Αυτή είναι μια φιλοξενούμενη ανάρτηση ιστολογίου που συντάχθηκε με τον Hussain Jagirdar από το Games24x7.
Παιχνίδια 24x7 είναι μια από τις πιο πολύτιμες πλατφόρμες πολλαπλών παιχνιδιών της Ινδίας και διασκεδάζει πάνω από 100 εκατομμύρια παίκτες σε διάφορα παιχνίδια δεξιοτήτων. Με το "Science of Gaming" ως βασική φιλοσοφία τους, έχουν ενεργοποιήσει ένα όραμα πληροφορικής από άκρο σε άκρο γύρω από τη δυναμική των παιχνιδιών, τις πλατφόρμες παιχνιδιών και τους παίκτες, ενοποιώντας τις ορθογώνιες κατευθύνσεις έρευνας της τεχνητής νοημοσύνης παιχνιδιών, της επιστήμης δεδομένων παιχνιδιών και της έρευνας χρηστών παιχνιδιών. Η ομάδα τεχνητής νοημοσύνης και επιστήμης δεδομένων καταδύεται σε μια πληθώρα πολυδιάστατων δεδομένων και εκτελεί μια ποικιλία περιπτώσεων χρήσης, όπως βελτιστοποίηση ταξιδιού παίκτη, ανίχνευση δράσης παιχνιδιού, υπερ-εξατομίκευση, πελάτη 360 και πολλά άλλα στο AWS.
Το Games24x7 χρησιμοποιεί ένα αυτοματοποιημένο, βασισμένο σε δεδομένα, πλαίσιο με τεχνητή νοημοσύνη για την αξιολόγηση της συμπεριφοράς κάθε παίκτη μέσω αλληλεπιδράσεων στην πλατφόρμα και επισημαίνει τους χρήστες με ανώμαλη συμπεριφορά. Κατασκεύασαν ένα μοντέλο βαθιάς μάθησης ScarceGAN, το οποίο εστιάζει στην αναγνώριση εξαιρετικά σπάνιων ή σπάνιων δειγμάτων από πολυδιάστατα δεδομένα διαμήκους τηλεμετρίας με μικρές και αδύναμες ετικέτες. Αυτή η εργασία έχει δημοσιευτεί στο CIKM'21 και είναι ανοικτού κώδικα για σπάνια αναγνώριση κλάσης για τυχόν διαμήκη δεδομένα τηλεμετρίας. Η ανάγκη για παραγωγή και υιοθέτηση του μοντέλου ήταν υψίστης σημασίας για τη δημιουργία μιας ραχοκοκαλιάς πίσω από την ενεργοποίηση του υπεύθυνου παιχνιδιού στην πλατφόρμα τους, όπου οι επισημασμένοι χρήστες μπορούν να οδηγηθούν σε ένα διαφορετικό ταξίδι μετριοπάθειας και ελέγχου.
Σε αυτήν την ανάρτηση, μοιραζόμαστε πώς η Games24x7 βελτίωσε τους αγωγούς εκπαίδευσης για την πλατφόρμα υπεύθυνων παιχνιδιών της χρησιμοποιώντας Amazon Sage Maker.
Προκλήσεις πελατών
Η ομάδα DS/AI στο Games24x7 χρησιμοποίησε πολλές υπηρεσίες που παρέχονται από την AWS, συμπεριλαμβανομένων των φορητών υπολογιστών SageMaker, Λειτουργίες βημάτων AWS, AWS Lambda, να EMR Αμαζονίου, για κατασκευή αγωγών για διάφορες περιπτώσεις χρήσης. Για να χειριστούν τη μετατόπιση στη διανομή δεδομένων και επομένως να επανεκπαιδεύσουν το μοντέλο ScarceGAN, ανακάλυψαν ότι το υπάρχον σύστημα χρειαζόταν μια καλύτερη λύση MLOps.
Στην προηγούμενη διοχέτευση μέσω των Λειτουργιών Βήματος, μια ενιαία μονολιθική βάση κώδικα διεξήγαγε προεπεξεργασία, επανεκπαίδευση και αξιολόγηση δεδομένων. Αυτό έγινε εμπόδιο στην αντιμετώπιση προβλημάτων, την προσθήκη ή την αφαίρεση ενός βήματος ή ακόμα και για την πραγματοποίηση μικρών αλλαγών στη συνολική υποδομή. Αυτή η συνάρτηση βήματος δημιούργησε ένα σύμπλεγμα παρουσιών για την εξαγωγή και επεξεργασία δεδομένων από το S3 και τα περαιτέρω βήματα της προεπεξεργασίας, της εκπαίδευσης και της αξιολόγησης θα εκτελούνταν σε ένα μεγάλο παράδειγμα EC2. Σε σενάρια όπου ο αγωγός απέτυχε σε οποιοδήποτε βήμα, ολόκληρη η ροή εργασίας έπρεπε να επανεκκινηθεί από την αρχή, κάτι που είχε ως αποτέλεσμα επαναλαμβανόμενες εκτελέσεις και αυξημένο κόστος. Όλες οι μετρήσεις εκπαίδευσης και αξιολόγησης επιθεωρήθηκαν χειροκίνητα από την υπηρεσία απλής αποθήκευσης Amazon (Amazon S3). Δεν υπήρχε μηχανισμός για τη μετάδοση και αποθήκευση των μεταδεδομένων των πολλαπλών πειραμάτων που έγιναν στο μοντέλο. Λόγω της αποκεντρωμένης παρακολούθησης του μοντέλου, η διεξοδική έρευνα και η επιλογή του καλύτερου μοντέλου απαιτήθηκαν ώρες από την ομάδα επιστήμης δεδομένων. Η συσσώρευση όλων αυτών των προσπαθειών είχε ως αποτέλεσμα χαμηλότερη παραγωγικότητα της ομάδας και αυξημένα έξοδα. Επιπλέον, με μια ταχέως αναπτυσσόμενη ομάδα, ήταν πολύ δύσκολο να μοιραστούμε αυτή τη γνώση σε όλη την ομάδα.
Επειδή οι έννοιες του MLOps είναι πολύ εκτενείς και η εφαρμογή όλων των βημάτων θα απαιτούσε χρόνο, αποφασίσαμε ότι στο πρώτο στάδιο θα αντιμετωπίσουμε τα ακόλουθα βασικά ζητήματα:
- Ένα ασφαλές, ελεγχόμενο και τυποποιημένο περιβάλλον για την επανεκπαίδευση του εσωτερικού μας μοντέλου βαθιάς μάθησης χρησιμοποιώντας τις βέλτιστες πρακτικές του κλάδου
- Ένα παραμετροποιημένο περιβάλλον εκπαίδευσης για αποστολή διαφορετικού συνόλου παραμέτρων για κάθε εργασία επανεκπαίδευσης και έλεγχο των τελευταίων εκτελέσεων
- Ικανότητα οπτικής παρακολούθησης μετρήσεων εκπαίδευσης και μετρήσεων αξιολόγησης, καθώς και μεταδεδομένων για παρακολούθηση και σύγκριση πειραμάτων
- Δυνατότητα κλιμάκωσης κάθε βήματος ξεχωριστά και επαναχρησιμοποίησης των προηγούμενων βημάτων σε περιπτώσεις αποτυχίας βημάτων
- Ένα ενιαίο αποκλειστικό περιβάλλον για την καταχώριση μοντέλων, την αποθήκευση χαρακτηριστικών και την επίκληση αγωγών εξαγωγής συμπερασμάτων
- Ένα σύγχρονο σύνολο εργαλείων που θα μπορούσε να ελαχιστοποιήσει τις απαιτήσεις υπολογισμού, να μειώσει το κόστος και να οδηγήσει σε βιώσιμη ανάπτυξη και λειτουργίες ML ενσωματώνοντας την ευελιξία χρήσης διαφορετικών περιπτώσεων για διαφορετικά βήματα
- Δημιουργία ενός προτύπου αναφοράς υπερσύγχρονου αγωγού MLOps που θα μπορούσε να χρησιμοποιηθεί σε διάφορες ομάδες επιστήμης δεδομένων
Η Games24x7 άρχισε να αξιολογεί άλλες λύσεις, μεταξύ των οποίων Amazon SageMaker Studio Pipelines. Η ήδη υπάρχουσα λύση μέσω των Step Functions είχε περιορισμούς. Οι αγωγοί στούντιο είχαν την ευελιξία να προσθέτουν ή να αφαιρούν ένα βήμα ανά πάσα στιγμή. Επίσης, η συνολική αρχιτεκτονική και οι εξαρτήσεις δεδομένων μεταξύ κάθε βήματος μπορούν να οπτικοποιηθούν μέσω των DAG. Η αξιολόγηση και η τελειοποίηση των βημάτων επανεκπαίδευσης έγινε αρκετά αποτελεσματική αφού υιοθετήσαμε διαφορετικές λειτουργίες του Amazon SageMaker, όπως το Amazon SageMaker Studio, Pipelines, Processing, Training, μητρώο μοντέλων και πειράματα και δοκιμές. Η ομάδα της AWS Solution Architecture έδειξε μεγάλη κατάδυση σε βάθος και συνέβαλε πραγματικά στο σχεδιασμό και την εφαρμογή αυτής της λύσης.
Επισκόπηση λύσεων
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεων.
Η λύση χρησιμοποιεί α SageMaker Στούντιο περιβάλλον για την εκτέλεση των πειραμάτων επανεκπαίδευσης. Ο κώδικας για την κλήση της δέσμης ενεργειών του pipeline είναι διαθέσιμος στα σημειωματάρια του Studio και μπορούμε να αλλάξουμε τις υπερπαραμέτρους και την είσοδο/έξοδο κατά την κλήση του pipeline. Αυτό είναι αρκετά διαφορετικό από την προηγούμενη μέθοδο μας, όπου είχαμε όλες τις παραμέτρους κωδικοποιημένες μέσα στα σενάρια και όλες οι διεργασίες ήταν άρρηκτα συνδεδεμένες. Αυτό απαιτούσε σπονδυλοποίηση του μονολιθικού κώδικα σε διαφορετικά βήματα.
Το παρακάτω διάγραμμα απεικονίζει την αρχική μας μονολιθική διαδικασία.
Διαμόρφωση
Προκειμένου να κλιμακωθεί, να παρακολουθηθεί και να εκτελεστεί κάθε βήμα ξεχωριστά, ο μονολιθικός κώδικας χρειαζόταν σπονδυλωτή. Οι παράμετροι, τα δεδομένα και οι εξαρτήσεις κώδικα μεταξύ κάθε βήματος καταργήθηκαν και δημιουργήθηκαν κοινόχρηστες μονάδες για τα κοινόχρηστα στοιχεία σε όλα τα βήματα. Μια απεικόνιση της σπονδυλοποίησης φαίνεται παρακάτω:
Για κάθε μεμονωμένη ενότητα , η δοκιμή έγινε τοπικά με χρήση SageMaker SDK Λειτουργία σεναρίου για εκπαίδευση, επεξεργασία και αξιολόγηση που απαιτούνται μικρές αλλαγές στον κώδικα για εκτέλεση με το SageMaker. ο δοκιμή τοπικής λειτουργίας για βαθιά εκμάθηση, τα σενάρια μπορούν να γίνουν είτε σε φορητούς υπολογιστές SageMaker εάν χρησιμοποιούνται ήδη είτε με χρήση Τοπική λειτουργία με χρήση αγωγών SageMaker σε περίπτωση απευθείας εκκίνησης με αγωγούς. Αυτό βοηθά στην επικύρωση εάν τα προσαρμοσμένα σενάρια θα εκτελούνται σε παρουσίες του SageMaker.
Κάθε ενότητα στη συνέχεια δοκιμάστηκε μεμονωμένα χρησιμοποιώντας το SageMaker Training/επεξεργασία SDK χρησιμοποιώντας Λειτουργία σεναρίου και τις έτρεξε με μια σειρά χειροκίνητα χρησιμοποιώντας τις παρουσίες του SageMaker για κάθε βήμα, όπως το παρακάτω βήμα εκπαίδευσης:
Το Amazon S3 χρησιμοποιήθηκε για την επεξεργασία των δεδομένων προέλευσης και στη συνέχεια για την αποθήκευση των ενδιάμεσων δεδομένων, των πλαισίων δεδομένων και των αποτελεσμάτων NumPy στο Amazon S3 για το επόμενο βήμα. Αφού ολοκληρώθηκε η δοκιμή ενσωμάτωσης μεταξύ των επιμέρους ενοτήτων για προεπεξεργασία, εκπαίδευση, αξιολόγηση, το SageMaker Pipeline SDK's το οποίο είναι ενσωματωμένο με τα SageMaker Python SDK που χρησιμοποιήσαμε ήδη στα παραπάνω βήματα, μας επέτρεψε να αλυσοδύνουμε όλα αυτά τα modules μέσω προγραμματισμού περνώντας τις παραμέτρους εισόδου, τα δεδομένα, τα μεταδεδομένα και την έξοδο κάθε βήματος ως είσοδο στα επόμενα βήματα.
Θα μπορούσαμε να χρησιμοποιήσουμε ξανά τον προηγούμενο κώδικα Sagemaker Python SDK για την εκτέλεση των λειτουργικών μονάδων μεμονωμένα σε εκτελέσεις που βασίζονται στο Sagemaker Pipeline SDK. Οι σχέσεις μεταξύ κάθε βήματος του αγωγού καθορίζονται από τις εξαρτήσεις δεδομένων μεταξύ των βημάτων.
Τα τελικά βήματα του αγωγού είναι τα εξής:
- Προεπεξεργασία δεδομένων
- Επανεκπαίδευση
- Εκτίμηση
- Εγγραφή μοντέλου
Στις επόμενες ενότητες, συζητάμε κάθε ένα από τα βήματα με περισσότερες λεπτομέρειες όταν εκτελούνται με το SageMaker Pipeline SDK.
Προεπεξεργασία δεδομένων
Αυτό το βήμα μετατρέπει τα ακατέργαστα δεδομένα εισόδου και προεπεξεργάζεται και χωρίζεται σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής. Για αυτό το βήμα επεξεργασίας, δημιουργήσαμε μια εργασία επεξεργασίας του SageMaker με Επεξεργαστής πλαισίου TensorFlow, το οποίο παίρνει το σενάριό μας, αντιγράφει τα δεδομένα από το Amazon S3 και, στη συνέχεια, τραβάει μια εικόνα Docker που παρέχεται και διατηρείται από το SageMaker. Αυτό το κοντέινερ Docker μάς επέτρεψε να μεταβιβάσουμε τις εξαρτήσεις της βιβλιοθήκης μας στο αρχείο requires.txt ενώ έχουμε ήδη συμπεριλάβει όλες τις βιβλιοθήκες TensorFlow και να περάσουμε τη διαδρομή για source_dir για το σενάριο. Τα δεδομένα αμαξοστοιχίας και επικύρωσης πηγαίνουν στο βήμα εκπαίδευσης και τα δεδομένα δοκιμής προωθούνται στο βήμα αξιολόγησης. Το καλύτερο μέρος της χρήσης αυτού του κοντέινερ ήταν ότι μας επέτρεψε να περάσουμε μια ποικιλία εισόδων και εξόδων ως διαφορετικές τοποθεσίες S3, οι οποίες στη συνέχεια θα μπορούσαν να περάσουν ως εξάρτηση βημάτων στα επόμενα βήματα στη διοχέτευση SageMaker.
Επανεκπαίδευση
Τυλίξαμε την εκπαιδευτική ενότητα μέσω του Αγωγοί SageMaker TrainingStep API και χρησιμοποίησε ήδη διαθέσιμες εικόνες κοντέινερ βαθιάς εκμάθησης μέσω του εκτιμητή TensorFlow Framework (γνωστό και ως λειτουργία Script) για Εκπαίδευση SageMaker. Η λειτουργία δέσμης ενεργειών μας επέτρεψε να έχουμε ελάχιστες αλλαγές στον εκπαιδευτικό μας κώδικα και το προκατασκευασμένο κοντέινερ Docker του SageMaker χειρίζεται τις εκδόσεις Python, Framework και ούτω καθεξής. Τα ProcessingOutputs από το Data_Preprocessing
βήμα προωθήθηκαν ως το TrainingInput αυτού του βήματος.
Όλες οι υπερπαράμετροι πέρασαν μέσω του εκτιμητή μέσω ενός αρχείου JSON. Για κάθε εποχή της εκπαίδευσής μας, στέλναμε ήδη τις προπονητικές μας μετρήσεις μέσω του stdOut στο σενάριο. Επειδή θέλαμε να παρακολουθήσουμε τις μετρήσεις μιας συνεχιζόμενης εργασίας εκπαίδευσης και να τις συγκρίνουμε με προηγούμενες εργασίες εκπαίδευσης, έπρεπε απλώς να αναλύσουμε αυτό το StdOut ορίζοντας τους ορισμούς μετρήσεων μέσω regex για να ανακτήσουμε τις μετρήσεις από το StdOut για κάθε εποχή.
Ήταν ενδιαφέρον να καταλάβουμε ότι η SageMaker Pipelines αυτόματα ενσωματώνεται με το SageMaker Experiments API, το οποίο από προεπιλογή δημιουργεί ένα πείραμα, δοκιμή και δοκιμαστικό στοιχείο για κάθε εκτέλεση. Αυτό μας επιτρέπει να συγκρίνουμε μετρήσεις προπόνησης όπως η ακρίβεια και η ακρίβεια σε πολλές διαδρομές όπως φαίνεται παρακάτω.
Για κάθε εργασία εκπαίδευσης που εκτελείται, δημιουργούμε τέσσερα διαφορετικά μοντέλα στο Amazon S3 με βάση τον προσαρμοσμένο επιχειρηματικό μας ορισμό.
Εκτίμηση
Αυτό το βήμα φορτώνει τα εκπαιδευμένα μοντέλα από το Amazon S3 και αξιολογεί τις προσαρμοσμένες μετρήσεις μας. Αυτό το ProcessingStep λαμβάνει το μοντέλο και τα δεδομένα δοκιμής ως είσοδο και απορρίπτει τις αναφορές της απόδοσης του μοντέλου στο Amazon S3.
Χρησιμοποιούμε προσαρμοσμένες μετρήσεις, επομένως για να καταχωρήσουμε αυτές τις προσαρμοσμένες μετρήσεις στο μητρώο μοντέλων, χρειάστηκε να μετατρέψουμε το σχήμα των μετρήσεων αξιολόγησης που είναι αποθηκευμένες στο Amazon S3 ως CSV στο Ποιότητα μοντέλου SageMaker Έξοδος JSON. Στη συνέχεια, μπορούμε να καταχωρίσουμε τη θέση αυτών των μετρήσεων JSON αξιολόγησης στο μητρώο μοντέλου.
Τα παρακάτω στιγμιότυπα οθόνης δείχνουν ένα παράδειγμα του τρόπου με τον οποίο μετατρέψαμε ένα CSV σε μορφή JSON ποιότητας μοντέλου Sagemaker.
Εγγραφή μοντέλου
Όπως αναφέρθηκε προηγουμένως, δημιουργούσαμε πολλά μοντέλα σε ένα μόνο βήμα εκπαίδευσης, επομένως έπρεπε να χρησιμοποιήσουμε μια ενοποίηση SageMaker Pipelines Lambda για να καταχωρήσουμε και τα τέσσερα μοντέλα σε ένα μητρώο μοντέλων. Για μια εγγραφή μοντέλου μπορούμε να χρησιμοποιήσουμε το ModelStep API για τη δημιουργία ενός μοντέλου SageMaker στο μητρώο. Για κάθε μοντέλο, η συνάρτηση Lambda ανακτά το τεχνούργημα μοντέλου και τη μέτρηση αξιολόγησης από το Amazon S3 και δημιουργεί ένα πακέτο μοντέλου σε ένα συγκεκριμένο ARN, έτσι ώστε και τα τέσσερα μοντέλα να μπορούν να καταχωρηθούν σε ένα ενιαίο μητρώο μοντέλου. Τα SageMaker Python API Μας επέτρεψε επίσης να στείλουμε προσαρμοσμένα μεταδεδομένα που θέλαμε να διαβιβάσουμε για να επιλέξουμε τα καλύτερα μοντέλα. Αυτό αποδείχθηκε σημαντικό ορόσημο για την παραγωγικότητα, επειδή όλα τα μοντέλα μπορούν πλέον να συγκριθούν και να ελεγχθούν από ένα μόνο παράθυρο. Παρέχαμε μεταδεδομένα για να διακρίνουμε μοναδικά το μοντέλο το ένα από το άλλο. Αυτό βοήθησε επίσης στην έγκριση ενός μεμονωμένου μοντέλου με τη βοήθεια αξιολογήσεων από ομοτίμους και κριτικών διαχείρισης με βάση τις μετρήσεις του μοντέλου.
Το παραπάνω μπλοκ κώδικα δείχνει ένα παράδειγμα του τρόπου με τον οποίο προσθέσαμε μεταδεδομένα μέσω της εισαγωγής πακέτου μοντέλου στο μητρώο μοντέλου μαζί με τις μετρήσεις του μοντέλου.
Το παρακάτω στιγμιότυπο οθόνης δείχνει πόσο εύκολα μπορούμε να συγκρίνουμε μετρήσεις διαφορετικών εκδόσεων μοντέλων μετά την καταχώρισή τους.
Επίκληση αγωγού
Ο αγωγός μπορεί να γίνει επίκληση μέσω EventBridge , Sagemaker Studio ή το SDK εαυτό. Η επίκληση εκτελεί τις εργασίες με βάση τις εξαρτήσεις δεδομένων μεταξύ των βημάτων.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς η Games24x7 μεταμόρφωσε τα περιουσιακά τους στοιχεία MLOps μέσω των αγωγών SageMaker. Η δυνατότητα οπτικής παρακολούθησης μετρήσεων εκπαίδευσης και μετρήσεων αξιολόγησης, με παραμετροποιημένο περιβάλλον, κλιμάκωση των βημάτων μεμονωμένα με τη σωστή πλατφόρμα επεξεργασίας και ένα κεντρικό μητρώο μοντέλων αποδείχθηκε σημαντικό ορόσημο για την τυποποίηση και την πρόοδο σε μια ελεγχόμενη, επαναχρησιμοποιήσιμη, αποτελεσματική και εξηγήσιμη ροή εργασίας . Αυτό το έργο είναι ένα σχέδιο για διαφορετικές ομάδες επιστήμης δεδομένων και έχει αυξήσει τη συνολική παραγωγικότητα επιτρέποντας στα μέλη να λειτουργούν, να διαχειρίζονται και να συνεργάζονται με τις βέλτιστες πρακτικές.
Εάν έχετε παρόμοια περίπτωση χρήσης και θέλετε να ξεκινήσετε, θα σας συνιστούσαμε να περάσετε από το SageMaker Λειτουργία σεναρίου και την Παραδείγματα SageMaker από άκρο σε άκρο χρησιμοποιώντας το Sagemaker Studio. Αυτά τα παραδείγματα έχουν τις τεχνικές λεπτομέρειες που έχουν καλυφθεί σε αυτό το ιστολόγιο.
Μια σύγχρονη στρατηγική δεδομένων σάς παρέχει ένα ολοκληρωμένο σχέδιο διαχείρισης, πρόσβασης, ανάλυσης και δράσης δεδομένων. Το AWS παρέχει το πιο πλήρες σύνολο υπηρεσιών για ολόκληρη τη διαδρομή δεδομένων από άκρο σε άκρο για όλους τους φόρτους εργασίας, όλους τους τύπους δεδομένων και όλα τα επιθυμητά επιχειρηματικά αποτελέσματα. Με τη σειρά του, αυτό κάνει το AWS το καλύτερο μέρος για να ξεκλειδώσετε την αξία από τα δεδομένα σας και να τα μετατρέψετε σε πληροφορίες.
Σχετικά με τους Συγγραφείς
Hussain Jagirdar είναι Senior Scientist – Applied Research στο Games24x7. Αυτή τη στιγμή συμμετέχει σε ερευνητικές προσπάθειες στον τομέα της εξηγήσιμης τεχνητής νοημοσύνης και της βαθιάς μάθησης. Η πρόσφατη δουλειά του περιελάμβανε μοντελοποίηση σε βάθος, μοντελοποίηση χρονοσειρών και σχετικούς υποτομείς μηχανικής μάθησης και τεχνητής νοημοσύνης. Είναι επίσης παθιασμένος με τα MLOps και την τυποποίηση έργων που απαιτούν περιορισμούς όπως η επεκτασιμότητα, η αξιοπιστία και η ευαισθησία.
Σουμίρ Κουμάρ είναι Αρχιτέκτονας Λύσεων στην AWS και έχει πάνω από 13 χρόνια εμπειρίας στον κλάδο της τεχνολογίας. Στην AWS, συνεργάζεται στενά με βασικούς πελάτες της AWS για να σχεδιάσει και να εφαρμόσει λύσεις βασισμένες στο cloud που λύνουν πολύπλοκα επιχειρηματικά προβλήματα. Είναι πολύ παθιασμένος με την ανάλυση δεδομένων και τη μηχανική εκμάθηση και έχει αποδεδειγμένο ιστορικό στο να βοηθά οργανισμούς να ξεκλειδώσουν πλήρως τις δυνατότητες των δεδομένων τους χρησιμοποιώντας το AWS Cloud.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/how-games24x7-transformed-their-retraining-mlops-pipelines-with-amazon-sagemaker/
- :είναι
- 1
- 10
- 100
- 11
- 7
- a
- ικανότητα
- Σχετικα
- πάνω από
- πρόσβαση
- συσσώρευση
- ακρίβεια
- ACM
- απέναντι
- Πράξη
- Ενέργειες
- προστιθέμενη
- Πρόσθετος
- Επιπλέον
- διεύθυνση
- θετός
- Υιοθεσία
- Μετά το
- AI
- Όλα
- Επιτρέποντας
- επιτρέπει
- ήδη
- Amazon
- Amazon Sage Maker
- Στούντιο Amazon SageMaker
- analytics
- αναλύσει
- και
- api
- εφαρμοσμένος
- αρχιτεκτονική
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- γύρω
- AS
- εκτίμηση
- Ενεργητικό
- At
- έλεγχος
- ελεγχόμενο
- ελεγχθεί
- Αυτοματοποιημένη
- αυτομάτως
- διαθέσιμος
- AWS
- πίσω
- Σπονδυλική στήλη
- βασίζονται
- BE
- επειδή
- Αρχή
- πίσω
- είναι
- παρακάτω
- αναφοράς
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Καλύτερα
- μεταξύ
- Αποκλεισμός
- Μπλοκ
- Κτίριο
- χτισμένο
- επιχείρηση
- by
- CAN
- περίπτωση
- περιπτώσεις
- κεντρικός
- αλυσίδα
- πρόκληση
- αλλαγή
- Αλλαγές
- τάξη
- στενά
- Backup
- συστάδα
- κωδικός
- Βάση κώδικα
- συνεργάζομαι
- συγκρίνουν
- σύγκριση
- πλήρης
- συγκρότημα
- συστατικό
- εξαρτήματα
- περιεκτικός
- Υπολογίστε
- έννοιες
- ενοποίηση
- περιορισμούς
- Δοχείο
- Εμπορευματοκιβώτια
- έλεγχος
- ελέγχεται
- μετατρέψετε
- μετατρέπονται
- πυρήνας
- Κόστος
- Δικαστικά έξοδα
- θα μπορούσε να
- καλύπτονται
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- δημιουργία
- Τη στιγμή
- έθιμο
- πελάτης
- Πελάτες
- ημερομηνία
- Δεδομένα Analytics
- επιστημονικά δεδομένα
- στρατηγική δεδομένων
- βασίζονται σε δεδομένα
- Αποκεντρωμένη
- αποφάσισε
- αφιερωμένο
- βαθύς
- βαθιά κατάδυση
- βαθιά μάθηση
- Προεπιλογή
- καθορίζοντας
- Ζήτηση
- κατέδειξε
- Εξάρτηση
- Υπηρεσίες
- επιθυμητή
- λεπτομέρεια
- καθέκαστα
- Ανίχνευση
- αποφασισμένος
- Ανάπτυξη
- διαφορετικές
- κατευθείαν
- ανακάλυψαν
- συζητήσουν
- διακρίνω
- διανομή
- Λιμενεργάτης
- κάτω
- αυτοκίνητο
- δυναμική
- κάθε
- Νωρίτερα
- εύκολα
- αποτελεσματικός
- προσπάθειες
- είτε
- απασχολεί
- ενεργοποιημένη
- ενεργοποίηση
- από άκρη σε άκρη
- Ολόκληρος
- Περιβάλλον
- εποχή
- αξιολογώντας
- εκτίμηση
- Even
- Κάθε
- παράδειγμα
- παραδείγματα
- εκτέλεση
- υφιστάμενα
- υπάρχον σύστημα
- εμπειρία
- πείραμα
- εκτενής
- εκχύλισμα
- εξαιρετικά
- Απέτυχε
- Χαρακτηριστικά
- Αρχεία
- τελικός
- Όνομα
- σημαία
- σημαίες
- Ευελιξία
- εστιάζει
- Εξής
- εξής
- Για
- μορφή
- Πλαίσιο
- από
- πλήρη
- λειτουργία
- λειτουργίες
- λειτουργίες
- περαιτέρω
- παιχνίδι
- Gamers
- Games
- τυχερών παιχνιδιών
- πλατφόρμα παιχνιδιών
- παράγουν
- γενετική
- παίρνω
- δίνει
- Go
- πηγαίνει
- εξαιρετική
- Επισκέπτης
- λαβή
- Handles
- Σκληρά
- Έχω
- που έχει
- βοήθεια
- βοήθησε
- βοήθεια
- βοηθά
- ΩΡΕΣ
- Πως
- HTML
- HTTPS
- Αναγνώριση
- εικόνα
- εικόνες
- εφαρμογή
- εκτέλεση
- εκτελεστικών
- εισαγωγή
- βελτιωθεί
- in
- περιλαμβάνονται
- Συμπεριλαμβανομένου
- ενσωματώνοντας
- αυξημένη
- ατομικές
- Μεμονωμένα
- βιομηχανία
- Υποδομή
- εισαγωγή
- διορατικότητα
- παράδειγμα
- ενόργανος
- ενσωματωθεί
- ολοκλήρωση
- αλληλεπιδράσεις
- ενδιαφέρον
- έρευνα
- συμμετέχουν
- απομόνωση
- θέματα
- IT
- επανάληψη
- ΤΟΥ
- εαυτό
- Δουλειά
- Θέσεις εργασίας
- ταξίδι
- jpg
- json
- Κλειδί
- γνώση
- γνωστός
- Ετικέτες
- large
- μάθηση
- βιβλιοθήκες
- Βιβλιοθήκη
- Μου αρέσει
- περιορισμούς
- συνδέονται
- φορτία
- τοπικά
- τοποθεσία
- θέσεις
- μηχανή
- μάθηση μηχανής
- μεγάλες
- ΚΑΝΕΙ
- Κατασκευή
- διαχείριση
- διαχείριση
- χειροκίνητα
- μηχανισμός
- Μέλη
- που αναφέρθηκαν
- Μεταδεδομένα
- μέθοδος
- μετρικός
- Metrics
- ορόσημο
- εκατομμύριο
- ελάχιστος
- ανήλικος
- ML
- MLOps
- Τρόπος
- μοντέλο
- μοντέλα
- μετριοπάθεια
- ΜΟΝΤΕΡΝΑ
- Μονάδα μέτρησης
- ενότητες
- παρακολούθηση
- Μονολιθικός
- περισσότερο
- πλέον
- πολλαπλούς
- όνομα
- Ανάγκη
- επόμενη
- σημειωματάριο
- πολλοί
- of
- on
- ONE
- συνεχή
- ανοίξτε
- λειτουργούν
- λειτουργίες
- βελτιστοποίηση
- τάξη
- οργανώσεις
- πρωτότυπο
- ΑΛΛΑ
- παραγωγή
- φόρμες
- πακέτο
- παράμετροι
- κυρίαρχος
- μέρος
- passieren
- πέρασε
- περάσματα
- Πέρασμα
- παθιασμένος
- μονοπάτι
- επίδοση
- με έργα φιλοσοφίας
- αγωγού
- Μέρος
- σχέδιο
- πλατφόρμες
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Δοκιμάστε να παίξετε
- παίχτης
- παίκτες
- πληθώρα
- Σημείο
- Θέση
- δυναμικού
- τροφοδοτείται
- πρακτικές
- Ακρίβεια
- προηγούμενος
- προβλήματα
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- παραγωγικότητα
- σχέδιο
- έργα
- ιδιότητες
- αποδείχθηκε
- αποδεδειγμένη
- παρέχεται
- παρέχει
- δημοσιεύθηκε
- Τραβά
- Python
- ποιότητα
- ΣΠΑΝΙΟΣ
- Ακατέργαστος
- πρόσφατος
- συνιστώ
- ρεκόρ
- ρεγεξ
- κάντε ΕΓΓΡΑΦΗ
- καταχωρηθεί
- Εγγραφή
- μητρώου
- σχετίζεται με
- Σχέσεις
- αξιοπιστία
- Καταργήθηκε
- αφαίρεση
- επανειλημμένες
- Εκθέσεις
- απαιτείται
- απαιτήσεις
- έρευνα
- υπεύθυνος
- υπεύθυνο Παιχνίδι
- επανεκκίνηση
- Αποτελέσματα
- απόδοση
- επαναχρησιμοποιήσιμη
- επαναχρησιμοποίηση
- Κριτικές
- Ρόλος
- τρέξιμο
- τρέξιμο
- σοφός
- Αγωγοί SageMaker
- Απεριόριστες δυνατότητες
- Κλίμακα
- απολέπιση
- Σπάνιος
- σενάρια
- Επιστήμη
- Επιστήμονας
- screenshots
- Εφαρμογές
- SDK
- τμήματα
- προστατευμένο περιβάλλον
- αποστολή
- αρχαιότερος
- Ευαισθησία
- Ακολουθία
- υπηρεσία
- Υπηρεσίες
- σειρά
- Σέτς
- Κοινοποίηση
- Shared
- δείχνουν
- παρουσιάζεται
- Δείχνει
- παρόμοιες
- Απλούς
- ενιαίας
- επιδεξιότητα
- small
- So
- λύση
- Λύσεις
- SOLVE
- μερικοί
- Πηγή
- συγκεκριμένες
- Διαχωρίστε
- Στάδιο
- τυποποίηση
- ξεκίνησε
- Ξεκινήστε
- state-of-the-art
- στατιστική
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- Στρατηγική
- στούντιο
- τέτοιος
- βιώσιμης
- σύστημα
- παίρνει
- ομάδες
- Τεχνικός
- Τεχνολογία
- πρότυπο
- tensorflow
- δοκιμή
- Δοκιμές
- ότι
- Η
- Η περιοχή
- Η Πηγη
- τους
- Τους
- επομένως
- Αυτοί
- Μέσω
- ώρα
- προς την
- τροχιά
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- μετασχηματίζεται
- δίκη
- δοκιμές
- ΣΤΡΟΦΗ
- τύποι
- καταλαβαίνω
- μοναδικώς
- ξεκλειδώσετε
- us
- χρήση
- περίπτωση χρήσης
- Χρήστες
- Χρήστες
- επικύρωση
- Πολύτιμος
- αξία
- ποικιλία
- διάφορα
- όραμα
- ήθελε
- Ποιό
- ενώ
- ολόκληρο
- θα
- με
- εντός
- Εργασία
- λειτουργεί
- θα
- Τυλιγμένο
- χρόνια
- Εσείς
- Σας
- zephyrnet