Rio Tinto, operasyonları genelinde yeni makine öğrenimi modelleri sunmak için çalışan ekiplerin perde arkasındaki karmaşıklığı ortadan kaldırmak için çalışıyor.
(LR) Rio Tinto’dan Marcus Rosen ve AWS’den Romina Sharifpour.
Makine öğrenimi operasyonları sorumlusu Marcus Rosen, bu yılın başlarında AWS Zirvesi Sidney’de yaptığı açıklamada, madencinin yeni ML modellerini sunmak ve dağıtmak için yolları standartlaştırmak amacıyla MLOps’u benimsediğini söyledi.
Rosen, “Ekibimin temel misyonu, veri bilimi ekiplerimizin teslimat deneyimlerini optimize ederek hayatlarını kolaylaştırmak ve altyapı ve güvenlik sorunlarıyla fazla uğraşmamalarını sağlamaktır” dedi.
“Bunu, doğrudan bu ekiplerle ve siber güvenlik ekibimizle çalışarak güvenli ancak esnek bir teslimat ortamı oluşturarak yapıyoruz.”
Rosen, Rio Tinto’nun yedi yıl önce, iş kollarımız ve ürün gruplarımız genelinde çalışarak makine öğrenimi çözümleri sunmalarına yardımcı olmak için merkezi ve “özel bir makine öğrenimi yeteneği” kurmak amacıyla stratejik bir adım attığını söyledi.
Veri bilimcileri ve ‘vatandaş’ veri kullanıcıları, madencinin alüminyum operasyonları için çoğunlukla Brisbane’de, demir cevheri işletmesi için Perth’de, ticari işletmesi için Singapur’da ve Kanada’nın Montreal kentinde bulunuyor.
Rosen, “Ayrıca son birkaç yıldır Hindistan’da üretimsel makine öğrenimi çözümleriyle ilgilenecek uzman bir ekip kurduk” dedi.
Amazon SageMaker’daki araç ve makine öğrenimi ortamları, iş ve ürün alanlarında veri bilimcileri, mühendisler ve ‘vatandaş’ kullanıcıları destekliyor.
Madenci, hem SageMaker Studio’yu hem de SageMaker Canvas’ı kullanıyor. İkincisi, ‘vatandaş veri bilimcileri’ ve teknik olmayan kullanıcıların makine öğrenimi modelleri oluşturmasına olanak tanıyan ‘kodsuz’ bir araç.
Rosen, “Rio Tinto genelinde makine öğrenimini giderek daha fazla ölçeklendirdikçe, modelleri sunmak ve dağıtmak için daha standart bir yaklaşıma, dolayısıyla makine öğrenimi operasyonlarına veya MLOps’a ihtiyacımız var” dedi.
SageMaker’daki MLOps, “makine öğrenimi yaşam döngüsü boyunca süreçleri otomatikleştirmenin ve standartlaştırmanın” bir yolu olarak ele alınır.
“Veri bilimi ekibinin altyapı sorunlarına gerçek zamanlı olarak zaman harcamasına gerek olmaması gerektiği görüşündeyiz” dedi.
“Sadece bir yere girebilmeli [SageMaker] “Defterlerini hazırlayıp ihtiyaç duydukları şeyleri kuruyorlar, vb., bu yüzden ekiplerimiz için bunu mümkün kılmak amacıyla perde arkasında yoğun bir şekilde çalışıyoruz.”
Perde arkasında yapılan çalışmaların bir kısmı, hem kurum genelinde hem de internet üzerinden veri kümelerine erişimi iyileştirmeyi amaçlıyor.
“İyi verileriniz yoksa, iyi makine öğrenimi modelleri oluşturamazsınız” dedi.
“[But] verilere erişim zor olabilir. Şu anda birden fazla veri gölümüz var… [and] Bir diğer zorluk da ağ oluşturma etrafında olabilir. Tüm üretim hesaplarımız tamamen hava boşluğuna sahiptir, varsayılan olarak internet erişimleri yoktur ve herhangi bir internet erişimi veya hesabın dışındaki herhangi bir gerçek erişimin merkezi bir güvenlik duvarı aracılığıyla beyaz listeye alınması gerekir.
“Bazı ekiplerin internet tabanlı veri kümelerine erişmesi gerekiyor; örneğin, veri göllerimizden birine taşımak için çok büyük olan uydu veri kümeleri. Bu nedenle, bu erişimi zamanında sağlayabilmemiz gerekiyor.”
Rosen, ekiplerin “kendi kendilerine hizmet vermelerini ve kendi veri kümelerini daha çok bir tür veri ağı türü yaklaşımla yayınlamalarını” sağlayacak “çoklu bulut veri gölü platformu” üzerinde çalışmaların sürdüğünü söyledi.
Bir veri ağında, veri kümeleri bir ekibin sahip olduğu ve düzenlediği, aynı zamanda erişimini de denetleyen ‘ürünler’ olarak ele alınır.
Rosen, madencinin AWS bulut ortamlarında depolanan verilere erişmek için AWS PrivateLinks’i yoğun olarak kullandığını söyledi.
Ayrıca, verilere erişimleri örneğin güvenlik duvarı değişiklikleri gerektirebilecek ekipler için güvenlik ve veri erişiminin bazı yönlerini daha kolay ve otomatik hale getirmek için de çalışmalar yürütülüyor.
Rosen, “Son olarak, SageMaker Studio ve Canvas üzerinde makine öğrenimi ortamlarımızı önceden yapılandırmak için perde arkasında yoğun bir şekilde çalışıyoruz” dedi.
Rosen, makine öğreniminin fark yarattığı üç operasyonel alanı sıraladı.
Bir alan, cevheri ocaktan limana taşımak için kullanılan madencinin özel demir yolu ağında yapılan kestirimci bakımdır.
“Hat üzerindeki herhangi bir kesinti bize maddi cezalar olarak çok paraya mal olabilir, bu yüzden [an ML] Rosen, “Model kayan pencere temelinde çalışıyor ve pistin belirli bir bölümünde bakım yapılması gerekip gerekmediğini, bunun da gecikmelere yol açabileceğini yaklaşık yedi hafta önceden tahmin edebiliyor” dedi.
“Bu bilgiler el altında olduğunda, planlama ekibi ya pistin o kısmına göre planlama yapabilir ya da sorun ortaya çıkmadan önce sorunu çözebilir.”
Diğer ML modelleri sağlık ve güvenlikte kullanılır. Örneğin, Kanada’da bir model “endüstriyel bir eritme ocağında su sızıntısı olma olasılığını” öngörür.
“Eğer bir endüstriyel izabe tesisine su damlarsa, son derece patlayıcı olan hidrojen gazı birikmesine neden olabilir” dedi ve bunun potansiyel olarak can kaybına, ekipman hasarına ve tesisin kapanmasına yol açabileceğini ekledi.
“Bu model saatlik olarak çalışıyor ve tesisin risk yönetim sürecine aktarılan bir risk derecesi üretiyor.”
Makine öğrenmesinin üçüncü kullanım alanı yaşam alanı yönetimidir.
Rosen, “Büyük bir madenci olarak maden sahalarımıza ilişkin ekolojik sorumluluğumuzu son derece ciddiye alıyoruz” dedi.
“Bu alanların etrafındaki hayvan yaşam alanlarını tanımak ve yönetmek için makine öğrenimini kullanıyoruz.
“[This] Daha sonra bu bilgiler, yaşam alanlarının rahatsız edilmesini önlemek için madenin planlama sürecine dahil ediliyor.”
Ry Crozier, AWS’nin konuğu olarak AWS Summit Sydney’e katıldı.