Dit is het tweede bericht van een vierdelige serie waarin wordt beschreven hoe NatWest Groep, een grote financiële dienstverlener, werkt samen met AWS professionele services om een nieuw platform voor machine learning operations (MLOps) te bouwen. In dit bericht delen we hoe de NatWest Group AWS heeft gebruikt om de selfservice-implementatie van hun gestandaardiseerde, veilige en compliant MLOps-platform mogelijk te maken met behulp van AWS-servicecatalogus en Amazon Sage Maker. Dit heeft geleid tot een vermindering van de hoeveelheid tijd die nodig is om nieuwe omgevingen in te richten van dagen tot slechts enkele uren.
Wij zijn van mening dat besluitvormers kunnen profiteren van deze inhoud. CTO's, CDAO's, senior datawetenschappers en senior cloudingenieurs kunnen dit patroon volgen om innovatieve oplossingen te bieden voor hun datawetenschaps- en engineeringteams.
Lees de hele serie:
|
Technologie bij NatWest Group
NatWest Group is een relatiebank voor een digitale wereld die financiële diensten levert aan meer dan 19 miljoen klanten in het VK. De Groep heeft een gevarieerde technologieportfolio, waar oplossingen voor zakelijke uitdagingen vaak worden geleverd met behulp van op maat gemaakte ontwerpen en met lange tijdlijnen.
Onlangs heeft NatWest Group een cloud-first-strategie aangenomen, waardoor het bedrijf beheerde services kan gebruiken om on-demand reken- en opslagbronnen te leveren. Deze stap heeft geleid tot een verbetering van de algehele stabiliteit, schaalbaarheid en prestaties van bedrijfsoplossingen, terwijl de kosten zijn verlaagd en de leveringsfrequentie is versneld. Bovendien stelt de overstap naar de cloud NatWest Group in staat om zijn technologiestapel te vereenvoudigen door een reeks consistente, herhaalbare en vooraf goedgekeurde oplossingsontwerpen af te dwingen om te voldoen aan de wettelijke vereisten en op een gecontroleerde manier te werken.
Uitdagingen
De proeffasen van het aannemen van een cloud-first-aanpak omvatten verschillende experiment- en evaluatiefasen waarbij gebruik werd gemaakt van een breed scala aan analysediensten op AWS. De eerste iteraties van het cloudplatform van NatWest Group voor datawetenschapsworkloads stonden voor uitdagingen met het leveren van consistente, veilige en compatibele cloudomgevingen. Het proces van het creëren van nieuwe omgevingen duurde van enkele dagen tot weken of zelfs maanden. Door te vertrouwen op centrale platformteams voor het bouwen, leveren, beveiligen, implementeren en beheren van infrastructuur en gegevensbronnen, was het moeilijk om nieuwe teams aan boord te krijgen om in de cloud te werken.
Vanwege het verschil in infrastructuurconfiguratie tussen AWS-accounts, moesten teams die besloten hun workloads naar de cloud te migreren, een uitgebreid complianceproces doorlopen. Elke infrastructuurcomponent moest afzonderlijk worden geanalyseerd, waardoor de tijdlijnen voor beveiligingsaudits werden vergroot.
Om aan de slag te gaan met ontwikkeling in AWS, moest u een reeks documentatiehandleidingen lezen die zijn geschreven door platformteams. De eerste stappen voor het instellen van de omgeving omvatten het beheren van openbare en privésleutels voor authenticatie, het configureren van verbindingen met externe services met behulp van de AWS-opdrachtregelinterface (AWS CLI) of SDK uit lokale ontwikkelomgevingen en het uitvoeren van aangepaste scripts voor het koppelen van lokale IDE's aan cloudservices. Technische uitdagingen maakten het vaak moeilijk om nieuwe teamleden aan boord te krijgen. Nadat de ontwikkelomgevingen waren geconfigureerd, was de route om software in productie te brengen even complex en lang.
Zoals beschreven in deel 1 van deze serie, verzamelde het gezamenlijke projectteam grote hoeveelheden feedback over gebruikerservaring en -vereisten van teams in de NatWest Group voordat het nieuwe datawetenschap en MLOps-platform werd gebouwd. Een gemeenschappelijk thema in deze feedback was de behoefte aan automatisering en standaardisatie als voorloper van snelle en efficiënte projectoplevering op AWS. Het nieuwe platform maakt gebruik van AWS-beheerde services om de kosten te optimaliseren, de inspanningen voor platformconfiguratie te verminderen en de ecologische voetafdruk van het uitvoeren van onnodig grote rekentaken te verkleinen. Standaardisatie is ingebed in het hart van het platform, met vooraf goedgekeurde, volledig geconfigureerde, veilige, conforme en herbruikbare infrastructuurcomponenten die kunnen worden gedeeld tussen data- en analyseteams.
Waarom SageMaker Studio?
Het team koos Amazon SageMaker Studio als het belangrijkste hulpmiddel voor het bouwen en implementeren van ML-pijplijnen. Studio biedt een enkele webgebaseerde interface die gebruikers volledige toegang, controle en inzicht geeft in elke stap die nodig is om modellen te bouwen, trainen en implementeren. De volwassenheid van de Studio IDE (geïntegreerde ontwikkelomgeving) voor modelontwikkeling, metadata-tracking, artefactbeheer en implementatie behoorden tot de kenmerken die het NatWest Group-team sterk aanspraken.
Datawetenschappers van NatWest Group werken met SageMaker-notebooks in Studio tijdens de beginfase van modelontwikkeling om data-analyse, data-ruzie en feature-engineering uit te voeren. Nadat gebruikers tevreden zijn met de resultaten van dit eerste werk, kan de code eenvoudig worden omgezet in composeerbare functies voor gegevenstransformatie, modeltraining, inferentie, logging en unit-tests, zodat deze gereed is voor productie.
In latere stadia van de levenscyclus van modelontwikkeling wordt gebruik gemaakt van: Amazon SageMaker-pijpleidingen, die visueel kan worden geïnspecteerd en gecontroleerd in Studio. Pijplijnen worden gevisualiseerd in een DAG (Directed Acyclic Graph) die stappen kleurcodeert op basis van hun status terwijl de pijplijn loopt. Daarnaast een samenvatting van Amazon CloudWatch-logboeken wordt weergegeven naast de DAG om het debuggen van mislukte stappen te vergemakkelijken. Datawetenschappers krijgen een codesjabloon die bestaat uit alle fundamentele stappen in een SageMaker-pijplijn. Dit biedt een gestandaardiseerd raamwerk (consistent voor alle gebruikers van het platform om samenwerking en kennisdeling te vergemakkelijken) waarin ontwikkelaars de op maat gemaakte logica en applicatiecode kunnen toevoegen die specifiek zijn voor de zakelijke uitdaging die ze oplossen.
Ontwikkelaars voeren de pijplijnen uit binnen de Studio IDE om ervoor te zorgen dat hun codewijzigingen correct worden geïntegreerd met andere pijplijnstappen. Nadat codewijzigingen zijn beoordeeld en goedgekeurd, worden deze pijplijnen gebouwd en automatisch uitgevoerd op basis van een hoofdvertakkingstrigger van Git-repository. Tijdens modeltraining worden modelevaluatiestatistieken opgeslagen en bijgehouden in SageMaker Experiments, die kunnen worden gebruikt voor het afstemmen van hyperparameters. Nadat een model is getraind, wordt het modelartefact opgeslagen in de SageMaker-modelregister, samen met metagegevens met betrekking tot modelcontainers, gegevens die tijdens de training worden gebruikt, modelfuncties en modelcode. Het modelregister speelt een sleutelrol in het modelimplementatieproces omdat het alle modelinformatie verpakt en de automatisering van modelpromotie naar productieomgevingen mogelijk maakt.
MLOps-technici implementeren beheerd SageMaker batchtransformatietaken, welke schaal om aan de eisen van de werkbelasting te voldoen. Zowel offline batch-inferentietaken als online modellen die via een eindpunt worden aangeboden, gebruiken de beheerde inferentiefunctionaliteit van SageMaker. Dit komt zowel platform- als bedrijfstoepassingsteams ten goede, omdat platformingenieurs geen tijd meer besteden aan het configureren van infrastructuurcomponenten voor modelinferentie, en bedrijfstoepassingsteams geen aanvullende standaardcode schrijven om rekeninstanties in te stellen en ermee te werken.
Waarom AWS-servicecatalogus?
Het team koos voor AWS Service Catalog om een catalogus met veilige, compatibele en vooraf goedgekeurde infrastructuursjablonen te bouwen. De infrastructuurcomponenten in een AWS Service Catalog-product zijn vooraf geconfigureerd om te voldoen aan de beveiligingsvereisten van NatWest Group. Roltoegangsbeheer, resourcebeleid, netwerkconfiguratie en centraal controlebeleid worden geconfigureerd voor elke resource die is verpakt in een AWS Service Catalog-product. De producten worden geversioneerd en gedeeld met applicatieteams door een standaardproces te volgen dat datawetenschaps- en engineeringteams in staat stelt zichzelf te bedienen en infrastructuur te implementeren onmiddellijk nadat ze toegang hebben gekregen tot hun AWS-accounts.
Platformontwikkelingsteams kunnen AWS Service Catalog-producten gemakkelijk in de loop van de tijd ontwikkelen om de implementatie van nieuwe functies mogelijk te maken op basis van zakelijke vereisten. Iteratieve wijzigingen aan producten worden aangebracht met behulp van AWS Service Catalog productversiebeheer. Wanneer een nieuwe productversie wordt uitgebracht, voegt het platformteam codewijzigingen samen met de hoofdtak van Git en verhoogt het de versie van het AWS Service Catalog-product. Er is een zekere mate van autonomie en flexibiliteit bij het updaten van de infrastructuur, omdat accounts voor zakelijke toepassingen eerdere versies van producten kunnen gebruiken voordat ze naar de nieuwste versie migreren.
Overzicht oplossingen
Het volgende architectuurdiagram op hoog niveau laat zien hoe een typische use-case van een zakelijke toepassing wordt geïmplementeerd op AWS. De volgende secties gaan dieper in op de accountarchitectuur, hoe de infrastructuur wordt geïmplementeerd, gebruikerstoegangsbeheer en hoe verschillende AWS-services worden gebruikt om ML-oplossingen te bouwen.
Zoals te zien is in het architectuurdiagram, volgen accounts een hub-and-spoke-model. Een gedeeld platformaccount dient als een hub-account, waar de resources die nodig zijn voor zakelijke applicatieteam-accounts (spoken) worden gehost door het platformteam. Deze bronnen omvatten het volgende:
- Een bibliotheek met veilige, gestandaardiseerde infrastructuurproducten die worden gebruikt voor selfservice-infrastructuurimplementaties, gehost door AWS Service Catalog
- Docker-afbeeldingen, opgeslagen in Amazon Elastic Container-register (Amazon ECR), die worden gebruikt tijdens het uitvoeren van SageMaker-pijplijnstappen en modelinferentie
- AWS-codeartefact repositories, die vooraf goedgekeurde Python-pakketten hosten
Deze bronnen worden automatisch gedeeld met spoke-accounts via de AWS Service Catalog-portfolio-functie voor delen en importeren, en AWS Identiteits- en toegangsbeheer (IAM) vertrouwensbeleid in het geval van zowel Amazon ECR als CodeArtifact.
Elk bedrijfstoepassingsteam krijgt drie AWS-accounts in de infrastructuuromgeving van de NatWest Group: ontwikkeling, preproductie en productie. De omgevingsnamen verwijzen naar de beoogde rol van het account in de ontwikkelingslevenscyclus van datawetenschap. Het ontwikkelaccount wordt gebruikt om gegevensanalyse en ruzie uit te voeren, model- en modelpijplijncode te schrijven, modellen te trainen en modelimplementaties te activeren naar preproductie- en productieomgevingen via SageMaker Studio. Het pre-productieaccount weerspiegelt de instellingen van het productieaccount en wordt gebruikt om modelimplementaties en batchtransformatietaken te testen voordat ze in productie worden genomen. Het productieaccount host modellen en voert productie-inferentie-workloads uit.
Gebruikersbeheer
NatWest Group heeft strikte governanceprocessen om scheiding van gebruikersrollen af te dwingen. Voor elk gebruikerspersona zijn vijf afzonderlijke IAM-rollen gemaakt.
Het platformteam hanteert de volgende rollen:
- Platformondersteuningstechnicus – Deze rol bevat machtigingen voor business-as-usual taken en een alleen-lezen weergave van de rest van de omgeving voor het bewaken en debuggen van het platform.
- Platform fix technicus – Deze rol is gemaakt met verhoogde rechten. Het wordt gebruikt als er problemen zijn met het platform die handmatige tussenkomst vereisen. Deze rol wordt alleen aangenomen op een goedgekeurde, in de tijd beperkte manier.
De ontwikkelteams voor bedrijfsapplicaties hebben drie verschillende rollen:
- Technische leiding – Deze rol wordt toegewezen aan de applicatieteamleider, vaak een senior datawetenschapper. Deze gebruiker heeft toestemming om AWS Service Catalog-producten te implementeren en te beheren, releases in productie te activeren en de status van de omgeving te bekijken, zoals AWS CodePipeline statussen en logboeken. Deze rol heeft geen toestemming om een model in het SageMaker-modelregister goed te keuren.
- Ontwikkelaar – Deze rol wordt toegewezen aan alle teamleden die met SageMaker Studio werken, waaronder ingenieurs, datawetenschappers en vaak de teamleider. Deze rol heeft machtigingen om Studio te openen, code te schrijven en SageMaker-pipelines uit te voeren en te implementeren. Net als de technische lead heeft deze rol geen toestemming om een model in het modelregister goed te keuren.
- Modelgoedkeurder – Deze rol heeft beperkte rechten met betrekking tot het bekijken, goedkeuren en afkeuren van modellen in het modellenregister. De reden voor deze scheiding is om te voorkomen dat gebruikers die modellen kunnen bouwen en trainen hun eigen modellen goedkeuren en vrijgeven in geëscaleerde omgevingen.
Er worden aparte Studio-gebruikersprofielen gemaakt voor ontwikkelaars en modelgoedkeurders. De oplossing maakt gebruik van een combinatie van IAM-beleidsverklaringen en SageMaker-gebruikersprofieltags, zodat gebruikers alleen een gebruikersprofiel mogen openen dat overeenkomt met hun gebruikerstype. Dit zorgt ervoor dat de gebruiker de juiste SageMaker-uitvoerings-IAM-rol (en dus machtigingen) krijgt toegewezen wanneer hij de Studio IDE opent.
Selfservice-implementaties met AWS-servicecatalogus
Eindgebruikers gebruiken AWS Service Catalog om infrastructuurproducten voor datawetenschap te implementeren, zoals:
- Een Studio-omgeving
- Studio-gebruikersprofielen
- Modelimplementatiepijplijnen
- Trainingspijplijnen
- Inferentiepijplijnen
- Een systeem voor monitoring en alarmering
Eindgebruikers implementeren deze producten rechtstreeks via de AWS Service Catalog UI, wat betekent dat er minder afhankelijkheid is van centrale platformteams om omgevingen in te richten. Hierdoor is de tijd die gebruikers nodig hebben om toegang te krijgen tot nieuwe cloudomgevingen enorm verkort, van meerdere dagen tot slechts een paar uur, wat uiteindelijk heeft geleid tot een aanzienlijke verbetering van de time-to-value. Het gebruik van een gemeenschappelijke set AWS Service Catalog-producten ondersteunt de consistentie binnen projecten in de hele onderneming en verlaagt de drempel voor samenwerking en hergebruik.
Omdat alle datawetenschapsinfrastructuur nu wordt geïmplementeerd via een centraal ontwikkelde catalogus van infrastructuurproducten, is er bij het bouwen van elk van deze producten rekening mee gehouden dat beveiliging in het achterhoofd is gehouden. Services zijn geconfigureerd om te communiceren binnen Amazon virtuele privécloud (Amazon VPC) zodat het verkeer niet over het openbare internet gaat. Gegevens worden tijdens het transport en in rust versleuteld met behulp van AWS Sleutelbeheerservice (AWS KMS) toetsen. IAM-rollen zijn ook ingesteld volgens het principe van de minste bevoegdheden.
Ten slotte is het met AWS Service Catalogus gemakkelijk voor het platformteam om voortdurend nieuwe producten en diensten uit te brengen zodra deze beschikbaar komen of vereist zijn door bedrijfstoepassingsteams. Deze kunnen de vorm aannemen van nieuwe infrastructuurproducten, die eindgebruikers bijvoorbeeld de mogelijkheid bieden om hun eigen Amazon EMR clusters of updates van bestaande infrastructuurproducten. Omdat AWS Service Catalog productversiebeheer ondersteunt en gebruikmaakt van: AWS CloudFormatie achter de schermen kunnen in-place upgrades worden gebruikt wanneer nieuwe versies van bestaande producten worden uitgebracht. Hierdoor kunnen de platformteams zich concentreren op het bouwen en verbeteren van producten, in plaats van het ontwikkelen van complexe upgradeprocessen.
Integratie met de bestaande IaC-software van NatWest
AWS Service Catalog wordt gebruikt voor implementaties van selfservice data science-infrastructuur. Daarnaast wordt de standaard IaC-tool (Infrastructure as code) van NatWest, Terraform, gebruikt om infrastructuur in de AWS-accounts te bouwen. Terraform wordt door platformteams gebruikt tijdens het eerste accountconfiguratieproces om vereiste infrastructuurbronnen zoals VPC's, beveiligingsgroepen, AWS-systeembeheerder parameters, KMS-sleutels en standaard beveiligingscontroles. Infrastructuur in het hub-account, zoals de AWS Service Catalog-portfolio's en de bronnen die worden gebruikt om Docker-images te bouwen, worden ook gedefinieerd met Terraform. De AWS Service Catalog-producten zelf zijn echter gebouwd met behulp van standaard CloudFormation-sjablonen.
Productiviteit van ontwikkelaars en codekwaliteit verbeteren met SageMaker-projecten
SageMaker-projecten geef ontwikkelaars en datawetenschappers toegang tot snelstartprojecten zonder SageMaker Studio te verlaten. Met deze snelstartprojecten kunt u met slechts een paar klikken tegelijkertijd meerdere infrastructuurbronnen implementeren. Deze omvatten een Git-repository met een gestandaardiseerd projectsjabloon voor het geselecteerde modeltype, Amazon eenvoudige opslagservice (Amazon S3) buckets voor het opslaan van gegevens, geserialiseerde modellen en artefacten, en modeltraining en inferentiecodepipeline-pipelines.
De introductie van gestandaardiseerde codebase-architecturen en tooling maken het nu gemakkelijk voor datawetenschappers en ingenieurs om tussen projecten te schakelen en ervoor te zorgen dat de codekwaliteit hoog blijft. Best practices op het gebied van software-engineering, zoals linting- en opmaakcontroles (die zowel als geautomatiseerde controles als pre-commit hooks worden uitgevoerd), eenheidstests en dekkingsrapporten zijn nu geautomatiseerd als onderdeel van trainingspijplijnen, waardoor standaardisatie voor alle projecten wordt geboden. Dit heeft de onderhoudbaarheid van ML-projecten verbeterd en zal het gemakkelijker maken om deze projecten in productie te nemen.
Modelimplementaties automatiseren
Het modeltrainingsproces wordt georkestreerd met behulp van SageMaker Pipelines. Nadat modellen zijn getraind, worden ze opgeslagen in het SageMaker-modelregister. Gebruikers aan wie de rol van goedkeurder is toegewezen, kunnen het modelregister openen en informatie vinden over het trainingsproces, zoals wanneer het model is getraind, hyperparameterwaarden en evaluatiestatistieken. Deze informatie helpt de gebruiker om te beslissen of hij een model al dan niet goedkeurt. Door een model af te wijzen, wordt voorkomen dat het model wordt geïmplementeerd in een geëscaleerde omgeving, terwijl het goedkeuren van een model een modelpromotiepijplijn activeert via CodePipeline die het model automatisch kopieert naar het pre-productie AWS-account, klaar voor het testen van de werkbelasting. Nadat het team heeft bevestigd dat het model correct werkt in preproductie, wordt een handmatige stap in dezelfde pijplijn goedgekeurd en wordt het model automatisch gekopieerd naar het productieaccount, klaar voor productie-inferentie-workloads.
Resultaten
Een van de belangrijkste doelstellingen van dit samenwerkingsproject tussen NatWest en AWS was het verminderen van de tijd die nodig is om data science cloud-omgevingen en ML-modellen in productie te nemen en te implementeren. Dit is bereikt: NatWest kan nu nieuwe, schaalbare en veilige AWS-omgevingen inrichten in een kwestie van uren, in vergelijking met dagen of zelfs weken. Datawetenschappers en technici kunnen nu zelf de datawetenschapsinfrastructuur implementeren en beheren met behulp van AWS Service Catalog, waardoor de afhankelijkheid van gecentraliseerde platformteams wordt verminderd. Bovendien stelt het gebruik van SageMaker-projecten gebruikers in staat om binnen enkele minuten te beginnen met het coderen en trainen van modellen, terwijl ze ook gestandaardiseerde projectstructuren en tooling bieden.
Omdat AWS Service Catalogus de centrale methode is om data science-infrastructuur in te zetten, kan het platform in de toekomst eenvoudig worden uitgebreid en geüpgraded. Nieuwe AWS-services kunnen snel aan eindgebruikers worden aangeboden wanneer dat nodig is, en bestaande AWS Service Catalog-producten kunnen worden geüpgraded om te profiteren van nieuwe functies.
Ten slotte betekent de verschuiving naar beheerde services op AWS dat computerresources op aanvraag worden ingericht en afgesloten. Dit heeft geleid tot kostenbesparingen en flexibiliteit, terwijl het ook in lijn is met: De ambitie van NatWest om tegen 2050 netto nul te zijn door naar schatting 75% reductie in CO2 emissies.
Conclusie
De adoptie van een cloud-first-strategie bij NatWest Group leidde tot de creatie van een robuuste AWS-oplossing die een groot aantal zakelijke applicatieteams in de hele organisatie kan ondersteunen. Het beheer van de infrastructuur met AWS Service Catalog heeft het onboardingproces in de cloud aanzienlijk verbeterd door gebruik te maken van veilige, conforme en vooraf goedgekeurde bouwstenen van infrastructuur die eenvoudig kunnen worden uitgebreid. Beheerde SageMaker-infrastructuurcomponenten hebben het modelontwikkelingsproces verbeterd en de levering van ML-projecten versneld.
Bekijk de rest van deze vierdelige serie over de strategische samenwerking tussen NatWest Group en AWS Professional Services voor meer informatie over het proces van het bouwen van productieklare ML-modellen bij NatWest Group:
- Deel 1 legt uit hoe NatWest Group samenwerkte met AWS Professional Services om een schaalbaar, veilig en duurzaam MLOps-platform te bouwen
- Deel 3 geeft een overzicht van hoe NatWest Group SageMaker-services gebruikt om controleerbare, reproduceerbare en verklaarbare ML-modellen te bouwen
- Deel 4 beschrijft hoe NatWest-datawetenschapsteams hun bestaande modellen migreren naar SageMaker-architecturen
Over de auteurs
Junaid Baba is DevOps Consultant bij AWS professionele services Hij maakt gebruik van zijn ervaring in Kubernetes, gedistribueerde computing, AI/MLOps om de cloudacceptatie van klanten in de Britse financiële dienstverlening te versnellen. Junaid werkt sinds juni 2018 bij AWS. Daarvoor werkte Junaid met een aantal financiële start-ups die DevOps-praktijken aanstuurden. Buiten zijn werk heeft hij interesses in trekking, moderne kunst en fotografie.
Yordanka Ivanova is een Data Engineer bij NatWest Group. Ze heeft ervaring met het bouwen en leveren van dataoplossingen voor bedrijven in de financiële dienstverlening. Voordat ze bij NatWest kwam, werkte Yordanka als technisch consultant waar ze ervaring opdeed in het gebruik van een breed scala aan cloudservices en open-sourcetechnologieën om bedrijfsresultaten te leveren op meerdere cloudplatforms. In haar vrije tijd houdt Yordanka van sporten, reizen en gitaar spelen.
Michael Engeland is een software-engineer in het Data Science and Innovation-team van NatWest Group. Hij is gepassioneerd door het ontwikkelen van oplossingen voor het uitvoeren van grootschalige Machine Learning-workloads in de cloud. Voordat hij bij de NatWest Group kwam, werkte Michael in en leidde hij software-engineeringteams die kritieke applicaties ontwikkelden in de financiële dienstverlening en de reisindustrie. In zijn vrije tijd speelt hij graag gitaar, reist hij en verkent hij het platteland op zijn fiets.
- Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
- CryptoHawk. Altcoin-radar. Gratis proefversie.
- Bron: https://aws.amazon.com/blogs/machine-learning/part-2-how-natwest-group-built-a-secure-compliant-self-service-mlops-platform-using-aws-service- catalogus-en-amazon-sagemaker/
- "
- 100
- Over
- versneld
- versnellen
- toegang
- Account
- over
- toevoeging
- Extra
- Adoptie
- Voordeel
- Alles
- Amazone
- onder
- bedragen
- hoeveelheden
- analyse
- analytics
- Aanvraag
- toepassingen
- nadering
- goedkeuren
- architectuur
- Kunst
- toegewezen
- controleren
- authenticatie
- geautomatiseerde
- Automatisering
- Automatisering en standaardisatie
- Beschikbaar
- AWS
- Bank
- worden
- Achter de schermen
- wezen
- voordeel
- betekent
- BEST
- 'best practices'
- bouw
- Gebouw
- bedrijfsdeskundigen
- carbon
- verzorging
- gecentraliseerde
- uitdagen
- uitdagingen
- Controles
- Cloud
- Cloud Platform
- cloud-diensten
- code
- codering
- samenwerking
- combinatie van
- Gemeen
- Bedrijven
- afstand
- vergeleken
- complex
- nakoming
- compliant
- bestanddeel
- Berekenen
- computergebruik
- Configuratie
- aansluitingen
- consultant
- Containers
- containers
- bevat
- content
- permanent
- onder controle te houden
- aangemaakt
- Wij creëren
- het aanmaken
- kritisch
- gewoonte
- Klanten
- gegevens
- gegevensanalyse
- data science
- data scientist
- geleverd
- het leveren van
- levering
- Vraag
- eisen
- implementeren
- ingezet
- het inzetten
- inzet
- implementaties
- beschreven
- ontwerpen
- detail
- gegevens
- ontwikkelde
- Ontwikkelaar
- ontwikkelaars
- het ontwikkelen van
- Ontwikkeling
- anders
- moeilijk
- digitaal
- direct
- verdeeld
- distributed computing
- havenarbeider
- Nee
- beneden
- aandrijving
- gemakkelijk
- doeltreffend
- inspanningen
- uitwerken
- in staat stellen
- Endpoint
- ingenieur
- Engineering
- Ingenieurs
- Enterprise
- Milieu
- geschat
- evaluatie
- ontwikkelen
- voorbeeld
- uitvoering
- bestaand
- ervaring
- Kenmerk
- Voordelen
- feedback
- financieel
- financiële diensten
- Voornaam*
- Bepalen
- Flexibiliteit
- Focus
- volgen
- volgend
- Footprint
- formulier
- Achtergrond
- functionaliteit
- toekomst
- Git
- bestuur
- Groep
- Groep
- Guides
- gelukkig
- hulp
- helpt
- Hoge
- Hoe
- HTTPS
- Identiteit
- uitvoering
- verbeterd
- omvatten
- inclusief
- omvat
- meer
- industrieën
- -industrie
- informatie
- Infrastructuur
- Innovatie
- innovatieve
- Instelling
- integreren
- geïntegreerde
- belangen
- Interface
- Internet
- betrokken zijn
- problemen
- IT
- Vacatures
- sleutel
- toetsen
- kennis
- Groot
- laatste
- leiden
- LEARN
- leren
- LED
- hefbomen
- leveraging
- Bibliotheek
- Beperkt
- Lijn
- Koppeling
- lokaal
- machine
- machine learning
- gemaakt
- groot
- MERKEN
- beheer
- beheerd
- management
- beheren
- manier
- handboek
- Materie
- зрелость
- betekenis
- Leden
- Metriek
- miljoen
- denken
- ML
- model
- modellen
- Grensverkeer
- maanden
- meer
- beweging
- bewegend
- meervoudig
- namen
- netwerken
- Nieuwe mogelijkheden
- Nieuw platform
- nieuw product
- nieuwe producten
- aantal
- aangeboden
- offline
- Onboarding
- online.
- open
- Operations
- Optimaliseer
- organisatie
- Overige
- totaal
- het te bezitten.
- bijzonder
- partnered
- hartstochtelijk
- Patronen
- prestatie
- fotografie
- piloot
- platform
- platforms
- spelen
- beleidsmaatregelen door te lezen.
- beleidsmaatregelen
- portfolio
- portefeuilles
- principe
- privaat
- Privésleutels
- processen
- Product
- Productie
- produktiviteit
- Producten
- professioneel
- Profiel
- Profielen
- project
- projecten
- promotie
- zorgen voor
- biedt
- het verstrekken van
- publiek
- kwaliteit
- Quick
- snel
- lezing
- verminderen
- vermindering
- regelgevers
- verwantschap
- los
- uitgebracht
- Releases
- vertrouwen
- Rapporten
- bewaarplaats
- vereisen
- nodig
- Voorwaarden
- hulpbron
- Resources
- REST
- Resultaten
- beoordelen
- weg
- lopen
- lopend
- Schaalbaarheid
- schaalbare
- Scale
- Scenes
- Wetenschap
- Wetenschapper
- wetenschappers
- sdk
- beveiligen
- veiligheid
- gekozen
- -Series
- service
- Diensten
- reeks
- setup
- Delen
- gedeeld
- aanzienlijke
- evenzo
- Eenvoudig
- So
- Software
- Software Engineer
- software engineering
- oplossing
- Oplossingen
- besteden
- Stabiliteit
- stack
- standaard
- start-ups
- gestart
- Land
- verklaringen
- Status
- mediaopslag
- strategisch
- Strategie
- studio
- ondersteuning
- steunen
- duurzaam
- system
- Systems
- taken
- team
- Technisch
- Technologies
- Technologie
- templates
- proef
- Testen
- testen
- het gewricht
- thema
- daarom
- Door
- niet de tijd of
- tools
- in de richting van
- Tracking
- verkeer
- Trainingen
- Transformeren
- Transformatie
- doorvoer
- reizen
- Reizend
- Trust
- ui
- Uk
- updates
- .
- gebruikers
- gebruik maken van
- Gebruik makend
- variëteit
- Bekijk
- Virtueel
- zichtbaarheid
- Web-based
- of
- en
- WIE
- binnen
- zonder
- Mijn werk
- werkte
- werkzaam
- trainen
- Bedrijven
- wereld