Zephyrnet-Logo

Generative Datenintelligenz

AI

Der Amazon SageMaker Feature Store unterstützt jetzt die kontoübergreifende Freigabe, Erkennung und den Zugriff | Amazon Web Services

Neuauflage von Plato
Neuauflage von Plato

Datum:

Views: 134

Amazon SageMaker Feature Store ist ein vollständig verwaltetes, speziell entwickeltes Repository zum Speichern, Teilen und Verwalten von Funktionen für Modelle des maschinellen Lernens (ML). Eigenschaften sind Eingaben für ML-Modelle, die während des Trainings und der Inferenz verwendet werden. Beispielsweise könnten in einer Anwendung, die eine Musikwiedergabeliste empfiehlt, zu den Funktionen Songbewertungen, Hördauer und Hörerdemografie gehören. Features werden wiederholt von mehreren Teams verwendet, und die Feature-Qualität ist entscheidend, um ein hochpräzises Modell zu gewährleisten. Außerdem ist es schwierig, die beiden Feature-Stores synchron zu halten, wenn Features, die zum Offline-Batch-Trainieren von Modellen verwendet werden, für Echtzeit-Inferenz verfügbar gemacht werden. Der SageMaker Feature Store bietet einen sicheren und einheitlichen Speicher zum Verarbeiten, Standardisieren und Verwenden von Funktionen im großen Maßstab über den gesamten ML-Lebenszyklus.

Mit dem SageMaker Feature Store ist es jetzt mühelos, Funktionsgruppen über AWS-Konten hinweg zu teilen, zu entdecken und darauf zuzugreifen. Diese neue Funktion fördert die Zusammenarbeit und minimiert doppelte Arbeit für Teams, die an der ML-Modell- und Anwendungsentwicklung beteiligt sind, insbesondere in Unternehmensumgebungen mit mehreren Konten, die verschiedene Geschäftseinheiten oder Funktionen umfassen.

Mit dieser Einführung können Kontoinhaber anderen Konten Zugriff auf ausgewählte Funktionsgruppen gewähren AWS-Ressourcenzugriffsmanager (AWS-RAM). Nachdem ihnen der Zugriff gewährt wurde, können Benutzer dieser Konten bequem alle ihre Funktionsgruppen, einschließlich der freigegebenen, anzeigen Amazon SageMaker-Studio oder SDKs. Dies ermöglicht es Teams, von anderen Teams entwickelte Funktionen zu entdecken und zu nutzen, was den Wissensaustausch und die Effizienz fördert. Darüber hinaus können Nutzungsdetails gemeinsam genutzter Ressourcen überwacht werden Amazon CloudWatch und AWS CloudTrail. Weitere Informationen finden Sie unter Erkennbarkeit und Zugriff auf kontoübergreifende Funktionsgruppen.

In diesem Beitrag diskutieren wir das Warum und Wie eines zentralisierten Feature Stores mit kontoübergreifendem Zugriff. Wir zeigen, wie Sie es einrichten und eine Beispieldemonstration durchführen und welche Vorteile Sie durch den Einsatz dieser neuen Funktion in Ihrem Unternehmen erzielen können.

Wer braucht schon einen kontoübergreifenden Feature Store?

Unternehmen müssen Funktionen sicher zwischen Teams teilen, um genaue ML-Modelle zu erstellen und gleichzeitig den unbefugten Zugriff auf sensible Daten zu verhindern. Der SageMaker Feature Store ermöglicht jetzt die granulare gemeinsame Nutzung von Funktionen zwischen Konten über AWS RAM und ermöglicht so eine kollaborative Modellentwicklung mit Governance.

Der SageMaker Feature Store bietet speziell entwickelte Speicherung und Verwaltung für ML-Funktionen, die während des Trainings und der Inferenzierung verwendet werden. Mit der kontoübergreifenden Unterstützung können Sie jetzt in einem AWS-Konto gespeicherte Funktionen gezielt mit anderen Konten in Ihrer Organisation teilen.

Beispielsweise kann das Analyseteam Funktionen wie Kundenprofil, Transaktionsverlauf und Produktkataloge in einem zentralen Verwaltungskonto kuratieren. Auf diese müssen ML-Entwickler in anderen Abteilungen wie Marketing, Betrugserkennung usw. sicher zugreifen, um Modelle zu erstellen.

Die folgenden Hauptvorteile der gemeinsamen Nutzung von ML-Funktionen über mehrere Konten hinweg sind:

  • Konsistente und wiederverwendbare Funktionen – Die zentralisierte gemeinsame Nutzung kuratierter Funktionen verbessert die Modellgenauigkeit, indem konsistente Eingabedaten für das Training bereitgestellt werden. Teams können von anderen erstellte Funktionen entdecken und direkt nutzen, anstatt sie in jedem Konto zu duplizieren.
  • Zugriffskontrolle für Funktionsgruppen – Sie können Zugriff nur auf die spezifischen Funktionsgruppen gewähren, die für den Anwendungsfall eines Kontos erforderlich sind. Beispielsweise erhält das Marketingteam möglicherweise nur Zugriff auf die Kundenprofil-Funktionsgruppe, die für Empfehlungsmodelle benötigt wird.
  • Teamübergreifende Zusammenarbeit – Gemeinsame Funktionen ermöglichen es unterschiedlichen Teams wie Betrug, Marketing und Vertrieb, bei der Erstellung von ML-Modellen unter Verwendung derselben zuverlässigen Daten zusammenzuarbeiten, anstatt isolierte Funktionen zu erstellen.
  • Audit-Trail für Compliance – Administratoren können die Funktionsnutzung aller Konten mithilfe von CloudTrail-Ereignisprotokollen zentral überwachen. Dies stellt einen Prüfpfad bereit, der für Governance und Compliance erforderlich ist.

Abgrenzung zwischen Produzenten und Konsumenten in kontoübergreifenden Feature-Stores

Im Bereich des maschinellen Lernens fungiert der Feature Store als entscheidende Brücke und verbindet diejenigen, die Daten liefern, mit denen, die sie nutzen. Diese Dichotomie lässt sich durch eine kontoübergreifende Einrichtung des Feature Stores effektiv bewältigen. Lassen Sie uns dies anhand der folgenden Personas und einer Analogie aus der realen Welt entmystifizieren:

  • Daten- und ML-Ingenieure (Eigentümer und Produzenten) – Sie legen den Grundstein, indem sie Daten in den Feature Store einspeisen
  • Datenwissenschaftler (Verbraucher) – Sie extrahieren und nutzen diese Daten, um ihre Modelle zu erstellen

Dateningenieure fungieren als Architekten, die den ersten Entwurf entwerfen. Ihre Aufgabe ist es, effiziente Datenpipelines aufzubauen und zu überwachen. Sie beziehen Daten aus Quellsystemen und formen Rohdatenattribute in erkennbare Merkmale. Nehmen wir zum Beispiel „Alter“. Obwohl es lediglich die Zeitspanne zwischen jetzt und dem Geburtsdatum einer Person darstellt, kann die Interpretation innerhalb einer Organisation unterschiedlich sein. Dabei steht die Sicherstellung von Qualität, Einheitlichkeit und Konsistenz im Vordergrund. Ihr Ziel ist es, Daten in einen zentralen Feature-Store einzuspeisen und diesen als unbestrittenen Referenzpunkt zu etablieren.

ML-Ingenieure verfeinern diese grundlegenden Funktionen und passen sie an ausgereifte ML-Workflows an. Im Bankenkontext könnten sie statistische Erkenntnisse aus Kontoständen ableiten und Trends und Flussmuster identifizieren. Die Hürde, vor der sie oft stehen, ist die Entlassung. Bei verschiedenen ML-Initiativen kommt es häufig vor, dass sich Pipelines zur Feature-Erstellung wiederholen.

Stellen Sie sich Datenwissenschaftler als Gourmetköche vor, die eine gut gefüllte Speisekammer auf der Suche nach den besten Zutaten für ihr nächstes kulinarisches Meisterwerk durchsuchen. Ihre Zeit sollte in die Entwicklung innovativer Datenrezepte investiert werden und nicht in den Wiederaufbau der Speisekammer. Die Hürde an dieser Stelle besteht darin, die richtigen Daten zu finden. Eine benutzerfreundliche Oberfläche, ausgestattet mit effizienten Suchfunktionen und umfassenden Funktionsbeschreibungen, ist unverzichtbar.

Im Wesentlichen segmentiert ein kontoübergreifendes Feature-Store-Setup die Rollen von Datenproduzenten und -konsumenten sorgfältig und sorgt so für Effizienz, Klarheit und Innovation. Unabhängig davon, ob Sie den Grundstein legen oder darauf aufbauen, ist es von entscheidender Bedeutung, Ihre Rolle und Ihre Werkzeuge zu kennen.

Das folgende Diagramm zeigt zwei verschiedene Datenwissenschaftlerteams aus zwei verschiedenen AWS-Konten, die denselben zentralen Feature-Store gemeinsam nutzen und verwenden, um die besten Features auszuwählen, die zum Erstellen ihrer ML-Modelle erforderlich sind. Der zentrale Feature-Store befindet sich in einem anderen Konto, das von Dateningenieuren und ML-Ingenieuren verwaltet wird, wo sich normalerweise auch die Data-Governance-Schicht und der Data Lake befinden.

Steuerelemente für kontoübergreifende Funktionsgruppen

Mit dem SageMaker Feature Store können Sie Featuregruppenressourcen kontenübergreifend teilen. Das Ressourceneigentümerkonto teilt Ressourcen mit den Ressourcenkonsumentenkonten. Es gibt zwei verschiedene Kategorien von Berechtigungen im Zusammenhang mit der Freigabe von Ressourcen:

  • Erkennbarkeitsberechtigungen - Auffindbarkeit bedeutet, dass Funktionsgruppennamen und Metadaten angezeigt werden können. Wenn Sie die Auffindbarkeitsberechtigung erteilen, werden alle Funktionsgruppenentitäten in dem Konto, das Sie freigeben (Ressourcenbesitzerkonto), für die Konten erkennbar, mit denen Sie teilen (Ressourcenkonsumentenkonten). Wenn Sie beispielsweise dafür sorgen, dass das Ressourcenbesitzerkonto für das Ressourcenkonsumentenkonto erkennbar ist, können die Prinzipale des Ressourcenkonsumentenkontos alle Funktionsgruppen sehen, die im Ressourcenbesitzerkonto enthalten sind. Diese Berechtigung wird Ressourcenverbraucherkonten mithilfe des SageMaker-Katalogressourcentyps gewährt.
  • Zugriffsberechtigungen – Wenn Sie eine Zugriffsberechtigung erteilen, tun Sie dies auf der Ressourcenebene der Funktionsgruppe (nicht auf der Kontoebene). Dadurch erhalten Sie eine detailliertere Kontrolle über die Gewährung des Zugriffs auf Daten. Die Art der Zugriffsberechtigungen, die gewährt werden können, sind „Nur Lesen“, „Lesen/Schreiben“ und „Administrator“. Abhängig von Ihren Geschäftsanforderungen können Sie beispielsweise nur bestimmte Funktionsgruppen aus dem Ressourceneigentümerkonto auswählen, damit diese für Prinzipale des Ressourcenkonsumentenkontos zugänglich sind. Diese Berechtigung wird Ressourcenkonsumentenkonten gewährt, indem der Ressourcentyp „Feature-Gruppe“ verwendet und Feature-Gruppen-Entitäten angegeben werden.

Das folgende Beispieldiagramm veranschaulicht die gemeinsame Nutzung des SageMaker-Katalogressourcentyps durch Gewährung der Auffindbarkeitsberechtigung im Vergleich zur gemeinsamen Nutzung einer Featuregruppen-Ressourcentypentität mit Zugriffsberechtigungen. Der SageMaker-Katalog enthält alle Ihre Feature-Gruppen-Entitäten. Wenn ihm eine Auffindbarkeitsberechtigung erteilt wird, kann das Ressourcenkonsumentenkonto alle Featuregruppenentitäten innerhalb des Ressourcenbesitzerkontos durchsuchen und entdecken. Eine Feature-Gruppenentität enthält Ihre ML-Daten. Wenn eine Zugriffsberechtigung erteilt wird, kann das Ressourcenkonsumentenkonto auf die Funktionsgruppendaten zugreifen, wobei der Zugriff durch die entsprechende Zugriffsberechtigung bestimmt wird.

Lösungsüberblick

Führen Sie die folgenden Schritte aus, um Funktionen mithilfe des SageMaker Feature Store sicher zwischen Konten zu teilen:

  1. Nehmen Sie im Quellkonto (Eigentümerkonto) Datensätze auf und bereiten Sie normalisierte Features vor. Organisieren Sie zusammengehörige Features in logischen Gruppen, sogenannten Feature-Gruppen.
  2. Erstellen Sie eine Ressourcenfreigabe, um kontoübergreifenden Zugriff auf bestimmte Funktionsgruppen zu gewähren. Definieren Sie zulässige Aktionen wie „Get“ und „Put“ und beschränken Sie den Zugriff nur auf autorisierte Konten.
  3. Akzeptieren Sie in den Zielkonten (Verbraucherkonten) die AWS RAM-Einladung, um auf gemeinsame Funktionen zuzugreifen. Überprüfen Sie die Zugriffsrichtlinie, um die gewährten Berechtigungen zu verstehen.

Entwickler in Zielkonten können jetzt mithilfe des SageMaker SDK gemeinsame Funktionen abrufen, mit zusätzlichen Daten verknüpfen und diese zum Trainieren von ML-Modellen verwenden. Das Quellkonto kann den Zugriff aller Konten auf gemeinsame Funktionen mithilfe von CloudTrail-Ereignisprotokollen überwachen. Audit-Protokolle bieten einen zentralen Einblick in die Funktionsnutzung.

Mit diesen Schritten können Sie Teams in Ihrer gesamten Organisation in die Lage versetzen, gemeinsam genutzte ML-Funktionen sicher für die kollaborative Modellentwicklung zu nutzen.

Voraussetzungen:

Wir gehen davon aus, dass Sie bereits Funktionsgruppen erstellt und die entsprechenden Funktionen in Ihr Eigentümerkonto aufgenommen haben. Weitere Informationen zu den ersten Schritten finden Sie unter Beginnen Sie mit dem Amazon SageMaker Feature Store.

Erteilen Sie Auffindbarkeitsberechtigungen

Zunächst zeigen wir, wie Sie unseren SageMaker Feature Store-Katalog im Eigentümerkonto teilen. Führen Sie die folgenden Schritte aus:

  1. Öffnen Sie im Besitzerkonto des SageMaker Feature Store-Katalogs die AWS RAM-Konsole.
  2. Der Von mir geteilt Wählen Sie im Navigationsbereich Ressourcenfreigaben.
  3. Auswählen Ressourcenfreigabe erstellen.
  4. Geben Sie einen Ressourcenfreigabenamen ein und wählen Sie SageMaker-Ressourcenkataloge als Ressourcentyp.
  5. Auswählen Weiter.
  6. Geben Sie für den Nur-Erkennbarkeits-Zugriff ein AWSRAMPermissionSageMakerCatalogResourceSearch für Verwaltete Berechtigungen.
  7. Auswählen Weiter.
  8. Geben Sie Ihre Verbraucherkonto-ID ein und wählen Sie Speichern. Sie können mehrere Verbraucherkonten hinzufügen.
  9. Auswählen Weiter und vervollständigen Sie Ihre Ressourcenfreigabe.

Jetzt sollte der freigegebene SageMaker Feature Store-Katalog auf der angezeigt werden Ressourcenfreigaben

Sie können das gleiche Ergebnis erzielen, indem Sie die verwenden AWS-Befehlszeilenschnittstelle (AWS CLI) mit dem folgenden Befehl (geben Sie Ihre AWS-Region, die Eigentümerkonto-ID und die Verbraucherkonto-ID an):

aws ram create-resource-share 
  --name MyCatalogFG 
  --resource-arns arn:aws:sagemaker:REGION:OWNERACCOUNTID:sagemaker-catalog/DefaultFeatureGroupCatalog 
  --principals CONSACCOUNTID 
  --permission-arns arn:aws:ram::aws:permission/AWSRAMPermissionSageMakerCatalogResourceSearch

Akzeptieren Sie die Einladung zur Ressourcenfreigabe

Um die Einladung zur Ressourcenfreigabe anzunehmen, führen Sie die folgenden Schritte aus:

  1. Öffnen Sie im Zielkonto (Verbraucherkonto) die AWS RAM-Konsole.
  2. Der Mit mir geteilt Wählen Sie im Navigationsbereich Ressourcenfreigaben.
  3. Wählen Sie die neue ausstehende Ressourcenfreigabe aus.
  4. Auswählen Ressourcenfreigabe akzeptieren.

Das gleiche Ergebnis können Sie mit der AWS CLI mit dem folgenden Befehl erzielen:

aws ram get-resource-share-invitations

Rufen Sie aus der Ausgabe des vorherigen Befehls den Wert von ab resourceShareInvitationArn und nehmen Sie dann die Einladung mit dem folgenden Befehl an:

aws ram accept-resource-share-invitation 
--resource-share-invitation-arn RESOURCESHAREINVITATIONARN

Der Arbeitsablauf ist der gleiche für die Freigabe von Funktionsgruppen mit einem anderen Konto über AWS RAM.

Nachdem Sie einige Funktionsgruppen für das Zielkonto freigegeben haben, können Sie den SageMaker Feature Store überprüfen und feststellen, dass der neue Katalog verfügbar ist.

Erteilen Sie Zugriffsberechtigungen

Mit Zugriffsberechtigungen können wir Berechtigungen auf der Ebene der Funktionsgruppenressourcen erteilen. Führen Sie die folgenden Schritte aus:

  1. Öffnen Sie im Besitzerkonto des SageMaker Feature Store-Katalogs die AWS RAM-Konsole.
  2. Der Von mir geteilt Wählen Sie im Navigationsbereich Ressourcenfreigaben.
  3. Auswählen Ressourcenfreigabe erstellen.
  4. Geben Sie einen Ressourcenfreigabenamen ein und wählen Sie SageMaker-Funktionsgruppen als Ressourcentyp.
  5. Wählen Sie eine oder mehrere Funktionsgruppen zum Teilen aus.
  6. Auswählen Weiter.
  7. Für Lese-/Schreibzugriff geben Sie ein AWSRAMPermissionSageMakerFeatureGroupReadWrite für Verwaltete Berechtigungen.
  8. Auswählen Weiter.
  9. Geben Sie Ihre Verbraucherkonto-ID ein und wählen Sie Speichern. Sie können mehrere Verbraucherkonten hinzufügen.
  10. Auswählen Weiter und vervollständigen Sie Ihre Ressourcenfreigabe.

Jetzt sollte der freigegebene Katalog auf der angezeigt werden Ressourcenfreigaben

Sie können das gleiche Ergebnis erzielen, indem Sie die AWS CLI mit dem folgenden Befehl verwenden (geben Sie Ihre Region, die Besitzerkonto-ID, die Verbraucherkonto-ID und den Funktionsgruppennamen an):

aws ram create-resource-share 
  --name MyCatalogFG 
  --resource-arns arn:aws:sagemaker:REGION:OWNERACCOUNTID:feature-group/FEATUREGROUPNAME 
  --principals CONSACCOUNTID 
  --permission-arns arn:aws:ram::aws:permission/AWSRAMPermissionSageMakerFeatureGroupReadWrite

Es gibt drei Arten von Zugriff, den Sie Funktionsgruppen gewähren können:

  • AWSRAMPermissionSageMakerFeatureGroupReadOnly – Mit der Nur-Lese-Berechtigung können Ressourcenkonsumentenkonten Datensätze in den gemeinsam genutzten Funktionsgruppen lesen und Details und Metadaten anzeigen
  • AWSRAMPermissionSageMakerFeatureGroupReadWrite – Mit der Lese-/Schreibberechtigung können Ressourcenkonsumentenkonten zusätzlich zu den Leseberechtigungen auch Datensätze in die freigegebenen Funktionsgruppen schreiben und Datensätze daraus löschen
  • AWSRAMPermissionSagemakerFeatureGroupAdmin – Die Administratorberechtigung ermöglicht es den Ressourcenkonsumentenkonten, zusätzlich zu den Lese-/Schreibberechtigungen die Beschreibung und Parameter von Funktionen innerhalb der gemeinsam genutzten Funktionsgruppen zu aktualisieren und die Konfiguration der gemeinsam genutzten Funktionsgruppen zu aktualisieren

Akzeptieren Sie die Einladung zur Ressourcenfreigabe

Um die Einladung zur Ressourcenfreigabe anzunehmen, führen Sie die folgenden Schritte aus:

  1. Öffnen Sie im Zielkonto (Verbraucherkonto) die AWS RAM-Konsole.
  2. Der Mit mir geteilt Wählen Sie im Navigationsbereich Ressourcenfreigaben.
  3. Wählen Sie die neue ausstehende Ressourcenfreigabe aus.
  4. Auswählen Ressourcenfreigabe akzeptieren.

Der Prozess zum Akzeptieren der Ressourcenfreigabe mithilfe der AWS CLI ist derselbe wie für den vorherigen Abschnitt zur Erkennbarkeit, mit den Befehlen get-resource-share-invitations und Accept-resource-share-invitation.

Beispielnotizbücher, die diese neue Funktion demonstrieren

Dem SageMaker Feature Store Workshop wurden zwei Notizbücher hinzugefügt GitHub-Repository im Ordner 09-module-security/09-03-cross-account-access:

  • m9_03_nb1_cross-account-admin.ipynb – Dies muss auf Ihrem AWS-Administrator- oder Besitzerkonto gestartet werden
  • m9_03_nb2_cross-account-consumer.ipynb – Dies muss auf Ihrem AWS-Verbraucherkonto gestartet werden

Das erste Skript zeigt, wie Sie die Auffindbarkeitsressourcenfreigabe für vorhandene Funktionsgruppen im Administrator- oder Eigentümerkonto erstellen und diese mithilfe der AWS RAM-API programmgesteuert für ein anderes Verbraucherkonto freigeben create_resource_share(). Außerdem wird gezeigt, wie Sie Zugriffsberechtigungen für vorhandene Funktionsgruppen im Eigentümerkonto erteilen und diese mithilfe von AWS RAM mit einem anderen Verbraucherkonto teilen. Sie müssen Ihre AWS-Konsumenten-ID angeben, bevor Sie das Notebook ausführen.

Das zweite Skript akzeptiert die AWS RAM-Einladungen zur Erkennung und zum Zugriff auf kontoübergreifende Funktionsgruppen auf Eigentümerebene. Anschließend wird gezeigt, wie Sie kontoübergreifende Funktionsgruppen ermitteln, die sich im Eigentümerkonto befinden, und diese im Verbraucherkonto auflisten. Sie können auch sehen, wie Sie mit Lese-/Schreibzugriff auf kontoübergreifende Funktionsgruppen zugreifen, die sich im Eigentümerkonto befinden, und wie Sie die folgenden Vorgänge vom Verbraucherkonto aus ausführen: describe(), get_record(), ingest() und delete_record().

Zusammenfassung

Die kontoübergreifende Funktion des SageMaker Feature Store bietet mehrere überzeugende Vorteile. Erstens erleichtert es die nahtlose Zusammenarbeit, indem es die gemeinsame Nutzung von Funktionsgruppen über mehrere AWS-Konten hinweg ermöglicht. Dies verbessert die Zugänglichkeit und Nutzung der Daten und ermöglicht es Teams in verschiedenen Konten, gemeinsame Funktionen für ihre ML-Workflows zu nutzen.

Darüber hinaus verbessert die kontoübergreifende Funktion die Datenverwaltung und -sicherheit. Mit kontrolliertem Zugriff und Berechtigungen über AWS RAM können Unternehmen einen zentralen Funktionsspeicher verwalten und gleichzeitig sicherstellen, dass jedes Konto über maßgeschneiderte Zugriffsebenen verfügt. Dies optimiert nicht nur die Datenverwaltung, sondern stärkt auch die Sicherheitsmaßnahmen, indem der Zugriff auf autorisierte Benutzer beschränkt wird.

Darüber hinaus vereinfacht die Möglichkeit, Funktionsgruppen über Konten hinweg zu teilen, den Prozess der Erstellung und Bereitstellung von ML-Modellen in einer kollaborativen Umgebung. Es fördert einen integrierteren und effizienteren Arbeitsablauf, reduziert die Redundanz bei der Datenspeicherung und erleichtert die Erstellung robuster Modelle mit gemeinsamen, hochwertigen Funktionen. Insgesamt optimiert die kontoübergreifende Funktionalität des Feature Stores die Zusammenarbeit, Governance und Effizienz bei der ML-Entwicklung über verschiedene AWS-Konten hinweg. Probieren Sie es aus und teilen Sie uns Ihre Meinung in den Kommentaren mit.

Über die Autoren

Ioan Catana ist leitender Lösungsarchitekt für künstliche Intelligenz und maschinelles Lernen bei AWS. Er unterstützt Kunden bei der Entwicklung und Skalierung ihrer ML-Lösungen in der AWS Cloud. Ioan verfügt über mehr als 20 Jahre Erfahrung, hauptsächlich im Design von Softwarearchitekturen und Cloud-Engineering.

Philipp Kaindl ist Senior Architect für künstliche Intelligenz und maschinelle Lernlösungen bei AWS. Mit einem Hintergrund in Datenwissenschaft und Maschinenbau liegt sein Fokus darauf, Kunden zu befähigen, mithilfe von KI nachhaltige Geschäftseffekte zu erzielen. Außerhalb der Arbeit bastelt Philipp gerne an 3D-Druckern, segelt und wandert.

Dhaval Shah ist Senior Solutions Architect bei AWS und auf maschinelles Lernen spezialisiert. Mit einem starken Fokus auf Digital-Native-Unternehmen ermöglicht er Kunden, AWS zu nutzen und ihr Geschäftswachstum voranzutreiben. Als ML-Enthusiast wird Dhaval von seiner Leidenschaft angetrieben, wirkungsvolle Lösungen zu schaffen, die positive Veränderungen bewirken. In seiner Freizeit geht er seiner Liebe zum Reisen nach und genießt schöne Momente mit seiner Familie.

Mizanur Rahman ist Senior Software Engineer für den Amazon SageMaker Feature Store mit über 10 Jahren praktischer Erfahrung, spezialisiert auf KI und ML. Er verfügt über ein solides Fundament sowohl in der Theorie als auch in der praktischen Anwendung und verfügt über einen Ph.D. in Betrugserkennung mittels maschinellem Lernen, was sein Engagement für die Weiterentwicklung dieses Fachgebiets widerspiegelt. Sein Fachwissen umfasst ein breites Spektrum und umfasst skalierbare Architekturen, verteiltes Computing, Big-Data-Analysen, Mikrodienste und Cloud-Infrastrukturen für Unternehmen.

spot_img

Neueste Intelligenz

spot_img

Copyright @ 2024 Plato Technologies Inc.