अमेज़ॅन सैजमेकर प्रशिक्षण प्रबंधित वार्म पूल के लिए सर्वोत्तम अभ्यास

अमेज़ॅन सैजमेकर प्रशिक्षण प्रबंधित वार्म पूल आपको पुन: उपयोग करने के लिए ऑप्ट इन करने और उपयोगकर्ता-निर्धारित अवधि के लिए अंतर्निहित बुनियादी ढांचे को बनाए रखने की सुविधा देता है। यह कंप्यूटिंग इंस्टेंस को प्रबंधित करने के अविभाजित भारी भारोत्तोलन को पास करने के लाभ को बनाए रखते हुए भी किया जाता है अमेज़न सैजमेकर मॉडल प्रशिक्षण. इस पोस्ट में, हम सैजमेकर ट्रेनिंग मैनेज्ड वार्म पूल द्वारा संबोधित प्रमुख लाभों और दर्द बिंदुओं के साथ-साथ बेंचमार्क और सर्वोत्तम प्रथाओं की रूपरेखा तैयार करते हैं।

सेजमेकर प्रशिक्षण प्रबंधित वार्म पूल का अवलोकन

सेजमेकर मॉडल ट्रेनिंग पूरी तरह से प्रबंधित क्षमता है जो हर काम के लिए उदाहरणों को स्पिन करती है, एक मॉडल को प्रशिक्षित करती है, दौड़ती है और फिर नौकरी के बाद उदाहरणों को कम करती है। आपको केवल कार्य की अवधि से लेकर दूसरे तक की अवधि के लिए बिल किया जाता है। यह पूरी तरह से प्रबंधित क्षमता आपको अपने मशीन लर्निंग (एमएल) एल्गोरिथम पर ध्यान केंद्रित करने की स्वतंत्रता देती है और अपने मॉडलों को प्रशिक्षित करते समय बुनियादी ढांचे के प्रबंधन जैसे अविभाजित भारी भारोत्तोलन के बारे में चिंता न करें।

इस तंत्र को प्रशिक्षण कार्य के लिए एक सीमित स्टार्टअप समय की आवश्यकता होती है। हालांकि इस स्टार्टअप समय के रूप में भी जाना जाता है कोल्ड-स्टार्ट स्टार्टअप समय, काफी कम है, हमारे कुछ सबसे अधिक मांग वाले ग्राहक उपयोग के मामलों में कम स्टार्टअप समय की आवश्यकता होती है, जैसे कि 20 सेकंड से कम। दो प्रमुख उपयोग मामले हैं जिनकी ये आवश्यकताएं हैं:

• पहला डेटा वैज्ञानिकों द्वारा सक्रिय एमएल प्रयोग है अमेज़न SageMaker प्रशिक्षण मंच, विशेष रूप से GPT3 जैसे बड़े मॉडलों को प्रशिक्षित करते समय, जिन्हें उत्पादन-तैयार स्थिति में लाने के लिए कई पुनरावृत्तियों की आवश्यकता होती है।
• दूसरा एक अनुसूचित ताल पर एक ही तरह के उदाहरणों पर लगातार बड़ी संख्या में (कई सौ या हजारों के क्रम में) प्रोग्रामेटिक लॉन्च है। उदाहरण के लिए, पैरामीटर खोज या वृद्धिशील प्रशिक्षण।

ऐसे उपयोग के मामलों के लिए, प्रशिक्षण कार्य के लिए स्टार्टअप समय की तरह, ओवरहेड पर खर्च किए गए प्रत्येक सेकंड का इन सभी नौकरियों पर संचयी प्रभाव पड़ता है।

SageMaker प्रशिक्षण प्रबंधित वार्म पूल के साथ, डेटा वैज्ञानिकों और ML इंजीनियरों के पास SageMaker प्रशिक्षण उदाहरणों या बहु-आवृत्ति समूहों को एक पूर्वनिर्धारित और पुन: कॉन्फ़िगर करने योग्य समय के लिए गर्म रखने का विकल्प चुनने की क्षमता है (keep_alive_period_in_seconds) प्रत्येक प्रशिक्षण कार्य पूरा होने के बाद। इसलिए भले ही आप एक उदाहरण या क्लस्टर पर चलने वाले पहले प्रशिक्षण कार्य के लिए कोल्ड-स्टार्ट पेनल्टी लगाते हैं, बाद के सभी प्रशिक्षण कार्यों के लिए, उदाहरण पहले से ही चल रहे हैं और चल रहे हैं। नतीजतन, ये बाद के प्रशिक्षण कार्य जो पहले एक उदाहरण पर शुरू होते हैं keep_alive_period_in_seconds समय सीमा समाप्त होने पर कोल्ड-स्टार्ट स्टार्टअप समय ओवरहेड नहीं लगता है। यह प्रशिक्षण कार्य के स्टार्टअप समय को लगभग 20 सेकंड (P90) से कम कर सकता है।

डेटा वैज्ञानिक और एमएल इंजीनियर प्रयोग के लिए चलने वाले प्रशिक्षण के बीच एकल या एकाधिक उदाहरणों को गर्म रखने के लिए या एक ही एकल या बहु-आवृत्ति क्लस्टर पर लगातार कई कार्य चलाने के लिए SageMaker प्रशिक्षण प्रबंधित वार्म पूल का उपयोग कर सकते हैं। आप केवल प्रशिक्षण नौकरियों की अवधि और पुन: कॉन्फ़िगर करने योग्य के लिए भुगतान करते हैं keep_alive_period_in_seconds हर जगह की तरह आप प्रत्येक उदाहरण के लिए निर्दिष्ट करते हैं।

संक्षेप में, SageMaker प्रशिक्षण प्रबंधित वार्म पूल के साथ, आपको SageMaker प्रबंधित उदाहरण उपयोग का एक संयोजन मिलता है जिसमें ऑप्ट इन करने की क्षमता और प्रावधान क्षमता और कम समय के लिए उपयोग का स्व-प्रबंधन करने की क्षमता होती है। ये अंतराल नौकरी से पहले कॉन्फ़िगर करने योग्य होते हैं, लेकिन यदि नौकरी के दौरान keep_alive_period_in_seconds अंतराल, आपको इसे कम या बढ़ाने की आवश्यकता है, आप ऐसा कर सकते हैं। तक बढ़ जाता है keep_alive_period_in_seconds 60 मिनट तक के अंतराल में किया जा सकता है, जिसमें एक उदाहरण या क्लस्टर के लिए अधिकतम अवधि 7 दिन है।

गर्म पूल के साथ आरंभ करने के लिए, पहले वार्म पूल कोटा सीमा बढ़ाने का अनुरोध करें, फिर निर्दिष्ट करें keep_alive_period_in_seconds प्राचल प्रशिक्षण कार्य शुरू करते समय।

मानक

हमने 1.34 GB TensorFlow छवि, 2 GB डेटा और विभिन्न प्रशिक्षण डेटा इनपुट मोड (Amazon FSx, Fast File Mode, File Mode) का उपयोग करके जॉब स्टार्टअप विलंबता को मापने के लिए बेंचमार्किंग परीक्षण किए। परीक्षण यूएस-ईस्ट-4 क्षेत्र में एम4, सी5, एम5, और सी2 परिवारों से विभिन्न प्रकार के उदाहरण प्रकारों में चलाए गए थे। स्टार्टअप विलंबता को उदाहरणों पर वास्तविक प्रशिक्षण कार्य की शुरुआत के लिए नौकरी निर्माण के समय के रूप में मापा गया था। क्लस्टर शुरू करने और वार्म पूल बनाने वाली पहली नौकरियों में 2-3 मिनट की स्टार्टअप विलंबता थी। यह उच्च विलंबता बुनियादी ढांचे के प्रावधान, छवि डाउनलोड करने और डेटा डाउनलोड करने में लगने वाले समय के कारण है। वार्म पूल क्लस्टर का उपयोग करने वाली परिणामी नौकरियों में फास्ट फ़ाइल मोड (FFM) या Amazon FSx के लिए लगभग 20 सेकंड की स्टार्टअप विलंबता और फ़ाइल मोड (FM) के लिए 70 सेकंड थी। यह डेल्टा नौकरी शुरू होने से पहले अमेज़ॅन एस 3 से पूरे डेटासेट को डाउनलोड करने के लिए एफएम की आवश्यकता का परिणाम है।

प्रशिक्षण डेटा इनपुट मोड की आपकी पसंद स्टार्टअप समय को प्रभावित करती है, यहां तक ​​कि वार्म पूल के साथ भी। इस पोस्ट में बाद में सर्वोत्तम अभ्यास अनुभाग में किस इनपुट मोड का चयन करना है, इस पर मार्गदर्शन।

निम्न तालिका विभिन्न प्रशिक्षण डेटा इनपुट मोड के लिए जॉब स्टार्टअप लेटेंसी P90 को सारांशित करती है।

डेटा इनपुट मोड	स्टार्टअप विलंबता P90 (सेकंड)
	पहली नौकरी	वार्म पूल जॉब्स (दूसरी नौकरी के बाद)
एफएसएक्स	136	19
फास्ट फ़ाइल मोड	143	21
फ़ाइल मोड	176	70

वार्म पूल का उपयोग करने के लिए सर्वोत्तम अभ्यास

अगले अनुभाग में, हम वार्म पूल का उपयोग करते समय कुछ सर्वोत्तम अभ्यासों को साझा करते हैं।

आपको गर्म पूल का उपयोग कब करना चाहिए?

निम्नलिखित परिदृश्यों में वार्म पूल की सिफारिश की जाती है:

• आप छोटी-छोटी नौकरियों की एक श्रृंखला पर अंतःक्रियात्मक रूप से प्रयोग कर रहे हैं और अपनी स्क्रिप्ट को ट्यूनिंग कर रहे हैं।
• आप अपने स्वयं के कस्टम-निर्मित, बड़े पैमाने पर हाइपरपैरामीटर ऑप्टिमाइज़ेशन चला रहे हैं (उदाहरण के लिए, सिन ट्यून).
• आपके पास एक बैच प्रक्रिया है जो दैनिक या साप्ताहिक कैडेंस पर एक ही प्रकार के उदाहरणों पर बड़ी संख्या में (कई सैकड़ों या हजारों के क्रम में) लगातार कार्य करती है। उदाहरण के लिए, प्रति शहर एक एमएल मॉडल का प्रशिक्षण।

वार्म पूल की अनुशंसा नहीं की जाती है जब यह संभावना नहीं है कि कोई वार्म पूल की समय सीमा समाप्त होने से पहले उसका पुन: उपयोग करेगा। उदाहरण के लिए, एक लंबी नौकरी जो स्वचालित एमएल पाइपलाइन के माध्यम से चलती है।

वार्म पूल ट्रेनिंग जॉब स्टार्टअप विलंबता को कम करें

प्रशिक्षण कार्य जो एक गर्म पूल का पुन: उपयोग करते हैं, गर्म पूल बनाने वाले पहले कार्य की तुलना में तेज़ी से शुरू होते हैं। यह एमएल इंस्टेंसेस को कैश्ड ट्रेनिंग कंटेनर डॉकटर इमेज के साथ जॉब के बीच चलने के कारण कंटेनर को खींचने से रोकने के लिए है अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़ॅन ईसीआर)। हालाँकि, एक गर्म पूल का पुन: उपयोग करते समय भी, सभी कार्यों के लिए कुछ प्रारंभिक चरण होते हैं। इन चरणों का अनुकूलन करने से आपकी नौकरी के स्टार्टअप समय (पहली और बाद की दोनों नौकरियों) को कम किया जा सकता है। निम्न पर विचार करें:

• प्रशिक्षण डेटा इनपुट मोड स्टार्टअप समय को प्रभावित कर सकता है - प्रबंधित प्रशिक्षण डेटा इनपुट चैनल प्रत्येक प्रशिक्षण कार्य के लिए पुन: निर्मित किए जाते हैं, जो नौकरी स्टार्टअप विलंबता में योगदान करते हैं। इसलिए एक छोटे डेटासेट पर शुरुआती प्रयोग करने से स्टार्टअप समय (और तेज़ प्रशिक्षण समय) की अनुमति मिलेगी। प्रयोग के बाद के चरणों के लिए, जब एक बड़े डेटासेट की आवश्यकता होती है, तो एक इनपुट मोड प्रकार का उपयोग करने पर विचार करें जिसमें न्यूनतम या निश्चित प्रारंभिक समय हो। उदाहरण के लिए, फ़ाइल इनपुट मोड संपूर्ण डेटासेट को कॉपी करता है अमेज़न सरल भंडारण सेवा (अमेज़न S3) प्रशिक्षण उदाहरण के लिए, जो बड़े डेटासेट (यहां तक ​​कि गर्म पूल के साथ) के लिए समय लेने वाला है। फास्ट फाइल मोड कम स्टार्टअप लेटेंसी के लिए बेहतर अनुकूल है क्योंकि वर्कलोड शुरू होने से पहले केवल S3 ऑब्जेक्ट मेटाडेटा को Amazon S3 से पढ़ने की जरूरत है। चमक के लिए अमेज़न FSxया, अमेज़ॅन इलास्टिक फ़ाइल सिस्टम (Amazon EFS) फाइल सिस्टम इनपुट मोड, फाइल सिस्टम में फाइलों की संख्या की परवाह किए बिना एक निश्चित प्रारंभिक समय होता है, जो बड़े डेटासेट के साथ काम करते समय फायदेमंद होता है।
  इनपुट चैनल कैसे चुनें, इस बारे में अधिक जानकारी के लिए देखें अपने Amazon SageMaker प्रशिक्षण कार्य के लिए सर्वश्रेष्ठ डेटा स्रोत चुनें.
• संकुल के रनटाइम स्थापना को कम करें - कोई भी सॉफ़्टवेयर इंस्टॉलेशन जो कंटेनर स्टार्टअप के दौरान होता है, उदाहरण के लिए, पायथन का पाइप या ऑपरेटिंग सिस्टम apt-get, प्रशिक्षण जॉब लेटेंसी को बढ़ाएगा। इस स्टार्टअप लेटेंसी को कम करने के लिए रनटाइम इंस्टॉलेशन बनाम कंटेनर बिल्ड टाइम पर इंस्टॉलेशन के लचीलेपन और सरलता के बीच एक ट्रेड-ऑफ बनाने की आवश्यकता होती है। यदि आप SageMaker के साथ अपने स्वयं के डॉकटर कंटेनर का उपयोग करते हैं, तो इसे देखें सेजमेकर के साथ काम करने के लिए अपने खुद के डॉकटर कंटेनर को अपनाना. अगर आप भरोसा करते हैं पहले से निर्मित SageMaker कंटेनर चित्रआप की आवश्यकता होगी एक पूर्वनिर्मित कंटेनर का विस्तार करें और इन कंटेनरों को स्पष्ट रूप से प्रबंधित करें। इस पर विचार करें यदि आपका रनटाइम इंस्टॉल स्टार्टअप विलंबता को महत्वपूर्ण रूप से बढ़ाता है।
• अपनी डॉकर छवि को बार-बार अपडेट करने से बचें - यदि आप अपने स्वयं के डॉकटर कंटेनर का उपयोग सैजमेकर के साथ करते हैं, तो इसे हर कार्य चलाने के लिए अद्यतन करने से बचने का प्रयास करें। यदि जॉब सबमिशन के बीच डॉकर छवि बदलती है, तो वार्म पूल का पुन: उपयोग किया जाएगा, लेकिन स्टार्टअप प्रक्रिया को कैश्ड कंटेनर छवि का पुन: उपयोग करने के बजाय अमेज़ॅन ईसीआर से कंटेनर छवि को फिर से खींचने की आवश्यकता होगी। यदि डॉकर इमेज को अपडेट किया जाना चाहिए, तो डॉकर लेयर कैशिंग का लाभ उठाने के लिए अपडेट को अंतिम डॉकर लेयर तक सीमित रखें। आदर्श रूप से, आपको डॉकरफाइल सामग्री को हटा देना चाहिए जो पुनरावृत्तियों पर बदलने की संभावना है, जैसे कि हाइपरपरमीटर, डेटासेट परिभाषाएं और स्वयं एमएल कोड। प्रत्येक परिवर्तन के साथ डॉकर छवियों के पुनर्निर्माण के बिना एमएल कोड पर पुनरावृति करने के लिए, आप सैजमेकर ट्रेनिंग टूलकिट में वकालत किए गए ढांचे के कंटेनर प्रतिमान को अपना सकते हैं। यदि आप अपने स्वयं के कोड के साथ एक फ्रेमवर्क कंटेनर विकसित करना चाहते हैं, तो इसे देखें अमेज़न सैजमेकर ट्यूटोरियल.

एकाधिक उपयोगकर्ताओं के बीच गर्म पूल साझा करें

डेटा वैज्ञानिकों की एक बड़ी टीम के साथ काम करते समय, आप ऐसे वार्म पूल साझा कर सकते हैं जिनके पास है नौकरी के मापदंड का मिलान, जैसे समान AWS पहचान और अभिगम प्रबंधन (आईएएम) भूमिका या कंटेनर छवि।

आइए एक उदाहरण टाइमलाइन देखें। उपयोगकर्ता -1 एक प्रशिक्षण कार्य शुरू करता है जो पूर्ण होता है और परिणामस्वरूप एक नया वार्म पूल बनाया जाता है। जब उपयोगकर्ता -2 एक प्रशिक्षण कार्य शुरू करता है, तो कार्य मौजूदा वार्म पूल का पुन: उपयोग करेगा, जिसके परिणामस्वरूप एक तेज़ कार्य स्टार्टअप होगा। जबकि उपयोगकर्ता-2 का काम उपयोग में गर्म पूल के साथ चल रहा है, अगर कोई अन्य उपयोगकर्ता प्रशिक्षण कार्य शुरू करता है, तो दूसरा गर्म पूल बनाया जाएगा।

यह पुन: उपयोग व्यवहार समान कार्य शुरू करने वाले उपयोगकर्ताओं के बीच वार्म पूल साझा करके लागत को कम करने में मदद करता है। यदि आप उपयोगकर्ताओं के बीच वार्म पूल साझा करने से बचना चाहते हैं, तो उपयोगकर्ताओं के कार्य नहीं होने चाहिए नौकरी के मापदंड का मिलान (उदाहरण के लिए, उन्हें एक अलग IAM भूमिका का उपयोग करना चाहिए)।

काम पूरा होने पर उपयोगकर्ताओं को सूचित करें

प्रयोग के लिए वार्म पूल का उपयोग करते समय, हम उपयोगकर्ताओं को उनका काम पूरा होने पर सूचित करने की सलाह देते हैं। यह उपयोगकर्ताओं को वार्म पूल के समाप्त होने से पहले प्रयोग फिर से शुरू करने की अनुमति देता है या रुकें गर्म पूल अगर इसकी अब जरूरत नहीं है। आप भी कर सकते हैं स्वचालित रूप से सूचनाएं ट्रिगर करें पूज्य गुरुदेव के मार्गदर्शन से संपन्न कर सकते हैं - अमेज़न EventBridge.

तेज़ प्रयोग और समस्या निवारण प्रशिक्षण कार्यों के लिए और उपकरण

वार्म पूल के साथ, आप 20 सेकंड से भी कम समय में काम शुरू कर सकते हैं। कुछ परिदृश्यों में रीयल-टाइम, हाथों-हाथ इंटरैक्टिव प्रयोग और समस्या निवारण की आवश्यकता होती है। खुला स्रोत सेजमेकर एसएसएच हेल्पर लाइब्रेरी आपको एक सैजमेकर प्रशिक्षण कंटेनर में खोलने और दूरस्थ विकास और डिबगिंग करने की अनुमति देता है।

निष्कर्ष

सेजमेकर ट्रेनिंग मैनेज्ड वार्म पूल के साथ, आप निर्दिष्ट अवधि के लिए प्रत्येक कार्य के बाद अपने मॉडल प्रशिक्षण हार्डवेयर इंस्टेंसेस को गर्म रख सकते हैं। यह मॉडल प्रशिक्षण कार्य के लिए स्टार्टअप विलंबता को 8 गुना तक कम कर सकता है। SageMaker प्रशिक्षण प्रबंधित वार्म पूल सभी सार्वजनिक AWS क्षेत्रों में उपलब्ध हैं जहाँ SageMaker मॉडल प्रशिक्षण उपलब्ध है।

आरंभ करने के लिए, देखें SageMaker प्रबंधित वार्म पूल का उपयोग करके ट्रेन करें.

---

लेखक के बारे में

डॉ। रोमी दत्ता  अमेज़ॅन सेजमेकर टीम में उत्पाद प्रबंधन के एक वरिष्ठ प्रबंधक हैं जो प्रशिक्षण, प्रसंस्करण और फीचर स्टोर के लिए जिम्मेदार हैं। सेजमेकर, एस4 और आईओटी में कई उत्पाद प्रबंधन नेतृत्व भूमिकाएं निभाते हुए, वह 3 वर्षों से अधिक समय से एडब्ल्यूएस में हैं। एडब्ल्यूएस से पहले उन्होंने आईबीएम, टेक्सास इंस्ट्रूमेंट्स और एनवीडिया में विभिन्न उत्पाद प्रबंधन, इंजीनियरिंग और परिचालन नेतृत्व भूमिकाओं में काम किया। उन्होंने एमएस और पीएच.डी. ऑस्टिन में टेक्सास विश्वविद्यालय से इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग में, और शिकागो विश्वविद्यालय बूथ स्कूल ऑफ बिजनेस से एमबीए।

अरुण नागराजन प्रशिक्षण और MLOps क्षेत्रों पर ध्यान केंद्रित करने वाली Amazon SageMaker टीम के साथ एक प्रधान अभियंता हैं। वह लॉन्च वर्ष से सैजमेकर टीम के साथ रहे हैं, सैजमेकर में विभिन्न क्षेत्रों में योगदान करने का आनंद लिया, जिसमें रीयलटाइम अनुमान और मॉडल मॉनिटर उत्पाद शामिल हैं। वह प्रशांत नॉर्थवेस्ट क्षेत्र में बाहर घूमना और पहाड़ों पर चढ़ना पसंद करते हैं।

एमी यू AWS SageMaker में एक सॉफ्टवेयर डेवलपमेंट मैनेजर है। वह सैजमेकर ट्रेनिंग प्लेटफॉर्म की नई क्षमताओं के निर्माण, रखरखाव और विकास के लिए सॉफ्टवेयर इंजीनियरों की एक टीम को एक साथ लाने पर ध्यान केंद्रित करती है जो ग्राहकों को उनके एमएल मॉडल को अधिक कुशलतापूर्वक और आसानी से प्रशिक्षित करने में मदद करती है। उसे एमएल और एआई प्रौद्योगिकी के लिए जुनून है, विशेष रूप से उसके स्नातक अध्ययन से छवि और दृष्टि से संबंधित है। अपने खाली समय में, वह अपने परिवार के साथ संगीत और कला पर काम करना पसंद करती हैं।

सिफी ली Amazon AI में एक सॉफ़्टवेयर इंजीनियर है, जहाँ वह Amazon मशीन लर्निंग प्लेटफ़ॉर्म बनाने पर काम कर रही है और Amazon SageMaker की लॉन्च टीम का हिस्सा थी। अपने खाली समय में, वह संगीत बजाना और पढ़ना पसंद करती हैं।

जेना झाओ AWS SageMaker में एक सॉफ्टवेयर डेवलपमेंट इंजीनियर है। वह एमएल/एआई प्रौद्योगिकी के बारे में भावुक है और सेजमेकर प्रशिक्षण मंच के निर्माण पर ध्यान केंद्रित कर रही है जो ग्राहकों को मशीन लर्निंग मॉडल को जल्दी और आसानी से प्रशिक्षित करने में सक्षम बनाती है। काम से बाहर, वह यात्रा करना और अपने परिवार के साथ समय बिताना पसंद करती है।

पारस मेहरा AWS में एक वरिष्ठ उत्पाद प्रबंधक हैं। वह Amazon SageMaker प्रशिक्षण और प्रसंस्करण के निर्माण में मदद करने पर केंद्रित है। अपने खाली समय में, पारस अपने परिवार के साथ समय बिताने और बे एरिया के आसपास बाइक चलाने का आनंद लेते हैं। आप उसे ढूंढ सकते हैं लिंक्डइन.

गिल्ली नचुम एक वरिष्ठ एआई/एमएल विशेषज्ञ समाधान आर्किटेक्ट हैं जो ईएमईए अमेज़ॅन मशीन लर्निंग टीम के हिस्से के रूप में काम करते हैं। गिली गहन शिक्षण मॉडल के प्रशिक्षण की चुनौतियों के बारे में भावुक है, और जैसा कि हम जानते हैं कि मशीन लर्निंग दुनिया को कैसे बदल रहा है। गिली अपने खाली समय में टेबल टेनिस खेलना पसंद करते हैं।

ओलिवियर क्रूचांट फ्रांस में स्थित एडब्ल्यूएस में एक मशीन लर्निंग स्पेशलिस्ट सॉल्यूशंस आर्किटेक्ट है। ओलिवियर एडब्ल्यूएस ग्राहकों की मदद करता है - छोटे स्टार्टअप से लेकर बड़े उद्यमों तक - प्रोडक्शन-ग्रेड मशीन लर्निंग एप्लिकेशन को विकसित और तैनात करता है। अपने खाली समय में, उन्हें शोध पत्र पढ़ने और दोस्तों और परिवार के साथ जंगल की खोज करने में आनंद आता है।

एमिली वेबर सेजमेकर के लॉन्च होने के ठीक बाद एडब्ल्यूएस में शामिल हुआ, और तब से दुनिया को इसके बारे में बताने की कोशिश कर रहा है! ग्राहकों के लिए नए एमएल अनुभवों के निर्माण के अलावा, एमिली को तिब्बती बौद्ध धर्म का ध्यान और अध्ययन करना पसंद है।