Η διατήρηση των ροών εργασιών μηχανικής μάθησης (ML) στην παραγωγή είναι ένα δύσκολο έργο, επειδή απαιτεί τη δημιουργία αγωγών συνεχούς ενοποίησης και συνεχούς παράδοσης (CI/CD) για κώδικα και μοντέλα ML, έκδοση εκδόσεων μοντέλων, παρακολούθηση δεδομένων και μετατόπισης εννοιών, επανεκπαίδευση μοντέλων και ένα εγχειρίδιο διαδικασία έγκρισης για να διασφαλιστεί ότι οι νέες εκδόσεις του μοντέλου πληρούν τις απαιτήσεις απόδοσης και συμμόρφωσης.
Σε αυτήν την ανάρτηση, περιγράφουμε πώς να δημιουργήσετε μια ροή εργασίας MLOps για συμπέρασμα παρτίδας που αυτοματοποιεί τον προγραμματισμό εργασιών, την παρακολούθηση μοντέλων, την επανεκπαίδευση και την εγγραφή, καθώς και τον χειρισμό σφαλμάτων και την ειδοποίηση χρησιμοποιώντας Amazon Sage Maker, Amazon EventBridge, AWS Lambda, Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS), HashiCorp Terraform και GitLab CI/CD. Η παρουσιαζόμενη ροή εργασίας MLOps παρέχει ένα επαναχρησιμοποιήσιμο πρότυπο για τη διαχείριση του κύκλου ζωής ML μέσω αυτοματισμού, παρακολούθησης, δυνατότητας ελέγχου και επεκτασιμότητας, μειώνοντας έτσι την πολυπλοκότητα και το κόστος διατήρησης του φόρτου εργασίας συμπερασμάτων παρτίδας στην παραγωγή.
Επισκόπηση λύσεων
Το παρακάτω σχήμα απεικονίζει την προτεινόμενη αρχιτεκτονική MLOps-στόχου για επιχειρηματικά συμπεράσματα παρτίδας για οργανισμούς που χρησιμοποιούν το GitLab CI/CD και την υποδομή Terraform ως κώδικα (IaC) σε συνδυασμό με εργαλεία και υπηρεσίες AWS. Το GitLab CI/CD χρησιμεύει ως μακρο-ενορχηστρωτής, ενορχηστρώνοντας model build
και model deploy
αγωγών, που περιλαμβάνουν προμήθεια, κατασκευή και προμήθεια Αγωγοί Amazon SageMaker και υποστήριξη πόρων χρησιμοποιώντας το SageMaker Python SDK και Terraform. Το SageMaker Python SDK χρησιμοποιείται για τη δημιουργία ή την ενημέρωση αγωγών SageMaker για εκπαίδευση, εκπαίδευση με βελτιστοποίηση υπερπαραμέτρων (HPO) και συμπεράσματα παρτίδας. Το Terraform χρησιμοποιείται για τη δημιουργία πρόσθετων πόρων, όπως κανόνες EventBridge, συναρτήσεις Lambda και θέματα SNS για την παρακολούθηση των αγωγών του SageMaker και την αποστολή ειδοποιήσεων (για παράδειγμα, όταν ένα βήμα διοχέτευσης αποτυγχάνει ή είναι επιτυχές). Το SageMaker Pipelines χρησιμεύει ως ενορχηστρωτής για την εκπαίδευση μοντέλων ML και τις ροές εργασίας συμπερασμάτων.
Αυτός ο σχεδιασμός αρχιτεκτονικής αντιπροσωπεύει μια στρατηγική πολλών λογαριασμών όπου τα μοντέλα ML κατασκευάζονται, εκπαιδεύονται και καταχωρούνται σε ένα κεντρικό μητρώο μοντέλων μέσα σε έναν λογαριασμό ανάπτυξης επιστήμης δεδομένων (ο οποίος έχει περισσότερα στοιχεία ελέγχου από έναν τυπικό λογαριασμό ανάπτυξης εφαρμογών). Στη συνέχεια, οι αγωγοί συμπερασμάτων αναπτύσσονται σε λογαριασμούς σταδιοποίησης και παραγωγής χρησιμοποιώντας αυτοματισμό από εργαλεία DevOps όπως το GitLab CI/CD. Το κεντρικό μητρώο μοντέλων θα μπορούσε προαιρετικά να τοποθετηθεί και σε έναν κοινόχρηστο λογαριασμό υπηρεσιών. Αναφέρομαι σε Λειτουργικό μοντέλο για βέλτιστες πρακτικές σχετικά με μια στρατηγική πολλών λογαριασμών για ML.
Στις επόμενες υποενότητες, θα συζητήσουμε λεπτομερώς διάφορες πτυχές του αρχιτεκτονικού σχεδιασμού.
Η υποδομή ως κωδικός
Το IaC προσφέρει έναν τρόπο διαχείρισης της υποδομής πληροφορικής μέσω αρχείων αναγνώσιμων από μηχανή, διασφαλίζοντας αποτελεσματικό έλεγχο εκδόσεων. Σε αυτήν την ανάρτηση και στο συνοδευτικό δείγμα κώδικα, δείχνουμε πώς να το χρησιμοποιήσετε HashiCorp Terraform με το GitLab CI/CD για την αποτελεσματική διαχείριση των πόρων AWS. Αυτή η προσέγγιση υπογραμμίζει το βασικό πλεονέκτημα του IaC, προσφέροντας μια διαφανή και επαναλαμβανόμενη διαδικασία στη διαχείριση της υποδομής πληροφορικής.
Πρότυπη εκπαίδευση και επανεκπαίδευση
Σε αυτό το σχέδιο, ο αγωγός εκπαίδευσης SageMaker εκτελείται με χρονοδιάγραμμα (μέσω EventBridge) ή βάσει Απλή υπηρεσία αποθήκευσης Amazon Ενεργοποίηση συμβάντος (Amazon S3) (για παράδειγμα, όταν ένα αρχείο σκανδάλης ή νέα δεδομένα εκπαίδευσης, σε περίπτωση μεμονωμένου αντικειμένου δεδομένων εκπαίδευσης, τοποθετείται στο Amazon S3) για την τακτική επαναβαθμονόμηση του μοντέλου με νέα δεδομένα. Αυτός ο αγωγός δεν εισάγει δομικές ή υλικές αλλαγές στο μοντέλο επειδή χρησιμοποιεί σταθερές υπερπαραμέτρους που έχουν εγκριθεί κατά τη διαδικασία αναθεώρησης του εταιρικού μοντέλου.
Ο αγωγός εκπαίδευσης καταχωρεί τη νέα εκπαιδευμένη έκδοση μοντέλου στο Μητρώο μοντέλων Amazon SageMaker εάν το μοντέλο υπερβαίνει ένα προκαθορισμένο όριο απόδοσης μοντέλου (για παράδειγμα, RMSE για παλινδρόμηση και βαθμολογία F1 για ταξινόμηση). Όταν μια νέα έκδοση του μοντέλου καταχωρείται στο μητρώο μοντέλων, ενεργοποιεί μια ειδοποίηση στον υπεύθυνο επιστήμονα δεδομένων μέσω του Amazon SNS. Ο επιστήμονας δεδομένων πρέπει στη συνέχεια να ελέγξει και να εγκρίνει με μη αυτόματο τρόπο την πιο πρόσφατη έκδοση του μοντέλου στο Στούντιο Amazon SageMaker UI ή μέσω κλήσης API χρησιμοποιώντας το Διεπαφή γραμμής εντολών AWS (AWS CLI) ή AWS SDK για Python (Boto3) προτού η νέα έκδοση του μοντέλου μπορεί να χρησιμοποιηθεί για συμπεράσματα.
Ο εκπαιδευτικός αγωγός SageMaker και οι υποστηρικτικοί του πόροι δημιουργούνται από το GitLab model build
διοχέτευση, είτε μέσω μιας μη αυτόματης εκτέλεσης του αγωγού GitLab είτε αυτόματα όταν ο κώδικας συγχωνεύεται στο main
υποκατάστημα της model build
Αποθετήριο Git.
Μαζική συναγωγή
Ο αγωγός συμπερασμάτων παρτίδας του SageMaker εκτελείται βάσει χρονοδιαγράμματος (μέσω EventBridge) ή βασίζεται επίσης σε μια ενεργοποίηση συμβάντος S3. Η διοχέτευση συμπερασμάτων παρτίδας αντλεί αυτόματα την πιο πρόσφατη εγκεκριμένη έκδοση του μοντέλου από το μητρώο μοντέλων και τη χρησιμοποιεί για συμπέρασμα. Ο αγωγός συμπερασμάτων παρτίδας περιλαμβάνει βήματα για τον έλεγχο της ποιότητας των δεδομένων σε σχέση με μια γραμμή βάσης που δημιουργήθηκε από τον αγωγό εκπαίδευσης, καθώς και την ποιότητα του μοντέλου (απόδοση μοντέλου) εάν υπάρχουν διαθέσιμες ετικέτες αληθείας βάσης.
Εάν ο αγωγός συμπερασμάτων παρτίδας ανακαλύψει ζητήματα ποιότητας δεδομένων, θα ειδοποιήσει τον υπεύθυνο επιστήμονα δεδομένων μέσω του Amazon SNS. Εάν ανακαλύψει ζητήματα ποιότητας μοντέλου (για παράδειγμα, το RMSE είναι μεγαλύτερο από ένα προκαθορισμένο όριο), το βήμα διοχέτευσης για τον έλεγχο ποιότητας μοντέλου θα αποτύχει, το οποίο με τη σειρά του θα ενεργοποιήσει ένα συμβάν EventBridge για να ξεκινήσει η εκπαίδευση με τη διοχέτευση HPO.
Ο αγωγός συμπερασμάτων παρτίδας SageMaker και οι υποστηρικτικοί πόροι του δημιουργούνται από το GitLab model deploy
διοχέτευση, είτε μέσω μιας μη αυτόματης εκτέλεσης του αγωγού GitLab είτε αυτόματα όταν ο κώδικας συγχωνεύεται στο main
υποκατάστημα της model deploy
Αποθετήριο Git.
Συντονισμός και επανασυντονισμός μοντέλου
Η εκπαίδευση του SageMaker με τη διοχέτευση HPO ενεργοποιείται όταν αποτυγχάνει το βήμα ελέγχου ποιότητας μοντέλου του αγωγού συμπερασμάτων παρτίδας. Ο ποιοτικός έλεγχος του μοντέλου πραγματοποιείται συγκρίνοντας τις προβλέψεις του μοντέλου με τις πραγματικές ετικέτες βασικής αλήθειας. Εάν η μέτρηση ποιότητας μοντέλου (για παράδειγμα, RMSE για παλινδρόμηση και βαθμολογία F1 για ταξινόμηση) δεν πληροί ένα προκαθορισμένο κριτήριο, το βήμα ελέγχου ποιότητας μοντέλου επισημαίνεται ως αποτυχημένο. Η εκπαίδευση του SageMaker με τη διοχέτευση HPO μπορεί επίσης να ενεργοποιηθεί χειροκίνητα (στο SageMaker Studio UI ή μέσω κλήσης API χρησιμοποιώντας το AWS CLI ή το SageMaker Python SDK) από τον υπεύθυνο επιστήμονα δεδομένων, εάν χρειάζεται. Επειδή οι υπερπαράμετροι του μοντέλου αλλάζουν, ο υπεύθυνος επιστήμονας δεδομένων πρέπει να λάβει έγκριση από την επιτροπή αναθεώρησης εταιρικού μοντέλου προτού εγκριθεί η νέα έκδοση μοντέλου στο μητρώο μοντέλων.
Η εκπαίδευση του SageMaker με τον αγωγό HPO και οι υποστηρικτικοί πόροι του δημιουργούνται από το GitLab model build
διοχέτευση, είτε μέσω μιας μη αυτόματης εκτέλεσης του αγωγού GitLab είτε αυτόματα όταν ο κώδικας συγχωνεύεται στο main
υποκατάστημα της model build
Αποθετήριο Git.
Παρακολούθηση μοντέλου
Τα στατιστικά στοιχεία και οι βασικές γραμμές περιορισμών δημιουργούνται ως μέρος της εκπαίδευσης και της εκπαίδευσης με αγωγούς HPO. Αποθηκεύονται στο Amazon S3 και επίσης καταχωρούνται στο εκπαιδευμένο μοντέλο στο μητρώο μοντέλων εάν το μοντέλο περάσει την αξιολόγηση. Η προτεινόμενη αρχιτεκτονική για τον αγωγό συμπερασμάτων παρτίδας χρησιμοποιεί Παρακολούθηση μοντέλου Amazon SageMaker για ελέγχους ποιότητας δεδομένων, ενώ χρησιμοποιείτε προσαρμοσμένο Επεξεργασία Amazon SageMaker βήματα για έλεγχο ποιότητας μοντέλου. Αυτός ο σχεδιασμός αποσυνδέει δεδομένα και ελέγχους ποιότητας μοντέλου, οι οποίοι με τη σειρά τους σας επιτρέπουν να στέλνετε μια προειδοποιητική ειδοποίηση μόνο όταν ανιχνεύεται μετατόπιση δεδομένων. και ενεργοποιήστε την εκπαίδευση με τη διοχέτευση HPO όταν εντοπιστεί παραβίαση ποιότητας μοντέλου.
Έγκριση μοντέλου
Μετά την καταχώριση ενός πρόσφατα εκπαιδευμένου μοντέλου στο μητρώο μοντέλων, ο υπεύθυνος επιστήμονας δεδομένων λαμβάνει μια ειδοποίηση. Εάν το μοντέλο έχει εκπαιδευτεί από τη γραμμή εκπαίδευσης (επαναβαθμονόμηση με νέα δεδομένα εκπαίδευσης ενώ οι υπερπαράμετροι είναι σταθερές), δεν υπάρχει ανάγκη έγκρισης από την επιτροπή αναθεώρησης εταιρικού μοντέλου. Ο επιστήμονας δεδομένων μπορεί να εξετάσει και να εγκρίνει τη νέα έκδοση του μοντέλου ανεξάρτητα. Από την άλλη πλευρά, εάν το μοντέλο έχει εκπαιδευτεί από την εκπαίδευση με τη διοχέτευση HPO (επανασυντονισμός με αλλαγή υπερπαραμέτρων), η νέα έκδοση μοντέλου πρέπει να περάσει από τη διαδικασία αναθεώρησης της επιχείρησης προτού μπορέσει να χρησιμοποιηθεί για συμπεράσματα στην παραγωγή. Όταν ολοκληρωθεί η διαδικασία αναθεώρησης, ο επιστήμονας δεδομένων μπορεί να προχωρήσει και να εγκρίνει τη νέα έκδοση του μοντέλου στο μητρώο μοντέλων. Αλλαγή της κατάστασης του πακέτου μοντέλου σε Approved
θα ενεργοποιήσει μια συνάρτηση Lambda μέσω του EventBridge, η οποία με τη σειρά της θα ενεργοποιήσει το GitLab model deploy
διοχέτευση μέσω κλήσης API. Αυτό θα ενημερώσει αυτόματα τη διοχέτευση συμπερασμάτων παρτίδας του SageMaker για να χρησιμοποιήσει την πιο πρόσφατη εγκεκριμένη έκδοση του μοντέλου για εξαγωγή συμπερασμάτων.
Υπάρχουν δύο κύριοι τρόποι για να εγκρίνετε ή να απορρίψετε μια νέα έκδοση μοντέλου στο μητρώο μοντέλων: χρησιμοποιώντας το AWS SDK για Python (Boto3) ή από τη διεπαφή χρήστη SageMaker Studio. Από προεπιλογή, το σύνολο αγωγών εκπαίδευσης και εκπαίδευσης με αγωγό HPO ModelApprovalStatus
προς την PendingManualApproval
. Ο υπεύθυνος επιστήμονας δεδομένων μπορεί να ενημερώσει την κατάσταση έγκρισης για το μοντέλο καλώντας το update_model_package
API από το Boto3. Αναφέρομαι σε Ενημερώστε την κατάσταση έγκρισης ενός μοντέλου για λεπτομέρειες σχετικά με την ενημέρωση της κατάστασης έγκρισης ενός μοντέλου μέσω της διεπαφής χρήστη του SageMaker Studio.
Σχεδίαση δεδομένων εισόδου/εξόδου
Το SageMaker αλληλεπιδρά απευθείας με το Amazon S3 για την ανάγνωση εισόδων και την αποθήκευση των εξόδων μεμονωμένων βημάτων στους αγωγούς εκπαίδευσης και συμπερασμάτων. Το παρακάτω διάγραμμα δείχνει πώς διαφορετικά σενάρια Python, ακατέργαστα και επεξεργασμένα δεδομένα εκπαίδευσης, ακατέργαστα και επεξεργασμένα δεδομένα συμπερασμάτων, αποτελέσματα συμπερασμάτων και ετικέτες βασικής αλήθειας (αν είναι διαθέσιμα για παρακολούθηση ποιότητας μοντέλου), τεχνουργήματα μοντέλων, μετρήσεις εκπαίδευσης και αξιολόγησης συμπερασμάτων (παρακολούθηση ποιότητας μοντέλου), καθώς και οι βασικές γραμμές ποιότητας δεδομένων και οι αναφορές παραβίασης (για την παρακολούθηση της ποιότητας δεδομένων) μπορούν να οργανωθούν σε έναν κάδο S3. Η κατεύθυνση των βελών στο διάγραμμα υποδεικνύει ποια αρχεία είναι είσοδοι ή έξοδοι από τα αντίστοιχα βήματά τους στις σωληνώσεις του SageMaker. Τα βέλη έχουν κωδικοποιηθεί με χρώμα με βάση τον τύπο του βήματος σωλήνωσης για να είναι πιο ευανάγνωστα. Η διοχέτευση θα ανεβάσει αυτόματα σενάρια Python από το αποθετήριο GitLab και θα αποθηκεύσει αρχεία εξόδου ή τεχνουργήματα μοντέλων από κάθε βήμα στην κατάλληλη διαδρομή S3.
Ο μηχανικός δεδομένων είναι υπεύθυνος για τα ακόλουθα:
- Μεταφόρτωση δεδομένων εκπαίδευσης με ετικέτα στην κατάλληλη διαδρομή στο Amazon S3. Αυτό περιλαμβάνει την τακτική προσθήκη νέων δεδομένων εκπαίδευσης για να διασφαλιστεί ότι ο αγωγός εκπαίδευσης και η εκπαίδευση με τον αγωγό HPO έχουν πρόσβαση σε πρόσφατα δεδομένα εκπαίδευσης για επανεκπαίδευση και επανασυντονισμό μοντέλων, αντίστοιχα.
- Μεταφόρτωση δεδομένων εισόδου για συμπέρασμα στην κατάλληλη διαδρομή στον κάδο S3 πριν από μια προγραμματισμένη εκτέλεση του αγωγού συμπερασμάτων.
- Μεταφόρτωση ετικετών αλήθειας εδάφους στην κατάλληλη διαδρομή S3 για παρακολούθηση ποιότητας μοντέλου.
Ο επιστήμονας δεδομένων είναι υπεύθυνος για τα ακόλουθα:
- Προετοιμασία βασικών ετικετών αλήθειας και παροχή τους στην ομάδα μηχανικής δεδομένων για μεταφόρτωση στο Amazon S3.
- Λήψη των εκδόσεων μοντέλων που εκπαιδεύτηκαν από την εκπαίδευση με τον αγωγό HPO μέσω της διαδικασίας αναθεώρησης της επιχείρησης και λήψη των απαραίτητων εγκρίσεων.
- Μη αυτόματη έγκριση ή απόρριψη εκδόσεων μοντέλων που εκπαιδεύτηκαν πρόσφατα στο μητρώο μοντέλων.
- Έγκριση της πύλης παραγωγής για τον αγωγό συμπερασμάτων και υποστήριξη πόρων που θα προωθηθούν στην παραγωγή.
Δείγμα κώδικα
Σε αυτήν την ενότητα, παρουσιάζουμε ένα δείγμα κώδικα για λειτουργίες συμπερασμάτων παρτίδας με ρύθμιση ενός λογαριασμού όπως φαίνεται στο ακόλουθο διάγραμμα αρχιτεκτονικής. Το δείγμα κώδικα μπορεί να βρεθεί στο Αποθετήριο GitHub, και μπορεί να χρησιμεύσει ως σημείο εκκίνησης για συμπέρασμα παρτίδων με την παρακολούθηση μοντέλων και την αυτόματη επανεκπαίδευση χρησιμοποιώντας πύλες ποιότητας που απαιτούνται συχνά για τις επιχειρήσεις. Το δείγμα κώδικα διαφέρει από την αρχιτεκτονική προορισμού με τους εξής τρόπους:
- Χρησιμοποιεί έναν μόνο λογαριασμό AWS για τη δημιουργία και την ανάπτυξη του μοντέλου ML και την υποστήριξη πόρων. Αναφέρομαι σε Οργάνωση του περιβάλλοντος AWS σας με χρήση πολλών λογαριασμών για καθοδήγηση σχετικά με τη ρύθμιση πολλών λογαριασμών στο AWS.
- Χρησιμοποιεί μια ενιαία διοχέτευση GitLab CI/CD για τη δημιουργία και την ανάπτυξη του μοντέλου ML και την υποστήριξη πόρων.
- Όταν εκπαιδεύεται και εγκρίνεται μια νέα έκδοση του μοντέλου, η διοχέτευση CI/CD του GitLab δεν ενεργοποιείται αυτόματα και πρέπει να εκτελεστεί με μη αυτόματο τρόπο από τον υπεύθυνο επιστήμονα δεδομένων για να ενημερώσει τη γραμμή συμπερασμάτων παρτίδας του SageMaker με την πιο πρόσφατη εγκεκριμένη έκδοση του μοντέλου.
- Υποστηρίζει μόνο ενεργοποιητές που βασίζονται σε συμβάντα S3 για την εκτέλεση των αγωγών εκπαίδευσης και συμπερασμάτων SageMaker.
Προϋποθέσεις
Θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις πριν από την ανάπτυξη αυτής της λύσης:
- Ένας λογαριασμός AWS
- SageMaker Στούντιο
- Ένας ρόλος εκτέλεσης του SageMaker με ανάγνωση/εγγραφή και Amazon S3 Υπηρεσία διαχείρισης κλειδιών AWS (AWS KMS) δικαιώματα κρυπτογράφησης/αποκρυπτογράφησης
- Ένας κάδος S3 για την αποθήκευση δεδομένων, σεναρίων και τεχνουργημάτων μοντέλων
- Terraform έκδοση 0.13.5 ή νεότερη
- Το GitLab με λειτουργικό Docker runner για τη λειτουργία των αγωγών
- Το AWS CLI
- jq
- ανοίγω φερμουάρ
- Python3 (Python 3.7 ή νεότερη έκδοση) και τα ακόλουθα πακέτα Python:
- boto3
- σοφός
- Πάντα
- pyyaml
Δομή αποθετηρίου
Η Αποθετήριο GitHub περιέχει τους ακόλουθους καταλόγους και αρχεία:
/code/lambda_function/
– Αυτός ο κατάλογος περιέχει το αρχείο Python για μια συνάρτηση Lambda που προετοιμάζει και στέλνει μηνύματα ειδοποίησης (μέσω Amazon SNS) σχετικά με τις αλλαγές σταδιακής κατάστασης των αγωγών SageMaker/data/
– Αυτός ο κατάλογος περιλαμβάνει τα αρχεία ακατέργαστων δεδομένων (στοιχεία εκπαίδευσης, συμπερασμάτων και βασικής αλήθειας)/env_files/
– Αυτός ο κατάλογος περιέχει το αρχείο μεταβλητών εισόδου Terraform/pipeline_scripts/
– Αυτός ο κατάλογος περιέχει τρία σενάρια Python για τη δημιουργία και την ενημέρωση εκπαίδευσης, συμπερασμάτων και εκπαίδευσης με αγωγούς HPO SageMaker, καθώς και αρχεία διαμόρφωσης για τον καθορισμό των παραμέτρων κάθε σωλήνωσης/scripts/
– Αυτός ο κατάλογος περιέχει πρόσθετα σενάρια Python (όπως προεπεξεργασία και αξιολόγηση) που αναφέρονται από την εκπαίδευση, το συμπέρασμα και την εκπαίδευση με αγωγούς HPO.gitlab-ci.yml
– Αυτό το αρχείο καθορίζει τη διαμόρφωση του αγωγού CI/CD του GitLab/events.tf
– Αυτό το αρχείο ορίζει πόρους EventBridge/lambda.tf
– Αυτό το αρχείο ορίζει τη λειτουργία ειδοποίησης Lambda και τη σχετική Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) πόρους/main.tf
– Αυτό το αρχείο ορίζει πηγές δεδομένων Terraform και τοπικές μεταβλητές/sns.tf
– Αυτό το αρχείο ορίζει πόρους Amazon SNS/tags.json
– Αυτό το αρχείο JSON σάς επιτρέπει να δηλώνετε ζεύγη τιμών κλειδιού-τιμής προσαρμοσμένων ετικετών και να τα προσαρτάτε στους πόρους Terraform χρησιμοποιώντας μια τοπική μεταβλητή/variables.tf
– Αυτό το αρχείο δηλώνει όλες τις μεταβλητές Terraform
Μεταβλητές και διαμόρφωση
Ο παρακάτω πίνακας δείχνει τις μεταβλητές που χρησιμοποιούνται για την παραμετροποίηση αυτής της λύσης. Αναφέρομαι στο ./env_files/dev_env.tfvars
αρχείο για περισσότερες λεπτομέρειες.
Όνομα | Περιγραφή |
bucket_name |
Κάδος S3 που χρησιμοποιείται για την αποθήκευση δεδομένων, σεναρίων και τεχνουργημάτων μοντέλων |
bucket_prefix |
Πρόθεμα S3 για το έργο ML |
bucket_train_prefix |
Πρόθεμα S3 για δεδομένα εκπαίδευσης |
bucket_inf_prefix |
Πρόθεμα S3 για δεδομένα συμπερασμάτων |
notification_function_name |
Όνομα της συνάρτησης Lambda που προετοιμάζει και στέλνει μηνύματα ειδοποίησης σχετικά με τις αλλαγές σταδιακής κατάστασης των αγωγών SageMaker |
custom_notification_config |
Η διαμόρφωση για την προσαρμογή του μηνύματος ειδοποίησης για συγκεκριμένα βήματα του αγωγού SageMaker όταν ανιχνεύεται μια συγκεκριμένη κατάσταση εκτέλεσης αγωγού |
email_recipient |
Η λίστα διευθύνσεων ηλεκτρονικού ταχυδρομείου για τη λήψη ειδοποιήσεων αλλαγής κατάστασης βήματος των αγωγών SageMaker |
pipeline_inf |
Όνομα του αγωγού συμπερασμάτων SageMaker |
pipeline_train |
Όνομα του εκπαιδευτικού αγωγού SageMaker |
pipeline_trainwhpo |
Όνομα εκπαίδευσης του SageMaker με τον αγωγό HPO |
recreate_pipelines |
Εάν οριστεί σε true , οι τρεις υπάρχοντες αγωγοί SageMaker (εκπαίδευση, συμπέρασμα, εκπαίδευση με HPO) θα διαγραφούν και θα δημιουργηθούν νέες κατά την εκτέλεση του GitLab CI/CD |
model_package_group_name |
Όνομα της ομάδας πακέτου μοντέλων |
accuracy_mse_threshold |
Μέγιστη τιμή MSE πριν από την απαίτηση ενημέρωσης του μοντέλου |
role_arn |
Ρόλος IAM ARN του ρόλου εκτέλεσης του αγωγού SageMaker |
kms_key |
Κλειδί KMS ARN για κρυπτογράφηση Amazon S3 και SageMaker |
subnet_id |
Αναγνωριστικό υποδικτύου για διαμόρφωση δικτύωσης SageMaker |
sg_id |
Αναγνωριστικό ομάδας ασφαλείας για τη διαμόρφωση δικτύου SageMaker |
upload_training_data |
Εάν οριστεί σε true , τα δεδομένα εκπαίδευσης θα μεταφορτωθούν στο Amazon S3 και αυτή η λειτουργία μεταφόρτωσης θα ενεργοποιήσει την εκτέλεση του αγωγού εκπαίδευσης |
upload_inference_data |
Εάν οριστεί σε true , τα δεδομένα συμπερασμάτων θα μεταφορτωθούν στο Amazon S3 και αυτή η λειτουργία μεταφόρτωσης θα ενεργοποιήσει την εκτέλεση του αγωγού συμπερασμάτων |
user_id |
Το αναγνωριστικό υπαλλήλου του χρήστη SageMaker που προστίθεται ως ετικέτα στους πόρους του SageMaker |
Αναπτύξτε τη λύση
Ολοκληρώστε τα παρακάτω βήματα για να αναπτύξετε τη λύση στον λογαριασμό σας AWS:
- Κλωνοποιήστε το αποθετήριο GitHub στον κατάλογο εργασίας σας.
- Ελέγξτε και τροποποιήστε τη διαμόρφωση αγωγού GitLab CI/CD για να ταιριάζει στο περιβάλλον σας. Η διαμόρφωση καθορίζεται στο
./gitlab-ci.yml
αρχείο. - Ανατρέξτε στο αρχείο README για να ενημερώσετε τις γενικές μεταβλητές λύσης στο
./env_files/dev_env.tfvars
αρχείο. Αυτό το αρχείο περιέχει μεταβλητές τόσο για σενάρια Python όσο και για αυτοματισμό Terraform.- Ελέγξτε τις πρόσθετες παραμέτρους του SageMaker Pipelines που ορίζονται στα αρχεία YAML παρακάτω
./batch_scoring_pipeline/pipeline_scripts/
. Ελέγξτε και ενημερώστε τις παραμέτρους εάν χρειάζεται.
- Ελέγξτε τις πρόσθετες παραμέτρους του SageMaker Pipelines που ορίζονται στα αρχεία YAML παρακάτω
- Ελέγξτε τα σενάρια δημιουργίας αγωγών SageMaker στο
./pipeline_scripts/
καθώς και τα σενάρια που αναφέρονται από αυτούς στο./scripts/
ντοσιέ. Τα παραδείγματα σεναρίων που παρέχονται στο αποθετήριο GitHub βασίζονται στο Δεδομένα Abalone. Εάν πρόκειται να χρησιμοποιήσετε διαφορετικό σύνολο δεδομένων, φροντίστε να ενημερώσετε τα σενάρια ώστε να ταιριάζουν στο συγκεκριμένο πρόβλημά σας. - Τοποθετήστε τα αρχεία δεδομένων σας στο
./data/
φάκελο χρησιμοποιώντας την ακόλουθη σύμβαση ονομασίας. Εάν χρησιμοποιείτε το σύνολο δεδομένων Abalone μαζί με τα παρεχόμενα παραδείγματα σεναρίων, βεβαιωθείτε ότι τα αρχεία δεδομένων είναι χωρίς κεφαλίδα, τα δεδομένα εκπαίδευσης περιλαμβάνουν ανεξάρτητες μεταβλητές και μεταβλητές στόχου με την αρχική σειρά των στηλών να διατηρείται, τα δεδομένα συμπερασμάτων περιλαμβάνουν μόνο ανεξάρτητες μεταβλητές και τη βασική αλήθεια αρχείο περιλαμβάνει μόνο τη μεταβλητή στόχο.training-data.csv
inference-data.csv
ground-truth.csv
- Δεσμεύστε και σπρώξτε τον κώδικα στο αποθετήριο για να ενεργοποιήσετε την εκτέλεση της σωλήνωσης GitLab CI/CD (πρώτη εκτέλεση). Σημειώστε ότι η πρώτη εκτέλεση του αγωγού θα αποτύχει στο
pipeline
στάδιο επειδή δεν υπάρχει ακόμη εγκεκριμένη έκδοση μοντέλου για χρήση του σεναρίου διοχέτευσης συμπερασμάτων. Ελέγξτε το αρχείο καταγραφής βημάτων και επαληθεύστε μια νέα διοχέτευση SageMaker με το όνομαTrainingPipeline
έχει δημιουργηθεί με επιτυχία.
-
- Ανοίξτε τη διεπαφή χρήστη του SageMaker Studio και, στη συνέχεια, ελέγξτε και εκτελέστε τη γραμμή εκπαίδευσης.
- Μετά την επιτυχή εκτέλεση της διοχέτευσης εκπαίδευσης, εγκρίνετε την καταχωρημένη έκδοση μοντέλου στο μητρώο μοντέλων και, στη συνέχεια, εκτελέστε ξανά ολόκληρη τη διοχέτευση CI/CD του GitLab.
- Ελέγξτε την έξοδο του σχεδίου Terraform στο
build
στάδιο. Εγκρίνετε το εγχειρίδιοapply
στάδιο στη διοχέτευση GitLab CI/CD για να συνεχιστεί η εκτέλεση του αγωγού και εξουσιοδοτήστε την Terraform να δημιουργήσει τους πόρους παρακολούθησης και ειδοποιήσεων στον λογαριασμό σας AWS. - Τέλος, ελέγξτε την κατάσταση εκτέλεσης και την έξοδο των αγωγών SageMaker στη διεπαφή χρήστη του SageMaker Studio και ελέγξτε το email σας για μηνύματα ειδοποίησης, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης. Το προεπιλεγμένο σώμα μηνύματος είναι σε μορφή JSON.
Σωληνώσεις SageMaker
Σε αυτήν την ενότητα, περιγράφουμε τους τρεις αγωγούς SageMaker στη ροή εργασίας MLOps.
Εκπαιδευτικός αγωγός
Ο αγωγός εκπαίδευσης αποτελείται από τα ακόλουθα βήματα:
- Βήμα προεπεξεργασίας, συμπεριλαμβανομένου του μετασχηματισμού χαρακτηριστικών και της κωδικοποίησης
- Βήμα ελέγχου ποιότητας δεδομένων για τη δημιουργία στατιστικών στοιχείων και βασικής γραμμής περιορισμών χρησιμοποιώντας τα δεδομένα εκπαίδευσης
- Βήμα εκπαίδευσης
- Βήμα αξιολόγησης της εκπαίδευσης
- Βήμα συνθήκης για να ελέγξετε εάν το εκπαιδευμένο μοντέλο πληροί ένα προκαθορισμένο όριο απόδοσης
- Βήμα εγγραφής μοντέλου για εγγραφή του μοντέλου που εκπαιδεύτηκε πρόσφατα στο μητρώο μοντέλων εάν το εκπαιδευμένο μοντέλο πληροί το απαιτούμενο όριο απόδοσης
Τόσο το skip_check_data_quality
και register_new_baseline_data_quality
οι παράμετροι έχουν οριστεί σε True
στον αγωγό εκπαίδευσης. Αυτές οι παράμετροι δίνουν εντολή στον αγωγό να παρακάμψει τον έλεγχο ποιότητας δεδομένων και απλώς να δημιουργήσει και να καταχωρήσει νέα στατιστικά στοιχεία δεδομένων ή γραμμές βάσης περιορισμών χρησιμοποιώντας τα δεδομένα εκπαίδευσης. Το παρακάτω σχήμα απεικονίζει μια επιτυχημένη εκτέλεση του αγωγού εκπαίδευσης.
Σωλήνας συμπερασμάτων παρτίδας
Ο αγωγός συμπερασμάτων παρτίδας αποτελείται από τα ακόλουθα βήματα:
- Δημιουργία μοντέλου από την πιο πρόσφατη εγκεκριμένη έκδοση μοντέλου στο μητρώο μοντέλων
- Βήμα προεπεξεργασίας, συμπεριλαμβανομένου του μετασχηματισμού χαρακτηριστικών και της κωδικοποίησης
- Βήμα συμπερασμάτων παρτίδας
- Βήμα προεπεξεργασίας ελέγχου ποιότητας δεδομένων, το οποίο δημιουργεί ένα νέο αρχείο CSV που περιέχει δεδομένα εισόδου και προβλέψεις μοντέλων που θα χρησιμοποιηθούν για τον έλεγχο ποιότητας δεδομένων
- Βήμα ελέγχου ποιότητας δεδομένων, το οποίο ελέγχει τα δεδομένα εισόδου σε σχέση με τα βασικά στατιστικά στοιχεία και τους περιορισμούς που σχετίζονται με το καταχωρημένο μοντέλο
- Προϋποθέστε το βήμα για να ελέγξετε εάν είναι διαθέσιμα δεδομένα εδαφικής αλήθειας. Εάν υπάρχουν διαθέσιμα δεδομένα εδαφικής αλήθειας, θα εκτελεστεί το βήμα ελέγχου ποιότητας μοντέλου
- Βήμα υπολογισμού ποιότητας μοντέλου, το οποίο υπολογίζει την απόδοση του μοντέλου με βάση τις ετικέτες αληθείας βάσης
Τόσο το skip_check_data_quality
και register_new_baseline_data_quality
οι παράμετροι έχουν οριστεί σε False
στον αγωγό συμπερασμάτων. Αυτές οι παράμετροι καθοδηγούν τον αγωγό να πραγματοποιήσει έλεγχο ποιότητας δεδομένων χρησιμοποιώντας τα στατιστικά στοιχεία δεδομένων ή τη γραμμή βάσης περιορισμών που σχετίζονται με το καταχωρημένο μοντέλο (supplied_baseline_statistics_data_quality
και supplied_baseline_constraints_data_quality
) και παραλείψτε τη δημιουργία ή την καταχώριση νέων στατιστικών δεδομένων και γραμμών βάσης περιορισμών κατά τη διάρκεια της εξαγωγής συμπερασμάτων. Το παρακάτω σχήμα απεικονίζει μια εκτέλεση του αγωγού συμπερασμάτων παρτίδας όπου το βήμα ελέγχου ποιότητας δεδομένων απέτυχε λόγω κακής απόδοσης του μοντέλου στα δεδομένα συμπερασμάτων. Στη συγκεκριμένη περίπτωση, η εκπαίδευση με τον αγωγό HPO θα ενεργοποιηθεί αυτόματα για να τελειοποιήσει το μοντέλο.
Εκπαίδευση με αγωγό HPO
Η εκπαίδευση με τον αγωγό HPO αποτελείται από τα ακόλουθα βήματα:
- Βήμα προεπεξεργασίας (μετασχηματισμός χαρακτηριστικών και κωδικοποίηση)
- Βήμα ελέγχου ποιότητας δεδομένων για τη δημιουργία στατιστικών στοιχείων και βασικής γραμμής περιορισμών χρησιμοποιώντας τα δεδομένα εκπαίδευσης
- Βήμα συντονισμού υπερπαραμέτρων
- Βήμα αξιολόγησης της εκπαίδευσης
- Βήμα συνθήκης για να ελέγξετε εάν το εκπαιδευμένο μοντέλο πληροί ένα προκαθορισμένο όριο ακρίβειας
- Βήμα εγγραφής μοντέλου εάν το καλύτερα εκπαιδευμένο μοντέλο πληροί το απαιτούμενο όριο ακρίβειας
Τόσο το skip_check_data_quality
και register_new_baseline_data_quality
οι παράμετροι έχουν οριστεί σε True
στην εκπαίδευση με τον αγωγό HPO. Το παρακάτω σχήμα απεικονίζει μια επιτυχημένη εκτέλεση της εκπαίδευσης με τον αγωγό HPO.
εκκαθάριση
Ολοκληρώστε τα παρακάτω βήματα για να καθαρίσετε τους πόρους σας:
- Απασχολήστε το
destroy
στάδιο στη διοχέτευση GitLab CI/CD για την εξάλειψη όλων των πόρων που παρέχονται από την Terraform. - Χρησιμοποιήστε το AWS CLI για να λίστα και αφαιρέστε οποιεσδήποτε υπόλοιπες γραμμές που δημιουργούνται από τα σενάρια Python.
- Προαιρετικά, διαγράψτε άλλους πόρους AWS, όπως τον κάδο S3 ή τον ρόλο IAM που δημιουργήθηκαν εκτός του αγωγού CI/CD.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς οι επιχειρήσεις μπορούν να δημιουργήσουν ροές εργασίας MLOps για τις ομαδικές εργασίες συμπερασμάτων τους χρησιμοποιώντας Amazon SageMaker, Amazon EventBridge, AWS Lambda, Amazon SNS, HashiCorp Terraform και GitLab CI/CD. Η παρουσιαζόμενη ροή εργασίας αυτοματοποιεί την παρακολούθηση δεδομένων και μοντέλων, την επανεκπαίδευση μοντέλων, καθώς και τις ομαδικές εκτελέσεις εργασιών, την έκδοση κώδικα και την παροχή υποδομής. Αυτό μπορεί να οδηγήσει σε σημαντικές μειώσεις της πολυπλοκότητας και του κόστους διατήρησης εργασιών συμπερασμάτων παρτίδας στην παραγωγή. Για περισσότερες πληροφορίες σχετικά με τις λεπτομέρειες εφαρμογής, ανατρέξτε στο GitHub repo.
Σχετικά με τους Συγγραφείς
Hasan Shojaei είναι Sr. Data Scientist με AWS Professional Services, όπου βοηθά πελάτες σε διαφορετικούς κλάδους, όπως ο αθλητισμός, οι ασφάλειες και οι χρηματοοικονομικές υπηρεσίες να λύσουν τις επιχειρηματικές τους προκλήσεις μέσω της χρήσης μεγάλων δεδομένων, μηχανικής εκμάθησης και τεχνολογιών cloud. Πριν από αυτόν τον ρόλο, ο Hasan ηγήθηκε πολλαπλών πρωτοβουλιών για την ανάπτυξη νέων τεχνικών μοντελοποίησης βασισμένες στη φυσική και βάσει δεδομένων για κορυφαίες εταιρείες ενέργειας. Εκτός δουλειάς, ο Χασάν είναι παθιασμένος με τα βιβλία, την πεζοπορία, τη φωτογραφία και την ιστορία.
Wenxin Liu είναι αρχιτέκτονας υποδομής cloud. Η Wenxin συμβουλεύει τις επιχειρήσεις για το πώς να επιταχύνουν την υιοθέτηση του cloud και υποστηρίζει τις καινοτομίες τους στο cloud. Είναι λάτρης των κατοικίδιων και είναι παθιασμένος με το snowboard και τα ταξίδια.
Βιβέκ Λακσμαμάν είναι Μηχανικός Μηχανικής Μάθησης στο Amazon. Έχει μεταπτυχιακό στη Μηχανική Λογισμικού με εξειδίκευση στην Επιστήμη των Δεδομένων και αρκετά χρόνια εμπειρίας ως MLE. Η Vivek είναι ενθουσιασμένη με την εφαρμογή τεχνολογιών αιχμής και την κατασκευή λύσεων AI/ML σε πελάτες στο cloud. Είναι παθιασμένος με τη Στατιστική, το NLP και την Επεξήγηση μοντέλων στο AI/ML. Στον ελεύθερο χρόνο του, του αρέσει να παίζει κρίκετ και να κάνει οδικές εκδρομές.
Andy Cracchiolo είναι Αρχιτέκτονας Υποδομής Cloud. Με περισσότερα από 15 χρόνια στην υποδομή πληροφορικής, ο Andy είναι ένας ολοκληρωμένος επαγγελματίας πληροφορικής με γνώμονα τα αποτελέσματα. Εκτός από τη βελτιστοποίηση της υποδομής, των λειτουργιών και του αυτοματισμού πληροφορικής, ο Andy έχει αποδεδειγμένο ιστορικό στην ανάλυση λειτουργιών πληροφορικής, στον εντοπισμό ασυνεπειών και στην εφαρμογή βελτιώσεων της διαδικασίας που αυξάνουν την αποτελεσματικότητα, μειώνουν το κόστος και αυξάνουν τα κέρδη.
- 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/mlops-for-batch-inference-with-model-monitoring-and-retraining-using-amazon-sagemaker-hashicorp-terraform-and-gitlab-ci-cd/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 100
- 125
- 13
- 15 χρόνια
- 15%
- 26%
- 29
- 500
- 7
- a
- Σχετικα
- επιταχύνουν
- πρόσβαση
- επιτυγχάνεται
- Λογαριασμός
- Λογαριασμοί
- ακρίβεια
- απέναντι
- πραγματικός
- προστιθέμενη
- προσθήκη
- Επιπλέον
- Πρόσθετος
- διεύθυνση
- Υιοθεσία
- κατά
- AI / ML
- Όλα
- επιτρέπει
- κατά μήκος
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- αναλύοντας
- και
- και την υποδομή
- κάθε
- api
- Εφαρμογή
- Ανάπτυξη Εφαρμογών
- εφαρμόζοντας
- πλησιάζω
- κατάλληλος
- έγκριση
- εγκρίσεις
- εγκρίνω
- εγκεκριμένη
- αρχιτεκτονική
- ΕΙΝΑΙ
- AS
- πτυχές
- συσχετισμένη
- At
- δυνατότητα ελέγχου
- εξουσιοδοτώ
- αυτόματη
- αυτοκίνητα
- Αυτόματο
- αυτομάτως
- Αυτοματοποίηση
- διαθέσιμος
- AWS
- AWS Lambda
- Επαγγελματικές υπηρεσίες AWS
- βασίζονται
- Baseline
- BE
- επειδή
- ήταν
- πριν
- όφελος
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Μεγάλος
- Big Data
- επιτροπή
- σώμα
- Βιβλία
- και οι δύο
- Υποκατάστημα
- Κτίριο
- χτισμένο
- επιχείρηση
- by
- υπολογίζει
- υπολογισμός
- κλήση
- κλήση
- CAN
- περίπτωση
- κεντρικός
- προκλήσεις
- πρόκληση
- αλλαγή
- Αλλαγές
- αλλαγή
- έλεγχος
- έλεγχος
- έλεγχοι
- ταξινόμηση
- Backup
- υιοθέτηση νέφους
- cloud infrastructure
- κωδικός
- Στήλες
- Εταιρείες
- συγκρίνοντας
- πλήρης
- πολυπλοκότητα
- Συμμόρφωση
- συγκείμενο
- έννοια
- διαμόρφωση
- συνδυασμό
- περιορισμούς
- Περιέχει
- συνεχής
- έλεγχος
- ελέγχους
- Σύμβαση
- Δικαστικά έξοδα
- θα μπορούσε να
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- δημιουργία
- δημιουργία
- κρίκετ
- έθιμο
- Πελάτες
- αιχμής
- ημερομηνία
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- βασίζονται σε δεδομένα
- δηλώνει
- Προεπιλογή
- ορίζεται
- Ορίζει
- Πτυχίο
- διανομή
- αποδεικνύουν
- κατέδειξε
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- περιγράφουν
- Υπηρεσίες
- λεπτομέρεια
- καθέκαστα
- εντοπιστεί
- ανάπτυξη
- Ανάπτυξη
- διαφορετικές
- κατεύθυνση
- κατευθείαν
- Κατάλογοι
- Ανακαλύπτει
- συζητήσουν
- Λιμενεργάτης
- κάνει
- Όχι
- δυο
- κατά την διάρκεια
- κάθε
- ευκολότερη
- αποτελεσματικά
- αποδοτικότητα
- αποτελεσματικός
- είτε
- την εξάλειψη
- ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
- Υπάλληλος
- ενέργεια
- μηχανικός
- Μηχανική
- βελτιώσεις
- εξασφαλίζω
- εξασφαλίζοντας
- Εταιρεία
- επιχειρήσεις
- Ολόκληρος
- Περιβάλλον
- σφάλμα
- εκτίμηση
- Συμβάν
- παράδειγμα
- υπερβαίνει
- ενθουσιασμένοι
- εκτέλεση
- υφιστάμενα
- εμπειρία
- f1
- ΑΠΟΤΥΓΧΑΝΩ
- Απέτυχε
- αποτυγχάνει
- Χαρακτηριστικό
- Εικόνα
- Αρχεία
- Αρχεία
- οικονομικός
- των χρηματοπιστωτικών υπηρεσιών
- Όνομα
- καθορίζεται
- Εξής
- Για
- μορφή
- Βρέθηκαν
- από
- λειτουργία
- λειτουργίες
- Πύλες
- General
- παράγεται
- παραγωγής
- Git
- GitHub
- Go
- μετάβαση
- μεγαλύτερη
- Έδαφος
- Group
- καθοδήγηση
- χέρι
- Χειρισμός
- Έχω
- he
- βοηθά
- του
- ιστορία
- Πως
- Πώς να
- HTML
- http
- HTTPS
- Βελτιστοποίηση υπερπαραμέτρων
- ID
- προσδιορισμό
- Ταυτότητα
- if
- απεικονίζει
- εκτέλεση
- εκτελεστικών
- in
- περιλαμβάνουν
- περιλαμβάνει
- Συμπεριλαμβανομένου
- Αυξάνουν
- ανεξάρτητος
- ανεξάρτητα
- υποδηλώνει
- ατομικές
- βιομηχανίες
- πληροφορίες
- Υποδομή
- πρωτοβουλίες
- καινοτομίες
- εισαγωγή
- είσοδοι
- ασφάλιση
- ολοκλήρωση
- διαδραστικός
- σε
- εισαγάγει
- θέματα
- IT
- ΤΟΥ
- Δουλειά
- Θέσεις εργασίας
- jpg
- json
- μόλις
- Κλειδί
- Ετικέτες
- αργότερο
- οδηγήσει
- μάθηση
- Led
- κύκλος ζωής
- γραμμή
- Λιστα
- τοπικός
- κούτσουρο
- μηχανή
- μάθηση μηχανής
- Κυρίως
- Η διατήρηση
- κάνω
- διαχείριση
- διαχείριση
- διαχείριση
- Ταχύτητες
- χειροκίνητα
- μαρκαρισμένος
- κύριοι
- υλικό
- Γνωρίστε
- πληροί
- μήνυμα
- μηνύματα
- μετρικός
- Metrics
- ML
- MLOps
- μοντέλο
- μοντελοποίηση
- μοντέλα
- τροποποιήσει
- παρακολούθηση
- περισσότερο
- πολλαπλούς
- Ονομάστηκε
- ονοματοδοσία
- απαραίτητος
- Ανάγκη
- που απαιτούνται
- ανάγκες
- δικτύωσης
- Νέα
- πρόσφατα
- nlp
- Όχι.
- κοινοποίηση
- κοινοποιήσεις
- μυθιστόρημα
- αντικείμενο
- αποκτήσει
- την απόκτηση
- of
- προσφορά
- προσφορές
- συχνά
- on
- αυτά
- αποκλειστικά
- λειτουργία
- λειτουργίες
- βελτιστοποίηση
- βελτιστοποίηση
- or
- τάξη
- οργανώσεις
- Οργανωμένος
- πρωτότυπο
- ΑΛΛΑ
- παραγωγή
- εκτός
- πακέτο
- Packages
- ζεύγη
- παράμετροι
- μέρος
- Ειδικότερα
- περάσματα
- παθιασμένος
- μονοπάτι
- Εκτελέστε
- επίδοση
- εκτελούνται
- φωτογραφία
- αγωγού
- σχέδιο
- προγραμματίζονται
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- Σημείο
- φτωχός
- Θέση
- πρακτικές
- Προβλέψεις
- Ετοιμάζεται
- προαπαιτούμενα
- παρόν
- παρουσιάζονται
- Πριν
- Πρόβλημα
- προχωρήσει
- διαδικασια μας
- Επεξεργασμένο
- παραγωγή
- επαγγελματίας
- κέρδη
- Προωθήθηκε
- προτείνεται
- αποδεδειγμένη
- παρέχεται
- παρέχει
- χορήγηση
- Τραβά
- Σπρώξτε
- Python
- ποιότητα
- Ακατέργαστος
- Διάβασε
- Ανάγνωση
- λαμβάνει
- λήψη
- πρόσφατος
- ρεκόρ
- μείωση
- μείωση
- σχετικά με
- κάντε ΕΓΓΡΑΦΗ
- καταχωρηθεί
- εγγραφή
- μητρώα
- Εγγραφή
- μητρώου
- τακτικά
- υπόλοιπα
- επαναληπτός
- Εκθέσεις
- Αποθήκη
- αντιπροσωπεύει
- απαιτείται
- απαιτήσεις
- Απαιτεί
- Υποστηρικτικό υλικό
- εκείνοι
- αντίστοιχα
- υπεύθυνος
- Αποτελέσματα
- περίληψη
- επαναχρησιμοποιήσιμη
- ανασκόπηση
- δρόμος
- Ρόλος
- κανόνες
- τρέξιμο
- δρομέας
- τρέξιμο
- τρέχει
- σοφός
- Συμπεράσματα SageMaker
- Αγωγοί SageMaker
- Απεριόριστες δυνατότητες
- πρόγραμμα
- προγραμματισμός
- Επιστήμη
- Επιστήμονας
- σκορ
- Εφαρμογές
- SDK
- Τμήμα
- στείλετε
- αποστολή
- αποστέλλει
- εξυπηρετούν
- εξυπηρετεί
- Υπηρεσίες
- σειρά
- setup
- διάφοροι
- Shared
- θα πρέπει να
- παρουσιάζεται
- Δείχνει
- σημαντικός
- Απλούς
- ενιαίας
- λογισμικό
- τεχνολογία λογισμικού
- λύση
- Λύσεις
- SOLVE
- Πηγές
- Sourcing
- συγκεκριμένες
- καθορίζεται
- Αθλητισμός
- Στάδιο
- σκαλωσιά
- Εκκίνηση
- Ξεκινήστε
- Κατάσταση
- στατιστική
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- εναποθήκευση
- Στρατηγική
- κατασκευαστικός
- στούντιο
- επιτυχής
- Επιτυχώς
- τέτοιος
- κοστούμι
- Στήριξη
- Υποστηρίζει
- τραπέζι
- TAG
- λήψη
- στόχος
- Έργο
- τεχνικές
- Τεχνολογίες
- πρότυπο
- Terraform
- από
- ότι
- Η
- τους
- Τους
- τότε
- Εκεί.
- εκ τούτου
- Αυτοί
- αυτοί
- αυτό
- τρία
- κατώφλι
- Μέσω
- ώρα
- προς την
- εργαλεία
- κορυφή
- Θέματα
- τροχιά
- ιστορικό
- εκπαιδευμένο
- Εκπαίδευση
- Μεταμόρφωση
- διαφανής
- Ταξίδια
- ενεργοποιούν
- ενεργοποιήθηκε
- Αλήθεια
- ΣΤΡΟΦΗ
- δύο
- τύπος
- τυπικός
- ui
- υπό
- υπογράμμισης
- Ενημέρωση
- ενημέρωση
- Φορτώθηκε
- Ανέβασμα
- χρήση
- μεταχειρισμένος
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- χρησιμοποιώ
- χρησιμοποιούνται
- αξία
- μεταβλητή
- επαληθεύει
- εκδοχή
- εκδόσεις
- μέσω
- ΠΑΡΑΒΑΣΗ
- προειδοποίηση
- Τρόπος..
- τρόπους
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- πότε
- αν
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- θα
- με
- εντός
- Εργασία
- ροής εργασίας
- ροές εργασίας
- εργαζόμενος
- γιαμ
- χρόνια
- ακόμη
- Εσείς
- Σας
- zephyrnet