En 2021, lanzamos Servicios proactivos de AWS Support como parte de la Soporte empresarial de AWS ofrecimiento. Desde su introducción, hemos ayudado a cientos de clientes a optimizar sus cargas de trabajo, establecer barreras y mejorar la visibilidad del costo y el uso de sus cargas de trabajo de aprendizaje automático (ML).
En esta serie de publicaciones, compartimos lecciones aprendidas sobre la optimización de costos en Amazon SageMaker. En Parte 1, mostramos cómo comenzar a usar Explorador de costos de AWS para identificar oportunidades de optimización de costos en SageMaker. En esta publicación, nos enfocamos en varias formas de analizar el uso de SageMaker e identificar oportunidades de optimización de costos para instancias de notebooks de SageMaker y Estudio Amazon SageMaker.
Instancias de notebook de SageMaker
A Instancia de cuaderno de SageMaker es una instancia informática completamente administrada que ejecuta la aplicación Jupyter Notebook. SageMaker administra la creación de la instancia y los recursos relacionados. Los cuadernos contienen todo lo necesario para ejecutar o recrear un flujo de trabajo de ML. Puede usar cuadernos de Jupyter en su instancia de cuaderno para preparar y procesar datos, escribir código para entrenar modelos, implementar modelos en SageMaker Hosting y probar o validar sus modelos. El costo de las instancias de notebook de SageMaker se basa en las horas de instancia consumidas mientras se ejecuta la instancia de notebook, así como el costo de GB por mes de almacenamiento aprovisionado, como se describe en Precios de Amazon SageMaker.
En Cost Explorer, puede filtrar los costos de los cuadernos aplicando un filtro en Tipo de uso. Los nombres de estos tipos de uso están estructurados de la siguiente manera:
REGION-Notebk:instanceType
(por ejemplo,USE1-Notebk:ml.g4dn.8xlarge
)REGION-Notebk:VolumeUsage.gp2
(por ejemplo,USE2-Notebk:VolumeUsage.gp2
)
Filtrado por tipo de uso Notebk:
le mostrará una lista de tipos de uso de portátiles en una cuenta. Como se muestra en la siguiente captura de pantalla, puede seleccionar Seleccionar todo y elige Aplicá para mostrar el desglose de costos del uso de su computadora portátil.
Para ver el desglose de costos del tipo de uso de la computadora portátil seleccionado por la cantidad de horas de uso, debe anular la selección de todos los REGION-Notebk:VolumeUsage.gp2
tipos de uso de la lista anterior y elija Aplicá para aplicar el filtro. La siguiente captura de pantalla muestra los gráficos de costo y uso para los tipos de uso de notebook seleccionados.
También puede aplicar filtros adicionales como número de cuenta, Nube informática elástica de Amazon (Amazon EC2) tipo de instancia, etiqueta de asignación de costos, Región, Y mucho más.. Cambiando la granularidad a Diario le brinda gráficos de costo y uso diarios basados en los tipos de uso y la dimensión seleccionados, como se muestra en la siguiente captura de pantalla.
En el ejemplo anterior, la instancia de notebook de tipo ml.t2.medium en la región USE2 informa un uso diario de 24 horas entre el período del 2 de julio y el 26 de septiembre. De manera similar, la instancia de notebook de tipo ml.t3.medium en la región USE1 informa un uso diario de 24 horas entre el 3 de agosto y el 26 de septiembre, y un uso diario de 48 horas entre el 26 de septiembre y el 31 de diciembre. El uso diario de 24 horas o más durante varios días consecutivos podría indicar que una instancia de notebook tiene se ha dejado funcionando durante varios días pero no está en uso activo. Este tipo de patrón podría beneficiarse de la aplicación de barreras de control de costos, como el apagado manual o automático de las instancias de portátiles para evitar el tiempo de ejecución inactivo.
Aunque Cost Explorer lo ayuda a comprender los datos de costo y uso en la granularidad del tipo de instancia, puede usar Informes de uso y costo de AWS (AWS CUR) para obtener datos con la granularidad de un recurso, como el ARN de un cuaderno. Puede crear consultas personalizadas para buscar datos de AWS CUR mediante SQL estándar. También puede incluir etiquetas de asignación de costos en su consulta para obtener un nivel adicional de granularidad. La siguiente consulta devuelve el uso de recursos del cuaderno durante los últimos 3 meses a partir de sus datos de AWS CUR:
La siguiente captura de pantalla muestra los resultados obtenidos al ejecutar la consulta AWS CUR usando Atenea amazónica. Para obtener más información sobre el uso de Athena, consulte Consulta de informes de costos y uso con Amazon Athena.
El resultado de la consulta muestra que el cuaderno dev-notebook
ejecutarse en una instancia ml.t2.medium informa 24 horas de uso durante varios días consecutivos. La tasa de instancia es de 0.0464 USD/hora y el costo diario de ejecución durante 24 horas es de 1.1136 USD.
Los resultados de la consulta de AWS CUR pueden ayudarlo a identificar patrones de notebooks que se ejecutan durante días consecutivos, que se pueden analizar para optimizar los costos. Puede encontrar más información y consultas de ejemplo en el Biblioteca de consultas de AWS CUR.
También puede introducir datos de AWS CUR en Amazon QuickSight, donde puede cortarlo y trocearlo de la forma que desee para fines de informes o visualización. Para obtener instrucciones sobre la ingesta de datos de AWS CUR en QuickSight, consulte ¿Cómo ingiero y visualizo el informe de uso y costo de AWS (CUR) en Amazon QuickSight?.
Optimizar el costo de la instancia del cuaderno
Los cuadernos de SageMaker son adecuados para el desarrollo de modelos de ML, que incluye exploración de datos interactivos, escritura de scripts, creación de prototipos de ingeniería de características y modelado. Cada una de estas tareas puede tener diferentes requisitos de recursos informáticos. Estimar el tipo correcto de recursos informáticos para atender varias cargas de trabajo es un desafío y puede conducir a un aprovisionamiento excesivo de recursos, lo que resulta en un aumento de los costos.
Para el desarrollo de modelos de ML, el tamaño de una instancia de notebook de SageMaker depende de la cantidad de datos que necesita cargar en la memoria para realizar análisis exploratorios de datos (EDA) significativos y la cantidad de cómputo requerida. Recomendamos comenzar poco a poco con instancias de uso general (como familias T o M) y escalar según sea necesario. Por ejemplo, ml.t2.medium es suficiente para la mayoría de los procesamientos de datos básicos, la ingeniería de características y EDA que se ocupan de pequeños conjuntos de datos que se pueden almacenar en una memoria de 4 GB. Si el desarrollo de su modelo implica un trabajo informático pesado (como el procesamiento de imágenes), puede detener su instancia de notebook más pequeña y cambiar el tipo de instancia a la instancia más grande deseada, como ml.c5.xlarge. Puede volver a la instancia más pequeña cuando ya no necesite una instancia más grande. Esto ayudará a mantener bajos los costos de cómputo.
Considere las siguientes prácticas recomendadas para ayudar a reducir el costo de las instancias de su notebook.
CPU frente a GPU
Es importante considerar las instancias de portátiles con CPU y GPU, por ejemplo, el tamaño correcto. Las CPU son mejores para manejar cálculos únicos y más complejos de forma secuencial, mientras que las GPU son mejores para manejar cálculos múltiples pero simples en paralelo. Para muchos casos de uso, un tipo de instancia estándar de generación actual de una familia de instancias como M proporciona suficiente potencia informática, memoria y rendimiento de red para que las computadoras portátiles funcionen bien.
Las GPU ofrecen una excelente relación precio/rendimiento si las aprovechas de forma eficaz. Por ejemplo, si está entrenando su modelo de aprendizaje profundo en una computadora portátil SageMaker y su red neuronal es relativamente grande y realiza una gran cantidad de cálculos que involucran cientos de miles de parámetros, entonces su modelo puede aprovechar el paralelismo de hardware y computación acelerado que ofrece. por instancias de GPU, como familias de instancias P. Sin embargo, se recomienda utilizar instancias de GPU solo cuando realmente las necesite porque son costosas y la sobrecarga de comunicación de la GPU podría incluso degradar el rendimiento si su computadora portátil no las necesita. Recomendamos usar notebooks con instancias que sean más pequeñas en computación para la creación interactiva y dejar el trabajo pesado a trabajos efímeros de capacitación, ajuste y procesamiento con instancias más grandes, incluidas las instancias habilitadas para GPU. De esta manera, no mantendrá una instancia grande (o una GPU) ejecutándose constantemente con su computadora portátil. Si necesita computación acelerada en su entorno de notebook, puede detener su instancia de notebook de la familia m*, cambiar a una instancia de la familia P* habilitada para GPU e iniciarla nuevamente. No olvide volver a cambiarlo cuando ya no necesite ese impulso adicional en su entorno de desarrollo.
Restringir el acceso de los usuarios a tipos de instancias específicas
Los administradores pueden impedir que los usuarios creen cuadernos que sean demasiado grandes mediante Gestión de identidades y accesos de AWS (IAM) políticas. Por ejemplo, la siguiente política de muestra solo permite a los usuarios crear instancias de notebook t3 SageMaker más pequeñas:
Los administradores también pueden utilizar Catálogo de servicios de AWS para permitir el autoservicio de las libretas SageMaker. Esto le permite restringir los tipos de instancias que están disponibles para los usuarios al crear un cuaderno. Para más información, ver Habilite la ciencia de datos segura y de autoservicio mediante cuadernos de Amazon SageMaker y AWS Service Catalog y Inicie Amazon SageMaker Studio utilizando AWS Service Catalog y AWS SSO en el entorno de AWS Control Tower.
Detener instancias de notebook inactivas
Para mantener sus costos bajos, le recomendamos que detenga las instancias de su notebook cuando no las necesite y las inicie cuando las necesite. Considere la detección automática de instancias de portátiles inactivas y la gestión de su ciclo de vida mediante un secuencia de comandos de configuración del ciclo de vida. Por ejemplo, parada automática inactiva es un script de shell de muestra que detiene una computadora portátil SageMaker cuando está inactiva durante más de 1 hora.
AWS mantiene una repositorio público de secuencias de comandos de configuración del ciclo de vida del cuaderno que abordan casos de uso comunes para personalizar instancias de notebooks, incluido un script bash de muestra para detener las notebooks inactivas.
Programe el inicio y la detención automáticos de las instancias de notebook
Otro enfoque para ahorrar en el costo de las computadoras portátiles es iniciar y detener automáticamente sus computadoras portátiles en momentos específicos. Puedes lograr esto usando Puente de eventos de Amazon reglas y AWS Lambda funciones. Para obtener más información sobre cómo configurar sus funciones de Lambda, consulte Configuración de las opciones de la función Lambda. Una vez que haya creado las funciones, puede crear reglas para activar estas funciones en un horario específico, por ejemplo, iniciar los cuadernos todos los días de la semana a las 7:00 am. Ver Creación de una regla de Amazon EventBridge que se ejecuta según un cronograma para instrucciones. Para conocer los scripts para iniciar y detener notebooks con una función Lambda, consulte Garantice recursos informáticos eficientes en Amazon SageMaker.
Estudio SageMaker
Studio proporciona una solución totalmente administrada para que los científicos de datos creen, entrenen e implementen modelos de aprendizaje automático de forma interactiva. Cuadernos de estudio son portátiles Jupyter colaborativos de un solo clic que se pueden activar rápidamente porque no es necesario configurar instancias informáticas ni almacenamiento de archivos de antemano. Se le cobra por el tipo de instancia informática que elija para ejecutar sus cuadernos, según la duración del uso. No hay cargo adicional por usar Studio. Los costos incurridos para ejecutar notebooks, shells interactivos, consolas y terminales de Studio se basan en el uso de instancias informáticas de ML.
Cuando se inicia, el recurso se ejecuta en una instancia informática de ML del tipo de instancia elegido. Si una instancia de ese tipo se lanzó anteriormente y está disponible, el recurso se ejecuta en esa instancia. Para imágenes basadas en CPU, el tipo de instancia sugerido predeterminado es ml.t3.medium. Para imágenes basadas en GPU, el tipo de instancia sugerido predeterminado es ml.g4dn.xlarge. La facturación se produce por instancia y comienza cuando se lanza la primera instancia de un tipo de instancia determinado.
Si desea crear o abrir una libreta sin correr el riesgo de incurrir en cargos, abra la libreta desde el Archive menú y elegir Sin núcleo del desplegable Seleccionar kernel diálogo. Puede leer y editar un cuaderno sin un kernel en ejecución, pero no puede ejecutar celdas. Se le factura por separado para cada instancia. La facturación finaliza cuando se cierran todas las aplicaciones de KernelGateway en la instancia o cuando se cierra la instancia. Para obtener información sobre la facturación junto con ejemplos de precios, consulte Precios de Amazon SageMaker.
En Cost Explorer, puede filtrar los costos de las notebooks de Studio aplicando un filtro en Tipo de uso. El nombre de este tipo de uso está estructurado como: REGION-studio:KernelGateway-instanceType
(por ejemplo, USE1-Studio:KernelGateway-ml.m5.large
)
Filtrado por tipo de uso studio:
en Cost Explorer le mostrará la lista de tipos de uso de Studio en una cuenta. Puede seleccionar los tipos de uso necesarios o seleccionar Seleccionar todo y elige Aplicá para mostrar el desglose de costos del uso de la aplicación Studio. La siguiente captura de pantalla muestra la selección de todos los studio
tipos de uso para el análisis de costes.
También puede aplicar filtros adicionales como Región, cuenta vinculada o tipo de instancia para un análisis de costos más granular. Cambiando la granularidad a Diario le brinda gráficos diarios de costo y uso basados en tipos y dimensiones de uso seleccionados, como se muestra en la siguiente captura de pantalla.
En el ejemplo anterior, la instancia de Studio KernelGateway de tipo ml.t3.medium en la región USE1 informa un uso diario de 48 horas entre el 1 y el 24 de enero, seguido de un uso diario de 24 horas hasta el 11 de febrero. Del mismo modo, la instancia de Studio KernelGateway de tipo ml.m5.large en la región USE1 informa 24 horas de uso diario entre el 1 y el 23 de enero. Un uso diario de 24 horas o más durante varios días consecutivos indica la posibilidad de que se ejecuten instancias de portátiles de Studio. continuamente durante varios días. Este tipo de patrón podría beneficiarse de la aplicación de medidas de protección de control de costos, como el apagado manual o automático de las aplicaciones de Studio cuando no están en uso.
Como se mencionó anteriormente, puede utilizar AWS CUR para obtener datos con la granularidad de un recurso y crear consultas personalizadas para buscar datos de AWS CUR mediante SQL estándar. También puede incluir etiquetas de asignación de costos en su consulta para obtener un nivel adicional de granularidad. La siguiente consulta devuelve el uso de recursos de Studio KernelGateway durante los últimos 3 meses a partir de sus datos de AWS CUR:
La siguiente captura de pantalla muestra los resultados obtenidos al ejecutar la consulta AWS CUR con Athena.
El resultado de la consulta muestra que la aplicación Studio KernelGateway denominada datascience-1-0-ml-t3-medium-1abf3407f667f989be9d86559395
corriendo en cuenta 111111111111
, dominio de estudio d-domain1234
y perfil de usuario user1
en una instancia ml.t3.medium informa 24 horas de uso durante varios días consecutivos. La tasa de instancia es de 0.05 USD/hora y el costo diario de ejecución durante 24 horas es de 1.20 USD.
Los resultados de las consultas de AWS CUR pueden ayudarlo a identificar patrones de recursos que se ejecutan durante días consecutivos a un nivel granular de uso diario o por hora, que se pueden analizar para la optimización de costos. Al igual que con los cuadernos de SageMaker, también puede introducir datos de CUR de AWS en QuickSight con fines de generación de informes o visualización.
Administrador de datos de SageMaker
Wrangler de datos de Amazon SageMaker es una característica de Studio que lo ayuda a simplificar el proceso de preparación de datos e ingeniería de características desde una interfaz visual de código bajo. El nombre del tipo de uso para una aplicación Studio Data Wrangler está estructurado como REGION-Studio_DW:KernelGateway-instanceType
(por ejemplo, USE1-Studio_DW:KernelGateway-ml.m5.4xlarge
).
Filtrado por tipo de uso studio_DW:
en Cost Explorer le mostrará la lista de tipos de uso de Studio Data Wrangler en una cuenta. Puede seleccionar los tipos de uso necesarios o seleccionar Seleccionar todo y elige Aplicá para mostrar el desglose de costos del uso de la aplicación Studio Data Wrangler. La siguiente captura de pantalla muestra la selección de todos los studio_DW
tipos de uso para el análisis de costes.
Como se indicó anteriormente, también puede aplicar filtros adicionales para un análisis de costos más granular. Por ejemplo, la siguiente captura de pantalla muestra 24 horas de uso diario del tipo de instancia de Studio Data Wrangler ml.m5.4xlarge en la región USE1 durante varios días y su costo asociado. Esta información se puede usar para aplicar medidas de control de costos, como cerrar las aplicaciones de Studio cuando no se usan.
Puede obtener información a nivel de recursos de AWS CUR y crear consultas personalizadas para buscar datos de AWS CUR mediante SQL estándar. La siguiente consulta devuelve el uso de recursos de la aplicación Studio Data Wrangler y el costo asociado durante los últimos 3 meses de sus datos de AWS CUR:
SELECT bill_payer_account_id, line_item_usage_account_id, line_item_resource_id AS studio_notebook_arn, line_item_usage_type, DATE_FORMAT((line_item_usage_start_date),'%Y-%m-%d') AS day_line_item_usage_start_date, SUM(CAST(line_item_usage_amount AS DOUBLE)) AS sum_line_item_usage_amount, line_item_unblended_rate, SUM(CAST(line_item_unblended_cost AS DECIMAL(16,8))) AS sum_line_item_unblended_cost, line_item_blended_rate, SUM(CAST(line_item_blended_cost AS DECIMAL(16,8))) AS sum_line_item_blended_cost, line_item_line_item_description, line_item_line_item_type FROM {$table_name} WHERE line_item_usage_start_date >= date_trunc('month',current_date - interval '3' month) AND line_item_product_code = 'AmazonSageMaker' AND line_item_line_item_type IN ('DiscountedUsage', 'Usage', 'SavingsPlanCoveredUsage') AND line_item_usage_type like '%Studio_DW:KernelGateway%' AND line_item_operation = 'RunInstance' AND bill_payer_account_id = 'xxxxxxxxxxxx' GROUP BY bill_payer_account_id, line_item_usage_account_id, line_item_resource_id, line_item_usage_type, line_item_unblended_rate, line_item_blended_rate, line_item_line_item_type, DATE_FORMAT((line_item_usage_start_date),'%Y-%m-%d'), line_item_line_item_description ORDER BY line_item_resource_id, day_line_item_usage_start_date
La siguiente captura de pantalla muestra los resultados obtenidos al ejecutar la consulta AWS CUR con Athena.
El resultado de la consulta muestra que la aplicación Studio Data Wrangler denominada sagemaker-data-wrang-ml-m5-4xlarge-b741c1a025d542c78bb538373f2d
corriendo en cuenta 111111111111
, Dominio de estudio d-domain1234
y perfil de usuario user1
en una instancia ml.m5.4xlarge informa 24 horas de uso durante varios días consecutivos. La tarifa de instancia es de $0.922/hora y el costo diario de ejecución durante 24 horas es de $22.128.
Coste de Optimize Studio
Las notebooks de Studio se cobran por el tipo de instancia que elija, según la duración del uso. Debe cerrar la instancia para dejar de incurrir en cargos. Si apaga la computadora portátil que se ejecuta en la instancia, pero no apaga la instancia, seguirá incurriendo en cargos. Cuando apaga las instancias de notebook de Studio, cualquier recurso adicional, como puntos finales de SageMaker, EMR de Amazon racimos, y Servicio de almacenamiento simple de Amazon Los cubos (Amazon S3) creados desde Studio no se eliminan. Elimine esos recursos si ya no son necesarios para detener la acumulación de cargos. Para obtener más detalles sobre cómo cerrar los recursos de Studio, consulte Apagar recursos. Si está utilizando Data Wrangler, es importante apagarlo después de terminar su trabajo para ahorrar costos. Para más detalles, consulte Cerrar Data Wrangler.
Considere las siguientes mejores prácticas para ayudar a reducir el costo de sus portátiles Studio.
Detener automáticamente las instancias de portátiles inactivas de Studio
Puede detener automáticamente los recursos inactivos del bloc de notas de Studio con configuraciones de ciclo de vida en el estudio. También puede instalar y usar una extensión de JupyterLab disponible en GitHub como configuración del ciclo de vida de Studio. Para obtener instrucciones detalladas sobre la arquitectura de Studio y cómo agregar la extensión, consulte Ahorre costos al cerrar automáticamente los recursos inactivos dentro de Amazon SageMaker Studio.
Cambiar el tamaño sobre la marcha
La ventaja de los cuadernos de Studio sobre las instancias de cuadernos es que con Studio, el Los recursos informáticos son totalmente elásticos y puede cambiar la instancia sobre la marcha. Esto le permite ampliar o reducir la computación a medida que cambia su demanda de computación, por ejemplo, de ml.t3.medium a ml.m5.4xlarge, sin interrumpir su trabajo ni administrar la infraestructura. Pasar de una instancia a otra es sencillo y puede seguir trabajando mientras se inicia la instancia. Con las instancias de notebook bajo demanda, debe detener la instancia, actualizar la configuración y reiniciar con el nuevo tipo de instancia. Para más información, ver Aprenda a seleccionar instancias de ML sobre la marcha en Amazon SageMaker Studio.
Restringir el acceso de los usuarios a tipos de instancias específicas
Los administradores pueden usar IAM claves de condición como una forma efectiva de restringir ciertos tipos de instancias, como instancias de GPU, para usuarios específicos, controlando así los costos. Por ejemplo, en la siguiente política de ejemplo, se deniega el acceso a todas las instancias excepto ml.t3.medium y ml.g4dn.xlarge. Tenga en cuenta que debe permitir la instancia del sistema para las aplicaciones predeterminadas del servidor Jupyter.
Para obtener una guía completa sobre las mejores prácticas para optimizar el costo de Studio, consulte Garantice recursos informáticos eficientes en Amazon SageMaker.
Use etiquetas para realizar un seguimiento del costo de Studio
En Studio, puede asignar etiquetas personalizadas a su Studio dominio al igual que usuarios a quienes se les proporciona acceso al dominio. Studio copiará y asignará automáticamente estas etiquetas al Cuadernos de estudio creado por los usuarios, para que pueda rastrear y categorizar fácilmente el costo de las notebooks Studio y crear modelos de reembolso de costos para su organización.
De manera predeterminada, SageMaker etiqueta automáticamente los nuevos recursos de SageMaker, como trabajos de capacitación, trabajos de procesamiento, experimentos, canalizaciones y entradas de registro de modelos con sus respectivas sagemaker:domain-arn
. SageMaker también etiqueta el recurso con el sagemaker:user-profile-arn
or sagemaker:space-arn
para designar la creación de recursos en un nivel aún más granular.
Los administradores pueden usar el etiquetado automático para monitorear fácilmente los costos asociados con su línea de negocios, equipos, usuarios individuales o problemas comerciales individuales mediante el uso de herramientas como Presupuestos de AWS y Explorador de costos. Por ejemplo, puede adjuntar un etiqueta de asignación de costos para sagemaker:domain-arn
etiqueta.
Esto le permite utilizar Cost Explorer para visualizar el gasto del cuaderno de Studio para un dominio determinado.
Considere los costos de almacenamiento
Cuando el primer miembro de su equipo se incorpora a Studio, SageMaker crea un Sistema de archivos elástico de Amazon (Amazon EFS) volumen para el equipo. Cuando este miembro, o cualquier miembro del equipo, abre Studio, se crea un directorio de inicio en el volumen para el miembro. Se incurre en un cargo de almacenamiento para este directorio. Posteriormente, se incurre en cargos de almacenamiento adicionales para los cuadernos y archivos de datos almacenados en el directorio de inicio del miembro. Para más información, ver Precios de Amazon EFS.
Conclusión
En esta publicación, brindamos orientación sobre el análisis de costos y las mejores prácticas al crear modelos ML utilizando instancias de portátiles y Studio. A medida que el aprendizaje automático se establece como una herramienta poderosa en todas las industrias, la capacitación y la ejecución de modelos ML deben seguir siendo rentables. SageMaker ofrece un amplio y profundo conjunto de funciones para facilitar cada paso en la canalización de ML y brinda oportunidades de optimización de costos sin afectar el rendimiento o la agilidad.
Acerca de los autores
Deepali Rajale es especialista sénior en inteligencia artificial y aprendizaje automático en AWS. Trabaja con clientes empresariales brindando orientación técnica con las mejores prácticas para implementar y mantener soluciones de IA/ML en el ecosistema de AWS. Ha trabajado con una amplia gama de organizaciones en varios casos de uso de aprendizaje profundo que involucran NLP y visión artificial. Le apasiona empoderar a las organizaciones para que aprovechen la IA generativa para mejorar su experiencia de uso. En su tiempo libre, disfruta del cine, la música y la literatura.
uri rosenberg es el gerente técnico especialista en inteligencia artificial y aprendizaje automático para Europa, Medio Oriente y África. Con sede en Israel, Uri trabaja para empoderar a los clientes empresariales en todo lo relacionado con ML para diseñar, construir y operar a escala. En su tiempo libre, disfruta del ciclismo, el senderismo, el desayuno, el almuerzo y la cena.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/part-2-analyze-amazon-sagemaker-spend-and-determine-cost-optimization-opportunities-based-on-usage-part-2-sagemaker-notebooks-and-studio/
- :posee
- :es
- :no
- :dónde
- ][pag
- $ UP
- 1
- 100
- 11
- 14
- 15%
- 20
- 2021
- 23
- 24
- 26%
- 31
- 7
- 8
- a
- Nuestra Empresa
- acelerado
- de la máquina
- lograr
- Mi Cuenta
- a través de
- la columna Acción
- lector activo
- la adición de
- Adicionales
- dirección
- Ventaja
- África
- Después
- de nuevo
- AI
- AI / ML
- Todos
- asignación
- permitir
- permite
- a lo largo de
- también
- am
- Amazon
- Amazon EC2
- Amazon SageMaker
- Estudio Amazon SageMaker
- Amazon Web Services
- cantidad
- an
- Analiza
- análisis
- analizar
- y
- Otra
- cualquier
- applicación
- Aplicá
- La aplicación de
- enfoque
- aplicaciones
- arquitectura
- somos
- AS
- asociado
- At
- adjuntar
- AGOSTO
- Confirmación de Viaje
- Automático
- automáticamente
- Hoy Disponibles
- AWS
- Atrás
- basado
- golpear
- básica
- BE
- porque
- esto
- es el beneficio
- MEJOR
- y las mejores prácticas
- mejores
- entre
- Big
- facturación
- empujón
- Breakdown
- Desayuno
- build
- Construir la
- pero
- by
- cálculos
- PUEDEN
- cases
- catalogar
- Células
- a ciertos
- desafiante
- el cambio
- Cambios
- cambio
- CHARGE
- cargado
- cargos
- Gráficas
- Elige
- elegido
- código
- colaboración
- Algunos
- Comunicación
- integraciones
- exhaustivo
- cálculo
- Calcular
- computadora
- Visión por computador
- informática
- potencia de cálculo
- condición
- Configuración
- consecutivo
- Considerar
- consolas
- constantemente
- consumido
- que no contengo
- continue
- continuamente
- control
- Torre de control
- CONTROL
- Cost
- rentable
- Precio
- podría
- Para crear
- creado
- crea
- Creamos
- creación
- Current
- personalizado
- Clientes
- todos los días
- datos
- Preparación de datos
- proceso de datos
- Ciencia de los datos
- conjuntos de datos
- Días
- Ofertas
- Diciembre
- profundo
- deep learning
- Predeterminado
- Demanda
- depende
- desplegar
- Desplegando
- Diseño
- deseado
- detallado
- detalles
- Determinar
- Desarrollo
- diálogo
- Dimensiones
- Cena
- Pantalla
- do
- No
- dominio
- hecho
- No
- doble
- DE INSCRIPCIÓN
- duración
- cada una
- Más temprano
- pasan fácilmente
- Este
- ecosistema
- efecto
- Eficaz
- de manera eficaz
- eficiente
- empoderar a
- empoderamiento
- termina
- Ingeniería
- mejorar
- suficientes
- Empresa
- Entorno
- Europa
- Incluso
- Cada
- todo
- ejemplo
- ejemplos
- Excepto
- costoso
- experience
- experimentos
- exploración
- explorador
- extensión
- extra
- facilitando
- familias
- familia
- Feature
- Febrero
- Archive
- archivos
- filtrar
- filtros
- Nombre
- Focus
- seguido
- siguiendo
- siguiente
- encontrado
- Desde
- completamente
- función
- funciones
- propósito general
- generación de AHSS
- generativo
- IA generativa
- obtener
- dado
- da
- GPU
- GPU
- gráficos
- maravillosa
- Grupo procesos
- guía
- Manejo
- Materiales
- Tienen
- he
- pesado
- levantar objetos pesados
- Retenida
- ayuda
- ayudado
- ayuda
- aquí
- su
- Inicio
- hosting
- horas.
- HORAS
- Cómo
- Como Hacer
- Sin embargo
- HTML
- http
- HTTPS
- Cientos
- i
- Identifique
- Identidad
- Idle
- if
- imagen
- imágenes
- impactando
- importante
- mejorar
- in
- incluir
- incluye
- Incluye
- aumentado
- indicar
- Indica
- INSTRUMENTO individual
- industrias
- información
- EN LA MINA
- Insights
- instalar
- ejemplo
- Instrucciones
- interactivo
- Interfaz
- dentro
- Introducción
- que implica
- Israel
- IT
- SUS
- sí mismo
- Enero
- 24 de enero
- Empleo
- jpg
- Julio
- Guardar
- large
- mayores
- Apellidos
- lanzado
- pone en marcha
- Lead
- aprendido
- aprendizaje
- dejarlo
- izquierda
- Lecciones
- Lecciones aprendidas
- Nivel
- Apalancamiento
- ciclo de vida
- cirugía estética
- como
- línea
- vinculado
- Lista
- literatura
- carga
- por más tiempo
- Mira
- almuerzo
- máquina
- máquina de aprendizaje
- Mantener los
- mantiene
- gestionado
- gerente
- gestiona
- administrar
- manual
- muchos
- Puede..
- significativo
- medidas
- mediano
- miembro
- Salud Cerebral
- mencionado
- Menú
- Ed. Media
- Oriente Medio
- podría
- ML
- modelo
- modelado
- modelos
- Monitorear
- Mes
- meses
- más,
- MEJOR DE TU
- Películas
- emocionante
- múltiples
- Música
- debe
- nombre
- Llamado
- nombres
- necesario
- ¿ Necesita ayuda
- del sistema,
- red neural
- Nuevo
- nlp
- no
- cuaderno
- señaló
- número
- obtener
- obtenido
- of
- Ofrecido
- que ofrece
- Ofertas
- on
- On-Demand
- ONE
- , solamente
- habiertos
- abre
- funcionar
- Del Mañana
- optimización
- Optimización
- optimizando
- or
- solicite
- organización
- para las fiestas.
- salir
- esbozado
- Más de
- Paralelo
- parámetros
- parte
- apasionado
- Patrón de Costura
- .
- Realizar
- actuación
- realizar
- período
- industrial
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- políticas
- política
- posibilidad
- Publicación
- Artículos
- industria
- poderoso
- prácticas
- preparación
- Preparar
- evitar
- previamente
- cotización
- Proactiva
- problemas
- tratamiento
- Mi Perfil
- prototipado
- proporcionar
- previsto
- proporciona un
- proporcionando
- fines
- consultas
- con rapidez
- distancia
- Rate
- proporción
- Leer
- realmente
- recomiendan
- recomendado
- reducir
- región
- registro
- relacionado
- relativamente
- permanecer
- reporte
- Informes
- Informes
- repositorio
- Requisitos
- Requisitos
- Recurso
- Recursos
- aquellos
- restringir
- resultado
- resultante
- Resultados
- devoluciones
- Derecho
- Riesgo
- Regla
- reglas
- Ejecutar
- correr
- sabio
- Guardar
- Escala
- la ampliación
- programa
- Ciencia:
- los científicos
- guiones
- sin costura
- asegurado
- ver
- seleccionado
- selección
- Autoservicio
- mayor
- Septiembre
- Serie
- ayudar
- de coches
- Servicios
- set
- pólipo
- Compartir
- ella
- Cáscara
- Mostrar
- mostró
- mostrado
- Shows
- cerrar
- cierre
- cerrar
- Del mismo modo
- sencillos
- simplificar
- desde
- soltero
- Tamaño
- Rebanada
- chica
- menores
- So
- a medida
- Soluciones
- especialista
- soluciones y
- pasar
- hilado
- estándar
- comienzo
- fundó
- Comience a
- comienza
- paso
- Sin embargo
- Detener
- parada
- Paradas
- STORAGE
- almacenados
- estructurado
- estudio
- Después
- tal
- suficiente
- adecuado
- SOPORTE
- apoyo proactivo
- Switch
- te
- ETIQUETA
- ¡Prepárate!
- tareas
- equipo
- equipos
- Técnico
- test
- que
- esa
- La
- su
- Les
- luego
- Ahí.
- de este modo
- Estas
- ellos
- cosas
- así
- aquellos
- miles
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- veces
- a
- demasiado
- del IRS
- tower
- seguir
- Entrenar
- Formación
- detonante
- tipo
- tipos
- subyacente
- entender
- hasta
- Actualizar
- Uso
- utilizan el
- usado
- Usuario
- usuarios
- usando
- utilizar
- VALIDAR
- diversos
- la visibilidad
- visión
- visualización
- volumen
- vs
- quieres
- fue
- Camino..
- formas
- we
- web
- servicios web
- WELL
- cuando
- mientras
- que
- mientras
- QUIENES
- amplio
- Amplia gama
- seguirá
- dentro de
- sin
- Actividades:
- trabajado
- flujo de trabajo
- trabajando
- funciona
- escribir
- escribir código
- la escritura
- Usted
- tú
- zephyrnet