Amazon Forecast ve Amazon SageMaker özel modelleri ile Bosch'ta büyük ölçekli gelir tahmini

Bu yazı, Bosch Yapay Zeka Merkezi'nden (BCAI) Göktuğ Çınar, Michael Binder ve Adrian Horvath tarafından ortaklaşa yazılmıştır.

Gelir tahmini, çoğu kuruluşta stratejik iş kararları ve mali planlama için zorlu ancak çok önemli bir görevdir. Çoğu zaman, gelir tahmini, finansal analistler tarafından manuel olarak gerçekleştirilir ve hem zaman alıcı hem de özneldir. Bu tür manuel çabalar, çok çeşitli ürün grupları ve coğrafi alanlarda birden fazla ayrıntı düzeyinde gelir tahminleri gerektiren büyük ölçekli, çok uluslu ticari kuruluşlar için özellikle zorludur. Bu, tahminlerin yalnızca doğruluğunu değil, aynı zamanda hiyerarşik tutarlılığını da gerektirir.

Bosch otomotiv, endüstriyel çözümler ve tüketim malları dahil olmak üzere birden fazla sektörde faaliyet gösteren çok uluslu bir şirkettir. Doğru ve tutarlı gelir tahmininin sağlıklı iş operasyonları üzerindeki etkisi göz önüne alındığında, Bosch Yapay Zeka Merkezi (BCAI), finansal planlama süreçlerinin verimliliğini ve doğruluğunu artırmak için makine öğrenimi (ML) kullanımına yoğun bir şekilde yatırım yapmaktadır. Amaç, endüstri ve alan bilgilerini kullanan finansal analistlerin ihtiyaç duyduğu yalnızca ara sıra ayarlamalar yaparak, makine öğrenimi aracılığıyla makul temel gelir tahminleri sağlayarak manuel süreçleri hafifletmektir.

Bu hedefe ulaşmak için BCAI, çok çeşitli temel modellerin özelleştirilmiş toplulukları aracılığıyla büyük ölçekli hiyerarşik tahminler sağlayabilen bir dahili tahmin çerçevesi geliştirmiştir. Bir meta-öğrenici, her bir zaman serisinden çıkarılan özelliklere dayalı olarak en iyi performans gösteren modelleri seçer. Daha sonra, toplu tahmini elde etmek için seçilen modellerden gelen tahminlerin ortalaması alınır. Mimari tasarım, ek modellerin dahil edilmesi yoluyla sürekli performans iyileştirmesine izin veren REST tarzı bir arabirimin uygulanması yoluyla modülerleştirilir ve genişletilebilir.

BCAI ile ortak oldu Amazon ML Çözümleri Laboratuvarı (MLSL), gelir tahmini için derin sinir ağı (DNN) tabanlı modellerdeki en son gelişmeleri dahil etmek. Nöral tahmincilerdeki son gelişmeler, birçok pratik tahmin problemi için en gelişmiş performansı göstermiştir. Geleneksel tahmin modelleriyle karşılaştırıldığında, birçok sinirsel tahminci, zaman serisinin ek değişkenlerini veya meta verilerini içerebilir. Kullanıma hazır iki model olan CNN-QR ve DeepAR+'ı dahil ediyoruz. Amazon Tahminikullanılarak eğitilmiş özel bir Transformer modelinin yanı sıra Amazon Adaçayı Yapıcı. Üç model, sinirsel tahmincilerde sıklıkla kullanılan kodlayıcı omurgalarının temsili bir setini kapsar: konvolüsyonel sinir ağı (CNN), sıralı tekrarlayan sinir ağı (RNN) ve transformatör tabanlı kodlayıcılar.

BCAI-MLSL ortaklığının karşılaştığı en önemli zorluklardan biri, küresel kurumsal finansal sonuçlar üzerinde büyük dalgalanmalara neden olan benzeri görülmemiş bir küresel olay olan COVID-19'un etkisi altında sağlam ve makul tahminler sağlamaktı. Sinirsel tahminciler geçmiş veriler üzerinde eğitildiğinden, daha değişken dönemlerden dağıtım dışı verilere dayalı olarak oluşturulan tahminler yanlış ve güvenilmez olabilir. Bu nedenle, bu sorunu çözmek için Transformer mimarisine maskeli dikkat mekanizmasının eklenmesini önerdik.

Nöral tahminciler, tek bir topluluk modeli olarak gruplanabilir veya Bosch'un model evrenine ayrı ayrı dahil edilebilir ve REST API uç noktaları aracılığıyla kolayca erişilebilir. Geriye dönük test sonuçları aracılığıyla sinirsel tahmincileri bir araya getirmek için zaman içinde rekabetçi ve sağlam performans sağlayan bir yaklaşım öneriyoruz. Ek olarak, tahminlerin ürün grupları, coğrafyalar ve ticari kuruluşlar arasında tutarlı bir şekilde toplanmasını sağlamak için bir dizi klasik hiyerarşik uzlaşma tekniğini araştırdık ve değerlendirdik.

Bu gönderide, aşağıdakileri gösteriyoruz:

• Hiyerarşik, büyük ölçekli zaman serisi tahmin sorunları için Forecast ve SageMaker özel model eğitimi nasıl uygulanır?
• Forecast'ten hazır modellerle özel modeller nasıl birleştirilir
• COVID-19 gibi yıkıcı olayların tahmin sorunları üzerindeki etkisi nasıl azaltılır?
• AWS'de uçtan uca tahmin iş akışı nasıl oluşturulur?

Zorluklar

İki zorluğu ele aldık: hiyerarşik, büyük ölçekli gelir tahmini oluşturma ve COVID-19 pandemisinin uzun vadeli tahmin üzerindeki etkisi.

Hiyerarşik, büyük ölçekli gelir tahmini

Finansal analistler, gelir, operasyonel maliyetler ve Ar-Ge harcamaları dahil olmak üzere önemli finansal rakamları tahmin etmekle görevlendirilir. Bu ölçümler, farklı toplama seviyelerinde iş planlaması içgörüleri sağlar ve veriye dayalı karar vermeyi mümkün kılar. Herhangi bir otomatik tahmin çözümünün, herhangi bir keyfi iş kolu toplama düzeyinde tahminler sağlaması gerekir. Bosch'ta toplamalar, daha genel bir hiyerarşik yapı biçimi olarak gruplandırılmış zaman serileri olarak hayal edilebilir. Aşağıdaki şekil, Bosch'taki hiyerarşik gelir tahmini yapısını taklit eden iki seviyeli bir yapıya sahip basitleştirilmiş bir örneği göstermektedir. Toplam gelir, ürüne ve bölgeye göre birden çok toplama düzeyine bölünür.

Bosch'ta tahmin edilmesi gereken toplam zaman serisi sayısı milyonlar ölçeğinde. Üst düzey zaman serilerinin, alt düzey tahminlere giden birden çok yol oluşturarak ürünlere veya bölgelere göre bölünebileceğine dikkat edin. Gelirin, gelecek 12 aylık bir tahmin ufku ile hiyerarşideki her düğümde tahmin edilmesi gerekir. Aylık geçmiş veriler mevcuttur.

Hiyerarşik yapı, bir toplama matrisinin notasyonu ile aşağıdaki form kullanılarak temsil edilebilir. S (Hyndman ve Athanasopoulos):

Bu denklemde Y aşağıdakine eşittir:

Burada, b zamanda en alt seviye zaman serisini temsil eder t.

COVID-19 salgınının etkileri

COVID-19 pandemisi, iş ve sosyal hayatın neredeyse tüm yönleri üzerindeki yıkıcı ve benzeri görülmemiş etkileri nedeniyle tahmin için önemli zorluklar getirdi. Uzun vadeli gelir tahmini için, aksama aynı zamanda beklenmedik aşağı yönlü etkiler de getirdi. Bu sorunu göstermek için aşağıdaki şekil, ürün gelirinin pandeminin başlangıcında önemli bir düşüş yaşadığı ve sonrasında kademeli olarak toparlandığı örnek bir zaman serisini göstermektedir. Tipik bir sinirsel tahmin modeli, tarihsel bağlam girdisi olarak dağıtım dışı (OOD) COVID dönemi de dahil olmak üzere gelir verilerini ve model eğitimi için temel gerçeği alacaktır. Sonuç olarak, üretilen tahminler artık güvenilir değil.

Modelleme yaklaşımları

Bu bölümde, çeşitli modelleme yaklaşımlarımızı tartışıyoruz.

Amazon Tahmini

Tahmin, önceden yapılandırılmış, son teknoloji zaman serisi tahmin modelleri sağlayan, AWS'nin tam olarak yönetilen bir AI/ML hizmetidir. Bu teklifleri, otomatikleştirilmiş hiperparametre optimizasyonu, topluluk modelleme (Forecast tarafından sağlanan modeller için) ve olasılıksal tahmin oluşturma için dahili yetenekleriyle birleştirir. Bu, özel veri kümelerini kolayca almanıza, verileri önceden işlemenize, tahmin modellerini eğitmenize ve sağlam tahminler oluşturmanıza olanak tanır. Hizmetin modüler tasarımı ayrıca paralel olarak geliştirilen ek özel modellerden gelen tahminleri kolayca sorgulamamızı ve birleştirmemizi sağlar.

Tahminden iki sinirsel tahminciyi dahil ediyoruz: CNN-QR ve DeepAR+. Her ikisi de, tüm zaman serisi veri kümesi için küresel bir model eğiten denetimli derin öğrenme yöntemleridir. Hem CNNQR hem de DeepAR+ modelleri, bizim durumumuzda karşılık gelen ürün, bölge ve iş organizasyonu olan her zaman serisi hakkında statik meta veri bilgilerini alabilir. Ayrıca, modele girdinin bir parçası olarak yılın ayı gibi zamansal özellikleri otomatik olarak eklerler.

COVID için dikkat maskeli transformatör

Transformatör mimarisi (Vaswani ve ark.), orijinal olarak doğal dil işleme (NLP) için tasarlanmış, son zamanlarda zaman serisi tahmini için popüler bir mimari seçim olarak ortaya çıkmıştır. Burada, açıklanan Transformer mimarisini kullandık. Zhou vd. olasılıklı günlük seyrek dikkat olmadan. Model, bir kodlayıcı ve bir kod çözücüyü birleştirerek tipik bir mimari tasarımı kullanır. Gelir tahmini için, kod çözücüyü otoregresif bir şekilde her ay tahmin oluşturmak yerine doğrudan 12 aylık ufkun tahminini çıkaracak şekilde yapılandırırız. Zaman serisinin sıklığına bağlı olarak, girdi değişkeni olarak yılın ayı gibi zamanla ilgili ek özellikler eklenir. Meta bilgileri (ürün, bölge, iş organizasyonu) tanımlayan ek kategorik değişkenler, eğitilebilir bir gömme katmanı aracılığıyla ağa beslenir.

Aşağıdaki şema, Transformer mimarisini ve dikkat maskeleme mekanizmasını göstermektedir. OOD verilerinin tahminleri etkilemesini önlemek için turuncu renkle vurgulandığı gibi tüm kodlayıcı ve kod çözücü katmanlarına dikkat maskeleme uygulanır.

Dikkat maskeleri ekleyerek OOD bağlam pencerelerinin etkisini azaltıyoruz. Model, maskeleme yoluyla aykırı değerler içeren COVID dönemine çok az dikkat gösterecek şekilde eğitilmiştir ve maskelenmiş bilgilerle tahmin gerçekleştirmektedir. Dikkat maskesi, kod çözücü ve kodlayıcı mimarisinin her katmanına uygulanır. Maskelenmiş pencere, manuel olarak veya bir aykırı değer algılama algoritması aracılığıyla belirtilebilir. Ek olarak, eğitim etiketleri olarak aykırı değerleri içeren bir zaman penceresi kullanıldığında, kayıplar geriye yayılmaz. Bu dikkat maskelemeye dayalı yöntem, diğer nadir olaylardan kaynaklanan aksaklıkları ve OOD vakalarını ele almak ve tahminlerin sağlamlığını artırmak için uygulanabilir.

Model topluluğu

Model topluluğu, tahmin için genellikle tekli modellerden daha iyi performans gösterir; modelin genelleştirilebilirliğini geliştirir ve periyodiklik ve aralıklılık açısından değişen özelliklere sahip zaman serisi verilerini işlemede daha iyidir. Model performansını ve tahminlerin sağlamlığını geliştirmek için bir dizi model topluluğu stratejisini dahil ediyoruz. Derin öğrenme modeli topluluğunun yaygın bir biçimi, farklı rasgele ağırlık başlatmaları ile model çalıştırmalarından veya farklı eğitim dönemlerinden elde edilen sonuçları toplamaktır. Transformer modeli için tahminler elde etmek için bu stratejiyi kullanıyoruz.

Transformer, CNNQR ve DeepAR+ gibi farklı model mimarilerinin üzerine daha fazla bir topluluk oluşturmak için, geriye dönük test sonuçlarına dayalı olarak her zaman serisi için en iyi performans gösteren modelleri seçen bir pan-model topluluk stratejisi kullanıyoruz ve onların sonuçlarını elde ediyoruz. ortalamalar. Geriye dönük test sonuçları doğrudan eğitilmiş Tahmin modellerinden dışa aktarılabildiğinden, bu strateji, Transformer gibi özel modellerden elde edilen iyileştirmelerle Tahmin gibi anahtar teslim hizmetlerden yararlanmamızı sağlar. Böyle bir uçtan uca model topluluğu yaklaşımı, model seçimi için bir meta-öğrenicinin eğitimini veya zaman serisi özelliklerinin hesaplanmasını gerektirmez.

hiyerarşik uzlaşma

Çerçeve, aşağıdan yukarıya (BU), tahmin oranlarıyla yukarıdan aşağıya mutabakat (TDFP), olağan en küçük kare (OLS) ve ağırlıklı en küçük kare ( WLS). Bu gönderideki tüm deneysel sonuçlar, tahmin oranlarıyla yukarıdan aşağıya mutabakat kullanılarak rapor edilir.

Mimariye genel bakış

Forecast, SageMaker, Amazon Basit Depolama Hizmeti (Amazon S3), AWS Lambda, AWS Basamak İşlevleri, ve AWS Bulut Geliştirme Kiti (AWS CDK'sı). Dağıtılan çözüm, aşağıdakileri kullanarak bir REST API aracılığıyla bireysel zaman serisi tahminleri sağlar: Amazon API Ağ Geçidi, sonuçları önceden tanımlanmış JSON biçiminde döndürerek.

Aşağıdaki şema, uçtan uca tahmin iş akışını göstermektedir.

Mimari için önemli tasarım konuları çok yönlülük, performans ve kullanıcı dostu olmadır. Sistem, geliştirme ve dağıtım sırasında çok çeşitli algoritmaları minimum gerekli değişikliklerle birleştirmek için yeterince çok yönlü olmalı ve gelecekte yeni algoritmalar eklenirken kolayca genişletilebilir. Sistem ayrıca eğitim süresini azaltmak ve en son tahminleri daha hızlı elde etmek için minimum ek yük eklemeli ve hem Forecast hem de SageMaker için paralelleştirilmiş eğitimi desteklemelidir. Son olarak, sistem deney amacıyla kullanımı basit olmalıdır.

Uçtan uca iş akışı sırayla aşağıdaki modüllerden geçer:

1. Veri yeniden biçimlendirme ve dönüştürme için bir ön işleme modülü
2. SageMaker'da hem Tahmin modelini hem de özel modeli içeren bir model eğitim modülü (her ikisi de paralel olarak çalışır)
3. Model topluluğu, hiyerarşik mutabakat, metrikler ve rapor oluşturmayı destekleyen bir son işleme modülü

Step Functions, iş akışını bir durum makinesi olarak uçtan uca düzenler ve düzenler. Durum makinesi çalıştırması, Amazon S3'teki geçmiş gelir CSV dosyalarının konumu, tahmini başlangıç ​​zamanı ve uçtan uca iş akışını çalıştırmak için model hiper parametre ayarları dahil olmak üzere gerekli tüm bilgileri içeren bir JSON dosyasıyla yapılandırılır. Durum makinesinde model eğitimini Lambda işlevlerini kullanarak paralel hale getirmek için zaman uyumsuz çağrılar oluşturulur. Tüm geçmiş veriler, yapılandırma dosyaları, tahmin sonuçları ve ayrıca geriye dönük test sonuçları gibi ara sonuçlar Amazon S3'te depolanır. REST API, tahmin sonuçlarını sorgulamak için sorgulanabilir bir arayüz sağlamak üzere Amazon S3'ün üzerine inşa edilmiştir. Sistem, yeni tahmin modellerini ve tahmin görselleştirme raporları oluşturma gibi destekleyici işlevleri içerecek şekilde genişletilebilir.

Değerlendirme

Bu bölümde, deney kurulumunu detaylandırıyoruz. Anahtar bileşenler, veri kümesini, değerlendirme ölçümlerini, geriye dönük test pencerelerini ve model kurulumu ve eğitimini içerir.

Veri kümesi

Anlamlı bir veri kümesi kullanırken Bosch'un finansal gizliliğini korumak için, Bosch'taki bir iş biriminden elde edilen gerçek dünya gelir veri kümesine benzer istatistiksel özelliklere sahip sentetik bir veri kümesi kullandık. Veri kümesi, Ocak 1,216'dan Nisan 2016'ye kadar aylık bir sıklıkta kaydedilen gelirle birlikte toplam 2022 zaman serisi içerir. Veri kümesi, temsil edilen ilgili gruplandırılmış zaman serisi yapısıyla en ayrıntılı düzeyde (alt zaman serisi) 877 zaman serisiyle sunulur. bir toplama matrisi S olarak. Her bir zaman serisi, gerçek veri kümesindeki (sentetik verilerde anonimleştirilmiş) ürün kategorisine, bölgeye ve organizasyon birimine karşılık gelen üç statik kategorik öznitelikle ilişkilendirilir.

Değerlendirme ölçütleri

Model performansını değerlendirmek ve Bosch'ta kullanılan standart metrikler olan karşılaştırmalı analiz yapmak için medyan-Ortalama Arktanjant Mutlak Yüzde Hatası (medyan-MAAPE) ve ağırlıklı-MAAPE kullanıyoruz. MAAPE, iş bağlamında yaygın olarak kullanılan Ortalama Mutlak Yüzde Hatası (MAPE) metriğinin eksikliklerini giderir. Medyan-MAAPE, her bir zaman serisinde ayrı ayrı hesaplanan MAAPE'lerin medyanını hesaplayarak model performansına genel bir bakış sunar. Weighted-MAAPE, bireysel MAAPE'lerin ağırlıklı bir kombinasyonunu bildirir. Ağırlıklar, tüm veri kümesinin toplam gelirine kıyasla her bir zaman serisi için gelirin oranıdır. Ağırlıklı-MAAPE, tahmin doğruluğunun aşağı yönlü iş etkilerini daha iyi yansıtır. Her iki metrik de 1,216 zaman serisinin tüm veri setinde rapor edilir.

Geri test pencereleri

Model performansını karşılaştırmak için 12 aylık geriye dönük test pencerelerini kullanıyoruz. Aşağıdaki şekil, deneylerde kullanılan geriye dönük test pencerelerini gösterir ve eğitim ve hiper parametre optimizasyonu (HPO) için kullanılan ilgili verileri vurgular. COVID-19 başladıktan sonra geriye dönük test pencereleri için sonuç, gelir zaman serilerinden gözlemlediklerimize göre Nisan-Mayıs 2020 arasındaki OOD girdilerinden etkilenir.

Model kurulumu ve eğitimi

Transformer eğitimi için, nicel kayıp kullandık ve her zaman serisini, Transformer'a beslemeden ve eğitim kaybını hesaplamadan önce tarihsel ortalama değerini kullanarak ölçeklendirdik. Nihai tahminler, doğruluk metriklerini hesaplamak için, şurada uygulanan MeanScaler kullanılarak yeniden ölçeklendirilir. Gluon TS. Temmuz 18'den Haziran 2018'a kadar geriye dönük test penceresinde HPO aracılığıyla seçilen, son 2019 aya ait aylık gelir verilerini içeren bir bağlam penceresi kullanıyoruz. Statik kategorik değişkenler biçimindeki her bir zaman serisi hakkında ek meta veriler, bir yerleştirme yoluyla modele beslenir. trafo katmanlarına beslemeden önce katman. Transformer'ı beş farklı rasgele ağırlık başlatma ile eğitiyoruz ve toplam ortalama 15 model olmak üzere her çalıştırma için son üç çağdan gelen tahmin sonuçlarının ortalamasını alıyoruz. Beş model eğitim çalışması, eğitim süresini azaltmak için paralel hale getirilebilir. Maskeli Transformatör için Nisan-Mayıs 2020 aylarını aykırı değerler olarak belirtiyoruz.

Tüm Forecast model eğitimleri için, eğitim ve HPO için kullanılan veri penceresinde son 12 aya ayarlanan, kullanıcı tanımlı bir backtest periyoduna göre model ve eğitim parametrelerini seçebilen otomatik HPO'yu etkinleştirdik.

Deneme sonuçları

Aynı hiperparametre setini kullanarak maskeli ve maskesiz Transformatörleri eğittik ve COVID-19 şokundan hemen sonra arka test pencereleri için performanslarını karşılaştırdık. Maskeli Transformer'da, iki maskeli ay Nisan ve Mayıs 2020'dir. Aşağıdaki tablo, Haziran 12'den başlayarak 2020 aylık tahmin pencereleriyle bir dizi geriye dönük test döneminden elde edilen sonuçları göstermektedir. Maskeli Transformer'ın sürekli olarak maskelenmemiş sürümden daha iyi performans gösterdiğini görebiliriz. .

Ayrıca geriye dönük test sonuçlarına dayalı olarak model topluluğu stratejisi üzerinde değerlendirme yaptık. Özellikle, yalnızca en iyi performans gösteren model seçildiğinde ve en iyi iki performans gösteren model seçildiğinde iki durumu karşılaştırırız ve tahminlerin ortalama değeri hesaplanarak model ortalaması alınır. Aşağıdaki şekillerde temel modellerin ve topluluk modellerinin performansını karşılaştırıyoruz. Sinirsel tahmincilerin hiçbirinin, geriye dönük test pencereleri için sürekli olarak diğerlerinden daha iyi performans göstermediğine dikkat edin.

Aşağıdaki tablo, ortalama olarak, ilk iki modelin toplu modellemesinin en iyi performansı verdiğini göstermektedir. CNNQR ikinci en iyi sonucu sağlar.

Sonuç

Bu gönderi, Forecast ile SageMaker'da eğitilmiş özel bir modeli birleştiren büyük ölçekli tahmin sorunları için uçtan uca bir ML çözümünün nasıl oluşturulacağını gösterdi. İş gereksinimlerinize ve makine öğrenimi bilginize bağlı olarak, bir tahmin modelinin oluşturma, eğitme ve devreye alma sürecini boşaltmak için Tahmin gibi tam olarak yönetilen bir hizmeti kullanabilirsiniz; SageMaker ile özel modelinizi belirli ayar mekanizmalarıyla oluşturun; veya iki hizmeti birleştirerek model birleştirme gerçekleştirin.

Ürün ve hizmetlerinizde ML kullanımını hızlandırmak için yardım almak isterseniz, lütfen bizimle iletişime geçin. Amazon ML Çözümleri Laboratuvarı programı.

Referanslar

Hyndman RJ, Athanasopoulos G. Tahmin: ilkeler ve uygulama. OText'ler; 2018 Mayıs 8

Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Tüm ihtiyacınız olan dikkat. Sinirsel bilgi işleme sistemlerindeki gelişmeler. 2017;30.

Zhou H, Zhang S, Peng J, Zhang S, Li J, Xiong H, Zhang W. Informer: Uzun dizi zaman serisi tahmini için verimli transformatörün ötesinde. AAAI 2021'in Bildirileri 2 Şubat.

---

Yazarlar Hakkında

Göktuğ Çınar önde gelen bir makine öğrenimi bilimcisi ve Robert Bosch LLC ve Bosch Yapay Zeka Merkezi'nde makine öğrenimi ve istatistik tabanlı tahminin teknik lideridir. Tahmin modelleri, hiyerarşik konsolidasyon ve model birleştirme tekniklerinin yanı sıra bu modelleri ölçeklendiren ve bunlara dahili uçtan uca finansal tahmin yazılımının bir parçası olarak hizmet eden yazılım geliştirme ekibinin araştırmasını yönetir.

Michael Ciltçi Bosch Global Services'de ürün sahibidir ve burada finansal kilit rakamların büyük ölçekli, otomatikleştirilmiş veri odaklı tahmini için şirket çapında tahmine dayalı analitik uygulamasının geliştirilmesini, devreye alınmasını ve uygulanmasını koordine eder.

Adrian Horvath Çeşitli tahmin modellerine dayalı tahminler oluşturmak için sistemler geliştirdiği ve bakımını yaptığı Bosch Yapay Zeka Merkezi'nde Yazılım Geliştiricisidir.

Panpan Xu AWS'de Amazon ML Çözümleri Laboratuvarı'nda Kıdemli Uygulamalı Bilim Adamı ve Yöneticidir. Yapay zeka ve bulut benimsemelerini hızlandırmak için çeşitli endüstriyel sektörlerde yüksek etkili müşteri uygulamaları için Makine Öğrenimi algoritmalarının araştırılması ve geliştirilmesi üzerinde çalışıyor. Araştırma ilgi alanları arasında model yorumlanabilirliği, nedensel analiz, döngüde insan yapay zekası ve etkileşimli veri görselleştirme yer almaktadır.

Jasleen Grewal Amazon Web Services'de Uygulamalı Bilim Adamıdır ve burada AWS müşterileriyle birlikte çalışarak makine öğrenimini kullanarak gerçek dünyadaki sorunları hassas tıp ve genomik üzerine odaklanarak çözmektedir. Biyoinformatik, onkoloji ve klinik genomik alanlarında güçlü bir geçmişe sahiptir. Hasta bakımını iyileştirmek için AI/ML ve bulut hizmetlerini kullanma konusunda tutkulu.

Selvan Senthivel AWS'deki Amazon ML Çözümleri Laboratuvarı'nda Kıdemli Makine Öğrenimi Mühendisidir ve müşterilere makine öğrenimi, derin öğrenme sorunları ve uçtan uca makine öğrenimi çözümleri konusunda yardımcı olmaya odaklanır. Amazon Comprehend Medical'in kurucu mühendislik lideriydi ve birden fazla AWS AI hizmetinin tasarımına ve mimarisine katkıda bulundu.

Yıkım Zhang AWS'de Amazon ML Solutions Lab ile bir SDE'dir. Ortak iş sorunlarına yönelik çözümler oluşturarak müşterilerin AWS AI hizmetlerini benimsemesine yardımcı olur.

shane rai AWS'de Amazon ML Çözümleri Laboratuvarı'nda Kıdemli Makine Öğrenimi Stratejistidir. AWS'nin geniş bulut tabanlı AI/ML hizmetlerini kullanarak en acil ve yenilikçi iş ihtiyaçlarını çözmek için çeşitli sektörlerdeki müşterilerle birlikte çalışır.

Lin Lee Cheong AWS'de Amazon ML Çözümleri Laboratuvarı ekibinde Uygulamalı Bilim Yöneticisidir. Yeni içgörüler keşfetmek ve karmaşık sorunları çözmek için yapay zeka ve makine öğrenimini keşfetmek ve uygulamak için stratejik AWS müşterileriyle birlikte çalışır.