Masinõppe (ML) mudelid ei tööta isoleeritult. Väärtuse pakkumiseks peavad need integreeruma olemasolevatesse tootmissüsteemidesse ja infrastruktuuri, mistõttu tuleb projekteerimisel ja arendusel arvestada kogu ML elutsükliga. ML-i operatsioonid, mida tuntakse MLO-dena, keskenduvad ML-mudelite sujuvamaks muutmisele, automatiseerimisele ja jälgimisele kogu nende elutsükli jooksul. Tugeva MLOps-i torujuhtme loomine nõuab funktsionaalset koostööd. Andmeteadlased, ML-insenerid, IT-töötajad ja DevOpsi meeskonnad peavad tegema koostööd mudelite kasutuselevõtuks alates uurimistööst kuni juurutamise ja hoolduseni. Õigete protsesside ja tööriistadega võimaldab MLOps organisatsioonidel ML-i usaldusväärselt ja tõhusalt oma meeskondades kasutusele võtta.
Kuigi pideva integreerimise ja pideva tarnimise (CI/CD) torujuhtmete nõuded võivad olla ainulaadsed ja peegeldavad iga organisatsiooni vajadusi, saab MLOps-i tavade skaleerimist meeskondade lõikes lihtsustada, kasutades hallatud orkestratsioone ja tööriistu, mis võivad arendusprotsessi kiirendada ja eemaldada diferentseerimata raskete koormate. .
Amazon SageMaker MLOps on funktsioonide komplekt, mis sisaldab Amazon SageMakeri projektid (CI/CD), Amazon SageMakeri torujuhtmed ja Amazon SageMakeri mudeliregister.
SageMakeri torujuhtmed võimaldab ML-i töövooge lihtsalt luua ja hallata, pakkudes samal ajal ka töövoo etappide salvestus- ja taaskasutusvõimalusi. The SageMakeri mudeliregister tsentraliseerib mudelite jälgimise, lihtsustades mudeli juurutamist. SageMakeri projektid tutvustab ML-i CI/CD tavasid, sealhulgas keskkonna pariteeti, versioonikontrolli, testimist ja automatiseerimist. See võimaldab teie ML-keskkonnas kiiresti luua CI/CD, hõlbustades tõhusat skaleeritavust kogu teie ettevõttes.
Sisseehitatud projekti mallid poolt Amazon SageMaker hõlmavad integreerimist mõne kolmanda osapoole tööriistaga, nagu Jenkins orkestreerimiseks ja GitHub allika juhtimiseks, ning mitmed kasutavad AWS-i natiivseid CI/CD tööriistu, nagu näiteks AWS CodeCommit, AWS CodePipelineja AWS CodeBuild. Paljude stsenaariumide korral soovivad kliendid aga integreerida SageMakeri torujuhtmeid teiste olemasolevate CI/CD tööriistadega ja luua seetõttu oma kohandatud projektimalle.
Selles postituses näitame teile samm-sammult rakendamist järgmiste eesmärkide saavutamiseks:
- Looge kohandatud SageMaker MLOps projekti mall, mis integreerub GitHubi ja GitHubi toimingutega
- Tehke oma kohandatud projektimallid keeles kättesaadavaks Amazon SageMaker Studio oma andmeteaduse meeskonna jaoks ühe klõpsuga varustamise abil
Lahenduse ülevaade
Selles postituses koostame järgmise arhitektuuri. Loome automatiseeritud mudeliehituse konveieri, mis sisaldab samme andmete ettevalmistamiseks, mudeli koolituseks, mudeli hindamiseks ja koolitatud mudeli registreerimiseks SageMakeri mudeliregistris. Saadud koolitatud ML-mudel juurutatakse seejärel käsitsi kinnitamisel SageMakeri mudeliregistrist lavastus- ja tootmiskeskkondadesse.
Kogu konfiguratsiooni mõistmiseks süveneme selle arhitektuuri elementidesse.
GitHub ja GitHubi toimingud
GitHub on veebipõhine platvorm, mis pakub Giti abil versioonikontrolli ja lähtekoodihaldust. See võimaldab meeskondadel tarkvaraarendusprojektides koostööd teha, muudatusi jälgida ja koodihoidlaid hallata. GitHub toimib tsentraliseeritud asukohana teie ML-koodibaasi salvestamiseks, versioonideks ja haldamiseks. See tagab, et teie ML-koodi baas ja torujuhtmed on versioonistatud, dokumenteeritud ja meeskonnaliikmetele juurdepääsetavad.
GitHubi toimingud on GitHubi ökosüsteemis võimas automatiseerimistööriist. See võimaldab teil luua kohandatud töövooge, mis automatiseerivad teie tarkvaraarenduse elutsükli protsesse, nagu koodi koostamine, testimine ja juurutamine. Saate luua sündmustepõhiseid töövooge, mille käivitavad konkreetsed sündmused, näiteks kui kood lükatakse hoidlasse või luuakse tõmbetaotlus. MLO-de juurutamisel saate kasutada GitHubi toiminguid ML-konveieri erinevate etappide automatiseerimiseks, näiteks:
- Andmete valideerimine ja eeltöötlus
- Mudelite koolitus ja hindamine
- Mudeli juurutamine ja jälgimine
- CI/CD ML mudelitele
GitHub Actionsiga saate oma ML-i töövooge sujuvamaks muuta ja tagada, et teie mudeleid koostatakse, testitakse ja juurutatakse järjepidevalt, mis viib tõhusama ja usaldusväärsema ML-juurutuseni.
Järgmistes jaotistes alustame eeltingimuste seadmisega, mis on seotud mõne selle arhitektuuri osana kasutatava komponendiga.
- AWS CloudFormation - AWS CloudFormation algatab mudeli juurutamise ja loob SageMakeri lõpp-punktid pärast seda, kui mudeli juurutamise konveier on koolitatud mudeli heakskiidul aktiveeritud.
- AWS CodeStar ühendus - Me kasutame AWS CodeStar luua link GitHubi hoidlaga ja kasutada seda koodi repo integreerimiseks AWS-i ressurssidega, nagu SageMaker Studio.
- Amazon EventBridge - Amazon EventBridge jälgib kõiki mudeliregistri muudatusi. Samuti säilitab see reegli, mis palub Lambda funktsioonil mudelikonveieri juurutada, kui mudelipaketi versiooni olek muutub
PendingManualApproval
etApproved
mudeliregistris. - AWS Lambda – Me kasutame an AWS Lambda funktsioon mudeli juurutamise töövoo käivitamiseks GitHub Actionsis pärast uue mudeli registreerimist mudeliregistris.
- Amazon SageMaker – Konfigureerime järgmised SageMakeri komponendid:
- Torujuhe – See komponent koosneb suunatud atsüklilisest graafikust (DAG), mis aitab meil luua automatiseeritud ML-i töövoo andmete ettevalmistamise, mudeli koolituse ja mudeli hindamise etappide jaoks. Mudeliregister säilitab kirjeid mudeliversioonide, nendega seotud artefaktide, põlvnemise ja metaandmete kohta. Moodustatakse mudelipakettide rühm, mis sisaldab kõiki seotud mudeliversioone. Mudeliregister vastutab ka mudeliversiooni kinnitusoleku haldamise eest hilisemaks juurutamiseks.
- Lõpp-punkt – See komponent seadistab järelduste tegemiseks kaks HTTPS-i reaalajas lõpp-punkti. Hostimise konfiguratsiooni saab kohandada näiteks partii teisenduse või asünkroonse järelduse jaoks. Jaotus-lõpp-punkt genereeritakse, kui mudeli juurutamise konveier aktiveeritakse SageMakeri mudeliregistri koolitatud mudeli heakskiitmisega. Seda lõpp-punkti kasutatakse juurutatud mudeli kinnitamiseks, tagades, et see esitab ennustusi, mis vastavad meie täpsusstandarditele. Kui mudel on tootmiseks juurutamiseks ette valmistatud, juurutatakse GitHubi toimingute töövoo käsitsi kinnitamisetapis tootmise lõpp-punkt.
- Hoidla kood – See loob teie SageMakeri kontole ressursina Giti hoidla. Kasutades GitHubi koodihoidlast olemasolevaid andmeid, mille sisestasite oma SageMakeri projekti loomisel, luuakse projekti algatamisel SageMakeris seos sama hoidlaga. See moodustab sisuliselt lingi GitHubi hoidlaga SageMakeris, võimaldades teie hoidlaga interaktiivseid toiminguid (tõmba/tõuke).
- Mudelite register – See jälgib mudeli erinevaid versioone ja vastavaid artefakte, mis hõlmavad põlvnemist ja metaandmeid. Kogumik, mida tuntakse a mudelpaketi grupp on loodud, mudeli korpusega seotud versioonid. Lisaks jälgib mudeliregister mudeliversiooni kinnitusolekut, tagades selle valmisoleku järgnevaks juurutamiseks.
- AWS-i saladuste haldur - GitHubi isikliku juurdepääsumärgi turvaliseks säilitamiseks on vaja sisse seada saladus AWS-i saladuste haldur ja paigutage sellesse teie juurdepääsuluba.
- AWS-i teenuste kataloog – Me kasutame AWS-i teenuste kataloog SageMakeri projektide rakendamiseks, mis sisaldavad selliseid komponente nagu SageMakeri koodihoidla, Lambda funktsioon, EventBridge reegel, artefakti S3 ämber jne, mis kõik on rakendatud CloudFormationi kaudu. See võimaldab teie organisatsioonil projektimalle korduvalt kasutada, projekte igale kasutajale eraldada ja toiminguid sujuvamaks muuta.
- Amazon S3 – Me kasutame an Amazoni lihtne salvestusteenus (Amazon S3) kopp, et hoida torujuhtme toodetud mudeliartefakte.
Eeldused
Teil peaksid olema järgmised eeltingimused:
Enne lahenduse rakendamist peate läbima ka täiendavad seadistusetapid.
Seadistage AWS CodeStar ühendus
Kui teil pole veel oma GitHubi kontoga AWS CodeStari ühendust, vaadake jaotist Looge ühendus GitHubiga juhiste saamiseks selle loomiseks. Teie AWS CodeStar ühendus ARN näeb välja selline:
Selles näites aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
on selle ühenduse kordumatu ID. Kasutame seda ID-d, kui loome hiljem selles näites oma SageMakeri projekti.
Seadistage oma GitHubi märgi jaoks salajased juurdepääsuvõtmed
GitHubi isikliku juurdepääsuloa turvaliseks salvestamiseks peate looma saladuse halduris saladuse. Kui teil pole GitHubi jaoks isiklikku juurdepääsuluba, vaadake jaotist Isiklike juurdepääsulubade haldamine juhiste saamiseks selle loomiseks.
Saate luua kas klassikalise või peeneteralise juurdepääsumärgi. Siiski veenduge, et märgil oleks juurdepääs hoidla sisule ja toimingutele (töövood, käitamised ja artefaktid).
Oma märgi salvestamiseks saladuste haldurisse toimige järgmiselt.
- Valige konsoolil Secrets Manager Salvestage uus saladus.
- valima Muud tüüpi saladused eest Valige salajane tüüp.
- Sisestage oma saladusele nimi Võti välja ja lisage vastavasse oma isiklik juurdepääsuluba Väärtus valdkonnas.
- Vali järgmine, sisestage oma saladusele nimi ja valige järgmine uuesti.
- Vali E-POOD oma saladuse päästmiseks.
Salvestades oma GitHubi isikliku juurdepääsuluba saladuste haldurisse, pääsete sellele turvaliselt juurde oma MLOps-konfidentsiaalsuse tagamisel.
Looge GitHubi toimingute jaoks IAM-i kasutaja
Et GitHub Actions saaks teie AWS-i keskkonnas SageMakeri lõpp-punkte juurutada, peate looma AWS-i identiteedi- ja juurdepääsuhaldus (IAM) kasutaja ja anda talle vajalikud õigused. Juhiste saamiseks vaadake IAM-i kasutaja loomine oma AWS-i kontol. Kasuta iam/GithubActionsMLOpsExecutionPolicy.json
fail (esineb dokumendis koodi näidis), et anda sellele kasutajale teie lõpp-punktide juurutamiseks piisavad õigused.
Pärast IAM-i kasutaja loomist luua juurdepääsuvõti. Seda võtit, mis koosneb nii juurdepääsuvõtme ID-st kui ka salajasest juurdepääsuvõtmest, kasutate GitHubi saladuste konfigureerimisel järgmises etapis.
Seadistage oma GitHubi konto
Järgmised sammud on GitHubi konto ettevalmistamiseks selle näite käitamiseks.
Kloonige GitHubi hoidla
Selle näite jaoks saate uuesti kasutada olemasolevat GitHubi repot. Siiski on lihtsam, kui loote uue hoidla. See hoidla sisaldab kogu lähtekoodi nii SageMakeri torujuhtme ehituste kui ka juurutuste jaoks.
Kopeerige algkoodikataloogi sisu oma GitHubi hoidla juure. Näiteks .github
kataloog peaks asuma teie GitHubi hoidla juure all.
Looge GitHubi saladus, mis sisaldab teie IAM-i kasutaja juurdepääsuvõtit
Selles etapis salvestame vastloodud kasutaja juurdepääsuvõtme üksikasjad meie lehele GitHubi saladus.
- Liikuge GitHubi veebisaidil oma hoidlasse ja valige Seaded.
- Valige jaotises Turvalisus Saladused ja muutujad Ja vali Meetmete.
- Vali Uus hoidla saladus.
- eest Nimi, sisenema
AWS_ACCESS_KEY_ID
- eest Saladus, sisestage varem loodud IAM-i kasutajaga seotud juurdepääsuvõtme ID.
- Vali Lisa saladus.
- Korrake sama protseduuri jaoks
AWS_SECRET_ACCESS_KEY
Konfigureerige oma GitHubi keskkonnad
Käsitsi kinnitamisetapi loomiseks juurutamiskonveierites kasutame a GitHubi keskkond. Tehke järgmised sammud.
- Liikuge Seaded, Keskkonnad oma GitHubi hoidla menüüd ja looge uus keskkond nimega tootmine.
- eest Keskkonnakaitse eeskirjadvalige Vajalikud ülevaatajad.
- Lisage ülevaatajatena soovitud GitHubi kasutajanimed. Selle näite jaoks saate valida oma kasutajanime.
Pange tähele, et keskkonnafunktsioon pole teatud tüüpi GitHubi plaanides saadaval. Lisateabe saamiseks vaadake Keskkondade kasutamine juurutamiseks.
Lambda funktsiooni juurutamine
Järgmistes etappides surume kokku lambda_function.py
ZIP-faili, mis seejärel laaditakse üles S3 ämbrisse.
Selle jaoks vastava koodinäidise leiate järgmisest GitHub repo. Täpsemalt: lambda_function.py
asub lambda_functions/lambda_github_workflow_trigger kataloog.
Soovitatav on luua koodinäidise kahvel ja selle asemel kloonida. See annab teile vabaduse koodi muuta ja proovi erinevate aspektidega katsetada.
- Pärast koodi koopia hankimist liikuge vastavasse kataloogi ja kasutage
zip
tihendamiseks käsklambda_function.py
. Nii Windowsi kui ka MacOS-i kasutajad saavad ZIP-faili genereerimiseks kasutada oma failihaldussüsteemi, vastavalt File Explorerit või Finderit.
- Laadige üles
lambda-github-workflow-trigger.zip
S3 ämbrisse.
Sellele ämbrile pääseb hiljem juurde teenusekataloog. Saate valida mis tahes ämbri, millele teil on juurdepääs, eeldusel, et teenusekataloog suudab sealt järgnevate sammude käigus andmeid hankida.
Sellest etapist alates nõuame AWS CLI v2 installimist ja konfigureerimist. Alternatiiviks oleks kasutada AWS CloudShelli, mis on varustatud kõigi vajalike eelinstallitud tööriistadega, mis välistab vajaduse täiendavate konfiguratsioonide järele.
- Faili S3 ämbrisse üleslaadimiseks kasutage järgmist käsku:
Nüüd konstrueerime Lambda kihiga seotud sõltuvuste jaoks lambda_function
laadisime just üles.
- Seadistage Pythoni virtuaalne keskkond ja installige sõltuvused:
- Looge ZIP-fail järgmiste käskudega.
- Avalda kiht AWS-is:
Pärast selle kihi avaldamist saavad kõik teie Lambda funktsioonid sellele viidata, et vastata nende sõltuvustele. Lambda kihtide üksikasjalikuma ülevaate saamiseks vaadake Lambda kihtidega töötamine.
Looge SageMakeris kohandatud projekti mall
Pärast kõigi ülaltoodud toimingute sooritamist on meil olemas kõik CI/CD konveieri ressursid ja komponendid. Järgmisena demonstreerime, kuidas saame need ressursid SageMaker Studio kohandatud projektina kättesaadavaks teha ühe klõpsuga juurutamise kaudu.
Nagu varem mainitud, kui SageMakeri pakutavad mallid ei vasta teie vajadustele (näiteks soovite CodePipeline'is mitmeetapilisemat orkestreerimist, kohandatud kinnitusetappe või integreerida kolmanda osapoole tööriistaga, nagu GitHub ja GitHubi toimingud selles postituses näidatud), saate luua oma mallid. Soovitame alustada SageMakeri pakutavate mallidega, et mõista, kuidas oma koodi ja ressursse korraldada ning sellele edasi arendada. Lisateabe saamiseks vaadake Looge kohandatud projektimalle.
Pange tähele, et saate selle sammu ka automatiseerida ja kasutada teenusekataloogi portfelli ja toote koodi kaudu juurutamiseks selle asemel CloudFormationi. Selles postituses näitame teile parema õppimiskogemuse huvides konsooli juurutamist.
Praeguses etapis kasutame pakutavat CloudFormationi malli, et luua teenusekataloogi portfell, mis aitab meil luua SageMakeris kohandatud projekte.
Järgmiste toimingute jaoks saate luua uue domeeni või uuesti kasutada oma SageMakeri domeeni. Kui teil pole domeeni, vaadake Kiirseadistuse abil Amazon SageMakeri domeeniga liitumine seadistusjuhiste saamiseks.
Pärast administraatori juurdepääsu lubamist SageMakeri mallidele toimige järgmiselt.
- Teenuskataloogi konsooli all haldus valige navigeerimispaanil Portfellid.
- Vali Looge uus portfell.
- Nimetage portfoolio "SageMakeri organisatsiooni mallid".
- Lae alla mall.yml faili arvutisse.
See pilvevormingu mall pakub koodina kõik CI/CD ressursid, mida vajame konfiguratsioonina ja infrastruktuuri. Saate malli üksikasjalikumalt uurida, et näha, milliseid ressursse selle osana kasutatakse. See mall on kohandatud GitHubi ja GitHub Actionsiga integreerimiseks.
- aasta
template.yml
faili, muutkeS3Bucket
väärtus teie ämbrile, kuhu olete Lambda ZIP-faili üles laadinud:
- Valige uus portfell.
- Vali Laadige üles uus toode.
- eest Toote nimi¸ sisestage oma malli nimi. Me kasutame nime
build-deploy-github
. - eest Kirjeldus, sisestage kirjeldus.
- eest omanik, Sisestage oma nimi.
- alla Versiooni üksikasjadJaoks Meetod, vali Kasutage mallifaili.
- Vali Laadige mall üles.
- Laadige alla laaditud mall üles.
- eest Versiooni pealkiri, vali 1.0.
- Vali Ülevaade.
- Vaadake oma seaded üle ja valige Loo toode.
- Vali värskendama uue toote loetlemiseks.
- Valige äsja loodud toode.
- Kohta Sildid vahekaardil lisage tootele järgmine silt:
- Võti =
sagemaker:studio-visibility
- Väärtus =
true
- Võti =
Tagasi portfelli üksikasjades peaksite nägema midagi sarnast järgmise ekraanipildiga (erinevate ID-dega).
- Kohta Piirangud valige vahekaart Loo piirang.
- eest Toode, vali
build-deploy-github
(toode, mille just lõite). - eest Piirang tüüp, vali Algatama.
- alla Käivitage piirangJaoks Meetod, vali Valige IAM-i roll.
- Vali
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Vali Looma.
- Kohta Grupid, rollid ja kasutajad valige vahekaart Lisage rühmi, rolle, kasutajaid.
- Kohta rollid vahekaardil valige roll, mida kasutasite oma SageMaker Studio domeeni konfigureerimisel. Siit leiate SageMakeri domeenirolli.
- Vali Lisa juurdepääs.
Juurutage projekt SageMaker Studiost
Eelmistes jaotistes valmistasite ette kohandatud MLOps projektikeskkonna. Nüüd loome selle malli abil projekti:
- Liikuge SageMakeri konsoolis domeenile, kuhu soovite selle projekti luua.
- Kohta Algatama menüüst valige stuudio.
Teid suunatakse SageMaker Studio keskkonda.
- SageMaker Studios alloleval navigeerimispaanil kasutuselevõttu, vali Projektid.
- Vali Loo projekt.
- Valige mallide loendi ülaosas Organisatsiooni mallid.
Kui olete kõik eelnevad sammud edukalt läbinud, peaksite nägema uut kohandatud projektimalli nimega Build-Deploy-GitHub
.
- Valige see mall ja valige Valige Projekti mall.
- Sisestage valikuline kirjeldus.
- eest GitHubi hoidla omaniku nimi, sisestage oma GitHubi hoidla omanik. Näiteks kui teie hoidla asub aadressil
https://github.com/pooyavahidi/my-repo
, oleks omanikpooyavahidi
. - eest GitHubi hoidla nimi, sisestage hoidla nimi, kuhu algkoodi kopeerisite. See oleks lihtsalt repo nimi. Näiteks sisse
https://github.com/pooyavahidi/my-repo
, repo onmy-repo
. - eest Codestari ühenduse kordumatu ID, sisestage loodud AWS CodeStar ühenduse kordumatu ID.
- eest Saladuse nimi saladuste halduris, mis salvestab GitHubi märgi, sisestage saladuse nimi saladuste haldurisse, kus lõite ja salvestasite GitHubi märgi.
- eest GitHubi töövoofail juurutamiseks, sisestage GitHubi töövoo faili nimi (at
.github/workflows/deploy.yml
), kus teil on juurutamisjuhised. Selle näite puhul saate selle vaikimisi jätta, mis ondeploy.yml
. - Vali Loo projekt.
- Pärast projekti loomist värskendage kindlasti
AWS_REGION
jaSAGEMAKER_PROJECT_NAME
keskkonnamuutujaid oma GitHubi töövoofailides vastavalt. Töövoo failid on teie GitHubi repos (kopeeritud algkoodist), sees.github/workflows
kataloog. Värskendage kindlasti mõlematbuild.yml
jadeploy.yml
faile.
Nüüd on teie keskkond kasutamiseks valmis! Saate konveierid otse käitada, teha muudatusi ja lükata need muudatused oma GitHubi hoidlasse, et käivitada automatiseeritud ehituskonveier ja näha, kuidas kõik koostamise ja juurutamise etapid on automatiseeritud.
Koristage
Ressursside puhastamiseks toimige järgmiselt.
- Kustutage SageMakeri projekti ja SageMakeri lõpp-punktide jaoks kasutatud CloudFormationi virnad.
- Kustutage SageMakeri domeen.
- Kustutage teenusekataloogi ressursid.
- Kustutage AWS CodeStari ühenduse link GitHubi hoidlaga.
- Kustutage GitHub Actionsi jaoks loodud IAM-i kasutaja.
- Kustutage saladus Secrets Manageris, mis salvestab GitHubi isikliku juurdepääsu üksikasjad.
kokkuvõte
Selles postituses käisime läbi kohandatud SageMaker MLOps projektimalli kasutamise protsessi CI/CD konveieri automaatseks ehitamiseks ja korraldamiseks. See konveier integreerib tõhusalt teie olemasolevad CI/CD mehhanismid SageMakeri võimalustega andmete töötlemiseks, mudelikoolituseks, mudeli kinnitamiseks ja mudeli juurutamiseks. Meie stsenaariumis keskendusime GitHubi toimingute integreerimisele SageMakeri projektide ja torustikega. Rakenduse üksikasjadest põhjaliku ülevaate saamiseks külastage veebilehte GitHubi hoidla. Katsetage seda julgelt ja ärge kõhelge kommentaaride jaotisest küsimusi jätmast.
Autoritest
Dr Romina Sharifpour on Amazon Web Servicesi (AWS) masinõppe ja tehisintellekti lahenduste vanemarhitekt. Ta on juhtinud üle 10 aasta uuenduslike terviklike lahenduste väljatöötamist ja juurutamist, mida võimaldavad ML ja AI edusammud. Romina huvivaldkonnad on loomuliku keele töötlemine, suured keelemudelid ja MLO-d.
Pooya Vahidi on AWSi vanemlahenduste arhitekt, kes on kirglik arvutiteaduse, tehisintellekti ja pilvandmetöötluse vastu. AI professionaalina on ta AWS AI/ML Area-of-Depth meeskonna aktiivne liige. Omades üle kahe aastakümne pikkuseid kogemusi suuremahuliste lahenduste arhitektuuri ja projekteerimise juhtimisel, aitab ta kliente nende muutlikul teekonnal pilve- ja AI/ML-tehnoloogiate kaudu.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :on
- :on
- :mitte
- : kus
- $ UP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Võimalik
- MEIST
- üle
- kiirendama
- juurdepääs
- pääses
- juurdepääsetav
- vastavalt
- konto
- täpsus
- Saavutada
- üle
- meetmete
- aktiivne
- atsükliline
- lisama
- Täiendavad lisad
- Kohandatud
- vastu võtma
- edusammud
- pärast
- jälle
- AI
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- eraldama
- võimaldama
- võimaldab
- juba
- Ka
- alternatiiv
- Amazon
- Amazon SageMaker
- Amazon SageMakeri torujuhtmed
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- ja
- infrastruktuuri
- mistahes
- asjakohane
- heakskiit
- arhitektuur
- OLEME
- valdkondades
- kunstlik
- tehisintellekti
- AS
- aspektid
- seotud
- Ühing
- At
- automatiseerima
- Automatiseeritud
- automaatselt
- automatiseerimine
- Automaatika
- saadaval
- AWS
- tagapõhi
- baas
- BE
- olnud
- enne
- mõlemad
- ehitama
- Ehitus
- Ehitab
- ehitatud
- sisseehitatud
- by
- kutsutud
- CAN
- võimeid
- kataloog
- CD
- tsentraliseeritud
- muutma
- Vaidluste lahendamine
- Vali
- klassika
- puhastama
- klõps
- Cloud
- cloud computing
- kood
- koodi alus
- Teevad koostööd
- koostöö
- kogumine
- tuleb
- kommentaarid
- täitma
- lõpetamist
- keeruline
- komponent
- komponendid
- terviklik
- arvuti
- Arvutiteadus
- arvutustehnika
- konfidentsiaalsus
- konfiguratsioon
- konfigureeritud
- seadistamine
- ühendus
- arvestades
- järjepidevalt
- koosneb
- konsool
- ehitama
- sisaldama
- sisu
- pidev
- kontrollida
- Vastav
- looma
- loodud
- loob
- loomine
- loomine
- tava
- Kliendid
- kohandatud
- DAG
- andmed
- Andmete ettevalmistamine
- andmeteadus
- aastakümnete
- vaikimisi
- tarnima
- tarne
- süvenema
- nõudmisi
- näitama
- Näidatud
- sõltuvused
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- kasutuselevõtt
- kirjeldus
- Disain
- soovitud
- detail
- üksikasjalik
- detailid
- & Tarkvaraarendus
- erinev
- suunatud
- otse
- arutatud
- do
- domeen
- Ära
- ajal
- iga
- Ajalugu
- lihtsam
- ökosüsteemi
- Tõhus
- tõhusalt
- tõhus
- tõhusalt
- kumbki
- elemendid
- kõrvaldades
- võimaldama
- lubatud
- võimaldab
- võimaldades
- Lõpuks-lõpuni
- Lõpp-punkt
- Inseneriteadus
- Inseneride
- tagama
- tagab
- tagades
- sisene
- ettevõte
- Kogu
- keskkond
- keskkondades
- põhiliselt
- looma
- asutatud
- kehtestab
- asutamine
- jms
- hindamine
- sündmused
- näide
- olemasolevate
- kogemus
- eksperiment
- teadmised
- uurija
- hõlbustades
- tunnusjoon
- FUNKTSIOONID
- tundma
- väli
- fail
- Faile
- Otsing
- Keskenduma
- keskendunud
- Järel
- eest
- kahvel
- moodustamine
- vormid
- avastatud
- tasuta
- Vabadus
- Alates
- funktsioon
- funktsioonid
- tekitama
- loodud
- saama
- Git
- GitHub
- Andma
- läheb
- läinud
- anda
- graafik
- suurem
- Grupp
- Grupi omad
- Olema
- he
- raske
- raske tõstmine
- aitab
- Hosting
- maja
- maja
- elamispind
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- ID
- Identity
- IDd
- if
- täitmine
- rakendatud
- rakendamisel
- in
- sisaldama
- hõlmab
- Kaasa arvatud
- info
- Infrastruktuur
- algatama
- Algatab
- uuenduslik
- sisend
- sees
- paigaldama
- paigaldatud
- Näiteks
- selle asemel
- juhised
- integreerima
- Integreerib
- Integreerimine
- integratsioon
- Intelligentsus
- interaktiivne
- huvi
- sisse
- Tutvustab
- isolatsioon
- IT
- ITS
- Reisid
- jpg
- Json
- lihtsalt
- hoidma
- hoiab
- Võti
- võtmed
- teatud
- keel
- suur
- suuremahuline
- pärast
- algatama
- kiht
- kihid
- juhtivate
- õppimine
- Lahkuma
- eluring
- tõstmine
- nagu
- sugupuu
- LINK
- nimekiri
- asub
- liising
- Pikk
- Vaata
- näeb välja
- masin
- masinõpe
- MacOS
- jääb
- hooldus
- tegema
- juhtima
- juhitud
- juhtimine
- juht
- juhtiv
- Manipuleerimine
- käsiraamat
- palju
- mehhanismid
- Vastama
- liige
- liikmed
- menüü
- Metaandmed
- võib
- MIT
- ML
- MLOps
- mudel
- mudelid
- Muudatused
- muutma
- järelevalve
- monitorid
- rohkem
- tõhusam
- Pealegi
- mitmekordne
- peab
- nimi
- Nimega
- nimed
- emakeelena
- Natural
- Natural Language Processing
- Navigate
- NAVIGATSIOON
- vajalik
- nõuab
- Vajadus
- vajadustele
- Uus
- uus toode
- äsja
- järgmine
- nüüd
- saama
- of
- pakkumine
- on
- ONE
- edasi
- töötama
- Operations
- or
- Korraldus
- organisatsioon
- organisatsioonid
- Muu
- meie
- üle
- ülevaade
- enda
- omanik
- pakend
- pane
- paarsus
- osa
- partei
- kirglik
- Õigused
- isiklik
- torujuhe
- plaanid
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- portfell
- post
- võimas
- tavad
- Ennustused
- ettevalmistamine
- Valmistama
- valmis
- eeldused
- eelmine
- menetlus
- protsess
- Protsessid
- töötlemine
- Toodetud
- Toode
- Produktsioon
- professionaalne
- projekt
- projektid
- küsib
- kaitse
- anda
- tingimusel
- annab
- avaldatud
- Lükkama
- lükatakse
- Python
- päringud
- Kiire
- Valmisolek
- valmis
- reaalajas
- soovitama
- soovitatav
- andmed
- viitama
- viide
- kajastama
- registreeritud
- Registreerimine
- registri
- seotud
- asjakohane
- usaldusväärne
- kõrvaldama
- KORDUVALT
- Hoidla
- taotleda
- nõudma
- Nõuded
- teadustöö
- ressurss
- Vahendid
- vastavalt
- vastutav
- tulemuseks
- taaskasutada
- õige
- jõuline
- Roll
- rollid
- juur
- Eeskiri
- jooks
- jookseb
- salveitegija
- SageMakeri torujuhtmed
- sama
- Säästa
- Skaalautuvus
- ketendamine
- stsenaarium
- stsenaariumid
- teadus
- teadlased
- Saladus
- saladusi
- Osa
- lõigud
- kindlalt
- turvalisus
- vaata
- seeme
- valima
- vanem
- teenib
- teenus
- Teenused
- Komplektid
- kehtestamine
- seaded
- seade
- mitu
- ta
- peaks
- näitama
- sarnane
- lihtne
- lihtsustatud
- lihtsustamine
- tarkvara
- tarkvaraarenduse
- lahendus
- Lahendused
- mõned
- midagi
- allikas
- lähtekoodi
- Pinge
- konkreetse
- eriti
- kasutatud
- Hoidla
- Personal
- Stage
- etappidel
- matkimine
- standardite
- algus
- Käivitus
- olek
- Samm
- Sammud
- ladustamine
- salvestada
- ladustatud
- kauplustes
- ladustamine
- lihtne
- kiirendama
- Sujuvamaks muutmine
- stuudio
- Uuring
- järgnev
- Edukalt
- selline
- piisav
- komplekt
- kindel
- süsteem
- süsteemid
- TAG
- meeskond
- Meeskonna liikmed
- meeskonnad
- Tehnoloogiad
- šabloon
- malle
- katsetatud
- Testimine
- et
- .
- Allikas
- oma
- SIIS
- seetõttu
- Need
- nad
- Kolmas
- kolmanda osapoole
- see
- need
- Läbi
- läbi kogu
- et
- kokku
- sümboolne
- tööriist
- töövahendid
- ülemine
- jälgida
- Jälgimine
- koolitatud
- koolitus
- Muutma
- muundav
- vallandada
- vallandas
- kaks
- tüüp
- liigid
- all
- mõistma
- mõistmine
- ainulaadne
- Värskendused
- laetud
- peale
- us
- kasutama
- Kasutatud
- Kasutaja
- Kasutajad
- kasutamine
- ära kasutama
- kasutatud
- KINNITAGE
- kinnitamine
- väärtus
- eri
- versioon
- versioonid
- kaudu
- virtuaalne
- visiit
- kõndis
- tahan
- we
- web
- veebiteenused
- Veebipõhine
- veebisait
- M
- millal
- mis
- kuigi
- will
- aknad
- koos
- jooksul
- Töö
- koos töötama
- töövoog
- Töövoogud
- oleks
- aastat
- sa
- Sinu
- sephyrnet
- Tõmblukk