Axfood ช่วยให้ Machine Learning เร่งความเร็วทั่วทั้งองค์กรโดยใช้ Amazon SageMaker | ได้อย่างไร อเมซอนเว็บเซอร์วิส

นี่คือโพสต์ของแขกที่เขียนโดย Axfood AB 

ในโพสต์นี้ เราแชร์วิธีที่ Axfood ซึ่งเป็นผู้ค้าปลีกอาหารรายใหญ่ในสวีเดน ปรับปรุงการดำเนินงานและความสามารถในการปรับขนาดของการดำเนินงานด้านปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ที่มีอยู่โดยการสร้างต้นแบบโดยร่วมมืออย่างใกล้ชิดกับผู้เชี่ยวชาญของ AWS และการใช้ อเมซอน SageMaker.

แอ็กซ์ฟูด เป็นผู้ค้าปลีกอาหารรายใหญ่อันดับสองของสวีเดน โดยมีพนักงานมากกว่า 13,000 คน และร้านค้ามากกว่า 300 แห่ง Axfood มีโครงสร้างที่มีทีมวิทยาศาสตร์ข้อมูลที่กระจายอำนาจหลายทีมและมีความรับผิดชอบที่แตกต่างกัน ทีมวิทยาการข้อมูลร่วมกับทีมแพลตฟอร์มข้อมูลส่วนกลางนำนวัตกรรมและการเปลี่ยนแปลงทางดิจิทัลผ่านโซลูชัน AI และ ML มาสู่องค์กร Axfood ใช้ Amazon SageMaker เพื่อพัฒนาข้อมูลโดยใช้ ML และมีโมเดลที่ใช้งานจริงมาหลายปีแล้ว เมื่อเร็วๆ นี้ ระดับของความซับซ้อนและจำนวนโมเดลในการผลิตเพิ่มขึ้นอย่างทวีคูณ อย่างไรก็ตาม แม้ว่านวัตกรรมจะก้าวไปอย่างรวดเร็ว แต่ทีมต่างๆ ก็ได้พัฒนาวิธีการทำงานของตนเอง และกำลังค้นหาแนวปฏิบัติที่ดีที่สุดของ MLOps ใหม่

ความท้าทายของเรา

เพื่อรักษาความสามารถในการแข่งขันในแง่ของบริการคลาวด์และ AI/ML Axfood เลือกที่จะร่วมมือกับ AWS และร่วมมือกับ AWS มาหลายปีแล้ว

ในระหว่างเซสชันระดมความคิดที่เกิดขึ้นเป็นประจำกับ AWS เรากำลังพูดคุยถึงวิธีการทำงานร่วมกันระหว่างทีมให้ดีที่สุดเพื่อเพิ่มความเร็วของนวัตกรรมและประสิทธิภาพของวิทยาการข้อมูลและผู้ปฏิบัติงาน ML เราตัดสินใจที่จะร่วมกันสร้างต้นแบบตามแนวทางปฏิบัติที่ดีที่สุดสำหรับ MLOps จุดมุ่งหมายของต้นแบบคือการสร้างเทมเพลตโมเดลสำหรับทีมวิทยาศาสตร์ข้อมูลทั้งหมด เพื่อสร้างโมเดล ML ที่ปรับขนาดได้และมีประสิทธิภาพ ซึ่งเป็นรากฐานของแพลตฟอร์ม AI และ ML เจเนอเรชั่นใหม่สำหรับ Axfood เทมเพลตควรเชื่อมโยงและรวมแนวทางปฏิบัติที่ดีที่สุดจากผู้เชี่ยวชาญ AWS ML และโมเดลแนวทางปฏิบัติที่ดีที่สุดเฉพาะบริษัท ซึ่งเป็นสิ่งที่ดีที่สุดจากทั้งสองโลก

เราตัดสินใจสร้างต้นแบบจากหนึ่งในโมเดล ML ที่ได้รับการพัฒนามากที่สุดในปัจจุบันภายใน Axfood: คาดการณ์ยอดขายในร้านค้า. โดยเฉพาะอย่างยิ่ง การคาดการณ์ผักและผลไม้ของแคมเปญที่กำลังจะมีขึ้นสำหรับร้านค้าปลีกอาหาร การคาดการณ์รายวันที่แม่นยำสนับสนุนกระบวนการสั่งซื้อของร้านค้า เพิ่มความยั่งยืนโดยการลดขยะอาหารอันเป็นผลมาจากการเพิ่มยอดขายโดยการคาดการณ์ระดับสต็อกในร้านค้าที่จำเป็นอย่างแม่นยำ นี่เป็นจุดเริ่มต้นที่สมบูรณ์แบบสำหรับต้นแบบของเรา ไม่เพียงแต่ Axfood จะได้รับแพลตฟอร์ม AI/ML ใหม่เท่านั้น แต่เรายังได้รับโอกาสในการเปรียบเทียบความสามารถ ML ของเราและเรียนรู้จากผู้เชี่ยวชาญ AWS ชั้นนำอีกด้วย

โซลูชันของเรา: เทมเพลต ML ใหม่บน Amazon SageMaker Studio

การสร้างไปป์ไลน์ ML เต็มรูปแบบที่ออกแบบมาสำหรับกรณีธุรกิจจริงอาจเป็นเรื่องท้าทาย ในกรณีนี้ เรากำลังพัฒนาแบบจำลองการคาดการณ์ ดังนั้นจึงมีสองขั้นตอนหลักที่ต้องดำเนินการให้เสร็จสิ้น:

1. ฝึกโมเดลเพื่อคาดการณ์โดยใช้ข้อมูลในอดีต
2. ใช้แบบจำลองที่ได้รับการฝึกอบรมเพื่อคาดการณ์เหตุการณ์ในอนาคต

ในกรณีของ Axfood ไปป์ไลน์ที่ใช้งานได้ดีเพื่อจุดประสงค์นี้ได้รับการตั้งค่าไว้แล้วโดยใช้โน้ตบุ๊ก SageMaker และควบคุมโดย Airflow แพลตฟอร์มการจัดการเวิร์กโฟลว์ของบริษัทอื่น อย่างไรก็ตาม มีประโยชน์ที่ชัดเจนหลายประการในการปรับปรุงแพลตฟอร์ม ML ของเราให้ทันสมัยและย้ายไปที่ สตูดิโอ Amazon SageMaker และ ท่อส่ง Amazon SageMaker. การย้ายไปยัง SageMaker Studio มีคุณสมบัติที่พร้อมใช้งานที่กำหนดไว้ล่วงหน้ามากมาย:

• การตรวจสอบโมเดลและคุณภาพข้อมูลตลอดจนความสามารถในการอธิบายโมเดล
• เครื่องมือสภาพแวดล้อมการพัฒนาแบบรวม (IDE) ในตัว เช่น การดีบัก
• การตรวจสอบต้นทุน/ประสิทธิภาพ
• กรอบการยอมรับแบบจำลอง
• ทะเบียนโมเดล

อย่างไรก็ตาม สิ่งจูงใจที่สำคัญที่สุดสำหรับ Axfood คือความสามารถในการสร้างเทมเพลตโปรเจ็กต์แบบกำหนดเองโดยใช้ โครงการ Amazon SageMaker เพื่อใช้เป็นพิมพ์เขียวสำหรับทีมวิทยาศาสตร์ข้อมูลและผู้ปฏิบัติงาน ML ทั้งหมด ทีม Axfood มีการสร้างแบบจำลอง ML ในระดับที่แข็งแกร่งและเชี่ยวชาญอยู่แล้ว ดังนั้นจุดสนใจหลักคือการสร้างสถาปัตยกรรมใหม่

ภาพรวมโซลูชัน

เฟรมเวิร์ก ML ใหม่ที่เสนอของ Axfood มีโครงสร้างตามไปป์ไลน์หลัก 2 ประการ: ไปป์ไลน์การสร้างโมเดลและไปป์ไลน์การอนุมานแบบแบตช์:

• ไปป์ไลน์เหล่านี้มีการกำหนดเวอร์ชันภายในที่เก็บ Git สองแห่งแยกกัน: หนึ่งที่เก็บบิวด์และหนึ่งที่เก็บปรับใช้ (การอนุมาน) เมื่อรวมกันเป็นท่อส่งที่แข็งแกร่งสำหรับการพยากรณ์ผักและผลไม้
• ไปป์ไลน์ถูกจัดแพ็คเกจเป็นเทมเพลตโปรเจ็กต์แบบกำหนดเองโดยใช้ SageMaker Projects ร่วมกับพื้นที่เก็บข้อมูล Git บุคคลที่สาม (Bitbucket) และไปป์ไลน์ Bitbucket สำหรับการรวมอย่างต่อเนื่องและการปรับใช้ส่วนประกอบอย่างต่อเนื่อง (CI/CD)
• เทมเพลตโปรเจ็กต์โปรเจ็กต์ SageMaker มีโค้ดเริ่มต้นที่สอดคล้องกับแต่ละขั้นตอนของการสร้างและปรับใช้ไปป์ไลน์ (เราจะพูดถึงขั้นตอนเหล่านี้โดยละเอียดในโพสต์นี้) รวมถึงคำจำกัดความไปป์ไลน์ ซึ่งเป็นสูตรสำหรับวิธีดำเนินการขั้นตอนต่างๆ
• ระบบอัตโนมัติของการสร้างโครงการใหม่ตามเทมเพลตได้รับการปรับปรุงให้ดีขึ้น แคตตาล็อกบริการของ AWSซึ่งเป็นที่ที่มีการสร้างพอร์ตโฟลิโอ ซึ่งทำหน้าที่เป็นนามธรรมสำหรับผลิตภัณฑ์หลายรายการ
• แต่ละผลิตภัณฑ์แปลเป็น การก่อตัวของ AWS Cloud เทมเพลต ซึ่งจะถูกปรับใช้เมื่อนักวิทยาศาสตร์ข้อมูลสร้างโปรเจ็กต์ SageMaker ใหม่โดยมีพิมพ์เขียว MLOps ของเราเป็นรากฐาน สิ่งนี้จะเปิดใช้งาน AWS แลมบ์ดา ฟังก์ชั่นที่สร้างโปรเจ็กต์ Bitbucket พร้อมที่เก็บสองแห่ง ได้แก่ model build และ model Deploy ซึ่งมีโค้ดเริ่มต้น

แผนภาพต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน เวิร์กโฟลว์ A แสดงให้เห็นการไหลที่ซับซ้อนระหว่างไปป์ไลน์โมเดลทั้งสอง—การสร้างและการอนุมาน เวิร์กโฟลว์ B แสดงขั้นตอนการสร้างโปรเจ็กต์ ML ใหม่

ไปป์ไลน์สร้างแบบจำลอง

ไปป์ไลน์การสร้างโมเดลจะจัดการวงจรชีวิตของโมเดล โดยเริ่มต้นจากการประมวลผลล่วงหน้า การย้ายผ่านการฝึกอบรม และสิ้นสุดในการลงทะเบียนในการลงทะเบียนโมเดล:

• กระบวนการเตรียมการผลิต – ที่นี่ SageMaker ScriptProcessor คลาสนี้ใช้สำหรับวิศวกรรมฟีเจอร์ ส่งผลให้ชุดข้อมูลที่จะใช้ฝึกโมเดล
• การฝึกอบรมและการแปลงแบทช์ – คอนเทนเนอร์การฝึกอบรมและการอนุมานแบบกำหนดเองจาก SageMaker ถูกนำมาใช้เพื่อฝึกฝนโมเดลเกี่ยวกับข้อมูลประวัติ และสร้างการคาดการณ์เกี่ยวกับข้อมูลการประเมินโดยใช้ SageMaker Estimator และ Transformer สำหรับงานที่เกี่ยวข้อง
• การประเมินผล – โมเดลที่ผ่านการฝึกอบรมจะได้รับการประเมินโดยการเปรียบเทียบการคาดการณ์ที่สร้างขึ้นจากข้อมูลการประเมินกับความจริงภาคพื้นดินที่ใช้ ScriptProcessor.
• งานพื้นฐาน – ไปป์ไลน์สร้างเส้นพื้นฐานตามสถิติในข้อมูลอินพุต สิ่งเหล่านี้จำเป็นสำหรับการตรวจสอบข้อมูลและคุณภาพของโมเดล รวมถึงการระบุแหล่งที่มาของฟีเจอร์
• ทะเบียนโมเดล – โมเดลที่ผ่านการฝึกอบรมได้รับการลงทะเบียนเพื่อใช้ในอนาคต โมเดลดังกล่าวจะได้รับการอนุมัติจากนักวิทยาศาสตร์ข้อมูลที่ได้รับมอบหมายให้นำโมเดลไปใช้ในการผลิต

สำหรับสภาพแวดล้อมการผลิต กลไกการนำเข้าข้อมูลและทริกเกอร์ได้รับการจัดการผ่านการจัดการ Airflow หลัก ในขณะเดียวกัน ในระหว่างการพัฒนา ไปป์ไลน์จะถูกเปิดใช้งานทุกครั้งที่มีการแนะนำการคอมมิตใหม่กับพื้นที่เก็บข้อมูล Bitbucket สำหรับบิลด์โมเดล รูปภาพต่อไปนี้แสดงภาพไปป์ไลน์การสร้างโมเดล

ไปป์ไลน์การอนุมานแบบกลุ่ม

ไปป์ไลน์การอนุมานแบบแบตช์จะจัดการขั้นตอนการอนุมาน ซึ่งประกอบด้วยขั้นตอนต่อไปนี้:

• กระบวนการเตรียมการผลิต – ข้อมูลถูกประมวลผลล่วงหน้าโดยใช้ ScriptProcessor.
• การแปลงแบทช์ – โมเดลใช้คอนเทนเนอร์การอนุมานแบบกำหนดเองกับ SageMaker Transformer และสร้างการคาดการณ์ตามข้อมูลที่ประมวลผลล่วงหน้า โมเดลที่ใช้เป็นโมเดลที่ผ่านการฝึกอบรมที่ได้รับอนุมัติล่าสุดในการลงทะเบียนโมเดล
• หลังการประมวลผล – การคาดการณ์จะต้องผ่านขั้นตอนหลังการประมวลผลหลายขั้นตอนโดยใช้ ScriptProcessor.
• การตรวจสอบ – การเฝ้าระวังอย่างต่อเนื่องทำให้การตรวจสอบความคลาดเคลื่อนที่เกี่ยวข้องกับคุณภาพข้อมูล คุณภาพของโมเดล และการระบุแหล่งที่มาเสร็จสมบูรณ์

หากเกิดความคลาดเคลื่อน ตรรกะทางธุรกิจภายในสคริปต์หลังการประมวลผลจะประเมินว่าจำเป็นต้องมีการฝึกโมเดลใหม่หรือไม่ ไปป์ไลน์ถูกกำหนดให้ทำงานตามช่วงเวลาปกติ

แผนภาพต่อไปนี้แสดงขั้นตอนการอนุมานแบบแบตช์ ขั้นตอนการทำงาน A สอดคล้องกับการประมวลผลล่วงหน้า คุณภาพของข้อมูล และการตรวจสอบการระบุแหล่งที่มาแบบลอยตัว การอนุมาน และการประมวลผลภายหลัง ขั้นตอนการทำงาน B สอดคล้องกับการตรวจสอบดริฟท์คุณภาพของโมเดล ไปป์ไลน์เหล่านี้ถูกแบ่งออกเนื่องจากการตรวจสอบดริฟท์คุณภาพของโมเดลจะทำงานก็ต่อเมื่อมีข้อมูลความจริงภาคพื้นดินใหม่เท่านั้น

จอภาพรุ่น SageMaker

กับ การตรวจสอบโมเดล Amazon SageMaker ท่อส่งก๊าซจะได้รับประโยชน์จากการตรวจสอบแบบเรียลไทม์ดังต่อไปนี้:

• ข้อมูลที่มีคุณภาพ – ตรวจสอบการเบี่ยงเบนหรือความไม่สอดคล้องกันของข้อมูล
• คุณภาพของรุ่น – เฝ้าดูความผันผวนของประสิทธิภาพของโมเดล
• การระบุแหล่งที่มาของคุณลักษณะ – ตรวจสอบการดริฟท์ในการระบุแหล่งที่มาของฟีเจอร์

การตรวจสอบคุณภาพของโมเดลจำเป็นต้องเข้าถึงข้อมูลความจริงภาคพื้นดิน แม้ว่าการได้รับความจริงจากการภาคพื้นดินอาจเป็นเรื่องที่ท้าทายในบางครั้ง แต่การใช้ข้อมูลหรือการตรวจสอบการระบุแหล่งที่มาแบบลอยตัวทำหน้าที่เป็นตัวแทนที่มีความสามารถในการสร้างแบบจำลองคุณภาพ

โดยเฉพาะอย่างยิ่งในกรณีที่คุณภาพของข้อมูลมีการเปลี่ยนแปลง ระบบจะคอยระวังสิ่งต่อไปนี้:

• แนวคิดล่องลอย – สิ่งนี้เกี่ยวข้องกับการเปลี่ยนแปลงความสัมพันธ์ระหว่างอินพุตและเอาท์พุต ซึ่งต้องการความจริงภาคพื้นดิน
• โควาเรียตกะ – ในที่นี้ เน้นอยู่ที่การเปลี่ยนแปลงในการแจกแจงตัวแปรอินพุตอิสระ

ฟังก์ชันการเลื่อนข้อมูลของ SageMaker Model Monitor จะรวบรวมและกลั่นกรองข้อมูลอินพุต การปรับใช้กฎ และการตรวจสอบทางสถิติอย่างพิถีพิถัน การแจ้งเตือนจะเกิดขึ้นทุกครั้งที่ตรวจพบความผิดปกติ

ควบคู่ไปกับการใช้การตรวจสอบการเบี่ยงเบนของคุณภาพข้อมูลเป็นพร็อกซีสำหรับการตรวจสอบการลดระดับของโมเดล ระบบยังตรวจสอบการเบี่ยงเบนของการระบุแหล่งที่มาโดยใช้คะแนน Normalized Discounted Cumulative Gain (NDCG) อีกด้วย คะแนนนี้มีความอ่อนไหวต่อการเปลี่ยนแปลงลำดับการจัดอันดับการระบุแหล่งที่มาของคุณลักษณะ เช่นเดียวกับคะแนนการระบุแหล่งที่มาโดยรวมของคุณลักษณะต่างๆ ด้วยการตรวจสอบการเบี่ยงเบนในการระบุแหล่งที่มาของคุณลักษณะแต่ละรายการและความสำคัญที่เกี่ยวข้องกัน จึงสามารถตรวจพบความเสื่อมถอยในคุณภาพของโมเดลได้อย่างง่ายดาย

แบบจำลองอธิบายได้

ความสามารถในการอธิบายโมเดลเป็นส่วนสำคัญของการปรับใช้ ML เนื่องจากช่วยให้คาดการณ์ได้อย่างโปร่งใส เพื่อความเข้าใจโดยละเอียดเราใช้ Amazon SageMaker ชี้แจง.

โดยนำเสนอคำอธิบายโมเดลทั้งระดับโลกและระดับท้องถิ่นผ่านเทคนิคการระบุแหล่งที่มาของฟีเจอร์ที่ไม่เชื่อเรื่องโมเดลตามแนวคิดมูลค่า Shapley ใช้เพื่อถอดรหัสว่าทำไมจึงมีการคาดการณ์เฉพาะในระหว่างการอนุมาน คำอธิบายดังกล่าวซึ่งมีความแตกต่างกันโดยเนื้อแท้ อาจแตกต่างกันไปตามเส้นฐานที่ต่างกัน SageMaker Clarify ช่วยในการกำหนดพื้นฐานนี้โดยใช้ K-mean หรือ K-prototypes ในชุดข้อมูลอินพุต ซึ่งจากนั้นจะถูกเพิ่มลงในไปป์ไลน์การสร้างโมเดล ฟังก์ชันการทำงานนี้ช่วยให้เราสามารถสร้างแอปพลิเคชัน AI เชิงสร้างสรรค์ในอนาคตเพื่อเพิ่มความเข้าใจเกี่ยวกับวิธีการทำงานของแบบจำลอง

การพัฒนาอุตสาหกรรม: จากต้นแบบสู่การผลิต

โครงการ MLOps มีระบบอัตโนมัติในระดับสูงและสามารถทำหน้าที่เป็นพิมพ์เขียวสำหรับกรณีการใช้งานที่คล้ายกัน:

• โครงสร้างพื้นฐานสามารถนำกลับมาใช้ใหม่ได้ทั้งหมด ในขณะที่รหัสเริ่มต้นสามารถปรับให้เข้ากับแต่ละงานได้ โดยการเปลี่ยนแปลงส่วนใหญ่จะจำกัดอยู่ที่คำจำกัดความไปป์ไลน์และตรรกะทางธุรกิจสำหรับการประมวลผลล่วงหน้า การฝึกอบรม การอนุมาน และการประมวลผลภายหลัง
• สคริปต์การฝึกอบรมและการอนุมานโฮสต์โดยใช้คอนเทนเนอร์แบบกำหนดเองของ SageMaker ดังนั้นโมเดลที่หลากหลายจึงสามารถรองรับได้โดยไม่ต้องเปลี่ยนแปลงข้อมูล และการตรวจสอบโมเดลหรือขั้นตอนในการอธิบายโมเดล ตราบใดที่ข้อมูลอยู่ในรูปแบบตาราง

หลังจากเสร็จสิ้นงานต้นแบบแล้ว เราก็มาดูกันว่าเราควรจะใช้มันในการผลิตอย่างไร ในการทำเช่นนั้น เรารู้สึกว่าจำเป็นต้องปรับเปลี่ยนเทมเพลต MLOps เพิ่มเติม:

• รหัสเริ่มต้นที่ใช้ในต้นแบบสำหรับเทมเพลตประกอบด้วยขั้นตอนก่อนการประมวลผลและหลังการประมวลผลที่ทำงานก่อนและหลังขั้นตอน ML หลัก (การฝึกอบรมและการอนุมาน) อย่างไรก็ตาม เมื่อขยายขนาดเพื่อใช้เทมเพลตสำหรับกรณีการใช้งานหลายกรณีในการผลิต ขั้นตอนการประมวลผลล่วงหน้าและการประมวลผลภายหลังในตัวอาจทำให้ลักษณะทั่วไปลดลงและการสร้างโค้ดซ้ำ
• เพื่อปรับปรุงความทั่วไปและลดโค้ดที่ซ้ำกัน เราเลือกที่จะลดขนาดไปป์ไลน์ให้เล็กลงอีก แทนที่จะรันขั้นตอนการประมวลผลล่วงหน้าและภายหลังโดยเป็นส่วนหนึ่งของไปป์ไลน์ ML เราจะรันขั้นตอนเหล่านี้โดยเป็นส่วนหนึ่งของการจัดการ Airflow หลักก่อนและหลังทริกเกอร์ไปป์ไลน์ ML
• ด้วยวิธีนี้ งานการประมวลผลเฉพาะกรณีจะถูกแยกออกจากเทมเพลต และสิ่งที่เหลืออยู่คือไปป์ไลน์ ML หลักที่ดำเนินงานซึ่งเป็นเรื่องปกติในกรณีการใช้งานหลายกรณีโดยมีโค้ดซ้ำน้อยที่สุด พารามิเตอร์ที่แตกต่างกันระหว่างกรณีการใช้งานจะถูกจัดเตรียมเป็นอินพุตไปยังไปป์ไลน์ ML จากการจัดการ Airflow หลัก

ผลลัพธ์: แนวทางที่รวดเร็วและมีประสิทธิภาพในการสร้างโมเดลและการปรับใช้

ต้นแบบที่ร่วมมือกับ AWS ส่งผลให้เทมเพลต MLOps เป็นไปตามแนวทางปฏิบัติที่ดีที่สุดในปัจจุบัน ซึ่งขณะนี้พร้อมให้ใช้กับทีมวิทยาศาสตร์ข้อมูลของ Axfood ทั้งหมดแล้ว ด้วยการสร้างโปรเจ็กต์ SageMaker ใหม่ภายใน SageMaker Studio นักวิทยาศาสตร์ด้านข้อมูลสามารถเริ่มต้นโปรเจ็กต์ ML ใหม่ได้อย่างรวดเร็วและราบรื่นในการเปลี่ยนไปสู่การใช้งานจริง ช่วยให้การจัดการเวลามีประสิทธิภาพมากขึ้น สิ่งนี้เกิดขึ้นได้โดยการทำให้งาน MLOps ที่น่าเบื่อและซ้ำซากเป็นอัตโนมัติโดยเป็นส่วนหนึ่งของเทมเพลต

นอกจากนี้ ยังมีการเพิ่มฟังก์ชันใหม่หลายอย่างในรูปแบบอัตโนมัติให้กับการตั้งค่า ML ของเรา กำไรเหล่านี้ได้แก่:

• การตรวจสอบแบบจำลอง – เราสามารถตรวจสอบการดริฟท์สำหรับโมเดลและคุณภาพข้อมูลตลอดจนความสามารถในการอธิบายโมเดลได้
• แบบจำลองและสายเลือดข้อมูล – ตอนนี้สามารถติดตามได้อย่างแน่ชัดว่าข้อมูลใดถูกใช้สำหรับรุ่นใด
• ทะเบียนโมเดล – สิ่งนี้ช่วยเราแค็ตตาล็อกโมเดลสำหรับการผลิตและจัดการเวอร์ชันโมเดล

สรุป

ในโพสต์นี้ เราได้พูดคุยกันว่า Axfood ปรับปรุงการดำเนินงานและความสามารถในการปรับขนาดของการดำเนินงาน AI และ ML ที่มีอยู่ของเราโดยร่วมมือกับผู้เชี่ยวชาญ AWS และโดยการใช้ SageMaker และผลิตภัณฑ์ที่เกี่ยวข้องได้อย่างไร

การปรับปรุงเหล่านี้จะช่วยให้ทีมวิทยาศาสตร์ข้อมูลของ Axfood สร้างเวิร์กโฟลว์ ML ด้วยวิธีที่เป็นมาตรฐานมากขึ้น และจะทำให้การวิเคราะห์และการตรวจสอบแบบจำลองในการผลิตง่ายขึ้นอย่างมาก ช่วยให้มั่นใจในคุณภาพของแบบจำลอง ML ที่สร้างและดูแลโดยทีมงานของเรา

กรุณาแสดงความคิดเห็นหรือคำถามใด ๆ ในส่วนความคิดเห็น

---

เกี่ยวกับผู้เขียน

ดร.บียอร์น บลอมควิสท์ เป็นหัวหน้าฝ่ายกลยุทธ์ AI ที่ Axfood AB ก่อนที่จะมาร่วมงานกับ Axfood AB เขาได้เป็นผู้นำทีมนักวิทยาศาสตร์ข้อมูลที่ Dagab ซึ่งเป็นส่วนหนึ่งของ Axfood โดยสร้างโซลูชันการเรียนรู้ของเครื่องที่เป็นนวัตกรรมใหม่ โดยมีพันธกิจในการจัดหาอาหารที่ดีและยั่งยืนให้กับผู้คนทั่วสวีเดน บียอร์นเกิดและเติบโตทางตอนเหนือของสวีเดนในเวลาว่าง เขาผจญภัยไปตามภูเขาหิมะและทะเลเปิด

ออสการ์ กลัง เป็นนักวิทยาศาสตร์ข้อมูลอาวุโสในแผนกวิเคราะห์ของ Dagab ซึ่งเขาสนุกกับการทำงานกับการวิเคราะห์ทุกอย่างและการเรียนรู้ของเครื่องจักร เช่น การเพิ่มประสิทธิภาพการดำเนินงานของห่วงโซ่อุปทาน การสร้างแบบจำลองการคาดการณ์ และล่าสุดคือแอปพลิเคชัน GenAI เขามุ่งมั่นที่จะสร้างไปป์ไลน์แมชชีนเลิร์นนิงที่มีประสิทธิภาพมากขึ้น เพิ่มประสิทธิภาพและความสามารถในการขยายขนาด

พาเวล มาสลอฟ เป็นวิศวกรอาวุโส DevOps และ ML ในทีมแพลตฟอร์มการวิเคราะห์ Pavel มีประสบการณ์อย่างกว้างขวางในการพัฒนาเฟรมเวิร์ก โครงสร้างพื้นฐาน และเครื่องมือในโดเมนของ DevOps และ ML/AI บนแพลตฟอร์ม AWS Pavel เป็นหนึ่งในผู้เล่นหลักในการสร้างความสามารถพื้นฐานภายใน ML ที่ Axfood

โจอาคิม เบิร์ก เป็นหัวหน้าทีมและแพลตฟอร์มการวิเคราะห์เจ้าของผลิตภัณฑ์ ซึ่งประจำอยู่ที่สตอกโฮล์ม สวีเดน เขาเป็นผู้นำทีมวิศวกร DevOps/MLOps ฝั่ง Data Platform ที่ให้บริการแพลตฟอร์ม Data และ ML สำหรับทีม Data Science Joakim มีประสบการณ์หลายปีในการเป็นผู้นำทีมพัฒนาและสถาปัตยกรรมอาวุโสจากอุตสาหกรรมต่างๆ

• 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/how-axfood-enables-accelerated-machine-learning-throughout-the-organization-using-amazon-sagemaker/