การเพิ่มประสิทธิภาพการทำงานของนักพัฒนา: Deloitte ใช้ Amazon SageMaker Canvas สำหรับการเรียนรู้ของเครื่องแบบไม่ต้องเขียนโค้ดหรือเขียนโค้ดต่ำได้อย่างไร | อเมซอนเว็บเซอร์วิส

ความสามารถในการสร้างและปรับใช้โมเดลการเรียนรู้ของเครื่อง (ML) อย่างรวดเร็วกำลังมีความสำคัญมากขึ้นในโลกที่ขับเคลื่อนด้วยข้อมูลในปัจจุบัน อย่างไรก็ตาม การสร้างโมเดล ML ต้องใช้เวลา ความพยายาม และความเชี่ยวชาญเฉพาะด้านอย่างมาก ตั้งแต่การรวบรวมและการทำความสะอาดข้อมูลไปจนถึงวิศวกรรมคุณลักษณะ การสร้างโมเดล การปรับแต่ง และการปรับใช้ โปรเจ็กต์ ML มักใช้เวลาหลายเดือนก่อนที่นักพัฒนาจะเสร็จสมบูรณ์ และนักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์ก็ทำได้ยาก

นี่คือจุดที่ชุดบริการ ML แบบใช้โค้ดน้อยและไม่มีโค้ดของ AWS กลายเป็นเครื่องมือสำคัญ เพียงไม่กี่คลิกก็ใช้งานได้ ผืนผ้าใบ Amazon SageMakerคุณสามารถใช้ประโยชน์จากพลังของ ML ได้โดยไม่ต้องเขียนโค้ดใดๆ

ในฐานะผู้รวมระบบเชิงกลยุทธ์ที่มีประสบการณ์ ML อย่างลึกซึ้ง Deloitte ใช้เครื่องมือ ML แบบไม่มีโค้ดและโค้ดต่ำจาก AWS เพื่อสร้างและปรับใช้โมเดล ML อย่างมีประสิทธิภาพสำหรับลูกค้าของ Deloitte และสำหรับสินทรัพย์ภายใน เครื่องมือเหล่านี้ช่วยให้ Deloitte สามารถพัฒนาโซลูชัน ML ได้โดยไม่จำเป็นต้องเขียนโค้ดโมเดลและไปป์ไลน์ด้วยตนเอง ซึ่งสามารถช่วยเร่งระยะเวลาการส่งมอบโครงการ และทำให้ Deloitte สามารถทำงานได้กับลูกค้ามากขึ้น

ต่อไปนี้คือเหตุผลบางประการว่าทำไม Deloitte จึงใช้เครื่องมือเหล่านี้:

• การเข้าถึงสำหรับผู้ที่ไม่ใช่โปรแกรมเมอร์ – เครื่องมือที่ไม่มีโค้ดเปิดการสร้างโมเดล ML ให้กับผู้ที่ไม่ใช่โปรแกรมเมอร์ สมาชิกในทีมที่มีความเชี่ยวชาญเฉพาะด้านโดเมนและทักษะการเขียนโค้ดเพียงเล็กน้อยสามารถพัฒนาโมเดล ML ได้
• การนำเทคโนโลยีใหม่มาใช้อย่างรวดเร็ว – ความพร้อมใช้งานและการปรับปรุงอย่างต่อเนื่องในรุ่นที่พร้อมใช้งานและ AutoML ช่วยให้มั่นใจได้ว่าผู้ใช้ใช้เทคโนโลยีชั้นนำอย่างต่อเนื่อง
• การพัฒนาที่คุ้มค่า – เครื่องมือที่ไม่ต้องเขียนโค้ดช่วยลดต้นทุนและเวลาที่จำเป็นสำหรับการพัฒนาโมเดล ML ทำให้ลูกค้าเข้าถึงได้มากขึ้น ซึ่งสามารถช่วยให้พวกเขาได้รับผลตอบแทนจากการลงทุนที่สูงขึ้น

นอกจากนี้ เครื่องมือเหล่านี้ยังมอบโซลูชันที่ครอบคลุมสำหรับขั้นตอนการทำงานที่รวดเร็วยิ่งขึ้น โดยช่วยให้สิ่งต่อไปนี้:

• การเตรียมข้อมูลที่รวดเร็วยิ่งขึ้น – SageMaker Canvas มีการแปลงในตัวมากกว่า 300 รายการและมีความสามารถในการใช้ภาษาธรรมชาติที่สามารถเร่งการเตรียมข้อมูลและทำให้ข้อมูลพร้อมสำหรับการสร้างแบบจำลอง
• การสร้างโมเดลที่รวดเร็วยิ่งขึ้น – SageMaker Canvas นำเสนอโมเดลที่พร้อมใช้งานหรือ Amazon AutoML เทคโนโลยีที่ช่วยให้คุณสร้างโมเดลแบบกำหนดเองบนข้อมูลองค์กรได้ด้วยการคลิกเพียงไม่กี่ครั้ง สิ่งนี้จะช่วยเร่งกระบวนการให้เร็วขึ้นเมื่อเทียบกับโมเดลการเข้ารหัสตั้งแต่ต้นจนจบ
• การปรับใช้ที่ง่ายขึ้น – SageMaker Canvas นำเสนอความสามารถในการปรับใช้โมเดลที่พร้อมสำหรับการผลิตใน อเมซอน แซกเมคเกอร์ ปลายทางได้ด้วยการคลิกเพียงไม่กี่ครั้งในขณะเดียวกันก็ลงทะเบียนไว้ด้วย รีจิสทรีโมเดล Amazon SageMaker.

วิศเวศวร วาสา Cloud CTO ของ Deloitte, says:

“ด้วยบริการ ML แบบไม่ต้องใช้โค้ดของ AWS เช่น SageMaker Canvas และ SageMaker Data Wrangler พวกเราที่ Deloitte Consulting ได้ปลดล็อกประสิทธิภาพใหม่ๆ ซึ่งช่วยเพิ่มความเร็วของการพัฒนาและประสิทธิผลในการปรับใช้ 30–40% ทั่วทั้งโปรเจ็กต์ที่ติดต่อกับลูกค้าและภายในของเรา”

ในโพสต์นี้ เราแสดงให้เห็นถึงพลังของการสร้างแบบจำลอง ML แบบ end-to-end โดยไม่ต้องใช้โค้ดโดยใช้ SageMaker Canvas โดยแสดงวิธีการสร้างแบบจำลองการจัดหมวดหมู่เพื่อคาดการณ์ว่าลูกค้าจะผิดนัดชำระหนี้หรือไม่ ด้วยการคาดการณ์การผิดนัดชำระหนี้ที่แม่นยำยิ่งขึ้น โมเดลนี้สามารถช่วยให้บริษัทผู้ให้บริการทางการเงินจัดการความเสี่ยง กำหนดราคาสินเชื่อได้อย่างเหมาะสม ปรับปรุงการดำเนินงาน ให้บริการเพิ่มเติม และได้รับความได้เปรียบทางการแข่งขัน เราสาธิตวิธีที่ SageMaker Canvas สามารถช่วยให้คุณเปลี่ยนจากข้อมูลดิบไปเป็นแบบจำลองการจัดประเภทไบนารีที่ปรับใช้อย่างรวดเร็วสำหรับการคาดการณ์การผิดนัดชำระหนี้

SageMaker Canvas นำเสนอความสามารถในการเตรียมข้อมูลที่ครอบคลุมซึ่งขับเคลื่อนโดย Amazon SageMaker ข้อมูล Wrangler ในพื้นที่ทำงาน SageMaker Canvas ซึ่งช่วยให้คุณผ่านทุกขั้นตอนของเวิร์กโฟลว์ ML มาตรฐาน ตั้งแต่การเตรียมข้อมูลไปจนถึงการสร้างโมเดลและการปรับใช้บนแพลตฟอร์มเดียว

โดยปกติแล้วการเตรียมข้อมูลเป็นขั้นตอนที่ใช้เวลามากที่สุดในเวิร์กโฟลว์ ML เพื่อลดเวลาที่ใช้ในการเตรียมข้อมูล SageMaker Canvas ช่วยให้คุณเตรียมข้อมูลโดยใช้การแปลงในตัวมากกว่า 300 รายการ อีกทางหนึ่ง คุณสามารถเขียนข้อความแจ้งด้วยภาษาธรรมชาติได้เช่น "วางแถวสำหรับคอลัมน์ c ที่เป็นค่าผิดปกติ" และแสดงข้อมูลโค้ดที่จำเป็นสำหรับขั้นตอนการเตรียมข้อมูลนี้ จากนั้นคุณสามารถเพิ่มสิ่งนี้ลงในเวิร์กโฟลว์การเตรียมข้อมูลของคุณได้ในไม่กี่คลิก เราจะแสดงวิธีใช้งานในโพสต์นี้ด้วย

ภาพรวมโซลูชัน

แผนภาพต่อไปนี้อธิบายสถาปัตยกรรมสำหรับแบบจำลองการจัดประเภทสินเชื่อเริ่มต้นโดยใช้เครื่องมือ SageMaker แบบเขียนโค้ดต่ำและไม่ต้องเขียนโค้ด

เริ่มต้นด้วยชุดข้อมูลที่มีรายละเอียดเกี่ยวกับข้อมูลการผิดนัดชำระหนี้ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) เราใช้ SageMaker Canvas เพื่อรับข้อมูลเชิงลึกเกี่ยวกับข้อมูล จากนั้นเราจะดำเนินการวิศวกรรมคุณลักษณะเพื่อใช้การเปลี่ยนแปลง เช่น การเข้ารหัสคุณลักษณะตามหมวดหมู่ การลดคุณลักษณะที่ไม่จำเป็น และอื่นๆ ต่อไป เราจะจัดเก็บข้อมูลที่ล้างข้อมูลกลับเข้าไปใน Amazon S3 เราใช้ชุดข้อมูลที่ล้างแล้วเพื่อสร้างแบบจำลองการจำแนกประเภทเพื่อคาดการณ์การผิดนัดชำระหนี้ จากนั้นเราก็มีแบบจำลองที่พร้อมสำหรับการใช้งานจริงสำหรับการอนุมาน

เบื้องต้น

ตรวจสอบให้แน่ใจว่าสิ่งต่อไปนี้ ข้อกำหนดเบื้องต้น เสร็จสมบูรณ์และคุณได้เปิดใช้งานแล้ว ผ้าใบรุ่นพร้อมใช้งาน ตัวเลือกเมื่อตั้งค่าโดเมน SageMaker หากคุณได้ตั้งค่าโดเมนของคุณแล้ว แก้ไขการตั้งค่าโดเมนของคุณ และไปที่ การตั้งค่าแคนวาส เพื่อเปิดใช้งาน เปิดใช้งานรุ่น Canvas Ready-to-use ตัวเลือก. นอกจากนี้ให้ตั้งค่าและ สร้างแอปพลิเคชัน SageMaker Canvasจากนั้นขอและเปิดใช้งาน การเข้าถึงโมเดล Anthropic Claude on อเมซอน เบดร็อค.

ชุด

เราใช้ชุดข้อมูลสาธารณะจาก ทะเลาะกัน ที่มีข้อมูลเกี่ยวกับสินเชื่อทางการเงิน แต่ละแถวในชุดข้อมูลแสดงถึงสินเชื่อรายการเดียว และคอลัมน์ให้รายละเอียดเกี่ยวกับธุรกรรมแต่ละรายการ ดาวน์โหลดชุดข้อมูลนี้และจัดเก็บไว้ในบัคเก็ต S3 ที่คุณเลือก ตารางต่อไปนี้แสดงรายการเขตข้อมูลในชุดข้อมูล

ชื่อคอลัมน์	ประเภทข้อมูล	รายละเอียด
Person_age	จำนวนเต็ม	อายุของผู้กู้เงิน
Person_income	จำนวนเต็ม	รายได้ของผู้กู้
Person_home_ownership	เชือก	สถานะการเป็นเจ้าของบ้าน (เป็นเจ้าของหรือเช่า)
Person_emp_length	ทศนิยม	จำนวนปีที่พวกเขาทำงาน
Loan_intent	เชือก	เหตุผลในการกู้ยืม (ส่วนตัว การแพทย์ การศึกษา และอื่นๆ)
Loan_grade	เชือก	ระดับสินเชื่อ (A–E)
Loan_int_rate	ทศนิยม	อัตราดอกเบี้ย
Loan_amnt	จำนวนเต็ม	จำนวนเงินกู้ทั้งหมด
Loan_status	จำนวนเต็ม	เป้าหมาย (ไม่ว่าจะผิดนัดหรือไม่ก็ตาม)
Loan_percent_income	ทศนิยม	จำนวนเงินกู้เทียบกับเปอร์เซ็นต์ของรายได้
Cb_person_default_on_file	จำนวนเต็ม	ค่าเริ่มต้นก่อนหน้า (ถ้ามี)
Cb_person_credit_history_length	เชือก	ความยาวของประวัติเครดิต

ลดความซับซ้อนในการเตรียมข้อมูลด้วย SageMaker Canvas

การเตรียมข้อมูลอาจใช้ความพยายามถึง 80% ในโปรเจ็กต์ ML. การเตรียมข้อมูลที่เหมาะสมนำไปสู่ประสิทธิภาพของโมเดลที่ดีขึ้นและการคาดการณ์ที่แม่นยำยิ่งขึ้น SageMaker Canvas ช่วยให้สามารถสำรวจ เปลี่ยนแปลง และจัดเตรียมข้อมูลเชิงโต้ตอบได้โดยไม่ต้องเขียนโค้ด SQL หรือ Python ใดๆ

ทำตามขั้นตอนต่อไปนี้เพื่อเตรียมข้อมูลของคุณ:

1. บนคอนโซล SageMaker Canvas ให้เลือก การเตรียมข้อมูล ในบานหน้าต่างนำทาง
2. เกี่ยวกับ สร้างบัญชีตัวแทน เมนูให้เลือก เอกสาร.
3. สำหรับ ชื่อชุดข้อมูลให้ป้อนชื่อชุดข้อมูลของคุณ
4. Choose สร้างบัญชีตัวแทน.
   
5. เลือก Amazon S3 เป็นแหล่งข้อมูลและเชื่อมต่อกับชุดข้อมูล
6. หลังจากโหลดชุดข้อมูลแล้ว ให้สร้างโฟลว์ข้อมูลโดยใช้ชุดข้อมูลนั้น
   
7. สลับไปที่แท็บการวิเคราะห์และสร้าง รายงานคุณภาพข้อมูลและข้อมูลเชิงลึก.

นี่เป็นขั้นตอนที่แนะนำในการวิเคราะห์คุณภาพของชุดข้อมูลอินพุต ผลลัพธ์ของรายงานนี้จะสร้างข้อมูลเชิงลึกที่ขับเคลื่อนด้วย ML ทันที เช่น ข้อมูลบิดเบือน การซ้ำซ้อนในข้อมูล ค่าที่หายไป และอื่นๆ อีกมากมาย ภาพหน้าจอต่อไปนี้แสดงตัวอย่างของรายงานที่สร้างขึ้นสำหรับชุดข้อมูลสินเชื่อ

ด้วยการสร้างข้อมูลเชิงลึกเหล่านี้ในนามของคุณ SageMaker Canvas จะมอบชุดปัญหาในข้อมูลที่จำเป็นต้องมีการแก้ไขในขั้นตอนการเตรียมข้อมูล หากต้องการเลือกปัญหาสองอันดับแรกที่ระบุโดย SageMaker Canvas คุณจะต้องเข้ารหัสคุณสมบัติตามหมวดหมู่และลบแถวที่ซ้ำกันออกเพื่อให้โมเดลของคุณมีคุณภาพสูง คุณสามารถทำทั้งสองสิ่งนี้และอื่นๆ อีกมากมายในเวิร์กโฟลว์แบบภาพด้วย SageMaker Canvas

1. ขั้นแรก เข้ารหัสแบบร้อนเดียว loan_intent, loan_gradeและ person_home_ownership
2. คุณสามารถวาง cb_person_cred_history_length เนื่องจากคอลัมน์นั้นมีพลังในการคาดการณ์น้อยที่สุด ดังที่แสดงในรายงานคุณภาพข้อมูลและข้อมูลเชิงลึก
   
   SageMaker Canvas เพิ่งเพิ่มไฟล์ สนทนากับข้อมูล ตัวเลือก. คุณสมบัตินี้ใช้พลังของโมเดลพื้นฐานเพื่อตีความการสืบค้นด้วยภาษาธรรมชาติ และสร้างโค้ดที่ใช้ Python เพื่อนำการเปลี่ยนแปลงทางวิศวกรรมของฟีเจอร์ไปใช้ คุณสมบัตินี้ขับเคลื่อนโดย Amazon Bedrock และสามารถกำหนดค่าให้ทำงานทั้งหมดใน VPC ของคุณ เพื่อให้ข้อมูลไม่ออกจากสภาพแวดล้อมของคุณ
3. หากต้องการใช้ฟีเจอร์นี้เพื่อลบแถวที่ซ้ำกัน ให้เลือกเครื่องหมายบวกถัดจาก วางคอลัมน์ แปลงแล้วเลือก สนทนากับข้อมูล.
   
4. ป้อนคำค้นหาของคุณเป็นภาษาธรรมชาติ (เช่น "ลบแถวที่ซ้ำกันออกจากชุดข้อมูล")
5. ตรวจสอบการเปลี่ยนแปลงที่สร้างขึ้นและเลือก เพิ่มไปยังขั้นตอน เพื่อเพิ่มการเปลี่ยนแปลงให้กับโฟลว์
   
6. สุดท้าย ส่งออกเอาต์พุตของการแปลงเหล่านี้ไปยัง Amazon S3 หรือเป็นทางเลือก Amazon SageMaker ฟีเจอร์สโตร์ เพื่อใช้คุณสมบัติเหล่านี้กับหลายโครงการ

คุณยังสามารถเพิ่มขั้นตอนอื่นเพื่อสร้างปลายทาง Amazon S3 สำหรับชุดข้อมูลเพื่อปรับขนาดเวิร์กโฟลว์สำหรับชุดข้อมูลขนาดใหญ่ได้ แผนภาพต่อไปนี้แสดงโฟลว์ข้อมูล SageMaker Canvas หลังจากเพิ่มการแปลงภาพ

คุณได้เสร็จสิ้นการประมวลผลข้อมูลและขั้นตอนทางวิศวกรรมฟีเจอร์ทั้งหมดโดยใช้เวิร์กโฟลว์ภาพใน SageMaker Canvas ซึ่งจะช่วยลดเวลาที่วิศวกรข้อมูลใช้ในการทำความสะอาดและเตรียมข้อมูลให้พร้อมสำหรับการพัฒนาแบบจำลองจากสัปดาห์เหลือเพียงไม่กี่วัน ขั้นตอนต่อไปคือการสร้างโมเดล ML

สร้างโมเดลด้วย SageMaker Canvas

Amazon SageMaker Canvas มอบเวิร์กโฟลว์ตั้งแต่ต้นทางถึงปลายทางโดยไม่ต้องใช้โค้ดสำหรับการสร้าง การวิเคราะห์ การทดสอบ และปรับใช้โมเดลการจัดหมวดหมู่ไบนารีนี้ ทำตามขั้นตอนต่อไปนี้:

1. สร้างชุดข้อมูลใน SageMaker Canvas
2. ระบุตำแหน่ง S3 ที่ใช้ในการส่งออกข้อมูลหรือตำแหน่ง S3 ที่อยู่บนปลายทางของงาน SageMaker Canvas
   
   ตอนนี้คุณพร้อมที่จะสร้างโมเดลแล้ว
3. Choose Models ในบานหน้าต่างนำทางแล้วเลือก รุ่นใหม่.
4. ตั้งชื่อรุ่นและเลือก การวิเคราะห์เชิงทำนาย เป็นประเภทรุ่น
5. เลือกชุดข้อมูลที่สร้างในขั้นตอนก่อนหน้า
   
   ขั้นตอนต่อไปคือการกำหนดค่าประเภทโมเดล
6. เลือกคอลัมน์เป้าหมาย จากนั้นประเภทโมเดลจะถูกตั้งค่าเป็นโดยอัตโนมัติ การทำนาย 2 หมวดหมู่.
7. เลือกประเภทการสร้างของคุณ โครงสร้างมาตรฐาน or สร้างด่วน.
   
   SageMaker Canvas จะแสดงเวลาในการสร้างที่คาดหวังทันทีที่คุณเริ่มสร้างโมเดล การสร้างมาตรฐานมักใช้เวลาประมาณ 2–4 ชั่วโมง คุณสามารถใช้ตัวเลือก Quick build สำหรับชุดข้อมูลขนาดเล็ก ซึ่งใช้เวลาเพียง 2–15 นาที สำหรับชุดข้อมูลเฉพาะนี้ ควรใช้เวลาประมาณ 45 นาทีในการสร้างแบบจำลองให้เสร็จสมบูรณ์ SageMaker Canvas จะแจ้งให้คุณทราบถึงความคืบหน้าของกระบวนการสร้าง
8. หลังจากสร้างโมเดลแล้ว คุณสามารถดูประสิทธิภาพของโมเดลได้
   
   SageMaker Canvas มีตัววัดต่างๆ เช่น ความแม่นยำ ความแม่นยำ และคะแนน F1 ขึ้นอยู่กับประเภทของโมเดล ภาพหน้าจอต่อไปนี้แสดงความแม่นยำและหน่วยวัดขั้นสูงอื่นๆ สองสามรายการสำหรับโมเดลการจำแนกประเภทไบนารีนี้
9. ขั้นตอนต่อไปคือการทดสอบการคาดการณ์
   SageMaker Canvas ช่วยให้คุณสามารถคาดการณ์แบทช์ในอินพุตหลายรายการหรือการคาดการณ์เดียวเพื่อตรวจสอบคุณภาพของโมเดลได้อย่างรวดเร็ว ภาพหน้าจอต่อไปนี้แสดงตัวอย่างการอนุมาน
   
10. ขั้นตอนสุดท้ายคือการปรับใช้โมเดลที่ผ่านการฝึกอบรม
    SageMaker Canvas ปรับใช้โมเดลบนตำแหน่งข้อมูล SageMaker และตอนนี้คุณมีโมเดลที่ใช้งานจริงที่พร้อมสำหรับการอนุมานแล้ว ภาพหน้าจอต่อไปนี้แสดงจุดสิ้นสุดที่ปรับใช้
    

หลังจากปรับใช้โมเดลแล้ว คุณสามารถเรียกใช้โมเดลผ่าน AWS SDK หรือ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือทำการเรียก API ไปยังแอปพลิเคชันใดๆ ที่คุณเลือกเพื่อคาดการณ์ความเสี่ยงของผู้ที่อาจกู้ยืมได้อย่างมั่นใจ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการทดสอบโมเดลของคุณ โปรดดูที่ เรียกใช้จุดสิ้นสุดแบบเรียลไทม์.

ทำความสะอาด

เพื่อหลีกเลี่ยงไม่ให้มีค่าใช้จ่ายเพิ่มเติม ออกจากระบบ SageMaker Canvas or ลบโดเมน SageMaker ที่ถูกสร้างขึ้น นอกจากนี้ ลบจุดสิ้นสุดโมเดล SageMaker และ ลบชุดข้อมูลที่อัปโหลดไปยัง Amazon S3.

สรุป

ML แบบไม่มีโค้ดช่วยเร่งการพัฒนา ลดความซับซ้อนในการปรับใช้ ไม่ต้องใช้ทักษะการเขียนโปรแกรม เพิ่มมาตรฐาน และลดต้นทุน ประโยชน์เหล่านี้ทำให้ ML แบบไม่ต้องเขียนโค้ดน่าสนใจสำหรับ Deloitte ในการปรับปรุงข้อเสนอบริการ ML ของตน และลดระยะเวลาการสร้างโมเดล ML ลงได้ 30–40%

Deloitte เป็นผู้วางระบบเชิงกลยุทธ์ระดับโลกที่มีผู้ปฏิบัติงาน AWS ที่ได้รับการรับรองมากกว่า 17,000 รายทั่วโลก ยังคงยกระดับมาตรฐานผ่านการเข้าร่วมใน AWS Competency Program ด้วย ความสามารถ 25 รายการ รวมถึง Machine Learning. เชื่อมต่อกับดีลอยท์ เพื่อเริ่มใช้โซลูชัน AWS no-code และ low-code กับองค์กรของคุณ

---

เกี่ยวกับผู้แต่ง

ชิดา สัทยาพันธ์ เป็นผู้นำการปฏิบัติงาน Cloud AI/Machine Learning ของ Deloitte เขานำประสบการณ์ความเป็นผู้นำทางความคิดที่แข็งแกร่งมาสู่การมีส่วนร่วมและประสบความสำเร็จในการสนับสนุนผู้มีส่วนได้ส่วนเสียของผู้บริหารให้บรรลุการปรับปรุงประสิทธิภาพและเป้าหมายการทำให้ทันสมัยในอุตสาหกรรมต่างๆ ที่ใช้ AI/ML Chida เป็นผู้ประกอบการด้านเทคโนโลยีแบบอนุกรมและเป็นผู้สร้างชุมชนตัวยงในระบบนิเวศสตาร์ทอัพและนักพัฒนา

Kuldeep Singhเป็นผู้นำด้าน AI/ML ระดับโลกของ AWS ที่มีประสบการณ์ด้านเทคโนโลยีมากกว่า 20 ปี ผสมผสานความเชี่ยวชาญด้านการขายและการเป็นผู้ประกอบการเข้ากับความเข้าใจอย่างลึกซึ้งเกี่ยวกับ AI, ML และความปลอดภัยทางไซเบอร์ เขามีความเป็นเลิศในการสร้างความร่วมมือเชิงกลยุทธ์ระดับโลก ขับเคลื่อนโซลูชันและกลยุทธ์ที่เปลี่ยนแปลงในอุตสาหกรรมต่างๆ โดยมุ่งเน้นไปที่ generative AI และ GSI

กสิ มูทู เป็นสถาปนิกโซลูชันคู่ค้าอาวุโสที่มุ่งเน้นด้านข้อมูลและ AI/ML ที่ AWS ในเมืองฮิวสตัน รัฐเท็กซัส เขามีความกระตือรือร้นในการช่วยเหลือคู่ค้าและลูกค้าเร่งการเดินทางข้อมูลบนคลาวด์ เขาเป็นที่ปรึกษาที่เชื่อถือได้ในสาขานี้ และมีประสบการณ์มากมายในการออกแบบสถาปัตยกรรมและสร้างปริมาณงานที่มีประสิทธิภาพ ยืดหยุ่น และปรับขนาดได้ในระบบคลาวด์ นอกเวลางานเขาสนุกกับการใช้เวลาอยู่กับครอบครัว

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/boosting-developer-productivity-how-deloitte-uses-amazon-sagemaker-canvas-for-no-code-low-code-machine-learning/