Selle postituse kirjutasid kaasa Jyoti Sharma ja Sharmo Sarkar Vericastist.
Mis tahes masinõppe (ML) probleemi puhul alustab andmeteadlane andmetega töötamist. See hõlmab andmete äriliste ja tehniliste aspektide kogumist, uurimist ja mõistmist ning mudeli koostamise protsessis vajalike manipulatsioonide hindamist. Üks selle andmete ettevalmistamise aspekt on funktsioonide projekteerimine.
Funktsioonide projekteerimine viitab protsessile, kus identifitseeritakse, valitakse ja manipuleeritakse asjakohaseid muutujaid, et muuta toorandmed kasulikumateks ja kasutatavamateks vormideks, mida kasutatakse ML-algoritmiga, mida kasutatakse mudeli koolitamiseks ja selle põhjal järelduste tegemiseks. Selle protsessi eesmärk on suurendada algoritmi ja sellest tuleneva ennustava mudeli jõudlust. Funktsioonide projekteerimisprotsess hõlmab mitut etappi, sealhulgas funktsioonide loomine, andmete teisendamine, funktsioonide eraldamine ja funktsioonide valik.
Üldise funktsioonide projekteerimise platvormi loomine on tavaline ülesanne klientidele, kes peavad tootma palju ML-mudeleid erinevate andmekogumitega. Seda tüüpi platvorm hõlmab programmiliselt juhitava protsessi loomist, et toota lõplikke, funktsioonipõhiseid andmeid, mis on valmis mudelikoolituseks vähese inimsekkumisega. Funktsioonide projekteerimise üldistamine on aga keeruline. Iga äriprobleem on erinev, iga andmestik on erinev, andmemahud on klientideti väga erinevad ning andmete kvaliteet ja sageli teatud veeru kardinaalsus (struktureeritud andmete puhul) võivad funktsioonide projekteerimise keerukuses mängida olulist rolli. protsessi. Lisaks võib kliendi andmete dünaamiline iseloom põhjustada ka suure erinevuse funktsioonide optimaalseks väljatöötamiseks vajalikes töötlemisajas ja ressurssides.
AWS-i klient Vericast on turunduslahenduste ettevõte, mis teeb andmepõhiseid otsuseid, et suurendada oma klientide turunduse ROI-d. Vericasti sisemine pilvepõhine masinõppeplatvorm, mis on üles ehitatud CRISP-ML(Q) protsessile, kasutab erinevaid AWS-teenuseid, sealhulgas Amazon SageMaker, Amazon SageMakeri töötlemine, AWS Lambdaja AWS-i astmefunktsioonid, et toota parimaid võimalikke mudeleid, mis on kohandatud konkreetse kliendi andmetega. Selle platvormi eesmärk on fikseerida erinevate ML-i töövoogude loomise sammude korratavus ja koondada need platvormi standardseteks üldistatavateks töövoomooduliteks.
Selles postituses jagame, kuidas Vericast optimeeris funktsioonide projekteerimist SageMaker Processingi abil.
Lahenduse ülevaade
Vericasti masinõppeplatvorm aitab olemasolevatel töövoogudel põhinevaid uusi ärimudeleid kiiremini kasutusele võtta või olemasolevate mudelite kiiremat aktiveerimist uute klientide jaoks. Näiteks mudel, mis ennustab otsepostituse kalduvust, on üsna erinev mudelist, mis ennustab Vericasti kliendi klientide sooduskupongi tundlikkust. Need lahendavad erinevaid äriprobleeme ja seetõttu on neil turunduskampaania kujunduses erinevad kasutusstsenaariumid. Kuid ML-i seisukohast võib mõlemat tõlgendada binaarsete klassifitseerimismudelitena ja seetõttu võib ML-i töövoo vaatenurgast jagada palju ühiseid samme, sealhulgas mudeli häälestamine ja koolitus, hindamine, tõlgendatavus, juurutamine ja järeldused.
Kuna need mudelid on binaarsed klassifikatsiooniprobleemid (ML-terminites), jagame ettevõtte kliendid kahte klassi (binaarsed): need, kes reageerivad kampaaniale positiivselt, ja need, kes mitte. Lisaks peetakse neid näiteid tasakaalustamata klassifikatsiooniks, kuna mudeli väljaõpetamiseks kasutatud andmed ei sisaldaks võrdset arvu kliente, kes vastaksid ja ei vastaks positiivselt.
Sellise mudeli tegelik loomine järgib järgmisel diagrammil näidatud üldist mustrit.
Suurem osa sellest protsessist on sama mis tahes binaarse klassifikatsiooni puhul, välja arvatud funktsioonide kavandamise etapp. See on võib-olla protsessi kõige keerulisem, kuid mõnikord tähelepanuta jäetud etapp. ML-mudelid sõltuvad suuresti selle loomisel kasutatud funktsioonidest.
Vericasti pilvepõhise masinõppeplatvormi eesmärk on üldistada ja automatiseerida erinevate ML-i töövoogude funktsioonide kavandamise samme ning optimeerida nende toimivust kulu ja aja mõõdiku alusel, kasutades järgmisi funktsioone.
- Platvormi funktsioonitehniline raamatukogu – See koosneb pidevalt arenevast teisenduste komplektist, mida on testitud, et saada kvaliteetseid üldistatavaid funktsioone, mis põhinevad konkreetsetel kliendikontseptsioonidel (nt kliendi demograafia, toote üksikasjad, tehingu üksikasjad jne).
- Intelligentsed ressursside optimeerijad – Platvorm kasutab AWS-i tellitava taristu võimekust, et luua konkreetse funktsiooni inseneritöö jaoks kõige optimaalsemat tüüpi töötlemisressursse, lähtudes etapi eeldatavast keerukusest ja läbimiseks vajalike andmete hulgast.
- Funktsioonitehniliste tööde dünaamiline skaleerimine - Selleks kasutatakse erinevate AWS-teenuste kombinatsiooni, kuid kõige olulisem on SageMaker Processing. See tagab, et platvorm toodab kvaliteetseid funktsioone kulutõhusalt ja õigeaegselt.
See postitus keskendub selle loendi kolmandale punktile ja näitab, kuidas saavutada SageMakeri töötlemistööde dünaamiline skaleerimine, et saavutada suurte andmemahtude jaoks paremini hallatav, tulemuslikum ja kuluefektiivsem andmetöötlusraamistik.
SageMaker Processing võimaldab töökoormust, mis käivitab SageMakeris andmete eel- või järeltöötluse, funktsioonide projekteerimise, andmete valideerimise ja mudeli hindamise samme. Samuti pakub see hallatavat keskkonda ja eemaldab töökoormuste käitamiseks vajaliku infrastruktuuri seadistamiseks ja hooldamiseks vajaliku eristamata raskete tõstmise keerukuse. Lisaks pakub SageMaker Processing API-liidest töökoormuse käitamiseks, jälgimiseks ja hindamiseks.
SageMakeri töötlemistööde käitamine toimub täielikult hallatud SageMakeri klastris, kusjuures üksikud tööd paigutatakse käitusajal eksemplari konteineritesse. Hallatud klaster, eksemplarid ja konteinerid edastavad mõõdikud aadressile Amazon CloudWatch, sealhulgas GPU, CPU, mälu, GPU mälu, kettamõõdikute ja sündmuste logimise kasutamine.
Need funktsioonid pakuvad eeliseid Vericasti andmeinseneridele ja teadlastele, aidates välja töötada üldistatud eeltöötluse töövooge ja kõrvaldades raskusi nende käitamiseks loodud keskkondade hooldamisel. Tehnilised probleemid võivad siiski tekkida, võttes arvesse andmete dünaamilist olemust ja nende erinevaid funktsioone, mida saab sellisesse üldlahendusse lisada. Süsteem peab klastri ja selle moodustavate eksemplaride suuruse kohta tegema haritud esialgse oletuse. See oletus peab hindama andmete kriteeriume ja järeldama protsessori, mälu ja ketta nõuded. See oletus võib olla täiesti asjakohane ja toimida selle töö jaoks piisavalt, kuid muudel juhtudel ei pruugi see olla. Teatud andmestiku ja eeltöötlustöö puhul võib protsessor olla alamõõduline, mille tulemuseks on maksimaalne töötlemisjõudlus ja pikk tööaeg. Veelgi hullem, mälu võib muutuda probleemiks, mille tulemuseks on kehv jõudlus või mälu lõppemine, mis põhjustab kogu töö ebaõnnestumise.
Neid tehnilisi takistusi silmas pidades asus Vericast lahendust looma. Need pidid jääma oma olemuselt üldiseks ja sobima laiema pildiga eeltöötluse töövoo kohta, mis on seotud etappides paindlik. Samuti oli oluline lahendada nii potentsiaalne vajadus suurendada keskkonda juhtudel, kui jõudlus oli ohus, kui ka sellisest sündmusest või kui töö lõpetati mingil põhjusel enneaegselt.
Vericasti selle probleemi lahendamiseks loodud lahendus kasutab mitut AWS-i teenust, mis töötavad koos oma ärieesmärkide saavutamiseks. See loodi SageMakeri töötlemisklastri taaskäivitamiseks ja suurendamiseks, tuginedes töid jälgivate Lambda funktsioonide abil täheldatud jõudlusmõõdikutele. Et mitte kaotada tööd skaleerimissündmuse korral või taastuda ootamatult peatunud tööst, võeti kasutusele kontrollpunktipõhine teenus, mis kasutab Amazon DynamoDB ja salvestab osaliselt töödeldud andmed Amazoni lihtne salvestusteenus (Amazon S3) kopad, kui sammud on lõpetatud. Lõpptulemus on automaatne skaleeritav, vastupidav ja dünaamiliselt jälgitav lahendus.
Järgmisel diagrammil on kõrgetasemeline ülevaade süsteemi toimimisest.
Järgmistes osades käsitleme lahenduse komponente üksikasjalikumalt.
Lahenduse initsialiseerimine
Süsteem eeldab, et lahenduse algatab eraldi protsess. Vastupidi, see disain ei ole loodud töötama üksi, kuna see ei anna artefakte ega väljundit, vaid toimib pigem külgkorvi teostusena ühele süsteemile, mis kasutab SageMakeri töötlemistöid. Vericasti puhul käivitatakse lahendus suurema süsteemi teises moodulis alustatud sammufunktsioonide sammu kaudu.
Kui lahendus on käivitatud ja esimene käitamine on käivitatud, loetakse DynamoDB tabelist standardse põhikonfiguratsiooni. Seda konfiguratsiooni kasutatakse SageMakeri töötlemistöö parameetrite määramiseks ja sellel on esialgsed eeldused infrastruktuuri vajaduste kohta. SageMakeri töötlemistöö on nüüd alanud.
Metaandmete ja väljundi jälgimine
Töö käivitamisel kirjutab Lambda funktsioon töö töötlemise metaandmed (praeguse töö konfiguratsiooni ja muu logiteabe) DynamoDB logitabelisse. Need metaandmed ja logiteave säilitavad töö ajalugu, selle esialgset ja käimasolevat konfiguratsiooni ning muid olulisi andmeid.
Teatud punktides, kui töö etapid on lõpule viidud, lisatakse DynamoDB logitabelisse kontrollpunkti andmed. Töödeldud väljundandmed teisaldatakse Amazon S3-sse, et vajadusel kiiresti taastada.
See lambda funktsioon seadistab ka Amazon EventBridge reegel, mis jälgib jooksva töö olekut. Täpsemalt on see reegel töö jälgimine, et jälgida, kas töö olek muutub stopping
või asub a stopped
olek. See EventBridge'i reegel mängib olulist rolli töö taaskäivitamisel, kui ilmneb tõrge või toimub planeeritud automaatse skaleerimise sündmus.
CloudWatchi mõõdikute jälgimine
Lambda funktsioon seab ka CloudWatchi häire, mis põhineb töötlemistöö meetrilisel matemaatilisel avaldisel, mis jälgib kõigi protsessori-, mälu- ja kettakasutusjuhtumite mõõdikuid. Seda tüüpi häire (meetria) kasutab CloudWatchi häireläve. Häire genereerib sündmusi, mis põhinevad mõõdiku või avaldise väärtusel läviväärtuste suhtes mitme ajaperioodi jooksul.
Vericasti kasutusjuhul on läveavaldis loodud nii, et see käsitleks draiverit ja täituri eksemplare eraldiseisvatena, kusjuures mõõdikuid jälgitakse igaühe jaoks eraldi. Kui need on eraldatud, teab Vericast, mis häire põhjustab. See on oluline, et otsustada, kuidas vastavalt skaleerida:
- Kui täitja mõõdikud ületavad läve, on hea skaleerida horisontaalselt
- Kui juhi mõõdikud ületavad läve, ei aita horisontaalne skaleerimine tõenäoliselt abi, seega peame skaleerima vertikaalselt
Häire meetrika väljend
Vericast pääseb skaleerimise ja tõrgete hindamisel juurde järgmistele mõõdikutele.
- CPUUtiliseerimine – iga üksiku CPU tuuma kasutamise summa
- Mälu kasutamine – mälu protsent, mida eksemplari konteinerid kasutavad
- Kettakasutus – Eksemplari konteinerite kasutatud kettaruumi protsent
- GPUUtiliseerimine – GPU-üksuste protsent, mida eksemplari konteinerid kasutavad
- GPU-mälu kasutamine – GPU-mälu protsent, mida eksemplari konteinerid kasutavad
Selle kirjutamise seisuga arvestab Vericast ainult CPUUtilization
, MemoryUtilization
ja DiskUtilization
. Tulevikus kavatsevad nad kaaluda GPUUtilization
ja GPUMemoryUtilization
samuti.
Järgmine kood on näide CloudWatchi häirest, mis põhineb Vericasti automaatse skaleerimise meetrilisel matemaatilisel avaldisel.
See väljend illustreerib, et CloudWatchi alarm kaalub DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
ja DiskUtilization (diskExec)
seiremõõdikutena. Eelmises avaldises olev arv 80 tähistab läviväärtust.
Siin IF((cpuDriver) > 80, 1, 0
tähendab, et kui draiveri CPU kasutus ületab 80%, määratakse läviväärtuseks 1, muidu 0. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
tähendab, et kõik stringiga mõõdikud memoryExec
selles võetakse arvesse ja selle põhjal arvutatakse keskmine. Kui see keskmine mälukasutusprotsent ületab 80, määratakse läviväärtuseks 1, muidu 0.
Loogiline operaator OR
kasutatakse avaldises kõigi avaldise kasutuste ühendamiseks – kui mõni kasutustest saavutab oma läve, käivitab häire.
Lisateavet meetriliste matemaatikaavaldiste põhjal CloudWatchi mõõdikute häirete kasutamise kohta leiate artiklist CloudWatchi häire loomine meetrilise matemaatikaavaldise põhjal.
CloudWatchi alarmi piirangud
CloudWatch piirab mõõdikute arvu häire kohta 10-ni. See võib põhjustada piiranguid, kui peate arvestama rohkemate mõõdikutega.
Selle piirangu ületamiseks on Vericast seadnud häired, mis põhinevad klastri üldisel suurusel. Kolme eksemplari kohta luuakse üks häire (kolme eksemplari puhul on üks häire, kuna see annaks kokku üheksa mõõdikut). Eeldades, et draiveri eksemplari tuleb käsitleda eraldi, luuakse draiveri eksemplari jaoks veel üks eraldi häire. Seetõttu on loodud häirete koguarv ligikaudu võrdne ühe kolmandikuga täitjasõlmede arvust ja täiendava ühega draiveri eksemplari jaoks. Igal juhul on mõõdikute arv häire kohta alla 10 meetri piirangu.
Mis juhtub häireseisundis
Kui etteantud lävi on täidetud, lülitub häire an alarm
riik, mis kasutab Amazoni lihtne teavitusteenus (Amazon SNS), et saata teateid. Sel juhul saadab see kõigile tellijatele e-posti teel teatise sõnumis oleva häire üksikasjadega.
Amazon SNS-i kasutatakse ka Lambda-funktsiooni käivitajana, mis peatab praegu töötava SageMakeri töötlemistöö, kuna teame, et töö tõenäoliselt ebaõnnestub. See funktsioon salvestab ka sündmusega seotud logid logitabelisse.
Töö alguses seadistatud EventBridge reegel märkab, et töö on läinud a stopping
teatage mõne sekundi pärast. See reegel käivitab seejärel töö taaskäivitamiseks uuesti esimese Lambda funktsiooni.
Dünaamiline skaleerimise protsess
Esimene Lambda funktsioon pärast kahe või enama korra käivitamist teab, et eelmine töö oli juba alanud ja nüüd on peatunud. Funktsioon läbib sarnase protsessi algkonfiguratsiooni hankimiseks logi DynamoDB tabelis olevast algsest tööst ja hangib värskendatud konfiguratsiooni ka sisemisest tabelist. See värskendatud konfiguratsioon on ressursside deltakonfiguratsioon, mis määratakse skaleerimistüübi alusel. Skaleerimise tüüp määratakse häire metaandmete põhjal, nagu varem kirjeldatud.
Algset konfiguratsiooni ja ressursside deltat kasutatakse, kuna suurendatud ressurssidega käivitatakse uus konfiguratsioon ja uus SageMakeri töötlemistöö.
See protsess jätkub, kuni töö on edukalt lõpule viidud ja selle tulemuseks võib olla mitu taaskäivitamist vastavalt vajadusele, lisades iga kord rohkem ressursse.
Vericasti tulemus
See kohandatud automaatse skaleerimise lahendus on aidanud kaasa Vericasti masinõppeplatvormi tugevamaks ja tõrketaluvamaks muutmisel. Platvorm saab nüüd graatsiliselt hakkama erinevate andmemahtudega töökoormustega, minimaalse inimese sekkumisega.
Enne selle lahenduse juurutamist oli kõigi Sparki-põhiste moodulite ressursivajaduse hindamine uue kliendi liitumisprotsessi üks suurimaid kitsaskohti. Töövood ebaõnnestuksid, kui kliendi andmemaht suureneks, või kulu oleks põhjendamatu, kui andmemaht tootmises väheneks.
Selle uue mooduliga on ressursipiirangutest tingitud töövoo tõrkeid vähendatud peaaegu 80%. Mõned järelejäänud tõrked on enamasti tingitud AWS-i konto piirangutest ja väljaspool automaatset skaleerimisprotsessi. Vericasti suurim võit selle lahendusega on uute klientide ja töövoogude kaasamise lihtsus. Vericast loodab protsessi kiirendada vähemalt 60–70%, kusjuures lõpliku arvu jaoks tuleb veel andmeid koguda.
Ehkki Vericast peab seda eduks, on sellega kaasnenud kulud. Selle mooduli olemuse ja dünaamilise skaleerimise kui terviku kontseptsiooni põhjal võtavad töövood tavaliselt umbes 30% kauem aega (keskmisel juhul) kui töövoo iga töövoo mooduli jaoks kohandatud klastriga töövoog. Vericast jätkab selles valdkonnas optimeerimist, püüdes lahendust täiustada, lisades iga kliendimooduli jaoks heuristikapõhise ressursi lähtestamise.
Vericasti masinõppeplatvormi vanemjuht Sharmo Sarkar ütleb: "AWS-i ja SageMakeri kasutuse laiendamise käigus soovisin võtta hetke, et rõhutada meie AWS-i klienditeenindusmeeskonna, pühendunud AWS-i lahenduste arhitektide, uskumatut tööd. ja AWS-i professionaalsed teenused, millega me koostööd teeme. Nende sügav arusaam AWS-ist ja SageMakerist võimaldas meil välja töötada lahenduse, mis vastas kõigile meie vajadustele ning pakkus meile vajalikku paindlikkust ja mastaapsust. Oleme väga tänulikud, et meil on nii andekas ja asjatundlik tugimeeskond.
Järeldus
Selles postituses jagasime, kuidas SageMaker ja SageMaker Processing on võimaldanud Vericastil luua suurte andmemahtude jaoks hallatava, tõhusa ja kulutõhusa andmetöötlusraamistiku. Kombineerides SageMaker Processingi võimsuse ja paindlikkuse teiste AWS-teenustega, saavad nad hõlpsasti jälgida üldiste funktsioonide projekteerimise protsessi. Nad suudavad automaatselt tuvastada arvutus-, mälu- ja muude tegurite puudumisest tulenevaid võimalikke probleeme ning vajadusel automaatselt rakendada vertikaalset ja horisontaalset skaleerimist.
SageMaker ja selle tööriistad võivad aidata teie meeskonnal täita ka oma ML-eesmärke. Lisateavet SageMakeri töötlemise kohta ja selle kohta, kuidas see teie andmetöötluse töökoormust aidata saab, leiate artiklist Töötle andmeid. Kui te alles alustate ML-iga ja otsite näiteid ja juhiseid, Amazon SageMaker JumpStart võib teid alustada. JumpStart on ML-jaotur, kust pääsete juurde sisseehitatud algoritmidele koos eelkoolitatud alusmudelitega, mis aitavad teil täita selliseid ülesandeid nagu artiklite kokkuvõte ja piltide genereerimine ning eelehitatud lahendused tavaliste kasutusjuhtude lahendamiseks.
Lõpetuseks, kui see postitus aitab teid või inspireerib teid mõnda probleemi lahendama, oleks meil hea meel sellest kuulda! Palun jagage oma kommentaare ja tagasisidet.
Autoritest
Anthony McClure on AWS SaaS Factory meeskonna vanempartner lahenduste arhitekt. Anthony tunneb suurt huvi ka masinõppe ja tehisintellekti vastu, töötades koos AWS ML/AI Technical Field Community'ga, et aidata klientidel oma masinõppelahendusi ellu viia.
Jyoti Sharma on andmeteaduse insener Vericasti masinõppeplatvormi meeskonnas. Ta on kirglik kõigi andmeteaduse aspektide vastu ning keskendub väga skaleeritava ja hajutatud masinõppeplatvormi kavandamisele ja juurutamisele.
Sharmo Sarkar on Vericasti vanemjuht. Ta juhib Vericastis pilvmasinõppe platvormi ja turundusplatvormi ML R&D meeskondi. Tal on ulatuslik kogemus suurandmete analüüsi, hajutatud andmetöötluse ja loomuliku keele töötlemise alal. Töövälisel ajal meeldib talle mootorrattaga sõita, matkata ja mägiradadel jalgrattaga sõita.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoAiStream. Web3 andmete luure. Täiustatud teadmised. Juurdepääs siia.
- Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
- Ostke ja müüge IPO-eelsete ettevõtete aktsiaid koos PREIPO®-ga. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 15%
- 7
- a
- MEIST
- juurdepääs
- vastavalt
- konto
- Saavutada
- Aktiveerimine
- õigusaktid
- lisama
- lisatud
- lisades
- Täiendavad lisad
- piisavalt
- pärast
- vastu
- abivahendid
- Eesmärgid
- alarm
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- üksi
- mööda
- juba
- Ka
- Amazon
- Amazon SageMaker
- summa
- an
- analytics
- ja
- Teine
- Anthony
- mistahes
- API
- asjakohane
- arhitektuur
- OLEME
- PIIRKOND
- ümber
- artikkel
- kunstlik
- tehisintellekti
- AS
- aspekt
- aspektid
- määratud
- abistama
- At
- auto
- automatiseerima
- automaatselt
- keskmine
- AWS
- AWS-i professionaalsed teenused
- baas
- põhineb
- BE
- sest
- muutuma
- olnud
- on
- Kasu
- BEST
- Peale
- Suur
- Big andmed
- suurim
- suurendada
- mõlemad
- Toomine
- ehitama
- Ehitus
- ehitatud
- sisseehitatud
- äri
- kuid
- by
- arvutatud
- helistama
- Kampaania
- CAN
- Saab
- Püüdmine
- juhul
- juhtudel
- Põhjus
- põhjustades
- kindel
- raske
- Vaidluste lahendamine
- klass
- klassid
- klassifikatsioon
- klient
- kliendi pardale minek
- kliendid
- Cloud
- Cluster
- kood
- Veerg
- kombinatsioon
- kombineerimine
- tuleb
- kommentaarid
- ühine
- kogukond
- ettevõte
- täitma
- Lõpetab
- keerukus
- keeruline
- komponendid
- Kompromissitud
- Arvutama
- arvutustehnika
- mõiste
- mõisted
- konfiguratsioon
- Arvestama
- kaaluda
- arvestades
- arvab
- piiranguid
- sisaldama
- Konteinerid
- jätkama
- pidev
- Maksma
- kuluefektiivne
- võiks
- kupong
- looma
- loodud
- loomine
- kriteeriumid
- Rist
- Praegune
- Praegu
- tava
- klient
- Kliendid
- andmed
- Andmete analüüs
- Andmete ettevalmistamine
- andmetöötlus
- andmeteadus
- andmeteadlane
- andmepõhistele
- andmekogumid
- otsustama
- otsused
- pühendunud
- sügav
- Delta
- Demograafia
- sõltuv
- kasutuselevõtu
- kirjeldatud
- Disain
- kavandatud
- projekteerimine
- detail
- detailid
- kindlaksmääratud
- & Tarkvaraarendus
- erinev
- erinevad
- Raskus
- otsene
- Allahindlus
- arutama
- jagatud
- hajutatud arvutus
- ajendatud
- juht
- kaks
- dünaamiline
- dünaamiliselt
- iga
- Ajalugu
- leevendada
- kergesti
- kumbki
- lubatud
- võimaldab
- insener
- Inseneriteadus
- Inseneride
- tagab
- Kogu
- keskkond
- keskkondades
- võrdne
- Samaväärne
- hindama
- hindamine
- hindamine
- sündmus
- sündmused
- näide
- näited
- Välja arvatud
- olemasolevate
- Laiendama
- oodatav
- ootab
- kogemus
- Avastades
- väljendeid
- ulatuslik
- Laialdased kogemused
- tegurid
- tehas
- FAIL
- ebaedu
- tunnusjoon
- FUNKTSIOONID
- Toidetud
- tagasiside
- vähe
- väli
- lõplik
- lõpetatud
- esimene
- sobima
- Paindlikkus
- paindlik
- keskendunud
- Järel
- järgneb
- eest
- vormid
- Sihtasutus
- Raamistik
- Alates
- täielikult
- funktsioon
- funktsioonid
- Pealegi
- tulevik
- kogumine
- Üldine
- loodud
- genereerib
- põlvkond
- saama
- saamine
- antud
- Go
- eesmärk
- Eesmärgid
- Goes
- hea
- GPU
- tänulik
- juhised
- olnud
- käepide
- juhtub
- Olema
- võttes
- he
- kuulama
- raske
- raske tõstmine
- aitama
- aitab
- kõrgetasemeline
- kvaliteetne
- Esile tõstma
- kõrgelt
- ajalugu
- Horisontaalne
- horisontaalselt
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- Keskus
- inim-
- Takistused
- i
- tuvastatud
- if
- illustreerib
- pilt
- rakendada
- täitmine
- rakendamisel
- oluline
- parandama
- in
- Teistes
- hõlmab
- Kaasa arvatud
- kaasates
- Suurendama
- kasvanud
- uskumatu
- eraldi
- Üksikult
- info
- Infrastruktuur
- esialgne
- Algatab
- Näiteks
- instrumentaal-
- Intelligentsus
- kavatsevad
- huvi
- Interface
- sisemine
- sekkumine
- sisse
- seotud
- probleem
- küsimustes
- IT
- ITS
- töö
- Tööturg
- jpg
- lihtsalt
- Laps
- Teadma
- puudus
- keel
- suur
- suurelt jaolt
- suurem
- pärast
- Leads
- Õppida
- õppimine
- kõige vähem
- Raamatukogu
- tõstmine
- piiramine
- piirangud
- piirid
- nimekiri
- vähe
- logi
- metsaraie
- loogiline
- enam
- otsin
- kaotama
- armastus
- masin
- masinõpe
- säilitada
- säilitamine
- jääb
- tegema
- TEEB
- Tegemine
- juhitud
- juht
- manipuleeritav
- viis
- palju
- Turundus
- matemaatika
- mai..
- Vastama
- Mälu
- sõnum
- Metaandmed
- meetriline
- Meetrika
- võib
- meeles
- minimaalne
- ML
- mudel
- mudelid
- moodulid
- Moodulid
- hetk
- Jälgida
- jälgitakse
- järelevalve
- monitorid
- rohkem
- kõige
- enamasti
- Mountain
- mitmekordne
- peab
- Natural
- Natural Language Processing
- loodus
- Vajadus
- vaja
- vajav
- vajadustele
- Uus
- sõlmed
- eelkõige
- Märka..
- teade
- teated
- nüüd
- number
- eesmärgid
- jälgima
- of
- sageli
- on
- On-Demand
- Pardal
- Pardal
- ONE
- jätkuv
- ainult
- operaator
- optimaalselt
- optimeerima
- optimeeritud
- or
- originaal
- Muu
- meie
- välja
- Tulemus
- väljund
- väljaspool
- üle
- üldine
- Ületada
- ülevaade
- parameetrid
- osa
- eriline
- partner
- Mööduv
- kirglik
- Muster
- protsent
- täitma
- jõudlus
- ehk
- perioodid
- perspektiiv
- pilt
- torujuhe
- Koht
- plaanitud
- inimesele
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängima
- mängib
- palun
- pluss
- Punkt
- võrra
- vaene
- võimalik
- post
- potentsiaal
- võim
- prognoosimine
- eelmine
- tõenäoliselt
- Probleem
- probleeme
- protsess
- Töödeldud
- töötlemine
- tootma
- Toode
- Produktsioon
- professionaalne
- anda
- tingimusel
- annab
- panema
- kvaliteet
- Kiire
- kiiremini
- R & D
- pigem
- Töötlemata
- jõudma
- Lugenud
- valmis
- Reaalsus
- põhjus
- andmed
- Taastuma
- taastumine
- Lühendatud
- viitab
- seotud
- asjakohane
- jääma
- ülejäänud
- aru
- nõutav
- Nõuded
- ressurss
- Vahendid
- Reageerida
- kaasa
- tulemuseks
- jõuline
- Roll
- ligikaudu
- Eeskiri
- jooks
- jooksmine
- SaaS
- salveitegija
- sama
- ütleb
- Skaalautuvus
- skaalautuvia
- Skaala
- ketendamine
- Skaleerimise lahendus
- stsenaariumid
- teadus
- teadlane
- teadlased
- sekundit
- lõigud
- väljavalitud
- valik
- saatma
- saadab
- vanem
- Tundlikkus
- eri
- eraldamine
- teenus
- Teenused
- komplekt
- Komplektid
- mitu
- Jaga
- jagatud
- Sharma
- ta
- näidatud
- Näitused
- külg
- märkimisväärne
- sarnane
- lihtne
- SUURUS
- So
- lahendus
- Lahendused
- LAHENDAGE
- Ruum
- konkreetse
- eriti
- kiirus
- Spin
- etappidel
- standard
- seisab
- algus
- alustatud
- algab
- riik
- olek
- Samm
- Sammud
- Veel
- peatatud
- peatumine
- Peatab
- ladustamine
- kauplustes
- nöör
- tugev
- struktureeritud
- Abonentide
- edu
- Edukalt
- selline
- toetama
- süsteem
- süsteemid
- tabel
- kohandatud
- Võtma
- võtab
- andekas
- Ülesanne
- ülesanded
- meeskond
- meeskonnad
- Tehniline
- tingimused
- kui
- et
- .
- Tulevik
- oma
- Neile
- SIIS
- Seal.
- seetõttu
- Need
- nad
- Kolmas
- see
- need
- kolm
- künnis
- Läbi
- aeg
- korda
- et
- kokku
- töövahendid
- Summa
- Rong
- koolitus
- tehing
- Tehingu üksikasjad
- Muutma
- Transformation
- muundumised
- vallandada
- vallandas
- kaks
- tüüp
- tüüpiline
- all
- mõistmine
- üksused
- kuni
- ajakohastatud
- us
- kasutatav
- Kasutus
- kasutama
- kasutage juhtumit
- Kasutatud
- kasutamine
- kinnitamine
- väärtus
- eri
- vertikaalne
- maht
- mahud
- vs
- tagaotsitav
- oli
- vaadates
- Tee..
- we
- Hästi
- millal
- mis
- WHO
- kogu
- tervikuna
- will
- võitma
- koos
- jooksul
- Töö
- Töövoogud
- töö
- töötab
- halvem
- oleks
- kirjutamine
- veel
- saak
- sa
- Sinu
- sephyrnet