شارك في كتابة هذا المنشور كريستوفر دياز ، وسام كينارد ، وخايمي هيدالغو ، ودانييل سواريز من CCC Intelligent Solutions.
في هذا المنشور ، نناقش كيف حلول CCC الذكية (CCC) مجتمعة الأمازون SageMaker مع خدمات AWS الأخرى لإنشاء حل مخصص قادر على استضافة أنواع نماذج الذكاء الاصطناعي المعقدة المتصورة. CCC هي عبارة عن منصة برمجيات كخدمة رائدة (SaaS) للممتلكات التي تبلغ قيمتها عدة تريليونات من الدولارات واقتصاد التأمين ضد الحوادث التي تدعم عمليات التأمين ، والمصلحين ، وشركات صناعة السيارات ، وموردي الأجزاء ، والمقرضين ، وأكثر من ذلك. تعمل تقنية السحابة CCC على ربط أكثر من 30,000،XNUMX شركة برقمنة مهام سير العمل الحرجة ، والتجارة ، وتجارب العملاء. كشركة رائدة موثوق بها في مجال الذكاء الاصطناعي وإنترنت الأشياء (IoT) وتجربة العملاء وإدارة الشبكة وسير العمل ، تقدم CCC ابتكارات تحافظ على حياة الناس تمضي قدمًا عندما يكون الأمر أكثر أهمية.
التحدي
تعالج CCC أكثر من 1 تريليون دولار من معاملات المطالبات سنويًا. مع استمرار الشركة في التطور لدمج الذكاء الاصطناعي في كتالوج منتجاتها الحالي والجديد ، يتطلب ذلك مناهج متطورة لتدريب ونشر نماذج مجموعات تعلم الآلة متعددة الوسائط (ML) لحل احتياجات الأعمال المعقدة. هذه فئة من النماذج التي تلخص خوارزميات الملكية وخبرة مجال الموضوع التي شحذتها CCC على مر السنين. يجب أن تكون هذه النماذج قادرة على استيعاب طبقات جديدة من البيانات الدقيقة وقواعد العملاء لإنشاء نتائج تنبؤ فردية. في منشور المدونة هذا ، سنتعلم كيف استفادت CCC من استضافة Amazon SageMaker وخدمات AWS الأخرى لنشر أو استضافة نماذج متعددة الوسائط في خط أنابيب استدلال جماعي.
كما هو موضح في الرسم البياني التالي ، فإن المجموعة عبارة عن مجموعة من نموذجين أو أكثر تم تنظيمهما للتشغيل بطريقة خطية أو غير خطية لإنتاج تنبؤ واحد. عند تكديسها خطيًا ، يمكن استدعاء النماذج الفردية للمجموعة مباشرةً للتنبؤات وتوحيدها لاحقًا من أجل التوحيد. في بعض الأحيان ، يمكن أيضًا تنفيذ نماذج المجموعات كخط أنابيب استدلال تسلسلي.
بالنسبة لحالة الاستخدام الخاصة بنا ، يكون خط أنابيب المجموعة غير خطي تمامًا ، كما هو موضح في الرسم البياني التالي. خطوط الأنابيب غير الخطية هي نظريًا رسوم بيانية حلقية مباشرة (DAGs). بالنسبة لحالة الاستخدام الخاصة بنا ، كان لخط أنابيب DAG هذا نماذج مستقلة يتم تشغيلها بالتوازي (الخدمات B ، C) ونماذج أخرى تستخدم تنبؤات من الخطوات السابقة (الخدمة D).
الممارسة التي تنبثق من الثقافة القائمة على البحث في CCC هي المراجعة المستمرة للتقنيات التي يمكن الاستفادة منها لتحقيق المزيد من القيمة للعملاء. نظرًا لأن CCC واجهت هذا التحدي الجماعي ، أطلقت القيادة مبادرة إثبات المفهوم (POC) لإجراء تقييم شامل للعروض المقدمة من AWS لاكتشاف ، على وجه التحديد ، ما إذا كانت Amazon SageMaker وأدوات AWS الأخرى يمكنها إدارة استضافة نماذج الذكاء الاصطناعي الفردية بطريقة معقدة وغير خطية الفرق.
وأوضح الفريق: في هذا السياق ، المجموعة هي مجموعة من 2 أو أكثر من نماذج الذكاء الاصطناعي التي تعمل معًا لإنتاج تنبؤ واحد شامل.
أسئلة تقود البحث
هل يمكن استخدام Amazon SageMaker لاستضافة مجموعات معقدة من نماذج الذكاء الاصطناعي التي تعمل معًا لتوفير تنبؤ شامل واحد؟ إذا كان الأمر كذلك ، فهل يمكن لـ SageMaker تقديم مزايا أخرى خارج الصندوق ، مثل زيادة الأتمتة والموثوقية والمراقبة والتحجيم التلقائي وتدابير توفير التكاليف؟
إن إيجاد طرق بديلة لنشر نماذج الذكاء الاصطناعي الخاصة بـ CCC باستخدام التطورات التكنولوجية من موفري الخدمات السحابية سيسمح لشركة CCC بتقديم حلول الذكاء الاصطناعي إلى السوق بشكل أسرع من منافسيها. بالإضافة إلى ذلك ، يوفر وجود أكثر من بنية نشر واحدة المرونة عند إيجاد التوازن بين التكلفة والأداء بناءً على أولويات العمل.
بناءً على متطلباتنا ، قمنا بوضع اللمسات الأخيرة على قائمة الميزات التالية كقائمة مرجعية لهندسة نشر على مستوى الإنتاج:
- دعم المجموعات المعقدة
- الجهوزية مضمونة لجميع المكونات
- التحجيم التلقائي القابل للتخصيص لنماذج الذكاء الاصطناعي المنشورة
- الحفاظ على مدخلات ومخرجات نموذج الذكاء الاصطناعي
- مقاييس وسجلات الاستخدام لجميع المكونات
- آليات توفير التكاليف
مع اعتماد غالبية حلول الذكاء الاصطناعي الخاصة بـ CCC على نماذج الرؤية الحاسوبية ، كانت هناك حاجة إلى بنية جديدة لدعم ملفات الصور والفيديو التي تستمر في الزيادة في الدقة. كانت هناك حاجة قوية لتصميم وتنفيذ هذه البنية كنموذج غير متزامن.
بعد دورات البحث والجهود المعيارية الأولية ، قررت CCC أن SageMaker كان مناسبًا تمامًا لتلبية معظم متطلبات الإنتاج الخاصة بهم ، وخاصة وقت التشغيل المضمون الذي توفره SageMaker لمعظم مكونات الاستدلال. تعمل الميزة الافتراضية لنقاط نهاية Amazon SageMaker Asynchronous Inference التي توفر الإدخال / الإخراج في Amazon S3 على تبسيط مهمة الحفاظ على البيانات التي تم إنشاؤها من المجموعات المعقدة. بالإضافة إلى ذلك ، مع كل نموذج ذكاء اصطناعي يتم استضافته بواسطة نقطة النهاية الخاصة به ، تصبح إدارة سياسات القياس التلقائي على مستوى النموذج أو نقطة النهاية أسهل. من خلال تبسيط الإدارة ، من الفوائد المحتملة لتوفير التكلفة من ذلك أن يمكن لفرق التطوير تخصيص المزيد من الوقت نحو ضبط سياسات القياس لتقليل الإفراط في توفير موارد الحوسبة.
بعد أن قررنا المضي قدمًا في استخدام SageMaker كمكون محوري في البنية ، أدركنا أيضًا أن SageMaker يمكن أن يكون جزءًا من بنية أكبر ، مدعومة بالعديد من الخدمات الأخرى التي تديرها AWS بدون خادم. كان هذا الاختيار ضروريًا لتسهيل احتياجات التنسيق والمراقبة عالية المستوى لهذه البنية المعقدة.
أولاً ، لإزالة قيود حجم الحمولة وتقليل مخاطر المهلة بشكل كبير أثناء سيناريوهات المرور المرتفع ، نفذت CCC بنية تشغل التنبؤات بشكل غير متزامن باستخدام نقاط نهاية الاستدلال غير المتزامن لـ SageMaker إلى جانب الخدمات الأخرى التي تديرها AWS باعتبارها اللبنات الأساسية. بالإضافة إلى ذلك ، تتبع واجهة المستخدم الخاصة بالنظام نمط تصميم إطلاق النار والنسيان. بعبارة أخرى ، بمجرد أن يقوم المستخدم بتحميل مدخلاته على النظام ، لا يلزم القيام بأي شيء آخر. سيتم إعلامهم عندما يكون التنبؤ متاحًا. يوضح الشكل أدناه نظرة عامة عالية المستوى على البنية غير المتزامنة المدفوعة بالحدث. في القسم التالي ، دعنا نلقي نظرة عميقة على تدفق تنفيذ الهيكل المصمم.
حل خطوة بخطوة
الخطوة1
يقوم العميل بتقديم طلب إلى بوابة API AWS نقطة النهاية. يحتوي محتوى الطلب على اسم خدمة AI التي يحتاجون منها إلى التنبؤ وطريقة الإعلام المطلوبة.
تم تمرير هذا الطلب إلى لامدا وظيفة تسمى توقع جديد ، من مهامه الرئيسية:
- تحقق مما إذا كانت الخدمة المطلوبة من قبل العميل متاحة.
- قم بتعيين معرف توقع فريد للطلب. يمكن للمستخدم استخدام معرّف التنبؤ هذا للتحقق من حالة التوقع خلال العملية بأكملها.
- توليد الأمازون S3 عنوان URL الموقع مسبقًا والذي سيحتاج المستخدم إلى استخدامه في الخطوة التالية لتحميل محتوى الإدخال الخاص بطلب التنبؤ.
- قم بإنشاء إدخال في الأمازون DynamoDB مع معلومات الطلب المستلم.
ستقوم وظيفة Lambda بعد ذلك بإرجاع استجابة من خلال نقطة نهاية بوابة واجهة برمجة التطبيقات برسالة تتضمن معرف التنبؤ المعين للطلب وعنوان URL الموقع مسبقًا من Amazon S3.
الخطوة2
يقوم العميل بتحميل محتوى إدخال التنبؤ بأمان إلى حاوية S3 باستخدام عنوان URL الموقع مسبقًا الذي تم إنشاؤه في الخطوة السابقة. يعتمد محتوى الإدخال على خدمة AI ويمكن أن يتكون من صور أو بيانات مجدولة أو مزيج من الاثنين معًا.
الخطوة3
يتم تكوين حاوية S3 لتشغيل حدث عندما يقوم المستخدم بتحميل محتوى الإدخال. يتم إرسال هذا الإشعار إلى قائمة انتظار Amazon SQS ويتم التعامل معه بواسطة وظيفة Lambda تسمى مدخلات العملية. مدخلات العملية ستحصل Lambda على المعلومات المتعلقة بمعرف التنبؤ هذا من DynamoDB للحصول على اسم الخدمة التي سيتم تقديم الطلب إليها.
يمكن أن تكون هذه الخدمة إما نموذجًا واحدًا للذكاء الاصطناعي ، وفي هذه الحالة يمكن أن يكون ملف مدخلات العملية ستقدم Lambda طلبًا إلى نقطة نهاية SageMaker التي تستضيف هذا النموذج (الخطوة 3-أ) ، أو يمكن أن تكون خدمة مجمعة للذكاء الاصطناعي في هذه الحالة مدخلات العملية ستقدم Lambda طلبًا إلى آلة الحالة لوظائف الخطوة التي تستضيف منطق المجموعة (الخطوة 3-B).
في أي من الخيارين (نموذج AI فردي أو خدمة مجموعة AI) ، عندما يكون التنبؤ النهائي جاهزًا ، سيتم تخزينه في حاوية S3 المناسبة ، وسيتم إخطار المتصل عبر الطريقة المحددة في الخطوة 1 (مزيد من التفاصيل حول الإشعارات في الخطوة 4).
الخطوة 3-أ
إذا كان معرّف التنبؤ مرتبطًا بنموذج AI واحد ، فإن مدخلات العملية ستقدم Lambda طلبًا إلى نقطة نهاية SageMaker التي تخدم النموذج. في هذا النظام ، يتم دعم نوعين من نقاط نهاية SageMaker:
- غير متزامن: ال مدخلات العملية تقدم Lambda الطلب إلى نقطة النهاية غير المتزامنة لـ SageMaker. تتضمن الاستجابة الفورية موقع S3 حيث سيحفظ SageMaker إخراج التنبؤ. هذا الطلب غير متزامن ، يتبع نمط إطلاق النار والنسيان ، ولا يمنع تدفق تنفيذ وظيفة Lambda.
- متزامن: ال مدخلات العملية تقوم Lambda بإرسال الطلب إلى نقطة النهاية المتزامنة لـ SageMaker. نظرًا لأنه طلب متزامن ، ينتظر Process Input الاستجابة ، وبمجرد الحصول عليه ، فإنه يخزنه في S3 بطريقة مماثلة لنقاط النهاية غير المتزامنة من SageMaker.
في كلتا الحالتين (نقاط النهاية المتزامنة أو غير المتزامنة) ، تتم معالجة التنبؤ بطريقة مكافئة ، حيث يتم تخزين الإخراج في حاوية S3. عندما تكمل نقطة نهاية SageMaker غير المتزامنة توقعًا ، يتم تشغيل حدث Amazon SNS. يتم أيضًا تكرار هذا السلوك لنقاط النهاية المتزامنة مع منطق إضافي في دالة Lambda.
الخطوة 3-ب
إذا كان معرف التنبؤ مرتبطًا بمجموعة AI ، فإن ملف مدخلات العملية ستقدم Lambda الطلب إلى وظيفة الخطوة المرتبطة بمجموعة الذكاء الاصطناعي تلك. كما ذكرنا أعلاه ، فإن مجموعة الذكاء الاصطناعي هي بنية تعتمد على مجموعة من نماذج الذكاء الاصطناعي التي تعمل معًا لتوليد تنبؤ شامل واحد. يتم تنسيق مجموعة الذكاء الاصطناعي من خلال وظيفة الخطوة.
تحتوي وظيفة الخطوة على خطوة واحدة لكل خدمة ذكاء اصطناعي تتألف من المجموعة. ستستدعي كل خطوة وظيفة Lambda التي ستقوم بإعداد مدخلات خدمة AI المقابلة لها باستخدام مجموعات مختلفة من محتوى الإخراج من استدعاءات خدمة AI السابقة للخطوات السابقة. ثم يقوم بإجراء مكالمة إلى كل خدمة من خدمات الذكاء الاصطناعي والتي في هذا السياق ، يمكن أن تتلاشى نموذجًا واحدًا للذكاء الاصطناعي أو مجموعة أخرى من خدمات الذكاء الاصطناعي.
تسمى نفس وظيفة Lambda GetTransformCall تُستخدم للتعامل مع التنبؤات الوسيطة لمجموعة الذكاء الاصطناعي في جميع أنحاء وظيفة الخطوة ، ولكن مع معلمات إدخال مختلفة لكل خطوة. يتضمن هذا الإدخال اسم خدمة AI ليتم استدعاؤها. يتضمن أيضًا تعريف التعيين لإنشاء الإدخال لخدمة AI المحددة. يتم ذلك باستخدام بناء جملة مخصص يمكن لـ Lambda فك تشفيره ، وهو باختصار قاموس JSON حيث يجب استبدال القيم بالمحتوى من تنبؤات الذكاء الاصطناعي السابقة. ستقوم Lambda بتنزيل هذه التوقعات السابقة من Amazon S3.
في كل خطوة ، يكون ملف GetTransformCall تقرأ Lambda من Amazon S3 المخرجات السابقة اللازمة لإنشاء مدخلات خدمة AI المحددة. سوف يستدعي بعد ذلك ملف توقع جديد رمز Lambda المستخدم سابقًا في الخطوة 1 ويقدم اسم الخدمة وطريقة رد الاتصال ("وظيفة الخطوة") والرمز المطلوب لرد الاتصال في حمولة الطلب ، والتي يتم حفظها بعد ذلك في DynamoDB كسجل تنبؤ جديد. تخزن Lambda أيضًا الإدخال الذي تم إنشاؤه لتلك المرحلة في دلو S3. اعتمادًا على ما إذا كانت هذه المرحلة عبارة عن نموذج ذكاء اصطناعي واحد أو مجموعة ذكاء اصطناعي ، تقدم Lambda طلبًا إلى نقطة نهاية SageMaker أو وظيفة خطوة مختلفة تدير مجموعة ذكاء اصطناعي تعتمد على المجموعة الأم.
بمجرد تقديم الطلب ، تدخل وظيفة الخطوة في حالة معلقة حتى تتلقى رمز رد الاتصال الذي يشير إلى أنها يمكن أن تنتقل إلى المرحلة التالية. يتم تنفيذ إجراء إرسال رمز رد الاتصال بواسطة دالة Lambda تسمى الإخطارات (مزيد من التفاصيل في الخطوة 4) عندما يكون التنبؤ الوسيط جاهزًا. تتكرر هذه العملية لكل مرحلة محددة في وظيفة الخطوة حتى يصبح التنبؤ النهائي جاهزًا.
الخطوة4
عندما يكون التنبؤ جاهزًا ومخزنًا في حاوية S3 ، يتم تشغيل إشعار SNS. يمكن تشغيل هذا الحدث بطرق مختلفة اعتمادًا على التدفق:
- تلقائيًا عندما تكمل نقطة نهاية غير متزامنة من SageMaker توقعًا.
- كخطوة أخيرة في وظيفة الخطوة.
- By مدخلات العملية or GetTransformCall Lambda عندما أعادت نقطة نهاية SageMaker المتزامنة تنبؤًا.
بالنسبة إلى B و C ، نقوم بإنشاء رسالة SNS مشابهة لما يرسله A تلقائيًا.
تم اشتراك وظيفة Lambda تسمى الإخطارات في موضوع SNS هذا. ستحصل إخطارات Lambda على المعلومات المتعلقة بمعرف التنبؤ من DynamoDB ، وتحديث الإدخال بقيمة الحالة إلى "مكتمل" أو "خطأ" ، وتنفيذ الإجراء اللازم اعتمادًا على وضع رد الاتصال المحفوظ في سجل قاعدة البيانات.
إذا كان هذا التنبؤ هو توقع وسيط لمجموعة AI ، كما هو موضح في الخطوة 3-B ، فإن وضع رد الاتصال المرتبط بهذا التوقع سيكون "وظيفة الخطوة" ، وسيكون لسجل قاعدة البيانات رمز رد اتصال مرتبط بالخطوة المحددة في وظيفة الخطوة. ستقوم Lambda بإجراء مكالمة إلى AWS Step Functions API باستخدام الطريقة "SendTaskSuccess" أو "SendTaskFailure". سيسمح هذا لوظيفة الخطوة بالاستمرار إلى الخطوة التالية أو الخروج.
إذا كان التنبؤ هو الناتج النهائي لوظيفة الخطوة وكان وضع رد الاتصال هو "Webhook" [أو البريد الإلكتروني ، وسطاء الرسائل (كافكا) ، وما إلى ذلك] ، فإن إشعارات Lambda ستعلم العميل بالطريقة المحددة. في أي وقت ، يمكن للمستخدم طلب حالة توقعه. يجب أن يتضمن الطلب معرف التنبؤ الذي تم تعيينه في الخطوة 1 والإشارة إلى عنوان URL الصحيح داخل بوابة API لتوجيه الطلب إلى وظيفة Lambda المسماة النتائج.
النتائج ستقدم Lambda طلبًا إلى DynamoDB ، للحصول على حالة الطلب وإعادة المعلومات إلى المستخدم. إذا كانت حالة التوقع هي خطأ، ثم سيتم تضمين التفاصيل ذات الصلة بالفشل في الرد. إذا كانت حالة التنبؤ هي تحقيق النجاح ، سيتم إرجاع عنوان URL الموقع مسبقًا S3 للمستخدم لتنزيل محتوى التنبؤ.
نتائج
نتائج اختبار الأداء الأولية واعدة وتدعم قضية CCC لتوسيع تنفيذ بنية النشر الجديدة هذه.
ملاحظات ملحوظة:
- تكشف الاختبارات القوة في معالجة الطلبات المجمعة أو المتزامنة ذات الإنتاجية العالية ومعدل الفشل 0 بالمائة أثناء سيناريوهات حركة المرور العالية.
- توفر قوائم انتظار الرسائل الاستقرار داخل النظام أثناء التدفقات المفاجئة للطلبات حتى تتمكن مشغلات القياس من توفير موارد حساب إضافية. عند زيادة عدد الزيارات بمقدار 3 أضعاف ، زاد متوسط وقت استجابة الطلب بنسبة 5 بالمائة فقط.
- سعر الاستقرار هو زيادة الكمون بسبب الحمل الزائد للاتصال بين مكونات النظام المختلفة. عندما تكون حركة مرور المستخدم أعلى من الحد الأساسي ، يمكن تخفيف زمن الانتقال الإضافي جزئيًا عن طريق توفير المزيد من موارد الحوسبة إذا كان الأداء أولوية أعلى على التكلفة.
- تسمح نقاط نهاية الاستدلال غير المتزامن لـ SageMaker بتحجيم عدد المثيلات إلى الصفر مع الحفاظ على نقطة النهاية نشطة لتلقي الطلبات. تمكّن هذه الوظيفة عمليات النشر من الاستمرار في العمل دون تكبد تكاليف الحوسبة وتوسيع نطاقها من الصفر عند الحاجة في سيناريوهين: عمليات نشر الخدمة المستخدمة في بيئات الاختبار الأقل وتلك التي تحتوي على الحد الأدنى من حركة المرور دون الحاجة إلى معالجة فورية.
وفي الختام
كما لوحظ أثناء عملية POC ، يوفر التصميم المبتكر الذي تم إنشاؤه بشكل مشترك بواسطة CCC و AWS أساسًا متينًا لاستخدام Amazon SageMaker مع خدمات AWS الأخرى المدارة لاستضافة مجموعات معقدة متعددة الوسائط للذكاء الاصطناعي وتنسيق خطوط أنابيب الاستدلال بشكل فعال وسلس. من خلال الاستفادة من وظائف Amazon SageMaker الجاهزة مثل الاستدلال غير المتزامن ، تتمتع CCC بمزيد من الفرص للتركيز على المهام المتخصصة ذات الأهمية الحاسمة للأعمال. انطلاقًا من ثقافة CCC القائمة على الأبحاث ، ستستمر هذه البنية الجديدة في التطور حيث يقود CCC الطريق إلى الأمام ، جنبًا إلى جنب مع AWS ، في إطلاق العنان لحلول الذكاء الاصطناعي الجديدة القوية للعملاء.
للحصول على خطوات تفصيلية حول كيفية إنشاء نقاط نهاية الاستدلال غير المتزامن واستدعاءها ومراقبتها ، راجع ملف توثيق، والذي يحتوي أيضًا على ملف نموذج دفتر الملاحظات لمساعدتك على البدء. للحصول على معلومات التسعير ، قم بزيارة الأمازون SageMaker التسعير.
للحصول على أمثلة حول استخدام الاستدلال غير المتزامن مع البيانات غير المهيكلة مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية (NLP) ، يرجى الرجوع إلى قم بتشغيل استدلال رؤية الكمبيوتر على مقاطع الفيديو الكبيرة باستخدام نقاط النهاية غير المتزامنة لـ Amazon SageMaker و قم بتحسين البحث عالي القيمة باستخدام Hugging Face و Amazon SageMaker لنقاط نهاية الاستدلال غير المتزامن، على التوالي.
حول المؤلف
كريستوفر دياز هو مهندس بحث وتطوير رئيسي في CCC Intelligent Solutions. بصفته عضوًا في فريق البحث والتطوير ، فقد عمل في مجموعة متنوعة من المشاريع التي تتراوح بين أدوات ETL ، وتطوير الويب الخلفي ، والتعاون مع الباحثين لتدريب نماذج الذكاء الاصطناعي على الأنظمة الموزعة ، وتسهيل تقديم خدمات الذكاء الاصطناعي الجديدة بين فرق البحث والعمليات. كان تركيزه الأخير على البحث عن حلول الأدوات السحابية لتعزيز الجوانب المختلفة لدورة حياة تطوير نموذج الذكاء الاصطناعي للشركة. في أوقات فراغه ، يستمتع بتجربة مطاعم جديدة في مسقط رأسه في شيكاغو وجمع أكبر عدد ممكن من مجموعات LEGO التي تناسب منزله. حصل كريستوفر على بكالوريوس العلوم في علوم الكمبيوتر من جامعة نورث إيسترن إلينوي.
الفائز بجائزة إيمي سام كينارد هو مدير أول لهندسة البرمجيات في CCC Intelligent Solutions. مقره في أوستن ، تكساس ، يتجادل مع فريق AI Runtime ، المسؤول عن خدمة منتجات AI من CCC بتوافر عالٍ وعلى نطاق واسع. في أوقات فراغه ، يستمتع سام بالحرمان من النوم بسبب ولديه الرائعين. سام حاصل على بكالوريوس العلوم في علوم الكمبيوتر وبكالوريوس العلوم في الرياضيات من جامعة تكساس في أوستن.
خايمي هيدالجو مهندس أنظمة أول في CCC Intelligent Solutions. قبل الانضمام إلى فريق أبحاث الذكاء الاصطناعي ، قاد هجرة الشركة العالمية إلى بنية الخدمات المصغرة وتصميم وبناء وأتمتة البنية التحتية في AWS لدعم نشر المنتجات والخدمات السحابية. حاليًا ، يقوم ببناء ودعم مجموعة مركز بيانات محلية تم إنشاؤها لتدريب الذكاء الاصطناعي ، كما يصمم ويبني حلولًا سحابية لمستقبل الشركة في مجال أبحاث الذكاء الاصطناعي ونشره.
دانيال سواريز هو مهندس علوم بيانات في CCC Intelligent Solutions. بصفته عضوًا في فريق هندسة الذكاء الاصطناعي ، فهو يعمل على أتمتة وإعداد نماذج الذكاء الاصطناعي في إنتاج وتقييم ومراقبة المقاييس والجوانب الأخرى لعمليات التعلم الآلي. حصل دانيال على درجة الماجستير في علوم الكمبيوتر من معهد إلينوي للتكنولوجيا ودرجة الماجستير والبكالوريوس في هندسة الاتصالات من جامعة بوليتيكنيكا في مدريد.
أرونبراساث شانكار هو مهندس حلول متخصص في الذكاء الاصطناعي / التعلم الآلي مع AWS ، مما يساعد العملاء العالميين على توسيع نطاق حلول الذكاء الاصطناعي الخاصة بهم بفعالية وكفاءة في السحابة. يستمتع Arun في أوقات فراغه بمشاهدة أفلام الخيال العلمي والاستماع إلى الموسيقى الكلاسيكية.
جاستن ماكويرتر هو مدير مهندس حلول في AWS. إنه يعمل مع فريق من مهندسي الحلول المذهلين الذين يساعدون العملاء على الحصول على تجربة إيجابية أثناء اعتماد منصة AWS. عندما لا يكون في العمل ، يستمتع جاستن بلعب ألعاب الفيديو مع ولديه وهوكي الجليد والسير على الطرق الوعرة في سيارته الجيب.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/how-ccc-intelligent-solutions-created-a-custom-approach-for-hosting-complex-ai-models-using-amazon-sagemaker/
