Obsežno napovedovanje prihodkov pri Boschu z modeli po meri Amazon Forecast in Amazon SageMaker

To objavo so skupaj napisali Goktug Cinar, Michael Binder in Adrian Horvath iz Boschevega centra za umetno inteligenco (BCAI).

Napovedovanje prihodkov je v večini organizacij zahtevna, a ključna naloga za strateške poslovne odločitve in fiskalno načrtovanje. Pogosto napovedovanje prihodkov ročno izvajajo finančni analitiki in je hkrati zamudno in subjektivno. Takšna ročna prizadevanja so še posebej zahtevna za obsežne večnacionalne poslovne organizacije, ki zahtevajo napovedi prihodkov za širok nabor skupin izdelkov in geografskih območij na več ravneh razdrobljenosti. To zahteva ne le natančnost, ampak tudi hierarhično usklajenost napovedi.

Bosch je multinacionalna družba s subjekti, ki delujejo v več sektorjih, vključno z avtomobilizmom, industrijskimi rešitvami in potrošniškim blagom. Glede na vpliv natančnega in skladnega napovedovanja prihodkov na zdravo poslovanje je Boschev center za umetno inteligenco (BCAI) veliko vlaga v uporabo strojnega učenja (ML) za izboljšanje učinkovitosti in natančnosti procesov finančnega načrtovanja. Cilj je olajšati ročne postopke z zagotavljanjem razumnih osnovnih napovedi prihodkov prek strojnega učenja, le z občasnimi prilagoditvami, ki jih potrebujejo finančni analitiki z uporabo svojega znanja o panogi in domeni.

Za dosego tega cilja je BCAI razvil notranji okvir za napovedovanje, ki je sposoben zagotoviti obsežne hierarhične napovedi prek prilagojenih sklopov širokega nabora osnovnih modelov. Metaučenec izbere najuspešnejše modele na podlagi značilnosti, pridobljenih iz vsake časovne serije. Napovedi iz izbranih modelov se nato povprečijo, da dobimo agregirano napoved. Arhitekturna zasnova je modularna in razširljiva z implementacijo vmesnika v slogu REST, ki omogoča nenehno izboljševanje zmogljivosti z vključitvijo dodatnih modelov.

BCAI je sodeloval z Amazon ML Solutions Lab (MLSL) za vključitev najnovejših dosežkov v modelih, ki temeljijo na globokih nevronskih mrežah (DNN) za napovedovanje prihodkov. Nedavni napredek nevronskih napovedovalcev je pokazal najsodobnejšo zmogljivost za številne praktične probleme napovedovanja. V primerjavi s tradicionalnimi modeli napovedovanja lahko številni nevronski napovedovalci vključijo dodatne spremenljivke ali metapodatke časovne vrste. Vključujemo CNN-QR in DeepAR+, dva standardna modela Amazonska napoved, kot tudi model Transformer po meri, usposobljen za uporabo Amazon SageMaker. Trije modeli pokrivajo reprezentativen niz hrbteničnih kodirnikov, ki se pogosto uporabljajo v nevronskih napovedovalcih: konvolucijska nevronska mreža (CNN), zaporedna ponavljajoča se nevronska mreža (RNN) in kodirniki na osnovi transformatorjev.

Eden od ključnih izzivov, s katerimi se je soočilo partnerstvo BCAI-MLSL, je bilo zagotoviti zanesljive in razumne napovedi pod vplivom COVID-19, globalnega dogodka brez primere, ki je povzročil veliko nestanovitnost globalnih finančnih rezultatov podjetij. Ker so nevronski napovedovalci usposobljeni na zgodovinskih podatkih, so lahko napovedi, ustvarjene na podlagi podatkov izven distribucije iz bolj nestanovitnih obdobij, netočne in nezanesljive. Zato smo predlagali dodajanje mehanizma prikrite pozornosti v arhitekturi Transformer, da bi rešili to težavo.

Nevronske napovedovalce je mogoče združiti v en sam kompletni model ali jih posamezno vključiti v Boschevo vesolje modelov in do njih preprosto dostopati prek končnih točk REST API. Predlagamo pristop za združevanje nevronskih napovedovalcev z rezultati testiranja za nazaj, kar zagotavlja konkurenčno in robustno delovanje skozi čas. Poleg tega smo raziskali in ovrednotili številne klasične hierarhične tehnike usklajevanja, da bi zagotovili skladno združevanje napovedi po skupinah izdelkov, območjih in poslovnih organizacijah.

V tej objavi prikazujemo naslednje:

• Kako uporabiti usposabljanje modelov po meri Forecast in SageMaker za hierarhične probleme napovedovanja obsežnih časovnih vrst
• Kako združiti modele po meri s standardnimi modeli iz Forecast
• Kako zmanjšati vpliv motečih dogodkov, kot je COVID-19, na težave pri napovedovanju
• Kako zgraditi potek dela za napovedovanje od konca do konca na AWS

Izzivi

Ukvarjali smo se z dvema izzivoma: ustvarjanjem hierarhične napovedi prihodkov v velikem obsegu in vplivom pandemije COVID-19 na dolgoročno napoved.

Hierarhično, obsežno napovedovanje prihodkov

Finančni analitiki so zadolženi za napovedovanje ključnih finančnih številk, vključno s prihodki, operativnimi stroški in izdatki za raziskave in razvoj. Te metrike zagotavljajo vpogled v poslovno načrtovanje na različnih ravneh združevanja in omogočajo sprejemanje odločitev na podlagi podatkov. Vsaka avtomatizirana rešitev za napovedovanje mora zagotavljati napovedi na kateri koli poljubni ravni združevanja poslovnih linij. Pri Boschu si lahko agregacije predstavljamo kot združene časovne vrste kot bolj splošno obliko hierarhične strukture. Naslednja slika prikazuje poenostavljen primer z dvonivojsko strukturo, ki posnema hierarhično strukturo napovedovanja prihodkov pri Boschu. Skupni prihodek je razdeljen na več ravni združevanja glede na izdelek in regijo.

Skupno število časovnih vrst, ki jih je treba napovedati pri Boschu, je na lestvici milijonov. Upoštevajte, da je mogoče časovno vrsto na najvišji ravni razdeliti po izdelkih ali regijah, kar ustvari več poti do napovedi na spodnji ravni. Prihodke je treba napovedati na vsakem vozlišču v hierarhiji z napovednim obdobjem 12 mesecev v prihodnost. Na voljo so mesečni zgodovinski podatki.

Hierarhično strukturo lahko predstavimo z naslednjo obliko z zapisom seštevalne matrike S (Hyndman in Athanasopoulos):

V tej enačbi, Y je enako naslednjemu:

Tu b predstavlja najnižjo časovno vrsto v trenutku t.

Vplivi pandemije COVID-19

Pandemija COVID-19 je prinesla velike izzive za napovedovanje zaradi svojih motečih učinkov brez primere na skoraj vse vidike dela in družbenega življenja. Za dolgoročno napovedovanje prihodkov je motnja prinesla tudi nepričakovane posledice na nižji stopnji. Za ponazoritev te težave naslednja slika prikazuje vzorčno časovno vrsto, v kateri je prihodek od izdelkov občutno upadel na začetku pandemije in se je pozneje postopoma okreval. Tipičen nevronski model napovedovanja bo vzel podatke o prihodkih, vključno z obdobjem COVID izven distribucije (OOD) kot vnos zgodovinskega konteksta, kot tudi osnovno resnico za usposabljanje modela. Posledično izdelane napovedi niso več zanesljive.

Pristopi modeliranja

V tem razdelku razpravljamo o različnih pristopih k modeliranju.

Amazonska napoved

Forecast je popolnoma upravljana storitev AI/ML podjetja AWS, ki zagotavlja vnaprej konfigurirane, najsodobnejše modele napovedovanja časovnih vrst. Te ponudbe združuje s svojimi notranjimi zmožnostmi za samodejno optimizacijo hiperparametrov, modeliranje ansambla (za modele, ki jih zagotavlja Forecast) in ustvarjanje verjetnostnih napovedi. To vam omogoča, da preprosto vnesete nabore podatkov po meri, predhodno obdelate podatke, usposobite modele za napovedovanje in ustvarite zanesljive napovedi. Modularna zasnova storitve nam nadalje omogoča preprosto poizvedovanje in kombiniranje napovedi iz dodatnih modelov po meri, razvitih vzporedno.

Vključujemo dva nevronska napovedovalca iz Forecast: CNN-QR in DeepAR+. Obe sta nadzorovani metodi globokega učenja, ki usposabljata globalni model za celoten nabor podatkov časovne serije. Oba modela CNNQR in DeepAR+ lahko sprejmeta statične metapodatke o vsaki časovni seriji, ki so v našem primeru ustrezen izdelek, regija in poslovna organizacija. Kot del vnosa v model samodejno dodajo tudi časovne značilnosti, kot je mesec v letu.

Transformer z maskami pozornosti za COVID

Arhitektura Transformer (Vaswani et al.), ki je bil prvotno zasnovan za obdelavo naravnega jezika (NLP), se je nedavno pojavil kot priljubljena arhitekturna izbira za napovedovanje časovnih vrst. Tukaj smo uporabili arhitekturo Transformer, opisano v Zhou et al. brez verjetnostnega dnevnika redke pozornosti. Model uporablja tipično arhitekturno zasnovo z združevanjem kodirnika in dekoderja. Za napovedovanje prihodkov konfiguriramo dekoder tako, da neposredno izpiše napoved za 12-mesečno obdobje, namesto da ustvarja napoved mesec za mesecem na avtoregresiven način. Na podlagi pogostosti časovne vrste se kot vhodna spremenljivka dodajo dodatne funkcije, povezane s časom, kot je mesec v letu. Dodatne kategorične spremenljivke, ki opisujejo metainformacije (izdelek, regija, poslovna organizacija), se vnašajo v omrežje prek učne vdelane plasti.

Naslednji diagram ponazarja arhitekturo Transformerja in mehanizem za prikrivanje pozornosti. Prikrivanje pozornosti se uporablja v vseh slojih kodirnika in dekoderja, kot je poudarjeno oranžno, da se prepreči, da bi podatki OOD vplivali na napovedi.

Vpliv kontekstnih oken OOD ublažimo z dodajanjem mask pozornosti. Model je usposobljen za posvečanje zelo malo pozornosti obdobju COVID, ki vsebuje izstopajoče vrednosti prek maskiranja, in izvaja napovedovanje s prikritimi informacijami. Maska pozornosti je uporabljena v vseh slojih arhitekture dekodirnika in kodirnika. Zamaskirano okno je mogoče določiti ročno ali z algoritmom za zaznavanje odstopanj. Poleg tega se pri uporabi časovnega okna, ki vsebuje izstopajoče vrednosti kot oznake usposabljanja, izgube ne prenašajo nazaj. To metodo, ki temelji na maskiranju pozornosti, je mogoče uporabiti za obravnavo motenj in primerov OOD, ki jih povzročijo drugi redki dogodki, ter izboljšati robustnost napovedi.

Modelski ansambel

Skupina modelov je pogosto boljša od posameznih modelov za napovedovanje – izboljša posplošljivost modela in je boljša pri obravnavi podatkov časovnih vrst z različnimi značilnostmi v periodičnosti in presledkih. Vključujemo niz strategij zasedanja modelov za izboljšanje delovanja modela in robustnosti napovedi. Ena pogosta oblika skupine modelov globokega učenja je združevanje rezultatov iz modelov z različnimi inicializacijami naključne teže ali iz različnih obdobij usposabljanja. To strategijo uporabljamo za pridobivanje napovedi za model Transformer.

Za nadaljnjo izgradnjo ansambla na različnih arhitekturah modelov, kot so Transformer, CNNQR in DeepAR+, uporabljamo strategijo ansambla pan-model, ki izbere top-k najuspešnejših modelov za vsako časovno serijo na podlagi rezultatov testiranja za nazaj in pridobi njihovo povprečja. Ker je mogoče rezultate testiranja za nazaj izvoziti neposredno iz usposobljenih modelov Forecast, nam ta strategija omogoča, da izkoristimo storitve na ključ, kot je Forecast, z izboljšavami, pridobljenimi z modeli po meri, kot je Transformer. Takšen celovit modelski pristop ne zahteva usposabljanja meta-učenca ali izračuna funkcij časovne vrste za izbiro modela.

Hierarhična sprava

Ogrodje je prilagodljivo za vključitev širokega nabora tehnik kot korakov naknadne obdelave za hierarhično usklajevanje napovedi, vključno z usklajevanjem od spodaj navzgor (BU), usklajevanjem od zgoraj navzdol z napovednimi razmerji (TDFP), navadnim najmanjšim kvadratom (OLS) in uteženim najmanjšim kvadratom ( WLS). Vsi eksperimentalni rezultati v tej objavi so predstavljeni z uporabo usklajevanja od zgoraj navzdol z napovednimi razmerji.

Pregled arhitekture

V AWS smo razvili avtomatiziran potek dela od konca do konca za ustvarjanje napovedi prihodkov z uporabo storitev, vključno z Forecast, SageMaker, Preprosta storitev shranjevanja Amazon (Amazon S3), AWS Lambda, Korak funkcije AWSin Komplet za razvoj oblaka AWS (AWS CDK). Razmeščena rešitev zagotavlja posamezne napovedi časovnih vrst prek API-ja REST z uporabo Amazon API Gateway, tako da vrne rezultate v vnaprej določeni obliki JSON.

Naslednji diagram prikazuje potek dela napovedovanja od konca do konca.

Ključni vidiki oblikovanja za arhitekturo so vsestranskost, zmogljivost in prijaznost do uporabnika. Sistem mora biti dovolj vsestranski, da vključuje raznolik nabor algoritmov med razvojem in uvajanjem, z minimalnimi zahtevanimi spremembami, in ga je mogoče zlahka razširiti z dodajanjem novih algoritmov v prihodnosti. Sistem bi moral dodati tudi minimalne dodatne stroške in podpirati vzporedno usposabljanje za Forecast in SageMaker, da skrajša čas usposabljanja in hitreje pridobi najnovejšo napoved. Nazadnje, sistem mora biti enostaven za uporabo za namene eksperimentiranja.

Potek dela od konca do konca poteka zaporedno skozi naslednje module:

1. Modul predprocesiranja za preoblikovanje in transformacijo podatkov
2. Modul za usposabljanje modela, ki vključuje model Forecast in model po meri na SageMaker (oba delujeta vzporedno)
3. Modul za naknadno obdelavo, ki podpira skupino modelov, hierarhično usklajevanje, meritve in ustvarjanje poročil

Step Functions organizira in orkestrira potek dela od konca do konca kot stanje stroj. Zagon državnega stroja je konfiguriran z datoteko JSON, ki vsebuje vse potrebne informacije, vključno z lokacijo datotek CSV s preteklimi prihodki v Amazonu S3, začetnim časom napovedi in nastavitvami hiperparametrov modela za izvajanje celotnega poteka dela. Asinhroni klici so ustvarjeni za vzporedno usposabljanje modela v državnem stroju z uporabo funkcij Lambda. Vsi zgodovinski podatki, konfiguracijske datoteke, rezultati napovedi in vmesni rezultati, kot so rezultati testiranja za nazaj, so shranjeni v Amazon S3. API REST je zgrajen na vrhu Amazon S3, da zagotovi vmesnik za poizvedovanje po rezultatih napovedi. Sistem je mogoče razširiti tako, da vključuje nove modele napovedi in podporne funkcije, kot je ustvarjanje poročil o vizualizaciji napovedi.

Ocenjevanje

V tem razdelku podrobno opisujemo postavitev poskusa. Ključne komponente vključujejo nabor podatkov, meritve vrednotenja, okna za testiranje za nazaj ter nastavitev in usposabljanje modela.

Podatkovni niz

Da bi zaščitili finančno zasebnost družbe Bosch ob uporabi pomembnega nabora podatkov, smo uporabili sintetični nabor podatkov, ki ima podobne statistične značilnosti kot nabor podatkov o realnem prihodku iz ene poslovne enote v Boschu. Nabor podatkov vsebuje skupaj 1,216 časovnih vrst s prihodki, zabeleženimi v mesečni frekvenci, ki zajemajo januar 2016 do aprila 2022. Nabor podatkov je dostavljen z 877 časovnimi vrstami na najbolj razdrobljeni ravni (spodnji časovni nizi), s predstavljeno ustrezno strukturo združenih časovnih vrst. kot seštevalna matrika S. Vsaka časovna serija je povezana s tremi statičnimi kategoričnimi atributi, ki ustrezajo kategoriji izdelka, regiji in organizacijski enoti v realnem naboru podatkov (anonimizirani v sintetičnih podatkih).

Evalvacijske metrike

Za ovrednotenje delovanja modela in izvedbo primerjalne analize uporabljamo mediano-povprečno arktangentno absolutno odstotno napako (mediana-MAAPE) in uteženo-MAAPE, ki sta standardni meritvi, ki jo uporablja Bosch. MAAPE odpravlja pomanjkljivosti meritve povprečne absolutne odstotne napake (MAPE), ki se običajno uporablja v poslovnem kontekstu. Mediana-MAAPE daje pregled nad uspešnostjo modela z izračunom mediane MAAPE, izračunanih posamezno za vsako časovno vrsto. Weighted-MAAPE poroča o uteženi kombinaciji posameznih MAAPE. Uteži so delež prihodka za vsako časovno vrsto v primerjavi s skupnim prihodkom celotnega niza podatkov. Weighted-MAAPE bolje odraža vplive točnosti napovedi na nadaljnje poslovanje. Obe metriki sta navedeni v celotnem naboru podatkov 1,216 časovnih vrst.

Preskusna okna

Za primerjavo učinkovitosti modela uporabljamo tekoča 12-mesečna obdobja testiranja za nazaj. Naslednja slika ponazarja okna testiranja za nazaj, uporabljena v poskusih, in poudarja ustrezne podatke, uporabljene za usposabljanje in optimizacijo hiperparametrov (HPO). Za obdobja testiranja za nazaj po začetku bolezni COVID-19 na rezultat vplivajo vnosi OOD od aprila do maja 2020 na podlagi tega, kar smo opazili iz časovne vrste prihodkov.

Postavitev in usposabljanje modela

Za usposabljanje Transformerja smo uporabili kvantilno izgubo in vsako časovno serijo skalirali z njeno zgodovinsko srednjo vrednostjo, preden smo jo vnesli v Transformer in izračunali izgubo usposabljanja. Končne napovedi se ponovno skalirajo, da se izračunajo meritve točnosti, z uporabo MeanScalerja, implementiranega v GluonTS. Uporabljamo kontekstno okno z mesečnimi podatki o prihodkih iz zadnjih 18 mesecev, izbranih prek HPO v oknu za testiranje za nazaj od julija 2018 do junija 2019. Dodatni metapodatki o vsaki časovni seriji v obliki statičnih kategoričnih spremenljivk se vnesejo v model prek vdelave plast, preden jo dovedete v transformatorske plasti. Transformer usposabljamo s petimi različnimi naključnimi inicializacijami teže in izračunamo povprečje rezultatov napovedi iz zadnjih treh obdobij za vsako vožnjo, skupno povprečje 15 modelov. Pet modelov vadbenih voženj je mogoče vzporediti, da se skrajša čas vadbe. Za maskiranega Transformerja navajamo mesece od aprila do maja 2020 kot izstopne vrednosti.

Za vsa usposabljanja z modelom Forecast smo omogočili samodejni HPO, ki lahko izbere model in parametre usposabljanja na podlagi uporabniško določenega preizkusnega obdobja, ki je nastavljeno na zadnjih 12 mesecev v podatkovnem oknu, uporabljenem za usposabljanje in HPO.

Rezultati poskusov

Zamaskirane in nezamaskirane Transformerje usposabljamo z uporabo istega nabora hiperparametrov in primerjamo njihovo delovanje za testna okna takoj po šoku zaradi COVID-19. V maskiranem Transformerju sta dva maskirana meseca april in maj 2020. Naslednja tabela prikazuje rezultate iz niza obdobij testiranja za nazaj z 12-mesečnimi napovednimi okni, ki se začnejo od junija 2020. Opazimo lahko, da maskirani Transformer dosledno prekaša nemaskirano različico .

Nadalje smo izvedli vrednotenje strategije ansambla modela na podlagi rezultatov testiranja za nazaj. Zlasti primerjamo dva primera, ko je izbran samo najuspešnejši model, in ko sta izbrana najuspešnejša modela, povprečje modela pa se izvede z izračunom srednje vrednosti napovedi. Na naslednjih slikah primerjamo delovanje osnovnih modelov in sestavnih modelov. Upoštevajte, da nobeden od nevronskih napovedovalcev dosledno ne prekaša drugih za tekoča okna testiranja za nazaj.

Naslednja tabela kaže, da v povprečju ansambelsko modeliranje zgornjih dveh modelov daje najboljšo učinkovitost. CNNQR zagotavlja drugi najboljši rezultat.

zaključek

Ta objava je prikazala, kako zgraditi rešitev ML od konca do konca za obsežne težave z napovedovanjem, ki združujejo Forecast in model po meri, usposobljen na SageMakerju. Odvisno od vaših poslovnih potreb in znanja o strojnem strojenju lahko uporabite popolnoma upravljano storitev, kot je Forecast, da razbremenite postopek gradnje, usposabljanja in uvajanja modela napovedovanja; zgradite svoj model po meri s posebnimi mehanizmi za uravnavanje s SageMakerjem; ali izvedite sestavljanje modelov s kombinacijo obeh storitev.

Če želite pomoč pri pospeševanju uporabe ML v svojih izdelkih in storitvah, se obrnite na Amazon ML Solutions Lab Program.

Reference

Hyndman RJ, Athanasopoulos G. Napovedovanje: načela in praksa. OTeksti; 2018 8. maj.

Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Pozornost je vse, kar potrebujete. Napredek v nevronskih sistemih za obdelavo informacij. 2017;30.

Zhou H, Zhang S, Peng J, Zhang S, Li J, Xiong H, Zhang W. Informer: Poleg učinkovitega transformatorja za napovedovanje časovnih vrst dolgega zaporedja. Zbornik AAAI 2021, 2. februar.

---

O avtorjih

Goktug Cinar je vodilni znanstvenik za ML in tehnični vodja napovedovanja na podlagi ML in statistike pri Robert Bosch LLC in Boschevem centru za umetno inteligenco. Vodi raziskavo modelov napovedovanja, hierarhične konsolidacije in tehnik kombiniranja modelov ter ekipo za razvoj programske opreme, ki meri te modele in jih uporablja kot del notranje programske opreme za finančno napovedovanje od konca do konca.

Michael Binder je lastnik izdelkov pri Bosch Global Services, kjer usklajuje razvoj, uvajanje in implementacijo aplikacije za napovedno analitiko v celotnem podjetju za obsežno avtomatizirano napovedovanje finančnih ključnih številk na podlagi podatkov.

Adrian Horvath je razvijalec programske opreme v Boschevem centru za umetno inteligenco, kjer razvija in vzdržuje sisteme za ustvarjanje napovedi na podlagi različnih modelov napovedovanja.

Panpan Xu je višji aplikativni znanstvenik in vodja Amazon ML Solutions Lab pri AWS. Ukvarja se z raziskavami in razvojem algoritmov strojnega učenja za aplikacije za stranke z velikim vplivom v različnih industrijskih vertikalah, da bi pospešila njihovo umetno inteligenco in sprejemanje v oblaku. Njen raziskovalni interes vključuje interpretabilnost modela, vzročno analizo, umetno inteligenco človeka v zanki in interaktivno vizualizacijo podatkov.

Jasleen Grewal je uporabna znanstvenica pri Amazon Web Services, kjer sodeluje s strankami AWS pri reševanju problemov v resničnem svetu z uporabo strojnega učenja, s posebnim poudarkom na natančni medicini in genomiki. Ima močno ozadje na področju bioinformatike, onkologije in klinične genomike. Navdušena je nad uporabo AI/ML in storitev v oblaku za izboljšanje oskrbe bolnikov.

Selvan Senthivel je višji inženir ML pri Amazon ML Solutions Lab pri AWS, ki se osredotoča na pomoč strankam pri strojnem učenju, težavah z globokim učenjem in rešitvah ML od konca do konca. Bil je vodja ustanovnega inženiringa Amazon Comprehend Medical in je prispeval k oblikovanju in arhitekturi številnih storitev umetne inteligence AWS.

Ruilin Zhang je SDE z Amazon ML Solutions Lab pri AWS. Strankam pomaga pri sprejemanju storitev umetne inteligence AWS z gradnjo rešitev za reševanje običajnih poslovnih težav.

Shane Rai je starejši strateg ML v laboratoriju za rešitve Amazon ML pri AWS. Sodeluje s strankami v različnih panogah, da bi rešil njihove najbolj pereče in inovativne poslovne potrebe z uporabo široke palete storitev AI/ML v oblaku AWS.

Lin Lee Cheong je vodja uporabne znanosti pri skupini Amazon ML Solutions Lab pri AWS. Sodeluje s strateškimi strankami AWS pri raziskovanju in uporabi umetne inteligence in strojnega učenja za odkrivanje novih spoznanj in reševanje kompleksnih problemov.