Cách Yara đang sử dụng các tính năng MLOps của Amazon SageMaker để mở rộng quy mô tối ưu hóa năng lượng trên các nhà máy amoniac của họ

Yara là công ty dinh dưỡng cây trồng hàng đầu thế giới và là nhà cung cấp các giải pháp môi trường và nông nghiệp. Tham vọng của Yara tập trung vào việc phát triển một tương lai thực phẩm tích cực với thiên nhiên, tạo ra giá trị cho khách hàng, cổ đông và xã hội nói chung, đồng thời mang lại chuỗi giá trị thực phẩm bền vững hơn. Ủng hộ tầm nhìn của chúng ta về một thế giới không còn nạn đói và một hành tinh được tôn trọng, Yara theo đuổi chiến lược tăng trưởng giá trị bền vững, thúc đẩy dinh dưỡng cây trồng thân thiện với khí hậu và các giải pháp năng lượng không phát thải. Yara cũng là nhà sản xuất amoniac, nitrat và NPK phân bón. Do đó, phân khúc sản xuất của họ là một khối xây dựng không thể thiếu để thực hiện sứ mệnh của họ—với tham vọng được nêu rõ ràng là trở thành công ty hàng đầu thế giới về các chỉ số như an toàn, tác động đến môi trường, chất lượng và chi phí sản xuất. Mục tiêu dài hạn của Yara là “Nhà máy của tương lai” không phát thải và chi phí thấp.

Dựa trên quá trình chuyển đổi tinh gọn, Yara tăng cường tập trung vào các giải pháp kỹ thuật số để giúp họ đạt được tham vọng của mình. Để dẫn đầu nỗ lực này, Yara đã thành lập một đơn vị toàn cầu có tên là Sản xuất kỹ thuật số. Thành công của Sản xuất kỹ thuật số và các giải pháp của nó là ưu tiên chính của Yara và Yara đã tăng cường đáng kể nỗ lực của mình trong lĩnh vực này. Một lĩnh vực trọng tâm quan trọng là tận dụng lượng dữ liệu khổng lồ được tạo ra như một phần trong hoạt động của họ. Do đó, Yara đang xây dựng các sản phẩm dựa trên dữ liệu giúp họ tối ưu hóa sản xuất, tăng chất lượng sản phẩm, tăng độ tin cậy của các địa điểm sản xuất, giảm khí thải, tăng độ an toàn và năng suất của người lao động, tự động hóa các quy trình thủ công, v.v.

Năng lượng là một thành phần chi phí chính cho nhiều nhà máy sản xuất; do đó, hiệu quả năng lượng có tác động đáng kể đến lợi nhuận. Tuy nhiên, thường thiếu các tài liệu tham khảo chắc chắn về hiệu suất tốt trông như thế nào và làm thế nào để đạt được điều đó. Đường cong tải năng lượng (ELC) của Yara là một giải pháp sử dụng hiệu suất lịch sử tốt nhất về mức tiêu thụ năng lượng so với hiệu suất hiện tại. Nếu mức tiêu thụ hiện tại chênh lệch quá nhiều so với mức tốt nhất trong lịch sử, thì công cụ này sẽ đưa ra khuyến nghị cho người vận hành để điều chỉnh mức tiêu thụ năng lượng.

Để triển khai ELC cho các nhà máy sản xuất và mở rộng quy mô cho nhiều địa điểm trên toàn cầu, Yara cần xây dựng một nền tảng MLOps. Điều này sẽ đảm bảo Yara sẽ đào tạo, triển khai và duy trì các mô hình một cách đáng tin cậy và hiệu quả. Ngoài ra, để mở rộng quy mô này cho nhiều trang web, Yara cần tự động hóa quy trình triển khai và bảo trì. Trong bài đăng này, chúng tôi thảo luận về cách Yara đang sử dụng Amazon SageMaker các tính năng, bao gồm đăng ký mô hình, Giám sát mô hình Amazon SageMakervà Đường ống Amazon SageMaker để hợp lý hóa vòng đời của máy học (ML) bằng cách tự động hóa và chuẩn hóa các phương pháp MLOps. Chúng tôi cung cấp thông tin tổng quan về quá trình thiết lập, giới thiệu quy trình xây dựng, đào tạo, triển khai và giám sát các mô hình ML cho các nhà máy trên toàn cầu.

Tổng quan về giải pháp

ELC sử dụng dữ liệu cảm biến Internet of Things (IoT) từ một nhà máy. Các cảm biến này đo lường các chỉ số như năng suất sản xuất, điều kiện môi trường xung quanh và điều kiện nguyên liệu thô, v.v. Dữ liệu này được sử dụng để đào tạo mô hình dự đoán năng lượng, sau đó được sử dụng để tạo dự đoán hàng giờ. Người vận hành nhà máy theo dõi mức tiêu thụ năng lượng thực tế và so sánh nó với mức tiêu thụ tối ưu theo dự đoán của ELC. Nếu mức tiêu thụ năng lượng hiện tại sai lệch quá nhiều so với điểm tối ưu, ELC cung cấp một hành động để điều chỉnh các biến quy trình nội bộ nhằm tối ưu hóa hiệu quả năng lượng dựa trên các mô hình phân tích.

ELC được lưu trữ trên đám mây. Để truyền dữ liệu cảm biến từ nhà máy theo thời gian thực, Yara sử dụng Cỏ xanh AWS IoT để giao tiếp an toàn với Lõi AWS IoT và xuất dữ liệu IoT sang đám mây AWS. AWS IoT SiteWise là một dịch vụ được quản lý có thể thu thập, sắp xếp, tìm kiếm và tiêu thụ dữ liệu thiết bị từ thiết bị công nghiệp trên quy mô lớn. Yara đã xây dựng các API bằng cách sử dụng Cổng API Amazon để hiển thị dữ liệu cảm biến cho các ứng dụng như ELC.

Chương trình phụ trợ ứng dụng ELC được triển khai thông qua Amazon ECS và cung cấp năng lượng cho bảng thông tin ELC ở giao diện người dùng được người vận hành nhà máy sử dụng. Ứng dụng ELC chịu trách nhiệm cung cấp các chỉ số tiêu thụ năng lượng dự đoán hàng giờ cho người vận hành nhà máy. Mỗi nhà máy được trang bị một mô hình riêng vì đặc điểm tiêu thụ năng lượng của chúng khác nhau. Hơn nữa, các nhà máy được nhóm vào các Khu vực AWS khác nhau dựa trên vị trí của chúng.

Sơ đồ sau minh họa kiến ​​trúc này.

Để xây dựng ELC và mở rộng quy mô cho nhiều nhà máy, chúng tôi cần một giải pháp MLOps hỗ trợ những điều sau:

• khả năng mở rộng – Nó có thể mở rộng quy mô để đáp ứng với khối lượng dữ liệu. Một số nhà máy tạo ra nhiều dữ liệu hơn những nhà máy khác; mỗi nhà máy có thể tạo ra vài gigabyte dữ liệu mỗi ngày.
• Khả năng mở rộng – Nó có thể triển khai đến các Khu vực và tài khoản mới.
• Độ lặp lại – Nó có các mẫu phổ biến mà chúng ta có thể sử dụng để đưa vào một nhà máy mới.
• Linh hoạt – Nó có thể thay đổi cấu hình triển khai dựa trên nhu cầu của từng nhà máy.
• Độ tin cậy và giám sát – Nó có thể chạy thử nghiệm và có khả năng hiển thị rõ ràng về trạng thái của tất cả các nhà máy đang hoạt động. Trong trường hợp thất bại, nó có thể quay trở lại trạng thái ổn định trước đó.
• bảo trì – Giải pháp nên có chi phí bảo trì thấp. Nó nên sử dụng các dịch vụ không có máy chủ nếu có thể để giảm dấu chân cơ sở hạ tầng.

Đối với ML, Yara quyết định sử dụng SageMaker. SageMaker là một dịch vụ được quản lý hoàn toàn bao gồm toàn bộ quy trình ML. Các tính năng sau đây rất quan trọng trong việc chọn SageMaker:

• Bộ chứa khung SageMaker – Yara đã đào tạo các mô hình dự đoán ELC trên TensorFlow và với các bộ chứa khung SageMaker, Yara có thể nâng và chuyển các mô hình này với các thay đổi mã tối thiểu vào SageMaker.
• Đường ống SageMaker – Đường ống SageMaker cung cấp giao diện Python để các nhà khoa học dữ liệu viết đường ống ML. Một phần lớn mã ELC bao gồm một đường dẫn đào tạo và suy luận, được xác định bằng Python.
• Đăng ký mô hình SageMaker – Sổ đăng ký mô hình SageMaker cho phép lập danh mục và kiểm soát phiên bản các mô hình. Ngoài ra, nó giúp dễ dàng quản lý siêu dữ liệu mô hình, chẳng hạn như số liệu đào tạo.
• Màn hình mô hình SageMaker – Yara muốn giám sát chất lượng và phân phối dữ liệu đến cũng như hiệu suất của mô hình ELC. API giám sát mô hình SageMaker cung cấp dữ liệu và giám sát chất lượng mô hình.

Để quản lý việc tích hợp liên tục và phân phối liên tục (CI/CD) cho các quy trình ML, Yara sử dụng Khung triển khai Amazon (ADF). ADF là một khung mã nguồn mở do AWS phát triển để quản lý và triển khai tài nguyên trên nhiều tài khoản AWS và Khu vực trong một Tổ chức AWS. ADF cho phép triển khai ứng dụng hoặc tài nguyên theo giai đoạn, song song, nhiều tài khoản và xuyên Khu vực thông qua cấu trúc được xác định trong Tổ chức AWS, trong khi tận dụng các dịch vụ như Đường ống dẫn mã AWS, Xây dựng mã AWS, Cam kết mã AWSvà Hình thành đám mây AWS để giảm bớt công việc quản lý và nâng hạ nặng nề so với thiết lập CI/CD truyền thống.

Tổng quan về giải pháp

Toàn bộ giải pháp cho nền tảng MLOps được xây dựng trong vòng hai tháng với nỗ lực hợp tác với Dịch vụ chuyên nghiệp của AWS. Nhóm làm việc trong dự án bao gồm các nhà khoa học dữ liệu, kỹ sư dữ liệu và chuyên gia DevOps. Để tạo điều kiện phát triển nhanh hơn trong môi trường nhiều nhóm, Yara đã chọn sử dụng AWS Landing Zone và Các tổ chức để tạo, quản lý và điều hành các tài khoản AWS khác nhau một cách tập trung. Ví dụ: Yara có tài khoản triển khai trung tâm và sử dụng tài khoản khối lượng công việc để lưu trữ các ứng dụng kinh doanh. ELC là trường hợp sử dụng tối ưu hóa quy trình và được triển khai để tối ưu hóa tài khoản khối lượng công việc. Nhóm Sản xuất Kỹ thuật số Yara cũng làm việc trên các trường hợp sử dụng ML trong các lĩnh vực khác ngoài tối ưu hóa. Khung MLOps hỗ trợ triển khai cho bất kỳ tài khoản khối lượng công việc nào miễn là các tài khoản đó được tạo thông qua Tổ chức.

Sơ đồ sau minh họa kiến ​​trúc này.

Việc sử dụng tài khoản triển khai trung tâm giúp dễ dàng quản lý các tạo phẩm thông thường và đường dẫn CI/CD. Về quản lý truy cập và bảo mật của các tạo phẩm thông thường này, đó là một thiết kế đơn giản hơn vì ranh giới quyền và khóa mã hóa được quản lý tập trung ở một nơi. Trong các phần sau, chúng tôi sẽ hướng dẫn bạn các bước cần thiết để đưa trường hợp sử dụng mới vào nền tảng MLOps của Yara.

Về chiến lược tài khoản, Yara có thiết lập sandbox, DEV, TEST và PROD. Tài khoản hộp cát được sử dụng để thử nghiệm và thử những ý tưởng mới. Tài khoản DEV là điểm bắt đầu của quy trình CI/CD và tất cả quá trình phát triển đều bắt đầu từ đây. Tài khoản triển khai chứa định nghĩa quy trình CI/CD và có khả năng triển khai cho các tài khoản DEV, TEST và PROD. Thiết lập tài khoản này được mô tả trong hình dưới đây.

Giới thiệu trường hợp sử dụng mới

Đối với bài đăng này, chúng tôi giả sử rằng chúng tôi có một nguyên mẫu đang hoạt động của một trường hợp sử dụng và bây giờ chúng tôi muốn vận hành nó. Trong trường hợp trường hợp sử dụng này thuộc lĩnh vực sản phẩm mới, trước tiên chúng tôi cần cung cấp tài khoản bằng cách sử dụng Tổ chức, tài khoản này sẽ tự động kích hoạt ADF để khởi động các tài khoản này để triển khai. Yara tuân theo chiến lược tài khoản DEV>TEST>PROD; tuy nhiên, cấu hình này không bắt buộc. Tài khoản dữ liệu hiển thị API để truy cập dữ liệu và đối với trường hợp sử dụng mới, các vai trò cần được cấp quyền cần thiết Quản lý truy cập và nhận dạng AWS (IAM) để họ có thể truy cập API dữ liệu.

Tiếp theo, chúng ta cần xác định trường hợp sử dụng này được triển khai cho những tài khoản nào. Điều này được thực hiện bằng cách sử dụng bản đồ triển khai trong ADF. Bản đồ triển khai là một tệp cấu hình chứa ánh xạ các giai đoạn và mục tiêu cho quy trình. Để chạy bản đồ triển khai, ADF sử dụng CodePipeline. ADF cung cấp tính linh hoạt để quản lý các tham số trên mỗi môi trường đích mà ngăn xếp được triển khai. Điều này giúp dễ dàng quản lý triển khai và thử nghiệm với các phiên bản nhỏ hơn.

Để mã hóa tất cả các tạo phẩm, chẳng hạn như mã, dữ liệu và tệp mô hình, chúng tôi tạo một Dịch vụ quản lý khóa AWS (AWS KMS). Bạn cũng có thể sử dụng mã hóa phía máy chủ. Tuy nhiên, vì một số thành phần lạ đã tạo được truy cập trên nhiều tài khoản nên chúng tôi cần tạo khóa riêng và quản lý chính sách quyền của khóa đó để cấp quyền truy cập nhiều tài khoản.

Cuối cùng, chúng ta cần tạo một nhóm gói mô hình để nhóm các phiên bản khác nhau của mô hình bằng cách sử dụng sổ đăng ký mô hình SageMaker, đây là khả năng của SageMaker để theo dõi và quản lý các mô hình khi chúng di chuyển qua vòng đời ML.

Đường ống đào tạo người mẫu

Đối với mỗi nhà máy mới được đưa vào ELC, chúng tôi tạo một hệ thống đào tạo SageMaker mới. Quy trình này bao gồm các bước tiền xử lý dữ liệu và đào tạo mô hình. Các quy trình SageMaker rất phù hợp với Yara vì chúng cung cấp giao diện Python để xác định quy trình công việc ML. Hơn nữa, các bước khác nhau của quy trình làm việc có thể được định cấu hình để mở rộng quy mô khác nhau. Ví dụ: bạn có thể xác định một phiên bản lớn hơn nhiều để đào tạo so với bước đánh giá mô hình. Các thông số đầu vào và đầu ra cho từng bước của quy trình được lưu trữ, giúp dễ dàng theo dõi từng lần chạy và đầu ra của nó. Đề cương cấp cao của quy trình đào tạo như sau.

Là một phần của giai đoạn đánh giá mô hình, một tập dữ liệu đánh giá được sử dụng để tạo các chỉ số, chẳng hạn như độ chính xác và độ lệch sai số bình phương trung bình gốc (RMSE) trên mô hình được đào tạo. Các số liệu này được thêm vào siêu dữ liệu mô hình trước khi đăng ký mô hình vào sổ đăng ký mô hình. Hiện tại, các mô hình được thăng cấp theo cách thủ công lên các môi trường cao hơn và người phê duyệt mô hình có thể xem các chỉ số của mô hình để đảm bảo phiên bản mới hoạt động tốt hơn mô hình hiện tại.

Các mô hình được kiểm soát phiên bản với cơ quan đăng ký mô hình, với mỗi nhà máy có nhóm gói mô hình riêng. Ngoài ra, bạn có thể sử dụng sổ đăng ký mô hình để theo dõi phiên bản mô hình nào được triển khai cho môi trường nào. Một mô hình có thể ở trong một Bị từ chối, Đang chờ phê duyệt thủ công, hoặc là Được chấp thuận trạng thái và chỉ những mô hình nằm trong Được chấp thuận trạng thái có thể được triển khai. Điều này cũng cung cấp khả năng bảo vệ khỏi việc vô tình triển khai một phiên bản không được phê duyệt của mô hình.

Mô hình suy luận và giám sát đường ống

Để triển khai mô hình và thiết lập giám sát mô hình, chúng tôi thiết lập đường dẫn SageMaker thứ hai. Ứng dụng ELC cung cấp các dự đoán cho người vận hành nhà máy theo yêu cầu, do đó, các mô hình được truy cập thông qua lệnh gọi API được thực hiện từ chương trình phụ trợ ELC. Điểm cuối suy luận SageMaker cung cấp giải pháp lưu trữ mô hình được quản lý hoàn toàn với lớp API; điểm cuối lấy đầu vào mô hình làm tải trọng và trả về dự đoán. Vì độ trễ cũng là một yếu tố quan trọng đối với những người dùng cuối không muốn đợi lâu trước khi nhận được dự đoán cập nhật, nên Yara đã chọn các điểm cuối suy luận thời gian thực của SageMaker, đặc biệt phù hợp với khối lượng công việc có yêu cầu về độ trễ rất thấp. Cuối cùng, vì ứng dụng ELC không thể có thời gian ngừng hoạt động trong khi các mô hình cập nhật đang được triển khai nên ứng dụng này dựa vào khả năng triển khai xanh lam/xanh lục của các điểm cuối thời gian thực SageMaker để đảm bảo rằng phiên bản mô hình cũ tiếp tục phục vụ dự đoán cho đến khi phiên bản mới được triển khai .

Sơ đồ sau đây minh họa việc triển khai và thiết lập giám sát.

Để giám sát mô hình, Yara chạy SageMaker chất lượng dữ liệu, chất lượng mô hìnhvà khả năng giải thích mô hình giám sát. Giám sát chất lượng dữ liệu kiểm tra tính nhất quán và tạo số liệu thống kê phân phối dữ liệu. Giám sát chất lượng mô hình kiểm tra hiệu suất của mô hình và so sánh độ chính xác của mô hình với các chỉ số đào tạo. Các báo cáo giám sát mô hình được tạo ra hàng giờ. Các báo cáo này được sử dụng để theo dõi hiệu suất của mô hình trong quá trình sản xuất. Giám sát khả năng giải thích mô hình được sử dụng để hiểu những tính năng nào đóng góp nhiều nhất cho dự đoán.

Kết quả về khả năng giải thích của mô hình này được chia sẻ trên bảng điều khiển ELC để cung cấp cho người vận hành nhà máy nhiều bối cảnh hơn về yếu tố thúc đẩy mức tiêu thụ năng lượng. Điều này cũng hỗ trợ xác định hành động điều chỉnh quy trình nội bộ trong trường hợp năng lượng tiêu thụ lệch khỏi điểm tối ưu.

Luồng CI/CD

Luồng CI/CD cho quy trình đào tạo bắt đầu trong tài khoản DEV. Yara tuân theo mô hình phát triển dựa trên tính năng và khi một tính năng mới được phát triển, nhánh tính năng sẽ được hợp nhất vào thân cây để bắt đầu triển khai. Các mô hình ELC được đào tạo trong tài khoản DEV và sau khi mô hình được đào tạo và đánh giá, nó sẽ được đăng ký trong sổ đăng ký mô hình. Người phê duyệt mô hình thực hiện kiểm tra độ chính xác trước khi cập nhật trạng thái mô hình thành Được chấp thuận. Hành động này tạo ra một sự kiện kích hoạt việc triển khai đường dẫn suy luận mô hình. Quy trình suy luận mô hình triển khai phiên bản mô hình mới tới điểm cuối SageMaker trong DEV.

Sau khi triển khai điểm cuối, các thử nghiệm để kiểm tra hành vi của thiết lập sẽ được bắt đầu. Để thử nghiệm, Yara sử dụng Báo cáo thử nghiệm CodeBuild. Tính năng này cho phép các nhà phát triển chạy thử nghiệm đơn vị, thử nghiệm cấu hình và thử nghiệm chức năng trước và sau khi triển khai. Trong trường hợp này, Yara chạy thử nghiệm chức năng bằng cách chuyển tải trọng thử nghiệm tới các điểm cuối SageMaker và đánh giá phản hồi. Sau khi các thử nghiệm này được thông qua, quy trình sẽ tiến hành triển khai các điểm cuối SageMaker để KIỂM TRA. Chương trình phụ trợ ELC cũng được triển khai cho TEST, giúp thử nghiệm từ đầu đến cuối cho ứng dụng trong môi trường này. Ngoài ra, Yara chạy kiểm tra mức độ chấp nhận của người dùng trong TEST. Trình kích hoạt từ triển khai KIỂM TRA sang SẢN XUẤT là một hành động phê duyệt thủ công. Sau khi phiên bản mô hình mới đã vượt qua cả kiểm tra mức độ chấp nhận của người dùng và chức năng trong TEST, nhóm kỹ thuật sẽ phê duyệt việc triển khai mô hình cho PROD.

Hình dưới đây minh họa quy trình làm việc này.

Các thành phần chung

Đối với ELC, chúng tôi sử dụng một số thành phần chung cho tất cả các giai đoạn triển khai (DEV, TEST, PROD) và các mô hình. Các thành phần này nằm trong tài khoản triển khai của chúng tôi và bao gồm kiểm soát phiên bản mô hình, kho lưu trữ hình ảnh vùng chứa, khóa mã hóa và bộ chứa để lưu trữ các tạo phẩm thông thường.

Có một số lợi thế của việc sử dụng các đồ tạo tác phổ biến. Ví dụ: tài nguyên không phải được tạo cho mọi tài khoản, điều này thực thi khả năng tương thích giữa các tài khoản. Điều đó có nghĩa là chúng tôi tạo hình ảnh vùng chứa một lần và sử dụng lại chúng trong tất cả các tài khoản mục tiêu, giúp giảm thời gian tạo.

Quy trình này lưu trữ các phiên bản mô hình khác nhau trong sổ đăng ký mô hình chung trong tài khoản triển khai. Từ vị trí trung tâm này, các mô hình có thể được triển khai trong tất cả các tài khoản mà không cần chuyển chúng. Tương tự, việc sử dụng khóa mã hóa được lưu trữ tập trung giúp quản lý khóa và quyền truy cập nhiều tài khoản dễ dàng hơn.

Một nhược điểm của việc sử dụng các tạo phẩm phổ biến là bước giới thiệu trường hợp sử dụng mới có thể trở nên phức tạp hơn. Để triển khai trường hợp sử dụng mới, phải tạo một sổ đăng ký mô hình mới và nếu được yêu cầu, một kho lưu trữ hình ảnh vùng chứa mới. Chúng tôi cũng khuyên bạn nên tạo khóa mã hóa mới để phân tách nghiêm ngặt tài nguyên và dữ liệu được lưu trữ.

Kết luận

Trong bài đăng này, chúng tôi đã trình bày cách Yara sử dụng SageMaker và ADF để xây dựng nền tảng MLOps có khả năng mở rộng cao. ML là một khả năng đa chức năng và các nhóm triển khai các mô hình cho các tài khoản đơn vị kinh doanh khác nhau. Do đó, ADF, cung cấp khả năng tích hợp riêng với các Tổ chức, khiến nó trở thành ứng cử viên lý tưởng cho các tài khoản khởi động để thiết lập đường dẫn CI/CD. Về mặt vận hành, các đường ống ADF chạy trong tài khoản triển khai trung tâm, điều này giúp dễ dàng có được cái nhìn tổng thể về tình trạng triển khai. Cuối cùng, ADF sử dụng các dịch vụ do AWS quản lý như CodeBuild, CodeDeploy, CodePipeline và CloudFormation, giúp dễ dàng định cấu hình và bảo trì.

SageMaker cung cấp nhiều khả năng ML, cho phép các nhóm tập trung hơn vào việc giải quyết các vấn đề kinh doanh và ít hơn vào việc xây dựng và duy trì cơ sở hạ tầng. Ngoài ra, SageMaker Pipelines cung cấp một bộ API phong phú để tạo, cập nhật và triển khai quy trình công việc ML, làm cho nó phù hợp tuyệt vời cho MLOps.

Cuối cùng, MLOps cung cấp các phương pháp hay nhất để triển khai và duy trì các mô hình ML trong sản xuất một cách đáng tin cậy và hiệu quả. Điều quan trọng đối với các nhóm tạo và triển khai các giải pháp ML trên quy mô lớn là triển khai MLOps. Trong trường hợp của Yara, MLOps giúp giảm đáng kể nỗ lực cần thiết để đưa vào một nhà máy mới, tung ra các bản cập nhật cho ELC và đảm bảo các mô hình được giám sát về chất lượng.

Để biết thêm thông tin về cách triển khai các ứng dụng bằng ADF, hãy xem ví dụ.

---

Giới thiệu về tác giả

Shaheer Mansoor là Nhà khoa học dữ liệu tại AWS. Trọng tâm của anh ấy là xây dựng các nền tảng máy học có thể lưu trữ các giải pháp AI trên quy mô lớn. Lĩnh vực quan tâm của anh ấy là MLOps, cửa hàng tính năng, lưu trữ mô hình và giám sát mô hình.

Tim Becker là Nhà khoa học dữ liệu cấp cao tại Yara International. Trong Sản xuất Kỹ thuật số, trọng tâm của anh ấy là tối ưu hóa quy trình sản xuất amoniac và axit nitric. Anh ấy có bằng Tiến sĩ về Nhiệt động lực học và đam mê kết hợp kỹ thuật xử lý và máy học.

Yongyos Kaewpitakkun là nhà khoa học dữ liệu cấp cao trong nhóm Sản xuất kỹ thuật số tại Yara International. Anh ấy có bằng tiến sĩ về trí tuệ nhân tạo/học máy và có nhiều năm kinh nghiệm thực hành trong việc tận dụng mô hình học máy, thị giác máy tính và xử lý ngôn ngữ tự nhiên để giải quyết các vấn đề kinh doanh đầy thách thức.