有关 AWS 上的人工智能驱动型玩家洞察的指引

Well-Architected 支柱

• 卓越运营

  本指引采用 AWS X-Ray 和 SageMaker Autopilot 实现可观测性和模型试验跟踪。 X-Ray 跟踪 AWS Lambda 函数并记录与其他 AWS 服务进行的交互，使您能够将组件可视化以识别瓶颈和排查错误。SageMaker Autopilot 记录模型训练运行情况和候选模型的性能。您可以查看评估指标和图表，以了解如何根据数据选择最佳模型。将这些功能结合使用时，可以清晰地了解系统和机器学习模型在一段时间内的性能，以便于快速诊断问题并做出明智的模型和架构优化决策，这对于经济高效的运营至关重要。
  

  阅读《卓越运营》白皮书 
• 安全性

  将 Amazon S3 与 AWS Key Management Service（AWS KMS）结合使用时，可确保对静态数据进行加密。具体而言，使用来自 AWS KMS 的密钥，对所有机器学习训练数据和经过训练的机器学习模型进行加密。SageMaker 端点对传输中的所有通信进行加密。将这些功能相结合时，玩家信息等敏感数据以及机器学习模型可实现安全的存储和通信。
  

  阅读《安全性》白皮书 
• 可靠性

  SageMaker 托管的端点会自动将托管的模型分配到多个 AWS 可用区（AZ）。这样，机器学习模型推理请求就可以承受可用区故障。在机器学习模型的多个副本之间，SageMaker 托管的端点有效地对来自游戏客户端和服务器的推理请求进行负载均衡。通过将请求分散到多个可用区，本指引可确保持续的服务正常运行时间和一致的实时玩家预测。
  

  阅读《可靠性》白皮书 
• 性能效率

  本指引利用 SageMaker 优化性能效率，SageMaker 管理弹性机器学习实例集，可根据需求纵向扩展和缩减。与单个实例相比，通过在动态数量的模型之间对请求进行负载均衡，可以显著减小推理延迟。对推理进行并行处理以提高吞吐量，而不是让单个模型不堪重负并导致排队延迟。低延迟、可扩展的容量可确保实时预测，这样，即使在高负载情况下也能即时为游戏调整提供信息，而不会出现性能下降情况并对玩家体验产生负面影响。
  

  阅读《性能效率》白皮书 
• 成本优化

  使用无服务器、可扩展的推理，本指引以经济高效的方式提供玩家预测。具体而言，SageMaker 会自动纵向扩展和缩减推理资源，以满足实时请求需求。无服务器托管意味着，您只需为每个推理请求的持续时间付费。机器学习模型可以互换使用，以实现实时的无服务器托管。这样，您就可以在模式之间切换，以充分满足当前的规模和成本需求。玩家活动不稳定的游戏可以在高峰时依靠大规模推理，并在低谷时收回成本。这一优化可显著节省未使用的实例，同时仍能帮助获得核心玩家洞察。
  

  阅读《成本优化》白皮书 
• 可持续性

  通过消除资源闲置时间和适当调整存储规模，本指引最大限度地减少了您的碳足迹，以推动可持续发展。首先，通过使用 SageMaker 无服务器技术执行数据处理和机器学习训练作业，可以减少任何空闲的计算资源。此外，Amazon S3 实施生命周期策略，以便将不经常访问的训练数据存档到节能的存储层中。您可以根据访问模式选择适当的 Amazon S3 存储类，以减少碳排放影响。AutoML 无服务器架构还限制了基础设施维护和不必要的预置。将这些功能相结合时，可以最大限度地减少计算和存储方面的资源浪费，以减少能源需求和对环境的影响。
  

  阅读《可持续性》白皮书