Vea este seminario web y comprenda cómo los minoristas pueden usar la inteligencia artificial para mejorar la participación del cliente con experiencias personalizadas y tomar mejores decisiones para el futuro con el pronóstico de la demanda. Todo eso mismo sin experiencia en aprendizaje automático.
Temas principales:
- Planifique su inventario y finanzas de manera más precisa y rápida utilizando Amazon Forecast para predecir la demanda;
- Descubra cómo se pueden utilizar los servicios de AWS para crear experiencias de cliente atractivas para casos de uso minoristas.
Favor al final presenter evaluacion
Preguntas favor usar el chat
As contas ficarão abertas até as 18:00 do dia de hoje. O time AWS estará aqui até as 13:00 mas você pode continuar com os workshops no formato self-service até esse horário.
El aprendizaje automático pasó de ser una tecnología aspiracional a la corriente principal extremadamente rápida. Durante mucho tiempo, la tecnología se limitó a unas cuantas grandes empresas tecnológicas e investigadores académicos hardcore. Pero, las cosas comenzaron a cambiar cuando la computación en la nube entró en la corriente principal. El poder de cómputos y los datos se hicieron más disponibles, y literalmente, el aprendizaje automático está haciendo ahora un impacto en todas las industrias (finanzas, retail, moda, bienes raíces, sanidad, etc.). Se está moviendo de lo periférico a ahora una parte central de cada negocio e industria. Y de acuerdo con el Deloitte Insights Estado de AI en la Empresa, en 2018 63% de las empresas están invirtiendo para ponerse al día con sus rivales o reducir el liderato. IDC predijo que para 2021, el gasto mundial en IA y tecnologías cognitivas superará los 50 mil millones de dólares.
¿Esto significa que deberíamos usar Machine Learning para todos los problemas? De hecho, el aprendizaje automático puede no ser el enfoque correcto para todo. Estas son algunas situaciones en las que creemos que se debe considerar el aprendizaje automático. La primera situación es cuando no se puede crear y codificar las reglas para tomar una decisión. Por ejemplo, si quieres reconocer la imagen y el habla, no hay formas fáciles de codificar la lógica para lograrlo. El segundo es cuando se necesita conocimiento humano para la toma de decisiones, pero el volumen es demasiado grande para que un humano lo haga de manera eficiente. En el ejemplo de la detección de spam, mientras que un humano puede hacerlo, pero la cantidad de volumen de datos hace que sea poco práctico hacerlo manualmente de forma rápida. La tercera situación es cuando se necesita adaptarse y personalizar en base a datos individuales. Ejemplos son recomendaciones individualizadas de productos o personalización de sitios web. La cuarta situación es cuando no se puede rastrear la información lo suficientemente rápido como para tomar una decisión basada en reglas.
Nuestra misión es tomar nuestra rica experiencia y experiencia con el aprendizaje automático en todo Amazon y ponerlo en manos de todas las organizaciones: cada desarrollador, científico de datos, resacher. Dicho de otra manera, queremos simplificar el aprendizaje automático. Queremos que sea fácil para todos los desarrolladores construir fácilmente aplicaciones inteligentes
Y este enfoque resuena con nuestros clientes Más ML sucede en AWS que en cualquier otro lugar. Desde la mayor empresa hasta las startups más calientes, AWS tiene más del doble de referencias públicas basadas en el aprendizaje automático que cualquier otro proveedor. Las empresas están trabajando con nosotros para construir soluciones que sean el núcleo de su negocio. NASCAR utiliza Amazon SagMaker, Amazon Rekognition y Amazon Transcribe para mejorar los metadatos y los subcapítulos de su nueva serie de videos, ahorrando miles de horas de tiempo de búsqueda manual y mejorando la superficie de clips de video a sus 80 millones de fans. Intuit utiliza Amazon SagMaker para ExpenseFinder, que automáticamente saca un año de transacciones bancarias y encuentra gastos empresariales deducibles a través de su algoritmo de aprendizaje automático, identificando en promedio $4,300 en gastos empresariales que puede ahorrar a cada cliente. Y por último es la invención, que permite a nuestros clientes pasar de mejoras evolutivas a innovaciones revolucionarias. Esto sucede cuando aprovechan su vasto conocimiento de la industria aunado a la AI/ML para pensar en formas de traer nuevos productos, nuevas categorías e incluso nuevos negocios al mercado. Convoy, una empresa de logística con sede en Seattle, está construyendo toda su empresa y propuesta de valor a partir del uso del aprendizaje automático. La compañía está interrumpiendo el modelo ineficiente de camionaje al usar el aprendizaje automático para automatizarlo. Convoy utiliza el aprendizaje automático para proporcionar mejores coincidencias para los transportistas y camioneros, lo que les permite mover el flete de manera más eficiente-y reducir los costos para ambas partes- utilizando el sistema de emparejamiento de Convoy. Cerner está aprovechando la profunda cartera de servicios de aprendizaje automático e inteligencia artificial de AWS para obtener información que ayudará a los clientes de sus proveedores de atención médica a agilizar las operaciones y proporcionar una atención más personalizada al paciente. Ya han desarrollado un modelo que predice la Insuficiencia Cardíaca Congestiva hasta 15 meses antes de la manifestación clínica. Emparejar esta herramienta predictiva con la integración en tiempo real en los registros de salud individuales puede apoyar la toma de decisiones del proveedor en tiempo real.
Notas del orador 1/ Como usted sabe, AWS ofrece a los creadores las herramientas adecuadas para el trabajo correcto y les ofrece la opción de herramientas2. Cuando se trata de IA y aprendizaje automático, AWS ofrece un conjunto amplio y profundo de servicios y una infraestructura de nube compatible para que podamos poner el aprendizaje automático en manos de cada 3/ SageMaker es el centro de nuestra pila de 3 niveles y está pensada para cualquier persona que desee crear, entrenar e implementar sus propios modelos personalizados de aprendizaje automático. Guía para los altavoces Esta diapositiva debe presentarse rápidamente. En el momento en que esté entregando esta presentación a su público, debe saber que quieren profundizar específicamente en SageMaker.
Otro dominio importante en el lenguaje es el análisis de texto. Se estima que el 80% -90% de toda la información comercial utilizable potencial se origina en texto no estructurado. Por lo que es fácil entender la importancia de contar con una capacidad automatizada de análisis de texto para destapar insights en el texto. No obstante resolver el análisis de texto usando machine learning es un problema difícil ya que necesitas enormes cantidades de datos de alta calidad, algoritmos de aprendizaje automático inteligente, y debes iterar de nuevo para obtener un buen modelo de trabajo a escala. Por lo que construimos Amazon Comprehend para ayudar a nuestros clientes a desbloquear información de alto valor a partir de texto no estructurado a escala. — Límites El tamaño máximo del documento es de 5,000 bytes de caracteres UTF-8 por solicitud. Solicitud de lote — 25 documentos por lote Modelado de temas — número máximo de temas es de 100
Amazon Comprehend analiza el texto y te dice lo que termina. Puede detectar más de 100 diferentes tipos de lenguajes. Puede encontrar entidades como personas, lugares, fechas, productos, y frases clave como “hermosas vistas” en una reseña de hotel, y sentimientos, todo desde texto en inglés y español. Por último, Amazon entender puede extraer temas de un gran conjunto de documentos. Detección de lenguaje, análisis de sentimientos, extractos de entidades y frases clave están diseñados para uso interactivo, con respuestas disponibles en cientos de milisegundos. La extracción de temas trabaja a través de un modelo basado en el empleo, con respuestas proporcionales al tamaño de la colección. Comprehend es un servicio de procesamiento de lenguaje natural con formación continua. Se capacita utilizando grandes conjuntos de datos de capacitación como la descripción del producto y las reseñas de Amazon.com. Nuestros ingenieros y científicos de datos continúan ampliando y perfeccionando los datos de capacitación, con el objetivo de hacer que el servicio sea cada vez más preciso y más ampliamente aplicable. — Echemos un vistazo a las características clave de Amazon Comprehend. Amazon Comprehend puede extraer sentimientos positivos, negativos, neutros y mixtos Puede extraer entidades como personas, organizaciones, números, fechas Puedes extraer frases clave que proporcionan un significado importante en el texto como “hermosas vistas” en una reseña hotelera Apoyamos el inglés y el español para Entidades, Sentimiento y Frases clave Contamos con detección de idiomas con capacidad para detectar más de 100 idiomas La API de modelado de temas te ayuda a detectar temas en un corpus de texto. Este es un algoritmo no supervisado y funcionará en texto en cualquier dominio Y usamos Deep Learning para alimentar nuestras API y esto da como resultado una mayor precisión y mejora continua a lo largo del tiempo con el uso.
Por eso construimos Amazon Translate para ayudar a nuestro cliente con las necesidades de traducción de idiomas para sus negocios. Con Amazon Translate, puedes traducir automáticamente texto de un idioma a otro con una sola llamada API
Amazon Translate está impulsado por tecnología de deep learning que puede proporcionar traducción en tiempo real. Admite 12 pares de idiomas y puede detectar automáticamente el idioma de origen. Utiliza una arquitectura de red neuronal profunda llamada codificador y decodificador para entrenar a los pares de idiomas, una vez que está entrenado en el par de idiomas, puede traducir entre los 2 idiomas. El codificador lee la frase fuente una palabra a la vez y construye una representación semántica del texto fuente, el decodificador utiliza la representación semántica para generar una palabra a la vez en el lenguaje objetivo. Sólo tienes que llamar a TranslateText API para traducir tu texto fuente al idioma de destino. — Ejemplo de aplicaciones de Shine: traducción en tiempo real de texto streaming, traducción a petición de texto autorizado por el usuario, traducción por lotes de documentos Árabe (ar) Chino (Simplificado) (zh) Francés (fr) Alemán (de) Inglés (en) Español ( s)
Construir modelos precisos de aprendizaje automático para detectar actividades fraudulentas en línea requiere experiencia en aprendizaje automático y conocimiento de dominio de fraude. Los equipos de fraude a menudo carecen de expertos internos en ML y se les deja prestado tiempo de desarrollo/científico de datos de otros equipos. Los equipos de fraude se ven obligados a confiar en sistemas basados en normas y costosas revisiones manuales de fraude por investigadores o analistas humanos. Basado en la experiencia de 20 años de detección de fraude en Amazon.com y AWS Fraud Detector ofrece a los clientes modelos ML de detección de fraude hechos a medida para eventos en línea, como pedidos de comercio electrónico y registros de cuentas. Los clientes simplemente cargan sus datos para capacitar a un modelo ML de detección de fraude y configurar la lógica de decisión (por ejemplo, reglas) Detector de fraudes impulsa el rendimiento del modelo al aprender tanto de los datos históricos de fraude del cliente como de intentos pasados de defraudar a Amazon.
Personalizar hace una copia de los datos en un cubo en Personalizar cuenta... los datos se cifran, ya sea con clave de cliente propia o KMS etc. (elección del cliente) El cliente mantiene el control sobre los datos, es privado, el equipo de AWS no puede leer los datos
Por último, presentamos Contact Lens para Amazon Connect, un complemento gestionado por completo que permite a los clientes de Amazon Connect, nuestro servicio de centro de contacto en la nube Utilice la potencia de ML sin requerir ninguna habilidad técnica para hacer cosas como identificar tipos de llamadas comunes, identificar temas recurrentes en función de la llamada del cliente retroalimentación, alerta a los supervisores cuando los clientes están teniendo una mala experiencia y ayuda a los agentes con una base de conocimientos para responder preguntas a medida que se les están haciendo.
Otra área que estamos facilitando con ML es el flujo de trabajo de DevOps. El flujo de trabajo de DevOps de hoy todavía requiere mucha interacción humana desde recursos costosos y difíciles de encontrar con largos ciclos de implementación requeridos. El análisis manual de grandes cantidades de datos consume mucho tiempo. Y el impacto es grave cuando la falta de revisiones tempranas de código conduce a cortes o problemas con los clientes. Amazon CodeGuru comienza a abordar esto recomendando de forma proactiva cómo remediar problemas en todo el código fuente en las aplicaciones en ejecución. Es el primer servicio totalmente administrado que ayuda a mejorar proactivamente la calidad del código y optimizar el rendimiento. CodeGuru aprovecha los modelos de aprendizaje automático y las mejores prácticas informadas por años de experiencia y datos de Amazon.com y AWS para encontrar una amplia gama de problemas en el código fuente, como el uso de entradas no sanitizadas, el manejo inapropiado de datos confidenciales, problemas de seguridad de subproceso y la desviación de las mejores prácticas de AWS. CodeGuru incluye: Revisiones automatizadas de código con recomendaciones inteligentes que incluso el personal junior puede seguir las revisiones de código se integran a la perfección con el flujo de trabajo de solicitud de pull o se realizan en cualquier momento a la carta Detección y optimización de la línea de código más cara Identificación inmediata de ineficiencias corriendo en una producción