Hayat Finans банкі туралы
Түркияның алғашқы сандық банкі Hayat Finans Bank жаңадан құрылған жасанды интеллект бөлімі үшін процестерді жақсартуды және машиналық оқытуды енгізу құбырларын жеделдетуді мақсат етті.
Жобаның көлемі мен мақсаттары
Hayat Finans Банкінің жаңадан құрылған жасанды интеллект бөлімі машиналық оқыту үлгілерін әзірлеу және қолдану кезінде елеулі қиындықтарға тап болды. Топ Python кітапханалары арасында жиі қақтығыстарға тап болып, тиімді Python әзірлеу ортасын құрумен күресті. Банктің қатаң қауіпсіздік саясатына байланысты олар қажетті кітапханаларды автоматты түрде жүктеп алып, басқара алмады, бұл даму процесін одан әрі қиындата түсті. Сонымен қатар, бөлімде машиналық оқыту үлгілерін қадағалау және басқарудың сенімді жүйесі жоқ, бұл нұсқаларды, өнімділікті және орналастыру құбырларын бақылауды қиындатады. Бұл қиындықтар топтың орталықтандырылған, ауқымды шешім қажеттілігін көрсете отырып, жұмыс процестерін оңтайландыруға және үлгілерді тиімді жеткізуге кедергі келтірді.
шақырулар
Hayat Finans Банкінің жаңадан құрылған жасанды интеллект бөлімі бірнеше негізгі қиындықтарға тап болды:
Python әзірлеу ортасы
Топ Python кітапханаларын басқарумен күресіп, даму процесін бұзатын тәуелділік қақтығыстарына жиі тап болды. Банктің қатаң қауіпсіздік саясатына байланысты олар қажетті кітапханаларды автоматты түрде алып, орната алмады, бұл жұмыс процестерін одан әрі кешіктірді.
Модельді бақылау және нұсқалау
Бөлімде машиналық оқыту үлгілерін қадағалау, басқару және нұсқалау үшін сенімді жүйе жетіспеді. Бұл өнімділікті бақылауды, қайталануды қамтамасыз етуді және масштабтау операциялары үшін маңызды болып табылатын орналастыру құбырларын автоматтандыруды қиындатты.
Ынтымақтастық және тиімділік
Орталықтандырылған даму ортасы болмаса, топ мүшелері арасындағы ынтымақтастық тиімсіз болды. Бұл қайталанатын күш-жігерге, итерация циклдерінің баяулауына және деректерді инженерияда да, машиналық оқыту тапсырмаларында да өнімділіктің төмендеуіне әкелді.
Деректерді басқару және жауапкершілік
Бөлімде құжатты кім жасағанын, оған қандай командалардың қол жеткізгенін немесе оның қалай пайдаланылып жатқанын бақылайтын құрылымдық жүйе болған жоқ. Бұл есеп берушілік пен ашықтықтың толық болмауы тиімді ынтымақтастыққа кедергі келтірді және әсіресе жоғары реттелетін банктік ортада сәйкестікке қатысты қиындықтар туғызды.
Модельді орналастыруды автоматтандыру
Машиналық оқыту үлгілерін қолдану қателер мен сәйкессіздіктер қаупін арттыратын қолмен және уақытты қажет ететін процесс болды. Автоматтандырудың жоқтығы да жаңа үлгілерді өндіріс жүйесіне енгізуді кешіктірді.
Іске асырылған шешім
Hayat Finans Банкінің жасанды интеллект бөлімінің алдында тұрған міндеттерді шешу үшін жан-жақты және ауқымды шешім әзірленді:
Орталықтандырылған Python әзірлеу ортасы
Python әзірлеу үшін орталықтандырылған платформаны қамтамасыз ету үшін JupyterHub негізіндегі орта іске асырылды. Түрлі бөлімдер пайдаланатын Python кітапханалары арасындағы қақтығыстардың алдын алып, әртүрлі командалар үшін ядролар анықталды. Жүйе банктің ішкі бағдарламалық репозиторийімен біріктірілді, бұл қауіпсіздік саясаттарын бұзбай қажетті Python кітапханаларына бақыланатын қол жеткізуге мүмкіндік берді. Сонымен қатар, JupyterHub әдепкі пайдаланушыға бағытталған тәсілі бір бөлімдегі топ мүшелеріне бір-бірінің жұмысына кедергісіз қол жеткізуге және қарауға мүмкіндік беретін бөлімге бағытталған үлгіге бейімделді.
Модельді бақылау және нұсқалау
MLflow әзірлеуден бастап орналастыруға дейінгі машиналық оқыту үлгілерінің өмірлік циклін басқару үшін бақылау жүйесі ретінде қолданылды. Бұл үлгілерді тиімді басқаруға және жаңартуға болатынын қамтамасыз ететін нұсқаны басқару, өнімділікті бақылау және қайталану мүмкіндігін қамтиды.
Streamlit көмегімен интерактивті модельді тестілеу және құжаттау
Машиналық оқыту үлгілерін құжаттау және интерактивті тестілеуді қосу үшін Streamlit негізіндегі платформа әзірленді. Бұл платформа деректер келісім-шарттарын біріктіріп, топқа құжатты кім жасағанын, қай топ оны бөліскенін және оны қалай пайдаланғанын бақылауға мүмкіндік берді. Бұл басқаруды, есеп беруді және сәйкестікті жақсартты, сонымен бірге командалар арасында жақсы ынтымақтастықты дамытады.
Автоматтандырылған үлгіні орналастыру
Kubernetes автоматтандырылған және масштабталатын орналастыру құбырын жасау үшін пайдаланылды. Бұл жүйе машиналық оқыту үлгілерін өндіріске енгізу процесін оңтайландырды, жүйелілікті қамтамасыз етті және қателерді азайтты.
Ынтымақтастық және жұмыс процесін оңтайландыру
JupyterHub, MLflow және Streamlit біріктіру арқылы жұмыс процестерін оңтайландыратын және деректер инженериясы мен бизнес топтары арасындағы ынтымақтастықты жақсартатын орталықтандырылған экожүйе жасалды. Бөлімге бағытталған JupyterHub моделі сол бөлімде топтық жұмысты одан әрі жеңілдеткен, ал интерактивті Streamlit платформасы іскери пайдаланушыларға нақты уақытта кері байланыс беруге мүмкіндік беріп, итерация циклін жеделдеткен. Hayat Finans Банкінің AI бөлімінің алдында тұрған қиындықтарды шешу үшін JupyterHub арқылы орталықтандырылған Python ортасы іске асырылды, бұл бөлімшелермен бірлесе жұмыс істеуге қажетті қауіпсіздікті қамтамасыз етуге мүмкіндік берді. MLflow нұсқасын басқаруды және өнімділікті бақылауды қамтамасыз ете отырып, олардың өмірлік циклі бойына машиналық оқыту үлгілерін басқару үшін қолданылды. Streamlit негізіндегі платформа деректер келісім-шарттары арқылы басқару мен ынтымақтастықты жақсарта отырып, модельдерді интерактивті түрде құжаттау және сынау үшін әзірленді. Кубернетес модельді орналастыруды автоматтандыру және масштабтау үшін пайдаланылды, бұл жүйелілікті қамтамасыз ету және қателерді азайту. Бұл біріктірілген тәсіл жұмыс процестерін оңтайландырды және командалар арасындағы ынтымақтастықты күшейтті.
нәтижелері
Операциялық табыс
Автоматтандырылған құбырларды енгізу арқылы машиналық оқыту үлгілері тезірек және сенімдірек орналастырылды.
Орталықтандырылған бақылау жүйелері нұсқаларды басқаруды жақсартты және қайталану мүмкіндігін қамтамасыз етті.
Бөлімшелер арасындағы ынтымақтастық JupyterHub-тың бөлімге бағытталған тәсілі арқылы жетілдірілді, бұл командаларға жұмысты үздіксіз бөлісуге және қарауға мүмкіндік берді.
Қосылған құн
Деректер келісім-шарттарын біріктіру банкті басқару талаптарының сақталуын қамтамасыз ете отырып, құжаттамада есеп берушілік пен ашықтықты және үлгі алмасуды қамтамасыз етті.
Streamlit арқылы интерактивті тестілеу және құжаттама жылдам кері байланыс циклдерін және бизнес мақсаттарымен жақсы сәйкестендіруді ынталандырды.
Автоматтандырылған жұмыс процестері операциялық тиімсіздікті азайтып, командаларға стратегиялық міндеттер мен инновацияларға көбірек көңіл бөлуге мүмкіндік берді.
Жалпы бағалау
Бұл жоба Hayat Finans Банкінің заманауи MLOps экожүйесін құру жолындағы маңызды кезең болды. Үлгіні тиімді қадағалау, автоматтандырылған орналастыру және деректер келісімшарттары арқылы басқару сияқты маңызды мәселелерді шешу арқылы жоба машиналық оқыту операциялары үшін ауқымды және сенімді платформаны ұсынды.
JupyterHub, MLflow және Streamlit сияқты құралдарды біріктіру жұмыс процестерін жеңілдетіп қана қоймай, сонымен қатар тиімді жұмыс істеу және инновацияларды тезірек енгізу мүмкіндігі бар командаларға мүмкіндік берді. Автоматтандырылған құбыр желілері мен құрылымдық құжаттама процестері операциялық шығындарды айтарлықтай азайтып, бөлімге стратегиялық AI бастамаларына назар аударуға мүмкіндік берді.
MLOps қағидаттарының сәтті жүзеге асырылуы жасанды интеллект бөлімінің жұмысын өзгертіп қана қоймай, болашақ инновациялардың негізін қалады. Hayat Finans Bank-пен ынтымақтастық сенімді нығайтты және AI негізіндегі шешімдерді одан әрі ілгерілетуге бағытталған ұзақ мерзімді серіктестіктің негізін қалады.