Ez egy négy részes sorozat második bejegyzése, amely részletezi, hogyan NatWest Csoport, egy jelentős pénzügyi szolgáltató intézmény, partnere AWS professzionális szolgáltatások új gépi tanulási műveletek (MLOps) platform felépítéséhez. Ebben a bejegyzésben megosztjuk, hogy a NatWest Group hogyan használta fel az AWS-t szabványos, biztonságos és kompatibilis MLOps platformjuk önkiszolgáló üzembe helyezéséhez. AWS szolgáltatáskatalógus és a Amazon SageMaker. Ez azt eredményezte, hogy az új környezetek létrehozásához szükséges idő napokról néhány órára csökkent.
Úgy gondoljuk, hogy a döntéshozók profitálhatnak ebből a tartalomból. CTO-k, CDAO-k, vezető adatkutatók és vezető felhőmérnökök követhetik ezt a mintát, hogy innovatív megoldásokat kínáljanak adattudományi és mérnöki csapataik számára.
Olvassa el a teljes sorozatot:
|
Technológia a NatWest csoportnál
A NatWest Group egy kapcsolati bank a digitális világ számára, amely több mint 19 millió ügyfélnek nyújt pénzügyi szolgáltatásokat szerte az Egyesült Királyságban. A Csoport változatos technológiai portfólióval rendelkezik, ahol az üzleti kihívásokra gyakran testreszabott tervek alapján és hosszú határidőkkel kínálnak megoldásokat.
A közelmúltban a NatWest Group elfogadta a felhőalapú stratégiát, amely lehetővé tette a vállalat számára, hogy felügyelt szolgáltatásokat használjon az igény szerinti számítási és tárolási erőforrások biztosítására. Ez a lépés az üzleti megoldások általános stabilitásának, méretezhetőségének és teljesítményének javulásához vezetett, miközben csökkentette a költségeket és felgyorsította a szállítási ütemet. Ezenkívül a felhőre való átállás lehetővé teszi a NatWest Group számára, hogy egyszerűsítse technológiai halmazát azáltal, hogy konzisztens, megismételhető és előzetesen jóváhagyott megoldásterveket kényszerít ki, hogy megfeleljen a szabályozási követelményeknek és ellenőrzött módon működjön.
Kihívások
A felhő-első megközelítés elfogadásának kísérleti szakaszai több kísérletezési és értékelési fázist tartalmaztak, amelyek a legkülönfélébb elemző szolgáltatások az AWS-en. A NatWest Group felhőplatformjának első iterációi az adattudományi munkaterhelésekhez a konzisztens, biztonságos és kompatibilis felhőkörnyezetek biztosításával kapcsolatos kihívásokkal szembesültek. Az új környezetek létrehozásának folyamata néhány naptól hetekig vagy akár hónapokig tartott. Az infrastruktúra és adatforrások felépítése, biztosítása, biztonságossá tétele, telepítése és kezelése terén a központi platform csapataira támaszkodva megnehezítette az új csapatok bevonását a felhőben való munkavégzésre.
Az AWS-fiókok közötti infrastruktúra-konfiguráció eltérései miatt azoknak a csapatoknak, akik úgy döntöttek, hogy a munkaterhelésüket a felhőbe migrálják, egy bonyolult megfelelési folyamaton kellett keresztülmenniük. Minden infrastruktúra-összetevőt külön kellett elemezni, ami megnövelte a biztonsági audit időtervét.
Az AWS-ben való fejlesztés megkezdése magában foglalta a platformcsapatok által írt dokumentációs útmutatók elolvasását. A kezdeti környezetbeállítási lépések közé tartozott a nyilvános és privát kulcsok kezelése a hitelesítéshez, a távoli szolgáltatásokkal való kapcsolatok konfigurálása a AWS parancssori interfész (AWS CLI) vagy SDK a helyi fejlesztői környezetekből, és egyéni szkriptek futtatása a helyi IDE-k és a felhőszolgáltatások összekapcsolásához. A technikai kihívások gyakran megnehezítették az új csapattagok felvételét. A fejlesztői környezetek konfigurálása után a szoftver éles kiadásához hasonlóan bonyolult és hosszadalmas volt az út.
A sorozat 1. részében leírtak szerint a közös projektcsapat nagy mennyiségű visszajelzést gyűjtött össze a NatWest Group csapataitól a felhasználói tapasztalatokról és követelményekről az új adattudományi és MLOps platform felépítése előtt. A visszajelzések közös témája az automatizálás és a szabványosítás szükségessége volt, amely az AWS-en a projektek gyors és hatékony megvalósításának előfutára. Az új platform AWS által felügyelt szolgáltatásokat használ a költségek optimalizálására, a platformkonfigurációs erőfeszítések csökkentésére, valamint a szükségtelenül nagy számítási feladatok végrehajtásából származó szénlábnyom csökkentésére. A szabványosítás a platform szívébe van ágyazva, előre jóváhagyott, teljesen konfigurált, biztonságos, kompatibilis és újrafelhasználható infrastruktúra-összetevőkkel, amelyek megoszthatók az adat- és elemzőcsapatok között.
Miért a SageMaker Studio?
A csapat választott Amazon SageMaker Studio mint az ML-folyamatok építésének és telepítésének fő eszköze. A Studio egyetlen webalapú felületet biztosít, amely teljes hozzáférést, vezérlést és láthatóságot biztosít a felhasználóknak a modellek felépítéséhez, betanításához és üzembe helyezéséhez szükséges lépésekhez. A Studio IDE (integrált fejlesztői környezet) érettsége a modellfejlesztésre, a metaadatok nyomon követésére, a műtermék-kezelésre és a telepítésre azok közé a szolgáltatások közé tartozott, amelyek nagyon vonzóak voltak a NatWest Group csapatához.
A NatWest Group adattudósai a SageMaker notebookokkal dolgoznak a Studio-on belül a modellfejlesztés kezdeti szakaszában, hogy adatelemzést, adatrázást és szolgáltatástervezést végezzenek. Miután a felhasználók elégedettek a kezdeti munka eredményével, a kód könnyen átalakítható függvényekké alakítható az adatátalakításhoz, a modell betanításhoz, a következtetéshez, a naplózáshoz és az egységtesztekhez, így a gyártásra kész állapotba kerül.
A modellfejlesztési életciklus későbbi szakaszaiban a Amazon SageMaker csővezetékek, amely a Stúdióban szemrevételezéssel ellenőrizhető és nyomon követhető. A folyamatokat egy DAG (Directed Acyclic Graph) vizualizálja, amely színkódolja a lépéseket az állapotuk alapján, miközben a folyamat fut. Ezen kívül egy összefoglaló Amazon CloudWatch naplók A DAG mellett megjelenik a sikertelen lépések hibakeresésének megkönnyítése érdekében. Az adattudósok egy kódsablont kapnak, amely a SageMaker folyamat összes alapvető lépését tartalmazza. Ez egy szabványos keretrendszert biztosít (konzisztens a platform minden felhasználója számára, hogy megkönnyítse az együttműködést és a tudásmegosztást), amelybe a fejlesztők hozzáadhatják azt a testreszabott logikát és alkalmazáskódot, amely kifejezetten az általuk megoldandó üzleti kihíváshoz igazodik.
A fejlesztők a folyamatokat a Studio IDE-n belül futtatják, hogy biztosítsák, hogy kódmódosításaik megfelelően integrálódjanak a folyamat többi lépésébe. A kódmódosítások áttekintése és jóváhagyása után ezek a folyamatok automatikusan létrejönnek és futnak a Git-tárház fő ágindítója alapján. A modell betanítása során a SageMaker Experimentsben tárolják és nyomon követik a modell kiértékelési metrikákat, amelyek hiperparaméterek hangolására használhatók. A modell betanítása után a modell műterméket a rendszer tárolja SageMaker modellnyilvántartás, valamint a modelltárolókhoz kapcsolódó metaadatok, a képzés során használt adatok, a modell jellemzői és a modellkód. A modell-nyilvántartás kulcsszerepet játszik a modell üzembe helyezési folyamatában, mivel az összes modellinformációt csomagolja, és lehetővé teszi a modell előléptetésének automatizálását az éles környezetekbe.
Az MLOps mérnökei felügyeltet telepítenek SageMaker kötegelt átalakítási feladatok, amely a munkaterhelési igényeket kielégíti. Mind az offline kötegelt következtetési feladatok, mind a végponton keresztül kiszolgált online modellek a SageMaker felügyelt következtetési funkcióját használják. Ez mind a platform-, mind az üzleti alkalmazáscsoportok számára előnyös, mivel a platformmérnökök már nem töltik az időt az infrastruktúra-összetevők modellkövetkeztetéshez való konfigurálásával, és az üzleti alkalmazáscsapatok nem írnak további alapkódot a számítási példányok beállításához és interakciójához.
Miért az AWS szolgáltatáskatalógus?
A csapat az AWS szolgáltatáskatalógust választotta a biztonságos, megfelelő és előzetesen jóváhagyott infrastruktúra-sablonok katalógusának elkészítéséhez. Az AWS szolgáltatáskatalógus-termékek infrastrukturális összetevői előre be vannak állítva, hogy megfeleljenek a NatWest Group biztonsági követelményeinek. A szerepkör hozzáférés-kezelése, az erőforrás-házirendek, a hálózati konfiguráció és a központi vezérlési házirendek konfigurálva vannak az AWS-szolgáltatáskatalógus-termékbe csomagolt minden egyes erőforráshoz. A termékek verziószáma és megosztása az alkalmazáscsapatokkal egy szabványos folyamat követésével történik, amely lehetővé teszi az adattudományi és mérnöki csapatok számára, hogy az AWS-fiókjukhoz való hozzáférés után azonnal önkiszolgáljanak és telepítsenek infrastruktúrát.
A platformfejlesztő csapatok idővel könnyedén fejleszthetik az AWS szolgáltatáskatalógus-termékeit, hogy lehetővé tegyék az üzleti követelményeken alapuló új funkciók megvalósítását. A termékek iteratív módosításait az AWS szolgáltatáskatalógus termékverziójának segítségével hajtják végre. Egy új termékverzió megjelenésekor a platform csapata egyesíti a kódmódosításokat a fő Git ágba, és növeli az AWS szolgáltatáskatalógus termék verzióját. Az infrastruktúra frissítése bizonyos fokú autonómiát és rugalmasságot biztosít, mivel az üzleti alkalmazásfiókok használhatják a termékek korábbi verzióit, mielőtt áttérnének a legújabb verzióra.
Megoldás áttekintése
A következő magas szintű architektúra diagram bemutatja, hogy egy tipikus üzleti alkalmazás használati eset hogyan kerül telepítésre az AWS-en. A következő szakaszok részletesebben foglalkoznak a fiókarchitektúrával, az infrastruktúra telepítésével, a felhasználói hozzáférés-kezeléssel és a különböző AWS-szolgáltatások felhasználásával az ML-megoldások felépítéséhez.
Amint az az architektúra diagramon látható, a fiókok hub- és küllőmodellt követnek. A megosztott platformfiók hub-fiókként szolgál, ahol az üzleti alkalmazáscsapat (spoke) fiókok által igényelt erőforrásokat a platform csapata tárolja. Ezek a források a következőket tartalmazzák:
- Az AWS szolgáltatáskatalógus által üzemeltetett, önkiszolgáló infrastruktúra-telepítésekhez használt, biztonságos, szabványosított infrastruktúra-termékek könyvtára
- Docker képek, tárolva Amazon Elastic Container Registry (Amazon ECR), amelyeket a SageMaker folyamatlépések és a modellkövetkeztetés futtatása során használnak
- AWS CodeArtifact adattárak, amelyek előre jóváhagyott Python-csomagokat tartalmaznak
Ezeket az erőforrásokat automatikusan megosztja a küllős fiókokkal az AWS szolgáltatáskatalógus portfóliómegosztási és importálási funkcióján keresztül AWS Identity and Access Management (IAM) bizalmi irányelvei mind az Amazon ECR, mind a CodeArtifact esetében.
Minden üzleti alkalmazáscsapat három AWS-fiókkal rendelkezik a NatWest Group infrastruktúra-környezetében: fejlesztés, előgyártás és gyártás. A környezetnevek a fióknak az adattudományi fejlesztési életciklusban betöltött szerepére utalnak. A fejlesztési fiók adatelemzés és vitatkozás végrehajtására, modell- és modellfolyamatkódok írására, modellek betanítására, valamint a SageMaker Studio segítségével a gyártás előtti és éles környezetekben történő modelltelepítések indítására szolgál. A gyártás előtti fiók tükrözi az éles fiók beállítását, és a modelltelepítések tesztelésére és a kötegelt átalakítási feladatokra használatos, mielőtt azok gyártásba kerülnének. Az éles fiók modelleket tárol, és termelési következtetési munkaterheléseket futtat.
Felhasználói menedzsment
A NatWest Group szigorú irányítási folyamatokkal rendelkezik a felhasználói szerepkörök szétválasztása érdekében. Öt külön IAM-szerep lett létrehozva minden egyes felhasználói személyhez.
A platform csapata a következő szerepeket használja:
- Platformtámogatási mérnök – Ez a szerepkör engedélyeket tartalmaz a szokásos üzleti feladatokhoz, valamint a környezet többi részének csak olvasható nézetét a platform figyeléséhez és hibakereséséhez.
- Platformjavító mérnök – Ez a szerepkör emelt szintű jogosultságokkal jött létre. Akkor használatos, ha olyan problémák merülnek fel a platformmal, amelyek kézi beavatkozást igényelnek. Ezt a szerepet csak jóváhagyott, időben korlátozott módon vállaljuk.
Az üzleti alkalmazásfejlesztő csapatoknak három különböző szerepük van:
- Műszaki vezető – Ezt a szerepet az alkalmazási csoport vezetőjének, gyakran vezető adattudósnak osztják ki. Ez a felhasználó jogosult az AWS szolgáltatáskatalógus-termékek üzembe helyezésére és kezelésére, kiadásokat indíthat el élesben, és áttekintheti a környezet állapotát, például AWS CodePipeline állapotok és naplók. Ennek a szerepkörnek nincs engedélye egy modell jóváhagyására a SageMaker modellnyilvántartásban.
- Fejlesztő – Ez a szerepkör a SageMaker Stúdióval dolgozó összes csapattagot megkapja, beleértve a mérnököket, adattudósokat és gyakran a csapatvezetőt is. Ez a szerepkör jogosult a Studio megnyitására, kód írására, valamint a SageMaker folyamatok futtatására és üzembe helyezésére. A műszaki vezetőhöz hasonlóan ennek a szerepkörnek sincs engedélye egy modell jóváhagyására a modellnyilvántartásban.
- Modell jóváhagyó – Ez a szerepkör korlátozott engedélyekkel rendelkezik a modellek megtekintésére, jóváhagyására és elutasítására a modellnyilvántartásban. Ennek az elválasztásnak az az oka, hogy megakadályozzák a modelleket készíteni és betanítani tudó felhasználókat abban, hogy jóváhagyják és kiadják saját modelleiket az eszkalált környezetekben.
A fejlesztők és a modelljóváhagyók számára külön Studio felhasználói profilok jönnek létre. A megoldás az IAM-házirend-utasítások és a SageMaker felhasználói profilcímkék kombinációját használja, így a felhasználók csak a felhasználói típusuknak megfelelő felhasználói profilt nyithatnak meg. Ez biztosítja, hogy a felhasználó a Studio IDE megnyitásakor a megfelelő SageMaker-végrehajtási IAM-szerepet (és ezáltal engedélyeket) kapja.
Önkiszolgáló üzembe helyezések AWS szolgáltatáskatalógussal
A végfelhasználók az AWS szolgáltatáskatalógust használják adattudományi infrastruktúra-termékek üzembe helyezésére, például a következőkre:
- Stúdió környezet
- Studio felhasználói profilok
- Modellezési csővezetékek
- Képzési csővezetékek
- Következtetési csővezetékek
- Felügyeleti és riasztási rendszer
A végfelhasználók ezeket a termékeket közvetlenül az AWS szolgáltatáskatalógus felhasználói felületén keresztül telepítik, ami azt jelenti, hogy kevésbé támaszkodnak a központi platform csapataira a kiépítési környezetekben. Ez jelentősen lecsökkentette azt az időt, amely alatt a felhasználók hozzáférhetnek az új felhőkörnyezetekhez, több napról néhány órára, ami végső soron jelentős javulást eredményezett az érték arányában. Az AWS szolgáltatáskatalógus termékeinek közös készletének használata támogatja a konzisztenciát a projekteken belül a vállalaton belül, és csökkenti az együttműködés és az újrahasználat akadályait.
Mivel az összes adattudományi infrastruktúra jelenleg az infrastruktúra-termékek központilag kidolgozott katalógusán keresztül kerül bevezetésre, gondosan ügyeltek arra, hogy ezeket a termékeket a biztonság szem előtt tartásával építsék ki. A szolgáltatások úgy lettek konfigurálva, hogy belül kommunikáljanak Amazon Virtual Private Cloud (Amazon VPC), így a forgalom ne haladja át a nyilvános internetet. Az adatok átvitel közben és használat közben is titkosítva vannak AWS kulcskezelési szolgáltatás (AWS KMS) billentyűket. Az IAM-szerepeket is úgy alakították ki, hogy kövessék a legkisebb kiváltság elvét.
Végül, az AWS szolgáltatáskatalógussal a platformcsapat egyszerűen képes folyamatosan új termékeket és szolgáltatásokat kiadni, amint azok elérhetővé válnak, vagy az üzleti alkalmazáscsapatok számára szükségessé válik. Ezek új infrastrukturális termékek formájában jelenhetnek meg, például lehetővé teszik a végfelhasználók számára, hogy sajátjukat telepítsék Amazon EMR fürtök vagy meglévő infrastruktúra-termékek frissítései. Mivel az AWS szolgáltatáskatalógus támogatja a termékverziót és használja AWS felhőképződés a színfalak mögött a helyben történő frissítések használhatók, amikor a meglévő termékek új verziói megjelennek. Ez lehetővé teszi a platformcsapatok számára, hogy a komplex frissítési folyamatok fejlesztése helyett a termékek építésére és fejlesztésére összpontosítsanak.
Integráció a NatWest meglévő IaC szoftverével
Az AWS szolgáltatáskatalógus önkiszolgáló adattudományi infrastruktúra-telepítésekhez használatos. Ezenkívül a NatWest szabványos infrastruktúra kódként (IaC) használt eszköze, a Terraform az AWS-fiókok infrastruktúrájának kiépítésére szolgál. A Terraformot a platformcsapatok a kezdeti fiókbeállítási folyamat során használják az előfeltételek infrastrukturális erőforrásainak, például VPC-k, biztonsági csoportok, AWS rendszermenedzser paraméterek, KMS-kulcsok és szabványos biztonsági vezérlők. A hub-fiók infrastruktúrája, például az AWS szolgáltatáskatalógus-portfóliói és a Docker-képfájlok létrehozásához használt erőforrások szintén a Terraform segítségével vannak meghatározva. Maguk az AWS-szolgáltatáskatalógus-termékek azonban szabványos CloudFormation-sablonokkal készülnek.
A fejlesztői termelékenység és a kódminőség javítása a SageMaker projektekkel
SageMaker projektek hozzáférést biztosít a fejlesztők és adattudósok számára a gyorsindító projektekhez a SageMaker Studio elhagyása nélkül. Ezek a gyorsindítási projektek lehetővé teszik több infrastrukturális erőforrás egyidejű telepítését, mindössze néhány kattintással. Ezek közé tartozik a Git adattár, amely szabványos projektsablont tartalmaz a kiválasztott modelltípushoz, Amazon egyszerű tárolási szolgáltatás (Amazon S3) tárolók az adatok, a soros modellek és műtermékek, valamint a modell betanítási és következtetési CodePipeline folyamatok tárolására.
A szabványos kódbázis-architektúrák és -eszközök bevezetése megkönnyíti az adatkutatók és mérnökök számára a projektek közötti váltást, és biztosítják, hogy a kód minősége továbbra is magas maradjon. Például a szoftverfejlesztés bevált gyakorlatai, mint például a szöszölés- és formázásellenőrzések (automatikus ellenőrzésként és a véglegesítés előtti hook-ként is futnak), az egységtesztek és a lefedettségi jelentések ma már automatizáltak a képzési folyamatok részeként, szabványosítást biztosítva minden projektben. Ez javította az ML-projektek karbantarthatóságát, és megkönnyíti ezeknek a projekteknek a termelésbe helyezését.
Modelltelepítések automatizálása
A modell betanítási folyamatát a SageMaker Pipelines segítségével irányítják. A modellek betanítása után a SageMaker modellnyilvántartásában tárolódnak. A modell-jóváhagyói szerepkörhöz rendelt felhasználók megnyithatják a modellnyilvántartást, és megtalálhatják a betanítási folyamattal kapcsolatos információkat, például a modell betanításának időpontját, a hiperparaméterértékeket és az értékelési metrikákat. Ez az információ segít a felhasználónak eldönteni, hogy jóváhagyja vagy elutasítja a modellt. A modell elutasítása megakadályozza a modell telepítését egy kiterjesztett környezetben, míg a modell jóváhagyása egy modell promóciós folyamatot indít el a CodePipeline-on keresztül, amely automatikusan átmásolja a modellt a gyártás előtti AWS-fiókba, és készen áll a következtetési munkaterhelés tesztelésére. Miután a csapat megerősítette, hogy a modell megfelelően működik az előgyártás során, jóváhagyásra kerül egy manuális lépés ugyanabban a folyamatban, és a modell automatikusan átmásolódik az éles fiókba, és készen áll a gyártási munkaterhelések megállapítására.
Eredmények
A NatWest és az AWS közötti együttműködési projekt egyik fő célja az volt, hogy lerövidítse az adattudományi felhőkörnyezetek és ML-modellek termelésben történő létrehozásához és üzembe helyezéséhez szükséges időt. Ezt sikerült elérni – a NatWest mostantól néhány óra alatt képes új, méretezhető és biztonságos AWS-környezetet biztosítani, szemben a napokkal vagy akár hetekkel. Az adattudósok és mérnökök immár önállóan telepíthetik és kezelhetik az adattudományi infrastruktúrát az AWS szolgáltatáskatalógus segítségével, csökkentve ezzel a központosított platformcsoportoktól való függést. Ezenkívül a SageMaker projektek segítségével a felhasználók perceken belül megkezdhetik a modellek kódolását és betanítását, miközben szabványos projektstruktúrákat és eszközöket is biztosítanak.
Mivel az AWS szolgáltatáskatalógus az adattudományi infrastruktúra telepítésének központi módszere, a platform a jövőben könnyen bővíthető és frissíthető. Az új AWS-szolgáltatások gyorsan felkínálhatók a végfelhasználóknak, ha szükséges, a meglévő AWS-szolgáltatáskatalógus-termékek pedig frissíthetők a helyükön, hogy kihasználják az új funkciók előnyeit.
Végül, az AWS-en a felügyelt szolgáltatások felé való elmozdulás azt jelenti, hogy a számítási erőforrásokat igény szerint biztosítják és leállítják. Ez költségmegtakarítást és rugalmasságot biztosított, ugyanakkor igazodik a A NatWest azon törekvése, hogy 2050-re nettó nulla legyen a becslések szerint 75%-os CO-csökkenés miatt2 kibocsátás.
Következtetés
A felhőalapú stratégia elfogadása a NatWest Groupnál egy robusztus AWS-megoldás létrehozásához vezetett, amely számos üzleti alkalmazási csapatot képes támogatni a szervezetben. Az infrastruktúra AWS szolgáltatáskatalógussal történő kezelése jelentősen javította a felhőbe való beépítési folyamatot azáltal, hogy biztonságos, megfelelő és előzetesen jóváhagyott infrastruktúra-építőelemeket használ, amelyek könnyen bővíthetők. A felügyelt SageMaker infrastruktúra-összetevők javították a modellfejlesztési folyamatot és felgyorsították az ML projektek megvalósítását.
Ha többet szeretne megtudni a NatWest Group gyártásra kész ML modellek felépítésének folyamatáról, tekintse meg a NatWest Group és az AWS Professional Services közötti stratégiai együttműködésről szóló négyrészes sorozat többi részét:
- rész 1 elmagyarázza, hogy a NatWest Group hogyan működött együtt az AWS Professional Services-szel egy méretezhető, biztonságos és fenntartható MLOps platform felépítésében
- rész 3 áttekintést nyújt arról, hogy a NatWest Group hogyan használja a SageMaker szolgáltatásokat auditálható, reprodukálható és magyarázható ML modellek felépítéséhez
- rész 4 részletezi, hogy a NatWest adattudományi csapatai miként migrálják meglévő modelleiket SageMaker architektúrákra
A szerzőkről
Junaid Baba a DevOps tanácsadó a címen AWS professzionális szolgáltatások A Kubernetes, az elosztott számítástechnika, az AI/MLOps terén szerzett tapasztalatait felhasználja az Egyesült Királyság pénzügyi szolgáltatási ágazatának ügyfelei felgyorsított felhőalapú bevezetésére. A Junaid 2018 júniusa óta dolgozik az AWS-nél. Ezt megelőzően a Junaid számos induló pénzügyi vállalkozással dolgozott a DevOps gyakorlatok irányításával. A munkán kívül érdekli a trekking, a modern művészet és a fényképezés.
Yordanka Ivanova a NatWest Group adatmérnöke. Tapasztalattal rendelkezik adatmegoldások építésében és szállításában a pénzügyi szolgáltatási ágazatban tevékenykedő vállalatok számára. Mielőtt csatlakozott a NatWesthez, Yordanka műszaki tanácsadóként dolgozott, ahol tapasztalatot szerzett a felhőszolgáltatások és a nyílt forráskódú technológiák széles skálájának kihasználásában, hogy üzleti eredményeket érjen el több felhőplatformon. Szabadidejében Yordanka szeret edzeni, utazik és gitározik.
Michael England szoftvermérnök a NatWest Group adattudományi és innovációs csapatában. Szenvedélyesen foglalkozik megoldások fejlesztésével a nagyszabású gépi tanulási feladatok felhőben történő futtatására. Mielőtt csatlakozott a NatWest Grouphoz, Michael olyan szoftvermérnöki csapatokban dolgozott, amelyek kritikus alkalmazásokat fejlesztettek ki a pénzügyi szolgáltatásokban és az utazási ágazatban. Szabadidejében szívesen gitározik, utazik és kerékpáron fedezi fel a vidéket.
- Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
- CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
- Forrás: https://aws.amazon.com/blogs/machine-learning/part-2-how-natwest-group-built-a-secure-compliant-self-service-mlops-platform-using-aws-service- katalógus és amazon-zsályakészítő/
- "
- 100
- Rólunk
- felgyorsult
- gyorsuló
- hozzáférés
- Fiók
- át
- mellett
- További
- Örökbefogadás
- Előny
- Minden termék
- amazon
- között
- összeg
- Összegek
- elemzés
- analitika
- Alkalmazás
- alkalmazások
- megközelítés
- jóváhagy
- építészet
- Művészet
- kijelölt
- könyvvizsgálat
- Hitelesítés
- Automatizált
- Automatizálás
- Automatizálás és szabványosítás
- elérhető
- AWS
- Bank
- válik
- a színfalak mögött
- hogy
- haszon
- Előnyök
- BEST
- legjobb gyakorlatok
- épít
- Épület
- üzleti
- szén
- ami
- központosított
- kihívás
- kihívások
- Ellenőrzések
- felhő
- Felhő platform
- felhő szolgáltatások
- kód
- Kódolás
- együttműködés
- kombináció
- Közös
- Companies
- vállalat
- képest
- bonyolult
- teljesítés
- engedékeny
- összetevő
- Kiszámít
- számítástechnika
- Configuration
- kapcsolatok
- szaktanácsadó
- Konténer
- Konténerek
- tartalmaz
- tartalom
- folyamatosan
- ellenőrzés
- készítette
- létrehozása
- teremtés
- kritikai
- szokás
- Ügyfelek
- dátum
- adatelemzés
- adat-tudomány
- adattudós
- szállított
- átadó
- kézbesítés
- Kereslet
- igények
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevetések
- leírt
- tervek
- részlet
- részletek
- fejlett
- Fejlesztő
- fejlesztők
- fejlesztése
- Fejlesztés
- különböző
- nehéz
- digitális
- közvetlenül
- megosztott
- elosztott számítástechnika
- Dokkmunkás
- Nem
- le-
- vezetés
- könnyen
- hatékony
- erőfeszítések
- Bonyolult
- lehetővé
- Endpoint
- mérnök
- Mérnöki
- Mérnökök
- Vállalkozás
- Környezet
- becsült
- értékelés
- fejlődik
- példa
- végrehajtás
- létező
- tapasztalat
- Funkció
- Jellemzők
- Visszacsatolás
- pénzügyi
- pénzügyi szolgáltatások
- vezetéknév
- Rögzít
- Rugalmasság
- Összpontosít
- következik
- következő
- Lábnyom
- forma
- Keretrendszer
- funkcionalitás
- jövő
- megy
- kormányzás
- Csoport
- Csoportok
- Útmutatók
- boldog
- segít
- segít
- Magas
- Hogyan
- HTTPS
- Identitás
- végrehajtás
- javított
- tartalmaz
- beleértve
- magában foglalja a
- <p></p>
- iparágak
- ipar
- információ
- Infrastruktúra
- Innováció
- újító
- Intézmény
- integrálni
- integrált
- érdekek
- Felület
- Internet
- részt
- kérdések
- IT
- Állások
- Kulcs
- kulcsok
- tudás
- nagy
- legutolsó
- vezet
- TANUL
- tanulás
- Led
- kihasználja
- erőfölény
- könyvtár
- Korlátozott
- vonal
- Összekapcsolása
- helyi
- gép
- gépi tanulás
- készült
- fontos
- KÉSZÍT
- kezelése
- sikerült
- vezetés
- kezelése
- mód
- kézikönyv
- Anyag
- érettség
- jelenti
- Partnerek
- Metrics
- millió
- bánja
- ML
- modell
- modellek
- ellenőrzés
- hónap
- több
- mozog
- mozgó
- többszörös
- nevek
- hálózatba
- Új funkciók
- Új platform
- új termék
- új termékek
- szám
- felajánlott
- Nem elérhető
- Beszállás
- online
- nyitva
- Művelet
- Optimalizálja
- szervezet
- Más
- átfogó
- saját
- különös
- társult
- szenvedélyes
- Mintás
- teljesítmény
- fényképezés
- pilóta
- emelvény
- Platformok
- játék
- Politikák
- politika
- portfolió
- portfóliók
- alapelv
- magán
- Saját kulcsok
- folyamat
- Folyamatok
- Termékek
- Termelés
- termelékenység
- Termékek
- szakmai
- profil
- Profilok
- program
- projektek
- előléptetés
- ad
- biztosít
- amely
- nyilvános
- világítás
- Quick
- gyorsan
- Olvasás
- csökkenteni
- csökkentő
- szabályozók
- kapcsolat
- engedje
- felszabaduló
- Releases
- bizalom
- Jelentések
- raktár
- szükség
- kötelező
- követelmények
- forrás
- Tudástár
- REST
- Eredmények
- Kritika
- Útvonal
- futás
- futás
- skálázhatóság
- skálázható
- Skála
- jelenetek
- Tudomány
- Tudós
- tudósok
- sdk
- biztonság
- biztonság
- kiválasztott
- Series of
- szolgáltatás
- Szolgáltatások
- készlet
- felépítés
- Megosztás
- megosztott
- jelentős
- Hasonlóképpen
- Egyszerű
- So
- szoftver
- Software Engineer
- szoftverfejlesztés
- megoldások
- Megoldások
- költ
- Stabilitás
- verem
- standard
- induló
- kezdődött
- Állami
- nyilatkozatok
- Állapot
- tárolás
- Stratégiai
- Stratégia
- stúdió
- támogatás
- Támogatja
- fenntartható
- rendszer
- Systems
- feladatok
- csapat
- Műszaki
- Technologies
- Technológia
- sablonok
- teszt
- Tesztelés
- tesztek
- az ízület
- téma
- ebből adódóan
- Keresztül
- idő
- szerszám
- felé
- Csomagkövetés
- forgalom
- Képzések
- Átalakítás
- Átalakítás
- tranzit
- utazás
- Utazó
- Bízzon
- ui
- Uk
- Frissítés
- használ
- Felhasználók
- hasznosít
- kihasználva
- fajta
- Megnézem
- Tényleges
- láthatóság
- web-alapú
- vajon
- míg
- WHO
- belül
- nélkül
- Munka
- dolgozott
- dolgozó
- edzeni
- művek
- világ