Itaü 使用 Amazon Web Services 提高机器学习解决方案的上市速度和生产效率

Itaü 为巴西、拉丁美洲和全球其他 18 个国家/地区的客户提供银行服务。其拥有超过 9.57 万名员工，其中约 1.5 万名员工在 IT 部门工作。Itaü 最初的基础设施完全位于本地，这导致其必须面对高昂的成本和缓慢的开发时间。受物理空间和硬件的限制，其本地基础设施也缺乏可扩展性。在该银行的数据小组中，数据科学家需要等待长达 6 个月的时间，才能获得内存和资源，而该公司的部署等待名单上有上百个机器学习模型。

为了克服这些挑战，Itaü 决定将其部分业务迁移到云端，并选择使用 AWS。Itaü 机器学习工程经理 Diego Nogare 表示：“我们制定了一项同时提高业务竞争力和效率的战略，这正是促使我们选择从本地迁移到云端的原因之一。”

大约在迁移开始后的第 6 个月，Itaü 选择了 Amazon SageMaker，这是一套灵活的云原生机器学习解决方案，利用完全托管的基础设施、工具和工作流程，可针对任何应用场景提供构建、训练并部署机器学习模型的服务。“我们正在使用 AWS 实现软件和数据的转型，因此需要一套在 AWS 上完美运行的解决方案。”Itaü 数据科学主管 Vitor Azeka 说，“Amazon SageMaker 是不二之选。” 截至 2024 年，该公司大约 60％ 的软件和数据已完成现代化改造，可在云端运行。

Itaü 使用 AWS 为其数据科学家构建了完整的解决方案。首先，该公司使用 AWS Glue 收集数据。AWS Glue 是一种无服务器数据集成服务，使用户可以更轻松地发现、准备、移动和集成多个来源的数据，用于分析、机器学习和应用程序开发。然后，他们利用这些数据，使用 Amazon SageMaker Studio 启动实验。Itaü 使用 Amazon SageMaker Studio 作为灵活的开发解决方案，供其内部数据科学家进行实验。接下来，他们使用其他 Amazon SageMaker 工具（例如端点、批量转换和异步推理）部署机器学习模型。该公司使用 Amazon CloudWatch 监控模型。Amazon CloudWatch 会在自动化控制面板中收集近实时日志、指标和事件数据，并以可视化方式展示，从而简化基础设施和应用程序的维护。通过结合使用所有这些 AWS 服务，数据科学家能够满足其自身需求。

2021 年 8 月，Itaú 交付了首个使用 Amazon SageMaker Studio 作为集成开发环境的解决方案，截至 2023 年 4 月，该 AWS 服务已拥有超过 3200 名独立用户，其中包括大约 350 名数据科学家。

Itaü 的机器学习模型部署等待清单已经消失。在某些情况下，使用 Amazon SageMaker Studio，Itaü 得以将部署时间从长达 6 个月缩短至 3-5 天。部署时间的缩短提高了公司进入市场的速度。“使用 Amazon SageMaker Studio 时，我们可以运行管道，并将解决方案快速交付给客户。”Nogare 说，“从而改善客户体验。” 与其旧的本地基础设施相比，Itaü 还节省了成本。

自 2021 年 11 月以来，Itaü 每周与 AWS 团队举行会议，讨论架构、安全性及其路线图。“AWS 的支持对于实现我们今天的成果至关重要。”Nogare 说，“每当我们发现解决方案出现问题，或存在治理需求时，AWS 团队都会为我们提供支持，直到问题解决。” 一些治理需求可以通过 Amazon SageMaker Studio 得到满足。当该公司运行管道，向用户提供 Amazon SageMaker Studio 时，治理和安全问题已经得到解决。

其解决方案的标准化意味着 Itaü 可以更轻松地引入新员工，并跨部门调动数据科学家。由于一切都是虚拟的，更新变得更加容易，公司不再需要依赖物理机器。使用 AWS，数据科学家的管道得到了整合，因此可以在同一个数据管道中对机器学习模型进行部署和监控。这进一步提高了数据科学家的效率。

“最终，我们可以更快地交付。”Itaú 杰出数据科学家 Rodrigo Fernandes Mello 说，“我们已经改善了标准化和集成度，并且可以利用 AWS 继续做出改进。”