At 삼바안전, 그들의 임무는 데이터 통찰력을 통해 위험을 줄임으로써 더 안전한 커뮤니티를 촉진하는 것입니다. 1998년부터 SambaSafety는 상업적 및 비상업적 드라이버를 사용하는 조직을 위한 클라우드 기반 이동성 위험 관리 소프트웨어의 북미 최고의 공급자였습니다. SambaSafety는 15,000개 이상의 글로벌 고용주와 보험사에 운전자 위험 및 규정 준수 모니터링, 온라인 교육 및 심층 위험 분석, 위험 가격 책정 솔루션을 제공합니다. 운전자 기록, 텔레매틱스, 기업 및 기타 센서 데이터의 수집, 상관관계 및 분석을 통해 SambaSafety는 고용주가 안전 정책을 더 잘 시행하고 청구를 줄이는 데 도움이 될 뿐만 아니라 보험사가 정보에 입각한 인수 결정을 내리고 백그라운드 스크리너가 정확하고 효율적인 사전 고용을 수행하도록 돕습니다. 체크 무늬.

모든 운전자가 동일한 위험 프로필을 나타내는 것은 아닙니다. 운전하는 데 더 많은 시간을 보낼수록 위험 프로필이 높아집니다. SambaSafety의 데이터 과학자 팀은 이 위험 프로필을 정확하게 정량화하도록 설계된 복잡하고 적절한 모델링 솔루션을 개발했습니다. 그러나 그들은 일관되고 신뢰할 수 있는 방식으로 배치 및 실시간 추론을 위해 이 솔루션을 배포하기 위한 지원을 요청했습니다.

이 게시물에서는 SambaSafety가 AWS 기계 학습(ML)과 지속적 통합 및 지속적 전달(CI/CD) 도구를 사용하여 배치 추론을 위해 기존 데이터 과학 애플리케이션을 배포하는 방법에 대해 설명합니다. SambaSafety는 AWS 고급 컨설팅 파트너와 협력했습니다. 파이어마인드 사용한 솔루션을 제공하기 위해 AWS 코드스타, AWS 단계 함수및 아마존 세이지 메이커 이 워크로드에 대해. AWS CI/CD 및 AI/ML 제품을 사용하여 SambaSafety의 데이터 과학 팀은 지속적인 모델 교육 및 추론을 활용하기 위해 기존 개발 워크플로를 변경할 필요가 없었습니다.

고객 유스 케이스

SambaSafety의 데이터 과학 팀은 오랫동안 데이터의 힘을 사용하여 비즈니스에 정보를 제공해 왔습니다. 플랫폼에서 위험 분석의 품질을 개선하는 통찰력 있는 모델을 구축하는 숙련된 엔지니어와 과학자가 여럿 있었습니다. 이 팀이 직면한 문제는 데이터 과학과 관련이 없습니다. SambaSafety의 데이터 사이언스 팀은 기존 데이터 사이언스 워크플로를 지속적인 제공 솔루션에 연결하는 데 도움이 필요했습니다.

SambaSafety의 데이터 과학 팀은 개발 워크플로의 일부로 여러 스크립트와 유사한 아티팩트를 유지 관리했습니다. 이 스크립트는 데이터 전처리, 기능 엔지니어링, 모델 생성, 모델 튜닝, 모델 비교 및 ​​검증을 비롯한 여러 작업을 수행했습니다. 이 스크립트는 새로운 데이터가 교육을 위해 환경에 도착했을 때 모두 수동으로 실행되었습니다. 또한 이러한 스크립트는 모델 버전 관리 또는 추론을 위한 호스팅을 수행하지 않았습니다. SambaSafety의 데이터 과학 팀은 새 모델을 프로덕션으로 승격하기 위해 수동 해결 방법을 개발했지만 이 프로세스는 시간 소모적이고 노동 집약적이었습니다.

SambaSafety의 고도로 숙련된 데이터 과학 팀이 새로운 ML 워크로드를 혁신할 수 있도록 SambaSafety는 기존 모델 유지 관리와 관련된 수동 작업을 자동화해야 했습니다. 또한 SambaSafety의 데이터 과학 팀에서 사용하는 수동 워크플로를 복제하고 이러한 스크립트의 결과에 따라 진행에 대한 결정을 내리는 데 필요한 솔루션이었습니다. 마지막으로 솔루션은 기존 코드 베이스와 통합되어야 했습니다. SambaSafety 데이터 과학 팀은 AWS 외부의 코드 리포지토리 솔루션을 사용했습니다. 최종 파이프라인은 주로 R.

솔루션 개요

다음 다이어그램은 SambaSafety의 제공 파트너가 유지 관리하는 많은 오픈 소스 아키텍처 중 하나에서 정보를 얻은 솔루션 아키텍처를 보여줍니다. 파이어마인드.

Firemind가 SambaSafety의 데이터 과학 팀을 위해 제공한 솔루션은 두 개의 ML 파이프라인을 중심으로 구축되었습니다. 첫 번째 ML 파이프라인은 SambaSafety의 사용자 지정 데이터 전처리, 교육 및 테스트 스크립트를 사용하여 모델을 교육합니다. 결과 모델 아티팩트는 SageMaker에서 관리하는 모델 엔드포인트에 대한 배치 및 실시간 추론을 위해 배포됩니다. 두 번째 ML 파이프라인은 호스팅된 모델에 대한 추론 요청을 용이하게 합니다. 이러한 방식으로 훈련을 위한 파이프라인은 추론을 위한 파이프라인에서 분리됩니다.

이 프로젝트의 복잡성 중 하나는 SambaSafety 데이터 과학자가 수행한 수동 단계를 복제하는 것입니다. Firemind 팀은 Step Functions 및 SageMaker Processing을 사용하여 이 작업을 완료했습니다. Step Functions를 사용하면 다음을 사용하여 AWS에서 개별 작업을 실행할 수 있습니다. AWS 람다 기능, Amazon Elastic Kubernetes 서비스 (Amazon EKS) 작업자 또는 이 경우 SageMaker. SageMaker Processing을 사용하면 SageMaker 에코시스템 내의 관리형 ML 인스턴스에서 실행되는 작업을 정의할 수 있습니다. Step Function 작업의 각 실행은 작업의 성공 또는 실패에 대한 자체 로그, 실행 기록 및 세부 정보를 유지합니다.

팀은 Lambda와 함께 Step Functions 및 SageMaker를 사용하여 교육, 튜닝, 배포 및 추론 워크로드의 자동화를 처리했습니다. 남은 유일한 부분은 이 배포 파이프라인에 코드 변경 사항을 지속적으로 통합하는 것이었습니다. Firemind는 SambaSafety의 기존 코드 저장소에 대한 연결을 유지하는 CodeStar 프로젝트를 구현했습니다. SambaSafety의 부지런한 데이터 과학 팀이 코드 베이스의 특정 분기에 대한 업데이트를 게시하면 CodeStar는 변경 사항을 선택하고 자동화를 트리거합니다.

결론

SambaSafety의 새로운 서버리스 MLOps 파이프라인은 제공 능력에 상당한 영향을 미쳤습니다. 데이터 과학과 소프트웨어 개발의 통합으로 팀이 원활하게 협력할 수 있습니다. 자동화된 모델 배포 솔루션은 제공 시간을 최대 70% 단축했습니다.

SambaSafety는 또한 다음과 같이 말했습니다.

“데이터 과학 모델을 자동화하고 이를 소프트웨어 개발 수명 주기에 통합함으로써 서비스에서 새로운 수준의 효율성과 정확성을 달성할 수 있었습니다. 이를 통해 우리는 경쟁 우위를 유지하고 고객에게 혁신적인 솔루션을 제공할 수 있었습니다. 우리 고객은 더 빠른 처리 시간과 솔루션의 정확성 향상으로 큰 이점을 얻을 것입니다.”

SambaSafety는 문제가 있는 AWS 계정 팀과 연결했습니다. AWS 계정 및 솔루션 아키텍처 팀은 강력한 파트너 네트워크에서 소싱하여 이 솔루션을 식별하기 위해 노력했습니다. AWS 계정 팀과 연결하여 비즈니스에 대한 유사한 혁신 기회를 식별하십시오.

저자에 관하여

댄 퍼거슨 Amazon Web Services 사모펀드 솔루션 아키텍처의 AI/ML 전문가 SA(솔루션 아키텍트)입니다. Dan은 Private Equity 지원 포트폴리오 회사가 AI/ML 기술을 활용하여 비즈니스 목표를 달성하도록 돕습니다.

칼릴 아디브 Firemind의 데이터 과학자로서 Firemind가 AI 및 ML의 마법 같은 세계에서 고객에게 제공할 수 있는 혁신을 주도하고 있습니다. Khalil은 Firemind가 항상 최첨단에 있도록 최신의 최고의 기술과 모델을 만지작거립니다.

제이슨 매튜 Firemind의 클라우드 엔지니어로서 IaC로 파이프라인을 작성하고 Python으로 데이터 엔지니어링을 구축하고 ML의 경계를 확장하는 것부터 엔드 투 엔드로 고객을 위한 프로젝트 제공을 이끌고 있습니다. Jason은 또한 Firemind 오픈 소스 프로젝트의 주요 기여자이기도 합니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• EVM 금융. 탈중앙화 금융을 위한 통합 인터페이스. 여기에서 액세스하십시오.
• 퀀텀미디어그룹. IR/PR 증폭. 여기에서 액세스하십시오.
• PlatoAiStream. Web3 데이터 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/machine-learning/samba-safety-automates-custom-r-workload-improving-driver-safety-with-amazon-sagemaker-and-aws-step-functions/