ปรับปรุงความเสถียรและความยืดหยุ่นของไปป์ไลน์ ML ที่ Amazon Packaging Innovation ด้วย Amazon SageMaker Pipelines

เพื่อสร้างความพึงพอใจให้กับลูกค้าและลดของเสียจากบรรจุภัณฑ์ให้เหลือน้อยที่สุด Amazon ต้องเลือกประเภทบรรจุภัณฑ์ที่เหมาะสมที่สุดสำหรับบรรจุภัณฑ์หลายพันล้านชิ้นที่จัดส่งทุกปี หากใช้การป้องกันน้อยเกินไปสำหรับสินค้าที่แตกหักง่าย เช่น แก้วกาแฟ สินค้านั้นจะได้รับความเสียหาย และ Amazon เสี่ยงต่อความไว้วางใจของลูกค้า การใช้การป้องกันมากเกินไปจะส่งผลให้ต้นทุนเพิ่มขึ้นและขยะรีไซเคิลเต็มถัง ด้วยผลิตภัณฑ์หลายร้อยล้านรายการ กลไกการตัดสินใจที่ปรับขนาดได้จึงเป็นสิ่งจำเป็นเพื่อเรียนรู้อย่างต่อเนื่องจากการทดสอบผลิตภัณฑ์และความคิดเห็นของลูกค้า

เพื่อแก้ปัญหาเหล่านี้ ทีมนวัตกรรมบรรจุภัณฑ์ของ Amazon ได้พัฒนาโมเดลการเรียนรู้ของเครื่อง (ML) ซึ่งจัดประเภทว่าผลิตภัณฑ์เหมาะสำหรับประเภทบรรจุภัณฑ์ของ Amazon เช่น จดหมาย ถุง หรือกล่อง หรือแม้แต่จัดส่งโดยไม่มีบรรจุภัณฑ์เพิ่มเติม ก่อนหน้านี้ ทีมงานได้พัฒนาไปป์ไลน์แบบกำหนดเองโดยอิงตาม ฟังก์ชันขั้นตอนของ AWS เพื่อดำเนินการฝึกอบรมรายสัปดาห์และงานอนุมานรายวันหรือรายเดือน อย่างไรก็ตาม เมื่อเวลาผ่านไป ไปป์ไลน์ไม่ได้ให้ความยืดหยุ่นเพียงพอที่จะเปิดตัวโมเดลด้วยสถาปัตยกรรมใหม่ การพัฒนาสำหรับไปป์ไลน์ใหม่ทำให้เกิดค่าใช้จ่ายและการประสานงานที่จำเป็นระหว่างนักวิทยาศาสตร์ข้อมูลและนักพัฒนา เพื่อเอาชนะปัญหาเหล่านี้และปรับปรุงความเร็วของการปรับใช้โมเดลและสถาปัตยกรรมใหม่ ทีมงานได้เลือกที่จะเตรียมการฝึกอบรมโมเดลและการอนุมานด้วย ท่อส่ง Amazon SageMaker.

ในโพสต์นี้ เราพูดถึงสถาปัตยกรรมการประสานการทำงานก่อนหน้านี้โดยอิงตาม Step Functions ร่างโครงสร้างการฝึกอบรมและการอนุมานโดยใช้ไปป์ไลน์ และเน้นย้ำถึงความยืดหยุ่นที่ทีม Amazon Packaging Innovation ทำได้

ความท้าทายของไปป์ไลน์ ML เดิมที่ Amazon Packaging Innovation

ในการรวมข้อเสนอแนะอย่างต่อเนื่องเกี่ยวกับประสิทธิภาพของแพ็คเกจ โมเดลใหม่จะได้รับการฝึกอบรมทุกสัปดาห์โดยใช้ฉลากที่เพิ่มขึ้นเรื่อยๆ การอนุมานสำหรับสินค้าคงคลังทั้งหมดของผลิตภัณฑ์จะดำเนินการเป็นรายเดือน และการอนุมานรายวันจะดำเนินการเพื่อส่งการคาดการณ์ที่ทันเวลาสำหรับสินค้าคงคลังที่เพิ่มใหม่

เพื่อให้กระบวนการฝึกอบรมแบบจำลองต่างๆ เป็นไปโดยอัตโนมัติและให้การคาดการณ์ ทีมงานได้พัฒนาไปป์ไลน์แบบกำหนดเองตาม Step Functions เพื่อจัดการขั้นตอนต่อไปนี้:

• การเตรียมข้อมูลสำหรับงานฝึกอบรมและการอนุมานและการโหลดคำทำนายไปยังฐานข้อมูล (อเมซอน Redshift) ด้วย AWS กาว.
• การฝึกแบบจำลองและการอนุมานด้วย อเมซอน SageMaker.
• การคำนวณตัวชี้วัดประสิทธิภาพของแบบจำลองในชุดการตรวจสอบความถูกต้องด้วย ชุด AWS.
• การใช้ อเมซอน ไดนาโมดีบี เพื่อจัดเก็บการกำหนดค่าแบบจำลอง (เช่น อัตราส่วนการแยกข้อมูลสำหรับการฝึกอบรมและการตรวจสอบ ตำแหน่งสิ่งประดิษฐ์ของแบบจำลอง ประเภทของแบบจำลอง และจำนวนอินสแตนซ์สำหรับการฝึกและการอนุมาน) ตัวชี้วัดประสิทธิภาพของแบบจำลอง และรุ่นล่าสุดของแบบจำลองที่ฝึกสำเร็จแล้ว
• การคำนวณความแตกต่างในคะแนนประสิทธิภาพของแบบจำลอง การเปลี่ยนแปลงในการแจกแจงป้ายการฝึก และการเปรียบเทียบขนาดของข้อมูลที่ป้อนระหว่างรุ่นก่อนหน้าและรุ่นใหม่ด้วย AWS แลมบ์ดา ฟังก์ชั่น
• ด้วยขั้นตอนจำนวนมาก ไปป์ไลน์ยังต้องการระบบเตือนภัยที่เชื่อถือได้ในแต่ละขั้นตอนเพื่อแจ้งเตือนผู้มีส่วนได้ส่วนเสียถึงปัญหาต่างๆ สำเร็จได้ด้วยการผสมผสานของ บริการ Amazon Simple Queue (Amazon SQS) และ บริการแจ้งเตือนแบบง่ายของ Amazon (อเมซอน SNS). การแจ้งเตือนถูกสร้างขึ้นเพื่อแจ้งผู้มีส่วนได้ส่วนเสียทางธุรกิจ นักวิทยาศาสตร์ข้อมูล และนักพัฒนาเกี่ยวกับขั้นตอนที่ล้มเหลวและการเบี่ยงเบนขนาดใหญ่ในแบบจำลองและข้อมูล

หลังจากใช้โซลูชันนี้มาเกือบ 2 ปีแล้ว ทีมงานตระหนักดีว่าการใช้งานนี้ทำงานได้ดีสำหรับเวิร์กโฟลว์ ML ทั่วไปซึ่งโมเดลเดียวได้รับการฝึกอบรมและให้คะแนนในชุดข้อมูลการตรวจสอบความถูกต้อง อย่างไรก็ตาม โซลูชันนี้ไม่ยืดหยุ่นเพียงพอสำหรับโมเดลที่ซับซ้อนและไม่ยืดหยุ่นต่อความล้มเหลว ตัวอย่างเช่น สถาปัตยกรรมไม่รองรับการฝึกโมเดลตามลำดับอย่างง่ายดาย เป็นการยากที่จะเพิ่มหรือลบขั้นตอนโดยไม่ต้องทำซ้ำไปป์ไลน์ทั้งหมดและแก้ไขโครงสร้างพื้นฐาน แม้แต่การเปลี่ยนแปลงง่ายๆ ในขั้นตอนการประมวลผลข้อมูล เช่น การปรับอัตราส่วนการแยกข้อมูลหรือการเลือกชุดคุณลักษณะต่างๆ ที่จำเป็นต้องมีการประสานงานร่วมกันจากทั้งนักวิทยาศาสตร์ข้อมูลและนักพัฒนา เมื่อไปป์ไลน์ล้มเหลวในทุกขั้นตอน จะต้องเริ่มต้นใหม่ตั้งแต่ต้น ซึ่งส่งผลให้มีการทำงานซ้ำและต้นทุนเพิ่มขึ้น เพื่อหลีกเลี่ยงการทำงานซ้ำๆ และต้องเริ่มต้นใหม่จากขั้นตอนที่ล้มเหลว ทีมงานจะสร้างสำเนาเครื่องสถานะแบบย่อขึ้นใหม่ การแก้ไขปัญหานี้นำไปสู่การเพิ่มจำนวนเครื่องในสถานะ โดยแต่ละรายการเริ่มต้นจากขั้นตอนที่ล้มเหลวโดยทั่วไป สุดท้าย หากงานฝึกอบรมพบความเบี่ยงเบนในการกระจายฉลาก คะแนนรุ่น หรือจำนวนป้ายกำกับ นักวิทยาศาสตร์ข้อมูลต้องตรวจสอบแบบจำลองและเมตริกด้วยตนเอง จากนั้นนักวิทยาศาสตร์ข้อมูลจะเข้าถึงตาราง DynamoDB ด้วยเวอร์ชันของโมเดลและอัปเดตตารางเพื่อให้แน่ใจว่ามีการใช้โมเดลที่ถูกต้องสำหรับงานอนุมานครั้งต่อไป

การบำรุงรักษาสถาปัตยกรรมนี้จำเป็นต้องมีทรัพยากรเฉพาะอย่างน้อยหนึ่งรายการและทรัพยากรเต็มเวลาเพิ่มเติมสำหรับการพัฒนา เนื่องจากความยากลำบากในการขยายไปป์ไลน์เพื่อรองรับกรณีการใช้งานใหม่ นักวิทยาศาสตร์ด้านข้อมูลจึงได้เริ่มพัฒนาเวิร์กโฟลว์ของตนเอง ซึ่งนำไปสู่ฐานโค้ดที่เติบโตขึ้น ตารางข้อมูลหลายตารางที่มีรูปแบบข้อมูลที่คล้ายกัน และการตรวจสอบโมเดลแบบกระจายศูนย์ การสะสมของปัญหาเหล่านี้ส่งผลให้ประสิทธิภาพการทำงานของทีมลดลงและค่าโสหุ้ยเพิ่มขึ้น

เพื่อจัดการกับความท้าทายเหล่านี้ ทีม Amazon Packaging Innovation ได้ประเมินโซลูชันอื่นๆ ที่มีอยู่สำหรับ MLOps รวมถึง SageMaker Pipelines (ประกาศวางจำหน่ายเดือนธันวาคม 2020). ไปป์ไลน์คือความสามารถของ SageMaker สำหรับการสร้าง จัดการ ทำให้เป็นอัตโนมัติ และปรับขนาดเวิร์กโฟลว์ ML ตั้งแต่ต้นทางถึงปลายทาง ไปป์ไลน์ช่วยให้คุณลดจำนวนขั้นตอนในเวิร์กโฟลว์ ML ทั้งหมด และมีความยืดหยุ่นเพียงพอที่จะอนุญาตให้นักวิทยาศาสตร์ข้อมูลกำหนดเวิร์กโฟลว์ ML ที่กำหนดเองได้ จะดูแลการตรวจสอบและการบันทึกขั้นตอน นอกจากนี้ยังมาพร้อมกับรีจีสทรีแบบจำลองที่กำหนดเวอร์ชันใหม่โดยอัตโนมัติ การลงทะเบียนแบบจำลองมีเวิร์กโฟลว์การอนุมัติในตัวเพื่อเลือกแบบจำลองสำหรับการอนุมานในการผลิต ไปป์ไลน์ยังอนุญาตให้แคชขั้นตอนการเรียกด้วยอาร์กิวเมนต์เดียวกัน หากพบการรันครั้งก่อน แคชจะถูกสร้างขึ้น ซึ่งช่วยให้สามารถรีสตาร์ทได้ง่าย แทนที่จะคำนวณขั้นตอนที่เสร็จสมบูรณ์ใหม่อีกครั้ง

ในกระบวนการประเมิน Pipelines โดดเด่นจากโซลูชันอื่นๆ ในด้านความยืดหยุ่นและความพร้อมใช้งานของฟีเจอร์สำหรับการสนับสนุนและขยายเวิร์กโฟลว์ปัจจุบันและอนาคต การเปลี่ยนไปใช้ Pipelines ช่วยเพิ่มเวลาของนักพัฒนาจากการบำรุงรักษาแพลตฟอร์มและการแก้ไขปัญหา และเปลี่ยนเส้นทางความสนใจไปที่การเพิ่มคุณสมบัติใหม่ ในโพสต์นี้ เรานำเสนอการออกแบบสำหรับเวิร์กโฟลว์การฝึกอบรมและการอนุมานที่ทีม Amazon Packaging Innovation โดยใช้ไปป์ไลน์ เรายังหารือเกี่ยวกับประโยชน์และการลดต้นทุนที่ทีมได้รับจากการเปลี่ยนไปใช้ไปป์ไลน์

ไปป์ไลน์การฝึกอบรม

ทีมงาน Amazon Packaging Innovation ฝึกฝนโมเดลสำหรับบรรจุภัณฑ์ทุกประเภทโดยใช้ฉลากที่เพิ่มขึ้นเรื่อยๆ ไดอะแกรมต่อไปนี้สรุปกระบวนการทั้งหมด

เวิร์กโฟลว์เริ่มต้นด้วยการแยกป้ายกำกับและคุณสมบัติจากฐานข้อมูล Amazon Redshift และยกเลิกการโหลดข้อมูลไปที่ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ผ่านงานการแยก การแปลง และโหลดตามกำหนดเวลา (ETL) นอกจากข้อมูลที่ป้อนเข้าแล้ว อ็อบเจ็กต์ไฟล์ที่มีประเภทโมเดลและพารามิเตอร์จะถูกวางไว้ในบัคเก็ต S3 ไฟล์นี้ทำหน้าที่เป็นทริกเกอร์ไปป์ไลน์ผ่านฟังก์ชันแลมบ์ดา

ขั้นตอนต่อไปสามารถปรับแต่งได้อย่างสมบูรณ์และกำหนดโดยนักวิทยาศาสตร์ข้อมูลโดยใช้ SageMaker Python SDK สำหรับไปป์ไลน์ ในสถานการณ์ที่เรานำเสนอในโพสต์นี้ ข้อมูลที่ป้อนเข้าจะถูกแบ่งออกเป็นชุดการฝึกอบรมและการตรวจสอบ และบันทึกไว้ในบัคเก็ต S3 โดยเริ่มงาน SageMaker Processing

เมื่อข้อมูลพร้อมใน Amazon S3 งานฝึกอบรม SageMaker จะเริ่มต้นขึ้น หลังจากฝึกและสร้างแบบจำลองสำเร็จแล้ว ขั้นตอนการประเมินแบบจำลองจะดำเนินการกับข้อมูลการตรวจสอบความถูกต้องผ่านงานการแปลงชุดงาน SageMaker ตัววัดแบบจำลองจะถูกเปรียบเทียบกับตัววัดแบบจำลองของสัปดาห์ก่อนหน้าโดยใช้งาน SageMaker Processing ทีมงานได้กำหนดเกณฑ์ที่กำหนดเองไว้หลายเกณฑ์สำหรับการประเมินความเบี่ยงเบนในประสิทธิภาพของแบบจำลอง โมเดลถูกปฏิเสธหรืออนุมัติตามเกณฑ์เหล่านี้ ถ้าแบบจำลองถูกปฏิเสธ โมเดลที่อนุมัติก่อนหน้านี้จะถูกใช้สำหรับงานอนุมานครั้งต่อไป หากโมเดลได้รับการอนุมัติ เวอร์ชันของโมเดลจะถูกลงทะเบียนและโมเดลนั้นจะใช้สำหรับงานอนุมาน ผู้มีส่วนได้เสียได้รับการแจ้งเตือนเกี่ยวกับผลลัพธ์ผ่าน อเมซอน คลาวด์วอตช์ สัญญาณเตือน

ภาพหน้าจอต่อไปนี้จาก สตูดิโอ Amazon SageMaker แสดงขั้นตอนของไปป์ไลน์การฝึกอบรม

ไปป์ไลน์จะติดตามการทำงานของไปป์ไลน์แต่ละรายการ ซึ่งคุณตรวจสอบได้ใน Studio หรือคุณสามารถสอบถามความคืบหน้าของการวิ่งโดยใช้ โบโต3 หรือ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI). คุณเห็นภาพเมตริกโมเดลใน Studio และเปรียบเทียบเวอร์ชันต่างๆ ของโมเดลได้

ไปป์ไลน์การอนุมาน

ทีมนวัตกรรมบรรจุภัณฑ์ของ Amazon จะรีเฟรชการคาดการณ์สำหรับสินค้าคงคลังทั้งหมดของผลิตภัณฑ์ทุกเดือน การคาดการณ์รายวันถูกสร้างขึ้นเพื่อให้คำแนะนำบรรจุภัณฑ์ที่ทันเวลาสำหรับสินค้าคงคลังที่เพิ่มใหม่โดยใช้แบบจำลองที่ผ่านการฝึกอบรมล่าสุด สิ่งนี้ต้องการให้ไปป์ไลน์การอนุมานทำงานทุกวันด้วยปริมาณข้อมูลที่แตกต่างกัน ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์นี้

เช่นเดียวกับไปป์ไลน์การฝึกอบรม การอนุมานเริ่มต้นด้วยการยกเลิกการโหลดข้อมูลจาก Amazon Redshift ไปยังบัคเก็ต S3 ออบเจ็กต์ไฟล์ที่วางไว้ใน Amazon S3 จะทริกเกอร์ฟังก์ชัน Lambda ที่เริ่มต้นไปป์ไลน์การอนุมาน มีการเตรียมคุณสมบัติสำหรับการอนุมานและข้อมูลจะถูกแบ่งออกเป็นไฟล์ที่มีขนาดเหมาะสมโดยใช้งาน SageMaker Processing ถัดไป ไปป์ไลน์ระบุโมเดลที่ได้รับอนุมัติล่าสุดเพื่อเรียกใช้การคาดการณ์และโหลดไปยังบัคเก็ต S3 สุดท้าย การคาดคะเนจะถูกโหลดกลับไปที่ Amazon Redshift โดยใช้ boto3-data API ภายในงาน SageMaker Processing

ภาพหน้าจอต่อไปนี้จาก Studio แสดงรายละเอียดไปป์ไลน์การอนุมาน

ประโยชน์ของการเลือกสถาปนิกเวิร์กโฟลว์ ML ด้วย SageMaker Pipelines

ในส่วนนี้ เราจะหารือเกี่ยวกับผลประโยชน์ที่ทีม Amazon Packaging Innovation ได้รับจากการเปลี่ยนไปใช้ไปป์ไลน์สำหรับการฝึกโมเดลและการอนุมาน

คุณสมบัติ MLOps ระดับการผลิตที่พร้อมใช้งานทันที

ขณะเปรียบเทียบโซลูชันภายในและภายนอกที่แตกต่างกันสำหรับโซลูชันไปป์ไลน์ ML ถัดไป นักวิทยาศาสตร์ข้อมูลคนเดียวสามารถสร้างต้นแบบและพัฒนาเวิร์กโฟลว์ ML เวอร์ชันเต็มด้วยไปป์ไลน์ในสภาพแวดล้อม Studio Jupyter ได้ในเวลาน้อยกว่า 3 สัปดาห์ แม้แต่ในขั้นตอนการสร้างต้นแบบ ก็เห็นได้ชัดว่าไปป์ไลน์ได้จัดเตรียมส่วนประกอบโครงสร้างพื้นฐานที่จำเป็นทั้งหมดที่จำเป็นสำหรับเวิร์กโฟลว์ระดับการผลิต: การกำหนดเวอร์ชันโมเดล การแคช และการเตือน ความพร้อมใช้งานของคุณสมบัติเหล่านี้ในทันทีหมายความว่าจะไม่ต้องเสียเวลาเพิ่มเติมในการพัฒนาและปรับแต่งคุณสมบัติเหล่านี้ นี่เป็นการแสดงให้เห็นอย่างชัดเจนถึงคุณค่า ซึ่งทำให้ทีม Amazon Packaging Innovation เชื่อมั่นว่า Pipelines เป็นโซลูชันที่เหมาะสม

ความยืดหยุ่นในการพัฒนาโมเดล ML

ประโยชน์ที่ใหญ่ที่สุดสำหรับนักวิทยาศาสตร์ข้อมูลในทีมคือความสามารถในการทดลองอย่างง่ายดายและทำซ้ำผ่านแบบจำลองต่างๆ ไม่ว่าพวกเขาจะชอบเฟรมเวิร์กใดสำหรับงาน ML และจำนวนขั้นตอนและฟีเจอร์ที่เกี่ยวข้องก็ตาม Pipelines ก็ตอบสนองความต้องการของพวกเขาได้ นักวิทยาศาสตร์ข้อมูลได้รับอำนาจในการทดลองโดยไม่ต้องรอเพื่อเริ่มต้นการพัฒนาซอฟต์แวร์เพื่อเพิ่มคุณสมบัติหรือขั้นตอนเพิ่มเติม

ลดต้นทุน

ความสามารถของไปป์ไลน์ของ SageMaker คือ ฟรี: คุณจ่ายเฉพาะทรัพยากรการประมวลผลและพื้นที่เก็บข้อมูลที่เกี่ยวข้องกับการฝึกอบรมและการอนุมาน อย่างไรก็ตาม เมื่อคิดถึงต้นทุน คุณจำเป็นต้องพิจารณาไม่เพียงแต่สำหรับค่าบริการที่ใช้ แต่ยังรวมถึงชั่วโมงของนักพัฒนาที่จำเป็นในการรักษาเวิร์กโฟลว์ ดีบัก และแพตช์ การประสานด้วย Pipelines นั้นง่ายกว่าเพราะประกอบด้วยชิ้นส่วนและโครงสร้างพื้นฐานที่คุ้นเคยน้อยลง ก่อนหน้านี้ การเพิ่มคุณสมบัติใหม่จำเป็นต้องมีอย่างน้อยสองคน (นักวิทยาศาสตร์ข้อมูลและวิศวกรซอฟต์แวร์) ที่ทีม Amazon Packaging Innovation เพื่อนำไปใช้ ด้วยไปป์ไลน์ที่ออกแบบใหม่ ความพยายามด้านวิศวกรรมจึงมุ่งตรงไปยังโครงสร้างพื้นฐานที่กำหนดเองเพิ่มเติมรอบไปป์ไลน์ เช่น การสร้างที่เก็บเดียวสำหรับการติดตามโค้ดการเรียนรู้ของเครื่อง การทำให้โมเดลปรับใช้ในบัญชี AWS ต่างๆ ง่ายขึ้น การพัฒนางาน ETL ที่ผสานรวมและทั่วไป ฟังก์ชั่นที่ใช้ซ้ำได้

ความสามารถในการแคชขั้นตอนด้วยอินพุตที่คล้ายกันยังช่วยลดต้นทุน เนื่องจากทีมงานมีโอกาสน้อยที่จะเรียกใช้ไปป์ไลน์ทั้งหมดอีกครั้ง พวกเขาสามารถเริ่มต้นได้อย่างง่ายดายจากจุดที่ล้มเหลวแทน

สรุป

ทีมงาน Amazon Packaging Innovation ฝึกโมเดล ML เป็นรายเดือน และอัปเดตการคาดการณ์สำหรับประเภทบรรจุภัณฑ์ของผลิตภัณฑ์ที่แนะนำเป็นประจำ คำแนะนำเหล่านี้ช่วยให้พวกเขาบรรลุเป้าหมายทั่วทั้งทีมและทั่วทั้งบริษัทโดยการลดของเสียและทำให้ลูกค้าพึงพอใจกับคำสั่งซื้อแต่ละรายการ ไปป์ไลน์การฝึกอบรมและการอนุมานต้องทำงานอย่างน่าเชื่อถือเป็นประจำ แต่ยังช่วยให้สามารถปรับปรุงโมเดลได้อย่างต่อเนื่อง

การเปลี่ยนไปใช้ไปป์ไลน์ช่วยให้ทีมปรับใช้สถาปัตยกรรมโมเดลหลายโมดอลใหม่สี่รูปแบบเพื่อใช้งานจริงได้ภายใน 2 เดือน การปรับใช้โมเดลใหม่โดยใช้สถาปัตยกรรมก่อนหน้าจะต้องใช้เวลา 5 วัน (ด้วยสถาปัตยกรรมโมเดลเดียวกัน) ถึง 1 เดือน (ด้วยสถาปัตยกรรมโมเดลใหม่) การปรับใช้โมเดลเดียวกันโดยใช้ไปป์ไลน์ทำให้ทีมสามารถลดเวลาในการพัฒนาลงเหลือ 4 ชั่วโมงด้วยสถาปัตยกรรมโมเดลเดียวกัน และ 5 วันด้วยสถาปัตยกรรมโมเดลใหม่ ซึ่งประเมินว่าสามารถประหยัดได้เกือบ 80% ของชั่วโมงการทำงาน

แหล่งข้อมูลเพิ่มเติม

สำหรับข้อมูลเพิ่มเติม โปรดดูแหล่งข้อมูลต่อไปนี้:

---

เกี่ยวกับผู้เขียน

อังกูร ชุกละ เป็นหัวหน้านักวิทยาศาสตร์ข้อมูลของ AWS-ProServe ในเมืองพาโลอัลโต Ankur มีประสบการณ์การให้คำปรึกษามากกว่า 15 ปีในการทำงานโดยตรงกับลูกค้าและช่วยแก้ปัญหาทางธุรกิจด้วยเทคโนโลยี เขาเป็นผู้นำด้านวิทยาศาสตร์ประยุกต์ระดับโลกและการริเริ่ม ML-Ops ภายใน AWS ในเวลาว่าง เขาชอบอ่านหนังสือและใช้เวลาอยู่กับครอบครัว

อาคัช สิงห์ลา เป็น Sr. System Dev Engineer กับทีม Amazon Packaging Innovation เขามีประสบการณ์มากกว่า 17 ปีในการแก้ปัญหาทางธุรกิจที่สำคัญผ่านเทคโนโลยีสำหรับธุรกิจหลายประเภท ปัจจุบันเขามุ่งเน้นไปที่การอัปเกรดโครงสร้างพื้นฐานของ NAWS สำหรับแอปพลิเคชันที่เน้นบรรจุภัณฑ์ที่หลากหลายเพื่อปรับขนาดให้ดียิ่งขึ้น

วิทาลินา โคมาชโก เป็นนักวิทยาศาสตร์ข้อมูลที่มี AWS Professional Services เธอจบปริญญาเอกด้านเภสัชวิทยาและพิษวิทยา แต่เปลี่ยนจากงานทดลองมาเป็นวิทยาศาสตร์ข้อมูลเพราะเธอต้องการ "เป็นเจ้าของการสร้างข้อมูลและการตีความผลลัพธ์" ก่อนหน้านี้ในอาชีพการงานของเธอ เธอทำงานกับบริษัทเทคโนโลยีชีวภาพและยา ที่ AWS เธอสนุกกับการแก้ปัญหาให้กับลูกค้าจากหลากหลายอุตสาหกรรมและเรียนรู้เกี่ยวกับความท้าทายที่ไม่เหมือนใคร

ประสันต์ เมยัปปาน เป็นนักวิทยาศาสตร์ประยุกต์อาวุโสที่มีนวัตกรรมบรรจุภัณฑ์ของ Amazon มากว่า 4 ปี เขามีประสบการณ์ในอุตสาหกรรมแมชชีนเลิร์นนิงมากกว่า 6 ปี และได้จัดส่งผลิตภัณฑ์เพื่อปรับปรุงประสบการณ์การค้นหาของลูกค้าและปรับปรุงประสบการณ์บรรจุภัณฑ์ของลูกค้า Prasanth หลงใหลเกี่ยวกับความยั่งยืนและสำเร็จการศึกษาระดับปริญญาเอกด้านการสร้างแบบจำลองทางสถิติของการเปลี่ยนแปลงสภาพภูมิอากาศ

แมทธิว เบลส์ เป็นนักวิทยาศาสตร์การวิจัยอาวุโสที่ทำงานเพื่อเพิ่มประสิทธิภาพการเลือกประเภทแพ็คเกจโดยใช้คำติชมของลูกค้าและการเรียนรู้ของเครื่อง ก่อนหน้าที่จะทำงานกับ Amazon นั้น Matt ทำงานเป็น post doc ที่ทำการจำลองฟิสิกส์อนุภาคในเยอรมนีและในชีวิตก่อนหน้านี้เป็นผู้จัดการฝ่ายผลิตอุปกรณ์รากฟันเทียมทางการแพทย์ที่มีกัมมันตภาพรังสีในการเริ่มต้น เขาถือปริญญาเอก สาขาฟิสิกส์จากมหาวิทยาลัยมิชิแกน