이것은 방법을 자세히 설명하는 XNUMX부작 시리즈의 두 번째 게시물입니다. 냇웨스트 그룹, 주요 금융 서비스 기관, AWS 전문 서비스 새로운 기계 학습 운영(MLOps) 플랫폼을 구축하기 위해 이 게시물에서는 NatWest Group이 AWS를 활용하여 표준화되고 안전하며 규정을 준수하는 MLOps 플랫폼의 셀프 서비스 배포를 지원하는 방법을 공유합니다. AWS 서비스 카탈로그 과 아마존 세이지 메이커. 그 결과 새로운 환경을 프로비저닝하는 데 걸리는 시간이 며칠에서 몇 시간으로 단축되었습니다.
우리는 의사 결정자들이 이 콘텐츠로부터 혜택을 받을 수 있다고 믿습니다. CTO, CDAO, 선임 데이터 과학자 및 선임 클라우드 엔지니어는 이 패턴을 따라 데이터 과학 및 엔지니어링 팀에 혁신적인 솔루션을 제공할 수 있습니다.
전체 시리즈 읽기:
|
NatWest Group의 기술
NatWest Group은 영국 전역의 19만 명 이상의 고객에게 금융 서비스를 제공하는 디지털 세계를 위한 관계 은행입니다. 그룹은 비즈니스 과제에 대한 솔루션이 종종 맞춤형 설계를 사용하여 긴 일정으로 제공되는 다양한 기술 포트폴리오를 보유하고 있습니다.
최근 NatWest Group은 관리형 서비스를 사용하여 주문형 컴퓨팅 및 스토리지 리소스를 프로비저닝할 수 있는 클라우드 우선 전략을 채택했습니다. 이러한 움직임으로 비즈니스 솔루션의 전반적인 안정성, 확장성 및 성능이 향상되는 동시에 비용이 절감되고 제공 속도가 빨라졌습니다. 또한 클라우드로 이전함으로써 NatWest Group은 일관되고 반복 가능하며 사전 승인된 솔루션 설계 세트를 시행하여 규제 요구 사항을 충족하고 통제된 방식으로 운영함으로써 기술 스택을 단순화할 수 있습니다.
도전
클라우드 우선 접근 방식을 채택하는 파일럿 단계에는 여러 가지 실험 및 평가 단계가 포함되어 있습니다. 분석 서비스 AWS에서. 데이터 과학 워크로드를 위한 NatWest Group의 클라우드 플랫폼의 첫 번째 반복은 일관되고 안전하며 규정을 준수하는 클라우드 환경을 프로비저닝하는 문제에 직면했습니다. 새로운 환경을 만드는 과정은 며칠에서 몇 주 또는 몇 달이 걸렸습니다. 인프라와 데이터 소스를 구축, 프로비저닝, 보안, 배포 및 관리하기 위해 중앙 플랫폼 팀에 의존하기 때문에 클라우드에서 작업할 새 팀을 온보딩하기가 어려웠습니다.
AWS 계정 간의 인프라 구성 차이로 인해 워크로드를 클라우드로 마이그레이션하기로 결정한 팀은 정교한 규정 준수 프로세스를 거쳐야 했습니다. 각 인프라 구성 요소를 별도로 분석해야 했기 때문에 보안 감사 시간이 늘어났습니다.
AWS에서 개발을 시작하려면 플랫폼 팀이 작성한 일련의 설명서 가이드를 읽어야 합니다. 초기 환경 설정 단계에는 인증을 위한 공개 및 개인 키 관리, 원격 서비스에 대한 연결 구성이 포함되었습니다. AWS 명령 줄 인터페이스 (AWS CLI) 또는 로컬 개발 환경의 SDK를 사용하고 로컬 IDE를 클라우드 서비스에 연결하기 위한 사용자 지정 스크립트를 실행합니다. 기술적인 문제로 인해 종종 새로운 팀원을 온보딩하기가 어려웠습니다. 개발 환경을 구성한 후 프로덕션 환경에서 소프트웨어를 릴리스하는 경로도 마찬가지로 복잡하고 길었습니다.
이 시리즈의 1부에서 설명한 것처럼 공동 프로젝트 팀은 새로운 데이터 과학 및 MLOps 플랫폼을 구축하기 전에 NatWest Group 전체의 팀으로부터 사용자 경험 및 요구 사항에 대한 많은 피드백을 수집했습니다. 이 피드백의 공통 주제는 AWS에서 빠르고 효율적인 프로젝트 제공을 위한 선구자로서 자동화 및 표준화의 필요성이었습니다. 새 플랫폼은 AWS 관리형 서비스를 사용하여 비용을 최적화하고, 플랫폼 구성 노력을 줄이며, 불필요하게 큰 컴퓨팅 작업을 실행하여 탄소 발자국을 줄입니다. 표준화는 데이터 및 분석 팀 간에 공유할 수 있는 사전 승인되고, 완벽하게 구성되고, 안전하고, 규정을 준수하고, 재사용 가능한 인프라 구성 요소와 함께 플랫폼의 핵심에 포함되어 있습니다.
SageMaker Studio를 선택해야 하는 이유
팀이 선택한 아마존 세이지 메이커 스튜디오 ML 파이프라인을 구축 및 배포하기 위한 주요 도구입니다. Studio는 사용자가 모델을 빌드, 교육 및 배포하는 데 필요한 각 단계에 대한 완전한 액세스, 제어 및 가시성을 제공하는 단일 웹 기반 인터페이스를 제공합니다. 모델 개발, 메타데이터 추적, 아티팩트 관리 및 배포를 위한 Studio IDE(통합 개발 환경)의 성숙도는 NatWest Group 팀이 강력하게 호소한 기능 중 하나였습니다.
NatWest Group의 데이터 과학자는 모델 개발의 초기 단계에서 Studio 내부의 SageMaker 노트북으로 작업하여 데이터 분석, 데이터 랭글링 및 기능 엔지니어링을 수행합니다. 사용자가 이 초기 작업의 결과에 만족하면 코드는 데이터 변환, 모델 교육, 추론, 로깅 및 단위 테스트를 위한 구성 가능한 기능으로 쉽게 변환되어 프로덕션 준비 상태가 됩니다.
모델 개발 수명 주기의 후반 단계에서는 다음을 사용합니다. Amazon SageMaker 파이프 라인, Studio에서 시각적으로 검사하고 모니터링할 수 있습니다. 파이프라인은 파이프라인이 실행되는 동안 상태를 기반으로 단계를 색상으로 구분하는 DAG(Directed Acyclic Graph)로 시각화됩니다. 또한, 요약 Amazon CloudWatch 로그 실패한 단계의 디버깅을 용이하게 하기 위해 DAG 옆에 표시됩니다. 데이터 과학자에게는 SageMaker 파이프라인의 모든 기본 단계로 구성된 코드 템플릿이 제공됩니다. 이것은 개발자가 해결하려는 비즈니스 과제에 특정한 맞춤형 로직과 애플리케이션 코드를 추가할 수 있는 표준화된 프레임워크(플랫폼의 모든 사용자에게 일관된 협업 및 지식 공유를 제공함)를 제공합니다.
개발자는 Studio IDE 내에서 파이프라인을 실행하여 코드 변경 사항이 다른 파이프라인 단계와 올바르게 통합되도록 합니다. 코드 변경 사항을 검토하고 승인하면 기본 Git 리포지토리 분기 트리거를 기반으로 이러한 파이프라인이 자동으로 빌드되고 실행됩니다. 모델 훈련 중에 모델 평가 메트릭은 SageMaker Experiments에 저장 및 추적되며, 하이퍼파라미터 조정에 사용할 수 있습니다. 모델이 훈련된 후 모델 아티팩트가 저장됩니다. SageMaker 모델 레지스트리, 모델 컨테이너와 관련된 메타데이터, 학습 중에 사용된 데이터, 모델 기능 및 모델 코드. 모델 레지스트리는 모든 모델 정보를 패키징하고 프로덕션 환경으로의 모델 승격 자동화를 가능하게 하기 때문에 모델 배포 프로세스에서 중요한 역할을 합니다.
MLOps 엔지니어는 관리형 배포 SageMaker 일괄 변환 작업, 워크로드 요구 사항을 충족하도록 확장됩니다. 끝점을 통해 제공되는 오프라인 배치 추론 작업과 온라인 모델은 모두 SageMaker의 관리형 추론 기능을 사용합니다. 이는 플랫폼 엔지니어가 모델 추론을 위해 인프라 구성 요소를 구성하는 데 더 이상 시간을 소비하지 않고 비즈니스 애플리케이션 팀이 컴퓨팅 인스턴스를 설정하고 상호 작용하기 위해 추가 상용구 코드를 작성하지 않기 때문에 플랫폼 및 비즈니스 애플리케이션 팀 모두에게 이익이 됩니다.
왜 AWS 서비스 카탈로그인가?
팀은 안전하고 규정을 준수하며 사전 승인된 인프라 템플릿 카탈로그를 구축하기 위해 AWS Service Catalog를 선택했습니다. AWS Service Catalog 제품의 인프라 구성 요소는 NatWest Group의 보안 요구 사항을 충족하도록 미리 구성되어 있습니다. 역할 액세스 관리, 리소스 정책, 네트워킹 구성 및 중앙 제어 정책은 AWS Service Catalog 제품에 패키징된 각 리소스에 대해 구성됩니다. 데이터 과학 및 엔지니어링 팀이 AWS 계정에 대한 액세스 권한을 얻은 직후 인프라를 자체적으로 제공하고 배포할 수 있도록 하는 표준 프로세스에 따라 제품 버전이 지정되고 애플리케이션 팀과 공유됩니다.
플랫폼 개발 팀은 시간이 지남에 따라 AWS Service Catalog 제품을 쉽게 발전시켜 비즈니스 요구 사항에 따라 새로운 기능을 구현할 수 있습니다. 제품에 대한 반복적인 변경은 AWS Service Catalog 제품 버전 관리를 통해 이루어집니다. 새 제품 버전이 출시되면 플랫폼 팀은 코드 변경 사항을 기본 Git 분기에 병합하고 AWS Service Catalog 제품의 버전을 높입니다. 비즈니스 애플리케이션 계정은 최신 버전으로 마이그레이션하기 전에 이전 버전의 제품을 사용할 수 있기 때문에 인프라 업데이트에는 어느 정도 자율성과 유연성이 있습니다.
솔루션 개요
다음 상위 수준 아키텍처 다이어그램은 일반적인 비즈니스 애플리케이션 사용 사례가 AWS에 배포되는 방법을 보여줍니다. 다음 섹션에서는 계정 아키텍처, 인프라 배포 방법, 사용자 액세스 관리 및 다양한 AWS 서비스를 사용하여 ML 솔루션을 구축하는 방법에 대해 자세히 설명합니다.
아키텍처 다이어그램에 표시된 것처럼 계정은 허브 및 스포크 모델을 따릅니다. 공유 플랫폼 계정은 비즈니스 애플리케이션 팀(스포크) 계정에 필요한 리소스가 플랫폼 팀에서 호스팅되는 허브 계정 역할을 합니다. 이러한 리소스에는 다음이 포함됩니다.
- AWS Service Catalog에서 호스팅하는 셀프 서비스 인프라 배포에 사용되는 안전하고 표준화된 인프라 제품 라이브러리
- 에 저장된 Docker 이미지 Amazon Elastic Container Registry (Amazon ECR), SageMaker 파이프라인 단계 및 모델 추론 실행 중에 사용
- AWS 코드아티팩트 사전 승인된 Python 패키지를 호스팅하는 리포지토리
이러한 리소스는 AWS Service Catalog 포트폴리오 공유 및 가져오기 기능을 통해 스포크 계정과 자동으로 공유되며, AWS 자격 증명 및 액세스 관리 (IAM) Amazon ECR 및 CodeArtifact의 경우 신뢰 정책.
각 비즈니스 애플리케이션 팀은 NatWest Group 인프라 환경에서 개발, 사전 프로덕션 및 프로덕션이라는 세 가지 AWS 계정을 프로비저닝합니다. 환경 이름은 데이터 과학 개발 수명 주기에서 계정의 의도된 역할을 나타냅니다. 개발 계정은 데이터 분석 및 랭글링을 수행하고, 모델 및 모델 파이프라인 코드를 작성하고, 모델을 교육하고, SageMaker Studio를 통해 사전 프로덕션 및 프로덕션 환경에 모델 배포를 트리거하는 데 사용됩니다. 사전 프로덕션 계정은 프로덕션 계정의 설정을 미러링하며 프로덕션으로 릴리스되기 전에 모델 배포 및 일괄 변환 작업을 테스트하는 데 사용됩니다. 프로덕션 계정은 모델을 호스팅하고 프로덕션 추론 워크로드를 실행합니다.
사용자 관리
NatWest Group은 사용자 역할 분리를 시행하기 위해 엄격한 거버넌스 프로세스를 가지고 있습니다. 각 사용자 페르소나에 대해 XNUMX개의 개별 IAM 역할이 생성되었습니다.
플랫폼 팀은 다음 역할을 사용합니다.
- 플랫폼 지원 엔지니어 – 이 역할에는 일상적인 작업에 대한 권한과 플랫폼 모니터링 및 디버깅을 위한 나머지 환경에 대한 읽기 전용 보기가 포함됩니다.
- 플랫폼 수정 엔지니어 – 이 역할은 높은 권한으로 생성되었습니다. 플랫폼에 수동 개입이 필요한 문제가 있는 경우 사용됩니다. 이 역할은 승인된 시간 제한 방식으로만 수행됩니다.
비즈니스 애플리케이션 개발 팀에는 세 가지 역할이 있습니다.
- 기술 리드 – 이 역할은 애플리케이션 팀 리더(종종 선임 데이터 과학자)에게 할당됩니다. 이 사용자는 AWS Service Catalog 제품을 배포 및 관리하고, 프로덕션으로 릴리스를 트리거하고, 다음과 같은 환경 상태를 검토할 수 있는 권한이 있습니다. AWS 코드 파이프라인 상태 및 로그. 이 역할에는 SageMaker 모델 레지스트리에서 모델을 승인할 권한이 없습니다.
- 개발자 – 이 역할은 엔지니어, 데이터 과학자 및 종종 팀 리더를 포함하여 SageMaker Studio와 함께 작업하는 모든 팀 구성원에게 할당됩니다. 이 역할에는 Studio를 열고, 코드를 작성하고, SageMaker 파이프라인을 실행 및 배포할 수 있는 권한이 있습니다. 기술 리더와 마찬가지로 이 역할은 모델 레지스트리에서 모델을 승인할 권한이 없습니다.
- 모델 승인자 – 이 역할에는 모델 레지스트리의 모델 보기, 승인 및 거부와 관련된 제한된 권한이 있습니다. 이렇게 분리하는 이유는 모델을 빌드하고 교육할 수 있는 사용자가 자체 모델을 승인하고 에스컬레이션된 환경으로 릴리스하는 것을 방지하기 위한 것입니다.
개발자 및 모델 승인자를 위해 별도의 Studio 사용자 프로필이 생성됩니다. 솔루션은 IAM 정책 설명과 SageMaker 사용자 프로필 태그의 조합을 사용하므로 사용자는 자신의 사용자 유형과 일치하는 사용자 프로필만 열 수 있습니다. 이렇게 하면 사용자가 Studio IDE를 열 때 올바른 SageMaker 실행 IAM 역할(따라서 권한)이 할당됩니다.
AWS Service Catalog를 사용한 셀프 서비스 배포
최종 사용자는 AWS Service Catalog를 활용하여 다음과 같은 데이터 과학 인프라 제품을 배포합니다.
- 스튜디오 환경
- Studio 사용자 프로필
- 모델 배포 파이프라인
- 교육 파이프라인
- 추론 파이프라인
- 모니터링 및 경고 시스템
최종 사용자는 AWS Service Catalog UI를 통해 이러한 제품을 직접 배포합니다. 즉, 환경을 프로비저닝하기 위해 중앙 플랫폼 팀에 대한 의존도가 줄어듭니다. 이를 통해 사용자가 새로운 클라우드 환경에 액세스하는 데 걸리는 시간이 며칠에서 몇 시간으로 크게 단축되어 궁극적으로 가치 실현 시간이 크게 향상되었습니다. 공통 AWS Service Catalog 제품 세트를 사용하면 기업 전체의 프로젝트 내에서 일관성을 유지하고 협업 및 재사용에 대한 장벽을 낮출 수 있습니다.
모든 데이터 과학 인프라는 이제 중앙에서 개발된 인프라 제품 카탈로그를 통해 배포되기 때문에 보안을 염두에 두고 이러한 각 제품을 구축하는 데 주의를 기울였습니다. 서비스는 내에서 통신하도록 구성되었습니다. 아마존 가상 프라이빗 클라우드 (Amazon VPC) 트래픽이 공용 인터넷을 통과하지 않도록 합니다. 데이터는 다음을 사용하여 전송 중 및 유휴 상태에서 암호화됩니다. AWS 키 관리 서비스 (AWS KMS) 키. IAM 역할도 최소 권한 원칙을 따르도록 설정되었습니다.
마지막으로, AWS Service Catalog를 사용하면 플랫폼 팀이 비즈니스 애플리케이션 팀에서 사용 가능하게 되거나 요구되는 새로운 제품 및 서비스를 지속적으로 쉽게 출시할 수 있습니다. 이는 최종 사용자가 자체적으로 배포할 수 있는 기능을 제공하는 것과 같이 새로운 인프라 제품의 형태를 취할 수 있습니다. 아마존 EMR 클러스터 또는 기존 인프라 제품에 대한 업데이트. AWS Service Catalog는 제품 버전 관리를 지원하고 AWS 클라우드 포메이션 이면에서 기존 제품의 새 버전이 출시될 때 내부 업그레이드를 사용할 수 있습니다. 이를 통해 플랫폼 팀은 복잡한 업그레이드 프로세스를 개발하는 대신 제품을 구축하고 개선하는 데 집중할 수 있습니다.
NatWest의 기존 IaC 소프트웨어와 통합
AWS Service Catalog는 셀프 서비스 데이터 과학 인프라 배포에 사용됩니다. 또한 NatWest의 표준 IaC(Infrastructure as Code) 도구인 Terraform을 사용하여 AWS 계정에 인프라를 구축합니다. Terraform은 초기 계정 설정 프로세스 동안 플랫폼 팀에서 VPC, 보안 그룹, AWS 시스템 관리자 매개변수, KMS 키 및 표준 보안 제어. AWS Service Catalog 포트폴리오 및 Docker 이미지를 구축하는 데 사용되는 리소스와 같은 허브 계정의 인프라도 Terraform을 사용하여 정의됩니다. 그러나 AWS Service Catalog 제품 자체는 표준 CloudFormation 템플릿을 사용하여 구축됩니다.
SageMaker 프로젝트로 개발자 생산성 및 코드 품질 향상
SageMaker 프로젝트 개발자와 데이터 과학자에게 SageMaker Studio를 떠나지 않고도 빠른 시작 프로젝트에 액세스할 수 있습니다. 이러한 빠른 시작 프로젝트를 사용하면 단 몇 번의 클릭으로 동시에 여러 인프라 리소스를 배포할 수 있습니다. 여기에는 선택한 모델 유형에 대한 표준화된 프로젝트 템플릿이 포함된 Git 리포지토리가 포함됩니다. 아마존 단순 스토리지 서비스 (Amazon S3) 데이터 저장용 버킷, 직렬화된 모델 및 아티팩트, 모델 교육 및 추론 CodePipeline 파이프라인.
표준화된 코드 기반 아키텍처와 도구의 도입으로 이제 데이터 과학자와 엔지니어가 프로젝트 간에 쉽게 이동할 수 있고 높은 코드 품질을 유지할 수 있습니다. 예를 들어 린트 및 형식 지정 검사(자동 검사 및 사전 커밋 후크로 모두 실행), 단위 테스트 및 적용 범위 보고서와 같은 소프트웨어 엔지니어링 모범 사례는 이제 교육 파이프라인의 일부로 자동화되어 모든 프로젝트에서 표준화를 제공합니다. 이를 통해 ML 프로젝트의 유지 관리 가능성이 향상되었으며 이러한 프로젝트를 프로덕션으로 쉽게 이동할 수 있습니다.
모델 배포 자동화
모델 교육 프로세스는 SageMaker 파이프라인을 사용하여 조정됩니다. 모델이 훈련된 후에는 SageMaker 모델 레지스트리에 저장됩니다. 모델 승인자 역할이 할당된 사용자는 모델 레지스트리를 열고 모델이 훈련된 시간, 하이퍼파라미터 값 및 평가 메트릭과 같은 훈련 프로세스와 관련된 정보를 찾을 수 있습니다. 이 정보는 사용자가 모델을 승인할지 거부할지 결정하는 데 도움이 됩니다. 모델을 거부하면 모델이 에스컬레이션된 환경에 배포되는 것을 방지하는 반면, 모델을 승인하면 CodePipeline을 통해 모델 승격 파이프라인이 트리거되어 모델을 사전 프로덕션 AWS 계정에 자동으로 복사하여 추론 워크로드 테스트를 준비할 수 있습니다. 팀이 사전 프로덕션에서 모델이 올바르게 작동하는지 확인한 후 동일한 파이프라인의 수동 단계가 승인되고 모델이 프로덕션 계정으로 자동 복사되어 프로덕션 추론 워크로드에 사용할 준비가 됩니다.
결과
NatWest와 AWS 간의 이 협업 프로젝트의 주요 목표 중 하나는 데이터 과학 클라우드 환경과 ML 모델을 프로덕션에 프로비저닝하고 배포하는 데 걸리는 시간을 줄이는 것이었습니다. 이를 달성했습니다. 이제 NatWest는 며칠 또는 몇 주가 걸리던 새로운 확장 가능하고 안전한 AWS 환경을 몇 시간 만에 프로비저닝할 수 있습니다. 이제 데이터 과학자와 엔지니어는 AWS Service Catalog를 사용하여 스스로 데이터 과학 인프라를 배포하고 관리할 수 있는 권한을 부여받아 중앙 집중식 플랫폼 팀에 대한 의존도를 줄일 수 있습니다. 또한 SageMaker 프로젝트를 사용하면 표준화된 프로젝트 구조 및 도구를 제공하는 동시에 사용자가 몇 분 안에 코딩 및 교육 모델을 시작할 수 있습니다.
AWS Service Catalog는 데이터 사이언스 인프라를 배포하는 중심 방법이기 때문에 향후 플랫폼을 쉽게 확장하고 업그레이드할 수 있습니다. 새로운 AWS 서비스는 필요에 따라 최종 사용자에게 신속하게 제공될 수 있으며 기존 AWS 서비스 카탈로그 제품은 새로운 기능을 활용하도록 업그레이드될 수 있습니다.
마지막으로, AWS의 관리형 서비스로의 전환은 컴퓨팅 리소스가 프로비저닝되고 요청 시 종료됨을 의미합니다. 이는 비용 절감과 유연성을 제공하는 동시에 2050년까지 제로가 되는 NatWest의 야망 약 75%의 CO 감소로 인해2 배출.
결론
NatWest Group에서 클라우드 우선 전략을 채택함으로써 조직 전체의 수많은 비즈니스 애플리케이션 팀을 지원할 수 있는 강력한 AWS 솔루션이 탄생했습니다. AWS Service Catalog로 인프라를 관리하면 쉽게 확장할 수 있는 안전하고 규정을 준수하며 사전 승인된 인프라 빌딩 블록을 사용하여 클라우드 온보딩 프로세스가 크게 개선되었습니다. 관리형 SageMaker 인프라 구성 요소는 모델 개발 프로세스를 개선하고 ML 프로젝트 제공을 가속화했습니다.
NatWest Group에서 프로덕션용 ML 모델을 구축하는 프로세스에 대해 자세히 알아보려면 NatWest Group과 AWS Professional Services 간의 전략적 협업에 대한 이 XNUMX부작 시리즈의 나머지 부분을 살펴보십시오.
- 파트 1 NatWest Group이 AWS Professional Services와 협력하여 확장 가능하고 안전하며 지속 가능한 MLOps 플랫폼을 구축한 방법을 설명합니다.
- 파트 3 NatWest Group이 SageMaker 서비스를 사용하여 감사 가능하고 재현 가능하며 설명 가능한 ML 모델을 구축하는 방법에 대한 개요를 제공합니다.
- 파트 4 NatWest 데이터 과학 팀이 기존 모델을 SageMaker 아키텍처로 마이그레이션하는 방법을 자세히 설명합니다.
저자에 관하여
주나이드 바바 의 DevOps 컨설턴트입니다. AWS 전문 서비스 그는 Kubernetes, 분산 컴퓨팅, AI/MLOps에 대한 자신의 경험을 활용하여 영국 금융 서비스 산업 고객의 클라우드 채택을 가속화합니다. Junaid는 2018년 XNUMX월부터 AWS와 함께 해 왔습니다. 그 전에는 DevOps 사례를 주도하는 여러 금융 신생 기업과 협력했습니다. 일 외에는 트레킹, 현대 미술, 정지 사진에 관심이 있습니다.
요르단카 이바노바 NatWest Group의 데이터 엔지니어입니다. 그녀는 금융 서비스 업계의 회사를 위한 데이터 솔루션을 구축하고 제공한 경험이 있습니다. NatWest에 합류하기 전에 Yordanka는 기술 컨설턴트로 일하면서 다양한 클라우드 서비스와 오픈 소스 기술을 활용하여 여러 클라우드 플랫폼에서 비즈니스 결과를 제공한 경험을 쌓았습니다. 여가 시간에 Yordanka는 운동, 여행, 기타 연주를 즐깁니다.
마이클 잉글랜드 NatWest Group의 데이터 과학 및 혁신 팀의 소프트웨어 엔지니어입니다. 그는 클라우드에서 대규모 기계 학습 워크로드를 실행하기 위한 솔루션 개발에 열정적입니다. NatWest Group에 합류하기 전에 Michael은 금융 서비스 및 여행 산업에서 중요한 애플리케이션을 개발하는 소프트웨어 엔지니어링 팀에서 일하고 이끌었습니다. 여가 시간에는 기타를 치고 여행을 하고 자전거를 타고 시골을 탐험하는 것을 즐깁니다.
- "
- 100
- 소개
- 가속 된
- 가속하는
- ACCESS
- 계정
- 가로질러
- 또한
- 추가
- 양자
- 이점
- All
- 아마존
- 중
- 양
- 금액
- 분석
- 분석
- 어플리케이션
- 어플리케이션
- 접근
- 승인
- 아키텍처
- 미술
- 할당 된
- 회계 감사
- 인증
- 자동화
- 자동화
- 자동화 및 표준화
- 가능
- AWS
- 은행
- 가
- 무대 뒤에서
- 존재
- 이익
- 혜택
- BEST
- 모범 사례
- 빌드
- 건물
- 사업
- 탄소
- 한
- 중앙
- 도전
- 과제
- 확인하는 것이 좋다.
- 클라우드
- 클라우드 플랫폼
- 클라우드 서비스
- 암호
- 코딩
- 협동
- 결합
- 공통의
- 기업
- 회사
- 비교
- 복잡한
- compliance
- 준수
- 구성 요소
- 계산
- 컴퓨팅
- 구성
- 연결
- 컨설턴트
- 컨테이너
- 용기
- 이 포함되어 있습니다
- 함유량
- 지속적으로
- 제어
- 만든
- 만들기
- 창조
- 임계
- 관습
- 고객
- 데이터
- 데이터 분석
- 데이터 과학
- 데이터 과학자
- 전달
- 배달
- 배달
- 수요
- 요구
- 배포
- 배포
- 배치
- 전개
- 배포
- 기술 된
- 디자인
- 세부 묘사
- 세부설명
- 개발
- 개발자
- 개발자
- 개발
- 개발
- 다른
- 어려운
- 디지털
- 직접
- 분산
- 분산 컴퓨팅
- 도커
- 하지 않습니다
- 아래 (down)
- 운전
- 용이하게
- 효율적인
- 노력
- 정교한
- 가능
- 종점
- 기사
- 엔지니어링
- 엔지니어
- Enterprise
- 환경
- 예상
- 평가
- 진화시키다
- 예
- 실행
- 현존하는
- 경험
- 특색
- 특징
- 피드백
- 금융
- 금융 서비스
- 먼저,
- 수정
- 유연성
- 초점
- 따라
- 수행원
- 발자국
- 형태
- 뼈대
- 기능
- 미래
- 힘내
- 통치
- 그룹
- 여러 떼
- 안내서
- 행복한
- 도움
- 도움이
- 높은
- 방법
- HTTPS
- 통합 인증
- 이행
- 개선하는
- 포함
- 포함
- 포함
- 증가
- 산업
- 산업
- 정보
- 인프라
- 혁신
- 혁신적인
- 제도
- 통합
- 통합 된
- 이해
- 인터페이스
- 인터넷
- 참여
- 문제
- IT
- 작업
- 키
- 키
- 지식
- 넓은
- 최근
- 리드
- 배우다
- 배우기
- 지도
- 레버리지
- 레버리지
- 도서관
- 제한된
- 라인
- 연결
- 지방의
- 기계
- 기계 학습
- 만든
- 주요한
- 제작
- 관리
- 관리
- 구축
- 관리
- 태도
- 조작
- 문제
- 만기
- 의미
- 회원
- 통계
- 백만
- 신경
- ML
- 모델
- 모델
- 모니터링
- 개월
- 배우기
- 움직임
- 움직이는
- 여러
- 이름
- 네트워킹
- 새로운 기능
- 새로운 플랫폼
- 새로운 제품
- 새로운 제품
- 번호
- 제공
- 오프라인
- 온 보딩
- 온라인
- 열 수
- 행정부
- 최적화
- 조직
- 기타
- 전체
- 자신의
- 특별한
- 파트너
- 열렬한
- 무늬
- 성능
- 사진술
- 조종사
- 플랫폼
- 플랫폼
- 연주
- 정책
- 정책
- 유가 증권
- 포트폴리오
- 원칙
- 사설
- 개인 키
- 방법
- 프로세스
- 프로덕트
- 생산
- 생산력
- 제품
- 링크를
- 프로필
- 프로필
- 프로젝트
- 프로젝트
- 승진
- 제공
- 제공
- 제공
- 공개
- 품질
- 빠른
- 빨리
- 읽기
- 감소
- 감소
- 규정하는
- 관계
- 공개
- 출시
- 보도 자료
- 신뢰
- 보고서
- 저장소
- 필요
- 필수
- 요구조건 니즈
- 의지
- 자료
- REST
- 결과
- 리뷰
- 길
- 달리기
- 달리는
- 확장성
- 확장성
- 규모
- 장면
- 과학
- 과학자
- 과학자
- SDK
- 안전해야합니다.
- 보안
- 선택된
- 연속
- 서비스
- 서비스
- 세트
- 설치
- 공유
- 공유
- 상당한
- 비슷하게
- 단순, 간단, 편리
- So
- 소프트웨어
- 소프트웨어 엔지니어
- 소프트웨어 공학
- 해결책
- 솔루션
- 지출
- 안정
- 스택
- 표준
- 신생 기업
- 시작
- 주 정부
- 문
- Status
- 저장
- 전략의
- 전략
- 스튜디오
- SUPPORT
- 지원
- 지속가능한
- 체계
- 시스템은
- 작업
- 팀
- 테크니컬
- 기술
- Technology
- 템플릿
- test
- 지원
- 테스트
- 관절
- 테마
- 따라서
- 을 통하여
- 시간
- 수단
- 에 대한
- 추적
- 교통
- 트레이닝
- 변환
- 변환
- 운송
- 여행
- 여행
- 믿어
- ui
- Uk
- 업데이트
- 사용
- 사용자
- 활용
- 활용
- 종류
- 관측
- 온라인
- 가시성
- 웹 기반
- 여부
- 동안
- 누구
- 이내
- 없이
- 작업
- 일
- 일하는
- 운동
- 일
- 세계