مقدمه‌ : 

در دنیای امروز که داده‌ها به عنوان نفت جدید شناخته می‌شوند، توانایی استخراج بینش‌های ارزشمند از آن‌ها به یک مزیت رقابتی حیاتی برای هر کسب‌وکاری تبدیل شده است. هوش مصنوعی (AI) و زیرشاخه‌ی قدرتمند آن، یادگیری ماشین (Machine Learning)، پیشگامان این تحول بوده‌اند.

با این حال، ساخت، آموزش و بهینه‌سازی مدل‌های یادگیری ماشین به طور سنتی فرآیندی پیچیده، زمان‌بر و نیازمند تخصص عمیق در علم داده بوده است. این چالش، بسیاری از استارتاپ‌ها و کسب‌وکارهای کوچک و متوسط را از بهره‌برداری کامل از پتانسیل هوش مصنوعی باز می‌داشت. اما اکنون، با ظهور ابزارهای یادگیری ماشین خودکار یا AutoML، این معادله در حال تغییر است.

پلتفرم‌های AutoML با خودکارسازی مراحل تکراری و پیچیده، به شرکت‌ها اجازه می‌دهند تا بدون نیاز به تیم‌های بزرگ دانشمند داده، مدل‌های سفارشی و دقیقی را توسعه دهند. اینجاست که Amazon SageMaker Autopilot وارد میدان می‌شود و به عنوان یکی از قدرتمندترین ابزارهای این حوزه، ساخت مدل‌های ML را برای همه، از توسعه‌دهندگان گرفته تا مدیران بازاریابی، دسترس‌پذیر می‌کند. 
با بررسی این راهنمای آموزش گام به گام و استفاده از Amazon SageMaker Autopilot میتوانید محتوای خود را ارتقا دهید.

معرفی Amazon SageMaker Autopilot: خلبان خودکار شما در دنیای داده‌ها

آمازون سیج‌میکر اتوپایلوت (Amazon SageMaker Autopilot) که در سال ۲۰۱۹ توسط خدمات وب آمازون (AWS) معرفی شد، یک قابلیت کلیدی در پلتفرم جامع Amazon SageMaker است. هدف اصلی آن، خودکارسازی کامل فرآیند ساخت مدل‌های یادگیری ماشین است.

تصور کنید شما فقط مجموعه داده‌های خود (مثلاً اطلاعات مشتریان و تاریخچه خریدشان) و ستونی که می‌خواهید پیش‌بینی کنید (مثلاً آیا مشتری خرید مجدد خواهد کرد؟) را به Autopilot می‌دهید. سپس این ابزار به طور خودکار داده‌ها را تحلیل می‌کند، بهترین الگوریتم‌ها را انتخاب می‌کند، صدها مدل مختلف را آموزش می‌دهد، آن‌ها را بهینه‌سازی می‌کند و در نهایت، بهترین مدل را بر اساس عملکرد به شما تحویل می‌دهد.

تمام این فرآیند با این راهنمای آموزش گام به گام و استفاده از Whisper با شفافیت کامل انجام می‌شود و شما می‌توانید کدهای پایتون تولید شده برای هر مرحله را مشاهده و بررسی کنید. این ابزار پتانسیل آن را دارد که فرآیندهای کسب‌وکار از پیش‌بینی ریزش مشتری گرفته تا تشخیص تقلب و بهینه‌سازی کمپین‌های بازاریابی را متحول کند. برای شروع کار با این ابزار می‌توانید به صفحه رسمی Amazon SageMaker Autopilot مراجعه کنید.

راهنمای آموزش گام به گام و استفاده از Amazon SageMaker Autopilot : شروع به کار با Autopilot

شروع کار با SageMaker Autopilot بسیار ساده‌تر از چیزی است که به نظر می‌رسد. برخلاف فرآیندهای سنتی ML، شما نیازی به کدنویسی‌های پیچیده برای شروع ندارید. در این بخش، ما شما را قدم به قدم در ایجاد اولین آزمایش AutoML خود راهنمایی می‌کنیم.

۱. پیش‌نیازها: حساب کاربری AWS و آماده‌سازی داده‌ها

قبل از هر چیز، شما به یک حساب کاربری فعال در AWS نیاز دارید. اگر هنوز حساب ندارید، می‌توانید به راحتی در وب‌سایت AWS ثبت‌نام کنید. مرحله بعدی، آماده‌سازی داده‌های شماست.

داده‌های شما باید در فرمت جدولی (Tabular Data) مانند یک فایل CSV باشند. مطمئن شوید که داده‌های شما تمیز و ساختاریافته هستند. ستونی که قصد پیش‌بینی آن را دارید (که به آن «متغیر هدف» یا Target Attribute می‌گویند) باید به وضوح در مجموعه داده شما وجود داشته باشد. برای مثال، در یک مجموعه داده پیش‌بینی ریزش مشتری، ستون هدف می‌تواند “Churn” با مقادیر Yes یا No باشد.

۲. آپلود داده‌ها در Amazon S3

SageMaker Autopilot برای دسترسی به داده‌ها از سرویس ذخیره‌سازی ابری آمازون، یعنی Amazon S3 (Simple Storage Service) استفاده می‌کند. شما باید فایل CSV خود را در یک «باکت» (Bucket) در S3 آپلود کنید. برای این کار:

• وارد کنسول مدیریت AWS شوید.
• به سرویس S3 بروید.
• یک باکت جدید بسازید (اگر از قبل ندارید) و یک نام منحصر به فرد جهانی برای آن انتخاب کنید.
• پس از ساخت باکت، وارد آن شده و فایل CSV خود را آپلود کنید.

۳. ایجاد یک آزمایش جدید در SageMaker Autopilot

حالا زمان آن رسیده که جادوی Autopilot را فعال کنیم.

1. در کنسول AWS، به سرویس “Amazon SageMaker” بروید.
2. از منوی سمت چپ، زیر بخش “Autopilot”، روی “Experiments” کلیک کنید.
3. بر روی دکمه “Create Autopilot experiment” کلیک کنید.

این کار شما را به صفحه پیکربندی آزمایش جدید هدایت می‌کند.

۴. پیکربندی آزمایش (Experiment Configuration)

در این صفحه، شما جزئیات آزمایش خود را مشخص می‌کنید:

• Experiment name: یک نام برای آزمایش خود وارد کنید (مثلاً `ChurnPrediction-v1`).
• Input data: روی “Browse S3” کلیک کرده و فایل CSV که در مرحله قبل آپلود کردید را انتخاب کنید.
• Target attribute: نام دقیق ستونی که می‌خواهید پیش‌بینی کنید را از فایل خود وارد کنید (مثلاً `Churn`).
• Output data location: یک پوشه در باکت S3 خود برای ذخیره نتایج و مدل‌های تولید شده انتخاب کنید.
• Machine learning problem type: در اینجا می‌توانید نوع مسئله (مانند طبقه‌بندی باینری، رگرسیون) را مشخص کنید یا اجازه دهید Autopilot به طور خودکار آن را تشخیص دهد. توصیه می‌شود برای شروع، این گزینه را روی “Auto” قرار دهید.
• در نهایت، روی “Create experiment” کلیک کنید.

۵. تحلیل نتایج و انتخاب بهترین مدل

پس از ایجاد آزمایش، SageMaker Autopilot فرآیند خود را آغاز می‌کند. این فرآیند ممکن است بسته به حجم داده‌های شما از ۳۰ دقیقه تا چندین ساعت طول بکشد. شما می‌توانید پیشرفت کار را به صورت زنده مشاهده کنید. Autopilot چندین مرحله را طی می‌کند: تحلیل داده‌ها، مهندسی ویژگی‌ها، و تنظیم و آموزش مدل.

پس از اتمام، لیستی از تمام مدل‌های کاندید به همراه معیارهای عملکردشان (مانند دقت یا F1 score) به شما نمایش داده می‌شود. بهترین مدل به طور خودکار در بالای لیست قرار می‌گیرد. شما می‌توانید با کلیک بر روی هر مدل، جزئیات کامل آن، از جمله یک نوت‌بوک پایتون که تمام مراحل ساخت آن را توضیح می‌دهد، مشاهده کنید. این شفافیت یکی از بزرگترین مزایای Autopilot است.

راهنمای نوشتن پرامپت برای SageMaker Autopilot: هنر انتخاب داده

در زمینه ابزارهای AutoML مانند SageMaker Autopilot، مفهوم «نوشتن پرامپت» کمی متفاوت از مدل‌های زبانی بزرگ (LLM) است. در اینجا، پرامپت شما در واقع همان «داده‌های ورودی» و «تعریف مسئله» است. کیفیت مدل خروجی شما مستقیماً به کیفیت این “پرامپت” بستگی دارد.

• انتخاب داده‌های مرتبط (Feature Selection):

مهم‌ترین بخش کار، انتخاب ستون‌های (ویژگی‌های) مناسب برای ورودی است. از خود بپرسید کدام اطلاعات واقعاً بر روی نتیجه‌ای که می‌خواهید پیش‌بینی کنید تأثیرگذار هستند؟ برای مثال، در پیش‌بینی خرید مشتری، اطلاعاتی مانند «تاریخچه بازدید از سایت»، بسیار مرتبط‌تر از «شماره سریال محصول» هستند. حذف ستون‌های نامرتبط، به Autopilot کمک می‌کند تا الگوهای صحیح را سریع‌تر و دقیق‌تر پیدا کند.

• مهندسی ویژگی (Feature Engineering) اولیه:

اگرچه Autopilot خود مهندسی ویژگی انجام می‌دهد، اما انجام برخی آماده‌سازی‌های اولیه می‌تواند نتایج را به شدت بهبود بخشد. برای مثال، اگر ستونی شامل تاریخ و زمان دارید، می‌توانید آن را به اجزای معنادارتری مانند «روز هفته»، «ماه» یا «ساعت روز» بشکنید. این کار به مدل کمک می‌کند تا الگوهای زمانی را بهتر درک کند.

به طور خلاصه، پرامپت شما برای Autopilot، یک مجموعه داده تمیز، مرتبط و با یک هدف مشخص است. هرچه این ورودی هوشمندانه‌تر باشد، خروجی نیز هوشمندانه‌تر خواهد بود.

ویژگی‌ها و قابلیت‌های کلیدی SageMaker Autopilot

SageMaker Autopilot فقط یک جعبه سیاه برای ساخت مدل نیست؛ این ابزار مجموعه‌ای از ویژگی‌های قدرتمند را برای ارائه کنترل و شفافیت به کاربران فراهم می‌کند.

• شفافیت کامل (Glass-Box Approach):

برخلاف بسیاری از ابزارهای AutoML که مانند یک جعبه سیاه عمل می‌کنند، Autopilot برای هر مدل پیشنهادی، دو نوت‌بوک پایتون تولید می‌کند. یک نوت‌بوک فرآیند کاوش و آماده‌سازی داده‌ها را نشان می‌دهد و دیگری تمام مراحل ساخت و آموزش آن مدل خاص را به صورت کد قابل اجرا در اختیار شما قرار می‌دهد. این ویژگی برای یادگیری، سفارشی‌سازی و اعتبارسنجی فرآیند فوق‌العاده ارزشمند است.

• استقرار مدل با یک کلیک (One-Click Deployment):

پس از اینکه بهترین مدل را انتخاب کردید، می‌توانید تنها با یک کلیک آن را بر روی یک نقطه پایانی (Endpoint) امن و مقیاس‌پذیر مستقر کنید. این نقطه پایانی آماده دریافت داده‌های جدید و ارائه پیش‌بینی‌های آنی (real-time) است و شما را از چالش‌های پیچیده مدیریت زیرساخت بی‌نیاز می‌کند.

• توضیح‌پذیری مدل (Model Explainability):

درک اینکه چرا یک مدل تصمیم خاصی را گرفته، در بسیاری از کاربردهای کسب‌وکار حیاتی است (مانند رد درخواست وام). Autopilot با ادغام با قابلیت SageMaker Clarify، به شما اجازه می‌دهد تا اهمیت هر ویژگی ورودی را در پیش‌بینی‌های مدل درک کنید و گزارش‌های توضیح‌پذیری تولید کنید.

• پشتیبانی از مسائل مختلف:

این ابزار به طور خودکار نوع مسئله شما را تشخیص می‌دهد و از مسائل رایج مانند طبقه‌بندی باینری (Binary Classification)، طبقه‌بندی چندکلاسه (Multiclass Classification) و رگرسیون (Regression) پشتیبانی می‌کند.

محدودیت‌های SageMaker Autopilot که باید بدانید

با وجود تمام مزایا، SageMaker Autopilot نیز مانند هر ابزار دیگری دارای محدودیت‌هایی است که باید قبل از استفاده در نظر گرفته شوند.

• کنترل محدود بر معماری مدل: اگرچه Autopilot شفافیت زیادی در فرآیند ارائه می‌دهد، اما شما به عنوان کاربر کنترل مستقیمی بر انتخاب معماری‌های خاص شبکه عصبی یا الگوریتم‌های سطح پایین ندارید. این ابزار برای خودکارسازی بهترین شیوه‌ها طراحی شده، نه برای تحقیق و توسعه الگوریتم‌های جدید.
• هزینه: استفاده از SageMaker Autopilot رایگان نیست. هزینه‌ها بر اساس میزان محاسبات مورد نیاز برای آموزش و تنظیم مدل‌ها محاسبه می‌شود. برای مجموعه داده‌های بسیار بزرگ، این هزینه می‌تواند قابل توجه باشد. البته، باید این هزینه را با هزینه استخدام یک تیم دانشمند داده و زمان مورد نیاز برای توسعه دستی مدل مقایسه کرد.
• محدودیت به داده‌های جدولی: در حال حاضر، Autopilot به طور تخصصی برای کار با داده‌های جدولی (فایل‌های CSV) طراحی شده است. این ابزار مستقیماً از داده‌های بدون ساختار مانند تصاویر، صوت یا متن طولانی پشتیبانی نمی‌کند. برای این نوع داده‌ها، باید از سایر قابلیت‌های پلتفرم SageMaker استفاده کنید.
• منحنی یادگیری برای سفارشی‌سازی: در حالی که استفاده اولیه از Autopilot بسیار آسان است، سفارشی‌سازی عمیق نوت‌بوک‌های تولید شده و درک کامل آن‌ها نیازمند دانش پایتون و مفاهیم یادگیری ماشین است.

ویدئو (از طریق سرویس‌های مختلف AutoML).داده‌های جدولی، متن، تصویر.موارد استفاده رایجپیش‌بینی ریزش مشتری، تشخیص تقلب، پیش‌بینی فروش، امتیازدهی اعتبار.طبقه‌بندی تصاویر سفارشی، تحلیل احساسات متن، پیش‌بینی‌های تجاری.بهینه‌سازی زنجیره تامین، نگهداری پیش‌بینانه، شخصی‌سازی تجربه مشتری.ویژگی‌های برجستهتولید خودکار نوت‌بوک‌های پایتون، یکپارچگی با SageMaker Clarify برای توضیح‌پذیری.رابط کاربری بسیار ساده، مدل‌های پیشرفته برای داده‌های بدون ساختار.استودیو طراحی بصری (Drag-and-Drop)، ابزارهای قدرتمند MLOps.

ویدئو (از طریق سرویس‌های مختلف AutoML).داده‌های جدولی، متن، تصویر.موارد استفاده رایجپیش‌بینی ریزش مشتری، تشخیص تقلب، پیش‌بینی فروش، امتیازدهی اعتبار.طبقه‌بندی تصاویر سفارشی، تحلیل احساسات متن، پیش‌بینی‌های تجاری.بهینه‌سازی زنجیره تامین، نگهداری پیش‌بینانه، شخصی‌سازی تجربه مشتری.ویژگی‌های برجستهتولید خودکار نوت‌بوک‌های پایتون، یکپارچگی با SageMaker Clarify برای توضیح‌پذیری.رابط کاربری بسیار ساده، مدل‌های پیشرفته برای داده‌های بدون ساختار.استودیو طراحی بصری (Drag-and-Drop)، ابزارهای قدرتمند MLOps.

جدول مقایسه: SageMaker Autopilot در برابر رقبا

برای درک بهتر جایگاه SageMaker Autopilot، آن را با دو رقیب اصلی خود یعنی Google Cloud AutoML و Microsoft Azure Machine Learning مقایسه می‌کنیم. این جدول به شما کمک می‌کند تا بر اساس نیازهای خاص کسب‌وکار خود، بهترین انتخاب را داشته باشید.

جدیدترین به‌روزرسانی‌ها در SageMaker Autopilot

AWS به طور مداوم در حال بهبود خدمات خود است و SageMaker Autopilot نیز از این قاعده مستثنی نیست. برخی از جدیدترین به‌روزرسانی‌های مهم (تا اواخر ۲۰۲۴ و اوایل ۲۰۲۵) عبارتند از:

• پشتیبانی از داده‌های سری زمانی (Time-Series Data): یکی از مهم‌ترین به‌روزرسانی‌ها، اضافه شدن پشتیبانی بومی برای مسائل پیش‌بینی سری زمانی است. این قابلیت به کسب‌وکارها اجازه می‌دهد تا به راحتی مدل‌هایی برای پیش‌بینی تقاضا، فروش فصلی و قیمت سهام بسازند.
• حالت Ensemble Training: Autopilot اکنون یک حالت آموزشی جدید به نام Ensemble ارائه می‌دهد که توسط AutoGluon پشتیبانی می‌شود. این حالت چندین مدل را با هم ترکیب می‌کند تا به دقت پیش‌بینی بالاتری دست یابد، که به خصوص برای مسابقاتی مانند Kaggle بسیار مفید است.
• کاهش زمان آموزش: بهبودهای الگوریتمی و زیرساختی باعث شده است که زمان لازم برای اجرای یک آزمایش کامل Autopilot به طور قابل توجهی کاهش یابد، که این امر به معنای هزینه کمتر و سرعت بیشتر در رسیدن به نتیجه است.
• یکپارچگی بهبودیافته با Data Wrangler: اکنون انتقال داده‌های آماده‌شده در SageMaker Data Wrangler به یک آزمایش Autopilot بسیار ساده‌تر و یکپارچه‌تر شده است و کل خط لوله (pipeline) آماده‌سازی و آموزش داده را روان‌تر می‌کند.

نتیجه‌گیری: آیا SageMaker Autopilot برای کسب‌وکار شما مناسب است؟

Amazon SageMaker Autopilot ابزاری تحول‌آفرین است که قدرت یادگیری ماشین را به دستان کسب‌وکارهایی می‌سپارد که شاید پیش از این منابع لازم برای سرمایه‌گذاری سنگین در علم داده را نداشتند. با خودکارسازی فرآیندهای پیچیده و زمان‌بر، این ابزار به شما اجازه می‌دهد تا بر روی آنچه واقعاً اهمیت دارد تمرکز کنید: حل مسائل کسب‌وکار و ایجاد ارزش از داده‌ها.

سهولت استفاده، شفافیت بی‌نظیر از طریق تولید نوت‌بوک و یکپارچگی عمیق با اکوسیستم قدرتمند AWS، آن را به یک انتخاب استراتژیک برای بسیاری از شرکت‌ها تبدیل کرده است. با این حال، مهم است که محدودیت‌های آن را نیز در نظر بگیرید، به خصوص در مورد هزینه‌ها و کنترل بر معماری مدل.

اگر به دنبال راه‌حلی سریع، قابل اعتماد و مقیاس‌پذیر برای ساخت مدل‌های یادگیری ماشین بر روی داده‌های جدولی خود هستید و شفافیت فرآیند برایتان اهمیت دارد، SageMaker Autopilot بدون شک یکی از بهترین گزینه‌های موجود در بازار است.

سوالات متداول (FAQ)

۱. آیا برای استفاده از SageMaker Autopilot به دانش کدنویسی نیاز دارم؟

خیر. شما می‌توانید اولین آزمایش خود را به طور کامل از طریق رابط کاربری گرافیکی و بدون نوشتن حتی یک خط کد ایجاد کنید. با این حال، برای سفارшы‌سازی‌های پیشرفته و درک عمیق مدل‌های تولید شده، دانش پایتون و یادگیری ماشین مفید خواهد بود.

۲. هزینه استفاده از SageMaker Autopilot چقدر است؟

هزینه ثابت و مشخصی وجود ندارد. شما بر اساس منابع محاسباتی (مانند قدرت پردازنده و حافظه) و مدت زمانی که برای تحلیل داده‌ها و آموزش مدل‌ها صرف می‌شود، هزینه پرداخت می‌کنید. AWS یک ماشین‌حساب قیمت‌گذاری برای تخمین
Amazon
AutoML – Automated Machine Learning – Amazon Web Services
Use AutoML to automatically train and tune machine learning (ML) models while maintaining full control and visibility.
11:26
هزینه‌ها ارائه می‌دهد.

۳. تفاوت اصلی بین SageMaker Autopilot و SageMaker Canvas چیست؟

هر دو ابزارهای AutoML هستند، اما مخاطبان متفاوتی دارند. SageMaker Canvas برای کاربران کاملاً غیرفنی (مانند تحلیلگران کسب‌وکار) طراحی شده و یک رابط بصری‌تر و ساده‌تر دارد. Autopilot برای مخاطبان فنی‌تر (مانند توسعه‌دهندگان و مهندسان داده) طراحی شده و شفافیت و کنترل بیشتری از طریق نوت‌بوک‌های تولید شده ارائه می‌دهد.

۴. آیا می‌توانم مدل ساخته شده توسط Autopilot را ویرایش کنم؟

بله. این یکی از بزرگترین مزایای Autopilot است. شما به کدهای پایتون کامل که برای ساخت مدل استفاده شده دسترسی دارید و می‌توانید نوت‌بوک تولید شده را باز کرده، کدها را ویرایش کنید، پارامترها را تغییر دهید و مدل را دوباره آموزش دهید.

۵. چه نوع مسائلی را می‌توانم با Autopilot حل کنم؟

Autopilot برای مسائل یادگیری ماشین نظارت شده (Supervised Learning) بر روی داده‌های جدولی مناسب است. این شامل طبقه‌بندی باینری (مانند پیش‌بینی بله/خیر)، طبقه‌بندی چندکلاسه (مانند دسته‌بندی محصولات) و رگرسیون (مانند پیش‌بینی قیمت) می‌شود.

مسیر رشد کسب‌وکار خود را با هوش مصنوعی هموار کنید!

درک و پیاده‌سازی ابزارهای قدرتمندی مانند SageMaker Autopilot می‌تواند نقطه عطفی در رشد کسب‌وکار شما باشد. اما پیمودن این مسیر به تنهایی ممکن است چالش‌برانگیز باشد. تیم متخصصان ما در «هیجده» با تخصص در زمینه دیجیتال مارکتینگ و استراتژی‌های مبتنی بر داده، آماده است تا شما را در این سفر همراهی کند. ما به شما کمک می‌کنیم تا از پتانسیل کامل هوش مصنوعی برای بهینه‌سازی فرآیندها، درک بهتر مشتریان و دستیابی به نتایج فوق‌العاده بهره‌مند شوید.

برای دریافت مشاوره کسب و کار آنلاین و برداشتن اولین قدم به سمت آینده‌ای هوشمندتر، همین امروز با ما در «هیجده» تماس بگیرید.

منابع (References)

• AWS. (2023). What is Amazon SageMaker Autopilot?. Amazon Web Services, Inc. Retrieved from https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-what-is.html
• AWS. (2024). Automate model development with Amazon SageMaker Autopilot. Amazon Web Services, Inc. Retrieved from https://aws.amazon.com/sagemaker/autopilot/
• Saha, T. (2023). A Beginner’s Guide to Amazon SageMaker Autopilot. Analytics Vidhya.
• Gualtieri, M. (2022). The Forrester Wave: Cloud Data Science And Machine Learning Platforms, Q1 2022. Forrester Research.