Amazon SageMaker पाइपलाइनों के साथ Amazon पैकेजिंग इनोवेशन में ML पाइपलाइनों की स्थिरता और लचीलेपन में सुधार

ग्राहकों को प्रसन्न करने और पैकेजिंग कचरे को कम करने के लिए, अमेज़ॅन को हर साल भेजे जाने वाले अरबों पैकेजों के लिए इष्टतम पैकेजिंग प्रकार का चयन करना चाहिए। यदि कॉफी मग जैसी नाजुक वस्तु के लिए बहुत कम सुरक्षा का उपयोग किया जाता है, तो आइटम क्षतिग्रस्त हो जाएगा और अमेज़ॅन अपने ग्राहक के भरोसे को जोखिम में डाल देगा। बहुत अधिक सुरक्षा का उपयोग करने से लागत में वृद्धि होगी और पुनर्चक्रण डिब्बे अधिक हो जाएंगे। लाखों उत्पाद उपलब्ध होने के साथ, उत्पाद परीक्षण और ग्राहकों की प्रतिक्रिया से लगातार सीखने के लिए एक मापनीय निर्णय तंत्र की आवश्यकता होती है।

इन समस्याओं को हल करने के लिए, अमेज़ॅन पैकेजिंग इनोवेशन टीम ने मशीन लर्निंग (एमएल) मॉडल विकसित किए जो यह वर्गीकृत करते हैं कि क्या उत्पाद अमेज़ॅन पैकेजिंग प्रकारों जैसे मेलर्स, बैग या बॉक्स के लिए उपयुक्त हैं, या बिना किसी अतिरिक्त पैकेजिंग के भी शिप किए जा सकते हैं। पहले, टीम ने के आधार पर एक कस्टम पाइपलाइन विकसित की थी AWS स्टेप फ़ंक्शंस साप्ताहिक प्रशिक्षण और दैनिक या मासिक अनुमान कार्य करने के लिए। हालांकि, समय के साथ पाइपलाइन ने नए आर्किटेक्चर के साथ मॉडल लॉन्च करने के लिए पर्याप्त लचीलापन प्रदान नहीं किया। नई पाइपलाइनों के विकास ने डेटा वैज्ञानिकों और डेवलपर्स के बीच एक ओवरहेड और आवश्यक समन्वय प्रस्तुत किया। इन कठिनाइयों को दूर करने और नए मॉडल और आर्किटेक्चर को तैनात करने की गति में सुधार करने के लिए, टीम ने मॉडल प्रशिक्षण और अनुमान के साथ ऑर्केस्ट्रेट करना चुना अमेज़न SageMaker पाइपलाइन.

इस पोस्ट में, हम स्टेप फंक्शन्स के आधार पर पिछले ऑर्केस्ट्रेशन आर्किटेक्चर पर चर्चा करते हैं, पाइपलाइनों का उपयोग करके प्रशिक्षण और अनुमान आर्किटेक्चर की रूपरेखा तैयार करते हैं, और अमेज़ॅन पैकेजिंग इनोवेशन टीम द्वारा प्राप्त लचीलेपन को उजागर करते हैं।

अमेज़ॅन पैकेजिंग इनोवेशन में पूर्व एमएल पाइपलाइन की चुनौतियां

पैकेजों के प्रदर्शन के बारे में निरंतर प्रतिक्रिया शामिल करने के लिए, लेबल की बढ़ती संख्या का उपयोग करके हर हफ्ते एक नए मॉडल को प्रशिक्षित किया जाता है। उत्पादों की पूरी सूची के लिए अनुमान मासिक रूप से किया जाता है, और नई जोड़ी गई सूची के लिए समय-समय पर पूर्वानुमान देने के लिए एक दैनिक अनुमान लगाया जाता है।

कई मॉडलों के प्रशिक्षण की प्रक्रिया को स्वचालित करने और भविष्यवाणियां प्रदान करने के लिए, टीम ने निम्नलिखित चरणों को व्यवस्थित करने के लिए चरण कार्यों के आधार पर एक कस्टम पाइपलाइन विकसित की थी:

• प्रशिक्षण और अनुमान नौकरियों के लिए डेटा तैयार करना और डेटाबेस में भविष्यवाणियों को लोड करना (अमेज़न रेडशिफ्ट) संग एडब्ल्यूएस गोंद.
• मॉडल प्रशिक्षण और अनुमान के साथ अमेज़न SageMaker.
• के साथ सेट किए गए सत्यापन पर मॉडल प्रदर्शन मेट्रिक्स की गणना AWS बैच.
• का प्रयोग अमेज़ॅन डायनेमोडीबी मॉडल कॉन्फ़िगरेशन (जैसे प्रशिक्षण और सत्यापन के लिए डेटा विभाजन अनुपात, मॉडल विरूपण साक्ष्य स्थान, मॉडल प्रकार, और प्रशिक्षण और अनुमान के लिए उदाहरणों की संख्या), मॉडल प्रदर्शन मीट्रिक और नवीनतम सफलतापूर्वक प्रशिक्षित मॉडल संस्करण को संग्रहीत करने के लिए।
• मॉडल प्रदर्शन स्कोर में अंतर की गणना, प्रशिक्षण लेबल के वितरण में परिवर्तन, और पिछले और नए मॉडल संस्करणों के बीच इनपुट डेटा के आकार की तुलना AWS लाम्बा कार्य करता है.
• बड़ी संख्या में कदमों को देखते हुए, पाइपलाइन को किसी भी मुद्दे के हितधारकों को सचेत करने के लिए प्रत्येक चरण पर एक विश्वसनीय अलार्मिंग सिस्टम की भी आवश्यकता होती है। यह के संयोजन के माध्यम से पूरा किया गया था अमेज़ॅन सरल कतार सेवा (Amazon SQS) और अमेज़न सरल अधिसूचना सेवा (अमेज़ॅन एसएनएस)। मॉडल और डेटा मेट्रिक्स में किसी भी विफल कदम और बड़े विचलन के बारे में व्यावसायिक हितधारकों, डेटा वैज्ञानिकों और डेवलपर्स को सूचित करने के लिए अलार्म बनाए गए थे।

लगभग 2 वर्षों तक इस समाधान का उपयोग करने के बाद, टीम ने महसूस किया कि यह कार्यान्वयन केवल एक विशिष्ट एमएल वर्कफ़्लो के लिए अच्छा काम करता है जहाँ एक एकल मॉडल को प्रशिक्षित किया गया था और एक सत्यापन डेटासेट पर स्कोर किया गया था। हालांकि, जटिल मॉडलों के लिए समाधान पर्याप्त रूप से लचीला नहीं था और विफलताओं के लिए लचीला नहीं था। उदाहरण के लिए, आर्किटेक्चर अनुक्रमिक मॉडल प्रशिक्षण को आसानी से समायोजित नहीं करता है। संपूर्ण पाइपलाइन को डुप्लिकेट किए बिना और बुनियादी ढांचे को संशोधित किए बिना एक कदम जोड़ना या हटाना मुश्किल था। डेटा प्रोसेसिंग चरणों में भी साधारण परिवर्तन जैसे डेटा विभाजन अनुपात को समायोजित करना या सुविधाओं के एक अलग सेट का चयन करना डेटा वैज्ञानिक और डेवलपर दोनों से समन्वय की आवश्यकता है। जब किसी भी कदम पर पाइपलाइन विफल हो जाती है, तो इसे शुरू से ही फिर से शुरू करना पड़ता है, जिसके परिणामस्वरूप बार-बार रन और लागत में वृद्धि होती है। बार-बार रनों से बचने और असफल चरण से पुनः आरंभ करने के लिए, टीम एक संक्षिप्त राज्य मशीन की एक नई प्रति बनाएगी। इस समस्या निवारण के कारण राज्य मशीनों का प्रसार हुआ, प्रत्येक सामान्य रूप से विफल चरणों से शुरू होता है। अंत में, यदि किसी प्रशिक्षण कार्य में लेबल, मॉडल स्कोर, या लेबल की संख्या के वितरण में विचलन का सामना करना पड़ता है, तो डेटा वैज्ञानिक को मॉडल और उसके मेट्रिक्स की मैन्युअल रूप से समीक्षा करनी होती है। फिर एक डेटा वैज्ञानिक मॉडल संस्करणों के साथ डायनेमोडीबी तालिका तक पहुंचेगा और यह सुनिश्चित करने के लिए तालिका को अपडेट करेगा कि अगले अनुमान कार्य के लिए सही मॉडल का उपयोग किया गया था।

इस वास्तुकला के रखरखाव के लिए कम से कम एक समर्पित संसाधन और विकास के लिए एक अतिरिक्त पूर्णकालिक संसाधन की आवश्यकता होती है। नए उपयोग के मामलों को समायोजित करने के लिए पाइपलाइन के विस्तार की कठिनाइयों को देखते हुए, डेटा वैज्ञानिकों ने अपने स्वयं के वर्कफ़्लो को विकसित करना शुरू कर दिया था, जिसके परिणामस्वरूप बढ़ते कोड आधार, समान डेटा योजनाओं के साथ कई डेटा टेबल और विकेन्द्रीकृत मॉडल निगरानी हुई थी। इन मुद्दों के संचय के परिणामस्वरूप टीम की उत्पादकता कम हुई और ओवरहेड में वृद्धि हुई।

इन चुनौतियों का समाधान करने के लिए, अमेज़ॅन पैकेजिंग इनोवेशन टीम ने एमएलओप्स के लिए अन्य मौजूदा समाधानों का मूल्यांकन किया, जिसमें सेजमेकर पाइपलाइन (सेजमेकर पाइपलाइन) शामिल हैं।दिसंबर 2020 रिलीज की घोषणा) पाइपलाइन एंड-टू-एंड एमएल वर्कफ़्लो के निर्माण, प्रबंधन, स्वचालित और स्केलिंग के लिए सेजमेकर की क्षमता है। पाइपलाइन आपको संपूर्ण एमएल वर्कफ़्लो में चरणों की संख्या को कम करने की अनुमति देती है और डेटा वैज्ञानिकों को कस्टम एमएल वर्कफ़्लो को परिभाषित करने की अनुमति देने के लिए पर्याप्त लचीला है। यह चरणों की निगरानी और लॉगिंग का ख्याल रखता है। यह एक मॉडल रजिस्ट्री के साथ भी आता है जो स्वचालित रूप से नए मॉडलों का संस्करण बनाती है। मॉडल रजिस्ट्री में उत्पादन में अनुमान के लिए मॉडल का चयन करने के लिए अंतर्निहित अनुमोदन कार्यप्रवाह है। पाइपलाइन समान तर्कों के साथ कॉल किए गए चरणों को कैशिंग करने की भी अनुमति देता है। यदि कोई पिछला रन मिलता है, तो एक कैश बनाया जाता है, जो सफलतापूर्वक पूर्ण किए गए चरणों की पुनर्गणना के बजाय एक आसान पुनरारंभ की अनुमति देता है।

मूल्यांकन प्रक्रिया में, पाइपलाइन अपने लचीलेपन और वर्तमान और भविष्य के वर्कफ़्लो को समर्थन और विस्तार करने के लिए सुविधाओं की उपलब्धता के लिए अन्य समाधानों से अलग थी। पाइपलाइनों पर स्विच करने से डेवलपर्स के समय को प्लेटफ़ॉर्म रखरखाव और समस्या निवारण से मुक्त कर दिया गया और नई सुविधाओं के अतिरिक्त ध्यान को पुनर्निर्देशित किया गया। इस पोस्ट में, हम अमेज़ॅन पैकेजिंग इनोवेशन टीम में पाइपलाइनों का उपयोग करके प्रशिक्षण और अनुमान वर्कफ़्लोज़ के लिए डिज़ाइन प्रस्तुत करते हैं। हम पाइपलाइनों पर स्विच करके टीम को प्राप्त होने वाले लाभों और लागत में कमी पर भी चर्चा करते हैं।

प्रशिक्षण पाइपलाइन

अमेज़ॅन पैकेजिंग इनोवेशन टीम लेबल की बढ़ती संख्या का उपयोग करके प्रत्येक पैकेज प्रकार के लिए मॉडल तैयार करती है। निम्नलिखित आरेख पूरी प्रक्रिया की रूपरेखा तैयार करता है।

कार्यप्रवाह एक Amazon Redshift डेटाबेस से लेबल और सुविधाओं को निकालने और डेटा को अनलोड करने से शुरू होता है अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) शेड्यूल्ड एक्सट्रेक्ट, ट्रांसफ़ॉर्म और लोड (ETL) जॉब के माध्यम से। इनपुट डेटा के साथ, मॉडल प्रकार और पैरामीटर वाली फ़ाइल ऑब्जेक्ट को S3 बकेट में रखा जाता है। यह फ़ाइल लैम्ब्डा फ़ंक्शन के माध्यम से पाइपलाइन ट्रिगर के रूप में कार्य करती है।

अगले चरण पूरी तरह से अनुकूलन योग्य हैं और पूरी तरह से एक डेटा वैज्ञानिक द्वारा पाइपलाइनों के लिए सेजमेकर पायथन एसडीके का उपयोग करके परिभाषित किया गया है। इस पोस्ट में हम जिस परिदृश्य में प्रस्तुत करते हैं, उसमें इनपुट डेटा को प्रशिक्षण और सत्यापन सेट में विभाजित किया जाता है और एक SageMaker प्रसंस्करण कार्य शुरू करके S3 बाल्टी में वापस सहेजा जाता है।

जब Amazon S3 में डेटा तैयार हो जाता है, तो SageMaker प्रशिक्षण कार्य शुरू हो जाता है। मॉडल को सफलतापूर्वक प्रशिक्षित और बनाए जाने के बाद, मॉडल मूल्यांकन चरण को सेजमेकर बैच ट्रांसफॉर्म जॉब के माध्यम से सत्यापन डेटा पर किया जाता है। मॉडल मेट्रिक्स की तुलना सेजमेकर प्रोसेसिंग जॉब का उपयोग करके पिछले सप्ताह के मॉडल मेट्रिक्स से की जाती है। टीम ने मॉडल प्रदर्शन में विचलन के मूल्यांकन के लिए कई कस्टम मानदंड परिभाषित किए हैं। इन मानदंडों के आधार पर मॉडल को या तो अस्वीकार कर दिया जाता है या अनुमोदित कर दिया जाता है। यदि मॉडल को अस्वीकार कर दिया जाता है, तो पिछले स्वीकृत मॉडल का उपयोग अगले अनुमान कार्यों के लिए किया जाता है। यदि मॉडल स्वीकृत हो जाता है, तो उसका संस्करण पंजीकृत हो जाता है और उस मॉडल का उपयोग अनुमान कार्यों के लिए किया जाता है। हितधारकों को परिणाम के बारे में एक अधिसूचना प्राप्त होती है अमेज़ॅन क्लाउडवॉच अलार्म।

निम्न स्क्रीनशॉट अमेज़ॅन सैजमेकर स्टूडियो प्रशिक्षण पाइपलाइन के चरणों को दर्शाता है।

पाइपलाइन प्रत्येक पाइपलाइन रन को ट्रैक करती है, जिसे आप स्टूडियो में मॉनिटर कर सकते हैं। वैकल्पिक रूप से, आप रन की प्रगति को क्वेरी कर सकते हैं बोटो3 या AWS कमांड लाइन इंटरफ़ेस (एडब्ल्यूएस सीएलआई)। आप स्टूडियो में मॉडल मीट्रिक की कल्पना कर सकते हैं और विभिन्न मॉडल संस्करणों की तुलना कर सकते हैं।

अनुमान पाइपलाइन

अमेज़ॅन पैकेजिंग इनोवेशन टीम मासिक रूप से उत्पादों की संपूर्ण सूची के लिए पूर्वानुमानों को ताज़ा करती है। नवीनतम प्रशिक्षित मॉडल का उपयोग करके नई जोड़ी गई इन्वेंट्री के लिए समय-समय पर पैकेजिंग सिफारिशें प्रदान करने के लिए दैनिक भविष्यवाणियां उत्पन्न की जाती हैं। इसके लिए विभिन्न मात्रा में डेटा के साथ प्रतिदिन चलने के लिए अनुमान पाइपलाइन की आवश्यकता होती है। निम्न आरेख इस वर्कफ़्लो को दिखाता है।

प्रशिक्षण पाइपलाइन के समान, अनुमान की शुरुआत Amazon Redshift से S3 बाल्टी में डेटा को उतारने के साथ होती है। Amazon S3 में रखी गई एक फ़ाइल ऑब्जेक्ट लैम्ब्डा फ़ंक्शन को ट्रिगर करती है जो इंट्रेंस पाइपलाइन शुरू करती है। सुविधाओं को अनुमान के लिए तैयार किया जाता है और डेटा को सेजमेकर प्रोसेसिंग जॉब का उपयोग करके उचित आकार की फाइलों में विभाजित किया जाता है। इसके बाद, पाइपलाइन पूर्वानुमानों को चलाने और उन्हें S3 बकेट में लोड करने के लिए नवीनतम स्वीकृत मॉडल की पहचान करती है। अंत में, SageMaker प्रोसेसिंग जॉब के भीतर boto3-data API का उपयोग करके भविष्यवाणियों को Amazon Redshift पर वापस लोड किया जाता है।

स्टूडियो से निम्न स्क्रीनशॉट अनुमान पाइपलाइन विवरण दिखाता है।

सेजमेकर पाइपलाइनों के साथ आर्किटेक्ट एमएल वर्कफ़्लो को चुनने के लाभ

इस खंड में, हम मॉडल प्रशिक्षण और अनुमान के लिए पाइपलाइनों पर स्विच करके अमेज़ॅन पैकेजिंग इनोवेशन टीम को प्राप्त लाभों पर चर्चा करते हैं।

आउट-ऑफ-द-बॉक्स उत्पादन-स्तर एमएलओपीएस विशेषताएं

अगले एमएल पाइपलाइन समाधान के लिए विभिन्न आंतरिक और बाहरी समाधानों की तुलना करते हुए, एक एकल डेटा वैज्ञानिक 3 सप्ताह से कम समय में स्टूडियो जुपिटर वातावरण में पाइपलाइनों के साथ एमएल वर्कफ़्लो का एक पूर्ण संस्करण प्रोटोटाइप और विकसित करने में सक्षम था। प्रोटोटाइप चरण में भी, यह स्पष्ट हो गया कि पाइपलाइनों ने उत्पादन स्तर के वर्कफ़्लो के लिए आवश्यक सभी आवश्यक बुनियादी ढांचा घटक प्रदान किए: मॉडल संस्करण, कैशिंग और अलार्म। इन सुविधाओं की तत्काल उपलब्धता का मतलब था कि इन्हें विकसित करने और अनुकूलित करने में कोई अतिरिक्त समय नहीं लगाया जाएगा। यह मूल्य का एक स्पष्ट प्रदर्शन था, जिसने अमेज़ॅन पैकेजिंग इनोवेशन टीम को आश्वस्त किया कि पाइपलाइन सही समाधान था।

एमएल मॉडल विकसित करने में लचीलापन

टीम में डेटा वैज्ञानिकों के लिए सबसे बड़ा लाभ विभिन्न मॉडलों के माध्यम से आसानी से प्रयोग करने और पुनरावृति करने की क्षमता थी। चाहे वे अपने एमएल कार्य के लिए किस ढांचे को पसंद करते हैं और इसमें कितने कदम और विशेषताएं शामिल हैं, पाइपलाइनों ने उनकी आवश्यकताओं को समायोजित किया। डेटा वैज्ञानिकों को एक अतिरिक्त सुविधा या चरण जोड़ने के लिए सॉफ़्टवेयर विकास स्प्रिंट पर जाने के लिए प्रतीक्षा किए बिना प्रयोग करने का अधिकार दिया गया था।

कम लागत

सेजमेकर की पाइपलाइन क्षमता है मुक्त: आप केवल गणना संसाधनों और प्रशिक्षण और अनुमान से जुड़े भंडारण के लिए भुगतान करते हैं। हालांकि, लागत के बारे में सोचते समय, आपको न केवल उपयोग की जाने वाली सेवाओं की लागत के लिए बल्कि वर्कफ़्लो को बनाए रखने, डीबग करने और इसे पैच करने के लिए आवश्यक डेवलपर घंटों को भी ध्यान में रखना होगा। पाइपलाइनों के साथ ऑर्केस्ट्रेटिंग सरल है क्योंकि इसमें कम टुकड़े और परिचित बुनियादी ढांचे होते हैं। पहले, अमेज़ॅन पैकेजिंग इनोवेशन टीम में इसे लागू करने के लिए कम से कम दो लोगों (डेटा वैज्ञानिक और सॉफ्टवेयर इंजीनियर) को एक नई सुविधा जोड़ने की आवश्यकता थी। पुन: डिज़ाइन की गई पाइपलाइन के साथ, इंजीनियरिंग प्रयासों को अब पाइपलाइन के आसपास अतिरिक्त कस्टम बुनियादी ढांचे की ओर निर्देशित किया जाता है, जैसे कि मशीन लर्निंग कोड की ट्रैकिंग के लिए एकल रिपॉजिटरी का निर्माण, एडब्ल्यूएस खातों में मॉडल परिनियोजन का सरलीकरण, एकीकृत ईटीएल नौकरियों का विकास और आम पुन: प्रयोज्य कार्य।

समान इनपुट के साथ चरणों को कैश करने की क्षमता ने भी लागत में कमी में योगदान दिया, क्योंकि टीमों के पूरी पाइपलाइन को फिर से चलाने की संभावना कम थी। इसके बजाय, वे इसे आसानी से विफलता के बिंदु से शुरू कर सकते थे।

निष्कर्ष

अमेज़ॅन पैकेजिंग इनोवेशन टीम मासिक आधार पर एमएल मॉडल को प्रशिक्षित करती है और अनुशंसित उत्पाद पैकेजिंग प्रकारों के लिए भविष्यवाणियों को नियमित रूप से अपडेट करती है। इन सिफारिशों ने कचरे को कम करके और प्रत्येक ऑर्डर के साथ ग्राहकों को प्रसन्न करके उन्हें कई टीम- और कंपनी-व्यापी लक्ष्यों को प्राप्त करने में मदद की। प्रशिक्षण और अनुमान पाइपलाइनों को नियमित आधार पर मज़बूती से चलाना चाहिए फिर भी मॉडल के निरंतर सुधार की अनुमति देता है।

पाइपलाइनों में संक्रमण ने टीम को 2 महीने के भीतर उत्पादन के लिए चार नए मल्टी-मोडल मॉडल आर्किटेक्चर तैनात करने की अनुमति दी। पिछले आर्किटेक्चर का उपयोग करके एक नया मॉडल तैनात करने के लिए 5 दिनों (उसी मॉडल आर्किटेक्चर के साथ) से 1 महीने (नए मॉडल आर्किटेक्चर के साथ) की आवश्यकता होगी। पाइपलाइनों का उपयोग करके एक ही मॉडल को तैनात करने से टीम को समान मॉडल आर्किटेक्चर के साथ विकास के समय को 4 घंटे तक और नए मॉडल आर्किटेक्चर के साथ 5 दिनों तक कम करने में सक्षम बनाया गया। यह लगभग 80% कामकाजी घंटों की बचत का मूल्यांकन करता है।

अतिरिक्त संसाधन

अधिक जानकारी के लिए, निम्न संसाधन देखें:

---

लेखक के बारे में

अंकुर शुक्ला पालो ऑल्टो में स्थित AWS-ProServe में प्रधान डेटा वैज्ञानिक हैं। अंकुर के पास ग्राहक के साथ सीधे काम करने का 15 वर्षों से अधिक का परामर्श अनुभव है और उन्हें प्रौद्योगिकी के साथ व्यावसायिक समस्या को हल करने में मदद करता है। वह AWS के भीतर कई वैश्विक अनुप्रयुक्त विज्ञान और ML-Ops पहल का नेतृत्व करते हैं। अपने खाली समय में वह पढ़ना और परिवार के साथ समय बिताना पसंद करते हैं।

आकाश सिंगला अमेज़ॅन पैकेजिंग इनोवेशन टीम के साथ एक सीनियर सिस्टम देव इंजीनियर हैं। उनके पास कई व्यावसायिक कार्यक्षेत्रों के लिए प्रौद्योगिकी के माध्यम से महत्वपूर्ण व्यावसायिक समस्याओं को हल करने का 17 से अधिक वर्षों का अनुभव है। वह वर्तमान में विभिन्न प्रकार के पैकेजिंग केंद्रित अनुप्रयोगों के लिए एनएडब्ल्यूएस के बुनियादी ढांचे के उन्नयन पर ध्यान केंद्रित कर रहा है ताकि उन्हें बेहतर तरीके से बढ़ाया जा सके।

विटालिना कोमाशको एडब्ल्यूएस प्रोफेशनल सर्विसेज के साथ डेटा साइंटिस्ट हैं। वह फार्माकोलॉजी और टॉक्सिकोलॉजी में पीएचडी रखती हैं, लेकिन प्रायोगिक कार्य से डेटा साइंस में परिवर्तित हो गईं क्योंकि वह "डेटा जनरेशन और परिणामों की व्याख्या के लिए" चाहती थीं। इससे पहले अपने करियर में उन्होंने बायोटेक और फार्मा कंपनियों के साथ काम किया। AWS में उन्हें विभिन्न उद्योगों के ग्राहकों की समस्याओं को हल करने और उनकी अनूठी चुनौतियों के बारे में जानने में आनंद आता है।

प्रशांत मयप्पन 4+ वर्षों के लिए अमेज़ॅन पैकेजिंग इनोवेशन के साथ एक सीनियर एप्लाइड साइंटिस्ट हैं। उनके पास मशीन लर्निंग में उद्योग का 6+ साल का अनुभव है और उन्होंने खोज ग्राहक अनुभव को बेहतर बनाने और ग्राहक पैकेजिंग अनुभव को बेहतर बनाने के लिए उत्पादों को भेज दिया है। प्रशांत स्थिरता के बारे में भावुक है और जलवायु परिवर्तन के सांख्यिकीय मॉडलिंग में पीएचडी है।

मैथ्यू बेल्स एक वरिष्ठ अनुसंधान वैज्ञानिक हैं जो ग्राहकों की प्रतिक्रिया और मशीन लर्निंग का उपयोग करके पैकेज प्रकार के चयन को अनुकूलित करने के लिए काम कर रहे हैं। अमेज़ॅन से पहले, मैट ने जर्मनी में कण भौतिकी के सिमुलेशन प्रदर्शन करने वाले पोस्ट डॉक्टर के रूप में काम किया और पिछले जीवन में, एक स्टार्टअप में रेडियोधर्मी चिकित्सा प्रत्यारोपण उपकरणों के उत्पादन प्रबंधक के रूप में काम किया। उन्होंने पीएच.डी. मिशिगन विश्वविद्यालय से भौतिकी में।