分享到微博 分享到人人 分享到LinkedIn 分享到Email
Azure机器学习平台的合作伙伴如何为客户开辟新天地

原文作者:微软机器学习副总裁 Joseph Sirosh

译者:宋代伟

上周微软发布Azure机器学习平台(Azure Machine Learning ,以下简称“Azure ML”)的预览版,供用户和合作伙伴进行体验。Azure机器学习是一个全托管云平台,让你可以在数分钟内发布高级解析网络服务,创建强有力的企业级应用。因为机器学习对于我们许多的消费者和合作伙伴来说是一门全新的科学领域,恰逢今年全球合作伙伴会议,因此我十分高兴向大家介绍我们全新的在线机器学习大学(Machine Learning University,以下简称“MLU”)。MLU是为了帮助我们的合作伙伴开始并持续使用Azure ML的一系列在线学习资源。从数据导入和数据清理,到搭建预测模型,再到将模型作为网络服务产品进行部署——整个数据科学的生命周期的预排都由MLU来实现。我们的合作伙伴可以通过MLU进行现场训练、定期的产品更新和其他Azure ML的宝贵资源。

我在早期的博文中已经提到过Azure ML是如何改变了创建机器学习应用的游戏规则的,本文将为您重点介绍我们的合作伙伴可以如何利用它,为顾客快速提供全新的解决方案。

Azure ML的合作伙伴,用他们在数据分析方面和垂直领域内丰富的专业知识,帮助客户将万千数据转化为了可实施的建设性意见。像MAX451Neal AnalyticsOSIsoftVersium等合作伙伴目前已成功在Azure机器学习上为其客户部署了企业级预测分析方案。方案跨度之大,叹为观止,下面就让我为大家分享四个故事,看看他们是怎么说的吧。

MAX451帮助Pier 1 Import预测顾客购买行为

经营着数千家店面的Pier 1 Imports公司立志成为顾客身边的家具和家居装饰店。近期,他们颁布了一项名为“1 Pier 1”的长期、全渠道战略,旨在更好地了解顾客的需求,提供更多基于交互的个性化服务,突显“Pier 1”的品牌价值主张。

MAX451在Azure ML上创建了一套方案来预测顾客的产品偏好,以及他们购买获取这些产品的方式。Pier 1 Import执行副总裁Eric Hunter这样说道:

“深度挖掘我们与顾客之间的关系是至关重要的。透过我们的数据,了解每一个顾客在何时何地想要消费、喜欢的消费方式等,并通过预测性分析推荐符合其品味的产品,这些都可以改善顾客的消费体验,提高其忠诚度。不管依托哪种媒介,一个更加个性化的消息推送都有可能吸引顾客很快又回到Pier 1 Import。在测试阶段,我们为顾客预测产品的精确度提高了40%。过去,将数据转换为大量有价值的信息的过程相当缓慢,而现在我们几天之内就可以实现。”

Pier 1的CIO Andrew Laudato如此评价道:

“Pier 1 Import证明了微软对先进的预测性数据分析和机器学习等复杂技术的研究已较为成熟,并将它们置于云端为大家服务。我们欣喜地看到,我们只需要针对结果进行分析,无需为产生数据的复杂算法所困扰。更令人欣喜的是,项目小组得出重要结果的速度是如此之快。Pier 1 Import对于与MAX451这样精简而睿智的伙伴合作感到十分的开心。”

MAX451的CEO——Kristian Kimbro Rickard补充道:

“我们MAX451的全部业务都在云端实现,而我们的服务和产品也主要面向那些已在云端或正向云端迁移的顾客。微软的机器学习产品并不需要一大批数据科学家作为顾问来帮助顾客,因此我们变得小巧、敏捷、行动迅速。我们希望可以保持下去——利用微软的机器学习产品,一如既往地提供卓越的服务,无需迫使我们的员工去寻找高薪高职的专业顾问。”

Neal Analytics 帮助一家电商网站优化营销费用

Neal Analytics创建了一套Azure ML的解决方案,帮助一家大型电商网站促进引流,优化其搜索项目上的花销。搜索公司通过拍卖,权衡竞标和内容质量,对广告的搜索项目进行排序。Neal Analytics开发的解决方案帮助客户对某一特定搜索项目为提高排名所需的拍卖价格进行估值。通常,竞争对手并不会规律地频繁更改其搜索项目的投标,因此这种对投标策略及时即刻的响应能给顾客带来竞争优势。

Neal Analytics已为优化许多低频关键字的出价创建了一套预测性模型方案,并且十分易于创建和维护。他们希望避免为处理大量数据而创建基于R语言或者Linux的互联网型新计算栈;快速转向模型的部署、测试和改善,使其能够始终处在最前沿。Azure ML完美的满足了以下需求:数据科学家可以集中精力于他们的任务,而无需为配置大型数据计算架构的复杂性所分心。

Neal Analytics的CEO兼董事长Dylan Dias这样说道:

“正因为Azure ML创建于Azure云上,我们才得以享受到无缝的可扩展性。速度、精度和总体拥有成本是Azure ML的王牌。Azure ML的学习曲线是最短的,这样短的操作化周期也使其更容易被用户选用。我也可以重新发挥之前在数据科学方面的才能,相对经验不足的分析师们如今也可以高效的完成他们的工作。Azure ML使得数据科学的分析洞察和操作实施的时间提高了2至4倍,我们事半功倍,皆大欢喜。”

OSIsoft帮助卡内基梅隆大学(CMU)节约能源

卡内基梅隆大学(Carnegie Mellon University,以下简称“CMU”)的建筑性能和诊断学中心研发了综合硬件和软件的解决方案,以改善校区的建筑物使用率,同时保证更高的居住舒适度。在过去的十年间,研发中心为了了解影响居住舒适度的关键因素,进行了上千次的实地调查和测量。当然天气预报等外部因素也能辅助预测制冷或供热能源的消耗。利用这些数据,研发中心想创建一项系统来提高建筑的整体能源性能。而机器学习的方法早已被视为任何方案开发的关键组成部分。

研发中心和OSIsoft合作,利用OSIsoft的PI系统率先收集上述的实时数据,随即开发了一套能预测建筑能源消耗、发现故障、减轻实时问题和节约成本的系统。在这套系统部署完成后,CMU一些建筑的能源消耗减少了近30%。

OSIsoft PI系统流程

参与这个项目的CMU研究员Bertrand Lasternas说:

“基于网络、拥有独立平台的机器学习解决方案具有极大的魅力。其实现的简单性让机器学习对大量不同背景的研究员、甚至非数据方面的科学家都变得容易上手。安装的友好性和对现有系统的高整合性,使得Azure ML方案具有较高的精确性。表述性状态传递(REST-Representational State Transfer)的API是无缝整合成功的关键。无缝数据流的迅速启动和与现行解决方案的整合,是数据处理中最大的优势。”

Gregg Le Blanc是OSIsoft的研究与创新部门的主管,他主要负责新技术的评估。他已评估过很多机器学习相关的技术,以下是他的一些心得:

“Azure ML很好地实现了速度与性能的平衡。我们现有的设施早已实现了实时的智能化操作,现在问题的关键则为如何在先于实时传感器数据前预测问题。利用Azure ML平台,我们正在研发基于PI系统所得的数据来预测不同行为背后的含义,并将这些数据储存起来以供PI系统之后的探索性研究。最终我们将用更少的测试实现更多的客户预测,使他们能在尽可能短的时间内找到良好运营模式的最优平衡。”

Versium帮助一家大型零售商更准确的预测礼品卡欺诈

Versium目前在提供一款名为LifeData™的预测性分析评分服务。整合超过4000亿个现实生活中的属性,横跨诸如购买兴趣、社会行为、人口统计数据、财政信息等数据集,Versium以独特的视角洞察消费者的行为,来帮助公司更好进行促销和市场推广活动。

LifeData™的预测性分析评分服务

Versium与一家大型零售商客户合作,帮助他们预测礼品卡的欺诈性购买。该零售商目前正在用一套基于条款规则的系统进行上述欺诈检测,但它总是会产生很多假阳性结果——即对欺诈的错误预测。将错误最小化并停止欺诈,对该客户来说是评价系统成功与否的重要标准。Versium能快速聚合Azure机器学习上的预测型模型解决方案,该方案在一次试运行中,发现被原有系统排除的1000次交易中仅有6%是真实的欺诈。这一数字极大提高了用户的满意度,增大了收益,为该零售商创造了可观的价值。

以下是Versium的CEO Chris Matty的感受:

“Azure ML的主要优势在于它能交互式显示整个机器学习的流程、数据和模型准则,也能在模型创建后快速发布一项网络服务。就我而言,解决方案(如预防欺诈)的部署是一步很有价值的重要环节。因此,准确性、速度和安全性都十分重要,这些要素在Azure ML技术中都得到了体现。我们部署了很多评分系统,可以在几天之内构建、调试并验证的一款模型,获益颇丰。而借助于Azure机器学习平台,我们创建部署一套基于Versium所有的LifeData™预测评分系统,并同时整合我们合作伙伴的CRM系统、销售或其他的内部数据元素,而这一切在几天之内便可实现。”

结论

机器学习的成功应用通常不仅需要出色的工具,也需要各领域内扎实的专业知识、对获取的客户数据深度理解,以及整合客户软件解决方案的经验。我们的合作伙伴带来了对跨学科专业知识的需求,他们被我们热情所点燃,致力于帮助客户将数据转化为可执行的商业洞察力,并为云托管的机器学习解决方案开拓出一条道路。前方无限的机遇正等待着我们。

欢迎大家关注我的Twitter