این پست توسط Ramdev Wudali و Kiran Mantripragada از تامسون رویترز نوشته شده است.
در 1992، تامسون رویترز (TR) اولین سرویس تحقیقاتی حقوقی هوش مصنوعی خود را با نام WIN (Westlaw Is Natural) منتشر کرد که در آن زمان یک نوآوری بود، زیرا اکثر موتورهای جستجو فقط از اصطلاحات و اتصالات بولی پشتیبانی می کردند. از آن زمان، TR به نقاط عطف بیشتری دست یافته است زیرا محصولات و خدمات هوش مصنوعی آن به طور مداوم از نظر تعداد و تنوع در حال افزایش است و از متخصصان حقوقی، مالیاتی، حسابداری، انطباق، و خدمات خبری در سراسر جهان پشتیبانی می کند و هر ساله میلیاردها بینش یادگیری ماشین (ML) ایجاد می شود. .
با افزایش فوق العاده خدمات هوش مصنوعی، نقطه عطف بعدی برای TR ساده کردن نوآوری و تسهیل همکاری بود. استانداردسازی ساخت و استفاده مجدد از راهحلهای هوش مصنوعی در عملکردهای تجاری و شخصیتهای متخصصان هوش مصنوعی، در حالی که از پایبندی به بهترین شیوههای سازمانی اطمینان حاصل میشود:
- خودکارسازی و استانداردسازی تلاش های مکرر مهندسی تمایز نیافته
- اطمینان از جداسازی و کنترل مورد نیاز داده های حساس بر اساس استانداردهای حاکمیت مشترک
- دسترسی آسان به منابع محاسباتی مقیاس پذیر را فراهم می کند
برای برآوردن این الزامات، TR پلتفرم هوش مصنوعی Enterprise را حول پنج ستون زیر ایجاد کرد: سرویس داده، فضای کاری آزمایش، رجیستری مدل مرکزی، سرویس استقرار مدل، و نظارت بر مدل.
در این پست، نحوه همکاری TR و AWS برای توسعه اولین پلتفرم هوش مصنوعی سازمانی TR را مورد بحث قرار میدهیم، ابزاری مبتنی بر وب که قابلیتهایی از آزمایش ML، آموزش، رجیستری مدل مرکزی، استقرار مدل، و نظارت بر مدل را ارائه میدهد. همه این قابلیت ها برای رسیدگی به استانداردهای امنیتی همیشه در حال تحول TR و ارائه خدمات ساده، ایمن و سازگار به کاربران نهایی ساخته شده اند. ما همچنین به اشتراک میگذاریم که چگونه TR نظارت و نظارت را برای مدلهای ML ایجاد شده در واحدهای تجاری مختلف با یک شیشه واحد فعال کرد.
چالش ها
از لحاظ تاریخی در TR، ML قابلیتی برای تیم هایی با دانشمندان و مهندسان پیشرفته داده بوده است. تیمهایی با منابع بسیار ماهر توانستند فرآیندهای پیچیده ML را بر اساس نیاز خود پیادهسازی کنند، اما به سرعت بسیار کمکم شدند. رویکردهای سلد هیچ گونه دیدی برای ارائه حکمرانی در پیش بینی های تصمیم گیری بسیار حیاتی ارائه نمی دهند.
تیم های تجاری TR دانش گسترده ای در زمینه دامنه دارند. با این حال، مهارت های فنی و تلاش های مهندسی سنگین مورد نیاز در ML، استفاده از تخصص عمیق آنها را برای حل مشکلات تجاری با قدرت ML دشوار می کند. TR میخواهد مهارتها را دموکراتیک کند و برای افراد بیشتری در سازمان قابل دسترسی باشد.
تیم های مختلف در TR شیوه ها و روش های خود را دنبال می کنند. TR میخواهد قابلیتهایی را در طول چرخه عمر ML برای کاربران خود ایجاد کند تا تحویل پروژههای ML را با توانمند ساختن تیمها برای تمرکز بر اهداف تجاری و نه بر تلاشهای مهندسی تکراری و تمایز نیافته تسریع بخشد.
علاوه بر این، مقررات پیرامون داده ها و هوش مصنوعی اخلاقی همچنان در حال تکامل هستند و استانداردهای حاکمیتی مشترک را در سراسر راه حل های هوش مصنوعی TR الزامی می کنند.
بررسی اجمالی راه حل
پلتفرم هوش مصنوعی TR برای ارائه خدمات ساده و استاندارد به افراد مختلف، ارائه قابلیتهایی برای هر مرحله از چرخه حیات ML در نظر گرفته شد. TR پنج دسته اصلی را شناسایی کرده است که همه الزامات TR را مدولار می کند:
- خدمات داده - برای فعال کردن دسترسی آسان و ایمن به دارایی های داده سازمانی
- فضای کاری آزمایشی - ارائه قابلیت هایی برای آزمایش و آموزش مدل های ML
- رجیستری مدل مرکزی - کاتالوگ سازمانی برای مدلهای ساخته شده در واحدهای تجاری مختلف
- سرویس استقرار مدل - برای ارائه گزینه های مختلف استقرار استنتاج به دنبال شیوه های CI/CD سازمانی TR
- خدمات مانیتورینگ مدل - ارائه قابلیت هایی برای نظارت بر داده ها و مدل سازی سوگیری ها و دریفت ها
همانطور که در نمودار زیر نشان داده شده است، این میکروسرویس ها با در نظر گرفتن چند اصل کلیدی ساخته شده اند:
- تلاش مهندسی تمایز نیافته را از کاربران حذف کنید
- با کلیک یک دکمه قابلیت های مورد نیاز را ارائه دهید
- بر اساس استانداردهای سازمانی TR، همه قابلیت ها را ایمن و کنترل کنید
- برای فعالیت های ML یک شیشه به همراه داشته باشید
میکروسرویس های پلتفرم هوش مصنوعی TR با آمازون SageMaker به عنوان موتور اصلی، اجزای بدون سرور AWS برای گردش کار، و خدمات AWS DevOps برای اقدامات CI/CD. SageMaker Studio برای آزمایش و آموزش استفاده می شود و رجیستری مدل SageMaker برای ثبت مدل ها استفاده می شود. رجیستری مدل مرکزی از هر دو رجیستری مدل SageMaker و یک تشکیل شده است آمازون DynamoDB جدول. خدمات میزبانی SageMaker برای استقرار مدل ها استفاده می شود، در حالی که مانیتور مدل SageMaker و SageMaker Clarify برای نظارت بر مدلها برای دریفت، تعصب، ماشینحسابهای متریک سفارشی و قابلیت توضیح استفاده میشوند.
در بخش های بعدی این خدمات به تفصیل توضیح داده می شود.
خدمات داده
چرخه عمر پروژه ML سنتی با یافتن داده ها شروع می شود. به طور کلی، دانشمندان داده 60٪ یا بیشتر از زمان خود را صرف یافتن داده های مناسب در زمان نیاز می کنند. درست مانند هر سازمان، TR دارای چندین فروشگاه داده است که به عنوان یک نقطه حقیقت برای حوزه های مختلف داده عمل می کنند. TR دو ذخیرهگاه دادههای سازمانی کلیدی را شناسایی کرد که دادهها را برای بیشتر موارد استفاده از ML ارائه میدهند: یک ذخیرهسازی شی و یک ذخیرهسازی داده رابطهای. TR یک سرویس داده پلتفرم هوش مصنوعی ایجاد کرد تا به طور یکپارچه دسترسی به هر دو ذخیرهسازی داده را از فضای کاری آزمایشی کاربران فراهم کند و بار کاربران را برای هدایت فرآیندهای پیچیده برای به دست آوردن دادهها به تنهایی از بین ببرد. پلتفرم هوش مصنوعی TR از تمام انطباق ها و بهترین شیوه های تعریف شده توسط تیم مدیریت داده و مدل پیروی می کند. این شامل یک ارزیابی اجباری تأثیر داده است که به پزشکان ML کمک می کند تا استفاده اخلاقی و مناسب از داده ها را با فرآیندهای تأیید رسمی برای اطمینان از دسترسی مناسب به داده ها درک و پیروی کنند. هسته اصلی این سرویس، و همچنین کلیه خدمات پلت فرم، امنیت و انطباق بر اساس بهترین شیوه های تعیین شده توسط TR و صنعت است.
سرویس ذخیره سازی ساده آمازون ذخیره سازی اشیاء (Amazon S3) به عنوان دریاچه داده محتوا عمل می کند. TR فرآیندهایی را برای دسترسی ایمن به دادهها از دریاچه دادههای محتوا به فضاهای کاری آزمایشی کاربران ایجاد کرد و در عین حال مجوز و قابلیت ممیزی مورد نیاز را حفظ کرد. Snowflake به عنوان فروشگاه داده های اولیه رابطه ای سازمانی استفاده می شود. بر اساس درخواست کاربر و بر اساس تایید صاحب داده، سرویس داده پلتفرم هوش مصنوعی یک عکس فوری از داده ها را در اختیار کاربر قرار می دهد که به راحتی در فضای کاری آزمایشی آنها در دسترس است.
دسترسی به داده ها از منابع مختلف یک مشکل فنی است که به راحتی قابل حل است. اما پیچیدگیای که TR حل کرده است ایجاد گردشهای کاری تأیید است که شناسایی مالک دادهها، ارسال درخواست دسترسی، اطمینان از اینکه مالک دادهها از درخواست دسترسی معلق مطلع شدهاند و بر اساس وضعیت تأیید، اقدامی برای ارائه دادهها انجام میدهد را خودکار میکند. درخواست کننده تمام رویدادها در طول این فرآیند برای قابلیت ممیزی و انطباق ردیابی و ثبت می شوند.
همانطور که در نمودار زیر نشان داده شده است، TR استفاده می کند توابع مرحله AWS برای هماهنگ کردن گردش کار و AWS لامبدا برای اجرای عملکرد دروازه API آمازون برای نمایش عملکرد با یک نقطه پایانی API که از پورتال وب آنها مصرف می شود استفاده می شود.
آزمایش و توسعه مدل
یک قابلیت ضروری برای استاندارد کردن چرخه حیات ML، محیطی است که به دانشمندان داده اجازه می دهد تا با چارچوب های مختلف ML و اندازه داده ها آزمایش کنند. فعال کردن چنین محیط ایمن و سازگار در فضای ابری در عرض چند دقیقه، دانشمندان داده را از بار مدیریت زیرساخت های ابری، الزامات شبکه و اقدامات استانداردهای امنیتی رها می کند تا در عوض روی مشکل علم داده تمرکز کنند.
TR یک فضای کاری آزمایشی ایجاد می کند که دسترسی به خدماتی مانند چسب AWS, آمازون EMRو SageMaker Studio قابلیت پردازش داده و ML را با رعایت استانداردهای امنیت ابری سازمانی و جداسازی حساب مورد نیاز برای هر واحد تجاری فعال می کند. TR هنگام اجرای راه حل با چالش های زیر روبرو شده است:
- ارکستراسیون در اوایل کاملاً خودکار نبود و شامل چندین مرحله دستی بود. ردیابی محل بروز مشکلات آسان نبود. TR با هماهنگ کردن گردش کار با استفاده از توابع Step بر این خطا غلبه کرد. با استفاده از توابع Step، ساخت گردشهای کاری پیچیده، مدیریت وضعیتها و مدیریت خطا بسیار آسانتر شد.
- مناسب هویت AWS و مدیریت دسترسی تعریف نقش (IAM) برای فضای کاری آزمایش سخت بود. برای مطابقت با استانداردهای امنیت داخلی TR و مدل کمترین امتیاز، در اصل، نقش فضای کاری با خط مشی های درون خطی تعریف شده بود. در نتیجه، سیاست درون خطی با گذشت زمان رشد کرد و پرمخاطب شد و از حد مجاز اندازه سیاست برای نقش IAM فراتر رفت. برای کاهش این موضوع، TR به استفاده از سیاستهای مدیریت شده توسط مشتری و ارجاع به آنها در تعریف نقش فضای کاری روی آورد.
- TR گاهی اوقات به محدودیت های منابع پیش فرض اعمال شده در سطح حساب AWS می رسد. این امر باعث میشود که راهاندازی مشاغل SageMaker (مثلاً مشاغل آموزشی) به دلیل رسیدن به محدودیت نوع منبع مورد نظر با شکست مواجه شود. TR از نزدیک با تیم خدمات SageMaker روی این موضوع کار کرد. این مشکل پس از راه اندازی تیم AWS SageMaker به عنوان یک سرویس پشتیبانی شده حل شد سهمیه خدمات در ماه ژوئن 2022.
امروزه، دانشمندان داده در TR می توانند با ایجاد یک فضای کاری مستقل و اضافه کردن اعضای تیم مورد نیاز برای همکاری، یک پروژه ML راه اندازی کنند. مقیاس نامحدود ارائه شده توسط SageMaker با ارائه تصاویر هسته سفارشی با اندازه های متنوع در دسترس آنها است. استودیوی SageMaker به سرعت به یک جزء حیاتی در پلتفرم هوش مصنوعی TR تبدیل شد و رفتار کاربر را از استفاده از برنامههای کاربردی دسکتاپ محدود به موتورهای مقیاسپذیر و زودگذر تغییر داده است. نمودار زیر این معماری را نشان می دهد.
رجیستری مدل مرکزی
رجیستری مدل یک مخزن مرکزی برای همه مدلهای یادگیری ماشینی TR فراهم میکند، مدیریت ریسک و سلامت آنها را به شیوهای استاندارد در سراسر عملکردهای تجاری امکانپذیر میکند و استفاده مجدد از مدلهای بالقوه را ساده میکند. بنابراین، سرویس باید موارد زیر را انجام دهد:
- قابلیت ثبت هر دو مدل جدید و قدیمی را، چه در داخل یا خارج از SageMaker ایجاد شده باشد، ارائه دهید
- پیادهسازی گردشهای کاری حاکمیتی، به دانشمندان داده، توسعهدهندگان و ذینفعان امکان میدهد چرخه عمر مدلها را مشاهده و مدیریت کنند.
- افزایش شفافیت و همکاری با ایجاد یک نمای متمرکز از همه مدلها در سراسر TR در کنار متادیتا و معیارهای سلامت
TR طراحی را فقط با رجیستری مدل SageMaker آغاز کرد، اما یکی از الزامات کلیدی TR ارائه قابلیت ثبت مدلهای ایجاد شده خارج از SageMaker است. TR پایگاههای داده رابطهای متفاوتی را ارزیابی کرد اما در نهایت DynamoDB را انتخاب کرد زیرا طرح ابرداده برای مدلهایی که از منابع قدیمی میآیند بسیار متفاوت خواهد بود. TR همچنین نمیخواست هیچ کار اضافی را به کاربران تحمیل کند، بنابراین آنها با استفاده از یک همگامسازی خودکار یکپارچه بین رجیستریهای فضای کاری پلتفرم هوش مصنوعی SageMaker به رجیستری مرکزی SageMaker با استفاده از پل رویداد آمازون قوانین و نقش های مورد نیاز IAM. TR رجیستری مرکزی را با DynamoDB افزایش داد تا قابلیتهای ثبت مدلهای قدیمی را که روی دسکتاپ کاربران ایجاد شدهاند، گسترش دهد.
رجیستری مدل مرکزی پلتفرم هوش مصنوعی TR در پورتال پلتفرم هوش مصنوعی یکپارچه شده است و یک رابط بصری برای جستجوی مدلها، بهروزرسانی ابردادههای مدل، و درک معیارهای پایه مدل و معیارهای نظارت دورهای سفارشی فراهم میکند. نمودار زیر این معماری را نشان می دهد.
استقرار مدل
TR دو الگوی اصلی را برای استقرار خودکار شناسایی کرد:
- مدلهای توسعهیافته با استفاده از SageMaker از طریق SageMaker کارهای تبدیل دستهای برای دریافت استنتاج در یک زمانبندی ترجیحی
- مدلهایی که خارج از SageMaker بر روی دسکتاپهای محلی با استفاده از کتابخانههای منبع باز توسعه یافتهاند، از طریق رویکرد کانتینری خود را با استفاده از کارهای پردازش SageMaker برای اجرای کد استنتاج سفارشی، به عنوان راهی کارآمد برای انتقال آن مدلها بدون تغییر مجدد کد.
با سرویس استقرار پلتفرم هوش مصنوعی، کاربران TR (دانشمندان داده و مهندسان ML) می توانند یک مدل را از کاتالوگ شناسایی کرده و با ارائه پارامترهای مورد نیاز از طریق یک گردش کار مبتنی بر UI، یک کار استنتاج را در حساب AWS انتخابی خود مستقر کنند.
TR این استقرار را با استفاده از خدمات AWS DevOps مانند خودکار کرد AWS CodePipeline و AWS CodeBuild. TR از توابع Step برای هماهنگ کردن گردش کار خواندن و پیش پردازش داده ها برای ایجاد کارهای استنتاج SageMaker استفاده می کند. TR اجزای مورد نیاز را به عنوان کد با استفاده از آن مستقر می کند AWS CloudFormation قالب ها نمودار زیر این معماری را نشان می دهد.
نظارت بر مدل
چرخه عمر ML بدون امکان نظارت بر مدل ها کامل نمی شود. تیم مدیریت سازمانی TR همچنین تیم های تجاری را موظف و تشویق می کند که عملکرد مدل خود را در طول زمان برای رسیدگی به هر گونه چالش نظارتی نظارت کنند. TR با مدلهای نظارتی و دادههای رانش آغاز شد. TR از SageMaker Model Monitor برای ارائه یک پایه داده و استنتاج حقیقت استفاده کرد تا به طور دورهای نحوه حرکت دادهها و استنتاجهای TR را بررسی کند. همراه با معیارهای نظارت بر مدل SageMaker، TR با توسعه معیارهای سفارشی مخصوص مدلهای خود، قابلیت نظارت را افزایش داد. این به دانشمندان داده TR کمک می کند تا بفهمند چه زمانی باید مدل خود را دوباره آموزش دهند.
همراه با نظارت دریفت، TR همچنین می خواهد تعصب در مدل ها را درک کند. از قابلیت های خارج از جعبه SageMaker Clarify برای ایجاد سرویس تعصب TR استفاده می شود. TR هم داده ها و هم سوگیری مدل را نظارت می کند و آن معیارها را از طریق پورتال پلتفرم هوش مصنوعی در دسترس کاربران خود قرار می دهد.
برای کمک به همه تیمها برای اتخاذ این استانداردهای سازمانی، TR این خدمات را مستقل و از طریق پورتال پلتفرم هوش مصنوعی به آسانی در دسترس قرار داده است. تیمهای تجاری TR میتوانند به پورتال بروند و یک کار نظارتی مدل یا کار نظارت بر تعصب را خودشان به کار گیرند و آنها را بر اساس زمانبندی دلخواه خود اجرا کنند. آنها از وضعیت کار و معیارهای هر اجرا مطلع می شوند.
TR از خدمات AWS برای استقرار CI/CD، هماهنگسازی گردش کار، چارچوبهای بدون سرور و نقاط پایانی API برای ساخت ریزسرویسهایی استفاده کرد که میتوانند به طور مستقل فعال شوند، همانطور که در معماری زیر نشان داده شده است.
نتایج و پیشرفت های آینده
پلتفرم هوش مصنوعی TR در سه ماهه سوم 3 با هر پنج مؤلفه اصلی راه اندازی شد: سرویس داده، فضای کاری آزمایش، رجیستری مدل مرکزی، استقرار مدل، و نظارت بر مدل. TR جلسات آموزشی داخلی را برای واحدهای تجاری خود برای روی پلت فرم برگزار کرد و به آنها ویدیوهای آموزشی خودراهنما را ارائه داد.
پلتفرم هوش مصنوعی قابلیت هایی را در اختیار تیم های TR قرار داده است که قبلا هرگز وجود نداشته است. طیف وسیعی از امکانات را برای تیم مدیریت سازمانی TR برای افزایش استانداردهای انطباق و متمرکز کردن رجیستری باز کرده است و یک صفحه شیشه ای واحد را در تمام مدل های ML در TR ارائه می دهد.
TR تصدیق می کند که هیچ محصولی در زمان عرضه اولیه در بهترین حالت خود قرار ندارد. همه اجزای TR در سطوح مختلف بلوغ هستند و تیم پلتفرم هوش مصنوعی TR در مرحله بهبود مستمر برای بهبود مکرر ویژگیهای محصول است. خط لوله پیشرفت فعلی TR شامل افزودن گزینه های استنتاج اضافی SageMaker مانند نقاط پایانی بلادرنگ، ناهمزمان و چند مدل است. TR همچنین قصد دارد قابلیت توضیح مدل را به عنوان یک ویژگی به سرویس نظارت مدل خود اضافه کند. TR قصد دارد از قابلیتهای توضیحپذیری SageMaker Clarify برای توسعه سرویس توضیحپذیری داخلی خود استفاده کند.
نتیجه
TR اکنون میتواند حجم وسیعی از دادهها را به صورت ایمن پردازش کند و از قابلیتهای پیشرفته AWS برای انتقال یک پروژه ML از ایدهپردازی به تولید در مدت چند هفته، در مقایسه با ماههای قبل استفاده کند. با قابلیتهای خارج از جعبه سرویسهای AWS، تیمهای درون TR میتوانند برای اولین بار مدلهای ML را ثبت و نظارت کنند و با استانداردهای حاکمیت مدل در حال تکامل خود مطابقت داشته باشند. TR به دانشمندان داده و تیم های محصول قدرت داد تا به طور موثر خلاقیت خود را برای حل پیچیده ترین مشکلات آزاد کنند.
برای دانستن بیشتر در مورد پلتفرم هوش مصنوعی TR در AWS، این را بررسی کنید جلسه AWS re:Invent 2022. اگر میخواهید یاد بگیرید که چگونه TR استفاده از یادگیری ماشین را با استفاده از آزمایشگاه داده AWS رجوع به برنامه شود بررسی موردی.
درباره نویسنده
رامدف وودالی یک معمار داده است که به معمار کمک می کند و پلت فرم AI/ML را ایجاد می کند تا دانشمندان و محققان داده را قادر سازد راه حل های یادگیری ماشین را با تمرکز بر علم داده و نه بر نیازهای زیرساخت توسعه دهند. در اوقات فراغت خود، او عاشق تا زدن کاغذ برای ساختن پارچه های اوریگامی و پوشیدن تی شرت های بی احترام است.
کیران مانتریپراگادا مدیر ارشد پلتفرم هوش مصنوعی در تامسون رویترز است. تیم پلتفرم هوش مصنوعی مسئول فعال کردن برنامههای کاربردی نرمافزار هوش مصنوعی درجه تولید و فعال کردن کار دانشمندان داده و محققان یادگیری ماشین است. Kiran با اشتیاق به علم، هوش مصنوعی و مهندسی، دوست دارد شکاف بین تحقیق و تولید را پر کند تا نوآوری واقعی هوش مصنوعی را به مصرفکنندگان نهایی برساند.
باوانا چیرومامیلا یک معمار ساکن Sr. در AWS است. او علاقه زیادی به داده ها و عملیات ML دارد و اشتیاق زیادی برای کمک به شرکت ها در ایجاد داده ها و استراتژی های ML به ارمغان می آورد. او در اوقات فراغت خود با خانواده اش در سفر، پیاده روی، باغبانی و تماشای مستند لذت می برد.
سرینیواسا شایک یک معمار راه حل در AWS مستقر در بوستون است. او به مشتریان سازمانی کمک می کند تا سفر خود به ابر را تسریع کنند. او علاقه زیادی به کانتینرها و فناوری های یادگیری ماشین دارد. در اوقات فراغت از گذراندن وقت با خانواده، آشپزی و مسافرت لذت می برد.
کینگوی لی یک متخصص یادگیری ماشین در خدمات وب آمازون است. او پس از شکستن حساب کمک هزینه تحقیقاتی مشاورش و عدم ارائه جایزه نوبل که وعده داده بود، دکترای خود را در تحقیقات عملیات دریافت کرد. در حال حاضر، او به مشتریان در صنعت خدمات مالی و بیمه کمک می کند تا راه حل های یادگیری ماشینی را در AWS بسازند. در اوقات فراغت به مطالعه و تدریس علاقه دارد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- قادر
- درباره ما
- شتاب دادن
- تسریع شد
- دسترسی
- در دسترس
- مطابق
- حساب
- حسابداری (Accounting)
- دست
- دستیابی به
- به دست آوردن
- در میان
- عمل
- اعمال
- اضافی
- نشانی
- اتخاذ
- پیشرفته
- پس از
- AI
- پلتفرم هوش مصنوعی
- خدمات هوش مصنوعی
- AI / ML
- معرفی
- اجازه می دهد تا
- در کنار
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- مقدار
- و
- API
- برنامه های کاربردی
- اعمال می شود
- روش
- رویکردها
- تصویب
- معماری
- دور و بر
- مجوز
- خودکار بودن
- خودکار
- اتوماتیک
- در دسترس
- AWS
- مستقر
- خط مقدم
- زیرا
- قبل از
- بودن
- بهترین
- بهترین شیوه
- میان
- تعصب
- میلیاردها
- بوستون
- بریج
- به ارمغان بیاورد
- به ارمغان می آورد
- شکست
- ساختن
- بنا
- می سازد
- ساخته
- بار
- کسب و کار
- عملکرد کسب و کار
- قابلیت های
- موارد
- کاتالوگ
- دسته
- ایجاد می شود
- مرکزی
- متمرکز
- چالش ها
- بررسی
- انتخاب
- برگزیده
- نزدیک
- ابر
- زیرساخت های ابری
- امنیت ابر
- رمز
- همکاری
- همکاری کرد
- همکاری
- مجموعا
- آینده
- مشترک
- مقایسه
- کامل
- پیچیده
- پیچیدگی
- انطباق
- موافق
- جزء
- اجزاء
- شامل
- محاسبه
- مصرف
- مصرف کنندگان
- ظرف
- ظروف
- محتوا
- ادامه دادن
- مداوم
- کنترل
- هسته
- ایجاد
- ایجاد شده
- ایجاد
- خلاقیت
- بحرانی
- بسیار سخت
- جاری
- در حال حاضر
- سفارشی
- مشتریان
- داده ها
- دریاچه دریاچه
- پردازش داده ها
- علم اطلاعات
- پایگاه های داده
- تصمیم گیری
- عمیق
- تخصص عمیق
- به طور پیش فرض
- ارائه
- تحویل
- دموکراتیک کردن
- گسترش
- گسترش
- مستقر می کند
- توصیف
- طرح
- دسکتاپ
- جزئیات
- مشخص
- توسعه
- توسعه
- توسعه دهندگان
- در حال توسعه
- پروژه
- مختلف
- مشکل
- مدیر
- بحث و تبادل نظر
- فیلم های مستند
- دامنه
- حوزه
- پایین
- در اوایل
- آسان تر
- به آسانی
- به طور موثر
- موثر
- تلاش
- قدرت
- قادر ساختن
- فعال
- را قادر می سازد
- را قادر می سازد
- تشویق می کند
- نقطه پایانی
- موتور
- مهندسی
- مورد تأیید
- موتورهای حرفه ای
- افزایش
- اطمینان حاصل شود
- حصول اطمینان از
- سرمایه گذاری
- شرکت
- اشتیاق
- محیط
- خطا
- ضروری است
- اخلاقی
- ارزیابی
- حوادث
- تا کنون
- تکامل یابد
- در حال تحول
- مثال
- تجربه
- تخصص
- گسترش
- خیلی
- تسهیل کردن
- ناموفق
- خانواده
- ویژگی
- امکانات
- کمی از
- نهایی
- مالی
- خدمات مالی
- پیدا کردن
- پیدا کردن
- نام خانوادگی
- بار اول
- تمرکز
- تمرکز
- به دنبال
- پیروی
- به دنبال آن است
- رسمی
- چارچوب
- از جانب
- تکمیل کنید
- کاملا
- قابلیت
- توابع
- آینده
- شکاف
- سوالات عمومی
- تولید
- دریافت کنید
- شیشه
- Go
- اهداف
- حکومت
- اعطا کردن
- زمین
- در حال رشد
- اداره
- سخت
- سلامتی
- کمک
- کمک
- کمک می کند
- خیلی
- میزبانی وب
- چگونه
- اما
- HTML
- HTTPS
- شناسایی
- شناسایی
- شناسایی
- هویت
- تصاویر
- تأثیر
- انجام
- اجرا
- اجرای
- تحمیل
- بهبود
- in
- شامل
- افزایش
- مستقل
- به طور مستقل
- صنعت
- شالوده
- اول
- ابداع
- بینش
- در عوض
- بیمه
- یکپارچه
- رابط
- داخلی
- گرفتار
- انزوا
- موضوع
- IT
- کار
- شغل ها
- سفر
- کلید
- دانستن
- دانش
- دریاچه
- راه اندازی
- راه اندازی
- راه اندازی
- یاد گرفتن
- یادگیری
- میراث
- قانونی
- سطح
- سطح
- کتابخانه ها
- محدود
- محدودیت
- زنده
- محلی
- دستگاه
- فراگیری ماشین
- ساخته
- عمده
- باعث می شود
- ساخت
- مدیریت
- مدیریت
- مدیریت
- ماموریت ها
- روش
- کتابچه راهنمای
- بسیاری
- بلوغ
- معیارهای
- اعضا
- متاداده
- متدولوژی ها
- متری
- متریک
- خدمات میکرو
- مهاجرت
- مرحله مهمی از زندگی
- نقاط عطف
- ذهن
- دقیقه
- کاهش
- ML
- مدل
- مدل
- مانیتور
- نظارت بر
- مانیتور
- ماه
- بیش
- اکثر
- چندگانه
- طبیعی
- هدایت
- نیاز
- نیازهای
- شبکه
- جدید
- اخبار
- بعد
- جایزه نوبل
- عدد
- هدف
- گاه به گاه
- ارائه شده
- ارائه
- پیشنهادات
- پردازنده
- ONE
- منبع باز
- باز
- عملیات
- گزینه
- تنظیم و ارکستراسیون
- کدام سازمان ها
- در اصل
- خارج از
- خود
- مالک
- قطعه
- مقاله
- پارامترهای
- شور
- احساساتی
- الگوهای
- مردم
- کارایی
- متناوب
- فاز
- خط لوله
- برنامه ریزی
- برنامه
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقطه
- سیاست
- سیاست
- پورتال
- فرصت
- پست
- پتانسیل
- قدرت
- شیوه های
- پیش بینی
- مرجح
- اصلی
- از اصول
- جایزه
- مشکل
- مشکلات
- روند
- فرآیندهای
- در حال پردازش
- محصول
- تولید
- محصولات
- حرفه ای
- برنامه
- پروژه
- پروژه ها
- وعده داده شده
- ارائه
- ارائه
- فراهم می کند
- ارائه
- Q3
- q3 2022
- به سرعت
- محدوده
- اعم
- RE
- رسیده
- مطالعه
- واقعی
- زمان واقعی
- اخذ شده
- ثبت نام
- رجیستری
- مقررات
- تنظیم کننده
- آزاد
- منتشر شد
- برداشتن
- مخزن
- درخواست
- ضروری
- مورد نیاز
- تحقیق
- محققان
- منابع
- منابع
- مسئوليت
- رویترز
- خطر
- نقش
- نقش
- قوانین
- دویدن
- حکیم ساز
- استنباط SageMaker
- مقیاس پذیر
- مقیاس
- برنامه
- علم
- دانشمندان
- بدون درز
- یکپارچه
- جستجو
- موتورهای جستجو
- بخش
- امن
- امن
- ایمن
- تیم امنیت لاتاری
- در حال ارسال
- ارشد
- حساس
- خدمت
- بدون سرور
- سرویس
- خدمات
- جلسات
- چند
- اشتراک گذاری
- نشان داده شده
- ساده
- پس از
- تنها
- اندازه
- اندازه
- ماهر
- مهارت ها
- عکس فوری
- So
- نرم افزار
- راه حل
- مزایا
- حل
- منابع
- متخصص
- خاص
- خرج کردن
- هزینه
- صحنه
- سهامداران
- استاندارد
- استانداردهای
- آغاز شده
- شروع می شود
- ایالات
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- پرده
- استراتژی ها
- ساده کردن
- استودیو
- چنین
- پشتیبانی
- حمایت از
- روشن
- هماهنگ سازی
- جدول
- گرفتن
- مالیات
- تعلیم
- تیم
- تیم ها
- فنی
- مهارتهای فنی
- فن آوری
- قالب
- قوانین و مقررات
- La
- شان
- از این رو
- تامسون رویترز
- از طریق
- سراسر
- زمان
- به
- ابزار
- پیگردی
- سنتی
- قطار
- آموزش
- دگرگون کردن
- شفافیت
- سفر
- عظیم
- باعث شد
- فهمیدن
- واحد
- واحد
- رها کردن
- نا محدود
- بروزرسانی
- استفاده کنید
- کاربر
- کاربران
- تنوع
- مختلف
- وسیع
- از طريق
- فیلم های
- چشم انداز
- دید
- تماشای
- وب
- خدمات وب
- مبتنی بر وب
- هفته
- چه
- در حین
- وسیع
- دامنه گسترده
- اراده
- پیروزی
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- گردش کار
- در سرتاسر جهان
- خواهد بود
- سال
- شما
- زفیرنت