Με την έλευση των κινητών δικτύων υψηλής ταχύτητας 5G, οι επιχειρήσεις τοποθετούνται πιο εύκολα από ποτέ με την ευκαιρία να αξιοποιήσουν τη σύγκλιση των τηλεπικοινωνιακών δικτύων και του cloud. Ως μία από τις πιο εμφανείς περιπτώσεις χρήσης μέχρι σήμερα, η μηχανική εκμάθηση (ML) στην αιχμή επέτρεψε στις επιχειρήσεις να αναπτύξουν μοντέλα ML πιο κοντά στους τελικούς πελάτες τους για να μειώσουν τον λανθάνοντα χρόνο και να αυξήσουν την ανταπόκριση των εφαρμογών τους. Ως παράδειγμα, έξυπνες λύσεις χώρων μπορεί να χρησιμοποιήσει την όραση υπολογιστή σχεδόν σε πραγματικό χρόνο για αναλύσεις πλήθους μέσω δικτύων 5G, ελαχιστοποιώντας ταυτόχρονα τις επενδύσεις σε εξοπλισμό δικτύωσης υλικού εσωτερικού χώρου. Οι έμποροι λιανικής μπορούν να προσφέρουν περισσότερες εμπειρίες χωρίς τριβές εν κινήσει με την επεξεργασία φυσικής γλώσσας (NLP), τα συστήματα συστάσεων σε πραγματικό χρόνο και τον εντοπισμό απάτης. Ακόμη και επίγεια και εναέρια ρομποτική μπορεί να χρησιμοποιήσει το ML για να ξεκλειδώσει ασφαλέστερες, πιο αυτόνομες λειτουργίες.
Για να μειώσουμε το εμπόδιο στην είσοδο του ML στην άκρη, θέλαμε να δείξουμε ένα παράδειγμα ανάπτυξης ενός προεκπαιδευμένου μοντέλου από Amazon Sage Maker προς την Μήκος κύματος AWS, όλα σε λιγότερες από 100 γραμμές κώδικα. Σε αυτήν την ανάρτηση, δείχνουμε πώς να αναπτύξετε ένα μοντέλο SageMaker στο μήκος κύματος AWS για να μειώσετε τον λανθάνοντα χρόνο συμπερασμάτων του μοντέλου για εφαρμογές που βασίζονται σε δίκτυο 5G.
Επισκόπηση λύσεων
Σε όλη την ταχέως αναπτυσσόμενη παγκόσμια υποδομή του AWS, το AWS Wavelength φέρνει τη δύναμη του υπολογιστικού νέφους και της αποθήκευσης στην άκρη των δικτύων 5G, ξεκλειδώνοντας πιο αποδοτικές εμπειρίες κινητής τηλεφωνίας. Με το AWS Wavelength, μπορείτε να επεκτείνετε το εικονικό ιδιωτικό σας σύννεφο (VPC) σε ζώνες μήκους κύματος που αντιστοιχούν στην άκρη του δικτύου του φορέα τηλεπικοινωνιών στο 29 πόλεις σε όλη την υφήλιο. Το παρακάτω διάγραμμα δείχνει ένα παράδειγμα αυτής της αρχιτεκτονικής.
Μπορείτε να επιλέξετε να συμμετέχετε στις Ζώνες Μήκους Κύματος σε μια δεδομένη Περιοχή μέσω του Κονσόλα διαχείρισης AWS ή η Διεπαφή γραμμής εντολών AWS (AWS CLI). Για να μάθετε περισσότερα σχετικά με την ανάπτυξη γεω-κατανεμημένων εφαρμογών στο μήκος κύματος AWS, ανατρέξτε στο Αναπτύξτε γεω-κατανεμημένα συμπλέγματα Amazon EKS σε μήκος κύματος AWS.
Με βάση τις βασικές αρχές που συζητούνται σε αυτήν την ανάρτηση, εξετάζουμε το ML στην άκρη ως δείγμα φόρτου εργασίας με το οποίο μπορούμε να αναπτύξουμε στο AWS Wavelength. Ως δείγμα φόρτου εργασίας μας, αναπτύσσουμε ένα προεκπαιδευμένο μοντέλο από Amazon SageMaker JumpStart.
Το SageMaker είναι μια πλήρως διαχειριζόμενη υπηρεσία ML που επιτρέπει στους προγραμματιστές να αναπτύσσουν εύκολα μοντέλα ML στα περιβάλλοντα AWS τους. Αν και το AWS προσφέρει μια σειρά από επιλογές για εκπαίδευση μοντέλων—από AWS Marketplace μοντέλα και ενσωματωμένοι αλγόριθμοι SageMaker—υπάρχει ένας αριθμός τεχνικών για την ανάπτυξη μοντέλων ML ανοιχτού κώδικα.
Το JumpStart παρέχει πρόσβαση σε εκατοντάδες ενσωματωμένους αλγόριθμους με προεκπαιδευμένα μοντέλα που μπορούν να αναπτυχθούν απρόσκοπτα στα τελικά σημεία του SageMaker. Από την προγνωστική συντήρηση και την όραση υπολογιστή έως την αυτόνομη οδήγηση και τον εντοπισμό απάτης, το JumpStart υποστηρίζει μια ποικιλία δημοφιλών περιπτώσεων χρήσης με ανάπτυξη με ένα κλικ στην κονσόλα.
Επειδή το SageMaker δεν υποστηρίζεται εγγενώς στις Ζώνες μήκους κύματος, δείχνουμε πώς μπορείτε να εξαγάγετε τα τεχνουργήματα του μοντέλου από την περιοχή και να τα αναπτύξετε ξανά στην άκρη. Για να το κάνετε αυτό, χρησιμοποιείτε Υπηρεσία Amazon Elastic Kubernetes (Amazon EKS) συμπλέγματα και ομάδες κόμβων σε ζώνες μήκους κύματος, ακολουθούμενα από τη δημιουργία μιας δήλωσης ανάπτυξης με την εικόνα του κοντέινερ που δημιουργείται από το JumpStart. Το παρακάτω διάγραμμα απεικονίζει αυτήν την αρχιτεκτονική.
Προϋποθέσεις
Για να το κάνετε όσο πιο εύκολο γίνεται, βεβαιωθείτε ότι ο λογαριασμός σας AWS έχει ενεργοποιημένες τις Ζώνες μήκους κύματος. Σημειώστε ότι αυτή η ενσωμάτωση είναι διαθέσιμη μόνο σε us-east-1
και us-west-2
, και θα χρησιμοποιείτε us-east-1
για τη διάρκεια της επίδειξης.
Για να δηλώσετε συμμετοχή στο μήκος κύματος AWS, ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα VPC του Amazon, επιλέξτε Ζώνες υπό ρυθμίσεις Και επιλέξτε US East (Verizon) / us-east-1-wl1.
- Επιλέξτε Διαχειριστείτε.
- Αγορά Συμμετείχε.
- Επιλέξτε Ενημέρωση ζωνών.
Δημιουργήστε υποδομή μήκους κύματος AWS
Πριν μετατρέψουμε το τελικό σημείο συμπερασμάτων τοπικού μοντέλου SageMaker σε ανάπτυξη Kubernetes, μπορείτε να δημιουργήσετε ένα σύμπλεγμα EKS σε μια ζώνη μήκους κύματος. Για να το κάνετε αυτό, αναπτύξτε ένα σύμπλεγμα Amazon EKS με μια ομάδα κόμβων μήκους κύματος AWS. Για να μάθετε περισσότερα, μπορείτε να επισκεφθείτε αυτόν τον οδηγό στο ιστολόγιο AWS Containers or Το αποθετήριο 5GEdgeTutorials της Verizon για ένα τέτοιο παράδειγμα.
Στη συνέχεια, χρησιμοποιώντας ένα AWS Cloud9 περιβάλλον ή διαδραστικό περιβάλλον ανάπτυξης (IDE) της επιλογής σας, κατεβάστε τα απαραίτητα πακέτα SageMaker και Docker Compose, μια βασική εξάρτηση του JumpStart.
Δημιουργήστε τεχνουργήματα μοντέλων χρησιμοποιώντας το JumpStart
Πρώτα, βεβαιωθείτε ότι έχετε ένα Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ρόλος εκτέλεσης για το SageMaker. Για να μάθετε περισσότερα, επισκεφθείτε Ρόλοι SageMaker.
- Χρησιμοποιώντας αυτό το παράδειγμα, δημιουργήστε ένα αρχείο που ονομάζεται train_model.py που χρησιμοποιεί το κιτ ανάπτυξης λογισμικού SageMaker (SDK) για την ανάκτηση ενός προκατασκευασμένου μοντέλου (αντικατάσταση με το Amazon Resource Name (ARN) του ρόλου εκτέλεσης του SageMaker). Σε αυτό το αρχείο, αναπτύσσετε ένα μοντέλο τοπικά χρησιμοποιώντας το
instance_type
χαρακτηριστικό στοmodel.deploy()
λειτουργία, η οποία ξεκινά ένα κοντέινερ Docker στο IDE σας χρησιμοποιώντας όλα τα απαραίτητα τεχνουργήματα μοντέλων που ορίσατε:
- Στη συνέχεια, ορίστε
infer_model_id
στο αναγνωριστικό του μοντέλου SageMaker που θέλετε να χρησιμοποιήσετε.
Για μια πλήρη λίστα, ανατρέξτε στο Ενσωματωμένοι αλγόριθμοι με προεκπαιδευμένο πίνακα μοντέλων. Στο παράδειγμά μας, χρησιμοποιούμε το μοντέλο Αμφίδρομης Κωδικοποιητής Αναπαραστάσεις από Μετασχηματιστές (BERT), που χρησιμοποιείται συνήθως για την επεξεργασία φυσικής γλώσσας.
- Εκτελέστε το
train_model.py
σενάριο για να ανακτήσετε τα τεχνουργήματα του μοντέλου JumpStart και να αναπτύξετε το προεκπαιδευμένο μοντέλο στον τοπικό σας υπολογιστή:
Εάν αυτό το βήμα επιτύχει, η έξοδος σας μπορεί να μοιάζει με την ακόλουθη:
Στην έξοδο, θα δείτε τρία τεχνουργήματα με τη σειρά: τη βασική εικόνα για το συμπέρασμα TensorFlow, το σενάριο συμπερασμάτων που εξυπηρετεί το μοντέλο και τα τεχνουργήματα που περιέχουν το εκπαιδευμένο μοντέλο. Αν και θα μπορούσατε να δημιουργήσετε μια προσαρμοσμένη εικόνα Docker με αυτά τα τεχνουργήματα, μια άλλη προσέγγιση είναι να αφήσετε την τοπική λειτουργία SageMaker να δημιουργήσει την εικόνα Docker για εσάς. Στα επόμενα βήματα, εξάγουμε την εικόνα του κοντέινερ που εκτελείται τοπικά και αναπτύσσουμε σε Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR) καθώς και ωθήστε το τεχνούργημα του μοντέλου ξεχωριστά σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
Μετατρέψτε τεχνουργήματα τοπικής λειτουργίας σε απομακρυσμένη ανάπτυξη Kubernetes
Τώρα που επιβεβαιώσατε ότι το SageMaker λειτουργεί τοπικά, ας εξαγάγουμε το μανιφέστο ανάπτυξης από το τρέχον κοντέινερ. Ολοκληρώστε τα παρακάτω βήματα:
Προσδιορίστε τη θέση της δήλωσης ανάπτυξης τοπικής λειτουργίας SageMaker: Για να το κάνετε αυτό, αναζητήστε τον ριζικό μας κατάλογο για τυχόν αρχεία με το όνομα docker-compose.yaml
.
docker_manifest=$( find /tmp/tmp* -name "docker-compose.yaml" -printf '%T+ %pn' | sort | tail -n 1 | cut -d' ' -f2-)
echo $docker_manifest
Προσδιορίστε τη θέση των τεχνουργημάτων του μοντέλου τοπικής λειτουργίας SageMaker: Στη συνέχεια, βρείτε τον υποκείμενο τόμο που είναι προσαρτημένος στο τοπικό κοντέινερ συμπερασμάτων του SageMaker, το οποίο θα χρησιμοποιηθεί σε κάθε κόμβο εργασίας EKS αφού ανεβάσουμε το τεχνούργημα στο Amazon s3.
model_local_volume = $(grep -A1 -w "volumes:" $docker_manifest | tail -n 1 | tr -d ' ' | awk -F: '{print $1}' | cut -c 2-) # Returns something like: /tmp/tmpcr4bu_a7</p>
Δημιουργία τοπικού αντιγράφου του τρέχοντος κοντέινερ συμπερασμάτων SageMaker: Στη συνέχεια, θα βρούμε την τρέχουσα εικόνα κοντέινερ που εκτελεί το μοντέλο συμπερασμάτων μηχανικής εκμάθησης και θα δημιουργήσουμε ένα αντίγραφο του κοντέινερ τοπικά. Αυτό θα διασφαλίσει ότι θα έχουμε το δικό μας αντίγραφο της εικόνας του κοντέινερ για να τραβήξουμε από το Amazon ECR.
# Find container ID of running SageMaker Local container
mkdir sagemaker-container
container_id=$(docker ps --format "{{.ID}} {{.Image}}" | grep "tensorflow" | awk '{print $1}')
# Retrieve the files of the container locally
docker cp $my_container_id:/ sagemaker-container/
Πριν ενεργήσετε στο model_local_volume
, το οποίο θα προωθήσουμε στο Amazon S3, προωθήστε ένα αντίγραφο της τρέχουσας εικόνας Docker, τώρα στο sagemaker-container
κατάλογο, στο Amazon Elastic Container Registry. Φροντίστε να αντικαταστήσετε region
, aws_account_id
, docker_image_id
και my-repository:tag
ή ακολουθήστε το Οδηγός χρήσης Amazon ECR. Επίσης, φροντίστε να σημειώσετε την τελική διεύθυνση URL εικόνας ECR (aws_account_id.dkr.ecr.region.amazonaws.com/my-repository:tag
), το οποίο θα χρησιμοποιήσουμε στην ανάπτυξη του EKS μας.
Τώρα που έχουμε μια εικόνα ECR που αντιστοιχεί στο τελικό σημείο συμπερασμάτων, δημιουργήστε έναν νέο κάδο Amazon S3 και αντιγράψτε τα τεχνουργήματα SageMaker Local (model_local_volume
) σε αυτόν τον κάδο. Παράλληλα, δημιουργήστε μια διαχείριση πρόσβασης ταυτότητας (IAM) που παρέχει πρόσβαση σε παρουσίες Amazon EC2 σε αντικείμενα ανάγνωσης εντός του κάδου. Φροντίστε να αντικαταστήσετε με ένα παγκοσμίως μοναδικό όνομα για τον κάδο Amazon S3 σας.
Στη συνέχεια, για να βεβαιωθείτε ότι κάθε παρουσία EC2 τραβάει ένα αντίγραφο του τεχνουργήματος μοντέλου κατά την εκκίνηση, επεξεργαστείτε τα δεδομένα χρήστη για τους κόμβους εργαζομένων EKS. Στο σενάριο δεδομένων χρήστη, βεβαιωθείτε ότι κάθε κόμβος ανακτά τα τεχνουργήματα του μοντέλου χρησιμοποιώντας το S3 API κατά την εκκίνηση. Φροντίστε να αντικαταστήσετε με ένα παγκοσμίως μοναδικό όνομα για τον κάδο Amazon S3 σας. Δεδομένου ότι τα δεδομένα χρήστη του κόμβου θα περιλαμβάνουν επίσης το σενάριο εκκίνησης EKS, τα πλήρη δεδομένα χρήστη μπορεί να φαίνονται κάπως έτσι.
Τώρα, μπορείτε να επιθεωρήσετε το υπάρχον docker manifest και να το μεταφράσετε σε αρχεία μανιφέστου φιλικά προς Kubernetes χρησιμοποιώντας Κομπόζ, ένα πολύ γνωστό εργαλείο μετατροπής. Σημείωση: εάν λάβετε ένα σφάλμα συμβατότητας έκδοσης, αλλάξτε το version
χαρακτηριστικό στη γραμμή 27 του docker-compose.yml to “2”
.
Αφού εκτελέσετε το Kompose, θα δείτε τέσσερα νέα αρχεία: α Deployment
αντικείμενο, Service
αντικείμενο, PersistentVolumeClaim
αντικείμενο, και NetworkPolicy
αντικείμενο. Τώρα έχετε όλα όσα χρειάζεστε για να ξεκινήσετε την επιδρομή σας στο Kubernetes στην άκρη!
Αναπτύξτε τεχνουργήματα μοντέλων SageMaker
Βεβαιωθείτε ότι έχετε λάβει το kubectl και το aws-iam-authenticator στο AWS Cloud9 IDE. Εάν όχι, ακολουθήστε τους οδηγούς εγκατάστασης:
Τώρα, ολοκληρώστε τα παρακάτω βήματα:
Τροποποιήστε το service/algo-1-ow3nv
αντικείμενο για εναλλαγή του τύπου υπηρεσίας ClusterIP
προς την NodePort
. Στο παράδειγμά μας, επιλέξαμε τη θύρα 30,007 ως δική μας NodePort
:
Στη συνέχεια, πρέπει να επιτρέψετε το NodePort στην ομάδα ασφαλείας για τον κόμβο σας. Για να το κάνετε αυτό, ανακτήστε το αναγνωριστικό ομάδας ασφαλείας και λίστα επιτρεπόμενων το NodePort:
Στη συνέχεια, τροποποιήστε το algo-1-ow3nv-deployment.yaml
φανερώ να μοντάρω το /tmp/model hostPath
κατάλογο στο κοντέινερ. Αντικαθιστώ με την εικόνα ECR που δημιουργήσατε νωρίτερα:
Με τα αρχεία δήλωσης που δημιουργήσατε από το Kompose, χρησιμοποιήστε το kubectl για να εφαρμόσετε τις ρυθμίσεις παραμέτρων στο σύμπλεγμα:
Συνδεθείτε στο μοντέλο 5G edge
Για να συνδεθείτε στο μοντέλο σας, ολοκληρώστε τα παρακάτω βήματα:
Στην κονσόλα Amazon EC2, ανακτήστε την IP φορέα του κόμβου εργαζομένου EKS ή χρησιμοποιήστε το AWS CLI για να αναζητήσετε απευθείας τη διεύθυνση IP του φορέα:
Τώρα, με την εξαγωγή της διεύθυνσης IP του φορέα, μπορείτε να συνδεθείτε με το μοντέλο απευθείας χρησιμοποιώντας το NodePort. Δημιουργήστε ένα αρχείο που ονομάζεται invoke.py
για να επικαλεστεί απευθείας το μοντέλο BERT παρέχοντας μια είσοδο με βάση το κείμενο που θα εκτελεστεί έναντι ενός αναλυτή συναισθημάτων για να προσδιοριστεί εάν ο τόνος ήταν θετικός ή αρνητικός:
Η έξοδος σας θα πρέπει να μοιάζει με το εξής:
εκκαθάριση
Για να καταστρέψετε όλους τους πόρους της εφαρμογής που δημιουργήθηκαν, διαγράψτε τους κόμβους εργασίας AWS Wavelength, το επίπεδο ελέγχου EKS και όλους τους πόρους που δημιουργήθηκαν στο VPC. Επιπλέον, διαγράψτε το αποθετήριο ECR που χρησιμοποιείται για τη φιλοξενία της εικόνας του κοντέινερ, τους κάδους S3 που χρησιμοποιούνται για τη φιλοξενία των τεχνουργημάτων του μοντέλου SageMaker και το sagemaker-demo-app-s3 IAM
πολιτική.
Συμπέρασμα
Σε αυτήν την ανάρτηση, παρουσιάσαμε μια νέα προσέγγιση για την ανάπτυξη μοντέλων SageMaker στην άκρη του δικτύου χρησιμοποιώντας το Amazon EKS και το μήκος κύματος AWS. Για να μάθετε σχετικά με τις βέλτιστες πρακτικές Amazon EKS σχετικά με το μήκος κύματος AWS, ανατρέξτε στο Αναπτύξτε γεω-κατανεμημένα συμπλέγματα Amazon EKS σε μήκος κύματος AWS. Επιπλέον, για να μάθετε περισσότερα σχετικά με το Jumpstart, επισκεφτείτε το Οδηγός προγραμματιστή Amazon SageMaker JumpStart ή η Διαθέσιμος πίνακας μοντέλων JumpStart.
Σχετικά με τους Συγγραφείς
Ρόμπερτ Μπέλσον είναι Υπεύθυνος Προγραμματιστή στην Επιχειρηματική Μονάδα Τηλεπικοινωνιών AWS Worldwide, που ειδικεύεται στο AWS Edge Computing. Επικεντρώνεται στη συνεργασία με την κοινότητα προγραμματιστών και τους πελάτες μεγάλων επιχειρήσεων για να λύσουν τις επιχειρηματικές προκλήσεις τους χρησιμοποιώντας αυτοματισμό, υβριδική δικτύωση και το σύννεφο αιχμής.
Μοχάμεντ Αλ-Μεχντάρ είναι Senior Solutions Architect στην Worldwide Telecom Business Unit της AWS. Η κύρια εστίασή του είναι να βοηθήσει τους πελάτες να δημιουργήσουν και να αναπτύξουν φόρτους εργασίας Telco και Enterprise IT στο AWS. Πριν από την ένταξή του στην AWS, ο Mohammed εργάζεται στη βιομηχανία τηλεπικοινωνιών για περισσότερα από 13 χρόνια και φέρνει πλούσια εμπειρία στους τομείς του LTE Packet Core, 5G, IMS και WebRTC. Ο Μοχάμεντ είναι κάτοχος πτυχίου Μηχανικού Τηλεπικοινωνιών από το Πανεπιστήμιο Concordia.
Έβαν Κράβιτς είναι μηχανικός λογισμικού στο Amazon Web Services, που εργάζεται στο SageMaker JumpStart. Του αρέσει να μαγειρεύει και να τρέχει στη Νέα Υόρκη.
Justin St. Arnauld είναι Associate Director – Solution Architects στη Verizon για το Δημόσιο Τομέα με πάνω από 15 χρόνια εμπειρία στον κλάδο της πληροφορικής. Είναι παθιασμένος υπέρμαχος της δύναμης των υπολογιστών αιχμής και των δικτύων 5G και είναι ειδικός στην ανάπτυξη καινοτόμων τεχνολογικών λύσεων που αξιοποιούν αυτές τις τεχνολογίες. Ο Justin είναι ιδιαίτερα ενθουσιασμένος με τις δυνατότητες που προσφέρει η Amazon Web Services (AWS) στην παροχή λύσεων αιχμής για τους πελάτες του. Στον ελεύθερο χρόνο του, ο Justin απολαμβάνει να ενημερώνεται για τις τελευταίες τάσεις της τεχνολογίας και να μοιράζεται τις γνώσεις και τις γνώσεις του με άλλους στον κλάδο.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/deploy-pre-trained-models-on-aws-wavelength-with-5g-edge-using-amazon-sagemaker-jumpstart/
- :είναι
- 1
- 10
- 100
- 11
- 15 χρόνια
- 5G
- 7
- 8
- 9
- a
- Σχετικα
- Αποδέχομαι
- πρόσβαση
- Λογαριασμός
- απέναντι
- Ενέργειες
- Επιπλέον
- διεύθυνση
- έλευση
- συνήγορος
- Μετά το
- κατά
- αλγόριθμοι
- Όλα
- επιτρέπει
- Αν και
- πάντοτε
- Amazon
- Amazon EC2
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon υπηρεσίες Web
- Amazon Web Services (AWS)
- analytics
- και
- Άλλος
- api
- Εφαρμογή
- εφαρμογές
- Εφαρμογή
- πλησιάζω
- αρχιτεκτονική
- ΕΙΝΑΙ
- περιοχές
- AS
- Συνεργάτης
- Σχέση
- At
- Αυτοματοποίηση
- αυτονόμος
- διαθέσιμος
- AWS
- AWS Cloud9
- φράγμα
- βάση
- BE
- αρχίζουν
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Bootstrap
- Φέρνει
- χτίζω
- ενσωματωμένο
- επιχείρηση
- by
- που ονομάζεται
- CAN
- δυνατότητες
- περιπτώσεις
- CAT
- CD
- προκλήσεις
- αλλαγή
- επιλογή
- Επιλέξτε
- Πόλη
- πελάτες
- πιο κοντά
- Backup
- Cloud9
- συστάδα
- κωδικός
- COM
- συνήθως
- κοινότητα
- συμβατότητα
- πλήρης
- Υπολογίστε
- υπολογιστή
- Computer Vision
- χρήση υπολογιστή
- ΕΠΙΒΕΒΑΙΩΜΕΝΟΣ
- Connect
- πρόξενος
- Δοχείο
- Εμπορευματοκιβώτια
- έλεγχος
- Σύγκλιση
- Μετατροπή
- μετατρέψετε
- πυρήνας
- Αντίστοιχος
- θα μπορούσε να
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- πλήθος
- Τη στιγμή
- έθιμο
- Πελάτες
- Τομή
- αιχμής
- ημερομηνία
- Ημερομηνία
- ορίζεται
- Πτυχίο
- παραδώσει
- παράδοση
- αποδεικνύουν
- κατέδειξε
- Εξάρτηση
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- καταστρέψει
- Ανίχνευση
- Προσδιορίστε
- Εργολάβος
- προγραμματιστές
- ανάπτυξη
- Ανάπτυξη
- κατευθείαν
- Διευθυντής
- συζήτηση
- Λιμενεργάτης
- κατεβάσετε
- οδήγηση
- κάθε
- Νωρίτερα
- εύκολα
- Ανατολή
- ηχώ
- άκρη
- άκρη υπολογιστών
- αποτέλεσμα
- ενεργοποιήσετε
- ενεργοποιημένη
- Τελικό σημείο
- μηχανικός
- Μηχανική
- εξασφαλίζω
- Εταιρεία
- επιχειρήσεις
- ενθουσιώδης
- καταχώριση
- Περιβάλλον
- περιβάλλοντα
- εξοπλισμός
- σφάλμα
- Even
- ΠΑΝΤΑ
- πάντα
- παράδειγμα
- εκτέλεση
- υφιστάμενα
- Επέκταση
- εμπειρία
- Δραστηριοτητες
- εμπειρογνώμονας
- επεκτείνουν
- εκχύλισμα
- Αρχεία
- Αρχεία
- τελικός
- Εύρεση
- Συγκέντρωση
- εστιάζει
- ακολουθήστε
- ακολουθείται
- Εξής
- Για
- Επιδρομή
- απάτη
- ανίχνευση απάτης
- Δωρεάν
- χωρίς τριβή
- από
- πλήρως
- λειτουργία
- Βασικές αρχές
- παράγεται
- παίρνω
- δεδομένου
- Παγκόσμιο
- Παγκόσμια
- σφαίρα
- Go
- μετάβαση
- Group
- Ομάδα
- καθοδηγήσει
- Οδηγοί
- υλικού
- ιπποσκευή
- Έχω
- βοήθεια
- κατέχει
- οικοδεσπότης
- Πως
- Πώς να
- HTML
- http
- HTTPS
- Εκατοντάδες
- Υβριδικό
- ID
- Ταυτότητα
- εικόνα
- εισαγωγή
- in
- περιλαμβάνουν
- Αυξάνουν
- βιομηχανία
- Υποδομή
- καινοτόμες
- καινοτόμο τεχνολογία
- εισαγωγή
- ιδέες
- εγκαθιστώ
- παράδειγμα
- ολοκλήρωση
- διαδραστικό
- επένδυση
- IP
- Διεύθυνση IP
- IT
- Βιομηχανία πληροφορικής
- ενώνει
- jpg
- json
- Justin
- τήρηση
- Κλειδί
- Είδος
- Κιτ (SDK)
- γνώση
- Ετικέτες
- Γλώσσα
- large
- Αφάνεια
- αργότερο
- ξεκινήσει
- ΜΑΘΑΊΝΩ
- μάθηση
- Μόχλευση
- Μου αρέσει
- γραμμή
- γραμμές
- Λιστα
- τοπικός
- τοπικά
- τοποθεσία
- ματιά
- μηχανή
- μάθηση μηχανής
- Κυρίως
- συντήρηση
- κάνω
- διαχειρίζεται
- διαχείριση
- Μεταδεδομένα
- ελαχιστοποιώντας
- ML
- Κινητό
- δίκτυα κινητής τηλεφωνίας
- Τρόπος
- μοντέλο
- μοντέλα
- τροποποιήσει
- περισσότερο
- πλέον
- ΤΟΠΟΘΕΤΗΣΗ
- όνομα
- Ονομάστηκε
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Ανάγκη
- αρνητικός
- δίκτυο
- με βάση το δίκτυο
- δικτύωσης
- δίκτυα
- Νέα
- Νέα Υόρκη
- Νέα Υόρκη
- επόμενη
- nlp
- κόμβος
- κόμβων
- μυθιστόρημα
- αριθμός
- αντικείμενο
- αντικειμένων
- of
- προσφέρονται
- προσφορές
- on
- ONE
- ανοικτού κώδικα
- λειτουργίες
- Ευκαιρία
- Επιλογές
- τάξη
- Άλλα
- παραγωγή
- δική
- Packages
- Παράλληλο
- ιδιαίτερα
- παθιασμένος
- μονοπάτι
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- πολιτική
- Δημοφιλής
- τοποθετημένες
- θετικός
- δυνατός
- Θέση
- δύναμη
- πρακτικές
- Predictor
- Πριν
- ιδιωτικός
- μεταποίηση
- διακεκριμένος
- παρέχει
- χορήγηση
- δημόσιο
- Τραβά
- Σπρώξτε
- ταχέως
- Διάβασε
- σε πραγματικό χρόνο
- Σύσταση
- μείωση
- περιοχή
- μητρώου
- μακρινός
- αντικαθιστώ
- αιτήματα
- απαιτούμενο
- πόρος
- Υποστηρικτικό υλικό
- λιανοπωλητές
- Επιστροφές
- Ρόλος
- ρίζα
- τρέξιμο
- τρέξιμο
- Ασφαλέστερο
- σοφός
- Συμπεράσματα SageMaker
- SDK
- άψογα
- Αναζήτηση
- τομέας
- ασφάλεια
- επιλέγονται
- αρχαιότερος
- εξυπηρετούν
- εξυπηρετεί
- υπηρεσία
- Υπηρεσίες
- σειρά
- μοιράζονται
- θα πρέπει να
- Δείχνει
- Απλούς
- απλά
- So
- λογισμικό
- ανάπτυξη λογισμικού
- Μηχανικός Λογισμικού
- λύση
- Λύσεις
- SOLVE
- κάτι
- ειδικευμένη
- ξεκινά
- Δήλωση
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- Στρατηγική
- μεταγενέστερος
- επιτύχει
- τέτοιος
- υποστηριζόνται!
- Υποστηρίζει
- διακόπτης
- συστήματα
- TAG
- Πάρτε
- τεχνικές
- Τεχνολογίες
- Τεχνολογία
- Telco
- τηλεπικοινωνιών
- τηλεπικοινωνιών
- Τεχνολογία Τηλεπικοινωνιών
- πρότυπο
- tensorflow
- ότι
- Η
- τους
- Αυτοί
- τρία
- ώρα
- προς την
- TONE
- εργαλείο
- εκπαιδευμένο
- μετασχηματιστές
- μεταφράζω
- Τάσεις
- αληθής
- υπό
- υποκείμενες
- μοναδικός
- μονάδα
- πανεπιστήμιο
- ξεκλειδώσετε
- ξεκλειδώματος
- up-to-ημερομηνία
- URL
- χρήση
- Χρήστες
- v1
- αξία
- ποικιλία
- Χώρος δεξίωσης
- Verizon
- εκδοχή
- μέσω
- Πραγματικός
- όραμα
- Επίσκεψη
- τόμος
- όγκους
- ήθελε
- Πλούτος
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- πολύ γνωστό
- αν
- Ποιό
- ενώ
- θα
- με
- εντός
- εργάτης
- εργαζόμενος
- παγκόσμιος
- θα
- γιαμ
- χρόνια
- Εσείς
- Σας
- YouTube
- zephyrnet
- ζώνες