Tämä viesti on kirjoitettu yhteistyössä Bhajandeep Singhin ja Ajay Vishwakarman kanssa Wipron AWS AI/ML Practicesta.
Monet organisaatiot ovat käyttäneet paikallisten ja avoimen lähdekoodin datatieteen ratkaisujen yhdistelmää koneoppimismallien (ML) luomiseen ja hallintaan.
Datatieteen ja DevOps-tiimit voivat kohdata haasteita näiden eristettyjen työkalupinojen ja järjestelmien hallinnassa. Useiden työkalupinojen integrointi kompaktin ratkaisun luomiseksi saattaa edellyttää mukautettujen liittimien tai työnkulkujen rakentamista. Erilaisten riippuvuuksien hallinta kunkin pinon nykyisen version perusteella ja riippuvuuksien ylläpitäminen kunkin pinon uusien päivitysten julkaisun myötä vaikeuttaa ratkaisua. Tämä lisää infrastruktuurin ylläpitokustannuksia ja heikentää tuottavuutta.
Tekoälyn (AI) ja koneoppimisen (ML) tarjoukset Amazon Web Services (AWS), yhdessä integroitujen valvonta- ja ilmoituspalvelujen kanssa auttavat organisaatioita saavuttamaan vaaditun automaation, skaalautuvuuden ja mallin laadun optimaalisilla kustannuksilla. AWS auttaa myös datatieteen ja DevOps-tiimejä tekemään yhteistyötä ja virtaviivaistaa mallin yleistä elinkaaren prosessia.
ML-palveluiden AWS-portfolio sisältää vankan joukon palveluita, joiden avulla voit nopeuttaa koneoppimissovellusten kehitystä, koulutusta ja käyttöönottoa. Palvelupakettia voidaan käyttää tukemaan koko mallin elinkaarta, mukaan lukien ML-mallien seuranta ja uudelleenkoulutus.
Tässä viestissä keskustelemme mallin kehittämisestä ja MLOps-kehyksen toteutuksesta yhdelle Wipron asiakkaille, joka käyttää Amazon Sage Maker ja muut AWS-palvelut.
Wipro on AWS Premier Tier Services -kumppani ja Managed Service Provider (MSP). Sen AI/ML ratkaisut parantaa toiminnan tehokkuutta, tuottavuutta ja asiakaskokemusta monille yritysasiakkailleen.
Nykyiset haasteet
Ymmärrämme ensin muutamia haasteita, joita asiakkaan datatiede ja DevOps-tiimit kohtaavat nykyisessä asennuksessaan. Voimme sitten tutkia, kuinka integroidut SageMaker AI/ML -tarjoukset auttoivat ratkaisemaan nämä haasteet.
- Yhteistyö – Datatieteilijät työskentelivät kukin omilla paikallisilla Jupyter-muistikirjoillaan luodakseen ja kouluttaakseen ML-malleja. Heiltä puuttui tehokas tapa jakaa ja tehdä yhteistyötä muiden datatieteilijöiden kanssa.
- Skaalautuvuus – ML-mallien koulutus ja uudelleenkoulutus veivät yhä enemmän aikaa, kun malleista tuli monimutkaisempia, kun taas allokoitu infrastruktuurikapasiteetti pysyi muuttumattomana.
- MLOps – Mallin seuranta ja jatkuva hallinto eivät olleet tiukasti integroituja ja automatisoituja ML-malleihin. Kolmannen osapuolen työkalujen integroimiseen MLOps-putkiin liittyy riippuvuuksia ja monimutkaisia tekijöitä.
- Uudelleenkäytettävyys – Ilman uudelleenkäytettäviä MLOps-kehyksiä jokainen malli on kehitettävä ja hallittava erikseen, mikä lisää kokonaistyötä ja viivästyttää mallin käyttöönottoa.
Tämä kaavio esittää yhteenvedon haasteista ja siitä, kuinka Wipron SageMaker-toteutus vastasi niihin sisäänrakennettujen SageMaker-palvelujen ja -tarjousten avulla.
Wipro määritteli arkkitehtuurin, joka vastaa haasteisiin kustannusoptimoidulla ja täysin automatisoidulla tavalla.
Seuraava on ratkaisun rakentamiseen käytetty käyttötapaus ja malli:
- Käyttötapa: Hintaennuste käytettyjen autojen tietojoukon perusteella
- Ongelman tyyppi: Regressio
- Käytetyt mallit: XGBoost ja Linear Learner (sisäänrakennetut SageMaker-algoritmit)
Ratkaisuarkkitehtuuri
Wipro-konsultit suorittivat syvällisen löytötyöpajan asiakkaan datatieteen, DevOps- ja tietotekniikkatiimien kanssa ymmärtääkseen nykyistä ympäristöä sekä heidän vaatimuksiaan ja odotuksiaan nykyaikaiselle AWS-ratkaisulle. Konsultointitoimeksiannon loppuun mennessä tiimi oli ottanut käyttöön seuraavan arkkitehtuurin, joka vastasi tehokkaasti asiakastiimin ydinvaatimuksia, mukaan lukien:
Koodin jakaminen – SageMaker-muistikirjojen avulla datatieteilijät voivat kokeilla ja jakaa koodia muiden tiimin jäsenten kanssa. Wipro vauhditti edelleen ML-mallimatkaansa ottamalla käyttöön Wipron koodikiihdyttimiä ja -katkelmia nopeuttaakseen ominaisuuksien suunnittelua, mallin koulutusta, mallin käyttöönottoa ja putkien luomista.
Jatkuva integrointi ja jatkuva toimitus (CI/CD) -putki – Asiakkaan GitHub-arkiston käyttöönotetun koodiversion ja automaattisten komentosarjojen käyttäminen putkiston käyttöönoton käynnistämiseen aina, kun koodista tehdään uusia versioita.
MLOps – Arkkitehtuuri toteuttaa SageMaker-mallin seurantaputken jatkuvaa mallin laadunhallintaa varten validoimalla tiedot ja mallin ajautuminen määritetyn aikataulun mukaisesti. Aina kun ajautuminen havaitaan, käynnistetään tapahtuma, joka ilmoittaa vastaaville ryhmille ryhtyä toimiin tai käynnistää mallin uudelleenkoulutus.
Tapahtumalähtöinen arkkitehtuuri – Mallin koulutuksen, mallin käyttöönoton ja mallin seurannan putkistot ovat käytössä hyvin integroituja Amazon EventBridge, palvelimeton tapahtumaväylä. Kun määritettyjä tapahtumia tapahtuu, EventBridge voi kutsua liukuhihnan suorittamaan vastauksena. Tämä tarjoaa löyhästi kytketyt putkistot, jotka voivat toimia tarpeen mukaan ympäristön vaikutuksesta.
Ratkaisun komponentit
Tässä osiossa kuvataan arkkitehtuurin eri ratkaisukomponentit.
Kokeilumuistikirjat
- Tarkoitus: Asiakkaan datatieteen tiimi halusi kokeilla erilaisia tietojoukkoja ja useita malleja löytääkseen optimaaliset ominaisuudet käyttämällä niitä lisäsyötteinä automatisoituun putkistoon.
- Ratkaisu: Wipro loi SageMaker-kokeilumuistikirjoja, joissa oli koodinpätkät jokaista uudelleenkäytettävää vaihetta varten, kuten tietojen lukemista ja kirjoittamista, malliominaisuuksien suunnittelua, mallin koulutusta ja hyperparametrien viritystä varten. Ominaisuussuunnittelutehtävät voidaan valmistaa myös Data Wranglerissa, mutta asiakas pyysi nimenomaan SageMaker-käsittelytöitä ja AWS-vaihetoiminnot koska heillä oli mukavampaa käyttää näitä tekniikoita. Käytimme AWS-askelfunktion data science SDK:ta vaihefunktion luomiseen – virtauksen testausta varten – suoraan kannettavan tietokoneen ilmentymästä mahdollistaaksemme hyvin määritellyt tulot putkistoja varten. Tämä on auttanut tietotutkijaryhmää luomaan ja testaamaan putkia paljon nopeammin.
Automatisoitu koulutusputki
- Tarkoitus: ottaa käyttöön automatisoitu koulutus- ja uudelleenkoulutusputki, jossa on määritettäviä parametreja, kuten ilmentymän tyyppi, hyperparametrit ja Amazonin yksinkertainen tallennuspalvelu (Amazon S3) kauhan sijainti. Liukuhihnan pitäisi myös käynnistyä S3:n tiedonsiirtotapahtumassa.
- Ratkaisu: Wipro otti käyttöön uudelleenkäytettävän koulutusputken käyttämällä Step Functions SDK:ta, SageMaker-käsittelyä, koulutustöitä, SageMaker-mallin näyttösäiliötä perustason luomista varten, AWS Lambda, ja EventBridge-palvelut.Käyttäen AWS-tapahtumapohjaista arkkitehtuuria, liukuhihna on määritetty käynnistymään automaattisesti sen perusteella, että uusi datatapahtuma siirretään kartoitettuun S3-säilöyn. Ilmoitukset on määritetty lähetettäväksi määritettyihin sähköpostiosoitteisiin. Korkealla tasolla harjoituskulku näyttää seuraavalta kaaviolta:
Automaattisen koulutusputken vuokuvaus
Yllä oleva kaavio on automatisoitu koulutusputkisto, joka on rakennettu Step Functionsin, Lambdan ja SageMakerin avulla. Se on uudelleenkäytettävä putki automatisoidun mallikoulutuksen määrittämiseen, ennusteiden luomiseen, mallin seurannan ja tietojen seurannan perustason luomiseen sekä päätepisteen luomiseen ja päivittämiseen aiempaan mallin kynnysarvoon perustuen.
- Esikäsittely: Tämä vaihe ottaa syötteeksi tietoja Amazon S3 -sijainnista ja käyttää SageMaker SKLearn -säilöä tarvittavien ominaisuuksien suunnitteluun ja tietojen esikäsittelytehtäviin, kuten jakamiseen, testaamiseen ja validointiin.
- Mallikoulutus: Käyttämällä SageMaker SDK:ta tämä vaihe suorittaa koulutuskoodin vastaavan mallin kuvan kanssa ja kouluttaa tietojoukkoja esikäsittelevistä komentosarjoista samalla kun luodaan koulutetut mallin artefaktit.
- Tallenna malli: Tämä vaihe luo mallin koulutetuista malliartefakteista. Mallin nimi tallennetaan viitettä varten toiseen liukuhihnaan käyttämällä AWS Systems Manager -parametrikauppa.
- Kysy koulutustuloksia: Tämä vaihe kutsuu Lambda-funktiota noutamaan suoritetun koulutustyön mittarit aikaisemmasta mallin koulutusvaiheesta.
- RMSE-kynnys: Tämä vaihe tarkistaa koulutetun mallin metriikan (RMSE) määritettyä kynnystä vasten päättääkseen, edetäänkö kohti päätepisteen käyttöönottoa vai hylätäänkö tämä malli.
- Mallin tarkkuus liian alhainen: Tässä vaiheessa mallin tarkkuus verrataan edelliseen parhaaseen malliin. Jos malli epäonnistuu metrinen validoinnissa, Lambda-funktio lähettää ilmoituksen kohdeaiheeseen, joka on rekisteröity Amazonin yksinkertainen ilmoituspalvelu (Amazon SNS). Jos tämä tarkistus epäonnistuu, kulku poistuu, koska uusi koulutettu malli ei täyttänyt määritettyä kynnysarvoa.
- Työn perustietojen siirtymä: Jos koulutettu malli läpäisee vahvistusvaiheet, tälle koulutetulle malliversiolle luodaan perustilastot valvonnan mahdollistamiseksi, ja rinnakkaiset haaravaiheet suoritetaan mallin laaduntarkistuksen perustason luomiseksi.
- Luo mallin päätepistemääritys: Tämä vaihe luo päätepisteen määritykset arvioidulle mallille edellisessä vaiheessa an ota tietojen talteenotto käyttöön kokoonpano.
- Tarkista päätepiste: Tämä vaihe tarkistaa, onko päätepiste olemassa vai onko se luotava. Tulosten perusteella seuraava vaihe on päätepisteen luominen tai päivittäminen.
- Vie kokoonpano: Tämä vaihe vie parametrin mallin nimen, päätepisteen nimen ja päätepisteen kokoonpanon kohteeseen AWS-järjestelmien päällikkö Parametrikauppa.
Hälytykset ja ilmoitukset on määritetty lähetettäväksi määritettyyn SNS-aiheen sähköpostiin tilakoneen tilan muutoksen epäonnistumisesta tai onnistumisesta. Samaa liukuhihnakokoonpanoa käytetään uudelleen XGBoost-mallissa.
Automatisoitu eräpisteytysputki
- Tarkoitus: Käynnistä eräpisteytys heti, kun pisteytyssyöttöerätiedot ovat saatavilla vastaavassa Amazon S3 -sijainnissa. Erän pisteytyksen tulee käyttää viimeisintä rekisteröityä mallia pisteytykseen.
- Ratkaisu: Wipro otti käyttöön uudelleen käytettävän pisteytyksen käyttämällä Step Functions SDK:ta, SageMakerin erämuunnostöitä, Lambdaa ja EventBridgeä. Liukulinja käynnistyy automaattisesti uuden pisteytyserädatan saatavuuden perusteella vastaavaan S3-sijaintiin.
Automaattisen erän pisteytysputkiston vuokuvaus:
- Esikäsittely: Tämän vaiheen syöte on datatiedosto vastaavasta S3-sijainnista, ja se suorittaa vaaditun esikäsittelyn ennen SageMakerin erämuunnostyön kutsumista.
- Pisteytys: Tämä vaihe suorittaa erämuunnostyön johtopäätösten luomiseksi, kutsuen rekisteröidyn mallin uusimman version ja tallentaa pisteytystuloksen S3-säihöön. Wipro on käyttänyt SageMakerin erämuunnossovellusliittymän syöttösuodatinta ja liitostoimintoa. Se auttoi rikastamaan pisteytystietoja päätöksenteon parantamiseksi.
- Tässä vaiheessa tilakoneputken käynnistää uusi S3-säihön tietotiedosto.
Ilmoitus on määritetty lähetettäväksi määritettyyn SNS-aiheen sähköpostiin tilakoneen tilan muutoksen epäonnistumisesta/onnistumisesta.
Reaaliaikainen päättelyputki
- Tarkoitus: Mahdollistaa reaaliaikaisten päätelmien tekeminen sekä mallien (Linear Learner ja XGBoost) päätepisteistä ja saada suurin ennustettu arvo (tai käyttämällä mitä tahansa mukautettua logiikkaa, joka voidaan kirjoittaa Lambda-funktiona) palautetaan sovellukseen.
- Ratkaisu: Wipro-tiimi on ottanut käyttöön uudelleenkäytettävän arkkitehtuurin käyttämällä Amazon API -yhdyskäytävä, Lambda ja SageMaker-päätepiste, kuten kuvassa 6:
Kuvassa 6 esitetyn reaaliaikaisen päättelyputken vuokuvaus:
- Hyötykuorma lähetetään sovelluksesta Amazon API Gatewaylle, joka reitittää sen vastaavaan Lambda-toimintoon.
- Lambda-toiminto (integroidulla SageMaker-tasolla) suorittaa vaaditun esikäsittelyn, JSON- tai CSV-hyötykuorman muotoilun ja kutsuu vastaavat päätepisteet.
- Vastaus palautetaan Lambdalle ja lähetetään takaisin sovellukseen API Gatewayn kautta.
Asiakas käytti tätä putkistoa pienissä ja keskisuurissa malleissa, joihin sisältyi erityyppisten avoimen lähdekoodin algoritmien käyttö. Yksi SageMakerin tärkeimmistä eduista on, että erilaisia algoritmeja voidaan tuoda SageMakeriin ja ottaa käyttöön käyttämällä BYOC-tekniikkaa. BYOC sisältää algoritmin säilyttämisen ja kuvan rekisteröinnin Amazon Elastic Container Registry (Amazon ECR), ja käytä sitten samaa kuvaa luomaan säilön harjoittelua ja päätelmiä varten.
Skaalaus on yksi koneoppimissyklin suurimmista ongelmista. SageMakerin mukana tulee tarvittavat työkalut mallin skaalaamiseen päättelyn aikana. Edellisessä arkkitehtuurissa käyttäjien on otettava käyttöön SageMakerin automaattinen skaalaus, joka lopulta hoitaa työkuorman. Jotta automaattinen skaalaus voidaan ottaa käyttöön, käyttäjien on annettava automaattinen skaalauskäytäntö, joka kysyy suoritustehoa esiintymää kohden sekä enimmäis- ja vähimmäisinstanssia. Käytössä olevan käytännön puitteissa SageMaker käsittelee automaattisesti reaaliaikaisten päätepisteiden työkuorman ja vaihtaa ilmentymien välillä tarvittaessa.
Mukautetun mallin monitoriputki
- Tarkoitus: Asiakastiimi halusi automaattisen malliseurannan tallentaakseen sekä tiedon ajautumisen että mallin ajautumisen. Wipro-tiimi käytti SageMaker-mallin seurantaa mahdollistaakseen sekä tietojen ajautumisen että mallin ajautumisen uudelleenkäytettävällä liukuhihnalla reaaliaikaisia päätelmiä ja erämuunnoksia varten. Huomaa, että tämän ratkaisun kehittämisen aikana SageMaker-mallin valvonta ei tarjonnut mahdollisuutta havaita tietoja tai mallin ajautuminen erämuunnokseen. Olemme toteuttaneet mukautuksia käyttääksemme mallimonitorikonttia erämuunnosten hyötykuormaan.
- Ratkaisu: Wipro-tiimi otti käyttöön uudelleenkäytettävän mallinseurantaputken reaaliaikaisia ja eräpäätelmien hyötykuormia varten käyttämällä AWS-liima kaapata inkrementaalinen hyötykuorma ja kutsua mallin valvontatyötä määritetyn aikataulun mukaisesti.
Mukautetun mallin valvontaputken vuokuvaus:
Putkilinja toimii EventBridgen kautta määritetyn aikataulun mukaisesti.
- CSV-konsolidointi – Se käyttää AWS Glue -kirjanmerkkiominaisuutta havaitsemaan lisähyötykuorman määritellyssä S3-säilössä, joka sisältää reaaliaikaisen tiedonkeruun ja vastauksen sekä erätietovastauksen. Sitten se kokoaa tiedot jatkokäsittelyä varten.
- Arvioi hyötykuorma – Jos nykyiselle ajolle on lisätietoa tai hyötykuormaa, se kutsuu valvontahaaran. Muussa tapauksessa se ohittaa ilman käsittelyä ja poistuu työstä.
- Jälkikäsittelyä – Valvontahaara on suunniteltu sisältämään kaksi rinnakkaista alihaaraa – yksi tietojen ajautumista ja toinen mallin siirtymistä varten.
- Valvonta (tiedon siirtyminen) – Tiedon ajautumishaara toimii aina, kun käytössä on hyötykuorma. Se käyttää viimeisimpiä koulutetun mallin perusrajoituksia ja tilastotiedostoja, jotka on luotu koulutusputken kautta dataominaisuuksille, ja suorittaa mallin valvontatyön.
- Valvonta (mallin ajautuminen) – Mallin ajautumishaara toimii vain, kun maaperän totuustiedot toimitetaan yhdessä päättelyhyötykuorman kanssa. Se käyttää mallin laatuominaisuuksia varten koulutettuja mallin perusrajoitteita ja tilastotiedostoja, jotka on luotu koulutusputken kautta, ja suorittaa mallin valvontatyön.
- Arvioi ajautuminen – Sekä datan että mallin poikkeaman tulos on rajoitteen rikkomustiedosto, jonka arvioi drift Lambda -toiminto, joka lähettää ilmoituksen vastaaville Amazon SNS -aiheille ajautuman yksityiskohdista. Ajotietoa rikastetaan edelleen lisäämällä attribuutteja raportointitarkoituksiin. Ajautuma-ilmoitussähköpostit näyttävät samanlaisilta kuin kuvan 8 esimerkit.
Näkemyksiä Amazon QuickSight -visualisoinnilla:
- Tarkoitus: Asiakas halusi saada näkemyksiä datasta ja mallin ajautumisesta, liittää drift-datan vastaaviin mallinseurantatöihin ja selvittää päätelmädatan trendit ymmärtääkseen häiriötietojen trendien luonteen.
- Ratkaisu: Wipro-tiimi rikastutti drift-dataa yhdistämällä syöttötiedot drift-tulokseen, mikä mahdollistaa lajittelun ajautumisesta seurantaan ja vastaaviin pisteytystietoihin. Visualisoinnit ja kojelaudat luotiin käyttämällä Amazon QuickSight with Amazon Athena tietolähteenä (käyttäen Amazon S3 CSV -pisteytys- ja drift-tietoja).
Suunnittelussa huomioonotettavia seikkoja:
- Käytä QuickSight-maustetietojoukkoa parantaaksesi suorituskykyä muistissa.
- Käytä QuickSight-päivitystietojoukon sovellusliittymiä automatisoidaksesi spice-tietojen päivityksen.
- Ota käyttöön ryhmäpohjainen suojaus kojelaudan ja analyysin käyttöoikeuksien hallinnassa.
- Automatisoi käyttöönotto eri tileillä käyttämällä QuickSightin tarjoamia vienti- ja tuontitietojoukkoja, tietolähteitä ja analyysi-API-kutsuja.
Mallin valvonnan kojelauta:
Tehokkaan lopputuloksen ja mielekkäiden näkemysten mahdollistamiseksi mallinseurantatöistä luotiin mukautettuja kojetauluja mallin seurantatiedoille. Syöttötietopisteet yhdistetään rinnakkain päättelypyyntötietojen, työtietojen ja seurantatulosteen kanssa mallinvalvonnan paljastamien trendien visualisoimiseksi.
Tämä on todella auttanut asiakastiimiä visualisoimaan eri dataominaisuuksien näkökohdat sekä kunkin päättelypyyntöerän ennustetut tulokset.
Yhteenveto
Tässä viestissä selostetun toteutuksen ansiosta Wipro pystyi tehokkaasti siirtämään paikalliset mallinsa AWS:ään ja rakentamaan skaalautuvan, automatisoidun mallikehityskehyksen.
Uudelleenkäytettävien kehyskomponenttien käyttö antaa datatieteen tiimille mahdollisuuden pakata työnsä tehokkaasti käyttöönotettavissa oleviksi AWS Step Functions JSON -komponenteiksi. Samanaikaisesti DevOps-tiimit käyttivät ja paransivat automatisoitua CI/CD-putkistoa helpottaakseen mallien saumatonta mainostamista ja uudelleenkoulutusta korkeammissa ympäristöissä.
Mallin valvontakomponentti on mahdollistanut mallin suorituskyvyn jatkuvan seurannan, ja käyttäjät saavat hälytyksiä ja ilmoituksia aina, kun dataa tai mallipoikkeamaa havaitaan.
Asiakkaan tiimi käyttää tätä MLOps-kehystä siirtyäkseen tai kehittääkseen lisää malleja ja lisätäkseen SageMakerin käyttöönottoa.
Hyödyntämällä kattavaa SageMaker-palveluiden valikoimaa yhdessä huolellisesti suunnitellun arkkitehtuurimme kanssa, asiakkaat voivat ottaa saumattomasti käyttöön useita malleja, mikä vähentää merkittävästi käyttöönottoaikaa ja vähentää koodin jakamiseen liittyviä monimutkaisia tekijöitä. Lisäksi arkkitehtuurimme yksinkertaistaa koodiversioiden ylläpitoa ja varmistaa virtaviivaistetun kehitysprosessin.
Tämä arkkitehtuuri käsittelee koko koneoppimissyklin, joka sisältää automatisoidun mallikoulutuksen, reaaliaikaisen ja eräpäättelyn, ennakoivan mallin valvonnan ja drift-analyysin. Tämä kokonaisvaltainen ratkaisu antaa asiakkaille mahdollisuuden saavuttaa optimaalinen mallin suorituskyky säilyttäen samalla tiukat seuranta- ja analyysiominaisuudet jatkuvan tarkkuuden ja luotettavuuden varmistamiseksi.
Luodaksesi tämän arkkitehtuurin, aloita luomalla olennaiset resurssit, kuten Amazonin virtuaalinen yksityinen pilvi (Amazon VPC), SageMaker-muistikirjat ja Lambda-toiminnot. Varmista, että määrität asianmukaiset asetukset AWS-identiteetin ja käyttöoikeuksien hallinta (IAM) näitä resursseja koskevat politiikat.
Keskity seuraavaksi arkkitehtuurin komponenttien, kuten koulutukseen ja komentosarjojen esikäsittelyyn, rakentamiseen SageMaker Studiossa tai Jupyter Notebookissa. Tässä vaiheessa kehitetään tarvittava koodi ja konfiguraatiot haluttujen toimintojen mahdollistamiseksi.
Kun arkkitehtuurin komponentit on määritetty, voit jatkaa Lambda-funktioiden rakentamista johtopäätösten tekemiseen tai tietojen jälkikäsittelyvaiheiden suorittamiseen.
Käytä lopuksi vaihetoimintoja komponenttien yhdistämiseen ja sujuvan työnkulun luomiseen, joka koordinoi jokaisen vaiheen suorittamista.
Tietoja Tekijät
Stephen Randolph on vanhempi kumppaniratkaisuarkkitehti Amazon Web Servicesissä (AWS). Hän mahdollistaa ja tukee Global Systems Integrator (GSI) -kumppaneita uusimmassa AWS-tekniikassa, kun he kehittävät alan ratkaisuja liiketoiminnan haasteiden ratkaisemiseksi. Stephen on erityisen intohimoinen turvallisuuteen ja luovaan tekoälyyn ja auttaa asiakkaita ja kumppaneita suunnittelemaan turvallisia, tehokkaita ja innovatiivisia AWS-ratkaisuja.
Bhajandeep Singh on toiminut Wipro Technologiesin AWS AI/ML -huippuosaamisen keskuksen päällikkönä johtaen asiakassuhteita data-analytiikan ja tekoälyratkaisujen toimittamiseen. Hänellä on AWS AI/ML Specialty -sertifikaatti ja hän kirjoittaa teknisiä blogeja AI/ML-palveluista ja -ratkaisuista. Bhajandeep, jolla on kokemusta johtavista AWS AI/ML -ratkaisuista eri toimialoilla, on auttanut asiakkaita maksimoimaan AWS AI/ML -palveluiden arvon asiantuntemuksensa ja johtajuutensa avulla.
Ajay Vishwakarma on Wipron AI-ratkaisukäytännön AWS-siiven ML-insinööri. Hänellä on hyvä kokemus mukautetun algoritmin BYOM-ratkaisun rakentamisesta SageMakerissa, päästä päähän ETL-putkien käyttöönotosta, chatbottien rakentamisesta Lexin avulla, Cross accountin QuickSight-resurssien jakamisesta ja CloudFormation-mallien rakentamisesta käyttöönottoja varten. Hän pitää AWS:n tutkimisesta ja ottaa jokaisen asiakkaan ongelman haasteena tutkia lisää ja tarjota ratkaisuja niihin.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/modernizing-data-science-lifecycle-management-with-aws-and-wipro/
- :on
- :On
- $ YLÖS
- 1
- 10
- 100
- 11
- 12
- 212
- 300
- 32
- 7
- 8
- 804
- 9
- a
- Meistä
- edellä
- kiihdyttää
- kiihtyi
- kiihdyttimiä
- pääsy
- Mukaan
- Tili
- Tilit
- tarkkuus
- Saavuttaa
- poikki
- Toiminta
- Lisäksi
- osoitettu
- osoitteet
- Lisää
- Hyväksyminen
- vastaan
- aggregaatit
- AI
- AI / ML
- Hälytykset
- algoritmi
- algoritmit
- kohdennetaan
- pitkin
- Myös
- Amazon
- Amazon API -yhdyskäytävä
- Amazon QuickSight
- Amazon Web Services
- Amazon Web Services (AWS)
- Amazon.com
- an
- analyysi
- Analytics
- ja
- Toinen
- Kaikki
- api
- API
- Hakemus
- sovellukset
- sopiva
- arkkitehtuuri
- OVAT
- AS
- näkökohdat
- liittyvä
- At
- attribuutteja
- Tekijät
- auto
- automatisoida
- Automatisoitu
- automaattisesti
- Automaatio
- saatavuus
- saatavissa
- AWS
- AWS-liima
- AWS-vaihetoiminnot
- takaisin
- perustua
- Lähtötilanne
- BE
- tuli
- koska
- ollut
- ennen
- alkaa
- ovat
- Hyödyt
- PARAS
- Paremmin
- välillä
- Suurimmat
- blogit
- sekä
- Sivuliike
- tuoda
- toi
- rakentaa
- Rakentaminen
- rakennettu
- sisäänrakennettu
- bussi
- liiketoiminta
- mutta
- by
- soittamalla
- Puhelut
- CAN
- kyvyt
- Koko
- kaapata
- auto
- tapaus
- keskus
- Huippuyksikkö
- Certification
- haaste
- haasteet
- muuttaa
- chatbots
- tarkastaa
- tarkistettu
- Tarkastukset
- asiakas
- asiakkaat
- pilvi
- koodi
- Koodin jakaminen
- tehdä yhteistyötä
- yhteistyössä
- yhteistyö
- KOM
- yhdistelmä
- yhdistetty
- Tulla
- tulee
- mukava
- sitoutunut
- kompakti
- täydellinen
- Valmistunut
- monimutkainen
- monimutkaisuus
- komponentti
- osat
- kattava
- tehty
- Konfigurointi
- määritetty
- yhdessä
- kytkeä
- Kytkeminen
- näkökohdat
- rajoitteet
- konsultit
- konsultointi
- Kontti
- jatkuva
- ohjaus
- Ydin
- Hinta
- luoda
- luotu
- luo
- Luominen
- luominen
- Ylittää
- Nykyinen
- asiakassuhde
- asiakas
- asiakaskokemus
- Asiakkaat
- sykli
- kojelauta
- mittaristot
- tiedot
- Data Analytics
- datapisteet
- tietojenkäsittely
- tietojen tutkija
- aineistot
- päättää
- päätös
- Päätöksenteko
- määritelty
- viiveet
- toimittaa
- toimitus
- riippuvuudet
- käyttöön
- käyttöönotto
- käyttöönotot
- kuvailee
- kuvaus
- suunniteltu
- haluttu
- yksityiskohdat
- havaita
- havaittu
- kehittää
- kehitetty
- kehittämällä
- Kehitys
- eri
- löytö
- pohtia
- do
- ei
- ajaa
- ajanut
- aikana
- kukin
- Aikaisemmin
- Tehokas
- tehokkaasti
- tehokkuus
- tehokas
- vaivaa
- sähköpostit
- valtuutetaan
- mahdollistaa
- käytössä
- mahdollistaa
- kattaa
- loppu
- päittäin
- päätepiste
- sitoumus
- sitoumukset
- insinööri
- Tekniikka
- tehostettu
- rikastuttaa
- rikastettu
- varmistaa
- varmistamalla
- yritys
- Koko
- ympäristö
- ympäristöissä
- erityisesti
- olennainen
- perustaa
- arvioida
- arvioitu
- tapahtuma
- Tapahtumat
- lopulta
- Joka
- tutkia
- Esimerkit
- Erinomaisuus
- olemassa
- uloskäynnit
- odotukset
- nopeuttaa
- experience
- kokeilu
- asiantuntemus
- selitti
- tutkia
- Tutkiminen
- vienti
- vientiä
- Kasvot
- kohtasi
- helpottamaan
- epäonnistuu
- Epäonnistuminen
- nopeampi
- Ominaisuus
- Ominaisuudet
- harvat
- Kuva
- filee
- Asiakirjat
- suodattaa
- Löytää
- Etunimi
- virtaus
- Keskittää
- jälkeen
- varten
- Puitteet
- puitteet
- alkaen
- täysin
- toiminto
- toiminnallisuudet
- toiminnallisuus
- tehtävät
- edelleen
- portti
- tuottaa
- syntyy
- tuottaa
- sukupolvi
- generatiivinen
- Generatiivinen AI
- saada
- GitHub
- Global
- hyvä
- hallinto
- säännellään
- Maa
- HAD
- Vetimet
- valjastaminen
- Olla
- he
- pää
- auttaa
- auttanut
- auttaa
- auttaa
- Korkea
- korkeampi
- hänen
- pitää
- Miten
- HTML
- HTTPS
- Hyperparametrien viritys
- Identiteetti
- if
- kuva
- täytäntöönpano
- täytäntöön
- täytäntöönpanosta
- työkoneet
- tuoda
- in
- mukana
- sisältää
- Mukaan lukien
- Kasvaa
- Lisäykset
- inkrementaalinen
- teollisuuden
- teollisuus
- Infrastruktuuri
- aloittaa
- innovatiivinen
- panos
- tuloa
- oivalluksia
- esimerkki
- integroitu
- Integrointi
- integraatio
- Älykkyys
- Häiriö
- tulee
- vedotaan
- aiheuttaa
- yksittäinen
- kysymykset
- IT
- Job
- Työpaikat
- yhdistää
- matka
- json
- avain
- uusin
- käynnistää
- käynnistettiin
- kerros
- Johto
- johtava
- oppilas
- oppiminen
- Taso
- elinkaari
- pitää
- tykkää
- paikallinen
- sijainti
- logiikka
- katso
- ulkonäkö
- Matala
- kone
- koneoppiminen
- ylläpitäminen
- huolto
- tehdä
- Tekeminen
- hoitaa
- onnistui
- johto
- johtaja
- toimitusjohtaja
- monet
- Maksimoida
- maksimi
- Saattaa..
- mielekäs
- keskikokoinen
- Tavata
- Jäsenet
- menetelmä
- pikkutarkasti
- metrinen
- Metrics
- ehkä
- vaeltaa
- muutto
- minimi
- lieventävä
- ML
- MLOps
- malli
- mallit
- Moderni
- nykyaikaistaminen
- monitori
- seuranta
- lisää
- Lisäksi
- paljon
- moninkertainen
- täytyy
- nimi
- luonto
- välttämätön
- Tarve
- tarvitaan
- tarpeet
- Uusi
- seuraava
- huomata
- muistikirja
- ilmoituksen
- ilmoitukset
- of
- tarjoukset
- on
- Laivalla
- ONE
- jatkuva
- vain
- avata
- avoimen lähdekoodin
- toiminta-
- optimaalinen
- or
- organisaatioiden
- Muut
- muuten
- meidän
- ulos
- Tulos
- ulostulo
- yleinen
- oma
- Rauha
- paketti
- Parallel
- parametri
- parametrit
- kumppani
- kumppani
- kulkee
- intohimoinen
- varten
- Suorittaa
- suorituskyky
- esittävä
- putki
- Paikka
- Platon
- Platonin tietotieto
- PlatonData
- pistettä
- politiikkaa
- politiikka
- salkku
- Kirje
- harjoitusta.
- edeltävä
- ennusti
- ennustus
- Ennusteet
- johtava
- valmis
- läsnäolo
- esittää
- edellinen
- hinta
- Hintaennuste
- yksityinen
- Ennakoiva
- Ongelma
- jatkaa
- prosessi
- käsittely
- tuottavuus
- edistäminen
- ohjeita
- toimittaa
- mikäli
- toimittaja
- tarjoaa
- säännös
- tarkoituksiin
- Työnnä
- työntää
- laatu
- Lukeminen
- reaaliaikainen
- reaaliaikainen data
- ihan oikeesti
- vastaanottaa
- vähentämällä
- viite
- kirjattu
- rekisteröitymättä
- rekisterin
- vapauta
- luotettavuus
- pysyi
- Raportointi
- säilytyspaikka
- pyyntö
- pyynnöt
- tarvitaan
- vaatimukset
- resurssi
- Esittelymateriaalit
- ne
- vastaus
- johtua
- tulokset
- uudelleen käytettävä
- Revealed
- tiukka
- luja
- reitit
- ajaa
- juoksu
- toimii
- sagemaker
- sama
- skaalautuvuus
- skaalautuva
- Asteikko
- skaalaus
- aikataulu
- tiede
- Tiedemies
- tutkijat
- pisteytys
- skriptejä
- sdk
- saumaton
- saumattomasti
- Osa
- turvallinen
- turvallisuus
- valinta
- lähettää
- vanhempi
- lähetetty
- palveli
- serverless
- palvelu
- Palveluntarjoaja
- Palvelut
- setti
- asetus
- setup
- Jaa:
- jakaminen
- shouldnt
- esitetty
- merkittävästi
- samankaltainen
- Yksinkertainen
- yksinkertaistetaan
- samanaikaisesti
- pieni
- sujuvaa
- ratkaisu
- Ratkaisumme
- SOLVE
- pian
- lähde
- Erikoisuus
- erityisesti
- mauste
- jakaa
- pino
- Stacks
- Osavaltio
- staattinen
- tilasto
- tilastot
- Tila
- Vaihe
- Stephen
- Askeleet
- Levytila
- verkkokaupasta
- tallennettu
- tallentamiseksi
- virtaviivainen
- virtaviivaistaa
- studio
- menestys
- niin
- sviitti
- toimitetaan
- tuki
- Tukee
- varma
- järjestelmät
- ottaa
- vie
- ottaen
- Kohde
- tehtävät
- joukkue-
- Ryhmän jäsenet
- tiimit
- Tekninen
- tekniikka
- Technologies
- Elektroniikka
- malleja
- testi
- että
- -
- Valtion
- heidän
- Niitä
- sitten
- Siellä.
- Nämä
- ne
- kolmannen osapuolen
- tätä
- ne
- kynnys
- Kautta
- suoritusteho
- porras
- tiukasti
- aika
- että
- liian
- työkalu
- työkalut
- aihe
- Aiheet
- kohti
- Juna
- koulutettu
- koulutus
- junat
- Muutos
- muunnokset
- Trendit
- laukeaa
- Totuus
- viritys
- kaksi
- tyyppi
- tyypit
- ymmärtää
- Päivitykset
- Päivitykset
- päivittäminen
- käyttää
- käyttölaukku
- käytetty
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- VAHVISTA
- validointi
- validointi
- arvo
- eri
- versio
- versiot
- RIKKOMINEN
- Virtual
- visualisointi
- havainnollistaa
- halusi
- oli
- Tapa..
- we
- verkko
- verkkopalvelut
- HYVIN
- tarkkarajainen
- olivat
- kun
- aina kun
- onko
- joka
- vaikka
- tulee
- siipi
- with
- sisällä
- ilman
- Referenssit
- työskenteli
- työnkulku
- työnkulkuja
- työpaja
- kirjoittaminen
- kirjallinen
- XGBoost
- Voit
- Sinun
- zephyrnet