Αυτή η ανάρτηση είναι συν-συγγραφέας με τους Jan Paul Assendorp, Thomas Lietzow, Christopher Masch, Alexander Meinert, Dr. Lars Palzer, Jan Schillemans του SIGNAL IDUNA.
Στη SIGNAL IDUNA, μια μεγάλη γερμανική ασφαλιστική εταιρεία, επί του παρόντος εφευρίσκουμε εκ νέου τους εαυτούς μας με το πρόγραμμα μετασχηματισμού VISION2023 για να γίνουμε ακόμη πιο προσανατολισμένοι στον πελάτη. Δύο πτυχές είναι κεντρικές σε αυτόν τον μετασχηματισμό: η αναδιοργάνωση μεγάλων τμημάτων του εργατικού δυναμικού σε διαλειτουργικές και ευέλικτες ομάδες και η μετατροπή μιας εταιρείας που βασίζεται πραγματικά στα δεδομένα. Εδώ, το σύνθημα «Το κατασκευάζεις, το τρέχεις» είναι μια σημαντική απαίτηση για μια διαλειτουργική ομάδα που δημιουργεί ένα προϊόν δεδομένων ή μηχανικής μάθησης (ML). Αυτό θέτει αυστηρούς περιορισμούς σχετικά με το πόσα χρήματα μπορεί να ξοδέψει η ομάδα εργασίας για την παραγωγή και τη λειτουργία ενός προϊόντος.
Αυτή η ανάρτηση δείχνει πώς το SIGNAL IDUNA αντιμετωπίζει αυτήν την πρόκληση και χρησιμοποιεί το Σύννεφο AWS για να επιτρέψουν σε διαλειτουργικές ομάδες να δημιουργήσουν και να λειτουργήσουν τα δικά τους προϊόντα ML. Για το σκοπό αυτό, εισάγουμε πρώτα την οργανωτική δομή των ευέλικτων ομάδων, η οποία θέτει τις κεντρικές απαιτήσεις για την υποδομή cloud που χρησιμοποιείται για την ανάπτυξη και τη λειτουργία ενός προϊόντος. Στη συνέχεια, δείχνουμε πώς τρεις κεντρικές ομάδες στο SIGNAL IDUNA επιτρέπουν σε ομάδες πολλαπλών λειτουργιών να δημιουργούν προϊόντα δεδομένων στο AWS Cloud με ελάχιστη βοήθεια, παρέχοντας μια κατάλληλη ροή εργασίας και λύσεις υποδομής που μπορούν εύκολα να χρησιμοποιηθούν και να προσαρμοστούν. Τέλος, εξετάζουμε την προσέγγισή μας και τη συγκρίνουμε με μια πιο κλασική προσέγγιση όπου η ανάπτυξη και η λειτουργία διαχωρίζονται πιο αυστηρά.
Agile@SI – το Ίδρυμα της Οργανωτικής Αλλαγής
Από τις αρχές του 2021, η SIGNAL IDUNA έχει αρχίσει να εφαρμόζει τη στρατηγική της Agile@SI και να καθιερώνει ευέλικτες μεθόδους για την ανάπτυξη πελατοκεντρικών λύσεων σε ολόκληρη την εταιρεία [1]. Τα προηγούμενα καθήκοντα και οι στόχοι αναλαμβάνονται τώρα από ομάδες πολλαπλών λειτουργιών, που καλούνται ομάδες. Αυτές οι ομάδες χρησιμοποιούν ευέλικτες μεθόδους (όπως το πλαίσιο Scrum), παίρνουν τις δικές τους αποφάσεις και κατασκευάζουν προϊόντα προσανατολισμένα στον πελάτη. Συνήθως, οι ομάδες βρίσκονται σε επιχειρηματικά τμήματα, όπως το μάρκετινγκ, και πολλά δίνουν μεγάλη έμφαση στη δημιουργία προϊόντων που βασίζονται σε δεδομένα και ML. Για παράδειγμα, τυπικές περιπτώσεις χρήσης στην ασφάλιση είναι η πρόβλεψη απόρριψης πελατών και η σύσταση προϊόντος.
Λόγω της πολυπλοκότητας του ML, η δημιουργία μιας λύσης ML από μια και μόνο ομάδα είναι πρόκληση, και επομένως απαιτεί τη συνεργασία διαφορετικών ομάδων.
Το SIGNAL IDUNA έχει τρεις βασικές ομάδες που υποστηρίζουν τη δημιουργία λύσεων ML. Περιτριγυρισμένη από αυτές τις τρεις ομάδες είναι η ομάδα που είναι υπεύθυνη για την ανάπτυξη και τη μακροχρόνια λειτουργία και τη λύση ML. Αυτή η προσέγγιση ακολουθεί το μοντέλο κοινής ευθύνης AWS [2].
Στην παραπάνω εικόνα, όλες οι ομάδες απεικονίζονται σε μια επισκόπηση.
Ενεργοποίηση Cloud
Η υποκείμενη υποδομή cloud για ολόκληρο τον οργανισμό παρέχεται από το squad Cloud Enablement. Είναι καθήκον τους να επιτρέψουν στις ομάδες να δημιουργήσουν μόνες τους προϊόντα πάνω σε τεχνολογίες cloud. Αυτό βελτιώνει τον χρόνο για τη δημιουργία νέων προϊόντων στην αγορά, όπως το ML, και ακολουθεί την αρχή «Το κατασκευάζεις, το τρέχεις».
Γραφείο δεδομένων/Λίμνη δεδομένων
Η μετακίνηση δεδομένων στο cloud, καθώς και η εύρεση του σωστού δεδομένων, υποστηρίζεται από το squad Data Office/Data Lake. Δημιουργούν έναν κατάλογο δεδομένων που μπορεί να χρησιμοποιηθεί για την αναζήτηση και την επιλογή των απαιτούμενων συνόλων δεδομένων. Στόχος τους είναι να καθιερώσουν τη διαφάνεια και τη διακυβέρνηση των δεδομένων. Επιπλέον, είναι υπεύθυνοι για τη δημιουργία και τη λειτουργία μιας λίμνης δεδομένων που βοηθά τις ομάδες να έχουν πρόσβαση και να επεξεργάζονται σχετικά δεδομένα.
Πλατφόρμα ανάλυσης δεδομένων
Η πλατφόρμα Data Analytics της ομάδας μας (DAP) είναι μια ομάδα που εστιάζει στο cloud και το ML στο SIGNAL IDUNA, η οποία είναι ικανή στη μηχανική ML, τη μηχανική δεδομένων, καθώς και στην επιστήμη δεδομένων. Ενεργοποιούμε τις εσωτερικές ομάδες που χρησιμοποιούν δημόσιο cloud για ML παρέχοντας στοιχεία υποδομής και γνώση. Τα προϊόντα και οι υπηρεσίες μας παρουσιάζονται αναλυτικά στην παρακάτω ενότητα.
Ενεργοποίηση διαλειτουργικών ομάδων για τη δημιουργία λύσεων ML
Για να επιτρέψουμε σε διαλειτουργικές ομάδες στο SIGNAL IDUNA να δημιουργήσουν λύσεις ML, χρειαζόμαστε έναν γρήγορο και ευέλικτο τρόπο για την παροχή επαναχρησιμοποιήσιμης υποδομής cloud, καθώς και μια αποτελεσματική ροή εργασίας για τις ομάδες ενσωμάτωσης για να χρησιμοποιήσουν τις δυνατότητες του cloud.
Για το σκοπό αυτό, δημιουργήσαμε μια τυποποιημένη διαδικασία ενσωμάτωσης και υποστήριξης, και παρείχαμε πρότυπα υποδομής αρθρωτών ως Infrastructure as Code (IaC). Αυτά τα πρότυπα περιέχουν στοιχεία υποδομής σχεδιασμένα για κοινές περιπτώσεις χρήσης ML που μπορούν εύκολα να προσαρμοστούν στις απαιτήσεις μιας συγκεκριμένης περίπτωσης χρήσης.
Η ροή εργασιών του Building ML Solutions
Υπάρχουν τρεις κύριοι τεχνικοί ρόλοι που εμπλέκονται στην κατασκευή και λειτουργία λύσεων ML: Ο επιστήμονας δεδομένων, ο μηχανικός ML και ένας μηχανικός δεδομένων. Κάθε ρόλος είναι μέρος της διαλειτουργικής ομάδας και έχει διαφορετικές ευθύνες. Ο επιστήμονας δεδομένων έχει τις απαιτούμενες γνώσεις τομέα λειτουργικών καθώς και τεχνικών απαιτήσεων της περίπτωσης χρήσης. Ο μηχανικός ML ειδικεύεται στην κατασκευή αυτοματοποιημένων λύσεων ML και στην ανάπτυξη μοντέλων. Και ο μηχανικός δεδομένων διασφαλίζει ότι τα δεδομένα ρέουν από τις εγκαταστάσεις και μέσα στο cloud.
Η διαδικασία παροχής της πλατφόρμας έχει ως εξής:
Η υποδομή της συγκεκριμένης περίπτωσης χρήσης ορίζεται στο IaC και εκδίδεται σε ένα κεντρικό αποθετήριο έργου. Αυτό περιλαμβάνει επίσης αγωγούς για εκπαίδευση και ανάπτυξη μοντέλων, καθώς και άλλα τεχνουργήματα κώδικα που σχετίζονται με την επιστήμη δεδομένων. Οι επιστήμονες δεδομένων, οι μηχανικοί ML και οι μηχανικοί δεδομένων έχουν πρόσβαση στο αποθετήριο του έργου και μπορούν να διαμορφώσουν και να ενημερώσουν όλο τον κώδικα υποδομής αυτόνομα. Αυτό δίνει τη δυνατότητα στην ομάδα να αλλάξει γρήγορα την υποδομή εάν χρειαστεί. Ωστόσο, ο μηχανικός ML μπορεί πάντα να υποστηρίξει την ανάπτυξη και την ενημέρωση υποδομών ή μοντέλων ML.
Επαναχρησιμοποιήσιμα και αρθρωτά εξαρτήματα υποδομής
Οι ιεραρχικοί και αρθρωτοί πόροι IaC υλοποιούνται στο Terraform και περιλαμβάνουν υποδομές για κοινές περιπτώσεις επιστήμης δεδομένων και χρήσης ETL. Αυτό μας επιτρέπει να επαναχρησιμοποιήσουμε τον κώδικα υποδομής και να επιβάλλουμε τις απαιτούμενες πολιτικές ασφάλειας και συμμόρφωσης, όπως η χρήση Υπηρεσία διαχείρισης κλειδιών AWS (KMS) κρυπτογράφηση δεδομένων, καθώς και ενθυλάκωση της υποδομής Εικονικό ιδιωτικό σύννεφο Amazon (VPC) περιβάλλοντα χωρίς άμεση πρόσβαση στο Διαδίκτυο.
Η ιεραρχική δομή IaC έχει ως εξής:
- ενότητες ενσωματώστε βασικές υπηρεσίες AWS με την απαιτούμενη διαμόρφωση για ασφάλεια και διαχείριση πρόσβασης. Αυτό περιλαμβάνει διαμορφώσεις βέλτιστων πρακτικών, όπως η αποτροπή της πρόσβασης του κοινού σε Amazon Simple Storage Service (S3) κουβάδες ή επιβολή κρυπτογράφησης για όλα τα αποθηκευμένα αρχεία.
- Σε ορισμένες περιπτώσεις, χρειάζεστε μια ποικιλία υπηρεσιών για την αυτοματοποίηση των διαδικασιών, όπως για την ανάπτυξη μοντέλων ML σε διαφορετικά στάδια. Ως εκ τούτου, ορίσαμε Λύσεις ως μια δέσμη διαφορετικών ενοτήτων σε κοινή διαμόρφωση για διαφορετικούς τύπους εργασιών.
- Επιπλέον, προσφέρουμε πλήρη blueprints που συνδυάζουν λύσεις σε διαφορετικά περιβάλλοντα για να καλύψουν τις πολλές πιθανές ανάγκες ενός έργου. Στο προσχέδιο MLOps μας, ορίζουμε μια αναπτυσσόμενη υποδομή για εκπαίδευση, παροχή και παρακολούθηση μοντέλων ML που ενσωματώνονται και διανέμονται σε λογαριασμούς AWS. Θα συζητήσουμε περισσότερες λεπτομέρειες στην επόμενη ενότητα.
Αυτά τα προϊόντα έχουν εκδοθεί σε ένα κεντρικό αποθετήριο από την ομάδα DAP. Αυτό μας επιτρέπει να βελτιώνουμε συνεχώς το IaC μας και να εξετάζουμε νέες δυνατότητες από το AWS, όπως π.χ Amazon Sage Maker Μητρώο Μοντέλων. Κάθε ομάδα μπορεί να αναφέρει αυτούς τους πόρους, να τους παραμετροποιήσει ανάλογα με τις ανάγκες και τελικά να τους αναπτύξει στους δικούς τους λογαριασμούς AWS.
Αρχιτεκτονική MLOps
Παρέχουμε ένα έτοιμο προς χρήση σχέδιο με συγκεκριμένες λύσεις για την κάλυψη ολόκληρης της διαδικασίας MLOps. Το σχέδιο περιέχει υποδομή κατανεμημένη σε τέσσερις λογαριασμούς AWS για τη δημιουργία και την ανάπτυξη μοντέλων ML. Αυτό μας επιτρέπει να απομονώσουμε πόρους και ροές εργασίας για τα διάφορα βήματα της διαδικασίας MLOps. Το παρακάτω σχήμα δείχνει την αρχιτεκτονική πολλών λογαριασμών και περιγράφουμε πώς η ευθύνη για συγκεκριμένα βήματα της διαδικασίας κατανέμεται μεταξύ των διαφορετικών τεχνικών ρόλων.
Η μοντελοποίηση Ο λογαριασμός περιλαμβάνει υπηρεσίες για την ανάπτυξη μοντέλων ML. Πρώτον, ο μηχανικός δεδομένων χρησιμοποιεί μια διαδικασία ETL για να παρέχει σχετικά δεδομένα από τη λίμνη δεδομένων SIGNAL IDUNA, την κεντρική πύλη για ροές εργασίας που βασίζονται σε δεδομένα στο AWS Cloud. Στη συνέχεια, το σύνολο δεδομένων μπορεί να χρησιμοποιηθεί από τον επιστήμονα δεδομένων για την εκπαίδευση και την αξιολόγηση υποψηφίων μοντέλων. Μόλις είναι έτοιμο για εκτεταμένα πειράματα, ένα υποψήφιο μοντέλο ενσωματώνεται σε έναν αυτοματοποιημένο αγωγό εκπαίδευσης από τον μηχανικό ML. Χρησιμοποιούμε το Amazon SageMaker Pipelines για να αυτοματοποιήσουμε την εκπαίδευση, τον συντονισμό υπερπαραμέτρων και την αξιολόγηση μοντέλων σε κλίμακα. Αυτό περιλαμβάνει επίσης τη σειρά μοντέλων και έναν τυποποιημένο μηχανισμό έγκρισης για τα μοντέλα που πρόκειται να τεθούν σε στάδιο εγκατάστασης στην παραγωγή. Οι αυτοματοποιημένες δοκιμές μονάδων και η ανάλυση κώδικα διασφαλίζουν την ποιότητα και την αξιοπιστία του κώδικα για κάθε βήμα του αγωγού, όπως η προεπεξεργασία δεδομένων, η εκπαίδευση μοντέλων και η αξιολόγηση. Μόλις ένα μοντέλο αξιολογηθεί και εγκριθεί, χρησιμοποιούμε το Amazon SageMaker ModelPackages ως διεπαφή με το εκπαιδευμένο μοντέλο και σχετικά μεταδεδομένα.
Η εργαλεία Ο λογαριασμός περιέχει αυτοματοποιημένες αγωγές CI/CD με διαφορετικά στάδια για δοκιμή και ανάπτυξη εκπαιδευμένων μοντέλων. Στο στάδιο της δοκιμής, τα μοντέλα αναπτύσσονται στο σερβιρίσματος-μη παραγωγός λογαριασμός. Παρόλο που η ποιότητα του μοντέλου αξιολογείται στη γραμμή εκπαίδευσης πριν από τη στάθμευση του μοντέλου για παραγωγή, εδώ εκτελούμε δοκιμές απόδοσης και ολοκλήρωσης σε ένα απομονωμένο περιβάλλον δοκιμών. Αφού περάσουν το στάδιο της δοκιμής, τα μοντέλα αναπτύσσονται στο σερβιρίσματος-παρ ο λογαριασμός πρέπει να ενσωματωθεί στις ροές εργασιών παραγωγής.
Ο διαχωρισμός των σταδίων της ροής εργασίας MLOps σε διαφορετικούς λογαριασμούς AWS μας επιτρέπει να απομονώσουμε την ανάπτυξη και τη δοκιμή από την παραγωγή. Επομένως, μπορούμε να επιβάλουμε αυστηρή πολιτική πρόσβασης και ασφάλειας. Επιπλέον, οι προσαρμοσμένοι ρόλοι του IAM διασφαλίζουν ότι συγκεκριμένες υπηρεσίες μπορούν να έχουν πρόσβαση μόνο σε δεδομένα και σε άλλες υπηρεσίες που απαιτούνται για το πεδίο εφαρμογής τους, σύμφωνα με αρχή του ελάχιστου προνομίου. Οι υπηρεσίες εντός των περιβαλλόντων εξυπηρέτησης μπορούν επιπλέον να γίνουν προσβάσιμες σε εξωτερικές επιχειρηματικές διαδικασίες. Για παράδειγμα, μια επιχειρηματική διαδικασία μπορεί να υποβάλει ερώτημα σε ένα τελικό σημείο εντός του περιβάλλοντος υπηρεσίας παραγωγής για προβλέψεις μοντέλων.
Οφέλη της προσέγγισής μας
Αυτή η διαδικασία έχει πολλά πλεονεκτήματα σε σύγκριση με τον αυστηρό διαχωρισμό ανάπτυξης και λειτουργίας τόσο για τα μοντέλα ML, όσο και για την απαιτούμενη υποδομή:
- Απομόνωση: Κάθε ομάδα λαμβάνει το δικό της σύνολο λογαριασμών AWS που είναι εντελώς απομονωμένοι από τα περιβάλλοντα άλλων ομάδων. Αυτό καθιστά εύκολη τη διαχείριση των δικαιωμάτων πρόσβασης και τη διατήρηση των δεδομένων απόρρητα σε όσους έχουν το δικαίωμα να συνεργαστούν με αυτά.
- Ενεργοποίηση cloud: Τα μέλη της ομάδας με μικρή προηγούμενη εμπειρία σε cloud DevOps (όπως πολλοί επιστήμονες δεδομένων) μπορούν εύκολα να παρακολουθήσουν όλη τη διαδικασία σχεδιασμού και διαχείρισης υποδομής αφού (σχεδόν) τίποτα δεν κρύβεται από αυτά πίσω από μια κεντρική υπηρεσία. Αυτό δημιουργεί μια καλύτερη κατανόηση της υποδομής, η οποία μπορεί με τη σειρά της να τους βοηθήσει να δημιουργήσουν προϊόντα επιστήμης δεδομένων πιο αποτελεσματικά.
- ιδιοκτησία προϊόντος: Η χρήση προδιαμορφωμένων λύσεων υποδομής και διαχειριζόμενων υπηρεσιών κρατά το εμπόδιο στη διαχείριση ενός προϊόντος ML στην παραγωγή πολύ χαμηλό. Επομένως, ένας επιστήμονας δεδομένων μπορεί εύκολα να αναλάβει την κυριότητα ενός μοντέλου που τίθεται σε παραγωγή. Αυτό ελαχιστοποιεί τον γνωστό κίνδυνο αποτυχίας να τεθεί σε παραγωγή ένα μοντέλο μετά την ανάπτυξη.
- Καινοτομία: Δεδομένου ότι οι μηχανικοί ML εμπλέκονται πολύ πριν ένα μοντέλο είναι έτοιμο για παραγωγή, μπορούν να δημιουργήσουν λύσεις υποδομής κατάλληλες για νέες περιπτώσεις χρήσης, ενώ οι επιστήμονες δεδομένων αναπτύσσουν ένα μοντέλο ML.
- Ικανότητα προσαρμογής: Δεδομένου ότι η λύση IaC που αναπτύχθηκε από την DAP είναι ελεύθερα διαθέσιμη, οποιαδήποτε ομάδα μπορεί εύκολα να τις προσαρμόσει ώστε να ανταποκρίνεται σε μια συγκεκριμένη ανάγκη για την περίπτωση χρήσης της.
- Ανοιχτή πηγή: Όλες οι νέες λύσεις υποδομής μπορούν εύκολα να διατεθούν μέσω του κεντρικού αποθετηρίου κωδικών DAP για χρήση από άλλες ομάδες. Με τον καιρό, αυτό θα δημιουργήσει μια πλούσια βάση κώδικα με στοιχεία υποδομής προσαρμοσμένα σε διαφορετικές περιπτώσεις χρήσης.
Χαρακτηριστικά
Σε αυτήν την ανάρτηση, παρουσιάσαμε πώς οι ομάδες πολλαπλών λειτουργιών στο SIGNAL IDUNA έχουν τη δυνατότητα να δημιουργούν και να εκτελούν προϊόντα ML σε AWS. Κεντρική θέση στην προσέγγισή μας είναι η χρήση ενός αποκλειστικού συνόλου λογαριασμών AWS για κάθε ομάδα σε συνδυασμό με προσαρμοσμένα σχεδιαγράμματα και λύσεις IaC. Αυτά τα δύο στοιχεία επιτρέπουν σε μια διαλειτουργική ομάδα να δημιουργεί και να λειτουργεί υποδομή ποιότητας παραγωγής. Με τη σειρά τους, μπορούν να αποκτήσουν την πλήρη ιδιοκτησία των προϊόντων ML τους.
Αναφέρομαι σε Amazon SageMaker Model Building Pipelines – Amazon SageMaker για να μάθετε περισσότερα.
Βρείτε περισσότερες πληροφορίες σχετικά με ML στο AWS στην επίσημη σελίδα μας.
αναφορές
[1] https://www.handelsblatt.com/finanzen/versicherungsbranche-vorbild-spotify-signal-iduna-wird-von-einer-handwerker-versicherung-zum-agilen-konzern/27381902.html
[2] https://blog.crisp.se/wp-content/uploads/2012/11/SpotifyScaling.pdf
[3] https://aws.amazon.com/compliance/shared-responsibility-model/
Σχετικά με τους Συγγραφείς
Γιαν Πολ Άσεντορπ είναι μηχανικός ML με ισχυρή εστίαση στην επιστήμη δεδομένων. Κατασκευάζει μοντέλα ML και αυτοματοποιεί την εκπαίδευση μοντέλων και την ανάπτυξη σε περιβάλλοντα παραγωγής.
Thomas Lietzow είναι ο Scrum Master της πλατφόρμας Data Analytics της ομάδας.
Κρίστοφερ Μας είναι ο Product Owner της πλατφόρμας Data Analytics της ομάδας με γνώσεις στη μηχανική δεδομένων, την επιστήμη δεδομένων και τη μηχανική ML.
Αλεξάντερ Μάινερτ είναι μέλος της ομάδας Data Analytics Platform και εργάζεται ως μηχανικός ML. Ξεκίνησε με στατιστικές, αναπτύχθηκε σε έργα επιστήμης δεδομένων, βρήκε πάθος για τις μεθόδους και την αρχιτεκτονική ML.
Δόκτωρ Λαρς Πάλτσερ είναι επιστήμονας δεδομένων και μέλος της ομάδας Data Analytics Platform. Αφού βοήθησε στη δημιουργία των στοιχείων αρχιτεκτονικής MLOps, τα χρησιμοποιεί τώρα για τη δημιουργία προϊόντων ML.
Γιαν Σίλεμανς είναι μηχανικός ML με υπόβαθρο μηχανικής λογισμικού. Εστιάζει στην εφαρμογή βέλτιστων πρακτικών μηχανικής λογισμικού σε περιβάλλοντα ML (MLOps).
- Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
- CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
- Πηγή: https://aws.amazon.com/blogs/machine-learning/how-signal-iduna-operationalizes-machine-learning-projects-on-aws/
- "
- 100
- 2021
- πρόσβαση
- Λογαριασμός
- απέναντι
- Ενέργειες
- πλεονεκτήματα
- ευκίνητος
- Όλα
- Αν και
- Amazon
- ανάλυση
- analytics
- εφαρμόζοντας
- πλησιάζω
- αρχιτεκτονική
- Αυτοματοποιημένη
- διαθέσιμος
- AWS
- είναι
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- χτίζω
- Κτίριο
- Δέσμη
- επιχείρηση
- δυνατότητες
- περιπτώσεις
- πρόκληση
- Backup
- cloud infrastructure
- κωδικός
- συνεργασία
- συνδυασμός
- Κοινός
- εταίρα
- σύγκριση
- Συμμόρφωση
- διαμόρφωση
- Περιέχει
- δημιουργία
- ημερομηνία
- Δεδομένα Analytics
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- αφιερωμένο
- παρατάσσω
- ανάπτυξη
- ανάπτυξη
- σχέδιο
- λεπτομέρεια
- ανάπτυξη
- αναπτύχθηκε
- ανάπτυξη
- Ανάπτυξη
- διαφορετικές
- συζητήσουν
- διανέμονται
- τομέα
- εύκολα
- κρυπτογράφηση
- Τελικό σημείο
- μηχανικός
- Μηχανική
- Μηχανικοί
- Περιβάλλον
- ουσιώδης
- εγκαθιδρύω
- παράδειγμα
- εμπειρία
- FAST
- Χαρακτηριστικά
- Εικόνα
- Τελικά
- Όνομα
- Συγκέντρωση
- επικεντρώθηκε
- Εξής
- Βρέθηκαν
- Θεμέλιο
- Πλαίσιο
- πλήρη
- Στόχοι
- διακυβέρνησης
- βοήθεια
- βοηθά
- εδώ
- Πως
- HTTPS
- εικόνα
- εφαρμοστεί
- σημαντικό
- βελτίωση
- περιλαμβάνουν
- πληροφορίες
- Υποδομή
- ασφάλιση
- ενσωματωθεί
- ολοκλήρωση
- περιβάλλον λειτουργίας
- Internet
- συμμετέχουν
- IT
- Κλειδί
- γνώση
- large
- ΜΑΘΑΊΝΩ
- μάθηση
- λίγο
- Μακριά
- μηχανή
- μάθηση μηχανής
- διαχείριση
- διαχείριση
- αγορά
- Μάρκετινγκ
- Ταίριασμα
- Μέλη
- Meta
- ML
- μοντέλο
- μοντέλα
- σπονδυλωτή
- παρακολούθηση
- Νέες δυνατότητες
- νέα προϊόντα
- προσφορά
- επίσημος ανώτερος υπάλληλος
- Επί του σκάφους
- λειτουργίας
- επιχειρήσεις
- ΑΛΛΑ
- ιδιοκτήτης
- επίδοση
- πλατφόρμες
- Πολιτικές
- πολιτική
- πρόβλεψη
- Προβλέψεις
- Πρόληψη
- ιδιωτικός
- διαδικασια μας
- Διεργασίες
- Προϊόν
- παραγωγή
- Προϊόντα
- Πρόγραμμα
- σχέδιο
- έργα
- παρέχουν
- δημόσιο
- Δημόσιο σύννεφο
- ποιότητα
- Αποθήκη
- απαιτείται
- απαιτήσεις
- Υποστηρικτικό υλικό
- υπεύθυνος
- ανασκόπηση
- Κίνδυνος
- τρέξιμο
- Κλίμακα
- Επιστήμη
- Επιστήμονας
- επιστήμονες
- Αναζήτηση
- ασφάλεια
- υπηρεσία
- Υπηρεσίες
- εξυπηρετούν
- σειρά
- Shared
- Απλούς
- λογισμικό
- τεχνολογία λογισμικού
- Λύσεις
- ειδικεύεται
- δαπανήσει
- Στάδιο
- Εκκίνηση
- ξεκίνησε
- στατιστική
- χώρος στο δίσκο
- Στρατηγική
- ισχυρός
- Ακολούθως
- υποστήριξη
- υποστηριζόνται!
- περιβάλλεται
- εργασίες
- Τεχνικός
- Τεχνολογίες
- δοκιμή
- Δοκιμές
- δοκιμές
- ώρα
- Εκπαίδευση
- Μεταμόρφωση
- Διαφάνεια
- Ενημέρωση
- us
- χρήση
- χρησιμοποιώ
- Πραγματικός
- Δες
- Ο ΟΠΟΊΟΣ
- εντός
- χωρίς
- Εργασία
- Εργατικό δυναμικό
- λειτουργεί