Zephyrnet Logosu

Üretken Veri Zekası

AI

Amazon SageMaker Data Wrangler'ın Snowflake | Amazon Web Hizmetleri

Plato tarafından yeniden yayınlandı
Plato tarafından yeniden yayınlandı

Tarih:

Görüntüleme: 100

Amazon SageMaker Veri Düzenleyicisi herhangi bir kod yazmadan makine öğrenimi (ML) iş akışlarında verileri seçme ve temizleme, özellikler oluşturma ve veri hazırlamayı otomatikleştirme becerisiyle verileri hazırlamak ve özellik mühendisliğini gerçekleştirmek için gereken süreyi haftalardan dakikalara indiren tek bir görsel arabirimdir.

SageMaker Data Wrangler destekler Kar taneciğiML gerçekleştirmek isteyen kullanıcılar için popüler bir veri kaynağı. Müşteri deneyimini iyileştirmek için SageMaker Data Wrangler'dan Snowflake doğrudan bağlantısını başlattık. Bu özelliğin kullanıma sunulmasından önce yöneticilerin, Data Wrangler'da makine öğrenimi için özellikler oluşturmak amacıyla Snowflake ile bağlantı kurmak üzere ilk depolama entegrasyonunu kurmaları gerekiyordu. Bu provizyon içerir Amazon Basit Depolama Hizmeti (Amazon S3) kovalar, AWS Kimlik ve Erişim Yönetimi (IAM) erişim izinleri, bireysel kullanıcılar için Snowflake depolama entegrasyonu ve Amazon S3'te veri kopyalarını yönetmek veya temizlemek için devam eden bir mekanizma. Bu süreç, katı veri erişim kontrolüne ve çok sayıda kullanıcıya sahip müşteriler için ölçeklenebilir değildir.

Bu gönderide, Snowflake'in SageMaker Data Wrangler'daki doğrudan bağlantısının, yöneticinin deneyimini ve veri bilimcinin verilerden iş içgörülerine uzanan makine öğrenimi yolculuğunu nasıl basitleştirdiğini gösteriyoruz.

Çözüme genel bakış

Bu çözümde, makine öğrenimi için veri hazırlığını hızlandırmak için SageMaker Data Wrangler kullanıyoruz ve Amazon SageMaker Otomatik Pilot Verilerinize dayalı olarak makine öğrenimi modellerini otomatik olarak oluşturmak, eğitmek ve ince ayar yapmak için. Her iki hizmet de makine öğrenimi uygulayıcıları için üretkenliği artırmak ve değer elde etme süresini kısaltmak için özel olarak tasarlanmıştır. Ayrıca, makine öğrenimi için sorgulama ve oluşturma özelliklerine doğrudan bağlantıyla SageMaker Data Wrangler'dan Snowflake'e basitleştirilmiş veri erişimini de gösteriyoruz.

Snowflake, SageMaker Data Wrangler ve SageMaker Autopilot ile düşük kodlu makine öğrenimi sürecine genel bir bakış için aşağıdaki şemaya bakın.

İş akışı aşağıdaki adımları içerir:

  1. Veri hazırlama ve özellik mühendisliği görevleriniz için SageMaker Data Wrangler'a gidin.
    • SageMaker Data Wrangler ile Snowflake bağlantısını kurun.
    • Snowflake tablolarınızı SageMaker Data Wrangler'da keşfedin, bir makine öğrenimi veri kümesi oluşturun ve özellik mühendisliği gerçekleştirin.
  2. SageMaker Data Wrangler ve SageMaker Autopilot kullanarak modelleri eğitin ve test edin.
  3. Tahminler için en iyi modeli gerçek zamanlı bir çıkarım uç noktasına yükleyin.
  4. Başlatılan gerçek zamanlı çıkarım uç noktasını çağırmak için bir Python not defteri kullanın.

Önkoşullar

Bu gönderi için yöneticinin aşağıdaki ön koşullara ihtiyacı var:

Veri bilimcileri aşağıdaki ön koşullara sahip olmalıdır

Son olarak, verilerinizi Snowflake için hazırlamalısınız.

  • Şuradaki kredi kartı işlem verilerini kullanıyoruz: Kaggle Hileli kredi kartı işlemlerini tespit etmek için makine öğrenimi modelleri oluşturmak, böylece müşterilerden satın almadıkları ürünler için ücret alınmaz. Veri seti, Avrupalı ​​kart sahipleri tarafından Eylül 2013'te yapılan kredi kartı işlemlerini içermektedir.
  • Kullanmalısınız SnowSQL istemcisi ve yerel makinenize kurun, böylece veri setini bir Snowflake tablosuna yüklemek için kullanabilirsiniz.

Aşağıdaki adımlar, veri kümesinin nasıl hazırlanacağını ve Snowflake veritabanına nasıl yükleneceğini gösterir. Bu tek seferlik bir kurulumdur.

Kar tanesi tablosu ve veri hazırlama

Bu tek seferlik kurulum için aşağıdaki adımları tamamlayın:

  1. İlk olarak, yönetici olarak bir Snowflake sanal ambarı, kullanıcısı ve rolü oluşturun ve veri bilimcileri gibi diğer kullanıcılara bir veritabanı oluşturmaları ve makine öğrenimi kullanım durumlarına yönelik verileri hazırlamaları için erişim izni verin: 
    -- Use the role SECURITYADMIN to create Role and User
USE ROLE SECURITYADMIN; -- Create a new role 'ML Role'
CREATE OR REPLACE ROLE ML_ROLE COMMENT='ML Role';
GRANT ROLE ML_ROLE TO ROLE SYSADMIN; -- Create a new user and password and grant the role to the user
CREATE OR REPLACE USER ML_USER PASSWORD='<REPLACE_PASSWORD>'
DEFAULT_ROLE=ML_ROLE
DEFAULT_WAREHOUSE=ML_WH
DEFAULT_NAMESPACE=ML_WORKSHOP.PUBLIC
COMMENT='ML User';
GRANT ROLE ML_ROLE TO USER ML_USER; -- Grant privliges to role
USE ROLE ACCOUNTADMIN;
GRANT CREATE DATABASE ON ACCOUNT TO ROLE ML_ROLE; --Create Warehouse for AI/ML work
USE ROLE SYSADMIN; CREATE OR REPLACE WAREHOUSE ML_WH
WITH WAREHOUSE_SIZE = 'XSMALL' AUTO_SUSPEND = 120 AUTO_RESUME = true INITIALLY_SUSPENDED = TRUE; GRANT ALL ON WAREHOUSE ML_WH TO ROLE ML_ROLE;

  2. Veri bilimcisi olarak, şimdi bir veritabanı oluşturalım ve SageMaker Data Wrangler'daki verilere erişmek için kredi kartı işlemlerini Snowflake veritabanına aktaralım. Gösterim amacıyla, adında bir Snowflake veritabanı oluşturuyoruz. SF_FIN_TRANSACTION: 
    -- Select the role and the warehouse
USE ROLE ML_ROLE;
USE WAREHOUSE ML_WH; -- Create the DB to import the financial transactions
CREATE DATABASE IF NOT EXISTS sf_fin_transaction; -- Create CSV File Format
create or replace file format my_csv_format
type = csv
field_delimiter = ','
skip_header = 1
null_if = ('NULL', 'null')
empty_field_as_null = true
compression = gzip;

  3. Veri kümesi CSV dosyasını yerel makinenize indirin ve verileri veritabanı tablosuna yüklemek için bir aşama oluşturun. Verileri oluşturulan aşamaya aktarmak için PUT komutunu çalıştırmadan önce dosya yolunu indirilen veri kümesi konumuna işaret edecek şekilde güncelleyin: 
    -- Create a Snowflake named internal stage to store the transactions csv file
CREATE OR REPLACE STAGE my_stage
FILE_FORMAT = my_csv_format; -- Import the file in to the stage
-- This command needs be run from SnowSQL client and not on WebUI
PUT file:///Users/*******/Downloads/creditcard.csv @my_stage; -- Check whether the import was successful
LIST @my_stage;

  4. adlı bir tablo oluşturun credit_card_transactions: 
    -- Create table and define the columns mapped to the csv transactions file
create or replace table credit_card_transaction (
Time integer,
V1 float, V2 float, V3 float,
V4 float, V5 float, V6 float,
V7 float, V8 float, V9 float,
V10 float,V11 float,V12 float,
V13 float,V14 float,V15 float,
V16 float,V17 float,V18 float,
V19 float,V20 float,V21 float,
V22 float,V23 float,V24 float,
V25 float,V26 float,V27 float,
V28 float,Amount float,
Class varchar(5)
);

  5. Verileri aşamadan oluşturulan tabloya aktarın: 
    -- Import the transactions in to a new table named 'credit_card_transaction'
copy into credit_card_transaction from @my_stage ON_ERROR = CONTINUE; -- Check whether the table was successfully created
select * from credit_card_transaction limit 100;

SageMaker Data Wrangler ve Snowflake bağlantısını kurun

SageMaker Data Wrangler ile kullanacağımız veri setini hazırladıktan sonra SageMaker Data Wrangler'da yeni bir Snowflake bağlantısı oluşturarak SageMaker Data Wrangler'a bağlanalım. sf_fin_transaction Snowflake'te veritabanını sorgulayın ve credit_card_transaction tablosu:

  1. Klinik Kar taneciği SageMaker Data Wrangler'da Bağlantısı gidin.
  2. Bağlantınızı tanımlamak için bir ad girin.
  3. Snowflake veritabanına bağlanmak için kimlik doğrulama yönteminizi seçin:
    • Temel kimlik doğrulama kullanılıyorsa, Snowflake yöneticiniz tarafından paylaşılan kullanıcı adı ve parolayı sağlayın. Bu gönderi için, önceki adımda oluşturduğumuz kullanıcı kimlik bilgilerini kullanarak Snowflake'e bağlanmak için temel kimlik doğrulamasını kullanıyoruz.
    • OAuth kullanıyorsanız, kimlik sağlayıcı kimlik bilgilerinizi sağlayın.

SageMaker Data Wrangler varsayılan olarak verilerinizi S3 klasörlerinde herhangi bir veri kopyası oluşturmadan doğrudan Snowflake'ten sorgular. SageMaker Data Wrangler'ın yeni kullanılabilirlik geliştirmesi, makine öğrenimi yolculuğunuz için bir veri kümesi hazırlamak ve sorunsuz bir şekilde oluşturmak üzere Snowflake ile entegre olmak için Apache Spark'ı kullanır.

Şimdiye kadar Snowflake'te veritabanı oluşturduk, CSV dosyasını Snowflake tablosuna aktardık, Snowflake kimlik bilgilerini oluşturduk ve Snowflake'e bağlanmak için SageMaker Data Wrangler'da bir bağlayıcı oluşturduk. Yapılandırılan Snowflake bağlantısını doğrulamak için oluşturulan Snowflake tablosunda aşağıdaki sorguyu çalıştırın:

select * from credit_card_transaction;

Daha önce gerekli olan depolama entegrasyonu seçeneğinin artık gelişmiş ayarlarda isteğe bağlı olduğunu unutmayın.

Snowflake verilerini keşfedin

Sorgu sonuçlarını doğruladıktan sonra, ithalat sorgu sonuçlarını veri kümesi olarak kaydetmek için. Çıkarılan bu veri setini keşif amaçlı veri analizi ve özellik mühendisliği için kullanıyoruz.

SageMaker Data Wrangler UI'de Snowflake'ten veri örneklemeyi seçebilirsiniz. Başka bir seçenek de, SageMaker Data Wrangler işleme işlerini kullanarak makine öğrenimi modeli eğitim kullanım durumlarınız için eksiksiz verileri indirmektir.

SageMaker Data Wrangler'da keşif amaçlı veri analizi gerçekleştirin

Data Wrangler içindeki verilerin eğitilebilmesi için önce mühendisliğinin yapılması gerekir. Bu bölümde, SageMaker Data Wrangler'ın yerleşik yeteneklerini kullanarak Snowflake'ten alınan veriler üzerinde özellik mühendisliğinin nasıl gerçekleştirileceğini gösteriyoruz.

İlk olarak, kullanalım Data Quality and Insights Report Veri kalitesini otomatik olarak doğrulamak ve Snowflake'ten gelen verilerdeki anormallikleri tespit etmek için raporlar oluşturmak üzere SageMaker Data Wrangler içindeki özellik.

Verilerinizi temizlemenize ve işlemenize yardımcı olması için raporu kullanabilirsiniz. Size eksik değerlerin sayısı ve aykırı değerlerin sayısı gibi bilgiler verir. Verilerinizle ilgili hedef sızıntısı veya dengesizlik gibi sorunlarınız varsa içgörü raporu bu sorunları dikkatinize sunabilir. Rapor ayrıntılarını anlamak için bkz. Amazon SageMaker Data Wrangler'da veri kalitesi ve öngörülerle veri hazırlamayı hızlandırın.

SageMaker Data Wrangler tarafından uygulanan veri türü eşleştirmesini kontrol ettikten sonra aşağıdaki adımları tamamlayın:

  1. yanındaki artı işaretini seçin Veri tipleri Ve seç Analiz ekle.
  2. İçin Analiz türü, seçmek Veri Kalitesi ve Öngörüler Raporu.
  3. Klinik oluşturmak.
  4. Yüksek öncelikli uyarıları kontrol etmek için Veri Kalitesi ve Öngörü Raporu ayrıntılarına bakın.

Makine öğrenimi yolculuğunuza devam etmeden önce bildirilen uyarıları çözmeyi seçebilirsiniz.

hedef sütun Class tahmin edilecek bir dizi olarak sınıflandırılır. İlk olarak, eski boş karakterleri kaldırmak için bir dönüşüm uygulayalım.

  1. Klinik Adım ekle Ve seç Biçim dizesi.
  2. Dönüşümler listesinde, Sola ve sağa soyun.
  3. Kaldırılacak karakterleri girin ve seçin Ekle.

Ardından, hedef sütunu dönüştürüyoruz Class işlem meşru veya hileli olduğundan dize veri türünden Boolean'a.

  1. Klinik Adım ekle.
  2. Klinik Sütunu tür olarak ayrıştır.
  3. Sütun için seçin Class.
  4. İçin Konum, seçmek dizi.
  5. İçin için, seçmek Boole.
  6. Klinik Ekle.

Hedef sütun dönüşümünden sonra özellik sütunlarının sayısını azaltıyoruz çünkü orijinal veri setinde 30'un üzerinde özellik var. Özelliklerin önemine dayalı olarak boyutları azaltmak için Temel Bileşen Analizi'ni (PCA) kullanıyoruz. PCA ve boyut azaltma hakkında daha fazla bilgi edinmek için bkz. Temel Bileşen Analizi (PCA) Algoritması.

  1. Klinik Adım ekle.
  2. Klinik Boyutsal küçülme.
  3. İçin Dönüştürmek, seçmek Temel bileşenler Analizi.
  4. İçin Giriş sütunları, hedef sütun dışındaki tüm sütunları seçin Class.
  5. yanındaki artı işaretini seçin Veri akışı Ve seç Analiz ekleyin.
  6. İçin Analiz türü, seçmek Hızlı Model.
  7. İçin Analiz adı, isim girin.
  8. İçin etiket, seçmek Class.
  9. Klinik koşmak.

PCA sonuçlarına göre, modeli oluşturmak için hangi özelliklerin kullanılacağına karar verebilirsiniz. Aşağıdaki ekran görüntüsünde grafik, bu veri kümesinde işlemin sahte mi yoksa geçerli mi olduğunu belirleyen hedef sınıfı tahmin etmek için en yüksekten en düşüğe doğru sıralanan özellikleri (veya boyutları) gösterir.

Bu analize dayalı olarak özellik sayısını azaltmayı seçebilirsiniz, ancak bu gönderi için varsayılanları olduğu gibi bırakıyoruz.

Bu, özellik mühendisliği sürecimizi tamamlar, ancak daha fazla optimizasyon gerçekleştirmeden önce hızlı modeli çalıştırmayı ve verileri anlamak için tekrar bir Veri Kalitesi ve Öngörü Raporu oluşturmayı seçebilirsiniz.

Verileri dışa aktarın ve modeli eğitin

Bir sonraki adımda, verilerinize dayalı olarak en iyi makine öğrenimi modellerini otomatik olarak oluşturmak, eğitmek ve ayarlamak için SageMaker Autopilot'u kullanıyoruz. SageMaker Autopilot ile, verileriniz ve modeliniz üzerinde tam kontrol ve görünürlük elde etmeye devam edersiniz.

Keşif ve özellik mühendisliğini tamamladığımıza göre, veri kümesi üzerinde bir model eğitelim ve SageMaker Autopilot kullanarak makine öğrenimi modelini eğitmek için verileri dışa aktaralım.

  1. Üzerinde Eğitim sekmesini seçin İhracat ve eğitim.

Tamamlanmasını beklerken dışa aktarma ilerlemesini takip edebiliriz.

Tahmin etmek istediğimiz hedefi ve sorunun türünü belirterek SageMaker Autopilot'u otomatik bir eğitim işi yürütecek şekilde yapılandıralım. Bu durumda, işlemin sahte mi yoksa geçerli mi olduğunu tahmin etmek için veri kümesini eğittiğimiz için ikili sınıflandırma kullanıyoruz.

  1. Denemeniz için bir ad girin, S3 konum verilerini sağlayın ve Sonraki: Hedef ve özellikler.
  2. İçin Hedef, seçmek Class tahmin edilecek sütun olarak.
  3. Klinik Sonraki: Eğitim yöntemi.

SageMaker Autopilot'un veri kümesine dayalı olarak eğitim yöntemine karar vermesine izin verelim.

  1. İçin Eğitim yöntemi ve algoritmalarseçin Oto.

SageMaker Autopilot tarafından desteklenen egzersiz modları hakkında daha fazla bilgi edinmek için bkz. Eğitim modları ve algoritma destekler.

  1. Klinik Sonraki: Dağıtım ve gelişmiş ayarlar.
  2. İçin Dağıtım seçeneği, seçmek Data Wrangler'dan dönüşümlerle en iyi modeli otomatik olarak devreye alın, deneme tamamlandıktan sonra çıkarım için en iyi modeli yükleyen.
  3. Uç noktanız için bir ad girin.
  4. İçin Makine öğrenimi sorun türünü seçin, seçmek İkili sınıflandırma.
  5. İçin itiraz metriği, seçmek F1.
  6. Klinik Sonraki: Gözden geçirin ve oluşturun.
  7. Klinik Deneme oluştur.

Bu, objektif metriği optimize etmek için hiperparametre kombinasyonlarını kullanan bir dizi eğitim işi oluşturan bir SageMaker Otopilot işini başlatır.

SageMaker Autopilot'un modelleri oluşturmayı ve en iyi makine öğrenimi modelini değerlendirmesini bitirmesini bekleyin.

En iyi modeli test etmek için gerçek zamanlı bir çıkarım uç noktası başlatın

SageMaker Autopilot, kredi kartı işlemlerini meşru veya hileli olarak sınıflandırabilen en iyi modeli belirlemek için deneyler yürütür.

SageMaker Autopilot deneyi tamamladığında, SageMaker Autopilot iş tanımı sayfasından değerlendirme metrikleriyle birlikte eğitim sonuçlarını görüntüleyebilir ve en iyi modeli keşfedebiliriz.

  1. En iyi modeli seçin ve seçin Modeli dağıt.

SageMaker Autopilot aracılığıyla oluşturulan en iyi modeli test etmek için gerçek zamanlı bir çıkarım uç noktası kullanıyoruz.

  1. seç Gerçek zamanlı tahminler yapın.

Uç nokta kullanılabilir olduğunda, yükü geçebilir ve çıkarım sonuçları alabiliriz.

Çıkarım uç noktasını kullanmak için bir Python not defteri başlatalım.

  1. SageMaker Studio konsolunda, gezinti bölmesinde klasör simgesini seçin ve Defter oluştur.
  2. Dağıtılan gerçek zamanlı çıkarım uç noktasını çağırmak için aşağıdaki Python kodunu kullanın: 
    # Library imports
import os
import io
import boto3
import json
import csv #: Define the endpoint's name.
ENDPOINT_NAME = 'SnowFlake-FraudDetection' # replace the endpoint name as per your config
runtime = boto3.client('runtime.sagemaker') #: Define a test payload to send to your endpoint.
payload = { "body": { "TIME": 152895, "V1": 2.021155535, "V2": 0.05372872624, "V3": -1.620399104, "V4": 0.3530165253, "V5": 0.3048483853, "V6": -0.6850955461, "V7": 0.02483335885, "V8": -0.05101346021, "V9": 0.3550896835, "V10": -0.1830053153, "V11": 1.148091498, "V12": 0.4283365505, "V13": -0.9347237892, "V14": -0.4615291327, "V15": -0.4124343184, "V16": 0.4993445934, "V17": 0.3411548305, "V18": 0.2343833846, "V19": 0.278223588, "V20": -0.2104513475, "V21": -0.3116427235, "V22": -0.8690778214, "V23": 0.3624146958, "V24": 0.6455923598, "V25": -0.3424913329, "V26": 0.1456884618, "V27": -0.07174890419, "V28": -0.040882382, "AMOUNT": 0.27 }
} #: Submit an API request and capture the response object.
response = runtime.invoke_endpoint( EndpointName=ENDPOINT_NAME, ContentType='text/csv', Body=str(payload)
) #: Print the model endpoint's output.
print(response['Body'].read().decode())

Çıktı, sonucu şu şekilde gösterir: false, bu, örnek özellik verilerinin sahte olmadığı anlamına gelir.

Temizlemek

Bu eğiticiyi tamamladıktan sonra masraflara maruz kalmadığınızdan emin olmak için, SageMaker Data Wrangler uygulamasını kapatın ve not defteri örneğini kapat çıkarım yapmak için kullanılır. sen de yapmalısın çıkarım bitiş noktasını sil ek ücretleri önlemek için SageMaker Autopilot'u kullanarak oluşturduğunuz.

Sonuç

Bu yazıda, süreçte herhangi bir ara kopya oluşturmadan verilerinizi doğrudan Snowflake'ten nasıl getireceğinizi gösterdik. Veri kümenizin tamamını doğrudan Snowflake'ten örnekleyebilir veya SageMaker Data Wrangler'a yükleyebilirsiniz. Ardından verileri keşfedebilir, verileri temizleyebilir ve SageMaker Data Wrangler'ın görsel arayüzünü kullanarak özellikli mühendislik gerçekleştirebilirsiniz.

Ayrıca, doğrudan SageMaker Data Wrangler kullanıcı arabiriminden SageMaker Autopilot ile bir modeli nasıl kolayca eğitebileceğinizi ve ayarlayabileceğinizi de vurguladık. SageMaker Data Wrangler ve SageMaker Autopilot entegrasyonu ile özellik mühendisliğini tamamladıktan sonra herhangi bir kod yazmadan hızlıca bir model oluşturabiliyoruz. Ardından, gerçek zamanlı bir uç nokta kullanarak çıkarımlar yapmak için SageMaker Autopilot'ın en iyi modeline başvurduk.

SageMaker kullanarak verilerinizle kolayca makine öğrenimi modelleri oluşturmak için SageMaker Data Wrangler ile yeni Snowflake doğrudan entegrasyonunu bugün deneyin.

yazarlar hakkında

Hariharan Suresh AWS'de Kıdemli Çözüm Mimarıdır. Veritabanları, makine öğrenimi ve yenilikçi çözümler tasarlama konusunda tutkulu. AWS'ye katılmadan önce Hariharan, ürün mimarı, temel bankacılık uygulama uzmanı ve geliştiriciydi ve 11 yılı aşkın bir süre BFSI kuruluşlarıyla çalıştı. Teknoloji dışında yamaç paraşütü ve bisiklete binmeyi seviyor.

Aparajithan Vaidyanathan AWS'de Baş Kurumsal Çözümler Mimarıdır. Kurumsal müşterilerin iş yüklerini AWS bulutuna taşımasını ve modernleştirmesini destekler. Kurumsal, büyük ölçekli ve dağıtık yazılım sistemleri tasarlama ve geliştirme konusunda 23 yılı aşkın deneyime sahip bir Bulut Mimarıdır. Veri ve Özellik Mühendisliği alanına odaklanarak Makine Öğrenimi ve Veri Analitiği konusunda uzmanlaşmıştır. Gelecek vadeden bir maraton koşucusu ve hobileri arasında yürüyüş yapmak, bisiklete binmek ve karısı ve iki oğluyla vakit geçirmek yer alıyor.

Tim Şarkısı AWS SageMaker'da bir Yazılım Geliştirme Mühendisidir, yazılım geliştirici, danışman ve teknoloji lideri olarak 10 yılı aşkın deneyimiyle ölçeklenebilir ve güvenilir ürünler sunma ve karmaşık sorunları çözme becerisini göstermiştir. Boş zamanlarında doğayı, açık havada koşmayı, yürüyüş yapmayı vb.

bosco albuquerque AWS'de Kıdemli İş Ortağı Çözümleri Mimarıdır ve kurumsal veritabanı satıcıları ile bulut sağlayıcılarının veritabanı ve analitik ürünleriyle çalışma konusunda 20 yılı aşkın deneyime sahiptir. Büyük teknoloji şirketlerinin veri analitiği çözümleri tasarlamasına yardımcı oldu ve mühendislik ekiplerine veri analitiği platformları ve veri ürünleri tasarlama ve uygulamada liderlik etti.

spot_img

En Son İstihbarat

spot_img

Telif Hakkı @ 2024 Plato Technologies Inc.