Πώς ο Amp στο Amazon χρησιμοποίησε δεδομένα για να αυξήσει την αφοσίωση των πελατών, Μέρος 2: Δημιουργία μιας εξατομικευμένης πλατφόρμας προτάσεων εκπομπών χρησιμοποιώντας το Amazon SageMaker

Αμπέραζ είναι μια νέα εφαρμογή ζωντανού ραδιοφώνου από την Amazon. Με το Amp, μπορείτε να φιλοξενήσετε τη δική σας ραδιοφωνική εκπομπή και να αναπαράγετε τραγούδια από τον κατάλογο της Amazon Music ή να συντονιστείτε και να ακούσετε εκπομπές που φιλοξενούν άλλοι χρήστες του Amp. Σε ένα περιβάλλον όπου το περιεχόμενο είναι άφθονο και ποικιλόμορφο, είναι σημαντικό να προσαρμόζεται η εμπειρία χρήστη στα γούστα κάθε χρήστη, ώστε να μπορούν να βρίσκουν εύκολα εκπομπές που τους αρέσουν και να ανακαλύψουν νέο περιεχόμενο που θα απολάμβαναν.

Το Amp χρησιμοποιεί μηχανική εκμάθηση (ML) για να παρέχει εξατομικευμένες προτάσεις για ζωντανές και επερχόμενες εκπομπές Amp στην αρχική σελίδα της εφαρμογής. Οι προτάσεις υπολογίζονται χρησιμοποιώντας ένα μοντέλο Random Forest χρησιμοποιώντας χαρακτηριστικά που αντιπροσωπεύουν τη δημοτικότητα μιας εκπομπής (όπως πλήθος ακρόασης και like), τη δημοτικότητα ενός δημιουργού (όπως ο συνολικός αριθμός φορών που παίχτηκαν οι πρόσφατες εκπομπές) και προσωπικές συνάφειες ενός χρήστη για το θέμα και τον δημιουργό μιας εκπομπής. Οι συνάφειες υπολογίζονται είτε έμμεσα από τα δεδομένα συμπεριφοράς του χρήστη είτε ρητά από θέματα ενδιαφέροντος (όπως ποπ μουσική, μπέιζμπολ ή πολιτική) όπως παρέχονται στα προφίλ χρηστών τους.

Αυτό είναι το Μέρος 2 μιας σειράς σχετικά με τη χρήση αναλυτικών στοιχείων δεδομένων και ML για Amp και τη δημιουργία μιας εξατομικευμένης πλατφόρμας λίστας προτάσεων εκπομπής. Η πλατφόρμα έχει δείξει μια ώθηση 3% στις μετρήσεις αφοσίωσης πελατών που παρακολουθούνται (αρέσει σε μια εκπομπή, παρακολούθηση δημιουργού, ενεργοποίηση επερχόμενων ειδοποιήσεων εκπομπών) από την κυκλοφορία της τον Μάιο του 2022.

Αναφέρομαι σε Μέρος 1 για να μάθετε πώς συλλέχθηκαν και υποβλήθηκαν σε επεξεργασία δεδομένα συμπεριφοράς χρησιμοποιώντας τα συστήματα δεδομένων και ανάλυσης.

Επισκόπηση λύσεων

Το πρόγραμμα σύστασης εμφάνισης που βασίζεται σε ML για Amp έχει πέντε κύρια στοιχεία, όπως φαίνεται στο ακόλουθο διάγραμμα αρχιτεκτονικής:

1. Η εφαρμογή Amp για κινητά.
2. Υπηρεσίες υποστήριξης που συγκεντρώνουν δεδομένα συμπεριφοράς, όπως "μου αρέσει" και "ακολούθηση", καθώς και μεταδίδουν πληροφορίες σχετικά με τις εκπομπές, όπως ενημερώσεις κατάστασης όταν οι εκπομπές μεταδίδονται ζωντανά.
3. Απορρόφηση δεδομένων συμπεριφοράς και εκπομπής σε πραγματικό χρόνο και υπολογισμός και αποθήκευση χαρακτηριστικών σε πραγματικό χρόνο (διαδικτυακός).
4. Μαζική (εκτός σύνδεσης) λειτουργία υπολογιστών και αποθήκευσης.
5. Ένα Σύστημα Προτάσεων που χειρίζεται εισερχόμενα αιτήματα από το backend της εφαρμογής για τη λήψη μιας λίστας εκπομπών. Αυτό περιλαμβάνει συμπεράσματα σε πραγματικό χρόνο για την κατάταξη εκπομπών με βάση εξατομικευμένες και μη εξατομικευμένες λειτουργίες.

Αυτή η ανάρτηση εστιάζει στα μέρη 3, 4 και 5 σε μια προσπάθεια να αναλυθούν τα ακόλουθα:

Το παρακάτω διάγραμμα δείχνει την αρχιτεκτονική υψηλού επιπέδου και τα στοιχεία της.

Στις επόμενες ενότητες, παρέχουμε περισσότερες λεπτομέρειες σχετικά με τον υπολογισμό χαρακτηριστικών σε πραγματικό χρόνο, τον υπολογισμό χαρακτηριστικών παρτίδας, τα συμπεράσματα σε πραγματικό χρόνο, τη λειτουργική υγεία και τα αποτελέσματα που παρατηρήσαμε.

Υπολογισμός χαρακτηριστικών σε πραγματικό χρόνο

Ορισμένες λειτουργίες, όπως ο αριθμός "μου αρέσει" και ο αριθμός ακρόασης για μια εκπομπή, πρέπει να μεταδίδονται συνεχώς και να χρησιμοποιούνται ως έχουν, ενώ άλλες, όπως ο αριθμός των συνεδριών ακρόασης μεγαλύτερες από 5 λεπτά, πρέπει επίσης να μετατρέπονται σε πραγματικό χρόνο ως μη επεξεργασμένα δεδομένα για συνεδρίες μεταδίδεται σε ροή. Αυτοί οι τύποι χαρακτηριστικών όπου οι τιμές πρέπει να υπολογιστούν στο χρόνο συμπερασμάτων αναφέρονται ως σημείο σε χρόνο (PIT) χαρακτηριστικά. Τα δεδομένα για τις δυνατότητες PIT πρέπει να ενημερωθούν γρήγορα και η πιο πρόσφατη έκδοση θα πρέπει να γράφεται και να διαβάζεται με χαμηλό λανθάνοντα χρόνο (κάτω από 20 χιλιοστά του δευτερολέπτου ανά χρήστη για 1,000 εμφανίσεις). Τα δεδομένα πρέπει επίσης να βρίσκονται σε ανθεκτικό χώρο αποθήκευσης, επειδή τα δεδομένα που λείπουν ή μερικώς ενδέχεται να προκαλέσουν επιδείνωση των συστάσεων και κακή εμπειρία πελατών. Εκτός από την καθυστέρηση ανάγνωσης/εγγραφής, οι λειτουργίες PIT απαιτούν επίσης χαμηλό χρόνο ανάκλασης. Ο χρόνος αναστοχασμού είναι ο χρόνος που χρειάζεται για να είναι διαθέσιμο ένα χαρακτηριστικό για ανάγνωση μετά την εκπομπή των συμβάντων που συνεισφέρουν, για παράδειγμα, ο χρόνος που μεσολαβεί μεταξύ ενός ακροατή που αρέσει σε μια εκπομπή και της δυνατότητας PIT LikeCount που ενημερώνεται.

Οι πηγές των δεδομένων είναι οι υπηρεσίες υποστήριξης που εξυπηρετούν απευθείας την εφαρμογή. Ορισμένα από τα δεδομένα μετατρέπονται σε μετρήσεις που στη συνέχεια μεταδίδονται μέσω Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS) σε μεταγενέστερους ακροατές, όπως ο αγωγός μετασχηματισμού χαρακτηριστικών ML. Μια βάση δεδομένων στη μνήμη όπως το MemoryDB είναι μια ιδανική υπηρεσία για ανθεκτική αποθήκευση και εξαιρετικά γρήγορη απόδοση σε υψηλούς όγκους. Το στοιχείο υπολογισμού που μετασχηματίζει και εγγράφει χαρακτηριστικά στο MemoryDB είναι το Lambda. Η επισκεψιμότητα εφαρμογών ακολουθεί καθημερινά και εβδομαδιαία μοτίβα κορυφών και βυθίσεων ανάλογα με την ώρα και την ημέρα. Το Lambda επιτρέπει την αυτόματη κλιμάκωση στον εισερχόμενο όγκο συμβάντων. Η ανεξάρτητη φύση κάθε μεμονωμένου μετρικού μετασχηματισμού καθιστά επίσης το Lambda, το οποίο είναι μια υπηρεσία χωρίς κατάσταση από μόνη της, κατάλληλη για αυτό το πρόβλημα. Βάζοντας Υπηρεσία απλής ουράς Amazon (Amazon SQS) μεταξύ Amazon SNS και Lambda όχι μόνο αποτρέπει την απώλεια μηνύματος, αλλά λειτουργεί επίσης ως προσωρινή μνήμη για απροσδόκητες εκρήξεις κυκλοφορίας που τα προρυθμισμένα όρια ταυτόχρονης χρήσης Lambda ενδέχεται να μην επαρκούν για την εξυπηρέτηση.

Υπολογισμός παρτίδων χαρακτηριστικών

Τα χαρακτηριστικά που χρησιμοποιούν ιστορικά δεδομένα συμπεριφοράς για να αναπαραστήσουν το συνεχώς εξελισσόμενο γούστο ενός χρήστη είναι πιο πολύπλοκα στον υπολογισμό και δεν μπορούν να υπολογιστούν σε πραγματικό χρόνο. Αυτά τα χαρακτηριστικά υπολογίζονται με μια διαδικασία δέσμης που εκτελείται κάθε τόσο, για παράδειγμα μία φορά την ημέρα. Τα δεδομένα για ομαδικές λειτουργίες θα πρέπει να υποστηρίζουν γρήγορη αναζήτηση για φιλτράρισμα και συγκέντρωση δεδομένων και μπορεί να εκτείνονται σε μεγάλες χρονικές περιόδους, επομένως θα είναι μεγαλύτερα σε όγκο. Επειδή τα χαρακτηριστικά παρτίδας ανακτώνται επίσης και αποστέλλονται ως είσοδοι για συμπεράσματα σε πραγματικό χρόνο, θα πρέπει να διαβάζονται με χαμηλό λανθάνοντα χρόνο.

Η συλλογή ακατέργαστων δεδομένων για υπολογισμούς χαρακτηριστικών παρτίδας δεν έχει την απαίτηση χρόνου ανάκλασης μικρότερου του λεπτού που έχουν τα χαρακτηριστικά PIT, γεγονός που καθιστά εφικτό την αποθήκευση των συμβάντων για μεγαλύτερο χρονικό διάστημα και τη μετατροπή των μετρήσεων σε παρτίδα. Αυτή η λύση χρησιμοποίησε το Kinesis Data Firehose, μια διαχειριζόμενη υπηρεσία για γρήγορη απορρόφηση δεδομένων ροής σε διάφορους προορισμούς, όπως Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) για συνεχείς μετρήσεις στη λίμνη δεδομένων S3 που θα χρησιμοποιηθούν σε υπολογισμούς εκτός σύνδεσης. Το Kinesis Data Firehose παρέχει ένα buffer συμβάντων και ενσωμάτωση Lambda για εύκολη συλλογή, μετασχηματισμό παρτίδας και διατήρηση αυτών των μετρήσεων στο Amazon S3 για να χρησιμοποιηθούν αργότερα από τον υπολογισμό των χαρακτηριστικών παρτίδας. Οι υπολογισμοί ομαδικών χαρακτηριστικών δεν έχουν τις ίδιες απαιτήσεις ανάγνωσης/εγγραφής χαμηλής καθυστέρησης με τις λειτουργίες PIT, γεγονός που καθιστά το Amazon S3 την καλύτερη επιλογή επειδή παρέχει χαμηλού κόστους και ανθεκτικό χώρο αποθήκευσης για την αποθήκευση αυτών των μεγάλων όγκων επιχειρηματικών μετρήσεων.

Το αρχικό μας μοντέλο ML χρησιμοποιεί 21 χαρακτηριστικά παρτίδας που υπολογίζονται καθημερινά χρησιμοποιώντας δεδομένα που καταγράφηκαν τους τελευταίους 2 μήνες. Αυτά τα δεδομένα περιλαμβάνουν τόσο το ιστορικό αναπαραγωγής όσο και το ιστορικό αφοσίωσης σε εφαρμογές ανά χρήστη και αυξάνονται ανάλογα με τον αριθμό των χρηστών και τη συχνότητα χρήσης της εφαρμογής. Η μηχανική χαρακτηριστικών σε αυτήν την κλίμακα απαιτεί μια αυτοματοποιημένη διαδικασία για την άντληση των απαιτούμενων δεδομένων εισόδου, την παράλληλη επεξεργασία τους και την εξαγωγή του αποτελέσματος σε μόνιμη αποθήκευση. Η υποδομή επεξεργασίας χρειάζεται μόνο για τη διάρκεια των υπολογισμών. Επεξεργασία SageMaker παρέχει προκατασκευασμένες εικόνες Docker που περιλαμβάνουν το Apache Spark και άλλες εξαρτήσεις που απαιτούνται για την εκτέλεση εργασιών επεξεργασίας κατανεμημένων δεδομένων σε μεγάλη κλίμακα. Η υποκείμενη υποδομή για μια εργασία Επεξεργασίας διαχειρίζεται πλήρως το SageMaker. Οι πόροι συμπλέγματος παρέχονται για τη διάρκεια της εργασίας σας και καθαρίζονται όταν ολοκληρωθεί μια εργασία.

Κάθε βήμα στη διαδικασία δέσμης—συγκέντρωση δεδομένων, μηχανική λειτουργιών, εμμονή χαρακτηριστικών—είναι μέρος μιας ροής εργασίας που απαιτεί χειρισμό σφαλμάτων, επαναλήψεις και ενδιάμεσες μεταβάσεις κατάστασης. Με Λειτουργίες βημάτων AWS, μπορείτε να δημιουργήσετε ένα μηχάνημα κατάστασης και να χωρίσετε τη ροή εργασίας σας σε πολλά βήματα προεπεξεργασίας και μεταεπεξεργασίας, καθώς και σε ένα βήμα για να διατηρήσετε τις λειτουργίες στο SageMaker Feature Store ή στα άλλα δεδομένα στο Amazon S3. Ένα μηχάνημα κατάστασης στις Λειτουργίες Βήματος μπορεί να ενεργοποιηθεί μέσω Amazon EventBridge για να αυτοματοποιήσετε τον μαζικό υπολογισμό ώστε να εκτελείται με καθορισμένο χρονοδιάγραμμα, όπως μια φορά κάθε μέρα στις 10:00 μ.μ. UTC.

Αφού υπολογιστούν τα χαρακτηριστικά, πρέπει να εκδοθούν και να αποθηκευτούν για να διαβαστούν κατά την εξαγωγή συμπερασμάτων καθώς και κατά την επανεκπαίδευση του μοντέλου. Αντί να δημιουργήσετε τη δική σας υπηρεσία αποθήκευσης και διαχείρισης λειτουργιών, μπορείτε να χρησιμοποιήσετε το SageMaker Feature Store. Το Feature Store είναι ένα πλήρως διαχειριζόμενο, ειδικά κατασκευασμένο αποθετήριο για αποθήκευση, κοινή χρήση και διαχείριση λειτουργιών για μοντέλα ML. Αποθηκεύει το ιστορικό των δυνατοτήτων ML στο κατάστημα εκτός σύνδεσης (Amazon S3) και παρέχει επίσης API σε ένα ηλεκτρονικό κατάστημα για να επιτρέπει αναγνώσεις χαμηλής καθυστέρησης των πιο πρόσφατων λειτουργιών. Το κατάστημα εκτός σύνδεσης μπορεί να εξυπηρετήσει τα ιστορικά δεδομένα για περαιτέρω εκπαίδευση και πειραματισμό μοντέλων και το ηλεκτρονικό κατάστημα μπορεί να κληθεί από τα API που απευθύνονται σε πελάτες για να λάβουν λειτουργίες για συμπεράσματα σε πραγματικό χρόνο. Καθώς εξελίσσουμε τις υπηρεσίες μας για να παρέχουμε πιο εξατομικευμένο περιεχόμενο, αναμένουμε εκπαίδευση πρόσθετων μοντέλων ML και με τη βοήθεια του Feature Store, αναζητούμε, ανακαλύπτουμε και επαναχρησιμοποιούμε λειτουργίες μεταξύ αυτών των μοντέλων.

Συμπεράσματα σε πραγματικό χρόνο

Το συμπέρασμα σε πραγματικό χρόνο συνήθως απαιτεί τη φιλοξενία μοντέλων ML πίσω από τα τελικά σημεία. Θα μπορούσατε να το κάνετε αυτό χρησιμοποιώντας διακομιστές ιστού ή κοντέινερ, αλλά αυτό απαιτεί προσπάθεια και υποδομή μηχανικής ML για διαχείριση και συντήρηση. Το SageMaker διευκολύνει την ανάπτυξη μοντέλων ML σε τελικά σημεία σε πραγματικό χρόνο. Το SageMaker σάς επιτρέπει να εκπαιδεύετε και να ανεβάζετε μοντέλα ML και να τα φιλοξενείτε δημιουργώντας και διαμορφώνοντας τελικά σημεία του SageMaker. Το συμπέρασμα σε πραγματικό χρόνο ικανοποιεί τις απαιτήσεις χαμηλής καθυστέρησης για την κατάταξη εκπομπών καθώς περιηγούνται στην αρχική σελίδα του Amp.

Εκτός από τη διαχειριζόμενη φιλοξενία, το SageMaker παρέχει διαχειριζόμενη κλίμακα τελικού σημείου. Το συμπέρασμα του SageMaker σάς επιτρέπει να ορίσετε μια πολιτική αυτόματης κλιμάκωσης με ελάχιστες και μέγιστες μετρήσεις παρουσιών και μια στοχευόμενη χρήση για την ενεργοποίηση της κλιμάκωσης. Με αυτόν τον τρόπο, μπορείτε εύκολα να κλιμακώσετε μέσα ή έξω καθώς αλλάζει η ζήτηση.

Λειτουργική υγεία

Ο αριθμός των συμβάντων που χειρίζεται αυτό το σύστημα για υπολογισμούς δυνατοτήτων σε πραγματικό χρόνο αλλάζει ανάλογα με το φυσικό μοτίβο χρήσης της εφαρμογής (μεγαλύτερη ή χαμηλότερη επισκεψιμότητα με βάση την ώρα της ημέρας ή την ημέρα της εβδομάδας). Ομοίως, ο αριθμός των αιτημάτων που λαμβάνει για κλίμακες συμπερασμάτων σε πραγματικό χρόνο με τον αριθμό των ταυτόχρονων χρηστών εφαρμογών. Αυτές οι υπηρεσίες λαμβάνουν επίσης απροσδόκητες κορυφές στην επισκεψιμότητα λόγω αυτοπροώθησης στα μέσα κοινωνικής δικτύωσης από δημοφιλείς δημιουργούς. Αν και είναι σημαντικό να διασφαλιστεί ότι το σύστημα μπορεί να κλιμακωθεί προς τα πάνω και προς τα κάτω για την εξυπηρέτηση της εισερχόμενης κίνησης με επιτυχία και λιτότητα, είναι επίσης σημαντικό να παρακολουθείτε τις λειτουργικές μετρήσεις και να ειδοποιείτε για τυχόν απροσδόκητα λειτουργικά ζητήματα για να αποτρέψετε την απώλεια δεδομένων και υπηρεσιών στους πελάτες. Η παρακολούθηση της υγείας αυτών των υπηρεσιών είναι απλή amazoncloudwatch. Μετρήσεις υγείας ζωτικής σημασίας υπηρεσιών, όπως σφάλματα και λανθάνουσα κατάσταση λειτουργιών, καθώς και μετρήσεις χρήσης, όπως χρήση μνήμης, δίσκου και CPU, είναι διαθέσιμες εκτός συσκευασίας χρησιμοποιώντας το CloudWatch. Η ομάδα ανάπτυξής μας χρησιμοποιεί πίνακες ελέγχου μετρήσεων και αυτοματοποιημένη παρακολούθηση για να διασφαλίσει ότι μπορούμε να εξυπηρετήσουμε τους πελάτες μας με υψηλή διαθεσιμότητα (99.8%) και χαμηλό λανθάνοντα χρόνο (λιγότερο από 200 χιλιοστά του δευτερολέπτου από άκρο σε άκρο για να λαμβάνουμε προτεινόμενες εκπομπές ανά χρήστη).

Μέτρηση του αποτελέσματος

Πριν από το πρόγραμμα σύστασης εκπομπών που βασίζεται σε ML που περιγράφεται σε αυτήν την ανάρτηση, ένας απλούστερος ευρετικός αλγόριθμος που κατατάσσει το Amp δείχνει με βάση τα προσωπικά θέματα ενδιαφέροντος ενός χρήστη που αναφέρονται μόνος του στο προφίλ του. Ρυθμίσαμε μια δοκιμή A/B για να μετρήσουμε τον αντίκτυπο της μετάβασης σε συστάσεις που βασίζονται σε ML με τα δεδομένα ενός χρήστη από τις προηγούμενες αλληλεπιδράσεις με τις εφαρμογές τους. Εντοπίσαμε βελτιώσεις σε μετρήσεις, όπως η διάρκεια ακρόασης και ο αριθμός των ενεργειών αφοσίωσης (μου αρέσει μια εκπομπή, παρακολούθηση δημιουργού εκπομπής, ενεργοποίηση ειδοποιήσεων) ως δείκτες επιτυχίας. Οι δοκιμές A/B με το 50% των χρηστών να λαμβάνουν προτάσεις εκπομπών που κατατάσσονται για αυτούς μέσω του προτεινόμενου συστήματος που βασίζεται σε ML, έδειξε αύξηση 3% στις μετρήσεις αφοσίωσης πελατών και 0.5% βελτίωση στη διάρκεια αναπαραγωγής.

Συμπέρασμα

Με συγκεκριμένες υπηρεσίες, η ομάδα Amp μπόρεσε να κυκλοφορήσει το εξατομικευμένο API προτάσεων εκπομπής όπως περιγράφεται σε αυτήν την ανάρτηση στην παραγωγή σε λιγότερο από 3 μήνες. Το σύστημα κλιμακώνεται επίσης καλά για τα απρόβλεπτα φορτία που δημιουργούνται από γνωστούς παρουσιαστές εκπομπών ή εκστρατείες μάρκετινγκ που θα μπορούσαν να δημιουργήσουν εισροή χρηστών. Η λύση χρησιμοποιεί διαχειριζόμενες υπηρεσίες για επεξεργασία, εκπαίδευση και φιλοξενία, γεγονός που συμβάλλει στη μείωση του χρόνου που δαπανάται για την καθημερινή συντήρηση του συστήματος. Μπορούμε επίσης να παρακολουθούμε όλες αυτές τις διαχειριζόμενες υπηρεσίες μέσω του CloudWatch για να διασφαλίσουμε τη συνεχή υγεία των συστημάτων στην παραγωγή.

Η δοκιμή A/B της πρώτης έκδοσης του προτεινόμενου ML του Amp έναντι μιας προσέγγισης βασισμένης σε κανόνες (η οποία ταξινομείται μόνο με βάση τα θέματα ενδιαφέροντος του πελάτη) έδειξε ότι ο προτεινόμενος που βασίζεται σε ML εκθέτει τους πελάτες σε περιεχόμενο υψηλότερης ποιότητας από πιο διαφορετικά θέματα , το οποίο έχει ως αποτέλεσμα μεγαλύτερο αριθμό ακολούθων και ενεργοποιημένων ειδοποιήσεων. Η ομάδα Amp εργάζεται συνεχώς για τη βελτίωση των μοντέλων για την παροχή πολύ σχετικών συστάσεων.

Για περισσότερες πληροφορίες σχετικά με το Feature Store, επισκεφτείτε Κατάστημα χαρακτηριστικών Amazon SageMaker και ελέγξτε άλλες περιπτώσεις χρήσης πελατών στο Ιστολόγιο μηχανικής εκμάθησης AWS.

---

Σχετικά με τους συγγραφείς

Tulip Gupta είναι αρχιτέκτονας λύσεων στο Amazon Web Services. Συνεργάζεται με την Amazon για το σχεδιασμό, την κατασκευή και την ανάπτυξη τεχνολογικών λύσεων στο AWS. Βοηθά τους πελάτες στην υιοθέτηση βέλτιστων πρακτικών κατά την ανάπτυξη λύσεων στο AWS και είναι λάτρης του Analytics και της ML. Στον ελεύθερο χρόνο της, της αρέσει το κολύμπι, η πεζοπορία και τα επιτραπέζια παιχνίδια.

Ντέιβιντ Κουό είναι αρχιτέκτονας λύσεων στο Amazon Web Services. Συνεργάζεται με πελάτες AWS για να σχεδιάσει, να δημιουργήσει και να αναπτύξει τεχνολογικές λύσεις στο AWS. Συνεργάζεται με πελάτες Media and Entertainment και ενδιαφέρεται για τις τεχνολογίες μηχανικής εκμάθησης. Στον ελεύθερο χρόνο του αναρωτιέται τι πρέπει να κάνει με τον ελεύθερο χρόνο του.

Μανόλια ΜακΚόρμικ είναι Sr Μηχανικός Ανάπτυξης Λογισμικού για Amp στο Amazon. Σχεδιάζει και κατασκευάζει κατανεμημένα συστήματα χρησιμοποιώντας AWS για την εξυπηρέτηση εφαρμογών που αντιμετωπίζουν πελάτες. Της αρέσει να διαβάζει και να μαγειρεύει νέες συνταγές στον ελεύθερο χρόνο της.

Τζεφ Κρίστοφερσεν είναι Sr. Data Engineer for Amp στο Amazon. Εργάζεται για να σχεδιάσει, να δημιουργήσει και να αναπτύξει λύσεις Big Data σε AWS που οδηγούν σε χρήσιμες πληροφορίες. Βοηθά εσωτερικές ομάδες στην υιοθέτηση επεκτάσιμων και αυτοματοποιημένων λύσεων και είναι λάτρης του Analytics και των μεγάλων δεδομένων. Στον ελεύθερο χρόνο του, όταν δεν είναι σε ένα ζευγάρι σκι μπορείτε να τον βρείτε στο ποδήλατο βουνού του.