Prognozowanie przychodów na dużą skalę w firmie Bosch dzięki niestandardowym modelom Amazon Forecast i Amazon SageMaker

Ten post jest współautorami Goktuga Cinara, Michaela Bindera i Adriana Horvatha z Bosch Center for Artificial Intelligence (BCAI).

Prognozowanie przychodów to trudne, ale kluczowe zadanie dla strategicznych decyzji biznesowych i planowania podatkowego w większości organizacji. Często prognozowanie przychodów jest wykonywane ręcznie przez analityków finansowych i jest zarówno czasochłonne, jak i subiektywne. Takie ręczne działania są szczególnie trudne dla dużych, międzynarodowych organizacji biznesowych, które wymagają prognoz przychodów w szerokim zakresie grup produktów i obszarów geograficznych na wielu poziomach szczegółowości. Wymaga to nie tylko dokładności, ale także hierarchicznej spójności prognoz.

Bosch to międzynarodowa korporacja z podmiotami działającymi w wielu branżach, w tym motoryzacyjnej, rozwiązań przemysłowych i dóbr konsumpcyjnych. Biorąc pod uwagę wpływ dokładnego i spójnego prognozowania przychodów na zdrowe operacje biznesowe, Centrum sztucznej inteligencji Bosch (BCAI) intensywnie inwestuje w wykorzystanie uczenia maszynowego (ML) w celu poprawy wydajności i dokładności procesów planowania finansowego. Celem jest złagodzenie ręcznych procesów poprzez dostarczanie rozsądnych bazowych prognoz przychodów za pośrednictwem ML, z jedynie sporadycznymi korektami potrzebnymi analitykom finansowym wykorzystującym ich wiedzę branżową i dziedzinową.

Aby osiągnąć ten cel, BCAI opracowało wewnętrzne ramy prognozowania zdolne do dostarczania wielkoskalowych prognoz hierarchicznych za pomocą dostosowanych zestawów szerokiej gamy modeli podstawowych. Meta-uczeń wybiera najlepiej działające modele na podstawie cech wyodrębnionych z każdego szeregu czasowego. Prognozy z wybranych modeli są następnie uśredniane w celu uzyskania prognozy zagregowanej. Projekt architektoniczny jest zmodularyzowany i rozszerzalny poprzez implementację interfejsu w stylu REST, co pozwala na ciągłą poprawę wydajności poprzez włączenie dodatkowych modeli.

BCAI współpracuje z Laboratorium rozwiązań Amazon ML (MLSL) w celu uwzględnienia najnowszych osiągnięć w modelach opartych na głębokich sieciach neuronowych (DNN) do prognozowania przychodów. Niedawne postępy w dziedzinie prognozowania neuronowego wykazały doskonałą wydajność w rozwiązywaniu wielu praktycznych problemów prognostycznych. W porównaniu z tradycyjnymi modelami prognostycznymi, wiele neuronowych prognostów może włączać dodatkowe współzmienne lub metadane szeregów czasowych. Uwzględniamy CNN-QR i DeepAR+, dwa gotowe modele w Prognoza Amazon, a także niestandardowy model Transformera wyszkolony przy użyciu Amazon Sage Maker. Te trzy modele obejmują reprezentatywny zestaw szkieletów kodera często używanych w prognostykach neuronowych: splotową sieć neuronową (CNN), sekwencyjną rekurencyjną sieć neuronową (RNN) oraz kodery oparte na transformatorach.

Jednym z kluczowych wyzwań stojących przed partnerstwem BCAI-MLSL było zapewnienie solidnych i rozsądnych prognoz pod wpływem COVID-19, bezprecedensowego globalnego wydarzenia powodującego dużą zmienność globalnych wyników finansowych przedsiębiorstw. Ponieważ neurona prognostyczni są uczeni na danych historycznych, prognozy generowane na podstawie danych o braku dystrybucji z bardziej niestabilnych okresów mogą być niedokładne i niewiarygodne. Dlatego zaproponowaliśmy dodanie mechanizmu zamaskowanej uwagi w architekturze Transformera, aby rozwiązać ten problem.

Neuroprognozy mogą być połączone w jeden model zespołowy lub włączone indywidualnie do uniwersum modeli firmy Bosch i łatwo dostępne za pośrednictwem punktów końcowych interfejsu API REST. Proponujemy podejście polegające na zespoleniu neuronowych prognostyków na podstawie wyników testów historycznych, co zapewnia konkurencyjną i solidną wydajność w czasie. Dodatkowo zbadaliśmy i oceniliśmy szereg klasycznych hierarchicznych technik uzgadniania, aby zapewnić spójną agregację prognoz między grupami produktów, lokalizacjami geograficznymi i organizacjami biznesowymi.

W tym poście pokazujemy, co następuje:

• Jak zastosować szkolenie dotyczące modeli niestandardowych Forecast i SageMaker w przypadku hierarchicznych problemów z prognozowaniem szeregów czasowych na dużą skalę?
• Jak łączyć niestandardowe modele z gotowymi modelami firmy Forecast?
• Jak zmniejszyć wpływ wydarzeń zakłócających, takich jak COVID-19, na problemy z prognozowaniem
• Jak zbudować kompleksowy przepływ pracy prognozowania w AWS

Wyzwania

Zajęliśmy się dwoma wyzwaniami: tworzeniem hierarchicznego prognozowania przychodów na dużą skalę oraz wpływem pandemii COVID-19 na prognozowanie długoterminowe.

Hierarchiczne prognozowanie przychodów na dużą skalę

Zadaniem analityków finansowych jest prognozowanie kluczowych wielkości finansowych, w tym przychodów, kosztów operacyjnych oraz wydatków na badania i rozwój. Te metryki zapewniają wgląd w planowanie biznesowe na różnych poziomach agregacji i umożliwiają podejmowanie decyzji na podstawie danych. Każde rozwiązanie do automatycznego prognozowania musi zapewniać prognozy na dowolnym poziomie agregacji linii biznesowych. W firmie Bosch agregacje można sobie wyobrazić jako zgrupowane szeregi czasowe jako bardziej ogólną formę struktury hierarchicznej. Poniższy rysunek przedstawia uproszczony przykład z dwupoziomową strukturą, która naśladuje hierarchiczną strukturę prognozowania przychodów firmy Bosch. Całkowity przychód jest dzielony na wiele poziomów agregacji w zależności od produktu i regionu.

Całkowita liczba szeregów czasowych, które należy prognozować w firmie Bosch, jest rzędu milionów. Zwróć uwagę, że szeregi czasowe najwyższego poziomu można podzielić według produktów lub regionów, tworząc wiele ścieżek do prognoz najniższego poziomu. Przychody muszą być prognozowane w każdym węźle w hierarchii z horyzontem prognozowania wynoszącym 12 miesięcy w przyszłość. Dostępne są miesięczne dane historyczne.

Strukturę hierarchiczną można przedstawić za pomocą następującego formularza z zapisem macierzy sumującej S (Hyndman i Athanasopoulos):

W tym równaniu Y równa się:

Tutaj, b reprezentuje szereg czasowy dolnego poziomu w czasie t.

Skutki pandemii COVID-19

Pandemia COVID-19 przyniosła znaczące wyzwania dla prognozowania ze względu na jej destrukcyjne i bezprecedensowe skutki dla prawie wszystkich aspektów pracy i życia społecznego. W przypadku długoterminowego prognozowania przychodów zakłócenie przyniosło również nieoczekiwane skutki na dalszych etapach. Aby zilustrować ten problem, poniższy rysunek przedstawia przykładowe szeregi czasowe, w których przychody z produktów odnotowały znaczny spadek na początku pandemii, a następnie stopniowo się poprawiały. Typowy neuronowy model prognozowania przyjmie dane o przychodach, w tym okres COVID braku dystrybucji (OOD) jako dane wejściowe kontekstu historycznego, a także podstawę do uczenia modelu. W rezultacie opracowane prognozy nie są już wiarygodne.

Podejścia do modelowania

W tej sekcji omówimy nasze różne podejścia do modelowania.

Prognoza Amazon

Forecast to w pełni zarządzana usługa AI/ML firmy AWS, która zapewnia wstępnie skonfigurowane, najnowocześniejsze modele prognozowania szeregów czasowych. Łączy te oferty z wewnętrznymi możliwościami automatycznej optymalizacji hiperparametrów, modelowania zespołowego (dla modeli dostarczanych przez Forecast) i generowania prognoz probabilistycznych. Umożliwia to łatwe pozyskiwanie niestandardowych zestawów danych, wstępne przetwarzanie danych, trenowanie modeli prognozowania i generowanie niezawodnych prognoz. Modułowa konstrukcja usługi umożliwia nam ponadto łatwe wyszukiwanie i łączenie prognoz z dodatkowych niestandardowych modeli opracowanych równolegle.

Włączamy dwa neuronowe prognosty z Forecastu: CNN-QR i DeepAR+. Obie są nadzorowanymi metodami uczenia głębokiego, które szkolą model globalny dla całego zestawu danych szeregów czasowych. Zarówno modele CNNQR, jak i DeepAR+ mogą przyjmować statyczne metadane dotyczące każdego szeregu czasowego, które w naszym przypadku są odpowiednim produktem, regionem i organizacją biznesową. Automatycznie dodają również funkcje czasowe, takie jak miesiąc w roku, jako część danych wejściowych do modelu.

Transformator z maskami uwagi na COVID

Architektura transformatora (Vaswani i in.), pierwotnie zaprojektowany do przetwarzania języka naturalnego (NLP), niedawno pojawił się jako popularny wybór architektoniczny do prognozowania szeregów czasowych. Tutaj wykorzystaliśmy architekturę Transformer opisaną w Zhou i in. bez rzadkiej uwagi dziennika probabilistycznego. Model wykorzystuje typowy projekt architektury, łącząc koder i dekoder. W przypadku prognozowania przychodów konfigurujemy dekoder tak, aby bezpośrednio generował prognozę dla 12-miesięcznego horyzontu zamiast generowania prognozy miesiąc po miesiącu w sposób autoregresyjny. W oparciu o częstotliwość szeregów czasowych jako zmienną wejściową dodawane są dodatkowe cechy związane z czasem, takie jak miesiąc roku. Dodatkowe zmienne kategoryczne opisujące metainformacje (produkt, region, organizacja biznesowa) są wprowadzane do sieci za pośrednictwem wyszkolonej warstwy osadzania.

Poniższy diagram ilustruje architekturę Transformera i mechanizm maskowania uwagi. Maskowanie uwagi jest stosowane we wszystkich warstwach kodera i dekodera, zaznaczonych na pomarańczowo, aby zapobiec wpływowi danych OOD na prognozy.

Zmniejszamy wpływ okien kontekstowych OOD, dodając maski uwagi. Model jest wytrenowany, aby przykładać bardzo małą uwagę do okresu COVID, który zawiera wartości odstające poprzez maskowanie, i wykonuje prognozowanie z zamaskowanymi informacjami. Maska uwagi jest stosowana w każdej warstwie architektury dekodera i kodera. Maskowane okno można określić ręcznie lub za pomocą algorytmu wykrywania wartości odstających. Ponadto, gdy jako etykiety treningowe stosuje się okno czasowe zawierające wartości odstające, straty nie są propagowane wstecznie. Tę metodę opartą na maskowaniu uwagi można zastosować do obsługi zakłóceń i przypadków OOD spowodowanych innymi rzadkimi zdarzeniami oraz do poprawy wiarygodności prognoz.

Zespół modelowy

Zestaw modeli często przewyższa pojedyncze modele w zakresie prognozowania — poprawia uogólnianie modelu i lepiej radzi sobie z danymi szeregów czasowych o różnej charakterystyce pod względem okresowości i nieciągłości. Wprowadzamy szereg strategii zestawów modeli w celu poprawy wydajności modelu i odporności prognoz. Jedną z typowych form zestawu modeli uczenia głębokiego jest agregowanie wyników z przebiegów modelu z różnymi inicjalizacją losowych wag lub z różnych epok szkoleniowych. Wykorzystujemy tę strategię do uzyskania prognoz dla modelu Transformer.

Aby dalej budować zespół na podstawie różnych architektur modeli, takich jak Transformer, CNNQR i DeepAR+, stosujemy strategię zespołu pan-model, która wybiera najlepsze modele o największej wydajności dla każdego szeregu czasowego na podstawie wyników testów historycznych i uzyskuje ich średnie. Ponieważ wyniki testów historycznych można wyeksportować bezpośrednio z wytrenowanych modeli prognozowania, strategia ta umożliwia nam korzystanie z usług pod klucz, takich jak Forecast, z ulepszeniami uzyskanymi z modeli niestandardowych, takich jak Transformer. Takie kompleksowe podejście do zestawu modeli nie wymaga szkolenia metauczącego się ani obliczania funkcji szeregów czasowych w celu wyboru modelu.

Pojednanie hierarchiczne

Ramy można dostosować, aby uwzględnić szeroki zakres technik, takich jak etapy przetwarzania końcowego dla hierarchicznego uzgadniania prognoz, w tym uzgadnianie oddolne (BU), odgórne uzgadnianie z proporcjami prognozowania (TDFP), zwykłe najmniejsze kwadraty (OLS) i ważone najmniejsze kwadraty ( WLS). Wszystkie wyniki eksperymentalne w tym poście zostały przedstawione przy użyciu uzgodnienia odgórnego z proporcjami prognozowania.

Przegląd architektury

Opracowaliśmy zautomatyzowany, kompleksowy przepływ pracy w AWS, aby generować prognozy przychodów z wykorzystaniem usług takich jak Forecast, SageMaker, Usługa Amazon Simple Storage (Amazonka S3), AWS Lambda, Funkcje kroków AWS, Zestaw programistyczny AWS Cloud (AWS CDK). Wdrożone rozwiązanie zapewnia indywidualne prognozy szeregów czasowych poprzez REST API z wykorzystaniem Brama Amazon API, zwracając wyniki w predefiniowanym formacie JSON.

Poniższy diagram ilustruje przepływ pracy prognozowania end-to-end.

Kluczowe względy projektowe dotyczące architektury to wszechstronność, wydajność i przyjazność dla użytkownika. System powinien być wystarczająco wszechstronny, aby uwzględniać zróżnicowany zestaw algorytmów podczas opracowywania i wdrażania, przy minimalnych wymaganych zmianach, i może być łatwo rozszerzany podczas dodawania nowych algorytmów w przyszłości. System powinien również zapewniać minimalne obciążenie i obsługiwać równoległe szkolenie zarówno dla programu Forecast, jak i SageMaker, aby skrócić czas szkolenia i szybciej uzyskiwać najnowsze prognozy. Wreszcie, system powinien być prosty w obsłudze do celów eksperymentalnych.

Kompletny przepływ pracy sekwencyjnie przebiega przez następujące moduły:

1. Moduł wstępnego przetwarzania do formatowania i transformacji danych
2. Modelowy moduł szkoleniowy zawierający zarówno model prognozy, jak i model niestandardowy w programie SageMaker (oba działają równolegle)
3. Moduł postprocessingu obsługujący zestaw modeli, uzgadnianie hierarchiczne, metryki i generowanie raportów

Step Functions organizuje i organizuje przepływ pracy od początku do końca jako automat stanów. Uruchamianie automatu stanów jest konfigurowane za pomocą pliku JSON zawierającego wszystkie niezbędne informacje, w tym lokalizację plików CSV historycznych przychodów w Amazon S3, czas rozpoczęcia prognozy i ustawienia hiperparametrów modelu w celu uruchomienia kompleksowego przepływu pracy. Wywołania asynchroniczne są tworzone w celu zrównoleglenia uczenia modelu w maszynie stanów przy użyciu funkcji Lambda. Wszystkie dane historyczne, pliki konfiguracyjne, wyniki prognoz, a także wyniki pośrednie, takie jak wyniki backtestów, są przechowywane w Amazon S3. Interfejs API REST jest zbudowany na bazie Amazon S3, aby zapewnić interfejs z możliwością zapytań do odpytywania wyników prognozowania. System można rozbudować o nowe modele prognostyczne i funkcje pomocnicze, takie jak generowanie raportów wizualizacji prognoz.

Ocena

W tej sekcji szczegółowo opisujemy konfigurację eksperymentu. Kluczowe składniki obejmują zestaw danych, metryki oceny, okna testowania historycznego oraz konfigurację i szkolenie modelu.

Dataset

Aby chronić prywatność finansową firmy Bosch podczas korzystania ze znaczącego zestawu danych, użyliśmy syntetycznego zestawu danych, który ma podobną charakterystykę statystyczną do zestawu danych dotyczących rzeczywistych przychodów z jednej jednostki biznesowej firmy Bosch. Zestaw danych zawiera łącznie 1,216 szeregów czasowych z przychodami rejestrowanymi z częstotliwością miesięczną, obejmujących od stycznia 2016 r. do kwietnia 2022 r. Zestaw danych zawiera 877 szeregów czasowych na najbardziej szczegółowym poziomie (dolne szeregi czasowe), z odpowiednią pogrupowaną strukturą szeregów czasowych jako macierz sumującą S. Każdy szereg czasowy jest powiązany z trzema statycznymi atrybutami kategorialnymi, które odpowiadają kategorii produktu, regionowi i jednostce organizacyjnej w rzeczywistym zbiorze danych (anonimizowanym w danych syntetycznych).

Wskaźniki oceny

Do oceny wydajności modelu i przeprowadzenia analizy porównawczej, które są standardowymi metrykami stosowanymi w firmie Bosch, używamy mediany-średniej arcus tangens Absolute Percentage Error (mediana-MAAPE) i ważonego MAAPE. MAAPE rozwiązuje wady metryki MAPE (Mean Absolute Percentage Error) powszechnie stosowanej w kontekście biznesowym. Mediana-MAAPE daje przegląd wydajności modelu poprzez obliczenie mediany MAAPE obliczonych indywidualnie dla każdego szeregu czasowego. Weighted-MAAPE raportuje ważoną kombinację poszczególnych MAAPE. Wagi to proporcja przychodu dla każdego szeregu czasowego w porównaniu do zagregowanego przychodu całego zbioru danych. Weighted-MAAPE lepiej odzwierciedla wpływ dokładności prognozowania na dalszy biznes. Obie metryki są raportowane w całym zbiorze danych 1,216 szeregów czasowych.

Windows backtest

Używamy kroczących 12-miesięcznych okienek backtestu do porównywania wydajności modelu. Poniższy rysunek ilustruje okna testowania historycznego używane w eksperymentach i podkreśla odpowiednie dane używane do uczenia i optymalizacji hiperparametrów (HPO). W przypadku okien testów historycznych po rozpoczęciu COVID-19 na wynik mają wpływ dane wejściowe OOD od kwietnia do maja 2020 r., w oparciu o to, co zaobserwowaliśmy w szeregach czasowych przychodów.

Konfiguracja modelu i szkolenie

W przypadku treningu Transformera użyliśmy straty kwantylowej i przeskalowaliśmy każdy szereg czasowy przy użyciu jego historycznej średniej wartości przed wprowadzeniem go do Transformera i obliczeniem straty treningu. Ostateczne prognozy są przeskalowywane z powrotem w celu obliczenia metryk dokładności za pomocą MeanScaler zaimplementowanego w GluonTS. Korzystamy z okna kontekstowego z miesięcznymi danymi o przychodach z ostatnich 18 miesięcy, wybranych za pomocą HPO w oknie backtestu od lipca 2018 do czerwca 2019. Dodatkowe metadane dotyczące każdego szeregu czasowego w postaci statycznych zmiennych kategorialnych są wprowadzane do modelu poprzez osadzanie warstwy przed podaniem jej do warstw transformatora. Trenujemy Transformer za pomocą pięciu różnych losowych inicjalizacji wag i uśredniamy wyniki prognozy z ostatnich trzech epok dla każdego przebiegu, w sumie uśredniając 15 modeli. W celu skrócenia czasu szkolenia można zrównoleglić pięć przebiegów szkolenia modelowego. W przypadku zamaskowanego transformatora podajemy miesiące od kwietnia do maja 2020 r. jako wartości odstające.

W przypadku wszystkich trenowania modelu prognozy włączyliśmy automatyczne HPO, które może wybrać model i parametry treningu na podstawie określonego przez użytkownika okresu weryfikacji historycznej, który jest ustawiony na ostatnie 12 miesięcy w oknie danych używanym do trenowania i HPO.

Wyniki eksperymentu

Szkolimy zamaskowane i niemaskowane Transformatory przy użyciu tego samego zestawu hiperparametrów i porównujemy ich wydajność dla okien testów historycznych bezpośrednio po wyładowaniu COVID-19. W zamaskowanym Transformerze dwa zamaskowane miesiące to kwiecień i maj 2020 r. Poniższa tabela przedstawia wyniki z serii okresów analizy historycznej z 12-miesięcznymi oknami prognostycznymi, począwszy od czerwca 2020 r. Możemy zaobserwować, że zamaskowany Transformer konsekwentnie przewyższa wersję niemaskowaną .

Przeprowadziliśmy następnie ocenę strategii zespołu modelowego na podstawie wyników backtestów. W szczególności porównujemy dwa przypadki, w których wybierany jest tylko najskuteczniejszy model z dwoma najlepszymi modelami, a uśrednianie modelu jest wykonywane przez obliczenie średniej wartości prognoz. Porównujemy wydajność modeli podstawowych i modeli zespołowych na poniższych rysunkach. Zwróć uwagę, że żaden z neuronowych prognostów nie przewyższa innych w okresach testów historycznych.

Poniższa tabela pokazuje, że średnio najlepsze osiągi daje modelowanie zespołowe dwóch najlepszych modeli. CNNQR zapewnia drugi najlepszy wynik.

Wnioski

W tym poście pokazano, jak zbudować kompleksowe rozwiązanie ML dla problemów z prognozowaniem na dużą skalę, łączące prognozę i niestandardowy model wyszkolony w programie SageMaker. W zależności od potrzeb biznesowych i wiedzy ML możesz użyć w pełni zarządzanej usługi, takiej jak Forecast, aby odciążyć proces kompilacji, szkolenia i wdrażania modelu prognozowania; zbuduj swój własny model z określonymi mechanizmami dostrajania za pomocą SageMaker; lub wykonaj kompletowanie modeli, łącząc obie usługi.

Jeśli potrzebujesz pomocy w przyspieszeniu wykorzystania ML w swoich produktach i usługach, skontaktuj się z Laboratorium rozwiązań Amazon ML program.

Referencje

Hyndman RJ, Athanasopoulos G. Prognozowanie: zasady i praktyka. OTeksty; 2018 maja 8

Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Wystarczy uwaga. Postępy w neuronowych systemach przetwarzania informacji. 2017;30.

Zhou H, Zhang S, Peng J, Zhang S, Li J, Xiong H, Zhang W. Informer: Poza wydajnym transformatorem do prognozowania długich sekwencji czasowych. W postępowaniu AAAI 2021 2 lutego.

---

O autorach

Goktug Cinar jest głównym naukowcem ML i kierownikiem technicznym ML i prognozowania opartego na statystykach w Robert Bosch LLC i Bosch Center for Artificial Intelligence. Prowadzi badania nad modelami prognostycznymi, konsolidacją hierarchiczną i technikami łączenia modeli, a także zespołem programistycznym, który skaluje te modele i obsługuje je jako część wewnętrznego, kompleksowego oprogramowania do prognozowania finansowego.

Michał Binder jest właścicielem produktu w firmie Bosch Global Services, gdzie koordynuje rozwój, wdrażanie i wdrażanie aplikacji do analizy predykcyjnej na dużą skalę do automatycznego prognozowania kluczowych danych finansowych na dużą skalę.

Adriana Horvatha jest Software Developerem w Bosch Center for Artificial Intelligence, gdzie opracowuje i utrzymuje systemy do tworzenia predykcji w oparciu o różne modele prognostyczne.

Panpan Xu jest starszym naukowcem i menedżerem w laboratorium Amazon ML Solutions Lab w AWS. Pracuje nad badaniami i rozwojem algorytmów uczenia maszynowego dla aplikacji klientów o dużym wpływie w różnych branżach przemysłowych, aby przyspieszyć ich adopcję w zakresie sztucznej inteligencji i chmury. Jej zainteresowania badawcze obejmują interpretację modeli, analizę przyczynową, sztuczną inteligencję w pętli oraz interaktywną wizualizację danych.

Jasleen Grewal jest naukowcem stosowanym w Amazon Web Services, gdzie współpracuje z klientami AWS, aby rozwiązywać rzeczywiste problemy za pomocą uczenia maszynowego, ze szczególnym uwzględnieniem medycyny precyzyjnej i genomiki. Ma duże doświadczenie w bioinformatyce, onkologii i genomice klinicznej. Jej pasją jest wykorzystywanie AI/ML i usług w chmurze do poprawy opieki nad pacjentem.

Selvana Senthivela jest starszym inżynierem ML w Amazon ML Solutions Lab w AWS, koncentrując się na pomaganiu klientom w uczeniu maszynowym, problemach z głębokim uczeniem i kompleksowych rozwiązaniach ML. Był założycielskim kierownikiem inżynieryjnym Amazon Comprehend Medical i przyczynił się do projektowania i architektury wielu usług AWS AI.

Ruilina Zhanga jest SDE z Amazon ML Solutions Lab w AWS. Pomaga klientom wdrażać usługi AWS AI, budując rozwiązania do rozwiązywania typowych problemów biznesowych.

Shane’a Rai’a jest starszym strategiem ML w Amazon ML Solutions Lab w AWS. Współpracuje z klientami z różnych branż, aby rozwiązać ich najbardziej palące i innowacyjne potrzeby biznesowe, korzystając z szerokiego zakresu usług AI/ML opartych na chmurze AWS.

Lin Lee Cheonga jest Applied Science Managerem w zespole Amazon ML Solutions Lab w AWS. Współpracuje ze strategicznymi klientami AWS, badając i stosując sztuczną inteligencję i uczenie maszynowe w celu odkrywania nowych spostrzeżeń i rozwiązywania złożonych problemów.