Az AWS felhőtechnológiának a NatWest Groupnál történő elfogadása azt jelenti, hogy a gépi tanulási (ML) munkaterhelésünket egy robusztusabb és skálázhatóbb megoldásra helyezzük át, miközben csökkentjük az élettartamunkat, hogy a legjobb termékeket és szolgáltatásokat nyújthassuk ügyfeleink számára.
Ebben a felhőalapú bevezetési folyamatban a Customer Lifetime Value (CLV) modellt választottuk az AWS-re való migrációhoz. A modell lehetővé teszi, hogy jobban megértsük ügyfeleinket, és személyre szabott megoldásokat kínáljunk. A CLV-modell egy sor különálló ML-modellből áll, amelyeket egyetlen csővezetékbe egyesítenek. Ehhez méretezhető megoldásra van szükség, tekintettel a feldolgozott adatok mennyiségére.
Ez az utolsó bejegyzés egy négy részes sorozatban, amely részletezi, hogyan NatWest Csoport társult AWS professzionális szolgáltatások méretezhető, biztonságos és fenntartható MLOps platform felépítéséhez. Ez a bejegyzés ML mérnököknek, adattudósoknak és C-suites vezetőknek szól, akik szeretnék megérteni, hogyan lehet komplex megoldásokat felépíteni Amazon SageMaker. A platform rugalmasságát bizonyítja azáltal, hogy bemutatja, hogyan lehet gyorsan és megismételhetően megvalósítani egy összetett, méretezhető használati esetet néhány kezdő kódsablon segítségével.
Olvassa el a teljes sorozatot:
|
Kihívások
A NatWest Group azon küldetése, hogy ügyfeleit örömet szerezzen, miközben megfeleljen a szabályozási kötelezettségeknek, és az AWS-szel együttműködve egy szabványos és biztonságos megoldást hoz létre az ML munkaterhelések megvalósítására és gyártására. A szervezet korábbi megvalósításai adatsilókhoz és hosszú átfutási időkhöz vezettek a környezetek fel- és lefutásához. Ez a számítási erőforrások kihasználatlanságához is vezetett. Ennek javítása érdekében az AWS és a NatWest együttműködve ML projekt- és környezetsablonok sorozatát fejlesztette ki AWS-szolgáltatásokat használva.
A NatWest Group az ML segítségével új betekintést nyer, hogy előre jelezhessük és alkalmazkodhassunk ügyfeleink jövőbeli banki igényeihez a bank lakossági, vagyoni és kereskedelmi tevékenységei során. A modell kidolgozásakor és éles üzembe helyezésekor számos szempontot figyelembe kell venni a banki szabványoknak való megfelelés érdekében. Ide tartoznak a modell magyarázhatóságára, torzítására, adatminőségére és az eltolódás figyelésére vonatkozó követelmények. Az együttműködés során kifejlesztett sablonok olyan funkciókat tartalmaznak, amelyekkel értékelni lehet ezeket a pontokat, és most a NatWest csapatai arra használják őket, hogy a SageMaker segítségével biztonságos, többfiókos beállításban beépítsék és gyártásba hozzák használati eseteiket.
A sablonok szabványokat ágyaznak be a termelésre kész ML-munkafolyamatokhoz az AWS legjobb gyakorlatainak beépítésével a SageMaker MLOps képességeit használva. Tartalmaznak egy sor önkiszolgáló, biztonságos, több fiókos infrastruktúra-telepítést is az AWS ML szolgáltatásokhoz és adatszolgáltatásokhoz Amazon egyszerű tárolási szolgáltatás (Amazon S3).
A sablonok segítenek a NatWest-en belüli esetcsapatok használatában a következőkben:
- A NatWest MLOps lejárati modelljének megfelelő képességek kiépítése
- Valósítsa meg az AWS legjobb gyakorlatait az MLOps-képességekhez a SageMaker szolgáltatásokban
- Hozzon létre és használjon sablonos szabványokat a termelésre alkalmas ML munkafolyamatok fejlesztéséhez
- Önkiszolgáló, biztonságos infrastruktúra-telepítés biztosítása az AWS ML-szolgáltatásokhoz
- Csökkentse a környezetek fel- és lefutásának idejét a felügyelt megközelítést használó projekteknél
- Csökkentse a karbantartási költségeket a folyamatok szabványosítása, az automatizálás és az igény szerinti számítások révén
- Kód gyártása, amely lehetővé teszi a meglévő modellek migrációját, ahol a kód funkcionálisan le van bontva az igény szerinti felhőarchitektúrák előnyeinek kihasználása érdekében, miközben javítja a kód olvashatóságát és eltávolítja a technikai adósságokat
- Folyamatos integráció, üzembe helyezés és képzés a koncepció bizonyításához (PoC) és a használati esetek fejlesztéséhez, valamint további MLOps funkciók engedélyezése (modellfigyelés, magyarázhatóság és állapotlépések)
A következő szakaszok azt tárgyalják, hogyan használja a NatWest ezeket a sablonokat a meglévő projektek áttelepítésére vagy új projektek létrehozására.
Egyedi SageMaker sablonok és architektúra
A NatWest és az AWS egyéni projektsablonokat épített a meglévő SageMaker projektsablonok képességeivel, és integrálta ezeket infrastruktúra-sablonokkal a termelési környezetekben való üzembe helyezéshez. Ez a beállítás már tartalmaz példafolyamatokat a betanításhoz és a következtetésekhez, és lehetővé teszi a NatWest-felhasználók számára, hogy azonnal használják a többfiókos telepítést.
A többfiókos beállítás biztonságosan tartja a fejlesztői környezeteket, miközben lehetővé teszi a tesztelést egy éles környezetben. Ez lehetővé teszi a projektcsapatok számára, hogy az ML munkaterhelésre összpontosítsanak. A projektsablonok gondoskodnak az infrastruktúráról, az erőforrás-ellátásról, a biztonságról, az auditálhatóságról, a reprodukálhatóságról és a magyarázhatóságról. Rugalmasságot is lehetővé tesznek, így a felhasználók a sajátos használati eset követelményei alapján bővíthetik a sablont.
Megoldás áttekintése
Ahhoz, hogy a NatWest használati esetei csapataként elkezdhess dolgozni, a következő lépésekre van szükség a NatWest által készített és a következőn keresztül biztosított sablonok alapján: AWS szolgáltatáskatalógus:
- A projekt tulajdonosa új AWS-fiókokat hoz létre, az üzemeltetési csapat pedig beállítja az MLOps előfeltétel infrastruktúráját ezekhez az új fiókokhoz.
- A projekt tulajdonosa létrehoz egy Amazon SageMaker Studio adattudományi környezet az AWS szolgáltatáskatalógus használatával.
- Az adattudós vezető új projektet indít, és létrehozza a SageMaker Studio-felhasználókat az AWS szolgáltatáskatalógusban található sablonok segítségével.
- A projektcsapat dolgozik a projekten, frissítve a sablon mappaszerkezetét, hogy segítse a használatukat.
A következő ábra bemutatja, hogyan adaptáltuk a sablon architektúrát a CLV használati eseteink igényeihez. Bemutatja, hogyan fejlesztenek és futnak több képzési folyamat egy fejlesztői környezetben. A telepített modellek ezután tesztelhetők és élesíthetők a gyártás előtti és gyártási környezetben.
A CLV modell különböző modellek sorozata, amely különböző fa alapú modelleket és egy következtetési beállítást foglal magában, amely egyesíti az ezekből származó összes kimenetet. Az ebben az ML-munkaterhelésben használt adatok különböző forrásokból származnak, és több mint félmilliárd sort és közel 1,900 funkciót tesznek ki. Az összes helyszíni feldolgozási, jellemzőtervezési, modellképzési és következtetési feladatot PySpark vagy Python segítségével végezték el.
SageMaker folyamatsablonok
A CLV több modellből áll, amelyek egymás után épülnek fel. Mindegyik modell beépül a másikba, ezért mindegyikhez külön oktatási folyamatra van szükségünk. Amazon SageMaker csővezetékek lehetővé teszi több modell betanítását és regisztrálását a SageMaker modellnyilvántartás segítségével. Minden egyes folyamat esetében a meglévő NatWest-kódot átalakítottuk, hogy illeszkedjen a SageMaker Pipelines-be, miközben a feldolgozás, a funkciótervezés és a modellképzés logikai összetevői változatlanok maradtak.
Ezen túlmenően a modellek egymás utáni következtetés végrehajtására történő alkalmazására szolgáló kódot egy, a következtetések levonására szolgáló folyamattá alakították át. Ezért a használati eset több betanítási folyamatot igényelt, de csak egy következtetési folyamatot.
Minden képzési folyamat egy ML-modell létrehozását eredményezi. A modell üzembe helyezéséhez a modell jóváhagyójának jóváhagyása szükséges (a NatWestben az ML használati esetekhez meghatározott szerepkör). Az üzembe helyezés után a modell elérhető a SageMaker következtetési folyamat. A következtetési folyamat sorban alkalmazza a betanított modelleket az új adatokra. Ezt a következtetést kötegekben hajtják végre, és az előrejelzéseket egyesítik, hogy megkapják az egyes ügyfelek végső ügyfél-élettartam-értékét.
A sablon egy szabványos MLOps példát tartalmaz a következő lépésekkel:
- PySpark feldolgozás
- Adatminőség-ellenőrzés és adatelfogultság-ellenőrzés
- Modellképzés
- Állapot
- Modell létrehozása
- Modell nyilvántartás
- Átalakítás
- Modell torzítás ellenőrzése, magyarázhatóság ellenőrzése és minőségellenőrzés
Ezt a folyamatot részletesebben a 3. rész ismerteti: Hogyan épített a NatWest Group hallható, reprodukálható és magyarázható ML modelleket az Amazon SageMakerrel.
A következő ábra a sablon által biztosított példafolyamat kialakítását mutatja be.
Az adatok előfeldolgozása és felosztása betanítási, tesztelési és érvényesítési készletekre (Feldolgozási lépés) a modell betanítása előtt (Training). A modell üzembe helyezése után (Modell létrehozása) kötegelt előrejelzések létrehozására szolgál (Transform). Az előrejelzések ezután utófeldolgozásra kerülnek, és az Amazon S3-ban (feldolgozás) tárolódnak.
Az adatminőség- és adattorzítás-ellenőrzések alapinformációt nyújtanak a képzéshez használt adatokról. A modell torzítása, magyarázhatósága és minőségellenőrzése a tesztadatokra vonatkozó előrejelzéseket használ a modell viselkedésének további vizsgálatához. Ezek az információk, valamint a modellértékelésből (feldolgozás) származó modellmetrikák később megjelennek a modellnyilvántartásban. A modell csak akkor kerül bejegyzésre, ha egy bizonyos feltétel teljesül a korábbi legjobb modellekkel kapcsolatban (Feltétel lépés).
A folyamat futtatásakor létrehozott összes mellékterméket és adatkészletet a rendszer az Amazon S3-ba menti a sablon kiépítésekor automatikusan létrehozott gyűjtőhelyek segítségével.
A csővezetékek testreszabása
Testre kellett szabnunk a sablont, hogy biztosítsuk a meglévő kódbázis logikai összetevőinek áttelepítését.
Mi használtuk a LightGBM modelljeink felépítésében. Az ebben a használati esetben épített modellek közül az első egy egyszerű döntési fa, amely bizonyos jellemzőfelosztásokat kényszerít ki a modell betanítása során. Továbbá egy adott jellemző alapján felosztjuk az adatokat. Ez az eljárás hatékonyan két külön döntési fa modell képzését eredményezte.
A fák segítségével kétféle előrejelzést alkalmazhatunk: érték és levél. Esetünkben a tesztkészleten az értékelőrejelzéseket használjuk az egyéni metrikák kiszámításához a modellértékeléshez, a levél-előrejelzést pedig a következtetéshez.
Ezért specifikációkat kellett hozzáadnunk a sablon által biztosított képzési és következtetési folyamathoz. A használati esetmodell által biztosított összetettség figyelembe vétele, valamint a sablon rugalmasságának bemutatása érdekében további lépéseket adtunk a folyamathoz, és testreszabtuk a lépéseket a szükséges kód alkalmazásához.
A következő ábra a frissített sablonunkat mutatja be. Azt is bemutatja, hogyan lehet annyi telepített modellel rendelkezni, amennyire szüksége van, amelyeket átadhat a következtetési folyamatnak.
Első modellünk az üzleti ismereteket kényszeríti ki, és egy adott jellemzőre osztja fel az adatokat. Ehhez a képzési folyamathoz két különböző LightGBM-modellt kellett regisztrálnunk minden adatkészlethez.
A képzés lépései szinte azonosak voltak. Ezért minden lépést kétszer hajtottak végre minden adatfelosztásnál a szabványos sablonhoz képest – az első feldolgozási lépések kivételével. Egy második feldolgozási lépést alkalmaznak az egyedi adatkészletekkel rendelkező különböző modellek kiszolgálására.
A következő részekben részletesebben tárgyaljuk a testreszabott lépéseket.
Feldolgozás
Minden feldolgozási lépés egy processzorpéldánnyal rendelkezik, amely kezeli a SageMaker feldolgozási feladatokat. Ez a használati eset kétféle processzort használ a Python kód futtatásához:
- PySpark processzor – Minden PySpark processzorral rendelkező feldolgozási feladat saját Spark-konfigurációkészletét használja a feladat optimalizálásához.
- Script processzor – A használati esetből származó meglévő Python-kódot használjuk egyéni metrikák létrehozására az előrejelzések és a megadott tényleges adatok alapján, és formázzuk a kimenetet, hogy később megtekinthető legyen a modellnyilvántartásban (JSON). A sablon által létrehozott egyedi képet használunk.
Minden esetben módosíthatjuk a példány típusát, példányszámát és méretét GB-ban Amazon Elastic Block Store (Amazon EBS) hangerőt, hogy igazodjon a képzési folyamat igényeihez. Ezen kívül alkalmazzuk a sablon által létrehozott egyedi tárolóképeket, és szükség esetén bővíthetjük az alapértelmezett könyvtárakat.
Modellképzés
SageMaker képzési lépések támogatja a felügyelt képzést és következtetéseket számos ML keretrendszerhez. Esetünkben a egyedi Scikit-lear kép az Amazon ECR és a Scikit-learn becslő hogy betanítsuk a két LightGBM modellünket.
A döntési fa modell korábbi tervezése egyéni osztályt tartalmazott, amely bonyolult volt, és le kellett egyszerűsíteni úgy, hogy külön döntési fákat illesztettek az adatok szűrt szeleteire. Ezt úgy értük el, hogy két betanítási lépést valósítottunk meg, minden modellhez eltérő paraméter- és adatbevitellel.
Állapot
Feltételes lépések a SageMaker Pipelines támogatja a feltételes elágazást a lépések futtatásakor. Ha a feltétellista összes feltétele igaz, akkor az „if” lépések futtatásra késznek vannak jelölve. Ellenkező esetben az „egyéb” lépések futtatásra készként vannak megjelölve. A mi használati esetünkben két feltétellépést (ConditionLessThan) használunk annak meghatározására, hogy az egyes modellek aktuális egyéni metrikái (például egy tesztkészleten számított átlagos abszolút hiba) a teljesítményküszöb alatt vannak-e. Így csak akkor regisztrálunk modelleket, ha a modell minősége elfogadható.
Modell létrehozása
A modelllépés létrehozása segít a modellek elérhetővé tételében a következtetési feladatokhoz, és örökli az előrejelzések létrehozásához használandó kódot is. Mivel a használati esetünknek két különböző modellhez van szüksége érték- és levélelőrejelzésekre, a betanítási folyamatoknak négy különböző modell létrehozási lépése van.
Minden lépés kap egy belépési pont fájlt attól függően, hogy az egymást követő átalakítási lépés egy levél vagy egy érték előrejelzése az adott adatokon.
Átalakítás
Minden átalakulási lépés modellt használ (amelyet a modell létrehozása lépés hozta létre) az előrejelzések visszaadásához. Esetünkben minden létrehozott modellhez van egy, ami összesen négy átalakítási lépést eredményez. Ezen lépések mindegyike levél- vagy értékelőrejelzést ad vissza az egyes modellekhez. A kimenet a folyamat következő lépésétől függően testreszabható. Például egy átalakítási lépés érték-előrejelzésekhez különböző kimeneti szűrőkkel rendelkezik, hogy létrehozzon egy adott bemenetet, amely a folyamat következő modellellenőrzési lépéseihez szükséges.
Modell nyilvántartás
Végül a képzési folyamaton belüli mindkét modellágnak van egy egyedisége modell regisztrációs lépése. A szabványos beállításhoz hasonlóan a modell-nyilvántartási lépések mindegyike átveszi a modellspecifikus információkat az összes ellenőrzési lépésből (minőség, magyarázhatóság és torzítás), valamint egyéni metrikákat és modellműtermékeket. Minden modell egyedileg van regisztrálva modell csomagcsoport.
Miközben a használati esetspecifikus változtatásokat alkalmazta a példakódbázison, a folyamatok a gyorsítótár-konfigurációk használatával futottak minden folyamatlépéshez a hibakeresési élmény javítása érdekében. A gyorsítótárazási lépések hasznosak a SageMaker folyamatok fejlesztésekor, mert csökkenti a költségeket és időt takarít meg a folyamatok tesztelésekor.
Az egyes példányok típusát és számát (és adott esetben EBS-kötetet) igénylő lépések beállításait az igény szerinti példányokhoz a használati esetek igényei szerint optimalizálhatjuk.
Előnyök
Az AWS-NatWest együttműködés innovációt hozott az ML modellek megvalósításában a SageMaker folyamatokon és az MLOps legjobb gyakorlatain keresztül. A NatWest Group mostantól szabványos és biztonságos megoldást használ az ML-munkaterhelések AWS-en való megvalósítására és termelésére, rugalmas egyéni sablonok segítségével. Ezenkívül az ebben a bejegyzésben részletezett modell-migráció számos azonnali és folyamatos üzleti előnnyel járt.
Először is csökkentettük a bonyolultságot szabványosítással:
- Egyedi, harmadik féltől származó modelleket integrálhatunk a SageMakerbe rendkívül moduláris módon, hogy újrafelhasználható megoldást készítsünk
- Nem szabványos folyamatokat is készíthetünk sablonok segítségével, és ezeket a sablonokat szabványos MLOps termelési környezet támogatja
A szoftver- és infrastruktúrafejlesztésben a következő előnyöket láttuk:
- A sablonokat egyedi felhasználási esetek alapján tudjuk testre szabni
- Az eredeti modellkód funkcionális lebontása és újrafeldolgozása lehetővé teszi számunkra, hogy újratervezzük, eltávolítsuk a régebbi kód által okozott jelentős technikai tartozást, és áthelyezzük a folyamatainkat egy felügyelt, igény szerinti végrehajtási környezetbe.
- A szabványos sablonokon keresztül elérhető hozzáadott képességeket használhatjuk a modell magyarázhatóságának frissítésére és szabványosítására, valamint az adatok és a modell minőségének és torzításának ellenőrzésére.
- A NatWest projektcsapat képes környezeteket biztosítani, modelleket implementálni és modelleket gyártani szinte teljesen önkiszolgáló környezetben.
Végül jobb termelékenységet és alacsonyabb karbantartási költséget értünk el:
- Csökkentett életidő az ML projekteknél – Mostantól olyan általános sablonokkal indíthatunk projekteket, amelyek kódszabványokat, egységteszteket és CI/CD-folyamatokat valósítanak meg a gyártásra kész felhasználási esetek fejlesztéséhez a projekt kezdetétől. Az új szabványosítás azt jelenti, hogy rövidebb időre számíthatunk a jövőbeni felhasználási esetek fedélzetén.
- Csökkentett költség az ML-munkafolyamatok felhőben történő futtatásához – Mostantól adatfeldolgozási és ML-munkafolyamatokat futtathatunk menedzselt architektúrával, és szabványosított sablonok segítségével adaptálhatjuk az alapul szolgáló infrastruktúrát az esetkövetelményekhez.
- Fokozott együttműködés a projektcsapatok között – A modellek szabványosított fejlesztése azt jelenti, hogy növeltük az egyes csapatok által fejlesztett modellfunkciók újrafelhasználhatóságát. Ez lehetőséget teremt a folyamatos fejlesztési stratégiák megvalósítására mind a fejlesztésben, mind a működésben.
- Határtalan szállítás – Ez a megoldás lehetővé teszi, hogy rugalmas on-demand infrastruktúránkat a hét minden napján, 24 órában elérhetővé tegyük.
- Folyamatos integráció, szállítás és tesztelés – A fejlesztés befejezése és a termelés rendelkezésre állása közötti rövidebb üzembe helyezési idő a következő előnyökkel jár:
- Optimalizálhatjuk infrastruktúránk és szoftverünk konfigurációját a modelltanításhoz és a következtetések futtatásához.
- A folyamatos karbantartási költségek csökkennek a folyamatok szabványosítása, az automatizálás és az igény szerinti számítások miatt. Ezért a termelésben csak havonta egyszer merülnek fel futási költségek az átképzés és a következtetés során.
Következtetés
A SageMakerrel és az AWS innovációs vezetőinek segítségével a NatWest egy ML termelékenységi erényes kört hozott létre. A sablonok, a moduláris és újrafelhasználható kód, valamint a szabványosítás felszabadította a projektcsapatot a meglévő szállítási korlátok alól. Ezenkívül az MLOps automatizálás felszabadította a támogatási erőfeszítéseket, hogy a csapat más felhasználási eseteken és projekteken dolgozhasson, vagy javítsa a meglévő modelleket és folyamatokat.
Ez a negyedik bejegyzés a NatWest Group és az AWS Professional Services közötti stratégiai együttműködésről szóló négyrészes sorozatban. Tekintse meg a sorozat többi részét a következő témákhoz:
- rész 1 elmagyarázza, hogy a NatWest Group hogyan működött együtt az AWS Professional Services-szel egy méretezhető, biztonságos és fenntartható MLOps platform felépítésében
- rész 2 leírja, hogy a NatWest Group hogyan használta az AWS szolgáltatáskatalógust és a SageMaker-t kompatibilis és önkiszolgáló MLOps platformjának üzembe helyezéséhez
- rész 3 áttekintést nyújt arról, hogy a NatWest Group hogyan használja a SageMaker szolgáltatásokat auditálható, reprodukálható és magyarázható ML modellek felépítéséhez
A szerzőkről
Pauline Ting az AWS Professional Services csapatának adatkutatója. Támogatja a pénzügyi, valamint a sport- és médiaipar ügyfeleit abban, hogy AI/ML megoldások fejlesztésével elérjék és felgyorsítsák üzleti eredményeiket. Szabadidejében Pauline szívesen utazik, szörföz, és új desszert helyeket próbál ki.
Maren Suilmann az AWS Professional Services adattudósa. A különböző iparágakban működő ügyfelekkel dolgozik, hogy feltárja az AI/ML erejét üzleti eredményeik elérésében. Szabadidejében szeret kickboxozni, kirándulni a gyönyörű kilátásokhoz és társasjáték estéket tölteni.
Craig Sim a NatWest Group vezető adattudósa, aki szenvedélyesen foglalkozik az adattudományi kutatásokkal, különösen a gráfgépi tanulási tartományban, valamint a modellfejlesztési folyamatok optimalizálásával az MLOps legjobb gyakorlatait alkalmazva. Craig emellett széleskörű tapasztalattal rendelkezik a pénzügyi szolgáltatásokon belüli szoftverfejlesztés és műszaki programmenedzsment terén. Craig okleveles adattudományból, PGDip szoftvermérnöki diplomával és BEng (Hons) diplomával gépész- és villamosmérnöki szakon. A munkán kívül Craig lelkes golfozó, aki junior és senior megyei szinten is játszott. Craig szerencsésnek bizonyult, hogy a PGA European Tour and World Golf Rankings szervezettel együttműködve az MSc Data Science szakdolgozat elkészítésében integrálni tudta golf iránti érdeklődését az adattudományba. Craig emellett teniszezni és síelni is szeret, házas, három gyermek édesapja, akik már felnőttek.
Shoaib Khan a NatWest Group adattudósa. Szenvedélyesen törekszik az üzleti problémák megoldására, különösen az ügyfelek élettartam-értéke és az árképzés területén, az MLOps legjobb gyakorlatait alkalmazva. Jól felszerelt egy nagy gépi tanulási kódbázis kezeléséhez, és mindig izgatottan várja az új eszközök és csomagok tesztelését. Szeret másokat tanítani maga körül, mivel a convergeML nevű YouTube-csatornát üzemelteti. Szabadidejében szívesen sétál és utazik.
- 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-4-how-natwest-group-migrated-ml-models-to-amazon-sagemaker-architectures/
- "
- &
- 100
- Abszolút
- gyorsuló
- Szerint
- Fiók
- elért
- át
- mellett
- További
- Örökbefogadás
- Előny
- Minden termék
- lehetővé téve
- már
- amazon
- összeg
- Összegek
- Másik
- alkalmazható
- Alkalmazása
- építészet
- körül
- Automatizálás
- elérhetőség
- elérhető
- AWS
- Banking
- kiindulási
- Kezdet
- Előnyök
- BEST
- legjobb gyakorlatok
- Billió
- Blokk
- bizottság
- épít
- Épület
- üzleti
- képességek
- ami
- esetek
- okozott
- bizonyos
- Ellenőrzések
- Gyerekek
- Kör
- osztály
- felhő
- FELHŐTECHNOLÓGIA
- kód
- együttműködő
- együttműködés
- kombináció
- kombinált
- kereskedelmi
- képest
- teljesen
- bonyolult
- teljesítés
- engedékeny
- áll
- Kiszámít
- koncepció
- feltétel
- Configuration
- folyamatos
- Konténer
- tartalmaz
- kiadások
- megye
- teremt
- készítette
- teremt
- teremtés
- Jelenlegi
- szokás
- vevő
- Ügyfelek
- dátum
- adatfeldolgozás
- adat-tudomány
- adattudós
- Adósság
- elszánt
- kézbesítés
- attól
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevetések
- leírt
- Design
- részlet
- részletes
- Határozzuk meg
- Fejleszt
- fejlett
- fejlesztése
- Fejlesztés
- különböző
- megvitatni
- domain
- le-
- oktat
- erőfeszítés
- lehetővé
- Mérnöki
- Mérnökök
- biztosítása
- Környezet
- felszerelt
- európai
- értékelni
- értékelés
- példa
- végrehajtás
- vezetők
- létező
- vár
- tapasztalat
- terjed
- kiterjedt
- Funkció
- Jellemzők
- Ábra
- Szűrők
- pénzügyi
- pénzügyi szolgáltatások
- vezetéknév
- megfelelő
- Rugalmasság
- rugalmas
- Összpontosít
- következő
- formátum
- Keretrendszer
- további
- jövő
- játék
- generál
- nagy
- Csoport
- tekintettel
- segít
- segít
- nagyon
- Hogyan
- How To
- HTTPS
- kép
- azonnali
- végre
- végrehajtás
- végrehajtási
- javul
- javított
- tartalmaz
- magában foglalja a
- <p></p>
- egyéni
- iparágak
- információ
- Infrastruktúra
- Innováció
- bemenet
- meglátások
- integrálni
- integrált
- integráció
- kamat
- vizsgálja
- részt
- IT
- Munka
- tudás
- nagy
- vezet
- Vezetés
- tanulás
- Led
- Örökség
- szint
- élettartam
- vonal
- Lista
- Hosszú
- gép
- gépi tanulás
- sikerült
- vezetés
- kezelése
- érettség
- Média
- Metrics
- Küldetés
- ML
- modell
- modellek
- moduláris
- ellenőrzés
- Hónap
- több
- mozog
- mozgó
- többszörös
- kötvények
- folyamatban lévő
- Művelet
- Alkalom
- Optimalizálja
- szervezet
- Más
- másképp
- saját
- tulajdonos
- különösen
- társult
- szenvedélyes
- teljesítmény
- emelvény
- PoC
- pont
- pont
- hatalom
- előre
- előrejelzés
- Tippek
- előző
- árazás
- problémák
- folyamat
- Folyamatok
- feldolgozás
- Processzor
- Termelés
- termelékenység
- Termékek
- szakmai
- Program
- program
- projektek
- bizonyíték
- bizonyíték a koncepcióra
- bizonyul
- ad
- biztosít
- világítás
- gyorsan
- csökkentő
- Regisztráció
- nyilvántartott
- szabályozók
- megmaradó
- szükség
- kötelező
- követelmények
- kutatás
- forrás
- Tudástár
- REST
- Eredmények
- kiskereskedelem
- visszatérés
- Visszatér
- futás
- futás
- skálázható
- Tudomány
- Tudós
- tudósok
- biztonság
- biztonság
- kiválasztott
- Series of
- szolgáltatás
- Szolgáltatások
- készlet
- felépítés
- jelentős
- Egyszerű
- Méret
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- néhány
- specifikációk
- Centrifugálás
- osztott
- szakadások
- Sport
- standard
- szabványok
- kezdet
- kezdődött
- kezdődik
- tárolás
- Stratégiai
- stratégiák
- stúdió
- támogatás
- Támogatott
- Támogatja
- fenntartható
- bevétel
- feladatok
- csapat
- Műszaki
- Technológia
- sablonok
- teszt
- Tesztelés
- tesztek
- ebből adódóan
- harmadik fél
- Keresztül
- idő
- együtt
- szerszámok
- Témakörök
- Képzések
- Átalakítás
- utazás
- Utazó
- megért
- egyedi
- us
- használ
- Felhasználók
- érvényesítés
- érték
- fajta
- különféle
- kötet
- Vagyon
- vajon
- míg
- WHO
- belül
- Munka
- dolgozó
- művek
- világ
- youtube