Τα MLOps είναι ένας βασικός κλάδος που συχνά επιβλέπει την πορεία προς την παραγωγή μοντέλων μηχανικής μάθησης (ML). Είναι φυσικό να εστιάσετε σε ένα μόνο μοντέλο που θέλετε να εκπαιδεύσετε και να αναπτύξετε. Ωστόσο, στην πραγματικότητα, πιθανότατα θα εργαστείτε με δεκάδες ή και εκατοντάδες μοντέλα και η διαδικασία μπορεί να περιλαμβάνει πολλά πολύπλοκα βήματα. Ως εκ τούτου, είναι σημαντικό να υπάρχει η υποδομή για την παρακολούθηση, την εκπαίδευση, την ανάπτυξη και την παρακολούθηση μοντέλων με διαφορετική πολυπλοκότητα σε κλίμακα. Εδώ μπαίνει το εργαλείο MLOps. Τα εργαλεία MLOps σάς βοηθούν να δημιουργήσετε και να απλοποιήσετε επαναλαμβανόμενα και αξιόπιστα αυτές τις διαδικασίες σε μια ροή εργασίας που είναι προσαρμοσμένη για ML.
Αγωγοί Amazon SageMaker, χαρακτηριστικό του Amazon Sage Maker, είναι μια ειδικά σχεδιασμένη υπηρεσία ενορχήστρωσης ροής εργασιών για ML που σας βοηθά να αυτοματοποιήσετε τις ροές εργασίας ML από άκρο σε άκρο σε κλίμακα. Απλοποιεί την ανάπτυξη και τη συντήρηση μοντέλων ML παρέχοντας μια κεντρική πλατφόρμα για την ενορχήστρωση εργασιών όπως η προετοιμασία δεδομένων, η εκπαίδευση μοντέλων, ο συντονισμός και η επικύρωση. Το SageMaker Pipelines μπορεί να σας βοηθήσει να βελτιώσετε τη διαχείριση ροής εργασιών, να επιταχύνετε τον πειραματισμό και να επανεκπαιδεύσετε μοντέλα πιο εύκολα.
Σε αυτήν την ανάρτηση, επισημαίνουμε ένα συναρπαστικό νέο χαρακτηριστικό του SageMaker Pipelines γνωστό ως Επιλεκτική Εκτέλεση. Αυτή η νέα δυνατότητα σάς δίνει τη δυνατότητα να εκτελείτε επιλεκτικά συγκεκριμένα τμήματα της ροής εργασιών ML, με αποτέλεσμα σημαντική εξοικονόμηση χρόνου και υπολογισμού πόρων περιορίζοντας την εκτέλεση στα βήματα του πεδίου εφαρμογής και εξαλείφοντας την ανάγκη εκτέλεσης βημάτων εκτός πεδίου. Επιπλέον, διερευνούμε διάφορες περιπτώσεις χρήσης όπου τα πλεονεκτήματα της χρήσης της Επιλεκτικής Εκτέλεσης γίνονται εμφανή, ενισχύοντας περαιτέρω την πρόταση αξίας της.
Επισκόπηση λύσεων
Η SageMaker Pipelines συνεχίζει να καινοτομεί την εμπειρία προγραμματιστή της με την κυκλοφορία του Επιλεκτική Εκτέλεση. Οι κατασκευαστές ML έχουν πλέον τη δυνατότητα να επιλέξουν συγκεκριμένα βήματα για να εκτελεστούν μέσα σε έναν αγωγό, εξαλείφοντας την ανάγκη επανεκτέλεσης ολόκληρου του αγωγού. Αυτή η δυνατότητα σάς δίνει τη δυνατότητα να εκτελέσετε ξανά συγκεκριμένα τμήματα του αγωγού, ενώ τροποποιείτε τις παραμέτρους χρόνου εκτέλεσης που σχετίζονται με τα επιλεγμένα βήματα.
Είναι σημαντικό να σημειωθεί ότι τα επιλεγμένα βήματα μπορεί να βασίζονται στα αποτελέσματα μη επιλεγμένων βημάτων. Σε τέτοιες περιπτώσεις, οι έξοδοι αυτών των μη επιλεγμένων βημάτων επαναχρησιμοποιούνται από μια εκτέλεση αναφοράς της τρέχουσας έκδοσης αγωγού. Αυτό σημαίνει ότι η εκτέλεση αναφοράς πρέπει να έχει ήδη ολοκληρωθεί. Η προεπιλεγμένη εκτέλεση αναφοράς είναι η πιο πρόσφατη εκτέλεση της τρέχουσας έκδοσης pipeline, αλλά μπορείτε επίσης να επιλέξετε να χρησιμοποιήσετε μια διαφορετική εκτέλεση της τρέχουσας έκδοσης pipeline ως αναφορά.
Η συνολική κατάσταση της εκτέλεσης αναφοράς πρέπει να είναι Επιτυχής, Απέτυχε or Διακόπηκε. Δεν μπορεί να είναι Τρέξιμο όταν το Selective Execution επιχειρεί να χρησιμοποιήσει τις εξόδους του. Όταν χρησιμοποιείτε την Επιλεκτική Εκτέλεση, μπορείτε να επιλέξετε οποιονδήποτε αριθμό βημάτων για εκτέλεση, αρκεί να αποτελούν ένα συνεχόμενο τμήμα του αγωγού.
Το παρακάτω διάγραμμα απεικονίζει τη συμπεριφορά του αγωγού με πλήρη εκτέλεση.
Το παρακάτω διάγραμμα απεικονίζει τη συμπεριφορά του αγωγού χρησιμοποιώντας την επιλεκτική εκτέλεση.
Στις επόμενες ενότητες, δείχνουμε πώς να χρησιμοποιείτε την Επιλεκτική Εκτέλεση για διάφορα σενάρια, συμπεριλαμβανομένων σύνθετων ροών εργασιών σε απευθείας ακυκλικά γραφήματα (DAGs).
Προϋποθέσεις
Για να αρχίσουμε να πειραματιζόμαστε με την Επιλεκτική Εκτέλεση, πρέπει πρώτα να ρυθμίσουμε τα ακόλουθα στοιχεία του περιβάλλοντος SageMaker:
- SDK SageMaker Python – Βεβαιωθείτε ότι έχετε ενημερώσει SDK SageMaker Python εγκατεστημένο στο περιβάλλον Python σας. Μπορείτε να εκτελέσετε την ακόλουθη εντολή από το σημειωματάριο ή το τερματικό σας για να εγκαταστήσετε ή να αναβαθμίσετε την έκδοση SageMaker Python SDK σε 2.162.0 ή υψηλότερο:
python3 -m pip install sagemaker>=2.162.0
orpip3 install sagemaker>=2.162.0
. - Πρόσβαση στο SageMaker Studio (προαιρετικό) - Στούντιο Amazon SageMaker μπορεί να είναι χρήσιμο για την οπτικοποίηση των εκτελούμενων αγωγών και την οπτική αλληλεπίδραση με προϋπάρχοντα ARN αγωγών. Εάν δεν έχετε πρόσβαση στο SageMaker Studio ή χρησιμοποιείτε σημειωματάρια κατά παραγγελία ή άλλα IDE, μπορείτε ακόμα να ακολουθήσετε αυτήν την ανάρτηση και να αλληλεπιδράσετε με τα ARN διοχέτευσης χρησιμοποιώντας το Python SDK.
Το δείγμα κώδικα για μια πλήρη ολοκληρωμένη περιγραφή είναι διαθέσιμο στο GitHub repo.
Ρύθμιση
Με την sagemaker>=1.162.0
Python SDK, παρουσιάσαμε το SelectiveExecutionConfig
τάξη ως μέρος του sagemaker.workflow.selective_execution_config
μονάδα μέτρησης. Η δυνατότητα επιλεκτικής εκτέλεσης βασίζεται σε ένα αγωγό ARN που έχει προηγουμένως επισημανθεί ως Επιτυχία, Απέτυχε or Διακόπηκε. Το παρακάτω απόσπασμα κώδικα δείχνει τον τρόπο εισαγωγής του SelectiveExecutionConfig
κλάση, ανακτήστε το ARN του αγωγού αναφοράς και συγκεντρώστε τα σχετικά βήματα του αγωγού και τις παραμέτρους χρόνου εκτέλεσης που διέπουν την εκτέλεση του αγωγού:
import boto3
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.selective_execution_config import SelectiveExecutionConfig sm_client = boto3.client('sagemaker')
# reference the name of your sample pipeline pipeline_name = "AbalonePipeline"
# filter for previous success pipeline execution arns
pipeline_executions = [_exec for _exec in Pipeline(name=pipeline_name).list_executions()['PipelineExecutionSummaries'] if _exec['PipelineExecutionStatus'] == "Succeeded"
]
# get the last successful execution
latest_pipeline_arn = pipeline_executions[0]['PipelineExecutionArn']
print(latest_pipeline_arn)
>>> arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/x62pbar3gs6h # list all steps of your sample pipeline
execution_steps = sm_client.list_pipeline_execution_steps( PipelineExecutionArn=latest_pipeline_arn
)['PipelineExecutionSteps']
print(execution_steps)
>>> [{'StepName': 'Abalone-Preprocess', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 519000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 986000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-fvsmu7m7ki3q-Abalone-Preprocess-d68CecvHLU'}}, 'SelectiveExecutionResult': {'SourcePipelineExecutionArn': 'arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/ksm2mjwut6oz'}}, {'StepName': 'Abalone-Train', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 31, 320000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 43, 58, 224000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'TrainingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:training-job/pipelines-x62pbar3gs6h-Abalone-Train-PKhAc1Q6lx'}}}, {'StepName': 'Abalone-Evaluate', 'StartTime': datetime.datetime(2023, 6, 27, 4, 43, 59, 40000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 76000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-x62pbar3gs6h-Abalone-Evaluate-vmkZDKDwhk'}}}, {'StepName': 'Abalone-MSECheck', 'StartTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 821000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 44, 124000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'Condition': {'Outcome': 'True'}}}] # list all configureable pipeline parameters # params can be altered during selective execution
parameters = sm_client.list_pipeline_parameters_for_execution( PipelineExecutionArn=latest_pipeline_arn
)['PipelineParameters']
print(parameters)
>>> [{'Name': 'XGBNumRounds', 'Value': '120'}, {'Name': 'XGBSubSample', 'Value': '0.9'}, {'Name': 'XGBGamma', 'Value': '2'}, {'Name': 'TrainingInstanceCount', 'Value': '1'}, {'Name': 'XGBMinChildWeight', 'Value': '4'}, {'Name': 'XGBETA', 'Value': '0.25'}, {'Name': 'ApprovalStatus', 'Value': 'PendingManualApproval'}, {'Name': 'ProcessingInstanceCount', 'Value': '1'}, {'Name': 'ProcessingInstanceType', 'Value': 'ml.t3.medium'}, {'Name': 'MseThreshold', 'Value': '6'}, {'Name': 'ModelPath', 'Value': 's3://sagemaker-us-east-1-123123123123/Abalone/models/'}, {'Name': 'XGBMaxDepth', 'Value': '12'}, {'Name': 'TrainingInstanceType', 'Value': 'ml.c5.xlarge'}, {'Name': 'InputData', 'Value': 's3://sagemaker-us-east-1-123123123123/sample-dataset/abalone/abalone.csv'}]
Χρήση περιπτώσεις
Σε αυτή την ενότητα, παρουσιάζουμε μερικά σενάρια όπου η Επιλεκτική Εκτέλεση μπορεί ενδεχομένως να εξοικονομήσει χρόνο και πόρους. Χρησιμοποιούμε μια τυπική ροή αγωγών, η οποία περιλαμβάνει βήματα όπως η εξαγωγή δεδομένων, η εκπαίδευση, η αξιολόγηση, η καταχώριση και η ανάπτυξη μοντέλου, ως αναφορά για την επίδειξη των πλεονεκτημάτων της Επιλεκτικής Εκτέλεσης.
Το SageMaker Pipelines σάς επιτρέπει να ορίσετε παραμέτρους χρόνου εκτέλεσης για τη λειτουργία του αγωγού σας χρησιμοποιώντας παραμέτρους αγωγού. Όταν ενεργοποιείται μια νέα εκτέλεση, συνήθως εκτελεί ολόκληρο τον αγωγό από την αρχή μέχρι το τέλος. Ωστόσο, εάν προσωρινή αποθήκευση βημάτων είναι ενεργοποιημένο, το SageMaker Pipelines θα προσπαθήσει να βρει μια προηγούμενη εκτέλεση του τρέχοντος βήματος αγωγού με τις ίδιες τιμές χαρακτηριστικών. Εάν βρεθεί αντιστοίχιση, το SageMaker Pipelines θα χρησιμοποιήσει τα αποτελέσματα από την προηγούμενη εκτέλεση αντί να υπολογίσει ξανά το βήμα. Σημειώστε ότι ακόμη και με ενεργοποιημένη την προσωρινή αποθήκευση βημάτων, το SageMaker Pipelines θα συνεχίσει να εκτελεί ολόκληρη τη ροή εργασίας μέχρι το τέλος από προεπιλογή.
Με την απελευθέρωση της δυνατότητας Επιλεκτικής εκτέλεσης, μπορείτε τώρα να εκτελέσετε ξανά μια ολόκληρη ροή εργασιών διοχέτευσης ή να εκτελέσετε επιλεκτικά ένα υποσύνολο βημάτων χρησιμοποιώντας ένα προηγούμενο ARN διοχέτευσης. Αυτό μπορεί να γίνει ακόμη και χωρίς να είναι ενεργοποιημένη η προσωρινή αποθήκευση βημάτων. Οι ακόλουθες περιπτώσεις χρήσης απεικονίζουν τους διάφορους τρόπους με τους οποίους μπορείτε να χρησιμοποιήσετε την Επιλεκτική εκτέλεση.
Περίπτωση χρήσης 1: Εκτελέστε ένα μόνο βήμα
Οι επιστήμονες δεδομένων συχνά επικεντρώνονται στο στάδιο εκπαίδευσης ενός αγωγού MLOps και δεν θέλουν να ανησυχούν για τα βήματα προεπεξεργασίας ή ανάπτυξης. Η Επιλεκτική Εκτέλεση επιτρέπει στους επιστήμονες δεδομένων να επικεντρωθούν μόνο στο βήμα εκπαίδευσης και να τροποποιήσουν τις παραμέτρους εκπαίδευσης ή τις υπερπαραμέτρους εν κινήσει για να βελτιώσουν το μοντέλο. Αυτό μπορεί να εξοικονομήσει χρόνο και να μειώσει το κόστος, επειδή οι υπολογιστικοί πόροι χρησιμοποιούνται μόνο για την εκτέλεση βημάτων σωλήνωσης που έχουν επιλεγεί από τον χρήστη. Δείτε τον παρακάτω κώδικα:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
Τα παρακάτω σχήματα απεικονίζουν τον αγωγό με ένα βήμα στη διαδικασία και μετά ολοκληρώνεται.
Περίπτωση χρήσης 2: Εκτελέστε πολλαπλά συνεχόμενα βήματα του αγωγού
Συνεχίζοντας με την προηγούμενη περίπτωση χρήσης, ένας επιστήμονας δεδομένων θέλει να εκπαιδεύσει ένα νέο μοντέλο και να αξιολογήσει την απόδοσή του σε σχέση με ένα χρυσό σύνολο δεδομένων δοκιμής. Αυτή η αξιολόγηση είναι ζωτικής σημασίας για να διασφαλιστεί ότι το μοντέλο πληροί αυστηρές οδηγίες για τη δοκιμή αποδοχής χρήστη (UAT) ή την ανάπτυξη παραγωγής. Ωστόσο, ο επιστήμονας δεδομένων δεν θέλει να εκτελέσει ολόκληρη τη ροή εργασίας του αγωγού ή να αναπτύξει το μοντέλο. Μπορούν να χρησιμοποιήσουν την Επιλεκτική Εκτέλεση για να επικεντρωθούν αποκλειστικά στα βήματα εκπαίδευσης και αξιολόγησης, εξοικονομώντας χρόνο και πόρους, ενώ παράλληλα λαμβάνουν τα αποτελέσματα επικύρωσης που χρειάζονται:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "ProcessingInstanceType": "ml.t3.medium", "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
Περίπτωση χρήσης 3: Ενημέρωση και επανάληψη των βημάτων του αγωγού που απέτυχαν
Μπορείτε να χρησιμοποιήσετε την Επιλεκτική Εκτέλεση για να εκτελέσετε ξανά αποτυχημένα βήματα μέσα σε μια διοχέτευση ή να συνεχίσετε την εκτέλεση μιας διοχέτευσης από ένα αποτυχημένο βήμα και μετά. Αυτό μπορεί να είναι χρήσιμο για την αντιμετώπιση προβλημάτων και τον εντοπισμό σφαλμάτων που απέτυχαν, επειδή επιτρέπει στους προγραμματιστές να επικεντρωθούν στα συγκεκριμένα ζητήματα που πρέπει να αντιμετωπιστούν. Αυτό μπορεί να οδηγήσει σε πιο αποτελεσματική επίλυση προβλημάτων και ταχύτερους χρόνους επανάληψης. Το παρακάτω παράδειγμα δείχνει πώς μπορείτε να επιλέξετε να εκτελέσετε ξανά μόνο το αποτυχημένο βήμα μιας διοχέτευσης.
# select a previously failed pipeline arn
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/fvsmu7m7ki3q", selected_steps=["Abalone-Evaluate"]
) # start execution of failed pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config
)
Εναλλακτικά, ένας επιστήμονας δεδομένων μπορεί να συνεχίσει μια διοχέτευση από ένα αποτυχημένο βήμα στο τέλος της ροής εργασίας, προσδιορίζοντας το βήμα που απέτυχε και όλα τα βήματα που το ακολουθούν στο SelectiveExecutionConfig
.
Περίπτωση χρήσης 4: Κάλυψη αγωγού
Σε ορισμένους αγωγούς, ορισμένες διακλαδώσεις λειτουργούν λιγότερο συχνά από άλλες. Για παράδειγμα, μπορεί να υπάρχει ένας κλάδος που εκτελείται μόνο όταν μια συγκεκριμένη συνθήκη αποτυγχάνει. Είναι σημαντικό να δοκιμάσετε διεξοδικά αυτούς τους κλάδους για να βεβαιωθείτε ότι λειτουργούν όπως αναμένεται όταν συμβεί μια αποτυχία. Δοκιμάζοντας αυτούς τους κλάδους που εκτελούνται λιγότερο συχνά, οι προγραμματιστές μπορούν να επαληθεύσουν ότι η διοχέτευσή τους είναι ισχυρή και ότι οι μηχανισμοί διαχείρισης σφαλμάτων διατηρούν αποτελεσματικά την επιθυμητή ροή εργασίας και παράγουν αξιόπιστα αποτελέσματα.
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate", "Abalone-MSECheck", "Abalone-FailNotify"]
)
Συμπέρασμα
Σε αυτήν την ανάρτηση, συζητήσαμε τη δυνατότητα Επιλεκτικής εκτέλεσης του SageMaker Pipelines, η οποία σας δίνει τη δυνατότητα να εκτελείτε επιλεκτικά συγκεκριμένα βήματα των ροών εργασίας σας ML. Αυτή η δυνατότητα οδηγεί σε σημαντική εξοικονόμηση χρόνου και υπολογιστικών πόρων. Δώσαμε κάποιο δείγμα κώδικα στο GitHub repo που δείχνει τον τρόπο χρήσης της Επιλεκτικής Εκτέλεσης και παρουσιάζει διάφορα σενάρια όπου μπορεί να είναι επωφελές για τους χρήστες. Εάν θέλετε να μάθετε περισσότερα σχετικά με την Επιλεκτική Εκτέλεση, ανατρέξτε στη σελίδα μας Οδηγός προγραμματιστή και Οδηγός αναφοράς API.
Για να εξερευνήσετε τα διαθέσιμα βήματα στη ροή εργασιών του SageMaker Pipelines με περισσότερες λεπτομέρειες, ανατρέξτε στο Αγωγός κατασκευής μοντέλου Amazon SageMaker και Ροές εργασιών SageMaker. Επιπλέον, μπορείτε να βρείτε περισσότερα παραδείγματα που παρουσιάζουν διαφορετικές περιπτώσεις χρήσης και προσεγγίσεις υλοποίησης χρησιμοποιώντας το SageMaker Pipelines στο Παραδείγματα AWS SageMaker Αποθετήριο GitHub. Αυτοί οι πόροι μπορούν να βελτιώσουν περαιτέρω την κατανόησή σας και να σας βοηθήσουν να εκμεταλλευτείτε πλήρως τις δυνατότητες των αγωγών SageMaker και της Επιλεκτικής Εκτέλεσης στα τρέχοντα και μελλοντικά έργα ML σας.
Σχετικά με τους Συγγραφείς
Pranav Murthy είναι AI/ML Specialist Solutions Architect στο AWS. Επικεντρώνεται στο να βοηθά τους πελάτες να δημιουργήσουν, να εκπαιδεύσουν, να αναπτύξουν και να μεταφέρουν φόρτους εργασίας μηχανικής εκμάθησης (ML) στο SageMaker. Προηγουμένως εργάστηκε στη βιομηχανία ημιαγωγών αναπτύσσοντας μεγάλα μοντέλα υπολογιστικής όρασης (CV) και επεξεργασίας φυσικής γλώσσας (NLP) για τη βελτίωση των διαδικασιών ημιαγωγών. Στον ελεύθερο χρόνο του, του αρέσει να παίζει σκάκι και να ταξιδεύει.
Akhil Numarsu είναι ένας Sr.Product Manager-Technical που επικεντρώνεται στο να βοηθά τις ομάδες να επιταχύνουν τα αποτελέσματα ML μέσω αποτελεσματικών εργαλείων και υπηρεσιών στο cloud. Του αρέσει να παίζει πινγκ πονγκ και είναι λάτρης των σπορ.
Nishant Krishnamoorthy είναι Μηχανικός Ανάπτυξης Λογισμικού Sr. με το Amazon Stores. Είναι κάτοχος μεταπτυχιακού τίτλου στην Επιστήμη Υπολογιστών και επί του παρόντος επικεντρώνεται στην επιτάχυνση της υιοθέτησης ML σε διαφορετικούς οργανισμούς εντός του Amazon, δημιουργώντας και λειτουργώντας λύσεις ML στο SageMaker.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- ChartPrime. Ανεβάστε το Trading Game σας με το ChartPrime. Πρόσβαση εδώ.
- BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/unlocking-efficiency-harnessing-the-power-of-selective-execution-in-amazon-sagemaker-pipelines/
- :έχει
- :είναι
- :που
- $UP
- 1
- 100
- 12
- 2023
- 25
- 27
- 30
- 31
- 7
- 9
- a
- ικανότητα
- Σχετικα
- επιταχύνουν
- επιταχύνοντας
- αποδοχή
- πρόσβαση
- απεριοδικός
- Επιπλέον
- Υιοθεσία
- Πλεονέκτημα
- επωφελής
- πλεονεκτήματα
- κατά
- AI / ML
- Όλα
- επιτρέπει
- ήδη
- Επίσης
- μεταβάλλεται
- Amazon
- Amazon Sage Maker
- Αγωγοί Amazon SageMaker
- Amazon υπηρεσίες Web
- an
- και
- κάθε
- προσεγγίσεις
- ΕΙΝΑΙ
- AS
- συσχετισμένη
- At
- Προσπάθειες
- αυτοματοποίηση
- διαθέσιμος
- AWS
- BE
- επειδή
- γίνονται
- ήταν
- συμπεριφορά
- Υποκατάστημα
- υποκαταστήματα
- χτίζω
- κατασκευαστές
- Κτίριο
- αλλά
- by
- CAN
- δεν μπορώ
- ικανότητα
- περίπτωση
- περιπτώσεις
- κεντρική
- ορισμένες
- Σκάκι
- Επιλέξτε
- τάξη
- Backup
- κωδικός
- έρχεται
- πλήρης
- Ολοκληρώθηκε το
- συγκρότημα
- πολυπλοκότητα
- εξαρτήματα
- Υπολογίστε
- υπολογιστή
- Πληροφορική
- Computer Vision
- κατάσταση
- συνεχίζεται
- Κόστος
- κρίσιμος
- Ρεύμα
- Τη στιγμή
- Πελάτες
- ημερομηνία
- Προετοιμασία δεδομένων
- επιστήμονας δεδομένων
- ημερομηνία
- Προεπιλογή
- ορίζεται
- Πτυχίο
- αποδεικνύουν
- καταδεικνύει
- παρατάσσω
- ανάπτυξη
- επιθυμητή
- λεπτομέρεια
- Εργολάβος
- προγραμματιστές
- ανάπτυξη
- Ανάπτυξη
- διαφορετικές
- κατευθύνει
- συζήτηση
- κάνει
- Όχι
- γίνεται
- Μην
- δεκάδες
- κατά την διάρκεια
- εύκολα
- αποτελεσματικά
- αποδοτικότητα
- αποτελεσματικός
- εξάλειψη
- εξουσιοδοτεί
- ενεργοποιημένη
- δίνει τη δυνατότητα
- τέλος
- από άκρη σε άκρη
- μηχανικός
- ενίσχυση
- εξασφαλίζω
- Ολόκληρος
- Περιβάλλον
- αξιολογήσει
- εκτίμηση
- Even
- εμφανές
- παράδειγμα
- παραδείγματα
- συναρπαστικός
- εκτελέσει
- εκτέλεση
- αναμένεται
- εμπειρία
- διερευνήσει
- εξαγωγή
- Απέτυχε
- αποτυγχάνει
- Αποτυχία
- ανεμιστήρας
- γρηγορότερα
- Χαρακτηριστικό
- λίγοι
- Σχήματα
- φιλτράρισμα
- Εύρεση
- φινίρισμα
- Όνομα
- ροή
- Συγκέντρωση
- επικεντρώθηκε
- εστιάζει
- ακολουθήστε
- Εξής
- Για
- μορφή
- Βρέθηκαν
- Δωρεάν
- συχνά
- από
- πλήρη
- περαιτέρω
- Επί πλέον
- μελλοντικός
- συγκεντρώνουν
- παίρνω
- να πάρει
- GitHub
- Χρυσή
- διακυβέρνηση
- γραφικές παραστάσεις
- κατευθυντήριων γραμμών
- Αξιοποίηση
- Έχω
- he
- βοήθεια
- χρήσιμο
- βοήθεια
- βοηθά
- υψηλότερο
- του
- κατέχει
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- Εκατοντάδες
- if
- απεικονίζει
- εκτέλεση
- εισαγωγή
- σημαντικό
- βελτίωση
- in
- περιλαμβάνει
- Συμπεριλαμβανομένου
- βιομηχανία
- Υποδομή
- νεωτερίζω
- εγκαθιστώ
- εγκατασταθεί
- αντί
- αλληλεπιδρούν
- αλληλεπιδρώντας
- σε
- εισήγαγε
- εμπλέκω
- θέματα
- IT
- επανάληψη
- ΤΟΥ
- jpg
- μόλις
- Κλειδί
- γνωστός
- Γλώσσα
- large
- Επίθετο
- αργότερο
- οδηγήσει
- Οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- μείον
- Μου αρέσει
- Πιθανός
- περιορίζοντας
- Λιστα
- Μακριά
- μηχανή
- μάθηση μηχανής
- διατηρήσουν
- συντήρηση
- διαχείριση
- μαρκαρισμένος
- Ταίριασμα
- Ενδέχεται..
- μέσα
- μηχανισμούς
- medium
- πληροί
- Μεταδεδομένα
- ενδέχεται να
- μεταναστεύσουν
- ML
- MLOps
- μοντέλο
- μοντέλα
- τροποποιήσει
- Μονάδα μέτρησης
- Παρακολούθηση
- περισσότερο
- πιο αποτελεσματικό
- πολλαπλούς
- πρέπει
- όνομα
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Ανάγκη
- Νέα
- nlp
- σημειωματάριο
- τώρα
- αριθμός
- of
- συχνά
- on
- Κατα παραγγελια
- ONE
- αποκλειστικά
- or
- ενορχήστρωση
- ΑΛΛΑ
- Άλλα
- δικός μας
- έξω
- Αποτέλεσμα
- αποτελέσματα
- φόρμες
- παράμετροι
- μέρος
- μονοπάτι
- επίδοση
- αγωγού
- Μέρος
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- τμήμα
- Θέση
- δυναμικού
- ενδεχομένως
- δύναμη
- προετοιμασία
- παρόν
- παρουσιάζονται
- προηγούμενος
- προηγουμένως
- Πριν
- επίλυση προβλήματος
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- παράγει
- Προϊόν
- παραγωγή
- έργα
- πρόταση
- παρέχεται
- χορήγηση
- Python
- Πραγματικότητα
- μείωση
- Εγγραφή
- απελευθερώνουν
- αξιόπιστος
- βασίζονται
- Αποθήκη
- πόρος
- Υποστηρικτικό υλικό
- με αποτέλεσμα
- Αποτελέσματα
- περίληψη
- αυστηρός
- εύρωστος
- τρέξιμο
- τρέξιμο
- τρέχει
- σοφός
- Αγωγοί SageMaker
- ίδιο
- Αποθήκευση
- οικονομία
- Οικονομίες
- Κλίμακα
- σενάρια
- Επιστήμη
- Επιστήμονας
- επιστήμονες
- έκταση
- SDK
- Τμήμα
- τμήματα
- δείτε
- επιλέγονται
- εκλεκτικός
- ημιαγωγός
- υπηρεσία
- Υπηρεσίες
- σειρά
- δείχνουν
- ανάδειξη
- σημαντικός
- απλοποίηση
- ενιαίας
- Απόσπασμα
- λογισμικό
- ανάπτυξη λογισμικού
- μόνο
- στερεοποίηση
- Λύσεις
- μερικοί
- ειδικός
- συγκεκριμένες
- Αθλητισμός
- Προβολέας θέατρου
- Στάδιο
- Εκκίνηση
- Κατάσταση
- Βήμα
- Βήματα
- Ακόμη
- καταστήματα
- εξορθολογισμό
- στούντιο
- επιτυχία
- επιτυχής
- τέτοιος
- τραπέζι
- επειξειργασμένος από ραπτήν
- Πάρτε
- εργασίες
- ομάδες
- τερματικό
- δοκιμή
- Δοκιμές
- από
- ότι
- Η
- τους
- τότε
- Εκεί.
- επομένως
- Αυτοί
- αυτοί
- αυτό
- διεξοδικά
- Μέσω
- ώρα
- φορές
- προς την
- εργαλεία
- τροχιά
- Τρένο
- Εκπαίδευση
- Ταξίδια
- ενεργοποιήθηκε
- αληθής
- τυπικός
- συνήθως
- κατανόηση
- ξεκλειδώματος
- Ενημέρωση
- ενημερώθηκε
- αναβάθμισης
- χρήση
- περίπτωση χρήσης
- Χρήστες
- Χρήστες
- χρησιμοποιώντας
- χρησιμοποιούνται
- αξιοποιώντας
- επικύρωση
- αξία
- Αξίες
- διάφορα
- επαληθεύει
- εκδοχή
- όραμα
- περιδιάβαση
- θέλω
- θέλει
- τρόπους
- we
- ιστός
- διαδικτυακές υπηρεσίες
- πότε
- Ποιό
- ενώ
- θα
- με
- εντός
- χωρίς
- Εργασία
- εργάστηκαν
- ροής εργασίας
- ροές εργασίας
- ανησυχία
- θα
- Εσείς
- Σας
- zephyrnet