این پست با کوستیا کوفمن و جنی توکار از Booking.com نوشته شده است.
به عنوان یک رهبر جهانی در صنعت سفر آنلاین، Booking.com همیشه به دنبال راههای نوآورانه برای ارتقای خدمات خود و ارائه تجربیات مناسب و بدون درز به مشتریان است. تیم رتبه بندی در Booking.com نقشی اساسی در حصول اطمینان از بهینه سازی الگوریتم های جستجو و توصیه ایفا می کند تا بهترین نتایج را برای کاربران خود ارائه دهد.
دانشمندان تیم رتبهبندی یادگیری ماشین (ML) با به اشتراک گذاشتن منابع داخلی با سایر تیمهای داخلی، اغلب با زمانهای انتظار طولانی برای دسترسی به منابع برای آموزش مدل و آزمایش مواجه میشوند - توانایی آنها برای آزمایش و نوآوری سریع را به چالش میکشد. با درک نیاز به یک زیرساخت مدرن ML، تیم رتبه بندی سفری را برای استفاده از قدرت آغاز کرد. آمازون SageMaker برای ساخت، آموزش و استقرار مدل های ML در مقیاس.
Booking.com با خدمات حرفه ای AWS برای ایجاد راه حلی برای تسریع زمان ورود به بازار برای مدل های بهبودیافته ML از طریق پیشرفت های زیر:
- کاهش زمان انتظار برای منابع برای آموزش و آزمایش
- ادغام قابلیت های ضروری ML مانند تنظیم هایپرپارامتر
- چرخه توسعه کاهش یافته برای مدل های ML
کاهش زمان انتظار به این معنی است که تیم میتواند به سرعت مدلها را تکرار کرده و آزمایش کند و بینشهایی را با سرعتی بسیار سریعتر به دست آورد. استفاده از نمونههای موجود بر اساس تقاضای SageMaker باعث کاهش ده برابری زمان انتظار میشود. قابلیتهای ضروری ML مانند تنظیم فراپارامتر و قابلیت توضیح مدل در محل وجود نداشتند. سفر مدرن سازی تیم این ویژگی ها را از طریق معرفی کرد تنظیم خودکار مدل Amazon SageMaker و Amazon SageMaker Clarify. در نهایت، آرزوی تیم دریافت بازخورد فوری در مورد هر تغییر ایجاد شده در کد، کاهش حلقه بازخورد از دقیقه به یک لحظه، و در نتیجه کاهش چرخه توسعه برای مدلهای ML بود.
در این پست، ما به سفری که تیم رتبهبندی در Booking.com انجام داده است، میپردازیم، زیرا آنها از قابلیتهای SageMaker برای مدرن کردن چارچوب آزمایشی ML خود استفاده کردند. با انجام این کار، آنها نه تنها بر چالش های موجود خود غلبه کردند، بلکه تجربه جستجوی خود را نیز بهبود بخشیدند و در نهایت میلیون ها مسافر در سراسر جهان از آن بهره مند شدند.
رویکرد نوسازی
تیم رتبهبندی متشکل از چندین دانشمند ML است که هر کدام باید مدل خود را بهصورت آفلاین توسعه داده و آزمایش کنند. هنگامی که یک مدل بر اساس ارزیابی آفلاین موفق تلقی می شود، می توان آن را به آزمایش A/B تولید منتقل کرد. اگر بهبود آنلاین را نشان دهد، می توان آن را برای همه کاربران مستقر کرد.
هدف از این پروژه ایجاد یک محیط کاربر پسند برای دانشمندان ML بود تا به راحتی قابل تنظیم را اجرا کنند خطوط لوله ساختمان مدل SageMaker آمازون تا فرضیه های خود را بدون نیاز به کدنویسی ماژول های طولانی و پیچیده آزمایش کنند.
یکی از چندین چالشی که با آن مواجه شد، تطبیق راه حل خط لوله موجود در محل برای استفاده در AWS بود. راه حل شامل دو جزء کلیدی است:
- اصلاح و گسترش کدهای موجود - بخش اول راه حل ما شامل اصلاح و گسترش کد موجود ما برای سازگار کردن آن با زیرساخت AWS بود. این برای اطمینان از انتقال آرام از پردازش داخلی به پردازش مبتنی بر ابر بسیار مهم بود.
- توسعه بسته مشتری - یک بسته کلاینت ایجاد شد که به عنوان یک بسته بندی در اطراف SageMaker API و کدهای قبلی موجود عمل می کند. این بسته این دو را ترکیب می کند و دانشمندان ML را قادر می سازد تا به راحتی خطوط لوله ML را بدون کدگذاری پیکربندی و استقرار دهند.
پیکربندی خط لوله SageMaker
قابلیت سفارشی سازی کلید خط لوله ساخت مدل است و از طریق آن به دست آمد config.ini
، یک فایل پیکربندی گسترده. این فایل به عنوان مرکز کنترل برای تمام ورودی ها و رفتارهای خط لوله عمل می کند.
تنظیمات موجود در داخل config.ini
عبارتند از:
- جزئیات خط لوله - پزشک می تواند نام خط لوله را تعریف کند، مشخص کند کدام مراحل باید اجرا شوند، تعیین کند که خروجی ها باید در کجا ذخیره شوند. سرویس ذخیره سازی ساده آمازون (Amazon S3) و انتخاب کنید که از کدام مجموعه داده استفاده کنید
- جزئیات حساب AWS - شما می توانید تصمیم بگیرید که خط لوله در کدام منطقه اجرا شود و از کدام نقش استفاده شود
- پیکربندی مرحله خاص - برای هر مرحله در خط لوله، می توانید جزئیاتی مانند تعداد و نوع نمونه های مورد استفاده را به همراه پارامترهای مربوطه مشخص کنید.
کد زیر یک نمونه فایل پیکربندی را نشان می دهد:
config.ini
یک فایل با نسخه کنترل شده است که توسط Git مدیریت می شود و حداقل پیکربندی مورد نیاز برای اجرای موفقیت آمیز خط لوله آموزشی را نشان می دهد. در طول توسعه، فایلهای پیکربندی محلی که توسط نسخه کنترل نمیشوند، قابل استفاده هستند. این فایلهای پیکربندی محلی فقط باید حاوی تنظیمات مربوط به یک اجرای خاص باشند، که انعطافپذیری بدون پیچیدگی را ارائه میکند. سرویس گیرنده ایجاد خط لوله برای مدیریت چندین فایل پیکربندی طراحی شده است که آخرین مورد بر تنظیمات قبلی اولویت دارد.
مراحل خط لوله SageMaker
خط لوله به مراحل زیر تقسیم می شود:
- آماده سازی داده های آموزش و آزمایش - ترابایت داده خام در یک سطل S3 کپی می شود و با استفاده از آن پردازش می شود چسب AWS کارها برای پردازش Spark، که منجر به ساختار و قالب بندی داده ها برای سازگاری می شود.
- قطار – مرحله آموزش از برآوردگر TensorFlow برای مشاغل آموزشی SageMaker استفاده می کند. آموزش به صورت توزیع شده با استفاده از Horovod انجام می شود و نمونه مدل حاصل در آمازون S3 ذخیره می شود. برای تنظیم هایپرپارامتر، یک کار بهینه سازی هایپرپارامتر (HPO) را می توان آغاز کرد و بهترین مدل را بر اساس متریک هدف انتخاب کرد.
- پیش بینی – در این مرحله، یک کار SageMaker Processing از مصنوع مدل ذخیره شده برای پیش بینی استفاده می کند. این فرآیند به صورت موازی بر روی ماشین های موجود اجرا می شود و نتایج پیش بینی در آمازون S3 ذخیره می شود.
- ارزیابی - یک کار پردازش PySpark مدل را با استفاده از یک اسکریپت Spark سفارشی ارزیابی می کند. سپس گزارش ارزیابی در آمازون S3 ذخیره می شود.
- وضعیت – پس از ارزیابی، در مورد کیفیت مدل تصمیم گیری می شود. این تصمیم بر اساس یک معیار شرایط تعریف شده در فایل پیکربندی است. اگر ارزیابی مثبت باشد، مدل به عنوان تایید شده ثبت می شود. در غیر این صورت، به عنوان رد شده ثبت می شود. در هر دو مورد، گزارش ارزیابی و توضیح پذیری، در صورت ایجاد، در رجیستری مدل ثبت می شود.
- مدل بسته برای استنتاج - با استفاده از یک کار پردازشی، اگر نتایج ارزیابی مثبت باشد، مدل بسته بندی شده، در آمازون S3 ذخیره می شود و برای آپلود در پورتال داخلی ML آماده می شود.
- توضیح دهید - SageMaker Clarify یک گزارش قابل توضیح تولید می کند.
دو مخزن مجزا استفاده می شود. مخزن اول شامل کد تعریف و ساخت خط لوله ML است و مخزن دوم حاوی کدهایی است که در هر مرحله اجرا می شود، مانند پردازش، آموزش، پیش بینی و ارزیابی. این رویکرد مخزن دوگانه به ماژولار بودن بیشتر اجازه میدهد و تیمهای علمی و مهندسی را قادر میسازد تا به طور مستقل روی کد ML و اجزای خط لوله ML تکرار کنند.
نمودار زیر گردش کار راه حل را نشان می دهد.
تنظیم خودکار مدل
آموزش مدلهای ML نیازمند یک رویکرد تکراری از چندین آزمایش آموزشی برای ساختن یک مدل نهایی قوی و کارآمد برای استفاده تجاری است. دانشمندان ML باید نوع مدل مناسب را انتخاب کنند، مجموعه داده های ورودی صحیح را بسازند، و مجموعه ای از فراپارامترها را که فرآیند یادگیری مدل را در طول آموزش کنترل می کنند، تنظیم کنند.
انتخاب مقادیر مناسب برای فراپارامترها برای فرآیند آموزش مدل می تواند به طور قابل توجهی بر عملکرد نهایی مدل تأثیر بگذارد. با این حال، هیچ راه منحصر به فرد یا تعریف شده ای برای تعیین اینکه کدام مقادیر برای یک مورد خاص مناسب هستند وجود ندارد. در بیشتر مواقع، دانشمندان ML باید چندین کار آموزشی را با مجموعههای کمی متفاوت از فراپارامترها اجرا کنند، معیارهای آموزشی مدل را مشاهده کنند و سپس سعی کنند مقادیر امیدوارکنندهتری را برای تکرار بعدی انتخاب کنند. این فرآیند تنظیم عملکرد مدل نیز به عنوان بهینهسازی هایپرپارامتر (HPO) شناخته میشود و گاهی اوقات به صدها آزمایش نیاز دارد.
تیم رتبهبندی HPO را به صورت دستی در محیط داخلی خود انجام میداد، زیرا آنها فقط میتوانستند تعداد بسیار محدودی از مشاغل آموزشی را به صورت موازی راهاندازی کنند. بنابراین، آنها مجبور بودند HPO را به صورت متوالی اجرا کنند، ترکیب های مختلف مقادیر هایپرپارامتر را به صورت دستی آزمایش و انتخاب کنند و به طور منظم پیشرفت را زیر نظر بگیرند. این روند توسعه و تنظیم مدل را طولانیتر کرد و تعداد کلی آزمایشهای HPO را که میتوانستند در مدت زمان ممکن اجرا شوند، محدود کرد.
با انتقال به AWS، تیم Ranking توانست از ویژگی تنظیم خودکار مدل (AMT) SageMaker استفاده کند. AMT دانشمندان Ranking ML را قادر می سازد تا به طور خودکار صدها شغل آموزشی را در محدوده هایپرپارامتری مورد علاقه راه اندازی کنند تا بهترین نسخه مدل نهایی را مطابق با معیار انتخاب شده پیدا کنند. تیم رتبهبندی اکنون میتواند بین چهار استراتژی تنظیم خودکار مختلف برای انتخاب فراپارامتر خود انتخاب کند:
- جستجوی شبکه ای – AMT انتظار دارد که همه هایپرپارامترها مقادیر طبقه ای باشند و کارهای آموزشی را برای هر ترکیب دسته بندی مجزا راه اندازی می کند و کل فضای ابرپارامتر را بررسی می کند.
- جستجوی تصادفی - AMT به طور تصادفی ترکیبات مقادیر هایپرپارامتر را در محدوده های ارائه شده انتخاب می کند. از آنجا که هیچ وابستگی بین مشاغل مختلف آموزشی و انتخاب مقدار پارامتر وجود ندارد، می توان چندین شغل موازی آموزشی را با این روش راه اندازی کرد و روند انتخاب پارامتر بهینه را سرعت بخشید.
- بهینه سازی بیزی – AMT از پیاده سازی بهینه سازی بیزی برای حدس زدن بهترین مجموعه مقادیر فراپارامتر استفاده می کند و آن را به عنوان یک مشکل رگرسیون در نظر می گیرد. ترکیب هایپرپارامترهای قبلاً آزمایش شده و تأثیر آن بر مشاغل آموزشی مدل را با انتخاب پارامتر جدید در نظر می گیرد، بهینه سازی برای انتخاب دقیق پارامتر با آزمایش های کمتر، اما همچنین کارهای آموزشی را فقط به صورت متوالی راه اندازی می کند تا همیشه بتواند از آموزش های قبلی بیاموزد.
- هایپرباند – AMT از نتایج میانی و نهایی مشاغل آموزشی که در حال اجراست استفاده می کند تا به صورت پویا منابع را به سمت مشاغل آموزشی با پیکربندی هایپرپارامتری که نتایج امیدوارکننده تری را نشان می دهند تخصیص دهد و در عین حال کارهایی را که عملکرد ضعیفی دارند متوقف می کند.
AMT در SageMaker به تیم رتبهبندی این امکان را داد که زمان صرف شده برای فرآیند تنظیم فراپارامتر برای توسعه مدل خود را با فعال کردن آنها برای اولین بار برای اجرای چندین آزمایش موازی، استفاده از استراتژیهای تنظیم خودکار، و انجام کارهای آموزشی دو رقمی در عرض چند روز کاهش دهند. چیزی که در محل امکان پذیر نبود.
قابلیت توضیح مدل با SageMaker Clarify
توضیحپذیری مدل، پزشکان ML را قادر میسازد تا ماهیت و رفتار مدلهای ML خود را با ارائه بینشهای ارزشمند برای مهندسی ویژگی و تصمیمهای انتخاب، درک کنند، که به نوبه خود کیفیت پیشبینیهای مدل را بهبود میبخشد. تیم رتبهبندی میخواست بینشهای توضیحپذیری خود را از دو طریق ارزیابی کند: درک اینکه چگونه ورودیهای ویژگی بر خروجیهای مدل در کل مجموعه دادهشان تأثیر میگذارد (تفسیرپذیری جهانی)، و همچنین قادر به کشف تأثیر ویژگی ورودی برای یک پیشبینی مدل خاص در یک نقطه داده مورد علاقه ( تفسیرپذیری محلی). با این دادهها، دانشمندان رتبهبندی ML میتوانند تصمیمات آگاهانهای در مورد چگونگی بهبود بیشتر عملکرد مدل خود بگیرند و نتایج چالشبرانگیز پیشبینیهایی را که این مدل گهگاه ارائه میدهد، در نظر بگیرند.
SageMaker Clarify شما را قادر میسازد تا با استفاده از گزارشهای توضیحپذیری مدل تولید کنید توضیحات افزودنی Shapley (SHAP) هنگام آموزش مدل های خود در SageMaker، از قابلیت تفسیر جهانی و محلی پشتیبانی می کند. علاوه بر گزارشهای توضیحپذیری مدل، SageMaker Clarify از تحلیلهای در حال اجرا برای معیارهای سوگیری قبل از آموزش، معیارهای سوگیری پس از آموزش و نمودارهای وابستگی جزئی پشتیبانی میکند. این کار به عنوان یک کار پردازش SageMaker در حساب AWS اجرا می شود و مستقیماً با خطوط لوله SageMaker ادغام می شود.
گزارش تفسیرپذیری جهانی به طور خودکار در خروجی کار تولید و در قسمت نمایش داده می شود Amazon SageMaker Studio محیط به عنوان بخشی از اجرای آزمایش آموزشی. اگر این مدل سپس در رجیستری مدل SageMaker ثبت شود، گزارش علاوه بر این به مصنوع مدل پیوند داده می شود. با استفاده از هر دوی این گزینهها، تیم رتبهبندی توانست به راحتی نسخههای مدلهای مختلف و تغییرات رفتاری آنها را ردیابی کند.
برای بررسی تأثیر ویژگی ورودی بر روی یک پیشبینی واحد (مقادیر تفسیرپذیری محلی)، تیم رتبهبندی پارامتر را فعال کرد save_local_shap_values
در کارهای SageMaker Clarify و توانست آنها را از سطل S3 برای تجزیه و تحلیل بیشتر در نوت بوک های Jupyter در SageMaker Studio بارگیری کند.
تصاویر قبلی نمونه ای از نحوه توضیح مدل برای یک مدل دلخواه ML را نشان می دهد.
بهینه سازی آموزش
ظهور یادگیری عمیق (DL) منجر به وابستگی فزاینده ML به توان محاسباتی و مقادیر زیادی داده شده است. شاغلین ML معمولاً هنگام آموزش این مدل های پیچیده با مانع استفاده کارآمد از منابع مواجه می شوند. هنگامی که آموزش را روی خوشههای محاسباتی بزرگ اجرا میکنید، چالشهای مختلفی در بهینهسازی استفاده از منابع به وجود میآیند، از جمله مشکلاتی مانند تنگناهای ورودی/خروجی، تاخیرهای راهاندازی هسته، محدودیتهای حافظه و منابع کم استفاده. اگر پیکربندی کار آموزشی برای کارایی دقیق تنظیم نشده باشد، این موانع میتوانند منجر به استفاده از سختافزار نامناسب، طولانیمدت مدت آموزش یا حتی اجراهای آموزشی ناقص شوند. این عوامل باعث افزایش هزینه های پروژه و تاخیر در زمان بندی می شود.
نمایه سازی استفاده از CPU و GPU به درک این ناکارآمدی ها، تعیین میزان مصرف منابع سخت افزاری (زمان و حافظه) عملیات مختلف TensorFlow در مدل شما، رفع تنگناهای عملکرد، و در نهایت، اجرای سریعتر مدل کمک می کند.
تیم رتبهبندی از ویژگی نمایهسازی چارچوب استفاده کرد دیباگر Amazon SageMaker (اکنون به نفع پروفایلر آمازون SageMaker) برای بهینه سازی این مشاغل آموزشی. این به شما امکان میدهد تمام فعالیتهای روی CPU و GPU را ردیابی کنید، مانند استفاده از CPU و GPU، اجرا شدن هسته در GPU، راهاندازی هسته در CPU، عملیات همگامسازی، عملیات حافظه در سراسر GPU، تأخیر بین راهاندازی هسته و اجراهای مربوطه، و انتقال داده بین CPU و پردازنده های گرافیکی
تیم رتبه بندی نیز از پروفایل TensorFlow ویژگی TensorBoard، که بیشتر به نمایه سازی آموزش مدل TensorFlow کمک کرد. SageMaker اکنون است بیشتر با TensorBoard یکپارچه شده است و ابزارهای تجسم TensorBoard را به SageMaker می آورد که با آموزش و دامنه های SageMaker یکپارچه شده است. TensorBoard به شما اجازه می دهد تا با استفاده از افزونه های تجسم TensorBoard وظایف اشکال زدایی مدل را انجام دهید.
با کمک این دو ابزار، تیم Ranking مدل TensorFlow خود را بهینه کرد و توانست گلوگاه ها را شناسایی کند و میانگین زمان گام تمرین را از 350 میلی ثانیه به 140 میلی ثانیه در CPU و از 170 میلی ثانیه به 70 میلی ثانیه در GPU کاهش دهد، سرعت 60٪. و به ترتیب 59 درصد.
نتایج کسب و کار
تلاشهای مهاجرت حول افزایش دسترسپذیری، مقیاسپذیری و کشش متمرکز بود، که مجموعاً محیط ML را به سطح جدیدی از تعالی عملیاتی رساند، که نمونه آن افزایش فرکانس آموزش مدل و کاهش خرابیها، بهینهسازی زمان آموزش و قابلیتهای پیشرفته ML است.
تعداد دفعات و شکست های آموزش را مدل کنید
تعداد مشاغل آموزش مدل ماهانه پنج برابر افزایش یافت که منجر به بهینه سازی مدل به طور قابل توجهی بیشتر شد. علاوه بر این، محیط جدید ML منجر به کاهش نرخ شکست خطوط لوله شد و از حدود 50٪ به 20٪ کاهش یافت. زمان پردازش کار ناموفق به شدت کاهش یافت، از بیش از یک ساعت به طور متوسط به 5 ثانیه ناچیز. این به شدت کارایی عملیاتی را افزایش داده و اتلاف منابع را کاهش داده است.
زمان آموزش بهینه
مهاجرت به همراه کارایی از طریق آموزش GPU مبتنی بر SageMaker افزایش می یابد. این تغییر زمان آموزش مدل را به یک پنجم مدت زمان قبلی کاهش داد. پیش از این، فرآیندهای آموزشی برای مدل های یادگیری عمیق حدود 60 ساعت در CPU مصرف می شد. این به حدود 12 ساعت در GPU ساده شد. این بهبود نه تنها باعث صرفه جویی در زمان می شود، بلکه چرخه توسعه را تسریع می بخشد و امکان تکرار سریعتر و بهبود مدل را فراهم می کند.
قابلیت های پیشرفته ML
مرکز موفقیت مهاجرت، استفاده از مجموعه ویژگی SageMaker است که شامل تنظیم هایپرپارامتر و قابلیت توضیح مدل است. علاوه بر این، مهاجرت امکان ردیابی یکپارچه آزمایش را با استفاده از آن فراهم کرد آزمایشات آمازون SageMaker، امکان آزمایش های روشنگرتر و سازنده تر را فراهم می کند.
مهمتر از همه، محیط آزمایشی جدید ML از توسعه موفقیت آمیز مدل جدیدی پشتیبانی می کند که اکنون در حال تولید است. این مدل به جای اینکه مبتنی بر درخت باشد، یادگیری عمیق است و پیشرفت های قابل توجهی را در عملکرد مدل آنلاین ارائه کرده است.
نتیجه
این پست یک نمای کلی از خدمات حرفهای AWS و همکاری Booking.com ارائه میدهد که منجر به اجرای یک چارچوب مقیاسپذیر ML شد و با موفقیت زمان عرضه مدلهای ML تیم رتبهبندی آنها را کاهش داد.
تیم رتبهبندی در Booking.com دریافت که مهاجرت به ابر و SageMaker مفید بوده است، و اینکه تطبیق شیوههای عملیات یادگیری ماشین (MLOps) به مهندسان و دانشمندان ML این امکان را میدهد تا بر هنر خود تمرکز کنند و سرعت توسعه را افزایش دهند. این تیم در حال به اشتراک گذاری آموخته ها و کارهای انجام شده با کل جامعه ML در Booking.com، از طریق گفتگو و جلسات اختصاصی با پزشکان ML است که در آن آنها کد و قابلیت ها را به اشتراک می گذارند. امیدواریم این پست بتواند راه دیگری برای به اشتراک گذاشتن دانش باشد.
AWS Professional Services آماده کمک به تیم شما برای توسعه ML مقیاس پذیر و آماده تولید در AWS است. برای اطلاعات بیشتر ببین خدمات حرفه ای AWS یا از طریق مدیر حساب خود تماس بگیرید تا با شما تماس بگیرید.
درباره نویسنده
لورن ون در ماس مهندس یادگیری ماشین در AWS Professional Services است. او از نزدیک با مشتریانی که راهحلهای یادگیری ماشینی خود را بر روی AWS میسازند، کار میکند، در آموزش توزیعشده، آزمایش و هوش مصنوعی مسئول تخصص دارد، و مشتاق است که چگونه یادگیری ماشین جهان را آنطور که میشناسیم تغییر میدهد.
دانیل زاگیوا دانشمند داده در AWS Professional Services است. او در توسعه راه حل های یادگیری ماشین مقیاس پذیر و درجه تولید برای مشتریان AWS تخصص دارد. تجربه او در زمینه های مختلف، از جمله پردازش زبان طبیعی، هوش مصنوعی مولد و عملیات یادگیری ماشین گسترش می یابد.
کوستیا کوفمن یک مدیر ارشد یادگیری ماشین در Booking.com است که رهبری تیم ML رتبه بندی جستجو را بر عهده دارد و بر گسترده ترین سیستم ML Booking.com نظارت دارد. او با تخصص در شخصیسازی و رتبهبندی، در استفاده از فناوریهای پیشرفته برای ارتقای تجربیات مشتری پیشرفت میکند.
جنی توکار یک مهندس ارشد یادگیری ماشین در تیم رتبه بندی جستجوی Booking.com است. او در توسعه خطوط لوله ML سرتاسر که با کارایی، قابلیت اطمینان، مقیاس پذیری و نوآوری مشخص می شود، تخصص دارد. تخصص جنی به تیم او قدرت میدهد تا مدلهای رتبهبندی پیشرفتهای ایجاد کند که هر روز به میلیونها کاربر خدمت میکنند.
الکساندرا دوکیچ دانشمند ارشد داده در AWS Professional Services است. او از حمایت از مشتریان برای ساخت راهحلهای AI/ML نوآورانه بر روی AWS لذت میبرد و از تحولات تجاری از طریق قدرت داده هیجانزده است.
لوبا پروتسیوا مدیر تعامل در AWS Professional Services است. او در ارائه راهحلهای Data و GenAI/ML که مشتریان AWS را قادر میسازد تا ارزش تجاری خود را به حداکثر برسانند و سرعت نوآوری را تسریع کنند، تخصص دارد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/how-booking-com-modernized-its-ml-experimentation-framework-with-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 100
- 12
- 130
- 140
- 16
- 350
- 60
- 7
- 70
- a
- توانایی
- قادر
- درباره ما
- شتاب دادن
- دسترسی
- مطابق
- حساب
- دست
- در میان
- فعالیت ها
- اعمال
- سازگار بودن
- اضافه
- علاوه بر این
- پیشرفته
- اثر
- پس از
- AI
- AI / ML
- الگوریتم
- معرفی
- مجاز
- اجازه می دهد تا
- در امتداد
- همچنین
- همیشه
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- مقدار
- مقدار
- an
- تجزیه و تحلیل
- و
- دیگر
- رابط های برنامه کاربردی
- روش
- مناسب
- تایید کرد
- تقریبا
- دلخواه
- هستند
- مناطق
- بوجود می آیند
- دور و بر
- AS
- تنفس
- At
- اتوماتیک
- بطور خودکار
- دسترس پذیری
- در دسترس
- میانگین
- AWS
- خدمات حرفه ای AWS
- به عقب
- مستقر
- بیزی
- BE
- زیرا
- تبدیل شدن به
- رفتار
- رفتاری
- رفتار
- مفید
- سودمند است
- بهترین
- میان
- تعصب
- رزرو
- Booking.com
- هر دو
- تنگناها
- به ارمغان می آورد
- آورده
- ساختن
- بنا
- کسب و کار
- اما
- by
- CAN
- قابلیت های
- مورد
- موارد
- مرکز
- محور
- چالش ها
- به چالش کشیدن
- تغییر دادن
- تبادل
- متغیر
- مشخص شده است
- را انتخاب کنید
- برگزیده
- مشتری
- نزدیک
- ابر
- رمز
- برنامه نویسی
- همکاری کرد
- همکاری
- مجموعا
- COM
- ترکیب
- ترکیب
- ترکیب
- عموما
- انجمن
- سازگاری
- سازگار
- پیچیده
- پیچیدگی
- بغرنج
- اجزاء
- محاسباتی
- قدرت محاسباتی
- محاسبه
- شرط
- پیکر بندی
- در نظر بگیرید
- تشکیل شده است
- محدودیت ها
- مصرف
- مصرف
- شامل
- شامل
- کنترل
- اصلاح
- متناظر
- هزینه
- میتوانست
- سادگی
- ایجاد
- ایجاد
- بسیار سخت
- سفارشی
- مشتری
- مشتریان
- سفارشی
- لبه برش
- تکنولوژی پیشرفته
- چرخه
- داده ها
- آماده سازی داده ها
- دانشمند داده
- مجموعه داده ها
- روز
- روز
- تصمیم گیری
- تصمیم
- تصمیم گیری
- کاهش یافته
- اختصاصی
- تلقی می شود
- عمیق
- یادگیری عمیق
- تعريف كردن
- مشخص
- تعریف
- تاخیر
- تاخیر
- ارائه
- تحویل
- غرق کردن
- وابستگی
- وابستگی
- گسترش
- مستقر
- منسوخ
- طراحی
- جزئیات
- مشخص کردن
- توسعه
- توسعه
- در حال توسعه
- پروژه
- نمودار
- مختلف
- مستقیما
- كشف كردن
- نمایش داده
- متمایز
- توزیع شده
- آموزش توزیع شده
- تقسیم شده
- عمل
- حوزه
- انجام شده
- به شدت
- رها کردن
- مدت
- در طی
- بطور پویا
- هر
- به آسانی
- بهره وری
- موثر
- تلاش
- سوار شد
- توانمندسازی
- قادر ساختن
- فعال
- را قادر می سازد
- را قادر می سازد
- شامل
- پشت سر هم
- نامزدی
- مهندس
- مهندسی
- مورد تأیید
- بالا بردن
- افزایش
- حصول اطمینان از
- تمام
- محیط
- دوره ها
- ضروری است
- ارزیابی
- ارزیابی
- حتی
- هر
- هر روز
- مثال
- برتری
- برانگیخته
- نمونه
- موجود
- انتظار
- تسریع می کند
- تجربه
- تجارب
- تجربه
- آزمایش
- تخصص
- توضیح دهید
- اکتشاف
- بررسی
- گسترش
- گسترش می یابد
- گسترش
- وسیع
- چهره
- در مواجهه
- عوامل
- ناموفق
- شکست
- شکست
- غلط
- سریعتر
- توجه
- امکان پذیر است
- ویژگی
- امکانات
- باز خورد
- کمتر
- پرونده
- فایل ها
- نهایی
- سرانجام
- پیدا کردن
- نام خانوادگی
- بار اول
- انعطاف پذیری
- تمرکز
- پیروی
- برای
- چهار
- چارچوب
- فرکانس
- مکرر
- از جانب
- بیشتر
- بعلاوه
- به دست آوردن
- تولید می کنند
- تولید
- تولید می کند
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- رفتن
- جهانی
- هدف
- GPU
- GPU ها
- بیشتر
- حدس
- بود
- دسته
- سخت افزار
- مهار شده
- آیا
- he
- کمک
- کمک کرد
- کمک می کند
- او
- خود را
- امید
- ساعت
- ساعت ها
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- صدها نفر
- موانع
- بهینه سازی هایپرپارامتر
- تنظیم فراپارامتر
- شناسایی
- if
- نشان می دهد
- تصاویر
- فوری
- تأثیر
- پیاده سازی
- مهمتر
- بهبود
- بهبود یافته
- بهبود
- ارتقاء
- را بهبود می بخشد
- in
- شامل
- از جمله
- افزایش
- افزایش
- افزایش
- به طور فزاینده
- به طور مستقل
- صنعت
- ناکارآمدی
- نفوذ
- اطلاعات
- اطلاع
- شالوده
- آغاز
- نوآوری
- ابداع
- ابتکاری
- ورودی
- ورودی
- داخل
- بصیرت
- بینش
- فوری
- یکپارچه
- ادغام
- علاقه
- داخلی
- به
- معرفی
- معرفی
- گرفتار
- مسائل
- IT
- تکرار
- تکرار
- ITS
- کار
- شغل ها
- سفر
- JPG
- کلید
- دانستن
- دانش
- شناخته شده
- فاقد
- زبان
- بزرگ
- آخرین
- راه اندازی
- راه اندازی
- راه اندازی
- رهبر
- برجسته
- یاد گرفتن
- آموخته
- یادگیری
- رهبری
- سطح
- بهره برداری
- پسندیدن
- محدود شده
- مرتبط
- بار
- محلی
- طولانی
- نگاه کنيد
- شبیه
- دستگاه
- فراگیری ماشین
- ماشین آلات
- ساخته
- ساخت
- اداره می شود
- مدیر
- روش
- دستی
- بیشینه ساختن
- متوسط
- حافظه
- روش
- متری
- متریک
- مهاجرت
- مهاجرت
- میلیون ها نفر
- میلی ثانیه
- حداقل
- دقیقه
- ML
- MLO ها
- مدل
- مدل
- نوین کردن
- ماژول ها
- مانیتور
- ماهیانه
- بیش
- اکثر
- حرکت
- نقل مکان کرد
- بسیار
- چندگانه
- نام
- طبیعی
- پردازش زبان طبیعی
- طبیعت
- نیاز
- جدید
- بعد
- نه
- اکنون
- عدد
- هدف
- مشاهده کردن
- موانع
- of
- آنلاین نیست.
- غالبا
- on
- بر روی تقاضا
- ONE
- آنلاین
- فقط
- قابل استفاده
- عملیات
- بهینه
- بهینه سازی
- بهینه سازی
- بهینه سازی
- بهینه
- بهینه سازی
- گزینه
- or
- دیگر
- در غیر این صورت
- ما
- خارج
- تولید
- خروجی
- روی
- به طور کلی
- نظارت
- مروری
- خود
- سرعت
- بسته
- بسته بندی
- موازی
- پارامتر
- بخش
- احساساتی
- انجام
- کارایی
- انجام
- شخصی
- خط لوله
- محوری
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقش
- پلاگین ها
- نقطه
- پورتال
- مثبت
- پست
- قدرت
- شیوه های
- ماقبل
- پیش بینی
- پیش گویی
- پیش بینی
- تهیه
- قبلی
- قبلا
- مشکل
- روند
- فرآوری شده
- فرآیندهای
- در حال پردازش
- تولید
- تولیدی
- حرفه ای
- مشخصات
- پروفایل
- پیشرفت
- پروژه
- امید بخش
- ثابت
- ارائه
- ارائه
- ارائه
- کیفیت
- به سرعت
- محدوده ها
- رتبه بندی
- سریعا
- نرخ
- نسبتا
- خام
- رسیدن به
- اماده
- گرفتن
- شناختن
- توصیه
- ثبت
- كاهش دادن
- کاهش
- کاهش
- کاهش
- با توجه
- منطقه
- ثبت نام
- ثبت نام
- رجیستری
- به طور منظم
- رد شد..
- مربوط
- قابلیت اطمینان
- گزارش
- گزارش ها
- مخزن
- نمایندگی
- نیاز
- ضروری
- نیاز
- تصمیم
- منابع
- منابع
- به ترتیب
- مسئوليت
- نتیجه
- نتیجه
- نتایج
- طلوع
- تنومند
- نقش
- دویدن
- در حال اجرا
- اجرا می شود
- حکیم ساز
- خطوط لوله SageMaker
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- علم
- دانشمند
- دانشمندان
- خط
- بدون درز
- جستجو
- دوم
- ثانیه
- دیدن
- به دنبال
- را انتخاب کنید
- انتخاب
- انتخاب
- ارشد
- خدمت
- خدمت
- خدمات
- جلسات
- تنظیم
- مجموعه
- تنظیمات
- چند
- اشتراک گذاری
- اشتراک
- او
- تغییر
- باید
- نشان
- نشان می دهد
- به طور قابل توجهی
- ساده
- تنها
- کمی متفاوت
- دقیق
- هموار کردن
- So
- راه حل
- مزایا
- چیزی
- فضا
- جرقه
- تخصص دارد
- خاص
- سرعت
- صرف
- گام
- مراحل
- متوقف کردن
- ذخیره سازی
- ذخیره شده
- استراتژی ها
- ساده
- به شدت
- ساخت یافته
- استودیو
- زیرمجموعه
- موفقیت
- موفق
- موفقیت
- چنین
- پشتیبانی
- حمایت از
- پشتیبانی از
- همگام سازی
- سیستم
- طراحی شده
- مصرف
- مذاکرات
- وظایف
- تیم
- تیم ها
- پیشرفته
- جریان تنسور
- آزمون
- آزمایش
- تست
- نسبت به
- که
- La
- جهان
- شان
- آنها
- سپس
- آنجا.
- در نتیجه
- از این رو
- اینها
- آنها
- این
- کسانی که
- شکوفا می شود
- از طریق
- زمان
- جدول زمانی
- بار
- به
- ابزار
- لمس
- طرف
- مسیر
- پیگردی
- قطار
- آموزش
- آموزش
- انتقال
- تحولات
- انتقال
- سفر
- صنعت مسافرت
- مسافران
- درمان
- درست
- امتحان
- میزان سازی
- دور زدن
- دو
- نوع
- در نهایت
- فهمیدن
- منحصر به فرد
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر پسند
- کاربران
- استفاده
- با استفاده از
- استفاده
- ارزشمند
- ارزش
- ارزشها
- مختلف
- وسیع
- VeloCity
- نسخه
- نسخه
- بسیار
- تجسم
- صبر کنيد
- خواسته
- بود
- مسیر..
- راه
- we
- وب
- خدمات وب
- بود
- چه زمانی
- که
- در حین
- WHO
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- گردش کار
- با این نسخهها کار
- جهان
- در سرتاسر جهان
- خواهد بود
- شما
- شما
- زفیرنت