چگونه CCC Intelligent Solutions یک رویکرد سفارشی برای میزبانی مدل‌های پیچیده هوش مصنوعی با استفاده از Amazon SageMaker ایجاد کرد

این پست توسط کریستوفر دیاز، سم کینارد، جیمی هیدالگو و دانیل سوارز از راه حل های هوشمند CCC نوشته شده است.

در این پست به نحوه انجام آن می پردازیم راه حل های هوشمند CCC (CCC) ترکیب شده است آمازون SageMaker با سایر خدمات AWS برای ایجاد یک راه حل سفارشی که قادر به میزبانی انواع مدل های پیچیده هوش مصنوعی (AI) پیش بینی شده است. CCC یک پلت فرم نرم افزاری پیشرو به عنوان سرویس (SaaS) برای اقتصاد چند تریلیون دلاری بیمه اموال و تلفات است که برای بیمه گران، تعمیرکاران، خودروسازان، تامین کنندگان قطعات، وام دهندگان و غیره نیرو می دهد. فناوری CCC ابری بیش از 30,000 کسب‌وکار را به هم متصل می‌کند که جریان‌های کاری، تجارت و تجربیات مشتری حیاتی را دیجیتالی می‌کنند. CCC یک رهبر قابل اعتماد در هوش مصنوعی، اینترنت اشیا (IoT)، تجربه مشتری، و مدیریت شبکه و گردش کار، نوآوری‌هایی را ارائه می‌کند که زندگی مردم را در زمانی که مهم‌تر است به جلو می‌برد.

چالش

CCC سالانه بیش از 1 تریلیون دلار تراکنش ادعایی را پردازش می کند. از آنجایی که این شرکت به تکامل خود برای ادغام هوش مصنوعی در کاتالوگ محصولات موجود و جدید خود ادامه می‌دهد، این نیازمند رویکردهای پیچیده برای آموزش و استقرار مدل‌های مجموعه یادگیری ماشین چندوجهی (ML) برای حل نیازهای تجاری پیچیده است. اینها دسته‌ای از مدل‌ها هستند که الگوریتم‌های اختصاصی و تخصص حوزه موضوعی را که CCC در طول سال‌ها به آن دست یافته است، در بر می‌گیرد. این مدل‌ها باید بتوانند لایه‌های جدیدی از داده‌های ظریف و قوانین مشتری را برای ایجاد نتایج پیش‌بینی واحد دریافت کنند. در این پست وبلاگ، ما خواهیم آموخت که چگونه CCC از میزبانی Amazon SageMaker و سایر خدمات AWS برای استقرار یا میزبانی چندین مدل چند وجهی در یک خط لوله استنتاج مجموعه استفاده می کند.

همانطور که در نمودار زیر نشان داده شده است، یک گروه مجموعه ای از دو یا چند مدل است که به صورت خطی یا غیرخطی تنظیم شده اند تا یک پیش بینی واحد تولید کنند. وقتی به صورت خطی روی هم چیده می‌شوند، می‌توان مدل‌های مجزای یک گروه را مستقیماً برای پیش‌بینی‌ها فراخوانی کرد و بعداً برای یکپارچگی تجمیع کرد. گاهی اوقات، مدل‌های مجموعه را می‌توان به عنوان خط لوله استنتاج سریال نیز پیاده‌سازی کرد.

برای مورد استفاده ما، خط لوله گروه کاملاً غیرخطی است، همانطور که در نمودار زیر نشان داده شده است. خطوط لوله گروه غیرخطی از نظر تئوری مستقیماً نمودارهای غیر چرخه ای (DAGs) هستند. برای مورد استفاده ما، این خط لوله DAG هم مدل های مستقلی داشت که به صورت موازی اجرا می شوند (سرویس های B، C) و هم مدل های دیگری که از پیش بینی های مراحل قبلی (سرویس D) استفاده می کردند.

رویه‌ای که از فرهنگ پژوهش محور در CCC بیرون می‌آید، بررسی مداوم فناوری‌هایی است که می‌توان از آنها برای ایجاد ارزش بیشتر برای مشتریان استفاده کرد. همانطور که CCC با این چالش گروه مواجه شد، رهبری یک ابتکار اثبات مفهوم (POC) را برای ارزیابی کامل پیشنهادات AWS به منظور کشف، به ویژه اینکه آیا Amazon SageMaker و سایر ابزارهای AWS می‌توانند میزبانی مدل‌های هوش مصنوعی فردی را به صورت پیچیده و غیرخطی مدیریت کنند، راه‌اندازی کرد. گروه ها

گروه توضیح داد: در این زمینه، یک گروه مجموعه ای از 2 یا چند مدل هوش مصنوعی است که با هم کار می کنند تا 1 پیش بینی کلی را ایجاد کنند.

سوالاتی که منجر به تحقیق می شود

آیا می توان از Amazon SageMaker برای میزبانی مجموعه های پیچیده ای از مدل های هوش مصنوعی استفاده کرد که با هم کار می کنند تا یک پیش بینی کلی را ارائه دهند؟ اگر چنین است، آیا SageMaker می‌تواند مزایای دیگری مانند افزایش اتوماسیون، قابلیت اطمینان، نظارت، مقیاس‌بندی خودکار و اقدامات صرفه‌جویی در هزینه ارائه دهد؟

یافتن راه‌های جایگزین برای استقرار مدل‌های هوش مصنوعی CCC با استفاده از پیشرفت‌های تکنولوژیکی ارائه‌دهندگان ابری به CCC اجازه می‌دهد راه‌حل‌های هوش مصنوعی را سریع‌تر از رقبای خود به بازار عرضه کند. علاوه بر این، داشتن بیش از یک معماری استقرار انعطاف‌پذیری را هنگام یافتن تعادل بین هزینه و عملکرد بر اساس اولویت‌های تجاری فراهم می‌کند.

بر اساس نیازهایمان، فهرست ویژگی‌های زیر را به‌عنوان چک لیستی برای معماری استقرار درجه تولید نهایی کردیم:

• پشتیبانی از مجموعه های پیچیده
• تایم تضمینی برای تمامی قطعات
• مقیاس‌بندی خودکار قابل تنظیم برای مدل‌های AI مستقر
• حفظ ورودی و خروجی مدل هوش مصنوعی
• معیارهای استفاده و گزارش‌ها برای همه مؤلفه‌ها
• مکانیسم های صرفه جویی در هزینه

با توجه به اینکه اکثر راه حل های هوش مصنوعی CCC بر مدل های بینایی کامپیوتری تکیه می کنند، معماری جدیدی برای پشتیبانی از فایل های تصویری و ویدیویی مورد نیاز بود که وضوح آنها همچنان افزایش می یابد. نیاز شدیدی به طراحی و پیاده سازی این معماری به عنوان یک مدل ناهمزمان وجود داشت.

پس از چرخه‌های تحقیق و تلاش‌های اولیه برای محک زدن، CCC تشخیص داد که SageMaker برای برآورده کردن اکثر نیازهای تولید آن‌ها مناسب است، به‌ویژه زمان تضمین شده SageMaker برای اکثر اجزای استنتاج خود. ویژگی پیش‌فرض Amazon SageMaker Asynchronous Inference نقاط پایانی برای ذخیره ورودی/خروجی در آمازون S3 کار حفظ داده‌های تولید شده از مجموعه‌های پیچیده را ساده می‌کند. علاوه بر این، با میزبانی هر مدل هوش مصنوعی توسط نقطه پایانی خود، مدیریت سیاست‌های مقیاس‌بندی خودکار در سطح مدل یا نقطه پایانی آسان‌تر می‌شود. با ساده‌سازی مدیریت، یک مزیت بالقوه صرفه‌جویی در هزینه از این امر این است که تیم‌های توسعه می‌توانند زمان بیشتری را برای تنظیم دقیق سیاست‌های مقیاس‌بندی برای به حداقل رساندن تامین بیش از حد منابع محاسباتی اختصاص دهند.

با تصمیم به ادامه استفاده از SageMaker به عنوان مؤلفه محوری معماری، ما همچنین متوجه شدیم که SageMaker می‌تواند بخشی از یک معماری حتی بزرگ‌تر باشد که با بسیاری از سرویس‌های بدون سرور مدیریت شده توسط AWS تکمیل می‌شود. این انتخاب برای تسهیل نیازهای ارکستراسیون و مشاهده پذیری بالاتر این معماری پیچیده مورد نیاز بود.

در مرحله اول، برای حذف محدودیت‌های اندازه بار و کاهش خطر وقفه زمانی در سناریوهای پرترافیک، CCC معماری را پیاده‌سازی کرد که پیش‌بینی‌ها را به صورت ناهمزمان با استفاده از نقاط پایانی استنتاج ناهمزمان SageMaker همراه با سایر خدمات مدیریت شده توسط AWS به عنوان بلوک های اصلی ساختمان. علاوه بر این، رابط کاربری سیستم از الگوی طراحی آتش و فراموش کردن پیروی می کند. به عبارت دیگر، زمانی که کاربر ورودی خود را در سیستم آپلود کرد، دیگر نیازی به انجام کاری نیست. زمانی که پیش بینی در دسترس باشد به آنها اطلاع داده خواهد شد. شکل زیر نمای کلی سطح بالایی از معماری رویداد محور ناهمزمان ما را نشان می دهد. در بخش پیش رو، اجازه دهید یک شیرجه عمیق در جریان اجرای معماری طراحی شده انجام دهیم.

راه حل گام به گام

1 گام

مشتری درخواستی را به دروازه API AWS نقطه پایانی محتوای درخواست شامل نام سرویس هوش مصنوعی است که از آن به پیش بینی و روش اطلاع رسانی مورد نظر نیاز دارند.

این درخواست به a منتقل می شود یازدهمین حرف الفبای یونانی تابع فراخوانی شد پیش بینی جدید، که وظایف اصلی آن عبارتند از:

• بررسی کنید که آیا خدمات درخواست شده توسط مشتری در دسترس است یا خیر.
• یک شناسه پیش بینی منحصر به فرد به درخواست اختصاص دهید. این شناسه پیش‌بینی می‌تواند توسط کاربر برای بررسی وضعیت پیش‌بینی در کل فرآیند استفاده شود.
• یک آمازون S3 URL از پیش امضا شده که کاربر باید در مرحله بعد برای آپلود محتوای ورودی درخواست پیش بینی از آن استفاده کند.
• یک ورودی در ایجاد کنید آمازون DynamoDB با اطلاعات درخواست دریافت شده

سپس تابع Lambda از طریق نقطه پایانی API Gateway با پیامی که شامل شناسه پیش‌بینی تخصیص داده شده به درخواست و URL از پیش امضا شده آمازون S3 است، پاسخ می‌دهد.

2 گام

کلاینت به طور ایمن محتوای ورودی پیش بینی را با استفاده از URL از پیش امضا شده تولید شده در مرحله قبل در یک سطل S3 آپلود می کند. محتوای ورودی به سرویس هوش مصنوعی بستگی دارد و می تواند از تصاویر، داده های جدولی یا ترکیبی از هر دو تشکیل شود.

3 گام

سطل S3 طوری پیکربندی شده است که وقتی کاربر محتوای ورودی را آپلود می کند، رویدادی را راه اندازی کند. این اعلان به یک صف آمازون SQS ارسال می شود و توسط یک تابع Lambda به نام مدیریت می شود ورودی فرآیند. ورودی فرآیند Lambda اطلاعات مربوط به آن شناسه پیش‌بینی را از DynamoDB دریافت می‌کند تا نام سرویسی را که قرار است درخواست به آن داده شود، دریافت کند.

این سرویس می تواند یک مدل هوش مصنوعی واحد باشد، در این صورت ورودی فرآیند Lambda درخواستی را به نقطه پایانی SageMaker که آن مدل را میزبانی می کند (مرحله 3-A) ارسال می کند، یا می تواند یک سرویس هوش مصنوعی باشد که در این صورت، ورودی فرآیند لامبدا درخواستی را به ماشین حالت توابع مرحله ای که منطق گروه را میزبانی می کند، ارسال می کند (مرحله 3-B).

در هر یک از گزینه ها (مدل AI یا سرویس هوش مصنوعی گروهی)، هنگامی که پیش بینی نهایی آماده شد، در سطل S3 مناسب ذخیره می شود و تماس گیرنده از طریق روش مشخص شده در مرحله 1 مطلع می شود (جزئیات بیشتر در مورد اعلان ها در مرحله). 4).

مرحله 3-الف

اگر شناسه پیش‌بینی به یک مدل هوش مصنوعی مرتبط باشد، ورودی فرآیند Lambda درخواستی را به نقطه پایانی SageMaker که مدل را ارائه می دهد ارسال می کند. در این سیستم، دو نوع نقطه پایانی SageMaker پشتیبانی می شود:

• ناهمگام: ورودی فرآیند Lambda درخواست را به نقطه پایانی ناهمزمان SageMaker ارائه می دهد. پاسخ فوری شامل مکان S3 است که در آن SageMaker خروجی پیش‌بینی را ذخیره می‌کند. این درخواست ناهمزمان است و از الگوی آتش و فراموش کردن پیروی می کند و جریان اجرای تابع لامبدا را مسدود نمی کند.
• همگام: ورودی فرآیند Lambda درخواست را به نقطه پایانی همگام SageMaker ارائه می کند. از آنجایی که یک درخواست همزمان است، Process Input منتظر پاسخ می ماند و پس از دریافت، آن را به روش مشابهی که نقاط پایانی ناهمزمان SageMaker انجام می دهند، در S3 ذخیره می کند.

در هر دو مورد (نقاط پایانی همزمان یا ناهمزمان)، پیش‌بینی به روشی معادل پردازش می‌شود و خروجی را در یک سطل S3 ذخیره می‌کند. هنگامی که نقطه پایانی ناهمزمان SageMaker یک پیش بینی را کامل می کند، یک رویداد SNS آمازون راه اندازی می شود. این رفتار همچنین برای نقاط پایانی همزمان با منطق اضافی در تابع Lambda تکرار می شود.

مرحله 3-B

اگر شناسه پیش‌بینی با یک مجموعه هوش مصنوعی مرتبط باشد، ورودی فرآیند Lambda درخواست تابع step مربوط به آن Ensemble AI را می دهد. همانطور که در بالا ذکر شد، یک گروه هوش مصنوعی معماری مبتنی بر گروهی از مدل‌های هوش مصنوعی است که با هم کار می‌کنند تا یک پیش‌بینی کلی ایجاد کنند. ارکستراسیون یک گروه هوش مصنوعی از طریق یک تابع مرحله ای انجام می شود.

تابع مرحله دارای یک مرحله برای هر سرویس هوش مصنوعی است که مجموعه را تشکیل می دهد. هر مرحله یک تابع لامبدا را فراخوانی می کند که ورودی سرویس هوش مصنوعی مربوطه خود را با استفاده از ترکیب های مختلف محتوای خروجی از فراخوانی های خدمات هوش مصنوعی قبلی مراحل قبلی آماده می کند. سپس با هر سرویس هوش مصنوعی تماس می گیرد که در این زمینه، می تواند یک مدل هوش مصنوعی یا مجموعه دیگری از هوش مصنوعی باشد.

همان تابع لامبدا، فراخوانی شده است GetTransformCall برای رسیدگی به پیش‌بینی‌های میانی یک گروه هوش مصنوعی در سراسر تابع مرحله استفاده می‌شود، اما با پارامترهای ورودی متفاوت برای هر مرحله. این ورودی شامل نام سرویس هوش مصنوعی است که باید فراخوانی شود. همچنین شامل تعریف نقشه برداری برای ساخت ورودی برای سرویس هوش مصنوعی مشخص شده است. این با استفاده از یک نحو سفارشی انجام می شود که Lambda می تواند رمزگشایی کند، که به طور خلاصه، یک فرهنگ لغت JSON است که در آن مقادیر باید با محتوای پیش بینی های قبلی هوش مصنوعی جایگزین شوند. Lambda این پیش بینی های قبلی را از آمازون S3 دانلود خواهد کرد.

در هر مرحله، GetTransformCall لامبدا خروجی های قبلی مورد نیاز برای ساخت ورودی سرویس هوش مصنوعی مشخص شده را از آمازون S3 می خواند. سپس آن را فراخوانی می کند پیش بینی جدید کد لامبدا که قبلاً در مرحله 1 استفاده شده بود و نام سرویس، روش پاسخ به تماس ("عملکرد مرحله") و رمز مورد نیاز برای پاسخ به تماس را در بار درخواست ارائه می دهد، که سپس در DynamoDB به عنوان یک رکورد پیش بینی جدید ذخیره می شود. Lambda همچنین ورودی ایجاد شده آن مرحله را در یک سطل S3 ذخیره می کند. بسته به اینکه آن مرحله یک مدل AI منفرد است یا یک گروه هوش مصنوعی، Lambda درخواستی را به یک نقطه پایانی SageMaker یا یک تابع مرحله دیگر می‌کند که یک مجموعه هوش مصنوعی را که وابسته به گروه والد است، مدیریت می‌کند.

هنگامی که درخواست انجام می شود، تابع گام به حالت معلق وارد می شود تا زمانی که نشانه بازگشت به تماس را دریافت کند که نشان می دهد می تواند به مرحله بعدی حرکت کند. عمل ارسال یک توکن برگشت به تماس توسط تابع Lambda به نام انجام می شود اطلاعیه ها (جزئیات بیشتر در مرحله 4) هنگامی که پیش بینی میانی آماده شد. این فرآیند برای هر مرحله تعریف شده در تابع گام تکرار می شود تا پیش بینی نهایی آماده شود.

4 گام

هنگامی که یک پیش بینی آماده و در سطل S3 ذخیره می شود، یک اعلان SNS فعال می شود. این رویداد بسته به جریان می تواند به روش های مختلفی فعال شود:

1. هنگامی که یک نقطه پایانی ناهمزمان SageMaker یک پیش‌بینی را کامل می‌کند، به‌طور خودکار.
2. به عنوان آخرین مرحله از تابع گام.
3. By ورودی فرآیند or GetTransformCall زمانی که یک نقطه پایانی همزمان SageMaker یک پیش بینی را برگرداند لامبدا.

برای B و C، ما یک پیام SNS مشابه آنچه A به طور خودکار ارسال می کند ایجاد می کنیم.

یک تابع Lambda به نام اعلان ها در این موضوع SNS مشترک است. اعلان‌ها لامبدا اطلاعات مربوط به شناسه پیش‌بینی را از DynamoDB دریافت می‌کند، ورودی را با مقدار وضعیت به «تکمیل شده» یا «خطا» به‌روزرسانی می‌کند و بسته به حالت برگشت به تماس ذخیره شده در رکورد پایگاه داده، اقدام لازم را انجام می‌دهد.

اگر این پیش‌بینی یک پیش‌بینی میانی از یک گروه هوش مصنوعی باشد، همانطور که در مرحله 3-B توضیح داده شد، حالت برگشت به تماس مرتبط با این پیش‌بینی «عملکرد مرحله» خواهد بود و رکورد پایگاه داده دارای یک نشانه بازگشت به تماس مرتبط با مرحله خاص در تابع مرحله اعلان‌های Lambda با استفاده از روش «SendTaskSuccess» یا «SendTaskFailure» با AWS Step Functions API تماس می‌گیرد. این به عملکرد مرحله اجازه می دهد تا به مرحله بعدی یا خروج ادامه دهد.

اگر پیش‌بینی خروجی نهایی تابع گام باشد و حالت پاسخ به تماس «Webhook» [یا ایمیل، کارگزاران پیام (کافکا) و غیره] باشد، اعلان‌های Lambda به روش مشخص شده به مشتری اطلاع می‌دهند. در هر نقطه، کاربر می تواند وضعیت پیش بینی خود را درخواست کند. درخواست باید شامل شناسه پیش‌بینی باشد که در مرحله 1 تخصیص داده شده است و به URL صحیح در دروازه API اشاره می‌کند تا درخواست را به تابع Lambda به نام نتایج.

نتایج Lambda درخواستی را به DynamoDB می‌دهد و وضعیت درخواست را به دست می‌آورد و اطلاعات را به کاربر برمی‌گرداند. اگر وضعیت پیش بینی باشد خطا، سپس جزئیات مربوط به خرابی در پاسخ درج خواهد شد. اگر وضعیت پیش بینی باشد موفقیت، یک URL از پیش امضا شده S3 برای کاربر برای دانلود محتوای پیش بینی بازگردانده می شود.

عواقب

نتایج اولیه آزمایش عملکرد امیدوار کننده است و از مورد CCC برای گسترش اجرای این معماری استقرار جدید پشتیبانی می کند.

مشاهدات قابل توجه:

• آزمایش‌ها قدرت در پردازش درخواست‌های دسته‌ای یا همزمان با توان عملیاتی بالا و نرخ شکست ۰ درصد در سناریوهای ترافیک بالا را نشان می‌دهند.
• صف‌های پیام ثبات را در سیستم در طول هجوم ناگهانی درخواست‌ها فراهم می‌کنند تا زمانی که محرک‌های مقیاس‌پذیر بتوانند منابع محاسباتی اضافی را فراهم کنند. با افزایش 3 برابری ترافیک، متوسط ​​تأخیر درخواست تنها 5 درصد افزایش یافت.
• قیمت پایداری به دلیل سربار ارتباط بین اجزای مختلف سیستم، تاخیر افزایش یافته است. هنگامی که ترافیک کاربر بالاتر از آستانه خط پایه باشد، اگر عملکرد اولویت بیشتری نسبت به هزینه داشته باشد، تأخیر اضافه شده را می توان تا حدی با ارائه منابع محاسباتی بیشتر کاهش داد.
• نقاط پایانی استنتاج ناهمزمان SageMaker اجازه می‌دهد که تعداد نمونه‌ها به صفر برسد و در عین حال نقطه پایانی برای دریافت درخواست‌ها فعال بماند. این عملکرد، استقرارها را قادر می‌سازد تا بدون تحمیل هزینه‌های محاسباتی به اجرا ادامه دهند و در صورت نیاز از صفر در دو حالت افزایش یابند: استقرار سرویس‌های مورد استفاده در محیط‌های تست پایین‌تر و مواردی که حداقل ترافیک را بدون نیاز به پردازش فوری دارند.

نتیجه

همانطور که در طول فرآیند POC مشاهده شد، طراحی نوآورانه ای که به طور مشترک توسط CCC و AWS ایجاد شده است، پایه محکمی برای استفاده از Amazon SageMaker با سایر خدمات مدیریت شده AWS برای میزبانی مجموعه های پیچیده هوش مصنوعی چندوجهی و هماهنگ کردن خطوط لوله استنتاج به طور موثر و یکپارچه فراهم می کند. CCC با استفاده از قابلیت‌های خارج از جعبه Amazon SageMaker مانند استنتاج ناهمگام، فرصت‌های بیشتری برای تمرکز بر وظایف تخصصی حیاتی کسب‌وکار دارد. با روح فرهنگ مبتنی بر تحقیق CCC، این معماری جدید همچنان به تکامل خود ادامه خواهد داد زیرا CCC در کنار AWS راه‌های رو به جلو را در راه‌حل‌های جدید و قدرتمند هوش مصنوعی برای مشتریان پیش می‌برد.

برای مراحل دقیق در مورد نحوه ایجاد، فراخوانی و نظارت بر نقاط پایانی استنتاج ناهمزمان، به مستندات، که همچنین حاوی الف نمونه دفترچه یادداشت برای کمک به شما برای شروع برای اطلاع از قیمت به دایرکت مراجعه کنید قیمت گذاری آمازون SageMaker.

برای مثال هایی در مورد استفاده از استنتاج ناهمزمان با داده های بدون ساختار مانند بینایی کامپیوتر و پردازش زبان طبیعی (NLP)، به استنتاج بینایی رایانه را روی ویدیوهای بزرگ با نقاط پایانی ناهمزمان Amazon SageMaker اجرا کنید و با Hugging Face و آمازون SageMaker نقاط پایانی استنتاج ناهمزمان تحقیقات با ارزش را بهبود بخشیدبود.

---

درباره نویسنده

کریستوفر دیاز مهندس ارشد تحقیق و توسعه در CCC Intelligent Solutions است. او به‌عنوان عضوی از تیم تحقیق و توسعه، روی پروژه‌های مختلفی از ابزارسازی ETL، توسعه وب پشتیبان، همکاری با محققان برای آموزش مدل‌های هوش مصنوعی در سیستم‌های توزیع‌شده، و تسهیل ارائه خدمات جدید هوش مصنوعی بین تیم‌های تحقیقاتی و عملیاتی کار کرده است. تمرکز اخیر او بر روی تحقیق در مورد راه حل های ابزار ابری برای بهبود جنبه های مختلف چرخه عمر توسعه مدل هوش مصنوعی شرکت بوده است. او در اوقات فراغت خود از امتحان کردن رستوران های جدید در شهر زادگاهش شیکاگو و جمع آوری مجموعه های لگو به اندازه خانه اش لذت می برد. کریستوفر مدرک لیسانس خود را در علوم کامپیوتر از دانشگاه شمال شرقی ایلینویز گرفت.

برنده جایزه امی سام کینارد مدیر ارشد مهندسی نرم افزار در CCC Intelligent Solutions است. او مستقر در آستین، تگزاس، با تیم AI Runtime که مسئول ارائه محصولات هوش مصنوعی CCC در دسترس پذیری بالا و مقیاس بزرگ است، بحث می کند. سام در اوقات فراغت خود به خاطر دو فرزند فوق العاده اش از کم خوابی لذت می برد. سام دارای لیسانس علوم در علوم کامپیوتر و لیسانس علوم در ریاضیات از دانشگاه تگزاس در آستین است.

جیمی هیدالگو مهندس ارشد سیستم در CCC Intelligent Solutions است. او قبل از پیوستن به تیم تحقیقاتی هوش مصنوعی، مهاجرت جهانی این شرکت به معماری Microservices، طراحی، ساخت و خودکارسازی زیرساخت در AWS را برای پشتیبانی از استقرار محصولات و خدمات ابری رهبری کرد. در حال حاضر، او یک خوشه مرکز داده در محل ساخته شده برای آموزش هوش مصنوعی می‌سازد و از آن پشتیبانی می‌کند و همچنین راه‌حل‌های ابری را برای تحقیقات و استقرار آینده این شرکت در زمینه هوش مصنوعی طراحی و می‌سازد.

دانیل سوارز مهندس علوم داده در CCC Intelligent Solutions است. او به عنوان عضوی از تیم مهندسی هوش مصنوعی، روی اتوماسیون و آماده سازی مدل های هوش مصنوعی در تولید، ارزیابی و نظارت بر معیارها و سایر جنبه های عملیات ML کار می کند. دانیل مدرک کارشناسی ارشد در علوم کامپیوتر از موسسه فناوری ایلینویز و کارشناسی ارشد و لیسانس در مهندسی مخابرات از دانشگاه پلی‌تکنیک مادرید دریافت کرد.

آرونپراسات شانکار یک معمار ارشد راه حل های تخصصی AI/ML با AWS است که به مشتریان جهانی کمک می کند راه حل های هوش مصنوعی خود را به طور موثر و کارآمد در فضای ابری مقیاس کنند. آرون در اوقات فراغت خود از تماشای فیلم های علمی تخیلی و گوش دادن به موسیقی کلاسیک لذت می برد.

جاستین مک ویرتر یک مدیر معمار راه حل ها در AWS است. او با تیمی از معماران شگفت‌انگیز Solutions کار می‌کند که به مشتریان کمک می‌کنند در حین پذیرش پلت فرم AWS، تجربه‌ای مثبت داشته باشند. جاستین وقتی سر کار نیست، از بازی های ویدیویی با دو پسرش، هاکی روی یخ و آفرود با جیپ لذت می برد.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/how-ccc-intelligent-solutions-created-a-custom-approach-for-hosting-complex-ai-models-using-amazon-sagemaker/