Petal 使用 AWS 扩展消费者信贷渠道

从后端基础设施到前台应用程序环境，Petal 的数据驱动基础设施都在 AWS 服务上运行。客户申请信用卡时，他们会被定向至 Web 应用程序填写所需的个人信息。Petal 使用 Amazon Simple Storage Service（Amazon S3）托管这些首轮网页用户界面，这是一种对象存储服务，提供业界领先的可扩展性、数据可用性、安全性和性能。Wang 说：“我们希望第一次交互是非常灵活的。”“通过使用 Amazon S3，我们可以维持我们数百万名申请者申请页面的高可用性。”

在数据存储方面，Petal 使用 Amazon Relational Database Service（Amazon RDS）for PostgreSQL 来存储其核心交易业务数据。Amazon RDS 是一个完全托管的关系数据库，让用户可以更轻松地在云中设置、操作和扩展 PostgreSQL 数据库。在公司快速发展时期，RDS 帮助 Petal 快速轻松地扩展其交易数据处理需求。Petal 还利用 Amazon Redshift 和 S3 来存储分析和研究数据。其中大部分数据输入到了担保期间和管理客户账户时所用的 Petal 专有 ML 模型中。为了训练其预测模型，Petal 采用了 Amazon SageMaker，企业可以借助完全托管的基础架构、工具和工作流程，使用此服务构建、训练和部署几乎任何用例的 ML 模型。借助 SageMaker，Petal 能够更快、更有效地迭代其 ML 模型，其中包括 CashScore 模型，它是 Petal 进行担保和完成使命不可或缺的一部分，旨在更好地为信用记录很少或没有信用记录的人服务。Wang 说：“通过使用 Amazon SageMaker，我们的数据科学团队可以独立管理和配置训练其 ML 模型所需的实例种类。”“Amazon SageMaker 具有他们所需的功能。”

可扩展性对于 Petal 来说至关重要，因为随着用户和应用程序的稳步增加，其工作流程和系统变得越来越复杂。为了满足其服务和机器学习基础设施的计算资源需求，Petal 使用 Amazon Elastic Compute Cloud（Amazon EC2），该平台可以为几乎任何工作负载提供安全且可调整的计算容量。为了在 Amazon EC2 上高效运行其基于 Kubernetes 的工作负载，该公司采用了 Amazon Elastic Kubernetes Service（Amazon EKS），这是一项在云端和本地数据中心运行 Kubernetes 的托管服务。在 AWS 上，随着 Petal 从最初处理几十个申请发展到现在处理数百万个申请，该公司的基础设施已经可以轻松地进行纵向和横向扩展。除了可扩展性外，Amazon 服务还有助于提高 Petal 工程师的工作效率。Wang 说：“随着工程团队变得越来越精通，我们需要更好的工具。”“通过使用 Amazon EKS，我们为小型团队省去了许多在本地运行和托管 Kubernetes 的额外麻烦。”

最后，Petal 将其在 AWS 上取得的成功归因于其团队与 AWS 建立的合作关系。通过与 AWS 团队积极合作，Petal 获得了最新的技术、关键的专业知识、独特的计划和宝贵的观点，从而推动了业务关键型项目的发展。Wang 解释说：“AWS 账户和技术支持人员与 Petal 紧密合作，帮助我们充分利用 AWS 的所有优势，包括帮助排查技术问题、进行技术设计审查以及参与演讲和社交机会。”