هوش داده های تولیدی

AI

با یک لنز سفارشی راه حل های IDP با معماری خوب بسازید - قسمت 3: قابلیت اطمینان | خدمات وب آمازون

بازنشر افلاطون
بازنشر افلاطون

تاریخ:

نمایش ها: 0

La لنز سفارشی با معماری خوب IDP برای تمام مشتریان AWS در نظر گرفته شده است که از AWS برای اجرای راه حل های پردازش اسناد هوشمند (IDP) استفاده می کنند و به دنبال راهنمایی در مورد چگونگی ساخت یک راه حل IDP ایمن، کارآمد و قابل اعتماد در AWS هستند.

ایجاد یک راه حل آماده تولید در فضای ابری شامل یک سری معاوضه بین منابع، زمان، انتظارات مشتری و نتیجه کسب و کار است. این چارچوب AWS Well-Architected به شما کمک می کند مزایا و خطرات تصمیماتی را که هنگام ایجاد بار کاری در AWS می گیرید، درک کنید. با استفاده از Framework، بهترین شیوه های عملیاتی و معماری برای طراحی و اجرای بارهای کاری قابل اعتماد، ایمن، کارآمد، مقرون به صرفه و پایدار در فضای ابری را خواهید آموخت.

یک پروژه IDP معمولاً تشخیص کاراکتر نوری (OCR) و پردازش زبان طبیعی (NLP) را برای خواندن و درک یک سند و استخراج اصطلاحات یا کلمات خاص ترکیب می کند. IDP Well-Architected Custom Lens مراحل انجام یک بررسی AWS Well-Architected را تشریح می کند که به شما امکان می دهد خطرات فنی بار کاری IDP خود را ارزیابی و شناسایی کنید. این دستورالعمل برای مقابله با چالش‌های رایجی که در این زمینه می‌بینیم، ارائه می‌کند و از شما پشتیبانی می‌کند تا حجم کاری IDP خود را مطابق بهترین شیوه‌ها طراحی کنید.

این پست بر روی ستون قابلیت اطمینان راه حل IDP تمرکز دارد. با شروع از معرفی ستون قابلیت اطمینان و اصول طراحی، سپس عمیقاً به طراحی و پیاده سازی راه حل با سه حوزه متمرکز می پردازیم: مبانی، مدیریت تغییر و مدیریت شکست. با مطالعه این پست، با ستون قابلیت اطمینان در چارچوب Well-Architected Framework با مطالعه موردی IDP آشنا می شوید.

اصول طراحی

ستون قابلیت اطمینان شامل توانایی یک راه حل IDP برای انجام پردازش اسناد به طور صحیح و مداوم در زمانی که انتظار می رود و مطابق با قوانین تجاری تعریف شده است. این شامل توانایی عملیات و آزمایش گردش کار کامل IDP و کل چرخه عمر آن است.

تعدادی از اصول وجود دارد که می تواند به شما در افزایش قابلیت اطمینان کمک کند. هنگام بحث در مورد بهترین شیوه ها، این موارد را در نظر داشته باشید:

  • بازیابی خودکار از شکست – با نظارت بر گردش کار IDP خود برای شاخص‌های عملکرد کلیدی (KPI)، می‌توانید در صورت شکسته شدن یک آستانه، اتوماسیون را اجرا کنید. این به شما امکان می دهد در صورت بروز هر گونه نقصی به طور خودکار ردیابی کنید و به شما اطلاع داده شود و فرآیندهای بازیابی خودکار را راه اندازی کنید که خرابی را برطرف می کند یا آن را تعمیر می کند. بر اساس معیارهای KPI، شما همچنین می توانید شکست ها را پیش بینی کنید و اقدامات اصلاحی را قبل از وقوع آنها اعمال کنید.
  • روش های بازیابی تست - نحوه شکست گردش کار IDP خود را آزمایش کنید و روش های بازیابی را تأیید کنید. از اتوماسیون برای شبیه سازی سناریوهای مختلف یا بازآفرینی سناریوهایی که قبلا منجر به شکست شده اند استفاده کنید.
  • مقیاس و تنظیم ظرفیت سرویس - تقاضا و استفاده از گردش کار IDP را نظارت کنید و به طور خودکار ظرفیت سرویس AWS را تنظیم کنید تا سطح بهینه را برای برآورده کردن تقاضا بدون تامین بیش از حد یا کم تامین کنید. سهمیه ها، محدودیت ها و محدودیت های خدمات اجزای IDP خود را کنترل کنید و از آنها آگاه باشید، مانند متن آمازون و درک آمازون.
  • تغییرات را خودکار کنید – هنگام اعمال تغییرات در زیرساخت گردش کار IDP خود از اتوماسیون استفاده کنید. تغییرات را از طریق اتوماسیون مدیریت کنید، که پس از آن قابل پیگیری و بررسی است.

تمرکز مناطق

اصول طراحی و بهترین شیوه‌های ستون قابلیت اطمینان مبتنی بر بینش‌های جمع‌آوری‌شده از مشتریان و انجمن‌های متخصص فنی IDP ما است. از آنها به عنوان راهنمایی و پشتیبانی برای تصمیمات طراحی خود استفاده کنید و آنها را با الزامات تجاری خود در راه حل IDP خود هماهنگ کنید. استفاده از لنز با معماری خوب IDP به شما کمک می‌کند انعطاف‌پذیری و کارایی طراحی راه‌حل IDP خود را تأیید کنید و توصیه‌هایی برای رفع شکاف‌هایی که ممکن است شناسایی کنید ارائه می‌دهد.

موارد زیر بهترین زمینه های عملی برای قابلیت اطمینان یک راه حل IDP در فضای ابری هستند:

  • مبانی – خدمات هوش مصنوعی AWS مانند Amazon Textract و Amazon Comprehend مجموعه ای از محدودیت های نرم و سخت را برای ابعاد مختلف استفاده ارائه می دهند. مهم است که این محدودیت ها را مرور کنید و مطمئن شوید که راه حل IDP شما به محدودیت های نرم پایبند است، در حالی که از هیچ محدودیت سختی فراتر نمی رود.
  • مدیریت تغییر - راه حل IDP خود را به عنوان زیرساخت به عنوان کد (IaC) در نظر بگیرید که به شما امکان می دهد نظارت و مدیریت تغییر را خودکار کنید. از کنترل نسخه در اجزایی مانند زیرساخت و مدل‌های سفارشی آمازون Comprehend استفاده کنید و تغییرات را به زمان انتشار در زمان ردیابی کنید.
  • مدیریت شکست - از آنجایی که یک گردش کار IDP یک راه حل مبتنی بر رویداد است، برنامه شما باید برای مدیریت خطاهای شناخته شده و ناشناخته انعطاف پذیر باشد. یک راه حل IDP با معماری خوب این توانایی را دارد که از خرابی ها جلوگیری کند و با استفاده از مکانیسم های ثبت و امتحان مجدد در هنگام وقوع خرابی ها مقاومت کند. طراحی انعطاف پذیری در معماری گردش کار IDP و برنامه ریزی برای بازیابی فاجعه بسیار مهم است.

مبانی

خدمات هوش مصنوعی AWS اطلاعات آماده ای مانند استخراج و تجزیه و تحلیل خودکار داده ها را با استفاده از Amazon Texttract، Amazon Comprehend و هوش مصنوعی آمازون افزوده شده است (Amazon A2I)، برای گردش کار IDP شما. محدودیت‌های سرویس (یا سهمیه‌هایی) برای این سرویس‌ها وجود دارد تا از تدارک بیش از حد جلوگیری شود و نرخ درخواست در عملیات API محدود شود و از سرویس‌ها در برابر سوء استفاده محافظت شود.

هنگام برنامه ریزی و طراحی معماری راه حل IDP خود، بهترین شیوه های زیر را در نظر بگیرید:

  • از سهمیه‌ها، محدودیت‌ها و محدودیت‌های غیرقابل تغییر Amazon Textract و Amazon Comprehend آگاه باشید. - فرمت‌های فایل پذیرفته شده، اندازه و تعداد صفحات، زبان‌ها، چرخش اسناد و اندازه تصویر نمونه‌هایی از این محدودیت‌های سخت برای متن آمازون هستند که قابل تغییر نیستند.
    • فرمت های فایل پذیرفته شده شامل فایل های JPEG، PNG، PDF و TIFF می باشد. (تصاویر با کد JPEG 2000 در فایل های PDF پشتیبانی می شوند). اگر فرمت فایل پشتیبانی نمی شود (به عنوان مثال، Microsoft Word یا Excel) قبل از استفاده از Amazon Texttract، پیش پردازش سند مورد نیاز است. در این صورت باید فرمت های سند پشتیبانی نشده را به فرمت PDF یا تصویر تبدیل کنید.
    • Amazon Comprehend دارای سهمیه های متفاوتی برای مدل های داخلی، مدل های سفارشی و چرخ طیار است. مطمئن شوید که مورد استفاده شما با سهمیه های آمازون Comprehend همسو باشد.
  • سهمیه های خدمات Amazon Texttract و Amazon Comprehend را برای رفع نیازهای خود تنظیم کنید - محاسبه‌گر سهمیه خدمات متنی آمازون می‌تواند به شما کمک کند تا مقادیر سهمیه‌ای را که مورد استفاده شما را پوشش می‌دهد، تخمین بزنید. اگر در حال برنامه‌ریزی یک خطای بازیابی فاجعه بین حساب‌ها یا منطقه‌ها برای راه‌حل خود هستید، باید سهمیه خدمات خود را در بین حساب‌ها یا مناطق مدیریت کنید. هنگام درخواست افزایش سهمیه آمازون تکست، حتما این توصیه ها را دنبال کنید:
    • از ماشین حساب سهمیه خدمات متنی آمازون برای تخمین مقدار سهمیه بهینه خود استفاده کنید.
    • تغییر در درخواست‌ها می‌تواند باعث افزایش ترافیک شبکه شود که بر توان عملیاتی تأثیر می‌گذارد. از یک معماری بدون سرور یا مکانیسم دیگری برای روان کردن ترافیک استفاده کنید و بیشترین بهره را از تراکنش های اختصاص داده شده در ثانیه (TPS) ببرید.
    • منطق امتحان مجدد را برای رسیدگی به تماس های قطع شده و اتصالات قطع شده پیاده سازی کنید.
    • برای بهبود توان عملیاتی، عقب نشینی و لرزش نمایی را پیکربندی کنید.

مدیریت تغییر

تغییرات در گردش کار IDP یا محیط آن، مانند افزایش تقاضا یا فایل سند خراب، باید پیش‌بینی شود و برای دستیابی به قابلیت اطمینان بالاتر راه‌حل مورد توجه قرار گیرد. برخی از این تغییرات توسط بهترین شیوه های بنیادی توضیح داده شده در بخش قبل پوشش داده می شوند، اما این تغییرات به تنهایی برای سازگاری با تغییرات کافی نیستند. بهترین شیوه های زیر نیز باید در نظر گرفته شوند:

  • استفاده کنید CloudWatch آمازون برای نظارت بر اجزای گردش کار IDP خود، مانند Amazon Textract و Amazon Comprehend. معیارها را از گردش کار IDP جمع آوری کنید، پاسخ ها به آلارم ها را خودکار کنید، و اعلان ها را در صورت نیاز برای گردش کار و اهداف تجاری خود ارسال کنید.
  • راه حل گردش کار IDP و تمام تغییرات زیرساخت را با اتوماسیون با استفاده از IaC، مانند کیت توسعه ابری AWS (AWS CDK) و سازه های IDP AWS CDK از پیش ساخته شده. این پتانسیل ایجاد خطای انسانی را از بین می برد و شما را قادر می سازد قبل از تغییر در محیط تولید خود آزمایش کنید.
  • اگر مورد استفاده شما به یک مدل سفارشی آمازون Comprehend نیاز دارد، استفاده از فلایویل را در نظر بگیرید تا روند بهبود مدل سفارشی را در طول زمان ساده کنید. فلایویل وظایف مرتبط با آموزش و ارزیابی نسخه مدل سفارشی جدید را هماهنگ می کند.
  • اگر مورد استفاده شما به آن نیاز دارد، با آموزش و با استفاده از یک آداپتور برای مدل پایه Amazon Textract، خروجی ویژگی Queries از پیش آموزش‌دیده آمازون را سفارشی کنید. هنگام ایجاد پرس و جو برای آداپتورهای خود، بهترین روش های زیر را در نظر بگیرید:
    • سهمیه های آداپتور محدودیت های قبلی را برای آموزش آداپتورها مشخص می کند. این محدودیت ها را در نظر بگیرید و در صورت نیاز درخواست افزایش سهمیه خدمات را مطرح کنید:
      • حداکثر تعداد آداپتور - تعداد آداپتورهای مجاز (شما می توانید چندین نسخه آداپتور را تحت یک آداپتور داشته باشید).
      • حداکثر نسخه آداپتور ایجاد شده در هر ماه – تعداد نسخه‌های آداپتور موفقی که می‌توان در هر حساب AWS در ماه ایجاد کرد.
      • حداکثر نسخه آداپتور در حال پیشرفت – تعداد نسخه های آداپتور در حال پیشرفت (آموزش آداپتور) در هر حساب.
    • مطمئن شوید که از مجموعه‌ای از اسناد معرف مورد استفاده خود استفاده می‌کنید (حداقل پنج سند آموزشی و پنج سند آزمایشی).
    • تا حد امکان مدارک را برای آموزش (حداکثر 2,500 صفحه مدارک آموزشی و 1,000 صفحه برای مدارک آزمون) ارائه دهید.
    • پرس و جوها را با استفاده از پاسخ های مختلف حاشیه نویسی کنید. به عنوان مثال، اگر پاسخ به یک پرس و جو "بله" یا "خیر" است، نمونه های مشروح باید هر دو "بله" و "خیر" داشته باشند.
    • حفظ ثبات در سبک حاشیه نویسی و هنگام حاشیه نویسی فیلدها با فاصله.
    • از پرس و جوی دقیق مورد استفاده در آموزش برای استنتاج استفاده کنید.
    • پس از هر دور آموزش آداپتور، معیارهای عملکرد را بررسی کنید تا مشخص کنید آیا برای دستیابی به اهداف خود نیاز به بهبود آداپتور خود دارید یا خیر. قبل از شروع آموزش جدید برای ایجاد نسخه بهبودیافته آداپتور، یک مجموعه سند جدید برای آموزش آپلود کنید یا حاشیه نویسی اسناد را که امتیازات دقت پایینی دارند مرور کنید.
    • استفاده از AutoUpdate ویژگی برای آداپتورهای سفارشی این ویژگی در صورتی که AutoUpdate پرچم روی یک آداپتور فعال است.

مدیریت شکست

هنگام طراحی راه حل IDP، یکی از جنبه های مهمی که باید در نظر گرفته شود انعطاف پذیری آن است، نحوه رسیدگی به خطاهای شناخته شده و ناشناخته ای که ممکن است رخ دهد. راه حل IDP باید قابلیت ثبت خطاها و تلاش مجدد عملیات ناموفق را در طی مراحل مختلف گردش کار IDP داشته باشد. در این بخش، جزئیات نحوه طراحی گردش کار IDP خود را برای رسیدگی به خرابی ها مورد بحث قرار می دهیم.

گردش کار IDP خود را برای مدیریت و مقاومت در برابر شکست ها آماده کنید

«همیشه همه چیز شکست می‌خورد»، نقل قول معروفی از ورنر فوگلز، مدیر ارشد فناوری AWS است. راه حل IDP شما، مانند هر چیز دیگری، در نهایت شکست خواهد خورد. سوال این است که چگونه می‌تواند در برابر شکست‌ها مقاومت کند بدون اینکه بر کاربران راه‌حل IDP شما تأثیر بگذارد. طراحی معماری IDP شما باید از خرابی ها به هنگام رخ دادن آنها آگاه باشد و برای جلوگیری از تأثیر بر در دسترس بودن اقدام کند. این کار باید به صورت خودکار و بدون تاثیر کاربر انجام شود. بهترین روش های زیر را در نظر بگیرید:

  • استفاده کنید سرویس ذخیره سازی ساده آمازون (Amazon S3) به عنوان ذخیره داده های مقیاس پذیر شما برای پردازش اسناد گردش کار IDP. Amazon S3 یک زیرساخت ذخیره سازی بسیار بادوام را ارائه می دهد که برای ذخیره سازی داده های حیاتی و اولیه طراحی شده است.
  • از تمام داده های گردش کار IDP خود با توجه به نیازهای تجاری خود نسخه پشتیبان تهیه کنید. اجرای یک استراتژی برای بازیابی یا بازتولید داده ها در صورت از دست رفتن داده ها. این استراتژی را با یک هدف تعریف شده نقطه بازیابی (RPO) و هدف زمان بازیابی (RTO) که نیازهای کسب و کار شما را برآورده می کند، هماهنگ کنید.
  • در صورت نیاز، یک استراتژی بازیابی فاجعه از راه حل IDP خود را در سراسر حساب های AWS و منطقه ها برنامه ریزی و اجرا کنید.
  • از متن آمازون استفاده کنید OutputConfig ویژگی و Amazon Comprehend OutputDataConfig قابلیت ذخیره نتایج پردازش ناهمزمان از Amazon Textract یا Amazon Comprehend در یک سطل S3 تعیین شده. این اجازه می دهد تا گردش کار از آن نقطه به جای تکرار فراخوانی Amazon Texttract یا Amazon Comprehend ادامه یابد. کد زیر نشان می دهد که چگونه می توان یک کار API ناهمزمان متن Amazon را برای تجزیه و تحلیل یک سند و ذخیره خروجی استنتاج رمزگذاری شده در یک سطل S3 تعریف شده شروع کرد. برای اطلاعات بیشتر، به اسناد مشتری متن آمازون.
import boto3
client = boto3.client('textract') response = client.start_document_analysis( DocumentLocation={ 'S3Object': { 'Bucket': 'string', 'Name': 'string', 'Version': 'string' } }, FeatureTypes=[ 'TABLES'|'FORMS'|'QUERIES'|'SIGNATURES'|'LAYOUT', ], … OutputConfig={ 'S3Bucket': 'string', 'S3Prefix': 'string' }, KMSKeyId='string' …
)

گردش کار IDP خود را برای جلوگیری از شکست طراحی کنید

قابلیت اطمینان یک حجم کاری با تصمیمات اولیه طراحی شروع می شود. انتخاب های معماری بر رفتار حجم کاری شما و انعطاف پذیری آن تأثیر می گذارد. برای بهبود قابلیت اطمینان راه حل IDP خود، این بهترین شیوه ها را دنبال کنید.

ابتدا، معماری خود را بر اساس گردش کار IDP طراحی کنید. اگرچه مراحل یک گردش کار IDP ممکن است متفاوت باشد و تحت تأثیر موارد استفاده و الزامات تجاری قرار گیرد، مراحل جمع‌آوری داده، طبقه‌بندی اسناد، استخراج متن، غنی‌سازی محتوا، بررسی و اعتبارسنجی، و مصرف معمولاً بخشی از گردش کار IDP هستند. از این مراحل به خوبی تعریف شده می توان برای جداسازی عملکردها و جداسازی آنها در صورت خرابی استفاده کرد.

شما می توانید سرویس صف ساده آمازون (Amazon SQS) برای جدا کردن مراحل گردش کار IDP. الگوی جداسازی به جداسازی رفتار اجزای معماری از سایر اجزای وابسته به آن کمک می‌کند و انعطاف‌پذیری و چابکی را افزایش می‌دهد.

ثانیا، تماس های تکراری را کنترل و محدود کنید. اگر از حداکثر تعداد TPS تخصیص داده شده فراتر رود، سرویس‌های AWS مانند Amazon Texttract ممکن است با شکست مواجه شوند و باعث شود سرویس برنامه شما را کاهش دهد یا اتصال شما را قطع کند.

شما باید با تکرار خودکار عملیات (عملیات همزمان و ناهمزمان) اتصالات throttling و قطع شده را مدیریت کنید. با این حال، باید تعداد محدودی از تلاش‌های مجدد را نیز مشخص کنید، پس از آن عملیات شکست می‌خورد و یک استثنا ایجاد می‌کند. اگر در مدت زمان کوتاهی با آمازون تکسترکت تماس های زیادی برقرار کنید، تماس های شما را کاهش می دهد و یک پیام ارسال می کند. ProvisionedThroughputExceededExceptionerror در پاسخ عملیات

علاوه بر این، استفاده کنید عقب نشینی و لرزش نمایی برای تلاش های مجدد برای بهبود توان عملیاتی به عنوان مثال، با استفاده از متن آمازون، تعداد تلاش های مجدد را با درج عبارت مشخص کنید config پارامتر هنگام ایجاد مشتری متن آمازون. ما توصیه می کنیم که تعداد پنج بار امتحان مجدد انجام شود. در کد مثال زیر از کد استفاده می کنیم config پارامتر برای تکرار خودکار یک عملیات با استفاده از حالت تطبیقی ​​و حداکثر پنج بار تکرار:

import boto3
from botocore.client import Config documents = ['doc-img-1.png','doc-img-2.png', 'doc-img-3.png', 'doc-img-4.png', 'doc-img-5.png'] config = Config( retries = { 'max_attempts': 5, 'mode': 'adaptive' }
) client = boto3.client('textract', config=config) for documentName in documents: response = client.detect_document_text( DocumentLocation = { 'S3Object': { 'Bucket': 'string', 'Name': documentName } }) ...

از AWS SDK ها استفاده کنید، مانند AWS SDK برای پایتون (Boto3)، برای کمک به تلاش مجدد برای تماس های مشتری به سرویس‌های AWS مانند Amazon Textract و Amazon Comprehend. سه وجود دارد حالت های امتحان مجدد موجود است:

  • حالت میراث - سعی مجدد تعداد محدودی از خطاها و استثناها را فرا می‌خواند و شامل عقب‌نشینی نمایی با ضریب پایه 2 می‌شود.
  • حالت استاندارد - منطق و رفتار امتحان مجدد را مطابق با سایر SDK های AWS استاندارد می کند و عملکرد تلاش های مجدد را بیش از موارد موجود در حالت قدیمی گسترش می دهد. هر تلاش مجدد شامل یک بازگشت نمایی با ضریب پایه 2 برای حداکثر زمان بازگشت 20 ثانیه خواهد بود.
  • حالت تطبیقی - شامل تمام ویژگی های حالت استاندارد است و با استفاده از سطل نشانه و متغیرهای محدودیت نرخ که به صورت پویا با هر تلاش مجدد به روز می شوند، یک محدودیت نرخ سمت مشتری را معرفی می کند. این انعطاف‌پذیری را در تلاش‌های مجدد سمت سرویس گیرنده ارائه می‌کند که با پاسخ حالت خطا یا استثنا از یک سرویس AWS سازگار است. با هر تلاش مجدد جدید، حالت تطبیقی ​​متغیرهای محدودیت نرخ را بر اساس خطا، استثنا یا کد وضعیت HTTP ارائه شده در پاسخ از سرویس AWS تغییر می‌دهد. سپس از این متغیرهای حد نرخ برای محاسبه نرخ تماس جدید برای مشتری استفاده می شود. هر پاسخ HTTP استثنایی، خطا یا غیرموفقیتی از یک سرویس AWS، متغیرهای محدودیت نرخ را به‌روزرسانی می‌کند، زیرا تلاش‌های مجدد تا رسیدن به موفقیت، اتمام سطل توکن، یا رسیدن به حداکثر مقدار تلاش پیکربندی‌شده انجام می‌شود. نمونه هایی از استثناها، خطاها یا پاسخ های HTTP ناموفق:
# Transient errors/exceptions
RequestTimeout
RequestTimeoutException
PriorRequestNotComplete
ConnectionError
HTTPClientError # Service-side throttling/limit errors and exceptions
Throttling
ThrottlingException
ThrottledException
RequestThrottledException
TooManyRequestsException
ProvisionedThroughputExceededException
TransactionInProgressException
RequestLimitExceeded
BandwidthLimitExceeded
LimitExceededException
RequestThrottled
SlowDown
EC2ThrottledException #Retry attempts on nondescriptive, transient error codes. Specifically, these HTTP status codes: 500, 502, 503, 504.

نتیجه

در این پست، ما اصول طراحی، مناطق تمرکز، پایه ها و بهترین روش ها برای قابلیت اطمینان در راه حل IDP شما را به اشتراک گذاشتیم.

AWS متعهد به IDP Well-Architected Lens به عنوان یک ابزار زنده است. همانطور که راه حل های IDP و خدمات مرتبط AWS AI تکامل می یابند و خدمات جدید AWS در دسترس قرار می گیرند، ما Lens IDP Well-Architected را بر این اساس به روز خواهیم کرد.

اگر می خواهید در مورد چارچوب AWS Well-Architected Framework بیشتر بدانید، به آن مراجعه کنید AWS به خوبی معماری شده است.

اگر به راهنمایی متخصص بیشتری نیاز دارید، با تیم حساب AWS خود تماس بگیرید تا معمار راه حل های متخصص IDP را درگیر کند.

درباره نویسنده

روی کاردوسو یک معمار راه حل شریک در خدمات وب آمازون (AWS) است. او روی AI/ML و IoT تمرکز کرده است. او با شرکای AWS کار می کند و از آنها در توسعه راه حل ها در AWS پشتیبانی می کند. وقتی کار نمی کند، از دوچرخه سواری، پیاده روی و یادگیری چیزهای جدید لذت می برد.

بریجس پاتی یک معمار راه حل های سازمانی در AWS است. تمرکز اصلی او کمک به مشتریان سازمانی است که فناوری‌های ابری را برای بار کاری خود بپذیرند. او سابقه ای در توسعه اپلیکیشن و معماری سازمانی دارد و با مشتریانی از صنایع مختلف مانند ورزش، مالی، انرژی و خدمات حرفه ای کار کرده است. علایق او شامل معماری های بدون سرور و AI/ML است.

میا چانگ یک معمار راه حل های تخصصی ML برای خدمات وب آمازون است. او با مشتریان در EMEA کار می کند و بهترین شیوه ها را برای اجرای بارهای کاری AI/ML در فضای ابری با پیشینه خود در ریاضیات کاربردی، علوم کامپیوتر و AI/ML به اشتراک می گذارد. او بر حجم کاری خاص NLP تمرکز می کند و تجربه خود را به عنوان سخنران کنفرانس و نویسنده کتاب به اشتراک می گذارد. او در اوقات فراغت خود از پیاده روی، بازی های رومیزی و دم کردن قهوه لذت می برد.

تیم کوندلو یک معمار ارشد راه حل های هوش مصنوعی (AI) و یادگیری ماشین (ML) در خدمات وب آمازون (AWS) است. تمرکز او پردازش زبان طبیعی و بینایی کامپیوتری است. تیم از گرفتن ایده های مشتری و تبدیل آنها به راه حل های مقیاس پذیر لذت می برد.

شری دینگ یک معمار ارشد راه حل های هوش مصنوعی (AI) و یادگیری ماشین (ML) در خدمات وب آمازون (AWS) است. او تجربه گسترده ای در یادگیری ماشین با مدرک دکترا در علوم کامپیوتر دارد. او عمدتاً با مشتریان بخش عمومی در چالش های مختلف تجاری مرتبط با هوش مصنوعی کار می کند و به آنها کمک می کند تا سفر یادگیری ماشین خود را در AWS Cloud تسریع کنند. وقتی به مشتریان کمک نمی کند، از فعالیت های بیرون از خانه لذت می برد.

سویین وانگ یک معمار راه حل های تخصصی AI/ML در AWS است. او دارای سابقه آموزش بین رشته ای در یادگیری ماشین، خدمات اطلاعات مالی و اقتصاد، همراه با سال ها تجربه در ساخت برنامه های کاربردی علم داده و یادگیری ماشین است که مشکلات دنیای واقعی تجارت را حل می کند. او از کمک به مشتریان در شناسایی سؤالات تجاری مناسب و ایجاد راه حل های مناسب AI/ML لذت می برد. او در اوقات فراغت خود عاشق آواز خواندن و آشپزی است.

نقطه_img

جدیدترین اطلاعات

نقطه_img

حق چاپ @ 2024 Plato Technologies Inc.