بازیابی کارآمدتر و قابل اعتمادتر از داده های توزیع شده

رویکرد "هر زمان پرس و جو" با منابع موجود سازگار است.

انتشارات مرتبط

• رتبه بندی هر زمان در فهرست های مرتب شده بر اساس اسناد

مخازن داده های آنلاین بزرگ مانند فروشگاه آمازون در بین بانک های عظیم سرورها توزیع شده اند و بازیابی داده ها از آن مخازن باید برای ارائه یک تجربه خوب برای مشتری کارآمد باشد. معمولاً یک قرارداد سطح سرویس (SLA) برقرار است، که معمولاً الزام می کند که به بخشی از سؤالات (مثلاً 95٪) باید در محدوده زمانی تعیین شده (مثلاً 150 میلی ثانیه) پاسخ داده شود.

تصویری از رویکرد استاندارد برای خوشه بندی داده ها، با محتوای مرتبط با گربه که تنها در دو سرور خوشه بندی شده است.

یکی از راه های بهبود کارایی، خوشه بندی محتوای مرتبط با هم در تعداد انگشت شماری از سرورها است، که مقدار داده هایی را که الگوریتم های بازیابی اطلاعات باید در نظر بگیرند محدود می کند.

اما اگر کاربران به اندازه کافی سعی در دسترسی به داده های مشابه داشته باشند، نتیجه ممکن است عدم تعادل بار در استفاده از سیستم و در نتیجه نقض SLA باشد.

در مقاله ای که در ژورنال ACM Transactions on Information Systems (TOIS) منتشر می کنیم، من و همکارانم در دانشگاه ملبورن یک روش پردازش پرس و جو جدید ارائه می کنیم که با توزیع یکنواخت تر داده ها از چنین عدم تعادلی جلوگیری می کند، اما همچنان مقدار آن را محدود می کند. داده هایی که باید در نظر گرفته شوند.

علاوه بر این، روش ما یک روش پرس و جو در هر زمان است، به این معنی که به صورت پویا با تغییر تقاضای کاربر تنظیم می شود و حداقل برخی از نتایج را زمانی که پهنای باند و چرخه های پردازش کمیاب هستند ارائه می دهد، اما کیفیت نتایج را مطابق با منابع موجود بهبود می بخشد. این تضمین می کند که SLA ها برآورده می شوند و در عین حال استفاده از منابع را به حداقل می رساند.

در آزمایش هایی که شامل مجموعه اسناد استاندارد ClueWeb09B و پرس و جوهایی از مسیر میلیون پرس وجو TREC بود، رویکرد ما از یک سری خطوط پایه از نظر کیفیت نتیجه پرس وجو، نسبت به پردازش جامع پرس وجو، بهتر عمل کرد و نشان داد که می تواند SLAهای تأخیر دقیق را در سند بزرگ برآورده کند. مجموعه ها.

رتبه بندی بر اساس جستجوی انتخابی در هر زمان

برای حفظ منابع، روش های جستجوی انتخابی پرس و جوها را به بخش هایی از فهرست که حاوی اسناد مرتبط با موضوع هستند، هدف قرار می دهند.

بیشتر روشهای انتخابی ، کلیه اسناد مرتبط با موضعی را به یک گره سرور واحد توزیع می کنند. در مقابل ، روش ما بخشی از هر موضوع را به هر گره توزیع می کند. این توزیع یکنواخت اسناد دارای مزایای متعادل کننده بار است و در عین حال سیستم توزیع شده کلی را ساده می کند.

یک قسمت از داده ها به قسمتهای مختلف تقسیم می شوند که در گره های سرور توزیع می شوند. در هر قسمت ، داده ها طبق موضوع خوشه بندی شده اند. الگوریتم جدید داده های موجود در هر موضوع را با توجه به طبقه بندی ریز دانه (شیب رنگ) دوباره تغییر می دهد ، و سپس مباحث برای نمایه سازی کارآمد جمع می شوند.

در هر گره ، ما یک خوشه بندی ریز ریز از اسناد را در هر قسمت موضعی انجام می دهیم. دسته بندی های خوشه ای به طور خودکار تعیین می شوند ، اما در موضوع "هدفون" ، به عنوان مثال ، الگوریتم ما ممکن است اسناد خوشه ای مربوط به هدفون های سر و صدا ، هدفون های بی سیم و غیره را انجام دهد.

در هر موضوع ، ما اسناد را با توجه به این خوشه بندی ریز ریز تنظیم می کنیم ، و بازیابی هدفمندتر و در نتیجه کارآمدتر را امکان پذیر می کنیم. ما جزئیات این روش را در مقاله خود "فهرست سریعتر با تقسیم بندی نمودار دو طرفه" ، که در جلسه امسال گروه علاقه ویژه ACM در مورد بازیابی اطلاعات (SIGIR) ارائه دادیم ، شرح می دهیم.

پردازش پرس و جو در هر زمان

خوشه بندی ریز دانه در گره ها به ما امکان می دهد آستانه های مختلف ارتباط را برای خوشه های موضوعی مختلف ایجاد کنیم ، و در هر زمان پردازش پرس و جو را امکان پذیر می کنیم. بر اساس پرس و جو ، الگوریتم ما ترتیب بازدید از خوشه های موجود در هر موضوع را تعیین می کند. اگر هیچ داده ای در داخل خوشه از آستانه یک پرس و جو معین عبور نکند ، خوشه کاملاً دور می زند.

در مثال زیر ، هدف بازیابی نقاط داده صورتی است. در نمودار سمت چپ ، الگوریتم ما تعیین می کند که ابتدا از خوشه دوم غنی از داده بازدید کند و فقط در صورت اجازه به خوشه سوم پراکنده ادامه یابد. اولین خوشه کاملاً پرش می شود ، زیرا آستانه نمره فعلی (خط آبی) بالاتر از آستانه ارتباط خوشه ای (خط قرمز) است. نمودار سمت راست یک الگوریتم بازیابی اطلاعات متعارف تر را نشان می دهد ، که باید از طریق تمام اسناد موجود در گره به ترتیب ثابت کار کند.

روش هر زمان که زمان می تواند خوشه های موضوع کمتری را دور بزند (مانند خوشه 1 ، در سمت چپ) ، و باعث بهبود کارایی بازیابی اطلاعات می شود. یک روش بازیابی متعارف (سمت راست) باید از طریق تمام اسناد به ترتیب ثابت کار کند.

در آزمایشات ، ما روش خوشه بندی خود را ، هنگامی که در رابطه با دو الگوریتم بازیابی اطلاعات استاندارد (VBMW و MaxScore در شکل زیر) استفاده می کنیم ، با یک روش موجود در هر زمان (JAS) استفاده کردیم. ما همچنین آن را با یک مدل Oracle مقایسه کردیم ، که دقیقاً خوشه های موضوع مناسب را دقیقاً به ترتیب مناسب بررسی می کند و یک عملکرد بالایی را ایجاد می کند.

این نمودارها عملکرد دو الگوریتم بازیابی اطلاعات استاندارد (VBMW و MAXSCORE) را با استفاده از روش بازیابی محققان با روشهای اوراکل و یک روش موجود در هر زمان (JAS) مقایسه می کنند.

برای ارزیابی روشها ، ما از همپوشانی با رتبه مغرضانه (RBO) استفاده کردیم ، که نشان می دهد درصد از نتایج K (K = 10 و 1000 در نمودارهای زیر) الگوریتم به ترتیب مناسب باز می گردد. نمره 1. 0 نشانگر سفارش بهینه است. همانطور که در نمودار زیر مشاهده می شود ، روش خوشه بندی ما الگوریتم را قادر می سازد تا در سفارش بهینه تر از روشهای موجود همگرایی کند.

به طور کلی ، آزمایش های ما نشان داد که طرح پیشنهادی و پردازش پرس و جو پیشنهادی ما ، پیروی از SLA های با تأخیر دقیق را که در سیستم های بازیابی اطلاعات در مقیاس بزرگ استاندارد هستند ، ضمن ارائه معاملات ریز و درشت بین تأخیر و کیفیت نتیجه پرس و جو ، امکان پذیر می کند.

• جستجو و بازیابی اطلاعات

• محاسبات توزیع شده
• پارتیشیه پایگاه داده

انتشارات مرتبط

• رتبه بندی هر زمان در فهرست های مرتب شده بر اساس اسناد

محتوای مرتبط

Fifth Challenge عناصر جدیدی را اضافه می کند و چهار رقبای جدید را برای کمک هزینه تحقیقاتی 1 میلیون دلاری ارائه می دهد.

حسن نیت ارائه دهنده interspeech

Ariadna Sanchez ، دانشمندی که در متن Polyglot به گفتار کار می کند ، برای کمک به یافتن راه حل های جدید ، از پیشینه موسیقی خود استفاده می کند.

با ما همکاری کنید

آیا از اختراع الهام گرفته اید؟آیا حل مشکل از طریق کار گروهی در DNA شما وجود دارد؟آیا این ایده را دوست دارید که ببینید کار شما چگونه بر تصویر بزرگتر تأثیر می گذارد؟به هر یک از اینها پاسخ مثبت دهید و دقیقاً در اینجا در Amazon Robotics جا می شوید. ما یک تیم هوشمند از انجام دهندگان هستیم که مشتاقانه برای به کارگیری پیشرفت های پیشرفته در رباتیک و نرم افزار برای حل چالش های دنیای واقعی کار می کنیم که تجربیات مشتریان ما را به گونه ای تغییر می دهد که ما حتی نمی توانیم تصور کنیم. ما هر روز پیشرفت های جدیدی را ابداع می کنیم. ما آمازون رباتیک هستیم و ابزارها و پشتیبانی لازم برای اختراع با ما را به روش هایی مفید، رضایت بخش و سرگرم کننده در اختیار شما قرار می دهیم. Amazon Robotics به دنبال کارآموزان و همکارانی است که علاقه مند به تحقیقات رباتیک هستند تا روی الگوریتم های پیشرفته برای روباتیک کار کنند. تیم ما روی پروژه های چالش برانگیز و پرتأثیر کار می کند، از جمله تخصیص منابع برای تکمیل یک میلیون سفارش در روز، هماهنگی حرکت هزاران ربات، ناوبری مستقل در انبارها، شناسایی اشیاء و آسیب ها، و یادگیری نحوه درک همه محصولاتی که آمازون می فروشد.. ما به دنبال کاندیداهای کارآموزی با پیشینه در بینایی کامپیوتر، یادگیری ماشین، تخصیص منابع، بهینه سازی گسسته، جستجو، و برنامه ریزی/برنامه ریزی هستیم. شما از نظر فکری به چالش خواهید کشید و در حالی که در آن هستید اوقات خوبی را سپری خواهید کرد! لطفاً توجه داشته باشید که با درخواست برای این نقش، شما برای نقش های کارآموز تابستانی، همکاری بهار و پاییز در تیم های مختلف آمازون رباتیک در نظر گرفته می شوید. این تیم ها بر روی تحقیقات رباتیک در زمینه هایی مانند بینایی کامپیوتر، یادگیری ماشین، دستکاری رباتیک، ناوبری، برنامه ریزی مسیر، ادراک، هوش مصنوعی، تعامل انسان و ربات، بهینه سازی و غیره کار می کنند.

اقتصاددانان آمازون با مدیریت ارشد، سهامداران تجاری، دانشمندان و مهندسان، و رهبری اقتصاددان برای حل مشکلات کلیدی تجاری از جمله خدمات وب آمازون، Kindle، Prime، برنامه ریزی موجودی، خرده فروشی بین المللی، بازرگانان شخص ثالث، جستجو، قیمت گذاری، نیروی کار وبرنامه ریزی اشتغال، مزایای موثر (سلامت، بازنشستگی، و غیره) و فراتر از آن. اقتصاددانان آمازون مدل های اقتصادسنجی را با استفاده از سیستم های داده کلاس جهانی ما می سازند و رویکردهایی را از مجموعه مهارت های مختلف به کار می برند - سری های کلان/زمانی کاربردی، خرد کاربردی، نظریه اقتصادسنجی، IO تجربی، بهداشت تجربی، کار، اقتصاد عمومی و زمینه های مرتبط، همگی مجموعه های مهارتی بسیار ارزشمندی هستند. در آمازونشما در یک محیط متحرک سریع برای حل مشکلات تجاری به عنوان عضوی از یک تیم متقابل که در یک واحد تجاری یا یک سازمان مرکزی علم و اقتصاد کار می کنید، کار خواهید کرد. از شما انتظار می رود تکنیک هایی را توسعه دهید که اقتصاد سنجی را در مجموعه داده های بزرگ اعمال می کند، به مشکلات کمی رسیدگی می کند و به طراحی سیستم های خودکار در اطراف شرکت کمک می کند.

آیا شما یک دانشجوی دکترا یا دکترا هستید که علاقه مند به کارآموزی علوم تحقیقاتی 2023 هستید ، جایی که می توانید از تجربه خود برای شروع طراحی ، توسعه ، اجرای و اجرای پروژه های تحقیقاتی علمی استفاده کنید؟اگر به طرز ناچیزی کنجکاو هستید و همیشه می خواهید اطلاعات بیشتری کسب کنید ، پس به جای مناسب آمده اید. بسته به موقعیت مکانی ، کشور ، وضعیت شغلی و سایر الزامات شما ، برخی یا تمام مزایای زیر ممکن است به عنوان کارورز در دسترس شما باشد.* پرداخت رقابتی * پروژه تأثیرگذار و کارآموزی/تحویل نقش * کار ترکیبی (وابسته به تیم) * فرصت های شبکه با کارآموزان دیگر * رویدادهای کارآموزی مانند سری بلندگوها ، پانل های کارآموز ، جلسات اصول رهبری ، جلسات مهارت نوشتن آمازون.* مربیگری و پیشرفت شغلی اگر این شما را توصیف می کند ، به تیم های تحقیقاتی ما در آمازون بپیوندید. ما به دنبال دانشجویان با انگیزه با علایق تحقیق در انواع حوزه های علمی هستیم تا راه حل های پیشرفته ای را برای مشکلات قبل از حل نشده ایجاد کنیم. اگر در دوران کارآموزی موفق باشید ، می توانید پس از اتمام تاریخ تحصیلات دانشگاهی خود ، در طول سال ، به دلیل نقش تحصیلات تکمیلی در نظر گرفته شوید. طول کارآموزی می تواند بین 3 تا 6 ماه برای تمام وقت و 6 - 12 ماه برای پاره وقت متفاوت باشد. مسئولیت های کلیدی شغلی * همکاری نزدیک با دانشمندان و تیم های مهندسی (وابسته به موقعیت) * در یک تیم بین رشته ای در تحقیقات وسواس مشتری کار کنید * طراحی الگوریتم ها ، مدل ها یا سایر راه حل های فنی * فرهنگ مشتری متمرکز آمازون را تجربه کنید

آیا تا به حال فکر کرده اید که چگونه آمازون صدها میلیون بسته را به موقع و قابل اعتماد به درب منزل تحویل می دهد؟آیا به داده ها و ریاضیات علاقه دارید و امیدوارید که بر تجربه میلیون ها مشتری تأثیر بگذارید؟آیا در طراحی راه حل های الگوریتمی ساده برای مسائل بسیار چالش برانگیز وسواس دارید؟اگر چنین است، ما مشتاقانه منتظر شنیدن نظرات شما هستیم! خدمات حمل و نقل آمازون به دنبال یک دانشمند فوق دکترا با پیشینه تحقیق در عملیات یا ریاضیات کاربردی است تا به تیم ما در مقر اتحادیه اروپا در لوکزامبورگ بپیوندد و برای یک موقعیت تحقیقاتی تمام وقت یک سال به علاوه یک سال بپیوندد. به عنوان یکی از اعضای کلیدی تیم علمی تحقیقاتی اتحادیه اروپا، این فرد مسئول طراحی و پیاده سازی فراتر از چارچوب های الگوریتمی پیشرفته است که شبکه حمل ونقل آمازون را بهینه می کند. متقاضی موفق اطمینان حاصل می کند که استراتژی های سرتاسر ما از نظر برآورده کردن تقاضای مشتری، مسیریابی، مکان های تلفیق، گزینه های حمل و نقل هوایی/هوایی/دریایی و حمل و نقل آخرین مایل ساده و بهینه شده است. مسئولیت های شغلی کلیدی در این نقش شما:با یک مشاور ارشد علمی همکاری نزدیک داشته باشید، با دانشمندان و مهندسان دیگر همکاری کنید و بخشی از جامعه علمی جهانی پر جنب و جوش و متنوع آمازون باشید.• نوآوری خود را در مکان های دانشگاهی سطح بالا منتشر کنید و مهارت های ارائه خود را تقویت کنید.• از چالش ها و فرصت ها برای ابداع تکنیک های پیشرفته در حوزه(های) تخصص خود الهام بگیرید.

آیا شما یک دانشمند پرشور در منطقه دید کامپیوتر هستید که آرزو می کنید مهارت های خود را برای به دست آوردن ارزش میلیون ها مشتری به کار بگیرید؟در اینجا در رینگ ، ما یک امکان منحصر به فرد برای نوآوری و دیدن چگونگی نتایج کار ما زندگی میلیون ها نفر را بهبود می بخشیم و محله ها را ایمن تر می کنیم. شما بخشی از تیمی خواهید بود که متعهد به پیشبرد مرزهای دید رایانه و فناوری یادگیری ماشین برای ارائه بهترین تجربه برای همسایگان خود باشید. این یک فرصت عالی برای شما برای نوآوری در این فضا با توسعه الگوریتم های بسیار بهینه شده است که در مقیاس کار می کنند. این موقعیت نیاز به تجربه در توسعه الگوریتم های دید رایانه ای کارآمد در سیستم عامل های محاسباتی با منابع محدود در Edge دارد. شما با تیم های مختلف آمازون همکاری خواهید کرد تا در مورد بهترین شیوه ها در یادگیری ماشین تصمیمات آگاهانه تهیه کنید تا سیستم عامل های سخت افزاری و نرم افزاری یکپارچه بسیار بهینه شده را بسازید. مسئولیت های کلیدی شغلی * تحقیق و اجرای الگوریتم های پیشرفته ترین چشم انداز رایانه و الگوریتم های فیوژن برای سیستم عامل های محاسباتی محدود شده در منابع در مقیاس بزرگ.* همکاری با مدیران محصول و تیم های مهندسی برای طراحی و اجرای ویژگی های مبتنی بر یادگیری رایانه و یادگیری ماشین برای دستگاه های حلقه * با تصمیم گیری آگاهانه در مورد انتخاب فناوری ، منابع داده ، الگوریتم ها و سنسورها ، طراحی سیستم و چشم انداز محصول را تحت تأثیر قرار می دهد.

دوره های کارآموزی آمازون به صورت تمام وقت (40 ساعت در هفته) به مدت 12 هفته متوالی با تاریخ شروع در ماه می - ژوئیه 2023 است. برنامه کارآموزی ما برای دانشجویانی که علاقه مند به حرفه ای در مهندسی سخت افزار هستند، تجربیات عملی و یادگیری را ارائه می دهد. این نقش در سیاتل مستقر خواهد شد و نامزدها باید مایل به کار حضوری باشند. پروژه های شرکتی (CPT) تیمی است که در سازمان توسعه شرکتی گسترده تر در آمازون قرار دارد. ما به دنبال این هستیم که پروژه های استراتژیک و جدید را با همکاری مشترک با مشتریان و پروژه های در حال تکامل از ZERO-to-ONE زنده کنیم. برای انجام این کار، ما منابع خود را برای اثبات مفهوم (POCs) و برنامه های آزمایشی مستقر می کنیم و آنها را از ایده های سطح بالا (صفر) تا نتایج ملموس کوتاه مدت توسعه می دهیم که سیگنال اعتبارسنجی و مسیری به مقیاس (ONE) ارائه می کنند.). ما با مشتریان خود کار می کنیم تا با جست و جوی بی وقفه تمام آمازون و یافتن راه های جدید و نوآورانه برای تقویت و/یا تسریع Flywheel آمازون، فرصت های خالص جدید را ایجاد و توسعه دهیم. CPT به دنبال یک کارآموز علوم کاربردی است تا با یک تیم متنوع و متقابل کار کند تا تجربیات مشتری جدید و نوآورانه ایجاد کند. در CPT، شما هر دو روش علمی سنتی و جدید را برای حل و مقیاس کردن مشکلات و راه حل ها اعمال خواهید کرد. ما تیمی هستیم که در آن علم با کاربرد روبرو می شود. یک کاندیدای موفق، فردی مبتکر خواهد بود که با ابهام، توجه شدید به جزئیات، و توانایی کار در محیطی سریع و همیشه در حال تغییر راحت باشد. به عنوان یک کارآموز علوم کاربردی، شما صاحب طراحی و توسعه سیستم های سرتاسری خواهید شد. شما این فرصت را خواهید داشت که نقشه های راه فنی ایجاد کنید و پروژه های سطح تولید را که از علم آمازون پشتیبانی می کنند را هدایت کنید. شما از نزدیک با دانشمندان آمازون و سایر کارآموزان علمی برای توسعه راه حل ها و به کارگیری آنها در تولید کار خواهید کرد. دانشمند ایده آل باید توانایی کار با گروه های مختلف مردم و تیم های متقابل را برای حل مشکلات پیچیده تجاری داشته باشد.

چندین موقعیت در دسترس شرکت: Amazon.com Services LLC عنوان موقعیت: Data Scientist I محل سکونت: شیکاگو ، ایلینویز مسئولیت موقعیت: ایجاد اطلاعات اصلی ، بینش ها و الگوریتم هایی که از استراتژی های خرید املاک و مستغلات برای فروشگاه های فیزیکی آمازون پشتیبانی می کنند. مشکلات پیچیده و پیچیده مانند پیش بینی مکان بهینه برای فروشگاه های جدید آمازون با جمع آوری دارایی های بیشمار داده و استفاده از راه حل های مدل سازی بهترین کلاس برای استخراج بیشترین اطلاعات از آنها. با ذینفعان مشاغل ، مهندسان توسعه نرم افزار و سایر دانشمندان داده در تیم های مختلف همکاری کنید تا راه حل های نوآورانه را در مقیاس گسترده تهیه کنید. Amazon.com یک کارفرمای اقدام با تأیید فرصت برابر است-اقلیت / زن / معلولیت / جانباز / هویت جنسیتی / گرایش جنسی #0000 < SPAN> موقعیت های متعدد شرکت موجود: Amazon.com Services LLC عنوان موقعیت: Data Scientist مکان: شیکاگو ،مسئولیت های موقعیت ایلینویز: اطلاعات اصلی ، بینش ها و الگوریتم هایی را ایجاد کنید که از استراتژی های دستیابی به املاک و مستغلات برای فروشگاه های فیزیکی آمازون پشتیبانی می کنند. مشکلات پیچیده و پیچیده مانند پیش بینی مکان بهینه برای فروشگاه های جدید آمازون با جمع آوری دارایی های بیشمار داده و استفاده از راه حل های مدل سازی بهترین کلاس برای استخراج بیشترین اطلاعات از آنها. با ذینفعان مشاغل ، مهندسان توسعه نرم افزار و سایر دانشمندان داده در تیم های مختلف همکاری کنید تا راه حل های نوآورانه را در مقیاس گسترده تهیه کنید. Amazon.com یک کارفرمای عمل یکسان است-اقلیت / زن / معلولیت / جانباز / هویت جنسیتی / گرایش جنسی #0000 موقعیت های موجود در شرکت موجود: Amazon.com Services LLC عنوان موقعیت: داده های دانشمند I: شیکاگو ، ایلینویز مسئولیت موقعیت:اطلاعات اصلی ، بینش ها و الگوریتم هایی را که از استراتژی های دستیابی به املاک و مستغلات برای فروشگاه های فیزیکی آمازون پشتیبانی می کنند ، بسازید. مشکلات پیچیده و پیچیده مانند پیش بینی مکان بهینه برای فروشگاه های جدید آمازون با جمع آوری دارایی های بیشمار داده و استفاده از راه حل های مدل سازی بهترین کلاس برای استخراج بیشترین اطلاعات از آنها. با ذینفعان مشاغل ، مهندسان توسعه نرم افزار و سایر دانشمندان داده در تیم های مختلف همکاری کنید تا راه حل های نوآورانه را در مقیاس گسترده تهیه کنید. Amazon.com یک کارفرمای اقدام با تأیید فرصت برابر است-اقلیت / زن / معلولیت / جانباز / هویت جنسیتی / گرایش جنسی #0000

کارفرما: Amazon.com Services LLC موقعیت: دانشمند تحقیق II مکان: Bellevue ، WA چندین موقعیت در دسترس 1. تحقیق ، ساخت و پیاده سازی روشهای بسیار مؤثر و نوآورانه در مدل سازی آماری ، یادگیری ماشین و سایر تکنیک های کمی مانند تحقیقات عملیاتی و بهینه سازیالگوریتم هایی را که مشکلات تجاری واقعی را حل می کنند ارائه دهید. 2. برای دامنه و برنامه ریزی پروژه های تحقیقاتی بر اساس نقشه راه صاحبان مشاغل و فعال کردن راه حل های مبتنی بر داده ، ابتکار عمل کنید. در شکل دادن به نقشه راه برای تیم تحقیق شرکت کنید. 3. از کیفیت داده ها در تمام مراحل دستیابی و پردازش داده ها ، از جمله مناطقی مانند منابع/جمع آوری داده ها ، تولید حقیقت زمین ، تجزیه و تحلیل داده ها ، آزمایش ، ارزیابی و تجسم و غیره اطمینان حاصل کنید. واقعیت تجاری در پشت داده های در مقیاس بزرگ و توسعه راه حل های علمی معنی دار. 5- از نزدیک با صاحبان محصول یا/و برنامه ها و همچنین دانشمندان و مهندسان تیم های متقابل با مسیری روشن برای تأثیر تجاری و ارائه پروژه های خواستار همکاری کنید. 6. ارائه پیشنهادات و نتایج به روش روشنی که توسط داده ها پشتیبانی می شود و همراه با نتیجه گیری برای مشتریان تجاری و تیم رهبری با سطوح مختلف دانش فنی ، آموزش آنها در مورد سیستم های اساسی و همچنین به اشتراک گذاری بینش است. 7. برای اعتبار سنجی موارد اضافی مطابق درخواست تیم های متخصص دامنه ، آزمایشاتی را انجام دهید. 8- برخی از مزایای ارتباط از راه دور موجود. دامنه پرداخت این موقعیت در Bellevue ، WA 136،000-184،000 دلار (سال) است. با این حال ، پرداخت پایه ارائه شده ممکن است بسته به دانش ، مهارت ها و تجربه مرتبط با شغل متفاوت باشد. علاوه بر طیف گسترده ای از مزایای پزشکی ، مالی و یا سایر مزایای دیگر ، ممکن است به عنوان بخشی از بسته جبران خسارت ، به عنوان بخشی از بسته جبران خسارت نیز ارائه شود. این اطلاعات توسط قانون پرداخت مساوی واشنگتن ارائه شده است. اطلاعات پرداخت پایه مبتنی بر مکان بازار است. متقاضیان باید از طریق سایت مشاغل داخلی یا خارجی آمازون اقدام کنند.#0000

کارفرما: Amazon.com Services LLC موقعیت: Data Scientist II مکان: Arlington ، VA موقعیت های مختلف در دسترس 1. مدیریت و اجرای کل پروژه ها یا مؤلفه های پروژه های بزرگ از ابتدا تا پایان از جمله جمع آوری داده ها و دستکاری ، سنتز و مدل سازی ، حل مسئله و حل مسئلهارتباط بینش و توصیه ها. 2. نظارت بر توسعه و اجرای ادغام داده ها و استراتژی های تحلیلی برای حمایت از ابتکارات بهداشت جمعیت. 3. از داده های بزرگ برای کشف و معرفی زمینه های تجزیه و تحلیل و فناوری استفاده کنید. 4- تجزیه و تحلیل داده ها برای شناسایی فرصت های تأثیرگذاری بر جمعیت. 5- تخصص گزارشگری جامع ، مشاوره و تحلیلی جامع پیشرفته را برای ارائه داده های بهداشتی و استفاده از مراقبت های بهداشتی و ترجمه یافته ها به اطلاعات عملی برای ذینفعان داخلی و خارجی انجام دهید. 6. نظارت بر جمع آوری داده ها ، اطمینان از برآورده شدن جدول زمانی ، داده ها دقیق و در قالب تعیین شده است. 7. به عنوان یک داده و منبع فنی و نقطه تشدید برای مسائل مربوط به داده ها عمل کنید ، و اطمینان حاصل کنید که آنها به وضوح ارائه می شوند. 8- به عنوان کارشناس موضوع در مورد مزایای مراقبت های بهداشتی مدل سازی داده ها ، معماری سیستم ، مدیریت داده ها و ابزارهای اطلاعات کسب و کار خدمت کنید.#0000

کارفرما: Amazon.com Services LLC موقعیت: Data Scientist II (موقعیت های متعدد در دسترس) مکان: Dallas ، TX موقعیت های متعدد در دسترس: 1. به مشتریان کمک کنید تا پروژه های یادگیری ماشین (ML) و Deep Leaing (DL) را از ابتدا تا انتها ارائه دهند. جمع آوری داده ها ، کاوش داده ها ، ساخت و اعتبار سنجی مدلهای پیش بینی و استقرار مدل های تکمیل شده برای ارائه تأثیر تجاری به سازمان. 2. درک نیازهای کسب و کار مشتری را به کار بگیرید و آنها را با استفاده از خدمات AWS AI ، سیستم عامل های AWS AI ، چارچوب های AWS AI و AWS AI EC2 به راه حل هدایت کنید. 3. از چارچوب های یادگیری عمیق مانند MXNET ، PYTORCH ، CAFFE 2 ، TENSORFLOW ، THEANO ، CNTK و KERA استفاده کنید تا به مشتریان خود در ساخت مدل های DL کمک کنید. 4- تحقیق ، طراحی ، پیاده سازی و ارزیابی الگوریتم های جدید چشم انداز رایانه و الگوریتم های ML/DL ؛5- برای تجزیه و تحلیل ، استخراج ، عادی سازی و برچسب داده های مربوطه با معماران و مهندسان داده کار کنید. 6. با مهندسان DevOps کار کنید تا به مشتریان کمک کنید تا مدل ها را پس از ساخت آنها عملیاتی کنند. 7. به مشتریان در شناسایی مدل های رانش مدل و بازآموزی کمک کنید. 8. تحقیق و اجرای رویکردهای جدید ML و DL ، از جمله استفاده از FPGA. 9. روش ها و الگوریتم های یادگیری رایانه و یادگیری ماشین را برای پرداختن به موارد استفاده از مشتری در دنیای واقعی توسعه دهید. و 10. آزمایش و اجرای آزمایشات ، تحقیق در مورد الگوریتم های جدید ، و همکاری نزدیک با مهندسان برای قرار دادن الگوریتم ها و مدل ها به منظور کمک به حل چالش برانگیزترین مشکلات مشتریان. 11. تقریباً 15 ٪ سفرهای داخلی و بین المللی مورد نیاز است. 12. مزایای ارتباط از راه دور در دسترس است.#0000