این پست نوشته شده است با همکاری Ankur Goyal و Karthikeyan Chokappa از PwC Australia's Cloud & Digital.
هوش مصنوعی (AI) و یادگیری ماشین (ML) در حال تبدیل شدن به بخشی جدایی ناپذیر از سیستمها و فرآیندها هستند و تصمیمگیریها را در زمان واقعی امکانپذیر میکنند و در نتیجه باعث پیشرفتهای بالا و پایین در سراسر سازمانها میشوند. با این حال، قرار دادن یک مدل ML در تولید در مقیاس چالش برانگیز است و به مجموعه ای از بهترین شیوه ها نیاز دارد. بسیاری از کسبوکارها در حال حاضر دانشمندان داده و مهندسان ML دارند که میتوانند مدلهای پیشرفته بسازند، اما تولید مدلها و حفظ مدلها در مقیاس یک چالش باقی مانده است. گردش کار دستی، عملیات چرخه عمر ML را محدود می کند تا روند توسعه را کند کند، هزینه ها را افزایش دهد و کیفیت محصول نهایی را به خطر بیندازد.
عملیات یادگیری ماشین (MLOps) اصول DevOps را در سیستم های ML اعمال می کند. درست مانند DevOps که توسعه و عملیات را برای مهندسی نرم افزار ترکیب می کند، MLOps نیز مهندسی ML و عملیات فناوری اطلاعات را ترکیب می کند. با رشد سریع سیستم های ML و در زمینه مهندسی ML، MLOps قابلیت هایی را فراهم می کند که برای رسیدگی به پیچیدگی های منحصر به فرد کاربرد عملی سیستم های ML مورد نیاز است. به طور کلی، موارد استفاده از ML نیاز به یک راه حل یکپارچه در دسترس برای صنعتی کردن و ساده کردن فرآیندی دارد که یک مدل ML را از توسعه تا استقرار تولید در مقیاس با استفاده از MLOps می برد.
برای مقابله با این چالشهای مشتری، PwC استرالیا شتابدهنده عملیات یادگیری ماشینی را به عنوان مجموعهای از قابلیتهای فرآیند و فناوری استاندارد شده برای بهبود عملیاتیسازی مدلهای AI/ML که امکان همکاری متقابل بین تیمها را در طول عملیات چرخه حیات ML فراهم میکند، توسعه داد. PwC Machine Learning Ops Accelerator که بر پایه خدمات بومی AWS ساخته شده است، یک راه حل مناسب برای هدف ارائه می دهد که به راحتی در موارد استفاده ML به راحتی برای مشتریان در تمام صنایع ادغام می شود. در این پست، ما بر ساخت و استقرار یک مورد استفاده از ML تمرکز میکنیم که اجزای مختلف چرخه حیات یک مدل ML را ادغام میکند و یکپارچگی مداوم (CI)، تحویل مداوم (CD)، آموزش مداوم (CT) و نظارت مستمر (CM) را ممکن میسازد.
بررسی اجمالی راه حل
در MLOps، یک سفر موفقیتآمیز از دادهها به مدلهای ML تا توصیهها و پیشبینیها در سیستمها و فرآیندهای کسبوکار شامل چندین مرحله حیاتی است. این شامل گرفتن نتیجه یک آزمایش یا نمونه اولیه و تبدیل آن به یک سیستم تولید با کنترل های استاندارد، کیفیت و حلقه های بازخورد است. خیلی بیشتر از اتوماسیون است. این در مورد بهبود شیوه های سازمان و ارائه نتایجی است که در مقیاس قابل تکرار و تکرار هستند.
تنها بخش کوچکی از یک مورد استفاده ML در دنیای واقعی خود مدل را شامل می شود. اجزای مختلف مورد نیاز برای ایجاد یک قابلیت ML پیشرفته یکپارچه و کارکرد مداوم آن در مقیاس در شکل 1 نشان داده شده است. همانطور که در نمودار زیر نشان داده شده است، PwC MLOps Accelerator شامل هفت قابلیت کلیدی یکپارچه و مراحل تکراری است که CI، CD، CT و CM مورد استفاده ML. این راه حل از ویژگی های بومی AWS بهره می برد آمازون SageMaker، ایجاد یک چارچوب انعطاف پذیر و توسعه پذیر در اطراف این است.
در یک سناریوی سازمانی واقعی، مراحل و مراحل اضافی آزمایش ممکن است برای اطمینان از اعتبارسنجی دقیق و استقرار مدلها در محیطهای مختلف وجود داشته باشد.
- مدیریت داده و مدل یک قابلیت مرکزی را ارائه می دهد که بر مصنوعات ML در طول چرخه حیات آنها حاکم است. قابلیت ممیزی، ردیابی و انطباق را ممکن می سازد. همچنین اشتراکپذیری، قابلیت استفاده مجدد و قابلیت کشف داراییهای ML را ارتقا میدهد.
- توسعه مدل ML به شخصیت های مختلف اجازه می دهد تا یک خط لوله آموزشی مدل قوی و قابل تکرار ایجاد کنند، که متشکل از مراحلی از اعتبارسنجی داده ها و تبدیل به آموزش و ارزیابی مدل است.
- ادغام / تحویل مداوم ساخت خودکار، آزمایش و بسته بندی خط لوله آموزشی مدل و استقرار آن در محیط اجرای هدف را تسهیل می کند. یکپارچهسازی با گردشهای کاری CI/CD و نسخهسازی دادهها، بهترین شیوههای MLOps مانند مدیریت و نظارت برای توسعه تکراری و نسخهسازی دادهها را ارتقا میدهد.
- آموزش مداوم مدل ML قابلیت اجرای خط لوله آموزشی بر اساس محرک های بازآموزی. یعنی با در دسترس قرار گرفتن داده های جدید یا کاهش عملکرد مدل به زیر یک آستانه از پیش تعیین شده. اگر مدل آموزش دیده را به عنوان کاندیدای مدل موفق واجد شرایط باشد، ثبت می کند و مصنوعات آموزشی و ابرداده های مرتبط را ذخیره می کند.
- استقرار مدل اجازه می دهد تا به مدل آموزش دیده ثبت شده برای بررسی و تایید برای انتشار تولید دسترسی داشته باشید و بسته بندی، آزمایش و استقرار مدل را در محیط خدمات پیش بینی برای سرویس تولید امکان پذیر می کند.
- سرویس پیش بینی این قابلیت مدل مستقر شده را برای ارائه پیش بینی از طریق الگوهای آنلاین، دسته ای یا جریانی شروع می کند. سرویس زمان اجرا همچنین گزارشهای سرویس مدل را برای نظارت و بهبود مستمر ضبط میکند.
- نظارت مداوم مدل را برای اثربخشی پیش بینی برای تشخیص خرابی مدل و اثربخشی سرویس (تأخیر، خط لوله در سراسر، و خطاهای اجرا) نظارت می کند.
معماری PwC Machine Learning Ops Accelerator
این راه حل بر روی سرویس های بومی AWS با استفاده از Amazon SageMaker و فناوری بدون سرور ساخته شده است تا عملکرد و مقیاس پذیری را بالا و هزینه های جاری را پایین نگه دارد.
- PwC Machine Learning Ops Accelerator یک حق دسترسی مبتنی بر شخص را برای ساخت، استفاده و عملیات فراهم می کند که به مهندسان ML و دانشمندان داده امکان می دهد تا استقرار خطوط لوله (آموزش و سرویس دهی) را به طور خودکار انجام دهند و به سرعت به تغییرات کیفیت مدل پاسخ دهند. مدیر نقش آمازون SageMaker برای اجرای فعالیت ML مبتنی بر نقش استفاده می شود و آمازون S3 برای ذخیره داده های ورودی و مصنوعات استفاده می شود.
- Solution از دارایی های ایجاد مدل موجود از مشتری استفاده می کند و با استفاده از خدمات بومی AWS چارچوبی انعطاف پذیر و توسعه پذیر در اطراف آن ایجاد می کند. ادغام هایی بین Amazon S3، Git و AWS CodeCommit ساخته شده است که امکان ویرایش مجموعه داده با حداقل مدیریت آینده را فراهم می کند.
- الگوی AWS CloudFormation با استفاده از آن تولید می شود کیت توسعه ابری AWS (AWS CDK). AWS CDK توانایی مدیریت تغییرات را برای راه حل کامل فراهم می کند. خط لوله خودکار شامل مراحل ذخیره سازی مدل خارج از جعبه و ردیابی متریک است.
- PwC MLOps Accelerator به گونه ای طراحی شده است که ماژولار باشد و به عنوان زیرساخت به عنوان کد (IaC) ارائه شود تا امکان استقرار خودکار را فراهم کند. فرآیند استقرار استفاده می کند AWS CodeCommit, AWS CodeBuild, AWS CodePipelineو الگوی AWS CloudFormation. راه حل کامل سرتاسری برای عملیاتی کردن مدل ML به عنوان کد قابل استقرار در دسترس است.
- از طریق یک سری از الگوهای IaC، سه مؤلفه مجزا به کار گرفته میشوند: ساخت مدل، استقرار مدل، و نظارت بر مدل و خدمات پیشبینی با استفاده از خطوط لوله آمازون SageMaker
- خط لوله ساخت مدل فرآیند آموزش و ارزیابی مدل را خودکار می کند و تأیید و ثبت مدل آموزش دیده را امکان پذیر می کند.
- خط لوله استقرار مدل، زیرساخت لازم را برای استقرار مدل ML برای استنتاج دسته ای و بلادرنگ فراهم می کند.
- پایش مدل و پیشبینی خط لوله، زیرساخت مورد نیاز برای ارائه پیشبینیها و نظارت بر عملکرد مدل را به کار میگیرد.
- PwC MLOps Accelerator به گونه ای طراحی شده است که نسبت به مدل های ML، چارچوب های ML و محیط های زمان اجرا آگنوستیک باشد. این راه حل امکان استفاده آشنا از زبان های برنامه نویسی مانند Python و R، ابزارهای توسعه مانند Jupyter Notebook و چارچوب های ML را از طریق یک فایل پیکربندی می دهد. این انعطافپذیری باعث میشود دانشمندان داده به طور مداوم مدلها را اصلاح کنند و آنها را با استفاده از زبان و محیط دلخواه خود به کار گیرند.
- راه حل دارای ادغام های داخلی برای استفاده از ابزارهای از پیش ساخته شده یا سفارشی برای تعیین وظایف برچسب زدن با استفاده از Amazon SageMaker Ground Truth برای مجموعه داده های آموزشی برای ارائه آموزش و نظارت مستمر.
- خط لوله ML سرتاسر با استفاده از ویژگی های بومی SageMaker طراحی شده است (Amazon SageMaker Studio , خطوط لوله ساختمان مدل SageMaker آمازون, آزمایشات آمازون SageMakerو نقاط پایانی Amazon SageMaker).
- این راه حل از قابلیت های داخلی Amazon SageMaker برای نسخه سازی مدل، ردیابی نسل مدل، به اشتراک گذاری مدل، و استنتاج بدون سرور با رجیستری مدل آمازون SageMaker.
- هنگامی که مدل در حال تولید است، راه حل به طور مداوم کیفیت مدل های ML را در زمان واقعی نظارت می کند. مانیتور مدل آمازون SageMaker برای نظارت مستمر مدل ها در تولید استفاده می شود. آمازون CloudWatch Logs برای جمعآوری فایلهای گزارش برای نظارت بر وضعیت مدل استفاده میشود و زمانی که کیفیت مدل به آستانههای خاصی رسید، اعلانها با استفاده از Amazon SNS ارسال میشوند. لاگرهای بومی مانند (boto3) برای ثبت وضعیت اجرا برای تسریع عیب یابی استفاده می شوند.
راه حل
بررسی زیر به مراحل استاندارد برای ایجاد فرآیند MLOps برای یک مدل با استفاده از PwC MLOps Accelerator می پردازد. این راهنما یک مورد استفاده از یک مهندس MLOps را توصیف می کند که می خواهد خط لوله را برای یک مدل ML اخیرا توسعه یافته با استفاده از یک فایل تعریف/پیکربندی ساده که بصری است، مستقر کند.
- برای شروع، ثبت نام کنید شتاب دهنده PwC MLOps برای دسترسی به مصنوعات راه حل. کل راه حل از یک فایل پیکربندی YAML هدایت می شود (
config.yaml
) در هر مدل تمام جزئیات مورد نیاز برای اجرای راه حل در فایل پیکربندی موجود است و همراه با مدل در یک مخزن Git ذخیره می شود. فایل پیکربندی به عنوان ورودی برای خودکارسازی مراحل گردش کار با خارجی کردن پارامترها و تنظیمات مهم خارج از کد عمل می کند. - مهندس ML برای پر کردن نیاز است
config.yaml
فایل و خط لوله MLOps را فعال کنید. مشتریان می توانند یک حساب AWS، مخزن، مدل، داده های مورد استفاده، نام خط لوله، چارچوب آموزشی، تعداد نمونه های مورد استفاده برای آموزش، چارچوب استنتاج، و هر مرحله قبل و بعد از پردازش و چندین مرحله دیگر را پیکربندی کنند. تنظیمات برای بررسی کیفیت مدل، تعصب و توضیح پذیری.
- یک فایل YAML ساده برای پیکربندی نیازهای آموزش، استقرار، نظارت و زمان اجرا هر مدل استفاده می شود. از وقتی که
config.yaml
به طور مناسب پیکربندی شده و در کنار مدل در مخزن Git خود ذخیره می شود، ارکستراتور سازنده مدل فراخوانی می شود. همچنین می تواند از یک مدل Bring-Your-Own-Model که می تواند از طریق YAML پیکربندی شود تا خط لوله ساخت مدل را راه اندازی کند، بخواند. - همه چیز بعد از این مرحله توسط راه حل خودکار می شود و نیازی به دخالت مهندس ML یا دانشمند داده ندارد. خط لوله مسئول ساخت مدل ML شامل پیش پردازش داده ها، آموزش مدل، ارزیابی مدل و ost-processing است. اگر مدل تستهای کیفیت و عملکرد خودکار را پشت سر بگذارد، مدل در یک رجیستری ذخیره میشود و مصنوعات بر اساس تعاریف موجود در فایلهای YAML در ذخیرهسازی Amazon S3 نوشته میشوند. این باعث ایجاد خط لوله استقرار مدل برای آن مدل ML می شود.
- سپس، یک الگوی استقرار خودکار مدل را در یک محیط مرحلهبندی با یک نقطه پایانی زنده ارائه میکند. پس از تایید، مدل به طور خودکار در محیط تولید مستقر می شود.
- راه حل دو خط لوله متصل را مستقر می کند. سرویس پیشبینی یک نقطه پایانی زنده قابل دسترسی را مستقر میکند که از طریق آن میتوان پیشبینیها را ارائه کرد. پایش مدل یک ابزار نظارت مستمر ایجاد می کند که عملکرد مدل کلیدی و معیارهای کیفیت را محاسبه می کند و در صورت تشخیص تغییر قابل توجهی در کیفیت مدل، شروع به آموزش مجدد مدل می کند.
- اکنون که مراحل ایجاد و استقرار اولیه را انجام دادهاید، مهندس MLOps میتواند هشدارهای خرابی را به گونهای پیکربندی کند که برای مشکلات هشدار داده شود، به عنوان مثال، زمانی که خط لوله کار مورد نظر خود را انجام نمیدهد.
- MLOps دیگر در مورد بسته بندی، آزمایش و استقرار مؤلفه های سرویس ابری شبیه به استقرار سنتی CI/CD نیست. این سیستمی است که باید به طور خودکار سرویس دیگری را مستقر کند. به عنوان مثال، خط لوله آموزش مدل به طور خودکار خط لوله استقرار مدل را برای فعال کردن سرویس پیش بینی مستقر می کند، که به نوبه خود سرویس نظارت بر مدل را فعال می کند.
نتیجه
به طور خلاصه، MLOps برای هر سازمانی که هدف آن استقرار مدلهای ML در سیستمهای تولید در مقیاس است، حیاتی است. PwC شتاب دهنده ای را برای خودکارسازی ساخت، استقرار و نگهداری مدل های ML از طریق ادغام ابزارهای DevOps در فرآیند توسعه مدل توسعه داد.
در این پست، ما بررسی کردیم که چگونه راهحل PwC توسط سرویسهای ML بومی AWS ارائه میشود و به اتخاذ شیوههای MLOps کمک میکند تا کسبوکارها بتوانند سفر هوش مصنوعی خود را سرعت بخشند و ارزش بیشتری از مدلهای ML خود به دست آورند. ما مراحلی را طی کردیم که کاربر برای دسترسی به شتاب دهنده عملیات یادگیری ماشین PwC، اجرای خطوط لوله و استقرار یک مورد استفاده ML که اجزای مختلف چرخه حیات یک مدل ML را ادغام میکند، طی کرد.
برای شروع با سفر MLOps خود در AWS Cloud در مقیاس و اجرای بارهای کاری تولید ML خود، در عملیات یادگیری ماشین PwC.
درباره نویسنده
کیران کومار بالاری یک معمار اصلی راه حل در خدمات وب آمازون (AWS) است. او یک مبشر است که دوست دارد به مشتریان کمک کند تا از فناوریهای جدید استفاده کنند و راهحلهای صنعتی تکرارپذیر برای حل مشکلاتشان بسازند. او به خصوص در مورد مهندسی نرم افزار، هوش مصنوعی مولد و کمک به شرکت ها در توسعه محصول AI/ML علاقه زیادی دارد.
آنکور گویال مدیر بخش ابر و دیجیتال PwC استرالیا است که بر روی داده ها، تجزیه و تحلیل و هوش مصنوعی متمرکز است. Ankur تجربه گسترده ای در حمایت از سازمان های بخش دولتی و خصوصی در هدایت تحولات فناوری و طراحی راه حل های نوآورانه با استفاده از دارایی ها و فناوری های داده دارد.
کارتیکیان چوکاپا (KC) مدیر بخش Cloud و Digital PwC استرالیا است که بر روی داده ها، تجزیه و تحلیل و هوش مصنوعی متمرکز است. KC مشتاق طراحی، توسعه و استقرار راهحلهای تحلیلی سرتاسری است که دادهها را به داراییهای تصمیمگیری ارزشمند برای بهبود عملکرد و استفاده و کاهش کل هزینه مالکیت برای چیزهای متصل و هوشمند تبدیل میکند.
راما لانکالاپالی یک معمار راه حل شریک در AWS است که با PwC برای سرعت بخشیدن به مهاجرت و نوسازی مشتریان خود به AWS کار می کند. او در صنایع مختلف برای تسریع پذیرش AWS Cloud کار می کند. تخصص او در معماری راهحلهای ابری کارآمد و مقیاسپذیر، هدایت نوآوری و نوسازی برنامههای کاربردی مشتری با استفاده از خدمات AWS، و ایجاد پایههای ابری انعطافپذیر است.
جیجی اونوالا یک معمار ارشد راه حل در AWS است که از راهنمایی مشتریان در حل چالش ها و تفکر استراتژیک لذت می برد. او علاقه زیادی به فناوری و داده و ایجاد نوآوری 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. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/driving-advanced-analytics-outcomes-at-scale-using-amazon-sagemaker-powered-pwcs-machine-learning-ops-accelerator/
- : دارد
- :است
- :نه
- $UP
- 1
- 100
- 1951
- 2024
- 32
- 33
- 7
- a
- توانایی
- درباره ما
- شتاب دادن
- شتاب دهنده
- دسترسی
- در دسترس
- حساب
- در میان
- فعالیت
- اضافی
- نشانی
- اتخاذ
- اتخاذ
- پیشرفته
- مزیت - فایده - سود - منفعت
- پس از
- AI
- AI / ML
- اهداف
- تصویر، موسیقی
- معرفی
- اجازه دادن
- اجازه می دهد تا
- در امتداد
- در کنار
- قبلا
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- خدمات وب آمازون (AWS)
- an
- علم تجزیه و تحلیل
- و
- دیگر
- هر
- کاربرد
- برنامه های کاربردی
- اعمال میشود
- به درستی
- تصویب
- تصویب
- معماری
- هستند
- دور و بر
- AS
- دارایی
- مرتبط است
- At
- قابلیت حسابرسی
- استرالیا
- خودکار بودن
- خودکار
- خودکار می کند
- اتوماتیک
- بطور خودکار
- اتوماسیون
- در دسترس
- AWS
- AWS CloudFormation
- مستقر
- BE
- شود
- تبدیل شدن به
- بوده
- در زیر
- بهترین
- بهترین شیوه
- میان
- تعصب
- ساختن
- ساختن
- بنا
- می سازد
- ساخته
- ساخته شده در
- کسب و کار
- کسب و کار
- اما
- by
- محاسبه می کند
- CAN
- نامزد
- قابلیت های
- قابلیت
- گرفتن
- جلب
- مورد
- موارد
- CD
- مرکزی
- معین
- به چالش
- چالش ها
- به چالش کشیدن
- تغییر دادن
- تبادل
- بررسی
- ابر
- رمز
- همکاری
- جمع آوری
- ترکیب
- شرکت
- کامل
- پیچیدگی ها
- انطباق
- اجزاء
- شامل
- سازش
- پیکر بندی
- پیکربندی
- متصل
- موجود
- زمینه
- مداوم
- به طور مداوم
- گروه شاهد
- هزینه
- هزینه
- ایجاد
- ایجاد
- ایجاد
- بحرانی
- بسیار سخت
- سفارشی
- مشتری
- مشتریان
- داده ها
- دانشمند داده
- مجموعه داده ها
- تصمیم
- تصمیم گیری
- تعاریف
- تحویل داده
- تحویل
- ارائه
- تحویل
- گسترش
- مستقر
- استقرار
- گسترش
- اعزام ها
- مستقر می کند
- طراحی
- طراحی
- جزئیات
- تشخیص
- شناسایی شده
- توسعه
- توسعه
- در حال توسعه
- پروژه
- ابزارهای توسعه
- مختلف
- دیجیتال
- مدیر
- متمایز
- مختلف
- do
- میکند
- پایین
- رانده
- رانندگی
- هر
- سهولت
- به آسانی
- اثر
- موثر
- هر دو
- قادر ساختن
- را قادر می سازد
- را قادر می سازد
- پشت سر هم
- نقطه پایانی
- مهندس
- مهندسی
- مورد تأیید
- اطمینان حاصل شود
- سرمایه گذاری
- تمام
- استحقاق
- محیط
- محیط
- خطاهای
- به خصوص
- ایجاد
- ارزیابی
- رسوایی
- مثال
- اجرا می کند
- اعدام
- وجود داشته باشد
- موجود
- تسریع کردن
- تجربه
- تجربه
- تخصص
- کشف
- وسیع
- تجربه گسترده
- نتواند
- شکست
- آشنا
- امکانات
- باز خورد
- شکل
- پرونده
- فایل ها
- نهایی
- انعطاف پذیری
- قابل انعطاف
- تمرکز
- متمرکز شده است
- پیروی
- برای
- مبانی
- کسر
- چارچوب
- چارچوب
- از جانب
- آینده
- افزایش
- تولید
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- رفتن
- رفته
- حکومت
- حکومت می کند
- زمین
- رشد
- دسته
- آیا
- he
- کمک
- کمک
- کمک می کند
- زیاد
- خود را
- بازدید
- چگونه
- اما
- HTML
- HTTPS
- if
- انجام
- مهم
- بهبود
- ارتقاء
- بهبود
- in
- شامل
- افزایش
- لوازم
- صنعت
- شالوده
- اول
- ابداع
- ابتکاری
- ورودی
- انتگرال
- یکپارچه
- ادغام
- ادغام
- ادغام
- یکپارچگی
- اطلاعات
- هوشمند
- مورد نظر
- به
- حسی
- استناد کرد
- درگیری
- مسائل
- IT
- ITS
- خود
- کار
- سفر
- JPG
- تنها
- نگاه داشتن
- کلید
- کومار
- برچسب
- زبان
- زبان ها
- تاخیر
- یادگیری
- قدرت نفوذ
- بهره برداری
- نهفته است
- wifecycwe
- پسندیدن
- محدود
- اصل و نسب
- مرتبط
- زنده
- ورود به سیستم
- دیگر
- دوست دارد
- کم
- دستگاه
- فراگیری ماشین
- حفظ
- باعث می شود
- مدیریت
- مدیریت
- مدیر
- کتابچه راهنمای
- بسیاری
- ممکن است..
- متاداده
- متری
- متریک
- حداقل
- ML
- MLO ها
- مدل
- مدل
- پیمانهای
- مانیتور
- نظارت بر
- مانیتور
- بیش
- بسیار
- نام
- بومی
- لازم
- نیاز
- ضروری
- جدید
- فناوری های نوین
- نه
- دفتر یادداشت
- اطلاعیه ها
- عدد
- of
- on
- یک بار
- ONE
- آنلاین
- کار
- عملیات
- or
- کدام سازمان ها
- سازمان های
- دیگر
- نتایج
- خارج از
- به طور کلی
- خود
- مالکیت
- بسته بندی
- پارامترهای
- بخش
- شریک
- عبور می کند
- احساساتی
- الگوهای
- برای
- کارایی
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- پست
- صفحه اصلی
- عملی
- تمرین
- شیوه های
- پیش گویی
- پیش بینی
- مرجح
- اصلی
- از اصول
- خصوصی
- بخش خصوصی
- مشکلات
- روند
- فرآیندهای
- محصول
- توسعه محصول
- تولید
- برنامه نويسي
- زبانهای برنامه نویسی
- ترویج
- ترویج می کند
- نمونه اولیه
- ارائه
- فراهم می کند
- عمومی
- قرار دادن
- PWC
- پــایتــون
- کیفیت
- R
- سریع
- سریعا
- خواندن
- به راحتی
- واقعی
- دنیای واقعی
- زمان واقعی
- تازه
- توصیه
- كاهش دادن
- خالص کردن
- ثبت نام
- ثبت
- ثبت
- رجیستری
- آزاد
- بقایای
- قابل تکرار
- مخزن
- نیاز
- ضروری
- مورد نیاز
- نیاز
- انعطاف پذیر
- پاسخ
- مسئوليت
- نتیجه
- این فایل نقد می نویسید:
- دقیق
- تنومند
- نقش
- دویدن
- در حال اجرا
- زمان اجرا
- حکیم ساز
- نگهداری می شود
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- سناریو
- دانشمند
- دانشمندان
- بخش
- ارشد
- فرستاده
- دنباله
- سلسله
- خدمت
- خدمت کرده است
- بدون سرور
- سرویس
- خدمات
- خدمت
- تنظیم
- تنظیمات
- هفت
- چند
- اشتراک
- باید
- نشان داده شده
- قابل توجه
- مشابه
- ساده
- کند
- کوچک
- So
- نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- حل
- حل کردن
- سرعت
- مراحل
- استقرار
- استاندارد
- آغاز شده
- شروع می شود
- وضعیت هنر
- وضعیت
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- ساده
- استراتژیک
- جریان
- ساده کردن
- موفق
- چنین
- خلاصه
- حمایت از
- سیستم
- سیستم های
- گرفتن
- طول می کشد
- مصرف
- هدف
- وظایف
- تیم ها
- فن آوری
- فن آوری
- پیشرفته
- قالب
- قالب
- تست
- تست
- نسبت به
- که
- La
- شان
- آنها
- در نتیجه
- اینها
- اشیاء
- تفکر
- این
- سه
- آستانه
- از طریق
- سراسر
- زمان
- به
- ابزار
- ابزار
- بالا
- جمع
- قابلیت ردیابی
- پیگردی
- سنتی
- آموزش دیده
- آموزش
- دگرگون کردن
- دگرگونی
- تحولات
- ماشه
- راه اندازی
- دور زدن
- عطف
- دو
- منحصر به فرد
- بر
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- استفاده
- با استفاده از
- اعتبار سنجی
- ارزشمند
- ارزش
- مختلف
- از طريق
- راه می رفت
- خرید
- می خواهد
- بود
- we
- وب
- خدمات وب
- چه زمانی
- که
- WHO
- اراده
- با
- در داخل
- گردش کار
- گردش کار
- کارگر
- با این نسخهها کار
- خواهد بود
- کتبی
- یامل
- شما
- زفیرنت