NerdWallet 使用 AWS 上的機器學習來支援推薦平台

NerdWallet 是一家個人金融新創公司，提供的工具和建議使客戶可以輕鬆償還債務、選擇最佳的金融產品和服務，並實現主要的人生目標，如購房或退休儲蓄。該公司高度依賴資料科學和機器學習 (ML) 來將客戶與個人化金融產品聯繫起來。NerdWallet 高級工程經理 Ryan Kirkman 說：「我們很早就意識到，資料科學對於建置更個人化的產品和使用者體驗至關重要。」

隨著公司工程團隊開始將其第一批 ML 模型部署到生產中，Kirkman 及其團隊發現該過程花費的時間比預期的要長得多。他說：「從原型到生產需要數月的時間，而且在此過程中效率低下。」

當時，NerdWallet 的資料科學家使用了大部分手動的方法來管理 ML 庫，從成本或工作流程的角度來看，這並不是最佳選擇。NerdWallet 軟體工程師 Sharadh Krishnamurthy 說：「我們的資料科學家必須手動安裝並處理上一個資料科學家留在機器上的環境。」

該公司需要解決其工程管道問題，以便其資料科學家可以更有效地訓練 ML 模型、加快從概念到交付的流程，並將精力更多放在高價值專案上。「我們越快能夠將模型交付生產，我們的資料科學團隊越快能夠疊代模型，我們就越能夠提供更好的產品體驗，」Kirkman 說。「減少意見回饋循環將大大提高我們執行資料科學專案的能力。」

作為一家新創公司，NerdWallet 沒有從頭開始所需的資源。「新創公司面對的關鍵問題是如何最快地增加業務價值。 我們想要像一些大公司一樣的機器學習平台，但是我們沒有能力在該平台上投入太多，」 Krishnamurthy 說。

NerdWallet 已經在使用許多 Amazon Web Services (AWS) 解決方案，包括 Amazon Elastic Compute Cloud (Amazon EC2) 和 Amazon Elastic Container Service (Amazon ECS)。團隊決定新增對 Amazon SageMaker 的使用。借助這項全受管服務，該公司可以利用底層 Amazon EC2 執行個體 (包括具有 NVIDIA V100 Tensor Core GPU 的 Amazon EC2 P3 執行個體) 及其現有的 Amazon ECS 映像建置管道來減少訓練 ML 模型所需的時間。「Amazon SageMaker 基本上為我們提供了機器學習即服務，」 Kirkman 說。

採用 Amazon SageMaker 使 NerdWallet 能夠快速現代化其資料科學工程實務。「我們基本上在兩個月內就取得了業務價值，」Kirkman 說。「原本這根本不可能。」

新解決方案還協助該公司消除了障礙，並加快了交付時間。「Amazon SageMaker 使我們的資料科學家可以輕鬆地成為其工作的核心擁有者和推動者，而無需進行多次交接和重新實作所有內容，」 Kirkman 說。「我們提供了一條指導路徑，從平台和工程的角度來看，使解決周圍的基礎設施問題變得更加容易，同時也加快了我們資料科學家的工作。這是雙贏的局面。」

NerdWallet 使用該新方法的第一個專案是由 TensorFlow 支援的推薦平台。以前，NerdWallet 為客戶提供信用卡清單供客戶選擇，但無法預測客戶接受的可能性。現在，透過使用 Amazon SageMaker 和機器學習，該公司可以更有效地為客戶提供合適的金融產品。

使用 Amazon SageMaker 和具有 NVIDIA V100 Tensor Core GPU 的 Amazon EC2 P3 執行個體，還提高了 NerdWallet 的靈活性和效能，並減少了資料科學家訓練 ML 模型所需的時間。「過去，我們要花幾個月的時間才能推出並疊代模型，現在只需要幾天，」Kirkman 表示。

Amazon SageMaker 使 NerdWallet 的資料科學家能夠將更多時間用於戰略追求。Kirkman 說：「我們現在可以將更多精力集中在我們的競爭優勢所在上，即我們對解決使用者所面臨問題的洞見。」

例如，NerdWallet 現在正在建置一個推論儲存系統，該系統將使團隊可以輕鬆存取和使用科學家在公司其他領域產生的預測。Kirkman 說：「如果我們的資料科學家沒有現在所擁有的簡化訓練工作流程，我認為我們無法為該系統制定業務案例。」「因為這太貴，太冒險了。簡化工作流程並實現標準化可以為我們帶來更多的價值。」

Amazon SageMaker 還協助 NerdWallet 控制成本。由於該公司可以按用量付費，而不需要為基礎設施無限執行付費，因此僅在需要運算資源時才產生費用。「即使增加了訓練模型的數量，我們仍然能夠將訓練成本降低 75% 左右，」Kirkman 說。「之所以能夠實現，是因為我們已經從全年無休執行一個大型 Amazon EC2 執行個體的模式，轉變為根據需要透過 Amazon SageMaker 執行任何所需執行個體類型的模式。」

在 Amazon SageMaker 上建置 ML 平台還意味著 NerdWallet 的小型 IT 團隊可以立即利用產業的技術進步。「從基礎設施和技術的角度來看，Amazon SageMaker 協助我們大幅改進了我們的機器學習平台及其功能和特性，」Kirkman 說。「與 AWS 的合作讓我們站在了巨人的肩膀上。」

機器學習和 Amazon SageMaker 的使用代表著 NerdWallet 在利用技術上的轉變，以在競爭激烈的金融服務市場中脫穎而出。展望未來，Kirkman 和他的團隊計劃繼續利用技術來提供加值服務。「協助客戶做出他們所擁有的任何財務決策並與消費者保持一致是我們與眾不同之處，」Kirkman 說。「利用資料科學和機器學習讓我們更加堅定我們的業務。」

若要進一步了解，請瀏覽 aws.amazon.com/sagemaker。