Κατασκευάστε έναν αγωγό MLOps από άκρο σε άκρο για οπτική επιθεώρηση ποιότητας στην άκρη – Μέρος 1 | Υπηρεσίες Ιστού της Amazon

Η επιτυχής ανάπτυξη ενός μοντέλου μηχανικής μάθησης (ML) σε περιβάλλον παραγωγής βασίζεται σε μεγάλο βαθμό σε έναν αγωγό ML από άκρο σε άκρο. Αν και η ανάπτυξη ενός τέτοιου αγωγού μπορεί να είναι προκλητική, γίνεται ακόμη πιο περίπλοκη όταν αντιμετωπίζουμε έναν περίπτωση χρήσης edge ML. Η μηχανική εκμάθηση στο edge είναι μια ιδέα που φέρνει τη δυνατότητα εκτέλεσης μοντέλων ML τοπικά σε συσκευές αιχμής. Προκειμένου να αναπτυχθούν, να παρακολουθηθούν και να διατηρηθούν αυτά τα μοντέλα στην άκρη, απαιτείται μια ισχυρή γραμμή MLOps. Ένας αγωγός MLOps επιτρέπει την αυτοματοποίηση του πλήρους κύκλου ζωής του ML από την επισήμανση δεδομένων έως την εκπαίδευση και την ανάπτυξη μοντέλων.

Η εφαρμογή ενός αγωγού MLOps στην άκρη εισάγει πρόσθετες πολυπλοκότητες που καθιστούν τις διαδικασίες αυτοματισμού, ολοκλήρωσης και συντήρησης πιο δύσκολες λόγω των αυξημένων λειτουργικών εξόδων. Ωστόσο, χρησιμοποιώντας ειδικά κατασκευασμένες υπηρεσίες όπως Amazon Sage Maker και AWS IoT Greengrass σας επιτρέπει να μειώσετε σημαντικά αυτή την προσπάθεια. Σε αυτή τη σειρά, σας καθοδηγούμε στη διαδικασία της αρχιτεκτονικής και της κατασκευής ενός ολοκληρωμένου αγωγού MLOps από άκρο σε άκρο για μια θήκη χρήσης όρασης υπολογιστή στην άκρη χρησιμοποιώντας το SageMaker, το AWS IoT Greengrass και το Κιτ ανάπτυξης AWS Cloud (AWS CDK).

Αυτή η ανάρτηση εστιάζει στο σχεδιασμό της συνολικής αρχιτεκτονικής αγωγών MLOps. Μέρος 2 και Μέρος 3 αυτής της σειράς επικεντρώνονται στην υλοποίηση των επιμέρους στοιχείων. Παρέχουμε ένα δείγμα υλοποίησης στο συνοδευτικό Αποθετήριο GitHub για να δοκιμάσεις μόνος σου. Εάν μόλις ξεκινάτε με τα MLOps στο όριο του AWS, ανατρέξτε στο MLO στα άκρα με το Amazon SageMaker Edge Manager και το AWS IoT Greengrass για μια επισκόπηση και αρχιτεκτονική αναφοράς.

Περίπτωση χρήσης: Έλεγχος ποιότητας μεταλλικών ετικετών

Ως μηχανικός ML, είναι σημαντικό να κατανοήσετε την επιχειρηματική υπόθεση στην οποία εργάζεστε. Προτού λοιπόν βουτήξουμε στην αρχιτεκτονική του αγωγού MLOps, ας δούμε το δείγμα περίπτωσης χρήσης για αυτήν την ανάρτηση. Φανταστείτε μια γραμμή παραγωγής ενός κατασκευαστή που χαράζει μεταλλικές ετικέτες για να δημιουργήσει προσαρμοσμένες ετικέτες αποσκευών. Η διαδικασία διασφάλισης ποιότητας είναι δαπανηρή επειδή οι ετικέτες ακατέργαστου μετάλλου πρέπει να επιθεωρούνται χειροκίνητα για ελαττώματα όπως γρατσουνιές. Για να κάνουμε αυτή τη διαδικασία πιο αποτελεσματική, χρησιμοποιούμε ML για να εντοπίσουμε ελαττωματικές ετικέτες νωρίς στη διαδικασία. Αυτό βοηθά στην αποφυγή δαπανηρών ελαττωμάτων σε μεταγενέστερα στάδια της παραγωγικής διαδικασίας. Το μοντέλο θα πρέπει να εντοπίζει πιθανά ελαττώματα όπως γρατσουνιές σε σχεδόν πραγματικό χρόνο και να τα επισημαίνει. Σε περιβάλλοντα κατασκευής καταστημάτων, συχνά πρέπει να αντιμετωπίσετε καμία συνδεσιμότητα ή περιορισμένο εύρος ζώνης και αυξημένη καθυστέρηση. Ως εκ τούτου, θέλουμε να εφαρμόσουμε μια λύση ML στην άκρη για οπτική επιθεώρηση ποιότητας που μπορεί να εκτελέσει συμπεράσματα τοπικά στο κατάστημα και να μειώσει τις απαιτήσεις όσον αφορά τη συνδεσιμότητα. Για να διατηρήσουμε το παράδειγμά μας απλό, εκπαιδεύουμε ένα μοντέλο που επισημαίνει τις ανιχνευμένες γρατσουνιές με οριοθέτηση κουτιών. Η παρακάτω εικόνα είναι ένα παράδειγμα μιας ετικέτας από το σύνολο δεδομένων μας με τρεις γρατσουνιές σημειωμένες.

Καθορισμός της αρχιτεκτονικής του αγωγού

Τώρα έχουμε αποκτήσει σαφήνεια στην περίπτωση χρήσης μας και στο συγκεκριμένο πρόβλημα ML που στοχεύουμε να αντιμετωπίσουμε, το οποίο περιστρέφεται γύρω από την ανίχνευση αντικειμένων στην άκρη. Τώρα ήρθε η ώρα να σχεδιάσουμε μια αρχιτεκτονική για τον αγωγό MLOps. Σε αυτό το στάδιο, δεν εξετάζουμε ακόμη τις τεχνολογίες ή τις συγκεκριμένες υπηρεσίες, αλλά τα στοιχεία υψηλού επιπέδου του αγωγού μας. Προκειμένου να επανεκπαιδευτούμε και να αναπτύξουμε γρήγορα, πρέπει να αυτοματοποιήσουμε ολόκληρη τη διαδικασία από άκρο σε άκρο: από την επισήμανση δεδομένων, στην εκπαίδευση, μέχρι τα συμπεράσματα. Ωστόσο, υπάρχουν μερικές προκλήσεις που καθιστούν τη δημιουργία ενός αγωγού για μια θήκη άκρων ιδιαίτερα δύσκολη:

• Η κατασκευή διαφορετικών τμημάτων αυτής της διαδικασίας απαιτεί διαφορετικά σύνολα δεξιοτήτων. Για παράδειγμα, η επισήμανση δεδομένων και η εκπαίδευση έχουν μια ισχυρή εστίαση στην επιστήμη δεδομένων, η ανάπτυξη αιχμής απαιτεί έναν ειδικό στο Internet of Things (IoT) και η αυτοματοποίηση της όλης διαδικασίας συνήθως γίνεται από κάποιον με ένα σύνολο δεξιοτήτων DevOps.
• Ανάλογα με τον οργανισμό σας, όλη αυτή η διαδικασία μπορεί ακόμη και να εφαρμοστεί από πολλές ομάδες. Για την περίπτωση χρήσης μας, εργαζόμαστε με την παραδοχή ότι χωριστές ομάδες είναι υπεύθυνες για την επισήμανση, την εκπαίδευση και την ανάπτυξη.
• Περισσότεροι ρόλοι και σύνολα δεξιοτήτων σημαίνουν διαφορετικές απαιτήσεις όσον αφορά τα εργαλεία και τις διαδικασίες. Για παράδειγμα, οι επιστήμονες δεδομένων μπορεί να θέλουν να παρακολουθούν και να εργαστούν με το οικείο περιβάλλον φορητών υπολογιστών τους. Οι μηχανικοί του MLOps θέλουν να εργαστούν χρησιμοποιώντας την υποδομή ως εργαλεία κώδικα (IaC) και μπορεί να είναι πιο εξοικειωμένοι με το Κονσόλα διαχείρισης AWS.

Τι σημαίνει αυτό για την αρχιτεκτονική των αγωγών μας;

Πρώτον, είναι σημαντικό να καθοριστούν με σαφήνεια τα κύρια στοιχεία του συστήματος από άκρο σε άκρο που επιτρέπει σε διαφορετικές ομάδες να εργάζονται ανεξάρτητα. Δεύτερον, πρέπει να οριστούν καλά καθορισμένες διεπαφές μεταξύ των ομάδων για να ενισχυθεί η αποτελεσματικότητα της συνεργασίας. Αυτές οι διεπαφές συμβάλλουν στην ελαχιστοποίηση των διαταραχών μεταξύ των ομάδων, επιτρέποντάς τους να τροποποιούν τις εσωτερικές τους διεργασίες όσο χρειάζεται, εφόσον τηρούν τις καθορισμένες διεπαφές. Το παρακάτω διάγραμμα δείχνει πώς θα μπορούσε να μοιάζει αυτό για τη γραμμή όρασης υπολογιστή μας.

Ας εξετάσουμε τη συνολική αρχιτεκτονική του αγωγού MLOps λεπτομερώς:

1. Η διαδικασία ξεκινά με μια συλλογή ακατέργαστων εικόνων μεταλλικών ετικετών, οι οποίες καταγράφονται χρησιμοποιώντας μια συσκευή κάμερας άκρων στο περιβάλλον παραγωγής για να σχηματίσουν ένα αρχικό σύνολο δεδομένων εκπαίδευσης.
2. Το επόμενο βήμα περιλαμβάνει την επισήμανση αυτών των εικόνων και την επισήμανση ελαττωμάτων χρησιμοποιώντας πλαίσια οριοθέτησης. Είναι σημαντικό να εκδοθεί το επισημασμένο σύνολο δεδομένων, διασφαλίζοντας την ιχνηλασιμότητα και τη λογοδοσία για τα δεδομένα εκπαίδευσης που χρησιμοποιούνται.
3. Αφού έχουμε ένα επισημασμένο σύνολο δεδομένων, μπορούμε να προχωρήσουμε στην εκπαίδευση, τη λεπτομέρεια, την αξιολόγηση και την έκδοση του μοντέλου μας.
4. Όταν είμαστε ευχαριστημένοι με την απόδοση του μοντέλου μας, μπορούμε να αναπτύξουμε το μοντέλο σε μια συσκευή edge και να εκτελέσουμε ζωντανά συμπεράσματα στο edge.
5. Ενώ το μοντέλο λειτουργεί στην παραγωγή, η συσκευή της κάμερας άκρων δημιουργεί πολύτιμα δεδομένα εικόνας που περιέχουν προηγουμένως αόρατα ελαττώματα και περιβλήματα άκρων. Μπορούμε να χρησιμοποιήσουμε αυτά τα δεδομένα για να βελτιώσουμε περαιτέρω την απόδοση του μοντέλου μας. Για να το πετύχουμε αυτό, αποθηκεύουμε εικόνες για τις οποίες το μοντέλο προβλέπει με χαμηλή εμπιστοσύνη ή κάνει λανθασμένες προβλέψεις. Στη συνέχεια, αυτές οι εικόνες προστίθενται ξανά στο ακατέργαστο σύνολο δεδομένων μας, ξεκινώντας ξανά ολόκληρη τη διαδικασία.

Είναι σημαντικό να σημειωθεί ότι τα ακατέργαστα δεδομένα εικόνας, τα δεδομένα με ετικέτα και το εκπαιδευμένο μοντέλο χρησιμεύουν ως καλά καθορισμένες διεπαφές μεταξύ των διακριτών αγωγών. Οι μηχανικοί MLOps και οι επιστήμονες δεδομένων έχουν την ευελιξία να επιλέξουν τις τεχνολογίες εντός των αγωγών τους, εφόσον παράγουν με συνέπεια αυτά τα τεχνουργήματα. Το πιο σημαντικό είναι ότι έχουμε δημιουργήσει έναν κλειστό βρόχο ανατροφοδότησης. Οι λανθασμένες ή χαμηλής εμπιστοσύνης προβλέψεις που γίνονται στην παραγωγή μπορούν να χρησιμοποιηθούν για την τακτική αύξηση των δεδομένων μας και την αυτόματη επανεκπαίδευση και βελτίωση του μοντέλου.

Αρχιτεκτονική στόχου

Τώρα που έχει εδραιωθεί η αρχιτεκτονική υψηλού επιπέδου, ήρθε η ώρα να πάμε ένα επίπεδο πιο βαθιά και να δούμε πώς θα μπορούσαμε να το φτιάξουμε με τις υπηρεσίες AWS. Σημειώστε ότι η αρχιτεκτονική που εμφανίζεται σε αυτήν την ανάρτηση προϋποθέτει ότι θέλετε να έχετε τον πλήρη έλεγχο ολόκληρης της διαδικασίας της επιστήμης δεδομένων. Ωστόσο, εάν μόλις ξεκινήσετε με τον ποιοτικό έλεγχο στην άκρη, σας συνιστούμε Amazon Lookout for Vision. Παρέχει έναν τρόπο να εκπαιδεύσετε το δικό σας μοντέλο ποιοτικού ελέγχου χωρίς να χρειάζεται να δημιουργήσετε, να διατηρήσετε ή να κατανοήσετε τον κώδικα ML. Για περισσότερες πληροφορίες, ανατρέξτε στο Το Amazon Lookout for Vision υποστηρίζει τώρα την οπτική επιθεώρηση των ελαττωμάτων του προϊόντος στην άκρη.

Ωστόσο, εάν θέλετε να πάρετε τον πλήρη έλεγχο, το παρακάτω διάγραμμα δείχνει πώς θα μπορούσε να μοιάζει μια αρχιτεκτονική.

Όπως και πριν, ας περπατήσουμε βήμα προς βήμα στη ροή εργασίας και ας προσδιορίσουμε ποιες υπηρεσίες AWS ταιριάζουν στις απαιτήσεις μας:

1. Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) χρησιμοποιείται για την αποθήκευση ακατέργαστων δεδομένων εικόνας επειδή μας παρέχει μια χαμηλού κόστους λύση αποθήκευσης.
2. Η ροή εργασιών επισήμανσης ενορχηστρώνεται χρησιμοποιώντας Λειτουργίες βημάτων AWS, μια μηχανή ροής εργασίας χωρίς διακομιστή που διευκολύνει την ενορχήστρωση των βημάτων της ροής εργασιών επισήμανσης. Ως μέρος αυτής της ροής εργασίας, χρησιμοποιούμε Amazon SageMaker Ground Αλήθεια για την πλήρη αυτοματοποίηση της επισήμανσης χρησιμοποιώντας εργασίες επισήμανσης και διαχειριζόμενο ανθρώπινο δυναμικό. AWS Lambda χρησιμοποιείται για την προετοιμασία των δεδομένων, την έναρξη των εργασιών επισήμανσης και την αποθήκευση των ετικετών Κατάστημα χαρακτηριστικών Amazon SageMaker.
3. Το SageMaker Feature Store αποθηκεύει τις ετικέτες. Μας επιτρέπει να διαχειριζόμαστε κεντρικά και να μοιραζόμαστε τις δυνατότητές μας και μας παρέχει ενσωματωμένες δυνατότητες έκδοσης εκδόσεων δεδομένων, γεγονός που καθιστά τον αγωγό μας πιο εύρωστο.
4. Ενορχηστρώνουμε το μοντέλο του κτιρίου και του αγωγού εκπαίδευσης χρησιμοποιώντας Αγωγοί Amazon SageMaker. Ενσωματώνεται με τις άλλες λειτουργίες του SageMaker που απαιτούνται μέσω ενσωματωμένων βημάτων. Εργασίες εκπαίδευσης SageMaker χρησιμοποιούνται για την αυτοματοποίηση της εκπαίδευσης του μοντέλου και Εργασίες επεξεργασίας SageMaker χρησιμοποιούνται για την προετοιμασία των δεδομένων και την αξιολόγηση της απόδοσης του μοντέλου. Σε αυτό το παράδειγμα, χρησιμοποιούμε το Ultralytics YOLOv8 Πακέτο Python και αρχιτεκτονική μοντέλου για εκπαίδευση και εξαγωγή ενός μοντέλου ανίχνευσης αντικειμένων στο ONNX Μορφή μοντέλου ML για φορητότητα.
5. Εάν η απόδοση είναι αποδεκτή, το εκπαιδευμένο μοντέλο καταχωρείται στο Μητρώο μοντέλων Amazon SageMaker με συνημμένο έναν αυξητικό αριθμό έκδοσης. Λειτουργεί ως η διεπαφή μας μεταξύ των βημάτων εκπαίδευσης μοντέλου και ανάπτυξης ακμών. Διαχειριζόμαστε επίσης την κατάσταση έγκρισης των μοντέλων εδώ. Παρόμοια με τις άλλες υπηρεσίες που χρησιμοποιούνται, είναι πλήρως διαχειριζόμενη, επομένως δεν χρειάζεται να φροντίζουμε για τη λειτουργία της δικής μας υποδομής.
6. Η ροή εργασιών ανάπτυξης άκρων είναι αυτοματοποιημένη χρησιμοποιώντας Λειτουργίες Βήματος, παρόμοια με τη ροή εργασιών επισήμανσης. Μπορούμε να χρησιμοποιήσουμε τις ενσωματώσεις API των Step Functions για να καλέσουμε εύκολα τα διάφορα απαιτούμενα API υπηρεσίας AWS, όπως το AWS IoT Greengrass, για να δημιουργήσουμε νέα στοιχεία μοντέλου και στη συνέχεια να αναπτύξουμε τα στοιχεία στη συσκευή edge.
7. Το AWS IoT Greengrass χρησιμοποιείται ως περιβάλλον χρόνου εκτέλεσης της συσκευής edge. Διαχειρίζεται τον κύκλο ζωής ανάπτυξης για το μοντέλο μας και τα στοιχεία συμπερασμάτων στην άκρη. Μας επιτρέπει να αναπτύσσουμε εύκολα νέες εκδόσεις του μοντέλου μας και στοιχεία συμπερασμάτων χρησιμοποιώντας απλές κλήσεις API. Επιπλέον, τα μοντέλα ML στην άκρη συνήθως δεν λειτουργούν μεμονωμένα. μπορούμε να χρησιμοποιήσουμε τα διάφορα AWS και κοινότητα παρείχε στοιχεία του AWS IoT Greengrass για σύνδεση με άλλες υπηρεσίες.

Η αρχιτεκτονική που περιγράφεται μοιάζει με την αρχιτεκτονική υψηλού επιπέδου που παρουσιάστηκε πριν. Το Amazon S3, το SageMaker Feature Store και το SageMaker Model Registry λειτουργούν ως διεπαφές μεταξύ των διαφορετικών αγωγών. Για να ελαχιστοποιήσουμε την προσπάθεια εκτέλεσης και λειτουργίας της λύσης, χρησιμοποιούμε διαχειριζόμενες και χωρίς διακομιστή υπηρεσίες όπου είναι δυνατόν.

Συγχώνευση σε ένα ισχυρό σύστημα CI/CD

Τα βήματα επισήμανσης δεδομένων, εκπαίδευσης μοντέλων και ανάπτυξης άκρων αποτελούν τον πυρήνα της λύσης μας. Ως εκ τούτου, οποιαδήποτε αλλαγή που σχετίζεται με τον υποκείμενο κώδικα ή δεδομένα σε οποιοδήποτε από αυτά τα μέρη θα πρέπει να ενεργοποιήσει μια νέα εκτέλεση ολόκληρης της διαδικασίας ενορχήστρωσης. Για να το επιτύχουμε αυτό, πρέπει να ενσωματώσουμε αυτόν τον αγωγό σε ένα σύστημα CI/CD που μας επιτρέπει να αναπτύσσουμε αυτόματα αλλαγές κώδικα και υποδομής από ένα εκδομένο αποθετήριο κώδικα στην παραγωγή. Παρόμοια με την προηγούμενη αρχιτεκτονική, η αυτονομία της ομάδας είναι μια σημαντική πτυχή εδώ. Το παρακάτω διάγραμμα δείχνει πώς θα μπορούσε να μοιάζει με τη χρήση υπηρεσιών AWS.

Ας δούμε την αρχιτεκτονική CI/CD:

1. AWS CodeCommit λειτουργεί ως το αποθετήριο Git μας. Για λόγους απλότητας, στο παρεχόμενο δείγμα μας, διαχωρίσαμε τα διακριτά μέρη (επισήμανση, εκπαίδευση μοντέλου, ανάπτυξη άκρων) μέσω υποφακέλων σε ένα ενιαίο αποθετήριο git. Σε ένα πραγματικό σενάριο, κάθε ομάδα μπορεί να χρησιμοποιεί διαφορετικά αποθετήρια για κάθε μέρος.
2. Η ανάπτυξη της υποδομής είναι αυτοματοποιημένη χρησιμοποιώντας το AWS CDK και κάθε τμήμα (επισήμανση, εκπαίδευση και άκρη) έχει τη δική του εφαρμογή AWS CDK για να επιτρέπει ανεξάρτητες αναπτύξεις.
3. Η δυνατότητα διοχέτευσης AWS CDK χρησιμοποιεί Αγωγός κώδικα AWS για την αυτοματοποίηση της υποδομής και της ανάπτυξης κώδικα.
4. Το AWS CDK αναπτύσσει δύο αγωγούς κώδικα για κάθε βήμα: μια διοχέτευση στοιχείων και μια διοχέτευση ροής εργασιών. Διαχωρίσαμε τη ροή εργασιών από την ανάπτυξη στοιχείων για να μας επιτρέψουμε να ξεκινήσουμε τις ροές εργασίας ξεχωριστά σε περίπτωση που δεν υπάρχουν αλλαγές στοιχείων (για παράδειγμα, όταν υπάρχουν νέες εικόνες διαθέσιμες για εκπαίδευση).
   • Η γραμμή κώδικα περιουσιακών στοιχείων αναπτύσσει όλη την υποδομή που απαιτείται για την επιτυχή εκτέλεση της ροής εργασίας, όπως π.χ Διαχείριση ταυτότητας και πρόσβασης AWS ρόλοι (IAM), συναρτήσεις λάμδα και εικόνες κοντέινερ που χρησιμοποιούνται κατά τη διάρκεια της προπόνησης.
   • Η διοχέτευση κώδικα ροής εργασίας εκτελεί την πραγματική ροή εργασιών επισήμανσης, εκπαίδευσης ή ανάπτυξης άκρων.
5. Οι αγωγοί περιουσιακών στοιχείων ενεργοποιούνται αυτόματα κατά τη δέσμευση καθώς και όταν έχει ολοκληρωθεί μια προηγούμενη διοχέτευση ροής εργασιών.
6. Η όλη διαδικασία ενεργοποιείται σε ένα χρονοδιάγραμμα χρησιμοποιώντας ένα Amazon EventBridge κανόνας για τακτική επανεκπαίδευση.

Με την ενσωμάτωση CI/CD, ολόκληρη η αλυσίδα από άκρο σε άκρο είναι πλέον πλήρως αυτοματοποιημένη. Η διοχέτευση ενεργοποιείται κάθε φορά που αλλάζει ο κώδικας στο αποθετήριο git μας καθώς και σε ένα χρονοδιάγραμμα για την προσαρμογή των αλλαγών δεδομένων.

Σκεφτομαι μπροστα

Η αρχιτεκτονική λύσης που περιγράφεται αντιπροσωπεύει τα βασικά στοιχεία για την κατασκευή ενός αγωγού MLOps από άκρο σε άκρο στην άκρη. Ωστόσο, ανάλογα με τις απαιτήσεις σας, ίσως σκεφτείτε να προσθέσετε πρόσθετη λειτουργικότητα. Ακολουθούν μερικά παραδείγματα:

Συμπέρασμα

Σε αυτήν την ανάρτηση, περιγράψαμε την αρχιτεκτονική μας για την κατασκευή ενός αγωγού MLOps από άκρο σε άκρο για οπτική επιθεώρηση ποιότητας στην άκρη χρησιμοποιώντας υπηρεσίες AWS. Αυτή η αρχιτεκτονική απλοποιεί ολόκληρη τη διαδικασία, περιλαμβάνοντας την επισήμανση δεδομένων, την ανάπτυξη μοντέλων και την ανάπτυξη ακμών, επιτρέποντάς μας να εκπαιδεύσουμε γρήγορα και αξιόπιστα και να εφαρμόσουμε νέες εκδόσεις του μοντέλου. Με τις υπηρεσίες χωρίς διακομιστές και τις διαχειριζόμενες υπηρεσίες, μπορούμε να εστιάσουμε την εστίασή μας στην παροχή επιχειρηματικής αξίας αντί στη διαχείριση της υποδομής.

In Μέρος 2 αυτής της σειράς, θα εμβαθύνουμε ένα επίπεδο βαθύτερα και θα εξετάσουμε την εφαρμογή αυτής της αρχιτεκτονικής με περισσότερες λεπτομέρειες, συγκεκριμένα την επισήμανση και την κατασκευή μοντέλων. Εάν θέλετε να μεταβείτε κατευθείαν στον κώδικα, μπορείτε να ελέγξετε το συνοδευτικό GitHub repo.

---

Σχετικά με τους συγγραφείς

Michael Roth είναι Ανώτερος Αρχιτέκτονας Λύσεων στην AWS, υποστηρίζοντας τους πελάτες της Manufacturing στη Γερμανία για να λύσουν τις επιχειρηματικές τους προκλήσεις μέσω της τεχνολογίας AWS. Εκτός από τη δουλειά και την οικογένεια, ενδιαφέρεται για τα σπορ αυτοκίνητα και απολαμβάνει τον ιταλικό καφέ.

Jörg Wöhrle είναι αρχιτέκτονας λύσεων στην AWS, που συνεργάζεται με πελάτες κατασκευαστών στη Γερμανία. Με πάθος για την αυτοματοποίηση, ο Joerg έχει εργαστεί ως προγραμματιστής λογισμικού, μηχανικός DevOps και Μηχανικός αξιοπιστίας τοποθεσίας στην προ-AWS ζωή του. Πέρα από το σύννεφο, είναι ένας φιλόδοξος δρομέας και απολαμβάνει ποιοτικό χρόνο με την οικογένειά του. Επομένως, εάν έχετε μια πρόκληση DevOps ή θέλετε να πάτε για τρέξιμο: ενημερώστε τον.

Γιοχάνες Λάνγκερ είναι Senior Solutions Architect στην AWS, που εργάζεται με εταιρικούς πελάτες στη Γερμανία. Ο Johannes είναι παθιασμένος με την εφαρμογή μηχανικής μάθησης για την επίλυση πραγματικών επιχειρηματικών προβλημάτων. Στην προσωπική του ζωή, ο Johannes απολαμβάνει να εργάζεται σε έργα βελτίωσης σπιτιού και να περνά χρόνο σε εξωτερικούς χώρους με την οικογένειά του.

• 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-an-end-to-end-mlops-pipeline-for-visual-quality-inspection-at-the-edge-part-1/