See postitus on kirjutatud koos Kostia Kofmani ja Jenny Tokariga Booking.com-ist.
Interneti-reisitööstuse ülemaailmse liidrina Booking.com otsib alati uuenduslikke viise oma teenuste täiustamiseks ja klientidele kohandatud ja sujuvate kogemuste pakkumiseks. Booking.com-i Rankingu meeskond mängib keskset rolli selle tagamisel, et otsingu- ja soovitusalgoritmid on optimeeritud, et pakkuda kasutajatele parimaid tulemusi.
Jagades ettevõttesiseseid ressursse teiste sisemiste meeskondadega, tuli Rankingu meeskonna masinõppe (ML) teadlastel mudelikoolituse ja katsetamise ressurssidele juurdepääsuks sageli pikki ooteaegu, mis seab väljakutse nende võimele kiiresti katsetada ja uuendusi teha. Tunnistades vajadust moderniseeritud ML-infrastruktuuri järele, asus Rankingu meeskond teekonda, et kasutada Amazon SageMaker ML-mudelite mastaabis ehitamiseks, koolitamiseks ja juurutamiseks.
Booking.com tegi koostööd AWS-i professionaalsed teenused luua lahendus täiustatud ML-mudelite turuletuleku kiirendamiseks järgmiste täiustuste abil:
- Koolituse ja katsetamise ressursside ooteaeg on lühem
- Oluliste ML-võimaluste, näiteks hüperparameetrite häälestamise, integreerimine
- ML mudelite vähendatud arendustsükkel
Vähendatud ooteaeg tähendaks, et meeskond saaks kiiresti itereerida ja katsetada mudeleid, saades teadmisi palju kiiremas tempos. SageMakeri nõudmisel saadaolevate eksemplaride kasutamine võimaldas ooteaega kümnekordselt lühendada. Ruumides puudusid olulised ML-võimalused, nagu hüperparameetrite häälestamine ja mudeli seletatavus. Meeskonna moderniseerimise teekond tutvustas neid funktsioone läbi Amazon SageMakeri automaatne mudeli häälestamine ja Amazon SageMaker Clarify. Lõpuks oli meeskonna soov saada viivitamatut tagasisidet iga koodis tehtud muudatuse kohta, vähendades tagasisideahelat minutitelt hetkeni ja vähendades seeläbi ML-mudelite arendustsüklit.
Selles postituses käsitleme Booking.com-i Rankingu meeskonna teekonda, kui nad kasutasid SageMakeri võimalusi oma ML-i katsetamise raamistiku moderniseerimiseks. Seda tehes ei ületanud nad mitte ainult olemasolevaid väljakutseid, vaid parandasid ka oma otsingukogemust, millest said lõpuks kasu miljonid reisijad kogu maailmas.
Lähenemine moderniseerimisele
Edetabeli meeskond koosneb mitmest ML-teadlasest, kes igaüks peab oma mudelit võrguühenduseta välja töötama ja testima. Kui mudel loetakse võrguühenduseta hindamise kohaselt edukaks, saab selle üle viia tootmise A/B testimisse. Kui see näitab veebipõhiseid täiustusi, saab seda kasutada kõikidele kasutajatele.
Selle projekti eesmärk oli luua ML-i teadlastele kasutajasõbralik keskkond, mida oleks lihtne kohandada Amazon SageMakeri mudeliehitustorud oma hüpoteese testida, ilma et oleks vaja pikki ja keerulisi mooduleid kodeerida.
Üks paljudest väljakutsetest oli olemasoleva kohapealse torujuhtme lahenduse kohandamine AWS-is kasutamiseks. Lahendus hõlmas kahte põhikomponenti:
- Olemasoleva koodi muutmine ja laiendamine – Meie lahenduse esimene osa hõlmas meie olemasoleva koodi muutmist ja laiendamist, et see ühilduks AWS-i infrastruktuuriga. See oli ülioluline sujuva ülemineku tagamiseks kohapealselt töötlemiselt pilvepõhisele töötlemisele.
- Kliendipaketi arendus – Töötati välja kliendipakett, mis toimib SageMaker API-de ja varem olemasoleva koodi ümber. See pakett ühendab need kaks, võimaldades ML-teadlastel hõlpsasti konfigureerida ja juurutada ML-konveieri ilma kodeerimiseta.
SageMakeri torujuhtme konfiguratsioon
Kohandatavus on mudeli loomise torujuhtme võtmeks ja see saavutati config.ini
, ulatuslik konfiguratsioonifail. See fail toimib kõigi torujuhtme sisendite ja käitumiste juhtimiskeskusena.
Saadaval konfiguratsioonid sees config.ini
järgmised:
- Torujuhtme üksikasjad – praktik saab määrata torujuhtme nime, määrata, millised sammud peaksid jooksma, määrata, kuhu väljundid salvestada Amazoni lihtne salvestusteenus (Amazon S3) ja valige, milliseid andmekogumeid kasutada
- AWS-i konto üksikasjad – Saate otsustada, millises piirkonnas konveieri töötab ja millist rolli kasutada
- Sammupõhine konfiguratsioon – Konveieri iga etapi jaoks saate määrata üksikasjad, nagu kasutatavate eksemplaride arv ja tüüp, ning asjakohased parameetrid
Järgmine kood näitab konfiguratsioonifaili näidet:
config.ini
on versiooniga juhitav fail, mida haldab Git ja mis esindab minimaalset konfiguratsiooni, mis on vajalik edukaks koolituskonveieri käitamiseks. Arendamise ajal saab kasutada kohalikke konfiguratsioonifaile, mis ei ole versioonikontrollitud. Need kohalikud konfiguratsioonifailid peavad sisaldama ainult konkreetse käitamise jaoks olulisi sätteid, mis pakuvad paindlikkust ilma keerukuseta. Konveieri loomise klient on loodud käsitlema mitut konfiguratsioonifaili, kusjuures uusim on eelmiste sätete suhtes ülimuslik.
SageMakeri torujuhtme sammud
Torujuhe on jagatud järgmisteks etappideks:
- Koolituse ja katseandmete ettevalmistamine – Terabaiti töötlemata andmeid kopeeritakse S3 ämbrisse, mida töödeldakse kasutades AWS liim töid Sparki töötlemiseks, mille tulemuseks on ühilduvuse tagamiseks struktureeritud ja vormindatud andmed.
- Rong – Treeningsamm kasutab SageMakeri koolitustööde jaoks TensorFlow hindajat. Koolitus toimub Horovodi abil hajutatud viisil ja saadud mudeliartefakt salvestatakse Amazon S3-sse. Hüperparameetrite häälestamiseks saab algatada hüperparameetrite optimeerimise (HPO) töö, valides objektiivse mõõdiku põhjal parima mudeli.
- Ennusta – Selles etapis kasutab SageMakeri töötlemistöö prognooside tegemiseks salvestatud mudeliartefakti. See protsess töötab saadaolevates masinates paralleelselt ja ennustuste tulemused salvestatakse Amazon S3-sse.
- Hinnake – PySparki töötlemistöö hindab mudelit kohandatud Sparki skripti abil. Hindamisaruanne salvestatakse seejärel Amazon S3-sse.
- Tingimus – Pärast hindamist tehakse otsus mudeli kvaliteedi kohta. See otsus põhineb konfiguratsioonifailis määratletud tingimusmõõdikul. Kui hinnang on positiivne, registreeritakse mudel heakskiidetuks; vastasel juhul registreeritakse see tagasilükatuna. Mõlemal juhul salvestatakse hindamis- ja seletatavusaruanne mudeliregistrisse, kui see on loodud.
- Paketi mudel järelduste tegemiseks – Kui hindamistulemused on positiivsed, pakendatakse töötlustööd kasutades mudel, salvestatakse Amazon S3-sse ja valmistatakse sisemisse ML-portaali üleslaadimiseks.
- Selgitama – SageMaker Clarify loob selgitatavuse aruande.
Kasutatakse kahte erinevat hoidlat. Esimene hoidla sisaldab ML-konveieri definitsiooni ja ehituskoodi ning teine hoidla sisaldab koodi, mis töötab igas etapis, nagu töötlemine, koolitus, ennustamine ja hindamine. See kahe hoidla lähenemisviis võimaldab suuremat modulaarsust ning võimaldab teadus- ja insenerimeeskondadel iseseisvalt itereerida ML-koodi ja ML-i konveieri komponente.
Järgmine diagramm illustreerib lahenduse töövoogu.
Automaatne mudeli häälestamine
ML-mudelite väljaõpe nõuab mitme koolituskatse iteratiivset lähenemist, et luua äriliseks kasutamiseks vastupidav ja tulemuslik lõplik mudel. ML-i teadlased peavad valima sobiva mudelitüübi, koostama õiged sisendandmed ja kohandama hüperparameetrite komplekti, mis juhivad koolituse ajal mudeli õppimisprotsessi.
Mudelitreeningu protsessi jaoks sobivate hüperparameetrite väärtuste valimine võib oluliselt mõjutada mudeli lõplikku jõudlust. Siiski ei ole unikaalset või määratletud viisi, kuidas määrata, millised väärtused on konkreetse kasutusjuhu jaoks sobivad. Enamasti peavad ML-i teadlased läbi viima mitu koolitustööd veidi erinevate hüperparameetrite komplektidega, jälgima mudelitreeningu mõõdikuid ja seejärel proovima valida järgmise iteratsiooni jaoks paljutõotavamad väärtused. Seda mudeli jõudluse häälestamise protsessi tuntakse ka kui hüperparameetrite optimeerimist (HPO) ja see võib mõnikord nõuda sadu katseid.
Rankingu meeskond teostas HPO-d käsitsi oma kohapealses keskkonnas, kuna nad said paralleelselt käivitada vaid väga piiratud arvu koolitustöid. Seetõttu pidid nad HPO-d järjestikku käivitama, käsitsi testima ja valima erinevaid hüperparameetrite väärtuste kombinatsioone ning jälgima regulaarselt edenemist. See pikendas mudeli väljatöötamise ja häälestamise protsessi ning piiras HPO katsete koguarvu, mis võiksid teostada teostatava aja jooksul.
AWS-ile üleminekuga sai Rankingu meeskond kasutada SageMakeri automaatse mudeli häälestamise (AMT) funktsiooni. AMT võimaldab Ranking ML teadlastel automaatselt käivitada sadu koolitustöid huvipakkuvates hüperparameetrite vahemikes, et leida valitud mõõdiku järgi lõpliku mudeli kõige paremini toimiv versioon. Edetabeli meeskond saab nüüd hüperparameetrite valikuks valida nelja erineva automaatse häälestusstrateegia vahel:
- Võrgu otsing – AMT eeldab, et kõik hüperparameetrid on kategoorilised väärtused, ja käivitab koolitustööd iga erineva kategooria kombinatsiooni jaoks, uurides kogu hüperparameetrite ruumi.
- Juhuslik otsing – AMT valib juhuslikult hüperparameetrite väärtuste kombinatsioonid etteantud vahemikes. Kuna erinevate koolitustööde ja parameetri väärtuste valiku vahel puudub sõltuvus, saab selle meetodiga käivitada mitu paralleelset koolitustööd, mis kiirendab optimaalse parameetri valimise protsessi.
- Bayesi optimeerimine – AMT kasutab parimate hüperparameetrite väärtuste kogumi arvamiseks Bayesi optimeerimisrakendust, käsitledes seda regressiooniprobleemina. See võtab uue parameetrivalikuga arvesse varem testitud hüperparameetrite kombinatsioone ja selle mõju mudelikoolitustöödele, optimeerides nutikamaks parameetrite valikuks vähemate katsetega, kuid käivitab ka koolitustöid ainult järjestikku, et oleks alati võimalik eelmistest koolitustest õppida.
- Hüperband – AMT kasutab oma käitatavate koolitustööde vahe- ja lõpptulemusi, et dünaamiliselt jaotada ressursse hüperparameetrite konfiguratsioonidega koolitustöödele, mis näitavad lootustandvamaid tulemusi, peatades samal ajal automaatselt need, mis ei toimi.
SageMakeri AMT võimaldas Rankingu meeskonnal vähendada oma mudeliarenduse hüperparameetrite häälestamise protsessile kuluvat aega, võimaldades neil esimest korda teha mitu paralleelset katset, kasutada automaatseid häälestusstrateegiaid ja sooritada kahekohalise arvu treeninguid mõne päeva jooksul. midagi, mis ei olnud kohapeal teostatav.
Mudeli seletatavus SageMaker Clarify abil
Mudeli seletatavus võimaldab ML-i praktikutel mõista oma ML-mudelite olemust ja käitumist, pakkudes väärtuslikke teadmisi funktsioonide projekteerimise ja valikuotsuste tegemiseks, mis omakorda parandab mudeli prognooside kvaliteeti. Edetavuse meeskond soovis hinnata oma seletatavust kahel viisil: mõista, kuidas funktsioonide sisendid mõjutavad mudeli väljundeid kogu nende andmekogumis (ülemaailmne tõlgendatavus), ja samuti suutma avastada sisendfunktsiooni mõju konkreetse mudeli ennustuse jaoks huvipakkuvas andmepunktis ( kohalik tõlgendatavus). Nende andmete abil saavad Ranking ML teadlased teha teadlikke otsuseid selle kohta, kuidas oma mudeli jõudlust veelgi parandada, ja võtta arvesse keerulisi ennustustulemusi, mida mudel aeg-ajalt annab.
SageMaker Clarify võimaldab teil luua mudelite selgitatavuse aruandeid Shapley lisandi seletused (SHAP) mudelite koolitamisel SageMakeris, toetades nii globaalset kui ka kohalikku mudeli tõlgendatavust. Lisaks mudeli seletatavuse aruannetele toetab SageMaker Clarify treeningueelsete kallutatuse mõõdikute, treeningjärgsete kallutatuse mõõdikute ja osalise sõltuvuse graafikute analüüside käitamist. Tööd käitatakse AWS-i kontol SageMakeri töötlemistööna ja see integreerub otse SageMakeri torujuhtmetega.
Ülemaailmne tõlgendatavuse aruanne genereeritakse automaatselt töö väljundis ja kuvatakse Amazon SageMaker Studio keskkonda koolituskatse osana. Kui see mudel registreeritakse seejärel SageMakeri mudeliregistris, lingitakse aruanne täiendavalt mudeli artefaktiga. Mõlemat võimalust kasutades suutis Rankingu meeskond hõlpsasti jälgida erinevaid mudeliversioone ja nende käitumismuutusi.
Sisendfunktsiooni mõju uurimiseks ühele prognoosile (kohalikud tõlgendatavuse väärtused) lubas järjestamise meeskond parameetri save_local_shap_values
SageMaker Clarify töödes ja sai need S3 ämbrist laadida edasiste analüüside jaoks SageMaker Studio Jupyteri sülearvutites.
Eelnevad pildid näitavad näidet, kuidas mudeli seletatavus näeks välja suvalise ML-mudeli korral.
Koolituse optimeerimine
Süvaõppe (DL) tõus on viinud selleni, et ML on üha enam sõltuv arvutusvõimsusest ja tohututest andmemahtudest. ML-praktikud seisavad nende keerukate mudelite koolitamisel tavaliselt silmitsi ressursside tõhusa kasutamise takistusega. Kui korraldate koolitust suurtes arvutusklastrites, tekivad ressursside kasutamise optimeerimisel erinevad väljakutsed, sealhulgas sellised probleemid nagu I/O kitsaskohad, kerneli käivitamise viivitused, mälupiirangud ja alakasutatud ressursid. Kui treeningtöö konfiguratsioon ei ole tõhususe tagamiseks täpselt häälestatud, võivad need takistused põhjustada ebaoptimaalset riistvarakasutuse, pikema treeningu kestuse või isegi mittetäieliku treeningu. Need tegurid suurendavad projekti kulusid ja viivitavad tähtaegu.
Protsessori ja GPU kasutuse profileerimine aitab mõista neid ebaefektiivsusi, määrata teie mudeli erinevate TensorFlow toimingute riistvararessursikulu (aeg ja mälu), lahendada jõudluse kitsaskohad ja lõpuks muuta mudeli töö kiiremaks.
Edetabeli meeskond kasutas raamistiku profileerimise funktsiooni Amazon SageMakeri silur (nüüd kehtetu kasuks Amazon SageMaker Profiler) nende koolitustööde optimeerimiseks. See võimaldab teil jälgida kõiki protsessorite ja GPU-de tegevusi, nagu CPU ja GPU kasutust, kerneli töötamist GPU-del, tuuma käivitamist CPU-del, sünkroonimistoiminguid, mäluoperatsioone GPU-de vahel, latentsusaega kerneli käivitamise ja vastavate käitamiste vahel ning andmeedastust protsessorite vahel. ja GPU-d.
Edetabel meeskond kasutas ka TensorFlow Profiler tunnusjoon Tensorboard, mis aitas veelgi profileerida TensorFlow mudelikoolitust. SageMaker on nüüd veelgi integreeritud TensorBoardiga ja toob SageMakerisse TensorBoardi visualiseerimistööriistad, mis on integreeritud SageMakeri koolituse ja domeenidega. TensorBoard võimaldab teil täita mudelite silumisülesandeid, kasutades TensorBoardi visualiseerimispluginaid.
Nende kahe tööriista abil optimeeris Rankingu meeskond oma TensorFlow mudelit ja suutis tuvastada kitsaskohad ja vähendada keskmist treeningsammu aega 350 millisekundilt 140 millisekundile CPU-l ja 170 millisekundilt 70 millisekundile GPU-l, kiirused 60%. ja vastavalt 59%.
Äritegevuse tulemused
Migratsioonialased jõupingutused keskendusid kättesaadavuse, mastaapsuse ja elastsuse suurendamisele, mis ühiselt viis ML-keskkonna uuele töökvaliteedi tasemele, mida ilmestavad suurenenud mudelitreeningu sagedus ja vähenenud tõrked, optimeeritud koolitusajad ja täiustatud ML-võimalused.
Treeningu sageduse ja ebaõnnestumiste mudel
Igakuiste mudelikoolituse tööde arv kasvas viiekordseks, mis tõi kaasa oluliselt sagedasema mudeli optimeerimise. Lisaks vähendas uus ML-keskkond torujuhtmete tõrgete määra, langedes ligikaudu 50%-lt 20%-le. Ebaõnnestunud töö töötlemise aeg vähenes drastiliselt, keskmiselt üle tunnilt tühise 5 sekundini. See on oluliselt suurendanud tegevuse efektiivsust ja vähendanud ressursside raiskamist.
Optimeeritud treeninguaeg
Sellega kaasnenud migratsioon suurendab tõhusust SageMakeril põhineva GPU koolituse kaudu. See nihe vähendas mudelitreeningu aega viiendikuni oma varasemast kestusest. Varem kulutasid süvaõppemudelite koolitusprotsessid protsessoriga umbes 60 tundi; see voolutati GPU-s ligikaudu 12 tunnini. See täiustus mitte ainult ei säästa aega, vaid kiirendab ka arendustsüklit, võimaldades kiiremaid iteratsioone ja mudeli täiustamist.
Täiustatud ML-i võimalused
Migratsiooni edukuse keskmes on SageMakeri funktsioonikomplekti kasutamine, mis hõlmab hüperparameetrite häälestamist ja mudeli seletatavust. Lisaks võimaldas migratsioon katsete sujuvat jälgimist kasutades Amazon SageMakeri katsed, mis võimaldab läbinägelikumat ja produktiivsemat katsetamist.
Kõige tähtsam on see, et uus ML-i katsekeskkond toetas uue, nüüd tootmises oleva mudeli edukat väljatöötamist. See mudel on pigem sügavõpetav kui puupõhine ja see on veebimudelite jõudluses märgatavalt paranenud.
Järeldus
See postitus andis ülevaate AWS Professional Services'i ja Booking.com-i koostööst, mille tulemusel juurutati skaleeritav ML-raamistik ja vähendati edukalt nende Rankingu meeskonna ML-mudelite turuletuleku aega.
Booking.com-i Rankingu meeskond sai teada, et pilvele ja SageMakerile üleminek on osutunud kasulikuks ning masinõppe operatsioonide (MLOps) tavade kohandamine võimaldab nende ML-i inseneridel ja teadlastel keskenduda oma käsitööle ja suurendada arenduskiirust. Meeskond jagab õpitut ja tehtud tööd kogu Booking.com-i ML-i kogukonnaga läbi kõneluste ja pühendatud seansside ML-praktikutega, kus nad jagavad koodi ja võimalusi. Loodame, et see postitus võib olla veel üks viis teadmiste jagamiseks.
AWS Professional Services on valmis aitama teie meeskonnal arendada AWS-is skaleeritavat ja tootmisvalmis ML-i. Lisateabe saamiseks vt AWS-i professionaalsed teenused või võtke ühendust oma kontohalduri kaudu.
Autoritest
Laurens van der Maas on masinõppeinsener ettevõttes AWS Professional Services. Ta teeb tihedat koostööd klientidega, kes loovad oma masinõppelahendusi AWS-ile, on spetsialiseerunud hajutatud koolitusele, eksperimenteerimisele ja vastutustundlikule tehisintellektile ning tunneb kirglikult, kuidas masinõpe muudab maailma sellisel kujul, nagu me seda teame.
Daniel Zagyva on AWS Professional Servicesi andmeteadlane. Ta on spetsialiseerunud AWS-i klientidele skaleeritavate tootmistaseme masinõppelahenduste arendamisele. Tema kogemused ulatuvad erinevatesse valdkondadesse, sealhulgas loomuliku keele töötlemine, generatiivne AI ja masinõppe toimingud.
Kostia Kofman on Booking.com-i masinõppe vanemjuht, kes juhib Search Ranking ML-i meeskonda, jälgides Booking.com-i kõige ulatuslikumat ML-i süsteemi. Isikupärastamise ja järjestamise alaste teadmistega kasutab ta klientide kogemuste parandamiseks tipptasemel tehnoloogiat.
Jenny Tokar on Booking.com-i otsingute edetabeli meeskonna masinõppe vaneminsener. Ta on spetsialiseerunud täielike ML-i torujuhtmete arendamisele, mida iseloomustavad tõhusus, töökindlus, mastaapsus ja uuenduslikkus. Jenny teadmised annavad tema meeskonnale võimaluse luua tipptasemel järjestusmudeleid, mis teenindavad miljoneid kasutajaid iga päev.
Aleksandra Dokic on AWS Professional Servicesi vanemandmeteadlane. Ta naudib klientide toetamist uuenduslike tehisintellekti/ML-lahenduste loomisel AWS-is ja tunneb põnevust ärimuutustest tänu andmete jõule.
Luba Protsiva on AWS Professional Servicesi kaasamisjuht. Ta on spetsialiseerunud andmete ja GenAI/ML-lahenduste tarnimisele, mis võimaldavad AWS-i klientidel oma äriväärtust maksimeerida ja innovatsiooni kiirendada.
- 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/how-booking-com-modernized-its-ml-experimentation-framework-with-amazon-sagemaker/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 100
- 12
- 130
- 140
- 16
- 350
- 60
- 7
- 70
- a
- võime
- Võimalik
- MEIST
- kiirendama
- juurdepääs
- Vastavalt
- konto
- saavutada
- üle
- tegevus
- õigusaktid
- kohanemine
- lisamine
- Lisaks
- edasijõudnud
- mõjutada
- pärast
- AI
- AI / ML
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- lubatud
- võimaldab
- mööda
- Ka
- alati
- Amazon
- Amazon SageMaker
- Amazon Web Services
- summa
- summad
- an
- analüüsid
- ja
- Teine
- API-liidesed
- lähenemine
- asjakohane
- heaks
- umbes
- omavoliline
- OLEME
- valdkondades
- tekkima
- ümber
- AS
- aspiratsioon
- At
- Automaatne
- automaatselt
- kättesaadavus
- saadaval
- keskmine
- AWS
- AWS-i professionaalsed teenused
- tagasi
- põhineb
- Bayesi
- BE
- sest
- saada
- käitumine
- käitumuslik
- käitumist
- kasulik
- kasuks
- BEST
- vahel
- erapoolikus
- broneerimine
- Booking.com
- mõlemad
- kitsaskohti
- Toob
- tõi kaasa
- ehitama
- Ehitus
- äri
- kuid
- by
- CAN
- võimeid
- juhul
- juhtudel
- keskus
- keskele
- väljakutseid
- raske
- muutma
- Vaidluste lahendamine
- muutuv
- iseloomustatud
- Vali
- valitud
- klient
- lähedalt
- Cloud
- kood
- Kodeerimine
- koostööd teinud
- koostöö
- kollektiivselt
- COM
- kombinatsioon
- kombinatsioonid
- ühendab
- tavaliselt
- kogukond
- ühilduvus
- kokkusobiv
- keeruline
- keerukus
- keeruline
- komponendid
- arvutuslik
- arvutusjõud
- Arvutama
- seisund
- konfiguratsioon
- Arvestama
- koosneb
- piiranguid
- tarbitud
- tarbimine
- sisaldama
- sisaldab
- kontrollida
- parandada
- Vastav
- kulud
- võiks
- käsitöö
- looma
- loomine
- otsustav
- tava
- klient
- Kliendid
- kohandatav
- viimase peal
- tipptasemel tehnoloogia
- tsükkel
- andmed
- Andmete ettevalmistamine
- andmeteadlane
- andmekogumid
- päev
- Päeva
- otsustama
- otsus
- otsused
- vähenenud
- pühendunud
- loetakse
- sügav
- sügav õpe
- määratlema
- määratletud
- määratlus
- viivitus
- viivitusi
- tarnima
- edastamine
- süvenema
- sõltuvus
- Sõltuvus
- juurutada
- lähetatud
- vananenud
- kavandatud
- detailid
- Määrama
- arendama
- arenenud
- arenev
- & Tarkvaraarendus
- skeem
- erinev
- otse
- avastama
- kuvatakse
- eristatav
- jagatud
- jagatud koolitus
- jagatud
- teeme
- Domeenid
- tehtud
- drastiliselt
- Kukkumine
- kestus
- ajal
- dünaamiliselt
- iga
- kergesti
- efektiivsus
- tõhusalt
- jõupingutusi
- asunud
- annab volitusi
- võimaldama
- lubatud
- võimaldab
- võimaldades
- haarav
- Lõpuks-lõpuni
- tegevus
- insener
- Inseneriteadus
- Inseneride
- suurendama
- suurendamine
- tagades
- Kogu
- keskkond
- ajajärgud
- oluline
- hindama
- hindamine
- Isegi
- Iga
- iga päev
- näide
- Excellence
- erutatud
- näitlikustatud
- olemasolevate
- ootama
- kiirendab
- kogemus
- Kogemused
- eksperiment
- katseid
- teadmised
- Selgitama
- uurima
- Avastades
- laiendades
- laieneb
- laiendamine
- ulatuslik
- nägu
- silmitsi seisnud
- tegurid
- Ebaõnnestunud
- ebaedu
- rikete
- vale
- kiiremini
- soodustama
- teostatav
- tunnusjoon
- FUNKTSIOONID
- tagasiside
- vähem
- fail
- Faile
- lõplik
- Lõpuks
- leidma
- esimene
- Esimest korda
- Paindlikkus
- Keskenduma
- Järel
- eest
- neli
- Raamistik
- Sagedus
- sage
- Alates
- edasi
- Pealegi
- kasumi saamine
- tekitama
- loodud
- genereerib
- generatiivne
- Generatiivne AI
- saama
- Git
- Globaalne
- eesmärk
- GPU
- GPU
- suurem
- arvan
- olnud
- käepide
- riistvara
- rakmed
- Olema
- he
- aitama
- aitas
- aitab
- siin
- tema
- lootus
- tund
- Lahtiolekuajad
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- sajad
- tõkkejooks
- Hüperparameetrite optimeerimine
- Hüperparameetrite häälestamine
- identifitseerima
- if
- illustreerib
- pildid
- Vahetu
- mõju
- täitmine
- tähtsam
- parandama
- paranenud
- paranemine
- parandusi
- parandab
- in
- sisaldama
- Kaasa arvatud
- Suurendama
- kasvanud
- Tõstab
- üha rohkem
- iseseisvalt
- tööstus
- ebaefektiivsus
- mõju
- info
- teavitatakse
- Infrastruktuur
- algatatud
- uuendama
- Innovatsioon
- uuenduslik
- sisend
- sisendite
- sees
- mõistlik
- teadmisi
- kiire
- integreeritud
- Integreerib
- huvi
- sisemine
- sisse
- sisse
- sisse
- seotud
- küsimustes
- IT
- iteratsioon
- kordused
- ITS
- töö
- Tööturg
- teekond
- jpg
- Võti
- Teadma
- teadmised
- teatud
- puuduvad
- keel
- suur
- hiljemalt
- algatama
- käivitatud
- käivitab
- juht
- juhtivate
- Õppida
- õppinud
- õppimine
- Led
- Tase
- võimendav
- nagu
- piiratud
- seotud
- koormus
- kohalik
- Pikk
- Vaata
- näeb välja
- masin
- masinõpe
- masinad
- tehtud
- tegema
- juhitud
- juht
- viis
- käsitsi
- Maksimeerima
- keskmine
- Mälu
- meetod
- meetriline
- Meetrika
- rändavad
- ränne
- miljonid
- millisekundit
- minimaalne
- protokoll
- ML
- MLOps
- mudel
- mudelid
- kaasajastama
- Moodulid
- Jälgida
- igakuine
- rohkem
- kõige
- liikuma
- kolis
- palju
- mitmekordne
- nimi
- Natural
- Natural Language Processing
- loodus
- Vajadus
- Uus
- järgmine
- ei
- nüüd
- number
- eesmärk
- jälgima
- takistusi
- of
- offline
- sageli
- on
- On-Demand
- ONE
- Internetis
- ainult
- töökorras
- Operations
- optimaalselt
- optimeerimine
- optimeerimine
- optimeerima
- optimeeritud
- optimeerimine
- Valikud
- or
- Muu
- muidu
- meie
- välja
- väljund
- väljundid
- üle
- üldine
- järelevaataja
- ülevaade
- enda
- tempo
- pakend
- pakendatud
- Parallel
- parameeter
- osa
- kirglik
- täitma
- jõudlus
- esitades
- Isikupärastamine
- torujuhe
- Keskses
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängib
- pluginad
- Punkt
- Portal
- positiivne
- post
- võim
- tavad
- eelnev
- ennustada
- ennustus
- Ennustused
- ettevalmistamine
- eelmine
- varem
- Probleem
- protsess
- Töödeldud
- Protsessid
- töötlemine
- Produktsioon
- produktiivne
- professionaalne
- profiil
- profiilide
- Edu
- projekt
- paljutõotav
- tõestatud
- anda
- tingimusel
- pakkudes
- kvaliteet
- kiiresti
- vahemikud
- Edetabel
- kiiresti
- määr
- pigem
- Töötlemata
- jõudma
- valmis
- saama
- tunnustamine
- Soovitus
- dokumenteeritud
- vähendama
- Lühendatud
- vähendamine
- vähendamine
- kohta
- piirkond
- registreerima
- registreeritud
- registri
- regulaarselt
- Tagasi lükatud..
- asjakohane
- usaldusväärsus
- aru
- Aruanded
- Hoidla
- esindavad
- nõudma
- nõutav
- Vajab
- lahendama
- ressurss
- Vahendid
- vastavalt
- vastutav
- kaasa
- tulemuseks
- Tulemused
- Tõusma
- jõuline
- Roll
- jooks
- jooksmine
- jookseb
- salveitegija
- SageMakeri torujuhtmed
- Skaalautuvus
- skaalautuvia
- Skaala
- teadus
- teadlane
- teadlased
- käsikiri
- sujuv
- Otsing
- Teine
- sekundit
- vaata
- otsib
- valima
- valides
- valik
- vanem
- teenima
- teenib
- Teenused
- istungid
- komplekt
- Komplektid
- seaded
- mitu
- Jaga
- jagamine
- ta
- suunata
- peaks
- näitama
- Näitused
- märgatavalt
- lihtne
- ühekordne
- veidi erinev
- targemaks
- siluda
- So
- lahendus
- Lahendused
- midagi
- Ruum
- Säde
- spetsialiseerunud
- konkreetse
- kiirus
- kasutatud
- Samm
- Sammud
- peatumine
- ladustamine
- ladustatud
- strateegiad
- Sujuvamaks
- tugevalt
- struktureeritud
- stuudio
- suboptimaalne
- edu
- edukas
- Edukalt
- selline
- Toetatud
- Toetamine
- Toetab
- sünkroonida.
- süsteem
- kohandatud
- võtmine
- Läbirääkimised
- ülesanded
- meeskond
- meeskonnad
- Tehnoloogia
- tensorivool
- test
- katsetatud
- Testimine
- kui
- et
- .
- maailm
- oma
- Neile
- SIIS
- Seal.
- sellega
- seetõttu
- Need
- nad
- see
- need
- edeneb
- Läbi
- aeg
- ajajooned
- korda
- et
- töövahendid
- puudutama
- suunas
- jälgida
- Jälgimine
- Rong
- koolitus
- koolitused
- üle
- muundumised
- üleminek
- reisima
- reisitööstus
- reisijad
- ravimisel
- tõsi
- püüdma
- häälestamine
- Pöörake
- kaks
- tüüp
- lõpuks
- mõistma
- ainulaadne
- Kasutus
- kasutama
- kasutage juhtumit
- Kasutatud
- kasutajasõbralik
- Kasutajad
- kasutusalad
- kasutamine
- kasutatud
- väärtuslik
- väärtus
- Väärtused
- eri
- suur
- VeloCity
- versioon
- versioonid
- väga
- visualiseerimine
- ootama
- tagaotsitav
- oli
- Tee..
- kuidas
- we
- web
- veebiteenused
- olid
- millal
- mis
- kuigi
- WHO
- will
- koos
- jooksul
- ilma
- Töö
- töövoog
- töötab
- maailm
- ülemaailmne
- oleks
- sa
- Sinu
- sephyrnet