Tienda de funciones de Amazon SageMaker es una nueva capacidad de Amazon SageMaker que ayuda a los científicos de datos y los ingenieros de aprendizaje automático (ML) a almacenar, descubrir y compartir de forma segura datos seleccionados que se utilizan en los flujos de trabajo de capacitación y predicción. A medida que las organizaciones crean aplicaciones basadas en datos utilizando ML, constantemente ensamblan y mueven funciones entre equipos cada vez más funcionales. Este movimiento constante de datos puede generar inconsistencias en las características y convertirse en un cuello de botella al diseñar iniciativas de ML que abarcan varios equipos. Por ejemplo, una empresa de comercio electrónico puede tener varios equipos de ingeniería y ciencia de datos trabajando en diferentes aspectos de su plataforma. El equipo de búsqueda principal se centra en la comprensión de consultas y las tareas de recuperación de información. El equipo de Product Success resuelve problemas relacionados con las opiniones de los clientes y las señales de retroalimentación. El equipo de personalización utiliza la secuencia de clics y los datos de la sesión para crear modelos de aprendizaje automático para recomendaciones personalizadas. Además, los equipos de ingeniería de datos como el equipo de Data Curation pueden seleccionar y validar información específica del usuario, que es un componente esencial que otros equipos pueden usar. Una tienda de características funciona como una interfaz unificada entre estos equipos, lo que permite que un equipo aproveche las características generadas por otros equipos, lo que minimiza la sobrecarga operativa de replicar y mover características entre equipos.
El entrenamiento de un modelo de AA listo para producción generalmente implica el acceso a un conjunto diverso de características que no siempre son propiedad del equipo que está construyendo el modelo ni las mantiene. Una práctica común para las organizaciones que aplican ML es pensar en estos equipos de ciencia de datos como grupos individuales que trabajan de forma independiente con una colaboración limitada. Esto da como resultado flujos de trabajo de ML sin una forma estandarizada de compartir funciones entre equipos, lo que se convierte en un factor limitante crucial para la productividad de la ciencia de datos y dificulta que los científicos de datos creen modelos nuevos y complejos. Con una tienda de funciones compartidas, las organizaciones pueden lograr economías de escala. A medida que estén disponibles más funciones compartidas, será más fácil y económico para los equipos crear y mantener nuevos modelos. Estos modelos pueden reutilizar funciones que ya se han desarrollado, probado y ofrecido mediante una tienda de funciones centralizada.
Esta publicación captura los patrones esenciales de arquitectura entre cuentas para Feature Store que se pueden implementar en una organización con muchos equipos de ingeniería y ciencia de datos que operan en diferentes cuentas de AWS. Compartimos cómo habilitar el uso compartido de funciones entre cuentas a través de un ejemplo paso a paso, que puede probar usted mismo con el código en nuestro Repositorio GitHub.
Descripción general de SageMaker Feature Store
De forma predeterminada, una tienda de funciones de SageMaker es local para la cuenta en la que se creó, pero también puede ser centralizada y compartida por muchas cuentas. Una organización con varios equipos puede tener una tienda de funciones centralizada que se comparte entre los equipos, así como tiendas de funciones separadas para que las utilicen equipos individuales. Las tiendas independientes pueden contener grupos de funciones que son de naturaleza sensible o que son específicos de una carga de trabajo de AA única.
En esta publicación, primero aprenderá sobre el centralizado tienda de características patrón. Este patrón prescribe una interfaz central a través de la cual los equipos pueden crear y publicar nuevas funciones, y desde la cual otros equipos (o sistemas) pueden consumir funciones. También garantiza que tenga una única fuente de información veraz para los datos de características en toda su organización y simplifica la administración de recursos.
A continuación, aprende sobre el tienda de funciones combinadas patrón, que permite a los equipos mantener sus propias tiendas de funciones locales en su cuenta, al mismo tiempo que pueden acceder a funciones compartidas desde la tienda de funciones centralizada. Estas tiendas de características locales generalmente se crean para la experimentación de la ciencia de datos. Al combinar funciones compartidas de la tienda centralizada con funciones locales, los equipos pueden obtener nuevas funciones mejoradas que pueden ayudar a la hora de crear modelos de AA más complejos. También puede utilizar las tiendas locales para almacenar datos confidenciales que no se pueden compartir en toda la organización por motivos normativos y de cumplimiento.
Por último, cubrimos brevemente un patrón menos común que involucra la replicación de datos de características.
Tienda de funciones centralizada
Las organizaciones pueden maximizar los beneficios de una tienda de características cuando está centralizada. los tienda de características centralizada patrón demuestra cómo las canalizaciones de funciones de varias cuentas pueden escribir en una tienda de funciones centralizada y cómo varias otras cuentas pueden consumir estas funciones. Este es un patrón común entre las empresas medianas y grandes donde varios equipos administran diferentes tipos de datos o diferentes partes de una aplicación.
El proceso de formular hipótesis, seleccionar y transformar las entradas de datos en una forma utilizable adecuada para los modelos de AA se denomina ingeniería de características. La canalización de características encapsula todos los pasos del proceso de ingeniería de características necesarios para convertir datos sin procesar en características útiles que los modelos de AA toman como entrada para las predicciones. Mantener las canalizaciones de características es un proceso costoso, que requiere mucho tiempo y es propenso a errores. Además, la replicación de recetas de funciones y transformaciones entre cuentas puede generar inconsistencias y sesgos en las características de las funciones. Debido a que una tienda de características centralizada facilita el intercambio de conocimientos, los equipos no tienen que recrear recetas de características y reescribir tuberías desde cero en cada proyecto.
En este patrón, en lugar de escribir características localmente en una tienda de características específica de la cuenta, las características se escriben en una tienda de características centralizada. La tienda centralizada sirve como bóveda central y crea una forma estandarizada de acceder y mantener funciones para la colaboración entre equipos. Actúa como un habilitador y acelerador para la adopción de la IA, lo que reduce el tiempo de comercialización de las soluciones de ML y permite la gobernanza centralizada y el control de acceso a las funciones de ML. Puede otorgar acceso a cuentas, usuarios o roles externos para leer y escribir grupos de funciones individuales de acuerdo con sus políticas de acceso a datos. AWS recomienda aplicar el acceso con privilegios mínimos solo a los grupos de funciones que necesita para su función laboral. Esto es gestionado por el subyacente Gestión de identidades y accesos de AWS (IAM) políticas. Puede refinar aún más el control de acceso con etiquetas de grupo de funciones y Condiciones de IAM para decidir qué directores pueden realizar acciones específicas. Cuando utiliza una tienda centralizada a escala, también es importante implementar la gobernanza de características adecuada para garantizar que los grupos de características estén bien diseñados, tengan canalizaciones de características que estén documentadas y respaldadas, y tengan procesos implementados para garantizar la calidad de las características. Este tipo de gobernanza ayuda a ganarse la confianza necesaria para la reutilización de funciones en todos los equipos.
Antes de analizar un ejemplo, identifiquemos algunos conceptos clave de la tienda de características. Primero, grupos de funciones son grupos lógicos de características, que normalmente se originan en la misma canalización de características. Un tienda offline contiene grandes volúmenes de datos de características históricas que se utilizan para crear datos de prueba y entrenamiento para el desarrollo de modelos, o por aplicaciones por lotes para la puntuación de modelos. El propósito de tienda en línea es servir estas mismas características en tiempo real con baja latencia. A diferencia de la tienda fuera de línea, que es solo para agregar, el objetivo de la tienda en línea es ofrecer los valores de características más recientes. Detrás de escena, Feature Store lleva a cabo automáticamente la sincronización de datos entre las dos tiendas. Si ingiere nuevos valores de características en la tienda en línea, se agregan automáticamente a la tienda fuera de línea. Sin embargo, también puede crear correos electrónicos sin conexión y en línea.
tores por separado si este es un requisito para su equipo o proyecto.
El siguiente diagrama muestra tres equipos funcionales, cada uno con su propio proceso de escritura de características en un grupo de características en una tienda de características centralizada.
La cuenta de personalización administra los datos de la sesión del usuario recopilados de una aplicación de cara al cliente y posee una canalización de funciones que produce un grupo de funciones llamado Sesiones con funciones derivadas de los datos de la sesión. Esta canalización escribe los valores de características generados en el almacén de características centralizado. Del mismo modo, una canalización de funciones en la cuenta Product Success es responsable de producir funciones en el grupo de funciones Reseñas, y la cuenta de Conservación de datos produce funciones en el grupo de funciones Usuarios.
La cuenta de la tienda de características centralizada contiene todas las características recibidas de las tres cuentas de productor, asignados a tres grupos de funciones: sesiones, revisiones y usuarios. Las canalizaciones de características pueden escribir en el almacén de características centralizado asumiendo un rol de IAM específico que se crea en la cuenta de la tienda centralizada. Discutimos cómo habilitar este rol de cuentas cruzadas más adelante en esta publicación. Las cuentas externas también pueden consultar características de los grupos de características en la tienda centralizada para entrenamiento o inferencia, como se muestra en el diagrama de arquitectura anterior. Para la capacitación, puede asumir el rol de IAM desde la tienda centralizada y ejecutar cuentas cruzadas Atenea amazónica consultas (como se muestra en el diagrama), o iniciar una EMR de Amazon or Procesamiento SageMaker trabajo para crear conjuntos de datos de entrenamiento. En caso de inferencia en tiempo real, puede leer funciones en línea directamente a través del mismo rol de IAM asumido para el acceso entre cuentas.
En este modelo, la tienda de características centralizada generalmente reside en una cuenta de producción. Las aplicaciones que utilizan esta tienda pueden residir en esta cuenta o en otras cuentas con acceso entre cuentas a la tienda de funciones centralizada. Puede replicar toda esta estructura en entornos inferiores, como desarrollo o preparación, para probar los cambios de infraestructura antes de promoverlos a producción.
Tienda de características combinadas
En esta sección, discutimos una variante del patrón de almacenamiento de características centralizado llamado el tienda de funciones combinadas patrón. En la ingeniería de características, una práctica común es combinar características existentes para derivar nuevas características. Cuando los equipos combinan características compartidas de la tienda centralizada con características locales en su propia tienda de características, pueden derivar nuevas características mejoradas para ayudar a construir modelos de datos más complejos. Sabemos por la sección anterior que la tienda centralizada facilita que cualquier equipo de ciencia de datos acceda a funciones externas y las use con su grupo de funciones existente para componer y desarrollar nuevas funciones.
La seguridad y el cumplimiento es otro caso de uso para que los equipos mantengan una tienda de características específicas del equipo además de acceder a las características de la tienda centralizada. Muchos equipos requieren derechos de acceso específicos que no se otorgan a todos en la organización. Por ejemplo, es posible que no sea factible publicar características extraídas de datos confidenciales en un almacén de características centralizado dentro de la organización.
En el siguiente diagrama de arquitectura, la tienda de características centralizada es la cuenta que recopila y cataloga todas las características recibidas de múltiples canales de características en un repositorio central. En este ejemplo, la cuenta de la tienda combinada pertenece al equipo de búsqueda principal. Esta cuenta es el consumidor de las funciones para compartir de la tienda centralizada. Además, esta cuenta gestiona los datos de palabras clave del usuario recopilados a través de una aplicación de búsqueda dirigida al cliente.
Esta cuenta mantiene sus propias tiendas locales en línea y fuera de línea. Estas tiendas locales están pobladas por una canalización de características configurada localmente para ingerir datos de palabras clave de consulta de usuario y generar características. Estas funciones se agrupan en un grupo de funciones denominado Palabras clave. Feature Store de forma predeterminada crea automáticamente un Pegamento AWS tabla para este grupo de funciones, que está registrado en AWS Glue Data Catalog en esta cuenta. Los metadatos de esta tabla apuntan a la ubicación de Amazon S3 del grupo de características en la tienda fuera de línea de esta cuenta.
La cuenta de la tienda combinada también puede acceder a los grupos de funciones Sesiones, Reseñas y Usuarios desde la tienda centralizada. Puede habilitar el acceso entre cuentas por función, que discutiremos en las siguientes secciones. Los científicos e investigadores de datos pueden usar Athena para consultar grupos de características creados localmente y unir estas características internas con características externas derivadas de la tienda centralizada para experimentos de ciencia de datos.
Descripción general del acceso entre cuentas
Esta sección proporciona una descripción general de cómo habilitar el acceso entre cuentas para Feature Store entre dos cuentas usando un rol asumido a través de Servicio de token de seguridad de AWS (AWS STS). AWS STS es un servicio web que le permite solicitar credenciales temporales con privilegios limitados para los usuarios de IAM. AWS STS devuelve un conjunto de credenciales de seguridad temporales que puede utilizar para acceder a los recursos de AWS a los que normalmente no tiene acceso. Estas credenciales temporales constan de un ID de clave de acceso, una clave de acceso secreta y un token de seguridad.
Para demostrar este proceso, suponga que tenemos dos cuentas, A y B, como se muestra en el siguiente diagrama.
La cuenta B mantiene una tienda centralizada de funciones en línea y fuera de línea. La cuenta A necesita acceso a las tiendas en línea y fuera de línea contenidas en la cuenta B. Para habilitar esto, creamos un rol en la cuenta B y permitimos que la cuenta A asuma ese rol usando AWS STS. Esto permite que la cuenta A se comporte como la cuenta B, con permisos para realizar acciones específicas identificadas por el rol. Servicios de AWS como SageMaker (trabajos de procesamiento y capacitación, puntos finales) y AWS Lambda utilizado desde la cuenta A puede asumir el rol de IAM creado en la cuenta B mediante el uso de un cliente AWS STS (consulte el bloque de código más adelante en esta publicación). Esto les otorga los permisos necesarios para acceder a recursos como Amazon S3, Athena y el Catálogo de datos de AWS Glue dentro de la Cuenta B. Una vez que los servicios de la Cuenta A adquieren los permisos necesarios para los recursos, pueden acceder tanto a la tienda en línea como fuera de línea en la Cuenta. B. Dependiendo de la elección de su servicio, también debe agregar la función de ejecución de IAM para ese servicio a la política de confianza de la función de IAM entre cuentas en la Cuenta B. Analizamos esto en detalle en la siguiente sección.
El diagrama de arquitectura anterior muestra cómo la Cuenta A asume un rol de la Cuenta B para leer y escribir en las tiendas en línea y fuera de línea contenidas en la Cuenta B. Los siete pasos del diagrama son los siguientes:
- La cuenta B crea un rol que pueden asumir otros (para nuestro caso de uso, la cuenta A).
- La cuenta A asume el rol de IAM de la cuenta B mediante AWS STS. La cuenta A ahora puede generar credenciales temporales que se pueden usar para crear clientes de servicios de AWS que se comportan como si estuvieran dentro de la cuenta B.
- En la Cuenta A, SageMaker y otro servicio
los clientes (como Amazon S3 y Athena) se crean utilizando las credenciales temporales a través del rol asumido. - Los clientes de servicio en la Cuenta A ahora pueden crear grupos de características y completar valores de características en la tienda en línea centralizada de la Cuenta B usando el SDK de AWS.
- La tienda en línea en la Cuenta B se sincroniza automáticamente con la tienda fuera de línea, también en la Cuenta B.
- El cliente de servicio de Athena dentro de la Cuenta A ejecuta consultas entre cuentas para leer, agrupar y materializar conjuntos de características utilizando tablas Athena dentro de la Cuenta B. Debido a que la tienda fuera de línea existe en la Cuenta B, las tablas de AWS Glue correspondientes, las entradas del catálogo de metadatos y los objetos S3 todos residen dentro de la cuenta B. La cuenta A puede usar el rol de asumir AWS STS para consultar las características fuera de línea (objetos S3) dentro de la cuenta B.
- Los resultados de la consulta de Athena se devuelven como conjuntos de datos de características en el depósito S3 de la cuenta A.
Las credenciales temporales utilizan la API GetSessionToken de AWS STS y están limitadas a 1 hora. Puede extender la duración de su sesión usando Credenciales refrescables, una clase de Botocore que puede actualizar automáticamente las credenciales para trabajar con sus aplicaciones de ejecución prolongada más allá del período de tiempo de 1 hora. Un cuaderno de ejemplo la demostración de esto está disponible en nuestro repositorio de GitHub.
Crear acceso de cuentas cruzadas
Esta sección detalla todos los pasos para crear los roles, políticas y permisos de acceso entre cuentas para permitir que las funciones se compartan entre las Cuentas A y B de acuerdo con nuestra arquitectura.
Crear una función de acceso a la Tienda de funciones
Desde la Cuenta B, creamos un rol de acceso a la Tienda de funciones. Este es el rol que asumen los servicios de AWS dentro de la Cuenta A para obtener acceso a los recursos de la Cuenta B.
- En la consola de IAM, en el panel de navegación, elija Roles.
- Elige Crear rol.
- Elige Otra cuenta de AWS.
- ID de la cuenta, ingrese el ID de cuenta de 12 dígitos de la cuenta B.
- Elige Siguiente: permisos.
- En Permisos sección, busque y adjunte las siguientes políticas administradas por AWS:
AmazonSageMakerFullAccess
(puede restringir aún más esto a los privilegios mínimos según su caso de uso)AmazonSageMakerFeatureStoreAccess
- Cree y adjunte una política personalizada a este nuevo rol (proporcione el nombre del depósito de S3 en la Cuenta A donde se escriben los resultados de la consulta de Athena recopilados en la Cuenta B):
Cuando utiliza este nuevo rol de cuentas cruzadas de AWS STS desde la cuenta A, puede ejecutar consultas de Athena en el contenido de la tienda fuera de línea en la cuenta B. La política personalizada permite a Athena (dentro de la cuenta B) escribir los resultados en un depósito de resultados en la cuenta. A. Asegúrese de que este depósito de resultados se cree en la Cuenta A antes de crear la política anterior.
Alternativamente, puede permitir que la función centralizada almacenada en la Cuenta B mantenga todos los resultados de la consulta de Athena en un depósito S3. En este caso, debe configurar políticas de acceso de lectura de Amazon S3 entre cuentas para que las cuentas externas lean los resultados guardados (objetos S3).
- Después de adjuntar las políticas, elija Siguiente.
- Ingrese un nombre para esta función (por ejemplo, función-asumir-cuenta-cruzada).
- En Resumen página para el rol creado, debajo Relaciones de confianza, escoger Editar relación de confianza.
- Edite el documento de la política de control de acceso como se muestra en el siguiente código:
El código anterior agrega SageMaker y Athena como servicios en la sección Principal. Si desea que más cuentas o roles externos asuman este rol, puede agregar sus ARN correspondientes en esta sección.
Crear una instancia de cuaderno de SageMaker
Desde la cuenta A, cree una instancia de cuaderno de SageMaker con una función de ejecución de IAM. Esta función le otorga al cuaderno de SageMaker en la cuenta A los permisos necesarios para ejecutar acciones en el almacén de características dentro de la cuenta B. Alternativamente, si no está usando un cuaderno de SageMaker y usa Lambda en su lugar, debe crear un rol para Lambda con el mismo políticas adjuntas como se muestra en esta sección.
De forma predeterminada, las siguientes políticas se adjuntan cuando crea un nuevo rol de ejecución para un cuaderno de SageMaker:
AmazonSageMaker-ExecutionPolicy
AmazonSageMakerFullAccess
Necesitamos crear y adjuntar dos políticas personalizadas adicionales. Primero, cree una política personalizada con el siguiente código, que permite que el rol de ejecución en la Cuenta A realice ciertas acciones de S3 necesarias para interactuar con la tienda fuera de línea en la Cuenta B:
También puede adjuntar la política administrada por AWS AmazonSageMakerFeatureStoreAccess
, si el nombre del bucket de S3 de su tienda fuera de línea contiene el SageMaker
palabra clave.
En segundo lugar, cree la siguiente política personalizada, que permite que el cuaderno de SageMaker de la cuenta A asuma el rol (cross-account-assume-role
) creado en la cuenta B:
Sabemos que la cuenta A puede acceder a la tienda en línea y fuera de línea en la cuenta B. Cuando la cuenta A asume el rol de AWS STS entre cuentas de la cuenta B, puede ejecutar consultas de Athena dentro de la cuenta B en su tienda fuera de línea. Sin embargo, los resultados de estas consultas (conjuntos de datos de características) deben guardarse en el depósito de S3 de la cuenta A para habilitar el entrenamiento del modelo. Por lo tanto, debemos crear un depósito en la Cuenta A que pueda almacenar los resultados de la consulta de Athena y crear una política de depósito (consulte el siguiente código). Esta política permite que el rol de AWS STS de varias cuentas escriba y lea objetos en este
Cubeta:
Modificar la política de relaciones de confianza
Debido a que creamos un rol de ejecución de IAM en la Cuenta A, usamos el ARN de este rol para modificar la política de relaciones de confianza del rol de asumir entre cuentas en la Cuenta B:
Validar el proceso de configuración
Después de configurar todos los roles y las políticas que los acompañan, puede validar la configuración ejecutando los cuadernos de ejemplo en el Repositorio GitHub. El siguiente bloque de código es un extracto del cuaderno de ejemplo y debe ejecutarse en un cuaderno de SageMaker que se ejecute dentro de la Cuenta A. Demuestra cómo puede asumir el rol de cuentas cruzadas desde la Cuenta B usando AWS STS a través de la Asumir Rol Llamada a la API. Esta llamada devuelve un conjunto de credenciales temporales que la cuenta A puede usar para crear cualquier cliente de servicio. Cuando usa estos clientes, su código usa los permisos del rol asumido y actúa como si perteneciera a la Cuenta B. Para obtener más información, consulte asumir_role en la documentación de AWS SDK para Python (Boto 3).
Después de crear los clientes de SageMaker según el ejemplo de código anterior en la Cuenta A, puede crear grupos de funciones y completar funciones en la tienda centralizada en línea y fuera de línea de la Cuenta B. Para obtener más información sobre cómo crear, describir y eliminar grupos de características, consulte crear_grupo_de_funciones en la documentación de Boto3. También puede utilizar el Cliente de tiempo de ejecución de Feature Store para colocar y obtener registros de características desde y hacia grupos de características.
Replicación de tienda sin conexión
La reproducibilidad es la capacidad de recrear un modelo ML exactamente, por lo que si usa las mismas características como entrada, el modelo devuelve la misma salida que el modelo original. Esto es esencialmente lo que nos esforzamos por lograr entre los modelos que desarrollamos en un entorno de investigación y los implementamos en un entorno de producción. La replicación de las canalizaciones de ingeniería de características en todas las cuentas es un proceso complejo y lento que puede introducir discrepancias en el modelo si no se implementa correctamente. Si el conjunto de características utilizado para entrenar un modelo cambia después de la fase de entrenamiento, puede ser difícil o imposible reproducir un modelo.
Las aplicaciones que residen en AWS suelen tener varios entornos y cuentas distintos, como desarrollo, pruebas, ensayo y producción. Para lograr la implementación automatizada de la aplicación en diferentes entornos, utilizamos canalizaciones de CI / CD. Las organizaciones a menudo necesitan mantener entornos de trabajo aislados y múltiples copias de datos en la misma o en diferentes regiones de AWS, o en diferentes cuentas de AWS. En el contexto de Feature Store, es posible que algunas empresas deseen replicar los datos de la tienda de características fuera de línea. Replicación de tienda sin conexión a través de Replicación de Amazon S3 puede ser un patrón útil en este caso. Este patrón permite que los entornos aislados y las cuentas vuelvan a capacitar a los modelos de AA mediante conjuntos completos de funciones sin usar roles o permisos entre cuentas.
Conclusión
En esta publicación, demostramos varios patrones de arquitectura, como la tienda de funciones centralizada, la tienda de funciones combinadas y otras consideraciones de diseño para la tienda de funciones de SageMaker que son esenciales para la colaboración de ciencia de datos multifuncional. También mostramos cómo configurar el acceso entre cuentas mediante AWS STS.
Para obtener más información sobre las capacidades y los casos de uso de Feature Store, consulte Comprensión de las capacidades clave de Amazon SageMaker Feature Store y Uso de la ingestión de transmisión con Amazon SageMaker Feature Store para tomar decisiones respaldadas por ML casi en tiempo real.
Si tiene algún comentario o pregunta, déjelo en la sección de comentarios.
Acerca de los autores
Arunprasath Shankar es un arquitecto de soluciones especializado en inteligencia artificial y aprendizaje automático (AI / ML) en AWS, que ayuda a los clientes globales a escalar sus soluciones de inteligencia artificial de manera efectiva y eficiente en la nube. En su tiempo libre, a Arun le gusta ver películas de ciencia ficción y escuchar música clásica.
marca roy es un arquitecto principal de aprendizaje automático para AWS, que ayuda a los clientes de AWS a diseñar y crear soluciones de IA / ML. El trabajo de Mark cubre una amplia gama de casos de uso de ML, con un interés principal en la visión por computadora, el aprendizaje profundo y la ampliación de ML en toda la empresa. Ha ayudado a empresas en muchas industrias, incluidas las de seguros, servicios financieros, medios y entretenimiento, atención médica, servicios públicos y fabricación. Mark posee 6 certificaciones de AWS, incluida la Certificación de especialidad ML. Antes de unirse a AWS, Mark fue arquitecto, desarrollador y líder tecnológico durante más de 25 años, incluidos 19 años en servicios financieros.
Stefan Natu es un arquitecto senior de soluciones especializado en AI / ML en Amazon Web Services. Se centra en ayudar a los clientes de servicios financieros a crear soluciones de aprendizaje automático de un extremo a otro en AWS. En su tiempo libre, le gusta leer blogs de aprendizaje automático, tocar la guitarra y explorar la escena gastronómica en la ciudad de Nueva York.
- acelerador
- de la máquina
- Mi Cuenta
- la columna Acción
- Adicionales
- Adopción
- AI
- Adopción de IA
- Amazon
- Amazon SageMaker
- Amazon Web Services
- entre
- abejas
- Aplicación
- aplicaciones
- arquitectura
- inteligencia artificial
- Inteligencia Artificial y Aprendizaje Automático
- Confirmación de Viaje
- AWS
- entre bastidores
- Blogs
- build
- Construir la
- llamar al
- cases
- de Padi
- Ciudad
- clientes
- Soluciones
- código
- colaboración
- comentarios
- Algunos
- Empresas
- compañía
- compliance
- componente
- Compuesto
- Visión por computador
- consumir
- consumidor
- contenido
- Referencias
- Clientes
- datos
- acceso a los datos
- Ciencia de los datos
- deep learning
- Diseño
- detalle
- desarrollar
- Developer
- Desarrollo
- comercio electrónico
- Ingeniería
- certificados
- Empresa
- Entretenimiento
- Entorno
- ejecución
- Feature
- Caracteristicas
- financiero
- servicios financieros
- Nombre
- Comida
- formulario
- ser completados
- función
- GitHub
- Buscar
- gobierno
- subvenciones
- Grupo procesos
- la salud
- mantener
- Cómo
- Como Hacer
- HTTPS
- AMI
- Identifique
- Identidad
- Incluye
- industrias
- información
- EN LA MINA
- aseguradora
- Intelligence
- intereses
- IT
- Trabajos
- Empleo
- únete
- acuerdo
- Clave
- especialistas
- large
- Lead
- APRENDE:
- aprendizaje
- Apalancamiento
- Limitada
- Lista
- Escucha Activa
- local
- localmente
- Ubicación
- máquina de aprendizaje
- Management
- Fabricación
- marca
- Mercado
- Medios
- ML
- modelo
- Películas
- Música
- Navegación
- nueva función
- Nuevas características
- New York
- Ciudad de Nueva York
- ordenadores portátiles
- en línea
- tienda en línea
- funcionamiento
- solicite
- Otro
- Otros
- Patrón de Costura
- personalización
- plataforma
- políticas
- política
- alberca
- predicción
- Predicciones
- productor
- Producto
- Producción
- productividad
- proyecto
- publicar
- Python
- calidad
- distancia
- Crudo
- datos en bruto
- Reading
- en tiempo real
- razones
- Recetas
- archivos
- Relaciones
- la investigación
- Recurso
- Recursos
- Resultados
- devoluciones
- Reseñas
- Ejecutar
- correr
- sabio
- Escala
- la ampliación
- Ciencia:
- los científicos
- Sdk
- Buscar
- EN LINEA
- Servicios
- set
- Compartir
- compartido
- So
- Soluciones
- Posicionamiento
- tienda
- tiendas
- en streaming
- comercial
- Soportado
- Todas las funciones a su disposición
- Tecnología
- temporal
- Pruebas
- equipo
- ficha
- Formación
- Confía en
- usuarios
- utilidades
- visión
- a pie
- web
- servicios web
- dentro de
- Actividades:
- funciona
- la escritura
- años