MLOps یک رشته کلیدی است که اغلب بر مسیر تولید مدل های یادگیری ماشینی (ML) نظارت می کند. طبیعی است که بر روی یک مدل واحد تمرکز کنید که می خواهید آموزش دهید و به کار بگیرید. با این حال، در واقعیت، شما احتمالاً با ده ها یا حتی صدها مدل کار خواهید کرد و این فرآیند ممکن است شامل چندین مرحله پیچیده باشد. بنابراین، وجود زیرساخت برای ردیابی، آموزش، استقرار و نظارت بر مدلها با پیچیدگیهای مختلف در مقیاس مهم است. در اینجاست که ابزار MLOps وارد میشود. ابزار MLOps به شما کمک میکند تا بهطور تکراری و قابل اعتماد این فرآیندها را در یک گردش کاری که برای ML طراحی شده است، بسازید و ساده کنید.
خطوط لوله آمازون SageMaker، یک ویژگی از آمازون SageMaker، یک سرویس هماهنگسازی گردش کار هدفمند برای ML است که به شما کمک میکند گردشهای کاری ML سرتاسر را در مقیاس خودکار کنید. توسعه و نگهداری مدل های ML را با ارائه یک پلتفرم متمرکز برای هماهنگ کردن وظایفی مانند آماده سازی داده ها، آموزش مدل، تنظیم و اعتبار سنجی ساده می کند. SageMaker Pipelines می تواند به شما کمک کند مدیریت گردش کار را ساده کنید، آزمایش ها را تسریع کنید و مدل ها را آسان تر آموزش دهید.
در این پست، یک ویژگی جدید و هیجان انگیز از SageMaker Pipelines که به نام آن شناخته می شود را مورد توجه قرار می دهیم اجرای انتخابی. این ویژگی جدید به شما این امکان را میدهد تا بهطور انتخابی بخشهای خاصی از گردش کار ML خود را اجرا کنید، که منجر به صرفهجویی قابل توجهی در زمان و منابع محاسباتی با محدود کردن اجرا به مراحل خط لوله در محدوده و حذف نیاز به اجرای مراحل خارج از محدوده میشود. علاوه بر این، موارد استفاده مختلفی را بررسی میکنیم که در آن مزایای استفاده از اجرای انتخابی آشکار میشود و ارزش پیشنهادی آن را بیشتر تقویت میکند.
بررسی اجمالی راه حل
SageMaker Pipelines به نوآوری تجربه توسعه دهندگان خود با انتشار ادامه می دهد اجرای انتخابی. سازندگان ML اکنون این توانایی را دارند که مراحل خاصی را برای اجرا در یک خط لوله انتخاب کنند و نیاز به اجرای مجدد کل خط لوله را از بین ببرند. این ویژگی به شما امکان میدهد بخشهای خاصی از خط لوله را مجدداً اجرا کنید و در عین حال پارامترهای زمان اجرا مرتبط با مراحل انتخاب شده را تغییر دهید.
توجه به این نکته مهم است که مراحل انتخاب شده ممکن است به نتایج مراحل غیرانتخابی متکی باشد. در چنین مواردی، خروجیهای این مراحل انتخابنشده از یک اجرای مرجع نسخه فعلی خط لوله مجددا استفاده میشوند. این بدان معنی است که اجرای مرجع باید قبلاً تکمیل شده باشد. اجرای پیشفرض مرجع آخرین اجرای نسخه خط لوله فعلی است، اما همچنین میتوانید از اجرای متفاوت نسخه خط لوله فعلی به عنوان مرجع استفاده کنید.
وضعیت کلی اجرای مرجع باید باشد موفق, ناموفق or متوقف. نمی تواند محل دویدن و پیاده روی زمانی که Selective Execution تلاش می کند از خروجی های خود استفاده کند. هنگام استفاده از اجرای انتخابی، میتوانید هر تعداد مرحله را برای اجرا انتخاب کنید، تا زمانی که آنها یک بخش پیوسته از خط لوله را تشکیل دهند.
نمودار زیر رفتار خط لوله را با اجرای کامل نشان می دهد.
نمودار زیر رفتار خط لوله را با استفاده از اجرای انتخابی نشان می دهد.
در بخشهای بعدی، نحوه استفاده از اجرای انتخابی برای سناریوهای مختلف، از جمله گردشهای کاری پیچیده در نمودارهای غیر چرخه مستقیم خط لوله (DAG) را نشان میدهیم.
پیش نیازها
برای شروع آزمایش با اجرای انتخابی، ابتدا باید اجزای زیر را در محیط SageMaker خود تنظیم کنیم:
- SageMaker Python SDK - اطمینان حاصل کنید که به روز شده است SageMaker Python SDK در محیط پایتون شما نصب شده است. برای نصب یا ارتقاء نسخه SageMaker Python SDK می توانید دستور زیر را از نوت بوک یا ترمینال خود اجرا کنید. 2.162.0 یا بالاتر:
python3 -m pip install sagemaker>=2.162.0
orpip3 install sagemaker>=2.162.0
. - دسترسی به SageMaker Studio (اختیاری) - Amazon SageMaker Studio می تواند برای تجسم اجرای خطوط لوله و تعامل با ARN های خط لوله از قبل موجود به صورت بصری مفید باشد. اگر به SageMaker Studio دسترسی ندارید یا از نوت بوک های درخواستی یا IDE های دیگر استفاده می کنید، همچنان می توانید این پست را دنبال کنید و با استفاده از Python SDK با ARN های خط لوله خود تعامل داشته باشید.
کد نمونه برای بررسی کامل از پایان به انتها در موجود است GitHub repo.
برپایی
با sagemaker>=1.162.0
پایتون SDK، ما را معرفی کردیم SelectiveExecutionConfig
کلاس به عنوان بخشی از sagemaker.workflow.selective_execution_config
مدول. ویژگی اجرای انتخابی متکی به خط لوله ARN است که قبلاً به عنوان علامت گذاری شده است موفق, ناموفق or متوقف. قطعه کد زیر نحوه وارد کردن را نشان می دهد SelectiveExecutionConfig
کلاس، ARN خط لوله مرجع را بازیابی کنید و مراحل مربوط به خط لوله و پارامترهای زمان اجرا حاکم بر اجرای خط لوله را جمع آوری کنید:
import boto3
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.selective_execution_config import SelectiveExecutionConfig sm_client = boto3.client('sagemaker')
# reference the name of your sample pipeline pipeline_name = "AbalonePipeline"
# filter for previous success pipeline execution arns
pipeline_executions = [_exec for _exec in Pipeline(name=pipeline_name).list_executions()['PipelineExecutionSummaries'] if _exec['PipelineExecutionStatus'] == "Succeeded"
]
# get the last successful execution
latest_pipeline_arn = pipeline_executions[0]['PipelineExecutionArn']
print(latest_pipeline_arn)
>>> arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/x62pbar3gs6h # list all steps of your sample pipeline
execution_steps = sm_client.list_pipeline_execution_steps( PipelineExecutionArn=latest_pipeline_arn
)['PipelineExecutionSteps']
print(execution_steps)
>>> [{'StepName': 'Abalone-Preprocess', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 519000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 986000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-fvsmu7m7ki3q-Abalone-Preprocess-d68CecvHLU'}}, 'SelectiveExecutionResult': {'SourcePipelineExecutionArn': 'arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/ksm2mjwut6oz'}}, {'StepName': 'Abalone-Train', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 31, 320000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 43, 58, 224000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'TrainingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:training-job/pipelines-x62pbar3gs6h-Abalone-Train-PKhAc1Q6lx'}}}, {'StepName': 'Abalone-Evaluate', 'StartTime': datetime.datetime(2023, 6, 27, 4, 43, 59, 40000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 76000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-x62pbar3gs6h-Abalone-Evaluate-vmkZDKDwhk'}}}, {'StepName': 'Abalone-MSECheck', 'StartTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 821000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 44, 124000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'Condition': {'Outcome': 'True'}}}] # list all configureable pipeline parameters # params can be altered during selective execution
parameters = sm_client.list_pipeline_parameters_for_execution( PipelineExecutionArn=latest_pipeline_arn
)['PipelineParameters']
print(parameters)
>>> [{'Name': 'XGBNumRounds', 'Value': '120'}, {'Name': 'XGBSubSample', 'Value': '0.9'}, {'Name': 'XGBGamma', 'Value': '2'}, {'Name': 'TrainingInstanceCount', 'Value': '1'}, {'Name': 'XGBMinChildWeight', 'Value': '4'}, {'Name': 'XGBETA', 'Value': '0.25'}, {'Name': 'ApprovalStatus', 'Value': 'PendingManualApproval'}, {'Name': 'ProcessingInstanceCount', 'Value': '1'}, {'Name': 'ProcessingInstanceType', 'Value': 'ml.t3.medium'}, {'Name': 'MseThreshold', 'Value': '6'}, {'Name': 'ModelPath', 'Value': 's3://sagemaker-us-east-1-123123123123/Abalone/models/'}, {'Name': 'XGBMaxDepth', 'Value': '12'}, {'Name': 'TrainingInstanceType', 'Value': 'ml.c5.xlarge'}, {'Name': 'InputData', 'Value': 's3://sagemaker-us-east-1-123123123123/sample-dataset/abalone/abalone.csv'}]
موارد استفاده
در این بخش، ما چند سناریو را ارائه می کنیم که در آن اجرای انتخابی می تواند به طور بالقوه در زمان و منابع صرفه جویی کند. ما از یک جریان خط لوله معمولی، که شامل مراحلی مانند استخراج داده، آموزش، ارزیابی، ثبت مدل و استقرار است، به عنوان مرجعی برای نشان دادن مزایای اجرای انتخابی استفاده میکنیم.
SageMaker Pipelines به شما اجازه می دهد تا پارامترهای زمان اجرا را برای اجرای خط لوله خود با استفاده از پارامترهای خط لوله تعریف کنید. هنگامی که یک اجرای جدید راه اندازی می شود، معمولاً کل خط لوله را از ابتدا تا انتها اجرا می کند. با این حال، اگر حافظه پنهان مرحله ای فعال است، SageMaker Pipelines تلاش خواهد کرد تا اجرای قبلی مرحله خط لوله فعلی را با مقادیر مشخصه مشابه پیدا کند. اگر مطابقت پیدا شود، SageMaker Pipelines از خروجی های اجرای قبلی به جای محاسبه مجدد مرحله استفاده می کند. توجه داشته باشید که حتی با فعال کردن حافظه پنهان مرحله ای، SageMaker Pipelines همچنان کل گردش کار را به طور پیش فرض تا انتها اجرا می کند.
با انتشار ویژگی Selective Execution، اکنون می توانید کل گردش کار خط لوله را مجدداً اجرا کنید یا به صورت انتخابی زیر مجموعه ای از مراحل را با استفاده از یک خط لوله قبلی ARN اجرا کنید. این کار را می توان حتی بدون فعال کردن حافظه پنهان مرحله انجام داد. موارد استفاده زیر روشهای مختلفی را نشان میدهد که میتوانید از اجرای انتخابی استفاده کنید.
مورد استفاده 1: یک مرحله را اجرا کنید
دانشمندان داده اغلب بر مرحله آموزش خط لوله MLOps تمرکز می کنند و نمی خواهند نگران مراحل پیش پردازش یا استقرار باشند. اجرای انتخابی به دانشمندان داده اجازه می دهد تا فقط بر مرحله آموزش تمرکز کنند و پارامترهای آموزشی یا فراپارامترها را در حال تغییر برای بهبود مدل تغییر دهند. این می تواند باعث صرفه جویی در زمان و کاهش هزینه شود زیرا منابع محاسباتی فقط برای اجرای مراحل خط لوله انتخاب شده توسط کاربر استفاده می شود. کد زیر را ببینید:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
شکل های زیر خط لوله را با یک مرحله در فرآیند و سپس کامل نشان می دهد.
مورد استفاده 2: چندین مرحله خط لوله پیوسته را اجرا کنید
در ادامه مورد استفاده قبلی، یک دانشمند داده می خواهد یک مدل جدید را آموزش دهد و عملکرد آن را در برابر مجموعه داده های آزمایش طلایی ارزیابی کند. این ارزیابی برای اطمینان از اینکه مدل با دستورالعملهای دقیق برای آزمایش پذیرش کاربر (UAT) یا استقرار تولید مطابقت دارد، بسیار مهم است. با این حال، دانشمند داده نمیخواهد کل گردش کار خط لوله را اجرا کند یا مدل را مستقر کند. آنها می توانند از اجرای انتخابی استفاده کنند تا فقط بر مراحل آموزش و ارزیابی تمرکز کنند و در زمان و منابع صرفه جویی کنند و در عین حال نتایج اعتبار سنجی مورد نیاز خود را دریافت کنند:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "ProcessingInstanceType": "ml.t3.medium", "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
مورد استفاده 3: به روز رسانی و اجرای مجدد مراحل شکست خورده خط لوله
میتوانید از اجرای انتخابی برای اجرای مجدد مراحل ناموفق در یک خط لوله یا از سرگیری اجرای خط لوله از مرحله ناموفق به بعد استفاده کنید. این میتواند برای عیبیابی و اشکالزدایی مراحل ناموفق مفید باشد، زیرا به توسعهدهندگان اجازه میدهد تا روی مسائل خاصی که باید به آنها رسیدگی شود، تمرکز کنند. این می تواند به حل مشکل کارآمدتر و زمان های تکرار سریع تر منجر شود. مثال زیر نشان می دهد که چگونه می توانید فقط مرحله شکست خورده یک خط لوله را مجدداً اجرا کنید.
# select a previously failed pipeline arn
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/fvsmu7m7ki3q", selected_steps=["Abalone-Evaluate"]
) # start execution of failed pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config
)
روش دیگر، یک دانشمند داده میتواند با مشخص کردن مرحله شکستخورده و تمام مراحل پس از آن در مسیر، خط لوله را از مرحله شکستخورده تا پایان گردش کار از سر بگیرد. SelectiveExecutionConfig
.
مورد استفاده 4: پوشش خط لوله
در برخی از خطوط لوله، انشعابات خاص کمتر از سایرین اجرا می شوند. به عنوان مثال، ممکن است شاخه ای وجود داشته باشد که فقط زمانی اجرا شود که یک شرط خاص با شکست مواجه شود. مهم است که این شاخه ها را به طور کامل آزمایش کنید تا اطمینان حاصل شود که در صورت بروز خرابی همانطور که انتظار می رود کار می کنند. با آزمایش این شعبههایی که کمتر اجرا میشوند، توسعهدهندگان میتوانند تأیید کنند که خط لوله آنها قوی است و مکانیسمهای رسیدگی به خطا به طور موثر گردش کار مورد نظر را حفظ کرده و نتایج قابل اعتمادی را تولید میکنند.
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate", "Abalone-MSECheck", "Abalone-FailNotify"]
)
نتیجه
در این پست، ویژگی اجرای انتخابی SageMaker Pipelines را مورد بحث قرار دادیم که به شما این امکان را میدهد تا بهطور انتخابی مراحل خاصی از گردشهای کاری ML خود را اجرا کنید. این قابلیت منجر به صرفه جویی قابل توجهی در زمان و منابع محاسباتی می شود. ما تعدادی کد نمونه را در GitHub repo که نحوه استفاده از اجرای انتخابی را نشان می دهد و سناریوهای مختلفی را ارائه می دهد که می تواند برای کاربران سودمند باشد. اگر می خواهید درباره اجرای انتخابی اطلاعات بیشتری کسب کنید، به ما مراجعه کنید راهنمای توسعه دهنده و راهنمای مرجع API.
برای بررسی جزئیات بیشتر مراحل موجود در گردش کار لولههای SageMaker، به مراجعه کنید خط لوله ساختمان مدل SageMaker آمازون و SageMaker Workflows. بهعلاوه، میتوانید نمونههای بیشتری را پیدا کنید که موارد استفاده و رویکردهای پیادهسازی مختلف را با استفاده از SageMaker Pipelines نشان میدهد. نمونه های AWS SageMaker مخزن GitHub. این منابع می تواند درک شما را بیشتر کند و به شما کمک کند از پتانسیل کامل SageMaker Pipelines و Selective Execution در پروژه های فعلی و آینده ML خود استفاده کنید.
درباره نویسنده
پراناو مورتی یک معمار راه حل های تخصصی AI/ML در AWS است. او بر کمک به مشتریان در ساخت، آموزش، استقرار و انتقال بارهای کاری یادگیری ماشینی (ML) به SageMaker تمرکز دارد. او قبلاً در صنعت نیمه هادی ها کار می کرد و مدل های بینایی کامپیوتری بزرگ (CV) و پردازش زبان طبیعی (NLP) را برای بهبود فرآیندهای نیمه هادی توسعه می داد. در اوقات فراغت از بازی شطرنج و مسافرت لذت می برد.
آخیل نومارسو مدیر محصول Sr.Technical است که بر کمک به تیم ها برای تسریع نتایج ML از طریق ابزارها و خدمات کارآمد در ابر متمرکز است. او از بازی تنیس روی میز لذت می برد و از طرفداران ورزش است.
نیشانت کریشنامورتی یک مهندس توسعه نرم افزار با فروشگاه های آمازون است. او دارای مدرک کارشناسی ارشد در علوم کامپیوتر است و در حال حاضر بر تسریع پذیرش ML در سازمان های مختلف در آمازون با ساخت و عملیاتی کردن راه حل های ML در SageMaker تمرکز دارد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/unlocking-efficiency-harnessing-the-power-of-selective-execution-in-amazon-sagemaker-pipelines/
- : دارد
- :است
- :جایی که
- $UP
- 1
- 100
- 12
- 2023
- 25
- 27
- 30
- 31
- 7
- 9
- a
- توانایی
- درباره ما
- شتاب دادن
- تسریع
- پذیرش
- دسترسی
- حلقوی
- علاوه بر این
- اتخاذ
- مزیت - فایده - سود - منفعت
- با صرفه
- مزایای
- در برابر
- AI / ML
- معرفی
- اجازه می دهد تا
- قبلا
- همچنین
- تغییر
- آمازون
- آمازون SageMaker
- خطوط لوله آمازون SageMaker
- آمازون خدمات وب
- an
- و
- هر
- رویکردها
- هستند
- AS
- مرتبط است
- At
- تلاشها
- خودکار بودن
- در دسترس
- AWS
- BE
- زیرا
- شدن
- بوده
- رفتار
- شاخه
- شاخه ها
- ساختن
- سازندگان
- بنا
- اما
- by
- CAN
- نمی توان
- قابلیت
- مورد
- موارد
- متمرکز
- معین
- شطرنج
- را انتخاب کنید
- کلاس
- ابر
- رمز
- می آید
- کامل
- تکمیل شده
- پیچیده
- پیچیدگی ها
- اجزاء
- محاسبه
- کامپیوتر
- علم کامپیوتر
- چشم انداز کامپیوتر
- شرط
- ادامه
- هزینه
- بسیار سخت
- جاری
- در حال حاضر
- مشتریان
- داده ها
- آماده سازی داده ها
- دانشمند داده
- زمان قرار
- به طور پیش فرض
- تعريف كردن
- درجه
- نشان دادن
- نشان می دهد
- گسترش
- گسترش
- مطلوب
- جزئیات
- توسعه دهنده
- توسعه دهندگان
- در حال توسعه
- پروژه
- مختلف
- مستقیم
- بحث کردیم
- میکند
- نمی کند
- انجام شده
- آیا
- ده ها
- در طی
- به آسانی
- به طور موثر
- بهره وری
- موثر
- از بین بردن
- توانمندسازی
- فعال
- را قادر می سازد
- پایان
- پشت سر هم
- مهندس
- بالا بردن
- اطمینان حاصل شود
- تمام
- محیط
- ارزیابی
- ارزیابی
- حتی
- واضح است
- مثال
- مثال ها
- مهیج
- اجرا کردن
- اعدام
- انتظار می رود
- تجربه
- اکتشاف
- استخراج
- ناموفق
- نتواند
- شکست
- پنکه
- سریعتر
- ویژگی
- کمی از
- آمار و ارقام
- فیلتر
- پیدا کردن
- پایان
- نام خانوادگی
- جریان
- تمرکز
- متمرکز شده است
- تمرکز
- به دنبال
- پیروی
- برای
- فرم
- یافت
- رایگان
- غالبا
- از جانب
- کامل
- بیشتر
- بعلاوه
- آینده
- جمع آوری
- دریافت کنید
- گرفتن
- GitHub
- طلایی
- حکومت داری
- نمودار ها
- دستورالعمل ها
- بهره برداری
- آیا
- he
- کمک
- مفید
- کمک
- کمک می کند
- بالاتر
- خود را
- دارای
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- صدها نفر
- if
- نشان می دهد
- پیاده سازی
- واردات
- مهم
- بهبود
- in
- شامل
- از جمله
- صنعت
- شالوده
- نوآوری
- نصب
- نصب شده
- در عوض
- تعامل
- تعامل
- به
- معرفی
- شامل
- مسائل
- IT
- تکرار
- ITS
- JPG
- تنها
- کلید
- شناخته شده
- زبان
- بزرگ
- نام
- آخرین
- رهبری
- منجر می شود
- یاد گرفتن
- یادگیری
- کمتر
- پسندیدن
- احتمالا
- محدود کردن
- فهرست
- طولانی
- دستگاه
- فراگیری ماشین
- حفظ
- نگهداری
- مدیریت
- علامت گذاری شده
- مسابقه
- ممکن است..
- به معنی
- مکانیسم
- متوسط
- ملاقات
- متاداده
- قدرت
- مهاجرت
- ML
- MLO ها
- مدل
- مدل
- تغییر
- ماژول ها
- مانیتور
- بیش
- کارآمدتر
- چندگانه
- باید
- نام
- طبیعی
- پردازش زبان طبیعی
- نیاز
- جدید
- nlp
- دفتر یادداشت
- اکنون
- عدد
- of
- غالبا
- on
- بر روی تقاضا
- ONE
- فقط
- or
- تنظیم و ارکستراسیون
- دیگر
- دیگران
- ما
- خارج
- نتیجه
- نتایج
- به طور کلی
- پارامترهای
- بخش
- مسیر
- کارایی
- خط لوله
- محل
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- بخشی
- پست
- پتانسیل
- بالقوه
- قدرت
- تهیه
- در حال حاضر
- ارائه شده
- قبلی
- قبلا
- قبلا
- حل مسئله
- روند
- فرآیندهای
- در حال پردازش
- تولید کردن
- محصول
- تولید
- پروژه ها
- پیشنهاد
- ارائه
- ارائه
- پــایتــون
- واقعیت
- كاهش دادن
- ثبت
- آزاد
- قابل اعتماد
- تکیه
- مخزن
- منابع
- منابع
- نتیجه
- نتایج
- ادامه
- دقیق
- تنومند
- دویدن
- در حال اجرا
- اجرا می شود
- حکیم ساز
- خطوط لوله SageMaker
- همان
- ذخیره
- صرفه جویی کردن
- پس انداز
- مقیاس
- سناریوها
- علم
- دانشمند
- دانشمندان
- حوزه
- sdk
- بخش
- بخش
- دیدن
- انتخاب شد
- انتخابی
- نیمه هادی
- سرویس
- خدمات
- تنظیم
- نشان
- نمایشگاه
- قابل توجه
- ساده کردن
- تنها
- قطعه
- نرم افزار
- توسعه نرم افزار
- فقط
- محکم شدن
- مزایا
- برخی از
- متخصص
- خاص
- ورزش ها
- نور افکن
- صحنه
- شروع
- دولت
- گام
- مراحل
- هنوز
- پرده
- ساده کردن
- استودیو
- موفقیت
- موفق
- چنین
- جدول
- طراحی شده
- گرفتن
- وظایف
- تیم ها
- پایانه
- آزمون
- تست
- نسبت به
- که
- La
- شان
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- این
- به طور کامل
- از طریق
- زمان
- بار
- به
- ابزار
- مسیر
- قطار
- آموزش
- سفر
- باعث شد
- درست
- نوعی
- به طور معمول
- درک
- باز کردن قفل
- بروزرسانی
- به روز شده
- ارتقاء
- استفاده کنید
- مورد استفاده
- کاربر
- کاربران
- با استفاده از
- استفاده
- با استفاده از
- اعتبار سنجی
- ارزش
- ارزشها
- مختلف
- بررسی
- نسخه
- دید
- خرید
- می خواهم
- می خواهد
- راه
- we
- وب
- خدمات وب
- چه زمانی
- که
- در حین
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- گردش کار
- گردش کار
- نگرانی
- خواهد بود
- شما
- شما
- زفیرنت