Κάθε οργανισμός έχει το δικό του σύνολο προτύπων και πρακτικών που παρέχουν ασφάλεια και διακυβέρνηση για το περιβάλλον του AWS. Amazon Sage Maker είναι μια πλήρως διαχειριζόμενη υπηρεσία για την προετοιμασία δεδομένων και τη δημιουργία, εκπαίδευση και ανάπτυξη μοντέλων μηχανικής εκμάθησης (ML) για κάθε περίπτωση χρήσης με πλήρως διαχειριζόμενη υποδομή, εργαλεία και ροές εργασίας. Το SageMaker παρέχει ένα σύνολο προτύπων για οργανισμούς που θέλουν να ξεκινήσουν γρήγορα με ροές εργασίας ML και αγωγούς συνεχούς ενοποίησης και συνεχούς παράδοσης DevOps (CI/CD).
Η πλειοψηφία των εταιρικών πελατών έχει ήδη μια καθιερωμένη πρακτική MLOps με ένα τυποποιημένο περιβάλλον - για παράδειγμα, ένα τυποποιημένο αποθετήριο, υποδομή και προστατευτικά κιγκλιδώματα ασφαλείας - και θέλουν να επεκτείνουν τη διαδικασία MLOps σε εργαλεία AutoML χωρίς κώδικα και χαμηλού κώδικα επισης. Έχουν επίσης πολλές διαδικασίες που πρέπει να τηρηθούν πριν προωθηθεί ένα μοντέλο στην παραγωγή. Ψάχνουν για έναν γρήγορο και εύκολο τρόπο για να προχωρήσουν από την αρχική φάση σε μια επαναλαμβανόμενη, αξιόπιστη και τελικά επεκτάσιμη φάση λειτουργίας, όπως περιγράφεται στο ακόλουθο διάγραμμα. Για περισσότερες πληροφορίες, ανατρέξτε στο Ο οδικός χάρτης του θεμελίου MLOps για επιχειρήσεις με το Amazon SageMaker.
Αν και αυτές οι εταιρείες διαθέτουν ισχυρές ομάδες επιστήμης δεδομένων και MLOps για να τις βοηθήσουν να δημιουργήσουν αξιόπιστους και επεκτάσιμους αγωγούς, θέλουν οι χρήστες του εργαλείου AutoML χαμηλού κώδικα να παράγουν τεχνουργήματα κώδικα και μοντέλων με τρόπο που να μπορούν να ενσωματωθούν με τις τυποποιημένες πρακτικές τους, τηρώντας τις δομή αποθέματος κωδικών και με κατάλληλες επικυρώσεις, δοκιμές, βήματα και εγκρίσεις.
Αναζητούν έναν μηχανισμό για τα εργαλεία χαμηλού κώδικα να δημιουργούν όλο τον πηγαίο κώδικα για κάθε βήμα των εργασιών AutoML (προεπεξεργασία, εκπαίδευση και μεταεπεξεργασία) σε μια τυποποιημένη δομή αποθετηρίου που μπορεί να παρέχει στους ειδικούς επιστήμονες δεδομένων τους τη δυνατότητα να προβάλλουν , επικυρώνουν και τροποποιούν τη ροή εργασίας ανάλογα με τις ανάγκες τους και, στη συνέχεια, δημιουργούν ένα προσαρμοσμένο πρότυπο διοχέτευσης που μπορεί να ενσωματωθεί σε ένα τυποποιημένο περιβάλλον (όπου έχουν ορίσει το χώρο αποθήκευσης κώδικα, τα εργαλεία δημιουργίας κώδικα και τις διεργασίες τους).
Αυτή η ανάρτηση δείχνει πώς να έχετε μια επαναλαμβανόμενη διαδικασία με εργαλεία χαμηλού κώδικα όπως Αυτόματος πιλότος Amazon SageMaker έτσι ώστε να μπορεί να ενσωματωθεί απρόσκοπτα στο περιβάλλον σας, ώστε να μην χρειάζεται να ενορχηστρώνετε μόνοι σας αυτήν τη ροή εργασίας από άκρο σε άκρο. Δείχνουμε πώς να χρησιμοποιείτε τον κώδικα εργαλείων χαμηλού κώδικα/χωρίς κώδικα CI/CD για να τον ενσωματώνετε στο περιβάλλον MLOps σας, τηρώντας παράλληλα τις βέλτιστες πρακτικές MLOps.
Επισκόπηση λύσεων
Για να δείξουμε την ενορχηστρωμένη ροή εργασίας, χρησιμοποιούμε τη δημόσια διαθέσιμη Δεδομένα εισοδήματος απογραφής UCI Ενηλίκων 1994 να προβλέψει εάν ένα άτομο έχει ετήσιο εισόδημα μεγαλύτερο από 50,000 $ ετησίως. Αυτό είναι ένα πρόβλημα δυαδικής ταξινόμησης. οι επιλογές για τη μεταβλητή στόχου εισοδήματος είναι είτε πάνω από 50,000 $ είτε κάτω από 50,000 $.
Ο παρακάτω πίνακας συνοψίζει τα βασικά στοιχεία του συνόλου δεδομένων.
Χαρακτηριστικά συνόλου δεδομένων | Πολλαπλασιασμός | Αριθμός περιπτώσεων | 48842 | Περιοχή | Μ.Κ.Δ |
Χαρακτηριστικά Ιδιότητας: | Κατηγορικός, Ακέραιος | Αριθμός Ιδιοτήτων: | 14 | Ημερομηνία Δωρεάς | 1996-05-01 |
Συναφείς εργασίες: | Ταξινόμηση | Λείπουν Αξίες; | Ναι | Αριθμός επισκέψεων Ιστού | 2749715 |
Ο παρακάτω πίνακας συνοψίζει τις πληροφορίες χαρακτηριστικών.
Όνομα στήλης | Περιγραφή |
Ηλικία | Συνεχής |
Εργατική τάξη | Ιδιωτικό, Self-emp-not-inc, Self-emp-inc, Federal-gov, Local-gov, State-gov, Χωρίς αμοιβή, Δεν εργάστηκε ποτέ |
fnlwgt | συνεχής |
εκπαίδευση | Bachelors, Some-college, 11th, HS-grad, Prof-school, Assoc-acdm, Assoc-voc, 9ο, 7ο-8ο, 12ο, Μεταπτυχιακό, 1ο-4ο, 10ο, Διδακτορικό, 5ο-6ο, Προσχολικό. |
εκπαίδευση-αριθ | συνεχής |
οικογενειακή κατάσταση | Έγγαμος-πολίτης-σύζυγος, Διαζευγμένος, Ποτέ-παντρεμένος, Χωρισμένος, Χήρος, Έγγαμος-σύζυγος-απόν, Έγγαμος-ΑΦ-σύζυγος. |
επάγγελμα | ech-support, Craft-repair, Other service, Sales, Exec-managerial, Prof-speciality, Handlers-Cleaners, Machine-op-inspct, Adm-clerical, Farming-fishing, Transport-mobile, Priv-house-service, Προστασία-υπηρεσία, Ένοπλες Δυνάμεις |
σχέση | Σύζυγος, Ιδιο-παιδί, Σύζυγος, Μη οικογενειακός, Άλλος συγγενής, Άγαμος. |
αγώνας | Λευκό, Asian-Pac-Islander, Amer-Indian-Eskimo, Other, Black |
φύλο | Θυληκο αρσενικό |
κεφαλαιακό κέρδος | Συνεχής |
κεφάλαιο-ζημία | Συνεχής |
ώρες την εβδομάδα | Συνεχής |
χώρα ιθαγένειας | Ηνωμένες Πολιτείες, Καμπότζη, Αγγλία, Πουέρτο-Ρίκο, Καναδάς, Γερμανία, Απομακρυσμένες ΗΠΑ (Γκουάμ-USVI-κ.λπ.), Ινδία, Ιαπωνία, Ελλάδα, Νότια, Κίνα, Κούβα, Ιράν, Ονδούρα, Φιλιππίνες, Ιταλία, Πολωνία, Τζαμάικα , Βιετνάμ, Μεξικό, Πορτογαλία, Ιρλανδία, Γαλλία, Δομινικανή Δημοκρατία, Λάος, Εκουαδόρ, Ταϊβάν, Αϊτή, Κολομβία, Ουγγαρία, Γουατεμάλα, Νικαράγουα, Σκωτία, Ταϊλάνδη, Γιουγκοσλαβία, Ελ-Σαλβαδόρ, Τριναντάντ&Τομπάγκο, Περού, Χονγκ, Ολλανδία-Ολλανδία . |
τάξη | Κατηγορία εισοδήματος, είτε <=50K είτε >=50K |
Σε αυτήν την ανάρτηση, παρουσιάζουμε τον τρόπο χρήσης του Amazon SageMaker Projects, ενός εργαλείου που βοηθά τους οργανισμούς να δημιουργήσουν και να τυποποιήσουν περιβάλλοντα για MLOps με εργαλεία AutoML χαμηλού κώδικα όπως το Autopilot και Amazon SageMaker Data Wrangler.
Ο αυτόματος πιλότος εξαλείφει τη βαριά ανύψωση των κτιρίων μοντέλων ML. Απλώς παρέχετε ένα πίνακα δεδομένων και επιλέγετε τη στήλη-στόχο για πρόβλεψη και ο Αυτόματος πιλότος θα εξερευνήσει αυτόματα διαφορετικές λύσεις για να βρει το καλύτερο μοντέλο. Στη συνέχεια, μπορείτε να αναπτύξετε απευθείας το μοντέλο στην παραγωγή με ένα μόνο κλικ ή να επαναλάβετε τις προτεινόμενες λύσεις για να βελτιώσετε περαιτέρω την ποιότητα του μοντέλου.
Το Data Wrangler παρέχει μια ολοκληρωμένη λύση για εισαγωγή, προετοιμασία, μετατροπή, χαρακτηρισμό και ανάλυση δεδομένων. Μπορείτε να ενσωματώσετε μια ροή προετοιμασίας δεδομένων Data Wrangler στις ροές εργασιών ML για να απλοποιήσετε και να απλοποιήσετε την προεπεξεργασία δεδομένων και τη μηχανική χαρακτηριστικών χρησιμοποιώντας ελάχιστη έως καθόλου κωδικοποίηση. Μπορείτε επίσης να προσθέσετε τα δικά σας σενάρια Python και μετασχηματισμούς για να προσαρμόσετε τις ροές εργασίας. Χρησιμοποιούμε το Data Wrangler για να εκτελέσουμε προεπεξεργασία στο σύνολο δεδομένων πριν από την υποβολή των δεδομένων στον Αυτόματο πιλότο.
Το SageMaker Projects βοηθά τους οργανισμούς να δημιουργήσουν και να τυποποιήσουν περιβάλλοντα για την αυτοματοποίηση διαφορετικών βημάτων που εμπλέκονται σε έναν κύκλο ζωής ML. Αν και τα notebook είναι χρήσιμα για τη δημιουργία μοντέλων και τον πειραματισμό, μια ομάδα επιστημόνων δεδομένων και μηχανικών ML που μοιράζονται κώδικα χρειάζονται έναν πιο επεκτάσιμο τρόπο για να διατηρήσουν τη συνοχή του κώδικα και τον αυστηρό έλεγχο της έκδοσης.
Για να σας βοηθήσει να ξεκινήσετε με κοινά πρότυπα κατασκευής και ανάπτυξης μοντέλων, το SageMaker Projects προσφέρει ένα σύνολο προτύπων πρώτου κατασκευαστή (Πρότυπα 1P). Τα πρότυπα 1P γενικά επικεντρώνονται στη δημιουργία πόρων για την κατασκευή μοντέλων και την εκπαίδευση μοντέλων. Τα πρότυπα περιλαμβάνουν έργα που χρησιμοποιούν εγγενείς υπηρεσίες AWS για CI/CD, όπως π.χ AWS CodeBuild και Αγωγός κώδικα AWS. Το SageMaker Projects μπορεί να υποστηρίξει προσφορές προσαρμοσμένων προτύπων, όπου οι οργανισμοί χρησιμοποιούν ένα AWS CloudFormation πρότυπο για την εκτέλεση μιας στοίβας Terraform και τη δημιουργία των πόρων που απαιτούνται για μια ροή εργασίας ML.
Οι οργανισμοί μπορεί να θέλουν να επεκτείνουν τα πρότυπα 1P για να υποστηρίξουν περιπτώσεις χρήσης πέρα από την απλή εκπαίδευση και ανάπτυξη μοντέλων. Προσαρμοσμένα πρότυπα έργων είναι ένας τρόπος για να δημιουργήσετε μια τυπική ροή εργασίας για έργα ML. Μπορείτε να δημιουργήσετε πολλά πρότυπα και να τα χρησιμοποιήσετε Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) για τη διαχείριση της πρόσβασης σε αυτά τα πρότυπα Στούντιο Amazon SageMaker, διασφαλίζοντας ότι καθένας από τους χρήστες σας έχει πρόσβαση σε έργα που είναι ειδικά για τις περιπτώσεις χρήσης του.
Για να μάθετε περισσότερα σχετικά με τα έργα SageMaker και τη δημιουργία προσαρμοσμένων προτύπων έργων που να ευθυγραμμίζονται με τις βέλτιστες πρακτικές, ανατρέξτε στο Δημιουργήστε προσαρμοσμένα πρότυπα έργου SageMaker – Βέλτιστες πρακτικές.
Αυτά τα προσαρμοσμένα πρότυπα δημιουργούνται ως Κατάλογος υπηρεσιών AWS προϊόντα και παρέχονται ως πρότυπα οργανισμού στη διεπαφή χρήστη του Studio. Εδώ οι επιστήμονες δεδομένων μπορούν να επιλέξουν ένα πρότυπο και να έχουν εκκινήσει και προρυθμίσει τη ροή εργασίας ML τους. Τα έργα παρέχονται χρησιμοποιώντας προϊόντα καταλόγου υπηρεσιών AWS. Τα πρότυπα έργων χρησιμοποιούνται από οργανισμούς για την παροχή έργων για κάθε ομάδα τους.
Σε αυτήν την ανάρτηση, παρουσιάζουμε πώς να δημιουργήσετε ένα προσαρμοσμένο πρότυπο έργου για να έχετε μια ροή εργασίας από άκρο σε άκρο MLOps χρησιμοποιώντας έργα SageMaker, Κατάλογο υπηρεσιών AWS και Αγωγοί Amazon SageMaker ενσωμάτωση Data Wrangler και Autopilot με ανθρώπους στον βρόχο προκειμένου να διευκολυνθούν τα βήματα της εκπαίδευσης και της ανάπτυξης του μοντέλου. Οι άνθρωποι στο βρόχο είναι τα διαφορετικά πρόσωπα που εμπλέκονται σε μια πρακτική MLOps που εργάζονται συλλογικά για μια επιτυχημένη ροή εργασίας ML κατασκευής και ανάπτυξης.
Το παρακάτω διάγραμμα απεικονίζει τη ροή εργασιών αυτοματισμού χαμηλού κώδικα/χωρίς κώδικα από άκρο σε άκρο.
Η ροή εργασίας περιλαμβάνει τα ακόλουθα βήματα:
- Η ομάδα Ops ή η ομάδα της πλατφόρμας εκκινεί το πρότυπο CloudFormation για να ρυθμίσει τις προϋποθέσεις που απαιτούνται για την παροχή του προσαρμοσμένου προτύπου SageMaker.
- Όταν το πρότυπο είναι διαθέσιμο στο SageMaker, το Data Science Lead χρησιμοποιεί το πρότυπο για να δημιουργήσει ένα έργο SageMaker.
- Η δημιουργία του έργου SageMaker θα ξεκινήσει ένα προϊόν AWS Service Catalog που προσθέτει δύο κωδικούς σποράς στο AWS CodeCommit αποθετήρια:
- Ο αρχικός κώδικας για τον αγωγό κτιρίου μοντέλου περιλαμβάνει έναν αγωγό που προεπεξεργάζεται το Σύνολο δεδομένων UCI Machine Learning Adult χρησιμοποιώντας το Data Wrangler, δημιουργεί αυτόματα ένα μοντέλο ML με πλήρη ορατότητα χρησιμοποιώντας τον Αυτόματο πιλότο, αξιολογεί την απόδοση ενός μοντέλου χρησιμοποιώντας ένα βήμα επεξεργασίας και καταχωρεί το μοντέλο σε ένα μητρώο μοντέλου με βάση την απόδοση του μοντέλου.
- Ο αρχικός κώδικας για την ανάπτυξη μοντέλου περιλαμβάνει ένα βήμα CodeBuild για να βρείτε το πιο πρόσφατο μοντέλο που έχει εγκριθεί στο μητρώο μοντέλων και να δημιουργήσετε αρχεία διαμόρφωσης για την ανάπτυξη των προτύπων CloudFormation ως μέρος των αγωγών CI/CD χρησιμοποιώντας το CodePipeline. Το πρότυπο CloudFormation αναπτύσσει το μοντέλο σε περιβάλλοντα σταδιοποίησης και παραγωγής.
- Η πρώτη δέσμευση κώδικα σποράς ξεκινά μια διοχέτευση CI/CD χρησιμοποιώντας το CodePipeline που ενεργοποιεί μια διοχέτευση SageMaker, η οποία είναι μια σειρά διασυνδεδεμένων βημάτων που κωδικοποιούνται χρησιμοποιώντας ένα κατευθυνόμενο άκυκλο γράφημα (DAG). Στην περίπτωση αυτή, τα βήματα που εμπλέκονται είναι επεξεργασία δεδομένων χρησιμοποιώντας μια ροή δεδομένων Wrangler, εκπαίδευση του μοντέλου με χρήση Autopilot, δημιουργώντας το μοντέλο, αξιολογώντας το μοντέλο και εάν η αξιολόγηση περάσει, καταχώρηση του μοντέλου.
Για περισσότερες λεπτομέρειες σχετικά με τη δημιουργία αγωγών SageMaker με χρήση Autopilot, ανατρέξτε στο Εκκινήστε τα πειράματα Amazon SageMaker Autopilot απευθείας από τους αγωγούς Amazon SageMaker για να αυτοματοποιήσετε εύκολα τις ροές εργασίας MLOps.
- Μετά την εγγραφή του μοντέλου, ο υπεύθυνος έγκρισης μοντέλου μπορεί είτε να εγκρίνει είτε να απορρίψει το μοντέλο στο Studio.
- Όταν εγκριθεί το μοντέλο, ενεργοποιείται ένας αγωγός ανάπτυξης CodePipeline ενσωματωμένος με τον δεύτερο κωδικό σποράς.
- Αυτή η διοχέτευση δημιουργεί ένα επεκτάσιμο τελικό σημείο χωρίς διακομιστή SageMaker για το περιβάλλον σταδίου.
- Υπάρχει ένα αυτοματοποιημένο βήμα δοκιμής στον αγωγό ανάπτυξης που θα δοκιμαστεί στο τελικό σημείο σταδίου.
- Τα αποτελέσματα της δοκιμής αποθηκεύονται σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3). Ο αγωγός θα σταματήσει για έναν υπεύθυνο έγκρισης ανάπτυξης παραγωγής, ο οποίος μπορεί να ελέγξει όλα τα τεχνουργήματα πριν από την έγκριση.
- Αφού εγκριθεί, το μοντέλο αναπτύσσεται στην παραγωγή με τη μορφή κλιμακούμενου τερματικού σημείου χωρίς διακομιστή. Οι εφαρμογές παραγωγής μπορούν τώρα να καταναλώσουν το τελικό σημείο για συμπεράσματα.
Τα βήματα ανάπτυξης αποτελούνται από τα ακόλουθα:
- Δημιουργήστε το προσαρμοσμένο πρότυπο έργου SageMaker για Autopilot και άλλους πόρους χρησιμοποιώντας το AWS CloudFormation. Αυτή είναι μια εργασία ρύθμισης μίας χρήσης.
- Δημιουργήστε το έργο SageMaker χρησιμοποιώντας το προσαρμοσμένο πρότυπο.
Στις επόμενες ενότητες, προχωράμε σε καθένα από αυτά τα βήματα με περισσότερες λεπτομέρειες και εξερευνούμε τη σελίδα λεπτομερειών του έργου.
Προϋποθέσεις
Αυτή η περιήγηση περιλαμβάνει τις ακόλουθες προϋποθέσεις:
Δημιουργήστε πόρους λύσης με το AWS CloudFormation
Μπορείτε να κατεβάσετε και να εκκινήσετε το Πρότυπο CloudFormation μέσω της κονσόλας AWS CloudFormation, το Διεπαφή γραμμής εντολών AWS (AWS CLI), το SDK ή απλά επιλέγοντας Εκκίνηση στοίβας:
Το πρότυπο CloudFormation είναι επίσης διαθέσιμο στο AWS Samples αποθετήριο GitHub Code. Το αποθετήριο περιέχει τα εξής:
- A Πρότυπο CloudFormation για να ρυθμίσετε το προσαρμοσμένο πρότυπο έργου SageMaker για τον αυτόματο πιλότο
- Κωδικός σπόρων με τον κώδικα ML για τη ρύθμιση των αγωγών SageMaker για την αυτοματοποίηση των βημάτων επεξεργασίας και εκπαίδευσης δεδομένων
- A φάκελο έργου για το πρότυπο CloudFormation που χρησιμοποιείται από τον Κατάλογο υπηρεσιών AWS αντιστοιχισμένο στο προσαρμοσμένο πρότυπο έργου SageMaker που θα δημιουργηθεί
Το πρότυπο CloudFormation λαμβάνει πολλές παραμέτρους ως είσοδο.
Οι παρακάτω είναι οι παράμετροι πληροφοριών προϊόντος του καταλόγου υπηρεσιών AWS:
- όνομα προϊόντος – Το όνομα του προϊόντος AWS Service Catalog με το οποίο θα συσχετιστεί το προσαρμοσμένο πρότυπο MLOps του έργου SageMaker
- ΠΕΡΙΓΡΑΦΗ ΠΡΟΪΟΝΤΟΣ – Η περιγραφή για το προϊόν του καταλόγου υπηρεσιών AWS
- Ιδιοκτήτης προιόντος – Ο κάτοχος του προϊόντος Service Catalog
- Διανομέας Προϊόντος – Ο διανομέας του προϊόντος Service Catalog
Οι παρακάτω είναι οι παράμετροι πληροφοριών υποστήριξης προϊόντων AWS Service Catalog:
- Περιγραφή υποστήριξης προϊόντος – Περιγραφή υποστήριξης για αυτό το προϊόν
- Email υποστήριξης προϊόντων – Μια διεύθυνση email της ομάδας που υποστηρίζει το προϊόν AWS Service Catalog
- URL υποστήριξης προϊόντος – Μια διεύθυνση URL υποστήριξης για το προϊόν AWS Service Catalog
Οι παρακάτω είναι οι παράμετροι διαμόρφωσης του αποθετηρίου πηγαίου κώδικα:
- URL στη συμπιεσμένη έκδοση του αποθετηρίου GitHub – Χρησιμοποιήστε τις προεπιλογές εάν δεν διαχωρίζετε το χώρο αποθήκευσης δειγμάτων AWS.
- Όνομα και κλάδος του αποθετηρίου GitHub – Αυτά πρέπει να ταιριάζουν με τον ριζικό φάκελο του zip. Χρησιμοποιήστε τις προεπιλογές εάν δεν διαχωρίζετε το αποθετήριο δειγμάτων AWS.
- StudioUserExecutionRole – Παρέχετε το ARN του ρόλου IAM εκτέλεσης χρήστη του Studio.
Αφού εκκινήσετε τη στοίβα CloudFormation από αυτό το πρότυπο, μπορείτε να παρακολουθήσετε την κατάστασή της στην κονσόλα AWS CloudFormation.
Όταν ολοκληρωθεί η στοίβα, αντιγράψτε την τιμή του CodeStagingBucketName
κλειδί στο Έξοδοι καρτέλα της στοίβας CloudFormation και αποθηκεύστε το σε ένα πρόγραμμα επεξεργασίας κειμένου για να το χρησιμοποιήσετε αργότερα.
Δημιουργήστε το έργο SageMaker χρησιμοποιώντας το νέο προσαρμοσμένο πρότυπο
Για να δημιουργήσετε το έργο σας SageMaker, ολοκληρώστε τα παρακάτω βήματα:
- Συνδεθείτε στο Studio. Για περισσότερες πληροφορίες, βλ Ενσωματωμένος στον τομέα Amazon SageMaker.
- Στην πλαϊνή γραμμή του Studio, επιλέξτε το εικονίδιο αρχικής σελίδας.
- Επιλέξτε Ανάπτυξη από το μενού και, στη συνέχεια, επιλέξτε Έργα.
- Επιλέξτε Δημιουργία έργου.
- Επιλέξτε Πρότυπα οργανισμού για να προβάλετε το νέο προσαρμοσμένο πρότυπο MLOps.
- Επιλέξτε Επιλέξτε πρότυπο έργου.
- Για Λεπτομέρειες του έργου, εισαγάγετε ένα όνομα και περιγραφή για το έργο σας.
- Για MLOpsS3Bucket, πληκτρολογήστε το όνομα του κάδου S3 που αποθηκεύσατε νωρίτερα.
- Επιλέξτε Δημιουργία έργου.
Εμφανίζεται ένα μήνυμα που υποδεικνύει ότι το SageMaker παρέχει και διαμορφώνει τους πόρους.
Όταν ολοκληρωθεί το έργο, λαμβάνετε ένα μήνυμα επιτυχίας και το έργο σας εμφανίζεται τώρα στη λίστα Έργα λίστα.
Εξερευνήστε τις λεπτομέρειες του έργου
Στη σελίδα λεπτομερειών έργου, μπορείτε να προβάλετε διάφορες καρτέλες που σχετίζονται με το έργο. Ας βουτήξουμε βαθιά σε καθεμία από αυτές τις καρτέλες λεπτομερώς.
Αποθετήρια
Αυτή η καρτέλα παραθέτει τα αποθετήρια κώδικα που σχετίζονται με αυτό το έργο. Μπορείς να διαλέξεις clone repo υπό Τοπικό μονοπάτι για να κλωνοποιήσετε τα δύο αποθετήρια κώδικα σποράς που δημιουργήθηκαν στο CodeCommit από το έργο SageMaker. Αυτή η επιλογή σας παρέχει πρόσβαση στο Git στα αποθετήρια κώδικα από το ίδιο το έργο SageMaker.
Όταν ολοκληρωθεί ο κλώνος του αποθετηρίου, η τοπική διαδρομή εμφανίζεται στο Τοπικό μονοπάτι στήλη. Μπορείτε να επιλέξετε τη διαδρομή για να ανοίξετε τον τοπικό φάκελο που περιέχει τον κωδικό αποθήκης στο Studio.
Ο φάκελος θα είναι προσβάσιμος στο παράθυρο πλοήγησης. Μπορείτε να χρησιμοποιήσετε το εικονίδιο του προγράμματος περιήγησης αρχείων για να αποκρύψετε ή να εμφανίσετε τη λίστα φακέλων. Μπορείτε να κάνετε τις αλλαγές του κώδικα εδώ ή να επιλέξετε το εικονίδιο Git για να σκηνοθετήσετε, να πραγματοποιήσετε και να προωθήσετε την αλλαγή.
Αγωγοί
Αυτή η καρτέλα παραθέτει τους αγωγούς SageMaker ML που ορίζουν βήματα για την προετοιμασία δεδομένων, την εκπαίδευση μοντέλων και την ανάπτυξη μοντέλων. Για πληροφορίες σχετικά με τους αγωγούς SageMaker ML, βλ Δημιουργία και διαχείριση αγωγών SageMaker.
Μπορείτε να επιλέξετε τον αγωγό που εκτελείται αυτήν τη στιγμή για να δείτε την πιο πρόσφατη κατάστασή του. Στο ακόλουθο παράδειγμα, το βήμα της επεξεργασίας δεδομένων εκτελείται χρησιμοποιώντας μια ροή δεδομένων Data Wrangler.
Μπορείτε να αποκτήσετε πρόσβαση στη ροή δεδομένων από την τοπική διαδρομή του αποθετηρίου κώδικα που κλωνοποιήσαμε νωρίτερα. Επιλέξτε το εικονίδιο του προγράμματος περιήγησης αρχείων για να εμφανιστεί η διαδρομή, η οποία παρατίθεται στο pipelines
φάκελο του αποθετηρίου κατασκευής μοντέλου.
Στο pipelines
φάκελο, ανοίξτε το φάκελο αυτόματου πιλότου.
Στο autopilot
φάκελο, ανοίξτε το preprocess.flow
αρχείο.
Θα χρειαστεί λίγος χρόνος για να ανοίξει η ροή δεδομένων Wrangler.
Σε αυτό το παράδειγμα, εκτελούνται τρεις μετασχηματισμοί δεδομένων μεταξύ της πηγής και του προορισμού. Μπορείτε να επιλέξετε κάθε μετασχηματισμό για να δείτε περισσότερες λεπτομέρειες.
Για οδηγίες σχετικά με τον τρόπο συμπερίληψης ή κατάργησης μετασχηματισμών στο Data Wrangler, ανατρέξτε στο Μετασχηματισμός Δεδομένων.
Για περισσότερες πληροφορίες, ανατρέξτε στο Ενοποιημένη προετοιμασία δεδομένων και εκπαίδευση μοντέλων με το Amazon SageMaker Data Wrangler και το Amazon SageMaker Autopilot – Μέρος 1.
Όταν ολοκληρώσετε τον έλεγχο, επιλέξτε το εικονίδιο λειτουργίας και σταματήστε τους πόρους του Data Wrangler κάτω Εκτέλεση εφαρμογών και Συνεδρίες πυρήνα.
Πειράματα
Αυτή η καρτέλα παραθέτει τα πειράματα Αυτόματου πιλότου που σχετίζονται με το έργο. Για περισσότερες πληροφορίες σχετικά με τον αυτόματο πιλότο, βλ Αυτοματοποιήστε την ανάπτυξη μοντέλων με το Amazon SageMaker Autopilot.
Ομάδες μοντέλων
Αυτή η καρτέλα παραθέτει ομάδες εκδόσεων μοντέλου που δημιουργήθηκαν από εκτελέσεις διοχέτευσης στο έργο. Όταν ολοκληρωθεί η εκτέλεση του αγωγού, το μοντέλο που δημιουργήθηκε από το τελευταίο βήμα του αγωγού θα είναι προσβάσιμο εδώ.
Μπορείτε να επιλέξετε την ομάδα μοντέλων για πρόσβαση στην πιο πρόσφατη έκδοση του μοντέλου.
Η κατάσταση της έκδοσης μοντέλου στο παρακάτω παράδειγμα είναι εκκρεμής. Μπορείτε να επιλέξετε την έκδοση μοντέλου και να επιλέξετε Ενημέρωση κατάστασης για να ενημερώσετε την κατάσταση.
Επιλέξτε Εγκεκριμένη Και επιλέξτε Ενημέρωση κατάστασης για την έγκριση του μοντέλου.
Αφού εγκριθεί η κατάσταση του μοντέλου, θα ξεκινήσει η διοχέτευση CI/CD ανάπτυξης μοντέλου εντός του CodePipeline.
Μπορείτε να ανοίξετε τον αναπτυγμένο αγωγό για να δείτε τα διάφορα στάδια στο repo.
Όπως φαίνεται στο προηγούμενο στιγμιότυπο οθόνης, αυτός ο αγωγός έχει τέσσερα στάδια:
- Πηγή – Σε αυτό το στάδιο, το CodePipeline ελέγχει τον κωδικό αποθέματος CodeCommit στον κάδο S3.
- Χτίστε – Σε αυτό το στάδιο, προετοιμάζονται πρότυπα CloudFormation για την ανάπτυξη του κώδικα μοντέλου.
- Ανάπτυξη – Αυτό το στάδιο αποτελείται από τρία υποστάδια:
- DeployResourcesStaging – Στο πρώτο υποστάδιο, η στοίβα CloudFormation αναπτύσσεται για τη δημιουργία ενός τελικό σημείο SageMaker χωρίς διακομιστή στο σκηνικό περιβάλλον.
- Δοκιμή στάσης – Στο δεύτερο δευτερεύον στάδιο, εκτελείται αυτοματοποιημένη δοκιμή χρησιμοποιώντας το CodeBuild στο τελικό σημείο για να ελεγχθεί εάν το συμπέρασμα συμβαίνει όπως αναμένεται. Τα αποτελέσματα της δοκιμής θα είναι διαθέσιμα στον κάδο S3 με το όνομα
sagemaker-project-<project ID of the SageMaker project>
.
Μπορείτε να λάβετε το αναγνωριστικό έργου SageMaker στο ρυθμίσεις καρτέλα του έργου SageMaker. Μέσα στον κάδο S3, επιλέξτε το φάκελο ονόματος έργου (για παράδειγμα, sagemaker-MLOp-AutoP
) και μέσα σε αυτό, ανοίξτε το φάκελο TestArtifa/. Επιλέξτε το αρχείο αντικειμένου σε αυτόν τον φάκελο για να δείτε τα αποτελέσματα της δοκιμής.
Μπορείτε να αποκτήσετε πρόσβαση στο σενάριο δοκιμής από την τοπική διαδρομή του αποθετηρίου κώδικα που κλωνοποιήσαμε νωρίτερα. Επιλέξτε το εικονίδιο του προγράμματος περιήγησης αρχείων για να δείτε τη διαδρομή. Σημειώστε ότι αυτό θα είναι το αποθετήριο ανάπτυξης. Σε αυτό το αποθετήριο, ανοίξτε τον φάκελο δοκιμής και επιλέξτε το test.py
Αρχείο κώδικα Python.
Μπορείτε να κάνετε αλλαγές σε αυτόν τον κωδικό δοκιμής σύμφωνα με την περίπτωση χρήσης σας.
- Έγκριση Ανάπτυξης – Στο τρίτο υποστάδιο, υπάρχει μια πρόσθετη διαδικασία έγκρισης πριν από το τελευταίο στάδιο ανάπτυξης στην παραγωγή. Μπορείς να διαλέξεις Βαθμολογία Κριτικής και να το εγκρίνει για να προχωρήσει.
- DeployProd – Σε αυτό το στάδιο, η στοίβα CloudFormation αναπτύσσεται για να δημιουργήσει ένα τελικό σημείο SageMaker χωρίς διακομιστή για το περιβάλλον παραγωγής.
Τελικά σημεία
Αυτή η καρτέλα παραθέτει τα τελικά σημεία του SageMaker που φιλοξενούν αναπτυγμένα μοντέλα για συμπεράσματα. Όταν ολοκληρωθούν όλα τα στάδια στη γραμμή ανάπτυξης του μοντέλου, τα μοντέλα αναπτύσσονται στα τελικά σημεία του SageMaker και είναι προσβάσιμα μέσα στο έργο SageMaker.
ρυθμίσεις
Αυτή είναι η τελευταία καρτέλα στη σελίδα του έργου και παραθέτει τις ρυθμίσεις για το έργο. Αυτό περιλαμβάνει το όνομα και την περιγραφή του έργου, πληροφορίες σχετικά με το πρότυπο του έργου και SourceModelPackageGroupName
, και μεταδεδομένα για το έργο.
εκκαθάριση
Για να αποφύγετε πρόσθετο κόστος υποδομής που σχετίζεται με το παράδειγμα αυτής της ανάρτησης, φροντίστε να διαγράψετε τις στοίβες CloudFormation. Επίσης, βεβαιωθείτε ότι έχετε διαγράψει τα τελικά σημεία του SageMaker, τυχόν σημειωματάρια που εκτελούνται και τους κάδους S3 που δημιουργήθηκαν κατά τη ρύθμιση.
Συμπέρασμα
Αυτή η ανάρτηση περιέγραψε μια εύχρηστη προσέγγιση διοχέτευσης ML για την αυτοματοποίηση και την τυποποίηση της εκπαίδευσης και της ανάπτυξης μοντέλων ML χρησιμοποιώντας τα SageMaker Projects, Data Wrangler, Autopilot, Pipelines και Studio. Αυτή η λύση μπορεί να σας βοηθήσει να εκτελέσετε εργασίες AutoML (προεπεξεργασία, εκπαίδευση και μεταεπεξεργασία) σε μια τυποποιημένη δομή αποθετηρίου που μπορεί να παρέχει στους ειδικούς επιστήμονες δεδομένων σας τη δυνατότητα να προβάλουν, να επικυρώσουν και να τροποποιήσουν τη ροή εργασίας σύμφωνα με τις ανάγκες τους και στη συνέχεια να δημιουργήσουν μια προσαρμοσμένη διοχέτευση πρότυπο που μπορεί να ενσωματωθεί σε ένα έργο SageMaker.
Μπορείτε να τροποποιήσετε τις σωληνώσεις με τα βήματα προεπεξεργασίας και διοχέτευσης για την περίπτωση χρήσης σας και να αναπτύξετε τη ροή εργασιών μας από άκρο σε άκρο. Ενημερώστε μας στα σχόλια πώς λειτουργούσε το προσαρμοσμένο πρότυπο για την αντίστοιχη περίπτωση χρήσης σας.
Σχετικά με τους συγγραφείς
Vishal Naik είναι αρχιτέκτονας λύσεων Sr. στο Amazon Web Services (AWS). Είναι κατασκευαστής που του αρέσει να βοηθά τους πελάτες να εκπληρώσουν τις επιχειρηματικές τους ανάγκες και να λύσουν περίπλοκες προκλήσεις με λύσεις και βέλτιστες πρακτικές AWS. Ο βασικός τομέας εστίασής του περιλαμβάνει τη Μηχανική Μάθηση, τα DevOps και τα Containers. Στον ελεύθερο χρόνο του, ο Βισάλ λατρεύει να κάνει ταινίες μικρού μήκους για ταξίδια στο χρόνο και εναλλακτικά θέματα του σύμπαντος.
Shikhar Kwatra είναι ειδικός αρχιτέκτονας λύσεων AI/ML στην Amazon Web Services, συνεργαζόμενος με έναν κορυφαίο Global System Integrator. Έχει κερδίσει τον τίτλο ενός από τους νεότερους Ινδούς Master Inventors με περισσότερες από 500 πατέντες στους τομείς AI/ML και IoT. Ο Shikhar βοηθά στην αρχιτεκτονική, την κατασκευή και τη διατήρηση οικονομικά αποδοτικών, κλιμακούμενων περιβαλλόντων cloud για τον οργανισμό και υποστηρίζει τον συνεργάτη GSI στην κατασκευή στρατηγικών βιομηχανικών λύσεων στο AWS. Ο Shikhar απολαμβάνει να παίζει κιθάρα, να συνθέτει μουσική και να ασκεί την προσοχή στον ελεύθερο χρόνο του.
Janisha Anand είναι Ανώτερος Διευθυντής Προϊόντων στην ομάδα SageMaker Low/No Code ML, η οποία περιλαμβάνει το SageMaker Canvas και το SageMaker Autopilot. Απολαμβάνει τον καφέ, μένει δραστήρια και περνά χρόνο με την οικογένειά της.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- EVM Finance. Ενιαία διεπαφή για αποκεντρωμένη χρηματοδότηση. Πρόσβαση εδώ.
- Quantum Media Group. Ενισχυμένο IR/PR. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/bring-sagemaker-autopilot-into-your-mlops-processes-using-a-custom-sagemaker-project/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 000
- 1
- 10
- 100
- 10
- 12
- 17
- 1994
- 214
- 220
- 30
- 500
- 7
- 9
- 9
- a
- Σχετικα
- πρόσβαση
- προσιτός
- πρόσβαση
- ολοκληρώσει
- ενεργός
- απεριοδικός
- προσθέτω
- Πρόσθετος
- διεύθυνση
- Προσθέτει
- Ενήλικος
- AI / ML
- ενισχύσεων
- ευθυγραμμισμένος
- Όλα
- ήδη
- Επίσης
- Αν και
- Amazon
- Amazon Sage Maker
- Αυτόματος πιλότος Amazon SageMaker
- Amazon SageMaker Data Wrangler
- Αγωγοί Amazon SageMaker
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- an
- αναλύσει
- και
- ετήσιος
- κάθε
- εμφανίζεται
- εφαρμογές
- πλησιάζω
- κατάλληλος
- έγκριση
- εγκρίσεις
- εγκρίνω
- εγκεκριμένη
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- AS
- συσχετισμένη
- At
- γνωρίσματα
- αυτοματοποίηση
- Αυτοματοποιημένη
- αυτομάτως
- αυτοματοποίηση
- Αυτοματοποίηση
- AutoML
- διαθέσιμος
- αποφύγετε
- AWS
- AWS CloudFormation
- βασίζονται
- BE
- ήταν
- πριν
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- μεταξύ
- Πέρα
- Υποκατάστημα
- φέρω
- πρόγραμμα περιήγησης
- χτίζω
- Builder
- Κτίριο
- επιχείρηση
- by
- Καμπότζη
- CAN
- Μπορεί να πάρει
- Canada
- καμβάς
- περίπτωση
- περιπτώσεις
- κατάλογος
- Απογραφή
- προκλήσεις
- αλλαγή
- Αλλαγές
- χαρακτηριστικά
- έλεγχος
- έλεγχοι
- Κίνα
- Επιλέξτε
- επιλέγοντας
- τάξη
- ταξινόμηση
- κλικ
- Backup
- κωδικός
- κώδικες
- Κωδικοποίηση
- Καφές
- COLUMBIA
- Στήλη
- σχόλια
- διαπράττουν
- Κοινός
- Εταιρείες
- πλήρης
- συγκρότημα
- εξαρτήματα
- διαμόρφωση
- αποτελείται
- πρόξενος
- καταναλώνουν
- Εμπορευματοκιβώτια
- Περιέχει
- συνεχής
- έλεγχος
- πυρήνας
- Δικαστικά έξοδα
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- δημιουργία
- δημιουργία
- Cuba
- Τη στιγμή
- έθιμο
- Πελάτες
- προσαρμόσετε
- DAG
- ημερομηνία
- Προετοιμασία δεδομένων
- επεξεργασία δεδομένων
- επιστημονικά δεδομένα
- αφιερωμένο
- βαθύς
- προεπιλογές
- ορίζεται
- διανομή
- αποδεικνύουν
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύσσεται
- περιγράφεται
- περιγραφή
- προορισμός
- λεπτομέρεια
- καθέκαστα
- Ανάπτυξη
- διαφορετικές
- κατευθείαν
- domains
- γίνεται
- Μην
- κατεβάσετε
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- κέρδισε
- εύκολα
- εύκολος
- εύκολο στη χρήση
- Εκουαδόρ
- συντάκτης
- είτε
- εξαλείφει
- ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
- από άκρη σε άκρη
- Τελικό σημείο
- Μηχανική
- Μηχανικοί
- Αγγλία
- εξασφαλίζω
- εξασφαλίζοντας
- εισάγετε
- Εταιρεία
- επιχειρήσεις
- Περιβάλλον
- περιβάλλοντα
- αξιολογώντας
- εκτίμηση
- τελικά
- παράδειγμα
- εκτέλεση
- αναμένεται
- πειράματα
- εμπειρογνώμονας
- διερευνήσει
- επεκτείνουν
- διευκολύνω
- οικογένεια
- Χαρακτηριστικό
- Αρχεία
- Αρχεία
- ταινίες
- Εύρεση
- Όνομα
- ροή
- Συγκέντρωση
- Εξής
- Για
- μορφή
- Θεμέλιο
- τέσσερα
- Γαλλία
- από
- πλήρη
- πλήρως
- περαιτέρω
- γενικά
- παράγουν
- Germany
- παίρνω
- Git
- GitHub
- Παγκόσμιο
- διακυβέρνησης
- αποφοιτήσουν
- γραφική παράσταση
- μεγαλύτερη
- Ελλάδα
- Group
- Ομάδα
- Γουατεμάλα
- Συμβαίνει
- Έχω
- he
- βαριά
- βαριά ανύψωση
- βοήθεια
- χρήσιμο
- βοήθεια
- βοηθά
- αυτήν
- εδώ
- Κρύβω
- του
- Αρχική
- ΟΝΔΟΥΡΑ
- Χονγκ
- οικοδεσπότης
- Πως
- Πώς να
- HTML
- http
- HTTPS
- Οι άνθρωποι
- Hungary
- ICON
- ID
- Ταυτότητα
- if
- απεικονίζει
- εισαγωγή
- βελτίωση
- in
- περιλαμβάνουν
- περιλαμβάνει
- Εισόδημα
- Ινδία
- Ινδός
- βιομηχανία
- πληροφορίες
- Υποδομή
- αρχικός
- εισαγωγή
- οδηγίες
- ενσωματώσει
- ενσωματωθεί
- Ενσωμάτωση
- ολοκλήρωση
- διασυνδεδεμένα
- σε
- Οι εφευρέτες
- συμμετέχουν
- IoT
- Ιράν
- Ιρλανδία
- IT
- Ιταλία
- ΤΟΥ
- εαυτό
- Ιαμαϊκή
- Ιαπωνία
- jpg
- μόλις
- μόνο ένα
- Κλειδί
- Ξέρω
- Επίθετο
- αργότερα
- αργότερο
- ξεκινήσει
- ξεκινάει
- οδηγήσει
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- ας
- κύκλος ζωής
- ανύψωση
- Μου αρέσει
- γραμμή
- Λιστα
- Εισηγμένες
- Λίστες
- λίγο
- τοπικός
- κοιτάζοντας
- Παρτίδα
- αγαπά
- μηχανή
- μάθηση μηχανής
- διατηρήσουν
- Η διατήρηση
- Η πλειοψηφία
- κάνω
- Κατασκευή
- διαχείριση
- διαχειρίζεται
- διευθυντής
- τρόπος
- κύριος
- Ταίριασμα
- Ενδέχεται..
- μηχανισμός
- Μενού
- μήνυμα
- Μεταδεδομένα
- Μεξικό
- Mindfulness
- ML
- MLOps
- μοντέλο
- μοντέλα
- τροποποιήσει
- στιγμή
- Παρακολούθηση
- περισσότερο
- Μουσική
- όνομα
- Πλοήγηση
- Ανάγκη
- που απαιτούνται
- ανάγκες
- Νέα
- Όχι.
- τώρα
- αντικείμενο
- of
- Offerings
- προσφορές
- on
- ONE
- ανοίξτε
- λειτουργίας
- Επιλογή
- Επιλογές
- or
- ενορχηστρωμένη
- τάξη
- επιχειρήσεις
- οργανώσεις
- ΑΛΛΑ
- δικός μας
- σκιαγραφείται
- επί
- δική
- ιδιοκτήτης
- σελίδα
- παράθυρο
- παράμετροι
- μέρος
- εταίρος
- πέρασε
- Διπλώματα ευρεσιτεχνίας
- μονοπάτι
- Εκτελέστε
- επίδοση
- εκτελούνται
- person
- Περού
- φάση
- Philippines
- αγωγού
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- Poland
- Πολιτικές
- Πορτογαλία
- Θέση
- δύναμη
- πρακτική
- πρακτικές
- προβλέψει
- προετοιμασία
- Προετοιμάστε
- έτοιμος
- προαπαιτούμενα
- Πρόβλημα
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- παράγει
- Προϊόν
- ΠΛΗΡΟΦΟΡΙΕΣ ΓΙΑ ΤΟ ΠΡΟΙΟΝ
- υπεύθυνος προϊόντων
- παραγωγή
- Προϊόντα
- σχέδιο
- Λεπτομέρειες του έργου
- έργα
- την προώθηση της
- παρέχουν
- παρέχει
- πρόβλεψη
- δημοσίως
- Σπρώξτε
- Python
- ποιότητα
- Γρήγορα
- γρήγορα
- λαμβάνω
- συνιστάται
- καταχωρηθεί
- μητρώα
- μητρώου
- αξιόπιστος
- αφαιρέστε
- επαναληπτός
- Αποθήκη
- απαιτείται
- Υποστηρικτικό υλικό
- εκείνοι
- Αποτελέσματα
- ανασκόπηση
- επανεξέταση
- οδικός χάρτης
- εύρωστος
- Ρόλος
- ρίζα
- τρέξιμο
- τρέξιμο
- σοφός
- Αγωγοί SageMaker
- εμπορικός
- Αποθήκευση
- επεκτάσιμη
- Επιστήμη
- επιστήμονες
- Εφαρμογές
- SDK
- άψογα
- Δεύτερος
- τμήματα
- ασφάλεια
- δείτε
- σπόρος
- αρχαιότερος
- Σειρές
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- σειρά
- ρυθμίσεις
- setup
- διάφοροι
- μοιράζονται
- αυτή
- Κοντά
- θα πρέπει να
- δείχνουν
- βιτρίνα
- παρουσιάζεται
- Απλούς
- απλοποίηση
- απλά
- So
- λύση
- Λύσεις
- SOLVE
- Πηγή
- πρωτογενής κώδικας
- Νότος
- ειδικός
- Δαπάνες
- σωρός
- Στοίβες
- Στάδιο
- στάδια
- σκαλωσιά
- πρότυπο
- πρότυπα
- Εκκίνηση
- ξεκίνησε
- ξεκινά
- Κατάσταση
- Βήμα
- Βήματα
- στάση
- χώρος στο δίσκο
- αποθηκεύονται
- Στρατηγική
- εξορθολογισμό
- Αυστηρός
- δομή
- στούντιο
- επιτυχία
- επιτυχής
- τέτοιος
- υποστήριξη
- Στήριξη
- Υποστηρίζει
- σύστημα
- τραπέζι
- Ταϊβάν
- Πάρτε
- παίρνει
- στόχος
- Έργο
- εργασίες
- ομάδες
- πρότυπο
- πρότυπα
- Terraform
- δοκιμή
- δοκιμαστεί
- Δοκιμές
- δοκιμές
- Thailand
- από
- ότι
- Η
- Η Πηγη
- τους
- Τους
- τότε
- Εκεί.
- Αυτοί
- αυτοί
- Τρίτος
- αυτό
- εκείνοι
- τρία
- ώρα
- ταξίδι στο χρόνο
- Τίτλος
- προς την
- Τομπάγκο
- εργαλείο
- εργαλεία
- Τρένο
- Εκπαίδευση
- Μεταμορφώστε
- Μεταμόρφωση
- μετασχηματισμούς
- ταξίδι
- ενεργοποιήθηκε
- δύο
- ui
- υπό
- Σύμπαν
- Ενημέρωση
- URL
- us
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- ΕΠΙΚΥΡΩΝΩ
- αξία
- Αξίες
- διάφορα
- εκδοχή
- μέσω
- Vietnam
- Δες
- vishal
- ορατότητα
- περιδιάβαση
- θέλω
- Τρόπος..
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- ήταν
- πότε
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- θα
- με
- εντός
- εργάστηκαν
- ροής εργασίας
- ροές εργασίας
- εργαζόμενος
- γιαμ
- έτος
- Εσείς
- Νεότερος
- Σας
- zephyrnet
- Zip