ML Skalierbarkeit
Einführung in die Cloud für das maschinelle Lernen in großem Umfang
Geschäftlicher Kontext
BICS ist ein Kommunikationsplattformunternehmen, das internationalen Kommunikation, Messaging und Konnektivität für Betreiber und Unternehmen weltweit bereitstellt.
BICS verlässt sich stark auf ML-analytische Vorhersagen in mehreren Anwendungsfällen: um die Preisentwicklung vorherzusagen, Betrug zu bekämpfen, Mobilität zu analysieren usw. Der Großteil der Datenverarbeitung und Analyse findet in einem lokalen Rechenzentrum statt, BICS möchte mit einer hybriden Einrichtung experimentieren, bei der einige ML-Jobs in der Cloud ausgeführt werden. Die Hauptvorteile der Cloud in diesem Zusammenhang sind Skalierbarkeit und Kosteneffizienz.
Umfang & Ziele
Führen Sie einen ML-Anwendungsfall in der Cloud aus, der vollständig in das bestehende Datenverarbeitungsframework integriert ist.
Passen Sie die vorhandenen Softwaretools (CI/CD, Scheduler, Netzwerkverbindung) an, um mit Cloud-Ressourcen zu arbeiten.
Schlüssel Ergebnisse
Wir haben eine Machine-Learning-Umgebung auf AWS eingerichtet und nutzen SageMaker. Modellvorhersagen, Modelltraining und auch Hyperparameter-Tuning-Jobs laufen alle auf SageMaker. Die SageMaker-Jobs sind mit dem lokalen Scheduler integriert, und Daten fließen nahtlos zwischen dem lokalen Netzwerk und der Cloud.
Auswirkungen
Die Skalierbarkeit der Cloud bedeutet, dass BICS bedarfsgerechte ML-Tuning-Jobs ausführen kann, während sie ihren bestehenden On-Premises-Cluster für geplante Jobs beibehalten.
Dies fördert mehr Innovation und Experimentierung und führt zu einer skalierbareren und nachhaltigen Arbeitsweise für ihre Datenwissenschaftler.
