Los modelos de aprendizaje automático (ML) no funcionan de forma aislada. Para ofrecer valor, deben integrarse en la infraestructura y los sistemas de producción existentes, lo que requiere considerar todo el ciclo de vida del ML durante el diseño y el desarrollo. Las operaciones de ML, conocidas como MLOps, se centran en optimizar, automatizar y monitorear los modelos de ML a lo largo de su ciclo de vida. La construcción de un canal MLOps sólido exige colaboración interfuncional. Los científicos de datos, los ingenieros de aprendizaje automático, el personal de TI y los equipos de DevOps deben trabajar juntos para poner en funcionamiento los modelos desde la investigación hasta la implementación y el mantenimiento. Con los procesos y herramientas adecuados, MLOps permite a las organizaciones adoptar ML de manera confiable y eficiente en todos sus equipos.
Aunque los requisitos de los canales de integración y entrega continua (CI/CD) pueden ser únicos y reflejar las necesidades de cada organización, la ampliación de las prácticas de MLOps entre equipos se puede simplificar mediante el uso de orquestaciones administradas y herramientas que pueden acelerar el proceso de desarrollo y eliminar el trabajo pesado indiferenciado. .
Operaciones mlop de Amazon SageMaker es un conjunto de características que incluye Proyectos de Amazon SageMaker (CI/CD), Canalizaciones de Amazon SageMaker y Registro de modelos de Amazon SageMaker.
Tuberías de SageMaker permite la creación y gestión sencilla de flujos de trabajo de ML, al tiempo que ofrece capacidades de almacenamiento y reutilización para los pasos del flujo de trabajo. El Registro de modelos de SageMaker centraliza el seguimiento del modelo, simplificando la implementación del modelo. Proyectos de SageMaker Introduce prácticas de CI/CD en ML, incluida la paridad del entorno, el control de versiones, las pruebas y la automatización. Esto permite un rápido establecimiento de CI/CD en su entorno de aprendizaje automático, lo que facilita una escalabilidad efectiva en toda su empresa.
El incorporado plantillas de proyecto proporcionada por Amazon SageMaker incluyen integración con algunas herramientas de terceros, como Jenkins para orquestación y GitHub para control de fuente, y varias utilizan herramientas CI/CD nativas de AWS, como Compromiso de código de AWS, AWS CodePipeliney Construcción de código AWS. Sin embargo, en muchos escenarios, a los clientes les gustaría integrar SageMaker Pipelines con otras herramientas CI/CD existentes y, por lo tanto, crear sus plantillas de proyecto personalizadas.
En este post, te mostramos una implementación paso a paso para lograr lo siguiente:
- Cree una plantilla de proyecto SageMaker MLOps personalizada que se integre con GitHub y GitHub Actions
- Haga que sus plantillas de proyectos personalizadas estén disponibles en Estudio Amazon SageMaker para su equipo de ciencia de datos con aprovisionamiento con un solo clic
Resumen de la solución
En esta publicación, construimos la siguiente arquitectura. Creamos un proceso de creación de modelos automatizado que incluye pasos para la preparación de datos, entrenamiento de modelos, evaluación de modelos y registro del modelo entrenado en el Registro de modelos de SageMaker. Luego, el modelo de aprendizaje automático entrenado resultante se implementa desde el Registro de modelos de SageMaker en entornos de ensayo y producción tras su aprobación manual.
Profundicemos en los elementos de esta arquitectura para comprender la configuración completa.
GitHub y acciones de GitHub
GitHub es una plataforma basada en web que proporciona control de versiones y gestión de código fuente mediante Git. Permite a los equipos colaborar en proyectos de desarrollo de software, realizar un seguimiento de los cambios y gestionar repositorios de código. GitHub sirve como una ubicación centralizada para almacenar, versionar y administrar su base de código ML. Esto garantiza que la base y las canalizaciones de su código de aprendizaje automático estén versionadas, documentadas y accesibles para los miembros del equipo.
Acciones de GitHub es una poderosa herramienta de automatización dentro del ecosistema GitHub. Le permite crear flujos de trabajo personalizados que automatizan los procesos del ciclo de vida de desarrollo de software, como la creación, prueba e implementación de código. Puede crear flujos de trabajo controlados por eventos desencadenados por eventos específicos, como cuando se envía código a un repositorio o se crea una solicitud de extracción. Al implementar MLOps, puede usar GitHub Actions para automatizar varias etapas del proceso de ML, como:
- Validación y preprocesamiento de datos.
- Capacitación y evaluación de modelos
- Implementación y seguimiento del modelo.
- CI/CD para modelos ML
Con GitHub Actions, puede optimizar sus flujos de trabajo de ML y garantizar que sus modelos se creen, prueben e implementen de manera consistente, lo que lleva a implementaciones de ML más eficientes y confiables.
En las siguientes secciones, comenzamos configurando los requisitos previos relacionados con algunos de los componentes que utilizamos como parte de esta arquitectura:
- Formación en la nube de AWS – Formación en la nube de AWS inicia la implementación del modelo y establece los puntos finales de SageMaker después de que la canalización de implementación del modelo se activa mediante la aprobación del modelo entrenado.
- Conexión AWS CodeStar - Usamos Código de AWS para establecer un enlace con el repositorio de GitHub y utilizarlo como integración del repositorio de código con recursos de AWS, como SageMaker Studio.
- Puente de eventos de Amazon – Puente de eventos de Amazon realiza un seguimiento de todas las modificaciones en el registro de modelos. También mantiene una regla que solicita a la función Lambda que implemente la canalización del modelo cuando el estado de la versión del paquete del modelo cambia de
PendingManualApproval
aApproved
dentro del registro del modelo. - AWS Lambda – Usamos un AWS Lambda función para iniciar el flujo de trabajo de implementación del modelo en GitHub Actions después de que se registra un nuevo modelo en el registro de modelos.
- Amazon SageMaker – Configuramos los siguientes componentes de SageMaker:
- Oleoducto – Este componente consta de un gráfico acíclico dirigido (DAG) que nos ayuda a construir el flujo de trabajo de ML automatizado para las etapas de preparación de datos, entrenamiento de modelos y evaluación de modelos. El registro de modelos mantiene registros de las versiones del modelo, sus artefactos asociados, linaje y metadatos. Se establece un grupo de paquetes de modelos que alberga todas las versiones de modelos relacionadas. El registro del modelo también es responsable de gestionar el estado de aprobación de la versión del modelo para su posterior implementación.
- Punto final – Este componente configura dos puntos finales HTTPS en tiempo real para la inferencia. La configuración de alojamiento se puede ajustar, por ejemplo, para transformación por lotes o inferencia asincrónica. El punto final de preparación se genera cuando la canalización de implementación del modelo se activa mediante la aprobación del modelo entrenado desde el Registro de modelos de SageMaker. Este punto final se utiliza para validar el modelo implementado garantizando que proporcione predicciones que satisfagan nuestros estándares de precisión. Cuando el modelo está preparado para la implementación de producción, se implementa un punto final de producción mediante una etapa de aprobación manual en el flujo de trabajo de GitHub Actions.
- Repositorio de código – Esto crea un repositorio Git como recurso en su cuenta de SageMaker. Utilizando los datos existentes del repositorio de código de GitHub que ingresa durante la creación de su proyecto de SageMaker, se establece una asociación con el mismo repositorio en SageMaker cuando inicia el proyecto. Básicamente, esto forma un enlace con un repositorio de GitHub en SageMaker, lo que permite acciones interactivas (extraer/empujar) con su repositorio.
- registro modelo – Esto monitorea las distintas versiones del modelo y los artefactos correspondientes, que incluyen linaje y metadatos. Una colección conocida como grupo de paquetes modelo se crea, que alberga versiones relacionadas del modelo. Además, el registro del modelo supervisa el estado de aprobación de la versión del modelo, asegurando su preparación para su posterior implementación.
- Director de secretos de AWS – Para preservar de forma segura su token de acceso personal de GitHub, es necesario establecer un secreto en Director de secretos de AWS y guarde su token de acceso dentro de él.
- Catálogo de servicios de AWS – Usamos el Catálogo de servicios de AWS para la implementación de proyectos de SageMaker, que incluyen componentes como un repositorio de código de SageMaker, función Lambda, regla EventBridge, depósito de artefactos S3, etc., todo implementado a través de CloudFormation. Esto permite a su organización utilizar plantillas de proyectos repetidamente, asignar proyectos a cada usuario y optimizar las operaciones.
- Amazon S3 – Usamos un Servicio de almacenamiento simple de Amazon (Amazon S3) para conservar los artefactos del modelo producidos por la canalización.
Requisitos previos
Debe tener los siguientes requisitos previos:
También debe completar pasos de configuración adicionales antes de implementar la solución.
Configurar una conexión de AWS CodeStar
Si aún no tiene una conexión de AWS CodeStar a su cuenta de GitHub, consulte Crear una conexión a GitHub para obtener instrucciones para crear uno. El ARN de su conexión de AWS CodeStar se verá así:
En este ejemplo, aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
es el ID único para esta conexión. Usamos esta ID cuando creamos nuestro proyecto SageMaker más adelante en este ejemplo.
Configure claves de acceso secretas para su token de GitHub
Para almacenar de forma segura su token de acceso personal de GitHub, debe crear un secreto en Secrets Manager. Si no tiene un token de acceso personal para GitHub, consulte Administrar sus tokens de acceso personales para obtener instrucciones para crear uno.
Puede crear un token de acceso clásico o específico. Sin embargo, asegúrese de que el token tenga acceso a los contenidos y acciones del repositorio (flujos de trabajo, ejecuciones y artefactos).
Complete los siguientes pasos para almacenar su token en Secrets Manager:
- En la consola de Secrets Manager, elija Almacenar un nuevo secreto.
- Seleccione Otro tipo de secreto para Elige el tipo de secreto.
- Proporcione un nombre para su secreto en el Clave y agregue su token de acceso personal al campo correspondiente Valor campo.
- Elige Siguiente, ingresa un nombre para tu secreto y elige Siguiente de nuevo.
- Elige Tienda para guardar tu secreto.
Al almacenar su token de acceso personal de GitHub en Secrets Manager, puede acceder a él de forma segura dentro de su proceso MLOps y al mismo tiempo garantizar su confidencialidad.
Crear un usuario de IAM para GitHub Actions
Para permitir que GitHub Actions implemente puntos finales de SageMaker en su entorno de AWS, debe crear un Gestión de identidades y accesos de AWS (IAM) usuario y otorgarle los permisos necesarios. Para obtener instrucciones, consulte Crear un usuario de IAM en su cuenta de AWS. Utilizar el iam/GithubActionsMLOpsExecutionPolicy.json
archivo (proporcionado en el muestra de código) para proporcionar permisos suficientes para que este usuario implemente sus puntos finales.
Después de crear el usuario de IAM, generar una clave de acceso. Utilizará esta clave, que consta de una ID de clave de acceso y una clave de acceso secreta, en el paso siguiente al configurar sus secretos de GitHub.
Configura tu cuenta de GitHub
Los siguientes son los pasos para preparar su cuenta de GitHub para ejecutar este ejemplo.
Clonar el repositorio de GitHub
Puede reutilizar un repositorio de GitHub existente para este ejemplo. Sin embargo, es más fácil si crea un nuevo repositorio. Este repositorio contendrá todo el código fuente tanto para las compilaciones como para las implementaciones de la canalización de SageMaker.
Copie el contenido del directorio del código semilla en la raíz de su repositorio de GitHub. Por ejemplo, el .github
El directorio debe estar debajo de la raíz de su repositorio de GitHub.
Cree un secreto de GitHub que contenga su clave de acceso de usuario de IAM
En este paso, almacenamos los detalles de la clave de acceso del usuario recién creado en nuestro secreto de GitHub.
- En el sitio web de GitHub, navegue hasta su repositorio y elija Ajustes.
- En la sección de seguridad, seleccione Secretos y variables y elige Acciones.
- Elige Nuevo secreto del repositorio.
- Nombre, introduzca
AWS_ACCESS_KEY_ID
- Secreto, ingrese el ID de la clave de acceso asociada con el usuario de IAM que creó anteriormente.
- Elige Agregar secreto.
- Repita el mismo procedimiento para
AWS_SECRET_ACCESS_KEY
Configura tus entornos GitHub
Para crear un paso de aprobación manual en nuestros procesos de implementación, utilizamos un Entorno GitHub. Complete los siguientes pasos:
- Navegue hasta la Ajustes, Entornos menú de su repositorio de GitHub y cree un nuevo entorno llamado producción.
- Normas de protección del medio ambiente., seleccione Revisores requeridos.
- Agregue los nombres de usuario de GitHub deseados como revisores. Para este ejemplo, puede elegir su propio nombre de usuario.
Tenga en cuenta que la función de entorno no está disponible en algunos tipos de planes de GitHub. Para obtener más información, consulte Uso de entornos para la implementación.
Implementar la función Lambda
En los siguientes pasos, comprimimos lambda_function.py
en un archivo .zip, que luego se carga en un depósito de S3.
El ejemplo de código relevante para esto se puede encontrar en el siguiente Repositorio GitHub. Específicamente, el lambda_function.py
se encuentra en el funciones_lambda/lambda_github_workflow_trigger directorio.
Se recomienda crear una bifurcación del código de muestra y clonarla en su lugar. Esto le dará la libertad de modificar el código y experimentar con diferentes aspectos de la muestra.
- Después de obtener una copia del código, navegue hasta el directorio apropiado y use el
zip
comando para comprimirlambda_function.py
. Tanto los usuarios de Windows como los de MacOS pueden utilizar su sistema de administración de archivos nativo, File Explorer o Finder, respectivamente, para generar un archivo .zip.
- Cargar la
lambda-github-workflow-trigger.zip
a un cubo S3.
Posteriormente, Service Catalog accederá a este depósito. Puede elegir cualquier depósito al que tenga acceso, siempre que Service Catalog pueda recuperar datos de él en pasos posteriores.
A partir de este paso, requerimos que AWS CLI v2 esté instalado y configurado. Una alternativa sería utilizar AWS CloudShell, que viene con todas las herramientas necesarias preinstaladas, lo que elimina la necesidad de configuraciones adicionales.
- Para cargar el archivo en el depósito de S3, use el siguiente comando:
Ahora construimos una capa Lambda para las dependencias relacionadas con el lambda_function
acabamos de subir.
- Configure un entorno virtual Python e instale las dependencias:
- Genere el archivo .zip con los siguientes comandos:
- Publique la capa en AWS:
Con esta capa publicada, todas sus funciones Lambda ahora pueden hacer referencia a ella para cumplir con sus dependencias. Para obtener una comprensión más detallada de las capas Lambda, consulte Trabajar con capas Lambda.
Cree una plantilla de proyecto personalizada en SageMaker
Después de completar todos los pasos anteriores, tenemos todos los recursos y componentes del proceso de CI/CD. A continuación, demostramos cómo podemos hacer que estos recursos estén disponibles como un proyecto personalizado dentro de SageMaker Studio accesible mediante una implementación con un solo clic.
Como se analizó anteriormente, cuando las plantillas proporcionadas por SageMaker no satisfacen sus necesidades (por ejemplo, desea tener una orquestación más compleja en CodePipeline con múltiples etapas, pasos de aprobación personalizados o integrarse con una herramienta de terceros como GitHub y acciones de GitHub). demostrado en esta publicación), puedes crear tus propias plantillas. Recomendamos comenzar con las plantillas proporcionadas por SageMaker para comprender cómo organizar su código y recursos y desarrollar sobre ellos. Para obtener más detalles, consulte Crear plantillas de proyectos personalizadas.
Tenga en cuenta que también puede automatizar este paso y, en su lugar, utilizar CloudFormation para implementar la cartera y el producto del catálogo de servicios mediante código. Sin embargo, en esta publicación, para una mayor experiencia de aprendizaje, le mostramos la implementación de la consola.
En esta etapa, utilizamos la plantilla de CloudFormation proporcionada para crear una cartera de catálogo de servicios que nos ayuda a crear proyectos personalizados en SageMaker.
Puede crear un nuevo dominio o reutilizar su dominio de SageMaker para los siguientes pasos. Si no tienes un dominio, consulta Incorporación al dominio de Amazon SageMaker mediante la configuración rápida para obtener instrucciones de configuración.
Después de habilitar el acceso de administrador a las plantillas de SageMaker, complete los siguientes pasos:
- En la consola del catálogo de servicios, en Administración en el panel de navegación, elija Portafolios.
- Elige Crea una nueva cartera.
- Nombra el portafolio "Plantillas de organización de SageMaker".
- Descargue nuestra plantilla.yml archivo a su computadora.
Esta plantilla de Cloud Formation proporciona todos los recursos de CI/CD que necesitamos como configuración e infraestructura como código. Puede estudiar la plantilla con más detalle para ver qué recursos se implementan como parte de ella. Esta plantilla se ha personalizado para integrarse con GitHub y GitHub Actions.
- En
template.yml
archivo, cambie elS3Bucket
valor a su depósito donde cargó el archivo Lambda .zip:
- Elija la nueva cartera.
- Elige Subir un nuevo producto.
- nombre del producto¸ ingrese un nombre para su plantilla. Usamos el nombre
build-deploy-github
. - Descripción, ingrese una descripción.
- Propietario, introduzca su nombre.
- under Detalles de la versión, Para Método, escoger Usa un archivo de plantilla.
- Elige Subir una plantilla.
- Sube la plantilla que descargaste.
- Título de la versión, escoger 1.0.
- Elige Revisar.
- Revise su configuración y elija Crear producto.
- Elige Refrescar para listar el nuevo producto.
- Elija el producto que acaba de crear.
- En Etiquetas pestaña, agregue la siguiente etiqueta al producto:
- Clave =
sagemaker:studio-visibility
- Valor =
true
- Clave =
De vuelta en los detalles del portafolio, debería ver algo similar a la siguiente captura de pantalla (con diferentes ID).
- En Limitaciones pestaña, elegir Crear restricción.
- Producto, escoger
build-deploy-github
(el producto que acaba de crear). - Restricción escriba, elija Más información.
- under Restricción de lanzamiento, Para Método, escoger Seleccionar función de IAM.
- Elige
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Elige Crear.
- En Grupos, roles y usuarios pestaña, elegir Agregar grupos, roles, usuarios.
- En Roles , seleccione la función que utilizó al configurar su dominio de SageMaker Studio. Aquí es donde se puede encontrar la función de dominio de SageMaker.
- Elige Agregar acceso.
Implementar el proyecto desde SageMaker Studio
En las secciones anteriores, preparó el entorno del proyecto MLOps personalizado. Ahora, creemos un proyecto usando esta plantilla:
- En la consola de SageMaker, navegue hasta el dominio en el que desea crear este proyecto.
- En Más información menú, seleccione creativo.
Serás redirigido al entorno de SageMaker Studio.
- En SageMaker Studio, en el panel de navegación debajo Los despliegues, escoger Proyectos.
- Elige Crear proyecto.
- En la parte superior de la lista de plantillas, elija Plantillas de organización.
Si ha realizado todos los pasos anteriores con éxito, debería poder ver una nueva plantilla de proyecto personalizada llamada Build-Deploy-GitHub
.
- Seleccione esa plantilla y elija Seleccionar plantilla de proyecto.
- Introduzca una descripción opcional.
- Nombre del propietario del repositorio de GitHub, ingresa el propietario de tu repositorio de GitHub. Por ejemplo, si su repositorio está en
https://github.com/pooyavahidi/my-repo
, el dueño seríapooyavahidi
. - Nombre del repositorio de GitHub, ingrese el nombre del repositorio en el que copió el código semilla. Sería solo el nombre del repositorio. Por ejemplo, en
https://github.com/pooyavahidi/my-repo
, el repositorio esmy-repo
. - ID único de conexión Codestar, ingrese el ID único de la conexión de AWS CodeStar que creó.
- Nombre del secreto en Secrets Manager que almacena el token de GitHub, ingrese el nombre del secreto en Secrets Manager donde creó y almacenó el token de GitHub.
- Archivo de flujo de trabajo de GitHub para implementación, ingrese el nombre del archivo de flujo de trabajo de GitHub (en
.github/workflows/deploy.yml
) donde tienes las instrucciones de implementación. Para este ejemplo, puede mantenerlo como predeterminado, que esdeploy.yml
. - Elige Crear proyecto.
- Después de crear su proyecto, asegúrese de actualizar el
AWS_REGION
ySAGEMAKER_PROJECT_NAME
variables de entorno en sus archivos de flujo de trabajo de GitHub en consecuencia. Los archivos de flujo de trabajo están en su repositorio de GitHub (copiados del código semilla), dentro del.github/workflows
directorio. Asegúrate de actualizar ambosbuild.yml
ydeploy.yml
archivos.
¡Ahora su entorno está listo para funcionar! Puede ejecutar las canalizaciones directamente, realizar cambios y enviar esos cambios a su repositorio de GitHub para activar la canalización de compilación automatizada y ver cómo se automatizan todos los pasos de compilación e implementación.
Limpiar
Para limpiar los recursos, complete los siguientes pasos:
- Elimine las pilas de CloudFormation utilizadas para el proyecto de SageMaker y los puntos finales de SageMaker.
- Elimine el dominio de SageMaker.
- Elimine los recursos del catálogo de servicios.
- Elimine el enlace de conexión de AWS CodeStar con el repositorio de GitHub.
- Elimine el usuario de IAM que creó para GitHub Actions.
- Elimine el secreto en Secrets Manager que almacena los detalles de acceso personal de GitHub.
Resumen
En esta publicación, recorrimos el proceso de uso de una plantilla de proyecto MLOps de SageMaker personalizada para construir y organizar automáticamente una canalización de CI/CD. Este canal integra de manera efectiva sus mecanismos de CI/CD existentes con las capacidades de SageMaker para la manipulación de datos, el entrenamiento de modelos, la aprobación de modelos y la implementación de modelos. En nuestro escenario, nos centramos en integrar GitHub Actions con proyectos y canalizaciones de SageMaker. Para obtener una comprensión integral de los detalles de implementación, visite el Repositorio GitHub. Siéntase libre de experimentar con esto y no dude en dejar cualquier consulta que pueda tener en la sección de comentarios.
Acerca de los autores
Dra. Romina Sharifpour es arquitecto senior de soluciones de inteligencia artificial y aprendizaje automático en Amazon Web Services (AWS). Ha pasado más de 10 años liderando el diseño y la implementación de soluciones innovadoras de un extremo a otro habilitadas por avances en ML e IA. Las áreas de interés de Romina son el procesamiento del lenguaje natural, los modelos de lenguaje grandes y MLOps.
Pooya Vahidi es Arquitecto Senior de Soluciones en AWS, apasionado por la informática, la inteligencia artificial y la computación en la nube. Como profesional de la IA, es un miembro activo del equipo de área de profundidad de IA/ML de AWS. Con una experiencia que abarca más de dos décadas de experiencia en liderar la arquitectura y la ingeniería de soluciones a gran escala, ayuda a los clientes en sus viajes transformadores a través de la nube y las tecnologías AI/ML.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :posee
- :es
- :no
- :dónde
- $ UP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Poder
- Nuestra Empresa
- arriba
- acelerar
- de la máquina
- visitada
- accesible
- en consecuencia
- Mi Cuenta
- la exactitud
- Lograr
- a través de
- acciones
- lector activo
- acíclico
- add
- Adicionales
- Equilibrado
- adoptar
- avances
- Después
- de nuevo
- AI
- AI / ML
- Todos
- asignar
- permitir
- permite
- ya haya utilizado
- también
- alternativa
- Amazon
- Amazon SageMaker
- Canalizaciones de Amazon SageMaker
- Amazon Web Services
- Servicios Web de Amazon (AWS)
- an
- y
- e infraestructura
- cualquier
- adecuado
- aprobación
- arquitectura
- somos
- áreas
- artificial
- inteligencia artificial
- AS
- aspectos
- asociado
- Asociación
- At
- automatizado
- Confirmación de Viaje
- automáticamente
- automatizar
- Automatización
- Hoy Disponibles
- AWS
- fondo
- bases
- BE
- esto
- antes
- ambas
- build
- Construir la
- construye
- construido
- incorporado
- by
- , que son
- PUEDEN
- capacidades
- catalogar
- CD
- centralizado
- el cambio
- Cambios
- Elige
- clásico
- limpia
- clic
- Soluciones
- la computación en nube
- código
- base de código
- colaboran
- colaboración
- --
- proviene
- comentarios
- completar
- terminación
- integraciones
- componente
- componentes
- exhaustivo
- computadora
- Ciencias de la Computación
- informática
- confidencialidad
- Configuración
- configurado
- Configurando
- conexión
- en vista de
- consecuentemente
- consiste
- Consola
- construir
- que no contengo
- contenido
- continuo
- control
- Correspondiente
- Para crear
- creado
- crea
- Creamos
- creación
- personalizado
- Clientes
- se adaptan
- DÍA
- datos
- Preparación de datos
- Ciencia de los datos
- décadas
- Predeterminado
- entregamos
- entrega
- ahondar
- demandas
- demostrar
- demostrado
- dependencias
- desplegar
- desplegado
- Desplegando
- despliegue
- Despliegues
- descripción
- Diseño
- deseado
- detalle
- detallado
- detalles
- Desarrollo
- una experiencia diferente
- que dirigieron
- directamente
- discutido
- do
- dominio
- No
- durante
- cada una
- Más temprano
- más fácil
- ecosistema
- Eficaz
- de manera eficaz
- eficiente
- eficiente.
- ya sea
- elementos
- eliminando
- habilitar
- facilita
- permite
- permitiendo
- de extremo a extremo
- Punto final
- Ingeniería
- certificados
- garantizar
- asegura
- asegurando que
- Participar
- Empresa
- Todo
- Entorno
- ambientes
- esencialmente
- establecer
- se establece
- establecimiento
- etc.
- evaluación
- Eventos
- ejemplo
- existente
- experience
- experimento
- Experiencia
- explorador
- facilitando
- Feature
- Caracteristicas
- sentir
- campo
- Archive
- archivos
- Finder
- Focus
- centrado
- siguiendo
- tenedor
- formación
- Formularios
- encontrado
- Gratis
- Freedom
- Desde
- función
- funciones
- generar
- generado
- obtener
- Git
- GitHub
- Donar
- va
- pasado
- conceder
- gráfica
- mayor
- Grupo procesos
- Grupo
- Tienen
- he
- pesado
- levantar objetos pesados
- ayuda
- hosting
- Hogar
- casas
- viviendas
- Cómo
- Como Hacer
- Sin embargo
- HTML
- http
- HTTPS
- ID
- Identidad
- ids
- if
- implementación
- implementado
- implementación
- in
- incluir
- incluye
- Incluye
- información
- EN LA MINA
- iniciar
- Iniciados
- originales
- Las opciones de entrada
- dentro
- instalar
- instalado
- ejemplo
- Instrucciones
- integrar
- Integra
- Integración
- integración
- Intelligence
- interactivo
- intereses
- dentro
- Presenta
- solo
- IT
- SUS
- Viajes
- jpg
- json
- solo
- Guardar
- mantiene
- Clave
- claves
- conocido
- idioma
- large
- Gran escala
- luego
- lanzamiento
- .
- ponedoras
- líder
- aprendizaje
- Abandonar
- ciclo de vida
- cirugía estética
- como
- linaje
- LINK
- Lista
- situados
- Ubicación
- Largo
- Mira
- parece
- máquina
- máquina de aprendizaje
- macos
- mantiene
- un mejor mantenimiento.
- para lograr
- gestionan
- gestionado
- Management
- gerente
- administrar
- Manipulación
- manual
- muchos
- los mecanismos de
- Conoce a
- miembro
- Miembros
- Menú
- metadatos
- podría
- MIT
- ML
- MLOps
- modelo
- modelos
- Modificaciones
- modificar
- monitoreo
- monitores
- más,
- más eficiente
- Por otra parte
- múltiples
- debe
- nombre
- Llamado
- nombres
- nativo
- Natural
- Procesamiento natural del lenguaje
- Navegar
- Navegación
- necesario
- necesita
- ¿ Necesita ayuda
- Nuevo
- producto nuevo
- recién
- Next
- ahora
- obtener
- of
- que ofrece
- on
- ONE
- adelante
- funcionar
- Operaciones
- or
- orquestación
- organización
- para las fiestas.
- Otro
- "nuestr
- Más de
- visión de conjunto
- EL DESARROLLADOR
- propietario
- paquete
- cristal
- paridad
- parte
- fiesta
- apasionado
- permisos
- con
- industrial
- jubilación
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- portafolio
- Publicación
- poderoso
- prácticas
- Predicciones
- preparación
- Preparar
- preparado
- requisitos previos
- anterior
- procedimientos
- en costes
- tratamiento
- producido
- Producto
- Producción
- Profesional
- proyecto
- proyecta
- ideas
- Protección
- proporcionar
- previsto
- proporciona un
- publicado
- Push
- empujó
- Python
- consultas
- Búsqueda
- Preparación
- ready
- en tiempo real
- recomiendan
- recomendado
- archivos
- remitir
- referencia
- reflejar
- registrado
- Registro
- registro
- relacionado
- confianza
- remove
- REPETIDAMENTE
- repositorio
- solicita
- exigir
- Requisitos
- la investigación
- Recurso
- Recursos
- respectivamente
- responsable
- resultante
- reutilizar
- Derecho
- robusto
- Función
- También soy miembro del cuerpo docente de World Extreme Medicine (WEM) y embajadora europea de igualdad para The Transformational Travel Council (TTC). En mi tiempo libre, soy una incansable aventurera, escaladora, patrona de día, buceadora y defensora de la igualdad de género en el deporte y la aventura. En XNUMX, fundé Almas Libres, una ONG nacida para involucrar, educar y empoderar a mujeres y niñas a través del deporte urbano, la cultura y la tecnología.
- raíz
- Regla
- Ejecutar
- corre
- sabio
- Tuberías de SageMaker
- mismo
- Guardar
- Escalabilidad
- la ampliación
- guión
- escenarios
- Ciencia:
- los científicos
- Secreto
- secretos
- Sección
- (secciones)
- segura
- EN LINEA
- ver
- dispersores
- selecciona
- mayor
- sirve
- de coches
- Servicios
- Sets
- pólipo
- ajustes
- Configure
- Varios
- ella
- tienes
- Mostrar
- similares
- sencillos
- simplificado
- simplificando
- Software
- Desarrollo de software ad-hoc
- a medida
- Soluciones
- algo
- algo
- Fuente
- código fuente
- abarcando
- soluciones y
- específicamente
- gastado
- Stacks
- Staff
- Etapa
- etapas
- puesta en escena
- estándares de salud
- comienzo
- Comience a
- Estado
- paso
- pasos
- STORAGE
- tienda
- almacenados
- tiendas
- almacenamiento
- sencillo
- aerodinamizar
- racionalización
- estudio
- ESTUDIO
- posterior
- Con éxito
- tal
- suficiente
- suite
- seguro
- te
- Todas las funciones a su disposición
- ETIQUETA
- equipo
- Miembros del equipo
- equipos
- Tecnologías
- plantilla
- plantillas
- probado
- Pruebas
- esa
- La
- La Fuente
- su
- luego
- por lo tanto
- Estas
- ellos
- Código
- terceros.
- así
- aquellos
- 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.
- a lo largo de
- a
- juntos
- ficha
- del IRS
- parte superior
- seguir
- Seguimiento
- entrenado
- Formación
- Transformar
- transformador
- detonante
- desencadenados
- dos
- tipo
- tipos
- bajo
- entender
- comprensión
- único
- Actualizar
- subido
- a
- us
- utilizan el
- usado
- Usuario
- usuarios
- usando
- utilizar
- utilizado
- VALIDAR
- validación
- propuesta de
- diversos
- versión
- versiones
- vía
- Virtual
- Visite
- caminado
- quieres
- we
- web
- servicios web
- Basado en la Web
- Página web
- ¿
- cuando
- que
- mientras
- seguirá
- ventanas
- dentro de
- Actividades:
- trabajar juntos
- flujo de trabajo
- flujos de trabajo
- se
- años
- Usted
- tú
- zephyrnet
- Zip