กระบวนการสร้างฟีเจอร์ใหม่คืออะไร

สร้างบัญชี AWS

สำรวจข้อเสนอ AI ฟรี

สร้าง ปรับใช้ และเรียกใช้แอปพลิเคชันปัญญาประดิษฐ์ในระบบคลาวด์ฟรี

ตรวจสอบบริการปัญญาประดิษฐ์

สร้างสรรค์นวัตกรรมได้เร็วยิ่งขึ้นด้วยชุดบริการ AI ที่ครอบคลุมที่สุด

เรียกดูการฝึกอบรม AI

สร้างทักษะ AI ตามความต้องการด้วยหลักสูตร บทช่วยสอน และทรัพยากร

อ่านบล็อก AI และแมชชีนเลิร์นนิง

อ่านเกี่ยวกับข่าวสารล่าสุดเกี่ยวกับผลิตภัณฑ์ AWS AI และ ML และแนวปฏิบัติที่ดีที่สุด

กระบวนการสร้างฟีเจอร์ใหม่คืออะไร

ฟีเจอร์ของโมเดลคืออินพุตที่โมเดลแมชชีนเลิร์นนิง (ML) ใช้ระหว่างการฝึกและการอนุมานเพื่อคาดการณ์ ความแม่นยำของโมเดล ML ขึ้นอยู่กับชุดและองค์ประกอบของฟีเจอร์ที่แม่นยำ ตัวอย่างเช่น ในแอปพลิเคชัน ML ที่แนะนำรายการเพลง ฟีเจอร์อาจรวมถึงการจัดอันดับเพลง เพลงที่เคยฟังก่อนหน้านี้ และเวลาในการฟังเพลง การสร้างฟีเจอร์ต้องใช้ความพยายามทางวิศวกรรมอย่างมาก กระบวนการสร้างฟีเจอร์ใหม่เกี่ยวข้องกับการแยกและการแปลงตัวแปรจากข้อมูลดิบ เช่น รายการราคา คำอธิบายสินค้า และปริมาณยอดขาย เพื่อให้คุณสามารถใช้ฟีเจอร์สำหรับการฝึกและการคาดการณ์ได้ ขั้นตอนที่จำเป็นในการสร้างฟีเจอร์ใหม่ ได้แก่ การแยกข้อมูลและการล้างข้อมูล ตามด้วยการสร้างและการจัดเก็บฟีเจอร์

กระบวนการสร้างฟีเจอร์ใหม่มีความท้าทายอะไรบ้าง

กระบวนการสร้างฟีเจอร์ใหม่มีความท้าทายเพราะต้องอาศัยการรวมกันระหว่างการวิเคราะห์ข้อมูล ความรู้ในสาขาธุรกิจ และสัญชาตญาณบางอย่าง เมื่อสร้างฟีเจอร์ การไปที่ข้อมูลที่มีโดยทันทีอาจจะเป็นเรื่องน่าดึงดูดใจ แต่บ่อยครั้งคุณควรเริ่มด้วยการพิจารณาว่าข้อมูลใดที่จำเป็นต้องมีบ้าง โดยพูดคุยกับผู้เชี่ยวชาญ ระดมสมอง และทำการวิจัยภายนอก หากไม่ผ่านขั้นตอนนี้ คุณอาจพลาดตัวแปรที่เป็นตัวคาดการณ์ที่สำคัญ

การแยกข้อมูล

การเก็บรวบรวมข้อมูลคือกระบวนการประกอบรวมข้อมูลทั้งหมดที่คุณต้องใช้สำหรับ ML การเก็บรวบรวมข้อมูลอาจเป็นขั้นตอนที่น่าเบื่อ เพราะข้อมูลอยู่ในแหล่งที่มาของข้อมูลมากมาย ซึ่งรวมถึงบนแล็ปท็อป ในคลังข้อมูล ในระบบคลาวด์ ข้างในแอปพลิเคชัน และบนอุปกรณ์ การค้นหาวิธีเพื่อเชื่อมต่อเข้ากับแหล่งที่มาของข้อมูลต่าง ๆ จึงอาจเป็นเรื่องท้าทาย นอกจากนี้ปริมาณของข้อมูลยังเพิ่มขึ้นอย่างทวีคูณ จึงมีข้อมูลมากมายให้ต้องค้นหา อีกทั้งข้อมูลยังมีรูปแบบและประเภทที่แตกต่างกันมากมาย ขึ้นอยู่กับแหล่งที่มาของข้อมูล ตัวอย่างเช่น ข้อมูลวิดีโอและข้อมูลที่เป็นตารางจะนำมาใช้ด้วยกันไม่ได้ง่าย ๆ

การสร้างฟีเจอร์

การระบุประเภทข้อมูลเป็นกระบวนการระบุข้อมูลดิบ (ภาพ ไฟล์ข้อความ คลิปวิดีโอ ฯลฯ) และเป็นการระบุประเภทที่สื่อความหมายและให้ข้อมูลสำคัญหนึ่งประเภทขึ้นไปเพื่อให้บริบท เพื่อให้โมเดล ML สามารถเรียนรู้จากข้อมูลดังกล่าวได้ เช่น การระบุประเภทอาจระบุว่ารูปถ่ายรูปหนึ่งเป็นรูปของนกหรือรถยนต์ คำไหนที่เปล่งออกมาในการบันทึกเสียง หรือพบความผิดปกติในภาพเอ็กเรย์หรือไม่ การระบุประเภทข้อมูลเป็นขั้นตอนที่จำเป็นสำหรับการใช้งานที่หลากหลาย เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลภาษาธรรมชาติ และการรู้จำคำพูด

การจัดเก็บฟีเจอร์

หลังจากที่ทำความสะอาดและระบุประเภทข้อมูลแล้ว ทีม ML มักสำรวจข้อมูลเพื่อให้แน่ใจว่าข้อมูลถูกต้องและพร้อมสำหรับ ML การสร้างเป็นภาพ เช่น ฮิสโตแกรม แผนภาพการกระจาย กราฟรูปกล่อง แผนภูมิเส้น และกราฟแท่ง ต่างเป็นเครื่องมือที่เป็นประโยชน์ในการยืนยันว่าข้อมูลถูกต้อง นอกจากนี้ การสร้างเป็นภาพยังช่วยให้ทีมวิทยาศาสตร์ข้อมูลทำการวิเคราะห์ข้อมูลเชิงสำรวจได้อีกด้วย กระบวนการนี้ใช้การสร้างเป็นภาพเพื่อค้นพบรูปแบบ มองหาความผิดปกติ ทดสอบสมมติฐาน หรือตรวจสอบข้อตกลงเบื้องต้นทางสถิติ การวิเคราะห์ข้อมูลเชิงสำรวจไม่จำเป็นต้องมีการสร้างโมเดลอย่างเป็นทางการ แต่ทีมวิทยาศาสตร์ข้อมูลสามารถใช้การสร้างเป็นภาพเพื่อถอดรหัสข้อมูลแทนได้

AWS สามารถช่วยในกระบวนการสร้างฟีเจอร์ใหม่ได้อย่างไร

ด้วย Amazon SageMaker Data Wrangler คุณจะสามารถทำให้กระบวนการสร้างฟีเจอร์ใหม่ง่ายลงด้วยการใช้อินเทอร์เฟซแบบภาพเพียงอินเทอร์เฟซเดียว เมื่อใช้เครื่องมือคัดเลือกข้อมูล SageMaker Data Wrangler คุณจะสามารถเลือกข้อมูลดิบที่คุณต้องการจากแหล่งที่มาของข้อมูลต่าง ๆ แล้วนำเข้าข้อมูลได้ด้วยคลิกเดียว SageMaker Data Wrangler ประกอบด้วยการแปลงข้อมูลในตัวมากกว่า 300 แบบ คุณจึงสามารถทำข้อมูลให้อยู่ในรูปแบบบรรทัดฐาน เปลี่ยนสภาพข้อมูล และรวมฟีเจอร์ต่าง ๆ เข้าด้วยกันได้โดยไม่ต้องเขียนโค้ดใด ๆ หลังจากที่เตรียมข้อมูลแล้ว คุณสามารถสร้างเวิร์กโฟลว์ ML ที่เป็นอัตโนมัติโดยสมบูรณ์ด้วย Amazon SageMaker Pipelines แล้วบันทึกสำหรับนำกลับมาใช้ใน Amazon SageMaker Feature Store SageMaker Feature Store คือคลังที่สร้างตามวัตถุประสงค์ที่คุณสามารถจัดเก็บและเข้าถึงฟีเจอร์ ดังนั้นการตั้งชื่อ จัดระเบียบ และนำกลับมาใช้ในทีมต่าง ๆ จึงทำได้ง่ายขึ้น SageMaker Feature Store ให้ร้านค้าหนึ่งเดียวสำหรับฟีเจอร์ในระหว่างการฝึกและการอนุมานในเวลาจริง โดยไม่ต้องเขียนโค้ดเพิ่มเติมหรือสร้างกระบวนการด้วยมือเพื่อให้ฟีเจอร์สอดคล้องกัน