สร้างโซลูชัน IDP ที่มีสถาปัตยกรรมอย่างดีด้วยเลนส์แบบกำหนดเอง – ส่วนที่ 4: ประสิทธิภาพด้านประสิทธิภาพ | อเมซอนเว็บเซอร์วิส

เมื่อลูกค้ามีความพร้อมในการผลิต การประมวลผลเอกสารอัจฉริยะ (IDP) เรามักจะได้รับคำขอให้ตรวจสอบ Well-Architected ในการสร้างโซลูชันระดับองค์กร ทรัพยากรของนักพัฒนา ต้นทุน เวลา และประสบการณ์ผู้ใช้จะต้องสมดุลกันเพื่อให้บรรลุผลลัพธ์ทางธุรกิจที่ต้องการ ที่ กรอบงานที่มีสถาปัตยกรรมอย่างดีของ AWS มอบวิธีการที่เป็นระบบสำหรับองค์กรในการเรียนรู้แนวทางปฏิบัติที่ดีที่สุดในการปฏิบัติงานและสถาปัตยกรรมสำหรับการออกแบบและดำเนินการปริมาณงานที่เชื่อถือได้ ปลอดภัย มีประสิทธิภาพ คุ้มค่า และยั่งยืนในระบบคลาวด์

IDP Well-Architected Custom Lens เป็นไปตาม AWS Well-Architected Framework โดยตรวจสอบโซลูชันที่มีหกเสาหลักพร้อมรายละเอียดปลีกย่อยของกรณีการใช้งาน AI หรือ Machine Learning (ML) เฉพาะเจาะจง และให้คำแนะนำเพื่อรับมือกับความท้าทายทั่วไป เลนส์สั่งทำพิเศษ IDP Well-Architected ใน เครื่องมือที่ออกแบบมาอย่างดี มีคำถามเกี่ยวกับแต่ละเสาหลัก ด้วยการตอบคำถามเหล่านี้ คุณสามารถระบุความเสี่ยงที่อาจเกิดขึ้นและแก้ไขได้โดยปฏิบัติตามแผนการปรับปรุงของคุณ

โพสนี้เน้นที่ เสาหลักประสิทธิภาพ ของภาระงาน IDP เราเจาะลึกในการออกแบบและใช้งานโซลูชันเพื่อเพิ่มประสิทธิภาพการรับส่งข้อมูล เวลาแฝง และประสิทธิภาพโดยรวม เราเริ่มต้นด้วยการพูดคุยถึงตัวบ่งชี้ทั่วไปบางประการที่คุณควรดำเนินการทบทวน Well-Architected และแนะนำแนวทางพื้นฐานพร้อมหลักการออกแบบ จากนั้นเราจะเจาะลึกแต่ละประเด็นจากมุมมองทางเทคนิค

หากต้องการติดตามโพสต์นี้ คุณควรจะคุ้นเคยกับโพสต์ก่อนหน้าในชุดนี้ (1 หมายเลข และ 2 หมายเลข) และแนวปฏิบัติใน คำแนะนำสำหรับการประมวลผลเอกสารอัจฉริยะบน AWS. ทรัพยากรเหล่านี้แนะนำบริการ AWS ทั่วไปสำหรับปริมาณงาน IDP และขั้นตอนการทำงานที่แนะนำ ด้วยความรู้นี้ ตอนนี้คุณก็พร้อมที่จะเรียนรู้เพิ่มเติมเกี่ยวกับการผลิตปริมาณงานของคุณแล้ว

ตัวชี้วัดทั่วไป

ต่อไปนี้เป็นตัวบ่งชี้ทั่วไปที่คุณควรดำเนินการทบทวน Well-Architected Framework สำหรับเสาหลักด้านประสิทธิภาพด้านประสิทธิภาพ:

• เวลาแฝงสูง – เมื่อเวลาแฝงของการรู้จำอักขระด้วยแสง (OCR) การรู้จำเอนทิตี หรือเวิร์กโฟลว์จากต้นทางถึงปลายทางใช้เวลานานกว่าเกณฑ์มาตรฐานก่อนหน้าของคุณ นี่อาจเป็นตัวบ่งชี้ว่าการออกแบบสถาปัตยกรรมไม่ครอบคลุมการทดสอบโหลดหรือการจัดการข้อผิดพลาด
• การควบคุมปริมาณบ่อยครั้ง – คุณอาจประสบปัญหาการควบคุมปริมาณโดยบริการของ AWS เช่น Amazon Text เนื่องจากข้อจำกัดในการร้องขอ ซึ่งหมายความว่าจำเป็นต้องปรับสถาปัตยกรรมโดยการทบทวนเวิร์กโฟลว์สถาปัตยกรรม การใช้งานแบบซิงโครนัสและอะซิงโครนัส การคำนวณธุรกรรมต่อวินาที (TPS) และอื่นๆ
• การแก้ไขข้อบกพร่อง – เมื่อมีความล้มเหลวของกระบวนการเอกสาร คุณอาจไม่มีวิธีที่มีประสิทธิภาพในการระบุตำแหน่งของข้อผิดพลาดในเวิร์กโฟลว์ บริการใดที่เกี่ยวข้องกับข้อผิดพลาด และสาเหตุที่เกิดความล้มเหลว ซึ่งหมายความว่าระบบขาดการมองเห็นบันทึกและความล้มเหลว ลองทบทวนการออกแบบการบันทึกข้อมูลการวัดและส่งข้อมูลทางไกลอีกครั้ง และเพิ่มโครงสร้างพื้นฐานเป็นโค้ด (IaC) เช่น ไปป์ไลน์การประมวลผลเอกสาร ให้กับโซลูชัน

ตัวชี้วัด	รายละเอียด	ช่องว่างทางสถาปัตยกรรม
ความล่าช้าสูง	OCR, การรับรู้เอนทิตี หรือเวลาแฝงของเวิร์กโฟลว์จากต้นทางถึงปลายทางเกินกว่าเกณฑ์มาตรฐานก่อนหน้า	โหลดการทดสอบ จัดการข้อผิดพลาด
การควบคุมปริมาณบ่อยครั้ง	การควบคุมโดยบริการของ AWS เช่น Amazon Textract เนื่องจากข้อจำกัดของคำขอ	ซิงค์กับ Async การคำนวณทีพีเอส
ยากที่จะดีบัก	ไม่มีการเปิดเผยตำแหน่ง สาเหตุ และสาเหตุของความล้มเหลวในการประมวลผลเอกสาร	การออกแบบการบันทึก ไปป์ไลน์การประมวลผลเอกสาร

หลักการออกแบบ

ในโพสต์นี้ เราจะพูดถึงหลักการออกแบบสามประการ: การมอบหมายงาน AI ที่ซับซ้อน สถาปัตยกรรม IaC และสถาปัตยกรรมแบบไร้เซิร์ฟเวอร์ เมื่อคุณพบกับข้อเสียระหว่างการใช้งานทั้งสอง คุณสามารถทบทวนหลักการออกแบบโดยคำนึงถึงลำดับความสำคัญทางธุรกิจขององค์กรของคุณ เพื่อให้คุณสามารถตัดสินใจได้อย่างมีประสิทธิภาพ

• การมอบหมายงาน AI ที่ซับซ้อน – คุณสามารถเปิดใช้งานการนำ AI มาใช้ได้เร็วขึ้นในองค์กรของคุณโดยการลดภาระวงจรการพัฒนาโมเดล ML ไปยังบริการที่ได้รับการจัดการ และใช้ประโยชน์จากการพัฒนาโมเดลและโครงสร้างพื้นฐานที่ AWS มอบให้ แทนที่จะต้องการให้ทีมวิทยาศาสตร์ข้อมูลและไอทีสร้างและบำรุงรักษาโมเดล AI คุณสามารถใช้บริการ AI ที่ได้รับการฝึกอบรมล่วงหน้าซึ่งสามารถทำงานอัตโนมัติให้กับคุณได้ สิ่งนี้ช่วยให้ทีมของคุณมุ่งเน้นไปที่งานที่มีมูลค่าสูงกว่าซึ่งสร้างความแตกต่างให้กับธุรกิจของคุณ ในขณะที่ผู้ให้บริการระบบคลาวด์จะจัดการกับความซับซ้อนของการฝึกอบรม การปรับใช้ และการปรับขนาดโมเดล AI
• สถาปัตยกรรม IaC – เมื่อใช้งานโซลูชัน IDP โซลูชันจะรวมบริการ AI หลายอย่างเพื่อดำเนินการเวิร์กโฟลว์แบบ end-to-end ตามลำดับเวลา คุณสามารถออกแบบโซลูชันโดยใช้ไปป์ไลน์เวิร์กโฟลว์ได้ ฟังก์ชันขั้นตอนของ AWS เพื่อเพิ่มความทนทานต่อข้อผิดพลาด การประมวลผลแบบขนาน การมองเห็น และความสามารถในการปรับขนาด ข้อดีเหล่านี้ช่วยให้คุณเพิ่มประสิทธิภาพการใช้งานและต้นทุนของบริการ AI พื้นฐานได้
• serverless สถาปัตยกรรม – IDP มักเป็นโซลูชันที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งเริ่มต้นโดยการอัพโหลดของผู้ใช้หรืองานที่กำหนดเวลาไว้ โซลูชันนี้สามารถขยายขนาดในแนวนอนได้โดยการเพิ่มอัตราการโทรสำหรับบริการ AI AWS แลมบ์ดาและบริการอื่นๆ ที่เกี่ยวข้อง แนวทางแบบไร้เซิร์ฟเวอร์ให้ความสามารถในการขยายขนาดโดยไม่ต้องจัดสรรทรัพยากรมากเกินไป ป้องกันค่าใช้จ่ายที่ไม่จำเป็น การตรวจสอบเบื้องหลังการออกแบบแบบไร้เซิร์ฟเวอร์ช่วยในการตรวจจับปัญหาด้านประสิทธิภาพ

ด้วยหลักการออกแบบทั้งสามข้อนี้ องค์กรต่างๆ จะสามารถสร้างรากฐานที่มีประสิทธิภาพสำหรับการนำ AI/ML มาใช้บนแพลตฟอร์มคลาวด์ได้ ด้วยการมอบหมายความซับซ้อน การใช้โครงสร้างพื้นฐานที่ยืดหยุ่น และการออกแบบตามขนาด องค์กรต่างๆ จึงสามารถเพิ่มประสิทธิภาพโซลูชัน AI/ML ของตนได้

ในส่วนต่อไปนี้ เราจะหารือถึงวิธีจัดการกับความท้าทายทั่วไปที่เกี่ยวข้องกับประเด็นที่เน้นทางเทคนิค

พื้นที่โฟกัส

เมื่อตรวจสอบประสิทธิภาพของประสิทธิภาพ เราจะตรวจสอบโซลูชันจากห้าประเด็นหลัก ได้แก่ การออกแบบสถาปัตยกรรม การจัดการข้อมูล การจัดการข้อผิดพลาด การตรวจสอบระบบ และการตรวจสอบแบบจำลอง ด้วยพื้นที่โฟกัสเหล่านี้ คุณสามารถดำเนินการตรวจสอบสถาปัตยกรรมจากแง่มุมต่างๆ เพื่อเพิ่มประสิทธิผล ความสามารถในการสังเกต และความสามารถในการปรับขนาดขององค์ประกอบทั้งสามของโครงการ AI/ML ข้อมูล แบบจำลอง หรือเป้าหมายทางธุรกิจ

การออกแบบสถาปัตยกรรม

เมื่อตอบคำถามในพื้นที่โฟกัสนี้ คุณจะทบทวนขั้นตอนการทำงานที่มีอยู่เพื่อดูว่าเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดหรือไม่ ขั้นตอนการทำงานที่แนะนำมีรูปแบบทั่วไปที่องค์กรสามารถปฏิบัติตามและป้องกันค่าใช้จ่ายในการลองผิดลองถูก

อยู่บนพื้นฐานของ สถาปัตยกรรมที่เสนอขั้นตอนการทำงานเป็นไปตามหกขั้นตอนของการเก็บข้อมูล การจำแนกประเภท การดึงข้อมูล การเพิ่มคุณค่า การทบทวนและการตรวจสอบ และการใช้ ในตัวบ่งชี้ทั่วไปที่เรากล่าวถึงก่อนหน้านี้ สองในสามมาจากปัญหาการออกแบบสถาปัตยกรรม เนื่องจากเมื่อคุณเริ่มโปรเจ็กต์ด้วยแนวทางชั่วคราว คุณอาจพบกับข้อจำกัดของโปรเจ็กต์เมื่อพยายามจัดโครงสร้างพื้นฐานให้เข้ากับโซลูชันของคุณ ด้วยการทบทวนการออกแบบสถาปัตยกรรม การออกแบบชั่วคราวสามารถแยกออกเป็นขั้นตอน และแต่ละขั้นตอนสามารถประเมินใหม่และจัดลำดับใหม่ได้

คุณสามารถประหยัดเวลา เงิน และแรงงานได้ด้วยการดำเนินการ การจำแนกประเภท ในขั้นตอนการทำงานของคุณ และเอกสารจะถูกส่งไปยังแอปพลิเคชันดาวน์สตรีมและ API ตามประเภทเอกสาร ซึ่งช่วยเพิ่มความสามารถในการสังเกตกระบวนการเอกสาร และทำให้โซลูชันง่ายต่อการรักษาเมื่อเพิ่มประเภทเอกสารใหม่

การจัดการข้อมูล

ประสิทธิภาพของโซลูชัน IDP รวมถึงเวลาแฝง ปริมาณการประมวลผล และประสบการณ์ผู้ใช้แบบ end-to-end วิธีจัดการเอกสารและข้อมูลที่แยกออกมาในโซลูชันคือกุญแจสำคัญในความสอดคล้องของข้อมูล ความปลอดภัย และความเป็นส่วนตัว นอกจากนี้ โซลูชันจะต้องจัดการกับปริมาณข้อมูลที่สูงโดยมีความหน่วงต่ำและมีปริมาณงานสูง

เมื่อพิจารณาคำถามในพื้นที่โฟกัสนี้ คุณจะต้องทบทวนขั้นตอนการทำงานของเอกสาร ซึ่งรวมถึงการนำเข้าข้อมูล การประมวลผลข้อมูลล่วงหน้า การแปลงเอกสารเป็นประเภทเอกสารที่ Amazon Textract ยอมรับ การจัดการสตรีมเอกสารขาเข้า การกำหนดเส้นทางเอกสารตามประเภท และการใช้นโยบายการควบคุมการเข้าถึงและการเก็บรักษา

ตัวอย่างเช่น โดยการจัดเก็บเอกสารในขั้นตอนการประมวลผลต่างๆ คุณสามารถย้อนกลับการประมวลผลไปยังขั้นตอนก่อนหน้าได้หากจำเป็น วงจรชีวิตของข้อมูลช่วยให้มั่นใจได้ถึงความน่าเชื่อถือและการปฏิบัติตามข้อกำหนดสำหรับปริมาณงาน โดยใช้ เครื่องคำนวณโควต้าบริการ Amazon Textract (ดูภาพหน้าจอต่อไปนี้) คุณสมบัติแบบอะซิงโครนัสบน Amazon Textract, Lambda, Step Functions, บริการ Amazon Simple Queue (Amazon SQS) และ บริการแจ้งเตือนแบบง่ายของ Amazon (Amazon SNS) องค์กรต่างๆ สามารถปรับและปรับขนาดงานการประมวลผลเอกสารให้เป็นอัตโนมัติเพื่อตอบสนองความต้องการปริมาณงานเฉพาะได้

การจัดการข้อผิดพลาด

การจัดการข้อผิดพลาดที่มีประสิทธิภาพเป็นสิ่งสำคัญสำหรับการติดตามสถานะกระบวนการเอกสาร และช่วยให้ทีมงานมีเวลาตอบสนองต่อพฤติกรรมที่ผิดปกติ เช่น ปริมาณเอกสารที่ไม่คาดคิด ประเภทเอกสารใหม่ หรือปัญหาอื่นๆ ที่ไม่คาดคิดจากบริการของบุคคลที่สาม จากมุมมองขององค์กร การจัดการข้อผิดพลาดที่เหมาะสมสามารถปรับปรุงเวลาทำงานและประสิทธิภาพของระบบได้

คุณสามารถแบ่งการจัดการข้อผิดพลาดออกเป็นสองประเด็นสำคัญ:

• การกำหนดค่าบริการ AWS – คุณสามารถใช้ตรรกะการลองใหม่ด้วย Exponential Backoff เพื่อจัดการกับข้อผิดพลาดชั่วคราว เช่น การควบคุมปริมาณ เมื่อคุณเริ่มการประมวลผลโดยการเรียกใช้การดำเนินการ Start* แบบอะซิงโครนัส เช่น เริ่มการตรวจหาข้อความเอกสารคุณสามารถระบุได้ว่าสถานะความสมบูรณ์ของคำขอได้รับการเผยแพร่ไปยังหัวข้อ SNS ใน ช่องแจ้งเตือน การกำหนดค่า ซึ่งช่วยให้คุณหลีกเลี่ยงขีดจำกัดการควบคุมในการเรียก API เนื่องจากการโพล Get* API คุณยังสามารถใช้การเตือนได้ อเมซอน คลาวด์วอตช์ และทริกเกอร์ให้แจ้งเตือนเมื่อมีข้อผิดพลาดเกิดขึ้นอย่างผิดปกติ
• การปรับปรุงรายงานข้อผิดพลาด – ซึ่งรวมถึงข้อความโดยละเอียดพร้อมรายละเอียดในระดับที่เหมาะสมตามประเภทข้อผิดพลาดและคำอธิบายของการตอบกลับการจัดการข้อผิดพลาด ด้วยการตั้งค่าการจัดการข้อผิดพลาดที่เหมาะสม ระบบจะมีความยืดหยุ่นมากขึ้นโดยการใช้รูปแบบทั่วไป เช่น การลองข้อผิดพลาดเป็นระยะๆ โดยอัตโนมัติ การใช้เซอร์กิตเบรกเกอร์เพื่อจัดการกับความล้มเหลวแบบเรียงซ้อน และบริการตรวจสอบเพื่อรับข้อมูลเชิงลึกเกี่ยวกับข้อผิดพลาด ซึ่งช่วยให้โซลูชันสามารถปรับสมดุลระหว่างขีดจำกัดการลองใหม่ และป้องกันการวนซ้ำของวงจรที่ไม่มีวันสิ้นสุด

การตรวจสอบแบบจำลอง

ประสิทธิภาพของโมเดล ML ได้รับการตรวจสอบการเสื่อมสภาพเมื่อเวลาผ่านไป เมื่อข้อมูลและเงื่อนไขของระบบเปลี่ยนแปลงไป ระบบจะติดตามประสิทธิภาพของโมเดลและตัววัดประสิทธิภาพเพื่อให้แน่ใจว่ามีการฝึกอบรมซ้ำเมื่อจำเป็น

โมเดล ML ในเวิร์กโฟลว์ IDP อาจเป็นโมเดล OCR โมเดลการรับรู้เอนทิตี หรือโมเดลการจัดหมวดหมู่ โมเดลดังกล่าวสามารถมาจากบริการ AWS AI ซึ่งเป็นโมเดลโอเพ่นซอร์ส อเมซอน SageMaker, อเมซอน เบดร็อคหรือบริการของบุคคลที่สามอื่น ๆ คุณต้องเข้าใจข้อจำกัดและกรณีการใช้งานของแต่ละบริการ เพื่อระบุวิธีปรับปรุงโมเดลด้วยคำติชมของมนุษย์ และปรับปรุงประสิทธิภาพของบริการเมื่อเวลาผ่านไป

แนวทางทั่วไปคือการใช้บันทึกการบริการเพื่อทำความเข้าใจระดับความแม่นยำต่างๆ บันทึกเหล่านี้สามารถช่วยให้ทีมวิทยาศาสตร์ข้อมูลระบุและเข้าใจความจำเป็นในการฝึกโมเดลใหม่ได้ องค์กรของคุณสามารถเลือกกลไกการฝึกอบรมใหม่ได้ อาจเป็นรายไตรมาส รายเดือน หรือขึ้นอยู่กับการวัดทางวิทยาศาสตร์ เช่น เมื่อความแม่นยำลดลงต่ำกว่าเกณฑ์ที่กำหนด

เป้าหมายของการตรวจสอบไม่ใช่แค่การตรวจจับปัญหาเท่านั้น แต่ยังปิดลูปเพื่อปรับแต่งโมเดลอย่างต่อเนื่อง และรักษาโซลูชัน IDP ให้ทำงานต่อไปในขณะที่สภาพแวดล้อมภายนอกพัฒนาขึ้น

การตรวจสอบระบบ

หลังจากที่คุณปรับใช้โซลูชัน IDP ในการผลิตแล้ว สิ่งสำคัญคือต้องตรวจสอบตัววัดหลักและประสิทธิภาพการทำงานอัตโนมัติเพื่อระบุพื้นที่สำหรับการปรับปรุง ตัวชี้วัดควรรวมตัวชี้วัดทางธุรกิจและตัวชี้วัดทางเทคนิค สิ่งนี้ช่วยให้บริษัทสามารถประเมินประสิทธิภาพของระบบ ระบุปัญหา และปรับปรุงแบบจำลอง กฎ และขั้นตอนการทำงานเมื่อเวลาผ่านไป เพื่อเพิ่มอัตราอัตโนมัติเพื่อทำความเข้าใจผลกระทบในการดำเนินงาน

ในด้านธุรกิจ ตัวชี้วัด เช่น ความแม่นยำในการดึงข้อมูลสำหรับฟิลด์สำคัญ อัตราการทำงานอัตโนมัติโดยรวมที่ระบุเปอร์เซ็นต์ของเอกสารที่ได้รับการประมวลผลโดยปราศจากการแทรกแซงของมนุษย์ และเวลาประมวลผลเฉลี่ยต่อเอกสารเป็นสิ่งสำคัญยิ่ง ตัวชี้วัดทางธุรกิจเหล่านี้ช่วยวัดประสบการณ์ของผู้ใช้ปลายทางและประสิทธิภาพการดำเนินงานที่เพิ่มขึ้น

ตัวชี้วัดทางเทคนิค รวมถึงอัตราข้อผิดพลาดและอัตราข้อยกเว้นที่เกิดขึ้นตลอดขั้นตอนการทำงานถือเป็นสิ่งสำคัญในการติดตามจากมุมมองทางวิศวกรรม ตัวชี้วัดทางเทคนิคยังสามารถตรวจสอบในแต่ละระดับตั้งแต่ต้นจนจบและให้มุมมองที่ครอบคลุมของปริมาณงานที่ซับซ้อน คุณสามารถแบ่งหน่วยวัดออกเป็นระดับต่างๆ ได้ เช่น ระดับโซลูชัน ระดับเวิร์กโฟลว์ตั้งแต่ต้นทางถึงปลายทาง ระดับประเภทเอกสาร ระดับเอกสาร ระดับการรับรู้เอนทิตี และระดับ OCR

เมื่อคุณได้ทบทวนคำถามทั้งหมดในเสาหลักนี้แล้ว คุณสามารถประเมินเสาหลักอื่นๆ และพัฒนาแผนการปรับปรุงสำหรับภาระงาน IDP ของคุณได้

สรุป

ในโพสต์นี้ เราได้พูดคุยถึงตัวบ่งชี้ทั่วไปที่คุณอาจต้องดำเนินการตรวจสอบ Well-Architected Framework สำหรับเสาหลักด้านประสิทธิภาพด้านประสิทธิภาพสำหรับปริมาณงาน IDP ของคุณ จากนั้นเราเดินผ่านหลักการออกแบบเพื่อให้ภาพรวมระดับสูงและหารือเกี่ยวกับเป้าหมายการแก้ปัญหา เมื่อปฏิบัติตามคำแนะนำเหล่านี้โดยอ้างอิงถึงเลนส์สั่งทำพิเศษ IDP Well-Architected และโดยการทบทวนคำถามตามประเด็นที่มุ่งเน้น ตอนนี้คุณก็ควรมีแผนการปรับปรุงโครงการแล้ว

---

เกี่ยวกับผู้เขียน

มีอาช้าง เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ ML สำหรับ Amazon Web Services เธอทำงานร่วมกับลูกค้าใน EMEA และแบ่งปันแนวทางปฏิบัติที่ดีที่สุดในการรันปริมาณงาน AI/ML บนคลาวด์พร้อมพื้นฐานด้านคณิตศาสตร์ประยุกต์ วิทยาการคอมพิวเตอร์ และ AI/ML เธอมุ่งเน้นไปที่ปริมาณงานเฉพาะของ NLP และแบ่งปันประสบการณ์ของเธอในฐานะวิทยากรในการประชุมและผู้แต่งหนังสือ ในเวลาว่าง เธอชอบเดินป่า เล่นบอร์ดเกม และชงกาแฟ

บริเจช ปาตี เป็นสถาปนิกโซลูชันระดับองค์กรที่ AWS เป้าหมายหลักของเขาคือการช่วยให้ลูกค้าองค์กรนำเทคโนโลยีคลาวด์มาใช้กับปริมาณงานของพวกเขา เขามีพื้นฐานในการพัฒนาแอปพลิเคชันและสถาปัตยกรรมองค์กร และได้ทำงานร่วมกับลูกค้าจากอุตสาหกรรมต่างๆ เช่น กีฬา การเงิน พลังงาน และบริการระดับมืออาชีพ ความสนใจของเขารวมถึงสถาปัตยกรรมแบบไร้เซิร์ฟเวอร์และ AI/ML

รุย คาร์โดโซ เป็นสถาปนิกโซลูชันคู่ค้าที่ Amazon Web Services (AWS) เขามุ่งเน้นไปที่ AI/ML และ IoT เขาทำงานร่วมกับคู่ค้า AWS และสนับสนุนพวกเขาในการพัฒนาโซลูชันใน AWS เมื่อไม่ได้ทำงาน เขาสนุกกับการปั่นจักรยาน เดินป่า และเรียนรู้สิ่งใหม่ๆ

ทิม คอนเดลโล เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่องจักร (ML) อาวุโสที่ Amazon Web Services (AWS) ความสนใจของเขาคือการประมวลผลภาษาธรรมชาติและการมองเห็นคอมพิวเตอร์ Tim สนุกกับการนำแนวคิดของลูกค้ามาเปลี่ยนให้เป็นโซลูชันที่ปรับขนาดได้

เชอรี่ ดิง เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่องจักร (ML) อาวุโสที่ Amazon Web Services (AWS) เธอมีประสบการณ์มากมายในด้านการเรียนรู้ของเครื่องโดยสำเร็จการศึกษาระดับปริญญาเอกสาขาวิทยาการคอมพิวเตอร์ เธอทำงานร่วมกับลูกค้าภาครัฐเป็นหลักเกี่ยวกับความท้าทายทางธุรกิจต่างๆ ที่เกี่ยวข้องกับ AI/ML ช่วยให้พวกเขาเร่งการเดินทางการเรียนรู้ของเครื่องบน AWS Cloud เมื่อไม่ช่วยเหลือลูกค้าเธอก็ชอบกิจกรรมกลางแจ้ง

ซู่หยินหวาง เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ที่ AWS เธอมีพื้นฐานการศึกษาแบบสหวิทยาการในด้านการเรียนรู้ของเครื่อง การบริการข้อมูลทางการเงิน และเศรษฐศาสตร์ พร้อมด้วยประสบการณ์หลายปีในการสร้างแอปพลิเคชันวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องที่ช่วยแก้ไขปัญหาทางธุรกิจในโลกแห่งความเป็นจริง เธอสนุกกับการช่วยลูกค้าระบุคำถามทางธุรกิจที่เหมาะสมและสร้างโซลูชัน AI/ML ที่เหมาะสม ในเวลาว่าง เธอชอบร้องเพลงและทำอาหาร

• 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/build-well-architected-idp-solutions-with-a-custom-lens-part-4-performance-efficiency/