At SambaSegurança, sua missão é promover comunidades mais seguras, reduzindo o risco por meio de insights de dados. Desde 1998, a SambaSafety é a fornecedora líder norte-americana de software de gerenciamento de risco de mobilidade baseado em nuvem para organizações com motoristas comerciais e não comerciais. A SambaSafety atende a mais de 15,000 empregadores e seguradoras globais com monitoramento de conformidade e risco de motorista, treinamento on-line e análises profundas de risco, bem como soluções de precificação de risco. Por meio da coleta, correlação e análise do registro do motorista, telemática, dados corporativos e outros dados do sensor, o SambaSafety não apenas ajuda os empregadores a aplicar melhor as políticas de segurança e reduzir os sinistros, mas também ajuda as seguradoras a tomar decisões de subscrição informadas e os rastreadores de fundo a realizar uma pré-contratação precisa e eficiente Verificações.
Nem todos os motoristas apresentam o mesmo perfil de risco. Quanto mais tempo passado ao volante, maior o seu perfil de risco. A equipe de cientistas de dados da SambaSafety desenvolveu soluções de modelagem complexas e proprietárias projetadas para quantificar com precisão esse perfil de risco. No entanto, eles buscaram suporte para implantar essa solução para inferência em lote e em tempo real de maneira consistente e confiável.
Nesta postagem, discutimos como a SambaSafety usou ferramentas de aprendizado de máquina (ML) e integração contínua e entrega contínua (CI/CD) da AWS para implantar seu aplicativo de ciência de dados existente para inferência em lote. SambaSafety trabalhou com AWS Advanced Consulting Partner Mente de Fogo para entregar uma solução que usou AWS CodeStar, Funções de etapa da AWS e Amazon Sage Maker para esta carga de trabalho. Com os produtos AWS CI/CD e AI/ML, a equipe de ciência de dados da SambaSafety não precisou alterar seu fluxo de trabalho de desenvolvimento existente para aproveitar o treinamento e a inferência contínuos do modelo.
Caso de uso do cliente
A equipe de ciência de dados da SambaSafety há muito tempo usa o poder dos dados para informar seus negócios. Eles tinham vários engenheiros e cientistas qualificados construindo modelos perspicazes que melhoraram a qualidade da análise de risco em sua plataforma. Os desafios enfrentados por essa equipe não estavam relacionados à ciência de dados. A equipe de ciência de dados da SambaSafety precisava de ajuda para conectar seu fluxo de trabalho de ciência de dados existente a uma solução de entrega contínua.
A equipe de ciência de dados da SambaSafety manteve vários artefatos semelhantes a scripts como parte de seu fluxo de trabalho de desenvolvimento. Esses scripts executavam várias tarefas, incluindo pré-processamento de dados, engenharia de recursos, criação de modelo, ajuste de modelo e comparação e validação de modelo. Esses scripts eram todos executados manualmente quando novos dados chegavam ao ambiente para treinamento. Além disso, esses scripts não executaram nenhuma versão de modelo ou hospedagem para inferência. A equipe de ciência de dados da SambaSafety desenvolveu soluções manuais para promover novos modelos à produção, mas esse processo tornou-se demorado e trabalhoso.
Para liberar a equipe de ciência de dados altamente qualificada da SambaSafety para inovar em novas cargas de trabalho de ML, a SambaSafety precisava automatizar as tarefas manuais associadas à manutenção de modelos existentes. Além disso, a solução precisava replicar o fluxo de trabalho manual usado pela equipe de ciência de dados do SambaSafety e tomar decisões sobre o procedimento com base nos resultados desses scripts. Por fim, a solução precisava se integrar à base de código existente. A equipe de ciência de dados do SambaSafety usou uma solução de repositório de código externa à AWS; o pipeline final tinha que ser inteligente o suficiente para ser acionado com base nas atualizações de sua base de código, que foi escrita principalmente em R.
Visão geral da solução
O diagrama a seguir ilustra a arquitetura da solução, que foi informada por uma das muitas arquiteturas de código aberto mantidas pelo parceiro de entrega da SambaSafety Mente de Fogo.
A solução fornecida pela Firemind para a equipe de ciência de dados da SambaSafety foi construída em torno de dois pipelines de ML. O primeiro pipeline de ML treina um modelo usando os scripts de teste, treinamento e pré-processamento de dados personalizados do SambaSafety. O artefato de modelo resultante é implantado para inferência em lote e em tempo real para modelar endpoints gerenciados pelo SageMaker. O segundo pipeline de ML facilita a solicitação de inferência para o modelo hospedado. Dessa forma, o pipeline de treinamento é desacoplado do pipeline de inferência.
Uma das complexidades deste projeto é replicar as etapas manuais executadas pelos cientistas de dados do SambaSafety. A equipe da Firemind usou o Step Functions e o SageMaker Processing para concluir esta tarefa. O Step Functions permite que você execute tarefas discretas na AWS usando AWS Lambda funções, Serviço Amazon Elastic Kubernetes (Amazon EKS) ou, neste caso, SageMaker. O processamento do SageMaker permite definir trabalhos que são executados em instâncias de ML gerenciadas no ecossistema do SageMaker. Cada execução de um trabalho Step Function mantém seus próprios logs, histórico de execução e detalhes sobre o sucesso ou falha do trabalho.
A equipe usou o Step Functions e o SageMaker, juntamente com o Lambda, para lidar com a automação das cargas de trabalho de treinamento, ajuste, implantação e inferência. A única peça restante era a integração contínua das alterações de código a esse pipeline de implantação. A Firemind implementou um projeto CodeStar que manteve uma conexão com o repositório de código existente da SambaSafety. Quando a diligente equipe de ciência de dados da SambaSafety publica uma atualização em uma ramificação específica de sua base de código, o CodeStar capta as alterações e aciona a automação.
Conclusão
O novo pipeline de MLOps sem servidor da SambaSafety teve um impacto significativo em sua capacidade de entrega. A integração de ciência de dados e desenvolvimento de software permite que suas equipes trabalhem juntas perfeitamente. Sua solução automatizada de implantação de modelo reduziu o tempo de entrega em até 70%.
SambaSafety também disse o seguinte:
“Ao automatizar nossos modelos de ciência de dados e integrá-los ao ciclo de vida de desenvolvimento de software, conseguimos atingir um novo nível de eficiência e precisão em nossos serviços. Isso nos permitiu ficar à frente da concorrência e oferecer soluções inovadoras aos clientes. Nossos clientes se beneficiarão muito com isso, com tempos de resposta mais rápidos e maior precisão de nossas soluções.”
O SambaSafety se conectou com as equipes de contas da AWS com seu problema. As equipes de arquitetura de contas e soluções da AWS trabalharam para identificar essa solução por meio de fontes de nossa robusta rede de parceiros. Conecte-se com sua equipe de contas da AWS para identificar oportunidades transformadoras semelhantes para seus negócios.
Sobre os autores
Dan Ferguson é um AI/ML Specialist Solutions Architect (SA) na arquitetura de soluções de capital privado na Amazon Web Services. Dan ajuda empresas de portfólio apoiadas por private equity a alavancar tecnologias de IA/ML para atingir seus objetivos de negócios.
Khalil Adib é um cientista de dados da Firemind, impulsionando a inovação que a Firemind pode oferecer aos seus clientes nos mundos mágicos da IA e ML. Khalil mexe com as melhores e mais recentes tecnologias e modelos, garantindo que Firemind esteja sempre no limite.
Jason Matthew é engenheiro de nuvem na Firemind, liderando a entrega de projetos para clientes de ponta a ponta, desde a criação de pipelines com IaC, desenvolvimento de engenharia de dados com Python e expansão dos limites do ML. Jason também é o principal colaborador dos projetos de código aberto da Firemind.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- EVM Finanças. Interface unificada para finanças descentralizadas. Acesse aqui.
- Grupo de Mídia Quântica. IR/PR Amplificado. Acesse aqui.
- PlatoAiStream. Inteligência de Dados Web3. Conhecimento Amplificado. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/samba-safety-automates-custom-r-workload-improving-driver-safety-with-amazon-sagemaker-and-aws-step-functions/
- :tem
- :é
- :não
- $UP
- 000
- 100
- 15%
- 1998
- 7
- 9
- a
- Capaz
- Sobre
- Conta
- precisão
- preciso
- exatamente
- Alcançar
- Adicionalmente
- avançado
- Vantagem
- à frente
- AI
- AI / ML
- Todos os Produtos
- permite
- tb
- sempre
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- americano
- an
- análise
- analítica
- e
- qualquer
- Aplicação
- arquitetura
- SOMOS
- por aí
- AS
- associado
- At
- automatizar
- Automatizado
- automatiza
- automatizando
- Automação
- AWS
- Aprendizado de máquina da AWS
- Funções de etapa da AWS
- Apoiado
- fundo
- base
- baseado
- BE
- passou a ser
- sido
- atrás
- beneficiar
- Melhor
- Hemorragia
- limites
- Ramo
- Prédio
- construído
- negócio
- mas a
- by
- CAN
- transportadoras
- casas
- desafios
- alterar
- Alterações
- Cheques
- reivindicações
- clientes
- Na nuvem
- código
- base de código
- coleção
- comercial
- Comunidades
- Empresas
- comparação
- competição
- completar
- integrações
- complexidades
- compliance
- Contato
- conectado
- Conexão de
- da conexão
- consistente
- consultor
- contínuo
- contribuinte
- Responsabilidade
- Correlação
- criação
- personalizadas
- Clientes
- dados,
- ciência de dados
- cientista de dados
- decisões
- desacoplado
- profundo
- entregar
- entregue
- Entrega
- implantar
- implantado
- desenvolvimento
- projetado
- detalhes
- desenvolvido
- Desenvolvimento
- discutir
- motorista
- Drivers
- condução
- cada
- ecossistema
- borda
- eficiência
- eficiente
- empregadores
- habilitado
- permite
- end-to-end
- aplicar
- engenheiro
- Engenharia
- Engenheiros
- suficiente
- assegurando
- Meio Ambiente
- equidade
- existente
- externo
- enfrentou
- facilita
- Falha
- mais rápido
- Característica
- final
- Finalmente
- Primeiro nome
- seguinte
- Escolha
- Gratuito
- da
- função
- funções
- Além disso
- Global
- maior
- grandemente
- tinha
- manipular
- Ter
- ajudar
- ajuda
- superior
- altamente
- história
- hospedado
- hospedagem
- Como funciona o dobrador de carta de canal
- Contudo
- HTML
- http
- HTTPS
- identificar
- ilustra
- Impacto
- implementado
- melhorado
- melhorar
- in
- Incluindo
- informar
- informado
- inovar
- Inovação
- inovadores
- insights
- com seguro
- integrar
- Integração
- integração
- Inteligente
- para dentro
- ESTÁ
- Trabalho
- Empregos
- jpg
- Chave
- Khalil
- mais recente
- principal
- aprendizagem
- Nível
- Alavancagem
- wifecycwe
- longo
- máquina
- aprendizado de máquina
- Manter
- mantém
- fazer
- gerenciados
- de grupos
- maneira
- manual
- manualmente
- muitos
- Missão
- ML
- MLOps
- mobilidade
- modelo
- modelagem
- modelos
- monitoração
- mais
- necessário
- rede
- Novo
- Norte
- objetivos
- of
- on
- ONE
- online
- só
- aberto
- open source
- oportunidades
- or
- organizações
- Outros
- A Nossa
- Fora
- resultados
- próprio
- parte
- parceiro
- rede de parceiros
- Realizar
- realizada
- Picks
- peça
- oleoduto
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- políticas
- pasta
- Publique
- POSTAGENS
- poder
- presente
- preços
- principalmente
- privado
- Private Equity
- Problema
- processo
- em processamento
- Produção
- Produtos
- Perfil
- projeto
- projetos
- a promover
- fornecer
- provedor
- Empurrando
- Python
- qualidade
- em tempo real
- registro
- reduzir
- Reduzido
- redução
- relacionado
- confiável
- remanescente
- repositório
- solicitar
- resultando
- Risco
- gestão de risco
- uma conta de despesas robusta
- Execute
- SA
- mais segura
- Segurança
- sábio
- mesmo
- dizer
- Ciência
- Cientista
- cientistas
- Scripts
- sem problemas
- Segundo
- Serverless
- serve
- Serviços
- vários
- periodo
- semelhante
- desde
- hábil
- Software
- desenvolvimento de software
- solução
- Soluções
- fonte
- Origem
- especialista
- específico
- gasto
- ficar
- Passo
- Passos
- sucesso
- ajuda
- Tire
- tomado
- Tarefa
- tarefas
- Profissionais
- equipes
- tecnologia
- Tecnologias
- ensaio
- do que
- que
- A
- deles
- Eles
- Este
- deles
- isto
- Através da
- tempo
- demorado
- vezes
- para
- juntos
- ferramentas
- Training
- trens
- transformadora
- desencadear
- dois
- underwriting
- Atualizar
- Atualizações
- us
- usar
- usava
- utilização
- validação
- foi
- Caminho..
- we
- web
- serviços web
- BEM
- foram
- Roda
- quando
- qual
- precisarão
- de
- dentro
- Atividades:
- trabalhar juntos
- trabalhou
- trabalhadores
- de gestão de documentos
- do mundo
- escrita
- escrito
- Vocês
- investimentos
- zefirnet