Mulți furnizori de software ca serviciu (SaaS) din diverse industrii adaugă capacități de învățare automată (ML) și inteligență artificială (AI) la ofertele lor SaaS pentru a aborda cazuri de utilizare precum recomandarea personalizată a produselor, detectarea fraudei și protecția precisă a cererii. Unii furnizori SaaS doresc să construiască ei înșiși astfel de capabilități de ML și AI și să le implementeze într-un mediu cu mai mulți chiriași. Cu toate acestea, alții care au clienți mai avansați doresc să permită clienților lor să construiască ei înșiși modele ML și să le folosească pentru a spori SaaS cu capabilități suplimentare sau pentru a anula implementarea implicită a anumitor funcționalități.
În această postare, discutăm despre cum să vă îmbunătățiți oferta SaaS cu un banc de lucru pentru știința datelor Amazon SageMaker Studio.
Să presupunem că un furnizor independent de software (ISV) numit XYZ are o ofertă de top CRM SaaS care este folosită de milioane de clienți pentru a analiza comportamentul de cumpărare al clienților. Un agent de marketing din cadrul companiei FOO (un client XYZ) dorește să-și găsească cumpărătorii cu tendință de a se pierde, astfel încât să poată optimiza rentabilitatea investiției programelor lor de reținere a clienților, țintind astfel de cumpărători. Ei au folosit anterior analize statistice simple în CRM pentru a evalua astfel de clienți. Acum, doresc să îmbunătățească în continuare rentabilitatea investiției prin utilizarea tehnicilor ML. XYZ își poate îmbunătăți CRM-ul pentru clienții lor folosind soluția explicată în această postare și permite echipei FOO de știință a datelor să construiască ei înșiși modele pe baza datelor lor.
Clienții SaaS interesați de acest caz de utilizare doresc să aibă acces la un banc de lucru pentru știința datelor ca parte a SaaS, prin intermediul căruia își pot accesa cu ușurință datele din interiorul SaaS, le pot analiza, extrage tendințe și construi, antrena și implementa personalizate. Modele ML. Ei doresc integrare sigură între bancul de lucru pentru știința datelor și SaaS, acces la un set cuprinzător și larg de capabilități de știință a datelor și ML și posibilitatea de a importa seturi de date suplimentare și de a le uni cu datele extrase din SaaS pentru a obține informații utile.
Următoarea diagramă ilustrează arhitectura actuală a ofertei CRM SaaS a XYZ.
Această arhitectură constă din următoarele elemente:
- Strat frontal – Acest strat este găzduit pe Serviciul Amazon de stocare simplă (Amazon S3). Amazon CloudFront este folosit ca rețea globală de livrare a conținutului și Amazon Cognito este utilizat pentru autentificarea și autorizarea utilizatorilor. Acest strat include trei aplicații web:
- Aterizare și înscriere – Pagina publică pe care clienții o pot găsi și utiliza pentru a se înscrie la soluția CRM. Înregistrarea declanșează procesul de înregistrare, care implică crearea unui nou chiriaș în sistem pentru client.
- aplicație CRM – Folosit de clienți pentru a gestiona oportunitățile, a-și gestiona proprii clienți și multe altele. Se bazează pe Amazon Cognito pentru autentificarea și autorizarea utilizatorilor.
- administrator CRM – Folosit de furnizorul SaaS pentru gestionarea și configurarea chiriașilor.
- Stratul de backend – Acest strat este implementat ca două seturi de microservicii care rulează Serviciul Amazon Elastic Kubernetes (Amazon EKS):
- Servicii SaaS – Include servicii de înregistrare, de gestionare a chiriașilor și de gestionare a utilizatorilor. O implementare mai completă ar include servicii suplimentare pentru facturare și contorizare.
- Servicii de aplicare – Include managementul clienților, managementul oportunităților și serviciile de catalog de produse. Acest set poate conține servicii suplimentare bazate pe funcționalitățile de afaceri furnizate de soluția CRM.
Următoarele secțiuni ale postării discută cum să construiți o nouă versiune a CRM SaaS cu un banc de lucru încorporat pentru știința datelor.
Prezentare generală a soluției
Noi folosim Amazon SageMaker pentru a răspunde cerințelor soluției noastre. SageMaker este cel mai complet serviciu end-to-end pentru ML. Este un serviciu gestionat pentru oamenii de știință de date și dezvoltatori, care ajută la eliminarea sarcinilor grele nediferențiate asociate cu ML, astfel încât să aveți mai mult timp, resurse și energie pentru a vă concentra asupra afacerii dvs.
Caracteristicile SageMaker includ SageMaker Studio — primul mediu de dezvoltare complet integrat (IDE) pentru ML. Oferă o interfață vizuală unică bazată pe web, unde puteți efectua toți pașii de dezvoltare ML necesari pentru a construi, antrena, regla, depana, implementa și monitoriza modelele. Oferă cercetătorilor de date toate instrumentele de care au nevoie pentru a prelua modelele ML de la experimentare la producție, fără a părăsi IDE-ul.
SageMaker Studio este încorporat în SaaS ca banc de lucru pentru știința datelor — îl puteți lansa alegând un link în interiorul SaaS și obțineți acces la diferitele capabilități ale SageMaker. Puteți utiliza SageMaker Studio pentru a procesa și analiza propriile date stocate în SaaS și pentru a extrage informații. De asemenea, puteți utiliza API-urile SageMaker pentru a construi și implementa un model ML, apoi integrați procesele și fluxurile de lucru SaaS cu modelul ML implementat pentru o procesare mai precisă a datelor.
Această postare abordează mai multe considerații necesare pentru o soluție:
- Abordare multi-tenancy și configurarea conturilor – Cum să izolați chiriașii. Această secțiune discută, de asemenea, o structură a conturilor propusă.
- Aprovizionare și automatizare – Cum să automatizezi furnizarea bancului de lucru pentru știința datelor.
- Integrarea și managementul identității - Integrarea dintre SaaS și SageMaker Studio și integrarea cu furnizorul de identitate (IdP).
- Management de date – Extragerea datelor și cum să le puneți la dispoziție standului de lucru pentru știința datelor.
Discutăm aceste concepte în contextul soluției CRM SaaS explicată la începutul postării. Următoarea diagramă oferă o vedere la nivel înalt a arhitecturii soluției.
După cum este descris în diagrama precedentă, schimbarea cheie în arhitectură este introducerea următoarelor componente:
- Serviciu de gestionare a datelor – Responsabil pentru extragerea datelor clientului SaaS din magazinul de date SaaS și împingerea lor către workbench-ul științei datelor.
- Serviciu de gestionare a bancului de lucru pentru știința datelor – Responsabil cu furnizarea bancului de lucru pentru știința datelor pentru clienții SaaS și lansarea acestuia în cadrul SaaS.
- Banc de lucru pentru știința datelor – Bazat pe SageMaker Studio și rulează într-un cont AWS separat. Include, de asemenea, o găleată S3 care stochează datele extrase din depozitul de date SaaS.
Beneficiile acestei soluții includ următoarele:
- Clienții SaaS pot îndeplini diferitele sarcini de știință a datelor și ML lansând SageMaker Studio din SaaS într-o filă separată și pot folosi asta ca banc de lucru pentru știința datelor, fără a fi nevoiți să se autentifice din nou. Nu trebuie să construiască și să gestioneze o platformă separată de știință a datelor.
- Clienții SaaS pot extrage cu ușurință datele care se află în depozitul de date SaaS și le pot pune la dispoziție pentru bancul de lucru încorporat pentru știința datelor fără a fi nevoie să aibă abilități de inginerie a datelor. De asemenea, este mai ușor să integrezi modelul ML pe care l-au construit cu SaaS.
- Clienții SaaS pot accesa cel mai larg și complet set de capabilități ML oferite de SageMaker.
Abordare multi-tenancy și configurarea contului
Această secțiune acoperă cum să furnizați SageMaker Studio pentru diferiți chiriași sau clienți SaaS (chiriașii și clienții SaaS sunt utilizați interschimbabil, deoarece sunt strâns legați - fiecare client SaaS are un chiriaș). Următoarea diagramă ilustrează o configurare cu mai multe conturi care acceptă furnizarea unui mediu SageMaker securizat și izolat pentru fiecare chiriaș. Structura propusă este în concordanță cu cele mai bune practici AWS pentru o configurare cu mai multe conturi. Pentru mai multe informații, consultați Organizarea mediului dvs. AWS utilizând mai multe conturi.
Noi folosim Turnul de control AWS pentru a implementa configurarea propusă pentru mai multe conturi. AWS Control Tower oferă un cadru pentru configurarea și extinderea unui mediu AWS bine arhitecturat, cu mai multe conturi, bazat pe cele mai bune practici de securitate și conformitate. AWS Control Tower utilizează mai multe alte servicii AWS, inclusiv Organizații AWS, Catalog de servicii AWS, și Formarea AWS Cloud, pentru a-și construi structura contului și a aplica balustrade. Balustradele pot fi politici de control al serviciului AWS Organizations sau Configurare AWS reguli. Account Factory, o caracteristică a AWS Control Tower care permite standardizarea furnizării de conturi noi cu liniile de bază adecvate pentru înregistrarea și auditarea centralizate, este utilizată pentru a automatiza furnizarea de conturi noi pentru mediile SageMaker ale clienților, ca parte a procesului de integrare. A se referi la Turnul de control AWS – Configurați și guvernați un mediu AWS cu mai multe conturi pentru mai multe detalii despre AWS Control Tower și despre modul în care utilizează alte servicii AWS sub capotă pentru a configura și guverna o configurare cu mai multe conturi.
Toate conturile care găzduiesc mediile SageMaker ale clienților se află sub o unitate organizațională comună (OU) pentru a permite aplicarea balustradelor și automatizărilor comune, inclusiv o configurație de bază care creează un domeniu SageMaker Studio, compartiment S3 în care se află seturile de date extrase din depozitul de date SaaS, cont încrucișat Gestionarea identității și accesului AWS (IAM) care permit accesarea componentelor SageMaker din cadrul SaaS și multe altele.
Izolarea chiriașului
În contextul SaaS, puteți lua în considerare diverse strategii de izolare a chiriașilor:
- Model siloz – Fiecare chiriaș rulează un teanc complet de resurse
- Model piscina – Aceeași infrastructură și resurse sunt partajate între chiriași
- Model de pod – O soluție care presupune un mix de modele de siloz și piscină
Consultați Cartea albă privind strategiile de izolare a chiriașilor SaaS pentru mai multe detalii despre strategiile de izolare a chiriașilor SaaS.
Modelul siloz este utilizat pentru SageMaker — un domeniu SageMaker Studio separat sau independent este furnizat pentru fiecare client într-un cont separat ca instanță a bancului de lucru pentru știința datelor. Modelul silozului simplifică configurarea și izolarea securității. De asemenea, oferă și alte beneficii, cum ar fi simplificarea calculului costurilor asociate cu consumul de către chiriaș al diferitelor capabilități SageMaker.
În timp ce strategia de izolare a silozului este utilizată pentru mediul SageMaker, modelul pool este utilizat pentru alte componente (cum ar fi serviciul de gestionare a bancului de lucru pentru știința datelor). Stabilirea izolării în modelul siloz, în care fiecare chiriaș operează în propria infrastructură (un cont AWS în acest caz) este mult mai simplă în comparație cu modelul pool, unde infrastructura este partajată. Cartea albă la care se face referire mai devreme oferă îndrumări cu privire la modul de stabilire a izolării cu un model de piscină. În această postare, folosim următoarea abordare:
- Utilizatorul este redirecționat către IdP (Amazon Cognito în acest caz) pentru autentificare. Utilizatorul își introduce numele de utilizator și parola, iar după autentificarea cu succes, IdP returnează un simbol care conține informațiile despre utilizator și identificatorul locatarului. Front end-ul include jetonul returnat în cererile HTTP ulterioare trimise de front end către microservicii.
- Când microserviciul primește o solicitare, extrage identificatorul locatarului din simbolul inclus în cererea HTTP și își asumă un rol IAM care corespunde locatarului. Permisiunile rolului IAM asumate sunt limitate la resursele specifice chiriașului. Prin urmare, chiar dacă dezvoltatorul microserviciului a făcut o greșeală în cod și a încercat să acceseze resurse care aparțin altui chiriaș, rolul IAM asumat nu permite ca acțiunea să continue.
- Rolul IAM care corespunde unui chiriaș este creat ca parte a înregistrării și integrării chiriașului.
Alte abordări pentru stabilirea izolării cu modul pool includ generarea dinamică de politici și roluri care sunt asumate de microserviciu în timpul execuției. Pentru mai multe informații, consultați Cartea albă privind strategiile de izolare a chiriașilor SaaS. O altă alternativă este utilizarea politicilor ABAC IAM - consultați Cum să implementați izolarea chiriașilor SaaS cu ABAC și AWS IAM pentru mai multe detalii.
Aprovizionare și automatizare
După cum sa descris mai devreme, folosim AWS Organizations, AWS Service Catalog și AWS CloudFormation StackSets pentru a implementa configurarea necesară pentru mai multe conturi. Un aspect important este crearea unui nou cont AWS per client pentru a găzdui mediul SageMaker și modul de automatizare completă a acestui proces.
StackSet-ul pentru furnizarea SageMaker în contul unui client este creat în contul de management — ținta pentru StackSet este ML OU. Atunci când un cont nou este creat sub ML OU, o stivă bazată pe șablonul asociat cu StackSet definit în contul de management este creat automat în noul cont.
Furnizarea unui mediu SageMaker pentru un chiriaș este un proces în mai mulți pași care durează câteva minute. Prin urmare, an Amazon DynamoDB tabelul este creat pentru a stoca starea furnizării mediului SageMaker.
Următoarea diagramă ilustrează fluxul pentru furnizarea mesei de lucru pentru știința datelor.
Microserviciul de management al bancului de lucru știința datelor orchestrează diferitele activități pentru furnizarea bancului de lucru știința datelor pentru clienții SaaS. Acesta apelează AWS Service Catalog ProvisionProduct
API pentru a iniția crearea contului AWS.
După cum sa menționat mai devreme, StackSet-ul atașat la ML OU declanșează crearea unui domeniu SageMaker Studio și a altor resurse într-un cont de client, de îndată ce contul este creat sub o ML OU, ca urmare a apelului AWS Service Catalog. ProvisionProduct
API. O altă modalitate de a realiza acest lucru este utilizarea AWS Service Catalog — puteți crea un produs pentru furnizarea mediului SageMaker Studio și îl puteți adăuga la un portofoliu. Apoi portofoliul este partajat cu toate conturile AWS din ML OU. Microserviciul de gestionare a bancului de lucru pentru știința datelor trebuie să facă un apel explicit la API-ul AWS Service Catalog după finalizarea creării contului AWS pentru a declanșa crearea mediului SageMaker Studio. Catalogul de servicii AWS este foarte util dacă trebuie să acceptați mai multe variante ale bancului de lucru pentru știința datelor — utilizatorul selectează dintr-o listă de variante, iar microserviciul de gestionare a bancului de lucru pentru știința datelor mapează selecția utilizatorului la un produs definit în AWS Service Catalog. Apoi invocă ProvisionProduct
API cu ID-ul produsului corespunzător.
După crearea contului AWS, a CreateManagedAccount
evenimentul este publicat de AWS Control Tower pentru Amazon EventBridge. O regulă este configurată în EventBridge pentru a trimite CreateManagedAccount
evenimente la o Serviciul de coadă simplă Amazon coadă (Amazon SQS). Microserviciul de gestionare a bancului de lucru știința datelor sondajează coada SQS și preia CreateManagedAccount
evenimente și invocă serviciul de gestionare a locatarilor pentru a adăuga numărul de cont AWS creat (parte a mesajului evenimentului) la metadatele chiriașului.
Starea solicitărilor de furnizare a bazei de lucru din știința datelor este stocată într-un tabel DynamoDB, astfel încât utilizatorii să poată întreba despre aceasta în orice moment.
Integrarea și managementul identității
Această secțiune se concentrează pe integrarea dintre SaaS și SageMaker Studio (care acoperă lansarea SageMaker Studio din cadrul SaaS) și gestionarea identității. Folosim Amazon Cognito ca IdP în această soluție, dar dacă SaaS este deja integrat cu un alt IdP care acceptă OAuth 2.0/OpenID Connect, puteți continua să îl utilizați, deoarece se aplică același design.
SageMaker Studio acceptă autentificare prin Conectare unică AWS (AWS SSO) și IAM. Având în vedere că organizația AWS în acest caz este gestionată de furnizorul SaaS, este probabil ca AWS SSO să fie conectat la IdP-ul furnizorului SaaS, nu la IdP-ul clientului SaaS. Prin urmare, folosim IAM pentru a autentifica utilizatorii care accesează SageMaker Studio.
Autentificarea utilizatorilor care accesează SageMaker Studio folosind IAM implică crearea unui profil de utilizator pentru fiecare utilizator de pe domeniul SageMaker și maparea identității acestora în Amazon Cognito la profilul de utilizator creat. O modalitate simplă de a realiza acest lucru este prin utilizarea numelui de utilizator în Amazon Cognito ca nume de profil de utilizator în domeniul SageMaker Studio. SageMaker oferă CreateUserProfile
API, care poate fi folosit pentru a crea în mod programatic un profil de utilizator pentru utilizator prima dată când încearcă să lanseze SageMaker Studio.
În ceea ce privește lansarea SageMaker Studio din cadrul SaaS, SageMaker expune CreatePresignedDomainUrl
API, care generează adresa URL presemnată pentru SageMaker Studio. Adresa URL semnată generată este transmisă în interfața de utilizare pentru a lansa SageMaker Studio într-o altă filă de browser.
Următoarea diagramă ilustrează arhitectura pentru stabilirea integrării între SaaS și SageMaker Studio.
Microserviciul de gestionare a bancului de lucru știința datelor se ocupă de generarea adresei URL presemnate care este utilizată pentru a lansa SageMaker Studio care există în contul de client. Apelează microserviciul de gestionare a locatarilor pentru a prelua numărul de cont AWS care corespunde ID-ului chiriașului inclus în cerere, își asumă un rol IAM în acest cont cu permisiunile necesare și apelează SageMaker. CreatePresignedDomainUrl
API pentru a genera adresa URL presemnată.
Dacă utilizatorul lansează SageMaker Studio pentru prima dată, mai întâi trebuie creat un profil de utilizator pentru el. Acest lucru se realizează prin apelarea SageMaker CreateUserProfile
API-ul.
Utilizatorii pot folosi bancul de lucru pentru știința datelor pentru a efectua procesarea datelor la scară, a antrena un model ML și a-l utiliza pentru inferența în loturi și pentru a crea seturi de date îmbogățite. De asemenea, îl pot folosi pentru a construi și antrena un model ML, găzduind acest model ML SageMaker a gestionat găzduirea, și invocați-l din SaaS pentru a realiza un caz de utilizare precum cel menționat la începutul postării (înlocuirea unei capacități de analiză statistică simplă care prezice pierderea clienților cu o capacitate avansată bazată pe ML pentru care clientul însuși construiește modelul). Următoarea diagramă ilustrează o abordare pentru a realiza acest lucru.
Specialistul de date pentru clienți SaaS lansează bancul de lucru pentru știința datelor (SageMaker Studio) și îl folosește pentru a preprocesa datele extrase folosind Procesare SageMaker (alternativ, puteți utiliza SageMaker Data Wrangler). Ei decid ce algoritm ML să utilizeze și inițiază a Instruire SageMaker sarcina de a antrena modelul cu datele preprocesate. Apoi, ei fac evaluarea necesară a modelului într-un notebook SageMaker Studio și, dacă sunt mulțumiți de rezultate, folosesc găzduirea gestionată SageMaker pentru a implementa și găzdui modelul ML produs.
După ce ML este implementat, cercetătorul de date merge la SaaS și oferă detaliile punctului final SageMaker care găzduiește modelul ML. Acest lucru declanșează un apel către microserviciul de gestionare a chiriașilor pentru a adăuga detaliile punctului final SageMaker la informațiile despre locatari. Apoi, când se efectuează un apel către microserviciul de gestionare a clienților, acesta apelează microserviciul de gestionare a chiriașilor pentru a prelua informații despre locatari, inclusiv numărul de cont AWS și detaliile punctului final SageMaker. Apoi își asumă un rol IAM în contul de client cu permisiunile necesare, apelează punctul final SageMaker pentru a calcula probabilitatea de retragere a clientului și include rezultatul în mesajul de răspuns.
Punctul final ML apelat de microserviciul de gestionare a clienților este dinamic (preluat de la serviciul de gestionare a chiriașilor), dar interfața este fixă și este predefinită de furnizorul SaaS – acesta include formatul (de exemplu, aplicație/json), caracteristicile pe care SaaS le trimite modelului ML, ordonarea acestora și, de asemenea, rezultatul. Clientul SaaS este de așteptat să construiască un model ML care să se alinieze cu interfața definită de furnizorul SaaS. Detaliile interfeței și un exemplu de cerere/răspuns vor fi prezentate clientului SaaS pe pagina aplicației, ceea ce le va permite să anuleze implementarea cu propriul model ML. Microserviciul SaaS (microserviciu de gestionare a clienților din diagrama de mai sus) efectuează transformarea și serializarea necesare pentru a produce caracteristicile așteptate de punctul final ML în formatul specificat, invocă punctul final ML, efectuează deserializarea și transformarea necesară și apoi include rezultatul inferenței. în răspunsul returnat de microserviciu.
Se poate întâmpla ca clientul SaaS să dorească să excludă funcții care nu sunt relevante pentru modelul său sau să adauge funcții pe lângă ceea ce a transmis SaaS. Acest lucru poate fi realizat prin efectul de pârghie Utilizați propriul cod de inferență, unde au control deplin asupra codului de inferență.
Management de date
Această secțiune acoperă o arhitectură propusă pentru construirea microserviciului de gestionare a datelor, care este una dintre abordările pe care le puteți urma pentru a permite clienților SaaS să acceseze datele care se află în depozitul de date SaaS. Microserviciul de gestionare a datelor primește solicitări de extragere a datelor de la oamenii de știință de date și rulează aceste solicitări într-un mod controlat pentru a evita impactul negativ asupra performanței depozitului de date SaaS. Microserviciul este, de asemenea, responsabil pentru controlul accesului la depozitul de date SaaS (care elemente de date sunt incluse în extrasul de date) și mascarea și anonimizarea datelor, dacă este necesar.
Următoarea diagramă ilustrează un design potențial pentru microserviciul de gestionare a datelor.
Microserviciul de gestionare a datelor este împărțit în două componente:
- Management de date – Primește cererea de extragere a datelor, o plasează într-o coadă și trimite o confirmare ca răspuns
- Lucrător în gestionarea datelor – Preia cererea din coadă și o procesează apelând an AWS Adeziv muncă
Această decuplare vă permite să scalați cele două componente în mod independent și să controlați încărcarea depozitului de date SaaS, indiferent de volumul solicitărilor de extragere a datelor.
Lucrarea AWS Glue extrage datele dintr-o replică pentru baza de date de tranzacții, mai degrabă decât instanța principală a bazei de date. Acest lucru împiedică solicitările de extragere a datelor să afecteze negativ performanța SaaS.
Lucrarea AWS Glue încarcă datele extrase într-un compartiment S3 în contul AWS creat de un anumit client. Prin urmare, componenta lucrător de gestionare a datelor trebuie să apeleze microserviciul de gestionare a chiriașilor pentru a prelua numărul de cont AWS, care face parte din informațiile despre chiriaș.
Starea solicitărilor de extragere a datelor este stocată într-un tabel DynamoDB, astfel încât utilizatorii să poată întreba despre aceasta în orice moment.
Concluzie
În această postare, v-am arătat cum să construiți un banc de lucru pentru știința datelor în SaaS folosind SageMaker Studio. Am acoperit aspecte precum structura contului AWS, izolarea chiriașilor, extragerea datelor din magazinul de date SaaS și a le face accesibile pentru workbench-ul științei datelor, lansarea SageMaker Studio din cadrul SaaS, gestionarea identităților și, în sfârșit, furnizarea bench-ului de lucru știința datelor într-un mod automat. folosind servicii precum AWS Control Tower, AWS Organizations și AWS CloudFormation.
Sperăm că acest lucru vă va ajuta să extindeți utilizarea ML în SaaS și să le oferiți clienților o soluție mai flexibilă care să le permită să consume capabilitățile ML pe care le furnizați și, de asemenea, să construiască ei înșiși capabilitățile ML.
Despre Autori
Islam Mahgoub este arhitect de soluții la AWS cu 15 ani de experiență în aplicații, integrare și arhitectură tehnologică. La AWS, el îi ajută pe clienți să construiască noi soluții native cloud și să își modernizeze aplicațiile moștenite utilizând serviciile AWS. În afara serviciului, Islamului îi place să se plimbe, să se uite la filme și să asculte muzică.
Giuseppe Angelo Porcelli este arhitect principal de soluții de specialitate în învățare automată pentru Amazon Web Services. Cu câțiva ani în domeniul ingineriei software cu un fundal ML, el lucrează cu clienți de orice dimensiune pentru a înțelege în profunzime nevoile lor de afaceri și tehnice și pentru a proiecta soluții AI și de învățare automată care folosesc cel mai bine AWS Cloud și stiva Amazon Machine Learning. El a lucrat la proiecte în diferite domenii, inclusiv MLOps, Computer Vision, NLP și implicând un set larg de servicii AWS. În timpul liber lui Giuseppe îi place să joace fotbal.
Arunprasath Shankar este un arhitect specializat în soluții de inteligență artificială și învățare automată (AI / ML) cu AWS, ajutând clienții globali să își scaleze soluțiile de AI în mod eficient și eficient în cloud. În timpul liber, lui Arun îi place să urmărească filme SF și să asculte muzică clasică.
- Coinsmart. Cel mai bun schimb de Bitcoin și Crypto din Europa.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. ACCES LIBER.
- CryptoHawk. Radar Altcoin. Încercare gratuită.
- Sursa: https://aws.amazon.com/blogs/machine-learning/enhance-your-saas-offering-with-a-data-science-workbench-powered-by-amazon-sagemaker-studio/
- "
- &
- 100
- Despre Noi
- acces
- Cont
- precis
- realizat
- peste
- Acțiune
- activităţi de
- Suplimentar
- adresa
- avansat
- AI
- Algoritmul
- TOATE
- deja
- Amazon
- Amazon Web Services
- analiză
- O alta
- api
- API-uri
- aplicaţia
- aplicație
- aplicatii
- Aplicarea
- abordare
- arhitectură
- artificial
- inteligență artificială
- Inteligența artificială (AI)
- Inteligența artificială și învățarea în mașină
- Autentificare
- autorizare
- Automata
- Automatizare
- disponibil
- AWS
- fundal
- De bază
- Început
- Beneficiile
- CEL MAI BUN
- Cele mai bune practici
- facturare
- browser-ul
- construi
- Clădire
- afaceri
- apel
- capacități
- cazuri
- Schimbare
- Cloud
- cod
- Comun
- companie
- comparație
- conformitate
- component
- Configuraţie
- consuma
- consum
- conține
- conţinut
- continua
- Control
- Cheltuieli
- creează
- Crearea
- clienţii care
- de date
- management de date
- de prelucrare a datelor
- știința datelor
- om de știință de date
- Baza de date
- livrare
- Cerere
- implementa
- Amenajări
- Detectare
- Dezvoltator
- Dezvoltatorii
- Dezvoltare
- diferit
- discuta
- Nu
- domeniu
- domenii
- dinamic
- cu ușurință
- Punct final
- energie
- Inginerie
- îmbogățit
- intră
- Mediu inconjurator
- stabili
- eveniment
- evenimente
- Extinde
- de aşteptat
- experienţă
- extinde
- extracte
- fabrică
- Caracteristică
- DESCRIERE
- În cele din urmă
- First
- prima dată
- debit
- Concentra
- urma
- următor
- Fotbal
- format
- Cadru
- fraudă
- Gratuit
- Complet
- funcționalitate
- genera
- Caritate
- merge
- fericit
- având în
- ajută
- Cum
- Cum Pentru a
- HTTPS
- Identitate
- gestionarea identității
- punerea în aplicare a
- implementat
- important
- îmbunătăţi
- include
- inclus
- Inclusiv
- industrii
- informații
- Infrastructură
- perspective
- integra
- integrate
- integrare
- Inteligență
- interfaţă
- izolare
- IT
- Loc de munca
- alătura
- Cheie
- lansa
- lansează
- lansare
- conducere
- învăţare
- Moştenire
- Limitat
- LINK
- Listă
- Ascultare
- încărca
- maşină
- masina de învățare
- Efectuarea
- administrare
- de conducere
- Harta
- milioane
- ML
- model
- Modele
- cele mai multe
- Filme
- Muzică
- reţea
- caiet
- număr
- oferind
- ofertele
- La imbarcare
- Oportunităţi
- Oportunitate
- organizație
- organizații
- Altele
- Parolă
- performanță
- platformă
- Politicile
- piscină
- portofoliu
- primar
- Principal
- proces
- procese
- produce
- Produs
- Produs
- producere
- Profil
- Programe
- Proiecte
- protecţie
- furniza
- furnizează
- cumpărare
- Înscriere
- necesar
- Cerinţe
- Resurse
- răspuns
- responsabil
- REZULTATE
- Returnează
- ROI
- norme
- funcţionare
- Scară
- Ştiinţă
- Om de stiinta
- oamenii de stiinta
- sigur
- securitate
- serviciu
- Servicii
- set
- comun
- simplu
- Mărimea
- aptitudini
- So
- Software
- sistem de operare ca serviciu
- Inginerie software
- soluţii
- împărţi
- stivui
- Stat
- statistic
- Stare
- depozitare
- stoca
- magazine
- strategii
- Strategie
- studio
- de succes
- a sustine
- Sprijină
- sistem
- Ţintă
- sarcini
- echipă
- Tehnic
- tehnici de
- Tehnologia
- Prin
- timp
- semn
- Unelte
- top
- Tranzacții
- Transformare
- Tendinţe
- ui
- înţelege
- utilizare
- utilizatorii
- Vizualizare
- viziune
- volum
- mers
- web
- aplicații web
- servicii web
- bazat pe web
- Ce
- Hartie alba
- OMS
- în
- fără
- Apartamente
- a lucrat
- fabrică
- ani