Αφού δημιουργήσετε, εκπαιδεύσετε και αξιολογήσετε το μοντέλο μηχανικής εκμάθησης (ML) για να διασφαλίσετε ότι επιλύει το προτεινόμενο επιχειρηματικό πρόβλημα, θέλετε να αναπτύξετε αυτό το μοντέλο για να επιτρέψετε τη λήψη αποφάσεων στις επιχειρηματικές λειτουργίες. Τα μοντέλα που υποστηρίζουν κρίσιμες για τις επιχειρήσεις λειτουργίες αναπτύσσονται σε ένα περιβάλλον παραγωγής όπου εφαρμόζεται μια στρατηγική έκδοσης μοντέλου. Δεδομένης της φύσης των μοντέλων ML, όπου τα δεδομένα αλλάζουν συνεχώς, θέλετε επίσης να διασφαλίσετε ότι ένα αναπτυγμένο μοντέλο εξακολουθεί να σχετίζεται με νέα δεδομένα και ότι το μοντέλο ενημερώνεται όταν αυτό δεν συμβαίνει. Αυτό περιλαμβάνει την επιλογή μιας στρατηγικής ανάπτυξης που ελαχιστοποιεί τους κινδύνους και το χρόνο διακοπής λειτουργίας. Αυτή η στρατηγική βέλτιστης ανάπτυξης θα πρέπει να διατηρεί υψηλή διαθεσιμότητα του μοντέλου, να λαμβάνει υπόψη το επιχειρηματικό κόστος της ανάπτυξης ενός μοντέλου κατώτερου από αυτό που είναι ήδη σε παραγωγή και να περιλαμβάνει λειτουργίες για εύκολη επαναφορά σε προηγούμενη έκδοση μοντέλου. Πολλές από αυτές τις προτεινόμενες εκτιμήσεις και μοτίβα ανάπτυξης καλύπτονται επίσης στο AWS Well Architected Framework – Machine Learning Lens.
Εκτός από την επιλογή της σωστής στρατηγικής ανάπτυξης, αυτή η στρατηγική θα πρέπει να εφαρμοστεί χρησιμοποιώντας έναν αξιόπιστο μηχανισμό που περιλαμβάνει πρακτικές MLOps. Το MLOps περιλαμβάνει πρακτικές που ενσωματώνουν φόρτους εργασίας ML στη διαχείριση εκδόσεων, CI/CD και λειτουργίες, λαμβάνοντας υπόψη τις μοναδικές πτυχές των έργων ML, συμπεριλαμβανομένων των εκτιμήσεων για την ανάπτυξη και την παρακολούθηση μοντέλων. Amazon SageMaker για MLOps παρέχει ειδικά κατασκευασμένα εργαλεία για την αυτοματοποίηση και την τυποποίηση βημάτων σε όλο τον κύκλο ζωής της ML, συμπεριλαμβανομένων δυνατοτήτων ανάπτυξης και διαχείρισης νέων μοντέλων χρησιμοποιώντας προηγμένα μοτίβα ανάπτυξης.
Σε αυτήν την ανάρτηση, συζητάμε πώς να αναπτύξουμε μοντέλα ML με Amazon Sage Maker με επαναλαμβανόμενο και αυτοματοποιημένο τρόπο, ενσωματώνοντας το παραλλαγές παραγωγής και προστατευτικά κιγκλιδώματα ανάπτυξης δυνατότητες του SageMaker με λύσεις MLOps. Σας δίνουμε μια εισαγωγή για τον τρόπο ενσωμάτωσης των εργαλείων MLOps του SageMaker με μοτίβα ανάπτυξης μοντέλων SageMaker, εστιάζοντας σε τελικά σημεία ενός μοντέλου σε πραγματικό χρόνο.
Επισκόπηση λύσεων
Εξερευνούμε τα ακόλουθα πρότυπα δοκιμών μοντέλων και προστατευτικών κιγκλιδωμάτων και την ενσωμάτωσή τους με τα εργαλεία SageMaker MLOps:
- Δοκιμή μοντέλου – Συγκρίνουμε διαφορετικές εκδόσεις μοντέλων στην παραγωγή πριν αντικαταστήσουμε την τρέχουσα έκδοση μοντέλου. Αυτή η ανάρτηση συγκρίνει τις ακόλουθες δυνατότητες δοκιμής μοντέλων:
- Α / Β δοκιμές – Με τη δοκιμή A/B, συγκρίνετε διαφορετικές εκδόσεις του μοντέλου σας στην παραγωγή, κατανέμοντας την επισκεψιμότητα στο τελικό σημείο μεταξύ των παραλλαγών του μοντέλου σας. Η δοκιμή A/B χρησιμοποιείται σε σενάρια όπου η ανάδραση κλειστού βρόχου μπορεί να συνδέσει απευθείας τα αποτελέσματα του μοντέλου με τις μεταγενέστερες επιχειρηματικές μετρήσεις. Αυτή η ανατροφοδότηση χρησιμοποιείται στη συνέχεια για τον προσδιορισμό της στατιστικής σημασίας της αλλαγής από το ένα μοντέλο στο άλλο, βοηθώντας σας να επιλέξετε το καλύτερο μοντέλο μέσω δοκιμών ζωντανής παραγωγής.
- Δοκιμές σκιών – Με τις δοκιμές σκιάς, δοκιμάζετε μια νέα έκδοση του μοντέλου σας στην παραγωγή στέλνοντας αιτήματα στο μοντέλο παραγωγής και στο νέο μοντέλο παράλληλα. Τα δεδομένα απόκρισης πρόβλεψης από το μοντέλο παραγωγής εξυπηρετούνται στην εφαρμογή, ενώ οι προβλέψεις έκδοσης νέου μοντέλου αποθηκεύονται για δοκιμή αλλά δεν εξυπηρετούνται στην εφαρμογή παραγωγής. Η σκιώδης δοκιμή χρησιμοποιείται σε καταστάσεις όπου δεν υπάρχει ανάδραση κλειστού βρόχου που να αντιστοιχίζει μια επιχειρηματική μέτρηση στις προβλέψεις ενός μοντέλου. Σε αυτό το σενάριο, χρησιμοποιείτε μετρήσεις ποιότητας και λειτουργικών μοντέλων για να συγκρίνετε πολλά μοντέλα αντί για οποιονδήποτε αντίκτυπο στις μεταγενέστερες επιχειρηματικές μετρήσεις.
- Μετατόπιση κυκλοφορίας – Αφού δοκιμάσετε τη νέα έκδοση του μοντέλου και είστε ικανοποιημένοι με την απόδοσή του, το επόμενο βήμα είναι να μεταφέρετε την κυκλοφορία από το τρέχον μοντέλο στο νέο. ο μπλε/πράσινα προστατευτικά κιγκλιδώματα ανάπτυξης στο SageMaker σας επιτρέπει να μεταβείτε εύκολα από το τρέχον μοντέλο παραγωγής (μπλε στόλος) σε ένα νέο (πράσινος στόλος) με ελεγχόμενο τρόπο. Οι μπλε/πράσινες αναπτύξεις αποφεύγουν το χρόνο διακοπής λειτουργίας κατά τις ενημερώσεις του μοντέλου σας, όπως αυτό που θα είχατε σε ένα σενάριο επιτόπιας ανάπτυξης. Για να μεγιστοποιήσετε τη διαθεσιμότητα του μοντέλου, από τη στιγμή που γράφονται αυτές οι γραμμές, οι μπλε/πράσινες αναπτύξεις είναι η προεπιλεγμένη επιλογή για ενημερώσεις μοντέλων στο SageMaker. Συζητάμε τις ακόλουθες μεθόδους μετατόπισης επισκεψιμότητας σε αυτήν την ανάρτηση:
- Ταυτόχρονα μετατοπίζεται η κυκλοφορία – Το 100% της επισκεψιμότητάς σας στο τελικό σημείο μετατοπίζεται από τον μπλε στόλο στον πράσινο στόλο σας, αφού ο πράσινος στόλος γίνει διαθέσιμος. Χρησιμοποιούμε συναγερμός in amazoncloudwatch που παρακολουθούν τον πράσινο στόλο σας για ένα καθορισμένο χρονικό διάστημα (το περίοδος ψησίματος) και αν δεν ενεργοποιηθεί κανένας συναγερμός, ο μπλε στόλος διαγράφεται από το SageMaker μετά την περίοδο ψησίματος.
- Μετατόπιση της κυκλοφορίας των Καναρίων – Ο πράσινος στόλος σας εκτίθεται πρώτα σε μικρότερο ποσοστό της κυκλοφορίας σας (α καναρίνι) και επικυρώθηκε για τυχόν προβλήματα με τη χρήση των συναγερμών CloudWatch για μια περίοδο ψησίματος, ενώ ο μπλε στόλος συνεχίζει να λαμβάνει το μεγαλύτερο μέρος της επισκεψιμότητας στο τελικό σημείο. Αφού επικυρωθεί ο πράσινος στόλος, όλη η κίνηση μεταφέρεται στον νέο στόλο και ο μπλε στόλος διαγράφεται στη συνέχεια από το SageMaker.
- Μπλε/πράσινη γραμμική μετατόπιση κυκλοφορίας guardrail – Μεταφέρετε σταδιακά την κυκλοφορία από τον μπλε στόλο σας στον πράσινο στόλο σας με μια προσέγγιση βήμα. Στη συνέχεια, το μοντέλο σας παρακολουθείται με συναγερμούς CloudWatch για μια περίοδο ψησίματος σε κάθε βήμα προτού αντικατασταθεί πλήρως ο στόλος Blue.
Αυτή η ανάρτηση εστιάζει στην περιγραφή αρχιτεκτονικών που χρησιμοποιούν τις δυνατότητες του SageMaker MLOps για την εκτέλεση ελεγχόμενων αναπτύξεων μοντέλων μέσω των προστατευτικών κιγκλιδωμάτων ανάπτυξης και των στρατηγικών δοκιμών μοντελοποίησης που παραθέσαμε. Για γενικές πληροφορίες σχετικά με αυτά τα μοτίβα, ανατρέξτε στο Επωφεληθείτε από προηγμένες στρατηγικές ανάπτυξης χρησιμοποιώντας προστατευτικά κιγκλιδώματα ανάπτυξης του Amazon SageMaker και Προστατευτικά κιγκλιδώματα ανάπτυξης.
Αναπτύξτε ένα μοντέλο με το SageMaker
Το SageMaker προσφέρει ένα ευρύ φάσμα επιλογές ανάπτυξης που ποικίλλουν από χαμηλή καθυστέρηση και υψηλή απόδοση έως μακροχρόνιες εργασίες συμπερασμάτων. Αυτές οι επιλογές περιλαμβάνουν εκτιμήσεις για παρτίδες, σε πραγματικό χρόνο ή συμπέρασμα σχεδόν σε πραγματικό χρόνο. Κάθε επιλογή προσφέρει διαφορετικές προηγμένες λειτουργίες, όπως τη δυνατότητα εκτέλεσης πολλών μοντέλων σε ένα μόνο τελικό σημείο. Ωστόσο, όπως αναφέρθηκε προηγουμένως, για αυτήν την ανάρτηση, καλύπτουμε μόνο μοτίβα ανάπτυξης MLOps χρησιμοποιώντας τελικά σημεία ενός μοντέλου. Για να βουτήξετε περαιτέρω σε πιο προηγμένες δυνατότητες ανάπτυξης του SageMaker για συμπεράσματα σε πραγματικό χρόνο, ανατρέξτε στο Μοντέλα φιλοξενίας μοντέλων στο Amazon SageMaker, Μέρος 2: Ξεκινώντας με την ανάπτυξη μοντέλων σε πραγματικό χρόνο στο SageMaker.
Για να κατανοήσουμε την εφαρμογή προηγμένων μοτίβων ανάπτυξης χρησιμοποιώντας αγωγούς συνεχούς παράδοσης (CD), ας συζητήσουμε πρώτα μια βασική ιδέα στο SageMaker που ονομάζεται παραλλαγές μοντέλου.
Παραλλαγές μοντέλων SageMaker
Οι παραλλαγές μοντέλων σάς επιτρέπουν να αναπτύξετε πολλές εκδόσεις του μοντέλου σας στο ίδιο τελικό σημείο για να δοκιμάσετε το μοντέλο σας. Οι παραλλαγές μοντέλων αναπτύσσονται σε ξεχωριστές παρουσίες, επομένως δεν υπάρχει αντίκτυπος σε άλλες παραλλαγές όταν ενημερώνεται. Στο SageMaker, οι παραλλαγές μοντέλων υλοποιούνται ως παραλλαγές παραγωγής και σκιάς.
Παραλλαγές παραγωγής σας επιτρέπουν να δοκιμάσετε A/B πολλές εκδόσεις του μοντέλου σας για να συγκρίνετε την απόδοσή τους. Σε αυτό το σενάριο, όλες οι εκδόσεις του μοντέλου σας επιστρέφουν απαντήσεις στα αιτήματα μοντέλου. Η επισκεψιμότητα στο τελικό σημείο κατανέμεται μεταξύ των υφιστάμενων παραλλαγών είτε με κατανομή επισκεψιμότητας, όπου εκχωρείτε ένα βάρος για κάθε παραλλαγή, είτε ανά παραλλαγή στόχου, όπου μια συγκεκριμένη παράμετρος (για παράδειγμα Περιοχή ή αγορά) αποφασίζει ποιο μοντέλο θα πρέπει να γίνει επίκληση.
Παραλλαγές σκιάς σας επιτρέπουν να δοκιμάσετε μια νέα έκδοση του μοντέλου σας. Σε αυτό το σενάριο, το μοντέλο σας έχει μια παραλλαγή παραγωγής και μια σκιώδη παραλλαγή που αναπτύσσονται παράλληλα στο ίδιο τελικό σημείο. Η σκιώδης παραλλαγή λαμβάνει την πλήρη (ή δειγματοληπτική) κίνηση δεδομένων από το τελικό σημείο σας. Ωστόσο, μόνο οι προβλέψεις των παραλλαγών παραγωγής αποστέλλονται πίσω στους χρήστες της εφαρμογής σας και οι προβλέψεις από τις σκιώδεις παραλλαγές καταγράφονται για ανάλυση. Επειδή οι σκιώδεις παραλλαγές κυκλοφορούν σε ξεχωριστές περιπτώσεις από την παραλλαγή παραγωγής, δεν υπάρχει αντίκτυπος στην απόδοση στην παραλλαγή παραγωγής σας σε αυτήν τη δοκιμή. Με αυτήν την επιλογή, δοκιμάζετε το νέο μοντέλο και ελαχιστοποιείτε τους κινδύνους ενός μοντέλου με χαμηλή απόδοση και μπορείτε να συγκρίνετε την απόδοση και των δύο μοντέλων με τα ίδια δεδομένα.
Προστατευτικά κιγκλιδώματα ανάπτυξης SageMaker
Τα προστατευτικά κιγκλιδώματα αποτελούν ουσιαστικό μέρος της ανάπτυξης λογισμικού. Προστατεύουν την εφαρμογή σας και ελαχιστοποιούν τον κίνδυνο ανάπτυξης μιας νέας έκδοσης της εφαρμογής σας. Ομοίως, τα προστατευτικά κιγκλιδώματα ανάπτυξης του SageMaker σάς επιτρέπουν να αλλάζετε από μια έκδοση μοντέλου στην άλλη με ελεγχόμενο τρόπο. Από τον Δεκέμβριο του 2022, τα προστατευτικά κιγκλιδώματα SageMaker παρέχουν εφαρμογή για επιλογές ανάπτυξης μπλε/πράσινου, καναρινιού και γραμμικής μετατόπισης κυκλοφορίας. Όταν συνδυάζονται με παραλλαγές μοντέλων, τα προστατευτικά κιγκλιδώματα μπορούν να εφαρμοστούν τόσο σε παραλλαγές παραγωγής όσο και σε σκιώδεις παραλλαγές του μοντέλου σας, διασφαλίζοντας ότι δεν υπάρχει χρόνος διακοπής λειτουργίας κατά την ενημέρωση μιας νέας παραλλαγής, με τη μετατόπιση κίνησης να ελέγχεται σύμφωνα με την επιλεγμένη επιλογή.
Τα θεμέλια MLOps για την ανάπτυξη μοντέλων
Στο ευρύτερο πλαίσιο της δημιουργίας και ανάπτυξης ενός μοντέλου ML ροής εργασίας, θέλουμε να χρησιμοποιήσουμε πρακτικές CI/CD που έχουν σχεδιαστεί για τη ροή εργασίας ML. Παρόμοια με τα παραδοσιακά συστήματα CI/CD, θέλουμε να αυτοματοποιήσουμε τις δοκιμές λογισμικού, τις δοκιμές ενοποίησης και την ανάπτυξη παραγωγής. Ωστόσο, πρέπει επίσης να συμπεριλάβουμε συγκεκριμένες λειτουργίες γύρω από τον κύκλο ζωής ML που δεν υπάρχουν στον παραδοσιακό κύκλο ζωής ανάπτυξης λογισμικού, όπως εκπαίδευση μοντέλων, πειραματισμός μοντέλων, δοκιμή μοντέλων και παρακολούθηση μοντέλων.
Για την επίτευξη αυτών των ειδικών δυνατοτήτων ML, τα θεμέλια MLOps, όπως η αυτοματοποιημένη δοκιμή μοντέλων, τα προστατευτικά κιγκλιδώματα ανάπτυξης, οι αναπτύξεις πολλών λογαριασμών και η αυτοματοποιημένη επαναφορά του μοντέλου προστίθενται στη διαδικασία ανάπτυξης του μοντέλου. Αυτό διασφαλίζει ότι οι ήδη περιγραφείσες δυνατότητες επιτρέπουν τη δοκιμή του μοντέλου και την αποφυγή διακοπής λειτουργίας κατά τη διαδικασία ενημέρωσης μοντέλου. Παρέχει επίσης την αξιοπιστία και την ιχνηλασιμότητα που απαιτούνται για τη συνεχή βελτίωση ενός μοντέλου έτοιμου για παραγωγή. Επιπλέον, δυνατότητες όπως η δυνατότητα συσκευασίας υπαρχουσών λύσεων σε επαναχρησιμοποιήσιμα πρότυπα και ανάπτυξης μοντέλων σε μια ρύθμιση πολλών λογαριασμών διασφαλίζουν την επεκτασιμότητα των προτύπων ανάπτυξης μοντέλων που συζητήθηκαν στην ανάρτηση σε πολλά μοντέλα σε έναν οργανισμό.
Το παρακάτω σχήμα δείχνει ένα κοινό μοτίβο για τη σύνδεση των δυνατοτήτων του SageMaker για τη δημιουργία ενός αγωγού κατασκευής και ανάπτυξης μοντέλου από άκρο σε άκρο. Σε αυτό το παράδειγμα, ένα μοντέλο αναπτύσσεται στο SageMaker χρησιμοποιώντας Εργασίες επεξεργασίας SageMaker για την εκτέλεση κώδικα επεξεργασίας δεδομένων που χρησιμοποιείται για την προετοιμασία δεδομένων για έναν αλγόριθμο ML. Εργασίες εκπαίδευσης SageMaker στη συνέχεια χρησιμοποιούνται για την εκπαίδευση ενός μοντέλου ML στα δεδομένα που παράγονται από την εργασία επεξεργασίας. Τα τεχνουργήματα του μοντέλου και τα σχετικά μεταδεδομένα αποθηκεύονται στο Μητρώο μοντέλων SageMaker ως το τελευταίο βήμα της εκπαιδευτικής διαδικασίας. Αυτό ενορχηστρώνεται από Αγωγοί SageMaker, η οποία είναι μια ειδικά σχεδιασμένη υπηρεσία CI/CD για ML που βοηθά στην αυτοματοποίηση και διαχείριση των ροών εργασίας ML σε κλίμακα.
Αφού εγκριθεί το μοντέλο, δοκιμάζεται στην παραγωγή είτε με δοκιμή A/B είτε με σκίαση. Αφού το μοντέλο επικυρωθεί στην παραγωγή, χρησιμοποιούμε το μητρώο μοντέλου για να εγκρίνουμε το μοντέλο για διάθεση παραγωγής σε ένα τελικό σημείο του SageMaker χρησιμοποιώντας μία από τις επιλογές των προστατευτικών κιγκλιδωμάτων ανάπτυξης.
Όταν ολοκληρωθεί η διαδικασία ενημέρωσης μοντέλου, Οθόνη SageMaker Model παρακολουθεί συνεχώς την απόδοση του μοντέλου για μετατοπίσεις στο μοντέλο και την ποιότητα των δεδομένων. Αυτή η διαδικασία είναι αυτοματοποιημένη σε περιπτώσεις πολλαπλών χρήσεων χρησιμοποιώντας SageMaker Project πρότυπα που αντιστοιχίζουν την ανάπτυξη της υποδομής σε μια ρύθμιση πολλών λογαριασμών, προκειμένου να διασφαλιστεί η πλήρης απομόνωση των πόρων και ο ευκολότερος έλεγχος του κόστους.
Μοτίβα ανάπτυξης τελικού σημείου ενός μοντέλου
Κατά την ανάπτυξη μοντέλων σε περιβάλλον παραγωγής για πρώτη φορά, δεν έχετε ένα μοντέλο που εκτελείται για σύγκριση και το αναπτυγμένο μοντέλο θα είναι αυτό που χρησιμοποιείται από την επιχειρηματική σας εφαρμογή. Μετά την ανάπτυξη και την παρακολούθηση του μοντέλου σε περιβάλλον παραγωγής, μπορεί να θέλετε να ενημερώνετε το μοντέλο, είτε σε τακτική βάση είτε κατόπιν ζήτησης, όταν υπάρχουν νέα δεδομένα ή όταν στο μοντέλο σας έχει εντοπιστεί κενό απόδοσης. Κατά την ενημέρωση ενός υπάρχοντος μοντέλου, θέλετε να διασφαλίσετε ότι το νέο μοντέλο αποδίδει καλύτερα από το τρέχον και ότι μπορεί να χειριστεί την κίνηση των αιτημάτων πρόβλεψης από τις επιχειρηματικές σας εφαρμογές. Κατά τη διάρκεια αυτής της περιόδου επικύρωσης, θέλετε το τρέχον μοντέλο να είναι ακόμα διαθέσιμο για πιθανή επαναφορά, ώστε να ελαχιστοποιηθεί ο κίνδυνος διακοπής λειτουργίας των εφαρμογών σας.
Σε μια ευρύτερη εικόνα ανάπτυξης μοντέλων, τα μοντέλα συνήθως εκπαιδεύονται σε έναν λογαριασμό ανάπτυξης επιστήμης δεδομένων. Αυτό περιλαμβάνει πειραματικές ροές εργασιών που χρησιμοποιούνται συχνά στην ανάπτυξη μοντέλων, καθώς και ροές εργασίας επανεκπαίδευσης που χρησιμοποιούνται σε αγωγούς έτοιμους για παραγωγή. Όλα τα μεταδεδομένα για αυτά τα πειράματα μπορούν να παρακολουθηθούν χρησιμοποιώντας Πειράματα Amazon SageMaker κατά την ανάπτυξη. Αφού η ροή εργασίας ενσωματωθεί σε μια διοχέτευση για χρήση στην παραγωγή, τα μεταδεδομένα παρακολουθούνται αυτόματα μέσω των αγωγών SageMaker. Για να παρακολουθείτε βιώσιμα μοντέλα παραγωγής σε ένα μέρος, αφού ο πειραματισμός έχει φέρει τις μετρήσεις απόδοσης ενός μοντέλου (ακρίβεια, ανάκληση κ.λπ.) σε ένα αποδεκτό επίπεδο για παραγωγή, βήμα συνθήκης στη διοχέτευση του SageMaker επιτρέπει την εγγραφή του μοντέλου στο μητρώο μοντέλων.
Το μητρώο μοντέλων σάς επιτρέπει να ενεργοποιήσετε την ανάπτυξη αυτού του μοντέλου με μια μη αυτόματη ή αυτοματοποιημένη διαδικασία έγκρισης. Αυτή η ανάπτυξη πραγματοποιείται σε έναν λογαριασμό δοκιμής ML όπου μπορούν να εκτελεστούν λειτουργικές δοκιμές, όπως δοκιμές ενοποίησης, δοκιμές μονάδας, καθυστέρηση μοντέλου και οποιαδήποτε πρόσθετη επικύρωση μοντέλου έναντι της νέας έκδοσης μοντέλου. Σημειώστε ότι η δοκιμή A/B και η σκιώδης δοκιμή δεν εκτελούνται στον λογαριασμό δοκιμής ML, αλλά στον λογαριασμό παραγωγής ML.
Αφού το μοντέλο περάσει όλες τις επικυρώσεις στον δοκιμαστικό λογαριασμό, είναι έτοιμο να αναπτυχθεί σε περιβάλλον παραγωγής. Μια νέα διαδικασία έγκρισης ενεργοποιεί αυτήν την ανάπτυξη και τα προστατευτικά κιγκλιδώματα ανάπτυξης του SageMaker επιτρέπουν μια ελεγχόμενη αποδέσμευση και διαφανή διαδικασία ενημέρωσης μοντέλου σύμφωνα με την επιλεγμένη λειτουργία μετατόπισης κυκλοφορίας.
Το παρακάτω διάγραμμα απεικονίζει αυτήν την αρχιτεκτονική λύσης.
Ταυτόχρονα μετατοπίζεται η κυκλοφορία
Η Λειτουργία μετατόπισης κίνησης ταυτόχρονα σας επιτρέπει να ενημερώσετε μια νέα έκδοση μοντέλου (πράσινος στόλος) μετατοπίζοντας πλήρως το 100% της κίνησης από το τρέχον μοντέλο σας (μπλε στόλος) στο νέο σας μοντέλο. Με αυτήν την επιλογή, μπορείτε να διαμορφώσετε μια περίοδο ψησίματος κατά την οποία εξακολουθούν να εκτελούνται και οι δύο εκδόσεις του μοντέλου σας και μπορείτε γρήγορα και αυτόματα να επιστρέψετε στην τρέχουσα έκδοση, εάν το νέο σας μοντέλο δεν έχει την αναμενόμενη απόδοση. Το μειονέκτημα αυτής της επιλογής είναι ότι όλη η κίνηση των δεδομένων σας επηρεάζεται ταυτόχρονα, επομένως εάν υπάρχει πρόβλημα με την ανάπτυξη του μοντέλου σας, επηρεάζονται όλοι οι χρήστες που χρησιμοποιούν την εφαρμογή κατά τη διαδικασία ανάπτυξης. Η ακόλουθη αρχιτεκτονική δείχνει πώς η επιλογή αλλαγής κίνησης ταυτόχρονα χειρίζεται τις ενημερώσεις μοντέλων.
Η μετατόπιση κίνησης ταυτόχρονα μπορεί να ενσωματωθεί στα εργαλεία MLOps σας ορίζοντας μια διαμόρφωση ανάπτυξης τελικού σημείου με BlueGreenUpdatePolicy οριστεί σε ALL_AT_ONCE
. Στη διοχέτευση MLOps, αφού ένα νέο μοντέλο εγκριθεί για ανάπτυξη στον λογαριασμό παραγωγής ML, το SageMaker ελέγχει αν υπάρχει ήδη τελικό σημείο του μοντέλου σας. Αν ναι, το ALL_AT_ONCE
Η διαμόρφωση ενεργοποιεί μια ενημέρωση τελικού σημείου που ακολουθεί την αρχιτεκτονική. Η επαναφορά του τελικού σημείου σας ελέγχεται με βάση Συναγερμοί CloudWatch ορίζεται από το τελικό σημείο σας AutoRollbackConfiguration
, το οποίο όταν ενεργοποιηθεί ξεκινά αυτόματα την επαναφορά του μοντέλου στην τρέχουσα έκδοση του μοντέλου σας.
Μετατόπιση της κυκλοφορίας των Καναρίων
Η μετατόπιση της κυκλοφορίας των καναρινιών Η λειτουργία σάς επιτρέπει να δοκιμάσετε το νέο σας μοντέλο (πράσινος στόλος) με ένα μικρό μέρος της κίνησης δεδομένων πριν είτε ενημερώσετε το μοντέλο λειτουργίας (μπλε στόλος) στη νέα έκδοση είτε επαναφέρετε τη νέα έκδοση, ανάλογα με το αποτέλεσμα της δοκιμής καναρίνι. Το τμήμα της κίνησης που χρησιμοποιείται για τη δοκιμή του νέου μοντέλου ονομάζεται καναρίνι και σε αυτήν την επιλογή ο κίνδυνος ενός προβληματικού νέου μοντέλου ελαχιστοποιείται στην κυκλοφορία των καναρίνι ενώ ο χρόνος ενημέρωσης εξακολουθεί να ελαχιστοποιείται.
Οι αναπτύξεις Canary σάς επιτρέπουν να ελαχιστοποιήσετε τον κίνδυνο εφαρμογής μιας νέας έκδοσης μοντέλου εκθέτοντας τη νέα έκδοση μοντέλου σε μια μικρότερη ομάδα χρηστών για την παρακολούθηση της αποτελεσματικότητας για μια χρονική περίοδο. Το μειονέκτημα είναι η διαχείριση πολλών εκδόσεων για μια χρονική περίοδο που επιτρέπει τη συλλογή μετρήσεων απόδοσης που είναι αρκετά σημαντικές για τον προσδιορισμό του αντίκτυπου στην απόδοση. Το όφελος είναι η ικανότητα απομόνωσης του κινδύνου σε μια μικρότερη ομάδα χρηστών.
Η μετατόπιση κυκλοφορίας Canary μπορεί να ενσωματωθεί στα εργαλεία MLOps σας ορίζοντας μια διαμόρφωση ανάπτυξης τελικού σημείου με ένα BlueGreenUpdatePolicy οριστεί σε CANARY
και ορίζοντας το CanarySize
για να προσδιορίσετε πόσο από την επισκεψιμότητα στο τελικό σημείο σας θα πρέπει να ανακατευθυνθεί σε μια νέα έκδοση μοντέλου. Ομοίως με την επιλογή όλα ταυτόχρονα, στη διοχέτευση MLOps, μετά την έγκριση ενός νέου μοντέλου για ανάπτυξη στον λογαριασμό παραγωγής ML, το SageMaker ελέγχει εάν το τελικό σημείο του μοντέλου σας υπάρχει ήδη. Αν ναι, το CANARY
Η ρύθμιση παραμέτρων ενεργοποιεί μια ενημέρωση τελικού σημείου που ακολουθεί την αρχιτεκτονική που περιγράφεται στο παρακάτω διάγραμμα. Η επαναφορά τελικού σημείου σας ελέγχεται με βάση τους συναγερμούς CloudWatch που ορίζονται από το τελικό σημείο σας AutoRollbackConfiguration
όταν ενεργοποιηθεί, ξεκινά αυτόματα η επαναφορά του μοντέλου στην τρέχουσα έκδοση του μοντέλου σας. Χρήσιμοι τύποι συναγερμού για ανάπτυξη εδώ είναι 500 κωδικοί κατάστασης και λανθάνουσα κατάσταση μοντέλου. Ωστόσο, αυτές οι ρυθμίσεις συναγερμού θα πρέπει να προσαρμοστούν στη συγκεκριμένη περίπτωση επαγγελματικής χρήσης και στην τεχνολογία ML.
Γραμμική μετατόπιση κυκλοφορίας
Στο γραμμική μετατόπιση κυκλοφορίας μοντέλο, αλλάζετε σταδιακά την επισκεψιμότητα από το τρέχον μοντέλο σας (μπλε στόλος) στη νέα έκδοση του μοντέλου σας (πράσινος στόλος) αυξάνοντας την κίνηση δεδομένων που αποστέλλεται στο νέο μοντέλο σταδιακά. Με αυτόν τον τρόπο, το ποσοστό της επισκεψιμότητας που χρησιμοποιείται για τη δοκιμή της νέας έκδοσης του μοντέλου σας αυξάνεται σταδιακά με κάθε βήμα και ο χρόνος ψησίματος για κάθε βήμα διασφαλίζει ότι το μοντέλο σας εξακολουθεί να λειτουργεί με τη νέα επισκεψιμότητα. Με αυτήν την επιλογή, ελαχιστοποιείτε τον κίνδυνο ανάπτυξης ενός μοντέλου χαμηλής απόδοσης και εκθέτετε σταδιακά το νέο μοντέλο σε περισσότερη κίνηση δεδομένων. Το μειονέκτημα αυτής της προσέγγισης είναι ότι ο χρόνος ενημέρωσης είναι μεγαλύτερος και το κόστος της παράλληλης λειτουργίας και των δύο μοντέλων αυξάνεται.
Η γραμμική μετατόπιση κυκλοφορίας μπορεί να ενσωματωθεί στα εργαλεία MLOps σας ορίζοντας μια διαμόρφωση ανάπτυξης τελικού σημείου με το BlueGreenUpdatePolicy που έχει οριστεί σε LINEAR
και ορίζοντας το LinearStepSize
για να καθορίσετε πόσο από την επισκεψιμότητά σας θα πρέπει να ανακατευθύνεται σε ένα νέο μοντέλο σε κάθε βήμα. Ομοίως με την επιλογή όλα ταυτόχρονα, στη διοχέτευση MLOps, μετά την έγκριση ενός νέου μοντέλου για ανάπτυξη στον λογαριασμό παραγωγής ML, το SageMaker ελέγχει εάν το τελικό σημείο του μοντέλου σας υπάρχει ήδη. Αν ναι, το LINEAR
η διαμόρφωση ενεργοποιεί μια ενημέρωση τελικού σημείου που ακολουθεί την αρχιτεκτονική που υποδεικνύεται στο παρακάτω διάγραμμα. Η επαναφορά τελικού σημείου σας ελέγχεται με βάση τους συναγερμούς CloudWatch που ορίζονται από το τελικό σημείο σας AutoRollbackConfiguration
όταν ενεργοποιηθεί, ξεκινά αυτόματα η επαναφορά του μοντέλου στην τρέχουσα έκδοση του μοντέλου σας.
Μοτίβα ανάπτυξης με παραλλαγές παραγωγής μοντέλων
Ανεξάρτητα από το μοτίβο ανάπτυξης που επιλέξατε για την εφαρμογή σας, μπορείτε επίσης να χρησιμοποιήσετε παραλλαγές παραγωγής για να επικυρώσετε την απόδοση του μοντέλου σας πριν ενημερώσετε το τελικό σημείο σας ή να εφαρμόσετε πρόσθετα μοτίβα ανάπτυξης, όπως σκιώδεις αναπτύξεις. Σε αυτήν την περίπτωση, θέλετε να προσθέσετε μια μη αυτόματη ή αυτοματοποιημένη διαδικασία για να επιλέξετε το καλύτερο μοντέλο που θα αναπτυχθεί πριν ενημερώσετε το τελικό σημείο σας. Η ακόλουθη αρχιτεκτονική δείχνει πώς συμπεριφέρονται η επισκεψιμότητα και η απόκρισή σας στο τελικό σημείο σε ένα σκιερό σενάριο ανάπτυξης. Σε αυτό το σενάριο, κάθε αίτημα πρόβλεψης υποβάλλεται τόσο στο νέο όσο και στο αναπτυγμένο μοντέλο. Ωστόσο, μόνο το τρέχον αναπτυσσόμενο μοντέλο εξυπηρετεί την απόκριση πρόβλεψης στην επιχειρηματική εφαρμογή, ενώ η πρόβλεψη που προβάλλεται από το νέο μοντέλο διατηρείται μόνο για ανάλυση στην απόδοση σε σχέση με το τρέχον αναπτυσσόμενο μοντέλο. Αφού αξιολογηθεί η απόδοση του μοντέλου, η νέα έκδοση μοντέλου μπορεί να αναπτυχθεί για την εξυπηρέτηση της κυκλοφορίας απόκρισης πρόβλεψης σε επιχειρηματικές εφαρμογές.
Επαναφορά
Ανεξάρτητα από τη στρατηγική ανάπτυξης που επιλέξατε για την ανάπτυξη του μοντέλου σας, θέλετε να μπορείτε να επιστρέψετε στην προηγούμενη έκδοση μοντέλου εάν η απόδοση του νέου μοντέλου είναι χαμηλότερη από την απόδοση του τρέχοντος μοντέλου. Για να το κάνετε αυτό, ενώ ελαχιστοποιείτε το χρόνο διακοπής λειτουργίας της εφαρμογής σας, πρέπει να διατηρήσετε το τρέχον μοντέλο να λειτουργεί παράλληλα με το νέο μέχρι να είστε σίγουροι ότι το νέο σας μοντέλο έχει καλύτερη απόδοση από το τρέχον.
Τα προστατευτικά κιγκλιδώματα ανάπτυξης του SageMaker σάς επιτρέπουν να ρυθμίζετε συναγερμούς και να επαναφέρετε αυτόματα τις προηγούμενες εκδόσεις του μοντέλου κατά τη διάρκεια της περιόδου επικύρωσης του μοντέλου. Μετά τη λήξη της περιόδου επικύρωσης, ίσως χρειαστεί να επιστρέψετε σε μια προηγούμενη έκδοση μοντέλου για να λύσετε ένα νέο πρόβλημα που ανακαλύπτεται μετά την ολοκλήρωση της ενημέρωσης του μοντέλου. Για να το κάνετε αυτό, μπορείτε να επωφεληθείτε από το μητρώο μοντέλων SageMaker στο απόρριψη και εγκεκριμένα μοντέλα και ενεργοποιήστε ένα διαδικασία επαναφοράς.
Συμπέρασμα
Σε αυτήν την ανάρτηση, μάθατε πώς να συνδυάζετε παραλλαγές μοντέλων τελικού σημείου SageMaker και προστατευτικά κιγκλιδώματα ανάπτυξης με δυνατότητες MLOps, προκειμένου να δημιουργήσετε μοτίβα από άκρο σε άκρο για την ανάπτυξη μοντέλων. Παρέχουμε ένα παράδειγμα υλοποίησης για προστατευτικά κιγκλιδώματα ανάπτυξης καναρίνι και γραμμικής μετατόπισης που συνδέονται με αγωγούς SageMaker και το μητρώο μοντέλων μέσω ενός προσαρμοσμένου έργου SageMaker. Ως επόμενο βήμα, δοκιμάστε να προσαρμόσετε τα παρακάτω πρότυπο για να εφαρμόσετε τη στρατηγική ανάπτυξης του οργανισμού σας.
αναφορές
Σχετικά με τους συγγραφείς
Maira Ladeira Tanke είναι Αρχιτέκτονας ML Specialist Solutions στην AWS. Με υπόβαθρο στην επιστήμη δεδομένων, έχει 9 χρόνια εμπειρίας στην αρχιτεκτονική και την κατασκευή εφαρμογών ML με πελάτες σε διάφορους κλάδους. Ως τεχνική επικεφαλής, βοηθά τους πελάτες να επιταχύνουν την επίτευξη επιχειρηματικής αξίας μέσω αναδυόμενων τεχνολογιών και καινοτόμων λύσεων. Στον ελεύθερο χρόνο της, η Maira απολαμβάνει να ταξιδεύει και να περνά χρόνο με την οικογένειά της κάπου ζεστά.
Κλέι Έλμορ είναι AI/ML Specialist Solutions Architect στο AWS. Αφού πέρασε πολλές ώρες σε ένα εργαστήριο έρευνας υλικών, το υπόβαθρό του στη χημική μηχανική έμεινε γρήγορα πίσω για να συνεχίσει το ενδιαφέρον του για τη μηχανική μάθηση. Έχει εργαστεί σε εφαρμογές ML σε πολλούς διαφορετικούς κλάδους, από το εμπόριο ενέργειας έως το μάρκετινγκ φιλοξενίας. Η Clay έχει ιδιαίτερο ενδιαφέρον να φέρει πρακτικές ανάπτυξης λογισμικού στην ML και να καθοδηγεί τους πελάτες προς επαναλαμβανόμενες, επεκτάσιμες λύσεις χρησιμοποιώντας αυτές τις αρχές. Στον ελεύθερο χρόνο του, ο Κλέι του αρέσει να κάνει σκι, να λύνει τους κύβους του Ρούμπικ, να διαβάζει και να μαγειρεύει.
Shelbee Eigenbrode είναι κύριος αρχιτέκτονας λύσεων τεχνητής νοημοσύνης και μηχανικής μάθησης στο AWS. Ασχολείται με την τεχνολογία εδώ και 24 χρόνια, καλύπτοντας πολλούς κλάδους, τεχνολογίες και ρόλους. Αυτήν τη στιγμή εστιάζει στο να συνδυάσει το ιστορικό DevOps και ML στον τομέα των MLOps για να βοηθήσει τους πελάτες να προσφέρουν και να διαχειρίζονται φόρτους εργασίας ML σε κλίμακα. Με περισσότερα από 35 διπλώματα ευρεσιτεχνίας που έχουν χορηγηθεί σε διάφορους τομείς τεχνολογίας, έχει πάθος για συνεχή καινοτομία και χρήση δεδομένων για την επίτευξη επιχειρηματικών αποτελεσμάτων. Η Shelbee είναι συν-δημιουργός και εκπαιδευτής της εξειδίκευσης Practical Data Science στο Coursera. Είναι επίσης η συν-διευθύντρια του Women In Big Data (WiBD), κεφάλαιο Ντένβερ. Στον ελεύθερο χρόνο της, της αρέσει να περνά χρόνο με την οικογένειά της, τους φίλους και τα υπερδραστήρια σκυλιά.
Qiyun Zhao είναι Ανώτερος Μηχανικός Ανάπτυξης Λογισμικού με την ομάδα Amazon SageMaker Inference Platform. Είναι ο κύριος προγραμματιστής των προστατευτικών κιγκλιδωμάτων ανάπτυξης και των σκιωδών αναπτύξεων και εστιάζει στο να βοηθά τους πελάτες να διαχειρίζονται φόρτους εργασίας και αναπτύξεις ML σε κλίμακα με υψηλή διαθεσιμότητα. Εργάζεται επίσης σε εξελίξεις αρχιτεκτονικής πλατφόρμας για γρήγορη και ασφαλή ανάπτυξη εργασιών ML και εκτέλεση διαδικτυακών πειραμάτων ML με ευκολία. Στον ελεύθερο χρόνο του, του αρέσει να διαβάζει, να παίζει παιχνίδια και να ταξιδεύει.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/mlops-deployment-best-practices-for-real-time-inference-model-serving-endpoints-with-amazon-sagemaker/
- 100
- 2022
- 7
- 9
- a
- ικανότητα
- Ικανός
- επιταχύνουν
- αποδεκτό
- Σύμφωνα με
- Λογαριασμός
- Λογιστήριο
- Κατορθώνω
- επίτευξη
- απέναντι
- προστιθέμενη
- Επιπλέον
- Πρόσθετος
- Επιπλέον
- προηγμένες
- Πλεονέκτημα
- Μετά το
- κατά
- AI
- AI / ML
- τρομάζω
- αλγόριθμος
- Όλα
- επιτρέπει
- ήδη
- Amazon
- Amazon Sage Maker
- ποσό
- ανάλυση
- και
- Άλλος
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- πλησιάζω
- έγκριση
- εγκρίνω
- εγκεκριμένη
- αρχιτεκτονική
- γύρω
- πτυχές
- συσχετισμένη
- αυτοματοποίηση
- Αυτοματοποιημένη
- αυτομάτως
- διαθεσιμότητα
- διαθέσιμος
- AWS
- πίσω
- φόντο
- βασίζονται
- βάση
- επειδή
- γίνεται
- πριν
- πίσω
- είναι
- όφελος
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Καλύτερα
- μεταξύ
- Μεγάλος
- Big Data
- Μπλε
- Φέρνοντας
- ευρύς
- ευρύτερη
- Έφερε
- χτίζω
- Κτίριο
- χτισμένο
- επιχείρηση
- Επιχειρηματικές εφαρμογές
- που ονομάζεται
- δυνατότητες
- περίπτωση
- περιπτώσεις
- CD
- ορισμένες
- αλλαγή
- αλλαγή
- Κεφάλαιο
- έλεγχοι
- χημική ουσία
- επιλέγοντας
- επέλεξε
- κλειστό
- κωδικός
- συνδυασμός
- σε συνδυασμό
- συνδυάζοντας
- Κοινός
- συγκρίνουν
- πλήρης
- εντελώς
- έννοια
- βέβαιος
- διαμόρφωση
- συνδεδεμένος
- σύνδεση
- Εξετάστε
- θεωρήσεις
- περιέχουν
- συμφραζόμενα
- συνεχώς
- συνεχής
- συνεχώς
- έλεγχος
- ελέγχεται
- Κόστος
- Δικαστικά έξοδα
- κάλυμμα
- καλύπτονται
- δημιουργία
- Ρεύμα
- Τη στιγμή
- έθιμο
- Πελάτες
- προσαρμοσμένη
- ημερομηνία
- επεξεργασία δεδομένων
- επιστημονικά δεδομένα
- Δεκέμβριος
- Λήψη Αποφάσεων
- Προεπιλογή
- ορίζεται
- καθορίζοντας
- παραδώσει
- διανομή
- Ζήτηση
- καταδεικνύει
- Ντένβερ
- Σε συνάρτηση
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύξεις
- περιγράφεται
- εντοπιστεί
- Προσδιορίστε
- αναπτύχθηκε
- Εργολάβος
- Ανάπτυξη
- διαφορετικές
- κατευθείαν
- ανακάλυψαν
- συζητήσουν
- συζήτηση
- διανέμονται
- διανομή
- διανομή
- Όχι
- τομέα
- domains
- Μην
- μειονέκτημα
- downtime
- αυτοκίνητο
- κατά την διάρκεια
- κάθε
- ευκολότερη
- εύκολα
- αποτελεσματικότητα
- είτε
- σμυριδόπετρα
- ενεργοποιήσετε
- από άκρη σε άκρη
- Τελικό σημείο
- ενέργεια
- μηχανικός
- Μηχανική
- αρκετά
- εξασφαλίζω
- εξασφαλίζει
- εξασφαλίζοντας
- Περιβάλλον
- ουσιώδης
- αξιολογήσει
- αξιολόγηση
- εξελίξεις
- παράδειγμα
- υφιστάμενα
- υπάρχει
- αναμένεται
- εμπειρία
- διερευνήσει
- εκτεθειμένος
- οικογένεια
- FAST
- Χαρακτηριστικά
- ανατροφοδότηση
- Εικόνα
- Όνομα
- πρώτη φορά
- ΣΤΟΛΟΣ
- εστιάζει
- εστιάζοντας
- Εξής
- εξής
- Ιδρύματα
- Πλαίσιο
- Δωρεάν
- φίλους
- από
- πλήρη
- λειτουργικότητα
- λειτουργίες
- περαιτέρω
- τυχερών παιχνιδιών
- χάσμα
- συγκέντρωση
- General
- να πάρει
- Δώστε
- δεδομένου
- σταδιακά
- χορηγείται
- Πράσινο
- Group
- λαβή
- Handles
- βοήθεια
- βοήθεια
- βοηθά
- εδώ
- Ψηλά
- φιλοξενία
- φιλοξενία
- ΩΡΕΣ
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- Επίπτωση
- εφαρμογή
- εκτέλεση
- εφαρμοστεί
- εκτελεστικών
- βελτίωση
- in
- περιλαμβάνουν
- περιλαμβάνει
- Συμπεριλαμβανομένου
- Συσσωματωμένος
- αυξημένη
- Αυξήσεις
- αύξηση
- βιομηχανίες
- πληροφορίες
- Υποδομή
- Καινοτομία
- καινοτόμες
- παράδειγμα
- αντί
- ενσωματώσει
- Ενσωμάτωση
- ολοκλήρωση
- τόκος
- Εισαγωγή
- απομόνωση
- ζήτημα
- θέματα
- IT
- Δουλειά
- Θέσεις εργασίας
- Διατήρηση
- Κλειδί
- εργαστήριο
- Επίθετο
- Αφάνεια
- ξεκίνησε
- οδηγήσει
- μάθει
- μάθηση
- Επίπεδο
- κύκλος ζωής
- Εισηγμένες
- ζω
- πλέον
- Χαμηλός
- μηχανή
- μάθηση μηχανής
- διατηρήσουν
- διαχείριση
- διαχείριση
- διαχείριση
- Ταχύτητες
- πολοί
- χαρτης
- αγορά
- Μάρκετινγκ
- υλικά
- Αυξάνω στον ανώτατο βαθμό
- νόημα
- μηχανισμός
- που αναφέρθηκαν
- Μεταδεδομένα
- μέθοδοι
- μετρικός
- Metrics
- ενδέχεται να
- ελαχιστοποιώντας
- ML
- MLOps
- Τρόπος
- μοντέλο
- Δοκιμή μοντέλου
- μοντέλα
- Παρακολούθηση
- παρακολούθηση
- παρακολούθηση
- οθόνες
- περισσότερο
- πλέον
- πολλαπλούς
- Φύση
- απαραίτητος
- Ανάγκη
- Νέα
- επόμενη
- προσφορές
- ONE
- διαδικτυακά (online)
- επιχειρήσεων
- λειτουργίες
- βέλτιστη
- Επιλογή
- Επιλογές
- τάξη
- επιχειρήσεις
- ΑΛΛΑ
- Αποτέλεσμα
- σκιαγραφείται
- πακέτο
- Παράλληλο
- παράμετρος
- μέρος
- περάσματα
- πάθος
- Διπλώματα ευρεσιτεχνίας
- πρότυπο
- πρότυπα
- Εκτελέστε
- επίδοση
- εκτελεί
- περίοδος
- εικόνα
- αγωγού
- Μέρος
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- δυνατός
- Θέση
- Πρακτικός
- πρακτικές
- Ακρίβεια
- πρόβλεψη
- Προβλέψεις
- Προετοιμάστε
- παρόν
- προηγούμενος
- προηγουμένως
- Κύριος
- αρχές
- Πρόβλημα
- διαδικασια μας
- μεταποίηση
- Παράγεται
- παραγωγή
- σχέδιο
- έργα
- προτείνεται
- προστασία
- παρέχουν
- παρέχεται
- παρέχει
- σκοπός
- βάζω
- ποιότητα
- γρήγορα
- σειρά
- κυμαίνεται
- Ανάγνωση
- έτοιμος
- πραγματικός
- σε πραγματικό χρόνο
- λαμβάνει
- λήψη
- συνιστάται
- περιοχή
- καταχωρηθεί
- μητρώου
- τακτικός
- απελευθερώνουν
- αξιοπιστία
- αξιόπιστος
- επαναληπτός
- αντικατασταθούν
- ζητήσει
- αιτήματα
- έρευνα
- πόρος
- απάντησης
- απόδοση
- επαναχρησιμοποιήσιμη
- Κίνδυνος
- κινδύνους
- ρόλους
- Ρολό
- Κυλιομένος
- τρέξιμο
- τρέξιμο
- σοφός
- Συμπεράσματα SageMaker
- Αγωγοί SageMaker
- ίδιο
- ικανοποιημένοι
- ικανοποιημένος με
- Απεριόριστες δυνατότητες
- επεκτάσιμη
- Κλίμακα
- σενάριο
- σενάρια
- Επιστήμη
- προστατευμένο περιβάλλον
- επιλέγονται
- αποστολή
- αρχαιότερος
- ξεχωριστό
- εξυπηρετεί
- υπηρεσία
- εξυπηρετούν
- σειρά
- ρυθμίσεις
- setup
- διάφοροι
- σκιά
- Δοκιμή σκιών
- αλλαγή
- ΜΕΤΑΤΟΠΙΣΗ
- θα πρέπει να
- Δείχνει
- σημασία
- παρόμοιες
- Ομοίως
- ενιαίας
- καταστάσεων
- small
- μικρότερος
- So
- λογισμικό
- ανάπτυξη λογισμικού
- λύση
- Λύσεις
- SOLVE
- Επίλυση
- ειδική
- ειδικός
- συγκεκριμένες
- δαπανήσει
- Δαπάνες
- ξεκίνησε
- ξεκινά
- στατιστικός
- Κατάσταση
- Βήμα
- Βήματα
- Ακόμη
- αποθηκεύονται
- στρατηγικές
- Στρατηγική
- υποβάλλονται
- τέτοιος
- υποστήριξη
- διακόπτης
- συστήματα
- Πάρτε
- παίρνει
- στόχος
- Τεχνικός
- Τεχνολογίες
- Τεχνολογία
- πρότυπα
- δοκιμή
- Δοκιμές
- δοκιμές
- Η
- τους
- Μέσω
- διακίνηση
- ΓΡΑΒΑΤΑ
- ώρα
- προς την
- εργαλεία
- προς
- Ιχνηλασιμότητα
- τροχιά
- Διαπραγμάτευσης
- παραδοσιακός
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- διαφανής
- Ταξίδια
- ενεργοποιούν
- ενεργοποιήθηκε
- τύποι
- συνήθως
- καταλαβαίνω
- μοναδικός
- μονάδα
- Ενημέρωση
- ενημερώθηκε
- ενημερώσεις
- ενημέρωση
- χρήση
- περίπτωση χρήσης
- Χρήστες
- χρησιμοποιώ
- ΕΠΙΚΥΡΩΝΩ
- επικυρωμένο
- επικύρωση
- αξία
- Παραλλαγή
- διάφορα
- εκδοχή
- μέσω
- βιώσιμος
- ζεστός
- βάρος
- Τι
- Τι είναι
- Ποιό
- ενώ
- θα
- εντός
- Γυναίκες
- εργάστηκαν
- ροές εργασίας
- λειτουργεί
- θα
- γραφή
- χρόνια
- Εσείς
- Σας
- zephyrnet