At SambaSafety، ماموریت آنها ترویج جوامع ایمن تر از طریق کاهش خطر از طریق بینش داده است. از سال 1998، SambaSafety ارائه‌دهنده پیشرو در آمریکای شمالی نرم‌افزار مدیریت ریسک تحرک مبتنی بر ابر برای سازمان‌هایی است که درایورهای تجاری و غیرتجاری دارند. SambaSafety به بیش از 15,000 کارفرما و شرکت بیمه جهانی با نظارت بر ریسک و انطباق راننده، آموزش آنلاین و تجزیه و تحلیل عمیق ریسک و همچنین راه حل های قیمت گذاری ریسک خدمات ارائه می دهد. SambaSafety از طریق جمع‌آوری، همبستگی و تجزیه و تحلیل سوابق راننده، اطلاعات تله‌ماتیک، شرکت‌ها و سایر داده‌های حسگر، نه تنها به کارفرمایان کمک می‌کند تا سیاست‌های ایمنی را بهتر اجرا کنند و خسارت‌ها را کاهش دهند، بلکه به بیمه‌گران کمک می‌کند تا تصمیم‌گیری آگاهانه در مورد بیمه‌نامه بگیرند و غربالگران پس‌زمینه، پیش‌استخدام دقیق و کارآمد را انجام دهند. چک ها
همه رانندگان مشخصات ریسک یکسانی ندارند. هر چه زمان بیشتری پشت فرمان سپری شود، نمایه ریسک شما بیشتر است. تیم دانشمندان داده SambaSafety راه‌حل‌های مدل‌سازی پیچیده و مناسبی را طراحی کرده‌اند که برای تعیین کمیت دقیق این مشخصات ریسک طراحی شده‌اند. با این حال، آنها به دنبال پشتیبانی برای استقرار این راه حل برای استنتاج دسته ای و بلادرنگ به شیوه ای سازگار و قابل اعتماد بودند.
در این پست، ما در مورد چگونگی استفاده SambaSafety از یادگیری ماشینی AWS (ML) و یکپارچه‌سازی مداوم و تحویل مداوم (CI/CD) برای استقرار برنامه علمی داده‌های موجود خود برای استنتاج دسته‌ای بحث می‌کنیم. SambaSafety با AWS Advanced Consulting Partner کار کرد آتش نشان برای ارائه راه حلی که استفاده شده است AWS CodeStar, توابع مرحله AWSو آمازون SageMaker برای این حجم کار با محصولات AWS CI/CD و AI/ML، تیم علم داده SambaSafety مجبور نبود گردش کار توسعه موجود خود را تغییر دهد تا از آموزش و استنتاج مدل مستمر استفاده کند.
مورد استفاده مشتری
تیم علم داده SambaSafety مدت‌هاست که از قدرت داده برای اطلاع‌رسانی به کسب‌وکار خود استفاده می‌کند. آنها چندین مهندس و دانشمند ماهر داشتند که مدل های روشنگری می ساختند که کیفیت تجزیه و تحلیل ریسک را در پلتفرم خود بهبود می بخشید. چالش های پیش روی این تیم به علم داده مربوط نمی شد. تیم علم داده SambaSafety به کمک نیاز داشت تا گردش کار علم داده موجود خود را به یک راه حل تحویل مداوم متصل کند.
تیم علم داده SambaSafety چندین مصنوع اسکریپت مانند را به عنوان بخشی از گردش کار توسعه خود نگهداری می کند. این اسکریپت ها وظایف مختلفی از جمله پیش پردازش داده ها، مهندسی ویژگی ها، ایجاد مدل، تنظیم مدل و مقایسه و اعتبارسنجی مدل را انجام می دادند. این اسکریپت ها همه به صورت دستی اجرا می شدند که داده های جدید برای آموزش وارد محیط آنها شد. علاوه بر این، این اسکریپت ها هیچ گونه نسخه سازی مدل یا میزبانی را برای استنتاج انجام نمی دادند. تیم علم داده SambaSafety راه‌حل‌های دستی را برای ارتقای مدل‌های جدید به تولید توسعه داده بود، اما این فرآیند زمان‌بر و کار فشرده شد.
برای آزاد کردن تیم بسیار ماهر علم داده SambaSafety برای نوآوری در بارهای کاری جدید ML، SambaSafety باید کارهای دستی مرتبط با نگهداری مدل‌های موجود را خودکار کند. علاوه بر این، راه حل مورد نیاز برای تکرار گردش کار دستی مورد استفاده توسط تیم علم داده SambaSafety و تصمیم گیری در مورد ادامه بر اساس نتایج این اسکریپت ها بود. در نهایت، راه حل باید با پایه کد موجود آنها یکپارچه می شد. تیم علمی داده SambaSafety از یک راه حل مخزن کد خارجی برای AWS استفاده کرد. خط لوله نهایی باید به اندازه کافی هوشمند می بود تا بر اساس به روز رسانی های پایه کد آنها، که در ابتدا در نوشته شده بود، راه اندازی شود. R.
بررسی اجمالی راه حل
نمودار زیر معماری راه حل را نشان می دهد که توسط یکی از بسیاری از معماری های منبع باز نگهداری شده توسط شریک تحویل SambaSafety ارائه شده است. آتش نشان.
راه حل ارائه شده توسط Firemind برای تیم علم داده SambaSafety حول دو خط لوله ML ساخته شده است. اولین خط لوله ML یک مدل را با استفاده از اسکریپت های پیش پردازش، آموزش و آزمایش داده های سفارشی SambaSafety آموزش می دهد. مصنوع مدل به دست آمده برای استنتاج دسته ای و بلادرنگ برای مدل های پایانی مدیریت شده توسط SageMaker به کار گرفته می شود. دومین خط لوله ML درخواست استنتاج به مدل میزبان را تسهیل می کند. به این ترتیب، خط لوله برای آموزش از خط لوله برای استنتاج جدا می شود.
یکی از پیچیدگی های این پروژه تکرار مراحل دستی انجام شده توسط دانشمندان داده SambaSafety است. تیم Firemind از Step Functions و SageMaker Processing برای تکمیل این کار استفاده کرد. Step Functions به شما امکان می دهد تا با استفاده از AWS وظایف مجزا را اجرا کنید AWS لامبدا توابع، سرویس الاستیک کوبرنتز آمازون کارگران (Amazon EKS) یا در این مورد SageMaker. SageMaker Processing به شما اجازه می دهد تا کارهایی را تعریف کنید که روی نمونه های مدیریت شده ML در اکوسیستم SageMaker اجرا می شوند. هر اجرای یک کار Step Function، گزارش‌ها، تاریخچه اجرا و جزئیات موفقیت یا شکست کار خود را حفظ می‌کند.
این تیم از Step Functions و SageMaker به همراه لامبدا برای مدیریت اتوماسیون بارهای کاری آموزش، تنظیم، استقرار و استنتاج استفاده کردند. تنها قطعه باقی مانده، ادغام مداوم تغییرات کد در این خط لوله استقرار بود. Firemind یک پروژه CodeStar را اجرا کرد که ارتباطی را با مخزن کد موجود SambaSafety حفظ کرد. هنگامی که تیم پرتلاش علم داده در SambaSafety به‌روزرسانی را برای شاخه خاصی از پایگاه کد خود ارسال می‌کند، CodeStar تغییرات را انتخاب کرده و اتوماسیون را راه‌اندازی می‌کند.
نتیجه
خط لوله جدید MLOs بدون سرور SambaSafety تأثیر قابل توجهی بر توانایی آنها برای ارائه داشت. ادغام علم داده و توسعه نرم افزار، تیم های آنها را قادر می سازد تا به طور یکپارچه با یکدیگر کار کنند. راه حل استقرار مدل خودکار آنها زمان تحویل را تا 70٪ کاهش داد.
SambaSafety همچنین موارد زیر را برای گفتن داشت:
با خودکارسازی مدل‌های علم داده و ادغام آنها در چرخه عمر توسعه نرم‌افزار، ما توانسته‌ایم به سطح جدیدی از کارایی و دقت در خدمات خود دست یابیم. این ما را قادر می سازد تا از رقبا جلوتر بمانیم و راه حل های نوآورانه ای را به مشتریان ارائه دهیم. مشتریان ما تا حد زیادی از این امر با زمان‌های برگشت سریع‌تر و دقت بهبود یافته راه‌حل‌های ما سود خواهند برد.»
SambaSafety با تیم های حساب AWS با مشکل آنها ارتباط برقرار کرد. تیم‌های معماری راه‌حل و حساب AWS برای شناسایی این راه‌حل با منبع‌یابی از شبکه شریک قوی ما کار کردند. برای شناسایی فرصت های متحول کننده مشابه برای کسب و کار خود، با تیم حساب AWS خود ارتباط برقرار کنید.
درباره نویسنده
دن فرگوسن یک معمار راه حل های تخصصی AI/ML (SA) در معماری راه حل های سهام خصوصی در خدمات وب آمازون است. دان به شرکت‌های دارای پشتوانه سهام خصوصی کمک می‌کند تا از فناوری‌های AI/ML برای دستیابی به اهداف تجاری خود استفاده کنند.
خلیل ادیب یک دانشمند داده در Firemind است و نوآوری را هدایت می کند که Firemind می تواند به مشتریان خود در سراسر جهان جادویی هوش مصنوعی و ML ارائه دهد. خلیل با جدیدترین و بهترین تکنولوژی و مدل‌ها کار می‌کند و اطمینان می‌دهد که Firemind همیشه در لبه‌های خون قرار دارد.
جیسون ماتیو یک مهندس ابر در Firemind است که از نوشتن خطوط لوله با IaC، ایجاد مهندسی داده با Python، و جلو بردن مرزهای ML، پروژه‌ها را برای مشتریان به صورت سرتاسری هدایت می‌کند. جیسون همچنین مشارکت کننده کلیدی در پروژه های منبع باز Firemind است.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- EVM Finance. رابط یکپارچه برای امور مالی غیرمتمرکز دسترسی به اینجا.
- گروه رسانه ای کوانتومی. IR/PR تقویت شده دسترسی به اینجا.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/samba-safety-automates-custom-r-workload-improving-driver-safety-with-amazon-sagemaker-and-aws-step-functions/
