این دومین پست از یک سری چهار قسمتی است که نحوه انجام آن را شرح می دهد گروه NatWest، یک موسسه خدمات مالی بزرگ، با همکاری خدمات حرفه ای AWS برای ساخت یک پلت فرم جدید عملیات یادگیری ماشین (MLOps). در این پست، نحوه استفاده گروه NatWest از AWS را به اشتراک می گذاریم تا امکان استقرار سلف سرویس پلت فرم MLOps استاندارد، ایمن و سازگار خود را با استفاده از کاتالوگ خدمات AWS و آمازون SageMaker. این منجر به کاهش زمان لازم برای ارائه محیط های جدید از روزها به چند ساعت شده است.
ما معتقدیم که تصمیم گیرندگان می توانند از این محتوا بهره ببرند. CTOها، CDAOها، دانشمندان ارشد داده و مهندسان ارشد ابر میتوانند از این الگو پیروی کنند تا راهحلهای نوآورانهای را برای تیمهای علم داده و مهندسی خود ارائه دهند.
کل سریال را بخوانید:
|
فناوری در گروه NatWest
NatWest Group یک بانک ارتباط برای دنیای دیجیتال است که خدمات مالی را به بیش از 19 میلیون مشتری در سراسر بریتانیا ارائه می دهد. این گروه دارای یک مجموعه فناوری متنوع است، که در آن راهحلهای چالشهای تجاری اغلب با استفاده از طرحهای سفارشی و با جدول زمانی طولانی ارائه میشوند.
اخیراً، گروه NatWest استراتژی اول ابری را اتخاذ کرده است که این شرکت را قادر می سازد از خدمات مدیریت شده برای تهیه منابع محاسباتی و ذخیره سازی بر اساس تقاضا استفاده کند. این حرکت منجر به بهبود پایداری کلی، مقیاسپذیری و عملکرد راهحلهای تجاری، در عین حال کاهش هزینه و تسریع سرعت تحویل شده است. علاوه بر این، انتقال به فضای ابری به گروه NatWest اجازه میدهد تا پشته فناوری خود را با اجرای مجموعهای از طرحهای راهحل سازگار، تکرارپذیر و از پیش تأیید شده برای برآورده کردن الزامات نظارتی و عملکرد به شیوهای کنترلشده سادهسازی کند.
چالش ها
مراحل آزمایشی اتخاذ رویکرد اول ابری شامل چندین مرحله آزمایش و ارزیابی با استفاده از طیف گسترده ای از خدمات تحلیلی در AWS اولین تکرارهای پلتفرم ابری گروه NatWest برای بارهای کاری علم داده با ایجاد محیط های ابری سازگار، ایمن و سازگار با چالش هایی مواجه شد. فرآیند ایجاد محیط های جدید از چند روز تا هفته ها یا حتی ماه ها به طول انجامید. اتکا به تیمهای پلتفرم مرکزی برای ساخت، تأمین، ایمن، استقرار و مدیریت زیرساختها و منابع داده، کار تیمهای جدید را برای کار در فضای ابری دشوار میکرد.
به دلیل نابرابری در پیکربندی زیرساخت در حسابهای AWS، تیمهایی که تصمیم گرفتند بار کاری خود را به فضای ابری منتقل کنند، مجبور بودند یک فرآیند انطباق دقیق را طی کنند. هر مؤلفه زیرساخت باید به طور جداگانه تجزیه و تحلیل می شد، که باعث افزایش زمان بندی ممیزی امنیتی شد.
شروع توسعه در AWS شامل خواندن مجموعه ای از راهنماهای مستندات نوشته شده توسط تیم های پلت فرم است. مراحل اولیه راه اندازی محیط شامل مدیریت کلیدهای عمومی و خصوصی برای احراز هویت، پیکربندی اتصالات به سرویس های راه دور با استفاده از رابط خط فرمان AWS (AWS CLI) یا SDK از محیط های توسعه محلی، و اجرای اسکریپت های سفارشی برای پیوند IDE های محلی به سرویس های ابری. چالشهای فنی اغلب حضور اعضای جدید تیم را دشوار میکرد. پس از پیکربندی محیطهای توسعه، مسیر انتشار نرمافزار در مرحله تولید به همین ترتیب پیچیده و طولانی بود.
همانطور که در قسمت 1 این مجموعه توضیح داده شد، تیم پروژه مشترک مقادیر زیادی بازخورد در مورد تجربه کاربر و نیازهای تیمهای گروه NatWest را قبل از ساختن پلتفرم علوم داده جدید و MLOps جمعآوری کرد. یک موضوع رایج در این بازخورد، نیاز به اتوماسیون و استانداردسازی به عنوان پیشرو برای تحویل سریع و کارآمد پروژه در AWS بود. پلتفرم جدید از خدمات مدیریت شده AWS برای بهینهسازی هزینه، کاهش تلاشهای پیکربندی پلت فرم و کاهش ردپای کربن ناشی از اجرای کارهای محاسباتی بزرگ غیرضروری استفاده میکند. استانداردسازی با اجزای زیرساختی از پیش تأیید شده، کاملاً پیکربندی شده، ایمن، سازگار و قابل استفاده مجدد که در میان تیم های داده و تجزیه و تحلیل قابل اشتراک گذاری است، در قلب پلتفرم تعبیه شده است.
چرا SageMaker Studio؟
تیم انتخاب کرد Amazon SageMaker Studio به عنوان ابزار اصلی برای ساخت و استقرار خطوط لوله ML. Studio یک رابط مبتنی بر وب را ارائه می دهد که به کاربران امکان دسترسی کامل، کنترل و دید به هر مرحله مورد نیاز برای ساخت، آموزش و استقرار مدل ها را می دهد. بلوغ Studio IDE (محیط توسعه یکپارچه) برای توسعه مدل، ردیابی ابرداده، مدیریت مصنوعات و استقرار از جمله ویژگی هایی بود که به شدت برای تیم NatWest گروه جذاب بود.
دانشمندان داده در گروه NatWest با نوتبوکهای SageMaker در استودیو در مراحل اولیه توسعه مدل کار میکنند تا تجزیه و تحلیل دادهها، جدال دادهها و مهندسی ویژگیها را انجام دهند. پس از اینکه کاربران از نتایج این کار اولیه راضی شدند، کد به راحتی به توابع قابل ترکیب برای تبدیل داده، آموزش مدل، استنتاج، ثبتنام و تست واحد تبدیل میشود تا در حالت آماده تولید باشد.
مراحل بعدی چرخه عمر توسعه مدل شامل استفاده از خطوط لوله آمازون SageMaker، که در استودیو به صورت بصری قابل بررسی و نظارت است. خطوط لوله در یک DAG (گراف غیر چرخه مستقیم) تجسم می شوند که در حین اجرای خط لوله، مراحل را بر اساس وضعیت آنها کد رنگ می کند. علاوه بر این، خلاصه ای از گزارشهای آمازون CloudWatch در کنار DAG نمایش داده می شود تا اشکال زدایی مراحل ناموفق را تسهیل کند. به دانشمندان داده یک الگوی کد شامل تمام مراحل اساسی در خط لوله SageMaker ارائه می شود. این یک چارچوب استاندارد شده را فراهم می کند (که در بین همه کاربران پلتفرم برای سهولت همکاری و اشتراک دانش سازگار است) که توسعه دهندگان می توانند منطق سفارشی و کد برنامه را که مخصوص چالش تجاری که در حال حل آن هستند، اضافه کنند.
توسعه دهندگان خطوط لوله را در Studio IDE اجرا می کنند تا اطمینان حاصل کنند که تغییرات کد آنها به درستی با سایر مراحل خط لوله ادغام می شود. پس از بررسی و تایید تغییرات کد، این خطوط لوله به طور خودکار بر اساس یک ماشه شاخه اصلی مخزن Git ساخته و اجرا می شوند. در طول آموزش مدل، معیارهای ارزیابی مدل در SageMaker Experiments ذخیره و ردیابی میشوند که میتواند برای تنظیم فراپارامتر استفاده شود. پس از آموزش یک مدل، مصنوع مدل در آن ذخیره می شود رجیستری مدل SageMaker، همراه با ابرداده مربوط به کانتینرهای مدل، داده های استفاده شده در طول آموزش، ویژگی های مدل و کد مدل. رجیستری مدل نقش کلیدی را در فرآیند استقرار مدل ایفا می کند زیرا تمام اطلاعات مدل را بسته بندی می کند و امکان خودکارسازی ارتقاء مدل به محیط های تولید را فراهم می کند.
مهندسین MLOps مدیریت شده را مستقر می کنند کارهای تبدیل دسته ای SageMaker، که مقیاس برای برآورده کردن نیازهای حجم کار است. هم کارهای استنتاج دسته ای آفلاین و هم مدل های آنلاین که از طریق نقطه پایانی ارائه می شوند از عملکرد استنتاج مدیریت شده SageMaker استفاده می کنند. این به نفع تیم های پلت فرم و برنامه های تجاری است زیرا مهندسان پلتفرم دیگر برای پیکربندی اجزای زیرساخت برای استنتاج مدل وقت نمی گذارند و تیم های برنامه کاربردی تجاری کد اضافی را برای تنظیم و تعامل با نمونه های محاسباتی نمی نویسند.
چرا کاتالوگ خدمات AWS؟
این تیم کاتالوگ خدمات AWS را برای ایجاد کاتالوگی از الگوهای زیرساخت ایمن، سازگار و از پیش تأیید شده انتخاب کرد. اجزای زیرساخت در یک محصول کاتالوگ خدمات AWS برای برآورده کردن الزامات امنیتی گروه NatWest از پیش پیکربندی شدهاند. مدیریت دسترسی نقش، سیاست های منابع، پیکربندی شبکه و سیاست های کنترل مرکزی برای هر منبع بسته بندی شده در محصول کاتالوگ خدمات AWS پیکربندی شده است. این محصولات با پیروی از یک فرآیند استاندارد که به تیمهای علم داده و مهندسی امکان میدهد بلافاصله پس از دسترسی به حسابهای AWS خود، زیرساختها را مستقر کنند، نسخهبندی شده و با تیمهای برنامه به اشتراک گذاشته میشوند.
تیمهای توسعه پلتفرم میتوانند به راحتی محصولات AWS Service Catalog را در طول زمان تکامل دهند تا امکان اجرای ویژگیهای جدید بر اساس نیازهای تجاری را فراهم کنند. تغییرات تکراری در محصولات با کمک نسخهسازی محصول AWS Service Catalog انجام میشود. هنگامی که یک نسخه محصول جدید منتشر می شود، تیم پلتفرم تغییرات کد را در شاخه اصلی Git ادغام می کند و نسخه محصول AWS Service Catalog را افزایش می دهد. درجه ای از استقلال و انعطاف پذیری در به روز رسانی زیرساخت وجود دارد زیرا حساب های برنامه تجاری می توانند از نسخه های قبلی محصولات قبل از مهاجرت به آخرین نسخه استفاده کنند.
بررسی اجمالی راه حل
نمودار معماری سطح بالا زیر نشان می دهد که چگونه یک مورد استفاده از برنامه تجاری معمولی در AWS مستقر می شود. بخشهای زیر به جزئیات بیشتری در مورد معماری حساب، نحوه استقرار زیرساخت، مدیریت دسترسی کاربر، و نحوه استفاده از سرویسهای مختلف AWS برای ساخت راهحلهای ML میپردازد.
همانطور که در نمودار معماری نشان داده شده است، حساب ها از یک مدل هاب و اسپیکر پیروی می کنند. یک حساب پلت فرم مشترک به عنوان یک حساب هاب عمل می کند، جایی که منابع مورد نیاز حساب های تیم برنامه تجاری (سخنان) توسط تیم پلت فرم میزبانی می شود. این منابع شامل موارد زیر است:
- کتابخانه ای از محصولات زیرساخت ایمن و استاندارد که برای استقرار زیرساخت های سلف سرویس استفاده می شود که توسط کاتالوگ خدمات AWS میزبانی می شود.
- تصاویر داکر، ذخیره شده در رجیستری ظروف الاستیک آمازون (Amazon ECR)، که در طول اجرای مراحل خط لوله SageMaker و استنتاج مدل استفاده می شوند
- AWS CodeArtifact مخازن، که میزبان بسته های پایتون از قبل تایید شده هستند
این منابع بهطور خودکار از طریق ویژگی اشتراکگذاری و واردات پورتفولیوی کاتالوگ خدمات AWS با حسابهای سخنگو به اشتراک گذاشته میشوند، و هویت AWS و مدیریت دسترسی سیاست های اعتماد (IAM) در مورد Amazon ECR و CodeArtifact.
هر تیم برنامه تجاری دارای سه حساب AWS در محیط زیرساخت گروه NatWest است: توسعه، پیش تولید و تولید. نام محیط به نقش مورد نظر حساب در چرخه عمر توسعه علم داده اشاره دارد. حساب توسعه برای انجام تجزیه و تحلیل دادهها و بحث، نوشتن کد خط لوله مدل و مدل، مدلهای قطار و استقرار مدل در محیطهای پیشتولید و تولید از طریق SageMaker Studio استفاده میشود. حساب پیش تولید منعکس کننده تنظیمات حساب تولید است و برای آزمایش استقرار مدل و کارهای تبدیل دسته ای قبل از عرضه به تولید استفاده می شود. حساب تولید میزبان مدل ها است و بارهای کاری استنتاج تولید را اجرا می کند.
مدیریت کاربر
گروه NatWest دارای فرآیندهای حاکمیتی سختگیرانه برای اجرای جداسازی نقش کاربر است. پنج نقش IAM جداگانه برای هر شخصیت کاربر ایجاد شده است.
تیم پلتفرم از نقش های زیر استفاده می کند:
- مهندس پشتیبانی پلت فرم - این نقش حاوی مجوزهایی برای کارهای معمولی و یک نمای فقط خواندنی از بقیه محیط برای نظارت و اشکال زدایی پلت فرم است.
- مهندس تعمیر پلت فرم - این نقش با مجوزهای بالا ایجاد شده است. اگر مشکلاتی در پلتفرم وجود داشته باشد که نیاز به مداخله دستی دارد، استفاده میشود. این نقش فقط به صورت تایید شده و با زمان محدود انجام می شود.
تیم های توسعه برنامه های کاربردی تجاری سه نقش متمایز دارند:
- رهبری فنی - این نقش به سرپرست تیم برنامه، که اغلب یک دانشمند ارشد داده است، واگذار می شود. این کاربر اجازه استقرار و مدیریت محصولات کاتالوگ خدمات AWS، راهاندازی انتشار در تولید و بررسی وضعیت محیط را دارد، مانند AWS CodePipeline وضعیت ها و گزارش ها این نقش مجوز تأیید مدلی در رجیستری مدل SageMaker را ندارد.
- توسعه دهنده - این نقش به همه اعضای تیمی که با SageMaker Studio کار می کنند، که شامل مهندسان، دانشمندان داده و اغلب سرپرست تیم است، اختصاص داده می شود. این نقش دارای مجوز برای باز کردن استودیو، نوشتن کد و اجرای و استقرار خطوط لوله SageMaker است. مانند سرنخ فنی، این نقش مجوزی برای تأیید مدل در رجیستری مدل ندارد.
- تایید کننده مدل - این نقش دارای مجوزهای محدودی در رابطه با مشاهده، تأیید و رد مدل ها در رجیستری مدل است. دلیل این جداسازی جلوگیری از تایید و انتشار مدل های خود در محیط های افزایش یافته توسط کاربرانی است که می توانند مدل ها را بسازند و آموزش دهند.
پروفایل های کاربری جداگانه استودیو برای توسعه دهندگان و تایید کنندگان مدل ایجاد شده است. این راه حل از ترکیبی از بیانیههای خطمشی IAM و تگهای نمایه کاربر SageMaker استفاده میکند، به طوری که کاربران فقط مجاز به باز کردن نمایه کاربری هستند که با نوع کاربری آنها مطابقت دارد. این اطمینان حاصل می کند که هنگام باز کردن Studio IDE، به کاربر نقش IAM اجرای صحیح SageMaker (و بنابراین مجوزها) اختصاص داده می شود.
استقرار سلف سرویس با کاتالوگ خدمات AWS
کاربران نهایی از کاتالوگ خدمات AWS برای استقرار محصولات زیرساخت علم داده مانند موارد زیر استفاده می کنند:
- یک محیط استودیویی
- پروفایل کاربران استودیو
- خطوط لوله استقرار مدل
- خطوط لوله آموزشی
- خطوط لوله استنتاج
- سیستمی برای نظارت و هشدار
کاربران نهایی این محصولات را مستقیماً از طریق رابط کاربری AWS Service Catalog استقرار میدهند، به این معنی که اتکای کمتری به تیمهای پلتفرم مرکزی برای ارائه محیطها وجود دارد. این امر زمان دسترسی کاربران به محیطهای ابری جدید را بسیار کاهش داده است، از چند روز به چند ساعت، که در نهایت منجر به بهبود قابل توجهی در زمان به ارزش شده است. استفاده از مجموعه ای مشترک از محصولات کاتالوگ خدمات AWS از ثبات پروژه ها در سراسر سازمان پشتیبانی می کند و مانع همکاری و استفاده مجدد را کاهش می دهد.
از آنجایی که تمام زیرساخت های علم داده در حال حاضر از طریق یک کاتالوگ توسعه یافته متمرکز از محصولات زیرساختی مستقر شده اند، مراقبت برای ساخت هر یک از این محصولات با در نظر گرفتن امنیت انجام شده است. سرویس ها برای برقراری ارتباط در داخل پیکربندی شده اند ابر خصوصی مجازی آمازون (Amazon VPC) بنابراین ترافیک از اینترنت عمومی عبور نمی کند. داده ها با استفاده از انتقال و در حالت استراحت رمزگذاری می شوند سرویس مدیریت کلید AWS کلیدهای (AWS KMS). نقشهای IAM نیز برای پیروی از اصل حداقل امتیاز تنظیم شدهاند.
در نهایت، با کاتالوگ خدمات AWS، برای تیم پلتفرم آسان است که بهطور مداوم محصولات و خدمات جدید را به محض اینکه در دسترس هستند یا توسط تیمهای برنامه تجاری مورد نیاز هستند، منتشر کنند. اینها می توانند به شکل محصولات زیرساختی جدید باشند، به عنوان مثال ارائه توانایی برای کاربران نهایی برای استقرار محصولات خود آمازون EMR خوشه ها یا به روز رسانی محصولات زیرساختی موجود. زیرا کاتالوگ خدمات AWS از نسخه سازی محصول پشتیبانی می کند و از آن استفاده می کند AWS CloudFormation در پشت صحنه، زمانی که نسخههای جدید محصولات موجود منتشر میشوند، میتوان از ارتقاء در محل استفاده کرد. این به تیمهای پلتفرم اجازه میدهد تا به جای توسعه فرآیندهای ارتقاء پیچیده، بر ساخت و بهبود محصولات تمرکز کنند.
ادغام با نرم افزار IaC موجود NatWest
کاتالوگ خدمات AWS برای استقرار زیرساخت علوم داده سلف سرویس استفاده می شود. علاوه بر این، زیرساخت استاندارد NatWest به عنوان ابزار کد (IaC)، Terraform، برای ایجاد زیرساخت در حسابهای AWS استفاده میشود. Terraform توسط تیمهای پلتفرم در طول فرآیند راهاندازی حساب کاربری اولیه برای استقرار منابع زیرساختی پیشنیاز مانند VPCها، گروههای امنیتی، استفاده میشود. مدیر سیستم های AWS پارامترها، کلیدهای KMS و کنترلهای امنیتی استاندارد. زیرساخت های موجود در حساب هاب، مانند نمونه کارها کاتالوگ خدمات AWS و منابع مورد استفاده برای ساخت تصاویر Docker نیز با استفاده از Terraform تعریف می شوند. با این حال، خود محصولات کاتالوگ خدمات AWS با استفاده از الگوهای استاندارد CloudFormation ساخته شدهاند.
بهبود بهره وری توسعه دهندگان و کیفیت کد با پروژه های SageMaker
پروژه های SageMaker به توسعه دهندگان و دانشمندان داده دسترسی به پروژه های شروع سریع را بدون ترک SageMaker Studio فراهم کنید. این پروژه های شروع سریع به شما این امکان را می دهد که چندین منبع زیرساختی را به طور همزمان و تنها با چند کلیک مستقر کنید. اینها شامل یک مخزن Git است که شامل یک الگوی پروژه استاندارد شده برای نوع مدل انتخاب شده است، سرویس ذخیره سازی ساده آمازون سطل های (Amazon S3) برای ذخیره داده ها، مدل های سریالی و مصنوعات، و مدل های آموزش و استنتاج خطوط لوله CodePipeline.
معرفی معماری های پایه کد استاندارد و ابزارسازی اکنون این امکان را برای دانشمندان و مهندسان داده ها فراهم می کند تا بین پروژه ها حرکت کنند و اطمینان حاصل کنند که کیفیت کد بالا باقی می ماند. به عنوان مثال، بهترین روشهای مهندسی نرمافزار مانند بررسیهای پردهبندی و قالببندی (که هم بهعنوان چکهای خودکار و هم بهعنوان قلابهای پیشمتعهد اجرا میشوند)، آزمایشهای واحد و گزارشهای پوشش اکنون بهعنوان بخشی از خطوط لوله آموزشی خودکار میشوند و استانداردسازی را در همه پروژهها فراهم میکنند. این امر قابلیت نگهداری پروژه های ML را بهبود بخشیده و انتقال این پروژه ها به تولید را آسان تر می کند.
خودکارسازی استقرار مدل
فرآیند آموزش مدل با استفاده از SageMaker Pipelines هماهنگ شده است. پس از آموزش مدل ها، در رجیستری مدل SageMaker ذخیره می شوند. کاربرانی که نقش تایید کننده مدل را به آنها اختصاص داده اند می توانند رجیستری مدل را باز کنند و اطلاعات مربوط به فرآیند آموزش را پیدا کنند، مانند زمانی که مدل آموزش داده شده است، مقادیر فراپارامتر و معیارهای ارزیابی. این اطلاعات به کاربر کمک می کند تا تصمیم بگیرد که آیا یک مدل را تایید یا رد کند. رد کردن یک مدل از استقرار مدل در یک محیط افزایش یافته جلوگیری می کند، در حالی که تأیید یک مدل یک خط لوله ارتقاء مدل را از طریق CodePipeline ایجاد می کند که به طور خودکار مدل را در حساب AWS پیش از تولید کپی می کند و برای آزمایش حجم کار استنتاج آماده می شود. پس از اینکه تیم تأیید کرد که مدل در پیشتولید درست کار میکند، یک مرحله دستی در همان خط لوله تأیید میشود و مدل بهطور خودکار در حساب تولید کپی میشود و برای بارهای کاری استنتاج تولید آماده میشود.
عواقب
یکی از اهداف اصلی این پروژه مشترک بین NatWest و AWS کاهش زمان لازم برای تهیه و استقرار محیطهای ابری علم داده و مدلهای ML در تولید بود. این امر محقق شده است—NatWest اکنون می تواند محیط های جدید، مقیاس پذیر و ایمن AWS را در عرض چند ساعت در مقایسه با روزها یا حتی هفته ها ارائه دهد. دانشمندان و مهندسان داده اکنون این اختیار را دارند که زیرساخت علم داده را خودشان با استفاده از کاتالوگ خدمات AWS مستقر و مدیریت کنند و اتکا به تیمهای پلتفرم متمرکز را کاهش دهند. علاوه بر این، استفاده از پروژههای SageMaker کاربران را قادر میسازد تا در عرض چند دقیقه کدنویسی و آموزش مدلها را آغاز کنند، در حالی که ساختارها و ابزار استاندارد پروژه را نیز ارائه میدهند.
از آنجایی که کاتالوگ خدمات AWS به عنوان روش مرکزی برای استقرار زیرساخت علم داده عمل می کند، پلت فرم را می توان به راحتی در آینده گسترش و ارتقا داد. سرویسهای جدید AWS را میتوان به سرعت در صورت نیاز به کاربران نهایی ارائه کرد و محصولات موجود AWS Service Catalog را میتوان برای بهرهگیری از ویژگیهای جدید ارتقا داد.
در نهایت، حرکت به سمت خدمات مدیریت شده در AWS به این معنی است که منابع محاسباتی در صورت تقاضا فراهم شده و خاموش می شوند. این امر موجب صرفه جویی در هزینه و انعطاف پذیری شده است و در عین حال با هم هماهنگ است جاه طلبی NatWest برای صفر شدن خالص تا سال 2050 است به دلیل کاهش 75 درصدی CO2 گازهای گلخانه ای.
نتیجه
اتخاذ یک استراتژی اول ابری در گروه NatWest منجر به ایجاد یک راه حل قوی AWS شد که می تواند تعداد زیادی از تیم های کاربردی تجاری را در سراسر سازمان پشتیبانی کند. مدیریت زیرساخت با کاتالوگ خدمات AWS با استفاده از بلوکهای ساختمانی ایمن، سازگار و از پیش تأیید شده زیرساختی که به راحتی قابل توسعه هستند، فرآیند ورود به ابر را به طور قابل توجهی بهبود بخشیده است. اجزای زیرساخت مدیریت شده SageMaker روند توسعه مدل را بهبود بخشیده و تحویل پروژه های ML را تسریع کرده است.
برای کسب اطلاعات بیشتر در مورد فرآیند ساخت مدلهای ML آماده تولید در گروه NatWest، نگاهی به بقیه این مجموعه چهار قسمتی در مورد همکاری استراتژیک بین گروه NatWest و خدمات حرفهای AWS بیندازید:
- قسمت 1 توضیح می دهد که چگونه گروه NatWest با خدمات حرفه ای AWS برای ایجاد یک پلت فرم MLOps مقیاس پذیر، ایمن و پایدار همکاری کرد.
- قسمت 3 یک نمای کلی از نحوه استفاده گروه NatWest از خدمات SageMaker برای ساخت مدل های ML قابل ممیزی، تکرارپذیر و قابل توضیح ارائه می دهد.
- قسمت 4 جزئیات نحوه مهاجرت تیم های علم داده NatWest مدل های موجود خود به معماری SageMaker را شرح می دهد
درباره نویسنده
جنید بابا مشاور DevOps در است خدمات حرفه ای AWS او از تجربه خود در Kubernetes، محاسبات توزیعشده، AI/MLOps برای تسریع پذیرش ابر مشتریان صنعت خدمات مالی بریتانیا استفاده میکند. Junaid از ژوئن 2018 با AWS کار کرده است. قبل از آن، Junaid با تعدادی از استارتآپهای مالی که در زمینه DevOps فعالیت میکنند، کار کرده است. او در خارج از کار به کوهنوردی، هنر مدرن و عکاسی علاقه مند است.
یوردانکا ایوانووا مهندس داده در گروه NatWest است. او تجربه ای در ساخت و ارائه راه حل های داده برای شرکت های صنعت خدمات مالی دارد. یوردانکا قبل از پیوستن به NatWest به عنوان یک مشاور فنی کار می کرد و در آنجا تجربه ای در استفاده از طیف گسترده ای از خدمات ابری و فناوری های منبع باز برای ارائه نتایج تجاری در چندین پلت فرم ابری به دست آورد. یوردانکا در اوقات فراغت خود از ورزش کردن، مسافرت و نواختن گیتار لذت می برد.
مایکل انگلستان یک مهندس نرم افزار در تیم علم داده و نوآوری در گروه NatWest است. او مشتاق توسعه راه حل هایی برای اجرای بارهای کاری یادگیری ماشینی در مقیاس بزرگ در فضای ابری است. قبل از پیوستن به گروه NatWest، مایکل در تیمهای مهندسی نرمافزاری که برنامههای کاربردی حیاتی در خدمات مالی و صنایع مسافرتی توسعه میدادند، کار میکرد و رهبری میکرد. او در اوقات فراغت خود از نواختن گیتار، مسافرت و کاوش در حومه شهر با دوچرخه خود لذت می برد.
- Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
- CryptoHawk. رادار آلت کوین امتحان رایگان.
- منبع: https://aws.amazon.com/blogs/machine-learning/part-2-how-natwest-group-built-a-secure-compliant-self-service-mlops-platform-using-aws-service- حکیم ساز-کاتالوگ-و-آمازون/
- "
- 100
- درباره ما
- تسریع شد
- تسریع
- دسترسی
- حساب
- در میان
- اضافه
- اضافی
- اتخاذ
- مزیت - فایده - سود - منفعت
- معرفی
- آمازون
- در میان
- مقدار
- مقدار
- تحلیل
- علم تجزیه و تحلیل
- کاربرد
- برنامه های کاربردی
- روش
- تصویب
- معماری
- هنر
- اختصاص داده
- حسابرسی
- تصدیق
- خودکار
- اتوماسیون
- اتوماسیون و استانداردسازی
- در دسترس
- AWS
- بانک
- شدن
- پشت صحنه
- بودن
- سود
- مزایای
- بهترین
- بهترین شیوه
- ساختن
- بنا
- کسب و کار
- کربن
- اهميت دادن
- متمرکز
- به چالش
- چالش ها
- چک
- ابر
- بستر ابری
- خدمات ابر
- رمز
- برنامه نویسی
- همکاری
- ترکیب
- مشترک
- شرکت
- شرکت
- مقایسه
- پیچیده
- انطباق
- موافق
- جزء
- محاسبه
- محاسبه
- پیکر بندی
- اتصالات
- مشاور
- ظرف
- ظروف
- شامل
- محتوا
- به طور مستمر
- کنترل
- ایجاد شده
- ایجاد
- ایجاد
- بحرانی
- سفارشی
- مشتریان
- داده ها
- تحلیل داده ها
- علم اطلاعات
- دانشمند داده
- تحویل داده
- تحویل
- تحویل
- تقاضا
- خواسته
- گسترش
- مستقر
- استقرار
- گسترش
- اعزام ها
- شرح داده شده
- طرح
- جزئیات
- جزئیات
- توسعه
- توسعه دهنده
- توسعه دهندگان
- در حال توسعه
- پروژه
- مختلف
- مشکل
- دیجیتال
- مستقیما
- توزیع شده
- محاسبات توزیع شده
- کارگر بارانداز
- نمی کند
- پایین
- رانندگی
- به آسانی
- موثر
- تلاش
- دارای جزئیات - بسیط
- قادر ساختن
- نقطه پایانی
- مهندس
- مهندسی
- مورد تأیید
- سرمایه گذاری
- محیط
- برآورد
- ارزیابی
- تکامل یابد
- مثال
- اعدام
- موجود
- تجربه
- ویژگی
- امکانات
- باز خورد
- مالی
- خدمات مالی
- نام خانوادگی
- رفع
- انعطاف پذیری
- تمرکز
- به دنبال
- پیروی
- رد پا
- فرم
- چارچوب
- قابلیت
- آینده
- رفتن
- حکومت
- گروه
- گروه ها
- راهنما
- خوشحال
- کمک
- کمک می کند
- زیاد
- چگونه
- HTTPS
- هویت
- پیاده سازی
- بهبود یافته
- شامل
- مشمول
- شامل
- افزایش
- لوازم
- صنعت
- اطلاعات
- شالوده
- ابداع
- ابتکاری
- موسسه
- ادغام
- یکپارچه
- منافع
- رابط
- اینترنت
- گرفتار
- مسائل
- IT
- شغل ها
- کلید
- کلید
- دانش
- بزرگ
- آخرین
- رهبری
- یاد گرفتن
- یادگیری
- رهبری
- اهرم ها
- بهره برداری
- کتابخانه
- محدود شده
- لاین
- ارتباط
- محلی
- دستگاه
- فراگیری ماشین
- ساخته
- عمده
- باعث می شود
- مدیریت
- اداره می شود
- مدیریت
- مدیریت
- روش
- کتابچه راهنمای
- ماده
- بلوغ
- معنی
- اعضا
- متریک
- میلیون
- ذهن
- ML
- مدل
- مدل
- نظارت بر
- ماه
- بیش
- حرکت
- متحرک
- چندگانه
- نام
- شبکه
- ویژگی های جدید
- پلتفرم جدید
- محصول جدید
- محصولات جدید
- عدد
- ارائه شده
- آنلاین نیست.
- شبانه روزی
- آنلاین
- باز کن
- عملیات
- بهینه سازی
- کدام سازمان ها
- دیگر
- به طور کلی
- خود
- ویژه
- مشارکت کرد
- احساساتی
- الگو
- کارایی
- عکاسی
- خلبان
- سکو
- سیستم عامل
- بازی
- سیاست
- سیاست
- مقام
- اوراق بهادار
- اصل
- خصوصی
- کلیدهای خصوصی
- روند
- فرآیندهای
- محصول
- تولید
- بهره وری
- محصولات
- حرفه ای
- مشخصات
- پروفایل
- پروژه
- پروژه ها
- ترویج
- ارائه
- فراهم می کند
- ارائه
- عمومی
- کیفیت
- سریع
- به سرعت
- مطالعه
- كاهش دادن
- کاهش
- تنظیم کننده
- ارتباط
- آزاد
- منتشر شد
- منتشر شده
- اعتماد
- گزارش ها
- مخزن
- نیاز
- ضروری
- مورد نیاز
- منابع
- منابع
- REST
- نتایج
- این فایل نقد می نویسید:
- مسیر
- دویدن
- در حال اجرا
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- صحنه های
- علم
- دانشمند
- دانشمندان
- sdk
- امن
- تیم امنیت لاتاری
- انتخاب شد
- سلسله
- سرویس
- خدمات
- تنظیم
- برپایی
- اشتراک گذاری
- به اشتراک گذاشته شده
- قابل توجه
- به طور مشابه
- ساده
- So
- نرم افزار
- مهندس نرمافزار
- مهندسی نرم افزار
- راه حل
- مزایا
- خرج کردن
- ثبات
- پشته
- استاندارد
- شروع یو پی اس
- آغاز شده
- دولت
- اظهارات
- وضعیت
- ذخیره سازی
- استراتژیک
- استراتژی
- استودیو
- پشتیبانی
- پشتیبانی از
- قابل تحمل
- سیستم
- سیستم های
- وظایف
- تیم
- فنی
- فن آوری
- پیشرفته
- قالب
- آزمون
- تست
- تست
- مفصل
- موضوع
- از این رو
- از طریق
- زمان
- ابزار
- طرف
- پیگردی
- ترافیک
- آموزش
- دگرگون کردن
- دگرگونی
- عبور
- سفر
- سفر
- اعتماد
- ui
- Uk
- به روز رسانی
- استفاده کنید
- کاربران
- استفاده کنید
- با استفاده از
- تنوع
- چشم انداز
- مجازی
- دید
- مبتنی بر وب
- چه
- در حین
- WHO
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- کارگر
- کار کردن
- با این نسخهها کار
- جهان