شارك في كتابة هذا المنشور جيوتي شارما وشارمو ساركار من Vericast.
بالنسبة لأي مشكلة في التعلم الآلي (ML) ، يبدأ عالم البيانات بالعمل مع البيانات. وهذا يشمل جمع واستكشاف وفهم الأعمال والجوانب التقنية للبيانات ، إلى جانب تقييم أي تلاعبات قد تكون ضرورية لعملية بناء النموذج. أحد جوانب إعداد البيانات هذا هو هندسة الميزات.
هندسة الميزات يشير إلى العملية التي يتم فيها تحديد المتغيرات ذات الصلة واختيارها ومعالجتها لتحويل البيانات الأولية إلى أشكال أكثر فائدة وقابلة للاستخدام لاستخدامها مع خوارزمية ML المستخدمة لتدريب نموذج وإجراء الاستدلال ضده. الهدف من هذه العملية هو زيادة أداء الخوارزمية والنموذج التنبئي الناتج. تستلزم عملية هندسة الميزات عدة مراحل ، بما في ذلك إنشاء الميزات وتحويل البيانات واستخراج الميزات واختيار الميزة.
يعد بناء منصة لهندسة الميزات المعممة مهمة شائعة للعملاء الذين يحتاجون إلى إنتاج العديد من نماذج ML بمجموعات بيانات مختلفة. يتضمن هذا النوع من النظام الأساسي إنشاء عملية مدفوعة برمجيًا لإنتاج بيانات نهائية مصممة هندسيًا جاهزة للتدريب على النموذج مع القليل من التدخل البشري. ومع ذلك ، فإن تعميم هندسة الميزات يمثل تحديًا. تختلف كل مشكلة في العمل ، وكل مجموعة بيانات مختلفة ، وتختلف أحجام البيانات بشكل كبير من عميل إلى آخر ، وقد تلعب جودة البيانات ، وغالبًا ما تكون العلاقة الأساسية لعمود معين (في حالة البيانات المهيكلة) دورًا مهمًا في تعقيد هندسة الميزات عملية. علاوة على ذلك ، يمكن أن تؤدي الطبيعة الديناميكية لبيانات العميل أيضًا إلى تباين كبير في وقت المعالجة والموارد المطلوبة لإكمال هندسة الميزات على النحو الأمثل.
عميل AWS فيريكاست هي شركة حلول تسويقية تتخذ قرارات تستند إلى البيانات لتعزيز عائد الاستثمار التسويقي لعملائها. منصة التعلم الآلي الداخلية المستندة إلى السحابة من Vericast ، والمبنية حول عملية CRISP-ML (Q) ، تستخدم خدمات AWS المتنوعة ، بما في ذلك الأمازون SageMaker, أمازون SageMaker معالجة, AWS لامداو وظائف خطوة AWS، لإنتاج أفضل النماذج الممكنة المصممة لبيانات العميل المحدد. تهدف هذه المنصة إلى التقاط قابلية تكرار الخطوات التي تدخل في بناء مختلف تدفقات عمل ML وتجميعها في وحدات سير عمل قياسية قابلة للتعميم داخل النظام الأساسي.
في هذا المنشور ، نشارك كيف قامت Vericast بتحسين هندسة الميزات باستخدام SageMaker Processing.
حل نظرة عامة
تساعد منصة التعلم الآلي من Vericast في النشر الأسرع لنماذج الأعمال الجديدة بناءً على تدفقات العمل الحالية أو التنشيط الأسرع للنماذج الحالية للعملاء الجدد. على سبيل المثال ، يختلف النموذج الذي يتنبأ بميل البريد المباشر تمامًا عن النموذج الذي يتنبأ بحساسية قسيمة الخصم لعملاء عميل Vericast. إنهم يحلون مشاكل العمل المختلفة وبالتالي لديهم سيناريوهات استخدام مختلفة في تصميم حملة تسويقية. ولكن من وجهة نظر ML ، يمكن تفسير كلاهما على أنهما نماذج تصنيف ثنائية ، وبالتالي يمكن أن تشترك في العديد من الخطوات الشائعة من منظور سير عمل ML ، بما في ذلك ضبط النموذج والتدريب ، والتقييم ، والقابلية للتفسير ، والنشر ، والاستدلال.
نظرًا لأن هذه النماذج هي مشكلات تصنيف ثنائية (من حيث ML) ، فإننا نقسم عملاء الشركة إلى فئتين (ثنائي): تلك التي من شأنها أن تستجيب بشكل إيجابي للحملة وتلك التي لا تستجيب. علاوة على ذلك ، تعتبر هذه الأمثلة تصنيفًا غير متوازن لأن البيانات المستخدمة لتدريب النموذج لن تحتوي على عدد متساوٍ من العملاء الذين سيستجيبون ولن يستجيبوا.
الخلق الفعلي لنموذج مثل هذا يتبع النمط المعمم الموضح في الرسم البياني التالي.
معظم هذه العملية هي نفسها بالنسبة لأي تصنيف ثنائي باستثناء خطوة هندسة الميزات. ربما تكون هذه هي الخطوة الأكثر تعقيدًا والتي يتم تجاهلها في بعض الأحيان في العملية. تعتمد نماذج ML إلى حد كبير على الميزات المستخدمة لإنشائها.
تهدف منصة التعلم الآلي السحابية الأصلية من Vericast إلى تعميم وأتمتة خطوات هندسة الميزات لمختلف تدفقات عمل ML وتحسين أدائها على مقياس التكلفة مقابل الوقت باستخدام الميزات التالية:
- مكتبة هندسة الميزات الخاصة بالمنصة - يتكون هذا من مجموعة دائمة التطور من التحولات التي تم اختبارها لتقديم ميزات عالية الجودة قابلة للتعميم بناءً على مفاهيم محددة للعميل (على سبيل المثال ، التركيبة السكانية للعملاء ، وتفاصيل المنتج ، وتفاصيل المعاملة ، وما إلى ذلك).
- محسنون ذكيون للموارد - تستخدم المنصة قدرة البنية التحتية عند الطلب الخاصة بـ AWS لتدوير النوع الأمثل من موارد المعالجة لوظيفة هندسة الميزات المعينة بناءً على التعقيد المتوقع للخطوة وكمية البيانات التي تحتاجها لاستخراجها.
- التحجيم الديناميكي لوظائف هندسة الميزات - يتم استخدام مجموعة من خدمات AWS المتنوعة لهذا الغرض ، ولكن أبرزها معالجة SageMaker. هذا يضمن أن النظام الأساسي ينتج ميزات عالية الجودة بطريقة فعالة من حيث التكلفة وفي الوقت المناسب.
يركز هذا المنشور على النقطة الثالثة في هذه القائمة ويوضح كيفية تحقيق التحجيم الديناميكي لوظائف معالجة SageMaker لتحقيق إطار عمل معالجة بيانات أكثر إدارته وأداءً وفعالية من حيث التكلفة لأحجام البيانات الكبيرة.
تمكّن معالجة SageMaker أعباء العمل التي تنفذ خطوات للمعالجة المسبقة للبيانات أو المعالجة اللاحقة ، وهندسة الميزات ، والتحقق من صحة البيانات ، وتقييم النموذج على SageMaker. كما أنه يوفر بيئة مُدارة ويزيل تعقيد الرفع الثقيل غير المتمايز المطلوب لإعداد وصيانة البنية التحتية اللازمة لتشغيل أعباء العمل. علاوة على ذلك ، توفر معالجة SageMaker واجهة API لتشغيل ومراقبة وتقييم عبء العمل.
يتم تشغيل وظائف معالجة SageMaker بشكل كامل داخل مجموعة SageMaker مُدارة ، مع وضع الوظائف الفردية في حاويات المثيلات في وقت التشغيل. تقوم المجموعة المُدارة ، والطبعات ، والحاويات بالإبلاغ عن مقاييس إلى الأمازون CloudWatch، بما في ذلك استخدام وحدة معالجة الرسومات ووحدة المعالجة المركزية والذاكرة وذاكرة وحدة معالجة الرسومات ومقاييس القرص وتسجيل الأحداث.
توفر هذه الميزات مزايا لمهندسي وعلماء بيانات Vericast من خلال المساعدة في تطوير تدفقات عمل المعالجة المسبقة المعممة واستخلاص صعوبة الحفاظ على البيئات المولدة لتشغيلها. ومع ذلك ، يمكن أن تنشأ مشاكل فنية ، بالنظر إلى الطبيعة الديناميكية للبيانات وميزاتها المتنوعة التي يمكن إدخالها في مثل هذا الحل العام. يجب أن يقوم النظام بعمل تخمين مبدئي مدروس لحجم الكتلة والحالات التي تتكون منها. يحتاج هذا التخمين إلى تقييم معايير البيانات واستنتاج متطلبات وحدة المعالجة المركزية والذاكرة والقرص. قد يكون هذا التخمين مناسبًا تمامًا ويؤدي بشكل مناسب للوظيفة ، ولكن في حالات أخرى قد لا يكون كذلك. بالنسبة لمجموعة بيانات معينة ووظيفة ما قبل المعالجة ، قد تكون وحدة المعالجة المركزية أصغر حجمًا ، مما يؤدي إلى أقصى أداء للمعالجة وأوقات طويلة لإكمالها. والأسوأ من ذلك ، يمكن أن تصبح الذاكرة مشكلة ، مما يؤدي إلى ضعف الأداء أو نفاد أحداث الذاكرة مما يؤدي إلى فشل المهمة بأكملها.
مع وضع هذه العقبات التقنية في الاعتبار ، شرعت Vericast في إيجاد حل. لقد احتاجوا إلى أن يظلوا عامًا في طبيعتهم وأن يتناسبوا مع الصورة الأكبر لسير عمل المعالجة المسبقة الذي يتسم بالمرونة في الخطوات المعنية. كان من المهم أيضًا حل كل من الحاجة المحتملة لتوسيع نطاق البيئة في الحالات التي يكون فيها الأداء معرضًا للخطر والتعافي بأمان من مثل هذا الحدث أو عند انتهاء العمل قبل الأوان لأي سبب من الأسباب.
يستخدم الحل الذي أنشأته Vericast لحل هذه المشكلة العديد من خدمات AWS التي تعمل معًا لتحقيق أهداف أعمالهم. تم تصميمه لإعادة تشغيل وتوسيع مجموعة معالجة SageMaker بناءً على مقاييس الأداء التي تمت ملاحظتها باستخدام وظائف Lambda التي تراقب الوظائف. لكي لا تفقد العمل عند حدوث حدث توسيع أو للتعافي من توقف وظيفة بشكل غير متوقع ، تم وضع خدمة قائمة على نقاط التفتيش تستخدم الأمازون DynamoDB ويخزن البيانات التي تمت معالجتها جزئيًا بتنسيق خدمة تخزين أمازون البسيطة حاويات (Amazon S3) عند اكتمال الخطوات. النتيجة النهائية هي حل تحجيم تلقائي وقوي ومراقب ديناميكيًا.
يُظهر الرسم التخطيطي التالي نظرة عامة عالية المستوى حول كيفية عمل النظام.
في الأقسام التالية ، نناقش مكونات الحل بمزيد من التفصيل.
بدء الحل
يفترض النظام أن عملية منفصلة تبدأ الحل. على العكس من ذلك ، لم يتم تصميم هذا التصميم للعمل بمفرده لأنه لن ينتج عنه أي قطع أثرية أو مخرجات ، ولكنه يعمل كتطبيق جانبي لأحد الأنظمة التي تستخدم وظائف معالجة SageMaker. في حالة Vericast ، يتم بدء الحل عن طريق مكالمة من خطوة وظائف الخطوة التي بدأت في وحدة نمطية أخرى للنظام الأكبر.
بمجرد بدء الحل وتشغيل التشغيل الأول ، تتم قراءة التكوين القياسي الأساسي من جدول DynamoDB. يستخدم هذا التكوين لتعيين معلمات لوظيفة SageMaker Processing ولديه الافتراضات الأولية لاحتياجات البنية التحتية. بدأت الآن مهمة SageMaker Processing.
مراقبة البيانات الوصفية والمخرجات
عند بدء الوظيفة ، تكتب وظيفة Lambda البيانات الوصفية لمعالجة المهمة (تكوين الوظيفة الحالي ومعلومات السجل الأخرى) في جدول سجل DynamoDB. تحتفظ هذه البيانات الوصفية ومعلومات السجل بسجل الوظيفة وتكوينها الأولي والمستمر وغيرها من البيانات المهمة.
في نقاط معينة ، عند اكتمال الخطوات في الوظيفة ، تتم إضافة بيانات نقاط التحقق إلى جدول سجل DynamoDB. يتم نقل بيانات المخرجات المعالجة إلى Amazon S3 للاسترداد السريع إذا لزم الأمر.
تقوم وظيفة Lambda هذه أيضًا بإعداد ملف أمازون إيفينت بريدج القاعدة التي تراقب العمل الجاري لحالتها. على وجه التحديد ، تراقب هذه القاعدة الوظيفة لملاحظة ما إذا كانت حالة الوظيفة تتغير إلى stopping
أو هو في stopped
ولاية. تلعب قاعدة EventBridge دورًا مهمًا في إعادة تشغيل مهمة ما إذا كان هناك فشل أو حدث حدث تغيير تلقائي مخطط له.
مراقبة مقاييس CloudWatch
تعمل وظيفة Lambda أيضًا على تعيين إنذار CloudWatch استنادًا إلى تعبير رياضي متري في مهمة المعالجة ، والتي تراقب مقاييس جميع حالات استخدام وحدة المعالجة المركزية واستخدام الذاكرة واستخدام القرص. يستخدم هذا النوع من الإنذارات (متري) عتبات إنذار CloudWatch. يُنشئ التنبيه أحداثًا بناءً على قيمة المقياس أو التعبير المرتبط بالحدود على مدار عدد من الفترات الزمنية.
في حالة استخدام Vericast ، تم تصميم تعبير العتبة للنظر في مثيلات برنامج التشغيل والمنفذ منفصلة ، مع مراقبة المقاييس بشكل فردي لكل منهما. من خلال فصلهما ، تعرف Vericast أيهما يسبب الإنذار. من المهم تحديد كيفية القياس وفقًا لذلك:
- إذا تجاوزت مقاييس المنفذ الحد الأدنى ، فمن الجيد القياس أفقيًا
- إذا تجاوزت مقاييس السائق الحد الأدنى ، فمن المحتمل ألا يساعد القياس الأفقي ، لذلك يجب علينا القياس عموديًا
تعبير مقاييس الإنذار
يمكن لـ Vericast الوصول إلى المقاييس التالية في تقييمها للقياس والفشل:
- استخدام وحدة المعالجة المركزية - مجموع استخدام كل نواة من وحدة المعالجة المركزية
- الذاكرة - النسبة المئوية للذاكرة التي تستخدمها الحاويات في مثيل
- استخدام القرص - النسبة المئوية لمساحة القرص التي تستخدمها الحاويات في مثيل
- استخدام GPU - النسبة المئوية لوحدات GPU التي تستخدمها الحاويات في مثيل
- GPUM الاستخدام - النسبة المئوية لذاكرة وحدة معالجة الرسومات المستخدمة بواسطة الحاويات على مثيل
اعتبارًا من كتابة هذه السطور ، تعتبر Vericast فقط CPUUtilization
, MemoryUtilization
و DiskUtilization
. في المستقبل ، ينوون النظر GPUUtilization
و GPUMemoryUtilization
كذلك.
الكود التالي هو مثال على إنذار CloudWatch استنادًا إلى تعبير رياضي متري لمقياس Vericast التلقائي:
يوضح هذا التعبير أن إنذار CloudWatch يفكر فيه DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
و DiskUtilization (diskExec)
كمقاييس للرصد. الرقم 80 في التعبير السابق يشير إلى قيمة العتبة.
هنا، IF((cpuDriver) > 80, 1, 0
يعني أنه إذا تجاوز استخدام وحدة المعالجة المركزية للسائق 80٪ ، فسيتم تعيين 1 على أنه عتبة أخرى 0. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
يعني أن جميع المقاييس مع سلسلة memoryExec
فيه يؤخذ في الاعتبار ويحسب المتوسط على ذلك. إذا كان متوسط النسبة المئوية لاستخدام الذاكرة يتجاوز 80 ، فسيتم تعيين 1 كحد أدنى آخر 0.
العامل المنطقي OR
يستخدم في التعبير لتوحيد جميع الاستخدامات في التعبير - إذا وصل أي من الاستخدامات إلى حده ، فقم بتشغيل الإنذار.
لمزيد من المعلومات حول استخدام إنذارات CloudWatch المترية استنادًا إلى التعبيرات الرياضية المترية ، يرجى الرجوع إلى إنشاء منبه CloudWatch بناءً على تعبير رياضي متري.
قيود إنذار CloudWatch
تحدد CloudWatch عدد المقاييس لكل إنذار بـ 10. يمكن أن يسبب هذا قيودًا إذا كنت بحاجة إلى التفكير في مقاييس أكثر من ذلك.
للتغلب على هذا القيد ، قامت Vericast بضبط إنذارات بناءً على الحجم الكلي للكتلة. يتم إنشاء منبه واحد لكل ثلاث حالات (لثلاث حالات ، سيكون هناك إنذار واحد لأن ذلك سيضيف ما يصل إلى تسعة مقاييس). بافتراض اعتبار مثيل برنامج التشغيل بشكل منفصل ، يتم إنشاء إنذار منفصل آخر لمثيل السائق. لذلك ، فإن إجمالي عدد الإنذارات التي تم إنشاؤها يعادل تقريبًا ثلث عدد عقد المنفذ ورقم إضافي لمثيل السائق. في كل حالة ، يكون عدد المقاييس لكل إنذار أقل من 10 متري.
ماذا يحدث عندما تكون في حالة إنذار
إذا تم استيفاء عتبة محددة مسبقًا ، ينتقل التنبيه إلى alarm
الدولة التي تستخدم خدمة إعلام أمازون البسيطة (Amazon SNS) لإرسال الإخطارات. في هذه الحالة ، يرسل إشعارًا بالبريد الإلكتروني إلى جميع المشتركين مع تفاصيل حول التنبيه في الرسالة.
تُستخدم خدمة Amazon SNS أيضًا كمحفز لوظيفة Lambda التي توقف وظيفة معالجة SageMaker قيد التشغيل حاليًا لأننا نعلم أن المهمة ربما تفشل. تسجل هذه الوظيفة أيضًا السجلات في جدول السجل المتعلق بالحدث.
ستلاحظ قاعدة EventBridge التي تم إعدادها عند بدء العمل أن المهمة قد دخلت إلى stopping
دولة بعد بضع ثوان. تقوم هذه القاعدة بعد ذلك بإعادة تشغيل أول وظيفة Lambda لإعادة تشغيل الوظيفة.
عملية التحجيم الديناميكي
ستعرف وظيفة Lambda الأولى بعد تشغيلها مرتين أو أكثر أن وظيفة سابقة قد بدأت بالفعل وتوقفت الآن. ستخضع الوظيفة لعملية مماثلة للحصول على التكوين الأساسي من الوظيفة الأصلية في جدول سجل DynamoDB وستسترد أيضًا التكوين المحدث من الجدول الداخلي. هذا التكوين المحدث هو تكوين دلتا للموارد يتم تعيينه بناءً على نوع القياس. يتم تحديد نوع القياس من البيانات الوصفية للإنذار كما هو موضح سابقًا.
يتم استخدام التكوين الأصلي بالإضافة إلى دلتا الموارد لأن تكوينًا جديدًا ووظيفة معالجة SageMaker جديدة بدأت مع زيادة الموارد.
تستمر هذه العملية حتى تكتمل المهمة بنجاح ويمكن أن تؤدي إلى إعادة تشغيل متعددة حسب الحاجة ، مع إضافة المزيد من الموارد في كل مرة.
نتيجة Vericast
لقد كان حل القياس التلقائي المخصص هذا مفيدًا في جعل منصة التعلم الآلي من Vericast أكثر قوة وتحملًا للأخطاء. يمكن للنظام الأساسي الآن التعامل برشاقة مع أعباء العمل الخاصة بأحجام بيانات مختلفة بأقل تدخل بشري.
قبل تنفيذ هذا الحل ، كان تقدير متطلبات الموارد لجميع الوحدات المستندة إلى Spark في خط الأنابيب أحد أكبر الاختناقات في عملية إعداد العميل الجديد. قد تفشل مهام سير العمل إذا زاد حجم بيانات العميل ، أو ستكون التكلفة غير مبررة إذا انخفض حجم البيانات في الإنتاج.
مع تطبيق هذه الوحدة الجديدة ، تم تقليل حالات فشل سير العمل بسبب قيود الموارد بنسبة 80٪ تقريبًا. ترجع حالات الفشل القليلة المتبقية في الغالب إلى قيود حساب AWS وخارج نطاق عملية القياس التلقائي. أكبر مكسب لـ Vericast مع هذا الحل هو السهولة التي يمكن بها ضم عملاء جدد وسير العمل. تتوقع Vericast تسريع العملية بنسبة 60-70٪ على الأقل ، مع استمرار جمع البيانات للحصول على رقم نهائي.
على الرغم من أن Vericast تعتبر هذا نجاحًا ، إلا أن هناك تكلفة تأتي معه. استنادًا إلى طبيعة هذه الوحدة ومفهوم القياس الديناميكي ككل ، تميل تدفقات العمل إلى أن تستغرق حوالي 30٪ أطول (حالة متوسطة) من سير عمل مع مجموعة مضبوطة بشكل مخصص لكل وحدة نمطية في سير العمل. تواصل Vericast التحسين في هذا المجال ، وتتطلع إلى تحسين الحل من خلال دمج تهيئة الموارد القائمة على الاستدلال على كل وحدة نمطية للعميل.
يقول شارمو ساركار ، كبير المديرين ، منصة التعلم الآلي في Vericast ، "بينما نواصل توسيع استخدامنا لـ AWS و SageMaker ، أردت أن أتوقف لحظة لتسليط الضوء على العمل المذهل لفريق خدمات عملاء AWS لدينا ، مهندسو حلول AWS المخصصون ، وخدمات AWS الاحترافية التي نعمل معها. سمح لنا فهمهم العميق لـ AWS و SageMaker بتصميم حل يلبي جميع احتياجاتنا ويوفر لنا المرونة وقابلية التوسع التي طلبناها. نحن ممتنون للغاية لوجود فريق دعم موهوب وواسع المعرفة إلى جانبنا ".
وفي الختام
في هذا المنشور ، شاركنا كيف مكنت SageMaker و SageMaker Processing Vericast من بناء إطار عمل معالجة بيانات مُدار ، وفعال ، وفعال من حيث التكلفة لأحجام كبيرة من البيانات. من خلال الجمع بين قوة ومرونة SageMaker Processing مع خدمات AWS الأخرى ، يمكنهم بسهولة مراقبة عملية هندسة الميزات المعممة. يمكنهم تلقائيًا اكتشاف المشكلات المحتملة الناتجة عن نقص الحوسبة والذاكرة وعوامل أخرى ، وتنفيذ القياس الرأسي والأفقي تلقائيًا حسب الحاجة.
يمكن أن تساعد SageMaker وأدواتها فريقك على تحقيق أهداف ML أيضًا. لمعرفة المزيد حول معالجة SageMaker وكيف يمكن أن تساعد في أعباء عمل معالجة البيانات الخاصة بك ، ارجع إلى معالجة البيانات. إذا كنت قد بدأت للتو في تعلم الآلة وتبحث عن أمثلة وإرشادات ، أمازون سيج ميكر جومب ستارت يمكن أن تبدأ. JumpStart هو مركز ML يمكنك من خلاله الوصول إلى خوارزميات مدمجة مع نماذج أساس مدربة مسبقًا لمساعدتك في أداء مهام مثل تلخيص المقالات وإنشاء الصور والحلول المعدة مسبقًا لحل حالات الاستخدام الشائعة.
أخيرًا ، إذا كان هذا المنشور يساعدك أو يلهمك لحل مشكلة ما ، فنحن نحب أن نسمع عنها! يرجى مشاركة تعليقاتك وملاحظاتك.
حول المؤلف
أنتوني مكلور هو مهندس حلول شريك أول مع فريق مصنع AWS SaaS. لدى أنتوني أيضًا اهتمامًا قويًا بالتعلم الآلي والذكاء الاصطناعي من خلال العمل مع AWS ML / AI Technical Field Community لمساعدة العملاء في تحويل حلول التعلم الآلي الخاصة بهم إلى واقع ملموس.
جيوتي شارما هو مهندس علوم بيانات مع فريق منصة التعلم الآلي في Vericast. إنها شغوفة بجميع جوانب علم البيانات وتركز على تصميم وتنفيذ نظام أساسي للتعلم الآلي قابل للتطوير والموزعة بشكل كبير.
شارمو سركار هو مدير أول في Vericast. يقود منصة التعلم الآلي السحابية وفرق البحث والتطوير في منصة التسويق في Vericast. لديه خبرة واسعة في تحليلات البيانات الضخمة والحوسبة الموزعة ومعالجة اللغة الطبيعية. خارج العمل ، يستمتع بركوب الدراجات النارية والمشي لمسافات طويلة وركوب الدراجات على المسارات الجبلية.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- أفلاطونايستريم. ذكاء بيانات Web3. تضخيم المعرفة. الوصول هنا.
- سك المستقبل مع أدرين أشلي. الوصول هنا.
- شراء وبيع الأسهم في شركات ما قبل الاكتتاب مع PREIPO®. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 10
- 100
- 15%
- 7
- a
- من نحن
- الوصول
- وفقا لذلك
- حسابي
- التأهيل
- تفعيل
- الأفعال
- تضيف
- وأضاف
- مضيفا
- إضافي
- كاف
- بعد
- ضد
- الإيدز
- وتهدف
- إنذار
- خوارزمية
- خوارزميات
- الكل
- وحده
- على طول
- سابقا
- أيضا
- أمازون
- الأمازون SageMaker
- كمية
- an
- تحليلات
- و
- آخر
- أنتوني
- أي وقت
- API
- مناسب
- هندسة معمارية
- هي
- المنطقة
- حول
- البند
- مصطنع
- الذكاء الاصطناعي
- AS
- جانب
- الجوانب
- تعيين
- مساعدة
- At
- السيارات
- أتمتة
- تلقائيا
- المتوسط
- AWS
- الخدمات المهنية AWS
- قاعدة
- على أساس
- BE
- لان
- أصبح
- كان
- يجري
- الفوائد
- أفضل
- Beyond
- كبير
- البيانات الكبيرة
- أكبر
- زيادة
- على حد سواء
- وبذلك
- نساعدك في بناء
- ابني
- بنيت
- مدمج
- الأعمال
- لكن
- by
- محسوب
- دعوة
- الحملات
- CAN
- يستطيع الحصول على
- اسر
- حقيبة
- الحالات
- سبب
- مما تسبب في
- معين
- تحدي
- التغييرات
- فئة
- فصول
- تصنيف
- زبون
- العميل على متن الطائرة
- عميل
- سحابة
- كتلة
- الكود
- عمود
- مجموعة
- الجمع بين
- يأتي
- تعليقات
- مشترك
- مجتمع
- حول الشركة
- إكمال
- يكمل
- تعقيد
- معقد
- مكونات
- تسوية
- إحصاء
- الحوسبة
- مفهوم
- المفاهيم
- الاعداد
- نظر
- نظرت
- النظر
- وتعتبر
- القيود
- تحتوي على
- حاويات
- استمر
- تواصل
- التكلفة
- فعاله من حيث التكلفه
- استطاع
- قسيمة
- خلق
- خلق
- خلق
- المعايير
- عبر
- حالياًّ
- حاليا
- على
- زبون
- العملاء
- البيانات
- تحليلات البيانات
- تحضير البيانات
- معالجة المعلومات
- علم البيانات
- عالم البيانات
- تعتمد على البيانات
- قواعد البيانات
- تقرر
- القرارات
- مخصصة
- عميق
- دلتا
- التركيبة السكانية
- تابع
- نشر
- وصف
- تصميم
- تصميم
- تصميم
- التفاصيل
- تفاصيل
- مصمم
- التطوير التجاري
- مختلف
- اختلاف
- صعوبة
- مباشرة
- خصم الإخوة الإضافي
- بحث
- وزعت
- الحوسبة الموزعة
- مدفوع
- سائق
- اثنان
- ديناميكي
- حيوي
- كل
- في وقت سابق
- سهولة
- بسهولة
- إما
- البريد الإلكتروني
- تمكين
- تمكن
- مهندس
- الهندسة
- المهندسين
- يضمن
- كامل
- البيئة
- البيئات
- متساو
- معادل
- تقييم
- تقييم
- تقييم
- الحدث/الفعالية
- أحداث
- مثال
- أمثلة
- إلا
- القائمة
- وسع
- متوقع
- تتوقع
- الخبره في مجال الغطس
- استكشاف
- التعبيرات
- واسع
- خبرة واسعة
- العوامل
- مصنع
- يفشلون
- فشل
- الميزات
- المميزات
- بنك الاحتياطي الفيدرالي
- ردود الفعل
- قليل
- حقل
- نهائي
- الانتهاء
- الاسم الأول
- تناسب
- مرونة
- مرن
- ركز
- متابعيك
- متابعات
- في حالة
- أشكال
- دورة تأسيسية
- الإطار
- تبدأ من
- تماما
- وظيفة
- وظائف
- علاوة على ذلك
- مستقبل
- جمع
- العلاجات العامة
- ولدت
- يولد
- جيل
- دولار فقط واحصل على خصم XNUMX% على جميع
- الحصول على
- معطى
- Go
- هدف
- الأهداف
- يذهب
- خير
- وحدة معالجة الرسوميات:
- ممتنة
- توجيه
- كان
- مقبض
- يحدث
- يملك
- وجود
- he
- سماع
- ثقيل
- رفع أحمال ثقيلة
- مساعدة
- يساعد
- رفيع المستوى
- عالي الجودة
- تسليط الضوء
- جدا
- تاريخ
- أفقي
- أفقيا
- كيفية
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- محور
- الانسان
- العقبات
- i
- محدد
- if
- يوضح
- صورة
- تنفيذ
- التنفيذ
- تحقيق
- أهمية
- تحسن
- in
- في أخرى
- يشمل
- بما فيه
- دمج
- القيمة الاسمية
- زيادة
- لا يصدق
- فرد
- بشكل فردي
- معلومات
- البنية التحتية
- في البداية
- يبادر
- مثل
- دور فعال
- رؤيتنا
- تعتزم
- مصلحة
- السطح البيني
- داخلي
- تدخل
- إلى
- المشاركة
- قضية
- مسائل
- IT
- انها
- وظيفة
- المشــاريــع
- JPG
- م
- نوع
- علم
- نقص
- لغة
- كبير
- إلى حد كبير
- أكبر
- الى وقت لاحق
- يؤدي
- تعلم
- تعلم
- الأقل
- المكتبة
- تجميل
- تحديد
- القيود
- حدود
- لينكدين:
- قائمة
- القليل
- سجل
- تسجيل
- منطقي
- يعد
- أبحث
- فقد
- حب
- آلة
- آلة التعلم
- المحافظة
- الحفاظ على
- تحتفظ
- جعل
- يصنع
- القيام ب
- تمكن
- مدير
- التلاعب
- أسلوب
- كثير
- التسويق
- الرياضيات
- مايو..
- تعرف علي
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- الرسالة
- البيانات الوصفية
- متري
- المقاييس
- ربما
- مانع
- أدنى
- ML
- نموذج
- عارضات ازياء
- وحدة
- الوحدات
- لحظة
- مراقبة
- مراقبة
- مراقبة
- شاشات
- الأكثر من ذلك
- أكثر
- خاصة
- جبل
- متعدد
- يجب
- طبيعي
- معالجة اللغات الطبيعية
- الطبيعة
- حاجة
- بحاجة
- الحاجة
- إحتياجات
- جديد
- العقد
- لا سيما
- يلاحظ..
- إعلام
- الإخطارات
- الآن
- عدد
- أهداف
- رصد
- of
- غالبا
- on
- على الطلب
- على متن
- التأهيل ل
- ONE
- جارية
- فقط
- عامل
- الأمثل
- الأمثل
- الأمثل
- or
- أصلي
- أخرى
- لنا
- خارج
- نتيجة
- الناتج
- في الخارج
- على مدى
- الكلي
- تغلب
- نظرة عامة
- المعلمات
- جزء
- خاص
- الشريكة
- مرور
- عاطفي
- نمط
- نسبة مئوية
- نفذ
- أداء
- ربما
- فترات
- منظور
- صورة
- خط أنابيب
- المكان
- مخطط
- المنصة
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- بلايستشن
- يلعب
- من فضلك
- المزيد
- البوينت
- نقاط
- فقير
- ممكن
- منشور
- محتمل
- قوة
- توقع
- سابق
- المحتمل
- المشكلة
- مشاكل
- عملية المعالجة
- معالجتها
- معالجة
- إنتاج
- المنتج
- الإنتــاج
- محترف
- تزود
- المقدمة
- ويوفر
- وضع
- جودة
- سريع
- أسرع
- R & D
- بدلا
- الخام
- الوصول
- عرض
- استعداد
- واقع
- سبب
- تسجيل
- استعادة
- استرجاع
- عقار مخفض
- يشير
- ذات صلة
- ذات الصلة
- لا تزال
- المتبقية
- تقرير
- مطلوب
- المتطلبات الأساسية
- مورد
- الموارد
- الرد
- نتيجة
- مما أدى
- قوي
- النوع
- تقريبا
- قاعدة
- يجري
- تشغيل
- ادارة العلاقات مع
- sagemaker
- نفسه
- يقول
- التدرجية
- تحجيم
- حجم
- التحجيم
- حل التحجيم
- سيناريوهات
- علوم
- عالم
- العلماء
- ثواني
- أقسام
- مختار
- اختيار
- إرسال
- يرسل
- كبير
- حساسية
- مستقل
- فصل
- الخدمة
- خدماتنا
- طقم
- باكجات
- عدة
- مشاركة
- شاركت
- شارما
- هي
- أظهرت
- يظهر
- جانب
- هام
- مماثل
- الاشارات
- المقاس
- So
- حل
- الحلول
- حل
- الفضاء
- محدد
- على وجه التحديد
- سرعة
- غزل
- مراحل
- معيار
- المدرجات
- بداية
- بدأت
- يبدأ
- الولايه او المحافظه
- الحالة
- خطوة
- خطوات
- لا يزال
- توقف
- وقف
- توقف
- تخزين
- فروعنا
- خيط
- قوي
- منظم
- مشتركين
- تحقيق النجاح
- بنجاح
- هذه
- الدعم
- نظام
- أنظمة
- جدول
- تناسب
- أخذ
- يأخذ
- موهوب
- مهمة
- المهام
- فريق
- فريق
- تقني
- سياسة الحجب وتقييد الوصول
- من
- أن
- •
- المستقبل
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- هم
- الثالث
- هؤلاء
- ثلاثة
- عتبة
- عبر
- الوقت
- مرات
- إلى
- سويا
- أدوات
- الإجمالي
- قطار
- قادة الإيمان
- صفقة
- تفاصيل الطلبات
- تحول
- تحول
- التحولات
- يثير
- أثار
- اثنان
- نوع
- نموذجي
- مع
- فهم
- الوحدات
- حتى
- تحديث
- us
- صالح للإستعمال
- الأستعمال
- تستخدم
- حالة الاستخدام
- مستعمل
- استخدام
- التحقق من صحة
- قيمنا
- مختلف
- عمودي
- حجم
- مجلدات
- vs
- مطلوب
- وكان
- مراقبة
- طريق..
- we
- حسن
- متى
- التي
- من الذى
- كامل
- كليا
- سوف
- كسب
- مع
- في غضون
- للعمل
- سير العمل
- عامل
- أعمال
- أسوأ
- سوف
- جاري الكتابة
- حتى الآن
- التوزيعات للسهم الواحد
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت