Kimlik belgelerinde optik karakter tanıma gerçekleştirmek için MLO'lar için Amazon SageMaker Projeleriyle Yerleşik PaddleOCR

Optik karakter tanıma (OCR), basılı veya el yazısı metni makine tarafından kodlanmış metne dönüştürme görevidir. OCR, belge elektronikleştirme ve kimlik doğrulama gibi çeşitli senaryolarda yaygın olarak kullanılmaktadır. OCR, önemli bilgileri kaydetmek için manuel çabayı büyük ölçüde azaltabildiğinden ve büyük hacimli belgeleri anlamak için bir giriş adımı olarak hizmet ettiğinden, dijital dönüşüm çağında doğru bir OCR sistemi çok önemli bir rol oynar.

Açık kaynak topluluğu ve araştırmacılar, OCR doğruluğunu, kullanım kolaylığını, önceden eğitilmiş modellerle entegrasyonu, genişletmeyi ve esnekliği nasıl geliştireceklerine odaklanıyor. Önerilen birçok çerçeve arasında, PaddleOCR son zamanlarda artan bir ilgi görmüştür. Önerilen çerçeve, hesaplama verimliliğini dengelerken yüksek doğruluk elde etmeye odaklanır. Ayrıca, Çince ve İngilizce için önceden eğitilmiş modeller, onu Çince dil tabanlı pazarda popüler kılmaktadır. Bkz. PaddleOCR GitHub deposu daha fazla ayrıntı için.

AWS'de, makine öğrenimi (ML) uzmanlığı olmadan kullanıma hazır entegre AI hizmetleri de önerdik. Belgelerden tablolar ve formlar gibi metin ve yapılandırılmış verileri çıkarmak için şunları kullanabilirsiniz: Amazon Metin Yazısı. Her tür belgeyi okumak ve işlemek için ML tekniklerini kullanır, metin, el yazısı, tablo ve diğer verileri manuel çaba harcamadan doğru şekilde çıkarır.

Kendi OCR modelinizi geliştirmek için açık kaynaklı bir çerçeve kullanma esnekliği isteyen veri bilimcileri için tam olarak yönetilen makine öğrenimi hizmetini de sunuyoruz Amazon Adaçayı Yapıcı. SageMaker, makine öğrenimi yaşam döngüsü boyunca en iyi MLOps uygulamalarını uygulamanıza olanak tanır ve makine öğrenimi projelerini üretime geçirmek için farklılaşmamış ağır yükleri azaltmak için şablonlar ve araç setleri sağlar.

Bu yazıda, SageMaker üzerinde PaddleOCR çerçevesinde özelleştirilmiş modeller geliştirmeye odaklanıyoruz. SageMaker'ın bir model oluşturup eğitmenize ve nihayetinde modeli bir web hizmeti olarak dağıtmanıza nasıl yardımcı olabileceğini göstermek için makine öğrenimi geliştirme yaşam döngüsü boyunca ilerliyoruz. Bu çözümü PaddleOCR ile göstersek de, genel kılavuz SageMaker'da kullanılacak rastgele çerçeveler için geçerlidir. Bu gönderiye eşlik etmesi için, aynı zamanda GitHub deposu.

PaddleOCR çerçevesi

Yaygın olarak benimsenen bir OCR çerçevesi olarak PaddleOCR, zengin metin algılama, metin tanıma ve uçtan uca algoritmalar içerir. Temel algılama ve tanıma modelleri olarak Diferansiyellenebilir Binarizasyon (DB) ve Evrişimsel Tekrarlayan Sinir Ağı'nı (CRNN) seçer ve bir dizi optimizasyon stratejisinden sonra endüstriyel uygulamalar için PP-OCR adlı bir dizi model önerir.

PP-OCR modeli genel senaryolara yöneliktir ve farklı dillerden oluşan bir model kitaplığı oluşturur. Üç bölümden oluşur: aşağıdaki şekilde PaddleOCR'da gösterilen metin algılama, kutu algılama ve düzeltme ve metin tanıma resmi GitHub deposu. Ayrıca araştırma makalesine de başvurabilirsiniz. PP-OCR: Pratik Bir Ultra Hafif OCR Sistemi daha fazla bilgi için.

Daha açık olmak gerekirse, PaddleOCR birbirini izleyen üç görevden oluşur:

• Metin algılama – Metin algılamanın amacı, görüntüdeki metin alanını bulmaktır. Bu tür görevler basit bir segmentasyon ağına dayanabilir.
• Kutu algılama ve düzeltme – Sonraki metin tanıma için her metin kutusunun yatay bir dikdörtgen kutuya dönüştürülmesi gerekir. Bunu yapmak için PaddleOCR, metin yönünü belirlemek için bir metin yönü sınıflandırıcısı (görüntü sınıflandırma görevi) eğitmeyi önerir.
• Metin tanıma – Metin kutusu algılandıktan sonra, metin tanıyıcı modeli her metin kutusu üzerinde çıkarım yapar ve sonuçları metin kutusu konumuna göre çıkarır. PaddleOCR, yaygın olarak kullanılan CRNN yöntemini benimser.

PaddleOCR, ticari efektlerle karşılaştırılabilir yüksek kaliteli önceden eğitilmiş modeller sağlar. Bir algılama modeli, yön sınıflandırıcı veya tanıma modeli için önceden eğitilmiş modeli kullanabilir ya da kullanım durumunuza hizmet etmek için her bir modelde ince ayar yapabilir ve yeniden eğitebilirsiniz. Geleneksel Çince ve İngilizceyi algılamanın verimliliğini ve etkililiğini artırmak için metin tanıma modelinde nasıl ince ayar yapılacağını gösteriyoruz. Seçtiğimiz önceden eğitilmiş model ch_ppocr_mobile_v2.0_rec_train, Çince, İngilizce ve sayı tanımayı destekleyen hafif bir modeldir. Aşağıdaki, Hong Kong kimlik kartı kullanan örnek bir çıkarım sonucudur.

Aşağıdaki bölümlerde, SageMaker kullanarak önceden eğitilmiş modelin ince ayarının nasıl yapıldığını anlatacağız.

SageMaker ile MLOps en iyi uygulamaları

SageMaker, tam olarak yönetilen bir makine öğrenimi hizmetidir. SageMaker ile veri bilimciler ve geliştiriciler, makine öğrenimi modellerini hızlı ve kolay bir şekilde oluşturup eğitebilir ve ardından bunları doğrudan üretime hazır yönetilen bir ortama dağıtabilir.

Birçok veri bilimcisi, makine öğrenimi yaşam döngüsünü hızlandırmak için SageMaker'ı kullanır. Bu bölümde, SageMaker'ın denemeden makine öğrenimini üretmeye kadar size nasıl yardımcı olabileceğini gösteriyoruz. Deneysel ifadeden (kod geliştirme ve deneyler) operasyonel ifadeye (model oluşturma iş akışının ve dağıtım işlem hatlarının otomatikleştirilmesi) bir makine öğrenimi projesinin standart adımlarını izleyerek, SageMaker aşağıdaki adımlarda verimlilik sağlayabilir:

1. Verileri keşfedin ve aşağıdakilerle ML kodunu oluşturun: Amazon SageMaker Stüdyosu defterler.
2. Modeli bir SageMaker eğitim işi ile eğitin ve ayarlayın.
3. Model sunumu için modeli bir SageMaker uç noktasıyla dağıtın.
4. İle iş akışını düzenleyin Amazon SageMaker Ardışık Düzenleri.

Aşağıdaki diyagram bu mimariyi ve iş akışını göstermektedir.

SageMaker'ı modüler bir şekilde kullanabileceğinizi unutmamak önemlidir. Örneğin, yerel bir tümleşik geliştirme ortamı (IDE) ile kodunuzu oluşturabilir ve modelinizi SageMaker üzerinde eğitip dağıtabilirsiniz ya da modelinizi kendi küme hesaplama kaynaklarınızda geliştirebilir ve eğitebilir ve iş akışı düzenlemesi için bir SageMaker işlem hattı kullanabilirsiniz. bir SageMaker uç noktasında konuşlandırın. Bu, SageMaker'ın kendi gereksinimlerinize uyarlamak için açık bir platform sağladığı anlamına gelir.

kodumuza bakın GitHub deposu ve kod yapısını anlamak için README.

Bir SageMaker projesi sağlayın

Sen kullanabilirsiniz Amazon SageMaker Projeleri yolculuğunuza başlamak için. Bir SageMaker projesiyle Git depolarınızın sürümlerini yönetebilir, böylece ekipler arasında daha verimli bir şekilde işbirliği yapabilir, kod tutarlılığını sağlayabilir ve sürekli entegrasyon ve sürekli teslimatı (CI/CD) etkinleştirebilirsiniz. Not defterleri model oluşturma ve deneme için yararlı olsa da, bir makine öğrenimi sorunu üzerinde çalışan bir veri bilimci ve makine öğrenimi mühendisleri ekibiniz olduğunda, kod tutarlılığını korumak ve daha sıkı sürüm denetimine sahip olmak için daha ölçeklenebilir bir yola ihtiyacınız vardır.

SageMaker projeleri, PaddleOCR entegrasyonunu basitleştirmek için gerekli bileşenleri içeren önceden yapılandırılmış bir MLOps şablonu oluşturur:

• CI/CD araçlarıyla entegre, işleme, eğitim ve çıkarım için özel kapsayıcı görüntüleri oluşturmaya yönelik bir kod deposu. Bu, özel Docker imajımızı yapılandırmamıza ve Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR) kullanıma hazır olacak.
• Veri hazırlama, eğitim, model değerlendirme ve model kaydı için adımları tanımlayan bir SageMaker işlem hattı. Bu, ML projesi üretime geçtiğinde MLO'lara hazır olmamızı sağlar.
• Kod sürümü denetimi için Git deposu, model sürümlerini içeren model grubu, model oluşturma işlem hattı için kod değişikliği tetikleyicisi ve model dağıtım işlem hattı için olay tabanlı tetikleyici gibi diğer yararlı kaynaklar.

Standart SageMaker projeleri veya kuruluşunuzun ekip üyeleri için oluşturduğu belirli bir şablon oluşturmak için SageMaker tohum kodunu kullanabilirsiniz. Bu yazıda, standart kullanıyoruz Görüntü oluşturma, model oluşturma ve model dağıtımı için MLOps şablonu. Studio'da proje oluşturma hakkında daha fazla bilgi için bkz. Amazon SageMaker Studio'yu kullanarak bir MLOps Projesi oluşturun.

SageMaker Studio Notebooks ile verileri keşfedin ve makine öğrenimi kodu oluşturun

SageMaker Studio not defterleri, önceden bilgi işlem örnekleri ve dosya depolaması ayarlamanız gerekmediği için hızla başlatabileceğiniz ortak çalışma not defterleridir. Birçok veri bilimcisi, ML kodunu geliştirmek, kitaplık API'sinde hızlı bir şekilde hata ayıklamak ve eğitim komut dosyasını doğrulamak için küçük bir veri örneğiyle işlerin çalışmasını sağlamak için bu web tabanlı IDE'yi kullanmayı tercih eder.

Studio not defterlerinde TensorFlow, PyTorch, Pandas ve Scikit-Learn gibi yaygın çerçeveler için önceden oluşturulmuş bir ortam kullanabilirsiniz. Bağımlılıkları önceden oluşturulmuş çekirdeğe yükleyebilir veya kendi kalıcı çekirdek görüntünüzü oluşturabilirsiniz. Daha fazla bilgi için bkz. Amazon SageMaker Studio'da Harici Kitaplıkları ve Çekirdekleri Kurun. Studio dizüstü bilgisayarlar ayrıca SageMaker eğitim işlerini, dağıtımını veya diğer AWS hizmetlerini tetiklemek için bir Python ortamı sağlar. Aşağıdaki bölümlerde, eğitim ve dağıtım işlerini tetiklemek için bir ortam olarak Studio not defterlerinin nasıl kullanılacağını gösteriyoruz.

SageMaker güçlü bir IDE sağlar; veri bilimcilerinin tercih ettikleri geliştirme ortamını kullanma esnekliğine sahip oldukları açık bir ML platformudur. PyCharm veya Visual Studio Code gibi yerel bir IDE tercih eden veri bilimcileri için, ML kodunuzu geliştirmek için yerel Python ortamını kullanabilir ve yönetilen ölçeklenebilir bir ortamda eğitim için SageMaker'ı kullanabilirsiniz. Daha fazla bilgi için, bkz TensorFlow işinizi bir PyCharm IDE ile Amazon SageMaker'da çalıştırın. Sağlam bir modele sahip olduktan sonra SageMaker ile MLOps en iyi uygulamalarını benimseyebilirsiniz.

Şu anda, SageMaker ayrıca şunları da sağlar: SageMaker dizüstü bilgisayar örnekleri Jupyter Notebook ortamı için eski çözümümüz olarak. Docker build komutunu çalıştırma esnekliğine sahipsiniz ve dizüstü bilgisayar örneğiniz üzerinde eğitim almak için SageMaker yerel modunu kullanın. Ayrıca kod depomuzda PaddleOCR için örnek kod da sağlıyoruz: ./train_and_deploy/notebook.ipynb.

SageMaker proje şablonuyla özel bir görüntü oluşturun

SageMaker, derleme ve çalıştırma zamanı görevleri için Docker kapsayıcılarından kapsamlı bir şekilde yararlanır. SageMaker ile kendi konteynerinizi kolayca çalıştırabilirsiniz. Daha fazla teknik ayrıntıya şuradan bakın: Kendi Eğitim Algoritmalarınızı Kullanın.

Ancak bir veri bilimcisi olarak bir kapsayıcı oluşturmak kolay olmayabilir. SageMaker projeleri, bir görüntü oluşturma CI/CD ardışık düzeni aracılığıyla özel bağımlılıkları yönetmeniz için basit bir yol sağlar. Bir SageMaker projesi kullandığınızda, özel kapsayıcı Dockerfile ile eğitim görüntüsünde güncellemeler yapabilirsiniz. Adım adım talimatlar için bkz. Görüntü oluşturma CI/CD işlem hatlarıyla Amazon SageMaker projeleri oluşturun. Şablonda sağlanan yapıyla, bir PaddleOCR eğitim kabı oluşturmak için bu depoda sağlanan kodu değiştirebilirsiniz.

Bu gönderi için işleme, eğitim ve çıkarım için özel bir görüntü oluşturmanın basitliğini sergiliyoruz. GitHub deposu üç klasör içerir:

Bu projeler benzer bir yapı izlemektedir. Örnek olarak eğitim kapsayıcı görüntüsünü alın; en image-build-train/ depo aşağıdaki dosyaları içerir:

• yapılandırmak için kullanılan codebuild-buildspec.yml dosyası AWS Kod Oluşturma böylece görüntü oluşturulabilir ve Amazon ECR'ye aktarılabilir.
• Tüm bağımlılıkları ve eğitim kodunu içeren Docker yapısı için kullanılan Dockerfile.
• Bir bağımsız değişken olarak yapılandırılabilen tüm hiper parametrelerle (öğrenme hızı ve toplu iş boyutu gibi) eğitim komut dosyası için train.py giriş noktası. Bu bağımsız değişkenler, eğitim işine başladığınızda belirtilir.
• Bağımlılıklar.

Kodu ilgili depoya gönderdiğinizde, tetiklenir. AWS Kod Ardışık Düzeni sizin için bir eğitim kapsayıcısı oluşturmak için. Özel kapsayıcı görüntüsü, önceki şekilde gösterildiği gibi bir Amazon ECR deposunda depolanır. Çıkarım görüntüsünü oluşturmak için benzer bir prosedür benimsenmiştir.

Modeli SageMaker eğitim SDK'sı ile eğitin

Algoritma kodunuz doğrulandıktan ve bir kapsayıcıya paketlendikten sonra, modeli eğitmek üzere yönetilen bir ortam sağlamak için bir SageMaker eğitim işi kullanabilirsiniz. Bu ortam geçicidir, yani kodunuzu çalıştırmak için ayrı, güvenli işlem kaynaklarına (GPU gibi) veya Çoklu GPU dağıtılmış bir ortama sahip olabilirsiniz. Eğitim tamamlandığında, SageMaker ortaya çıkan model yapılarını bir Amazon Basit Depolama Hizmeti (Amazon S3) belirttiğiniz konum. Tüm günlük verileri ve meta veriler, AWS Yönetim Konsolu, Stüdyo ve Amazon Bulut İzleme.

Eğitim işi birkaç önemli bilgiyi içerir:

• Eğitim verilerini depoladığınız S3 paketinin URL'si
• İşin çıktısını depolamak istediğiniz S3 paketinin URL'si
• SageMaker'ın model eğitimi için kullanmasını istediğiniz yönetilen işlem kaynakları
• Eğitim kapsayıcısının depolandığı Amazon ECR yolu

Eğitim işleri hakkında daha fazla bilgi için bkz. Tren Modelleri. Eğitim işi için örnek kod şu adreste mevcuttur: deneyler-tren-notebook.ipynb.

SageMaker, hiperparametreleri bir CreateTrainingJob Docker kapsayıcısında mevcut istek /opt/ml/input/config/hyperparameters.json dosyası.

Giriş noktası olarak özel eğitim kapsayıcısını kullanıyoruz ve altyapı için bir GPU ortamı belirliyoruz. İlgili tüm hiperparametreler, her bir iş yapılandırmasını izlememize ve bunları deney izleme ile karşılaştırmamıza olanak tanıyan parametreler olarak detaylandırılmıştır.

Veri bilimi süreci çok araştırma odaklı olduğundan, birden çok deneyin paralel olarak çalışması yaygındır. Bu, denenen tüm farklı deneyleri, farklı algoritmaları ve potansiyel olarak farklı veri kümelerini ve hiper parametreleri takip eden bir yaklaşım gerektirir. Amazon SageMaker Experiments, makine öğrenimi deneylerinizi düzenlemenize, izlemenize, karşılaştırmanıza ve değerlendirmenize olanak tanır. Biz de bunu gösteriyoruz deneyler-tren-notebook.ipynb. Daha fazla ayrıntı için bkz. Amazon SageMaker Experiments ile Makine Öğrenimini Yönetin.

Model sunumu için modeli dağıtın

Dağıtıma gelince, özellikle gerçek zamanlı model sunumu için, birçok veri bilimci, operasyon ekiplerinin yardımı olmadan bunu yapmayı zor bulabilir. SageMaker, eğitimli modelinizi aşağıdakilerle üretime yerleştirmeyi kolaylaştırır. SageMaker Python SDK'sı. Modelinizi SageMaker barındırma hizmetlerine dağıtabilir ve gerçek zamanlı çıkarım için kullanmak üzere bir uç nokta elde edebilirsiniz.

Birçok kuruluşta, veri bilimcileri uç nokta altyapısının bakımından sorumlu olmayabilir. Ancak modelinizi bir uç nokta olarak test etmek ve doğru tahmin davranışlarını garanti etmek gerçekten de veri bilimcilerinin sorumluluğundadır. Bu nedenle SageMaker, bunun için bir dizi araç ve SDK ekleyerek dağıtım görevlerini basitleştirdi.

Gönderideki kullanım durumu için gerçek zamanlı, etkileşimli, düşük gecikmeli yeteneklere sahip olmak istiyoruz. Gerçek zamanlı çıkarım bu çıkarım iş yükü için idealdir. Ancak, her özel gereksinime uyum sağlayan birçok seçenek vardır. Daha fazla bilgi için bkz. Çıkarım için Modelleri Dağıt.

Özel görüntüyü dağıtmak için veri bilimcileri, şurada gösterilen SageMaker SDK'yı kullanabilir:

deneyler-deploy-notebook.ipynb.

içinde create_model istek, kapsayıcı tanımı şunları içerir: ModelDataUrl model yapılarının depolandığı Amazon S3 konumunu tanımlayan parametre. SageMaker, model yapıtlarının nereden kopyalanacağını belirlemek için bu bilgiyi kullanır. Eserleri kopyalar /opt/ml/model çıkarım kodunuz tarafından kullanılacak dizin. bu serve ve predictor.py dağıtımı başlattığınızda yüklenen model yapıtı ile hizmet için giriş noktasıdır. Daha fazla bilgi için, bkz Barındırma Hizmetleriyle Kendi Çıkarım Kodunuzu Kullanın.

SageMaker Pipelines ile iş akışınızı düzenleyin

Son adım, kodunuzu uçtan uca ML iş akışları olarak sarmak ve MLOps en iyi uygulamalarını uygulamaktır. SageMaker'da, yönlendirilmiş bir döngüsel olmayan grafik (DAG) olan model oluşturma iş yükü SageMaker Pipelines tarafından yönetilir. Pipelines, düzenleme ve veri kökeni izlemeyi destekleyen tam olarak yönetilen bir hizmettir. Ayrıca Pipelines, SageMaker Python SDK ile entegre olduğundan, daha önce eğitim adımında kullandığımız yüksek seviyeli bir Python arabirimini kullanarak işlem hatlarınızı programlı olarak oluşturabilirsiniz.

Uygulamayı göstermek için bir boru hattı kodu örneği sunuyoruz. boru hattı.py.

İşlem hattı, veri kümesi oluşturma, eğitim adımı, koşul adımı ve model kayıt adımı için bir ön işleme adımı içerir. Her ardışık düzen çalıştırmasının sonunda, veri bilimcileri modellerini sürüm kontrolleri için kaydettirmek ve en iyi performans göstereni dağıtmak isteyebilir. SageMaker model kaydı, model sürümlerini, katalog modellerini yönetmek ve belirli bir modelin onay durumuyla otomatik model dağıtımını tetiklemek için merkezi bir yer sağlar. Daha fazla ayrıntı için bkz. Model Registry ile Modelleri Kaydedin ve Dağıtın.

Bir ML sisteminde, otomatikleştirilmiş iş akışı düzenlemesi, model performansının düşmesini, diğer bir deyişle model kaymasını önlemeye yardımcı olur. Veri sapmalarının erken ve proaktif tespiti, modelleri yeniden eğitmek gibi düzeltici eylemlerde bulunmanıza olanak tanır. Sapmalar algılandıktan sonra modelin yeni bir sürümünü yeniden eğitmek için SageMaker ardışık düzenini tetikleyebilirsiniz. Bir boru hattının tetikleyicisi şu şekilde de belirlenebilir: Amazon SageMaker Model Monitörüüretimdeki modellerin kalitesini sürekli olarak izleyen . Bilgileri kaydetmeye yönelik veri yakalama özelliğiyle Model Monitor, veri ve model kalitesi izlemeyi, sapmayı ve özellik ilişkilendirme kayması izlemeyi destekler. Daha fazla ayrıntı için bkz. Modelleri veri ve model kalitesi, önyargı ve açıklanabilirlik açısından izleyin.

Sonuç

Bu yazıda, OCR görevleri için SageMaker üzerinde PaddleOCR çerçevesinin nasıl çalıştırılacağını gösterdik. Veri bilimcilerin SageMaker'a kolayca dahil olmalarına yardımcı olmak için, algoritmalar oluşturmaktan eğitime ve modeli gerçek zamanlı çıkarım için bir web hizmeti olarak barındırmaya kadar ML geliştirme yaşam döngüsünü inceledik. Rasgele bir çerçeveyi SageMaker platformuna taşımak için sağladığımız şablon kodunu kullanabilirsiniz. Makine öğrenimi projeniz için deneyin ve başarı hikayelerinizi bize bildirin.

---

Yazarlar Hakkında

Junyi(Jackie) LIU AWS'de Kıdemli Uygulamalı Bilim Adamıdır. Makine öğrenimi alanında uzun yıllara dayanan çalışma deneyimine sahiptir. Tedarik zinciri tahmin algoritmaları, reklam öneri sistemleri, OCR ve NLP alanında makine öğrenimi modellerinin yapımında çözümlerin geliştirilmesi ve uygulanması konusunda zengin pratik deneyime sahiptir.

Yanwei Cui, PhD, AWS'de Makine Öğrenimi Uzmanı Çözümler Mimarıdır. IRISA'da (Bilgisayar Bilimi ve Rastgele Sistemler Araştırma Enstitüsü) makine öğrenimi araştırmasına başladı ve bilgisayarla görme, doğal dil işleme ve çevrimiçi kullanıcı davranışı tahmini alanlarında yapay zeka destekli endüstriyel uygulamalar oluşturma konusunda birkaç yıllık deneyime sahiptir. AWS'de alan uzmanlığını paylaşıyor ve müşterilerin iş potansiyellerini ortaya çıkarmalarına ve geniş ölçekte makine öğrenimi ile eyleme dönüştürülebilir sonuçlar elde etmelerine yardımcı oluyor. İş dışında kitap okumayı ve seyahat etmeyi sever.

Yi-An CHEN Amazon Lab 126'da Yazılım Geliştiricidir. Kişiselleştirme, doğal dil işleme ve bilgisayarla görme dahil olmak üzere çeşitli disiplinlerde makine öğrenimi odaklı ürünler geliştirme konusunda 10 yıldan fazla deneyime sahiptir. İş dışında uzun süre koşmayı ve bisiklete binmeyi sever.