Bu yazı Booking.com'dan Kostia Kofman ve Jenny Tokar ile birlikte yazılmıştır.

Çevrimiçi seyahat endüstrisinde küresel bir lider olarak, Booking.com hizmetlerini geliştirmek ve müşterilerine özel ve kusursuz deneyimler sunmak için her zaman yenilikçi yollar arıyor. Booking.com'daki Sıralama ekibi, arama ve öneri algoritmalarının kullanıcılarına en iyi sonuçları sunacak şekilde optimize edilmesini sağlamada çok önemli bir rol oynuyor.

Şirket içi kaynakları diğer dahili ekiplerle paylaşan Sıralama ekibindeki makine öğrenimi (ML) bilim insanları, model eğitimi ve deneme kaynaklarına erişmek için sıklıkla uzun bekleme süreleriyle karşılaştı; bu da onların hızla deney yapma ve yenilik yapma becerilerini zorluyor. Modernize edilmiş bir makine öğrenimi altyapısına olan ihtiyacın farkına varan Sıralama ekibi, Amazon Adaçayı Yapıcı ML modellerini geniş ölçekte oluşturmak, eğitmek ve dağıtmak.

Booking.com işbirliği yaptı AWS Profesyonel Hizmetleri Aşağıdaki iyileştirmeler aracılığıyla iyileştirilmiş makine öğrenimi modellerinin pazara çıkış süresini hızlandıracak bir çözüm oluşturmak:

• Eğitim ve deneme kaynakları için daha kısa bekleme süreleri
• Hiperparametre ayarı gibi temel makine öğrenimi yeteneklerinin entegrasyonu
• Makine öğrenimi modelleri için azaltılmış geliştirme döngüsü

Bekleme sürelerinin azalması, ekibin modelleri hızlı bir şekilde tekrarlayıp deneyebileceği ve çok daha hızlı bir şekilde içgörü elde edebileceği anlamına gelecektir. SageMaker'ın isteğe bağlı mevcut örneklerinin kullanılması, bekleme süresinin on kat azaltılmasına olanak sağladı. Hiperparametre ayarlama ve model açıklanabilirliği gibi temel makine öğrenimi yetenekleri şirket içinde eksikti. Ekibin modernizasyon yolculuğu bu özellikleri şu şekilde tanıttı: Amazon SageMaker Otomatik Model Ayarlama ve Amazon SageMaker Netleştirin. Son olarak ekibin amacı, kodda yapılan her değişiklikle ilgili anında geri bildirim almak, geri bildirim döngüsünü dakikalardan bir an'a indirmek ve böylece makine öğrenimi modellerinin geliştirme döngüsünü azaltmaktı.

Bu yazıda, Booking.com'daki Sıralama ekibinin, makine öğrenimi deneme çerçevelerini modernleştirmek için SageMaker'ın yeteneklerinden yararlanırken gerçekleştirdiği yolculuğu ayrıntılarıyla ele alıyoruz. Bunu yaparak, yalnızca mevcut zorlukların üstesinden gelmekle kalmadılar, aynı zamanda arama deneyimlerini de geliştirerek sonuçta dünya çapında milyonlarca gezgine fayda sağladılar.

Modernizasyona yaklaşım

Sıralama ekibi, her birinin kendi modelini çevrimdışı olarak geliştirmesi ve test etmesi gereken birkaç makine öğrenimi bilim adamından oluşur. Bir model çevrimdışı değerlendirmeye göre başarılı görüldüğünde üretim A/B testine taşınabilir. Çevrimiçi gelişme gösteriyorsa tüm kullanıcılara dağıtılabilir.

Bu projenin amacı, makine öğrenimi bilim adamlarının özelleştirilebilir uygulamaları kolayca çalıştırabilecekleri kullanıcı dostu bir ortam yaratmaktı. Amazon SageMaker Model Oluşturma İşlem Hatları Uzun ve karmaşık modülleri kodlamaya gerek kalmadan hipotezlerini test etmek.

Karşılaşılan çeşitli zorluklardan biri, mevcut şirket içi işlem hattı çözümünün AWS'de kullanılmak üzere uyarlanmasıydı. Çözüm iki temel bileşeni içeriyordu:

• Mevcut kodu değiştirme ve genişletme – Çözümümüzün ilk kısmı, mevcut kodumuzun AWS altyapısıyla uyumlu hale getirilmesi için değiştirilmesini ve genişletilmesini içeriyordu. Bu, şirket içi işlemlerden bulut tabanlı işlemlere sorunsuz bir geçişin sağlanması açısından çok önemliydi.
• İstemci paketi geliştirme – SageMaker API'leri ve önceden var olan kod etrafında sarmalayıcı görevi gören bir istemci paketi geliştirildi. Bu paket, ikisini birleştirerek ML bilim adamlarının ML işlem hatlarını kodlamaya gerek kalmadan kolayca yapılandırmasına ve dağıtmasına olanak tanır.

SageMaker işlem hattı yapılandırması

Özelleştirilebilirlik, model oluşturma hattının anahtarıdır ve bu, config.ini, kapsamlı bir yapılandırma dosyası. Bu dosya, işlem hattının tüm girişleri ve davranışları için kontrol merkezi görevi görür.

İçeride mevcut konfigürasyonlar config.ini şunları içerir:

• Boru hattı ayrıntıları – Uygulayıcı işlem hattının adını tanımlayabilir, hangi adımların çalıştırılması gerektiğini belirleyebilir, çıktıların nerede saklanması gerektiğini belirleyebilir Amazon Basit Depolama Hizmeti (Amazon S3) ve hangi veri kümelerinin kullanılacağını seçin
• AWS hesap ayrıntıları – İşlem hattının hangi Bölgede çalışması gerektiğine ve hangi rolün kullanılması gerektiğine karar verebilirsiniz
• Adıma özel konfigürasyon – İşlem hattındaki her adım için, kullanılacak örneklerin sayısı ve türü gibi ayrıntıların yanı sıra ilgili parametreleri de belirtebilirsiniz.

Aşağıdaki kod örnek bir yapılandırma dosyasını gösterir:

[BUILD]
pipeline_name = ranking-pipeline
steps = DATA_TRANFORM, TRAIN, PREDICT, EVALUATE, EXPLAIN, REGISTER, UPLOAD
train_data_s3_path = s3://...
...
[AWS_ACCOUNT]
region = eu-central-1
...
[DATA_TRANSFORM_PARAMS]
input_data_s3_path = s3://...
compression_type = GZIP
....
[TRAIN_PARAMS]
instance_count = 3
instance_type = ml.g5.4xlarge
epochs = 1
enable_sagemaker_debugger = True
...
[PREDICT_PARAMS]
instance_count = 3
instance_type = ml.g5.4xlarge
...
[EVALUATE_PARAMS]
instance_type = ml.m5.8xlarge
batch_size = 2048
...
[EXPLAIN_PARAMS]
check_job_instance_type = ml.c5.xlarge
generate_baseline_with_clarify = False
....

config.ini Başarılı bir eğitim hattı çalıştırması için gereken minimum yapılandırmayı temsil eden, Git tarafından yönetilen sürüm kontrollü bir dosyadır. Geliştirme sırasında sürüm kontrollü olmayan yerel yapılandırma dosyaları kullanılabilir. Bu yerel yapılandırma dosyalarının yalnızca belirli bir çalıştırmayla ilgili ayarları içermesi gerekir; bu da karmaşıklık olmadan esneklik sağlar. İşlem hattı oluşturma istemcisi, en sonuncusu önceki ayarlara göre öncelikli olacak şekilde birden fazla yapılandırma dosyasını işleyecek şekilde tasarlanmıştır.

SageMaker işlem hattı adımları

Boru hattı aşağıdaki adımlara ayrılmıştır:

• Veri hazırlamayı eğitin ve test edin – Terabaytlarca ham veri bir S3 klasörüne kopyalanır ve işlenir. AWS Tutkal Spark işleme için işler, böylece veriler uyumluluk için yapılandırılır ve biçimlendirilir.
• Tren – Eğitim adımı, SageMaker eğitim işleri için TensorFlow tahmin aracını kullanır. Eğitim, Horovod kullanılarak dağıtılmış bir şekilde gerçekleşir ve ortaya çıkan model yapısı Amazon S3'te depolanır. Hiperparametre ayarlaması için, objektif metriğe göre en iyi model seçilerek bir hiperparametre optimizasyonu (HPO) işi başlatılabilir.
• Tahmin – Bu adımda, bir SageMaker İşleme işi, tahminlerde bulunmak için depolanan model yapıtını kullanır. Bu süreç mevcut makinelerde paralel olarak çalışır ve tahmin sonuçları Amazon S3'te saklanır.
• Değerlendirmek – Bir PySpark işleme işi, modeli özel bir Spark betiği kullanarak değerlendirir. Değerlendirme raporu daha sonra Amazon S3'te saklanır.
• Şart – Değerlendirme sonrasında modelin kalitesine ilişkin bir karara varılır. Bu karar, yapılandırma dosyasında tanımlanan bir durum metriğine dayanmaktadır. Değerlendirme olumlu ise model onaylanmış olarak tescil edilir; aksi halde reddedildi olarak kaydedilir. Her iki durumda da değerlendirme ve açıklanabilirlik raporu oluşturulmuşsa model kaydına kaydedilir.
• Çıkarım için paket modeli – Bir işleme işi kullanılarak, değerlendirme sonuçları olumlu ise model paketlenir, Amazon S3'te saklanır ve dahili ML portalına yüklenmeye hazır hale getirilir.
• Açıklamak – SageMaker Clarify bir açıklanabilirlik raporu oluşturur.

İki farklı depo kullanılır. İlk depo, ML ardışık düzeninin tanımını ve derleme kodunu içerir; ikinci depo ise işleme, eğitim, tahmin ve değerlendirme gibi her adımın içinde çalışan kodu içerir. Bu çift depolu yaklaşım, daha fazla modülerlik sağlar ve bilim ve mühendislik ekiplerinin ML kodu ve ML işlem hattı bileşenleri üzerinde bağımsız olarak yineleme yapmasına olanak tanır.

Aşağıdaki şemada çözüm iş akışı gösterilmektedir.

Otomatik model ayarlama

ML modellerinin eğitimi, iş kullanımına yönelik sağlam ve performanslı bir nihai model oluşturmak için birden fazla eğitim deneyinden oluşan yinelemeli bir yaklaşım gerektirir. ML bilim adamlarının eğitim sırasında uygun model türünü seçmesi, doğru girdi veri kümelerini oluşturması ve model öğrenme sürecini kontrol eden hiperparametreler kümesini ayarlaması gerekir.

Model eğitim süreci için hiper parametrelere yönelik uygun değerlerin seçilmesi, modelin nihai performansını önemli ölçüde etkileyebilir. Ancak belirli bir kullanım durumu için hangi değerlerin uygun olduğunu belirlemenin benzersiz veya tanımlanmış bir yolu yoktur. Çoğu zaman, makine öğrenimi bilim adamlarının biraz farklı hiperparametre kümeleriyle birden fazla eğitim işi yürütmesi, model eğitim ölçümlerini gözlemlemesi ve ardından bir sonraki yineleme için daha umut verici değerler seçmeye çalışması gerekecektir. Model performansını ayarlamaya yönelik bu süreç aynı zamanda hiperparametre optimizasyonu (HPO) olarak da bilinir ve bazen yüzlerce deney gerektirebilir.

Sıralama ekibi HPO'yu şirket içi ortamlarında manuel olarak gerçekleştiriyordu çünkü paralel olarak yalnızca çok sınırlı sayıda eğitim işi başlatabiliyorlardı. Bu nedenle, HPO'yu sırayla çalıştırmaları, farklı hiperparametre değerleri kombinasyonlarını manuel olarak test etmeleri ve seçmeleri ve ilerlemeyi düzenli olarak izlemeleri gerekiyordu. Bu, model geliştirme ve ayarlama sürecini uzattı ve uygun bir süre içinde yürütülebilecek genel HPO deneylerinin sayısını sınırladı.

AWS'ye geçişle birlikte Sıralama ekibi, SageMaker'ın otomatik model ayarlama (AMT) özelliğini kullanabildi. AMT, Ranking ML bilim adamlarının, seçilen metriğe göre nihai modelin en iyi performans gösteren sürümünü bulmak için hiperparametre ilgi aralıkları dahilinde yüzlerce eğitim işini otomatik olarak başlatmasına olanak tanır. Sıralama ekibi artık hiperparametre seçimi için dört farklı otomatik ayarlama stratejisi arasından seçim yapabiliyor:

• ızgara arama – AMT, tüm hiperparametrelerin kategorik değerler olmasını bekleyecek ve tüm hiperparametre alanını keşfederek her farklı kategorik kombinasyon için eğitim işleri başlatacak.
• Rastgele arama – AMT, sağlanan aralıklar dahilinde hiperparametre değerleri kombinasyonlarını rastgele seçecektir. Farklı eğitim işleri ve parametre değeri seçimi arasında bağımlılık olmadığından, bu yöntemle birden fazla paralel eğitim işi başlatılabilir ve böylece optimum parametre seçim süreci hızlandırılır.
• Bayes optimizasyonu – AMT, en iyi hiperparametre değerleri kümesini tahmin etmek için Bayesian optimizasyon uygulamasını kullanır ve bunu bir regresyon problemi olarak ele alır. Daha önce test edilen hiperparametre kombinasyonlarını ve bunun yeni parametre seçimiyle model eğitim işleri üzerindeki etkisini dikkate alacak, daha az deneyle daha akıllı parametre seçimi için optimizasyon yapacak, ancak aynı zamanda önceki eğitimlerden her zaman öğrenebilmek için eğitim işlerini yalnızca sırayla başlatacak.
• hiper bant – AMT, daha umut verici sonuçlar gösteren ve düşük performans gösterenleri otomatik olarak durduran hiperparametre yapılandırmalarıyla kaynakları eğitim işlerine dinamik olarak yeniden tahsis etmek için çalıştırdığı eğitim işlerinin ara ve nihai sonuçlarını kullanacaktır.

SageMaker'daki AMT, Ranking ekibinin ilk kez birden fazla paralel deney yürütmesini, otomatik ayarlama stratejilerini kullanmasını ve birkaç gün içinde çift haneli eğitim işi çalıştırmalarını gerçekleştirmesini sağlayarak, model geliştirmeleri için hiperparametre ayarlama sürecinde harcanan zamanı azaltmalarını sağladı. tesiste mümkün olmayan bir şey.

SageMaker Clarify ile model açıklanabilirliği

Model açıklanabilirliği, özellik mühendisliği ve seçim kararları için değerli bilgiler sağlayarak ML uygulayıcılarının ML modellerinin doğasını ve davranışını anlamalarına olanak tanır ve bu da model tahminlerinin kalitesini artırır. Sıralama ekibi açıklanabilirlik öngörülerini iki şekilde değerlendirmek istedi: özellik girdilerinin tüm veri kümesi genelinde model çıktılarını nasıl etkilediğini anlamak (küresel yorumlanabilirlik) ve ayrıca ilgi çekici bir veri noktasında belirli bir model tahmini için girdi özelliği etkisini keşfedebilmek ( yerel yorumlanabilirlik). Bu verilerle Ranking ML bilim insanları, model performanslarını nasıl daha da geliştirebilecekleri konusunda bilinçli kararlar alabilir ve modelin zaman zaman sağlayacağı zorlu tahmin sonuçlarını hesaba katabilirler.

SageMaker Clarify, aşağıdakileri kullanarak model açıklanabilirlik raporları oluşturmanıza olanak tanır: Shapley Katkı Maddesi Açıklamaları (SHAP) modellerinizi SageMaker'da eğitirken hem küresel hem de yerel model yorumlanabilirliğini destekler. Model açıklanabilirlik raporlarına ek olarak SageMaker Clarify, eğitim öncesi önyargı ölçümleri, eğitim sonrası önyargı ölçümleri ve kısmi bağımlılık grafikleri için analizlerin yürütülmesini destekler. İş, AWS hesabında bir SageMaker İşleme işi olarak çalıştırılacak ve doğrudan SageMaker işlem hatlarıyla entegre olacak.

Global yorumlanabilirlik raporu iş çıktısında otomatik olarak oluşturulacak ve Amazon SageMaker Stüdyosu Eğitim deneyinin bir parçası olarak çevre. Bu model daha sonra SageMaker model kaydına kaydedilirse rapor ayrıca model yapısına bağlanacaktır. Sıralama ekibi bu seçeneklerin her ikisini de kullanarak farklı model versiyonlarını ve bunların davranışsal değişikliklerini kolayca takip edebildi.

Sıralama ekibi, girdi özelliğinin tek bir tahmin (yerel yorumlanabilirlik değerleri) üzerindeki etkisini araştırmak için parametreyi etkinleştirdi save_local_shap_values SageMaker Clarify işlerinde görev aldım ve bunları SageMaker Studio'daki Jupyter not defterlerinde daha fazla analiz için S3 klasöründen yükleyebildim.

Önceki resimler, rastgele bir ML modeli için model açıklanabilirliğinin nasıl görüneceğine dair bir örnek göstermektedir.

Eğitim optimizasyonu

Derin öğrenmenin (DL) yükselişi, ML'nin giderek daha fazla hesaplama gücüne ve büyük miktarda veriye bağımlı hale gelmesine yol açtı. ML uygulayıcıları genellikle bu karmaşık modelleri eğitirken kaynakları verimli bir şekilde kullanma engeliyle karşı karşıya kalır. Büyük bilgi işlem kümeleri üzerinde eğitim çalıştırdığınızda, kaynak kullanımını optimize etmede G/Ç darboğazları, çekirdek başlatma gecikmeleri, bellek kısıtlamaları ve az kullanılan kaynaklar gibi sorunlar dahil olmak üzere çeşitli zorluklar ortaya çıkar. Eğitim işinin yapılandırmasında verimlilik açısından ince ayar yapılmadıysa, bu engeller yetersiz donanım kullanımına, uzayan eğitim sürelerine ve hatta eksik eğitim çalışmalarına neden olabilir. Bu faktörler proje maliyetlerini artırır ve zaman çizelgelerini geciktirir.

CPU ve GPU kullanımının profilinin çıkarılması, bu verimsizliklerin anlaşılmasına, modelinizdeki çeşitli TensorFlow işlemlerinin donanım kaynağı tüketiminin (zaman ve bellek) belirlenmesine, performans darboğazlarının çözülmesine ve sonuç olarak modelin daha hızlı çalışmasına yardımcı olur.

Sıralama ekibi çerçeve profil oluşturma özelliğini kullandı Amazon SageMaker Hata Ayıklayıcısı (artık lehine kullanımdan kaldırıldı Amazon SageMaker Profil Oluşturucu) bu eğitim işlerini optimize etmek için. Bu, CPU ve GPU kullanımları, GPU'larda çekirdek çalıştırmaları, CPU'larda çekirdek başlatmaları, senkronizasyon işlemleri, GPU'lar arasındaki bellek işlemleri, çekirdek başlatmaları ile karşılık gelen çalıştırmalar arasındaki gecikmeler ve CPU'lar arasında veri aktarımı gibi CPU'lar ve GPU'lar üzerindeki tüm etkinlikleri izlemenize olanak tanır. ve GPU'lar.

Sıralama ekibi ayrıca TensorFlow Profiler özelliği Tensör KartıBu, TensorFlow modeli eğitiminin profilinin çıkarılmasına daha da yardımcı oldu. SageMaker artık TensorBoard ile daha da entegre edilmiştir TensorBoard'un görselleştirme araçlarını SageMaker eğitimi ve etki alanlarıyla entegre olarak SageMaker'a getiriyor. TensorBoard, TensorBoard görselleştirme eklentilerini kullanarak model hata ayıklama görevlerini gerçekleştirmenize olanak tanır.

Ranking ekibi, bu iki aracın yardımıyla TensorFlow modelini optimize etti ve darboğazları tespit ederek ortalama eğitim adım süresini CPU'da 350 milisaniyeden 140 milisaniyeye ve GPU'da 170 milisaniyeden 70 milisaniyeye düşürerek %60 hızlanma elde etti. ve sırasıyla %59.

iş sonuçları

Geçiş çabaları, kullanılabilirliği, ölçeklenebilirliği ve esnekliği artırmaya odaklandı; bu, ML ortamını toplu olarak yeni bir operasyonel mükemmellik düzeyine taşıdı; artan model eğitim sıklığı ve azalan arızalar, optimize edilmiş eğitim süreleri ve gelişmiş ML yetenekleri ile örneklendi.

Model eğitim sıklığı ve başarısızlıkları

Aylık model eğitimi işlerinin sayısı beş kat arttı ve bu da model optimizasyonlarının önemli ölçüde daha sık olmasına yol açtı. Ayrıca, yeni makine öğrenimi ortamı, işlem hattı çalıştırmalarının başarısızlık oranının yaklaşık %50'den %20'ye düşmesini sağladı. Başarısız iş işleme süresi, ortalama bir saatten, ihmal edilebilir 5 saniyeye kadar önemli ölçüde azaldı. Bu, operasyonel verimliliği büyük ölçüde artırdı ve kaynak israfını azalttı.

Optimize edilmiş eğitim süresi

Geçiş, SageMaker tabanlı GPU eğitimi sayesinde verimlilik artışını da beraberinde getirdi. Bu değişim, model eğitim süresini önceki sürenin beşte birine indirdi. Daha önce, derin öğrenme modellerinin eğitim süreçleri CPU'da yaklaşık 60 saat sürüyordu; bu süre GPU'da yaklaşık 12 saate indirildi. Bu iyileştirme yalnızca zamandan tasarruf sağlamakla kalmaz, aynı zamanda geliştirme döngüsünü hızlandırarak daha hızlı yinelemelere ve model iyileştirmelerine olanak tanır.

Gelişmiş makine öğrenimi yetenekleri

Geçişin başarısının temelinde, hiperparametre ayarlaması ve model açıklanabilirliğini kapsayan SageMaker özellik setinin kullanılması yatmaktadır. Ayrıca geçiş, aşağıdakileri kullanarak kesintisiz deneme takibine olanak sağladı: Amazon SageMaker Deneyleri, daha anlayışlı ve üretken denemelere olanak tanır.

En önemlisi, yeni makine öğrenimi deneme ortamı, şu anda üretimde olan yeni bir modelin başarılı bir şekilde geliştirilmesini destekledi. Bu model, ağaç tabanlı olmaktan ziyade derin öğrenmedir ve çevrimiçi model performansında gözle görülür gelişmeler sağlamıştır.

Sonuç

Bu gönderi, ölçeklenebilir bir makine öğrenimi çerçevesinin uygulanmasıyla sonuçlanan ve Sıralama ekibinin makine öğrenimi modellerinin pazara çıkış süresini başarıyla kısaltan AWS Profesyonel Hizmetler ve Booking.com iş birliğine genel bir bakış sağladı.

Booking.com'daki Sıralama ekibi, buluta ve SageMaker'a geçişin faydalı olduğunu ve makine öğrenimi işlemleri (MLOps) uygulamalarının uyarlanmasının makine öğrenimi mühendisleri ve bilim adamlarının kendi işlerine odaklanmasına ve geliştirme hızını artırmasına olanak tanıdığını öğrendi. Ekip, öğrendiklerini ve yapılan çalışmaları Booking.com'daki tüm makine öğrenimi topluluğuyla, makine öğrenimi uygulayıcılarıyla kodu ve yetenekleri paylaştıkları görüşmeler ve özel oturumlar aracılığıyla paylaşıyor. Bu gönderinin bilgiyi paylaşmanın başka bir yolu olabileceğini umuyoruz.

AWS Profesyonel Hizmetler, ekibinizin AWS'de ölçeklenebilir ve üretime hazır makine öğrenimi geliştirmesine yardımcı olmaya hazırdır. Daha fazla bilgi için bakınız AWS Profesyonel Hizmetleri veya iletişime geçmek için hesap yöneticiniz aracılığıyla iletişime geçin.

Yazarlar Hakkında

Laurens van der Maas AWS Profesyonel Hizmetler'de Makine Öğrenimi Mühendisidir. AWS'de makine öğrenimi çözümlerini oluşturan müşterilerle yakın işbirliği içinde çalışıyor, dağıtılmış eğitim, deneme ve sorumlu yapay zeka konularında uzmanlaşıyor ve makine öğreniminin bildiğimiz dünyayı nasıl değiştirdiği konusunda tutkulu.

Daniel Zagyva AWS Profesyonel Hizmetler'de Veri Bilimcisidir. AWS müşterileri için ölçeklenebilir, üretim düzeyinde makine öğrenimi çözümleri geliştirme konusunda uzmandır. Deneyimi, doğal dil işleme, üretken yapay zeka ve makine öğrenimi operasyonları dahil olmak üzere farklı alanlara yayılmaktadır.

Kostia Kofman Booking.com'da Kıdemli Makine Öğrenimi Yöneticisi olup, Arama Sıralaması ML ekibine liderlik etmekte ve Booking.com'un en kapsamlı ML sistemini denetlemektedir. Kişiselleştirme ve Sıralama konusundaki uzmanlığıyla müşteri deneyimlerini geliştirmek için en son teknolojiden yararlanma konusunda başarılıdır.

Jenny Tokar Booking.com'un Arama Sıralaması ekibinde Kıdemli Makine Öğrenimi Mühendisidir. Verimlilik, güvenilirlik, ölçeklenebilirlik ve inovasyonla karakterize edilen uçtan uca makine öğrenimi ardışık düzenleri geliştirmede uzmanlaşmıştır. Jenny'nin uzmanlığı, ekibine her gün milyonlarca kullanıcıya hizmet veren son teknoloji sıralama modelleri oluşturma gücü veriyor.

Aleksandra Dokic AWS Profesyonel Hizmetler'de Kıdemli Veri Bilimcisidir. AWS'de yenilikçi AI/ML çözümleri oluşturma konusunda müşterilerini desteklemekten hoşlanıyor ve verilerin gücü aracılığıyla iş dönüşümleri konusunda heyecan duyuyor.

Luba Protsiva AWS Profesyonel Hizmetler'de Katılım Yöneticisidir. AWS müşterilerinin iş değerlerini en üst düzeye çıkarmasını ve inovasyon hızını artırmasını sağlayan Veri ve GenAI/ML çözümlerini sunma konusunda uzmanlaşmıştır.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/how-booking-com-modernized-its-ml-experimentation-framework-with-amazon-sagemaker/