En av utmaningarna för team som använder Amazon Lookout för mätvärden kopplar det snabbt och effektivt till datavisualisering. Anomalierna presenteras individuellt på Lookout for Metrics-konsolen, var och en med sin egen graf, vilket gör det svårt att se uppsättningen som helhet. En automatiserad, integrerad lösning behövs för djupare analys.
I det här inlägget använder vi en Lookout for Metrics livedetektor byggd efter Komma igång avsnitt från AWS Samples, Amazon Lookout for Metrics GitHub repo. Efter att detektorn är aktiv och anomalier genereras från datamängden kopplar vi Lookout for Metrics till Amazon QuickSight. Vi skapar två datauppsättningar: en genom att sammanfoga dimensionstabellen med anomalitabellen och en annan genom att sammanfoga avvikelsetabellen med livedata. Vi kan sedan lägga till dessa två datamängder till en QuickSight-analys, där vi kan lägga till diagram i en enda instrumentpanel.
Vi kan tillhandahålla två typer av data till Lookout for Metrics-detektorn: kontinuerlig och historisk. De AWS-prov GitHub repo erbjuder båda, även om vi fokuserar på kontinuerlig livedata. Detektorn övervakar dessa livedata för att identifiera anomalier och skriver anomalierna till Amazon enkel lagringstjänst (Amazon S3) när de genereras. Vid slutet av ett angivet intervall analyserar detektorn data. Med tiden lär sig detektorn att mer exakt identifiera anomalier baserat på mönster som den hittar.
Lookout for Metrics använder maskininlärning (ML) för att automatiskt upptäcka och diagnostisera avvikelser i affärs- och verksamhetsdata, till exempel en plötslig nedgång i försäljningsintäkter eller kundförvärvstakt. Tjänsten är nu allmänt tillgänglig från och med den 25 mars 2021. Den inspekterar och förbereder automatiskt data från en mängd olika källor för att upptäcka anomalier med större hastighet och noggrannhet än traditionella metoder som används för avvikelsedetektering. Du kan också ge feedback om upptäckta anomalier för att justera resultaten och förbättra noggrannheten över tid. Lookout for Metrics gör det enkelt att diagnostisera upptäckta anomalier genom att gruppera avvikelser relaterade till samma händelse och skicka en varning som innehåller en sammanfattning av den potentiella grundorsaken. Den rangordnar också anomalier efter svårighetsgrad så att du kan prioritera din uppmärksamhet till det som är viktigast för ditt företag.
QuickSight är en fullt hanterad, molnbaserad business intelligence (BI)-tjänst som gör det enkelt att ansluta till dina data för att skapa och publicera interaktiva instrumentpaneler. Dessutom kan du använda Amazon QuickSight för att få omedelbara svar genom frågor på naturligt språk.
Du kan komma åt serverlösa, mycket skalbara QuickSight-instrumentpaneler från vilken enhet som helst och sömlöst bädda in dem i dina applikationer, portaler och webbplatser. Följande skärmdump är ett exempel på vad du kan uppnå i slutet av det här inlägget.
Översikt över lösningen
Lösningen är en kombination av AWS-tjänster, främst Lookout for Metrics, QuickSight, AWS Lambda, Amazonas Athena, AWS-lim, och Amazon S3.
Följande diagram illustrerar lösningsarkitekturen. Lookout for Metrics upptäcker och skickar anomalierna till Lambda via en varning. Lambdafunktionen genererar anomaliresultaten som CSV-filer och sparar dem i Amazon S3. En AWS Glue-sökrobot analyserar metadata och skapar tabeller i Athena. QuickSight använder Athena för att fråga Amazon S3-data, vilket gör att instrumentpaneler kan byggas för att visualisera både anomaliresultaten och livedata.
Denna lösning utökar de resurser som skapas i Komma igång avsnitt av GitHub-repo. För varje steg inkluderar vi alternativ för att skapa resurserna antingen med hjälp av AWS Management Console eller lansera den tillhandahållna AWS molnformation stack. Om du har en anpassad Lookout for Metrics-detektor kan du använda den och anpassa den enligt följande anteckningsbok för att uppnå samma resultat.
Implementeringsstegen är följande:
- Skapa Amazon SageMaker anteckningsbok instans (
ALFMTestNotebook
) och bärbara datorer med hjälp av stapeln som finns i Första installationen avsnitt från GitHub repo. - Öppna notebook-instansen på SageMaker-konsolen och navigera till
amazon-lookout-for-metrics-samples/getting_started
mapp. - Skapa S3-hinken och slutför dataförberedelsen med den första anteckningsbok (
1.PrereqSetupData.ipynb
). Öppna anteckningsboken medconda_python3
kärna, om du uppmanas till det.
Vi hoppar över den andra anteckningsbok eftersom det är fokuserat på backtesting av data.
- Om du går igenom exemplet med hjälp av konsolen, skapa Lookout for Metrics livedetektor och dess varning med den tredje anteckningsbok
(3.GettingStartedWithLiveData.ipynb).
Om du använder de medföljande CloudFormation-stackarna krävs inte den tredje anteckningsboken. Detektorn och dess varning skapas som en del av stacken.
- När du har skapat Lookout for Metrics livedetektor måste du aktivera den från konsolen.
Det kan ta upp till 2 timmar att initiera modellen och upptäcka avvikelser.
- Distribuera en Lambda-funktion med Python med ett Pandas-bibliotekslager och skapa en varning kopplad till livedetektorn för att starta den.
- Använd kombinationen av Athena och AWS Glue för att upptäcka och förbereda data för QuickSight.
- Skapa QuickSight-datakällan och datauppsättningar.
- Slutligen, skapa en QuickSight-analys för visualisering med hjälp av datamängderna.
CloudFormation-skripten körs vanligtvis som en uppsättning kapslade stackar i en produktionsmiljö. De tillhandahålls individuellt i det här inlägget för att underlätta en steg-för-steg-genomgång.
Förutsättningar
För att gå igenom denna genomgång behöver du ett AWS-konto där lösningen kommer att distribueras. Se till att alla resurser du distribuerar finns i samma region. Du behöver en löpande Lookout for Metrics-detektor byggd från bärbara datorer 1 och 3 från GitHub repo. Om du inte har en Lookout for Metrics-detektor igång har du två alternativ:
- Kör anteckningsböckerna 1 och 3 och fortsätt från steg 1 i det här inlägget (skapa Lambda-funktionen och varningen)
- Kör notebook 1 och använd sedan CloudFormation-mallen för att generera Lookout for Metrics-detektorn
Skapa livedetektorn med AWS CloudFormation
Smakämnen L4MLiveDetector.yaml CloudFormation-skriptet skapar Lookout for Metrics anomalidetektor med dess källa som pekar på livedata i den angivna S3-bucket. Utför följande steg för att skapa detektorn:
- Starta stacken från följande länk:
- På Skapa stack sida, välj Nästa.
- På Ange stapeldetaljer sida, ange följande information:
- Ett stacknamn. Till exempel,
L4MLiveDetector
. - S3 hinken,
<Account Number>-lookoutmetrics-lab
. - Rollen ARN,
arn:aws:iam::<Account Number>:role/L4MTestRole
. - En anomalidetekteringsfrekvens. Välja
PT1H
(varje timme).
- Ett stacknamn. Till exempel,
- Välja Nästa.
- På Konfigurera stackalternativ sida, lämna allt som det är och välj Nästa.
- På översyn sida, lämna allt som det är och välj Skapa stack.
Skapa livedetektorns SMS-varning med AWS CloudFormation (valfritt)
Detta steg är valfritt. Varningen presenteras som ett exempel, utan inverkan på skapandet av datamängden. De L4MLiveDetectorAlert.yaml CloudFormation-skriptet skapar varningen Lookout for Metrics anomalidetektor med ett SMS-mål.
- Starta stacken från följande länk:
- På Skapa stack sida, välj Nästa.
- På Ange stapeldetaljer sida, uppdatera SMS-telefonnumret och ange ett namn för stacken (t.ex.
L4MLiveDetectorAlert
). - Välja Nästa.
- På Konfigurera stackalternativ sida, lämna allt som det är och välj Nästa.
- På översyn sida, markera kryssrutan bekräftelse, lämna allt annat som det är och välj Skapa stack.
Resursrensning
Innan du fortsätter med nästa steg, stoppa din SageMaker notebook-instans för att säkerställa att inga onödiga kostnader uppstår. Det behövs inte längre.
Skapa Lambda-funktionen och varna
I det här avsnittet ger vi instruktioner om hur du skapar din Lambda-funktion och larmar via konsolen eller AWS CloudFormation.
Skapa funktionen och varna med konsolen
Du behöver en Lambda AWS identitets- och åtkomsthantering (JAG ÄR) roll efter minsta privilegiet bästa praxis för att komma åt hinken där du vill att resultaten ska sparas.
-
- Skapa en ny funktion på Lambda-konsolen.
- Välja Författare från början.
- För Funktionsnamn¸ ange ett namn.
- För Runtimeväljer python 3.8.
- För Utförande roll, Välj Använd en befintlig roll och ange rollen du skapade.
- Välja Skapa funktion.
-
- Download ZIP-filen som innehåller den nödvändiga koden för Lambda-funktionen.
- Öppna funktionen på lambdakonsolen.
- På Koda fliken, välj Ladda upp frånväljer .Zip filoch ladda upp filen du laddade ner.
- Välja Save.
Ditt filträd bör förbli detsamma efter uppladdning av ZIP-filen.
- I skikt avsnitt väljer Lägg till lager.
- Välja Ange ett ARN.
- I följande GitHub repo, välj den CSV som motsvarar den region du arbetar i och kopiera ARN från den senaste Pandas-versionen.
- För Ange ett ARN, ange det ARN du kopierade.
- Välja Lägg till.
- För att anpassa funktionen till din miljö, längst ner i koden från filen lambda_function.py, se till att uppdatera bucket-namnet med din bucket där du vill spara anomaliresultaten, och
DataSet_ARN
från din anomalidetektor. - Välja Distribuera för att göra ändringarna aktiva.
Du måste nu ansluta Lookout for Metrics-detektorn till din funktion.
- På Lookout for Metrics-konsolen, navigera till din detektor och välj Lägg till varning.
- Ange varningens namn och önskad svårighetsgrad.
- Välj från kanallistan Lambda.
- Välj den funktion du skapade och se till att du har rätt roll för att utlösa den.
- Välja Lägg till varning.
Nu väntar du på att din varning ska utlösas. Tiden varierar beroende på när detektorn hittar en anomali.
När en anomali upptäcks, utlöser Lookout for Metrics Lambda-funktionen. Den tar emot den nödvändiga informationen från Lookout for Metrics och kontrollerar om det redan finns en sparad CSV-fil i Amazon S3 vid motsvarande tidsstämpel för anomalien. Om det inte finns en fil genererar Lambda filen och lägger till anomalidata. Om filen redan finns uppdaterar Lambda filen med den extra data som tas emot. Funktionen genererar en separat CSV-fil för varje olika tidsstämpel.
Skapa funktionen och varna med AWS CloudFormation
I likhet med konsolinstruktionerna, du ladda ner ZIP-filen som innehåller den nödvändiga koden för lambdafunktionen. I det här fallet måste den dock laddas upp till S3-bucket för att AWS CloudFormation-koden ska laddas under funktionsskapandet.
Skapa en mapp som heter lambda-kod och ladda upp ZIP-filen i den S3-bucket som anges i skapandet av Lookout for Metrics-detektorn.
Lambdafunktionen laddar detta som sin kod under skapandet.
Smakämnen L4MLambdaFunction.yaml CloudFormation-skriptet skapar Lambda-funktionen och varningsresurser och använder funktionskodarkivet som lagras i samma S3-bucket.
- Starta stacken från följande länk:
- På Skapa stack sida, välj Nästa.
- På Ange stapeldetaljer sida, ange ett stacknamn (t.ex.
L4MLambdaFunction
). - I följande GitHub repo, öppna CSV-filen som motsvarar den region du arbetar i och kopiera ARN från den senaste Pandas-versionen.
- Ange ARN som Pandas Lambda layer ARN-parameter.
- Välja Nästa.
- På Konfigurera stackalternativ sida, lämna allt som det är och välj Nästa.
- På översyn sida, markera kryssrutan bekräftelse, lämna allt annat som det är och välj Skapa stack.
Aktivera detektorn
Innan du går vidare till nästa steg måste du aktivera detektorn från konsolen.
- Välj på Lookout for Metrics-konsolen Detektorer i navigeringsfönstret.
- Välj din nyskapade detektor.
- Välja AktiveraOch välj sedan Aktivera igen för att bekräfta.
Aktivering initierar detektorn; den är klar när modellen har slutfört sin inlärningscykel. Detta kan ta upp till 2 timmar.
Förbered data för QuickSight
Innan du slutför detta steg, ge detektorn tid att hitta avvikelser. Lambdafunktionen du skapade sparar anomaliresultaten i Lookout for Metrics-bucket i anomalyResults
katalog. Vi kan nu behandla dessa data för att förbereda dem för QuickSight.
Skapa AWS Glue-sökroboten på konsolen
Efter att några avvikande CSV-filer har genererats använder vi en AWS Glue-crawler för att generera metadatatabellerna.
- Välj på AWS Lim-konsolen crawlers i navigeringsfönstret.
- Välja Lägg till sökrobot.
- Ange ett namn för sökroboten (t.ex.
L4MCrawler
). - Välja Nästa.
- För Typ av sökrobot, Välj Datalager.
- För Upprepa genomsökningar av S3-datalager, Välj Genomsök alla mappar.
- Välja Nästa.
- På konfigurationssidan för datalagring, för Genomsök data i, Välj Angiven sökväg i mitt konto.
- För Inkludera sökväg, gå in på din väg
dimensionContributions
fil (s3://YourBucketName/anomalyResults/dimensionContributions
). - Välja Nästa.
- Välja Ja för att lägga till ytterligare ett datalager och upprepa instruktionerna för
metricValue_AnomalyScore
(s3://YourBucketName/anomalyResults/metricValue_AnomalyScore
). - Upprepa instruktionerna igen för livedata som ska analyseras av Lookout for Metrics anomalidetektor (detta är S3-datauppsättningsplatsen från din Lookout for Metrics-detektor).
Du bör nu ha tre datalager för sökroboten att bearbeta.
Nu måste du välja rollen för att tillåta sökroboten att gå igenom S3-platserna för dina data.
- Välj det här inlägget Skapa en IAM-roll och ange ett namn för rollen.
- Välja Nästa.
- För Frekvens, lämna som Kör på begäran Och välj Nästa.
- I Konfigurera sökrobotens utdata avsnitt väljer Lägg till databas.
Detta skapar Athena-databasen där dina metadatatabeller finns efter att sökroboten är klar.
- Ange ett namn för din databas och välj Skapa.
- Välja NästaOch välj sedan Finish.
- På crawlers sidan i AWS Glue-konsolen, välj sökroboten du skapade och välj Kör sökrobot.
Du kan behöva vänta några minuter, beroende på storleken på data. När den är klar visas sökrobotens status som Klar. För att se metadatatabellerna, navigera till din databas på Databaser sida och välj Bord i navigeringsfönstret.
I det här exemplet representerar metadatatabellen som kallas live S3-datauppsättningen från Lookout for Metrics livedetektor. Som en bästa praxis rekommenderas det att kryptera din AWS Glue Data Catalog-metadata.
Athena känner automatiskt igen metadatatabellerna och QuickSight använder Athena för att söka efter data och visualisera resultaten.
Skapa AWS Glue-sökroboten med AWS CloudFormation
Smakämnen L4MGlueCrawler.yaml CloudFormation-skriptet skapar AWS Glue-sökroboten, dess associerade IAM-roll och utdatabasen Athena.
- Starta stacken från följande länk:
- På Skapa stack sida, välj Nästa.
- På Ange stapeldetaljer sida, ange ett namn för din stack (t.ex.
L4MGlueCrawler
) och välj Nästa. - På Konfigurera stackalternativ sida, lämna allt som det är och välj Nästa.
- På översyn sida, markera kryssrutan bekräftelse, lämna allt annat som det är och välj Skapa stack.
Kör AWS Glue crawler
När du har skapat sökroboten måste du köra den innan du går vidare till nästa steg. Du kan köra det från konsolen eller AWS-kommandoradsgränssnitt (AWS CLI). Utför följande steg för att använda konsolen:
- Välj på AWS Lim-konsolen crawlers i navigeringsfönstret.
- Välj din sökrobot (
L4MCrawler
). - Välja Kör sökrobot.
När sökroboten är klar visar den statusen Klar.
Skapa ett QuickSight-konto
Innan du börjar nästa steg, navigera till QuickSight-konsolen och skapa ett konto om du inte redan har ett. För att vara säker på att du har tillgång till motsvarande tjänster (Athena och S3 bucket), välj ditt kontonamn uppe till höger, välj Hantera QuickSight, och välj Säkerhet och behörigheter, där du kan lägga till nödvändiga tjänster. När du ställer in din Amazon S3-åtkomst, se till att välja Skrivtillstånd för Athena Workgroup.
Nu är du redo att visualisera dina data i QuickSight.
Skapa QuickSight-datauppsättningarna på konsolen
Om det här är första gången du använder Athena måste du konfigurera utgångsplatsen för frågorna. För instruktioner, se steg 1–6 i Skapa en databas. Slutför sedan följande steg:
- Välj på QuickSight-konsolen dataset.
- Välja Nytt datasätt.
- Välj Athena som din källa.
- Ange ett namn för din datakälla.
- Välja Skapa datakälla.
- För din databas, ange den du skapade tidigare med AWS Glue-sökroboten.
- Ange tabellen som innehåller dina livedata (inte avvikelserna).
- Välja Redigera/förhandsgranska data.
Du omdirigeras till ett gränssnitt som liknar följande skärmdump.
Nästa steg är att lägga till och kombinera metricValue_AnomalyScore
data med livedata.
- Välja Lägg till data.
- Välja Lägg till datakälla.
- Ange den databas du skapade och
metricValue_AnomalyScore
tabell. - Välja Välja.
Du måste nu konfigurera sammankopplingen av de två tabellerna.
- Välj länken mellan de två tabellerna.
- Lämna anslutningstypen som Vänster, lägg till tidsstämpeln och varje dimension du har som en join-klausul och välj Ansök.
I följande exempel använder vi tidsstämpel, plattform och marknadsplats som join-klausuler.
I den högra rutan kan du ta bort de fält du inte är intresserad av att behålla.
- Ta bort tidsstämpeln från
metricValue_AnomalyScore
tabell för att inte ha en duplicerad kolumn. - Ändra tidsstämpeldatatypen (för livedatatabellen) från sträng till datum och ange den korrekta format. I vårt fall borde det vara det
yyyy-MM-dd HH:mm:ss
.
Följande skärmdump visar din vy efter att du tagit bort några fält och justerat datatypen.
- Välja Spara och visualisera.
- Välj pennikonen bredvid datasetet.
- Välja Lägg till dataset Och välj
dimensioncontributions
.
Skapa QuickSight-datauppsättningarna med AWS CloudFormation
Det här steget innehåller tre CloudFormation-stackar.
Det första CloudFormation-skriptet, L4MQuickSightDataSource.yaml, skapar datakällan QuickSight Athena.
- Starta stacken från följande länk:
- På Skapa stack sida, välj Nästa.
- På Ange stapeldetaljer anger du ditt QuickSight-användarnamn, QuickSight-kontoregionen (anges när du skapar QuickSight-kontot) och ett stacknamn (till exempel,
L4MQuickSightDataSource
). - Välja Nästa.
- På Konfigurera stackalternativ sida, lämna allt som det är och välj Nästa.
- På översyn sida, lämna allt som det är och välj Skapa stack.
Det andra CloudFormation-skriptet, L4MQuickSightDataSet1.yaml, skapar en QuickSight-datauppsättning som sammanfogar dimensionstabellen med anomalitabellen.
- Starta stacken från följande länk:
- På Skapa stack sida, välj Nästa.
- På Ange stapeldetaljer, ange ett stacknamn (t.ex.
L4MQuickSightDataSet1
). - Välja Nästa.
- På Konfigurera stackalternativ sida, lämna allt som det är och välj Nästa.
- På översyn sida, lämna allt som det är och välj Skapa stack.
Det tredje CloudFormation-skriptet, L4MQuickSightDataSet2.yaml, skapar QuickSight-datauppsättningen som sammanfogar anomalitabellen med livedatatabellen.
- Starta stacken från följande länk:
- På Skapa stacksida¸ välja Nästa.
- På Ange stapeldetaljer sida, ange ett stacknamn (t.ex.
L4MQuickSightDataSet2
). - Välja Nästa.
- På Konfigurera stackalternativ sida, lämna allt som det är och välj Nästa.
- På översyn sida, lämna allt som det är och välj Skapa stack.
Skapa QuickSight-analysen för att skapa instrumentpanelen
Detta steg kan endast utföras på konsolen. När du har skapat dina QuickSight-datauppsättningar utför du följande steg:
- Välj på QuickSight-konsolen Analys i navigeringsfönstret.
- Välja Ny analys.
- Välj den första datamängden,
L4MQuickSightDataSetWithLiveData
.
- Välja Skapa analys.
QuickSight-analysen skapas initialt med endast den första datamängden.
- För att lägga till den andra datamängden, välj pennikonen bredvid dataset Och välj Lägg till dataset.
- Välj den andra datamängden och välj Välja.
Du kan sedan använda endera datauppsättningen för att skapa diagram genom att välja den på dataset rullgardinsmenyn.
Datauppsättningsstatistik
Du har framgångsrikt skapat en QuickSight-analys från Lookout for Metrics slutledningsresultat och livedata. Två datauppsättningar finns i QuickSight som du kan använda: L4M_Visualization_dataset_with_liveData
och L4M_Visualization_dataset_with_dimensionContribution
.
Smakämnen L4M_Visualization_dataset_with_liveData
datauppsättningen innehåller följande mätvärden:
- tidsstämpel – Datum och tid för livedata som skickades till Lookout for Metrics
- visningar – Värdet på visningsmåttet
- intäkter – Värdet på intäktsmåttet
- plattform, marknadsplats, revenueAnomalyMetricValue, viewsAnomalyMetricValue, revenueGroupScore och viewsGroupScore – Dessa mätvärden är en del av båda datamängderna
Smakämnen L4M_Visualization_dataset_with_dimensionContribution
datauppsättningen innehåller följande mätvärden:
- tidsstämpel – Datum och tid för när anomalien upptäcktes
- metricName – Mätvärdena du övervakar
- dimension Namn – Dimensionen inom måttet
- dimensionValue – Dimensionens värde
- värdeContribution – Procentandelen av hur mycket dimensionValue som påverkar anomalien när den upptäcks
Följande skärmdump visar dessa fem mätvärden på instrumentpanelen för anomalier i Lookout for Metrics-detektorn.
Följande mätvärden är en del av båda datamängderna:
- plattform – Plattformen där anomalien inträffade
- marknadsplats – Marknaden där anomalien inträffade
- revenueAnomalyMetricValue och visningarAnomalyMetricValue – Motsvarande värden för måtten när avvikelsen upptäcktes (i den här situationen är måtten intäkter eller visningar)
- revenueGroupScore och viewsGroupScore – Allvarlighetspoängen för varje mätvärde för den upptäckta anomalien
För att bättre förstå dessa sista mätvärden kan du granska CSV-filerna som skapats av Lambda-funktionen i din S3-bucket där du sparade anomalyResults/metricValue_AnomalyScore
.
Nästa steg
Nästa steg är att bygga instrumentpanelerna för den data du vill se. Det här inlägget innehåller ingen förklaring om hur du skapar QuickSight-diagram. Om du är ny på QuickSight, se Komma igång med dataanalys i Amazon QuickSight för en introduktion. Följande skärmbilder visar exempel på grundläggande instrumentpaneler. För mer information, kolla in QuickSight workshops.
Slutsats
Anomalierna presenteras individuellt på Lookout for Metrics-konsolen, var och en med sin egen graf, vilket gör det svårt att se uppsättningen som helhet. En automatiserad, integrerad lösning behövs för djupare analys. I det här inlägget använde vi en Lookout for Metrics-detektor för att generera anomalier och kopplade data till QuickSight för att skapa visualiseringar. Denna lösning gör det möjligt för oss att göra djupare analyser av anomalier och ha dem alla på en enda plats/instrumentpanel.
Som ett nästa steg kan denna lösning lika gärna utökas genom att lägga till en extra datauppsättning och kombinera anomalier från flera detektorer. Du kan också anpassa Lambda-funktionen. Lambdafunktionen innehåller koden som genererar datamängderna och variabelnamnen som vi använder för QuickSights instrumentpaneler. Du kan anpassa den här koden till ditt specifika användningsfall genom att ändra själva datamängden eller variabelnamnen som är mer meningsfulla för dig.
Om du har feedback eller frågor, vänligen lämna dem i kommentarerna.
Om författarna
Benoît de Patoul är en AI/ML Specialist Solutions Architect på AWS. Han hjälper kunder genom att ge vägledning och teknisk assistans för att bygga lösningar relaterade till AI/ML vid användning av AWS.
Paul Troiano är Senior Solutions Architect på AWS, baserad i Atlanta, GA. Han hjälper kunder genom att ge vägledning om teknikstrategier och lösningar på AWS. Han brinner för allt som rör AI/ML och lösningsautomation.
- AI
- ai konst
- ai art generator
- har robot
- Amazon Lookout för mätvärden
- Amazon QuickSight
- artificiell intelligens
- artificiell intelligenscertifiering
- artificiell intelligens inom bankväsendet
- artificiell intelligens robot
- robotar med artificiell intelligens
- programvara för artificiell intelligens
- AWS maskininlärning
- blockchain
- blockchain konferens ai
- coingenius
- konversationskonstnärlig intelligens
- kryptokonferens ai
- dalls
- djupt lärande
- du har google
- maskininlärning
- plato
- plato ai
- Platon Data Intelligence
- Platon spel
- PlatonData
- platogaming
- skala ai
- syntax
- Teknisk instruktion
- zephyrnet