مع تزايد انتشار إضفاء الطابع الديمقراطي على النماذج الأساسية (FMs) وزيادة الطلب على الخدمات المعززة بالذكاء الاصطناعي، يتطلع مقدمو البرامج كخدمة (SaaS) إلى استخدام منصات التعلم الآلي (ML) التي تدعم مستأجرين متعددين - لعلماء البيانات داخل مؤسساتهم والعملاء الخارجيين. تدرك المزيد والمزيد من الشركات قيمة استخدام FMs لإنشاء محتوى مخصص وفعال للغاية لعملائها. يمكن أن يؤدي ضبط FM على بياناتك الخاصة إلى تعزيز دقة النموذج بشكل كبير لحالة الاستخدام المحددة الخاصة بك، سواء كان ذلك إنشاء بريد إلكتروني للمبيعات باستخدام سياق زيارة الصفحة، أو إنشاء إجابات بحث مخصصة لخدمات الشركة، أو أتمتة دعم العملاء من خلال التدريب على المحادثات التاريخية.
إن توفير استضافة نماذج الذكاء الاصطناعي التوليدي كخدمة يمكّن أي مؤسسة من التكامل والاختبار التجريبي ونشر إدارة المرافق بسهولة على نطاق واسع وبطريقة فعالة من حيث التكلفة، دون الحاجة إلى خبرة داخلية في الذكاء الاصطناعي. يتيح ذلك للشركات تجربة حالات استخدام الذكاء الاصطناعي مثل محتوى المبيعات والتسويق شديد التخصيص، والبحث الذكي، وسير عمل خدمة العملاء المخصصة. ومن خلال استخدام النماذج التوليدية المستضافة المضبوطة بدقة على بيانات العملاء الموثوقة، يمكن للشركات تقديم المستوى التالي من تطبيقات الذكاء الاصطناعي المخصصة والفعالة لإشراك عملائها وخدمتهم بشكل أفضل.
الأمازون SageMaker يقدم خيارات مختلفة لاستدلال ML، بما في ذلك التحويل في الوقت الفعلي وغير المتزامن والتحويل الدفعي. يركز هذا المنشور على تقديم إرشادات توجيهية بشأن استضافة مديري المرافق بطريقة فعالة من حيث التكلفة على نطاق واسع. على وجه التحديد، نناقش عالم الاستدلال في الوقت الفعلي السريع والمستجيب، ونستكشف خيارات مختلفة للاستدلال في الوقت الفعلي لمديري FM.
من أجل الاستدلال، تحتاج بنيات AI/ML متعددة المستأجرين إلى مراعاة متطلبات البيانات والنماذج، بالإضافة إلى موارد الحوسبة المطلوبة لتنفيذ الاستدلال من هذه النماذج. من المهم مراعاة كيفية نشر نماذج الذكاء الاصطناعي/تعلم الآلة متعددة المستأجرين - من الناحية المثالية، من أجل الاستخدام الأمثل لوحدات المعالجة المركزية ووحدات معالجة الرسومات، يجب أن تكون قادرًا على تصميم حل استدلالي يمكنه تحسين إنتاجية الخدمة وتقليل التكلفة من خلال ضمان توزيع النماذج عبر البنية التحتية للحوسبة بطريقة فعالة. بالإضافة إلى ذلك، يبحث العملاء عن حلول تساعدهم على نشر بنية الاستدلال التي تعتمد أفضل الممارسات دون الحاجة إلى إنشاء كل شيء من الصفر.
SageMaker Inference هي خدمة استضافة تعلم الآلة مُدارة بالكامل. وهو يدعم بناء تطبيقات الذكاء الاصطناعي التوليدية مع تلبية المعايير التنظيمية مثل FedRAMP. يتيح SageMaker إمكانية التوسع بتكلفة معقولة لأحمال عمل الاستدلال عالية الإنتاجية. وهو يدعم أعباء العمل المتنوعة بما في ذلك الاستدلالات في الوقت الفعلي وغير المتزامنة والدُفعية على أجهزة مثل AWS Inferentia وAWS Graviton ووحدات معالجة الرسومات NVIDIA ووحدات المعالجة المركزية Intel. يمنحك SageMaker التحكم الكامل في التحسينات وعزل أعباء العمل ونقل الحاويات. فهو يمكّنك من إنشاء ذكاء اصطناعي مولد كحل خدمة على نطاق واسع مع دعم عمليات النشر متعددة النماذج والحاويات المتعددة.
تحديات استضافة نماذج الأساس على نطاق واسع
فيما يلي بعض التحديات التي تواجه استضافة FMs للاستدلال عليها على نطاق واسع:
- بصمة ذاكرة كبيرة - غالبًا ما تتجاوز أجهزة FM التي تحتوي على عشرات أو مئات المليارات من معلمات النموذج سعة الذاكرة لشريحة تسريع واحدة.
- المحولات بطيئة - يؤدي فك التشفير التلقائي في FMs، خاصة مع تسلسلات الإدخال والإخراج الطويلة، إلى تفاقم عمليات الإدخال / الإخراج في الذاكرة. ويبلغ هذا ذروته في فترات زمن الوصول غير المقبولة، مما يؤثر سلبًا على الاستدلال في الوقت الفعلي.
- التكلفة - تتطلب FMs مسرعات ML التي توفر ذاكرة عالية وقدرة حسابية عالية. يعد تحقيق إنتاجية عالية وزمن وصول منخفض دون التضحية بأي منهما مهمة متخصصة، تتطلب فهمًا عميقًا للتحسين المشترك لتسريع الأجهزة والبرامج.
- وقت أطول للتسويق - يتطلب الأداء الأمثل من FMs ضبطًا صارمًا. تؤدي عملية الضبط المتخصصة هذه، إلى جانب تعقيدات إدارة البنية التحتية، إلى دورات زمنية طويلة للوصول إلى السوق.
- عزل عبء العمل - تطرح استضافة FMs على نطاق واسع تحديات في تقليل نصف قطر الانفجار والتعامل مع الجيران المزعجين. تتطلب القدرة على قياس كل FM استجابةً لأنماط حركة المرور الخاصة بالنموذج رفعًا ثقيلًا.
- التوسع إلى مئات من FMs - يؤدي تشغيل المئات من وحدات FM في وقت واحد إلى زيادة النفقات التشغيلية بشكل كبير. إن الإدارة الفعالة لنقطة النهاية، والتقطيع المناسب وتخصيص المسرّع، والقياس الخاص بالنموذج هي مهام تتفاقم في التعقيد مع نشر المزيد من النماذج.
وظائف اللياقة البدنية
يعد اتخاذ قرار بشأن خيار الاستضافة الصحيح أمرًا مهمًا لأنه يؤثر على المستخدمين النهائيين الذين تعرضهم تطبيقاتك. لهذا الغرض ، نحن نستعير مفهوم وظائف اللياقة البدنيةوالتي صاغها نيل فورد وزملاؤه من AWS Partner Thought Works في عملهم بناء البنى التطورية. توفر وظائف اللياقة البدنية تقييمًا توجيهيًا لخيارات الاستضافة المتنوعة بناءً على أهدافك. تساعدك وظائف اللياقة البدنية في الحصول على البيانات اللازمة للسماح بالتطور المخطط له في بنيتك. إنهم يضعون قيمًا قابلة للقياس لتقييم مدى قرب الحل الخاص بك من تحقيق أهدافك المحددة. يمكن، بل ينبغي، تكييف وظائف اللياقة البدنية مع تطور البنية لتوجيه عملية التغيير المرغوبة. وهذا يوفر للمهندسين المعماريين أداة لتوجيه فرقهم مع الحفاظ على استقلالية الفريق.
نقترح النظر في وظائف اللياقة البدنية التالية عندما يتعلق الأمر بتحديد خيار استدلال FM المناسب على نطاق واسع وبتكلفة معقولة:
- حجم نموذج الأساس – تعتمد FMs على المحولات. المحولات بطيئة ومتعطشة للذاكرة عند إنشاء تسلسلات نصية طويلة نظرًا للحجم الهائل للنماذج. نماذج اللغات الكبيرة (LLMs) هي نوع من FM الذي، عند استخدامه لإنشاء تسلسلات نصية، يحتاج إلى كميات هائلة من قوة الحوسبة ويواجه صعوبة في الوصول إلى ذاكرة النطاق الترددي العالي (HBM) والقدرة الحاسوبية المتوفرة. وذلك لأن جزءًا كبيرًا من النطاق الترددي للذاكرة المتوفرة يتم استهلاكه عن طريق تحميل معلمات النموذج وعن طريق عملية فك التشفير الانحداري التلقائي. ونتيجة لذلك، حتى مع الكميات الهائلة من قوة الحوسبة، تكون وحدات FM محدودة بحدود الإدخال/الإخراج للذاكرة وحدود الحوسبة. لذلك، يحدد حجم النموذج الكثير من القرارات، مثل ما إذا كان النموذج سيتناسب مع مسرّع واحد أو يتطلب عدة مسرعات تعلم الآلة باستخدام تقسيم النموذج على المثيل لتشغيل الاستدلال بمعدل إنتاجية أعلى. ستبدأ النماذج التي تحتوي على أكثر من 3 مليارات معلمة عمومًا في طلب العديد من مسرعات التعلم الآلي لأن النموذج قد لا يتناسب مع جهاز تسريع واحد.
- الأداء وFM الاستدلال الكمون - العديد من نماذج وتطبيقات تعلم الآلة تعتبر زمن الوصول بالغ الأهمية، حيث يجب أن يكون زمن الوصول الاستدلالي ضمن الحدود المحددة بواسطة هدف مستوى الخدمة. يعتمد زمن استجابة استدلال FM على العديد من العوامل، بما في ذلك:
- حجم نموذج FM – حجم النموذج، بما في ذلك التكميم في وقت التشغيل.
- أجهزة التبخير - الحوسبة (TFLOPS)، وحجم HBM وعرض النطاق الترددي، وعرض النطاق الترددي للشبكة، وسرعة الاتصال البيني داخل المثيل، وعرض النطاق الترددي للتخزين.
- بيئة البرمجيات - الخادم النموذجي، والمكتبة الموازية النموذجية، ومحرك تحسين النموذج، وأداء الاتصال الجماعي، وبنية الشبكة النموذجية، والتكميم، وإطار تعلم الآلة.
- موجه – طول الإدخال والإخراج والمعلمات الفائقة.
- تحجيم الكمون – الوقت للتوسع استجابة لحركة المرور.
- الكمون بداية الباردة - يمكن أن تؤدي ميزات مثل التسخين المسبق لتحميل النموذج إلى تقليل زمن الوصول لبدء التشغيل البارد عند تحميل FM.
- عزل عبء العمل - يشير هذا إلى متطلبات عزل عبء العمل من منظور تنظيمي وامتثالي، بما في ذلك حماية سرية وسلامة نماذج وخوارزميات الذكاء الاصطناعي، وسرية البيانات أثناء استنتاج الذكاء الاصطناعي، وحماية الملكية الفكرية للذكاء الاصطناعي (IP) من الوصول غير المصرح به أو من منظور إدارة المخاطر. على سبيل المثال، يمكنك تقليل تأثير حدث أمني عن طريق تقليل نطاق الانفجار بشكل مقصود أو عن طريق منع الجيران المزعجين.
- فعالية التكلفة - يعد نشر وصيانة نموذج إدارة المرافق وتطبيق تعلم الآلة على إطار عمل قابل للتطوير عملية عمل بالغة الأهمية، وقد تختلف التكاليف بشكل كبير اعتمادًا على الاختيارات التي يتم إجراؤها بشأن البنية التحتية لاستضافة النموذج، وخيار الاستضافة، وأطر تعلم الآلة، وخصائص نموذج تعلم الآلة، والتحسينات، وسياسة التوسع ، و اكثر. يجب أن تستخدم أعباء العمل البنية التحتية للأجهزة على النحو الأمثل لضمان بقاء التكلفة تحت السيطرة. تشير وظيفة اللياقة البدنية هذه على وجه التحديد إلى تكلفة البنية التحتية، والتي تعد جزءًا من إجمالي تكلفة الملكية (TCO). تكاليف البنية التحتية هي التكاليف المجمعة للتخزين والشبكة والحوسبة. ومن المهم أيضًا فهم المكونات الأخرى للتكلفة الإجمالية للملكية، بما في ذلك تكاليف التشغيل وتكاليف الأمان والامتثال. التكاليف التشغيلية هي التكاليف المجمعة لتشغيل البنية التحتية لتعلم الآلة ومراقبتها وصيانتها. يتم حساب التكاليف التشغيلية على أنها عدد المهندسين المطلوبين بناءً على كل سيناريو والراتب السنوي للمهندسين، ويتم تجميعه خلال فترة محددة. يتم ضبطها تلقائيًا إلى الصفر لكل نموذج عندما لا يكون هناك حركة مرور لتوفير التكاليف.
- التدرجية - هذا يتضمن:
- النفقات التشغيلية العامة في إدارة مئات FMs للاستدلال عليها في منصة متعددة المستأجرين.
- القدرة على تجميع العديد من أجهزة FM في نقطة نهاية واحدة ومقياس لكل نموذج.
- تمكين القياس على مستوى المثيل وحاوية النموذج بناءً على أنماط عبء العمل.
- دعم للتوسيع إلى مئات FMs لكل نقطة نهاية.
- دعم الوضع الأولي للنماذج في الأسطول والتعامل مع المسرعات غير الكافية.
تمثيل الأبعاد في وظائف اللياقة البدنية
نحن نستخدم مخططًا عنكبوتيًا، يُطلق عليه أحيانًا مخطط الرادار، لتمثيل الأبعاد في وظائف اللياقة البدنية. غالبًا ما يتم استخدام المخطط العنكبوتي عندما تريد عرض البيانات عبر عدة أبعاد فريدة. وعادة ما تكون هذه الأبعاد كمية، وتتراوح عادةً من صفر إلى قيمة قصوى. تتم تسوية نطاق كل بُعد مع بعضها البعض، بحيث عندما نرسم مخططنا العنكبوتي، سيكون طول الخط من الصفر إلى القيمة القصوى للبعد هو نفسه لكل بُعد.
يوضح الرسم البياني التالي عملية اتخاذ القرار المتضمنة عند اختيار البنية الخاصة بك على SageMaker. يعد كل نصف قطر على المخطط العنكبوتي إحدى وظائف اللياقة البدنية التي ستعطيها الأولوية عند إنشاء حل الاستدلال الخاص بك.
من الناحية المثالية، تريد شكلًا متساوي الأضلاع من جميع الجوانب (مخمّس). وهذا يوضح أنك قادر على التحسين في جميع وظائف اللياقة البدنية. ولكن الحقيقة هي أنه سيكون من الصعب تحقيق هذا الشكل - فكلما أعطيت الأولوية لوظيفة لياقة واحدة، سيؤثر ذلك على خطوط نصف القطر الآخر. وهذا يعني أنه ستكون هناك دائمًا مقايضات اعتمادًا على ما هو أكثر أهمية لتطبيق الذكاء الاصطناعي التوليدي الخاص بك، وسيكون لديك رسم بياني سينحرف نحو نصف قطر محدد. هذه هي المعايير التي قد تكون على استعداد لإلغاء تحديد أولوياتها لصالح الآخرين اعتمادًا على كيفية عرضك لكل وظيفة. في المخطط الخاص بنا، يتم تعريف الوزن المتري لكل وظيفة لياقة على هذا النحو - فكلما انخفضت القيمة، كان ذلك أقل مثالية لوظيفة اللياقة البدنية هذه (باستثناء حجم النموذج، وفي هذه الحالة كلما ارتفعت القيمة، زاد حجم نموذج).
على سبيل المثال، لنأخذ حالة استخدام حيث تريد استخدام نموذج تلخيص كبير (مثل Anthropic Claude) لإنشاء ملخصات عمل لحالات الخدمة وارتباطات العملاء استنادًا إلى بيانات الحالة وتاريخ العميل. لدينا المخطط العنكبوتي التالي.
نظرًا لأن هذا قد يتضمن بيانات حساسة للعملاء، فإنك تختار عزل حمل العمل هذا عن النماذج الأخرى واستضافته على نقطة نهاية ذات نموذج واحد، مما قد يجعل من الصعب التوسع لأنه يتعين عليك تدوير نقاط نهاية منفصلة وإدارتها لكل FM. يتم استخدام تطبيق الذكاء الاصطناعي التوليدي الذي تستخدم النموذج معه من قبل وكلاء الخدمة في الوقت الفعلي، لذا فإن زمن الاستجابة والإنتاجية يمثلان أولوية، ومن هنا تأتي الحاجة إلى استخدام أنواع مثيلات أكبر، مثل P4De. في هذه الحالة، قد يتعين أن تكون التكلفة أعلى لأن الأولوية هي العزل وزمن الوصول والإنتاجية.
حالة الاستخدام الأخرى هي قيام مؤسسة خدمية ببناء تطبيق chatbot للأسئلة والأجوبة والذي تم تخصيصه لعدد كبير من العملاء. ويعكس المخطط العنكبوتي التالي أولوياتهم.
قد تحتاج كل تجربة لـ chatbot إلى أن تكون مصممة خصيصًا لكل عميل محدد. قد تكون النماذج المستخدمة أصغر نسبيًا (FLAN-T5-XXL وLlama 7B وk-NN)، ويعمل كل روبوت محادثة في مجموعة محددة من الساعات لمناطق زمنية مختلفة كل يوم. قد يشتمل الحل أيضًا على تقنية الاسترجاع المعزز (RAG) المدمجة مع قاعدة بيانات تحتوي على جميع عناصر قاعدة المعرفة التي سيتم استخدامها مع الاستدلال في الوقت الفعلي. لا يتم تبادل أي بيانات خاصة بالعميل من خلال برنامج الدردشة الآلي هذا. يمكن تحمل فترات استجابة البداية الباردة لأن روبوتات الدردشة تعمل وفقًا لجدول زمني محدد. بالنسبة لحالة الاستخدام هذه، يمكنك اختيار بنية نقطة نهاية متعددة النماذج، وقد تتمكن من تقليل التكلفة باستخدام أنواع مثيلات أصغر (مثل G5) ومن المحتمل تقليل الحمل التشغيلي عن طريق استضافة نماذج متعددة على كل نقطة نهاية على نطاق واسع. باستثناء عزل عبء العمل، قد يكون لوظائف اللياقة البدنية في حالة الاستخدام هذه أولوية أكبر، ويتم تقليل المفاضلات إلى حد ما.
أحد الأمثلة الأخيرة سيكون تطبيقًا لتوليد الصور باستخدام نموذج مثل Stable Diffusion 2.0، وهو نموذج يحتوي على 3.5 مليار معلمة. مخططنا العنكبوتي هو كما يلي.
هذا تطبيق قائم على الاشتراك يخدم الآلاف من FMs والعملاء. يجب أن يكون وقت الاستجابة سريعًا لأن كل عميل يتوقع تحولًا سريعًا في مخرجات الصور. تعد الإنتاجية أمرًا بالغ الأهمية أيضًا لأنه سيكون هناك مئات الآلاف من الطلبات في أي ثانية معينة، لذلك يجب أن يكون نوع المثيل من نوع مثيل أكبر، مثل P4D الذي يحتوي على ما يكفي من وحدة معالجة الرسومات والذاكرة. ولهذا يمكنك التفكير في إنشاء نقطة نهاية متعددة الحاويات تستضيف نسخًا متعددة من النموذج لتقليل التشويش عند إنشاء الصور من مجموعة طلب إلى أخرى. بالنسبة لحالة الاستخدام هذه، من أجل تحديد أولويات زمن الاستجابة والإنتاجية واستيعاب طلب المستخدم، ستكون تكلفة الحوسبة وعزل عبء العمل هي المقايضات.
تطبيق وظائف اللياقة البدنية لتحديد خيار استضافة FM
في هذا القسم، نوضح لك كيفية تطبيق وظائف اللياقة البدنية السابقة في تحديد خيار استضافة FM المناسب على أجهزة SageMaker FM على نطاق واسع.
نقاط نهاية SageMaker أحادية النموذج
تسمح لك نقاط نهاية SageMaker أحادية الطراز باستضافة FM واحد على حاوية مستضافة على مثيلات مخصصة لزمن انتقال منخفض وإنتاجية عالية. تتم إدارة نقاط النهاية هذه بالكامل وتدعم القياس التلقائي. يمكنك تكوين نقطة النهاية ذات النموذج الواحد كنقطة نهاية متوفرة حيث تقوم بتمرير تكوين البنية الأساسية لنقطة النهاية مثل نوع المثيل وعدده، حيث يقوم SageMaker تلقائيًا بتشغيل موارد الحوسبة وتوسيع نطاقها داخل وخارج النطاق وفقًا لسياسة القياس التلقائي. يمكنك التوسع لاستضافة مئات النماذج باستخدام نقاط نهاية متعددة للنموذج الواحد واستخدام الهندسة المعمارية القائمة على الخلية لزيادة المرونة وتقليل نصف قطر الانفجار.
عند تقييم وظائف اللياقة لنقطة نهاية ذات نموذج واحد متوفرة، ضع في اعتبارك ما يلي:
- حجم نموذج الأساس - يعد هذا مناسبًا إذا كان لديك نماذج لا يمكن احتواؤها في ذاكرة مسرع ML واحد وبالتالي تحتاج إلى مسرعات متعددة في مثيل.
- الأداء وFM الاستدلال الكمون - ينطبق هذا على تطبيقات الذكاء الاصطناعي التوليدية ذات الكمون الحرج.
- عزل عبء العمل - قد يحتاج التطبيق الخاص بك الأمازون الحوسبة المرنة السحابية (Amazon EC2) العزل على مستوى المثيل لأسباب تتعلق بالامتثال الأمني. سيحصل كل FM على نقطة نهاية استدلال منفصلة ولن يشارك مثيل EC2 مع نموذج آخر. على سبيل المثال، يمكنك عزل عبء عمل الاستدلال النموذجي المتعلق بـ HIPAA (مثل نموذج اكتشاف PHI) في نقطة نهاية منفصلة مع تكوين مجموعة أمان مخصصة مع عزل الشبكة. يمكنك عزل أعباء عمل الاستدلال النموذجي المستند إلى وحدة معالجة الرسومات عن الآخرين استنادًا إلى مثيلات EC2 المستندة إلى Nitro مثل p4dn لعزلها عن أعباء العمل الأقل ثقة. توفر مثيلات EC2 المستندة إلى نظام Nitro نهجًا فريدًا للمحاكاة الافتراضية والعزلة، مما يتيح لك تأمين وعزل معالجة البيانات الحساسة عن مشغلي AWS وبرامجها في جميع الأوقات. ويقدم البعد الأكثر أهمية الحوسبة السرية باعتبارها مجموعة جوهرية من وسائل الحماية الافتراضية من برامج النظام ومشغلي السحابة. يدعم هذا الخيار أيضًا نشر نماذج AWS Marketplace المقدمة من موفري نماذج الجهات الخارجية على SageMaker.
نقاط نهاية متعددة النماذج SageMaker
SageMaker نقاط نهاية متعددة النماذج (MMEs) تسمح لك بالمشاركة في استضافة نماذج متعددة على وحدة معالجة الرسومات الأساسية، ومشاركة مثيلات وحدة معالجة الرسومات خلف نقطة النهاية عبر نماذج متعددة، وتحميل النماذج وإلغاء تحميلها ديناميكيًا بناءً على حركة المرور الواردة. وبهذا، يمكنك توفير التكلفة بشكل كبير وتحقيق أفضل أداء من حيث السعر.
تعد MMEs هي الخيار الأفضل إذا كنت بحاجة إلى استضافة نماذج أصغر يمكن أن تتناسب جميعها مع مسرع ML واحد في المثيل. يجب أخذ هذه الإستراتيجية في الاعتبار إذا كان لديك عدد كبير (يصل إلى الآلاف) من النماذج ذات الحجم المماثل (أقل من مليار معلمة) التي يمكنك تقديمها من خلال حاوية مشتركة داخل مثيل ولا تحتاج إلى الوصول إلى جميع النماذج في نفس الوقت. يمكنك تحميل النموذج الذي يجب استخدامه ثم إلغاء تحميله لنموذج مختلف.
تم تصميم MMEs أيضًا لنماذج الاستضافة المشتركة التي تستخدم نفس إطار عمل ML لأنها تستخدم الحاوية المشتركة لتحميل نماذج متعددة. لذلك، إذا كان لديك مزيج من أطر عمل تعلم الآلة في أسطول النماذج الخاص بك (مثل PyTorch وTensorFlow)، فستكون نقطة نهاية SageMaker ذات InferenceComponents
هو خيار أفضل. نحن نناقش InferenceComponents
المزيد لاحقًا في هذا المنشور.
أخيرًا، تعتبر MMEs مناسبة للتطبيقات التي يمكن أن تتحمل عقوبة تأخير بدء التشغيل البارد في بعض الأحيان لأنه يمكن إلغاء تحميل النماذج المستخدمة بشكل متكرر لصالح النماذج التي يتم الاستدعاء بها بشكل متكرر. إذا كان لديك مجموعة طويلة من النماذج التي لا يتم الوصول إليها بشكل متكرر، فيمكن لنقطة النهاية متعددة النماذج أن تخدم حركة المرور هذه بكفاءة وتمكن من تحقيق وفورات كبيرة في التكلفة.
ضع في اعتبارك ما يلي عند تقييم وقت استخدام MMEs:
- حجم نموذج الأساس – قد يكون لديك نماذج تتلاءم مع HBM لمسرع ML واحد على مثيل، وبالتالي لا تحتاج إلى مسرعات متعددة.
- الأداء وFM الاستدلال الكمون - قد يكون لديك تطبيقات ذكاء اصطناعي توليدية يمكنها تحمل زمن الوصول لبدء التشغيل البارد عند طلب النموذج وعدم وجوده في الذاكرة.
- عزل عبء العمل – فكر في مشاركة جميع النماذج في نفس الحاوية.
- التدرجية - خذ بعين الاعتبار ما يلي:
- يمكنك حزم نماذج متعددة في نقطة نهاية واحدة وقياس كل نموذج ومثيل تعلم الآلة.
- يمكنك تمكين القياس التلقائي على مستوى المثيل بناءً على أنماط عبء العمل.
- تدعم MMEs التوسع في آلاف النماذج لكل نقطة نهاية. لا تحتاج إلى الحفاظ على تكوين القياس والنشر التلقائي لكل نموذج.
- يمكنك استخدام النشر السريع عندما يتم طلب النموذج بواسطة طلب الاستدلال.
- يمكنك تحميل النماذج ديناميكيًا حسب طلب الاستدلال وتفريغها استجابةً لضغط الذاكرة.
- يمكنك مشاركة الموارد الأساسية مع النماذج.
- فعالية التكلفة - خذ بعين الاعتبار مشاركة الوقت للمورد عبر النماذج عن طريق التحميل والتفريغ الديناميكي للنماذج، مما يؤدي إلى توفير التكاليف.
نقطة نهاية الاستدلال SageMaker مع InferenceComponents
نقطة نهاية الاستدلال SageMaker الجديدة مع InferenceComponents
يوفر أسلوبًا قابلاً للتطوير لاستضافة عدة FMs في نقطة نهاية واحدة والتوسع لكل نموذج. فهو يوفر لك تحكمًا دقيقًا لتخصيص الموارد (المسرعات والذاكرة ووحدة المعالجة المركزية) وتعيين سياسات القياس التلقائي على أساس كل نموذج للحصول على إنتاجية مضمونة وأداء يمكن التنبؤ به، ويمكنك إدارة استخدام الحوسبة عبر نماذج متعددة بشكل فردي. إذا كان لديك الكثير من النماذج ذات الأحجام وأنماط حركة المرور المختلفة التي تحتاج إلى استضافتها، ولا تسمح أحجام النماذج بوضعها في ذاكرة مسرّع واحدة، فهذا هو الخيار الأفضل. كما يسمح لك أيضًا بالتوسع إلى الصفر لتوفير التكاليف، ولكن يجب أن تكون متطلبات زمن استجابة التطبيق الخاص بك مرنة بما يكفي لمراعاة وقت البدء البارد للنماذج. يتيح لك هذا الخيار أقصى قدر من المرونة في استخدام حاسوبك طالما أن العزل على مستوى الحاوية لكل عميل أو FM يكفي. لمزيد من التفاصيل حول نقطة نهاية SageMaker الجديدة مع InferenceComponents
، راجع المنشور التفصيلي يمكنك تقليل تكاليف نشر النموذج بنسبة 50% في المتوسط باستخدام أحدث ميزات Amazon SageMaker.
خذ بعين الاعتبار ما يلي عند تحديد متى يجب عليك استخدام نقطة النهاية معها InferenceComponents
:
- حجم نموذج الأساس - يعد هذا مناسبًا للنماذج التي لا يمكن احتواؤها في ذاكرة مسرع ML واحد وبالتالي تحتاج إلى مسرعات متعددة في المثيل.
- الأداء وFM الاستدلال الكمون - وهذا مناسب لتطبيقات الذكاء الاصطناعي التوليدية ذات الكمون الحرج.
- عزل عبء العمل – قد يكون لديك تطبيقات يكون فيها العزل على مستوى الحاوية كافيًا.
- التدرجية - خذ بعين الاعتبار ما يلي:
- يمكنك تجميع عدة أجهزة FM في نقطة نهاية واحدة ومقياس لكل نموذج.
- يمكنك تمكين القياس على مستوى المثيل وعلى مستوى حاوية النموذج بناءً على أنماط عبء العمل.
- تدعم هذه الطريقة التوسع إلى مئات FMs لكل نقطة نهاية. لا تحتاج إلى تكوين سياسة القياس التلقائي لكل نموذج أو حاوية.
- وهو يدعم الوضع الأولي للنماذج في الأسطول والتعامل مع المسرعات غير الكافية.
- فعالية التكلفة – يمكنك التوسع إلى الصفر لكل نموذج في حالة عدم وجود حركة مرور لتوفير التكاليف.
تعبئة عدة FMs على نفس نقطة النهاية: تجميع النماذج
يعتمد تحديد استراتيجية هندسة الاستدلال التي تستخدمها في SageMaker على أولويات التطبيق ومتطلباته. يقوم بعض موفري SaaS بالبيع في بيئات منظمة تفرض متطلبات عزل صارمة - فهم بحاجة إلى خيار يمكّنهم من تقديم خيار النشر في نموذج مخصص لبعض أو كل مديري الخدمات (FM). ولكن من أجل تحسين التكاليف وتحقيق وفورات الحجم، يحتاج موفرو SaaS أيضًا إلى بيئات متعددة المستأجرين حيث يستضيفون عدة FMs عبر مجموعة مشتركة من موارد SageMaker. من المحتمل أن يكون لدى معظم المؤسسات بيئة استضافة مختلطة حيث يكون لديها نقاط نهاية أحادية النموذج ونقاط نهاية متعددة النماذج أو متعددة الحاويات كجزء من بنية SageMaker الخاصة بها.
أحد التمارين الهامة التي ستحتاج إلى تنفيذها عند تصميم بيئة الاستدلال الموزعة هذه هو تجميع النماذج الخاصة بك لكل نوع من أنواع البنية، وستحتاج إلى الإعداد في نقاط نهاية SageMaker الخاصة بك. القرار الأول الذي سيتعين عليك اتخاذه هو ما يتعلق بمتطلبات عزل عبء العمل - ستحتاج إلى عزل وحدات FM التي يجب أن تكون في نقاط النهاية المخصصة لها، سواء كان ذلك لأسباب أمنية، أو تقليل نصف قطر الانفجار ومخاطر الجيران الصاخبين، أو الاجتماع اتفاقيات مستوى الخدمة الصارمة لوقت الاستجابة.
ثانيًا، ستحتاج إلى تحديد ما إذا كانت FMs تتناسب مع مسرع ML واحد أو تتطلب عدة مسرعات، وما هي أحجام النماذج، وما هي أنماط حركة المرور الخاصة بها. يمكن منطقيًا تجميع النماذج ذات الحجم المماثل التي تعمل بشكل جماعي على دعم وظيفة مركزية من خلال استضافة نماذج متعددة على نقطة النهاية، لأنها ستكون جزءًا من تطبيق عمل واحد يديره فريق مركزي. بالنسبة للاستضافة المشتركة لنماذج متعددة على نفس نقطة النهاية، يجب إجراء تمرين التجميع لتحديد النماذج التي يمكن وضعها في مثيل واحد، أو حاوية واحدة، أو حاويات متعددة.
تجميع نماذج MMEs
تعتبر MMEs هي الأنسب للنماذج الأصغر (أقل من مليار معلمة يمكن أن تتناسب مع مسرع واحد) وهي متشابهة في الحجم وزمن الاستجابة للاستدعاء. بعض الاختلاف في حجم النموذج مقبول؛ على سبيل المثال، زينديسك تتراوح النماذج من 10 إلى 50 ميجابايت، وهو ما يعمل بشكل جيد، ولكن الاختلافات في الحجم التي تزيد بعامل 10 أو 50 أو 100 مرة ليست مناسبة. قد تتسبب النماذج الأكبر حجمًا في زيادة عدد عمليات التحميل والتفريغ للنماذج الأصغر حجمًا لاستيعاب مساحة ذاكرة كافية، مما قد يؤدي إلى زيادة زمن الوصول على نقطة النهاية. يمكن أيضًا أن تستهلك الاختلافات في خصائص الأداء للنماذج الأكبر موارد مثل وحدة المعالجة المركزية بشكل غير متساوٍ، مما قد يؤثر على النماذج الأخرى في المثيل.
تحتاج النماذج المجمعة معًا في MME إلى أنماط حركة مرور متداخلة للسماح لك بمشاركة الحساب عبر النماذج للاستدلال. يجب أيضًا أن تسمح أنماط الوصول وزمن الوصول للاستدلال ببعض وقت البدء البارد أثناء التبديل بين النماذج.
وفيما يلي بعض المعايير الموصى بها لتجميع النماذج الخاصة بالمنشآت الصغيرة والمتوسطة:
- نماذج أصغر – استخدام النماذج التي تحتوي على أقل من مليار معلمة
- حجم النموذج – تجميع النماذج ذات الحجم المماثل والمشاركة في الاستضافة في نفس نقطة النهاية
- زمن الاستجابة للاستدعاء - نماذج جماعية ذات متطلبات زمن وصول استدعاء مماثلة يمكنها تحمل عمليات البدء الباردة
- أجهزة التبخير – قم بتجميع النماذج باستخدام نفس نوع مثيل EC2 الأساسي
تجميع النماذج لنقطة النهاية باستخدام InferenceComponents
نقطة نهاية SageMaker مع InferenceComponents
هو الأنسب لاستضافة FMs أكبر (أكثر من مليار معلمة) على نطاق واسع يتطلب العديد من مسرعات ML أو أجهزة في مثيل EC1. يناسب هذا الخيار أعباء العمل والتطبيقات الحساسة لزمن الاستجابة حيث يكون العزل على مستوى الحاوية كافيًا. فيما يلي بعض المعايير الموصى بها لتجميع النماذج لنقطة نهاية متعددة InferenceComponents
:
- أجهزة التبخير – قم بتجميع النماذج باستخدام نفس نوع مثيل EC2 الأساسي
- حجم النموذج – يوصى بتجميع النموذج بناءً على حجم النموذج ولكنه ليس إلزاميًا
نبذة عامة
في هذا المنشور، نظرنا إلى ثلاثة خيارات لاستدلال تعلم الآلة في الوقت الفعلي (نقاط نهاية فردية، ونقاط نهاية متعددة النماذج، ونقاط نهاية ذات InferenceComponents
) في SageMaker لاستضافة FMs بكفاءة على نطاق واسع وبتكلفة معقولة. يمكنك استخدام وظائف اللياقة البدنية الخمس لمساعدتك في اختيار خيار استضافة SageMaker المناسب لأجهزة FM على نطاق واسع. قم بتجميع FMs وشارك في استضافتهم على نقاط نهاية استنتاج SageMaker باستخدام معايير التجميع الموصى بها. بالإضافة إلى وظائف اللياقة البدنية التي ناقشناها، يمكنك استخدام الجدول التالي لتحديد خيار استضافة SageMaker المشترك الأفضل لحالة الاستخدام الخاصة بك. يمكنك العثور على نماذج التعليمات البرمجية لكل خيار من خيارات استضافة FM على SageMaker في مستودعات GitHub التالية: نقطة نهاية SageMaker واحدة, نقطة نهاية متعددة النماذجو InferenceComponents
نقطة النهاية.
. | نقطة النهاية ذات النموذج الواحد | نقطة نهاية متعددة النماذج | نقطة النهاية مع مكونات الاستدلال |
دورة حياة النموذج | API للإدارة | ديناميكي من خلال مسار Amazon S3 | API للإدارة |
أنواع المثيلات مدعومة | وحدة المعالجة المركزية (CPU)، ووحدة معالجة الرسومات (GPU) الفردية والمتعددة، والمثيلات المستندة إلى AWS Inferentia | وحدة المعالجة المركزية (CPU)، مثيلات تعتمد على وحدة معالجة الرسومات (GPU) الفردية | وحدة المعالجة المركزية (CPU)، ووحدة معالجة الرسومات (GPU) الفردية والمتعددة، والمثيلات المستندة إلى AWS Inferentia |
التفاصيل المترية | نقطة النهاية | نقطة النهاية | نقطة النهاية والحاوية |
تحجيم التفاصيل | مثيل ML | مثيل ML | وعاء |
سلوك التحجيم | تحجيم مثيل ML المستقل | يتم تحميل النماذج وتفريغها من الذاكرة | تحجيم الحاويات المستقلة |
تثبيت النموذج | . | يمكن تفريغ النماذج على أساس الذاكرة | يمكن تكوين كل حاوية ليتم تحميلها أو تفريغها دائمًا |
متطلبات الحاوية | SageMaker مُصمم مسبقًا ومتوافق مع SageMaker، أحضر حاويتك الخاصة (BYOC) | MMS، Triton، BYOC مع عقود MME | تم تصميم SageMaker مسبقًا ومتوافق مع BYOC |
خيارات التوجيه | اتصال عشوائي أو أقل | عشوائية، لزجة مع نافذة شعبية | اتصال عشوائي أو أقل |
تخصيص الأجهزة للنموذج | مخصص لنموذج واحد | المشتركة | مخصصة لكل حاوية |
عدد النماذج المدعومة | غير متزوجة | الآلاف | مئات |
تدفق الاستجابة | مدعومة | غير معتمد | مدعومة |
التقاط البيانات | مدعومة | غير معتمد | غير معتمد |
اختبار الظل | مدعومة | غير معتمد | غير معتمد |
متعدد المتغيرات | مدعومة | غير قابل للتطبيق | غير معتمد |
نماذج سوق AWS | مدعومة | غير قابل للتطبيق | غير معتمد |
عن المؤلفين
مهران نجفي ، دكتوراه ، هو مهندس حلول أقدم في AWS ويركز على حلول AI / ML و SaaS في Scale.
ضوال باتل هو مهندس رئيسي لتعلم الآلة في AWS. لقد عمل مع مؤسسات تتراوح من المؤسسات الكبيرة إلى الشركات الناشئة متوسطة الحجم في المشكلات المتعلقة بالحوسبة الموزعة والذكاء الاصطناعي. يركز على التعلم العميق بما في ذلك مجالات البرمجة اللغوية العصبية ورؤية الكمبيوتر. إنه يساعد العملاء على تحقيق استدلال نموذج عالي الأداء على SageMaker.
ريلا ديجيسوس هو مهندس الحلول الرئيسي في AWS والذي نجح في مساعدة العديد من عملاء المؤسسات في منطقة العاصمة وميريلاند وفيرجينيا على الانتقال إلى السحابة. وهي مناصرة للعملاء ومستشارة فنية، وتساعد مؤسسات مثل Heroku/Salesforce على تحقيق النجاح على منصة AWS. إنها من أشد المؤيدين للمرأة في مجال تكنولوجيا المعلومات ولديها شغف كبير بإيجاد طرق لاستخدام التكنولوجيا والبيانات بشكل إبداعي لحل التحديات اليومية.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/scale-foundation-model-inference-to-hundreds-of-models-with-amazon-sagemaker-part-1/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 10
- 100
- 11
- 25
- 50
- 7
- a
- القدرة
- ماهرون
- من نحن
- تسارع
- مسرع
- المعجلات
- مقبول
- الوصول
- الوصول
- الوصول
- استيعاب
- حسابي
- دقة
- التأهيل
- تحقيق
- في
- وأضاف
- إضافة
- سلبا
- المستشار
- محام
- تؤثر
- تؤثر
- عملاء
- AI
- نماذج الذكاء الاصطناعى
- حالات استخدام ai
- AI / ML
- خوارزميات
- الكل
- تخصيص
- توزيع
- السماح
- يسمح
- أيضا
- دائما
- أمازون
- Amazon EC2
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- المبالغ
- an
- و
- سنوي
- آخر
- الأجوبة
- أنثروبي
- أي وقت
- تطبيق
- التطبيقات
- التقديم
- نهج
- مناسب
- المهندسين المعماريين
- هندسة معمارية
- هي
- المنطقة
- حول
- مصطنع
- الذكاء الاصطناعي
- AS
- تقييم
- تقييم
- التقييم المناسبين
- مؤكد
- At
- المعزز
- السيارات
- تلقائيا
- أتمتة
- الحكم الذاتي
- متاح
- المتوسط
- AWS
- استدلال AWS
- سوق AWS
- عرض النطاق الترددي
- قاعدة
- على أساس
- أساس
- BE
- لان
- يصبح
- وراء
- يجري
- أفضل
- أفضل
- ما بين
- مليار
- المليارات
- زيادة
- الاقتراض
- على حد سواء
- حدود
- جلب
- نساعدك في بناء
- ابني
- الأعمال
- طريقة العمل
- الأعمال
- لكن
- by
- محسوب
- تسمى
- CAN
- الطاقة الإنتاجية
- حقيبة
- الحالات
- سبب
- مركزي
- التحديات
- تحدي
- تغيير
- الخصائص
- رسم
- chatbot
- chatbots
- التحقق
- رقاقة
- خيار
- الخيارات
- اختار
- اختيار
- اغلاق
- سحابة
- شارك في المضيف
- الكود
- صاغ
- بارد
- الزملاء
- جماعي
- جماعي
- الجمع بين
- يأتي
- Communication
- الشركات
- الشركة
- متوافق
- التعقيدات
- تعقيد
- الالتزام
- مكونات
- مركب
- حساب
- الحسابية
- القوة الحسابية
- إحصاء
- الكمبيوتر
- رؤية الكمبيوتر
- الحوسبة
- القدرة الحاسوبية
- مفهوم
- سرية
- الاعداد
- تكوين
- نظر
- نظرت
- النظر
- تستهلك
- مستهلك
- وعاء
- حاويات
- محتوى
- سياق الكلام
- مراقبة
- المحادثات
- جوهر
- التكلفة
- وفورات في التكاليف
- فعاله من حيث التكلفه
- التكاليف
- استطاع
- إلى جانب
- خلق
- المعايير
- حرج
- زبون
- بيانات العميل
- خدمة العملاء
- دعم العملاء
- العملاء
- حسب الطلب
- دورات
- البيانات
- معالجة المعلومات
- قاعدة البيانات
- يوم
- dc
- تقرر
- القرار
- اتخاذ القرار
- القرارات
- فك
- مخصصة
- عميق
- التعلم العميق
- تعريف
- نقل
- الطلب
- مطالب
- الدمقرطة
- اعتمادا
- يعتمد
- نشر
- نشر
- نشر
- نشر
- نشر
- محدد
- تصميم
- مطلوب
- مفصلة
- تفاصيل
- كشف
- حدد
- يحدد
- تحديد
- جهاز
- الأجهزة
- الخلافات
- مختلف
- صعوبة
- التوزيع
- بعد
- الأبعاد
- بحث
- ناقش
- العرض
- وزعت
- الحوسبة الموزعة
- عدة
- المجالات
- لا
- رسم
- اثنان
- أثناء
- ديناميكي
- حيوي
- كل
- بسهولة
- الاقتصادات
- مقياس اقتصادي
- الطُرق الفعّالة
- فعال
- بكفاءة
- إما
- البريد الإلكتروني
- تمكين
- تمكن
- تمكين
- نقطة النهاية
- جذب
- التعاقدات
- محرك
- المهندسين
- تعزيز
- كاف
- ضمان
- ضمان
- مشروع
- الشركات
- البيئة
- البيئات
- خاصة
- تقييم
- حتى
- الحدث/الفعالية
- كل
- كل يوم
- كل شىء
- تطور
- يتطور
- مثال
- تجاوز
- استثناء
- تبادل
- ممارسة
- تتوقع
- الخبره في مجال الغطس
- تجربة
- خبرة
- استكشاف
- مدى
- خارجي
- عامل
- العوامل
- FAST
- صالح
- المميزات
- أقل
- نهائي
- العثور على
- نهاية
- الاسم الأول
- تناسب
- اللياقة البدنية
- خمسة
- سريع
- مرونة
- مرن
- ركز
- ويركز
- متابعيك
- متابعات
- في حالة
- فورد
- دورة تأسيسية
- الإطار
- الأطر
- كثيرا
- تبدأ من
- بالإضافة إلى
- تماما
- وظيفة
- وظائف
- ربح
- على العموم
- توليد
- توليد
- جيل
- توليدي
- الذكاء الاصطناعي التوليدي
- دولار فقط واحصل على خصم XNUMX% على جميع
- GitHub جيثب:
- معطى
- يعطي
- الأهداف
- وحدة معالجة الرسوميات:
- وحدات معالجة الرسومات
- رسم بياني
- أكبر
- جدا
- تجمع
- توجيه
- توجيه
- معالجة
- أجهزة التبخير
- يملك
- وجود
- he
- ثقيل
- رفع أحمال ثقيلة
- مساعدة
- ساعد
- يساعد
- من هنا
- مرتفع
- أعلى
- جدا
- له
- تاريخي
- تاريخ
- مضيف
- استضافت
- استضافة
- أفضل العروض
- ساعات العمل
- كيفية
- كيفية
- HTTP
- HTTPS
- مئات
- مهجنة
- if
- يوضح
- صورة
- هائلة
- التأثير
- الآثار
- أهمية
- مفروض
- in
- يشمل
- بما فيه
- الوارد
- الاشتقاق
- زيادة
- الزيادات
- بشكل فردي
- البنية التحتية
- في البداية
- إدخال
- مثل
- دمج
- سلامة
- إنتل
- فكري
- الملكية الفكرية
- رؤيتنا
- ذكي
- داخلي
- إلى
- جوهري
- يدخل
- التذرع
- تنطوي
- المشاركة
- IP
- عزل
- IT
- العناصر
- JPG
- المعرفة
- لغة
- كبير
- الشركات الكبيرة
- أكبر
- كمون
- الى وقت لاحق
- آخر
- تطلق
- تعلم
- الأقل
- الطول
- أقل
- مستوى
- المكتبة
- تجميل
- مثل
- محدود
- حدود
- خط
- خطوط
- اللاما نوع من الجمال
- تحميل
- جار التحميل
- الأحمال
- منطقيا
- طويل
- بدا
- أبحث
- الكثير
- منخفض
- خفض
- آلة
- آلة التعلم
- صنع
- المحافظة
- الحفاظ على
- جعل
- إدارة
- تمكن
- إدارة
- إدارة
- أسلوب
- كثير
- التسويق
- السوق
- ميريلاند
- هائل
- أقصى
- مايو..
- يعني
- الاجتماع
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- طريقة
- متري
- ربما
- التقليل
- مزيج
- ML
- نموذج
- عارضات ازياء
- مراقبة
- الأكثر من ذلك
- أكثر
- خطوة
- موضوع
- نقطة نهاية متعددة النماذج
- متعدد
- كثرة
- يجب
- ضروري
- حاجة
- الحاجة
- إحتياجات
- الجيران
- شبكة
- جديد
- التالي
- نيترو
- البرمجة اللغوية العصبية
- لا
- عدد
- NVIDIA
- موضوعي
- أهداف
- تحصل
- عرضي
- of
- عرض
- عروض
- غالبا
- on
- ONE
- طريقة التوسع
- تعمل
- تعمل
- تشغيل
- عمليات
- مشغلي
- الأمثل
- التحسين
- الأمثل
- خيار
- مزيد من الخيارات
- or
- طلب
- منظمة
- المنظمات
- أخرى
- أخرى
- لنا
- خارج
- الناتج
- النتائج
- على مدى
- الكلي
- الخاصة
- ملكية
- حزمة
- صفحة
- موازية
- المعلمات
- جزء
- الشريكة
- pass
- عاطفي
- أنماط
- البنتاغون
- إلى
- نفذ
- أداء
- تنفيذ
- فترة
- فترات
- مخصصه
- منظور
- رسالة دكتوراه
- طيار
- وضع
- مخطط
- المنصة
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- سياسات الخصوصية والبيع
- سياسة
- شعبية
- جزء
- منشور
- يحتمل
- قوة
- قابل للتنبؤ
- الضغط
- سائد
- منع
- رئيسي
- أولويات
- الأولوية
- المحتمل
- مشاكل
- عملية المعالجة
- معالجة
- الملكية
- اقترح
- حماية
- تزود
- المقدمة
- مقدمي
- ويوفر
- توفير
- غرض
- pytorch
- سؤال وجواب
- كمي
- سريع
- رادار
- نطاق
- تتراوح
- حقيقي
- في الوقت الحقيقي
- واقع
- تحقيق
- الأسباب
- موصى به
- تخفيض
- عقار مخفض
- تقليص
- الرجوع
- يشير
- يعكس
- ما هو مقنن
- المنظمين
- ذات صلة
- نسبيا
- ذات الصلة
- بقايا
- المقدمة
- مثل
- طلب
- طلبات
- تطلب
- مطلوب
- المتطلبات الأساسية
- يتطلب
- مورد
- الموارد
- استجابة
- استجابة
- نتيجة
- مما أدى
- النتائج
- حق
- صارم
- المخاطرة
- نماذج إدارة المخاطر
- يجري
- وقت التشغيل
- ادارة العلاقات مع
- التضحية
- sagemaker
- الاستدلال SageMaker
- راتب
- الأملاح
- نفسه
- حفظ
- مدخرات
- تحجيم
- حجم
- النطاقات
- التحجيم
- سيناريو
- جدول
- العلماء
- خدش
- بحث
- الثاني
- القسم
- تأمين
- أمن
- اختيار
- بيع
- كبير
- حساس
- مستقل
- خدمة
- الخادم
- الخدمة
- خدماتنا
- خدمة
- طقم
- عدة
- الشكل
- عملية التجزئة
- مشاركة
- شاركت
- مشاركة
- هي
- ينبغي
- إظهار
- يظهر
- أصناف جانبية
- هام
- بشكل ملحوظ
- مماثل
- معا
- عزباء
- الجلوس
- حالة
- المقاس
- الحجم
- الأحجام
- بطيء
- الأصغر
- So
- تطبيقات الكمبيوتر
- البرمجيات كخدمة
- حل
- الحلول
- حل
- بعض
- أحيانا
- الفضاء
- متخصص
- محدد
- على وجه التحديد
- محدد
- سرعة
- غزل
- مستقر
- المعايير
- بداية
- البدء
- لزج
- تخزين
- الإستراتيجيات
- صارم
- جوهري
- تحقيق النجاح
- بنجاح
- هذه
- كاف
- مناسب
- الدعم
- مؤيد
- الدعم
- مفاتيح
- نظام
- جدول
- تناسب
- أخذ
- مهمة
- المهام
- فريق
- فريق
- تقني
- تكنولوجيا
- عشرات
- tensorflow
- تجربه بالعربي
- نص
- من
- أن
- •
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- هم
- طرف ثالث
- فكر
- الآلاف
- ثلاثة
- عبر
- الإنتاجية
- الوقت
- مرات
- إلى
- سويا
- أداة
- الإجمالي
- نحو
- حركة المرور
- قادة الإيمان
- تحول
- محولات
- تريتون نصف إله عند الإغريق
- افضل
- ضبط
- نوع
- أنواع
- عادة
- غير مصرح
- التي تقوم عليها
- فهم
- فهم
- فريد من نوعه
- تستخدم
- حالة الاستخدام
- مستعمل
- مستخدم
- استخدام
- عادة
- الاستفادة من
- استخدام
- قيمنا
- القيم
- مختلف
- متفاوتة
- جدا
- المزيد
- فرجينيا
- رؤيتنا
- قم بزيارتنا
- تريد
- وكان
- طرق
- we
- الويب
- خدمات ويب
- وزن
- حسن
- ابحث عن
- ما هي تفاصيل
- متى
- كلما
- سواء
- التي
- في حين
- من الذى
- سوف
- مستعد
- مع
- في غضون
- بدون
- نسائي
- للعمل
- عمل
- سير العمل
- أعمال
- العالم
- سوف
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت
- صفر
- المناطق