⚙ Admin Mode · Unique visitors: —
News Tools Prompty AI ORBYNELLE AI Directory AI Playground English class AI Websites Mini Apps ASCII Scene ASCII Photo Surrealism AI Assistant

ORBYNELLE

ORBYNELLE — A tiny world. An endless story.

A preview of the upcoming strategy game

Step into the world of ORBYNELLE as it takes shape. This preview shows exploration, the construction of the first buildings, and the atmosphere of the world as day turns to night. The game is in development, and its visuals and gameplay will continue to evolve.

Development footage · 11 min 21 sec Open video separately
AI TOOLS · ONE PLACE

Explore AI platforms

A curated directory of widely used AI assistants, research tools, creative platforms and developer tools.

Curated selection, not a strict traffic ranking. Free access, credits and prices can change by country and over time.

Country labels refer to the provider’s home base.

No matching AI platforms found.
AI
Prompty AI
Technical Guides
Automation
Pneumatics
Cylinders, valves, ejectors
M
Electrics
Motors, drives, PLCs
Hydraulics
Pumps, cylinders, pressure
Other
Other technologies
Electronics
Electronic schematics
Power supplies
Rectifiers, regulators
Audio frequency
Amplifiers, preamplifiers
Test instruments
Voltmeters, generators, probes
Digital
Logic, timers, microcontrollers
Engineering Tools
Calculators & Converters
Electrical
Ohm's law, power, divider
Force & Pressure
Cylinder force, flow, air use
Converters
Units: bar, PSI, °C, mm
Wiring
Cross-section, voltage drop

AI · CREATIVITY · INNOVATION

MECHNEXT.EU — Intelligence in Motion

A space for artificial intelligence, creative ideas and useful digital tools.

01CONNECTED KNOWLEDGE SYSTEM
News
Latest intelligence
Loading articles…
GS Caltex verbindet No-Code-Modelle mit geplanter Batch-Inferenz
AI News

GS Caltex verbindet No-Code-Modelle mit geplanter Batch-Inferenz

Laut der AWS-Fallstudie verteilt GS Caltex die Modellarbeit auf Prozessingenieure und ML-Ingenieure. Die Prozessingenieure erstellen und validieren Modelle ohne Programmierung in Amazon SageMaker Canvas. Anschließend konfigurieren die ML-Ingenieure Amazon SageMaker Pipelines, damit die validierten Modelle bereitgestellt und für eine geplante Inferenz verwendet werden können.

Die Übergabe zwischen beiden Rollen ist automatisiert und verwendet die in Canvas erzeugten Artefakte weiter. Die notwendige Produktionskonfiguration entfällt dadurch jedoch nicht. ML-Ingenieure legen weiterhin die produktiven Datenpfade, Modelleinstellungen, Vorverarbeitungsschritte und Inferenzaufträge fest. Automatisiert wird somit die Weitergabe der bereits erstellten Arbeit, während die technische Verantwortung für die Produktionsausführung bestehen bleibt.

Vom validierten Modell zur Produktionsressource

Im Bereitstellungsprozess wird eine validierte Canvas-Modellversion in der Model Registry registriert. Danach wird geprüft, ob das Modellpaket genehmigt ist, und eine SageMaker-Modellressource erstellt, auf die Batch Transform verweisen kann. In der Referenzarchitektur dient die Model Registry außerdem der Verwaltung von Modellversionen.

Auch ein Vorverarbeitungsablauf aus Data Wrangler wird wiederverwendet. Die Referenzimplementierung exportiert ihn über SageMaker Processing und konfiguriert einen Pipeline-Schritt mit den daraus hervorgehenden Einstellungen des Verarbeitungsauftrags sowie der zugehörigen .flow-Datei. Dadurch wird der validierte Vorverarbeitungsablauf in den geplanten Produktionsprozess übernommen.

Fünf Schritte der Inferenz

Der beispielhafte Inferenzablauf umfasst fünf festgelegte Schritte:

  1. Eingabedaten vorbereiten,
  2. Vorverarbeitung anwenden,
  3. Zielspalte entfernen,
  4. Batch-Inferenz ausführen,
  5. Ergebnisse zusammensetzen.

Bei jeder geplanten Ausführung bereitet der Workflow Eingabedaten aus Amazon S3 vor, führt die Vorverarbeitung aus, startet SageMaker Batch Transform und speichert die Ergebnisse wieder in S3. Zur Überwachung können der Status der einzelnen Schritte und die Protokolle in Amazon CloudWatch geprüft werden.

Eine Besonderheit ergibt sich daraus, dass Inferenzdaten die beim Training vorhandene Zielspalte nicht enthalten. Die Referenzimplementierung fügt deshalb vorübergehend ein Platzhalterziel mit kompatiblem Typ und kompatibler Position hinzu und entfernt es nach der Vorverarbeitung wieder. Ohne zusätzliche Behandlung eignet sich dieses Verfahren nicht, wenn das Ziel Merkmalswerte oder Transformationen beeinflusst.

Zeitplanung und betriebliche Grenzen

Amazon EventBridge kann die Pipeline über einen Ratenausdruck alle 30 Minuten starten. Daraus ergeben sich 48 geplante Ausführungen pro Tag. Der Zeitplan garantiert allerdings nicht, dass eine Ausführung abgeschlossen ist, bevor die nächste beginnt. Laufzeit und mögliche Überschneidungen müssen deshalb für den Produktionsbetrieb gesondert bewertet werden.

GS Caltex berichtet, dass die Modellbereitstellung nun wenige Stunden statt ungefähr einer Woche dauert. Das Unternehmen führt außerdem alle 30 Minuten eine Batch-Inferenz aus und meldet deutlich niedrigere Inferenzkosten, weil keine ständig laufenden Endpunkte erforderlich sind. Dabei handelt es sich um von GS Caltex angegebene Ergebnisse und nicht um unabhängig bestätigte Messwerte.

Prüfungen vor dem Produktionsbetrieb

Vor der Aktivierung wiederkehrender Produktionsläufe sollte der gesamte Workflow auf ein konsistentes Schema und konsistente Ausgaben geprüft werden. Ebenso ist zu bestätigen, dass jeder Quelldatensatz korrekt mit seiner Vorhersage verknüpft bleibt.

Die Validierung sollte das Verhalten bei Fehlern, die Laufzeit und die Kosten umfassen. Hinzu kommen mögliche parallele oder überlappende Ausführungen sowie das Risiko, dass dasselbe Eingabezeitfenster doppelt verarbeitet wird. Ein 30-Minuten-Takt bestimmt die Startzeitpunkte, beweist aber weder einen Abschluss innerhalb von 30 Minuten noch verhindert er selbstständig doppelte Verarbeitung.

Die Referenzarchitektur verbindet damit die No-Code-Erstellung von Modellen, verwaltete Modellversionen, wiederverwendete Vorverarbeitung, Batch-Ausführung, Ein- und Ausgaben in S3 und die Planung über EventBridge. Der zuverlässige Produktionsbetrieb hängt weiterhin von der Konfiguration durch ML-Ingenieure, der Genehmigung des registrierten Modellpakets und der Prüfung des Workflows unter dem vorgesehenen Zeitplan ab.

Add Article

Contact us

Have a question or want to submit a catalogue? Send us a message.

About Mechnext

MechNext is an independent project exploring artificial intelligence and practical ways to use it. I share clear articles, ideas, experiments and tools that reveal what AI can do in everyday life and at work.

The project grew from curiosity about how far AI can go and a desire to try new possibilities in practice. It is a place for anyone who wants to understand artificial intelligence better and use it creatively.

Content on MechNext is for information only and is not a commercial offer or professional advice. AI outputs can be wrong, so verify important information with trusted sources.