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:
- ฝึกโมเดลเพื่อคาดการณ์โดยใช้ข้อมูลในอดีต
- 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/
- :มี
- :เป็น
- :ที่ไหน
- $ ขึ้น
- 000
- 100
- 118
- 13
- 130
- 300
- 7
- a
- ความสามารถ
- นามธรรม
- สิ่งที่เป็นนามธรรม
- เร่ง
- การยอมรับ
- เข้า
- ถูกต้อง
- แม่นยำ
- ข้าม
- ที่เกิดขึ้นจริง
- ที่เพิ่ม
- เพิ่มเติม
- การปรับเปลี่ยน
- หลังจาก
- AI
- กลยุทธ์ AI
- AI / ML
- เอดส์
- จุดมุ่งหมาย
- การแจ้งเตือน
- ทั้งหมด
- การอนุญาต
- แล้ว
- ด้วย
- การปรับเปลี่ยน
- แม้ว่า
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- an
- การวิเคราะห์
- วิเคราะห์
- การวิเคราะห์
- และ
- ความผิดปกติ
- ใด
- การใช้งาน
- เข้าใกล้
- ได้รับการอนุมัติ
- สถาปัตยกรรม
- เป็น
- พื้นที่
- เกิดขึ้น
- รอบ
- เทียม
- ปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ (AI)
- AS
- ประเมิน
- At
- อัตโนมัติ
- โดยอัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- AWS
- ตาม
- baseline
- BE
- เพราะ
- รับ
- ก่อน
- การเริ่มต้น
- กำลัง
- มาตรฐาน
- ประโยชน์
- ประโยชน์ที่ได้รับ
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ระหว่าง
- พิมพ์เขียว
- เกิด
- ทั้งสอง
- สะพาน
- นำมาซึ่ง
- สร้าง
- การก่อสร้าง
- สร้าง
- built-in
- ธุรกิจ
- แต่
- by
- แคมเปญ
- CAN
- สามารถรับ
- ความสามารถในการ
- ความสามารถ
- จับ
- กรณี
- กรณี
- แค็ตตาล็อก
- ส่วนกลาง
- โซ่
- ท้าทาย
- โอกาส
- การเปลี่ยนแปลง
- ตรวจสอบ
- การตรวจสอบ
- เลือก
- ชั้น
- ชัดเจน
- ปิดหน้านี้
- เมฆ
- บริการคลาวด์
- รหัส
- ร่วมมือ
- การทำงานร่วมกัน
- การทำงานร่วมกัน
- รวมกัน
- ความคิดเห็น
- ผูกมัด
- มุ่งมั่น
- เปรียบเทียบ
- มีอำนาจ
- การแข่งขัน
- สมบูรณ์
- เสร็จสิ้น
- ส่วนประกอบ
- แนวคิด
- ประกอบ
- ภาชนะ
- ภาชนะบรรจุ
- ต่อเนื่องกัน
- แกน
- ความสัมพันธ์
- ตรงกัน
- สอดคล้อง
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- สุดยอด
- ปลูกฝัง
- ปัจจุบัน
- ขณะนี้
- ประเพณี
- ประจำวัน
- ข้อมูล
- แพลตฟอร์มข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ซึ่งกระจายอำนาจ
- ตัดสินใจ
- ลดลง
- คำนิยาม
- องศา
- แผนก
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- การใช้งาน
- กำหนด
- ได้รับการออกแบบ
- รายละเอียด
- รายละเอียด
- ตรวจพบ
- การกำหนด
- พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- แผนภาพ
- แตกต่าง
- ต่าง
- ดิจิตอล
- แปลงดิจิตอล
- ลด
- สนทนา
- กล่าวถึง
- พูดคุย
- การกระจาย
- แบ่งออก
- do
- โดเมน
- ลง
- ในระหว่าง
- e
- แต่ละ
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- ความพยายาม
- ความสำคัญ
- การจ้างงาน
- พนักงาน
- ช่วยให้
- ปลาย
- วิศวกร
- ชั้นเยี่ยม
- วิศวกร
- การเสริมสร้าง
- เพื่อให้แน่ใจ
- อย่างสิ้นเชิง
- สิ่งแวดล้อม
- สภาพแวดล้อม
- จำเป็น
- การประเมินผล
- แม้
- เหตุการณ์
- ทุกอย่าง
- เผง
- ที่มีอยู่
- ประสบการณ์
- ผู้เชี่ยวชาญ
- คำอธิบาย
- อย่างแทน
- กว้างขวาง
- ประสบการณ์ที่กว้างขวาง
- แฟชั่น
- ลักษณะ
- คุณสมบัติ
- ข้อเสนอแนะ
- รู้สึก
- รูป
- ไหล
- ความผันผวน
- โฟกัส
- ดังต่อไปนี้
- อาหาร
- สำหรับ
- พยากรณ์
- ฟอร์ม
- รูป
- รากฐาน
- พื้นฐาน
- กรอบ
- กรอบ
- ราคาเริ่มต้นที่
- ผลไม้
- เต็ม
- ฟังก์ชัน
- ฟังก์ชันการทำงาน
- ฟังก์ชั่น
- ต่อไป
- อนาคต
- ได้รับ
- กําไร
- ยีน
- General
- สร้าง
- สร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- ได้รับ
- ไป
- กำหนด
- เหตุการณ์ที่
- ดี
- อย่างมาก
- พื้น
- แขก
- โพสต์ของผู้เข้าพัก
- มี
- จัดการ
- ควบคุม
- มี
- he
- หัว
- ช่วย
- จะช่วยให้
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- จุดสูง
- ของเขา
- ทางประวัติศาสตร์
- เป็นเจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- if
- แสดงให้เห็นถึง
- ความสำคัญ
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- ร้านค้า
- แรงจูงใจ
- ประกอบด้วย
- รวม
- รวมถึง
- ไม่สอดคล้องกัน
- เพิ่ม
- เพิ่มขึ้น
- ที่เพิ่มขึ้น
- อิสระ
- เป็นรายบุคคล
- อุตสาหกรรม
- โครงสร้างพื้นฐาน
- อย่างโดยเนื้อแท้
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- นวัตกรรม
- อินพุต
- แทน
- แบบบูรณาการ
- บูรณาการ
- Intelligence
- เข้าไป
- ซับซ้อน
- แนะนำ
- IT
- ITS
- การร่วม
- ร่วมกัน
- jpg
- คีย์
- ใหญ่
- ใหญ่ที่สุด
- ต่อมา
- ล่าสุด
- นำ
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- ทิ้ง
- นำ
- ซ้าย
- ชั้น
- ระดับ
- วงจรชีวิต
- ถูก จำกัด
- ในประเทศ
- ตรรกะ
- นาน
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- หลัก
- การบำรุงรักษา
- ทำ
- จัดการ
- การจัดการ
- การจัดการ
- หลาย
- เป็นผู้ใหญ่
- อาจ..
- ในขณะเดียวกัน
- กลไก
- อย่างพิถีพิถัน
- ต่ำสุด
- ลด
- การลด
- ภารกิจ
- ML
- ม.ป.ป
- แบบ
- การสร้างแบบจำลอง
- โมเดล
- ทันสมัย
- การตรวจสอบ
- จอภาพ
- ข้อมูลเพิ่มเติม
- มีประสิทธิภาพมากขึ้น
- มากที่สุด
- การย้าย
- หลาย
- จำเป็น
- จำเป็นต้อง
- จำเป็น
- ใหม่
- ทางทิศเหนือ
- ตอนนี้
- จำนวน
- การได้รับ
- of
- เสนอ
- on
- ONE
- เพียง
- เปิด
- การดำเนินการ
- การเพิ่มประสิทธิภาพ
- or
- บงการ
- ประสาน
- ใบสั่ง
- organizacja
- เป็นต้นฉบับ
- ของเรา
- ออก
- เอาท์พุต
- เกิน
- ของตนเอง
- เจ้าของ
- ก้าว
- แพคเกจ
- Parallel
- พารามิเตอร์
- ส่วนหนึ่ง
- ในสิ่งที่สนใจ
- หุ้นส่วน
- คน
- สมบูรณ์
- สถานที่ที่สมบูรณ์แบบ
- ดำเนินการ
- ที่มีประสิทธิภาพ
- ระยะ
- ท่อ
- เป็นจุดสำคัญ
- สถานที่
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- ผู้เล่น
- ผลงาน
- เป็นไปได้
- โพสต์
- การปฏิบัติ
- การปฏิบัติ
- ที่กำหนดไว้ล่วงหน้า
- ทำนาย
- คำทำนาย
- การคาดการณ์
- ประถม
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- โครงการ
- โครงการ
- เสนอ
- ต้นแบบ
- การสร้างต้นแบบ
- ให้
- ให้
- การให้
- หนังสือมอบฉันทะ
- วัตถุประสงค์
- ใส่
- คุณภาพ
- คำถาม
- อย่างรวดเร็ว
- ยก
- อันดับ
- รวดเร็ว
- ดิบ
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- สูตร
- ที่เกิดขึ้น
- ลงทะเบียน
- รีจิสทรี
- ปกติ
- ที่เกี่ยวข้อง
- ญาติ
- ซ้ำ
- กรุ
- การทำสำเนา
- ต้อง
- ว่า
- ความรับผิดชอบ
- ผล
- ส่งผลให้
- ค้าปลีก
- ร้านค้าปลีก
- แข็งแรง
- ท่อส่งที่แข็งแกร่ง
- กฎระเบียบ
- วิ่ง
- วิ่ง
- sagemaker
- ขาย
- scalability
- ที่ปรับขนาดได้
- ปรับ
- ที่กำหนดไว้
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- คะแนน
- ต้นฉบับ
- สคริปต์
- ได้อย่างลงตัว
- ค้นหา
- ที่สอง
- Section
- เมล็ดพันธุ์
- ระดับอาวุโส
- มีความละเอียดอ่อน
- แยก
- ชุด
- ให้บริการ
- ให้บริการอาหาร
- บริการ
- บริการ
- การให้บริการ
- ครั้ง ราคา
- ชุด
- การติดตั้ง
- หลาย
- Share
- เปลี่ยน
- น่า
- แสดงให้เห็นว่า
- คล้ายคลึงกัน
- ลดความซับซ้อน
- So
- ทางออก
- โซลูชัน
- บาง
- ความซับซ้อน
- เฉพาะ
- จุด
- เริ่มต้น
- ข้อความที่เริ่ม
- ทางสถิติ
- สถิติ
- เข้าพัก
- ขั้นตอน
- ขั้นตอน
- สต็อก
- ร้านค้า
- ซื่อตรง
- กลยุทธ์
- คล่องตัว
- โครงสร้าง
- โครงสร้าง
- สตูดิโอ
- อย่างเช่น
- ที่จัดมา
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- รองรับ
- การเฝ้าระวัง
- การพัฒนาอย่างยั่งยืน
- ที่ยั่งยืน
- สวีเดน
- สวีเดน
- ระบบ
- งาน
- งาน
- ทีม
- ทีม
- เทคนิค
- น่าเบื่อ
- เทมเพลต
- แม่แบบ
- เงื่อนไขการใช้บริการ
- กว่า
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- ของบุคคลที่สาม
- นี้
- แต่?
- ตลอด
- ตลอด
- เวลา
- ครั้ง
- ไปยัง
- ร่วมกัน
- เครื่องมือ
- ติดตาม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- การแปลง
- หม้อแปลงไฟฟ้า
- การเปลี่ยนแปลง
- ความโปร่งใส
- เรียก
- วิกฤติ
- ความจริง
- หัน
- สอง
- ได้รับ
- ผ่านการ
- ความเข้าใจ
- ที่กำลังมา
- us
- ใช้
- มือสอง
- ใช้
- การใช้
- ความคุ้มค่า
- ความหลากหลาย
- แตกต่าง
- ซอสผัดผัก
- กิจการ
- ผ่านทาง
- คือ
- เสีย
- นาฬิกา
- ทาง..
- วิธี
- we
- เว็บ
- บริการเว็บ
- ดี
- คือ
- อะไร
- ความหมายของ
- เมื่อ
- เมื่อไรก็ตาม
- แต่ทว่า
- ว่า
- ที่
- ทำไม
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- การทำงาน
- โรงงาน
- ของโลก
- จะ
- เขียน
- ปี
- ลมทะเล