ใช้การแชร์ไปป์ไลน์ของ Amazon SageMaker เพื่อดูหรือจัดการไปป์ไลน์ในบัญชี AWS

เมื่อวันที่ 9 สิงหาคม 2022 เราได้ประกาศความพร้อมใช้งานทั่วไปของการแบ่งปันข้ามบัญชีของ เอนทิตีไปป์ไลน์ของ Amazon SageMaker. ตอนนี้คุณสามารถใช้การสนับสนุนข้ามบัญชีสำหรับ ท่อส่ง Amazon SageMaker เพื่อแบ่งปันเอนทิตีไปป์ไลน์ในบัญชี AWS และเข้าถึงไปป์ไลน์ที่แชร์โดยตรงผ่าน อเมซอน SageMaker การเรียก API

ลูกค้าเริ่มหันมาใช้กันมากขึ้น สถาปัตยกรรมหลายบัญชี สำหรับการปรับใช้และจัดการเวิร์กโฟลว์การเรียนรู้ของเครื่อง (ML) ด้วย SageMaker Pipelines สิ่งนี้เกี่ยวข้องกับการสร้างเวิร์กโฟลว์ในบัญชีการพัฒนาหรือการทดลอง (dev) การปรับใช้และการทดสอบในบัญชีทดสอบหรือก่อนการผลิต (ทดสอบ) และสุดท้ายส่งเสริมพวกเขาไปยังบัญชีที่ใช้งานจริง (prod) เพื่อรวมเข้ากับกระบวนการทางธุรกิจอื่นๆ คุณสามารถได้รับประโยชน์จากการแชร์ข้ามบัญชีของไปป์ไลน์ SageMaker ในกรณีการใช้งานต่อไปนี้:

• เมื่อนักวิทยาศาสตร์ข้อมูลสร้างเวิร์กโฟลว์ ML ในบัญชีนักพัฒนาซอฟต์แวร์ วิศวกร ML จะปรับใช้เวิร์กโฟลว์เหล่านั้นในฐานะไปป์ไลน์ SageMaker ในบัญชีทดสอบเฉพาะ เพื่อตรวจสอบเวิร์กโฟลว์เหล่านั้นเพิ่มเติม ตอนนี้นักวิทยาศาสตร์ข้อมูลต้องการการอนุญาตแบบอ่านอย่างเดียวข้ามบัญชีสำหรับไปป์ไลน์ที่ปรับใช้ในบัญชีทดสอบ
• วิศวกร ML ผู้ดูแลระบบ ML และทีมการปฏิบัติตามข้อกำหนด ที่จัดการการปรับใช้และการดำเนินงานของเวิร์กโฟลว์ ML เหล่านั้นจากบัญชีบริการที่ใช้ร่วมกัน ยังต้องการการมองเห็นในไปป์ไลน์ที่ปรับใช้ในบัญชีทดสอบ พวกเขายังอาจต้องการการอนุญาตเพิ่มเติมสำหรับการเริ่ม หยุด และลองเวิร์กโฟลว์ ML เหล่านั้นอีกครั้ง

ในโพสต์นี้ เรานำเสนอตัวอย่างสถาปัตยกรรมหลายบัญชีสำหรับการพัฒนาและปรับใช้เวิร์กโฟลว์ ML ด้วย SageMaker Pipelines

ภาพรวมโซลูชัน

กลยุทธ์หลายบัญชีช่วยให้คุณบรรลุข้อมูล โครงการ และการแยกทีมในขณะที่สนับสนุนขั้นตอนวงจรการพัฒนาซอฟต์แวร์ การแชร์ไปป์ไลน์ข้ามบัญชีสนับสนุนกลยุทธ์แบบหลายบัญชี โดยขจัดค่าใช้จ่ายในการเข้าสู่ระบบและออกจากหลายบัญชี และปรับปรุงการทดสอบ ML และเวิร์กโฟลว์การปรับใช้โดยการแชร์ทรัพยากรโดยตรงระหว่างหลายบัญชี

ในตัวอย่างนี้ เรามีทีมวิทยาศาสตร์ข้อมูลที่ใช้บัญชีนักพัฒนาเฉพาะสำหรับการพัฒนาเริ่มต้นของไปป์ไลน์ SageMaker ไปป์ไลน์นี้จะถูกส่งต่อไปยังวิศวกร ML ผู้สร้าง a การรวมอย่างต่อเนื่องและไปป์ไลน์การส่งมอบอย่างต่อเนื่อง (CI/CD) ในบัญชีบริการที่ใช้ร่วมกันเพื่อปรับใช้ไปป์ไลน์นี้ในบัญชีทดสอบ เพื่อให้สามารถตรวจสอบและควบคุมไปป์ไลน์ที่ปรับใช้จากบัญชี dev และบัญชีบริการที่ใช้ร่วมกันได้ การแบ่งปันทรัพยากร ถูกจัดตั้งขึ้นด้วย ตัวจัดการการเข้าถึงทรัพยากร AWS ในบัญชีทดสอบและบัญชี dev ด้วยการตั้งค่านี้ วิศวกร ML และนักวิทยาศาสตร์ข้อมูลสามารถตรวจสอบและควบคุมไปป์ไลน์ในบัญชี dev และทดสอบจากบัญชีที่เกี่ยวข้องได้ดังแสดงในรูปต่อไปนี้

ในเวิร์กโฟลว์ นักวิทยาศาสตร์ข้อมูลและวิศวกร ML ดำเนินการตามขั้นตอนต่อไปนี้:

1. นักวิทยาศาสตร์ข้อมูล (DS) สร้างไปป์ไลน์โมเดลในบัญชีผู้พัฒนา
2. วิศวกร ML (MLE) ผลิตไปป์ไลน์แบบจำลองและสร้างไปป์ไลน์ (สำหรับโพสต์นี้ เราเรียกมันว่า sagemaker-pipeline).
3. sagemaker-pipeline รหัสมุ่งมั่นที่จะ AWS CodeCommit ที่เก็บในบัญชีบริการที่ใช้ร่วมกัน
4. นักวิทยาศาสตร์ข้อมูลสร้างการแบ่งปันทรัพยากร AWS RAM สำหรับ sagemaker-pipeline และแชร์กับบัญชีบริการที่ใช้ร่วมกัน ซึ่งยอมรับการแชร์ทรัพยากร
5. จากบัญชีบริการที่ใช้ร่วมกัน ตอนนี้วิศวกร ML สามารถอธิบาย ตรวจสอบ และจัดการไปป์ไลน์ที่รันในบัญชี dev โดยใช้ การเรียก SageMaker API.
6. ไปป์ไลน์ CI/CD ที่ถูกทริกเกอร์ในบัญชีบริการที่ใช้ร่วมกันจะสร้างและปรับใช้รหัสกับบัญชีทดสอบโดยใช้ AWS CodePipeline.
7. ไปป์ไลน์ CI/CD สร้างและรัน sagemaker-pipeline ในบัญชีทดสอบ
8. หลังจากวิ่ง sagemaker-pipeline ในบัญชีทดสอบ ไปป์ไลน์ CI/CD จะสร้างการแชร์ทรัพยากรสำหรับ sagemaker-pipeline ในบัญชีทดสอบ
9. การแบ่งปันทรัพยากรจากการทดสอบ sagemaker-pipeline ที่มีสิทธิ์อ่านอย่างเดียวถูกสร้างขึ้นด้วยบัญชี dev ซึ่งยอมรับการแบ่งปันทรัพยากร
10. นักวิทยาศาสตร์ข้อมูลสามารถอธิบายและตรวจสอบสถานะการรันไปป์ไลน์ทดสอบได้โดยใช้การเรียก SageMaker API จากบัญชีผู้พัฒนา
11. การแบ่งปันทรัพยากรจากการทดสอบ sagemaker-pipeline ด้วยสิทธิ์แบบขยายจะถูกสร้างขึ้นด้วยบัญชีบริการที่ใช้ร่วมกัน ซึ่งยอมรับการแบ่งปันทรัพยากร
12. ตอนนี้วิศวกร ML สามารถอธิบาย ตรวจสอบ และจัดการไปป์ไลน์การทดสอบที่เรียกใช้โดยใช้การเรียก SageMaker API จากบัญชีบริการที่ใช้ร่วมกัน

ในส่วนต่อไปนี้ เราจะลงรายละเอียดเพิ่มเติมและสาธิตวิธีตั้งค่าการแชร์ข้ามบัญชีสำหรับไปป์ไลน์ SageMaker

วิธีสร้างและแชร์ไปป์ไลน์ SageMaker ข้ามบัญชี

ในส่วนนี้ เราจะอธิบายขั้นตอนที่จำเป็นในการสร้างและแชร์ไปป์ไลน์ระหว่างบัญชีต่างๆ โดยใช้ AWS RAM และ SageMaker API

ตั้งค่าสภาพแวดล้อม

อันดับแรก เราต้องตั้งค่าสภาพแวดล้อมหลายบัญชีเพื่อสาธิตการแชร์ไปป์ไลน์ SageMaker ข้ามบัญชี:

1. ตั้งค่าบัญชี AWS สองบัญชี (กำลังพัฒนาและทดสอบ) คุณสามารถตั้งค่านี้เป็นบัญชีสมาชิกขององค์กรหรือเป็นบัญชีอิสระ
2. หากคุณกำลังตั้งค่าบัญชีของคุณเป็นสมาชิกขององค์กร คุณสามารถเปิดใช้งาน การแบ่งปันทรัพยากรกับองค์กรของคุณ. ด้วยการตั้งค่านี้ เมื่อคุณแชร์ทรัพยากรในองค์กรของคุณ AWS RAM จะไม่ส่งคำเชิญไปยังผู้บริหาร อาจารย์ใหญ่ในองค์กรของคุณจะได้รับการเข้าถึงทรัพยากรที่ใช้ร่วมกันโดยไม่ต้องแลกเปลี่ยนคำเชิญ
3. ในบัญชีทดสอบ ให้เปิด สตูดิโอ Amazon SageMaker และเรียกใช้โน้ตบุ๊ก ฝึกการลงทะเบียนปรับใช้ไปป์ไลน์โมเดล. สิ่งนี้จะสร้างไปป์ไลน์ตัวอย่างในบัญชีทดสอบของคุณ เพื่อให้การสาธิตง่ายขึ้น เราใช้ SageMaker Studio ในบัญชีทดสอบเพื่อเปิดใช้ไปป์ไลน์ สำหรับโครงการในชีวิตจริง คุณควรใช้ Studio เฉพาะในบัญชี dev และเปิดใช้ SageMaker Pipeline ในบัญชีทดสอบโดยใช้เครื่องมือ CI/CD ของคุณ

ทำตามคำแนะนำในส่วนถัดไปเพื่อแชร์ไปป์ไลน์นี้กับบัญชีผู้พัฒนา

ตั้งค่าการแชร์ทรัพยากรไปป์ไลน์

ในการแชร์ไปป์ไลน์ของคุณกับบัญชีผู้พัฒนา ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล AWS RAM ให้เลือก สร้างการแบ่งปันทรัพยากร.
2. สำหรับ เลือกประเภททรัพยากรเลือก ท่อส่ง SageMaker.
3. เลือกไปป์ไลน์ที่คุณสร้างในขั้นตอนก่อนหน้า
4. Choose ถัดไป.
   
5. สำหรับ สิทธิ์เลือกการอนุญาตที่เกี่ยวข้องของคุณ
6. Choose ถัดไป.
   ถัดไป คุณตัดสินใจว่าคุณต้องการให้สิทธิ์การเข้าถึงแก่ผู้บริหารอย่างไร
7. หากคุณต้องการแชร์ไปป์ไลน์เฉพาะภายในบัญชีองค์กรของคุณ ให้เลือก อนุญาตการแชร์ภายในองค์กรของคุณเท่านั้น; มิฉะนั้นเลือก อนุญาตให้แชร์กับใครก็ได้.
8. สำหรับ ครูใหญ่เลือกประเภทหลักของคุณ (คุณสามารถใช้บัญชี AWS องค์กร หรือหน่วยขององค์กร ตามความต้องการการแบ่งปันของคุณ) สำหรับโพสต์นี้ เราแชร์กับทุกคนในระดับบัญชี AWS
9. เลือก ID หลักของคุณ
10. Choose ถัดไป.
    
11. เกี่ยวกับ ตรวจสอบและสร้าง หน้า ตรวจสอบว่าข้อมูลของคุณถูกต้องและเลือก สร้างการแบ่งปันทรัพยากร.
    
12. ไปที่บัญชีปลายทางของคุณ (สำหรับโพสต์นี้ บัญชีผู้พัฒนาของคุณ)
13. บนคอนโซล AWS RAM ภายใต้ แบ่งปันกับฉัน ในบานหน้าต่างนำทาง ให้เลือก การแบ่งปันทรัพยากร.
14. เลือกการแบ่งปันทรัพยากรของคุณแล้วเลือก ยอมรับการแบ่งปันทรัพยากร.
    

สิทธิ์การแชร์ทรัพยากร

เมื่อสร้างการแชร์ทรัพยากร คุณสามารถเลือกนโยบายการอนุญาตที่ได้รับการสนับสนุนหนึ่งในสองนโยบายเพื่อเชื่อมโยงกับประเภททรัพยากรไปป์ไลน์ SageMaker นโยบายทั้งสองให้สิทธิ์เข้าถึงไปป์ไลน์ที่เลือกและการรันทั้งหมด

พื้นที่ AWSRAMDefaultPermissionSageMakerPipeline นโยบายอนุญาตให้ดำเนินการแบบอ่านอย่างเดียวต่อไปนี้:

"sagemaker:DescribePipeline"
"sagemaker:DescribePipelineDefinitionForExecution"
"sagemaker:DescribePipelineExecution"
"sagemaker:ListPipelineExecutions"
"sagemaker:ListPipelineExecutionSteps"
"sagemaker:ListPipelineParametersForExecution"
"sagemaker:Search"

พื้นที่ AWSRAMPermissionSageMakerPipelineAllowExecution นโยบายรวมถึงการอนุญาตแบบอ่านอย่างเดียวทั้งหมดจากนโยบายเริ่มต้น และยังอนุญาตให้บัญชีที่แชร์เริ่มต้น หยุด และลองดำเนินการไปป์ไลน์อีกครั้ง

นโยบายการอนุญาตการเรียกใช้ไปป์ไลน์แบบขยายอนุญาตให้ดำเนินการต่อไปนี้:

"sagemaker:DescribePipeline"
"sagemaker:DescribePipelineDefinitionForExecution"
"sagemaker:DescribePipelineExecution"
"sagemaker:ListPipelineExecutions"
"sagemaker:ListPipelineExecutionSteps"
"sagemaker:ListPipelineParametersForExecution"
"sagemaker:StartPipelineExecution"
"sagemaker:StopPipelineExecution"
"sagemaker:RetryPipelineExecution"
"sagemaker:Search"

เข้าถึงเอนทิตีไปป์ไลน์ที่ใช้ร่วมกันผ่านการเรียก API โดยตรง

ในส่วนนี้ เราจะอธิบายวิธีที่คุณสามารถใช้การเรียก SageMaker Pipeline API ต่างๆ เพื่อให้มองเห็นไปป์ไลน์ที่ทำงานในบัญชีระยะไกลที่แชร์กับคุณ สำหรับการทดสอบ API กับไปป์ไลน์ที่ทำงานในบัญชีทดสอบจากบัญชี dev ให้เข้าสู่ระบบบัญชี dev และใช้ AWS CloudShell.

สำหรับการเรียก SageMaker Pipeline API ข้ามบัญชี คุณต้องใช้ ARN ของไปป์ไลน์เป็นการระบุไปป์ไลน์เสมอ ซึ่งรวมถึงคำสั่งที่ต้องใช้ชื่อไปป์ไลน์ ซึ่งคุณต้องใช้ไปป์ไลน์ ARN ของคุณเป็นชื่อไปป์ไลน์

ในการรับไปป์ไลน์ ARN ในบัญชีทดสอบ ให้ไปที่รายละเอียดไปป์ไลน์ใน Studio ผ่าน ทรัพยากร SageMaker.

Choose ท่อ ในรายการทรัพยากรของคุณ

เลือกไปป์ไลน์ของคุณและไปที่ไปป์ไลน์ของคุณ การตั้งค่า แท็บ คุณสามารถค้นหาไปป์ไลน์ ARN ด้วย your เมตาดาต้า ข้อมูล. สำหรับตัวอย่างนี้ ARN ของคุณถูกกำหนดเป็น "arn:aws:sagemaker:us-east-1:<account-id>:pipeline/serial-inference-pipeline".

ListPipelineการดำเนินการ

การเรียก API นี้ รายการวิ่ง ของไปป์ไลน์ของคุณ เรียกใช้คำสั่งต่อไปนี้โดยแทนที่ $SHARED_PIPELINE_ARN ด้วย ARN ไปป์ไลน์ของคุณจาก CloudShell หรือใช้ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) ที่กำหนดค่าด้วยค่าที่เหมาะสม AWS Identity และการจัดการการเข้าถึง (ฉัน) บทบาท:

aws sagemaker list-pipeline-executions --pipeline-name $SHARED_PIPELINE_ARN

การตอบสนองแสดงรายการไปป์ไลน์ของคุณทั้งหมดด้วย PipelineExecutionArn, StartTime, PipelineExecutionStatusและ PipelineExecutionDisplayName:

{
  "PipelineExecutionSummaries": [
    {
      "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
      "StartTime": "2022-08-10T11:32:05.543000+00:00",
      "PipelineExecutionStatus": "Executing",
      "PipelineExecutionDisplayName": "execution-321"
    },
    {
      "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
      "StartTime": "2022-08-10T11:28:03.680000+00:00",
      "PipelineExecutionStatus": "Stopped",
      "PipelineExecutionDisplayName": "test"
    },
    {
      "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
      "StartTime": "2022-08-10T11:03:47.406000+00:00",
      "PipelineExecutionStatus": "Succeeded",
      "PipelineExecutionDisplayName": "execution-123"
    }
  ]
}

อธิบายท่อ

การเรียก API นี้ อธิบายรายละเอียด ของไปป์ไลน์ของคุณ เรียกใช้คำสั่งต่อไปนี้โดยแทนที่ $SHARED_PIPELINE_ARN ด้วยท่อ ARN ของคุณ:

aws sagemaker describe-pipeline --pipeline-name $SHARED_PIPELINE_ARN

การตอบสนองให้ข้อมูลเมตาของไปป์ไลน์ของคุณ รวมถึงข้อมูลเกี่ยวกับการสร้างและการแก้ไข:

Output(truncated): 
{
"PipelineArn": "arn:aws:sagemaker:<region>:<account-id>:pipeline/<pipeline_name>",
"PipelineName": "serial-inference-pipeline",
"PipelineDisplayName": "serial-inference-pipeline",
"PipelineDefinition": "{"Version": "2020-12-01", "Metadata": {}, "Parameters": [{"Name": "TrainingInstanceType", "Type": "String", "DefaultValue": "ml.m5.xlarge"}, {"Name": "ProcessingInstanceType", "Type": "String", "DefaultValue": "ml.m5.xlarge"}, {"Name": "ProcessingInstanceCount", "Type": "Integer", "DefaultValue": 1}, {"Name": "InputData", "Type":

..

"PipelineStatus": "Active",
"CreationTime": "2022-08-08T21:33:39.159000+00:00",
"LastModifiedTime": "2022-08-08T21:48:14.274000+00:00",
"CreatedBy": {},
"LastModifiedBy": {}
}

อธิบายPipelineการดำเนินการ

การเรียก API นี้ อธิบายรายละเอียด ของไปป์ไลน์ของคุณทำงาน เรียกใช้คำสั่งต่อไปนี้โดยแทนที่ $SHARED_PIPELINE_ARN ด้วยท่อ ARN ของคุณ:

aws sagemaker describe-pipeline-execution 
--pipeline-execution-arn $PIPELINE_EXECUTION_ARN

การตอบสนองจะให้รายละเอียดเกี่ยวกับการรันไปป์ไลน์ของคุณ รวมถึง PipelineExecutionStatus, ExperimentNameและ TrialName:

{
  "PipelineArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>",
  "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>",
  "PipelineExecutionDisplayName": "execution-123",
  "PipelineExecutionStatus": "Succeeded",
  "PipelineExperimentConfig": {
  "ExperimentName": "<pipeline_name>",
  "TrialName": "<execution_id>"
},
  "CreationTime": "2022-08-10T11:03:47.406000+00:00",
  "LastModifiedTime": "2022-08-10T11:15:01.102000+00:00",
  "CreatedBy": {},
  "LastModifiedBy": {}
}

StartPipelineการดำเนินการ

การเรียก API นี้ เริ่มต้น ไปป์ไลน์วิ่ง เรียกใช้คำสั่งต่อไปนี้โดยแทนที่ $SHARED_PIPELINE_ARN ด้วยท่อ ARN และ .ของคุณ $CLIENT_REQUEST_TOKEN ด้วยตัวระบุที่ไม่ซ้ำและคำนึงถึงขนาดตัวพิมพ์ที่คุณสร้างขึ้นสำหรับการรันนี้ ตัวระบุควรมีอักขระระหว่าง 32–128 ตัว ตัวอย่างเช่น คุณสามารถสร้างสตริงโดยใช้ AWS CLI kms สร้างคำสั่งสุ่ม.

aws sagemaker start-pipeline-execution 
  --pipeline-name $SHARED_PIPELINE_ARN 
  --client-request-token $CLIENT_REQUEST_TOKEN

เพื่อเป็นการตอบกลับ การเรียก API นี้จะคืนค่า PipelineExecutionArn ของการเริ่มต้นวิ่ง:

{
  "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>"
}

StopPipelineการดำเนินการ

การเรียก API นี้ หยุด ไปป์ไลน์วิ่ง เรียกใช้คำสั่งต่อไปนี้โดยแทนที่ $PIPELINE_EXECUTION_ARN ด้วยไปป์ไลน์ที่รัน ARN ของไปป์ไลน์ที่รันอยู่ของคุณและ $CLIENT_REQUEST_TOKEN ด้วยตัวระบุเฉพาะตัวพิมพ์เล็กและตัวพิมพ์ใหญ่ที่คุณสร้างขึ้นสำหรับการรันนี้ ตัวระบุควรมีอักขระระหว่าง 32–128 ตัว ตัวอย่างเช่น คุณสามารถสร้างสตริงโดยใช้ AWS CLI kms สร้างคำสั่งสุ่ม.

aws sagemaker stop-pipeline-execution 
  --pipeline-execution-arn $PIPELINE_EXECUTION_ARN 
  --client-request-token $CLIENT_REQUEST_TOKEN

เพื่อเป็นการตอบกลับ การเรียก API นี้จะคืนค่า PipelineExecutionArn ของไปป์ไลน์ที่หยุด:

{
  "PipelineExecutionArn": "arn:aws:sagemaker:<region>:<account_id>:pipeline/<pipeline_name>/execution/<execution_id>"
}

สรุป

การแชร์ไปป์ไลน์ SageMaker ข้ามบัญชีทำให้คุณสามารถแชร์เอนทิตีไปป์ไลน์ระหว่างบัญชี AWS และเข้าถึงไปป์ไลน์ที่แชร์ผ่านการเรียก API โดยตรง โดยไม่ต้องเข้าสู่ระบบและออกจากหลายบัญชี

ในโพสต์นี้ เราได้เจาะลึกถึงฟังก์ชันการทำงานเพื่อแสดงให้เห็นว่าคุณสามารถแชร์ไปป์ไลน์ระหว่างบัญชีและเข้าถึงได้ผ่านการเรียก SageMaker API ได้อย่างไร

ในขั้นตอนต่อไป คุณสามารถใช้คุณลักษณะนี้สำหรับโปรเจ็กต์ ML ถัดไปของคุณ

แหล่งข้อมูล

ในการเริ่มต้นใช้งาน SageMaker Pipelines และการแชร์ไปป์ไลน์ระหว่างบัญชี โปรดดูแหล่งข้อมูลต่อไปนี้:

เกี่ยวกับผู้แต่ง

ราม วิตตาล เป็นสถาปนิก ML Specialist Solutions Architect ที่ AWS เขามีประสบการณ์มากกว่า 20 ปีในด้านสถาปัตยกรรมและการสร้างแอปพลิเคชันแบบกระจาย ไฮบริด และคลาวด์ เขาหลงใหลในการสร้างโซลูชัน AI/ML และบิ๊กดาต้าที่ปลอดภัยและปรับขนาดได้ เพื่อช่วยลูกค้าองค์กรในการปรับใช้ระบบคลาวด์และเส้นทางการเพิ่มประสิทธิภาพเพื่อปรับปรุงผลลัพธ์ทางธุรกิจ ในเวลาว่าง เขาชอบเทนนิส การถ่ายภาพ และภาพยนตร์แอคชั่น

ไมร่า ลาเดร่า ทันเก้ เป็นสถาปนิก ML Specialist Solutions Architect ที่ AWS ด้วยพื้นฐานด้านวิทยาศาสตร์ข้อมูล เธอมีประสบการณ์ 9 ปีในการออกแบบสถาปัตยกรรมและสร้างแอปพลิเคชัน ML กับลูกค้าในอุตสาหกรรมต่างๆ ในฐานะผู้นำทางเทคนิค เธอช่วยลูกค้าเร่งความสำเร็จของมูลค่าธุรกิจผ่านเทคโนโลยีที่เกิดขึ้นใหม่และโซลูชั่นที่เป็นนวัตกรรม ในเวลาว่าง Maira สนุกกับการเดินทางและใช้เวลากับครอบครัวในที่ที่อบอุ่น

กาเบรียล ซิลก้า เป็นที่ปรึกษาบริการระดับมืออาชีพที่ AWS เขาทำงานอย่างใกล้ชิดกับลูกค้าเพื่อเร่งเส้นทางการนำระบบคลาวด์ไปใช้ เชี่ยวชาญในโดเมน MLOps เขามุ่งเน้นไปที่การผลิตปริมาณงานการเรียนรู้ของเครื่องโดยทำให้วงจรการเรียนรู้ของเครื่องแบบ end-to-end เป็นอัตโนมัติและช่วยให้บรรลุผลลัพธ์ทางธุรกิจที่ต้องการ ในเวลาว่าง เขาชอบการเดินทางและเดินป่าในเทือกเขาบาวาเรียแอลป์