Η δημιουργία μιας πλατφόρμας λειτουργιών μηχανικής μάθησης (MLOps) στο ταχέως εξελισσόμενο τοπίο της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης (ML) για οργανισμούς είναι απαραίτητη για την απρόσκοπτη γεφύρωση του χάσματος μεταξύ του πειραματισμού της επιστήμης δεδομένων και της ανάπτυξης, ενώ πληρούνται οι απαιτήσεις σχετικά με την απόδοση του μοντέλου. ασφάλεια και συμμόρφωση.
Προκειμένου να πληρούνται οι κανονιστικές απαιτήσεις και οι απαιτήσεις συμμόρφωσης, οι βασικές απαιτήσεις κατά το σχεδιασμό μιας τέτοιας πλατφόρμας είναι:
- Μετατόπιση δεδομένων διεύθυνσης
- Παρακολούθηση της απόδοσης του μοντέλου
- Διευκόλυνση της αυτόματης επανεκπαίδευσης μοντέλων
- Παρέχετε μια διαδικασία για έγκριση μοντέλου
- Διατηρήστε τα μοντέλα σε ασφαλές περιβάλλον
Σε αυτήν την ανάρτηση, δείχνουμε πώς να δημιουργήσετε ένα πλαίσιο MLOps για την αντιμετώπιση αυτών των αναγκών χρησιμοποιώντας έναν συνδυασμό υπηρεσιών AWS και συνόλων εργαλείων τρίτων. Η λύση συνεπάγεται μια ρύθμιση πολλαπλού περιβάλλοντος με αυτοματοποιημένη επανεκπαίδευση μοντέλων, συμπέρασμα παρτίδων και παρακολούθηση με Παρακολούθηση μοντέλου Amazon SageMaker, έκδοση μοντέλου με Μητρώο μοντέλων SageMaker, και μια διοχέτευση CI/CD για τη διευκόλυνση της προώθησης κώδικα ML και αγωγών σε περιβάλλοντα χρησιμοποιώντας Amazon Sage Maker, Amazon EventBridge, Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon S3), HashiCorp Terraform, GitHub, να Jenkins CI/CD. Κατασκευάζουμε ένα μοντέλο για να προβλέψουμε τη σοβαρότητα (καλοήθη ή κακοήθη) μιας μαστογραφικής μαζικής βλάβης που εκπαιδεύεται με Αλγόριθμος XGBoost χρησιμοποιώντας τα δημόσια διαθέσιμα UCI Mammography Mass σύνολο δεδομένων και να το αναπτύξετε χρησιμοποιώντας το πλαίσιο MLOps. Οι πλήρεις οδηγίες με κωδικό είναι διαθέσιμες στο Αποθετήριο GitHub.
Επισκόπηση λύσεων
Το ακόλουθο διάγραμμα αρχιτεκτονικής δείχνει μια επισκόπηση του πλαισίου MLOps με τα ακόλουθα βασικά στοιχεία:
- Στρατηγική πολλών λογαριασμών – Δύο διαφορετικά περιβάλλοντα (dev και prod) ρυθμίζονται σε δύο διαφορετικούς λογαριασμούς AWS ακολουθώντας τις βέλτιστες πρακτικές AWS Well-Architected και ένας τρίτος λογαριασμός δημιουργείται στο κεντρικό μητρώο μοντέλων:
- Περιβάλλον προγραμματιστή – Όπου ένα Τομέας Amazon SageMaker Studio έχει ρυθμιστεί για να επιτρέπει την ανάπτυξη μοντέλων, την εκπαίδευση μοντέλων και τη δοκιμή αγωγών ML (τρένο και εξαγωγή συμπερασμάτων), πριν ένα μοντέλο είναι έτοιμο να προωθηθεί σε υψηλότερα περιβάλλοντα.
- Prod περιβάλλον – Όπου οι αγωγοί ML από την dev προωθούνται ως πρώτο βήμα και προγραμματίζονται και παρακολουθούνται με την πάροδο του χρόνου.
- Κεντρικό μητρώο μοντέλων - Μητρώο μοντέλων Amazon SageMaker έχει ρυθμιστεί σε έναν ξεχωριστό λογαριασμό AWS για να παρακολουθεί τις εκδόσεις μοντέλων που δημιουργούνται στα περιβάλλοντα προγραμματισμού και παραγωγής.
- CI/CD και έλεγχος πηγής – Η ανάπτυξη των αγωγών ML σε περιβάλλοντα γίνεται μέσω CI/CD που έχει ρυθμιστεί με το Jenkins, μαζί με τον έλεγχο έκδοσης που γίνεται μέσω του GitHub. Οι αλλαγές κώδικα που συγχωνεύονται στον αντίστοιχο κλάδο git περιβάλλοντος ενεργοποιούν μια ροή εργασίας CI/CD για να γίνουν οι κατάλληλες αλλαγές στο δεδομένο περιβάλλον στόχο.
- Μαζικές προβλέψεις με παρακολούθηση μοντέλου – Ο αγωγός συμπερασμάτων που κατασκευάστηκε με Αγωγοί Amazon SageMaker εκτελείται σε προγραμματισμένη βάση για τη δημιουργία προβλέψεων μαζί με την παρακολούθηση μοντέλων χρησιμοποιώντας το SageMaker Model Monitor για τον εντοπισμό μετατόπισης δεδομένων.
- Αυτοματοποιημένος μηχανισμός επανεκπαίδευσης – Ο αγωγός εκπαίδευσης που έχει κατασκευαστεί με το SageMaker Pipelines ενεργοποιείται κάθε φορά που εντοπίζεται μετατόπιση δεδομένων στον αγωγό συμπερασμάτων. Αφού εκπαιδευτεί, το μοντέλο καταχωρείται στο κεντρικό μητρώο μοντέλων για να εγκριθεί από έναν υπεύθυνο έγκρισης μοντέλου. Όταν εγκριθεί, η ενημερωμένη έκδοση του μοντέλου χρησιμοποιείται για τη δημιουργία προβλέψεων μέσω του αγωγού συμπερασμάτων.
- Η υποδομή ως κωδικός – Η υποδομή ως κώδικας (IaC), που δημιουργήθηκε με χρήση HashiCorp Terraform, υποστηρίζει τον προγραμματισμό του αγωγού συμπερασμάτων με το EventBridge, ενεργοποίηση του αγωγού τρένου με βάση ένα Κανόνας EventBridge και αποστολή ειδοποιήσεων χρησιμοποιώντας Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS) Θέματα.
Η ροή εργασίας MLOps περιλαμβάνει τα ακόλουθα βήματα:
- Αποκτήστε πρόσβαση στον τομέα SageMaker Studio στον λογαριασμό ανάπτυξης, κλωνοποιήστε το αποθετήριο GitHub, περάστε από τη διαδικασία ανάπτυξης μοντέλου χρησιμοποιώντας το παρεχόμενο δείγμα μοντέλου και δημιουργήστε τις αγωγές αμαξοστοιχίας και συμπερασμάτων.
- Εκτελέστε τη διοχέτευση τρένου στον λογαριασμό ανάπτυξης, ο οποίος δημιουργεί τα τεχνουργήματα του μοντέλου για την έκδοση εκπαιδευμένου μοντέλου και καταχωρεί το μοντέλο στο μητρώο μοντέλου SageMaker στον κεντρικό λογαριασμό μητρώου μοντέλου.
- Εγκρίνετε το μοντέλο στο SageMaker Model Registry στον κεντρικό λογαριασμό μητρώου μοντέλου.
- Σπρώξτε τον κώδικα (αγωγοί τρένου και συμπερασμάτων και τον κώδικα Terraform IaC για να δημιουργήσετε το χρονοδιάγραμμα EventBridge, τον κανόνα EventBridge και το θέμα SNS) σε έναν κλάδο χαρακτηριστικών του αποθετηρίου GitHub. Δημιουργήστε ένα αίτημα έλξης για να συγχωνεύσετε τον κώδικα στον κύριο κλάδο του αποθετηρίου GitHub.
- Ενεργοποιήστε τη διοχέτευση Jenkins CI/CD, η οποία έχει ρυθμιστεί με το αποθετήριο GitHub. Ο αγωγός CI/CD αναπτύσσει τον κώδικα στον λογαριασμό παραγωγής για να δημιουργήσει τους αγωγούς αμαξοστοιχίας και συμπερασμάτων μαζί με τον κώδικα Terraform για να παρέχει το πρόγραμμα EventBridge, τον κανόνα EventBridge και το θέμα SNS.
- Ο αγωγός συμπερασμάτων έχει προγραμματιστεί να λειτουργεί σε καθημερινή βάση, ενώ ο αγωγός του τρένου έχει ρυθμιστεί να λειτουργεί όποτε ανιχνεύεται μετατόπιση δεδομένων από τον αγωγό συμπερασμάτων.
- Οι ειδοποιήσεις αποστέλλονται μέσω του θέματος SNS κάθε φορά που υπάρχει βλάβη είτε με το τρένο είτε με τον αγωγό συμπερασμάτων.
Προϋποθέσεις
Για αυτή τη λύση, θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις:
- Τρεις λογαριασμοί AWS (λογαριασμοί μητρώου dev, prod και κεντρικού μοντέλου)
- Ένας τομέας SageMaker Studio που έχει ρυθμιστεί σε καθέναν από τους τρεις λογαριασμούς AWS (βλ Επιβιβαστείτε στο Amazon SageMaker Studio ή παρακολουθήστε το βίντεο Επιβιβαστείτε γρήγορα στο Amazon SageMaker Studio για οδηγίες εγκατάστασης)
- Jenkins (χρησιμοποιούμε το Jenkins 2.401.1) με δικαιώματα διαχειριστή εγκατεστημένα στο AWS
- Terraform έκδοση 1.5.5 ή νεότερη εγκατεστημένη στον διακομιστή Jenkins
Για αυτήν την ανάρτηση, εργαζόμαστε στο us-east-1
Περιφέρεια να αναπτύξει τη λύση.
Παροχή κλειδιών KMS σε λογαριασμούς προγραμματιστών και παραγωγών
Το πρώτο μας βήμα είναι να δημιουργήσουμε Υπηρεσία διαχείρισης κλειδιών AWS κλειδιά (AWS KMS) στους λογαριασμούς προγραμματιστών και παραγωγών.
Δημιουργήστε ένα κλειδί KMS στον λογαριασμό προγραμματισμού και δώστε πρόσβαση στον λογαριασμό παραγωγής
Ολοκληρώστε τα παρακάτω βήματα για να δημιουργήσετε ένα κλειδί KMS στον λογαριασμό προγραμματιστή:
- Στην κονσόλα AWS KMS, επιλέξτε Κλειδιά διαχείρισης πελατών στο παράθυρο πλοήγησης.
- Επιλέξτε Δημιουργία κλειδιού.
- Για Τύπος κλειδιού, Επιλέξτε Συμμετρικός.
- Για Βασική χρήση, Επιλέξτε Κρυπτογράφηση και αποκρυπτογράφηση.
- Επιλέξτε Επόμενο.
- Εισαγάγετε τον αριθμό λογαριασμού παραγωγής για να δώσετε στον λογαριασμό παραγωγής πρόσβαση στο κλειδί KMS που παρέχεται στον λογαριασμό προγραμματισμού. Αυτό είναι ένα απαραίτητο βήμα, επειδή την πρώτη φορά που το μοντέλο εκπαιδεύεται στον λογαριασμό dev, τα τεχνουργήματα του μοντέλου κρυπτογραφούνται με το κλειδί KMS πριν εγγραφούν στον κάδο S3 στον κεντρικό λογαριασμό μητρώου μοντέλου. Ο λογαριασμός παραγωγής χρειάζεται πρόσβαση στο κλειδί KMS προκειμένου να αποκρυπτογραφήσει τα τεχνουργήματα του μοντέλου και να εκτελέσει τη γραμμή συμπερασμάτων.
- Επιλέξτε Επόμενο και ολοκληρώστε τη δημιουργία του κλειδιού σας.
Μετά την παροχή του κλειδιού, θα πρέπει να είναι ορατό στην κονσόλα AWS KMS.
Δημιουργήστε ένα κλειδί KMS στον λογαριασμό παραγωγής
Ακολουθήστε τα ίδια βήματα στην προηγούμενη ενότητα για να δημιουργήσετε ένα κλειδί KMS διαχειριζόμενο από τον πελάτη στον λογαριασμό παραγωγής. Μπορείτε να παραλείψετε το βήμα για να μοιραστείτε το κλειδί KMS σε άλλο λογαριασμό.
Ρυθμίστε έναν κάδο S3 τεχνουργημάτων μοντέλου στον κεντρικό λογαριασμό μητρώου μοντέλων
Δημιουργήστε έναν κάδο S3 της επιλογής σας με το κορδόνι sagemaker
στη σύμβαση ονομασίας ως μέρος του ονόματος του κάδου στον κεντρικό λογαριασμό μητρώου μοντέλων και ενημερώστε την πολιτική του κάδου στον κάδο S3 για να δώσετε δικαιώματα τόσο από τον λογαριασμό dev όσο και από τον λογαριασμό παραγωγής για ανάγνωση και εγγραφή τεχνουργημάτων μοντέλων στον κάδο S3.
Ο παρακάτω κώδικας είναι η πολιτική του κάδου που πρέπει να ενημερωθεί στον κάδο S3:
Ρυθμίστε τους ρόλους IAM στους λογαριασμούς σας AWS
Το επόμενο βήμα είναι η ρύθμιση Διαχείριση ταυτότητας και πρόσβασης AWS ρόλους (IAM) στους λογαριασμούς σας AWS με δικαιώματα για AWS Lambda, SageMaker και Jenkins.
Ρόλος εκτέλεσης λάμδα
Ρύθμιση Ρόλοι εκτέλεσης λάμδα στους λογαριασμούς dev και prod, οι οποίοι θα χρησιμοποιηθούν από τη συνάρτηση Lambda που εκτελείται ως μέρος του Βήμα λάμδα της SageMaker Pipelines. Αυτό το βήμα θα εκτελεστεί από τη διοχέτευση συμπερασμάτων για την ανάκτηση του πιο πρόσφατου εγκεκριμένου μοντέλου, χρησιμοποιώντας το οποίο παράγονται συμπεράσματα. Δημιουργήστε ρόλους IAM στους λογαριασμούς dev και prod με τη σύμβαση ονομασίας arn:aws:iam::<account-id>:role/lambda-sagemaker-role
και επισυνάψτε τις ακόλουθες πολιτικές IAM:
- Πολιτική 1 – Δημιουργήστε μια ενσωματωμένη πολιτική με το όνομα
cross-account-model-registry-access
, το οποίο παρέχει πρόσβαση στο πακέτο μοντέλου που έχει ρυθμιστεί στο μητρώο μοντέλων στον κεντρικό λογαριασμό: - Πολιτική 2 - Συνδέω AmazonSageMakerFullAccess, το οποίο είναι ένα Πολιτική διαχείρισης AWS που παρέχει πλήρη πρόσβαση στο SageMaker. Παρέχει επίσης επιλεγμένη πρόσβαση σε σχετικές υπηρεσίες, όπως π.χ Αυτόματη κλιμάκωση εφαρμογής AWS, Amazon S3, Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR), και Αρχεία καταγραφής CloudWatch του Amazon.
- Πολιτική 3 - Συνδέω AWSLambda_FullAccess, η οποία είναι μια διαχειριζόμενη πολιτική AWS που παρέχει πλήρη πρόσβαση στο Lambda, στις λειτουργίες της κονσόλας Lambda και σε άλλες σχετικές υπηρεσίες AWS.
- Πολιτική 4 – Χρησιμοποιήστε την ακόλουθη πολιτική εμπιστοσύνης IAM για τον ρόλο του IAM:
Ρόλος εκτέλεσης του SageMaker
Οι τομείς του SageMaker Studio που έχουν ρυθμιστεί στους λογαριασμούς dev και prod θα πρέπει ο καθένας να έχει έναν ρόλο εκτέλεσης συσχετισμένο, ο οποίος μπορεί να βρεθεί στο Ρυθμίσεις τομέα καρτέλα στη σελίδα λεπτομερειών τομέα, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης. Αυτός ο ρόλος χρησιμοποιείται για την εκτέλεση εργασιών εκπαίδευσης, εργασιών επεξεργασίας και άλλων στον τομέα SageMaker Studio.
Προσθέστε τις ακόλουθες πολιτικές στον ρόλο εκτέλεσης του SageMaker και στους δύο λογαριασμούς:
- Πολιτική 1 – Δημιουργήστε μια ενσωματωμένη πολιτική με το όνομα
cross-account-model-artifacts-s3-bucket-access
, το οποίο παρέχει πρόσβαση στον κάδο S3 στον κεντρικό λογαριασμό μητρώου μοντέλου, ο οποίος αποθηκεύει τα τεχνουργήματα του μοντέλου: - Πολιτική 2 – Δημιουργήστε μια ενσωματωμένη πολιτική με το όνομα
cross-account-model-registry-access
, το οποίο παρέχει πρόσβαση στο πακέτο μοντέλου στο μητρώο μοντέλων στον κεντρικό λογαριασμό μητρώου μοντέλων: - Πολιτική 3 – Δημιουργήστε μια ενσωματωμένη πολιτική με το όνομα
kms-key-access-policy
, το οποίο δίνει πρόσβαση στο κλειδί KMS που δημιουργήθηκε στο προηγούμενο βήμα. Καταχωρίστε το αναγνωριστικό λογαριασμού στο οποίο δημιουργείται η πολιτική και το αναγνωριστικό κλειδιού KMS που δημιουργήθηκε σε αυτόν τον λογαριασμό. - Πολιτική 4 - Συνδέω AmazonSageMakerFullAccess, το οποίο είναι ένα Πολιτική διαχείρισης AWS που παρέχει πλήρη πρόσβαση στο SageMaker και επιλογή πρόσβασης σε σχετικές υπηρεσίες.
- Πολιτική 5 - Συνδέω AWSLambda_FullAccess, η οποία είναι μια διαχειριζόμενη πολιτική AWS που παρέχει πλήρη πρόσβαση στο Lambda, στις λειτουργίες της κονσόλας Lambda και σε άλλες σχετικές υπηρεσίες AWS.
- Πολιτική 6 - Συνδέω CloudWatchEventsFullAccess, η οποία είναι μια διαχειριζόμενη πολιτική AWS που παρέχει πλήρη πρόσβαση στα συμβάντα CloudWatch.
- Πολιτική 7 – Προσθέστε την ακόλουθη πολιτική αξιοπιστίας IAM για τον ρόλο IAM εκτέλεσης του SageMaker:
- Πολιτική 8 (συγκεκριμένη για τον ρόλο εκτέλεσης του SageMaker στον λογαριασμό παραγωγής) – Δημιουργήστε μια ενσωματωμένη πολιτική με το όνομα
cross-account-kms-key-access-policy
, το οποίο παρέχει πρόσβαση στο κλειδί KMS που δημιουργήθηκε στον λογαριασμό προγραμματιστή. Αυτό απαιτείται για τη διοχέτευση συμπερασμάτων για την ανάγνωση τεχνουργημάτων μοντέλων που είναι αποθηκευμένα στον κεντρικό λογαριασμό μητρώου μοντέλου, όπου τα τεχνουργήματα του μοντέλου κρυπτογραφούνται χρησιμοποιώντας το κλειδί KMS από τον λογαριασμό dev όταν δημιουργείται η πρώτη έκδοση του μοντέλου από τον λογαριασμό dev.
Ο ρόλος του Τζένκινς μεταξύ λογαριασμών
Ρυθμίστε έναν ρόλο IAM που ονομάζεται cross-account-jenkins-role
στον λογαριασμό παραγωγής, τον οποίο ο Jenkins θα αναλάβει να αναπτύξει αγωγούς ML και την αντίστοιχη υποδομή στον λογαριασμό παραγωγής.
Προσθέστε τις ακόλουθες διαχειριζόμενες πολιτικές IAM στον ρόλο:
CloudWatchFullAccess
AmazonS3FullAccess
AmazonSNSFullAccess
AmazonSageMakerFullAccess
AmazonEventBridgeFullAccess
AWSLambda_FullAccess
Ενημερώστε τη σχέση εμπιστοσύνης σχετικά με τον ρόλο για την παροχή δικαιωμάτων στον λογαριασμό AWS που φιλοξενεί τον διακομιστή Jenkins:
Ενημερώστε τα δικαιώματα για το ρόλο IAM που σχετίζεται με τον διακομιστή Jenkins
Υποθέτοντας ότι το Jenkins έχει ρυθμιστεί στο AWS, ενημερώστε τον ρόλο IAM που σχετίζεται με το Jenkins για να προσθέσετε τις ακόλουθες πολιτικές, οι οποίες θα δώσουν στον Jenkins πρόσβαση για την ανάπτυξη των πόρων στον λογαριασμό παραγωγής:
- Πολιτική 1 – Δημιουργήστε την ακόλουθη ενσωματωμένη πολιτική με το όνομα
assume-production-role-policy
: - Πολιτική 2 – Επισυνάψτε το
CloudWatchFullAccess
διαχειριζόμενη πολιτική IAM.
Ρυθμίστε την ομάδα πακέτων μοντέλων στον κεντρικό λογαριασμό μητρώου μοντέλων
Από τον τομέα SageMaker Studio στον κεντρικό λογαριασμό μητρώου μοντέλου, δημιουργήστε μια ομάδα πακέτων μοντέλων που ονομάζεται mammo-severity-model-package
χρησιμοποιώντας το ακόλουθο απόσπασμα κώδικα (το οποίο μπορείτε να εκτελέσετε χρησιμοποιώντας ένα σημειωματάριο Jupyter):
Ρυθμίστε την πρόσβαση στο πακέτο μοντέλων για ρόλους IAM στους λογαριασμούς dev και prod
Παροχή πρόσβασης στους ρόλους εκτέλεσης του SageMaker που δημιουργήθηκαν στους λογαριασμούς dev και prod, ώστε να μπορείτε να καταχωρίσετε εκδόσεις μοντέλου στο πακέτο μοντέλου mammo-severity-model-package
στο κεντρικό μητρώο μοντέλων και από τους δύο λογαριασμούς. Από τον τομέα SageMaker Studio στον κεντρικό λογαριασμό μητρώου μοντέλου, εκτελέστε τον ακόλουθο κώδικα σε ένα σημειωματάριο Jupyter:
Ρυθμίστε το Jenkins
Σε αυτήν την ενότητα, διαμορφώνουμε το Jenkins για τη δημιουργία των αγωγών ML και της αντίστοιχης υποδομής Terraform στον λογαριασμό παραγωγής μέσω του αγωγού Jenkins CI/CD.
- Στην κονσόλα CloudWatch, δημιουργήστε μια ομάδα καταγραφής με το όνομα
jenkins-log
εντός του λογαριασμού παραγωγής στον οποίο ο Jenkins θα προωθήσει τα αρχεία καταγραφής από τον αγωγό CI/CD. Η ομάδα καταγραφής θα πρέπει να δημιουργηθεί στην ίδια περιοχή όπου έχει ρυθμιστεί ο διακομιστής Jenkins. - Εγκαταστήστε τα ακόλουθα πρόσθετα στον διακομιστή σας Jenkins:
- Ρύθμιση διαπιστευτηρίων AWS στο Jenkins χρησιμοποιώντας το ρόλο IAM μεταξύ λογαριασμών (
cross-account-jenkins-role
) που προβλέπεται στο λογαριασμό παραγωγής. - Για Διαμόρφωση συστήματος, επιλέξτε AWS.
- Καταχωρίστε τα διαπιστευτήρια και την ομάδα καταγραφής CloudWatch που δημιουργήσατε νωρίτερα.
- Ρυθμίστε διαπιστευτήρια GitHub μέσα στο Jenkins.
- Δημιουργήστε ένα νέο έργο στο Jenkins.
- Εισαγάγετε ένα όνομα έργου και επιλέξτε Pipeline.
- Στις General καρτέλα, επιλέξτε Έργο GitHub και μπείτε στο διχαλωτό Αποθετήριο GitHub URL.
- Αγορά Αυτό το έργο είναι παραμετροποιημένο.
- Στις Προσθήκη παραμέτρου μενού, επιλέξτε Παράμετρος συμβολοσειράς.
- Για Όνομα, εισαγω
prodAccount
. - Για Προεπιλεγμένη τιμή, εισαγάγετε το αναγνωριστικό λογαριασμού παραγωγής.
- Κάτω από Προηγμένες Επιλογές Έργου, Για Ορισμός, Επιλέξτε Σενάριο Pipeline από το SCM.
- Για SCM, επιλέξτε Git.
- Για URL αποθετηρίου, εισάγετε το διχαλωτό Αποθετήριο GitHub URL.
- Για Διαπιστεύσεις, εισαγάγετε τα διαπιστευτήρια GitHub που είναι αποθηκευμένα στο Jenkins.
- εισάγετε
main
στο Υποκαταστήματα για κατασκευή τμήμα, βάσει του οποίου θα ενεργοποιηθεί ο αγωγός CI/CD. - Για Διαδρομή σεναρίου, εισαγω
Jenkinsfile
. - Επιλέξτε Αποθήκευση.
Ο αγωγός Jenkins θα πρέπει να δημιουργηθεί και να είναι ορατός στον πίνακα εργαλείων σας.
Παροχή κάδου S3, συλλογή και προετοιμασία δεδομένων
Ολοκληρώστε τα παρακάτω βήματα για να ρυθμίσετε τους κάδους και τα δεδομένα S3:
- Δημιουργήστε έναν κάδο S3 της επιλογής σας με το κορδόνι
sagemaker
στη σύμβαση ονομασίας ως μέρος του ονόματος του κάδου τόσο στους λογαριασμούς dev όσο και στους λογαριασμούς παραγωγής για την αποθήκευση συνόλων δεδομένων και τεχνουργημάτων μοντέλων. - Ρυθμίστε έναν κάδο S3 για να διατηρήσετε την κατάσταση Terraform στον λογαριασμό παραγωγής.
- Κατεβάστε και αποθηκεύστε τα δημόσια διαθέσιμα UCI Mammography Mass σύνολο δεδομένων στον κάδο S3 που δημιουργήσατε νωρίτερα στον λογαριασμό προγραμματιστή.
- Πιρούν και κλωνοποιήστε το Αποθετήριο GitHub στον τομέα SageMaker Studio στον λογαριασμό προγραμματιστή. Το repo έχει την ακόλουθη δομή φακέλου:
- /environments – Σενάριο διαμόρφωσης για περιβάλλον παραγωγής
- /mlops-infra – Κώδικας για την ανάπτυξη υπηρεσιών AWS με χρήση κώδικα Terraform
- /σωλήνες – Κώδικας για εξαρτήματα αγωγού SageMaker
- Jenkinsfile – Σενάριο για ανάπτυξη μέσω του αγωγού Jenkins CI/CD
- setup.py – Απαιτείται για την εγκατάσταση των απαιτούμενων λειτουργικών μονάδων Python και τη δημιουργία της εντολής run-pipeline
- μαστογραφία-severity-modeling.ipynb – Σας επιτρέπει να δημιουργήσετε και να εκτελέσετε τη ροή εργασίας ML
- Δημιουργήστε έναν φάκελο που ονομάζεται δεδομένα μέσα στον κλωνοποιημένο φάκελο αποθετηρίου GitHub και αποθηκεύστε ένα αντίγραφο του δημοσίως διαθέσιμου UCI Mammography Mass σύνολο δεδομένων
- Ακολουθήστε το σημειωματάριο Jupyter
mammography-severity-modeling.ipynb
. - Εκτελέστε τον ακόλουθο κώδικα στο σημειωματάριο για να επεξεργαστείτε εκ των προτέρων το σύνολο δεδομένων και να το ανεβάσετε στον κάδο S3 στον λογαριασμό προγραμματισμού:
Ο κώδικας θα δημιουργήσει τα ακόλουθα σύνολα δεδομένων:
-
- data/ mammo-train-dataset-part1.csv – Θα χρησιμοποιηθεί για την εκπαίδευση της πρώτης έκδοσης του μοντέλου.
- data/ mammo-train-dataset-part2.csv – Θα χρησιμοποιηθεί για την εκπαίδευση της δεύτερης έκδοσης του μοντέλου μαζί με το σύνολο δεδομένων mammo-train-dataset-part1.csv.
- data/mammo-batch-dataset.csv – Θα χρησιμοποιηθεί για τη δημιουργία συμπερασμάτων.
- data/mammo-batch-dataset-outliers.csv – Θα εισάγει ακραίες τιμές στο σύνολο δεδομένων για να αποτύχει η διοχέτευση συμπερασμάτων. Αυτό θα μας επιτρέψει να δοκιμάσουμε το μοτίβο για να ενεργοποιήσουμε την αυτόματη επανεκπαίδευση του μοντέλου.
- Ανεβάστε το σύνολο δεδομένων
mammo-train-dataset-part1.csv
κάτω από το πρόθεμαmammography-severity-model/train-dataset
και ανεβάστε τα σύνολα δεδομένωνmammo-batch-dataset.csv
καιmammo-batch-dataset-outliers.csv
στο πρόθεμαmammography-severity-model/batch-dataset
του κάδου S3 που δημιουργήθηκε στον λογαριασμό προγραμματισμού: - Ανεβάστε τα σύνολα δεδομένων
mammo-train-dataset-part1.csv
καιmammo-train-dataset-part2.csv
κάτω από το πρόθεμαmammography-severity-model/train-dataset
στον κάδο S3 που δημιουργήθηκε στον λογαριασμό παραγωγής μέσω της κονσόλας Amazon S3. - Ανεβάστε τα σύνολα δεδομένων
mammo-batch-dataset.csv
καιmammo-batch-dataset-outliers.csv
στο πρόθεμαmammography-severity-model/batch-dataset
του κάδου S3 στον λογαριασμό παραγωγής.
Εκτελέστε τον αγωγό του τρένου
Κάτω από <project-name>/pipelines/train
, μπορείτε να δείτε τα ακόλουθα σενάρια Python:
- scripts/raw_preprocess.py – Ενσωματώνεται με το SageMaker Processing για μηχανική χαρακτηριστικών
- scripts/evaluate_model.py – Επιτρέπει τον υπολογισμό μετρήσεων μοντέλου, σε αυτήν την περίπτωση
auc_score
- train_pipeline.py – Περιέχει τον κωδικό για τον αγωγό εκπαίδευσης μοντέλου
Ολοκληρώστε τα παρακάτω βήματα:
- Ανεβάστε τα σενάρια στο Amazon S3:
- Λάβετε το παράδειγμα του αγωγού τρένου:
- Υποβάλετε τον αγωγό του τρένου και εκτελέστε τον:
Το παρακάτω σχήμα δείχνει μια επιτυχημένη εκτέλεση του αγωγού εκπαίδευσης. Το τελευταίο βήμα στη διοχέτευση καταχωρεί το μοντέλο στον κεντρικό λογαριασμό μητρώου μοντέλου.
Εγκρίνετε το μοντέλο στο κεντρικό μητρώο μοντέλων
Συνδεθείτε στον κεντρικό λογαριασμό μητρώου μοντέλων και αποκτήστε πρόσβαση στο μητρώο μοντέλων SageMaker στον τομέα SageMaker Studio. Αλλάξτε την κατάσταση έκδοσης μοντέλου σε Εγκρίθηκε.
Μόλις εγκριθεί, η κατάσταση θα πρέπει να αλλάξει στην έκδοση μοντέλου.
Εκτέλεση του αγωγού συμπερασμάτων (Προαιρετικό)
Αυτό το βήμα δεν απαιτείται, αλλά μπορείτε ακόμα να εκτελέσετε τη διοχέτευση συμπερασμάτων για να δημιουργήσετε προβλέψεις στον λογαριασμό προγραμματιστή.
Κάτω από <project-name>/pipelines/inference
, μπορείτε να δείτε τα ακόλουθα σενάρια Python:
- scripts/lambda_helper.py – Εξάγει την πιο πρόσφατη εγκεκριμένη έκδοση μοντέλου από τον κεντρικό λογαριασμό μητρώου μοντέλων χρησιμοποιώντας ένα βήμα SageMaker Pipelines Lambda
- inference_pipeline.py – Περιέχει τον κωδικό για τη σωλήνωση συμπερασμάτων μοντέλου
Ολοκληρώστε τα παρακάτω βήματα:
- Ανεβάστε το σενάριο στον κάδο S3:
- Λάβετε την παρουσία του αγωγού συμπερασμάτων χρησιμοποιώντας το κανονικό σύνολο δεδομένων παρτίδας:
- Υποβάλετε τη διοχέτευση συμπερασμάτων και εκτελέστε την:
Το παρακάτω σχήμα δείχνει μια επιτυχημένη εκτέλεση του αγωγού συμπερασμάτων. Το τελευταίο βήμα στη διοχέτευση δημιουργεί τις προβλέψεις και τις αποθηκεύει στον κάδο S3. Χρησιμοποιούμε MonitorBatchTransformStep για την παρακολούθηση των εισροών στην εργασία μετασχηματισμού παρτίδας. Εάν υπάρχουν ακραίες τιμές, ο αγωγός συμπερασμάτων μεταβαίνει σε αποτυχημένη κατάσταση.
Εκτελέστε τον αγωγό Jenkins
Η environment/
Ο φάκελος εντός του αποθετηρίου GitHub περιέχει τη δέσμη ενεργειών διαμόρφωσης για τον λογαριασμό παραγωγής. Ολοκληρώστε τα ακόλουθα βήματα για να ενεργοποιήσετε τον αγωγό Jenkins:
- Ενημερώστε το σενάριο διαμόρφωσης
prod.tfvars.json
με βάση τους πόρους που δημιουργήθηκαν στα προηγούμενα βήματα: - Μόλις ενημερωθεί, σπρώξτε τον κώδικα στο διχαλωτό αποθετήριο GitHub και συγχωνεύστε τον κώδικα στον κύριο κλάδο.
- Μεταβείτε στη διεπαφή χρήστη Jenkins, επιλέξτε Δημιουργία με παράμετροι, και ενεργοποιήστε τη διοχέτευση CI/CD που δημιουργήθηκε στα προηγούμενα βήματα.
Όταν η κατασκευή είναι πλήρης και επιτυχής, μπορείτε να συνδεθείτε στον λογαριασμό παραγωγής και να δείτε τους αγωγούς αμαξοστοιχίας και συμπερασμάτων στον τομέα SageMaker Studio.
Επιπλέον, θα δείτε τρεις κανόνες EventBridge στην κονσόλα EventBridge στον λογαριασμό παραγωγής:
- Προγραμματίστε τον αγωγό συμπερασμάτων
- Στείλτε μια ειδοποίηση αστοχίας στον αγωγό του τρένου
- Όταν ο αγωγός συμπερασμάτων αποτυγχάνει να ενεργοποιήσει τον αγωγό τρένου, στείλτε μια ειδοποίηση
Τέλος, θα δείτε ένα θέμα ειδοποίησης SNS στην κονσόλα Amazon SNS που στέλνει ειδοποιήσεις μέσω email. Θα λάβετε ένα μήνυμα ηλεκτρονικού ταχυδρομείου που θα σας ζητά να επιβεβαιώσετε την αποδοχή αυτών των μηνυμάτων ειδοποίησης.
Δοκιμάστε τη διοχέτευση συμπερασμάτων χρησιμοποιώντας ένα σύνολο δεδομένων παρτίδας χωρίς ακραίες τιμές
Για να ελέγξουμε εάν η διοχέτευση συμπερασμάτων λειτουργεί όπως αναμένεται στον λογαριασμό παραγωγής, μπορούμε να συνδεθούμε στον λογαριασμό παραγωγής και να ενεργοποιήσουμε τη διοχέτευση συμπερασμάτων χρησιμοποιώντας το σύνολο δεδομένων παρτίδας χωρίς ακραίες τιμές.
Εκτελέστε τη διοχέτευση μέσω της κονσόλας SageMaker Pipelines στον τομέα SageMaker Studio του λογαριασμού παραγωγής, όπου transform_input
θα είναι το S3 URI του συνόλου δεδομένων χωρίς ακραίες τιμές (s3://<s3-bucket-in-prod-account>/mammography-severity-model/data/mammo-batch-dataset.csv
).
Ο αγωγός συμπερασμάτων πετυχαίνει και γράφει τις προβλέψεις πίσω στον κάδο S3.
Δοκιμάστε τον αγωγό συμπερασμάτων χρησιμοποιώντας ένα σύνολο δεδομένων παρτίδας με ακραίες τιμές
Μπορείτε να εκτελέσετε τη διοχέτευση συμπερασμάτων χρησιμοποιώντας το σύνολο δεδομένων παρτίδας με ακραίες τιμές για να ελέγξετε εάν ο αυτοματοποιημένος μηχανισμός επανεκπαίδευσης λειτουργεί όπως αναμένεται.
Εκτελέστε τη διοχέτευση μέσω της κονσόλας SageMaker Pipelines στον τομέα SageMaker Studio του λογαριασμού παραγωγής, όπου transform_input
θα είναι το S3 URI του συνόλου δεδομένων με ακραίες τιμές (s3://<s3-bucket-in-prod-account>/mammography-severity-model/data/mammo-batch-dataset-outliers.csv
).
Ο αγωγός συμπερασμάτων αποτυγχάνει όπως αναμενόταν, γεγονός που ενεργοποιεί τον κανόνα EventBridge, ο οποίος με τη σειρά του ενεργοποιεί τον αγωγό του τρένου.
Μετά από λίγα λεπτά, θα πρέπει να δείτε μια νέα εκτέλεση του αγωγού τρένου στην κονσόλα SageMaker Pipelines, η οποία συλλέγει τα δύο διαφορετικά σύνολα δεδομένων τρένων (mammo-train-dataset-part1.csv
και mammo-train-dataset-part2.csv
) μεταφορτώθηκε στον κάδο S3 για επανεκπαίδευση του μοντέλου.
Θα δείτε επίσης μια ειδοποίηση που αποστέλλεται στο email που έχετε εγγραφεί στο θέμα SNS.
Για να χρησιμοποιήσετε την ενημερωμένη έκδοση του μοντέλου, συνδεθείτε στον κεντρικό λογαριασμό μητρώου μοντέλων και εγκρίνετε την έκδοση μοντέλου, η οποία θα ληφθεί κατά την επόμενη εκτέλεση της διοχέτευσης συμπερασμάτων που ενεργοποιείται μέσω του προγραμματισμένου κανόνα EventBridge.
Παρόλο που οι αγωγοί αμαξοστοιχίας και συμπερασμάτων χρησιμοποιούν μια στατική διεύθυνση URL συνόλου δεδομένων, μπορείτε να μεταβιβάσετε τη διεύθυνση URL του συνόλου στις αγωγούς αμαξοστοιχίας και συμπερασμάτων ως δυναμικές μεταβλητές, προκειμένου να χρησιμοποιήσετε ενημερωμένα σύνολα δεδομένων για την επανεκπαίδευση του μοντέλου και τη δημιουργία προβλέψεων σε ένα πραγματικό σενάριο.
εκκαθάριση
Για να αποφύγετε μελλοντικές χρεώσεις, ακολουθήστε τα παρακάτω βήματα:
- Καταργήστε τον τομέα SageMaker Studio σε όλους τους λογαριασμούς AWS.
- Διαγράψτε όλους τους πόρους που δημιουργήθηκαν εκτός του SageMaker, συμπεριλαμβανομένων των κουβάδων S3, των ρόλων IAM, των κανόνων EventBridge και του θέματος SNS που έχουν ρυθμιστεί μέσω του Terraform στον λογαριασμό παραγωγής.
- Διαγράψτε τους αγωγούς SageMaker που δημιουργήθηκαν σε όλους τους λογαριασμούς χρησιμοποιώντας το Διεπαφή γραμμής εντολών AWS (AWS CLI).
Συμπέρασμα
Οι οργανισμοί συχνά χρειάζεται να ευθυγραμμιστούν με σύνολα εργαλείων σε επίπεδο επιχείρησης για να επιτρέψουν τη συνεργασία μεταξύ διαφορετικών λειτουργικών περιοχών και ομάδων. Αυτή η συνεργασία διασφαλίζει ότι η πλατφόρμα MLOps σας μπορεί να προσαρμοστεί στις εξελισσόμενες επιχειρηματικές ανάγκες και επιταχύνει την υιοθέτηση του ML σε όλες τις ομάδες. Αυτή η ανάρτηση εξήγησε πώς να δημιουργήσετε ένα πλαίσιο MLOps σε μια ρύθμιση πολλαπλού περιβάλλοντος για να ενεργοποιήσετε την αυτοματοποιημένη επανεκπαίδευση μοντέλων, την εξαγωγή συμπερασμάτων παρτίδας και την παρακολούθηση με το Amazon SageMaker Model Monitor, την έκδοση εκδόσεων μοντέλου με το SageMaker Model Registry και την προώθηση κώδικα ML και αγωγών σε περιβάλλοντα με Σωλήνας CI/CD. Παρουσιάσαμε αυτήν τη λύση χρησιμοποιώντας έναν συνδυασμό υπηρεσιών AWS και συνόλων εργαλείων τρίτων. Για οδηγίες σχετικά με την εφαρμογή αυτής της λύσης, ανατρέξτε στο Αποθετήριο GitHub. Μπορείτε επίσης να επεκτείνετε αυτήν τη λύση φέρνοντας τις δικές σας πηγές δεδομένων και πλαίσια μοντελοποίησης.
Σχετικά με τους Συγγραφείς
Gayatri Ghanakota είναι Sr. Machine Learning Engineer με AWS Professional Services. Είναι παθιασμένη με την ανάπτυξη, την ανάπτυξη και την εξήγηση λύσεων AI/ML σε διάφορους τομείς. Πριν από αυτόν τον ρόλο, ηγήθηκε πολλαπλών πρωτοβουλιών ως επιστήμονας δεδομένων και μηχανικός ML με κορυφαίες παγκόσμιες εταιρείες στον χρηματοοικονομικό και λιανικό χώρο. Είναι κάτοχος μεταπτυχιακού τίτλου στην Επιστήμη Υπολογιστών με εξειδίκευση στην Επιστήμη των Δεδομένων από το Πανεπιστήμιο του Κολοράντο, Boulder.
Sunita Koppar είναι Sr. Data Lake Architect με AWS Professional Services. Είναι παθιασμένη με την επίλυση σημείων πόνου πελατών επεξεργάζοντας μεγάλα δεδομένα και την παροχή μακροπρόθεσμων επεκτάσιμων λύσεων. Πριν από αυτόν τον ρόλο, ανέπτυξε προϊόντα σε τομείς διαδικτύου, τηλεπικοινωνιών και αυτοκινήτων και ήταν πελάτης της AWS. Είναι κάτοχος μεταπτυχιακού τίτλου στην Επιστήμη Δεδομένων από το Πανεπιστήμιο της Καλιφόρνια στο Ρίβερσαϊντ.
Saswata Dash είναι Σύμβουλος DevOps με AWS Professional Services. Έχει συνεργαστεί με πελάτες σε τομείς της υγείας και των βιοεπιστημών, της αεροπορίας και της μεταποίησης. Είναι παθιασμένη με την αυτοματοποίηση όλων των πραγμάτων και έχει ολοκληρωμένη εμπειρία στο σχεδιασμό και την κατασκευή λύσεων πελατών σε επιχειρηματική κλίμακα στο AWS. Εκτός δουλειάς, επιδιώκει το πάθος της για τη φωτογραφία και την ανατολή του ηλίου.
- 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. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/promote-pipelines-in-a-multi-environment-setup-using-amazon-sagemaker-model-registry-hashicorp-terraform-github-and-jenkins-ci-cd/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 12
- 13
- 14
- 16
- 17
- 19
- 23
- 27
- 31
- 320
- 7
- 8
- 9
- a
- Σχετικα
- επιταχύνει
- αποδοχή
- πρόσβαση
- Λογαριασμός
- Λογαριασμοί
- απέναντι
- Ενέργειες
- προσαρμόσει
- προσθέτω
- διεύθυνση
- διοικητικός
- Υιοθεσία
- Μετά το
- την ηλικία του
- AI
- ευθυγράμμιση
- Όλα
- επιτρέπουν
- επιτρέπει
- κατά μήκος
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- και
- Άλλος
- κάθε
- Εφαρμογή
- κατάλληλος
- εγκρίνω
- εγκεκριμένη
- αρχιτεκτονική
- ΕΙΝΑΙ
- περιοχές
- γύρω
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή νοημοσύνη (AI)
- AS
- ζητώντας
- συσχετισμένη
- υποθέτω
- αποδίδουν
- αυτόματη
- Αυτοματοποιημένη
- Αυτόματο
- Αυτοματοποίηση
- αυτοκινήτων
- διαθέσιμος
- αεροπορία
- αποφύγετε
- AWS
- Πελάτης AWS
- Επαγγελματικές υπηρεσίες AWS
- πίσω
- βασίζονται
- βάση
- BE
- επειδή
- ήταν
- πριν
- είναι
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- μεταξύ
- Μεγάλος
- Big Data
- και οι δύο
- Υποκατάστημα
- Γεφυρώνοντας
- Φέρνοντας
- χτίζω
- Κτίριο
- χτισμένο
- επιχείρηση
- αλλά
- by
- υπολογισμός
- Καλιφόρνια
- που ονομάζεται
- CAN
- περίπτωση
- κεντρικός
- αλλαγή
- άλλαξε
- Αλλαγές
- φορτία
- έλεγχος
- επιλογή
- Επιλέξτε
- κωδικός
- συνεργασία
- συλλέγουν
- Κολοράντο
- Στήλη
- Στήλες
- COM
- συνδυασμός
- πλήρης
- Συμμόρφωση
- εξαρτήματα
- περιεκτικός
- υπολογιστή
- Πληροφορική
- κατάσταση
- διαμόρφωση
- Επιβεβαιώνω
- πρόξενος
- σύμβουλος
- Δοχείο
- Περιέχει
- έλεγχος
- Σύμβαση
- μετατρέψετε
- Αντίστοιχος
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- Διαπιστεύσεις
- Σταυρός
- πελάτης
- Λύσεις πελατών
- Πελάτες
- καθημερινά
- ταμπλό
- ημερομηνία
- Λίμνη δεδομένων
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- σύνολα δεδομένων
- Αποκρυπτογράφηση
- Προεπιλογή
- Πτυχίο
- παρατάσσω
- ανάπτυξη
- ανάπτυξη
- αναπτύσσεται
- σχέδιο
- καθέκαστα
- ανίχνευση
- εντοπιστεί
- Dev
- αναπτύχθηκε
- ανάπτυξη
- Ανάπτυξη
- DICT
- διαφορετικές
- τομέα
- domains
- κατά την διάρκεια
- δυναμικός
- κάθε
- Νωρίτερα
- αποτέλεσμα
- είτε
- ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΕΥΘΥΝΣΗ
- ενεργοποιήσετε
- κρυπτογραφημένα
- μηχανικός
- εξασφαλίζει
- εισάγετε
- Περιβάλλον
- περιβάλλοντα
- ουσιώδης
- εκδηλώσεις
- εξελίσσεται
- εκτέλεση
- αναμένεται
- εμπειρία
- εξήγησε
- εξηγώντας
- επεκτείνουν
- διευκολύνω
- ΑΠΟΤΥΓΧΑΝΩ
- Απέτυχε
- αποτυγχάνει
- Αποτυχία
- Χαρακτηριστικό
- Χαρακτηριστικά
- λίγοι
- Εικόνα
- Αρχεία
- τελικός
- οικονομικός
- φινίρισμα
- επιχειρήσεις
- Όνομα
- πρώτη φορά
- Εξής
- Για
- Βρέθηκαν
- Πλαίσιο
- πλαισίων
- από
- Εκπληρώ
- πλήρη
- λειτουργία
- λειτουργικός
- μελλοντικός
- χάσμα
- παράγουν
- παράγεται
- δημιουργεί
- παίρνω
- Git
- GitHub
- Δώστε
- δεδομένου
- δίνει
- Παγκόσμιο
- Go
- πηγαίνει
- επιχορηγήσεις
- Group
- Έχω
- υγειονομική περίθαλψη
- αυτήν
- υψηλότερο
- κατέχει
- φιλοξενία
- Πως
- Πώς να
- HTML
- http
- HTTPS
- ID
- Ταυτότητα
- if
- εκτελεστικών
- εισαγωγή
- in
- περιλαμβάνει
- Συμπεριλαμβανομένου
- ευρετήριο
- Υποδομή
- αρχικά
- πρωτοβουλίες
- είσοδοι
- εγκαθιστώ
- εγκατασταθεί
- παράδειγμα
- οδηγίες
- Ενσωματώνει
- Νοημοσύνη
- Internet
- σε
- εισαγάγει
- IT
- Δουλειά
- Θέσεις εργασίας
- jpg
- json
- Κλειδί
- πλήκτρα
- επιγραφή
- λίμνη
- τοπίο
- αργότερα
- αργότερο
- μάθηση
- Led
- μόχλευση
- ζωή
- Επιστήμες της Ζωής
- γραμμή
- κούτσουρο
- μακροπρόθεσμος
- μηχανή
- μάθηση μηχανής
- Κυρίως
- διατηρήσουν
- κάνω
- διαχειρίζεται
- διαχείριση
- κατασκευής
- Περιθώριο
- Μάζα
- κύριοι
- μηχανισμός
- συνάντηση
- Μενού
- πηγαίνω
- Metrics
- Λείπει
- ML
- MLOps
- μοντέλο
- μοντελοποίηση
- μοντέλα
- τροποποιήσει
- ενότητες
- Στιγμές
- Παρακολούθηση
- παρακολούθηση
- παρακολούθηση
- περισσότερο
- πολλαπλούς
- όνομα
- Ονομάστηκε
- ονοματοδοσία
- Πλοήγηση
- Ανάγκη
- που απαιτούνται
- ανάγκες
- Νέα
- επόμενη
- κανονικός
- σημειωματάριο
- κοινοποίηση
- κοινοποιήσεις
- αριθμός
- πολλοί
- of
- συχνά
- on
- ONE
- λειτουργίες
- or
- τάξη
- οργανώσεις
- ΑΛΛΑ
- έξω
- εκτός
- επί
- επισκόπηση
- δική
- πακέτο
- σελίδα
- Πόνος
- Πάντα
- παράθυρο
- μέρος
- εξαρτήματα
- πέρασε
- πάθος
- παθιασμένος
- πρότυπο
- επίδοση
- δικαιώματα
- φωτογραφία
- εκλεκτός
- Επιλογές
- αγωγού
- πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- σημεία
- Πολιτικές
- πολιτική
- Θέση
- πρακτικές
- προβλέψει
- Προβλέψεις
- Προετοιμάστε
- προαπαιτούμενα
- προηγούμενος
- Κύριος
- Πριν
- προνόμια
- διαδικασια μας
- μεταποίηση
- παραγωγή
- Προϊόντα
- επαγγελματίας
- σχέδιο
- email marketing
- Προωθήθηκε
- προαγωγή
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- πρόβλεψη
- δημοσίως
- Τραβά
- Επιδιώκει
- Σπρώξτε
- Python
- γρήγορα
- ταχέως
- Ακατέργαστος
- Διάβασε
- έτοιμος
- πραγματικό κόσμο
- περιοχή
- κάντε ΕΓΓΡΑΦΗ
- καταχωρηθεί
- μητρώα
- μητρώου
- ρυθμιστές
- σχετίζεται με
- σχέση
- αφαιρέστε
- Αποθήκη
- ζητήσει
- απαιτείται
- απαιτήσεις
- πόρος
- Υποστηρικτικό υλικό
- απάντησης
- λιανική πώληση
- απόδοση
- Ακροποταμιά
- Ρόλος
- ρόλους
- ρίζα
- Άρθρο
- κανόνες
- τρέξιμο
- τρέχει
- σοφός
- Αγωγοί SageMaker
- ίδιο
- Αποθήκευση
- αποθηκεύονται
- επεκτάσιμη
- σενάριο
- πρόγραμμα
- προγραμματιστεί
- προγραμματισμός
- Επιστήμη
- ΕΠΙΣΤΗΜΕΣ
- Επιστήμονας
- γραφή
- Εφαρμογές
- άψογα
- Δεύτερος
- Τμήμα
- προστατευμένο περιβάλλον
- ασφάλεια
- δείτε
- στείλετε
- αποστολή
- αποστέλλει
- αποστέλλονται
- ξεχωριστό
- διακομιστής
- υπηρεσία
- Υπηρεσίες
- σειρά
- ρυθμίσεις
- setup
- Shape
- Κοινοποίηση
- αυτή
- θα πρέπει να
- δείχνουν
- παρουσιάστηκε
- παρουσιάζεται
- Δείχνει
- Απλούς
- Απόσπασμα
- So
- λύση
- Λύσεις
- Επίλυση
- Πηγή
- Πηγές
- Χώρος
- ειδικευμένος
- συγκεκριμένες
- διαίρεση
- Κατάσταση
- Δήλωση
- στατικός
- Κατάσταση
- Βήμα
- Βήματα
- Ακόμη
- κατάστημα
- αποθηκεύονται
- καταστήματα
- Σπάγγος
- δομή
- στούντιο
- επιτυχής
- τέτοιος
- Υποστηρίζει
- στόχος
- ομάδες
- τηλεπικοινωνιών
- Terraform
- δοκιμή
- Δοκιμές
- ότι
- Η
- Τους
- τότε
- Εκεί.
- Αυτοί
- πράγματα
- Τρίτος
- τρίτους
- αυτό
- τρία
- Μέσω
- ώρα
- προς την
- σύνολα εργαλείων
- κορυφή
- τοπικός
- τροχιά
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- Μεταμορφώστε
- ενεργοποιούν
- ενεργοποιήθηκε
- ενεργοποίηση
- αληθής
- Εμπιστευθείτε
- ΣΤΡΟΦΗ
- δύο
- ui
- υπό
- πανεπιστήμιο
- Πανεπιστήμιο της Καλιφόρνια
- Ενημέρωση
- ενημερώθηκε
- Φορτώθηκε
- URL
- us
- χρήση
- μεταχειρισμένος
- χρησιμοποιώντας
- χρησιμότητα
- Αξίες
- διάφορα
- εκδοχή
- εκδόσεις
- μέσω
- Βίντεο
- ορατός
- Δες
- we
- ιστός
- διαδικτυακές υπηρεσίες
- πότε
- οποτεδήποτε
- ενώ
- Ποιό
- ενώ
- θα
- με
- εντός
- χωρίς
- Εργασία
- εργάστηκαν
- ροής εργασίας
- εργαζόμενος
- λειτουργεί
- γράφω
- γραπτή
- Εσείς
- Σας
- YouTube
- zephyrnet