Южнокорейская энергетическая и химическая компания GS Caltex сократила время развёртывания моделей машинного обучения примерно с недели до нескольких часов, следует из оценки компании в техническом разборе AWS от 13 ноября 2026 года.
Производственные инженеры без программирования готовят данные, создают и проверяют модели в визуальном конструкторе Amazon SageMaker Canvas. Они определяют важные для процесса переменные и оценивают полезность прогнозов. Команда машинного обучения проверяет данные и результаты, управляет версиями моделей и настраивает их автоматическую передачу в производственный конвейер. Такое разделение ролей сократило срок развёртывания.
Расчёты по расписанию запускает Amazon EventBridge. SageMaker Pipelines получает входные данные из облачного хранилища S3, выполняет предварительную обработку и пакетный расчёт прогнозов, а затем сохраняет результаты обратно в S3. Состояние этапов и ошибки можно отслеживать через Amazon CloudWatch.
Читайте также
GS Caltex проводит пакетные расчёты каждые 30 минут. В отличие от постоянно работающего сервиса, такой режим обрабатывает накопленный набор данных по расписанию и уменьшает потребность в непрерывно активных конечных точках для обращения к модели. Компания утверждает, что это заметно снизило расходы на вычисления, но не раскрывает сумму, процент экономии или исходную стоимость.
Главное изменение заключается в разделении ответственности. Отраслевые специалисты определяют, какие данные важны и полезны ли прогнозы для технологического процесса. ML-команда отвечает за версии моделей, доступ к инфраструктуре, расписание, историю выполнения и обработку сбоев. Автоматизация передачи подготовленных материалов между этими этапами и дала заявленное сокращение срока развёртывания.
GS Caltex развивала этот подход до нынешней публикации. В мае 2026 года Digital Today сообщало со слов руководителя DX-центра компании, что сотрудникам предоставили среду для создания сервисов машинного обучения без программирования. Около 3000 работников создали примерно 1900 внутренних приложений, однако эта цифра включает разные типы программ и не подтверждает нынешнюю оценку скорости развёртывания.
Ещё в феврале 2025 года GS Caltex объявила о проекте ИИ-платформы для оптимизации нефтеперерабатывающих и нефтехимических процессов. Поэтому 13 ноября нельзя считать датой начала внедрения ИИ на предприятиях компании. Новый факт — раскрытое устройство рабочего процесса и названный компанией измеримый результат.
Подход может быть полезен организациям, где отраслевые специалисты лучше ИТ-команды понимают производственные данные, но не должны самостоятельно управлять рабочей инфраструктурой. Он позволяет ускорить подготовку моделей, сохранив проверку результатов, контроль версий и эксплуатацию за ML-инженерами.
У решения есть ограничения. Описанная архитектура зависит от сервисов AWS и требует настроенных хранилищ, ролей доступа, среды Python и SageMaker SDK. Опубликованная AWS эталонная реализация использует учебную модель классификации кредитов, а не реальную производственную модель GS Caltex. Для собственного процесса компании придётся адаптировать форматы данных, вычислительную конфигурацию и входные и выходные пути.
