Aws ha annunciato la disponibilità generale di Amazon SageMaker Canvas, una nuova funzionalità visuale e no code che consente ai business analyst di costruire modelli di machine learning e generare previsioni accurate senza scrivere codice o richiedere competenze di intelligenza artificiale.
Il nuovo strumento mira a rispondere alle esigenze delle aziende, che devono costantemente affrontare problemi di business e hanno a che fare con i dati su base giornaliera.
Per le aziende, la capacità di costruire sistemi che possono prevedere i risultati di business diventa molto importante.
Questa capacità permette infatti di risolvere i problemi e di muoversi più velocemente, automatizzando i processi lenti e incorporando l’intelligenza nei propri sistemi IT.
Ma – evidenzia Aws – come fare per assicurarsi che tutti i team e i singoli decisori nell’organizzazione siano autorizzati a creare questi sistemi di machine learning su scala, e senza dipendere da altri team di data science e data engineering?
Un utente aziendale o un data analyst vorrebbe poter costruire e utilizzare sistemi di predizione basati sui dati che analizza ed elabora ogni giorno, senza dover imparare centinaia di algoritmi, parametri di training, metriche di valutazione e best practice di implementazione.
Il machine learning di Amazon per i business analyst
Ed è qui che entra in gioco Amazon SageMaker Canvas.
La sua interfaccia utente intuitiva – promette Aws – consente di sfogliare e accedere a diverse fonti di dati nel cloud o on-premise.
Permette inoltre di combinare serie di dati con un clic, addestrare modelli accurati e quindi generare nuove previsioni una volta che sono disponibili nuovi dati.
SageMaker Canvas sfrutta la stessa tecnologia di Amazon SageMaker, il servizio Aws di machine learning per gli sviluppatori e i data scientist.
Questa tecnologia viene usata per pulire e combinare automaticamente i dati, creare centinaia di modelli, selezionare quello più performante e generare nuove previsioni individuali o in batch.
SageMaker Canvas supporta diversi tipi di problemi, come la classificazione binaria, la classificazione multiclasse, la regressione numerica e la previsione delle serie temporali.
Questi tipi di problemi permettono ai data analyst di affrontare casi d’uso critici per il business, come il rilevamento delle frodi, la riduzione del tasso di abbandono e l’ottimizzazione dell’inventario e della supply chain, senza scrivere una sola riga di codice.
