Bu, nasıl yapılacağını ayrıntılarıyla anlatan dört bölümlük serinin ikinci yazısıdır. NatWest Grubuile ortak olan büyük bir finansal hizmetler kuruluşu olan AWS Profesyonel Hizmetleri yeni bir makine öğrenimi işlemleri (MLOps) platformu oluşturmak. Bu yazıda, NatWest Grubunun standartlaştırılmış, güvenli ve uyumlu MLOps platformunun self servis dağıtımını sağlamak için AWS'den nasıl yararlandığını paylaşıyoruz. AWS Hizmet Kataloğu ve Amazon Adaçayı Yapıcı. Bu, yeni ortamların sağlanması için gereken sürenin günlerden yalnızca birkaç saate düşmesine yol açtı.
Karar vericilerin bu içerikten yararlanabileceğine inanıyoruz. CTO'lar, CDAO'lar, kıdemli veri bilimcileri ve kıdemli bulut mühendisleri, veri bilimi ve mühendislik ekiplerine yenilikçi çözümler sağlamak için bu modeli takip edebilir.
Serinin tamamını okuyun:
|
NatWest Group'ta Teknoloji
NatWest Group, Birleşik Krallık genelinde 19 milyondan fazla müşteriye finansal hizmetler sağlayan, dijital dünyaya yönelik bir ilişki bankasıdır. Grubun, iş zorluklarına yönelik çözümlerin genellikle özel tasarımlar kullanılarak ve uzun zaman çizelgeleriyle sunulduğu çok çeşitli bir teknoloji portföyü vardır.
Son zamanlarda NatWest Group, şirketin isteğe bağlı bilgi işlem ve depolama kaynaklarını sağlamak için yönetilen hizmetleri kullanmasına olanak tanıyan bulut öncelikli bir stratejiyi benimsedi. Bu hamle, iş çözümlerinin genel istikrarında, ölçeklenebilirliğinde ve performansında iyileşme sağlarken maliyeti azalttı ve teslimat temposunu hızlandırdı. Ek olarak buluta geçiş, NatWest Group'un düzenleyici gereklilikleri karşılamak ve kontrollü bir şekilde çalışmak için bir dizi tutarlı, tekrarlanabilir ve önceden onaylanmış çözüm tasarımını zorunlu kılarak teknoloji yığınını basitleştirmesine olanak tanır.
Zorluklar
Bulut öncelikli bir yaklaşımı benimsemenin pilot aşamaları, çok çeşitli yöntemlerden yararlanan çeşitli deneme ve değerlendirme aşamalarını içeriyordu. analiz hizmetleri AWS'de. NatWest Group'un veri bilimi iş yüklerine yönelik bulut platformunun ilk yinelemeleri, tutarlı, güvenli ve uyumlu bulut ortamlarının sağlanması konusunda zorluklarla karşılaştı. Yeni ortamlar yaratma süreci birkaç günden haftalara, hatta aylara kadar sürdü. Altyapı ve veri kaynaklarını oluşturmak, tedarik etmek, güvenliğini sağlamak, dağıtmak ve yönetmek için merkezi platform ekiplerine güvenmek, yeni ekiplerin bulutta çalışmasını zorlaştırdı.
AWS hesapları arasındaki altyapı yapılandırmasındaki eşitsizlik nedeniyle iş yüklerini buluta taşımaya karar veren ekipler, ayrıntılı bir uyumluluk sürecinden geçmek zorunda kaldı. Her altyapı bileşeninin ayrı ayrı analiz edilmesi gerekti ve bu da güvenlik denetimi zaman çizelgelerini artırdı.
AWS'de geliştirmeye başlamak, platform ekipleri tarafından yazılan bir dizi belge kılavuzunu okumayı gerektiriyordu. İlk ortam kurulum adımları, kimlik doğrulama için genel ve özel anahtarların yönetilmesini, uzak hizmetlere bağlantıların yapılandırılmasını içeriyordu. AWS Komut Satırı Arayüzü (AWS CLI) veya yerel geliştirme ortamlarından SDK ve yerel IDE'leri bulut hizmetlerine bağlamak için özel komut dosyaları çalıştırma. Teknik zorluklar çoğu zaman yeni ekip üyelerinin katılımını zorlaştırıyordu. Geliştirme ortamları yapılandırıldıktan sonra yazılımı üretimde yayınlama yolu da benzer şekilde karmaşık ve uzundu.
Bu serinin 1. Bölümünde açıklandığı gibi ortak proje ekibi, yeni veri bilimi ve MLOps platformunu oluşturmadan önce NatWest Group genelindeki ekiplerden kullanıcı deneyimi ve gereksinimler hakkında büyük miktarda geri bildirim topladı. Bu geri bildirimdeki ortak tema, AWS'de hızlı ve verimli proje tesliminin öncüsü olarak otomasyon ve standartlaştırma ihtiyacıydı. Yeni platform, maliyeti optimize etmek, platform yapılandırma çabalarını azaltmak ve gereksiz derecede büyük bilgi işlem işlerinin yürütülmesinden kaynaklanan karbon ayak izini azaltmak için AWS tarafından yönetilen hizmetleri kullanıyor. Standardizasyon, veri ve analiz ekipleri arasında paylaşılabilen, önceden onaylanmış, tamamen yapılandırılmış, güvenli, uyumlu ve yeniden kullanılabilir altyapı bileşenleriyle platformun kalbine yerleştirilmiştir.
Neden SageMaker Studio?
Ekip seçti Amazon SageMaker Stüdyosu ML işlem hatlarını oluşturmak ve dağıtmak için ana araç olarak. Studio, kullanıcılara modelleri oluşturmak, eğitmek ve dağıtmak için gereken her adıma tam erişim, kontrol ve görünürlük sağlayan tek bir web tabanlı arayüz sağlar. Studio IDE'nin (entegre geliştirme ortamı) model geliştirme, meta veri takibi, yapı yönetimi ve dağıtıma yönelik olgunluğu, NatWest Group ekibinin en çok ilgisini çeken özellikler arasındaydı.
NatWest Group'taki veri bilimcileri, veri analizi, veri düzenleme ve özellik mühendisliği gerçekleştirmek için model geliştirmenin ilk aşamalarında Studio içindeki SageMaker not defterleriyle çalışır. Kullanıcılar bu ilk çalışmanın sonuçlarından memnun kaldıktan sonra kod, veri dönüşümü, model eğitimi, çıkarım, günlük kaydı ve birim testleri için kolayca birleştirilebilir işlevlere dönüştürülür ve böylece üretime hazır duruma gelir.
Model geliştirme yaşam döngüsünün sonraki aşamaları, Amazon SageMaker Ardışık DüzenleriStudio'da görsel olarak incelenip izlenebilmektedir. İşlem hatları, işlem hattı çalışırken aşamaları durumlarına göre renk kodlayan bir DAG (Yönlendirilmiş Döngüsel Olmayan Grafik) ile görselleştirilir. Ayrıca, bir özet Amazon CloudWatch Günlükleri Başarısız adımların hata ayıklamasını kolaylaştırmak için DAG'ın yanında görüntülenir. Veri bilimcilere, SageMaker işlem hattındaki tüm temel adımlardan oluşan bir kod şablonu sağlanır. Bu, geliştiricilerin çözmekte oldukları iş sorununa özel özel mantık ve uygulama kodunu ekleyebilecekleri standartlaştırılmış bir çerçeve (işbirliğini ve bilgi paylaşımını kolaylaştırmak için platformun tüm kullanıcıları arasında tutarlı) sağlar.
Geliştiriciler, kod değişikliklerinin diğer işlem hattı adımlarıyla doğru şekilde entegre olmasını sağlamak için işlem hatlarını Studio IDE içinde çalıştırır. Kod değişiklikleri incelenip onaylandıktan sonra bu işlem hatları, ana Git deposu şube tetikleyicisine göre otomatik olarak oluşturulur ve çalıştırılır. Model eğitimi sırasında model değerlendirme metrikleri, hiperparametre ayarlaması için kullanılabilen SageMaker Experiments'ta saklanır ve izlenir. Bir model eğitildikten sonra model yapısı depolanır. SageMaker model kaydımodel kapsayıcılarıyla ilgili meta veriler, eğitim sırasında kullanılan veriler, model özellikleri ve model koduyla birlikte. Model kaydı, tüm model bilgilerini paketlediği ve üretim ortamlarına model tanıtımının otomasyonunu sağladığı için model dağıtım sürecinde önemli bir rol oynar.
MLOps mühendisleri yönetilen dağıtımı yapar SageMaker toplu dönüştürme işleriiş yükü taleplerini karşılayacak ölçek. Hem çevrimdışı toplu çıkarım işleri hem de bir uç nokta aracılığıyla sunulan çevrimiçi modeller, SageMaker'ın yönetilen çıkarım işlevini kullanır. Platform mühendisleri artık model çıkarımı için altyapı bileşenlerini yapılandırmaya zaman harcamadığından ve iş uygulaması ekipleri bilgi işlem örneklerini kurmak ve bunlarla etkileşim kurmak için ek standart kod yazmadığından, bu hem platforma hem de iş uygulaması ekiplerine fayda sağlar.
Neden AWS Hizmet Kataloğu?
Ekip, güvenli, uyumlu ve önceden onaylanmış altyapı şablonlarından oluşan bir katalog oluşturmak için AWS Hizmet Kataloğu'nu seçti. Bir AWS Hizmet Kataloğu ürünündeki altyapı bileşenleri, NatWest Group'un güvenlik gereksinimlerini karşılayacak şekilde önceden yapılandırılmıştır. Rol erişim yönetimi, kaynak politikaları, ağ yapılandırması ve merkezi kontrol politikaları, bir AWS Service Catalog ürününde paketlenmiş her kaynak için yapılandırılır. Ürünler, veri bilimi ve mühendislik ekiplerinin AWS hesaplarına erişim elde ettikten hemen sonra kendi kendine hizmet vermelerine ve altyapıyı dağıtmalarına olanak tanıyan standart bir süreç izlenerek sürümlendirilir ve uygulama ekipleriyle paylaşılır.
Platform geliştirme ekipleri, iş gereksinimlerine göre yeni özelliklerin uygulanmasını sağlamak için AWS Hizmet Kataloğu ürünlerini zaman içinde kolayca geliştirebilir. AWS Hizmet Kataloğu ürün sürümü oluşturmanın yardımıyla ürünlerde yinelenen değişiklikler yapılır. Yeni bir ürün sürümü yayınlandığında platform ekibi, kod değişikliklerini ana Git şubesinde birleştirir ve AWS Hizmet Kataloğu ürününün sürümünü artırır. İş uygulaması hesapları, en son sürüme geçmeden önce ürünlerin önceki sürümlerini kullanabildiğinden, altyapının güncellenmesinde bir dereceye kadar özerklik ve esneklik vardır.
Çözüme genel bakış
Aşağıdaki üst düzey mimari şeması, tipik bir iş uygulaması kullanım senaryosunun AWS'de nasıl dağıtıldığını gösterir. Aşağıdaki bölümlerde hesap mimarisi, altyapının nasıl dağıtıldığı, kullanıcı erişim yönetimi ve makine öğrenimi çözümleri oluşturmak için farklı AWS hizmetlerinin nasıl kullanıldığı hakkında daha ayrıntılı bilgi verilmektedir.
Mimari şemasında gösterildiği gibi hesaplar bir hub ve bağlı bileşen modelini izler. Paylaşılan bir platform hesabı, iş uygulaması ekibi (bağlı birim) hesaplarının gerektirdiği kaynakların platform ekibi tarafından barındırıldığı bir merkez hesabı görevi görür. Bu kaynaklar aşağıdakileri içerir:
- AWS Service Catalog tarafından barındırılan, self servis altyapı dağıtımları için kullanılan güvenli, standartlaştırılmış altyapı ürünlerinden oluşan bir kitaplık
- Depolanan Docker görüntüleri Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR), SageMaker işlem hattı adımlarının çalıştırılması ve model çıkarımı sırasında kullanılır
- AWS Kodu Yapısı önceden onaylanmış Python paketlerini barındıran depolar
Bu kaynaklar, AWS Service Catalog portföy paylaşımı ve içe aktarma özelliği aracılığıyla bağlı hesaplarla otomatik olarak paylaşılır ve AWS Kimlik ve Erişim Yönetimi (IAM) hem Amazon ECR hem de CodeArtifact için güven politikaları.
Her iş uygulaması ekibine NatWest Group altyapı ortamında üç AWS hesabı sağlanır: geliştirme, üretim öncesi ve üretim. Ortam adları, hesabın veri bilimi geliştirme yaşam döngüsündeki amaçlanan rolünü ifade eder. Geliştirme hesabı, SageMaker Studio aracılığıyla veri analizi ve düzenleme gerçekleştirmek, model ve model hattı kodu yazmak, modelleri eğitmek ve üretim öncesi ve üretim ortamlarına model dağıtımlarını tetiklemek için kullanılır. Üretim öncesi hesap, üretim hesabının kurulumunu yansıtır ve model dağıtımlarını ve toplu dönüştürme işlerini üretime sunulmadan önce test etmek için kullanılır. Üretim hesabı modelleri barındırır ve üretim çıkarımı iş yüklerini çalıştırır.
Kullanıcı yönetimi
NatWest Group, kullanıcı rolü ayrımını zorunlu kılmak için katı yönetim süreçlerine sahiptir. Her kullanıcı kişiliği için beş ayrı IAM rolü oluşturulmuştur.
Platform ekibi aşağıdaki rolleri kullanır:
- Platform destek mühendisi – Bu rol, her zamanki gibi iş görevleri için izinleri ve platformun izlenmesi ve hata ayıklaması için ortamın geri kalanının salt okunur görünümünü içerir.
- Platform düzeltme mühendisi – Bu rol yükseltilmiş izinlerle oluşturuldu. Platformda manuel müdahale gerektiren sorunlar varsa kullanılır. Bu rol yalnızca onaylanmış ve zaman sınırlı bir şekilde üstlenilir.
İş uygulaması geliştirme ekiplerinin üç farklı rolü vardır:
- Teknik lider – Bu rol, genellikle kıdemli bir veri bilimcisi olan uygulama ekibi liderine atanır. Bu kullanıcının AWS Hizmet Kataloğu ürünlerini dağıtma ve yönetme, üretime yönelik sürümleri tetikleme ve ortamın durumunu inceleme izni vardır. AWS Kod Ardışık Düzeni durumlar ve günlükler. Bu rolün SageMaker model kaydındaki bir modeli onaylama izni yok.
- Geliştirici – Bu rol, mühendisleri, veri bilimcilerini ve çoğunlukla ekip liderini içeren SageMaker Studio ile çalışan tüm ekip üyelerine atanır. Bu rolün Studio'yu açma, kod yazma ve SageMaker işlem hatlarını çalıştırma ve dağıtma izinleri vardır. Teknik lider gibi bu rolün de model kaydındaki bir modeli onaylama izni yoktur.
- Modeli onaylayan – Bu rolün, model kaydındaki modelleri görüntüleme, onaylama ve reddetmeyle ilgili sınırlı izinleri vardır. Bu ayrımın nedeni, model oluşturabilen ve eğitebilen kullanıcıların kendi modellerini onaylayıp üst düzey ortamlara yayınlamasını engellemektir.
Geliştiriciler ve model onaylayıcıları için ayrı Studio kullanıcı profilleri oluşturulur. Çözüm, IAM politikası bildirimlerinin ve SageMaker kullanıcı profili etiketlerinin bir kombinasyonunu kullanarak kullanıcıların yalnızca kendi kullanıcı türleriyle eşleşen bir kullanıcı profilini açmasına izin verir. Bu, kullanıcıya Studio IDE'yi açtığında doğru SageMaker yürütme IAM rolünün (ve dolayısıyla izinlerin) atanmasını sağlar.
AWS Service Catalog ile self servis dağıtımlar
Son kullanıcılar, aşağıdakiler gibi veri bilimi altyapı ürünlerini dağıtmak için AWS Service Catalog'u kullanır:
- Bir Stüdyo ortamı
- Studio kullanıcı profilleri
- Model dağıtım işlem hatları
- Eğitim hatları
- çıkarım ardışık düzenleri
- İzleme ve uyarı sistemi
Son kullanıcılar bu ürünleri doğrudan AWS Hizmet Kataloğu Kullanıcı Arayüzü aracılığıyla dağıtır; bu, ortamların sağlanmasında merkezi platform ekiplerine daha az bağımlı olunması anlamına gelir. Bu, kullanıcıların yeni bulut ortamlarına erişmesi için gereken süreyi birkaç günden yalnızca birkaç saate kadar büyük ölçüde azalttı ve sonuçta değer elde etme süresinde önemli bir iyileşmeye yol açtı. Ortak bir AWS Hizmet Kataloğu ürün grubunun kullanılması, kuruluş çapındaki projelerde tutarlılığı destekler ve işbirliği ile yeniden kullanım engellerini azaltır.
Tüm veri bilimi altyapısı artık merkezi olarak geliştirilen bir altyapı ürünleri kataloğu aracılığıyla dağıtıldığından, bu ürünlerin her birinin güvenlik göz önünde bulundurularak oluşturulmasına özen gösterildi. Hizmetler, içinde iletişim kuracak şekilde yapılandırıldı Amazon Sanal Özel Bulut (Amazon VPC) böylece trafik genel internetten geçmez. Veriler aktarım sırasında ve kullanımda değilken şifrelenir AWS Anahtar Yönetim Hizmeti (AWS KMS) anahtarları. IAM rolleri de en az ayrıcalık ilkesini izleyecek şekilde oluşturulmuştur.
Son olarak, AWS Service Catalog ile platform ekibinin, iş uygulaması ekipleri tarafından kullanılabilir hale geldikçe veya ihtiyaç duyuldukça yeni ürün ve hizmetleri sürekli olarak piyasaya sürmesi kolaydır. Bunlar, örneğin son kullanıcılara kendi altyapılarını dağıtma olanağı sağlamak gibi yeni altyapı ürünleri biçiminde olabilir. Amazon EMR'si kümeler veya mevcut altyapı ürünlerine yönelik güncellemeler. Çünkü AWS Service Catalog ürün sürümü oluşturmayı destekler ve AWS CloudFormation perde arkasında, mevcut ürünlerin yeni sürümleri piyasaya sürüldüğünde yerinde yükseltmeler kullanılabilir. Bu, platform ekiplerinin karmaşık yükseltme süreçleri geliştirmek yerine ürünleri oluşturmaya ve geliştirmeye odaklanmasına olanak tanır.
NatWest'in mevcut IaC yazılımıyla entegrasyon
AWS Service Catalog, self servis veri bilimi altyapısı dağıtımları için kullanılır. Ayrıca, AWS hesaplarında altyapı oluşturmak için NatWest'in standart kod olarak altyapı (IaC) aracı Terraform kullanılır. Terraform, platform ekipleri tarafından ilk hesap kurulum sürecinde VPC'ler, güvenlik grupları gibi önkoşul altyapı kaynaklarını dağıtmak için kullanılır. AWS Sistem Yöneticisi parametreler, KMS anahtarları ve standart güvenlik kontrolleri. AWS Hizmet Kataloğu portföyleri ve Docker görüntüleri oluşturmak için kullanılan kaynaklar gibi hub hesabındaki altyapı da Terraform kullanılarak tanımlanır. Ancak AWS Hizmet Kataloğu ürünlerinin kendisi standart CloudFormation şablonları kullanılarak oluşturulmuştur.
SageMaker projeleriyle geliştirici üretkenliğini ve kod kalitesini artırma
SageMaker projeleri geliştiricilere ve veri bilimcilerine SageMaker Studio'dan ayrılmadan hızlı başlangıç projelerine erişim sağlayın. Bu hızlı başlangıç projeleri, yalnızca birkaç tıklamayla birden fazla altyapı kaynağını aynı anda dağıtmanıza olanak tanır. Bunlar, seçilen model türü için standartlaştırılmış bir proje şablonu içeren bir Git deposunu içerir. Amazon Basit Depolama Hizmeti Verileri depolamak, serileştirilmiş modeller ve yapılar ile model eğitimi ve çıkarım CodePipeline ardışık düzenleri için (Amazon S3) klasörleri.
Standartlaştırılmış kod tabanı mimarilerinin ve araçlarının kullanıma sunulması artık veri bilimcilerin ve mühendislerin projeler arasında geçiş yapmasını kolaylaştırıyor ve kod kalitesinin yüksek kalmasını sağlıyor. Örneğin, astarlama ve biçimlendirme kontrolleri (hem otomatik kontroller hem de ön taahhüt kancaları olarak çalıştırılır), birim testleri ve kapsam raporları gibi yazılım mühendisliğinin en iyi uygulamaları artık eğitim hatlarının bir parçası olarak otomatikleştirilerek tüm projelerde standardizasyon sağlanmaktadır. Bu, makine öğrenimi projelerinin sürdürülebilirliğini artırdı ve bu projelerin üretime geçirilmesini kolaylaştıracak.
Model dağıtımlarını otomatikleştirme
Model eğitim süreci SageMaker Pipelines kullanılarak yönetilir. Modeller eğitildikten sonra SageMaker model kaydında saklanırlar. Model onaylayıcı rolüne atanan kullanıcılar, model kaydını açabilir ve modelin eğitildiği zaman, hiper parametre değerleri ve değerlendirme ölçümleri gibi eğitim süreciyle ilgili bilgileri bulabilir. Bu bilgi kullanıcının bir modeli onaylayıp onaylamayacağına karar vermesine yardımcı olur. Bir modelin reddedilmesi, modelin yükseltilmiş bir ortama dağıtılmasını engellerken, bir modelin onaylanması, modeli otomatik olarak üretim öncesi AWS hesabına kopyalayarak çıkarım iş yükü testine hazır hale getiren CodePipeline aracılığıyla bir model tanıtım hattını tetikler. Ekip, modelin üretim öncesi doğru şekilde çalıştığını doğruladıktan sonra, aynı işlem hattındaki manuel bir adım onaylanır ve model, üretim çıkarımı iş yüklerine hazır hale getirilmek üzere otomatik olarak üretim hesabına kopyalanır.
Çıktıları
NatWest ve AWS arasındaki bu işbirlikçi projenin temel amaçlarından biri, veri bilimi bulut ortamlarının ve makine öğrenimi modellerinin tedarik edilmesi ve üretime dağıtılması için gereken süreyi azaltmaktı. Bu başarıldı; NatWest artık yeni, ölçeklenebilir ve güvenli AWS ortamlarını günler, hatta haftalar yerine sadece birkaç saat içinde sağlayabiliyor. Veri bilimcileri ve mühendisleri artık AWS Service Catalog'u kullanarak veri bilimi altyapısını kendileri dağıtma ve yönetme yetkisine sahip; bu da merkezi platform ekiplerine olan bağımlılığı azaltıyor. Ek olarak, SageMaker projelerinin kullanımı, kullanıcıların dakikalar içinde kodlamaya ve modelleri eğitmeye başlamasını sağlarken aynı zamanda standartlaştırılmış proje yapıları ve araçları da sağlar.
AWS Service Catalog, veri bilimi altyapısını dağıtmak için merkezi yöntem görevi gördüğünden, platform gelecekte kolayca genişletilebilir ve yükseltilebilir. İhtiyaç duyulduğunda yeni AWS hizmetleri son kullanıcılara hızlı bir şekilde sunulabilir ve mevcut AWS Hizmet Kataloğu ürünleri, yeni özelliklerden yararlanacak şekilde yükseltilebilir.
Son olarak, AWS'de yönetilen hizmetlere geçiş, bilgi işlem kaynaklarının tedarik edilmesi ve talep üzerine kapatılması anlamına gelir. Bu, maliyet tasarrufu ve esneklik sağlarken aynı zamanda NatWest'in 2050 yılına kadar net sıfır olma hedefi CO'da tahmini %75'lik bir azalma nedeniyle2 emisyonlar.
Sonuç
NatWest Group'ta bulut öncelikli stratejinin benimsenmesi, kuruluş genelinde çok sayıda iş uygulaması ekibini destekleyebilecek güçlü bir AWS çözümünün oluşturulmasına yol açtı. AWS Service Catalog ile altyapıyı yönetmek, kolayca genişletilebilen güvenli, uyumlu ve önceden onaylanmış altyapı yapı taşlarını kullanarak buluta katılım sürecini önemli ölçüde iyileştirdi. Yönetilen SageMaker altyapı bileşenleri, model geliştirme sürecini iyileştirdi ve makine öğrenimi projelerinin teslimini hızlandırdı.
NatWest Group'ta üretime hazır makine öğrenimi modelleri oluşturma süreci hakkında daha fazla bilgi edinmek için NatWest Group ile AWS Professional Services arasındaki stratejik iş birliğini konu alan bu dört bölümlük serinin geri kalanına göz atın:
- Bölüm 1 NatWest Group'un ölçeklenebilir, güvenli ve sürdürülebilir bir MLOps platformu oluşturmak için AWS Professional Services ile nasıl ortaklık kurduğunu açıklıyor
- Bölüm 3 NatWest Group'un denetlenebilir, tekrarlanabilir ve açıklanabilir ML modelleri oluşturmak için SageMaker hizmetlerini nasıl kullandığına dair bir genel bakış sağlar
- Bölüm 4 NatWest veri bilimi ekiplerinin mevcut modellerini SageMaker mimarilerine nasıl geçirdiğini ayrıntılarıyla anlatıyor
Yazarlar Hakkında
Cüneyt Baba DevOps Danışmanı şirketinde AWS Profesyonel Hizmetleri Birleşik Krallık finansal hizmetler sektörü müşterilerinin bulutu benimsemesini hızlandırmak için Kubernetes, dağıtılmış bilgi işlem ve AI/MLOps deneyiminden yararlanıyor. Junaid, Haziran 2018'den beri AWS'de. Bundan önce Junaid, DevOps uygulamalarını destekleyen çok sayıda finansal start-up'la çalıştı. İş dışında trekking, modern sanat ve fotoğrafçılıkla ilgileniyor.
Yordanka Ivanova NatWest Group'ta Veri Mühendisidir. Finansal hizmetler sektöründeki şirketler için veri çözümleri oluşturma ve sunma konusunda deneyime sahiptir. Yordanka, NatWest'e katılmadan önce teknik danışman olarak çalıştı ve burada birden fazla bulut platformunda iş sonuçları sunmak için çok çeşitli bulut hizmetlerinden ve açık kaynak teknolojilerinden yararlanma konusunda deneyim kazandı. Yordanka boş zamanlarında spor yapmaktan, seyahat etmekten ve gitar çalmaktan hoşlanıyor.
Michael İngiltere NatWest Group'ta Veri Bilimi ve İnovasyon ekibinde yazılım mühendisidir. Bulutta büyük ölçekli Makine Öğrenimi iş yüklerini çalıştırmak için çözümler geliştirme konusunda tutkulu. NatWest Group'a katılmadan önce Michael, finansal hizmetler ve seyahat endüstrilerinde kritik uygulamalar geliştiren yazılım mühendisliği ekiplerinde çalıştı ve liderlik etti. Boş zamanlarında gitar çalmayı, seyahat etmeyi ve bisikletiyle kırsal bölgeleri keşfetmeyi seviyor.
- Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
- KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/part-2-how-natwest-group-built-a-secure-uyumlu-self-service-mlops-platform-using-aws-service- katalog-ve-amazon-bilge oluşturucu/
- "
- 100
- Hakkımızda
- hızlandırılmış
- hızlanan
- erişim
- Hesap
- karşısında
- ilave
- Ek
- Benimseme
- avantaj
- Türkiye
- Amazon
- arasında
- miktar
- tutarları
- analiz
- analytics
- Uygulama
- uygulamaları
- yaklaşım
- onaylamak
- mimari
- Sanat
- atanmış
- denetim
- Doğrulama
- Otomatik
- Otomasyon
- Otomasyon ve standardizasyon
- mevcut
- AWS
- Banka
- müşterimiz
- kamera ARKASI
- olmak
- yarar
- faydaları
- İYİ
- en iyi uygulamalar
- inşa etmek
- bina
- iş
- karbon
- hangi
- merkezi
- meydan okuma
- zorluklar
- Çekler
- bulut
- Bulut Platformu
- bulut hizmetleri
- kod
- kodlama
- işbirliği
- kombinasyon
- ortak
- Şirketler
- şirket
- karşılaştırıldığında
- karmaşık
- uyma
- uyumlu
- bileşen
- hesaplamak
- bilgisayar
- yapılandırma
- Bağlantılar
- danışman
- Konteyner
- Konteynerler
- içeren
- içerik
- sürekli olarak
- kontrol
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- kritik
- görenek
- Müşteriler
- veri
- veri analizi
- veri bilimi
- veri bilimcisi
- teslim edilen
- teslim
- teslim
- Talep
- talepleri
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- dağıtımları
- tarif edilen
- tasarımlar
- ayrıntı
- ayrıntılar
- gelişmiş
- Geliştirici
- geliştiriciler
- gelişen
- gelişme
- farklı
- zor
- dijital
- direkt olarak
- dağıtıldı
- Dağıtılmış bilgi işlem
- liman işçisi
- Değil
- aşağı
- sürme
- kolayca
- verimli
- çabaları
- ayrıntılı
- etkinleştirmek
- Son nokta
- mühendis
- Mühendislik
- Mühendisler
- kuruluş
- çevre
- tahmini
- değerlendirme
- gelişmek
- örnek
- infaz
- mevcut
- deneyim
- Özellikler(Hazırlık aşamasında)
- Özellikler
- geribesleme
- mali
- finansal hizmetler
- Ad
- sabit
- Esneklik
- odak
- takip et
- takip etme
- ayak izi
- Airdrop Formu
- iskelet
- işlevsellik
- gelecek
- Git
- yönetim
- grup
- Grubun
- Rehberler
- mutlu
- yardım et
- yardımcı olur
- Yüksek
- Ne kadar
- HTTPS
- Kimlik
- uygulama
- gelişmiş
- dahil
- dahil
- içerir
- artmış
- Endüstri
- sanayi
- bilgi
- Altyapı
- Yenilikçilik
- yenilikçi
- Kurumsal
- entegre
- entegre
- ilgi alanları
- arayüzey
- Internet
- ilgili
- sorunlar
- IT
- Mesleki Öğretiler
- anahtar
- anahtarlar
- bilgi
- büyük
- son
- öncülük etmek
- ÖĞRENİN
- öğrenme
- Led
- leverages
- kaldıraç
- Kütüphane
- Sınırlı
- çizgi
- bağlayıcı
- yerel
- makine
- makine öğrenme
- yapılmış
- büyük
- YAPAR
- yönetmek
- yönetilen
- yönetim
- yönetme
- tavır
- Manuel
- Mesele
- olgunluk
- anlam
- Üyeler
- Metrikleri
- milyon
- akla
- ML
- model
- modelleri
- izleme
- ay
- Daha
- hareket
- hareketli
- çoklu
- isimleri
- ağ
- Yeni Özellikler
- Yeni Platform
- yeni ürün
- Yeni ürünler
- numara
- sunulan
- çevrimdışı
- Onboarding
- Online
- açık
- Operasyon
- optimize
- kuruluşlar
- Diğer
- tüm
- kendi
- belirli
- ortaklık
- tutkulu
- model
- performans
- fotoğrafçılık
- pilot
- platform
- Platformlar
- oynama
- politikaları
- politika
- portföy
- dosyalarını
- prensip
- özel
- Özel Anahtarlar
- süreç
- Süreçler
- PLATFORM
- üretim
- verimlilik
- Ürünler
- profesyonel
- Profil
- Profiller
- proje
- Projeler
- tanıtım
- sağlamak
- sağlar
- sağlama
- halka açık
- kalite
- Hızlı
- hızla
- Okuma
- azaltmak
- azaltarak
- düzenleyici
- ilişki
- serbest
- serbest
- Bildirileri
- güven
- Raporlar
- Depo
- gerektirir
- gereklidir
- Yer Alan Kurallar
- kaynak
- Kaynaklar
- DİNLENME
- Sonuçlar
- yorum
- Rota
- koşmak
- koşu
- ölçeklenebilirlik
- ölçeklenebilir
- ölçek
- Sahneler
- Bilim
- bilim adamı
- bilim adamları
- sdk
- güvenli
- güvenlik
- seçilmiş
- Dizi
- hizmet
- Hizmetler
- set
- kurulum
- paylaş
- Paylaşılan
- önemli
- benzer şekilde
- Basit
- So
- Software
- Yazılım Mühendisi
- yazılım Mühendisliği
- çözüm
- Çözümler
- geçirmek
- istikrar
- yığın
- standart
- start-up
- başladı
- Eyalet
- ifadeleri
- Durum
- hafızası
- Stratejik
- Stratejileri
- stüdyo
- destek
- Destekler
- sürdürülebilir
- sistem
- Sistemler
- görevleri
- takım
- Teknik
- Teknolojileri
- Teknoloji
- şablonları
- test
- Test yapmak
- testleri
- eklem
- tema
- bu nedenle
- İçinden
- zaman
- araç
- karşı
- Takip
- trafik
- Eğitim
- Dönüştürmek
- Dönüşüm
- transit
- seyahat
- Seyahat
- Güven
- ui
- Uk
- Güncellemeler
- kullanım
- kullanıcılar
- kullanmak
- Kullanılması
- çeşitlilik
- Görüntüle
- Sanal
- görünürlük
- Web tabanlı
- olup olmadığını
- süre
- DSÖ
- içinde
- olmadan
- İş
- işlenmiş
- çalışma
- egzersiz yapmak
- çalışır
- Dünya