Αυτή η ανάρτηση γράφτηκε σε συνεργασία με τους Ankur Goyal και Karthikeyan Chokappa από την επιχείρηση PwC Australia’s Cloud & Digital.

Η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (ML) γίνονται αναπόσπαστο μέρος των συστημάτων και των διαδικασιών, επιτρέποντας τη λήψη αποφάσεων σε πραγματικό χρόνο, οδηγώντας έτσι σε κορυφαίες και κατώτερες βελτιώσεις σε όλους τους οργανισμούς. Ωστόσο, η τοποθέτηση ενός μοντέλου ML σε παραγωγή σε κλίμακα είναι πρόκληση και απαιτεί ένα σύνολο βέλτιστων πρακτικών. Πολλές επιχειρήσεις έχουν ήδη επιστήμονες δεδομένων και μηχανικούς ML που μπορούν να κατασκευάσουν μοντέλα τελευταίας τεχνολογίας, αλλά η μεταφορά μοντέλων στην παραγωγή και η διατήρηση των μοντέλων σε κλίμακα παραμένει πρόκληση. Οι μη αυτόματες ροές εργασίας περιορίζουν τις λειτουργίες του κύκλου ζωής της ML για να επιβραδύνουν τη διαδικασία ανάπτυξης, να αυξήσουν το κόστος και να θέσουν σε κίνδυνο την ποιότητα του τελικού προϊόντος.

Οι λειτουργίες μηχανικής μάθησης (MLOps) εφαρμόζουν τις αρχές DevOps σε συστήματα ML. Ακριβώς όπως το DevOps συνδυάζει την ανάπτυξη και τις λειτουργίες για τη μηχανική λογισμικού, το MLOps συνδυάζει τη μηχανική ML και τις λειτουργίες πληροφορικής. Με την ταχεία ανάπτυξη των συστημάτων ML και στο πλαίσιο της μηχανικής ML, τα MLOps παρέχουν δυνατότητες που απαιτούνται για να χειριστούν τις μοναδικές πολυπλοκότητες της πρακτικής εφαρμογής των συστημάτων ML. Συνολικά, οι περιπτώσεις χρήσης ML απαιτούν μια άμεσα διαθέσιμη ολοκληρωμένη λύση για τη βιομηχανοποίηση και τον εξορθολογισμό της διαδικασίας που οδηγεί ένα μοντέλο ML από την ανάπτυξη έως την ανάπτυξη παραγωγής σε κλίμακα με χρήση MLOps.

Για να αντιμετωπίσει αυτές τις προκλήσεις των πελατών, η PwC Australia ανέπτυξε το Machine Learning Ops Accelerator ως ένα σύνολο τυποποιημένων δυνατοτήτων διαδικασίας και τεχνολογίας για τη βελτίωση της λειτουργικότητας των μοντέλων AI/ML που επιτρέπουν τη διαλειτουργική συνεργασία μεταξύ ομάδων σε όλες τις λειτουργίες του κύκλου ζωής ML. Το PwC Machine Learning Ops Accelerator, που βασίζεται στις εγγενείς υπηρεσίες AWS, προσφέρει μια κατάλληλη λύση που ενσωματώνεται εύκολα στις περιπτώσεις χρήσης ML με ευκολία για πελάτες σε όλους τους κλάδους. Σε αυτήν την ανάρτηση, εστιάζουμε στην κατασκευή και ανάπτυξη μιας περίπτωσης χρήσης ML που ενσωματώνει διάφορα στοιχεία κύκλου ζωής ενός μοντέλου ML, επιτρέποντας τη συνεχή ενοποίηση (CI), τη συνεχή παράδοση (CD), τη συνεχή εκπαίδευση (CT) και τη συνεχή παρακολούθηση (CM).

Επισκόπηση λύσεων

Στα MLOps, ένα επιτυχημένο ταξίδι από δεδομένα σε μοντέλα ML σε συστάσεις και προβλέψεις σε επιχειρηματικά συστήματα και διαδικασίες περιλαμβάνει πολλά κρίσιμα βήματα. Περιλαμβάνει τη λήψη του αποτελέσματος ενός πειράματος ή πρωτοτύπου και τη μετατροπή του σε σύστημα παραγωγής με τυπικούς ελέγχους, ποιότητα και βρόχους ανάδρασης. Είναι πολύ περισσότερο από απλώς αυτοματοποίηση. Αφορά τη βελτίωση των πρακτικών του οργανισμού και την παροχή αποτελεσμάτων που είναι επαναλαμβανόμενα και αναπαραγώγιμα σε κλίμακα.

Μόνο ένα μικρό κλάσμα μιας πραγματικής περίπτωσης χρήσης ML περιλαμβάνει το ίδιο το μοντέλο. Τα διάφορα εξαρτήματα που απαιτούνται για τη δημιουργία μιας ολοκληρωμένης προηγμένης ικανότητας ML και τη συνεχή λειτουργία της σε κλίμακα φαίνονται στο Σχήμα 1. Όπως φαίνεται στο παρακάτω διάγραμμα, ο επιταχυντής PwC MLOps περιλαμβάνει επτά βασικές ενσωματωμένες δυνατότητες και επαναληπτικά βήματα που επιτρέπουν το CI, CD, CT και CM μιας περίπτωσης χρήσης ML. Η λύση εκμεταλλεύεται τις εγγενείς δυνατότητες του AWS από Amazon Sage Maker, χτίζοντας ένα ευέλικτο και επεκτάσιμο πλαίσιο γύρω από αυτό.

Σε ένα πραγματικό επιχειρηματικό σενάριο, ενδέχεται να υπάρχουν πρόσθετα βήματα και στάδια δοκιμών για να διασφαλιστεί η αυστηρή επικύρωση και η ανάπτυξη μοντέλων σε διαφορετικά περιβάλλοντα.

1. Διαχείριση δεδομένων και μοντέλων παρέχουν μια κεντρική δυνατότητα που διέπει τα τεχνουργήματα ML σε όλο τον κύκλο ζωής τους. Δίνει τη δυνατότητα ελέγχου, ιχνηλασιμότητας και συμμόρφωσης. Προωθεί επίσης τη δυνατότητα κοινής χρήσης, επαναχρησιμοποίησης και δυνατότητα εντοπισμού των στοιχείων ML.
2. Ανάπτυξη μοντέλου ML επιτρέπει σε διάφορες προσωπικότητες να αναπτύξουν μια ισχυρή και αναπαραγώγιμη γραμμή εκπαίδευσης μοντέλων, η οποία περιλαμβάνει μια σειρά βημάτων, από την επικύρωση και τη μετατροπή δεδομένων έως την εκπαίδευση και την αξιολόγηση μοντέλων.
3. Συνεχής ενσωμάτωση/παράδοση διευκολύνει την αυτοματοποιημένη κατασκευή, τη δοκιμή και τη συσκευασία του αγωγού εκπαίδευσης του μοντέλου και την ανάπτυξή του στο περιβάλλον εκτέλεσης στόχου. Οι ενσωματώσεις με ροές εργασίας CI/CD και η έκδοση εκδόσεων δεδομένων προωθούν τις βέλτιστες πρακτικές MLOps, όπως η διακυβέρνηση και η παρακολούθηση για επαναληπτική ανάπτυξη και έκδοση δεδομένων.
4. Μοντέλο ML συνεχούς εκπαίδευσης Η ικανότητα εκτελεί τον αγωγό εκπαίδευσης με βάση τους ενεργοποιητές επανεκπαίδευσης. Δηλαδή, καθώς γίνονται διαθέσιμα νέα δεδομένα ή η απόδοση του μοντέλου μειώνεται κάτω από ένα προκαθορισμένο όριο. Καταχωρεί το εκπαιδευμένο μοντέλο εάν πληροί τις προϋποθέσεις ως επιτυχημένο υποψήφιο μοντέλο και αποθηκεύει τα τεχνουργήματα εκπαίδευσης και τα σχετικά μεταδεδομένα.
5. Ανάπτυξη μοντέλου επιτρέπει την πρόσβαση στο καταχωρημένο εκπαιδευμένο μοντέλο για έλεγχο και έγκριση για κυκλοφορία παραγωγής και επιτρέπει τη συσκευασία, τη δοκιμή και την ανάπτυξη του μοντέλου στο περιβάλλον υπηρεσίας πρόβλεψης για την εξυπηρέτηση της παραγωγής.
6. Υπηρεσία πρόβλεψης Η δυνατότητα ξεκινά το αναπτυγμένο μοντέλο για να παρέχει πρόβλεψη μέσω μοτίβων στο διαδίκτυο, παρτίδας ή ροής. Ο χρόνος εκτέλεσης υπηρεσίας καταγράφει επίσης αρχεία καταγραφής εξυπηρέτησης μοντέλων για συνεχή παρακολούθηση και βελτιώσεις.
7. Συνεχής παρακολούθηση παρακολουθεί το μοντέλο για την προγνωστική αποτελεσματικότητα για την ανίχνευση της αποσύνθεσης του μοντέλου και της αποτελεσματικότητας της υπηρεσίας (λανθάνουσα κατάσταση, διοχέτευση σε όλη την έκταση και σφάλματα εκτέλεσης)

Αρχιτεκτονική PwC Machine Learning Ops Accelerator

Η λύση είναι χτισμένη πάνω σε εγγενείς υπηρεσίες AWS που χρησιμοποιούν το Amazon SageMaker και την τεχνολογία χωρίς διακομιστές για να διατηρεί την απόδοση και την επεκτασιμότητα σε υψηλά επίπεδα και το κόστος λειτουργίας χαμηλό.

• Το PwC Machine Learning Ops Accelerator παρέχει ένα δικαίωμα πρόσβασης βάσει προσωπικού για δημιουργία, χρήση και λειτουργίες που επιτρέπει στους μηχανικούς ML και στους επιστήμονες δεδομένων να αυτοματοποιούν την ανάπτυξη αγωγών (εκπαίδευση και εξυπηρέτηση) και να ανταποκρίνονται γρήγορα στις αλλαγές ποιότητας του μοντέλου. Amazon SageMaker Role Manager χρησιμοποιείται για την υλοποίηση δραστηριότητας ML που βασίζεται σε ρόλους και Amazon S3 χρησιμοποιείται για την αποθήκευση δεδομένων εισόδου και τεχνουργημάτων.
• Η Solution χρησιμοποιεί υπάρχοντα στοιχεία δημιουργίας μοντέλων από τον πελάτη και χτίζει ένα ευέλικτο και επεκτάσιμο πλαίσιο γύρω από αυτό χρησιμοποιώντας εγγενείς υπηρεσίες AWS. Έχουν δημιουργηθεί ενσωματώσεις μεταξύ του Amazon S3, του Git και του AWS CodeCommit που επιτρέπουν την έκδοση δεδομένων με ελάχιστη μελλοντική διαχείριση.
• Το πρότυπο AWS CloudFormation δημιουργείται χρησιμοποιώντας AWS Cloud Development Kit (AWS CDK). Το AWS CDK παρέχει τη δυνατότητα διαχείρισης αλλαγών για την πλήρη λύση. Ο αυτοματοποιημένος αγωγός περιλαμβάνει βήματα για αποθήκευση μοντέλων εκτός συσκευασίας και παρακολούθηση μετρήσεων.
• Το PwC MLOps Accelerator έχει σχεδιαστεί για να είναι αρθρωτό και να παρέχεται ως υποδομή ως κώδικας (IaC) για να επιτρέπει την αυτόματη ανάπτυξη. Η διαδικασία ανάπτυξης χρησιμοποιεί AWS CodeCommit, AWS CodeBuild, Αγωγός κώδικα AWSκαι το πρότυπο AWS CloudFormation. Η πλήρης λύση από άκρο σε άκρο για τη λειτουργικότητα ενός μοντέλου ML είναι διαθέσιμη ως αναπτύξιμος κώδικας.
• Μέσω μιας σειράς προτύπων IaC, αναπτύσσονται τρία διαφορετικά στοιχεία: κατασκευή μοντέλου, ανάπτυξη μοντέλου και παρακολούθηση και υπηρεσία πρόβλεψης μοντέλου, χρησιμοποιώντας Αγωγοί Amazon SageMaker
  • Ο αγωγός κατασκευής μοντέλων αυτοματοποιεί τη διαδικασία εκπαίδευσης και αξιολόγησης του μοντέλου και επιτρέπει την έγκριση και την καταχώριση του εκπαιδευμένου μοντέλου.
  • Ο αγωγός ανάπτυξης μοντέλου παρέχει την απαραίτητη υποδομή για την ανάπτυξη του μοντέλου ML για συμπέρασμα κατά παρτίδες και σε πραγματικό χρόνο.
  • Ο αγωγός εξυπηρέτησης μοντέλων παρακολούθησης και πρόβλεψης αναπτύσσει την υποδομή που απαιτείται για την εξυπηρέτηση των προβλέψεων και την παρακολούθηση της απόδοσης του μοντέλου.
• Το PwC MLOps Accelerator έχει σχεδιαστεί για να είναι αγνωστικιστικό σε μοντέλα ML, πλαίσια ML και περιβάλλοντα χρόνου εκτέλεσης. Η λύση επιτρέπει τη οικεία χρήση γλωσσών προγραμματισμού όπως η Python και η R, εργαλείων ανάπτυξης όπως το Jupyter Notebook και πλαισίων ML μέσω ενός αρχείου διαμόρφωσης. Αυτή η ευελιξία καθιστά εύκολο για τους επιστήμονες δεδομένων να βελτιώνουν συνεχώς τα μοντέλα και να τα αναπτύσσουν χρησιμοποιώντας τη γλώσσα και το περιβάλλον που προτιμούν.
• Η λύση έχει ενσωματωμένες ενσωματώσεις για χρήση είτε προ-ενσωματωμένων είτε προσαρμοσμένων εργαλείων για την ανάθεση εργασιών επισήμανσης χρησιμοποιώντας Amazon SageMaker Ground Αλήθεια για σύνολα δεδομένων κατάρτισης για την παροχή συνεχούς εκπαίδευσης και παρακολούθησης.
• Ο αγωγός ML από άκρο σε άκρο έχει σχεδιαστεί με χρήση εγγενών χαρακτηριστικών του SageMaker (Στούντιο Amazon SageMaker , Amazon SageMaker Model Building Pipelines, Πειράματα Amazon SageMaker, να Καταληκτικά σημεία Amazon SageMaker).
• Η λύση χρησιμοποιεί ενσωματωμένες δυνατότητες του Amazon SageMaker για εκδόσεις μοντέλων, παρακολούθηση γενεαλογίας μοντέλων, κοινή χρήση μοντέλων και συμπέρασμα χωρίς διακομιστή με Μητρώο μοντέλων Amazon SageMaker.
• Μόλις το μοντέλο είναι σε παραγωγή, η λύση παρακολουθεί συνεχώς την ποιότητα των μοντέλων ML σε πραγματικό χρόνο. Παρακολούθηση μοντέλου Amazon SageMaker χρησιμοποιείται για τη συνεχή παρακολούθηση μοντέλων στην παραγωγή. Τα αρχεία καταγραφής Amazon CloudWatch χρησιμοποιούνται για τη συλλογή αρχείων καταγραφής που παρακολουθούν την κατάσταση του μοντέλου και οι ειδοποιήσεις αποστέλλονται χρησιμοποιώντας το Amazon SNS όταν η ποιότητα του μοντέλου φτάσει σε συγκεκριμένα όρια. Εγγενείς καταγραφείς όπως (boto3) χρησιμοποιούνται για την καταγραφή της κατάστασης εκτέλεσης για την επίσπευση της αντιμετώπισης προβλημάτων.

Αναλυτική λύση

Η ακόλουθη περιγραφή περιλαμβάνει τα τυπικά βήματα για τη δημιουργία της διαδικασίας MLOps για ένα μοντέλο που χρησιμοποιεί το PwC MLOps Accelerator. Αυτή η περιγραφή περιγράφει μια περίπτωση χρήσης ενός μηχανικού MLOps που θέλει να αναπτύξει τη διοχέτευση για ένα μοντέλο ML που αναπτύχθηκε πρόσφατα χρησιμοποιώντας ένα απλό αρχείο ορισμού/διαμόρφωσης που είναι διαισθητικό.

• Για να ξεκινήσετε, εγγραφείτε Επιταχυντής PwC MLOps για να αποκτήσετε πρόσβαση σε τεχνουργήματα λύσεων. Ολόκληρη η λύση οδηγείται από ένα αρχείο διαμόρφωσης YAML (config.yaml) ανά μοντέλο. Όλες οι λεπτομέρειες που απαιτούνται για την εκτέλεση της λύσης περιέχονται σε αυτό το αρχείο διαμόρφωσης και αποθηκεύονται μαζί με το μοντέλο σε ένα αποθετήριο Git. Το αρχείο διαμόρφωσης θα χρησιμεύσει ως είσοδος για την αυτοματοποίηση των βημάτων ροής εργασίας εξωτερικεύοντας σημαντικές παραμέτρους και ρυθμίσεις εκτός κώδικα.
• Ο μηχανικός ML πρέπει να συμπληρωθεί config.yaml αρχείο και ενεργοποιήστε τη διοχέτευση MLOps. Οι πελάτες μπορούν να διαμορφώσουν έναν λογαριασμό AWS, το αποθετήριο, το μοντέλο, τα δεδομένα που χρησιμοποιούνται, το όνομα διοχέτευσης, το πλαίσιο εκπαίδευσης, τον αριθμό των περιπτώσεων που θα χρησιμοποιηθούν για εκπαίδευση, το πλαίσιο συμπερασμάτων και τυχόν βήματα πριν και μετά την επεξεργασία και πολλά άλλα διαμορφώσεις για τον έλεγχο της ποιότητας, της μεροληψίας και της επεξήγησης του μοντέλου.

• Ένα απλό αρχείο YAML χρησιμοποιείται για τη διαμόρφωση των απαιτήσεων εκπαίδευσης, ανάπτυξης, παρακολούθησης και χρόνου εκτέλεσης κάθε μοντέλου. Μόλις το config.yaml έχει ρυθμιστεί κατάλληλα και αποθηκεύεται παράλληλα με το μοντέλο στο δικό του αποθετήριο Git, καλείται ο ενορχηστρωτής κατασκευής μοντέλων. Μπορεί επίσης να διαβάσει από ένα Bring-Your-Own-Model που μπορεί να ρυθμιστεί μέσω του YAML για να ενεργοποιήσει την ανάπτυξη του αγωγού κατασκευής μοντέλου.
• Όλα μετά από αυτό το σημείο αυτοματοποιούνται από τη λύση και δεν χρειάζονται τη συμμετοχή ούτε του μηχανικού ML ούτε του επιστήμονα δεδομένων. Ο αγωγός που είναι υπεύθυνος για την κατασκευή του μοντέλου ML περιλαμβάνει προεπεξεργασία δεδομένων, εκπαίδευση μοντέλων, αξιολόγηση μοντέλων και ost-επεξεργασία. Εάν το μοντέλο περάσει αυτοματοποιημένες δοκιμές ποιότητας και απόδοσης, το μοντέλο αποθηκεύεται σε ένα μητρώο και τα τεχνουργήματα εγγράφονται στον χώρο αποθήκευσης Amazon S3 σύμφωνα με τους ορισμούς στα αρχεία YAML. Αυτό ενεργοποιεί τη δημιουργία του αγωγού ανάπτυξης μοντέλου για αυτό το μοντέλο ML.

• Στη συνέχεια, ένα πρότυπο αυτοματοποιημένης ανάπτυξης παρέχει το μοντέλο σε ένα περιβάλλον σταδιοποίησης με ζωντανό τελικό σημείο. Μετά την έγκριση, το μοντέλο αναπτύσσεται αυτόματα στο περιβάλλον παραγωγής.
• Η λύση αναπτύσσει δύο συνδεδεμένους αγωγούς. Η υπηρεσία πρόβλεψης αναπτύσσει ένα προσβάσιμο ζωντανό τελικό σημείο μέσω του οποίου μπορούν να προβληθούν οι προβλέψεις. Η παρακολούθηση μοντέλου δημιουργεί ένα εργαλείο συνεχούς παρακολούθησης που υπολογίζει βασικές μετρήσεις απόδοσης και ποιότητας μοντέλου, ενεργοποιώντας την επανεκπαίδευση του μοντέλου εάν εντοπιστεί σημαντική αλλαγή στην ποιότητα του μοντέλου.
• Τώρα που έχετε ολοκληρώσει τη δημιουργία και την αρχική ανάπτυξη, ο μηχανικός του MLOps μπορεί να διαμορφώσει τις ειδοποιήσεις αποτυχίας ώστε να ειδοποιούνται για ζητήματα, για παράδειγμα, όταν ένας αγωγός αποτυγχάνει να κάνει την προβλεπόμενη εργασία του.
• Το MLOps δεν αφορά πλέον τη συσκευασία, τη δοκιμή και την ανάπτυξη στοιχείων υπηρεσιών cloud παρόμοια με μια παραδοσιακή ανάπτυξη CI/CD. είναι ένα σύστημα που θα πρέπει να αναπτύξει αυτόματα μια άλλη υπηρεσία. Για παράδειγμα, ο αγωγός εκπαίδευσης μοντέλου αναπτύσσει αυτόματα τον αγωγό ανάπτυξης μοντέλου για να ενεργοποιήσει την υπηρεσία πρόβλεψης, η οποία με τη σειρά του ενεργοποιεί την υπηρεσία παρακολούθησης μοντέλου.

Συμπέρασμα

Συνοπτικά, τα MLOps είναι κρίσιμα για κάθε οργανισμό που στοχεύει να αναπτύξει μοντέλα ML σε συστήματα παραγωγής σε κλίμακα. Η PwC ανέπτυξε έναν επιταχυντή για την αυτοματοποίηση της κατασκευής, ανάπτυξης και συντήρησης μοντέλων ML μέσω της ενσωμάτωσης εργαλείων DevOps στη διαδικασία ανάπτυξης μοντέλων.

Σε αυτήν την ανάρτηση, εξερευνήσαμε πώς η λύση PwC τροφοδοτείται από τις εγγενείς υπηρεσίες ML του AWS και βοηθά στην υιοθέτηση πρακτικών MLOps, ώστε οι επιχειρήσεις να μπορούν να επιταχύνουν το ταξίδι τους με τεχνητή νοημοσύνη και να αποκτήσουν μεγαλύτερη αξία από τα μοντέλα ML τους. Ακολουθήσαμε τα βήματα που θα έκανε ένας χρήστης για να αποκτήσει πρόσβαση στον επιταχυντή PwC Machine Learning Ops Accelerator, να εκτελέσει τις αγωγές και να αναπτύξει μια περίπτωση χρήσης ML που ενσωματώνει διάφορα στοιχεία κύκλου ζωής ενός μοντέλου ML.

Για να ξεκινήσετε με το ταξίδι σας MLOps στο AWS Cloud σε κλίμακα και να εκτελέσετε τους φόρτους εργασίας παραγωγής ML, εγγραφείτε στο PwC Machine Learning Operations.

---

Σχετικά με τους Συγγραφείς

 Kiran Kumar Ballari είναι κύριος αρχιτέκτονας λύσεων στο Amazon Web Services (AWS). Είναι ένας ευαγγελιστής που αγαπά να βοηθά τους πελάτες να αξιοποιήσουν νέες τεχνολογίες και να δημιουργήσουν επαναλαμβανόμενες βιομηχανικές λύσεις για να λύσουν τα προβλήματά τους. Είναι ιδιαίτερα παθιασμένος με τη μηχανική λογισμικού, το Generative AI και να βοηθά εταιρείες με την ανάπτυξη προϊόντων AI/ML.

Ankur Goyal είναι διευθυντής στην πρακτική της PwC Australia's Cloud and Digital, με επίκεντρο τα δεδομένα, την ανάλυση και την τεχνητή νοημοσύνη. Η Ankur έχει εκτενή εμπειρία στην υποστήριξη οργανισμών του δημόσιου και ιδιωτικού τομέα στην προώθηση τεχνολογικών μετασχηματισμών και στο σχεδιασμό καινοτόμων λύσεων αξιοποιώντας στοιχεία και τεχνολογίες δεδομένων.

Karthikeyan Chokappa (KC) είναι Διευθυντής στην πρακτική της PwC Australia's Cloud and Digital, με επίκεντρο τα δεδομένα, το Analytics και την τεχνητή νοημοσύνη. Η KC είναι παθιασμένη με το σχεδιασμό, την ανάπτυξη και την ανάπτυξη λύσεων ανάλυσης από άκρο σε άκρο που μετατρέπουν τα δεδομένα σε πολύτιμα στοιχεία αποφάσεων για τη βελτίωση της απόδοσης και της χρήσης και τη μείωση του συνολικού κόστους ιδιοκτησίας για συνδεδεμένα και έξυπνα πράγματα.

Ράμα Λάνκαλαπάλλη είναι Sr. Partner Solutions Architect στην AWS, που συνεργάζεται με την PwC για να επιταχύνει τη μετεγκατάσταση και τον εκσυγχρονισμό των πελατών τους σε AWS. Εργάζεται σε διάφορες βιομηχανίες για να επιταχύνει την υιοθέτηση του AWS Cloud. Η τεχνογνωσία του έγκειται στην αρχιτεκτονική αποτελεσματικών και επεκτάσιμων λύσεων cloud, στην προώθηση της καινοτομίας και στον εκσυγχρονισμό των εφαρμογών πελατών αξιοποιώντας τις υπηρεσίες AWS και στη δημιουργία ανθεκτικών θεμελίων cloud.

Jeejee Unwalla είναι Senior Solutions Architect στην AWS που του αρέσει να καθοδηγεί τους πελάτες στην επίλυση προκλήσεων και να σκέφτονται στρατηγικά. Είναι παθιασμένος με την τεχνολογία και τα δεδομένα και την καινοτομία.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/driving-advanced-analytics-outcomes-at-scale-using-amazon-sagemaker-powered-pwcs-machine-learning-ops-accelerator/