Itaú 使用 Amazon Web Services 加快機器學習解決方案上市速度並提高解決方案效率

Itaú 為巴西、拉丁美洲和全球其他 18 個國家/地區的客戶提供銀行服務。該公司擁有超過 95,700 名員工，其中約 15,000 名參與 IT 作業。Itaú 的原始基礎設施全都位於內部，導致成本高、開發緩慢。受限於實體空間和硬體，內部部署基礎設施也無法擴充。在銀行的資料工作組中，資料科學家需要等待長達 6 個月的時間，才能取得記憶體和資源，而且該公司還有 100 多個機器學習模型正等待部署。

為了解決這些問題，Itaú 決定將其部分業務遷移到雲端，並選擇使用 AWS。Itaú 機器學習工程經理 Diego Nogare 表示：「我們選擇從內部部署遷移到雲端的原因之一，就是為了同時提高業務競爭力和效率。」

遷移開始後大約 6 個月，Itaú 選擇 Amazon SageMaker 作為靈活的雲端原生機器學習解決方案。Amazon SageMaker 服務可以透過全受管基礎設施、工具和工作流程，針對任何使用案例建置、訓練和部署機器學習模型。Itaú 資料科學總監 Vitor Azeka 表示：「我們使用 AWS 來轉換軟體和資料，並需要一個能夠在 AWS 上完美運作的解決方案。Amazon SageMaker 是不二選擇。」 截至 2024 年，該公司大約 60％ 的軟體和資料已經過現代化，可在雲端上執行。

Itaú 使用 AWS 為其資料科學家建置完整的解決方案。首先，使用 AWS Glue 收集資料，AWS Glue 是一項無伺服器資料整合服務，可讓您更輕鬆地探索、準備、移動和整合來自多個來源的資料，以進行分析、機器學習和應用程式開發。然後，這些資料就會用於在 Amazon SageMaker Studio 開始實驗。Itaú 將 Amazon SageMaker Studio 用作靈活的開發解決方案，讓內部資料科學家得以進行實驗。接下來，使用其他 Amazon SageMaker 工具 (例如端點、批次轉換和非同步推論) 部署機器學習模型。這家公司使用 Amazon CloudWatch 來監控模型，Amazon CloudWatch 可以在自動化儀表板中收集並視覺化近乎即時的日誌、指標和事件資料，以簡化基礎設施和應用程式維護工作。同時使用所有這些 AWS 服務，資料科學家就可以滿足其需求。

Itaú 於 2021 年 8 月使用 Amazon SageMaker Studio 作為整合開發環境，交付了第一個解決方案。截至 2023 年 4 月，該公司擁有超過 3,200 名 AWS 服務使用者，其中包括約 350 名資料科學家。

Itaú 部署機器學習模型不再需要等待。使用 Amazon SageMaker Studio，該公司在某些使用案例中將部署時間從 6 個月縮短至 3-5 天。部署時間的縮短可加快公司產品上市的速度。Nogare 表示：「使用 Amazon SageMaker Studio，我們可以很快地執行管道並向客戶交付解決方案，因此，我們可以提供更好的客戶體驗。」 與舊的內部部署基礎設施解決方案相比，這還能為 Itaú 節省成本。

自 2021 年 11 月以來，Itaú 每週與 AWS 團隊開會，針對架構、安全性和藍圖進行討論。Nogare 表示：「對於我們如今取得的成果，AWS Support 起到了非常重要的作用。每當我們遭遇解決方案或治理需求方面的問題，AWS 團隊都會給予我們協助。」 使用 Amazon SageMaker Studio 滿足了部分治理需求。當公司執行管道向使用者提供 Amazon SageMaker Studio 時，治理和安全性問題早已解決。

解決方案的標準化意味著 Itaú 可以更輕鬆地納入新員工，並將資料科學家從一個部門轉換到另一個部門。更新變得更簡單，因為一切都是以虛擬的方式進行，而公司不再依賴實體機器。使用 AWS 整合資料科學家的管道，如此就可以在相同的資料管道中部署和監控機器學習模型。這進一步提高了資料科學家的效率。

Itaú 傑出資料科學家 Rodrigo Fernandes Mello 表示：「最終，我們就可以縮短交付時間、改善標準化和整合情況，而且還可以使用 AWS 持續進行改善。」