چگونه یارا از ویژگی های MLOps Amazon SageMaker برای مقیاس بهینه سازی انرژی در کارخانه های آمونیاک خود استفاده می کند

یارا شرکت پیشرو در زمینه تغذیه محصولات زراعی در جهان و ارائه دهنده راه حل های زیست محیطی و کشاورزی است. جاه طلبی یارا بر رشد یک آینده غذایی مثبت در طبیعت متمرکز است که برای مشتریان، سهامداران و جامعه در کل ارزش ایجاد می کند و زنجیره ارزش غذایی پایدارتری را ارائه می دهد. یارا با حمایت از دیدگاه ما از جهانی بدون گرسنگی و سیاره ای مورد احترام، استراتژی رشد ارزش پایدار، ترویج تغذیه محصولات سازگار با آب و هوا و راه حل های انرژی بدون انتشار را دنبال می کند. یارا همچنین بزرگترین تولید کننده آمونیاک، نیترات و NPK کودها بنابراین بخش تولید آن‌ها یک بلوک ساختاری جدایی‌ناپذیر برای انجام مأموریت‌شان است – با جاه‌طلبی آشکارا برای تبدیل شدن به پیشرو در جهان در معیارهایی مانند ایمنی، ردپای محیطی، کیفیت و هزینه‌های تولید. هدف بلندمدت یارا "گیاه آینده" با آلایندگی صفر و هزینه کم است.

یارا با تکیه بر تحولی ناب، تمرکز خود را بر راه‌حل‌های دیجیتال افزایش می‌دهد تا به آنها کمک کند تا به جاه‌طلبی‌های خود دست یابند. یارا برای رهبری این تلاش یک واحد جهانی به نام تولید دیجیتال تاسیس کرد. موفقیت تولید دیجیتال و راه حل های آن یک اولویت کلیدی برای یارا است و یارا به طور قابل توجهی تلاش های خود را در این زمینه افزایش داد. یک منطقه تمرکز حیاتی، بهره‌برداری از حجم وسیع داده‌های تولید شده به عنوان بخشی از عملیات آنهاست. بنابراین، یارا در حال ساخت محصولات مبتنی بر داده است که به آنها در بهینه سازی تولید، افزایش کیفیت محصولات، افزایش قابلیت اطمینان سایت های تولید، کاهش انتشار گازهای گلخانه ای، افزایش ایمنی و بهره وری کارگران، خودکارسازی فرآیندهای دستی و غیره کمک می کند.

انرژی یک جزء اصلی هزینه برای بسیاری از کارخانه های تولیدی است. از این رو، بهره وری انرژی تأثیر قابل توجهی بر سودآوری دارد. با این حال، اغلب فقدان مراجع قوی برای اینکه عملکرد خوب چگونه به نظر می رسد و چگونه می توان به آن رسید وجود دارد. منحنی بار انرژی یارا (ELC) راه حلی است که از بهترین عملکرد تاریخی در مصرف انرژی در مقابل عملکرد فعلی استفاده می کند. اگر مصرف فعلی بیش از حد از بهترین مقدار تاریخی منحرف شود، ابزار توصیه هایی به اپراتورها می دهد تا مصرف انرژی را هدایت کنند.

یارا برای استقرار ELC در کارخانه‌های تولید و گسترش آن در چندین سایت در سراسر جهان، نیاز به ساخت یک پلتفرم MLOps داشت. این تضمین می‌کند که Yara به آموزش، استقرار و نگهداری مدل‌ها به‌طور قابل اعتماد و کارآمد کمک می‌کند. علاوه بر این، یارا برای اینکه این کار را در چندین سایت انجام دهد، باید فرآیندهای استقرار و نگهداری را خودکار کند. در این پست به نحوه استفاده یارا می پردازیم آمازون SageMaker ویژگی ها، از جمله رجیستری مدل، مانیتور مدل آمازون SageMakerو خطوط لوله آمازون SageMaker برای ساده‌سازی چرخه زندگی یادگیری ماشینی (ML) با خودکارسازی و استانداردسازی شیوه‌های MLOps. ما یک نمای کلی از راه‌اندازی ارائه می‌کنیم، و فرآیند ساخت، آموزش، استقرار و نظارت بر مدل‌های ML را برای گیاهان در سراسر جهان نشان می‌دهیم.

بررسی اجمالی راه حل

ELC از داده های حسگر اینترنت اشیا (IoT) از یک کارخانه استفاده می کند. این حسگرها معیارهایی مانند توان تولید، شرایط محیطی و شرایط مواد خام و غیره را اندازه‌گیری می‌کنند. این داده‌ها برای آموزش یک مدل پیش‌بینی انرژی استفاده می‌شوند که سپس برای تولید پیش‌بینی‌های ساعتی استفاده می‌شود. اپراتورهای نیروگاه بر مصرف واقعی انرژی نظارت می کنند و آن را با مصرف بهینه پیش بینی شده توسط ELC مقایسه می کنند. اگر مصرف انرژی فعلی بیش از حد از نقطه بهینه منحرف شود، ELC اقدامی را برای تنظیم متغیرهای فرآیند داخلی برای بهینه‌سازی بازده انرژی بر اساس مدل‌های تحلیلی ارائه می‌کند.

ELC در فضای ابری میزبانی می شود. یارا برای انتقال داده های حسگر از یک کارخانه در زمان واقعی استفاده می کند AWS IoT Greengrass برای برقراری ارتباط امن با AWS IoT Core و داده های IoT را به ابر AWS صادر کنید. AWS IoT SiteWise یک سرویس مدیریت شده است که می تواند داده های تجهیزات را از تجهیزات صنعتی در مقیاس جمع آوری، سازماندهی، جستجو و مصرف کند. یارا با استفاده از API ها را ساخته است دروازه API آمازون برای قرار دادن داده های حسگر در معرض برنامه هایی مانند ELC.

پشتیبان برنامه ELC از طریق آمازون ECS مستقر می شود و داشبوردهای ELC را در قسمت جلویی که توسط اپراتورهای کارخانه استفاده می شود، نیرو می دهد. برنامه ELC مسئول ارائه معیارهای پیش بینی مصرف انرژی ساعتی به اپراتورهای نیروگاه است. هر کارخانه با مدل خاص خود نصب می شود، زیرا ویژگی های مصرف انرژی آنها متفاوت است. علاوه بر این، گیاهان بر اساس موقعیت مکانی خود در مناطق مختلف AWS دسته بندی می شوند.

نمودار زیر این معماری را نشان می دهد.

برای ساختن ELC و مقیاس دهی به چندین کارخانه، ما به یک راه حل MLOps نیاز داشتیم که موارد زیر را پشتیبانی کند:

• مقیاس پذیری - می تواند در پاسخ به حجم داده ها مقیاس شود. برخی از گیاهان داده های بیشتری نسبت به سایرین تولید می کنند. هر کارخانه می تواند چندین گیگابایت داده در روز تولید کند.
• توسعه پذیری - می تواند در مناطق و حساب های جدید مستقر شود.
• تکرارپذیری - دارای الگوهای رایجی است که می توانیم از آنها برای سوار شدن بر یک کارخانه جدید استفاده کنیم.
• انعطاف پذیری - می تواند پیکربندی استقرار را بر اساس نیازهای هر کارخانه تغییر دهد.
• قابلیت اطمینان و نظارت - می تواند آزمایش ها را اجرا کند و وضعیت تمام گیاهان فعال را به وضوح مشاهده کند. در صورت خرابی، می تواند به حالت پایدار قبلی برگردد.
• تعمیر و نگهداری – محلول باید سربار نگهداری پایینی داشته باشد. باید در صورت امکان از خدمات بدون سرور برای کاهش ردپای زیرساخت استفاده کند.

برای ML، یارا تصمیم گرفت از SageMaker استفاده کند. SageMaker یک سرویس کاملاً مدیریت شده است که کل گردش کار ML را پوشش می دهد. ویژگی های زیر در انتخاب SageMaker بسیار مهم بود:

• ظروف چارچوب SageMaker – یارا مدل‌های پیش‌بینی ELC را روی TensorFlow آموزش داده بود و با کانتینرهای فریمورک SageMaker، یارا توانست این مدل‌ها را با کمترین تغییرات کد به SageMaker منتقل کند.
• خطوط لوله SageMaker – SageMaker Pipelines یک رابط پایتون را برای دانشمندان داده ارائه می دهد تا خطوط لوله ML را بنویسند. بخش بزرگی از کد ELC شامل یک آموزش و یک خط لوله استنتاج است که در پایتون تعریف شده اند.
• رجیستری مدل SageMaker – رجیستری مدل SageMaker امکان فهرست بندی و کنترل نسخه مدل ها را فراهم می کند. علاوه بر این، مدیریت ابرداده های مدل، مانند معیارهای آموزشی را آسان می کند.
• مانیتور مدل SageMaker – یارا می خواست کیفیت و توزیع داده های دریافتی و همچنین عملکرد مدل ELC را نظارت کند. API های SageMaker Model Monitor نظارت بر کیفیت داده و مدل را ارائه می دهند.

یارا برای مدیریت یکپارچه سازی مداوم و تحویل مداوم (CI/CD) برای خطوط لوله ML از آن استفاده می کند چارچوب استقرار آمازون (ADF). ADF یک چارچوب منبع باز است که توسط AWS برای مدیریت و استقرار منابع در چندین حساب AWS و منطقه در یک سازمان AWS توسعه یافته است. ADF امکان استقرار مرحله ای، موازی، چند حسابی و بین منطقه ای برنامه ها یا منابع را از طریق ساختار تعریف شده در سازمانهای AWS، ضمن بهره مندی از خدماتی مانند AWS CodePipeline, AWS CodeBuild, AWS CodeCommitو AWS CloudFormation برای کاهش باربری و مدیریت سنگین در مقایسه با راه اندازی سنتی CI/CD.

بررسی اجمالی راه حل

کل راه حل برای پلت فرم MLOps در طی دو ماه در یک تلاش مشترک ساخته شد خدمات حرفه ای AWS. تیم کار بر روی این پروژه متشکل از دانشمندان داده، مهندسان داده و متخصصان DevOps بود. برای تسهیل توسعه سریعتر در یک محیط چند تیمی، یارا استفاده از آن را انتخاب کرد AWS Landing Zone و سازمان ها برای ایجاد، مدیریت و اداره حساب های مختلف AWS به صورت متمرکز. به عنوان مثال، یارا دارای یک حساب استقرار مرکزی است و از حساب های حجم کاری برای میزبانی برنامه های تجاری استفاده می کند. ELC یک مورد استفاده بهینه‌سازی فرآیند است و برای بهینه‌سازی حساب‌های حجم کاری استفاده می‌شود. تیم تولید دیجیتال یارا روی موارد استفاده از ML در زمینه هایی غیر از بهینه سازی نیز کار می کند. چارچوب MLOps از استقرار در هر حساب حجم کاری پشتیبانی می کند تا زمانی که حساب ها از طریق سازمان ها ایجاد شوند.

نمودار زیر این معماری را نشان می دهد.

استفاده از یک حساب استقرار مرکزی مدیریت مصنوعات رایج و خطوط لوله CI/CD را آسان می کند. از نظر مدیریت دسترسی و امنیت این مصنوعات رایج، طراحی ساده تری است زیرا مرزهای مجوز و کلیدهای رمزگذاری به صورت متمرکز در یک مکان مدیریت می شوند. در بخش‌های بعدی، شما را با مراحل مورد نیاز برای وارد کردن یک مورد جدید به پلتفرم MLOps Yara آشنا می‌کنیم.

از نظر استراتژی حساب، یارا دارای یک جعبه سند، DEV، TEST و راه اندازی PROD است. حساب sandbox برای آزمایش و آزمایش ایده های جدید استفاده می شود. حساب DEV نقطه شروع خطوط لوله CI/CD است و همه توسعه از اینجا شروع می شود. حساب استقرار شامل تعریف خط لوله CI/CD است و قابلیت استقرار در حساب های DEV، TEST و PROD را دارد. این تنظیمات حساب در شکل زیر نشان داده شده است.

نصب یک مورد استفاده جدید

برای این پست، فرض می‌کنیم که یک نمونه اولیه از یک مورد استفاده داریم و اکنون می‌خواهیم آن را عملیاتی کنیم. در صورتی که این مورد استفاده به یک منطقه محصول جدید تعلق دارد، ابتدا باید حساب‌ها را با استفاده از سازمان‌ها تهیه کنیم، که به طور خودکار ADF را فعال می‌کند تا این حساب‌ها را برای استقرار راه‌اندازی کند. یارا از استراتژی حساب DEV>TEST>PROD پیروی می کند. با این حال، این پیکربندی اجباری نیست. حساب‌های داده، APIها را برای دسترسی به داده‌ها در معرض نمایش می‌گذارند، و برای یک مورد استفاده جدید، نقش‌ها باید نقش‌های لازم را اعطا کنند. هویت AWS و مدیریت دسترسی (IAM) اجازه می دهد تا بتوانند به Data API دسترسی داشته باشند.

در مرحله بعد، باید تعریف کنیم که این Use case در کدام حساب ها مستقر شده است. این کار با استفاده از یک نقشه استقرار در ADF انجام می شود. نقشه استقرار یک فایل پیکربندی است که شامل نقشه برداری از مراحل و اهداف خط لوله است. برای اجرای نقشه استقرار، ADF از CodePipeline استفاده می کند. ADF انعطاف پذیری را برای مدیریت پارامترها در هر محیط هدفی که پشته در آن مستقر شده است، فراهم می کند. این امر مدیریت استقرارها و آزمایش با نمونه های کوچکتر را آسان می کند.

برای رمزگذاری تمام مصنوعات، مانند کد، داده، و فایل های مدل، ما یک را ایجاد می کنیم سرویس مدیریت کلید AWS کلید (AWS KMS). همچنین می توانید از رمزگذاری سمت سرور استفاده کنید. با این حال، از آنجایی که برخی از مصنوعات تولید شده در بین حساب‌ها قابل دسترسی هستند، ما باید کلید خود را تولید کنیم و خط‌مشی‌های مجوز آن را برای اعطای دسترسی بین حساب‌ها مدیریت کنیم.

در نهایت، ما باید یک گروه بسته مدل ایجاد کنیم تا نسخه های مختلف یک مدل را با استفاده از رجیستری مدل SageMaker گروه بندی کنیم، که قابلیت SageMaker برای ردیابی و مدیریت مدل ها در حین حرکت در چرخه حیات ML است.

مدل خط لوله آموزشی

برای هر کارخانه جدید نصب شده برای ELC، ما یک خط لوله آموزشی SageMaker جدید ایجاد می کنیم. این خط لوله شامل مراحل پیش پردازش داده و آموزش مدل است. خطوط لوله SageMaker برای Yara مناسب هستند زیرا یک رابط Python برای تعریف گردش کار ML ارائه می دهند. علاوه بر این، مراحل مختلف گردش کار را می توان برای مقیاس بندی متفاوت پیکربندی کرد. به عنوان مثال، شما می توانید یک نمونه بسیار بزرگتر از مرحله ارزیابی مدل را برای آموزش تعریف کنید. پارامترهای ورودی و خروجی برای هر مرحله از خط لوله ذخیره می شود، که ردیابی هر اجرا و خروجی های آن را آسان می کند. رئوس مطالب سطح بالا گردش کار آموزشی به شرح زیر است.

به عنوان بخشی از مرحله ارزیابی مدل، یک مجموعه داده ارزیابی برای تولید معیارهایی مانند دقت و انحراف ریشه میانگین مربعات خطا (RMSE) در مدل آموزش‌دیده استفاده می‌شود. این معیارها قبل از ثبت مدل در رجیستری مدل به فراداده مدل اضافه می شوند. در حال حاضر، مدل‌ها به‌صورت دستی به محیط‌های بالاتر ارتقا داده می‌شوند و تأییدکننده مدل می‌تواند معیارهای مدل را مشاهده کند تا مطمئن شود نسخه جدید بهتر از مدل فعلی کار می‌کند.

مدل‌ها با رجیستری مدل کنترل می‌شوند و هر کارخانه گروه بسته مدل خود را دارد. علاوه بر این، می‌توانید از رجیستری مدل برای ردیابی نسخه‌های مدلی که در کدام محیط‌ها مستقر شده‌اند استفاده کنید. یک مدل می تواند در یک باشد مطرود, در انتظار تأیید دستی، یا تایید کرد حالت، و فقط مدل هایی که در تایید کرد حالت را می توان مستقر کرد. این همچنین از استقرار تصادفی یک نسخه تایید نشده از مدل محافظت می کند.

خط لوله استنتاج و پایش مدل

برای استقرار مدل و تنظیم نظارت بر مدل، ما دومین خط لوله SageMaker را راه اندازی کردیم. برنامه ELC پیش‌بینی‌های اپراتورهای کارخانه را در صورت تقاضا ارائه می‌کند، بنابراین مدل‌ها از طریق تماس‌های API ساخته شده از باطن ELC قابل دسترسی هستند. نقاط پایانی استنتاج SageMaker یک راه حل میزبانی مدل کاملاً مدیریت شده با یک لایه API ارائه می دهد. نقاط پایانی ورودی مدل را به عنوان پیش‌بینی بار و بازگشت دریافت می‌کنند. از آنجایی که تأخیر برای کاربران نهایی که نمی‌خواهند قبل از دریافت پیش‌بینی‌های به‌روز شده منتظر بمانند، فاکتوری حیاتی است، یارا نقاط پایانی استنتاج بلادرنگ SageMaker را انتخاب کرد، که مخصوصاً برای بارهای کاری با نیازهای تأخیر بسیار کم مناسب هستند. در نهایت، از آنجایی که برنامه ELC نمی‌تواند در حین استقرار مدل‌های به‌روزرسانی شده، از کار بیفتد، به قابلیت استقرار آبی/سبز نقاط پایانی بلادرنگ SageMaker برای اطمینان از اینکه نسخه مدل قدیمی تا زمان اجرای نسخه جدید به پیش‌بینی ادامه می‌دهد متکی است. .

نمودار زیر استقرار و تنظیم نظارت را نشان می دهد.

برای نظارت بر مدل، یارا SageMaker را اجرا می کند کیفیت داده, کیفیت مدلو قابلیت توضیح مدل نظارت بر. مانیتورینگ کیفیت داده ها ثبات را بررسی می کند و آمار توزیع داده ها را تولید می کند. نظارت بر کیفیت مدل، عملکرد مدل را بررسی می‌کند و دقت مدل را با معیارهای آموزشی مقایسه می‌کند. گزارش های نظارت مدل به صورت ساعتی تولید می شود. این گزارش ها برای نظارت بر عملکرد مدل در تولید استفاده می شود. نظارت بر توضیح‌پذیری مدل برای درک اینکه چه ویژگی‌هایی بیشترین سهم را در پیش‌بینی دارند استفاده می‌شود.

این نتایج توضیح‌پذیری مدل در داشبورد ELC به اشتراک گذاشته می‌شود تا به اپراتورهای کارخانه زمینه بیشتری در مورد آنچه که مصرف انرژی را هدایت می‌کند، ارائه دهد. این همچنین از تعیین اقدام برای تنظیم فرآیند داخلی در صورت انحراف مصرف انرژی از نقطه بهینه پشتیبانی می کند.

جریان CI/CD

جریان CI/CD برای خطوط لوله آموزشی در حساب DEV شروع می شود. یارا از یک مدل توسعه مبتنی بر ویژگی پیروی می کند و هنگامی که یک ویژگی جدید توسعه می یابد، شاخه ویژگی در ترانک ادغام می شود که استقرار را شروع می کند. مدل‌های ELC در حساب DEV آموزش داده می‌شوند و پس از آموزش و ارزیابی مدل، در رجیستری مدل ثبت می‌شوند. یک تأییدکننده مدل قبل از به‌روزرسانی وضعیت مدل، بررسی سلامت عقل را انجام می‌دهد تایید کرد. این عمل رویدادی را ایجاد می کند که استقرار خط لوله استنتاج مدل را آغاز می کند. خط لوله استنتاج مدل، نسخه مدل جدید را در نقطه پایانی SageMaker در DEV مستقر می کند.

پس از استقرار نقطه پایانی، آزمایش‌هایی برای بررسی رفتار راه‌اندازی آغاز می‌شود. برای تست یارا استفاده می کند گزارشات تست CodeBuild. این ویژگی به توسعه دهندگان اجازه می دهد تا تست های واحد، تست های پیکربندی و تست های عملکردی را قبل و بعد از استقرار اجرا کنند. در این مورد، یارا با ارسال بارهای آزمایشی به نقاط پایانی SageMaker و ارزیابی پاسخ، تست های عملکردی را اجرا می کند. پس از گذراندن این تست‌ها، خط لوله شروع به استقرار نقاط انتهایی SageMaker در TEST می‌کند. باطن ELC نیز در TEST مستقر شده است، که آزمایش سرتاسر برنامه را در این محیط ممکن می‌سازد. علاوه بر این، یارا تست پذیرش کاربر را در TEST اجرا می کند. ماشه از راه اندازی TEST تا PROD یک اقدام تأیید دستی است. پس از گذراندن نسخه مدل جدید تست عملکرد و پذیرش کاربر در TEST، تیم مهندسی استقرار مدل را در PROD تأیید می‌کند.

شکل زیر این گردش کار را نشان می دهد.

اجزای مشترک

برای ELC، ما از چندین مؤلفه استفاده می کنیم که برای همه مراحل استقرار (DEV، TEST، PROD) و مدل ها مشترک هستند. این مؤلفه‌ها در حساب استقرار ما قرار دارند و شامل کنترل نسخه مدل، یک مخزن تصویر ظرف، یک کلید رمزگذاری، و یک سطل برای ذخیره مصنوعات رایج هستند.

استفاده از مصنوعات رایج چندین مزیت دارد. به عنوان مثال، منابع لازم نیست برای هر حساب ایجاد شود، که باعث ایجاد سازگاری بین حساب ها می شود. این بدان معناست که ما یک بار تصاویر کانتینر را می‌سازیم و از آن‌ها در همه حساب‌های هدف استفاده می‌کنیم و زمان ساخت را کاهش می‌دهیم.

این خط لوله نسخه های مختلف مدل را در یک رجیستری مدل مشترک در حساب استقرار ذخیره می کند. از این مکان مرکزی، مدل ها را می توان در همه حساب ها بدون انتقال آنها مستقر کرد. به طور مشابه، استفاده از یک کلید رمزگذاری ذخیره شده مرکزی، مدیریت کلید و مجوزهای بین حساب را آسان تر می کند.

یکی از معایب استفاده از مصنوعات رایج این است که مرحله نصب یک مورد استفاده جدید می تواند پیچیده تر شود. برای استفاده از یک مورد جدید، باید یک رجیستری مدل جدید ایجاد شود و در صورت نیاز یک مخزن تصویر ظرف جدید ایجاد شود. همچنین توصیه می‌کنیم یک کلید رمزگذاری جدید ایجاد کنید تا منابع و داده‌های ذخیره شده را کاملاً جدا کنید.

نتیجه

در این پست نشان دادیم که یارا چگونه از SageMaker و ADF برای ساخت یک پلتفرم MLOps بسیار مقیاس پذیر استفاده کرد. ML یک قابلیت متقابل کارکردی است و تیم‌ها مدل‌ها را در حساب‌های واحد تجاری مختلف مستقر می‌کنند. بنابراین، ADF، که یکپارچه سازی بومی با سازمان ها را ارائه می دهد، آن را به گزینه ای ایده آل برای راه اندازی حساب ها برای راه اندازی خطوط لوله CI/CD تبدیل می کند. از نظر عملیاتی، خطوط لوله ADF در حساب استقرار مرکزی اجرا می‌شوند، که به راحتی می‌توانید یک نمای کلی سلامت از استقرارها را دریافت کنید. در نهایت، ADF از خدمات مدیریت شده AWS مانند CodeBuild، CodeDeploy، CodePipeline و CloudFormation استفاده می کند که پیکربندی و نگهداری آن را آسان می کند.

SageMaker طیف گسترده‌ای از قابلیت‌های ML را ارائه می‌کند، که تیم‌ها را قادر می‌سازد تا بیشتر بر روی حل مشکلات تجاری تمرکز کنند و کمتر روی ایجاد و نگهداری زیرساخت‌ها تمرکز کنند. به‌علاوه، SageMaker Pipelines مجموعه‌ای غنی از APIها را برای ایجاد، به‌روزرسانی و استقرار گردش‌های کاری ML ارائه می‌کند که آن را برای MLOها مناسب می‌کند.

در نهایت، MLOps بهترین شیوه ها را برای استقرار و نگهداری مدل های ML در تولید به طور قابل اعتماد و کارآمد ارائه می دهد. برای تیم هایی که راه حل های ML را در مقیاس ایجاد و به کار می گیرند تا MLO ها را پیاده سازی کنند، بسیار مهم است. در مورد Yara، MLOps به طور قابل توجهی تلاش لازم برای نصب یک کارخانه جدید، به‌روزرسانی‌های ELC را کاهش می‌دهد و اطمینان حاصل می‌کند که مدل‌ها از نظر کیفیت نظارت می‌شوند.

برای اطلاعات بیشتر در مورد نحوه استقرار برنامه ها با استفاده از ADF، به بخش مراجعه کنید مثال ها.

---

درباره نویسندگان

شهیر منصور دانشمند داده در AWS است. تمرکز او بر ساخت پلتفرم های یادگیری ماشینی است که می توانند راه حل های هوش مصنوعی را در مقیاس بزرگ میزبانی کنند. زمینه های مورد علاقه او MLO ها، فروشگاه های ویژگی، میزبانی مدل و نظارت بر مدل است.

تیم بکر دانشمند ارشد داده در Yara International است. در تولید دیجیتال، تمرکز او بر بهینه سازی فرآیند تولید آمونیاک و اسید نیتریک است. او دارای مدرک دکترا در ترمودینامیک است و علاقه زیادی به تلفیق مهندسی فرآیند و یادگیری ماشین دارد.

یونگیوس کائوپیتاکون یک دانشمند ارشد داده در تیم تولید دیجیتال در Yara International است. او دارای مدرک دکترا در یادگیری هوش مصنوعی/ماشین و چندین سال تجربه عملی در استفاده از یادگیری ماشین، بینایی کامپیوتر و مدل‌های پردازش زبان طبیعی برای حل مشکلات چالش‌برانگیز تجاری است.