이 게시물은 Bosch 인공 지능 센터(BCAI)의 Goktug Cinar, Michael Binder 및 Adrian Horvath가 공동 작성했습니다.
수익 예측은 대부분의 조직에서 전략적 비즈니스 결정 및 재정 계획을 위한 어렵지만 중요한 작업입니다. 종종 수익 예측은 재무 분석가가 수동으로 수행하며 시간이 많이 걸리고 주관적입니다. 이러한 수동 작업은 광범위한 제품 그룹 및 지리적 영역에 대한 다양한 세부 수준의 수익 예측이 필요한 대규모 다국적 비즈니스 조직의 경우 특히 어렵습니다. 이를 위해서는 정확성뿐만 아니라 예측의 계층적 일관성도 필요합니다.
보쉬 자동차, 산업 솔루션 및 소비재를 포함한 여러 부문에서 사업을 영위하는 기업이 있는 다국적 기업입니다. 정확하고 일관된 수익 예측이 건전한 비즈니스 운영에 미치는 영향을 감안할 때, 보쉬 인공 지능 센터 (BCAI)는 재무 계획 프로세스의 효율성과 정확성을 개선하기 위해 머신 러닝(ML) 사용에 막대한 투자를 해왔습니다. 목표는 ML을 통해 합리적인 기준 수익 예측을 제공하여 수동 프로세스를 완화하는 것입니다. 재무 분석가는 업계 및 도메인 지식을 사용하여 가끔씩만 조정하면 됩니다.
이 목표를 달성하기 위해 BCAI는 광범위한 기본 모델의 맞춤형 앙상블을 통해 대규모 계층적 예측을 제공할 수 있는 내부 예측 프레임워크를 개발했습니다. 메타 학습자는 각 시계열에서 추출한 특성을 기반으로 최고 성능의 모델을 선택합니다. 그런 다음 선택한 모델의 예측값을 평균하여 집계된 예측값을 얻습니다. 아키텍처 설계는 REST 스타일 인터페이스의 구현을 통해 모듈화되고 확장 가능하므로 추가 모델을 포함하여 지속적인 성능 향상이 가능합니다.
BCAI는 Amazon ML 솔루션 랩 (MLSL)은 수익 예측을 위한 심층 신경망(DNN) 기반 모델의 최신 발전을 통합합니다. 신경 예측기의 최근 발전은 많은 실제 예측 문제에 대한 최첨단 성능을 입증했습니다. 전통적인 예측 모델과 비교하여 많은 신경 예측가는 시계열의 추가 공변량 또는 메타데이터를 통합할 수 있습니다. 두 가지 기성 모델인 CNN-QR 및 DeepAR+를 포함합니다. 아마존 예측, 및 다음을 사용하여 훈련된 사용자 지정 Transformer 모델 아마존 세이지 메이커. 세 가지 모델은 신경 예측기에 자주 사용되는 인코더 백본의 대표적인 세트인 CNN(컨볼루션 신경망), RNN(순차 순환 신경망) 및 변압기 기반 인코더를 다룹니다.
BCAI-MLSL 파트너십이 직면한 주요 과제 중 하나는 글로벌 기업 재무 결과에 큰 변동성을 야기하는 전례 없는 글로벌 이벤트인 COVID-19의 영향으로 강력하고 합리적인 예측을 제공하는 것이었습니다. 신경 예측자는 과거 데이터로 훈련되기 때문에 변동성이 더 큰 기간의 분포 외 데이터를 기반으로 생성된 예측은 부정확하고 신뢰할 수 없습니다. 따라서 우리는 이 문제를 해결하기 위해 Transformer 아키텍처에 Masked Attention 메커니즘을 추가할 것을 제안했습니다.
신경 예측기는 단일 앙상블 모델로 번들로 제공되거나 Bosch의 모델 세계에 개별적으로 통합될 수 있으며 REST API 엔드포인트를 통해 쉽게 액세스할 수 있습니다. 우리는 시간이 지남에 따라 경쟁력 있고 강력한 성능을 제공하는 백테스트 결과를 통해 신경 예측자를 앙상블하는 접근 방식을 제안합니다. 또한 제품 그룹, 지역 및 비즈니스 조직 전반에 걸쳐 예측이 일관되게 집계되도록 하기 위해 여러 가지 고전적인 계층적 조정 기술을 조사하고 평가했습니다.
이 게시물에서는 다음을 보여줍니다.
- 계층적 대규모 시계열 예측 문제에 대해 Forecast 및 SageMaker 사용자 지정 모델 교육을 적용하는 방법
- Forecast의 기성 모델과 맞춤형 모델을 앙상블하는 방법
- 예측 문제에 대한 COVID-19와 같은 파괴적인 이벤트의 영향을 줄이는 방법
- AWS에서 종단 간 예측 워크플로를 구축하는 방법
도전
우리는 계층적 대규모 수익 예측 생성과 COVID-19 전염병이 장기 예측에 미치는 영향이라는 두 가지 과제를 해결했습니다.
계층적, 대규모 수익 예측
재무 분석가는 수익, 운영 비용 및 R&D 지출을 포함한 주요 재무 수치를 예측하는 임무를 맡습니다. 이러한 메트릭은 다양한 집계 수준에서 비즈니스 계획 통찰력을 제공하고 데이터 기반 의사 결정을 가능하게 합니다. 모든 자동화된 예측 솔루션은 비즈니스 라인 집계의 임의 수준에서 예측을 제공해야 합니다. Bosch에서 집계는 계층 구조의 보다 일반적인 형태인 그룹화된 시계열로 상상할 수 있습니다. 다음 그림은 Bosch의 계층적 수익 예측 구조를 모방한 XNUMX단계 구조의 단순화된 예를 보여줍니다. 총 수익은 제품 및 지역에 따라 여러 수준의 집계로 분할됩니다.
보쉬에서 예측해야 하는 시계열의 총 수는 수백만 개에 달합니다. 최상위 시계열은 제품 또는 지역별로 분할되어 최하위 예측에 대한 여러 경로를 생성할 수 있습니다. 수익은 향후 12개월의 예측 기간으로 계층 구조의 모든 노드에서 예측해야 합니다. 월간 과거 데이터를 사용할 수 있습니다.
계층 구조는 합산 행렬 표기법을 사용하여 다음 형식을 사용하여 나타낼 수 있습니다. S (하인드만과 아타나소풀로스):
이 방정식에서, Y 다음과 같습니다.
여기 b 시간의 최하위 시계열을 나타냅니다. t.
COVID-19 전염병의 영향
COVID-19 대유행은 직장과 사회 생활의 거의 모든 측면에 파괴적이고 전례 없는 영향을 미치기 때문에 예측에 중대한 도전을 가져왔습니다. 장기적인 수익 예측의 경우 중단은 예상치 못한 다운스트림 영향도 가져왔습니다. 이 문제를 설명하기 위해 다음 그림은 팬데믹이 시작될 때 제품 수익이 크게 감소한 후 점차 회복된 샘플 시계열을 보여줍니다. 일반적인 신경 예측 모델은 OOD(out-of-distribution) COVID 기간을 포함한 수익 데이터를 과거 컨텍스트 입력으로 사용하고 모델 교육을 위한 기본 정보를 사용합니다. 결과적으로 생성된 예측은 더 이상 신뢰할 수 없습니다.
모델링 접근 방식
이 섹션에서는 다양한 모델링 접근 방식에 대해 설명합니다.
아마존 예측
Forecast는 사전 구성된 최첨단 시계열 예측 모델을 제공하는 AWS의 완전 관리형 AI/ML 서비스입니다. 자동화된 하이퍼파라미터 최적화, 앙상블 모델링(Forecast에서 제공하는 모델용) 및 확률적 예측 생성을 위한 내부 기능과 이러한 제품을 결합합니다. 이를 통해 사용자 지정 데이터 세트를 쉽게 수집하고, 데이터를 사전 처리하고, 예측 모델을 훈련하고, 강력한 예측을 생성할 수 있습니다. 서비스의 모듈식 설계를 통해 병렬로 개발된 추가 사용자 지정 모델에서 예측을 쉽게 쿼리하고 결합할 수 있습니다.
우리는 Forecast에서 CNN-QR 및 DeepAR+의 두 가지 신경 예측기를 통합합니다. 둘 다 전체 시계열 데이터 세트에 대한 글로벌 모델을 훈련하는 지도 딥 러닝 방법입니다. CNNQR 및 DeepAR+ 모델 모두 우리의 경우 해당 제품, 지역 및 비즈니스 조직인 각 시계열에 대한 정적 메타데이터 정보를 가져올 수 있습니다. 또한 모델에 대한 입력의 일부로 월과 같은 임시 기능을 자동으로 추가합니다.
COVID에 대한 주의 마스크가 있는 변압기
변압기 아키텍처(Vaswaniet al.)는 원래 자연어 처리(NLP)용으로 설계되었으며 최근 시계열 예측을 위한 인기 있는 아키텍처 선택으로 부상했습니다. 여기에서 설명된 Transformer 아키텍처를 사용했습니다. Zhouet al. 확률적 로그 희소 주의 없이. 이 모델은 인코더와 디코더를 결합하여 일반적인 아키텍처 설계를 사용합니다. 수익 예측을 위해 자동 회귀 방식으로 월별 예측을 생성하는 대신 12개월 범위의 예측을 직접 출력하도록 디코더를 구성합니다. 시계열의 빈도에 따라 월과 같은 추가 시간 관련 특성이 입력 변수로 추가됩니다. 메타 정보(제품, 지역, 비즈니스 조직)를 설명하는 추가 범주형 변수는 학습 가능한 임베딩 레이어를 통해 네트워크에 제공됩니다.
다음 다이어그램은 Transformer 아키텍처와 어텐션 마스킹 메커니즘을 보여줍니다. 주의 마스킹은 OOD 데이터가 예측에 영향을 미치는 것을 방지하기 위해 주황색으로 강조 표시된 것처럼 모든 인코더 및 디코더 레이어에 적용됩니다.
주의 마스크를 추가하여 OOD 컨텍스트 창의 영향을 완화합니다. 모델은 마스킹을 통해 이상치를 포함하는 COVID 기간에 거의 주의를 기울이지 않고 마스킹된 정보로 예측을 수행하도록 학습됩니다. 주의 마스크는 디코더 및 인코더 아키텍처의 모든 계층에 적용됩니다. 마스크된 창은 수동으로 지정하거나 이상값 감지 알고리즘을 통해 지정할 수 있습니다. 또한 훈련 레이블로 이상값을 포함하는 시간 창을 사용할 때 손실은 역전파되지 않습니다. 이 어텐션 마스킹 기반 방법은 다른 드문 이벤트로 인한 중단 및 OOD 사례를 처리하고 예측의 견고성을 향상시키는 데 적용될 수 있습니다.
모델 앙상블
모델 앙상블은 종종 예측에 대해 단일 모델보다 성능이 뛰어납니다. 모델 일반화 가능성을 개선하고 주기성과 간헐성의 다양한 특성을 가진 시계열 데이터를 더 잘 처리합니다. 우리는 모델 성능과 예측의 견고성을 향상시키기 위해 일련의 모델 앙상블 전략을 통합합니다. 딥 러닝 모델 앙상블의 한 가지 일반적인 형태는 다른 임의 가중치 초기화 또는 다른 훈련 에포크의 모델 실행 결과를 집계하는 것입니다. 우리는 이 전략을 활용하여 Transformer 모델에 대한 예측값을 얻습니다.
Transformer, CNNQR 및 DeepAR+와 같은 다양한 모델 아키텍처 위에 앙상블을 추가로 구축하기 위해 백테스트 결과를 기반으로 각 시계열에 대해 최고 k개의 최고 성능 모델을 선택하고 결과를 얻는 팬 모델 앙상블 전략을 사용합니다. 평균. 백테스트 결과는 훈련된 Forecast 모델에서 직접 내보낼 수 있으므로 이 전략을 통해 Transformer와 같은 사용자 지정 모델에서 얻은 개선 사항과 함께 Forecast와 같은 턴키 서비스를 활용할 수 있습니다. 이러한 종단 간 모델 앙상블 접근 방식은 모델 선택을 위해 메타 학습자를 훈련하거나 시계열 특성을 계산할 필요가 없습니다.
계층적 조정
프레임워크는 상향식(BU), 예측 비율을 사용한 하향식 조정(TDFP), 보통 최소 제곱(OLS) 및 가중 최소 제곱( WLS). 이 게시물의 모든 실험 결과는 예측 비율과 하향식 조정을 사용하여 보고됩니다.
아키텍처 개요
AWS에서 자동화된 엔드 투 엔드 워크플로를 개발하여 Forecast, SageMaker, 아마존 단순 스토리지 서비스 (아마존 S3), AWS 람다, AWS 단계 함수및 AWS 클라우드 개발 키트 (AWS CDK). 배포된 솔루션은 다음을 사용하여 REST API를 통해 개별 시계열 예측을 제공합니다. 아마존 API 게이트웨이, 미리 정의된 JSON 형식으로 결과를 반환합니다.
다음 다이어그램은 종단 간 예측 워크플로를 보여줍니다.
아키텍처에 대한 주요 설계 고려 사항은 다용성, 성능 및 사용자 친화성입니다. 시스템은 개발 및 배포 중에 필요한 변경을 최소화하면서 다양한 알고리즘 세트를 통합할 수 있을 만큼 충분히 다재다능해야 하며, 향후 새 알고리즘을 추가할 때 쉽게 확장할 수 있어야 합니다. 또한 시스템은 교육 시간을 줄이고 최신 예측을 더 빨리 얻기 위해 Forecast 및 SageMaker 모두에 대해 최소 오버헤드를 추가하고 병렬 교육을 지원해야 합니다. 마지막으로 시스템은 실험 목적으로 사용하기 간편해야 합니다.
종단 간 워크플로는 다음 모듈을 통해 순차적으로 실행됩니다.
- 데이터 재형식화 및 변환을 위한 전처리 모듈
- SageMaker에서 Forecast 모델과 사용자 지정 모델을 모두 통합하는 모델 교육 모듈(둘 다 병렬로 실행됨)
- 모델 앙상블, 계층적 조정, 메트릭 및 보고서 생성을 지원하는 후처리 모듈
Step Functions는 워크플로를 상태 머신으로 처음부터 끝까지 구성하고 오케스트레이션합니다. 상태 머신 실행은 Amazon S3의 과거 수익 CSV 파일 위치, 예측 시작 시간, 종단 간 워크플로를 실행하기 위한 모델 하이퍼파라미터 설정을 포함하여 필요한 모든 정보가 포함된 JSON 파일로 구성됩니다. Lambda 함수를 사용하여 상태 머신에서 모델 교육을 병렬화하기 위해 비동기식 호출이 생성됩니다. 모든 과거 데이터, 구성 파일, 예측 결과 및 백테스트 결과와 같은 중간 결과는 Amazon S3에 저장됩니다. REST API는 Amazon S3를 기반으로 구축되어 예측 결과를 쿼리하기 위한 쿼리 가능한 인터페이스를 제공합니다. 시스템은 새로운 예측 모델과 예측 시각화 보고서 생성과 같은 지원 기능을 통합하도록 확장될 수 있습니다.
평가
이 섹션에서는 실험 설정을 자세히 설명합니다. 주요 구성 요소에는 데이터 세트, 평가 지표, 백테스트 기간, 모델 설정 및 교육이 포함됩니다.
데이터 세트
의미 있는 데이터 세트를 사용하면서 Bosch의 재정적 개인 정보를 보호하기 위해 Bosch의 한 사업부의 실제 수익 데이터 세트와 통계적 특성이 유사한 합성 데이터 세트를 사용했습니다. 데이터 세트에는 1,216년 2016월부터 2022년 877월까지 월간 빈도로 기록된 총 XNUMX개의 시계열이 포함되어 있습니다. 이 데이터 세트는 해당 그룹화된 시계열 구조가 표시된 가장 세부적인 수준(하단 시계열)에서 XNUMX개의 시계열과 함께 제공됩니다. 합산 행렬 S로 각 시계열은 실제 데이터 세트(합성 데이터에서 익명화됨)의 제품 범주, 지역 및 조직 단위에 해당하는 세 가지 정적 범주 속성과 연결됩니다.
평가 지표
보쉬에서 사용하는 표준 메트릭인 모델 성능을 평가하고 비교 분석을 수행하기 위해 중앙값 평균 아크탄젠트 절대 백분율 오차(중앙값 MAAPE)와 가중 MAAPE를 사용합니다. MAAPE는 비즈니스 컨텍스트에서 일반적으로 사용되는 MAPE(Mean Absolute Percentage Error) 메트릭의 단점을 해결합니다. Median-MAAPE는 각 시계열에 대해 개별적으로 계산된 MAAPE의 중앙값을 계산하여 모델 성능에 대한 개요를 제공합니다. Weighted-MAAPE는 개별 MAAPE의 가중치 조합을 보고합니다. 가중치는 전체 데이터 세트의 집계된 수익과 비교한 각 시계열의 수익 비율입니다. 가중 MAAPE는 예측 정확도의 다운스트림 비즈니스 영향을 더 잘 반영합니다. 두 측정항목 모두 1,216개 시계열의 전체 데이터세트에 대해 보고됩니다.
백테스트 창
롤링 12개월 백테스트 기간을 사용하여 모델 성능을 비교합니다. 다음 그림은 실험에 사용된 백테스트 기간을 보여주고 훈련 및 HPO(초매개변수 최적화)에 사용된 해당 데이터를 강조 표시합니다. COVID-19가 시작된 후 백테스트 기간의 경우 수익 시계열에서 관찰한 내용을 기반으로 2020년 XNUMX월부터 XNUMX월까지의 OOD 입력에 따라 결과가 영향을 받습니다.
모델 설정 및 교육
Transformer 훈련의 경우 Transformer에 입력하고 훈련 손실을 계산하기 전에 분위수 손실을 사용하고 과거 평균 값을 사용하여 각 시계열을 조정했습니다. 최종 예측은 에 구현된 MeanScaler를 사용하여 정확도 메트릭을 계산하기 위해 다시 조정됩니다. 글루온티에스. 18년 2018월부터 2019년 15월까지의 백테스트 창에서 HPO를 통해 선택된 지난 2020개월 동안의 월별 수익 데이터가 있는 컨텍스트 창을 사용합니다. 정적 범주형 변수 형태의 각 시계열에 대한 추가 메타데이터는 임베딩을 통해 모델에 공급됩니다. 변압기 레이어에 공급하기 전에 레이어. XNUMX개의 다른 임의 가중치 초기화로 Transformer를 훈련하고 각 실행에 대해 마지막 XNUMX개 에포크의 예측 결과를 평균화하여 총 평균 XNUMX개 모델을 생성합니다. XNUMX개의 모델 훈련 실행을 병렬화하여 훈련 시간을 줄일 수 있습니다. 마스크된 Transformer의 경우 XNUMX년 XNUMX월부터 XNUMX월까지를 이상값으로 표시합니다.
모든 Forecast 모델 훈련에 대해 훈련 및 HPO에 사용된 데이터 창에서 지난 12개월로 설정된 사용자 지정 백테스트 기간을 기반으로 모델 및 훈련 매개변수를 선택할 수 있는 자동 HPO를 활성화했습니다.
실험 결과
우리는 동일한 하이퍼파라미터 세트를 사용하여 마스크된 트랜스포머와 마스크되지 않은 트랜스포머를 훈련하고 COVID-19 충격 직후 백테스트 창에 대한 성능을 비교했습니다. 마스킹된 Transformer에서 마스킹된 두 달은 2020년 12월과 2020월입니다. 다음 표는 XNUMX년 XNUMX월부터 XNUMX개월 예측 기간이 있는 일련의 백테스트 기간의 결과를 보여줍니다. 마스킹된 Transformer가 마스킹되지 않은 버전보다 지속적으로 성능이 우수함을 관찰할 수 있습니다. .
백테스트 결과를 기반으로 모델 앙상블 전략에 대한 평가를 추가로 수행했습니다. 특히 상위 XNUMX개 모델만 선택한 경우와 상위 XNUMX개 모델을 선택한 경우를 비교하여 예측값의 평균값을 계산하여 모델 평균을 구한다. 다음 그림에서 기본 모델과 앙상블 모델의 성능을 비교합니다. 롤백 테스트 기간에 대해 신경 예측가 중 누구도 다른 예측가보다 지속적으로 성능을 발휘하지 못한다는 점에 유의하십시오.
다음 표는 평균적으로 상위 두 모델의 앙상블 모델링이 최상의 성능을 제공함을 보여줍니다. CNNQR은 두 번째로 좋은 결과를 제공합니다.
결론
이 게시물은 Forecast와 SageMaker에서 훈련된 사용자 지정 모델을 결합하여 대규모 예측 문제에 대한 종단 간 ML 솔루션을 구축하는 방법을 보여주었습니다. 비즈니스 요구 사항 및 ML 지식에 따라 Forecast와 같은 완전 관리형 서비스를 사용하여 예측 모델의 빌드, 교육 및 배포 프로세스를 오프로드할 수 있습니다. SageMaker를 사용하여 특정 조정 메커니즘으로 사용자 정의 모델을 구축하십시오. 또는 두 서비스를 결합하여 모델 앙상블을 수행합니다.
제품 및 서비스에서 ML 사용을 가속화하는 데 도움이 필요하면 다음으로 문의하십시오. Amazon ML 솔루션 랩 프로그램)
참고자료
Hyndman RJ, Athanasopoulos G. 예측: 원칙 및 관행. O텍스트; 2018년 8월 XNUMX일.
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. 관심만 있으면 됩니다. 신경 정보 처리 시스템의 발전. 2017;30.
Zhou H, Zhang S, Peng J, Zhang S, Li J, Xiong H, Zhang W. Informer: 긴 시퀀스 시계열 예측을 위한 효율적인 변환기 너머. AAAI 2021년 2월 XNUMX일의 InProceedings.
저자에 관하여
곡툭 시나르 Robert Bosch LLC와 Bosch 인공 지능 센터에서 ML 및 통계 기반 예측의 수석 ML 과학자이자 기술 책임자입니다. 그는 예측 모델, 계층적 통합 및 모델 조합 기술에 대한 연구와 이러한 모델을 확장하고 내부 종단 간 재무 예측 소프트웨어의 일부로 제공하는 소프트웨어 개발 팀을 이끌고 있습니다.
마이클 바인더 Bosch Global Services의 제품 소유자로서 재무 주요 수치에 대한 대규모 자동 데이터 기반 예측을 위한 회사 차원의 예측 분석 애플리케이션의 개발, 배포 및 구현을 조정합니다.
아드리안 호바스 Bosch 인공 지능 센터의 소프트웨어 개발자로 다양한 예측 모델을 기반으로 예측을 생성하는 시스템을 개발 및 유지 관리합니다.
판판 쉬 AWS Amazon ML 솔루션 연구소의 수석 응용 과학자이자 관리자입니다. 그녀는 AI 및 클라우드 채택을 가속화하기 위해 다양한 산업 분야에서 영향력이 큰 고객 애플리케이션을 위한 기계 학습 알고리즘의 연구 및 개발에 참여하고 있습니다. 그녀의 연구 관심 분야에는 모델 해석 가능성, 인과 관계 분석, Human-in-the-loop AI 및 대화형 데이터 시각화가 포함됩니다.
재슬린 그루왈 Amazon Web Services의 응용 과학자로 AWS 고객과 협력하여 정밀 의학 및 유전체학에 특히 중점을 두고 기계 학습을 사용하여 실제 문제를 해결합니다. 그녀는 생물정보학, 종양학 및 임상 유전체학에 대한 강력한 배경을 가지고 있습니다. 그녀는 AI/ML 및 클라우드 서비스를 사용하여 환자 치료를 개선하는 데 열정적입니다.
셀반 센티벨 AWS의 Amazon ML Solutions Lab에서 수석 ML 엔지니어로 기계 학습, 딥 러닝 문제 및 종단 간 ML 솔루션에 대한 고객 지원에 중점을 두고 있습니다. 그는 Amazon Comprehend Medical의 창립 엔지니어링 리더였으며 여러 AWS AI 서비스의 설계 및 아키텍처에 기여했습니다.
장 루이린 AWS의 Amazon ML 솔루션 랩의 SDE입니다. 그는 일반적인 비즈니스 문제를 해결하는 솔루션을 구축하여 고객이 AWS AI 서비스를 채택하도록 돕습니다.
셰인 라이 AWS Amazon ML Solutions Lab의 선임 ML 전략가입니다. 그는 다양한 산업 분야의 고객과 협력하여 AWS의 광범위한 클라우드 기반 AI/ML 서비스를 사용하여 가장 시급하고 혁신적인 비즈니스 요구 사항을 해결합니다.
린 리청 AWS Amazon ML Solutions Lab 팀의 응용 과학 관리자입니다. 그녀는 전략적 AWS 고객과 협력하여 인공 지능 및 기계 학습을 탐색 및 적용하여 새로운 통찰력을 발견하고 복잡한 문제를 해결합니다.