Esta publicación está coescrita con Ike Bennion de Visier.
La misión de Visier se basa en la creencia de que las personas son el activo más valioso de toda organización y que optimizar su potencial requiere una comprensión matizada de la dinámica de la fuerza laboral.
Paycor es un ejemplo de las muchas empresas de análisis de personas líderes a nivel mundial que confían y utilizan la plataforma Visier para procesar grandes volúmenes de datos para generar análisis informativos y conocimientos predictivos procesables.
El análisis predictivo de Visier ha ayudado a organizaciones como Providence Healthcare a retener empleados críticos dentro de su fuerza laboral y a ahorrar una cantidad estimada $6 millones identificando y previniendo el desgaste de los empleados mediante el uso de un marco construido sobre las predicciones de riesgo de salida de Visier.
Fuentes confiables como Grupo de conocimientos inteligentes, Gartner, G2, Radio de confianzay Investigación RedThread han reconocido a Visier por su inventiva, excelente experiencia de usuario y satisfacción de proveedores y clientes. Hoy en día, más de 50.000 organizaciones en 75 países utilizan la plataforma Visier como motor para dar forma a estrategias comerciales e impulsar mejores resultados comerciales.
Liberar el potencial de crecimiento superando la barrera de la pila tecnológica
El poder predictivo y analítico de Visier es lo que hace que su solución de análisis de personas sea tan valiosa. Los usuarios sin experiencia en ciencia de datos o análisis pueden generar predicciones rigurosas respaldadas por datos para responder grandes preguntas como el tiempo para cubrir puestos importantes o el riesgo de renuncia de empleados cruciales.
Era una prioridad ejecutiva en Visier continuar innovando en sus capacidades analíticas y predictivas porque constituyen una de las piedras angulares de lo que a sus usuarios les encanta de su producto.
El desafío para Visier era que su tecnología de ciencia de datos les impedía innovar al ritmo que querían. Fue costoso y llevó mucho tiempo experimentar e implementar nuevas capacidades analíticas y predictivas porque:
- La pila de tecnología de ciencia de datos estaba estrechamente vinculada con todo el desarrollo de la plataforma. El equipo de ciencia de datos no pudo implementar cambios de forma independiente en producción. Esto limitó al equipo a menos ciclos de iteración y más lentos.
- La pila de tecnología de ciencia de datos era una colección de soluciones de múltiples proveedores, lo que generó gastos generales de administración y soporte adicionales para el equipo de ciencia de datos.
Optimización de la gestión e implementación de modelos con SageMaker
Amazon SageMaker es una plataforma administrada de aprendizaje automático que proporciona a los científicos e ingenieros de datos conceptos y herramientas familiares para construir, capacitar, implementar, gobernary administrar la infraestructura necesaria para tener puntos finales de inferencia de modelos escalables y de alta disponibilidad. Recomendador de inferencia de Amazon SageMaker es un ejemplo de una herramienta que puede ayudar a los científicos e ingenieros de datos a ser más autónomos y menos dependientes de equipos externos al brindar orientación sobre el tamaño correcto de las instancias de inferencia.
La pila de tecnología de ciencia de datos existente era uno de los muchos servicios que componen la plataforma de aplicaciones de Visier. Utilizando la plataforma SageMaker, Visier creó una arquitectura de microservicios basada en API para los servicios predictivos y de análisis que estaba desacoplada de la plataforma de aplicaciones. Esto le dio al equipo de ciencia de datos la autonomía deseada para implementar cambios de forma independiente y publicar nuevas actualizaciones con mayor frecuencia.
Los resultados
La primera mejora que Visier vio después de migrar los servicios de análisis y predicción a SageMaker fue que permitió al equipo de ciencia de datos dedicar más tiempo a innovaciones, como la creación de un proceso de validación de modelos de predicción, en lugar de tener que dedicar tiempo a la implementación. detalles e integración de herramientas de proveedores.
Validación del modelo de predicción.
La siguiente figura muestra el proceso de validación del modelo de predicción.
Con SageMaker, Visier creó un proceso de validación de modelos de predicción que:
- Extrae el conjunto de datos de entrenamiento de las bases de datos de producción.
- Reúne medidas de validación adicionales que describen el conjunto de datos y correcciones y mejoras específicas en el conjunto de datos.
- Realiza múltiples mediciones de validación cruzada utilizando diferentes estrategias de división.
- Almacena los resultados de la validación junto con los metadatos sobre la ejecución en un almacén de datos permanente.
El proceso de validación permitió al equipo ofrecer una serie de avances en los modelos que mejoraron el rendimiento de la predicción en un 30 % en toda su base de clientes.
Entrene modelos predictivos específicos del cliente a escala
Visier desarrolla y gestiona miles de modelos predictivos específicos para sus clientes empresariales. La segunda mejora del flujo de trabajo que realizó el equipo de ciencia de datos fue desarrollar un método altamente escalable para generar todos los modelos predictivos específicos del cliente. Esto permitió al equipo entregar diez veces más modelos con la misma cantidad de recursos.
Como se muestra en la figura anterior, el equipo desarrolló un proceso de capacitación de modelos donde los cambios del modelo se realizan en una base de código de predicción central. Esta base de código se ejecuta por separado para cada cliente de Visier para entrenar una secuencia de modelos personalizados (para diferentes momentos) que son sensibles a la configuración especializada de cada cliente y sus datos. Visier utiliza este patrón para impulsar de manera escalable la innovación en el diseño de un único modelo a miles de modelos personalizados en toda su base de clientes. Para garantizar la eficiencia del entrenamiento de última generación para modelos grandes, SageMaker proporciona bibliotecas que admiten paralelo (Biblioteca paralela de modelos de SageMaker) y distribuido (Biblioteca de paralelismo de datos distribuidos de SageMaker) entrenamiento modelo. Para obtener más información sobre la eficacia de estas bibliotecas, consulte Capacitación distribuida y escalamiento eficiente con las bibliotecas paralelas de modelos y datos paralelos de Amazon SageMaker.
Utilizando la carga de trabajo de validación de modelos mostrada anteriormente, los cambios realizados en un modelo predictivo se pueden validar en tan solo tres horas.
Procesar datos no estructurados
Las mejoras iterativas, una implementación escalable y la consolidación de la tecnología de ciencia de datos fueron un excelente comienzo, pero cuando Visier adoptó SageMaker, el objetivo era permitir una innovación que estaba completamente fuera del alcance de la pila tecnológica anterior.
Una ventaja única que tiene Visier es la capacidad de aprender de los comportamientos colectivos de los empleados en toda su base de clientes. Las tediosas tareas de ingeniería de datos, como extraer datos al entorno y los costos de infraestructura de bases de datos, se eliminaron al almacenar de forma segura la gran cantidad de conjuntos de datos relacionados con los clientes dentro de Servicio de almacenamiento simple de Amazon (Amazon S3) y usando Atenea amazónica para consultar directamente los datos usando SQL. Visier utilizó estos servicios de AWS para combinar conjuntos de datos relevantes e introducirlos directamente en SageMaker, lo que dio como resultado la creación y el lanzamiento de un nuevo producto de predicción llamado Community Predictions. Las predicciones comunitarias de Visier brindan a las organizaciones más pequeñas el poder de crear predicciones basadas en los datos de toda la comunidad, en lugar de solo los suyos propios. Eso le da a una organización de 100 personas acceso al tipo de predicciones que de otro modo estarían reservadas para empresas con miles de empleados.
Para obtener información sobre cómo puede administrar y procesar sus propios datos no estructurados, consulte Gestión y gobierno de datos no estructurados utilizando servicios de análisis y AI/ML de AWS.
Utilice datos de Visier en Amazon SageMaker
Con el éxito transformador que tuvo Visier internamente, querían asegurarse de que sus clientes finales también pudieran beneficiarse de la plataforma Amazon SageMaker para desarrollar sus propios modelos de IA y aprendizaje automático (AI/ML).
Visier ha escrito un tutorial completo sobre cómo utilizar Visier Data en Amazon SageMaker y también han creado un conector Python disponible en su repositorio de GitHub. El conector Python permite a los clientes canalizar datos de Visier a sus propios proyectos de IA/ML para comprender mejor el impacto de su gente en las finanzas, las operaciones, los clientes y los socios. Estos resultados a menudo se importan nuevamente a la plataforma Visier para distribuir estos conocimientos e impulsar análisis derivados para mejorar aún más los resultados a lo largo del ciclo de vida de los empleados.
Conclusión
El éxito de Visier con Amazon SageMaker demuestra el poder y la flexibilidad de esta plataforma administrada de aprendizaje automático. Al utilizar las capacidades de SageMaker, Visier aumentó 10 veces la producción de su modelo, aceleró los ciclos de innovación y desbloqueó nuevas oportunidades, como el procesamiento de datos no estructurados para sus Predicciones comunitarias producto.
Si está buscando optimizar sus flujos de trabajo de aprendizaje automático, escalar las implementaciones de sus modelos y desbloquear conocimientos de sus datos, explore las posibilidades con SageMaker y las capacidades integradas como Canalizaciones de Amazon SageMaker.
Comience hoy y crear una cuenta de AWSve al Consola de Amazon SageMakery comuníquese con su equipo de cuentas de AWS para configurar una Aceleración basada en la experiencia compromiso para desbloquear todo el potencial de sus datos y crear modelos generativos personalizados de IA y ML que impulsen conocimientos prácticos y un impacto empresarial hoy en día.
Sobre los autores
Kinman Lam es arquitecto de soluciones en AWS. Es responsable de la salud y el crecimiento de algunas de las empresas ISV/DNB más grandes del oeste de Canadá. También es miembro del vTeam de IA generativa de AWS Canadá y ha ayudado a un número creciente de empresas canadienses a lanzar con éxito casos de uso avanzados de IA generativa.
Ike Bennion es vicepresidente de plataforma y marketing de plataforma en Visier y un líder intelectual reconocido en la intersección entre personas, trabajo y tecnología. Con una rica historia en implementación, desarrollo de productos, estrategia de productos y comercialización. Se especializa en inteligencia de mercado, estrategia comercial y tecnologías innovadoras, incluidas la inteligencia artificial y la cadena de bloques. A Ike le apasiona utilizar datos para impulsar una toma de decisiones equitativa e inteligente. Fuera del trabajo, le gustan los perros, el hip hop y el levantamiento de pesas.