Δημιουργήστε καλά σχεδιασμένες λύσεις IDP με προσαρμοσμένο φακό – Μέρος 4: Απόδοση απόδοσης | Υπηρεσίες Ιστού της Amazon

Όταν ένας πελάτης έχει έτοιμο για παραγωγή έξυπνη επεξεργασία εγγράφων (IDP) φόρτο εργασίας, λαμβάνουμε συχνά αιτήματα για μια καλά αρχιτεκτονική αναθεώρηση. Για τη δημιουργία μιας επιχειρηματικής λύσης, οι πόροι προγραμματιστή, το κόστος, ο χρόνος και η εμπειρία χρήστη πρέπει να εξισορροπηθούν για να επιτευχθεί το επιθυμητό επιχειρηματικό αποτέλεσμα. ο Καλά Αρχιτεκτονικό Πλαίσιο AWS παρέχει έναν συστηματικό τρόπο για τους οργανισμούς να μαθαίνουν λειτουργικές και αρχιτεκτονικές βέλτιστες πρακτικές για το σχεδιασμό και τη λειτουργία αξιόπιστων, ασφαλών, αποδοτικών, οικονομικά αποδοτικών και βιώσιμων φόρτων εργασίας στο cloud.

Ο προσαρμοσμένος φακός IDP Well-Architected Custom Lens ακολουθεί το AWS Well-Architected Framework, εξετάζοντας τη λύση με έξι πυλώνες με την ευαισθησία μιας συγκεκριμένης περίπτωσης χρήσης AI ή μηχανικής μάθησης (ML) και παρέχοντας την καθοδήγηση για την αντιμετώπιση κοινών προκλήσεων. Ο Καλά Αρχιτεκτονημένος Προσαρμοσμένος Φακός IDP στο Καλά αρχιτεκτονημένο εργαλείο περιέχει ερωτήσεις σχετικά με κάθε έναν από τους πυλώνες. Απαντώντας σε αυτές τις ερωτήσεις, μπορείτε να εντοπίσετε πιθανούς κινδύνους και να τους επιλύσετε ακολουθώντας το σχέδιο βελτίωσής σας.

Αυτή η ανάρτηση εστιάζει στο Πυλώνας απόδοσης απόδοσης του φόρτου εργασίας των εκτοπισθέντων. Βουτάμε βαθιά στο σχεδιασμό και την εφαρμογή της λύσης για βελτιστοποίηση όσον αφορά την απόδοση, την καθυστέρηση και τη συνολική απόδοση. Ξεκινάμε με τη συζήτηση ορισμένων κοινών δεικτών ότι θα πρέπει να κάνετε μια καλά Αρχιτεκτονική ανασκόπηση και εισάγουμε τις θεμελιώδεις προσεγγίσεις με αρχές σχεδιασμού. Στη συνέχεια περνάμε από κάθε περιοχή εστίασης από τεχνική άποψη.

Για να ακολουθήσετε αυτήν την ανάρτηση, θα πρέπει να είστε εξοικειωμένοι με τις προηγούμενες δημοσιεύσεις αυτής της σειράς (Μέρος 1 και Μέρος 2) και τις οδηγίες στο Οδηγίες για την Έξυπνη Επεξεργασία Εγγράφων στο AWS. Αυτοί οι πόροι εισάγουν κοινές υπηρεσίες AWS για φόρτους εργασίας IDP και προτεινόμενες ροές εργασίας. Με αυτή τη γνώση, είστε πλέον έτοιμοι να μάθετε περισσότερα σχετικά με την παραγωγή του φόρτου εργασίας σας.

Κοινοί δείκτες

Οι παρακάτω είναι συνηθισμένοι δείκτες ότι πρέπει να πραγματοποιήσετε μια καλά αρχιτεκτονημένη αναθεώρηση πλαισίου για τον πυλώνα απόδοσης απόδοσης:

• Υψηλή καθυστέρηση – Όταν η καθυστέρηση της οπτικής αναγνώρισης χαρακτήρων (OCR), της αναγνώρισης οντοτήτων ή της ροής εργασιών από άκρο σε άκρο διαρκεί περισσότερο από το προηγούμενο σημείο αναφοράς σας, αυτό μπορεί να αποτελεί ένδειξη ότι ο σχεδιασμός της αρχιτεκτονικής δεν καλύπτει τη δοκιμή φορτίου ή τη διαχείριση σφαλμάτων.
• Συχνό στραγγαλισμό – Μπορεί να αντιμετωπίσετε στραγγαλισμό από υπηρεσίες AWS όπως Textract Amazon λόγω ορίων αιτημάτων. Αυτό σημαίνει ότι η αρχιτεκτονική πρέπει να προσαρμοστεί αναθεωρώντας τη ροή εργασιών της αρχιτεκτονικής, τη σύγχρονη και ασύγχρονη υλοποίηση, τον υπολογισμό των συναλλαγών ανά δευτερόλεπτο (TPS) και πολλά άλλα.
• Δυσκολίες εντοπισμού σφαλμάτων – Όταν υπάρχει αποτυχία διαδικασίας εγγράφου, ενδέχεται να μην έχετε έναν αποτελεσματικό τρόπο να προσδιορίσετε πού βρίσκεται το σφάλμα στη ροή εργασίας, με ποια υπηρεσία σχετίζεται και γιατί παρουσιάστηκε η αποτυχία. Αυτό σημαίνει ότι το σύστημα δεν έχει ορατότητα σε αρχεία καταγραφής και αστοχίες. Εξετάστε το ενδεχόμενο να επανεξετάσετε τη σχεδίαση καταγραφής των δεδομένων τηλεμετρίας και να προσθέσετε υποδομή ως κώδικα (IaC), όπως αγωγούς επεξεργασίας εγγράφων, στη λύση.

δείκτες	Περιγραφή	Αρχιτεκτονικό Κενό
Υψηλή καθυστέρηση	OCR, αναγνώριση οντοτήτων ή λανθάνουσα ροή εργασιών από άκρο σε άκρο υπερβαίνει το προηγούμενο σημείο αναφοράς	Δοκιμές φορτίου Χειρισμός σφαλμάτων
Συχνός στραγγαλισμός	Στραγγαλισμός από υπηρεσίες AWS όπως το Amazon Textract λόγω ορίων αιτημάτων	Συγχρονισμός εναντίον Ασύγχρονου Υπολογισμός TPS
Δύσκολα ο εντοπισμός σφαλμάτων	Δεν υπάρχει ορατότητα σχετικά με τη θέση, την αιτία και την αιτία αποτυχιών επεξεργασίας εγγράφων	Σχεδιασμός υλοτομίας Σωληνώσεις Επεξεργασίας Εγγράφων

Αρχές σχεδιασμού

Σε αυτήν την ανάρτηση, συζητάμε τρεις αρχές σχεδιασμού: ανάθεση σύνθετων εργασιών AI, αρχιτεκτονικές IaC και αρχιτεκτονικές χωρίς διακομιστή. Όταν αντιμετωπίζετε μια αντιστάθμιση μεταξύ δύο υλοποιήσεων, μπορείτε να επανεξετάσετε τις αρχές σχεδιασμού με τις επιχειρηματικές προτεραιότητες του οργανισμού σας, ώστε να μπορείτε να λαμβάνετε αποφάσεις αποτελεσματικά.

• Ανάθεση σύνθετων εργασιών AI – Μπορείτε να ενεργοποιήσετε την ταχύτερη υιοθέτηση τεχνητής νοημοσύνης στον οργανισμό σας, μεταφορτώνοντας τον κύκλο ζωής ανάπτυξης μοντέλων ML σε διαχειριζόμενες υπηρεσίες και εκμεταλλευόμενοι την ανάπτυξη μοντέλων και την υποδομή που παρέχει η AWS. Αντί να απαιτείτε από τις ομάδες επιστήμης δεδομένων και IT να κατασκευάζουν και να συντηρούν μοντέλα τεχνητής νοημοσύνης, μπορείτε να χρησιμοποιήσετε προεκπαιδευμένες υπηρεσίες τεχνητής νοημοσύνης που μπορούν να αυτοματοποιήσουν εργασίες για εσάς. Αυτό επιτρέπει στις ομάδες σας να επικεντρωθούν σε εργασίες υψηλότερης αξίας που διαφοροποιούν την επιχείρησή σας, ενώ ο πάροχος cloud χειρίζεται την πολυπλοκότητα της εκπαίδευσης, της ανάπτυξης και της κλιμάκωσης των μοντέλων τεχνητής νοημοσύνης.
• Αρχιτεκτονικές IaC – Κατά την εκτέλεση μιας λύσης IDP, η λύση περιλαμβάνει πολλές υπηρεσίες τεχνητής νοημοσύνης για την εκτέλεση της ροής εργασιών από άκρο σε άκρο χρονολογικά. Μπορείτε να αρχιτεκτονήσετε τη λύση με αγωγούς ροής εργασιών χρησιμοποιώντας Λειτουργίες βημάτων AWS για ενίσχυση της ανοχής σφαλμάτων, της παράλληλης επεξεργασίας, της ορατότητας και της επεκτασιμότητας. Αυτά τα πλεονεκτήματα μπορούν να σας επιτρέψουν να βελτιστοποιήσετε τη χρήση και το κόστος των υποκείμενων υπηρεσιών AI.
• Χωρίς διακομιστή αρχιτεκτονικές – Το IDP είναι συχνά μια λύση που βασίζεται σε συμβάντα, η οποία ξεκινά από μεταφορτώσεις χρηστών ή προγραμματισμένες εργασίες. Η λύση μπορεί να κλιμακωθεί οριζόντια αυξάνοντας τα ποσοστά κλήσεων για τις υπηρεσίες τεχνητής νοημοσύνης, AWS Lambdaκαι άλλες εμπλεκόμενες υπηρεσίες. Μια προσέγγιση χωρίς διακομιστή παρέχει επεκτασιμότητα χωρίς υπερβολική παροχή πόρων, αποτρέποντας περιττά έξοδα. Η παρακολούθηση πίσω από τη σχεδίαση χωρίς διακομιστή βοηθά στον εντοπισμό προβλημάτων απόδοσης.

Έχοντας υπόψη αυτές τις τρεις αρχές σχεδιασμού, οι οργανισμοί μπορούν να δημιουργήσουν μια αποτελεσματική βάση για την υιοθέτηση AI/ML σε πλατφόρμες cloud. Με την ανάθεση πολυπλοκότητας, την εφαρμογή ανθεκτικής υποδομής και τον σχεδιασμό για κλίμακα, οι οργανισμοί μπορούν να βελτιστοποιήσουν τις λύσεις AI/ML τους.

Στις επόμενες ενότητες, θα συζητήσουμε πώς να αντιμετωπίσουμε κοινές προκλήσεις όσον αφορά τους τομείς τεχνικής εστίασης.

Περιοχές εστίασης

Όταν εξετάζουμε την αποδοτικότητα της απόδοσης, εξετάζουμε τη λύση από πέντε τομείς εστίασης: αρχιτεκτονική σχεδίαση, διαχείριση δεδομένων, διαχείριση σφαλμάτων, παρακολούθηση συστήματος και παρακολούθηση μοντέλου. Με αυτές τις περιοχές εστίασης, μπορείτε να πραγματοποιήσετε μια επισκόπηση αρχιτεκτονικής από διαφορετικές πτυχές για να βελτιώσετε την αποτελεσματικότητα, την παρατηρησιμότητα και την επεκτασιμότητα των τριών στοιχείων ενός έργου, δεδομένων, μοντέλου ή επιχειρηματικού στόχου AI/ML.

Αρχιτεκτονική σχεδίαση

Ανατρέξτε στις ερωτήσεις σε αυτήν την περιοχή εστίασης, θα ελέγξετε την υπάρχουσα ροή εργασίας για να δείτε εάν ακολουθεί τις βέλτιστες πρακτικές. Η προτεινόμενη ροή εργασίας παρέχει ένα κοινό μοτίβο που μπορούν να ακολουθήσουν οι οργανισμοί και αποτρέπει το κόστος δοκιμής και λάθους.

Βασισμένο στο προτεινόμενη αρχιτεκτονική, η ροή εργασίας ακολουθεί τα έξι στάδια συλλογής δεδομένων, ταξινόμησης, εξαγωγής, εμπλουτισμού, αναθεώρησης και επικύρωσης και κατανάλωσης. Στους κοινούς δείκτες που συζητήσαμε νωρίτερα, δύο στους τρεις προέρχονται από προβλήματα σχεδιασμού αρχιτεκτονικής. Αυτό συμβαίνει επειδή όταν ξεκινάτε ένα έργο με μια αυτοσχέδια προσέγγιση, ενδέχεται να συναντήσετε περιορισμούς του έργου όταν προσπαθείτε να ευθυγραμμίσετε την υποδομή σας με τη λύση σας. Με την ανασκόπηση του αρχιτεκτονικού σχεδιασμού, το αυτοσχέδιο σχέδιο μπορεί να αποσυνδεθεί ως στάδια, και καθένα από αυτά μπορεί να επαναξιολογηθεί και να παραγγελθεί εκ νέου.

Μπορείτε να εξοικονομήσετε χρόνο, χρήματα και εργασία με την εφαρμογή ταξινομήσεις στη ροή εργασιών σας και τα έγγραφα πηγαίνουν σε μεταγενέστερες εφαρμογές και API με βάση τον τύπο εγγράφου. Αυτό βελτιώνει την παρατηρησιμότητα της διαδικασίας εγγράφων και καθιστά τη λύση απλή στη διατήρηση κατά την προσθήκη νέων τύπων εγγράφων.

Διαχείριση δεδομένων

Η απόδοση μιας λύσης IDP περιλαμβάνει λανθάνουσα κατάσταση, απόδοση και εμπειρία χρήστη από άκρο σε άκρο. Ο τρόπος διαχείρισης του εγγράφου και των πληροφοριών που εξάγονται στη λύση είναι το κλειδί για τη συνέπεια, την ασφάλεια και το απόρρητο των δεδομένων. Επιπλέον, η λύση πρέπει να χειρίζεται υψηλούς όγκους δεδομένων με χαμηλή καθυστέρηση και υψηλή απόδοση.

Όταν εξετάζετε τις ερωτήσεις αυτής της περιοχής εστίασης, θα εξετάσετε τη ροή εργασίας του εγγράφου. Αυτό περιλαμβάνει απορρόφηση δεδομένων, προεπεξεργασία δεδομένων, μετατροπή εγγράφων σε τύπους εγγράφων αποδεκτούς από το Amazon Textract, χειρισμό εισερχόμενων ροών εγγράφων, δρομολόγηση εγγράφων ανά τύπο και εφαρμογή πολιτικών ελέγχου πρόσβασης και διατήρησης.

Για παράδειγμα, με την αποθήκευση ενός εγγράφου στις διάφορες επεξεργασμένες φάσεις, μπορείτε να αντιστρέψετε την επεξεργασία στο προηγούμενο βήμα, εάν χρειάζεται. Ο κύκλος ζωής δεδομένων διασφαλίζει την αξιοπιστία και τη συμμόρφωση με τον φόρτο εργασίας. Με τη χρήση του Υπολογιστής ποσοστώσεων υπηρεσιών Amazon Texttract (δείτε το παρακάτω στιγμιότυπο οθόνης), ασύγχρονες δυνατότητες στο Amazon Textract, Lambda, Step Functions, Υπηρεσία απλής ουράς Amazon (Amazon SQS), και Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS), οι οργανισμοί μπορούν να αυτοματοποιήσουν και να κλιμακώσουν τις εργασίες επεξεργασίας εγγράφων για να καλύψουν συγκεκριμένες ανάγκες φόρτου εργασίας.

Σφάλμα χειρισμού

Ο ισχυρός χειρισμός σφαλμάτων είναι κρίσιμος για την παρακολούθηση της κατάστασης της διαδικασίας εγγράφων και παρέχει στην ομάδα λειτουργίας χρόνο να αντιδράσει σε τυχόν μη φυσιολογικές συμπεριφορές, όπως απροσδόκητους όγκους εγγράφων, νέους τύπους εγγράφων ή άλλα απρογραμμάτιστα ζητήματα από υπηρεσίες τρίτων. Από την πλευρά του οργανισμού, ο σωστός χειρισμός σφαλμάτων μπορεί να βελτιώσει το χρόνο λειτουργίας και την απόδοση του συστήματος.

Μπορείτε να αναλύσετε τον χειρισμό σφαλμάτων σε δύο βασικές πτυχές:

• Διαμόρφωση υπηρεσίας AWS – Μπορείτε να εφαρμόσετε τη λογική επανάληψης με εκθετική υποχώρηση για να χειριστείτε παροδικά σφάλματα όπως ο στραγγαλισμός. Όταν ξεκινάτε την επεξεργασία καλώντας μια ασύγχρονη λειτουργία Έναρξης*, όπως π.χ StartDocumentText Detection, μπορείτε να καθορίσετε ότι η κατάσταση ολοκλήρωσης του αιτήματος δημοσιεύεται σε ένα θέμα SNS στο Κανάλι ειδοποιήσεων διαμόρφωση. Αυτό σας βοηθά να αποφύγετε τα περιοριστικά όρια στις κλήσεις API λόγω της δημοσκόπησης των Get* API. Μπορείτε επίσης να εφαρμόσετε συναγερμούς σε amazoncloudwatch και ενεργοποιεί την ειδοποίηση όταν εμφανίζονται ασυνήθιστες αιχμές σφάλματος.
• Βελτίωση αναφοράς σφάλματος – Περιλαμβάνει λεπτομερή μηνύματα με κατάλληλο επίπεδο λεπτομέρειας ανά τύπο σφάλματος και περιγραφές των απαντήσεων χειρισμού σφαλμάτων. Με την κατάλληλη ρύθμιση διαχείρισης σφαλμάτων, τα συστήματα μπορούν να είναι πιο ανθεκτικά εφαρμόζοντας κοινά μοτίβα όπως η αυτόματη επανάληψη διακοπτόμενων σφαλμάτων, η χρήση διακοπτών κυκλώματος για τον χειρισμό κλιμακωτών αστοχιών και η παρακολούθηση υπηρεσιών για την απόκτηση εικόνας για σφάλματα. Αυτό επιτρέπει στη λύση να ισορροπεί μεταξύ των ορίων επανάληψης δοκιμής και αποτρέπει τους ατέρμονους βρόχους κυκλώματος.

Παρακολούθηση μοντέλου

Η απόδοση των μοντέλων ML παρακολουθείται για υποβάθμιση με την πάροδο του χρόνου. Καθώς τα δεδομένα και οι συνθήκες του συστήματος αλλάζουν, οι μετρήσεις απόδοσης και αποδοτικότητας του μοντέλου παρακολουθούνται για να διασφαλιστεί ότι η επανεκπαίδευση πραγματοποιείται όταν χρειάζεται.

Το μοντέλο ML σε μια ροή εργασίας IDP μπορεί να είναι μοντέλο OCR, μοντέλο αναγνώρισης οντοτήτων ή μοντέλο ταξινόμησης. Το μοντέλο μπορεί να προέρχεται από μια υπηρεσία AWS AI, ένα μοντέλο ανοιχτού κώδικα Amazon Sage Maker, Θεμέλιο του Αμαζονίου, ή άλλες υπηρεσίες τρίτων. Πρέπει να κατανοήσετε τους περιορισμούς και τις περιπτώσεις χρήσης κάθε υπηρεσίας, προκειμένου να εντοπίσετε τρόπους βελτίωσης του μοντέλου με ανθρώπινη ανατροφοδότηση και βελτίωση της απόδοσης της υπηρεσίας με την πάροδο του χρόνου.

Μια κοινή προσέγγιση είναι η χρήση αρχείων καταγραφής υπηρεσιών για την κατανόηση διαφορετικών επιπέδων ακρίβειας. Αυτά τα αρχεία καταγραφής μπορούν να βοηθήσουν την ομάδα επιστήμης δεδομένων να εντοπίσει και να κατανοήσει οποιαδήποτε ανάγκη για επανεκπαίδευση μοντέλων. Ο οργανισμός σας μπορεί να επιλέξει τον μηχανισμό επανεκπαίδευσης—μπορεί να είναι τριμηνιαία, μηνιαία ή να βασίζεται σε επιστημονικές μετρήσεις, όπως όταν η ακρίβεια πέσει κάτω από ένα δεδομένο όριο.

Ο στόχος της παρακολούθησης δεν είναι απλώς ο εντοπισμός προβλημάτων, αλλά το κλείσιμο του βρόχου για τη συνεχή βελτίωση των μοντέλων και τη διατήρηση της απόδοσης της λύσης IDP καθώς εξελίσσεται το εξωτερικό περιβάλλον.

Παρακολούθηση συστήματος

Αφού αναπτύξετε τη λύση IDP στην παραγωγή, είναι σημαντικό να παρακολουθείτε τις βασικές μετρήσεις και την απόδοση του αυτοματισμού για να εντοπίσετε τομείς προς βελτίωση. Οι μετρήσεις θα πρέπει να περιλαμβάνουν μετρήσεις επιχειρήσεων και τεχνικές μετρήσεις. Αυτό επιτρέπει στην εταιρεία να αξιολογεί την απόδοση του συστήματος, να εντοπίζει ζητήματα και να κάνει βελτιώσεις σε μοντέλα, κανόνες και ροές εργασίας με την πάροδο του χρόνου για να αυξήσει το ποσοστό αυτοματισμού για να κατανοήσει τον λειτουργικό αντίκτυπο.

Από την πλευρά των επιχειρήσεων, μετρήσεις όπως η ακρίβεια εξαγωγής για σημαντικά πεδία, ο συνολικός ρυθμός αυτοματισμού που υποδεικνύει το ποσοστό των εγγράφων που υποβάλλονται σε επεξεργασία χωρίς ανθρώπινη παρέμβαση και ο μέσος χρόνος επεξεργασίας ανά έγγραφο είναι πρωταρχικής σημασίας. Αυτές οι επιχειρηματικές μετρήσεις βοηθούν στον ποσοτικό προσδιορισμό της εμπειρίας του τελικού χρήστη και των κερδών λειτουργικής αποτελεσματικότητας.

Οι τεχνικές μετρήσεις, συμπεριλαμβανομένων των ποσοστών σφαλμάτων και εξαιρέσεων που εμφανίζονται σε όλη τη ροή εργασίας, είναι απαραίτητες για την παρακολούθηση από μηχανολογική άποψη. Οι τεχνικές μετρήσεις μπορούν επίσης να παρακολουθούν σε κάθε επίπεδο από άκρη σε άκρη και να παρέχουν μια ολοκληρωμένη εικόνα ενός πολύπλοκου φόρτου εργασίας. Μπορείτε να αναλύσετε τις μετρήσεις σε διαφορετικά επίπεδα, όπως επίπεδο λύσης, επίπεδο ροής εργασίας από άκρο σε άκρο, επίπεδο τύπου εγγράφου, επίπεδο εγγράφου, επίπεδο αναγνώρισης οντοτήτων και επίπεδο OCR.

Τώρα που έχετε αναθεωρήσει όλες τις ερωτήσεις σε αυτόν τον πυλώνα, μπορείτε να αξιολογήσετε τους άλλους πυλώνες και να αναπτύξετε ένα σχέδιο βελτίωσης για τον φόρτο εργασίας του IDP.

Συμπέρασμα

Σε αυτήν την ανάρτηση, συζητήσαμε κοινούς δείκτες που μπορεί να χρειαστείτε για να εκτελέσετε μια καλά αρχιτεκτονημένη ανασκόπηση πλαισίου για τον πυλώνα απόδοσης απόδοσης για τον φόρτο εργασίας του IDP. Στη συνέχεια ακολουθήσαμε τις αρχές σχεδιασμού για να παρέχουμε μια επισκόπηση υψηλού επιπέδου και να συζητήσουμε τον στόχο της λύσης. Ακολουθώντας αυτές τις προτάσεις σχετικά με τον Προσαρμοσμένο φακό IDP Well-Architected και εξετάζοντας τις ερωτήσεις ανά περιοχή εστίασης, θα πρέπει τώρα να έχετε ένα σχέδιο βελτίωσης έργου.

---

Σχετικά με τους Συγγραφείς

Μία Τσανγκ είναι Αρχιτέκτονας ML Specialist Solutions για τις Υπηρεσίες Ιστού της Amazon. Συνεργάζεται με πελάτες στην EMEA και μοιράζεται τις βέλτιστες πρακτικές για την εκτέλεση φόρτου εργασίας AI/ML στο cloud με το υπόβαθρό της στα εφαρμοσμένα μαθηματικά, την επιστήμη των υπολογιστών και την AI/ML. Επικεντρώνεται σε συγκεκριμένους φόρτους εργασίας για το NLP και μοιράζεται την εμπειρία της ως ομιλήτρια συνεδρίων και συγγραφέας βιβλίων. Στον ελεύθερο χρόνο της, της αρέσει η πεζοπορία, τα επιτραπέζια παιχνίδια και η παρασκευή καφέ.

Brijesh Pati είναι αρχιτέκτονας Enterprise Solutions στην AWS. Η κύρια εστίασή του είναι να βοηθά τους εταιρικούς πελάτες να υιοθετήσουν τεχνολογίες cloud για τον φόρτο εργασίας τους. Έχει ένα υπόβαθρο στην ανάπτυξη εφαρμογών και στην αρχιτεκτονική επιχειρήσεων και έχει συνεργαστεί με πελάτες από διάφορους κλάδους όπως ο αθλητισμός, τα οικονομικά, η ενέργεια και οι επαγγελματικές υπηρεσίες. Τα ενδιαφέροντά του περιλαμβάνουν αρχιτεκτονικές χωρίς διακομιστή και AI/ML.

Ρούι Καρντόσο είναι συνεργάτης αρχιτέκτονας λύσεων στην Amazon Web Services (AWS). Επικεντρώνεται στο AI/ML και στο IoT. Συνεργάζεται με τους AWS Partners και τους υποστηρίζει στην ανάπτυξη λύσεων στο AWS. Όταν δεν εργάζεται, του αρέσει το ποδήλατο, η πεζοπορία και να μαθαίνει νέα πράγματα.

Τιμ Κοντέλλο είναι ανώτερος αρχιτέκτονας λύσεων τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML) στην Amazon Web Services (AWS). Η εστίασή του είναι η επεξεργασία φυσικής γλώσσας και η όραση υπολογιστή. Ο Tim απολαμβάνει να δέχεται ιδέες πελατών και να τις μετατρέπει σε επεκτάσιμες λύσεις.

Σέρι Ντινγκ είναι ανώτερος αρχιτέκτονας λύσεων τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML) στην Amazon Web Services (AWS). Έχει μεγάλη εμπειρία στη μηχανική μάθηση με διδακτορικό στην επιστήμη των υπολογιστών. Συνεργάζεται κυρίως με πελάτες του δημόσιου τομέα σε διάφορες επιχειρηματικές προκλήσεις που σχετίζονται με AI/ML, βοηθώντας τους να επιταχύνουν το ταξίδι μηχανικής εκμάθησης στο AWS Cloud. Όταν δεν βοηθά τους πελάτες, απολαμβάνει τις υπαίθριες δραστηριότητες.

Σουγίν Γουάνγκ είναι AI/ML Specialist Solutions Architect στο AWS. Έχει διεπιστημονικό εκπαιδευτικό υπόβαθρο στη Μηχανική Μάθηση, την Υπηρεσία Χρηματοοικονομικών Πληροφοριών και τα Οικονομικά, μαζί με πολυετή εμπειρία στη δημιουργία εφαρμογών Επιστήμης Δεδομένων και Μηχανικής Μάθησης που έλυσαν επιχειρηματικά προβλήματα του πραγματικού κόσμου. Της αρέσει να βοηθά τους πελάτες να εντοπίζουν τις σωστές επιχειρηματικές ερωτήσεις και να δημιουργεί τις σωστές λύσεις AI/ML. Στον ελεύθερο χρόνο της λατρεύει το τραγούδι και τη μαγειρική.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/build-well-architected-idp-solutions-with-a-custom-lens-part-4-performance-efficiency/