يقوم Discover Financial Services ببناء حل الذكاء الاصطناعي المولّد على AWS لاتخاذ قرارات أسرع ووقت الوصول إلى السوق

تهدف Discover التي تتخذ من شيكاغو مقراً لها، وهي شركة للخدمات المصرفية الرقمية وخدمات الدفع، إلى مساعدة الأشخاص على الإنفاق بشكل أكثر ذكاءً وإدارة الديون بشكل أفضل وتوفير المزيد. في مختلف مجالات أعمالها، بما في ذلك القرار والائتمان وإدارة مخاطر المحفظة، واجهت Discover التحدي المتمثل في التأكد من قدرتها على إطلاق خدماتها بسرعة كافية. يقول Rahul Gupta، مهندس المنصات الخبير في الذكاء الاصطناعي/تعلم الآلة في Discover: «أردنا اتخاذ القرارات بشكل أسرع والوصول إلى الأفكار بشكل أسرع حتى نتمكن من الاستجابة بشكل أسرع لعملائنا».

أراد البنك استخدام الذكاء الاصطناعي المولّد وتعلم الآلة لتحليل البيانات وتوليد الأفكار. كما كانت تبحث عن طرق لتدريب نماذج اللغات الكبيرة بشكل أسرع واستخدام سعة الحوسبة على النحو الأمثل لتقليل الوقت اللازم للتسويق. قررت Discover تشغيل حل علوم البيانات الخاص بها على Amazon Elastic Compute Cloud (Amazon EC2)، والذي يوفر سعة حوسبة آمنة وقابلة لتغيير الحجم لأي عبء عمل تقريبًا.

تعد Amazon EC2 جزءًا من البنية التحتية لـ AWS AI ، والتي تساعد على تسريع ابتكار الذكاء الاصطناعي. يمكن للمؤسسات والمطورين استخدام البنية التحتية الشاملة والآمنة وذات الأداء العالي لبناء تطبيقات الذكاء الاصطناعي مع مجموعة واسعة وعميقة من إمكانيات الذكاء الاصطناعي وتعلم الآلة عبر الحوسبة والشبكات والتخزين.

صممت Discover طاولة عمل للتحليلات على Amazon EC2 وطاولة عمل موحدة لعلوم البيانات يمكن لعلماء البيانات استخدامها لتشغيل تطبيقات تعلم الآلة والذكاء الاصطناعي (AI/ML) أو معالجتها، وتدريب النماذج ذات أحجام العينات الكبيرة - التي تتطلب ما يصل إلى 6 تيرابايت من الذاكرة - وتقديم الحوسبة عالية الأداء (HPC) في السحابة باستخدام وحدات معالجة الرسومات الأساسية (GPUs). يقول جوبتا: «لقد زودنا علماءنا بمستودع بيانات على نطاق السحابة مع توسيع نطاق الحوسبة عالية الأداء (HPC) عند الطلب، وقمنا بتسريع ابتكاراتنا التحليلية».

يستخدم Discover مثيلات Amazon EC2 P3 لتسريع تطبيقات ML وHPC باستخدام وحدات معالجة الرسومات القوية للمهام التي تتطلب إعدادًا متعدد وحدات معالجة الرسومات. كما أنها تستخدم مثيلات Amazon EC2 P4 للحصول على أداء عالٍ لتطبيقات ML و HPC في السحابة. أمضى الفريق وقتًا طويلاً في تحسين البنية وتنفيذ أفضل الممارسات للمساعدة في تسريع التحليلات وتقديم الأفكار بشكل أسرع. يقول Will Hinton، مدير هندسة البيانات ومنصات الذكاء الاصطناعي في Discover: «أردنا التأكد من أننا قمنا بتحسين أوقات التشغيل لبنيتنا التحتية، وخاصة الحوسبة الخاصة بنا».

على سبيل المثال، أجرى الفريق اختبارات معيارية باستخدام نماذج ورموز مختلفة لتقييم سرعة معالجة 20000 صف من البيانات، تم نسخها من التفاعلات المسجلة بين وكلاء خدمة العملاء. باستخدام 16 وحدة معالجة مركزية (CPUs)، استغرقت المعالجة 6.5-7 ساعات، بينما استغرق إعداد وحدة معالجة الرسومات (GPU) الفردية 23 دقيقة. أدى استخدام وحدات معالجة الرسومات المتعددة (GPU) إلى تقليل وقت المعالجة إلى 4 دقائق ولكنه أدى أيضًا إلى زيادة التكاليف. ساعد ذلك فريق Discover في اختيار إعدادات وحدة معالجة الرسومات (GPU) المختلفة بناءً على متطلبات حالة الاستخدام والتكلفة.

يستخدم Discover خدمة Amazon Simple Storage‏ (Amazon S3) - تخزين العناصر المصمم لاسترداد أي كمية من البيانات من أي مكان - لتخزين عناصر النموذج. لمشاركة هذه الأدوات والبيانات مع فرق هندسية وخطوط أعمال مختلفة، يستخدم Discover نظام Amazon Elastic File System (Amazon EFS)، الذي يوفر تخزينًا مرنًا تمامًا بدون خادم. يرتبط هذا الحل بأداة المراقبة الخاصة بـ Discover ومستودع البيانات ومستودعات الأكواد المصدرية.

الحل سهل الاستخدام ومصمم ليكون مفيدًا لعلماء البيانات. يقول Gupta: «يمكن لعالم البيانات الانتقال إلى أداة أتمتة الحلول، وتحديد القالب، وتحديد الحوسبة ومثيل Amazon EC2 استنادًا إلى متطلباته - وحدة معالجة رسومات (GPU) متعددة أو وحدة معالجة رسومات فردية أو تطبيق مرتبط بالذاكرة». «يقومون فقط بالتحديد والنقر والانتهاء.»

ساعد الحل Discover على تقليل الوقت اللازم للحصول على الإحصاءات. باستخدام ميزة تضمين الميزات، قلل الفريق الوقت اللازم للتسويق من ساعات إلى دقائق. تم استخدام قوة الحوسبة العالية المتاحة للتدريب على النماذج المتوازية، مما قلل من وقت معالجة 30 مليون سجل من أيام إلى ساعات. بالنسبة لتحليل المشاعر - على سبيل المثال، لتحليل ما إذا كان العميل راضيًا أو غير راضٍ بعد التحدث إلى وكيل خدمة العملاء - ساعد الحل في تقليل وقت معالجة مجموعة بيانات 57000 سجل من ساعات إلى دقائق.

وضع فريق Discover الحل للعمل من أجل حالة استخدام لإدارة نموذج «عدم الاتصال» الخاص بالبنك. بالنسبة للعملاء الذين لا يريدون من ممثلي البنك الاتصال بهم لأغراض التسويق والأغراض المماثلة، أنشأ الفريق نموذجًا لتصنيف هؤلاء العملاء. قام الحل بتصنيف هؤلاء العملاء في الوقت الفعلي تقريبًا وجعل البيانات ذات الصلة متاحة لوكلاء رعاية العملاء. وبالتالي يمكن للوكلاء تحديد العملاء الذين لا ينبغي الاتصال بهم، مما ساعد على زيادة رضا العملاء.

يقول Jason Strle، نائب المدير التقني (EVP CIO) في Discover: «لقد قام الفريق بعمل رائع في التكيف ومطابقة السرعة مع المخاطر». «عندما يساعد الذكاء الاصطناعي المولّد في سيناريو «الإنسان في الحلقة»، فإنه يقلل المخاطر ويسمح بمزيد من السرعة في التسليم. يمكن أن يتناقض هذا مع السيناريوهات التي يتفاعل فيها حل الذكاء الاصطناعي المولّد بشكل مستقل مع العميل أو يتخذ قرارًا تجاريًا بطريقة أخرى. في هذه الحالات، هناك المزيد من خطوات المخاطرة للوصول إلى الإنتاج».

يريد فريق Discover الآن استكشاف استخدام Amazon S3 لإضافة عمليات التنشيط القائمة على الأحداث لمزيد من الأتمتة. وهي تستخدم حاليًا برنامج جدولة لجدولة المهام اليومية، مثل تحديد العملاء وتصنيفهم. بالإضافة إلى ذلك، تتطلع Discover إلى عمليات التنشيط القائمة على الأحداث باستخدام آليات الانتظار لإعادة توظيف الحوسبة لحالات استخدام الذكاء الاصطناعي المولّد الأخرى. سيساعد هذا في تقليل تكاليف الحوسبة لحالات استخدام الذكاء الاصطناعي المولّد.

يقول Gupta: «يساعدنا هذا الحل، المستند إلى مثيلات Amazon EC2 التي تعمل بوحدة معالجة الرسومات، على تقليل المخاطر وتحسين تجربة العملاء.»