا إرسال هذا النص إلى نقطة النهاية وتقديم رؤى العملاء إلى وكلاء خدمة العملاء في الوقت الفعلي.
استنتاجات
في هذا المنشور ، أوضحنا حلاً شاملاً لإنشاء نموذج تنبؤ بتخبط العميل استنادًا إلى ملفات تعريف العملاء ونسخ مكالمات وكيل العملاء. تضمن الحل تدريب نموذج PyTorch باستخدام برنامج نصي مخصص وإنشاء نقطة نهاية لاستضافة النموذج في الوقت الفعلي. أوضحنا أيضًا كيف يمكنك إنشاء بوابة واجهة برمجة تطبيقات عامة يمكن استخدامها بأمان في تطبيقات الهاتف المحمول أو موقع الويب الخاص بك. بالإضافة إلى ذلك ، أوضحنا كيف يمكنك استخدام Amazon Transcribe للنسخ الجماعي أو في الوقت الفعلي لمحادثات وكيل العميل ، والتي يمكنك استخدامها لتدريب نموذجك أو الاستدلال في الوقت الفعلي.
لمزيد من أمثلة SageMaker ، قم بزيارة أمثلة على Amazon SageMaker جيثب ريبو. لمزيد من أمثلة البرامج النصية PyTorch BYO ، قم بزيارة ما يلي مستودع جيثب. لمزيد من أمثلة SageMaker Python لـ MXNet و TensorFlow و PyTorch ، قم بزيارة حاويات إطار عمل Amazon SageMaker سابقة الإنشاء و Python SDK جيثب ريبو. تتوفر معلومات إضافية حول SageMaker في ملف الوثائق الفنية.
عن المؤلف
نيك ميناي هو مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي مع AWS ، يساعد العملاء في رحلتهم إلى حلول التعلم الآلي المصممة جيدًا على نطاق واسع. في أوقات فراغه ، يستمتع نيك بوقت العائلة ، والرسم التجريدي ، واستكشاف الطبيعة.
احسان م. كرماني هو مهندس تعلم الآلة في مجموعة AWS ML Automation Services. إنه يساعد العملاء من خلال رحلة MLOps الخاصة بهم من خلال توفير خبرته في أفضل ممارسات هندسة البرمجيات لحل مهام التعلم الآلي الشاملة للعملاء من البنية التحتية إلى النشر.
الدكتور لي تشانغ هو مدير المنتج الرئيسي - التقني لخوارزميات Amazon SageMaker JumpStart و Amazon SageMaker المضمنة ، وهي خدمة تساعد علماء البيانات وممارسي التعلم الآلي على البدء في التدريب ونشر نماذجهم ، وتستخدم التعلم المعزز مع Amazon SageMaker. فاز عمله السابق كعضو فريق بحث رئيسي ومخترع رئيسي في IBM Research بجائزة اختبار ورقة الوقت في IEEE INFOCOM.
- "
- 000
- 100
- 11
- 7
- 9
- حسابي
- استحواذ
- إضافي
- عملاء
- خوارزمية
- خوارزميات
- الكل
- أمازون
- بوابة أمازون API
- الأمازون SageMaker
- الأمازون النسخ
- تحليل
- API
- واجهات برمجة التطبيقات
- التطبيقات
- هندسة معمارية
- الحجج
- سمعي
- التحقّق من المُستخدم
- أتمتة
- AWS
- أفضل
- أفضل الممارسات
- المدونة
- الجسدي
- صندوق
- نساعدك في بناء
- الأعمال
- الأعمال
- دعوة
- يهمني
- تغيير
- تهمة
- اسعارنا محددة من قبل وزارة العمل
- تصنيف
- الكود
- عمود
- حول الشركة
- عنصر
- وعاء
- حاويات
- محتوى
- محادثة
- المحادثات
- التكاليف
- خلق
- رضا العملاء
- خدمة العملاء
- العملاء
- البيانات
- تحليل البيانات
- يوم
- تعامل
- التعلم العميق
- تطوير
- المطورين
- عامل في حوض السفن
- حاوية عامل الميناء
- نقطة النهاية
- مهندس
- الهندسة
- الوجه
- مواجهة
- للعائلات
- الميزات
- المميزات
- الشكل
- تركز
- اتباع
- النموذج المرفق
- شكل
- الإطار
- وظيفة
- مستقبل
- GitHub جيثب:
- عظيم
- شبكة
- تجمع
- التسويق
- هنا
- استضافة
- كيفية
- كيفية
- HTTPS
- IBM
- تحديد
- IEEE
- صورة
- التأثير
- بما فيه
- العالمية
- معلومات
- البنية التحتية
- رؤى
- عالميا
- IT
- وظيفة
- المشــاريــع
- القفل
- لغة
- آخر
- إطلاق
- تعلم
- حقوق الملكية الفكرية
- محدود
- قائمة
- تحميل
- موقع
- آلة التعلم
- القيام ب
- التسويق
- المقاييس
- ML
- MLOps
- الجوال
- تطبيقات الجوال
- نموذج
- تصميم
- المقبلة.
- خطوة
- اللغة الطبيعية
- معالجة اللغات الطبيعية
- البرمجة اللغوية العصبية
- عرض
- الوهب
- OpenAI
- مراجعة
- طلب
- أخرى
- اللوحة
- ورق
- أداء
- منظور
- مكالمة هاتفية
- تنبؤ
- تنبؤات
- يقدم
- رئيسي
- المنتج
- ملفي الشخصي
- ملامح
- جمهور
- نشر
- بايثون
- pytorch
- كمي
- في الوقت الحقيقي
- تسجيل
- تعزيز التعلم
- بحث
- الموارد
- استجابة
- REST
- النتائج
- إيرادات
- يجري
- ريفي
- sagemaker
- حجم
- العلماء
- الإستراحة
- بحث
- أمن
- عاطفة
- خدماتنا
- طقم
- الاشارات
- So
- تطبيقات الكمبيوتر
- هندسة البرمجيات
- الحلول
- حل
- انقسم
- بدأت
- الولايه او المحافظه
- إقامة
- تخزين
- متجر
- فروعنا
- الإستراتيجيات
- متدفق
- اشتراك
- تحقيق النجاح
- مدعومة
- استدامة
- مفاتيح
- البيانات الاصطناعية
- الهدف
- تقني
- tensorflow
- تجربه بالعربي
- الاختبار
- الوقت
- حركة المرور
- قادة الإيمان
- القطارات
- النص الكامل
- تحول
- جديد الموضة
- تحديث
- في المناطق الحضرية
- us
- سهل حياتك
- صوت
- الموقع الإلكتروني
- في غضون
- للعمل
- جاري الكتابة
- X