Το Amazon SageMaker Training Managed Warm Pools σάς δίνει την ευελιξία να επιλέξετε να επαναχρησιμοποιήσετε και να διατηρήσετε την υποκείμενη υποδομή για μια χρονική περίοδο που ορίζεται από τον χρήστη. Αυτό γίνεται διατηρώντας επίσης το πλεονέκτημα της μετάβασης της αδιαφοροποίητης βαριάς ανύψωσης της διαχείρισης περιπτώσεων υπολογισμού σε Εκπαίδευση Amazon SageMaker Model. Σε αυτήν την ανάρτηση, περιγράφουμε τα βασικά οφέλη και τα σημεία πόνου που αντιμετωπίζει το SageMaker Training Managed Warm Pools, καθώς και σημεία αναφοράς και βέλτιστες πρακτικές.

Επισκόπηση του SageMaker Training Managed Warm Pools

Το SageMaker Model Training είναι μια πλήρως διαχειριζόμενη δυνατότητα που περιστρέφει στιγμιότυπα για κάθε εργασία, εκπαιδεύει ένα μοντέλο, εκτελεί και στη συνέχεια περιστρέφει παρουσίες μετά την εργασία. Χρεώνεστε μόνο για τη διάρκεια της εργασίας μέχρι το δεύτερο. Αυτή η πλήρως διαχειριζόμενη ικανότητα σάς δίνει την ελευθερία να εστιάσετε στον αλγόριθμο μηχανικής εκμάθησης (ML) και να μην ανησυχείτε για αδιαφοροποίητη ανύψωση βαρέων βαρών, όπως διαχείριση υποδομής, ενώ εκπαιδεύετε τα μοντέλα σας.

Αυτός ο μηχανισμός απαιτεί έναν πεπερασμένο χρόνο εκκίνησης για μια εργασία κατάρτισης. Αν και αυτή η ώρα εκκίνησης, επίσης γνωστή ως χρόνος εκκίνησης ψυχρής εκκίνησης, είναι αρκετά χαμηλή, ορισμένες από τις πιο απαιτητικές περιπτώσεις χρήσης πελατών μας απαιτούν ακόμη χαμηλότερους χρόνους εκκίνησης, όπως κάτω από 20 δευτερόλεπτα. Υπάρχουν δύο εξέχουσες περιπτώσεις χρήσης που έχουν αυτές τις απαιτήσεις:

• Το πρώτο είναι ο ενεργός πειραματισμός ML από επιστήμονες δεδομένων που χρησιμοποιούν το Amazon Sage Maker πλατφόρμα εκπαίδευσης, ειδικά κατά την εκπαίδευση μεγάλων μοντέλων, όπως το GPT3, που απαιτούν πολλαπλές επαναλήψεις για να φτάσουν σε κατάσταση ετοιμότητας παραγωγής.
• Το δεύτερο είναι η προγραμματική εκκίνηση ενός μεγάλου αριθμού (της τάξης πολλών εκατοντάδων ή χιλιάδων) διαδοχικών εργασιών για το ίδιο είδος περιπτώσεων σε έναν προγραμματισμένο ρυθμό. Για παράδειγμα, αναζήτηση παραμέτρων ή σταδιακή εκπαίδευση.

Για τέτοιες περιπτώσεις χρήσης, κάθε δευτερόλεπτο που δαπανάται σε γενικά έξοδα, όπως ο χρόνος εκκίνησης για μια εργασία εκπαίδευσης, έχει σωρευτική επίδραση σε όλες αυτές τις εργασίες.

Με το SageMaker Training Managed Warm Pools, οι επιστήμονες δεδομένων και οι μηχανικοί ML έχουν τη δυνατότητα να επιλέξουν να διατηρούν ζεστές παρουσίες εκπαίδευσης SageMaker ή συμπλέγματα πολλαπλών περιπτώσεων για προκαθορισμένο και επαναδιαμορφώσιμο χρόνο (keep_alive_period_in_seconds) μετά την ολοκλήρωση κάθε εργασίας εκπαίδευσης. Έτσι, παρόλο που επιβαρύνεστε με ποινή ψυχρής εκκίνησης για την πρώτη εργασία εκπαίδευσης που εκτελείται σε μια παρουσία ή ένα σύμπλεγμα, για όλες τις επόμενες εργασίες εκπαίδευσης, οι περιπτώσεις έχουν ήδη ξεκινήσει. Ως αποτέλεσμα, αυτές οι επόμενες εργασίες κατάρτισης που ξεκινούν σε μια περίπτωση πριν από το keep_alive_period_in_seconds λήγει δεν επιβαρύνει τον χρόνο εκκίνησης ψυχρής εκκίνησης. Αυτό μπορεί να μειώσει τους χρόνους εκκίνησης της εργασίας εκπαίδευσης σε λιγότερο από περίπου 20 δευτερόλεπτα (P90).

Οι επιστήμονες δεδομένων και οι μηχανικοί ML μπορούν να χρησιμοποιήσουν το SageMaker Training Managed Warm Pools για να διατηρήσουν ζεστές μεμονωμένες ή πολλαπλές παρουσίες μεταξύ των τρεξίματος εκπαίδευσης για πειραματισμό ή να εκτελέσουν πολλές εργασίες διαδοχικά στο ίδιο σύμπλεγμα μίας ή πολλαπλής παρουσίας. Πληρώνετε μόνο για τη διάρκεια των εργασιών κατάρτισης και τις αναδιαμορφώσιμες keep_alive_period_in_seconds όπως παντού αλλού που ορίζετε για κάθε μεμονωμένη περίπτωση.

Ουσιαστικά, με το SageMaker Training Managed Warm Pools, λαμβάνετε έναν συνδυασμό χρήσης διαχειριζόμενης παρουσίας του SageMaker με τη δυνατότητα επιλογής και παροχής χωρητικότητας και αυτοδιαχείρισης χρήσης για μικρά χρονικά διαστήματα. Αυτά τα διαστήματα μπορούν να διαμορφωθούν πριν από μια εργασία, αλλά εάν κατά τη διάρκεια της keep_alive_period_in_seconds Μεσοδιάστημα, πρέπει να το μειώσετε ή να το αυξήσετε, μπορείτε να το κάνετε. Αυξάνεται σε keep_alive_period_in_seconds μπορεί να γίνει σε διαστήματα έως και 60 λεπτών, με μέγιστη περίοδο για παράδειγμα ή σύμπλεγμα να είναι 7 ημέρες.

Για να ξεκινήσετε με ζεστές πισίνες, πρώτα ζητήστε αύξηση του ορίου ποσόστωσης θερμής πισίνας, στη συνέχεια καθορίστε το keep_alive_period_in_seconds παράμετρος κατά την έναρξη μιας εργασίας κατάρτισης.

αναφοράς

Πραγματοποιήσαμε δοκιμές συγκριτικής αξιολόγησης για τη μέτρηση του λανθάνοντος χρόνου εκκίνησης εργασίας χρησιμοποιώντας μια εικόνα 1.34 GB TensorFlow, 2 GB δεδομένων και διαφορετικές λειτουργίες εισαγωγής δεδομένων εκπαίδευσης (Amazon FSx, Fast File Mode, File Mode). Οι δοκιμές διεξήχθησαν σε μια ποικιλία τύπων παρουσιών από τις οικογένειες m4, c4, m5 και c5 στην περιοχή us-east-2. Η καθυστέρηση εκκίνησης μετρήθηκε ως ο χρόνος δημιουργίας θέσεων εργασίας έως την έναρξη της πραγματικής εργασίας κατάρτισης στις περιπτώσεις. Οι πρώτες εργασίες που ξεκίνησαν το σύμπλεγμα και δημιούργησαν τη ζεστή πισίνα είχαν καθυστέρηση εκκίνησης 2–3 λεπτών. Αυτή η υψηλότερη καθυστέρηση οφείλεται στον χρόνο που απαιτείται για την παροχή της υποδομής, τη λήψη της εικόνας και τη λήψη των δεδομένων. Οι επακόλουθες εργασίες που χρησιμοποίησαν το σύμπλεγμα θερμής πισίνας είχαν καθυστέρηση εκκίνησης περίπου 20 δευτερολέπτων για τη γρήγορη λειτουργία αρχείου (FFM) ή το Amazon FSx και 70 δευτερόλεπτα για τη λειτουργία αρχείου (FM). Αυτό το δέλτα είναι αποτέλεσμα του FM που απαιτεί τη λήψη ολόκληρου του δεδομένων από το Amazon S3 πριν από την έναρξη της εργασίας.

Η επιλογή της λειτουργίας εισαγωγής δεδομένων προπόνησης επηρεάζει τον χρόνο εκκίνησης, ακόμη και με τα Warm Pools. Οδηγίες σχετικά με τη λειτουργία εισαγωγής που θα επιλέξετε βρίσκονται στην ενότητα βέλτιστων πρακτικών αργότερα σε αυτήν την ανάρτηση.

Ο παρακάτω πίνακας συνοψίζει τον λανθάνοντα χρόνο εκκίνησης της εργασίας P90 για διαφορετικές λειτουργίες εισαγωγής δεδομένων εκπαίδευσης.

Λειτουργία εισαγωγής δεδομένων	Latency εκκίνησης P90 (δευτερόλεπτα)
	Πρώτη δουλειά	Εργασίες ζεστής πισίνας (δεύτερη εργασία και μετά)
FSx	136	19
Γρήγορη λειτουργία αρχείου	143	21
Λειτουργία αρχείου	176	70

Βέλτιστες πρακτικές για τη χρήση ζεστών πισινών

Στην ενότητα που ακολουθεί, μοιραζόμαστε ορισμένες βέλτιστες πρακτικές όταν χρησιμοποιείτε ζεστές πισίνες.

Πότε πρέπει να χρησιμοποιείτε ζεστές πισίνες;

Οι ζεστές πισίνες συνιστώνται στα ακόλουθα σενάρια:

• Πειραματίζεστε διαδραστικά και συντονίζετε το σενάριό σας σε μια σειρά από σύντομες εργασίες.
• Εκτελείτε τη δική σας προσαρμοσμένη βελτιστοποίηση υπερπαραμέτρων μεγάλης κλίμακας (για παράδειγμα, Syne Tune).
• Έχετε μια διαδικασία δέσμης που εκτελεί έναν μεγάλο αριθμό (της τάξης πολλών εκατοντάδων ή χιλιάδων) διαδοχικών εργασιών για το ίδιο είδος παρουσιών σε ημερήσιο ή εβδομαδιαίο ρυθμό. Για παράδειγμα, εκπαίδευση ενός μοντέλου ML ανά πόλη.

Οι ζεστές πισίνες δεν συνιστώνται όταν είναι απίθανο κάποιος να χρησιμοποιήσει ξανά τη ζεστή πισίνα πριν λήξει. Για παράδειγμα, μια ενιαία μεγάλη εργασία που εκτελείται μέσω ενός αυτοματοποιημένου αγωγού ML.

Ελαχιστοποιήστε τον λανθάνοντα χρόνο εκκίνησης της εργασίας εκπαίδευσης ζεστής πισίνας

Οι εργασίες εκπαίδευσης που επαναχρησιμοποιούν μια ζεστή πισίνα ξεκινούν πιο γρήγορα από την πρώτη εργασία που δημιούργησε τη ζεστή πισίνα. Αυτό οφείλεται στο ότι οι παρουσίες ML εκτελούνται μεταξύ εργασιών με μια αποθηκευμένη στην προσωρινή μνήμη εκπαιδευτικό κοντέινερ εικόνας Docker για να παραλείψετε να τραβήξετε το κοντέινερ από Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR). Ωστόσο, ακόμη και κατά την επαναχρησιμοποίηση μιας ζεστής πισίνας, πραγματοποιούνται ορισμένα βήματα προετοιμασίας για όλες τις εργασίες. Η βελτιστοποίηση αυτών των βημάτων μπορεί να μειώσει τον χρόνο εκκίνησης της εργασίας σας (τόσο οι πρώτες όσο και οι επόμενες εργασίες). Σκέψου τα ακόλουθα:

• Η λειτουργία εισαγωγής δεδομένων προπόνησης μπορεί να επηρεάσει τον χρόνο εκκίνησης – Τα διαχειριζόμενα κανάλια εισαγωγής δεδομένων εκπαίδευσης δημιουργούνται εκ νέου για κάθε εργασία εκπαίδευσης, συμβάλλοντας στον λανθάνοντα χρόνο εκκίνησης της εργασίας. Έτσι, η πραγματοποίηση αρχικών πειραμάτων σε ένα μικρότερο σύνολο δεδομένων θα επιτρέψει ταχύτερο χρόνο εκκίνησης (και ταχύτερο χρόνο εκπαίδευσης). Για μεταγενέστερα στάδια πειραματισμού, όταν χρειάζεται ένα μεγάλο σύνολο δεδομένων, εξετάστε το ενδεχόμενο να χρησιμοποιήσετε έναν τύπο λειτουργίας εισόδου που έχει ελάχιστο ή σταθερό χρόνο προετοιμασίας. Για παράδειγμα, η λειτουργία εισαγωγής FILE αντιγράφει ολόκληρο το σύνολο δεδομένων από Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) στο παράδειγμα εκπαίδευσης, το οποίο είναι χρονοβόρο για μεγάλα σύνολα δεδομένων (ακόμη και με ζεστές πισίνες). Η Γρήγορη λειτουργία αρχείου είναι πιο κατάλληλη για χαμηλότερη καθυστέρηση εκκίνησης, επειδή μόνο τα μεταδεδομένα αντικειμένων S3 πρέπει να διαβάζονται από το Amazon S3 πριν ξεκινήσει ο φόρτος εργασίας. ο Amazon FSx για λάμψη, ή Σύστημα αρχείων ελαστικού Amazon Η λειτουργία εισαγωγής συστήματος αρχείων (Amazon EFS), έχει σταθερό χρόνο προετοιμασίας ανεξάρτητα από τον αριθμό των αρχείων στο σύστημα αρχείων, κάτι που είναι ευεργετικό όταν εργάζεστε με ένα μεγάλο σύνολο δεδομένων.
  Για περισσότερες πληροφορίες σχετικά με τον τρόπο επιλογής καναλιού εισόδου, βλ Επιλέξτε την καλύτερη πηγή δεδομένων για την εργασία εκπαίδευσης στο Amazon SageMaker.
• Μειώστε το χρόνο εκτέλεσης εγκατάστασης πακέτων – Οποιαδήποτε εγκατάσταση λογισμικού που πραγματοποιείται κατά την εκκίνηση του κοντέινερ, για παράδειγμα, το pip της Python ή το λειτουργικό σύστημα apt-get, θα αυξήσει τον λανθάνοντα χρόνο εργασίας της εκπαίδευσης. Η ελαχιστοποίηση αυτού του λανθάνοντος χρόνου εκκίνησης απαιτεί μια αντιστάθμιση μεταξύ της ευελιξίας και της απλότητας των εγκαταστάσεων χρόνου εκτέλεσης έναντι της εγκατάστασης στο χρόνο κατασκευής κοντέινερ. Εάν χρησιμοποιείτε το δικό σας κοντέινερ Docker με το SageMaker, ανατρέξτε στο Προσαρμογή του δικού σας Docker Container για συνεργασία με το SageMaker. Αν βασίζεσαι σε προκατασκευασμένες εικόνες κοντέινερ SageMaker, θα πρέπει να επεκτείνετε ένα προκατασκευασμένο δοχείο και να διαχειριστείτε ρητά αυτά τα κοντέινερ. Σκεφτείτε το εάν οι εγκαταστάσεις χρόνου εκτέλεσης αυξάνουν σημαντικά την καθυστέρηση εκκίνησης.
• Αποφύγετε να ενημερώνετε συχνά την εικόνα Docker σας – Εάν χρησιμοποιείτε το δικό σας κοντέινερ Docker με το SageMaker, προσπαθήστε να αποφύγετε την ενημέρωση του σε κάθε εκτέλεση εργασίας. Εάν η εικόνα του Docker αλλάξει μεταξύ των υποβολών εργασιών, η θερμή πισίνα θα επαναχρησιμοποιηθεί, αλλά η διαδικασία εκκίνησης θα χρειαστεί να τραβήξει ξανά την εικόνα του κοντέινερ από το Amazon ECR αντί να επαναχρησιμοποιήσει μια κρυφή εικόνα κοντέινερ. Εάν η εικόνα του Docker πρέπει να ενημερωθεί, περιορίστε τις ενημερώσεις στο τελευταίο επίπεδο Docker για να επωφεληθείτε από την προσωρινή αποθήκευση του επιπέδου Docker. Στην ιδανική περίπτωση, θα πρέπει να αφαιρέσετε το περιεχόμενο του Dockerfile που είναι πιθανό να αλλάξει με επαναλήψεις, όπως η υπερπαράμετρος, οι ορισμοί δεδομένων και ο ίδιος ο κώδικας ML. Για να επαναλάβετε τον κώδικα ML χωρίς να χρειάζεται να δημιουργήσετε ξανά εικόνες Docker με κάθε αλλαγή, μπορείτε να υιοθετήσετε το παράδειγμα κοντέινερ πλαισίου που υποστηρίζεται στο SageMaker Training Toolkit. Εάν θέλετε να αναπτύξετε ένα κοντέινερ πλαισίου με τον δικό σας κώδικα, ανατρέξτε σε αυτό Εκμάθηση Amazon SageMaker.

Μοιραστείτε ζεστές πισίνες μεταξύ πολλών χρηστών

Όταν εργάζεστε με μια μεγάλη ομάδα επιστημόνων δεδομένων, μπορείτε να μοιραστείτε ζεστές πισίνες που έχουν αντιστοίχιση κριτηρίων εργασίας, όπως το ίδιο Διαχείριση ταυτότητας και πρόσβασης AWS ρόλος (IAM) ή εικόνα κοντέινερ.

Ας δούμε ένα παράδειγμα χρονοδιάγραμμα. Ο χρήστης-1 ξεκινά μια εργασία εκπαίδευσης που ολοκληρώνεται και καταλήγει στη δημιουργία μιας νέας ζεστής πισίνας. Όταν ο χρήστης-2 ξεκινά μια εργασία εκπαίδευσης, η εργασία θα επαναχρησιμοποιήσει την υπάρχουσα ζεστή πισίνα, με αποτέλεσμα μια γρήγορη εκκίνηση της εργασίας. Ενώ η εργασία του χρήστη-2 εκτελείται με τη θερμή πισίνα σε χρήση, εάν ένας άλλος χρήστης ξεκινήσει μια εργασία εκπαίδευσης, τότε θα δημιουργηθεί μια δεύτερη θερμή πισίνα.

Αυτή η συμπεριφορά επαναχρησιμοποίησης συμβάλλει στη μείωση του κόστους με την κοινή χρήση ζεστών πισινών μεταξύ χρηστών που ξεκινούν παρόμοιες εργασίες. Εάν θέλετε να αποφύγετε την κοινή χρήση ζεστών πισινών μεταξύ των χρηστών, τότε οι εργασίες των χρηστών δεν πρέπει να έχουν αντιστοίχιση κριτηρίων εργασίας (για παράδειγμα, πρέπει να χρησιμοποιούν διαφορετικό ρόλο IAM).

Ειδοποιήστε τους χρήστες με την ολοκλήρωση της εργασίας

Όταν χρησιμοποιείτε ζεστές πισίνες για πειραματισμούς, συνιστούμε να ειδοποιείτε τους χρήστες όταν ολοκληρωθεί η εργασία τους. Αυτό επιτρέπει στους χρήστες να συνεχίσουν τον πειραματισμό πριν λήξει η θερμή πισίνα ή στάση η ζεστή πισίνα αν δεν χρειάζεται πλέον. Μπορείτε επίσης να ενεργοποιεί αυτόματα τις ειδοποιήσεις μέσω Amazon EventBridge.

Περαιτέρω εργαλεία για γρήγορο πειραματισμό και αντιμετώπιση προβλημάτων εκπαιδευτικών εργασιών

Με ζεστές πισίνες, μπορείτε να ξεκινήσετε μια εργασία σε λιγότερο από 20 δευτερόλεπτα. Ορισμένα σενάρια απαιτούν διαδραστικό πειραματισμό και αντιμετώπιση προβλημάτων σε πραγματικό χρόνο. Το ανοιχτό κώδικα Βιβλιοθήκη SageMaker SSH Helper σας επιτρέπει να βάλετε ένα κέλυφος σε ένα κοντέινερ εκπαίδευσης SageMaker και να πραγματοποιήσετε απομακρυσμένη ανάπτυξη και εντοπισμό σφαλμάτων.

Συμπέρασμα

Με το SageMaker Training Managed Warm Pools, μπορείτε να διατηρήσετε ζεστές τις παρουσίες υλικού εκπαίδευσης του μοντέλου σας μετά από κάθε εργασία για μια καθορισμένη περίοδο. Αυτό μπορεί να μειώσει τον λανθάνοντα χρόνο εκκίνησης για μια εργασία εκπαίδευσης μοντέλου έως και 8 φορές. Οι διαχειριζόμενες θερμές πισίνες SageMaker Training είναι διαθέσιμες σε όλες τις δημόσιες Περιοχές AWS όπου είναι διαθέσιμη η Εκπαίδευση Μοντέλων SageMaker.

Για να ξεκινήσετε, δείτε Εκπαιδεύστε χρησιμοποιώντας θερμές πισίνες που διαχειρίζονται το SageMaker.

---

Σχετικά με τους συγγραφείς

Δρ Romi Datta  είναι Ανώτερος Διευθυντής Διαχείρισης Προϊόντων στην ομάδα Amazon SageMaker που είναι υπεύθυνος για την εκπαίδευση, την επεξεργασία και το κατάστημα χαρακτηριστικών. Βρίσκεται στην AWS για περισσότερα από 4 χρόνια, κατέχοντας αρκετούς ηγετικούς ρόλους διαχείρισης προϊόντων σε SageMaker, S3 και IoT. Πριν από την AWS εργάστηκε σε διάφορους ρόλους διαχείρισης προϊόντων, μηχανικής και επιχειρησιακής ηγεσίας στην IBM, την Texas Instruments και τη Nvidia. Έχει MS και Ph.D. στην Ηλεκτρολογία και Μηχανική Υπολογιστών από το Πανεπιστήμιο του Τέξας στο Ώστιν, και MBA από το Πανεπιστήμιο του Σικάγο Booth School of Business.

Αρούν Ναγκαρατζάν είναι Κύριος Μηχανικός με την ομάδα του Amazon SageMaker που εστιάζει στους τομείς της Εκπαίδευσης και των MLOps. Ήταν στην ομάδα του SageMaker από το έτος κυκλοφορίας και του άρεσε να συνεισφέρει σε διαφορετικούς τομείς στο SageMaker, συμπεριλαμβανομένων των προϊόντων συμπερασμάτων σε πραγματικό χρόνο και Μοντέλων Παρακολούθησης. Του αρέσει να εξερευνά την ύπαιθρο στην περιοχή του Βορειοδυτικού Ειρηνικού και να σκαρφαλώνει στα βουνά.

Amy You είναι Διευθυντής Ανάπτυξης Λογισμικού στο AWS SageMaker. Επικεντρώνεται στη συγκέντρωση μιας ομάδας μηχανικών λογισμικού για την κατασκευή, τη συντήρηση και την ανάπτυξη νέων δυνατοτήτων της πλατφόρμας SageMaker Training που βοηθά τους πελάτες να εκπαιδεύουν τα μοντέλα ML τους πιο αποτελεσματικά και εύκολα. Έχει πάθος για την τεχνολογία ML και AI, ειδικά σε σχέση με την εικόνα και το όραμα από τις μεταπτυχιακές της σπουδές. Στον ελεύθερο χρόνο της, της αρέσει να ασχολείται με τη μουσική και την τέχνη με την οικογένειά της.

Σιφέι Λι είναι Μηχανικός Λογισμικού στο Amazon AI όπου εργάζεται για την κατασκευή πλατφορμών μηχανικής εκμάθησης Amazon και ήταν μέλος της ομάδας εκκίνησης για το Amazon SageMaker. Στον ελεύθερο χρόνο της, της αρέσει να παίζει μουσική και να διαβάζει.

Τζένα Ζάο είναι Μηχανικός Ανάπτυξης Λογισμικού στο AWS SageMaker. Είναι παθιασμένη με την τεχνολογία ML/AI και έχει επικεντρωθεί στη δημιουργία πλατφόρμας εκπαίδευσης SageMaker που επιτρέπει στους πελάτες να εκπαιδεύουν γρήγορα και εύκολα μοντέλα μηχανικής μάθησης. Εκτός δουλειάς, της αρέσει να ταξιδεύει και να περνά χρόνο με την οικογένειά της.

Paras Mehra είναι Ανώτερος Διευθυντής Προϊόντων στην AWS. Επικεντρώνεται στο να βοηθήσει στη δημιουργία Εκπαίδευσης και Επεξεργασίας του Amazon SageMaker. Στον ελεύθερο χρόνο του, ο Παράς απολαμβάνει να περνά χρόνο με την οικογένειά του και να κάνει ποδηλασία δρόμου γύρω από την περιοχή του κόλπου. Μπορείτε να τον βρείτε LinkedIn.

Gili Nachum είναι ανώτερος αρχιτέκτονας εξειδικευμένων λύσεων AI/ML που εργάζεται ως μέλος της ομάδας EMEA Amazon Machine Learning. Η Gili είναι παθιασμένη με τις προκλήσεις της εκπαίδευσης μοντέλων βαθιάς μάθησης και το πώς η μηχανική μάθηση αλλάζει τον κόσμο όπως τον ξέρουμε. Στον ελεύθερο χρόνο του, ο Τζίλι απολαμβάνει να παίζει πινγκ πονγκ.

Ολιβιέ Κρουκάντ είναι Αρχιτέκτονας λύσεων Specialist Machine Learning στην AWS, με έδρα τη Γαλλία. Ο Olivier βοηθά τους πελάτες της AWS – από μικρές νεοφυείς επιχειρήσεις έως μεγάλες επιχειρήσεις – να αναπτύξουν και να αναπτύξουν εφαρμογές μηχανικής εκμάθησης ποιότητας παραγωγής. Στον ελεύθερο χρόνο του, του αρέσει να διαβάζει ερευνητικές εργασίες και να εξερευνά την έρημο με φίλους και οικογένεια.

Έμιλι Webber εντάχθηκε στο AWS αμέσως μετά την κυκλοφορία του SageMaker και από τότε προσπαθεί να το πει στον κόσμο! Εκτός από τη δημιουργία νέων εμπειριών ML για τους πελάτες, η Emily απολαμβάνει τον διαλογισμό και τη μελέτη του Θιβετιανού Βουδισμού.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/best-practices-for-amazon-sagemaker-training-managed-warm-pools/