Maskinlæringsmodeller (ML) fungerer ikke isoleret. For at levere værdi skal de integreres i eksisterende produktionssystemer og infrastruktur, hvilket gør det nødvendigt at overveje hele ML-livscyklussen under design og udvikling. ML-operationer, kendt som MLOps, fokuserer på at strømline, automatisere og overvåge ML-modeller gennem deres livscyklus. Opbygning af en robust MLOps-pipeline kræver tværfunktionelt samarbejde. Dataforskere, ML-ingeniører, it-medarbejdere og DevOps-teams skal arbejde sammen om at operationalisere modeller fra forskning til implementering og vedligeholdelse. Med de rigtige processer og værktøjer gør MLOps det muligt for organisationer at anvende ML på tværs af deres teams pålideligt og effektivt.
Selvom kravene til kontinuerlig integration og kontinuerlig levering (CI/CD) pipelines kan være unikke og afspejle hver organisations behov, kan skalering af MLOps-praksis på tværs af teams forenkles ved at bruge administrerede orkestreringer og værktøjer, der kan accelerere udviklingsprocessen og fjerne de udifferentierede tunge løft .
Amazon SageMaker MLOps er en række funktioner, der inkluderer Amazon SageMaker-projekter (CI/CD), Amazon SageMaker Pipelines , Amazon SageMaker Model Registry.
SageMaker Pipelines giver mulighed for ligetil oprettelse og styring af ML-arbejdsgange, samtidig med at der tilbydes opbevarings- og genbrugsfunktioner til arbejdsprocestrin. Det SageMaker Model Registry centraliserer modelsporing, hvilket forenkler modelimplementering. SageMaker projekter introducerer CI/CD-praksis til ML, herunder miljøparitet, versionskontrol, test og automatisering. Dette giver mulighed for en hurtig etablering af CI/CD i dit ML-miljø, hvilket letter effektiv skalerbarhed i hele din virksomhed.
Den indbyggede projekt skabeloner fra Amazon SageMaker omfatter integration med nogle af tredjepartsværktøjer, såsom Jenkins til orkestrering og GitHub til kildekontrol, og flere bruger AWS native CI/CD-værktøjer som f.eks. AWS CodeCommit, AWS CodePipelineog AWS CodeBuild. I mange scenarier vil kunder dog gerne integrere SageMaker Pipelines med andre eksisterende CI/CD-værktøjer og derfor skabe deres tilpassede projektskabeloner.
I dette indlæg viser vi dig en trin-for-trin implementering for at opnå følgende:
- Opret en tilpasset SageMaker MLOps projektskabelon, der integreres med GitHub og GitHub Actions
- Gør dine tilpassede projektskabeloner tilgængelige i Amazon SageMaker Studio til dit datavidenskabsteam med klargøring med et enkelt klik
Løsningsoversigt
I dette indlæg konstruerer vi følgende arkitektur. Vi opretter en automatiseret modelbygningspipeline, der inkluderer trin til dataforberedelse, modeltræning, modelevaluering og registrering af den trænede model i SageMaker Model Registry. Den resulterende trænede ML-model implementeres derefter fra SageMaker Model Registry til iscenesættelse og produktionsmiljøer efter manuel godkendelse.
Lad os dykke ned i elementerne i denne arkitektur for at forstå den komplette konfiguration.
GitHub- og GitHub-handlinger
GitHub er en webbaseret platform, der giver versionskontrol og kildekodestyring ved hjælp af Git. Det gør det muligt for teams at samarbejde om softwareudviklingsprojekter, spore ændringer og administrere kodelagre. GitHub fungerer som en centraliseret placering til at gemme, versionere og administrere din ML-kodebase. Dette sikrer, at din ML-kodebase og pipelines er versionerede, dokumenterede og tilgængelige for teammedlemmer.
GitHub -handlinger er et kraftfuldt automatiseringsværktøj i GitHub-økosystemet. Det giver dig mulighed for at skabe brugerdefinerede arbejdsgange, der automatiserer din softwareudviklings livscyklusprocesser, såsom opbygning, test og implementering af kode. Du kan oprette hændelsesdrevne arbejdsgange, der udløses af specifikke hændelser, som når kode skubbes til et lager, eller der oprettes en pull-anmodning. Når du implementerer MLOps, kan du bruge GitHub Actions til at automatisere forskellige stadier af ML-pipelinen, såsom:
- Datavalidering og forbehandling
- Modeltræning og evaluering
- Modelimplementering og overvågning
- CI/CD til ML-modeller
Med GitHub Actions kan du strømline dine ML-arbejdsgange og sikre, at dine modeller konsekvent bygges, testes og implementeres, hvilket fører til mere effektive og pålidelige ML-implementeringer.
I de følgende afsnit starter vi med at opsætte forudsætningerne for nogle af de komponenter, vi bruger som en del af denne arkitektur:
- AWS CloudFormation - AWS CloudFormation starter modelimplementeringen og etablerer SageMaker-endepunkterne, efter at modelimplementeringspipelinen er aktiveret ved godkendelsen af den trænede model.
- AWS CodeStar-forbindelse - Vi bruger AWS CodeStar at etablere et link til GitHub-lageret og bruge det som kode-repo-integration med AWS-ressourcer, som SageMaker Studio.
- Amazon Eventbridge - Amazon Eventbridge holder styr på alle ændringer i modelregistret. Den opretholder også en regel, der beder Lambda-funktionen om at implementere modelpipelinen, når status for modelpakkeversionen ændres fra
PendingManualApproval
tilApproved
i modelregistret. - AWS Lambda – Vi bruger en AWS Lambda funktion til at starte modelimplementeringsarbejdsgangen i GitHub Actions, efter at en ny model er registreret i modelregistret.
- Amazon SageMaker – Vi konfigurerer følgende SageMaker-komponenter:
- Rørledning – Denne komponent består af en rettet acyklisk graf (DAG), der hjælper os med at opbygge den automatiserede ML-arbejdsgang til stadierne af dataforberedelse, modeltræning og modelevaluering. Modelregistret vedligeholder registreringer af modelversioner, deres tilknyttede artefakter, afstamning og metadata. Der etableres en modelpakkegruppe, der rummer alle relaterede modelversioner. Modelregistret er også ansvarlig for at administrere godkendelsesstatus for modelversionen til efterfølgende implementering.
- Endpoint – Denne komponent opsætter to HTTPS-endepunkter i realtid til inferens. Hosting-konfigurationen kan justeres, for eksempel til batch-transformation eller asynkron inferens. Staging-endepunktet genereres, når modelimplementeringspipelinen aktiveres ved godkendelse af den trænede model fra SageMaker Model Registry. Dette endepunkt bruges til at validere den implementerede model ved at sikre, at den giver forudsigelser, der opfylder vores nøjagtighedsstandarder. Når modellen er forberedt til produktionsimplementering, implementeres et produktionsendepunkt af en manuel godkendelsesfase i GitHub Actions-arbejdsgangen.
- Lagerkode – Dette opretter et Git-lager som en ressource på din SageMaker-konto. Ved at bruge de eksisterende data fra GitHub-kodelageret, som du indtastede under oprettelsen af dit SageMaker-projekt, etableres en tilknytning til det samme lager i SageMaker, når du starter projektet. Dette danner i det væsentlige et link til et GitHub-lager i SageMaker, hvilket muliggør interaktive handlinger (pull/push) med dit lager.
- Modelregistrering – Dette overvåger de forskellige versioner af modellen og de tilsvarende artefakter, som inkluderer afstamning og metadata. En samling kendt som en modelpakkegruppe er skabt, der rummer relaterede versioner af modellen. Desuden overvåger modelregistret modelversionens godkendelsesstatus og sikrer, at den er klar til efterfølgende implementering.
- AWS Secrets Manager – For sikkert at bevare dit GitHub personlige adgangstoken, er det nødvendigt at etablere en hemmelighed i AWS Secrets Manager og huser dit adgangstoken i det.
- AWS servicekatalog – Vi bruger AWS servicekatalog til implementering af SageMaker-projekter, som inkluderer komponenter som et SageMaker-kodelager, Lambda-funktion, EventBridge-regel, artefact S3-bucket osv., alt sammen implementeret via CloudFormation. Dette giver din organisation mulighed for at bruge projektskabeloner gentagne gange, allokere projekter til hver bruger og strømline driften.
- Amazon S3 – Vi bruger en Amazon Simple Storage Service (Amazon S3) spand for at beholde de modelartefakter, der er produceret af rørledningen.
Forudsætninger
Du skal have følgende forudsætninger:
Du skal også gennemføre yderligere opsætningstrin, før du implementerer løsningen.
Konfigurer en AWS CodeStar-forbindelse
Hvis du ikke allerede har en AWS CodeStar-forbindelse til din GitHub-konto, se Opret en forbindelse til GitHub for instruktioner til at oprette en. Din AWS CodeStar-forbindelse ARN vil se sådan ud:
I dette eksempel aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
er det unikke ID for denne forbindelse. Vi bruger dette ID, når vi opretter vores SageMaker-projekt senere i dette eksempel.
Konfigurer hemmelige adgangsnøgler til dit GitHub-token
For sikkert at gemme dit GitHub personlige adgangstoken skal du oprette en hemmelighed i Secrets Manager. Hvis du ikke har et personligt adgangstoken til GitHub, se Håndtering af dine personlige adgangstokens for instruktioner til at oprette en.
Du kan oprette enten en klassisk eller finmasket adgangstoken. Sørg dog for, at tokenet har adgang til lagerets indhold og handlinger (arbejdsgange, kørsler og artefakter).
Udfør følgende trin for at gemme dit token i Secrets Manager:
- På Secrets Manager-konsollen skal du vælge Gem en ny hemmelighed.
- Type Anden type hemmelighed forum Vælg hemmelig type.
- Angiv et navn til din hemmelighed i Nøgle felt og tilføj dit personlige adgangstoken til det tilsvarende Værdi felt.
- Vælg Næste, indtast et navn til din hemmelighed, og vælg Næste igen.
- Vælg Butik for at gemme din hemmelighed.
Ved at gemme dit GitHub personlige adgangstoken i Secrets Manager, kan du sikkert få adgang til det i din MLOps pipeline, mens du sikrer dets fortrolighed.
Opret en IAM-bruger til GitHub Actions
For at tillade GitHub Actions at implementere SageMaker-slutpunkter i dit AWS-miljø, skal du oprette en AWS identitets- og adgangsstyring (IAM) bruger og give den de nødvendige tilladelser. For instruktioner, se Oprettelse af en IAM-bruger på din AWS-konto. Brug iam/GithubActionsMLOpsExecutionPolicy.json
fil (leveres i kodeeksempel) for at give denne bruger tilstrækkelige tilladelser til at implementere dine slutpunkter.
Når du har oprettet IAM-brugeren, generere en adgangsnøgle. Du vil bruge denne nøgle, som består af både et adgangsnøgle-id og en hemmelig adgangsnøgle, i det efterfølgende trin, når du konfigurerer dine GitHub-hemmeligheder.
Konfigurer din GitHub-konto
Følgende er trinene til at forberede din GitHub-konto til at køre dette eksempel.
Klon GitHub-depotet
Du kan genbruge en eksisterende GitHub-repo til dette eksempel. Det er dog nemmere, hvis du opretter et nyt lager. Dette lager kommer til at indeholde al kildekoden til både SageMaker pipeline builds og implementeringer.
Kopier indholdet af frøkodemappen til roden af dit GitHub-lager. For eksempel .github
mappen skal være under roden af dit GitHub-lager.
Opret en GitHub-hemmelighed, der indeholder din IAM-brugeradgangsnøgle
I dette trin gemmer vi adgangsnøgleoplysningerne for den nyoprettede bruger i vores GitHub-hemmelighed.
- På GitHub-webstedet skal du navigere til dit lager og vælge Indstillinger.
- Vælg i sikkerhedsafsnittet Hemmeligheder og variabler Og vælg handlinger.
- Vælg Ny depothemmelighed.
- Til Navn, gå ind
AWS_ACCESS_KEY_ID
- Til Secret, skal du indtaste det adgangsnøgle-id, der er knyttet til den IAM-bruger, du oprettede tidligere.
- Vælg Tilføj hemmelighed.
- Gentag samme procedure for
AWS_SECRET_ACCESS_KEY
Konfigurer dine GitHub-miljøer
For at oprette et manuel godkendelsestrin i vores implementeringspipelines bruger vi en GitHub miljø. Udfør følgende trin:
- Naviger til Indstillinger, miljøer menuen i dit GitHub-lager og opret et nyt miljø kaldet produktion.
- Til Miljøbeskyttelsesregler, Vælg Nødvendige anmeldere.
- Tilføj de ønskede GitHub-brugernavne som anmeldere. I dette eksempel kan du vælge dit eget brugernavn.
Bemærk, at miljøfunktionen ikke er tilgængelig i nogle typer GitHub-planer. For mere information, se Brug af miljøer til implementering.
Implementer Lambda-funktionen
I de følgende trin komprimerer vi lambda_function.py
ind i en .zip-fil, som derefter uploades til en S3-bøtte.
Den relevante kodeeksempel for dette kan findes i det følgende GitHub repo. Specifikt lambda_function.py
er placeret i lambda_functions/lambda_github_workflow_trigger mappe.
Det anbefales at oprette en fork af kodeeksemplet og klone det i stedet. Dette vil give dig frihed til at ændre koden og eksperimentere med forskellige aspekter af prøven.
- Når du har fået en kopi af koden, skal du navigere til den relevante mappe og bruge
zip
kommando til at komprimerelambda_function.py
. Både Windows- og MacOS-brugere kan bruge deres oprindelige filhåndteringssystem, henholdsvis File Explorer eller Finder, til at generere en .zip-fil.
- Upload
lambda-github-workflow-trigger.zip
til en S3 spand.
Denne spand vil senere blive tilgået af Service Catalog. Du kan vælge en hvilken som helst bucket, som du har adgang til, så længe Service Catalog er i stand til at hente data fra det i de efterfølgende trin.
Fra dette trin og frem kræver vi, at AWS CLI v2 er installeret og konfigureret. Et alternativ ville være at bruge AWS CloudShell, som leveres med alle nødvendige værktøjer forudinstalleret, hvilket eliminerer behovet for yderligere konfigurationer.
- For at uploade filen til S3-bøtten skal du bruge følgende kommando:
Nu konstruerer vi et Lambda-lag for afhængighederne relateret til lambda_function
vi har lige uploadet.
- Konfigurer et virtuelt Python-miljø og få afhængighederne installeret:
- Generer .zip-filen med følgende kommandoer:
- Udgiv laget til AWS:
Med dette lag offentliggjort, kan alle dine Lambda-funktioner nu referere til det for at opfylde deres afhængigheder. For en mere detaljeret forståelse af Lambda-lag, se Arbejde med Lambda-lag.
Opret en brugerdefineret projektskabelon i SageMaker
Efter fuldførelse af alle ovenstående trin har vi alle CI/CD-pipelineressourcer og -komponenter. Dernæst demonstrerer vi, hvordan vi kan gøre disse ressourcer tilgængelige som et tilpasset projekt i SageMaker Studio tilgængeligt via implementering med et enkelt klik.
Som diskuteret tidligere, når de SageMaker-leverede skabeloner ikke opfylder dine behov (for eksempel vil du have mere kompleks orkestrering i CodePipeline med flere stadier, tilpassede godkendelsestrin eller at integrere med et tredjepartsværktøj såsom GitHub og GitHub handlinger demonstreret i dette indlæg), kan du oprette dine egne skabeloner. Vi anbefaler at starte med de SageMaker-leverede skabeloner for at forstå, hvordan du organiserer din kode og dine ressourcer og bygger ovenpå den. For flere detaljer, se Opret brugerdefinerede projektskabeloner.
Bemærk, at du også kan automatisere dette trin og i stedet bruge CloudFormation til at implementere Service Catalog-porteføljen og produktet via kode. I dette indlæg viser vi dig dog konsolimplementeringen for en større læringsoplevelse.
På dette stadium bruger vi den medfølgende CloudFormation-skabelon til at skabe en servicekatalogportefølje, der hjælper os med at skabe brugerdefinerede projekter i SageMaker.
Du kan oprette et nyt domæne eller genbruge dit SageMaker-domæne til følgende trin. Hvis du ikke har et domæne, se Ombord på Amazon SageMaker Domain ved hjælp af hurtig opsætning for installationsinstruktioner.
Når du har aktiveret administratoradgang til SageMaker-skabelonerne, skal du udføre følgende trin:
- På Service Catalog-konsollen under Administration i navigationsruden skal du vælge porteføljer.
- Vælg Opret en ny portefølje.
- Navngiv porteføljen "SageMaker Organization Templates".
- Download skabelon.yml fil til din computer.
Denne Cloud Formation-skabelon leverer alle de CI/CD-ressourcer, vi har brug for som konfiguration og infrastruktur som kode. Du kan studere skabelonen mere detaljeret for at se, hvilke ressourcer der er implementeret som en del af den. Denne skabelon er blevet tilpasset til at integrere med GitHub og GitHub Actions.
- I
template.yml
fil, skal du ændreS3Bucket
værdi til din bucket, hvor du har uploadet Lambda .zip-filen:
- Vælg den nye portefølje.
- Vælg Upload et nyt produkt.
- Til Produktnavn¸ indtast et navn til din skabelon. Vi bruger navnet
build-deploy-github
. - Til Beskrivelse, indtast en beskrivelse.
- Til Dokument ejer, Indtast dit navn.
- Under Version detaljer, For Metode, vælg Brug en skabelonfil.
- Vælg Upload en skabelon.
- Upload skabelonen, du downloadede.
- Til Versions titel, vælg 1.0.
- Vælg anmeldelse.
- Gennemgå dine indstillinger og vælg Opret produkt.
- Vælg Opfrisk for at liste det nye produkt.
- Vælg det produkt, du lige har oprettet.
- På Tags fanen, skal du tilføje følgende tag til produktet:
- Nøgle =
sagemaker:studio-visibility
- Værdi =
true
- Nøgle =
Tilbage i porteføljedetaljerne skulle du se noget, der ligner det følgende skærmbillede (med forskellige ID'er).
- På Begrænsninger fanebladet, vælg Opret begrænsning.
- Til Produkt, vælg
build-deploy-github
(det produkt, du lige har oprettet). - Til Begrænsning skriv, vælg Launch.
- Under Startbegrænsning, For Metode, vælg Vælg IAM-rolle.
- Vælg
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Vælg Opret.
- På Grupper, roller og brugere fanebladet, vælg Tilføj grupper, roller, brugere.
- På roller fanen, skal du vælge den rolle, du brugte, da du konfigurerede dit SageMaker Studio-domæne. Det er her SageMaker-domænerollen kan findes.
- Vælg Tilføj adgang.
Implementer projektet fra SageMaker Studio
I de foregående afsnit forberedte du det brugerdefinerede MLOps-projektmiljø. Lad os nu oprette et projekt ved hjælp af denne skabelon:
- På SageMaker-konsollen skal du navigere til det domæne, som du vil oprette dette projekt.
- På Launch menu, vælg studie.
Du vil blive omdirigeret til SageMaker Studio-miljøet.
- I SageMaker Studio, i navigationsruden under implementeringer, vælg Projekter.
- Vælg Opret projekt.
- Vælg øverst på listen over skabeloner Organisationsskabeloner.
Hvis du har gennemgået alle de foregående trin med succes, bør du kunne se en ny brugerdefineret projektskabelon med navnet Build-Deploy-GitHub
.
- Vælg den skabelon og vælg Vælg Projektskabelon.
- Indtast en valgfri beskrivelse.
- Til GitHub Repository Ejernavn, indtast ejeren af dit GitHub-lager. For eksempel, hvis dit depot er kl
https://github.com/pooyavahidi/my-repo
, ville ejeren værepooyavahidi
. - Til GitHub-lagernavn, skal du indtaste navnet på det lager, som du kopierede frøkoden til. Det ville kun være navnet på repoen. For eksempel i
https://github.com/pooyavahidi/my-repo
, er repoenmy-repo
. - Til Codestar-forbindelsens unikke ID, skal du indtaste det unikke ID for AWS CodeStar-forbindelsen, som du oprettede.
- Til Navnet på hemmeligheden i Secrets Manager, som gemmer GitHub-token, indtast navnet på hemmeligheden i Secrets Manager, hvor du oprettede og gemte GitHub-tokenet.
- Til GitHub workflow-fil til implementering, indtast navnet på GitHub-arbejdsgangsfilen (kl
.github/workflows/deploy.yml
), hvor du har installationsinstruktionerne. For dette eksempel kan du beholde det som standard, hvilket erdeploy.yml
. - Vælg Opret projekt.
- Når du har oprettet dit projekt, skal du sørge for at opdatere
AWS_REGION
,SAGEMAKER_PROJECT_NAME
miljøvariabler i dine GitHub-arbejdsgangsfiler i overensstemmelse hermed. Workflow-filer er i din GitHub-repo (kopieret fra seed-koden), inde i.github/workflows
vejviser. Sørg for at opdatere beggebuild.yml
,deploy.yml
filer.
Nu er dit miljø klar til at gå! Du kan køre pipelines direkte, foretage ændringer og skubbe disse ændringer til dit GitHub-lager for at udløse den automatiske build-pipeline og se, hvordan alle trin i opbygning og implementering er automatiseret.
Ryd op
For at rydde op i ressourcerne skal du udføre følgende trin:
- Slet CloudFormation-stakkene, der bruges til SageMaker-projektet og SageMaker-slutpunkter.
- Slet SageMaker-domænet.
- Slet servicekatalogressourcerne.
- Slet AWS CodeStar-forbindelseslinket med GitHub-lageret.
- Slet IAM-brugeren, som du oprettede til GitHub Actions.
- Slet hemmeligheden i Secrets Manager, der gemmer GitHubs personlige adgangsoplysninger.
Resumé
I dette indlæg gik vi gennem processen med at bruge en brugerdefineret SageMaker MLOps-projektskabelon til automatisk at konstruere og organisere en CI/CD-pipeline. Denne pipeline integrerer effektivt dine eksisterende CI/CD-mekanismer med SageMaker-funktioner til datamanipulation, modeltræning, modelgodkendelse og modelimplementering. I vores scenarie fokuserede vi på at integrere GitHub Actions med SageMaker-projekter og pipelines. For en omfattende forståelse af implementeringsdetaljerne, besøg GitHub repository. Du er velkommen til at eksperimentere med dette, og tøv ikke med at efterlade eventuelle spørgsmål, du måtte have, i kommentarfeltet.
Om forfatterne
Dr. Romina Sharifpour er Senior Machine Learning og Artificial Intelligence Solutions Architect hos Amazon Web Services (AWS). Hun har brugt over 10 år på at lede design og implementering af innovative end-to-end-løsninger muliggjort af fremskridt inden for ML og AI. Rominas interesseområder er naturlig sprogbehandling, store sprogmodeller og MLOps.
Pooya Vahidi er Senior Solutions Architect hos AWS, passioneret omkring datalogi, kunstig intelligens og cloud computing. Som AI-professionel er han et aktivt medlem af AWS AI/ML Area-of-Depth-teamet. Med en baggrund, der spænder over to årtiers ekspertise i at lede arkitekturen og konstruktionen af løsninger i stor skala, hjælper han kunder på deres transformative rejser gennem cloud- og AI/ML-teknologier.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :har
- :er
- :ikke
- :hvor
- $OP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- I stand
- Om
- over
- fremskynde
- adgang
- af udleverede
- tilgængelig
- derfor
- Konto
- nøjagtighed
- opnå
- tværs
- aktioner
- aktiv
- acykliske
- tilføje
- Yderligere
- Justeret
- vedtage
- fremskridt
- Efter
- igen
- AI
- AI / ML
- Alle
- tildele
- tillade
- tillader
- allerede
- også
- alternativ
- Amazon
- Amazon SageMaker
- Amazon SageMaker Pipelines
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- ,
- og infrastruktur
- enhver
- passende
- godkendelse
- arkitektur
- ER
- områder
- kunstig
- kunstig intelligens
- AS
- aspekter
- forbundet
- Association
- At
- automatisere
- Automatiseret
- automatisk
- Automatisering
- Automation
- til rådighed
- AWS
- baggrund
- bund
- BE
- været
- før
- både
- bygge
- Bygning
- bygger
- bygget
- indbygget
- by
- kaldet
- CAN
- kapaciteter
- katalog
- CD
- centraliseret
- lave om
- Ændringer
- Vælg
- Classic
- ren
- klik
- Cloud
- cloud computing
- kode
- kodebase
- samarbejde
- samarbejde
- samling
- kommer
- kommentarer
- fuldføre
- færdiggørelse
- komplekse
- komponent
- komponenter
- omfattende
- computer
- Datalogi
- computing
- fortrolighed
- Konfiguration
- konfigureret
- konfigurering
- tilslutning
- Overvejer
- konsekvent
- består
- Konsol
- konstruere
- indeholder
- indhold
- kontinuerlig
- kontrol
- Tilsvarende
- skabe
- oprettet
- skaber
- Oprettelse af
- skabelse
- skik
- Kunder
- tilpassede
- DAG
- data
- Dataforberedelse
- datalogi
- årtier
- Standard
- levere
- levering
- dykke
- krav
- demonstrere
- demonstreret
- afhængigheder
- indsætte
- indsat
- implementering
- implementering
- implementeringer
- beskrivelse
- Design
- ønskes
- detail
- detaljeret
- detaljer
- Udvikling
- forskellige
- rettet
- direkte
- drøftet
- do
- domæne
- Dont
- i løbet af
- hver
- tidligere
- lettere
- økosystem
- Effektiv
- effektivt
- effektiv
- effektivt
- enten
- elementer
- eliminere
- muliggøre
- aktiveret
- muliggør
- muliggør
- ende til ende
- Endpoint
- Engineering
- Ingeniører
- sikre
- sikrer
- sikring
- Indtast
- Enterprise
- Hele
- Miljø
- miljøer
- væsentlige
- etablere
- etableret
- indfører
- etablering
- etc.
- evaluering
- begivenheder
- eksempel
- eksisterende
- erfaring
- eksperiment
- ekspertise
- opdagelsesrejsende
- faciliterende
- Feature
- Funktionalitet
- føler sig
- felt
- File (Felt)
- Filer
- Finder
- Fokus
- fokuserede
- efter
- Til
- gaffel
- formation
- formularer
- fundet
- Gratis
- Frihed
- fra
- funktion
- funktioner
- generere
- genereret
- få
- Git
- GitHub
- Giv
- gå
- gået
- indrømme
- graf
- større
- gruppe
- Gruppens
- Have
- he
- tunge
- tunge løft
- hjælper
- Hosting
- hus
- huse
- boliger
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- ID
- Identity
- id'er
- if
- implementering
- implementeret
- gennemføre
- in
- omfatter
- omfatter
- Herunder
- oplysninger
- Infrastruktur
- indlede
- Indleder
- innovativ
- indgang
- indvendig
- installere
- installeret
- instans
- i stedet
- anvisninger
- integrere
- Integrerer
- Integration
- integration
- Intelligens
- interaktiv
- interesse
- ind
- Introducerer
- isolation
- IT
- ITS
- Journeys
- jpg
- json
- lige
- Holde
- holder
- Nøgle
- nøgler
- kendt
- Sprog
- stor
- storstilet
- senere
- lancere
- lag
- lag
- førende
- læring
- Forlade
- livscyklus
- løft
- ligesom
- afstamning
- LINK
- Liste
- placeret
- placering
- Lang
- Se
- ligner
- maskine
- machine learning
- MacOS
- fastholder
- vedligeholdelse
- lave
- administrere
- lykkedes
- ledelse
- leder
- styring
- Håndtering
- manuel
- mange
- mekanismer
- Mød
- medlem
- Medlemmer
- Menu
- Metadata
- måske
- MIT
- ML
- MLOps
- model
- modeller
- Modifikationer
- ændre
- overvågning
- skærme
- mere
- mere effektiv
- Desuden
- flere
- skal
- navn
- Som hedder
- navne
- indfødte
- Natural
- Natural Language Processing
- Naviger
- Navigation
- nødvendig
- nødvendiggør
- Behov
- behov
- Ny
- nyt produkt
- nyligt
- næste
- nu
- opnå
- of
- tilbyde
- on
- ONE
- fremefter
- betjene
- Produktion
- or
- orkestrering
- organisation
- organisationer
- Andet
- vores
- i løbet af
- oversigt
- egen
- ejer
- pakke
- brød
- paritet
- del
- part
- lidenskabelige
- Tilladelser
- personale
- pipeline
- planer
- perron
- plato
- Platon Data Intelligence
- PlatoData
- portefølje
- Indlæg
- vigtigste
- praksis
- Forudsigelser
- forberedelse
- Forbered
- forberedt
- forudsætninger
- tidligere
- procedure
- behandle
- Processer
- forarbejdning
- produceret
- Produkt
- produktion
- professionel
- projekt
- projekter
- prompter
- beskyttelse
- give
- forudsat
- giver
- offentliggjort
- Skub ud
- skubbet
- Python
- forespørgsler
- Hurtig
- Readiness
- klar
- realtid
- anbefaler
- anbefales
- optegnelser
- henvise
- henvisningen
- afspejler
- registreret
- Registrering
- register
- relaterede
- relevant
- pålidelig
- Fjern
- GENTAGNE GANGE
- Repository
- anmode
- kræver
- Krav
- forskning
- ressource
- Ressourcer
- henholdsvis
- ansvarlige
- resulterer
- genbruge
- højre
- robust
- roller
- roller
- rod
- Herske
- Kør
- løber
- sagemaker
- SageMaker Pipelines
- samme
- Gem
- Skalerbarhed
- skalering
- scenarie
- scenarier
- Videnskab
- forskere
- Secret
- hemmeligheder
- Sektion
- sektioner
- sikkert
- sikkerhed
- se
- frø
- Vælg
- senior
- tjener
- tjeneste
- Tjenester
- sæt
- indstilling
- indstillinger
- setup
- flere
- hun
- bør
- Vis
- lignende
- Simpelt
- forenklet
- forenkle
- Software
- softwareudvikling
- løsninger
- Løsninger
- nogle
- noget
- Kilde
- kildekode
- spænding
- specifikke
- specifikt
- brugt
- Stakke
- Personale
- Stage
- etaper
- iscenesættelse
- standarder
- starte
- Starter
- Status
- Trin
- Steps
- opbevaring
- butik
- opbevaret
- forhandler
- lagring
- ligetil
- strømline
- strømlining
- Studio
- Studere
- efterfølgende
- Succesfuld
- sådan
- tilstrækkeligt
- suite
- sikker
- systemet
- Systemer
- TAG
- hold
- Holdkammerater
- hold
- Teknologier
- skabelon
- skabeloner
- afprøvet
- Test
- at
- The Source
- deres
- derefter
- derfor
- Disse
- de
- Tredje
- tredjepart
- denne
- dem
- Gennem
- hele
- til
- sammen
- token
- værktøj
- værktøjer
- top
- spor
- Sporing
- uddannet
- Kurser
- Transform
- transformative
- udløse
- udløst
- to
- typen
- typer
- under
- forstå
- forståelse
- enestående
- Opdatering
- uploadet
- på
- us
- brug
- anvendte
- Bruger
- brugere
- ved brug af
- udnytte
- udnyttet
- VALIDATE
- validering
- værdi
- forskellige
- udgave
- versioner
- via
- Virtual
- Besøg
- gik
- ønsker
- we
- web
- webservices
- web-baseret
- Hjemmeside
- Hvad
- hvornår
- som
- mens
- vilje
- vinduer
- med
- inden for
- Arbejde
- arbejde sammen
- workflow
- arbejdsgange
- ville
- år
- Du
- Din
- zephyrnet
- Zip