โพสต์นี้เขียนร่วมกับ Jan Paul Assendorp, Thomas Lietzow, Christopher Masch, Alexander Meinert, Dr. Lars Palzer, Jan Schillemans จาก SIGNAL IDUNA
ที่ SIGNAL IDUNA ซึ่งเป็นบริษัทประกันรายใหญ่ของเยอรมนี เรากำลังสร้างนวัตกรรมใหม่ให้กับตนเองด้วยโปรแกรมการเปลี่ยนแปลง VISION2023 ของเรา เพื่อให้มุ่งเน้นที่ลูกค้ามากขึ้น สองแง่มุมคือหัวใจสำคัญของการเปลี่ยนแปลงนี้: การปรับโครงสร้างองค์กรขนาดใหญ่ของพนักงานให้เป็นทีมข้ามสายงานและคล่องตัว และกลายเป็นบริษัทที่ขับเคลื่อนด้วยข้อมูลอย่างแท้จริง ในที่นี้ คำขวัญ "คุณสร้าง คุณเรียกใช้" เป็นข้อกำหนดที่สำคัญสำหรับทีมข้ามสายงานที่สร้างผลิตภัณฑ์ข้อมูลหรือแมชชีนเลิร์นนิง (ML) สิ่งนี้ทำให้เกิดข้อจำกัดที่เข้มงวดเกี่ยวกับจำนวนเงินที่ทีมงานสามารถใช้ในการผลิตและใช้งานผลิตภัณฑ์
โพสต์นี้แสดงให้เห็นว่า SIGNAL IDUNA จัดการกับความท้าทายนี้อย่างไรและใช้ประโยชน์จาก AWS Cloud เพื่อให้ทีมข้ามสายงานสามารถสร้างและดำเนินการผลิตภัณฑ์ ML ของตนเองได้ ด้วยเหตุนี้ อันดับแรก เราจึงได้แนะนำโครงสร้างองค์กรของทีม Agile ซึ่งกำหนดข้อกำหนดส่วนกลางสำหรับโครงสร้างพื้นฐานระบบคลาวด์ที่ใช้ในการพัฒนาและใช้งานผลิตภัณฑ์ ต่อไป เราจะแสดงให้เห็นว่าทีมกลางสามทีมที่ SIGNAL IDUNA ช่วยให้ทีมข้ามสายงานสร้างผลิตภัณฑ์ข้อมูลใน AWS Cloud ได้อย่างไรโดยได้รับความช่วยเหลือเพียงเล็กน้อย โดยการจัดหาเวิร์กโฟลว์และโซลูชันโครงสร้างพื้นฐานที่เหมาะสมซึ่งสามารถใช้และปรับเปลี่ยนได้ง่าย สุดท้าย เราทบทวนแนวทางของเราและเปรียบเทียบกับแนวทางแบบคลาสสิกมากขึ้น โดยแยกการพัฒนาและการดำเนินงานออกอย่างเข้มงวดยิ่งขึ้น
Agile@SI – รากฐานของการเปลี่ยนแปลงองค์กร
นับตั้งแต่ต้นปี 2021 SIGNAL IDUNA ได้เริ่มวางกลยุทธ์ Agile@SI ลงมือจริง และสร้างวิธีการที่คล่องตัวเพื่อพัฒนาโซลูชันที่มุ่งเน้นลูกค้าทั่วทั้งบริษัท [1] งานและเป้าหมายก่อนหน้านี้ดำเนินการโดยทีมข้ามสายงานที่เรียกว่า ทีม. ทีมเหล่านี้ใช้วิธีที่คล่องตัว (เช่น กรอบงาน Scrum) ตัดสินใจด้วยตนเอง และสร้างผลิตภัณฑ์ที่มุ่งเน้นลูกค้า โดยทั่วไปแล้ว ทีมต่างๆ จะตั้งอยู่ในแผนกธุรกิจ เช่น การตลาด และหลายๆ ทีมให้ความสำคัญกับการสร้างผลิตภัณฑ์ที่ขับเคลื่อนด้วยข้อมูลและ ML ตัวอย่างเช่น กรณีการใช้งานทั่วไปในการประกันภัยคือ การคาดคะเนการเลิกราของลูกค้าและการแนะนำผลิตภัณฑ์
เนื่องจากความซับซ้อนของ ML การสร้างโซลูชัน ML โดยทีมเดียวจึงเป็นเรื่องที่ท้าทาย ดังนั้นจึงจำเป็นต้องได้รับความร่วมมือจากทีมต่างๆ
SIGNAL IDUNA มีทีมสำคัญสามทีมที่สนับสนุนการสร้างโซลูชัน ML ล้อมรอบด้วยสามทีมนี้คือทีมที่รับผิดชอบในการพัฒนาและดำเนินการในระยะยาวและของโซลูชัน ML แนวทางนี้เป็นไปตามรูปแบบความรับผิดชอบร่วมกันของ AWS [2]
ในภาพด้านบน ทีมทั้งหมดจะแสดงในภาพรวม
การเปิดใช้งานระบบคลาวด์
โครงสร้างพื้นฐานระบบคลาวด์พื้นฐานสำหรับทั้งองค์กรมีให้โดยทีม Cloud Enablement เป็นหน้าที่ของพวกเขาในการให้ทีมสร้างผลิตภัณฑ์บนเทคโนโลยีคลาวด์ด้วยตนเอง สิ่งนี้ช่วยเพิ่มเวลาในการทำตลาดในการสร้างผลิตภัณฑ์ใหม่เช่น ML และเป็นไปตามหลักการของ "คุณสร้างมัน คุณใช้งานมัน"
สำนักงานข้อมูล/ดาต้าเลค
การย้ายข้อมูลไปยังคลาวด์ เช่นเดียวกับการค้นหาชุดข้อมูลที่ถูกต้อง ได้รับการสนับสนุนโดย Squad Data Office/Data Lake พวกเขาตั้งค่าแค็ตตาล็อกข้อมูลที่สามารถใช้เพื่อค้นหาและเลือกชุดข้อมูลที่จำเป็น เป้าหมายของพวกเขาคือสร้างความโปร่งใสและการกำกับดูแลข้อมูล นอกจากนี้ พวกเขามีหน้าที่รับผิดชอบในการจัดตั้งและดำเนินการ Data Lake ที่ช่วยให้ทีมเข้าถึงและประมวลผลข้อมูลที่เกี่ยวข้อง
แพลตฟอร์มการวิเคราะห์ข้อมูล
ทีม Data Analytics Platform (DAP) ของเราเป็นทีมที่เน้นระบบคลาวด์และ ML ที่ SIGNAL IDUNA ที่เชี่ยวชาญด้านวิศวกรรม ML วิศวกรรมข้อมูล และวิทยาศาสตร์ข้อมูล เราเปิดใช้งานทีมภายในโดยใช้ระบบคลาวด์สาธารณะสำหรับ ML โดยการจัดหาส่วนประกอบโครงสร้างพื้นฐานและความรู้ ผลิตภัณฑ์และบริการของเรามีรายละเอียดอยู่ในส่วนต่อไปนี้
การเปิดใช้งานทีมข้ามสายงานเพื่อสร้างโซลูชัน ML
เพื่อให้ทีมข้ามสายงานของ SIGNAL IDUNA สามารถสร้างโซลูชัน ML ได้ เราจำเป็นต้องมีวิธีการที่รวดเร็วและหลากหลายในการจัดหาโครงสร้างพื้นฐานระบบคลาวด์ที่นำกลับมาใช้ใหม่ได้ รวมทั้งเวิร์กโฟลว์ที่มีประสิทธิภาพสำหรับทีมเตรียมความพร้อมเพื่อใช้ความสามารถของระบบคลาวด์
ด้วยเหตุนี้ เราจึงได้สร้างกระบวนการปฐมนิเทศและการสนับสนุนที่ได้มาตรฐาน และจัดเตรียมเทมเพลตโครงสร้างพื้นฐานแบบแยกส่วนเป็นโครงสร้างพื้นฐานเป็นโค้ด (IaC) เทมเพลตเหล่านี้ประกอบด้วยส่วนประกอบโครงสร้างพื้นฐานที่ออกแบบมาสำหรับกรณีการใช้งาน ML ทั่วไป ซึ่งสามารถปรับให้เข้ากับความต้องการของกรณีการใช้งานเฉพาะได้อย่างง่ายดาย
เวิร์กโฟลว์ของโซลูชัน ML ของอาคาร
บทบาททางเทคนิคหลักสามประการที่เกี่ยวข้องในการสร้างและใช้งานโซลูชัน ML ได้แก่ นักวิทยาศาสตร์ข้อมูล วิศวกร ML และวิศวกรข้อมูล แต่ละบทบาทเป็นส่วนหนึ่งของทีมข้ามสายงานและมีความรับผิดชอบที่แตกต่างกัน นักวิทยาศาสตร์ข้อมูลมีความรู้ด้านโดเมนที่จำเป็นเกี่ยวกับการทำงานตลอดจนข้อกำหนดทางเทคนิคของกรณีการใช้งาน วิศวกร ML เชี่ยวชาญในการสร้างโซลูชัน ML แบบอัตโนมัติและการปรับใช้โมเดล และวิศวกรข้อมูลทำให้แน่ใจว่าข้อมูลจะไหลจากภายในองค์กรและภายในระบบคลาวด์
ขั้นตอนการจัดหาแพลตฟอร์มมีดังนี้:
โครงสร้างพื้นฐานของกรณีการใช้งานเฉพาะถูกกำหนดใน IaC และกำหนดเวอร์ชันในที่เก็บโปรเจ็กต์กลาง ซึ่งรวมถึงไปป์ไลน์สำหรับการฝึกโมเดลและการปรับใช้ ตลอดจนสิ่งประดิษฐ์โค้ดอื่นๆ ที่เกี่ยวข้องกับวิทยาศาสตร์ข้อมูล นักวิทยาศาสตร์ข้อมูล วิศวกร ML และวิศวกรข้อมูลสามารถเข้าถึงที่เก็บโครงการ และสามารถกำหนดค่าและอัปเดตรหัสโครงสร้างพื้นฐานทั้งหมดได้ด้วยตนเอง ซึ่งช่วยให้ทีมปรับเปลี่ยนโครงสร้างพื้นฐานได้อย่างรวดเร็วหากจำเป็น อย่างไรก็ตาม วิศวกร ML สามารถรองรับการพัฒนาและอัปเดตโครงสร้างพื้นฐานหรือโมเดล ML ได้ตลอดเวลา
ส่วนประกอบโครงสร้างพื้นฐานแบบใช้ซ้ำและแบบแยกส่วน
ทรัพยากร IaC แบบลำดับชั้นและแบบแยกส่วนถูกนำไปใช้ใน terraform และรวมโครงสร้างพื้นฐานสำหรับวิทยาศาสตร์ข้อมูลทั่วไปและกรณีการใช้งาน ETL ซึ่งช่วยให้เรานำรหัสโครงสร้างพื้นฐานกลับมาใช้ใหม่ได้ และบังคับใช้นโยบายการรักษาความปลอดภัยและการปฏิบัติตามข้อกำหนดที่จำเป็น เช่น การใช้ บริการจัดการคีย์ AWS (KMS) การเข้ารหัสข้อมูล เช่นเดียวกับการห่อหุ้มโครงสร้างพื้นฐานใน Amazon Virtual Private Cloud (VPC) สภาพแวดล้อมโดยไม่ต้องเชื่อมต่ออินเทอร์เน็ตโดยตรง
โครงสร้าง IaC แบบลำดับชั้นมีดังนี้:
- โมดูล สรุปบริการ AWS พื้นฐานด้วยการกำหนดค่าที่จำเป็นสำหรับการจัดการความปลอดภัยและการเข้าถึง ซึ่งรวมถึงการกำหนดค่าแนวปฏิบัติที่ดีที่สุด เช่น การป้องกันการเข้าถึงสาธารณะ Amazon Simple Storage Service (S3) บัคเก็ต หรือบังคับใช้การเข้ารหัสสำหรับไฟล์ทั้งหมดที่จัดเก็บไว้
- ในบางกรณี คุณต้องการบริการที่หลากหลายเพื่อทำให้กระบวนการเป็นอัตโนมัติ เช่น การปรับใช้โมเดล ML ในขั้นตอนต่างๆ ดังนั้นเราจึงกำหนด โซลูชัน เป็นชุดของโมดูลต่างๆ ในการกำหนดค่าร่วมกันสำหรับงานประเภทต่างๆ
- นอกจากนี้เรายังนำเสนอแบบครบวงจร พิมพ์เขียว ที่รวมโซลูชันในสภาพแวดล้อมที่แตกต่างกันเพื่อตอบสนองความต้องการที่เป็นไปได้มากมายของโครงการ ในพิมพ์เขียว MLOps ของเรา เรากำหนดโครงสร้างพื้นฐานที่ปรับใช้ได้สำหรับการฝึกอบรม การจัดเตรียม และการตรวจสอบโมเดล ML ที่ผสานรวมและแจกจ่ายในบัญชี AWS เราจะหารือรายละเอียดเพิ่มเติมในหัวข้อถัดไป
ผลิตภัณฑ์เหล่านี้มีการกำหนดเวอร์ชันในที่เก็บส่วนกลางโดยทีม DAP ซึ่งช่วยให้เราปรับปรุง IaC ของเราได้อย่างต่อเนื่องและพิจารณาคุณสมบัติใหม่จาก AWS เช่น อเมซอน SageMaker ทะเบียนโมเดล แต่ละทีมสามารถอ้างอิงทรัพยากรเหล่านี้ กำหนดพารามิเตอร์ได้ตามต้องการ และสุดท้ายปรับใช้ในบัญชี AWS ของตนเอง
สถาปัตยกรรม MLOps
เราจัดเตรียมพิมพ์เขียวพร้อมใช้พร้อมโซลูชันเฉพาะเพื่อให้ครอบคลุมกระบวนการ MLOps ทั้งหมด พิมพ์เขียวประกอบด้วยโครงสร้างพื้นฐานที่กระจายไปยังบัญชี AWS สี่บัญชีสำหรับการสร้างและปรับใช้โมเดล ML ซึ่งช่วยให้เราแยกทรัพยากรและเวิร์กโฟลว์สำหรับขั้นตอนต่างๆ ในกระบวนการ MLOps รูปต่อไปนี้แสดงสถาปัตยกรรมแบบหลายบัญชี และเราอธิบายว่าความรับผิดชอบในขั้นตอนเฉพาะของกระบวนการถูกแบ่งระหว่างบทบาททางเทคนิคต่างๆ อย่างไร
พื้นที่ การสร้างแบบจำลอง บัญชีรวมถึงบริการสำหรับการพัฒนาแบบจำลอง ML ขั้นแรก วิศวกรข้อมูลใช้กระบวนการ ETL เพื่อจัดเตรียมข้อมูลที่เกี่ยวข้องจาก Data Lake SIGNAL IDUNA ซึ่งเป็นเกตเวย์ส่วนกลางสำหรับเวิร์กโฟลว์ที่ขับเคลื่อนด้วยข้อมูลใน AWS Cloud ต่อจากนั้น นักวิทยาศาสตร์ข้อมูลสามารถใช้ชุดข้อมูลเพื่อฝึกอบรมและประเมินผู้สมัครรุ่น เมื่อพร้อมสำหรับการทดลองอย่างกว้างขวาง วิศวกรของ ML ได้รวมโมเดลผู้สมัครเข้ากับไปป์ไลน์การฝึกอบรมอัตโนมัติ เราใช้ Amazon SageMaker Pipelines เพื่อฝึกอบรม การปรับพารามิเตอร์ไฮเปอร์พารามิเตอร์ และการประเมินโมเดลตามขนาดโดยอัตโนมัติ ซึ่งรวมถึงสายผลิตภัณฑ์และกลไกการอนุมัติที่ได้มาตรฐานสำหรับแบบจำลองที่จะจัดฉากสำหรับการปรับใช้ในการผลิต การทดสอบหน่วยอัตโนมัติและการวิเคราะห์โค้ดช่วยรับประกันคุณภาพและความน่าเชื่อถือของโค้ดสำหรับแต่ละขั้นตอนของไปป์ไลน์ เช่น การประมวลผลข้อมูลล่วงหน้า การฝึกโมเดล และการประเมิน เมื่อโมเดลได้รับการประเมินและอนุมัติแล้ว เราจะใช้ Amazon SageMaker ModelPackages เป็นอินเทอร์เฟซไปยังโมเดลที่ได้รับการฝึกอบรมและข้อมูลเมตาที่เกี่ยวข้อง
พื้นที่ การขับรถ บัญชีมีไปป์ไลน์ CI/CD อัตโนมัติที่มีขั้นตอนต่างๆ สำหรับการทดสอบและการปรับใช้โมเดลที่ได้รับการฝึกอบรม ในขั้นตอนการทดสอบ โมเดลต่างๆ จะถูกปรับใช้ใน เสิร์ฟ-nonprod บัญชีผู้ใช้. แม้ว่าคุณภาพของแบบจำลองจะได้รับการประเมินในไปป์ไลน์การฝึกก่อนที่จะมีการจัดฉากแบบจำลองสำหรับการผลิต แต่ในที่นี้เราดำเนินการทดสอบประสิทธิภาพและการรวมในสภาพแวดล้อมการทดสอบที่แยกออกมา หลังจากผ่านขั้นตอนการทดสอบแล้ว แบบจำลองจะถูกปรับใช้ใน เสิร์ฟผลิตภัณฑ์ บัญชีที่จะรวมเข้ากับเวิร์กโฟลว์การผลิต
การแยกขั้นตอนของเวิร์กโฟลว์ MLOps ออกเป็นบัญชี AWS ต่างๆ ช่วยให้เราแยกการพัฒนาและการทดสอบออกจากการผลิตได้ ดังนั้นเราจึงสามารถบังคับใช้นโยบายการเข้าถึงและความปลอดภัยที่เข้มงวดได้ นอกจากนี้ บทบาท IAM ที่ปรับให้เหมาะสมช่วยให้มั่นใจได้ว่าบริการเฉพาะสามารถเข้าถึงข้อมูลและบริการอื่นๆ ที่จำเป็นสำหรับขอบเขตเท่านั้น โดยเป็นไปตาม หลักการของสิทธิที่น้อยที่สุด. บริการภายในสภาพแวดล้อมการให้บริการสามารถเข้าถึงได้จากกระบวนการทางธุรกิจภายนอก ตัวอย่างเช่น กระบวนการทางธุรกิจสามารถสอบถามปลายทางภายในสภาพแวดล้อมที่ให้บริการผลิตภัณฑ์สำหรับการคาดการณ์แบบจำลอง
ประโยชน์ของแนวทางของเรา
กระบวนการนี้มีข้อดีหลายประการเมื่อเทียบกับการแยกการพัฒนาและการดำเนินการที่เข้มงวดสำหรับทั้งโมเดล ML และโครงสร้างพื้นฐานที่จำเป็น:
- ความเหงา: ทุกทีมจะได้รับชุดบัญชี AWS ของตนเองที่แยกออกจากสภาพแวดล้อมของทีมอื่นโดยสิ้นเชิง ทำให้ง่ายต่อการจัดการสิทธิ์การเข้าถึงและเก็บข้อมูลส่วนตัวสำหรับผู้ที่มีสิทธิ์ใช้งาน
- การเปิดใช้งานคลาวด์: สมาชิกในทีมที่มีประสบการณ์เพียงเล็กน้อยใน Cloud DevOps (เช่นนักวิทยาศาสตร์ข้อมูลจำนวนมาก) สามารถดูกระบวนการทั้งหมดของการออกแบบและจัดการโครงสร้างพื้นฐานได้อย่างง่ายดาย เนื่องจาก (เกือบ) ไม่มีอะไรถูกซ่อนจากพวกเขาเบื้องหลังบริการส่วนกลาง สิ่งนี้สร้างความเข้าใจที่ดีขึ้นเกี่ยวกับโครงสร้างพื้นฐาน ซึ่งสามารถช่วยให้พวกเขาสร้างผลิตภัณฑ์วิทยาศาสตร์ข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น
- ความเป็นเจ้าของผลิตภัณฑ์: การใช้โซลูชันโครงสร้างพื้นฐานที่กำหนดค่าไว้ล่วงหน้าและบริการที่มีการจัดการทำให้อุปสรรคในการจัดการผลิตภัณฑ์ ML ในการผลิตต่ำมาก ดังนั้นนักวิทยาศาสตร์ข้อมูลจึงสามารถเป็นเจ้าของแบบจำลองที่นำไปใช้จริงได้อย่างง่ายดาย ซึ่งช่วยลดความเสี่ยงที่ทราบกันดีอยู่แล้วว่าจะล้มเหลวในการนำแบบจำลองไปใช้ในการผลิตหลังการพัฒนา
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด: เนื่องจากวิศวกร ML มีส่วนเกี่ยวข้องมานานก่อนที่แบบจำลองจะพร้อมสำหรับการผลิต พวกเขาจึงสามารถสร้างโซลูชันโครงสร้างพื้นฐานที่เหมาะสมกับกรณีการใช้งานใหม่ ในขณะที่นักวิทยาศาสตร์ข้อมูลพัฒนาแบบจำลอง ML
- การปรับตัวและเข้าถึงได้: เนื่องจากโซลูชัน IaC ที่พัฒนาโดย DAP นั้นสามารถใช้ได้ฟรี ทุกทีมสามารถปรับสิ่งเหล่านี้ให้ตรงกับความต้องการเฉพาะสำหรับกรณีการใช้งานของพวกเขาได้อย่างง่ายดาย
- โอเพ่นซอร์ส: โซลูชันโครงสร้างพื้นฐานใหม่ทั้งหมดสามารถเข้าถึงได้ง่ายผ่าน repo รหัส DAP ส่วนกลาง เพื่อให้ทีมอื่นใช้ เมื่อเวลาผ่านไป สิ่งนี้จะสร้างฐานรหัสที่สมบูรณ์พร้อมส่วนประกอบโครงสร้างพื้นฐานที่ปรับให้เหมาะกับกรณีการใช้งานที่แตกต่างกัน
สรุป
ในโพสต์นี้ เราแสดงให้เห็นว่าทีมข้ามสายงานที่ SIGNAL IDUNA เปิดใช้งานเพื่อสร้างและเรียกใช้ผลิตภัณฑ์ ML บน AWS ได้อย่างไร ศูนย์กลางของแนวทางของเราคือการใช้ชุดบัญชี AWS เฉพาะสำหรับแต่ละทีมร่วมกับพิมพ์เขียวและโซลูชัน IaC ตามความต้องการ ส่วนประกอบทั้งสองนี้ช่วยให้ทีมข้ามสายงานสร้างและดำเนินการโครงสร้างพื้นฐานด้านคุณภาพการผลิตได้ ในทางกลับกัน พวกเขาสามารถเป็นเจ้าของผลิตภัณฑ์ ML แบบ end-to-end ได้อย่างเต็มที่
เอ่ยถึง ไปป์ไลน์การสร้างแบบจำลอง Amazon SageMaker – Amazon SageMaker เพื่อเรียนรู้เพิ่มเติม
ค้นหาข้อมูลเพิ่มเติมได้ที่ ML บน AWS ในหน้าอย่างเป็นทางการของเรา
อ้างอิง
[1] https://www.handelsblatt.com/finanzen/versicherungsbranche-vorbild-spotify-signal-iduna-wird-von-einer-handwerker-versicherung-zum-agilen-konzern/27381902.html
[2] https://blog.crisp.se/wp-content/uploads/2012/11/SpotifyScaling.pdf
[3] https://aws.amazon.com/compliance/shared-responsibility-model/
เกี่ยวกับผู้เขียน
แจน พอล แอสเซนดอร์ป เป็นวิศวกร ML ที่มุ่งเน้นด้านวิทยาศาสตร์ข้อมูลที่แข็งแกร่ง เขาสร้างโมเดล ML และทำให้การฝึกโมเดลเป็นแบบอัตโนมัติและการปรับใช้ในสภาพแวดล้อมการผลิต
โธมัส ลิทโซว เป็น Scrum Master ของแพลตฟอร์ม Data Analytics ของทีม
คริสโตเฟอร์ มาช เป็นเจ้าของผลิตภัณฑ์ของแพลตฟอร์ม Data Analytics ของทีมที่มีความรู้ด้านวิศวกรรมข้อมูล วิทยาศาสตร์ข้อมูล และวิศวกรรม ML
อเล็กซานเดอร์ ไมเนิร์ต เป็นส่วนหนึ่งของทีม Data Analytics Platform และทำงานเป็นวิศวกร ML เริ่มต้นด้วยสถิติ เติบโตในโครงการวิทยาศาสตร์ข้อมูล พบความหลงใหลในวิธีการและสถาปัตยกรรม ML
ดร.ลาร์ส พัลเซอร์ เป็นนักวิทยาศาสตร์ข้อมูลและเป็นส่วนหนึ่งของทีม Data Analytics Platform หลังจากช่วยสร้างส่วนประกอบสถาปัตยกรรม MLOps ตอนนี้เขากำลังใช้ส่วนประกอบเหล่านี้เพื่อสร้างผลิตภัณฑ์ ML
แยน ชิลเลมานส์ เป็นวิศวกร ML ที่มีพื้นฐานด้านวิศวกรรมซอฟต์แวร์ เขามุ่งเน้นที่การนำแนวทางปฏิบัติที่ดีที่สุดด้านวิศวกรรมซอฟต์แวร์ไปใช้กับสภาพแวดล้อม ML (MLOps)
- "
- 100
- 2021
- เข้า
- ลงชื่อเข้าใช้
- ข้าม
- การกระทำ
- ข้อได้เปรียบ
- เปรียว
- ทั้งหมด
- แม้ว่า
- อเมซอน
- การวิเคราะห์
- การวิเคราะห์
- การประยุกต์ใช้
- เข้าใกล้
- สถาปัตยกรรม
- อัตโนมัติ
- ใช้ได้
- AWS
- กำลัง
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- สร้าง
- การก่อสร้าง
- กำ
- ธุรกิจ
- ความสามารถในการ
- กรณี
- ท้าทาย
- เมฆ
- โครงสร้างพื้นฐานคลาวด์
- รหัส
- การทำงานร่วมกัน
- การผสมผสาน
- ร่วมกัน
- บริษัท
- เมื่อเทียบกับ
- การปฏิบัติตาม
- องค์ประกอบ
- มี
- การสร้าง
- ข้อมูล
- วิเคราะห์ข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ทุ่มเท
- ปรับใช้
- ปรับใช้
- การใช้งาน
- การออกแบบ
- รายละเอียด
- พัฒนา
- พัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- ต่าง
- สนทนา
- กระจาย
- โดเมน
- อย่างง่ายดาย
- การเข้ารหัสลับ
- ปลายทาง
- วิศวกร
- ชั้นเยี่ยม
- วิศวกร
- สิ่งแวดล้อม
- จำเป็น
- สร้าง
- ตัวอย่าง
- ประสบการณ์
- FAST
- คุณสมบัติ
- รูป
- ในที่สุด
- ชื่อจริง
- โฟกัส
- มุ่งเน้น
- ดังต่อไปนี้
- พบ
- รากฐาน
- กรอบ
- เต็ม
- เป้าหมาย
- การกำกับดูแล
- ช่วย
- จะช่วยให้
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- ภาพ
- การดำเนินการ
- สำคัญ
- ปรับปรุง
- ประกอบด้วย
- ข้อมูล
- โครงสร้างพื้นฐาน
- ประกัน
- แบบบูรณาการ
- บูรณาการ
- อินเตอร์เฟซ
- อินเทอร์เน็ต
- ร่วมมือ
- IT
- คีย์
- ความรู้
- ใหญ่
- เรียนรู้
- การเรียนรู้
- น้อย
- นาน
- เครื่อง
- เรียนรู้เครื่อง
- การจัดการ
- การจัดการ
- ตลาด
- การตลาด
- การจับคู่
- สมาชิก
- Meta
- ML
- แบบ
- โมเดล
- โมดูลาร์
- การตรวจสอบ
- คุณสมบัติใหม่
- ผลิตภัณฑ์ใหม่
- เสนอ
- เป็นทางการ
- การดูแลพนักงานใหม่
- การดำเนินงาน
- organizacja
- อื่นๆ
- เจ้าของ
- การปฏิบัติ
- เวที
- นโยบาย
- นโยบาย
- คำทำนาย
- การคาดการณ์
- การป้องกัน
- ส่วนตัว
- กระบวนการ
- กระบวนการ
- ผลิตภัณฑ์
- การผลิต
- ผลิตภัณฑ์
- โครงการ
- โครงการ
- โครงการ
- ให้
- สาธารณะ
- คลาวด์สาธารณะ
- คุณภาพ
- กรุ
- จำเป็นต้องใช้
- ความต้องการ
- แหล่งข้อมูล
- รับผิดชอบ
- ทบทวน
- ความเสี่ยง
- วิ่ง
- ขนาด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- ความปลอดภัย
- บริการ
- บริการ
- การให้บริการ
- ชุด
- ที่ใช้ร่วมกัน
- ง่าย
- ซอฟต์แวร์
- วิศวกรรมซอฟต์แวร์
- โซลูชัน
- ความเชี่ยวชาญ
- ใช้จ่าย
- ระยะ
- เริ่มต้น
- ข้อความที่เริ่ม
- สถิติ
- การเก็บรักษา
- กลยุทธ์
- แข็งแรง
- ต่อจากนั้น
- สนับสนุน
- ที่สนับสนุน
- ล้อมรอบ
- งาน
- ทีม
- วิชาการ
- เทคโนโลยี
- ทดสอบ
- การทดสอบ
- การทดสอบ
- เวลา
- การฝึกอบรม
- การแปลง
- ความโปร่งใส
- บันทึก
- us
- ใช้
- นำไปใช้
- เสมือน
- นาฬิกา
- WHO
- ภายใน
- ไม่มี
- งาน
- กำลังแรงงาน
- โรงงาน