كيف تستخدم Yara ميزات MLOps في Amazon SageMaker لتوسيع نطاق تحسين الطاقة عبر مصانع الأمونيا الخاصة بها

يارا هي الشركة الرائدة في العالم في تغذية المحاصيل ومزود الحلول البيئية والزراعية. يتركز طموح يارا على تنمية مستقبل غذائي إيجابي للطبيعة يخلق قيمة للعملاء والمساهمين والمجتمع ككل ، ويوفر سلسلة قيمة غذائية أكثر استدامة. دعمًا لرؤيتنا لعالم خالٍ من الجوع وكوكب محترم ، تنتهج يارا استراتيجية للنمو المستدام للقيمة ، وتعزيز تغذية المحاصيل الصديقة للمناخ وحلول الطاقة الخالية من الانبعاثات. يارا هي أيضًا أكبر منتج في العالم للأمونيا والنترات و NPK اسمدة. وبالتالي فإن قطاع الإنتاج الخاص بهم هو لبنة أساسية لتحقيق مهمتهم - مع وجود طموح واضح ليصبح رائدًا عالميًا في مقاييس مثل السلامة والبصمة البيئية والجودة وتكاليف الإنتاج. هدف يارا طويل المدى هو "مصنع المستقبل" مع انبعاثات معدومة وتكاليف منخفضة.

بناءً على تحول بسيط ، تكثف يارا تركيزها على الحلول الرقمية لمساعدتها على تحقيق طموحاتها. لقيادة هذا الجهد ، أنشأت يارا وحدة عالمية تسمى الإنتاج الرقمي. يعتبر نجاح الإنتاج الرقمي وحلوله من الأولويات الرئيسية لشركة Yara ، وقد عززت Yara بشكل كبير جهودها في هذا المجال. يتمثل أحد مجالات التركيز المهمة في الاستفادة من الكمية الهائلة من البيانات التي يتم إنشاؤها كجزء من عملياتها. لذلك ، تقوم Yara ببناء منتجات تعتمد على البيانات تساعدهم على تحسين الإنتاج وزيادة جودة المنتجات وزيادة موثوقية مواقع الإنتاج وتقليل الانبعاثات وزيادة سلامة وإنتاجية العمال وأتمتة العمليات اليدوية والمزيد.

الطاقة هي عنصر التكلفة الرئيسي للعديد من مصانع الإنتاج ؛ وبالتالي ، فإن كفاءة الطاقة لها تأثير كبير على الربحية. ومع ذلك ، غالبًا ما يكون هناك نقص في المراجع القوية لما يبدو عليه الأداء الجيد وكيفية الوصول إليه. منحنى تحميل الطاقة (ELC) من يارا هو الحل الذي يستخدم أفضل أداء تاريخي فيما يتعلق باستهلاك الطاقة مقارنة بالأداء الحالي. إذا كان الاستهلاك الحالي ينحرف كثيرًا عن الأفضل في التاريخ ، فإن الأداة تقدم توصيات للمشغلين من أجل توجيه استهلاك الطاقة.

لنشر ELC في مصانع الإنتاج وتوسيع نطاقه ليشمل مواقع متعددة في جميع أنحاء العالم ، احتاجت Yara إلى بناء منصة MLOps. سيضمن هذا أن تقوم يارا بتدريب النماذج ونشرها وصيانتها بشكل موثوق وفعال. بالإضافة إلى ذلك ، لتوسيع نطاق هذا إلى مواقع متعددة ، احتاجت Yara إلى أتمتة عمليات النشر والصيانة. في هذا المنشور ، نناقش كيفية استخدام يارا الأمازون SageMaker الميزات ، بما في ذلك نموذج التسجيل ، الأمازون SageMaker نموذج مراقبو خطوط أنابيب Amazon SageMaker لتبسيط دورة حياة التعلم الآلي (ML) من خلال أتمتة ممارسات MLOps وتوحيدها. نحن نقدم نظرة عامة على الإعداد ، ونعرض عملية بناء نماذج ML وتدريبها ونشرها ومراقبتها للمصانع في جميع أنحاء العالم.

نظرة عامة على الحل

يستخدم ELC بيانات مستشعرات إنترنت الأشياء (IoT) من المصنع. تقيس هذه المستشعرات مقاييس مثل إنتاجية الإنتاج ، والظروف المحيطة ، وظروف المواد الخام ، وما إلى ذلك. تُستخدم هذه البيانات لتدريب نموذج تنبؤ الطاقة الذي يستخدم بعد ذلك لتوليد تنبؤات كل ساعة. يراقب مشغلو المصنع استهلاك الطاقة الفعلي ويقارنونه بالاستهلاك الأمثل كما هو متوقع بواسطة ELC. إذا انحرف استهلاك الطاقة الحالي كثيرًا عن النقطة المثلى ، فإن ELC يوفر إجراءً لضبط متغيرات العملية الداخلية لتحسين كفاءة الطاقة استنادًا إلى النماذج التحليلية.

يتم استضافة ELC في السحابة. من أجل بث بيانات المستشعر من المصنع في الوقت الفعلي ، تستخدم Yara AWS تقنيات عمليات Greengrass للتواصل بشكل آمن مع AWS إنترنت الأشياء الأساسية وتصدير بيانات إنترنت الأشياء إلى سحابة AWS. AWS IoT SiteWise هي خدمة مُدارة يمكنها جمع بيانات المعدات وتنظيمها والبحث عنها واستهلاكها من المعدات الصناعية على نطاق واسع. قامت Yara ببناء واجهات برمجة التطبيقات باستخدام ملفات بوابة أمازون API لتعريض بيانات المستشعر لتطبيقات مثل ELC.

يتم نشر الواجهة الخلفية لتطبيق ELC عبر Amazon ECS وتقوم بتشغيل لوحات معلومات ELC على الواجهة الأمامية التي يستخدمها مشغلو المصنع. تطبيق ELC مسؤول عن توفير مقاييس استهلاك الطاقة التنبؤية كل ساعة لمشغلي المحطة. تم تجهيز كل مصنع بنموذج خاص به ، لأن خصائص استهلاك الطاقة تختلف. علاوة على ذلك ، يتم تجميع النباتات في مناطق AWS مختلفة بناءً على موقعها.

يوضح الرسم البياني التالي هذه العمارة.

لبناء ELC والتوسع في مصانع متعددة ، كنا بحاجة إلى حل MLOps الذي يدعم ما يلي:

• التدرجية - يمكن توسيع نطاقها استجابةً لأحجام البيانات. تنتج بعض المصانع بيانات أكثر من غيرها ؛ يمكن لكل مصنع إنتاج عدة غيغابايت من البيانات يوميًا.
• التمدد - يمكنه الانتشار في مناطق وحسابات جديدة.
• التكرار - يحتوي على قوالب مشتركة يمكننا استخدامها في إنشاء مصنع جديد.
• مرونة - يمكنه تغيير تكوين النشر بناءً على احتياجات كل مصنع.
• الموثوقية والمراقبة - يمكنه إجراء الاختبارات والحصول على رؤية واضحة لحالة جميع النباتات النشطة. في حالة الفشل ، يمكن أن يتراجع إلى حالة الاستقرار السابقة.
• الصيانة - يجب أن يكون للحل تكاليف صيانة منخفضة. يجب أن تستخدم خدمات بدون خادم حيثما أمكن لتقليل تأثير البنية التحتية.

بالنسبة لـ ML ، قررت Yara استخدام SageMaker. SageMaker هي خدمة مُدارة بالكامل تغطي سير عمل ML بالكامل. كانت الميزات التالية حاسمة في اختيار SageMaker:

• حاويات إطار عمل SageMaker - قامت Yara بتدريب نماذج ELC التنبؤية على TensorFlow ، وباستخدام حاويات إطار عمل SageMaker ، تمكنت Yara من رفع هذه النماذج وتحويلها مع الحد الأدنى من تغييرات الكود إلى SageMaker.
• خطوط الأنابيب SageMaker - تقدم SageMaker Pipelines واجهة Python لعلماء البيانات لكتابة خطوط أنابيب ML. يتكون جزء كبير من كود ELC من تدريب وخط أنابيب للاستدلال ، والتي تم تحديدها في Python.
• سجل نموذج SageMaker - يتيح سجل نموذج SageMaker إمكانية فهرسة نماذج التحكم والإصدارات. بالإضافة إلى ذلك ، فإنه يجعل من السهل إدارة البيانات الوصفية للنموذج ، مثل مقاييس التدريب.
• مراقب نموذج SageMaker - أرادت يارا مراقبة جودة وتوزيع البيانات الواردة وكذلك أداء نموذج ELC. توفر واجهات برمجة تطبيقات SageMaker Model Monitor مراقبة جودة البيانات والنموذج.

لإدارة التكامل المستمر والتسليم المستمر (CI / CD) لأنابيب ML ، تستخدم Yara إطار عمل نشر أمازون (ADF). ADF هو إطار عمل مفتوح المصدر طورته AWS لإدارة ونشر الموارد عبر حسابات ومناطق AWS متعددة داخل مؤسسة AWS. يسمح ADF بعمليات النشر المرحلية والمتوازية ومتعددة الحسابات وعبر المناطق للتطبيقات أو الموارد عبر الهيكل المحدد في منظمات AWS، مع الاستفادة من خدمات مثل خط أنابيب AWS, AWS كود البناء, كود AWSو تكوين سحابة AWS لتخفيف الرفع الثقيل والإدارة مقارنة بإعداد CI / CD التقليدي.

حل نظرة عامة

تم إنشاء الحل الكامل لمنصة MLOps في غضون شهرين في جهد تعاوني مع الخدمات المهنية AWS. يتألف الفريق الذي يعمل على المشروع من علماء البيانات ومهندسي البيانات ومتخصصي DevOps. لتسهيل التطوير السريع في بيئة متعددة الفرق ، اختارت يارا استخدامها AWS الهبوط زوne والمؤسسات لإنشاء حسابات AWS مختلفة وإدارتها وإدارتها بشكل مركزي. على سبيل المثال ، تمتلك Yara حساب نشر مركزي ، وتستخدم حسابات حجم العمل لاستضافة تطبيقات الأعمال. ELC هي حالة استخدام لتحسين العمليات ويتم نشرها لتحسين حسابات عبء العمل. يعمل فريق Yara Digital Production أيضًا على حالات استخدام ML في مجالات أخرى غير التحسين. يدعم إطار عمل MLOps النشر إلى أي حسابات عبء عمل طالما تم إنشاء الحسابات عبر المؤسسات.

يوضح الرسم البياني التالي هذه العمارة.

يؤدي استخدام حساب نشر مركزي إلى تسهيل إدارة العناصر الشائعة وخطوط أنابيب CI / CD. فيما يتعلق بإدارة الوصول والأمان لهذه العناصر الشائعة ، فهو تصميم أبسط لأن حدود الأذونات ومفاتيح التشفير تتم إدارتها مركزيًا في مكان واحد. في الأقسام التالية ، نوجهك عبر الخطوات المطلوبة لإعداد حالة استخدام جديدة لمنصة MLOps من Yara.

من حيث إستراتيجية الحساب ، تمتلك Yara وضع الحماية و DEV و TEST و PROD الإعداد. يتم استخدام حساب sandbox للتجريب وتجربة أفكار جديدة. حساب DEV هو نقطة البداية لخطوط أنابيب CI / CD ، وتبدأ جميع عمليات التطوير هنا. يحتوي حساب النشر على تعريف خط أنابيب CI / CD وهو قادر على النشر إلى حسابات DEV و TEST و PROD. تم توضيح إعداد الحساب هذا في الشكل التالي.

إعداد حالة استخدام جديدة

بالنسبة لهذا المنشور ، نفترض أن لدينا نموذجًا أوليًا عمليًا لحالة الاستخدام ، والآن نريد تفعيله. في حالة انتماء حالة الاستخدام هذه إلى مجال منتج جديد ، نحتاج أولاً إلى توفير الحسابات باستخدام المؤسسات ، والتي تعمل تلقائيًا على تشغيل ADF لتمهيد هذه الحسابات للنشر. تتبع Yara استراتيجية حساب DEV> TEST> PROD ؛ ومع ذلك ، فإن هذا التكوين ليس إلزاميًا. تعرض حسابات البيانات واجهات برمجة التطبيقات للوصول إلى البيانات ، ولحالة الاستخدام الجديدة ، يجب منح الأدوار اللازمة إدارة الهوية والوصول AWS (IAM) حتى يتمكنوا من الوصول إلى واجهات برمجة التطبيقات للبيانات.

بعد ذلك ، نحتاج إلى تحديد الحسابات التي يتم نشر حالة الاستخدام هذه عليها. يتم ذلك باستخدام خريطة النشر في ADF. مخطط النشر هو ملف تكوين يحتوي على تعيين المراحل والأهداف لخط الأنابيب. لتشغيل خريطة النشر ، يستخدم ADF CodePipeline. يوفر ADF المرونة لإدارة المعلمات لكل بيئة مستهدفة يتم نشر المكدس عليها. هذا يجعل من السهل إدارة عمليات النشر والاختبار باستخدام مثيلات أصغر.

لتشفير جميع القطع الأثرية ، مثل التعليمات البرمجية والبيانات وملفات النماذج ، نقوم بإنشاء ملف خدمة إدارة مفتاح AWS مفتاح (AWS KMS). يمكنك أيضًا استخدام التشفير من جانب الخادم. ومع ذلك ، نظرًا لأنه يتم الوصول إلى بعض القطع الأثرية التي تم إنشاؤها عبر الحسابات ، فنحن بحاجة إلى إنشاء مفتاحنا الخاص وإدارة سياسات الأذونات الخاصة به لمنح الوصول عبر الحسابات.

أخيرًا ، نحتاج إلى إنشاء مجموعة حزمة نموذج لتجميع إصدارات مختلفة من نموذج باستخدام سجل نموذج SageMaker ، وهو قدرة SageMaker على تتبع النماذج وإدارتها أثناء انتقالها خلال دورة حياة ML.

نموذج خط أنابيب التدريب

لكل مصنع جديد تم تجهيزه لـ ELC ، نقوم بإنشاء خط أنابيب تدريب SageMaker جديد. يتكون خط الأنابيب هذا من المعالجة المسبقة للبيانات وخطوات التدريب النموذجية. تعتبر خطوط أنابيب SageMaker مناسبة تمامًا لـ Yara لأنها توفر واجهة Python لتحديد سير عمل ML. علاوة على ذلك ، يمكن تكوين خطوات مختلفة لسير العمل على نطاق مختلف. على سبيل المثال ، يمكنك تحديد مثيل للتدريب أكبر بكثير من مثيله لخطوة تقييم النموذج. يتم تخزين معلمات الإدخال والإخراج لكل خطوة من خط الأنابيب ، مما يجعل من السهل تتبع كل عملية تشغيل ومخرجاتها. الخطوط العريضة عالية المستوى لسير العمل التدريبي هي كما يلي.

كجزء من مرحلة تقييم النموذج ، يتم استخدام مجموعة بيانات التقييم لإنشاء مقاييس ، مثل انحراف الدقة وجذر الخطأ التربيعي (RMSE) على النموذج المدرب. تتم إضافة هذه المقاييس إلى بيانات تعريف النموذج قبل تسجيل النموذج في سجل النموذج. حاليًا ، يتم ترقية النماذج يدويًا إلى بيئات أعلى ، ويمكن للموافق على النموذج عرض مقاييس النموذج للتأكد من أن الإصدار الجديد يعمل بشكل أفضل من النموذج الحالي.

يتم التحكم في النماذج من خلال سجل النموذج ، مع وجود مجموعة حزم نموذجية لكل مصنع. بالإضافة إلى ذلك ، يمكنك استخدام سجل النموذج لتعقب إصدارات النماذج التي يتم نشرها في أي بيئات. يمكن أن يكون النموذج في ملف مرفوض, في انتظار الموافقة اليدويةالطرق أو موافق عليه الدولة ، والنماذج الموجودة فقط في موافق عليه يمكن نشر الدولة. يوفر هذا أيضًا الحماية من النشر غير المقصود لإصدار غير معتمد من النموذج.

نموذج الاستدلال وخط أنابيب المراقبة

لنشر النموذج وإعداد مراقبة النموذج ، قمنا بإعداد خط أنابيب SageMaker ثانٍ. يوفر تطبيق ELC تنبؤات لمشغلي المصنع عند الطلب ، وبالتالي يتم الوصول إلى النماذج عبر استدعاءات API التي يتم إجراؤها من الواجهة الخلفية لـ ELC. توفر نقاط نهاية الاستدلال من SageMaker حل استضافة نموذج مُدار بالكامل مع طبقة API ؛ تأخذ نقاط النهاية إدخال النموذج كتنبؤات الحمولة والعودة. نظرًا لأن وقت الاستجابة يعد أيضًا عاملاً حاسمًا للمستخدمين النهائيين الذين لا يرغبون في الانتظار طويلاً قبل الحصول على تنبؤات محدثة ، فقد اختارت Yara نقاط نهاية الاستدلال في الوقت الفعلي من SageMaker ، والتي تكون مناسبة بشكل خاص لأحمال العمل بمتطلبات زمن انتقال منخفض للغاية. أخيرًا ، نظرًا لأن تطبيق ELC لا يمكن أن يكون لديه وقت تعطل أثناء نشر النماذج المحدثة ، فإنه يعتمد على إمكانية النشر باللونين الأزرق / الأخضر لنقاط النهاية في الوقت الفعلي من SageMaker لضمان استمرار إصدار النموذج القديم في خدمة التنبؤ حتى يتم نشر الإصدار الجديد .

يوضح الرسم التخطيطي التالي إعداد النشر والمراقبة.

لمراقبة النموذج ، تدير يارا برنامج SageMaker جودة البيانات, جودة النموذجو شرح النموذج يراقب. تقوم مراقبة جودة البيانات بالتحقق من التناسق وإنشاء إحصاءات توزيع البيانات. تتحقق مراقبة جودة النموذج من أداء النموذج وتقارن دقة النموذج بمقاييس التدريب. يتم إنشاء تقارير مراقبة النموذج على أساس كل ساعة. تستخدم هذه التقارير لمراقبة أداء النموذج في الإنتاج. تُستخدم مراقبة قابلية شرح النموذج لفهم الميزات التي تساهم بشكل أكبر في التنبؤ.

تتم مشاركة نتائج إمكانية شرح النموذج هذه على لوحة معلومات ELC لتزويد مشغلي المصنع بمزيد من السياق حول ما يدفع استهلاك الطاقة. يدعم هذا أيضًا تحديد الإجراء لضبط العملية الداخلية في حالة انحراف استهلاك الطاقة عن النقطة المثلى.

تدفق CI / CD

يبدأ تدفق CI / CD لخطوط أنابيب التدريب في حساب DEV. تتبع Yara نموذج تطوير قائم على الميزات وعندما يتم تطوير ميزة جديدة ، يتم دمج فرع الميزة في صندوق السيارة ، والذي يبدأ النشر. يتم تدريب نماذج ELC في حساب DEV وبعد تدريب النموذج وتقييمه ، يتم تسجيله في سجل النموذج. يقوم أحد الموافقة على النموذج بإجراء فحوصات السلامة قبل تحديث حالة النموذج إلى موافق عليه. ينشئ هذا الإجراء حدثًا يؤدي إلى نشر خط أنابيب الاستدلال بالنموذج. ينشر خط أنابيب الاستدلال النموذج إصدار النموذج الجديد إلى نقطة نهاية SageMaker في DEV.

بعد نشر نقطة النهاية ، تبدأ الاختبارات للتحقق من سلوك الإعداد. للاختبار ، تستخدم يارا تقارير اختبار CodeBuild. تتيح هذه الميزة للمطورين تشغيل اختبارات الوحدة واختبارات التكوين والاختبارات الوظيفية قبل النشر وبعده. في هذه الحالة ، تجري Yara اختبارات وظيفية من خلال اجتياز حمولات الاختبار إلى نقاط نهاية SageMaker وتقييم الاستجابة. بعد اجتياز هذه الاختبارات ، يتابع خط الأنابيب نشر نقاط نهاية SageMaker إلى TEST. يتم أيضًا نشر الواجهة الخلفية لـ ELC في TEST ، مما يجعل الاختبار الشامل للتطبيق ممكنًا في هذه البيئة. بالإضافة إلى ذلك ، تجري Yara اختبار قبول المستخدم في TEST. المشغل من نشر TEST إلى PROD هو إجراء موافقة يدوي. بعد اجتياز إصدار النموذج الجديد لكل من الاختبار الوظيفي واختبار قبول المستخدم في TEST ، يوافق الفريق الهندسي على نشر النموذج في PROD.

يوضح الشكل التالي سير العمل هذا.

المكونات المشتركة

بالنسبة إلى ELC ، نستخدم العديد من المكونات الشائعة لجميع مراحل النشر (DEV ، TEST ، PROD) والنماذج. توجد هذه المكونات في حساب النشر الخاص بنا ، وتتضمن التحكم في إصدار النموذج ، ومستودع صورة الحاوية ، ومفتاح التشفير ، وحاوية لتخزين الأدوات الشائعة.

هناك العديد من المزايا لاستخدام المصنوعات اليدوية الشائعة. على سبيل المثال ، لا يلزم إنشاء الموارد لكل حساب ، مما يفرض التوافق بين الحسابات. هذا يعني أننا نبني صور حاوية مرة واحدة ونعيد استخدامها في جميع الحسابات المستهدفة ، مما يقلل من وقت الإنشاء.

يخزن خط الأنابيب هذا إصدارات النماذج المختلفة في سجل نموذج عام في حساب النشر. من هذا الموقع المركزي ، يمكن نشر النماذج في جميع الحسابات دون نقلها. وبالمثل ، فإن استخدام مفتاح التشفير المخزن مركزيًا يسهل إدارة المفتاح والأذونات عبر الحسابات.

تتمثل إحدى عيوب استخدام المصنوعات الشائعة في أن خطوة الإعداد لحالة الاستخدام الجديدة يمكن أن تصبح أكثر تفصيلاً. لإدخال حالة استخدام جديدة ، يجب إنشاء سجل نموذج جديد ومستودع صورة حاوية جديد إذا لزم الأمر. نوصي أيضًا بإنشاء مفتاح تشفير جديد لفصل الموارد والبيانات المخزنة بشكل صارم.

وفي الختام

في هذا المنشور ، أوضحنا كيف استخدمت Yara SageMaker و ADF لبناء منصة MLOps قابلة للتطوير بدرجة كبيرة. ML هي قدرة متعددة الوظائف ، وتنشر الفرق نماذج لحسابات وحدات الأعمال المختلفة. لذلك ، فإن ADF ، الذي يوفر تكاملاً أصليًا مع المنظمات ، يجعله مرشحًا مثاليًا لتشغيل حسابات تمهيدًا لإعداد خطوط أنابيب CI / CD. من الناحية التشغيلية ، يتم تشغيل خطوط أنابيب ADF في حساب النشر المركزي ، مما يجعل من السهل الحصول على عرض شامل للصحة لعمليات النشر. أخيرًا ، يستخدم ADF الخدمات المُدارة من AWS مثل CodeBuild و CodeDeploy و CodePipeline و CloudFormation ، مما يجعل من السهل تكوينها وصيانتها.

يوفر SageMaker مجموعة واسعة من قدرات التعلم الآلي ، والتي تمكن الفرق من التركيز بشكل أكبر على حل مشاكل الأعمال وبدرجة أقل على بناء البنية التحتية وصيانتها. بالإضافة إلى ذلك ، توفر SageMaker Pipelines مجموعة غنية من واجهات برمجة التطبيقات لإنشاء وتحديث ونشر تدفقات عمل ML ، مما يجعلها مناسبة تمامًا لـ MLOps.

أخيرًا ، يوفر MLOps أفضل الممارسات لنشر نماذج ML والحفاظ عليها في الإنتاج بشكل موثوق وفعال. إنه أمر بالغ الأهمية للفرق التي تنشئ حلول ML وتنشرها على نطاق واسع لتنفيذ MLOps. في حالة Yara ، يقلل MLOps بشكل كبير من الجهد المطلوب لإلحاق مصنع جديد ، وطرح التحديثات على ELC ، والتأكد من مراقبة النماذج من أجل الجودة.

لمزيد من المعلومات حول كيفية نشر التطبيقات باستخدام وحدة تغذية المستندات التلقائية ، راجع ملف أمثلة.

---

عن المؤلفين

شهير منصور هو عالم بيانات في AWS. ينصب تركيزه على بناء منصات التعلم الآلي التي يمكنها استضافة حلول الذكاء الاصطناعي على نطاق واسع. مجالات اهتمامه هي MLOps والمتاجر المميزة واستضافة النماذج ومراقبة النماذج.

تيم بيكر هو عالم بيانات أول في Yara International. ضمن الإنتاج الرقمي ، ينصب تركيزه على تحسين عملية إنتاج الأمونيا وحمض النيتريك. وهو حاصل على درجة الدكتوراه في الديناميكا الحرارية وهو متحمس للجمع بين هندسة العمليات والتعلم الآلي.

يونجيوس كايوبيتاكون هو أحد كبار علماء البيانات في فريق الإنتاج الرقمي في Yara International. حصل على درجة الدكتوراه في الذكاء الاصطناعي / التعلم الآلي ولديه سنوات عديدة من الخبرة العملية في الاستفادة من التعلم الآلي ورؤية الكمبيوتر ونماذج معالجة اللغة الطبيعية لحل مشاكل العمل الصعبة.