در سال 2021 راه اندازی کردیم AWS از خدمات پیشگیرانه پشتیبانی می کند به عنوان بخشی از پشتیبانی سازمانی AWS طرح. از زمان معرفی، ما به صدها مشتری کمک کردهایم تا حجم کار خود را بهینه کنند، نردههای محافظ را تنظیم کنند و دید هزینه و استفاده از بارهای کاری یادگیری ماشینی (ML) خود را بهبود بخشند.
در این سری از پستها، درسهای آموخته شده در مورد بهینهسازی هزینهها را به اشتراک میگذاریم آمازون SageMaker. به قسمت 1، نحوه شروع استفاده را نشان دادیم AWS Cost Explorer برای شناسایی فرصت های بهینه سازی هزینه در SageMaker. در این پست، ما بر روی محیط های استنتاج SageMaker تمرکز می کنیم: استنتاج بلادرنگ، تبدیل دسته ای، استنتاج ناهمزمان و استنتاج بدون سرور.
SageMaker چندین گزینه استنتاج را ارائه می دهد برای انتخاب شما بر اساس نیازهای حجم کاری:
- استنتاج بلادرنگ برای نیازهای آنلاین، تاخیر کم یا توان عملیاتی بالا
- تبدیل دسته ای برای پردازش آفلاین، برنامه ریزی شده و زمانی که به نقطه پایانی دائمی نیاز ندارید
- استنتاج ناهمزمان برای زمانی که بارهای سنگین با زمان پردازش طولانی دارید و می خواهید درخواست ها را در صف قرار دهید
- استنتاج بدون سرور برای زمانی که الگوهای ترافیکی متناوب یا غیرقابل پیش بینی دارید و می توانید شروع های سرد را تحمل کنید
در بخشهای بعدی، هر گزینه استنتاج را با جزئیات بیشتری مورد بحث قرار میدهیم.
استنتاج بلادرنگ SageMaker
هنگامی که یک نقطه پایانی ایجاد می کنید، SageMaker یک آن را پیوست می کند فروشگاه بلوک الاستیک آمازون (Amazon EBS) حجم ذخیره سازی به ابر محاسبه الاستیک آمازون (Amazon EC2) نمونه ای که میزبان نقطه پایانی است. این برای همه نمونه هایی که دارای حافظه SSD نیستند صادق است. از آنجایی که انواع نمونه d* دارای حافظه NVMe SSD هستند، SageMaker حجم ذخیره سازی EBS را به این نمونه های محاسباتی ML متصل نمی کند. رجوع شود به حجم های ذخیره سازی نمونه میزبان برای اندازه حجمهای ذخیرهسازی که SageMaker برای هر نوع نمونه برای یک نقطه پایانی واحد و برای یک نقطه پایانی چند مدلی متصل میکند.
هزینه نقاط پایانی بلادرنگ SageMaker بر اساس هر نمونه-ساعت مصرف شده برای هر نمونه در حالی که نقطه پایانی در حال اجرا است، هزینه گیگابایت-ماه ذخیره سازی تدارک دیده شده (حجم EBS)، و همچنین گیگابایت داده پردازش شده در داخل و خارج است. از نمونه نقطه پایانی، همانطور که در قیمت گذاری آمازون SageMaker. در Cost Explorer، میتوانید با اعمال فیلتر بر روی نوع استفاده، هزینههای نقطه پایانی را در زمان واقعی مشاهده کنید. نام این نوع کاربردها به شرح زیر است:
REGION-Host:instanceType
(مثلا،USE1-Host:ml.c5.9xlarge
)REGION-Host:VolumeUsage.gp2
(مثلا،USE1-Host:VolumeUsage.gp2
)REGION-Hst:Data-Bytes-Out
(مثلا،USE2-Hst:Data-Bytes-In
)REGION-Hst:Data-Bytes-Out
(مثلا،USW2-Hst:Data-Bytes-Out)
همانطور که در تصویر زیر نشان داده شده است، فیلتر بر اساس نوع استفاده Host:
لیستی از انواع استفاده از هاست بلادرنگ در یک حساب کاربری را نشان می دهد.
می توانید انواع استفاده خاص را انتخاب کنید یا انتخاب کنید انتخاب همه و انتخاب کنید درخواست برای نمایش تفکیک هزینه استفاده از هاست بلادرنگ SageMaker. برای دیدن تفکیک هزینه و استفاده بر اساس ساعات نمونه، باید همه موارد را از حالت انتخاب خارج کنید REGION-Host:VolumeUsage.gp2
انواع استفاده قبل از اعمال فیلتر نوع استفاده. همچنین می توانید فیلترهای اضافی مانند شماره حساب، نوع نمونه EC2، برچسب تخصیص هزینه، منطقه و بیش. اسکرین شات زیر نمودارهای هزینه و استفاده را برای انواع استفاده از هاست انتخابی نشان می دهد.
علاوه بر این، میتوانید هزینههای مربوط به یک یا چند نمونه میزبانی را با استفاده از آن بررسی کنید نوع نمونه فیلتر اسکرین شات زیر تفکیک هزینه و استفاده را برای نمونه میزبانی ml.p2.xlarge نشان می دهد.
به طور مشابه، همانطور که در تصویر زیر نشان داده شده است، هزینه GB داده پردازش شده و پردازش شده را می توان با انتخاب انواع استفاده مرتبط به عنوان فیلتر اعمال شده نشان داد.
پس از اینکه با فیلترها و گروه بندی ها به نتایج دلخواه خود دست یافتید، می توانید نتایج خود را با انتخاب دانلود کنید دانلود به صورت CSV یا با انتخاب گزارش را ذخیره کنید ذخیره برای گزارش کتابخانه. برای راهنمایی کلی در مورد استفاده از Cost Explorer، مراجعه کنید ظاهر جدید AWS Cost Explorer و موارد استفاده رایج.
به صورت اختیاری، می توانید فعال کنید گزارش های هزینه و استفاده AWS (AWS CUR) برای به دست آوردن بینش در مورد هزینه و داده های استفاده برای حساب های خود. AWS CUR حاوی جزئیات مصرف ساعتی AWS است. در آن ذخیره شده است سرویس ذخیره سازی ساده آمازون (Amazon S3) در حساب پرداخت کننده، که داده ها را برای همه حساب های مرتبط ادغام می کند. شما می توانید برای تجزیه و تحلیل روند استفاده و اقدامات مناسب برای بهینه سازی هزینه، پرس و جوهایی را اجرا کنید. آمازون آتنا یک سرویس پرس و جو بدون سرور است که می توانید از آن برای تجزیه و تحلیل داده های AWS CUR در آمازون S3 با استفاده از SQL استاندارد استفاده کنید. اطلاعات بیشتر و نمونه پرس و جوها را می توان در ادامه مطلب یافت کتابخانه پرس و جو AWS CUR.
همچنین می توانید داده های AWS CUR را وارد کنید آمازون QuickSight، که در آن می توانید آن را به هر شکلی که می خواهید برای گزارش یا مصورسازی برش دهید و آن را برش دهید. برای دستورالعمل، نگاه کنید چگونه می توانم گزارش هزینه و استفاده AWS (CUR) را در QuickSight آمازون وارد و تجسم کنم.
میتوانید اطلاعات سطح منبع مانند نقطه پایانی ARN، انواع نمونههای نقطه پایانی، نرخ نمونه ساعتی، ساعات استفاده روزانه و موارد دیگر را از AWS CUR دریافت کنید. همچنین میتوانید تگهای تخصیص هزینه را برای سطح بیشتری از جزئیات در درخواست خود بگنجانید. پرس و جوی مثال زیر میزان مصرف منابع میزبانی را در 3 ماه گذشته برای حساب پرداخت کننده داده شده برمی گرداند:
تصویر زیر نتایج به دست آمده از اجرای پرس و جو با استفاده از Athena را نشان می دهد. برای اطلاعات بیشتر مراجعه کنید پرس و جو از گزارش های هزینه و استفاده با استفاده از آمازون آتنا.
نتیجه پرس و جو آن نقطه پایانی را نشان می دهد mme-xgboost-housing
با نمونه ml.x4.xlarge، 24 ساعت زمان اجرا را برای چندین روز متوالی گزارش می کند. نرخ نمونه 0.24 دلار در ساعت و هزینه روزانه برای دویدن به مدت 24 ساعت 5.76 دلار است.
نتایج AWS CUR میتواند به شما کمک کند الگوهای نقاط پایانی را که برای روزهای متوالی در هر یک از حسابهای مرتبط اجرا میشوند، و همچنین نقاط پایانی با بالاترین هزینه ماهانه را شناسایی کنید. این همچنین می تواند به شما کمک کند تصمیم بگیرید که آیا می توان نقاط پایانی در حساب های غیر تولیدی را برای صرفه جویی در هزینه حذف کرد یا خیر.
بهینه سازی هزینه ها برای نقاط پایانی بلادرنگ
از منظر مدیریت هزینه، شناسایی نمونههای کم استفاده (یا بزرگتر) و تطبیق اندازه و تعداد نمونهها، در صورت لزوم، با الزامات حجم کار مهم است. معیارهای رایج سیستم مانند استفاده از CPU/GPU و استفاده از حافظه روی آن نوشته شده است CloudWatch آمازون برای همه موارد میزبانی برای نقاط پایانی بلادرنگ، SageMaker چندین معیار دیگر را در CloudWatch در دسترس قرار میدهد. برخی از معیارهای رایج نظارت شده شامل تعداد فراخوان و خطاهای فراخوانی 4xx/5xx است. برای لیست کامل معیارها، مراجعه کنید Amazon SageMaker را با Amazon CloudWatch مانیتور کنید.
متریک CPUUtilization
مجموع استفاده از هر هسته CPU را ارائه می دهد. استفاده از CPU از هر محدوده هسته 0-100 است. به عنوان مثال، اگر چهار CPU وجود دارد، CPUUtilization
محدوده 0-400٪ است. متریک MemoryUtilization
درصد حافظه ای است که توسط کانتینرها در یک نمونه استفاده می شود. این محدوده مقدار 0-100٪ است. تصویر زیر نمونهای از معیارهای CloudWatch را نشان میدهد CPUUtilization
و MemoryUtilization
برای نمونه نقطه پایانی ml.m4.10xlarge که دارای 40 vCPU و 160 گیگابایت حافظه است.
این نمودارهای معیار حداکثر استفاده از CPU را تقریباً 3,000٪ نشان می دهد که معادل 30 vCPU است. این بدان معنی است که این نقطه پایانی از بیش از 30 vCPU از مجموع ظرفیت 40 vCPU استفاده نمی کند. به طور مشابه، استفاده از حافظه زیر 6٪ است. با استفاده از این اطلاعات، احتمالاً میتوانید نمونه کوچکتری را آزمایش کنید که بتواند این نیاز منبع را برآورده کند. علاوه بر این، CPUUtilization
متریک یک الگوی کلاسیک از تقاضای دورهای بالا و پایین CPU را نشان میدهد که این نقطه پایانی را کاندید خوبی برای مقیاس خودکار میکند. میتوانید با یک نمونه کوچکتر شروع کنید و با تغییر تقاضای محاسباتیتان، ابتدا آن را کاهش دهید. برای اطلاعات رجوع کنید مقیاس خودکار Amazon SageMaker Models.
SageMaker برای آزمایش مدل های جدید عالی است زیرا می توانید آنها را به راحتی در یک محیط تست A/B با استفاده از انواع تولید، و شما فقط برای آنچه استفاده می کنید پرداخت می کنید. هر نوع تولیدی بر روی نمونه محاسباتی خود اجرا میشود و به ازای هر نمونه-ساعتی که برای هر نمونه مصرف میشود در حالی که نوع در حال اجرا است، هزینه دریافت میکنید.
SageMaker نیز پشتیبانی می کند انواع سایه، که دارای اجزای مشابه یک نوع تولید هستند و بر روی نمونه محاسباتی خود اجرا می شوند. با انواع سایه، SageMaker به طور خودکار مدل را در یک محیط آزمایشی مستقر می کند، یک کپی از درخواست های استنتاج دریافت شده توسط مدل تولیدی را به مدل آزمایشی در زمان واقعی هدایت می کند، و معیارهای عملکرد مانند تأخیر و توان عملیاتی را جمع آوری می کند. این به شما امکان میدهد تا هر جزء نامزد جدید پشته سرویسدهی مدل خود را قبل از ارتقاء آن به تولید تأیید کنید.
وقتی آزمایشات خود را تمام کردید و دیگر از نقطه پایانی یا انواع مختلف استفاده نمی کنید، باید آن را حذف کنید تا در هزینه صرفه جویی کنید. از آنجایی که مدل در آمازون S3 ذخیره می شود، می توانید آن را در صورت نیاز دوباره ایجاد کنید. شما می توانید به طور خودکار این نقاط پایانی را شناسایی کنید و با استفاده از آن اقدامات اصلاحی (مانند حذف آنها) انجام دهید رویدادهای آمازون CloudWatch و AWS لامبدا کارکرد. برای مثال می توانید از Invocations
متریک برای دریافت تعداد کل درخواست های ارسال شده به یک نقطه پایانی مدل و سپس تشخیص اینکه آیا نقاط پایانی برای تعداد ساعات گذشته بیکار بوده اند (بدون فراخوانی در یک دوره معین، مانند 24 ساعت).
اگر چندین نمونه نقطه پایانی دارید که کمتر مورد استفاده قرار میگیرند، گزینههای میزبانی را در نظر بگیرید نقاط پایانی چند مدلی (MME) نقاط پایانی چند کانتینری (MCEs)، و خطوط لوله استنتاج سریالی برای ادغام استفاده به نمونه های نقطه پایانی کمتر.
برای استقرار مدل استنتاج بیدرنگ و ناهمزمان، میتوانید با استقرار مدلها در SageMaker، هزینه و عملکرد را بهینه کنید. AWS Graviton. AWS Graviton خانواده ای از پردازنده های طراحی شده توسط AWS است که بهترین عملکرد قیمتی را ارائه می دهد و نسبت به همتایان x86 خود از مصرف انرژی بیشتری برخوردار است. برای راهنمایی در مورد استقرار یک مدل ML در نمونه های مبتنی بر AWS Graviton و جزئیات در مورد مزیت عملکرد قیمت، به بارهای کاری استنتاج یادگیری ماشین را روی نمونه های مبتنی بر AWS Graviton با Amazon SageMaker اجرا کنید. SageMaker نیز پشتیبانی می کند استنتاج AWS شتاب دهنده ها از طریق ml.inf2 خانواده نمونه هایی برای استقرار مدل های ML برای استنتاج بلادرنگ و ناهمزمان. میتوانید از این نمونهها در SageMaker برای دستیابی به عملکرد بالا با هزینه کم برای مدلهای هوش مصنوعی (AI)، از جمله مدلهای زبان بزرگ (LLM) و ترانسفورماتورهای بینایی استفاده کنید.
علاوه بر این، می توانید استفاده کنید توصیه کننده استنباط آمازون SageMaker برای اجرای تست های بار و ارزیابی مزایای عملکرد قیمت ناشی از استقرار مدل خود در این نمونه ها. برای راهنمایی بیشتر در مورد شناسایی خودکار نقاط پایانی SageMaker غیرفعال، و همچنین به عنوان مثال اندازه راست و مقیاس خودکار برای نقاط پایانی SageMaker، به از منابع محاسباتی کارآمد در Amazon SageMaker اطمینان حاصل کنید.
تبدیل دسته ای SageMaker
استنتاج دسته ای، یا استنتاج آفلاین، فرآیند ایجاد پیش بینی در دسته ای از مشاهدات است. پیشبینیهای آفلاین برای مجموعه دادههای بزرگتر و در مواردی که میتوانید چند دقیقه یا چند ساعت برای پاسخ صبر کنید، مناسب هستند.
هزینه تبدیل دسته ای SageMaker بر اساس هر نمونه-ساعت مصرف شده برای هر نمونه در حین اجرا شدن کار تبدیل دسته ای است، همانطور که در شرح داده شده است. قیمت گذاری آمازون SageMaker. در Cost Explorer، میتوانید با اعمال فیلتر بر روی نوع استفاده، هزینههای تبدیل دستهای را بررسی کنید. نام این نوع استفاده به صورت ساختاری است REGION-Tsform:instanceType
(مثلا، USE1-Tsform:ml.c5.9xlarge
).
همانطور که در تصویر زیر نشان داده شده است، فیلتر بر اساس نوع استفاده Tsform:
لیستی از انواع استفاده از تبدیل دسته ای SageMaker را در یک حساب نشان می دهد.
می توانید انواع استفاده خاص را انتخاب کنید یا انتخاب کنید انتخاب همه و انتخاب کنید درخواست برای نمایش تفکیک هزینه استفاده از نمونه تبدیل دسته ای برای انواع انتخاب شده. همانطور که قبلا ذکر شد، می توانید فیلترهای اضافی را نیز اعمال کنید. تصویر زیر نمودارهای هزینه و استفاده را برای انواع استفاده از تبدیل دسته ای انتخاب شده نشان می دهد.
بهینه سازی هزینه ها برای تبدیل دسته ای
تبدیل دستهای SageMaker فقط برای نمونههایی که در حین اجرای کارهایتان استفاده میشوند از شما هزینه دریافت میکند. اگر دادههای شما قبلاً در آمازون S3 هستند، پس هیچ هزینهای برای خواندن دادههای ورودی از Amazon S3 و نوشتن دادههای خروجی در Amazon S3 وجود ندارد. تمام اشیاء خروجی سعی می شود در آمازون S3 آپلود شوند. اگر همه موفقیت آمیز باشند، کار تبدیل دسته ای به عنوان کامل علامت گذاری می شود. اگر یک یا چند شی از کار بیفتد، کار تبدیل دسته ای به عنوان ناموفق علامت گذاری می شود.
هزینه برای کارهای تبدیل دسته ای در سناریوهای زیر اعمال می شود:
- کار موفق است
- شکست به دلیل
ClientError
و ظرف مدل SageMaker یا است یک چارچوب مدیریت شده SageMaker - شکست به دلیل
AlgorithmError
orClientError
و ظرف مدل، ظرف سفارشی شماست (BYOC)
در زیر برخی از بهترین روشها برای بهینهسازی کار تبدیل دستهای SageMaker آمده است. این توصیهها میتوانند کل زمان اجرای کار تبدیل دستهای شما را کاهش دهند و در نتیجه هزینهها را کاهش دهند:
- تنظیم استراتژی دسته ای به
MultiRecord
وSplitType
بهLine
اگر برای ساختن دسته های کوچک از فایل ورودی به کار تبدیل دسته ای نیاز دارید. اگر نمی تواند به طور خودکار مجموعه داده را به دسته های کوچک تقسیم کند، می توانید با قرار دادن هر دسته در یک فایل ورودی جداگانه که در سطل منبع داده S3 قرار می گیرد، آن را به دسته های کوچک تقسیم کنید. - اطمینان حاصل کنید که اندازه دسته با حافظه متناسب است. SageMaker معمولاً این کار را به طور خودکار انجام می دهد. با این حال، هنگام تقسیم دسته ها به صورت دستی، این باید بر اساس حافظه تنظیم شود.
- تبدیل دسته ای اشیاء S3 در ورودی را با کلید پارتیشن بندی می کند و آن اشیاء را به نمونه ها نگاشت می کند. وقتی چندین فایل دارید، یک نمونه ممکن است پردازش کند
input1.csv
و ممکن است نمونه دیگری پردازش شودinput2.csv
. اگر یک فایل ورودی دارید اما چندین نمونه محاسباتی را مقداردهی اولیه می کنید، فقط یک نمونه فایل ورودی را پردازش می کند و بقیه نمونه ها بیکار هستند. مطمئن شوید که تعداد فایل ها برابر یا بیشتر از تعداد نمونه ها باشد. - اگر تعداد زیادی فایل کوچک دارید، ممکن است برای کاهش زمان تعامل آمازون S3، ترکیب چندین فایل در تعداد کمی فایل بزرگتر مفید باشد.
- اگر از CreateTransformJob API، شما می توانید با استفاده از مقادیر بهینه برای پارامترهایی مانند زمان انجام کارهای تبدیل دسته ای را کاهش دهید. MaxPayloadInMB, MaxConcurrent Transforms، یا استراتژی دسته ای:
MaxConcurrentTransforms
نشان دهنده حداکثر تعداد درخواست های موازی است که می توان برای هر نمونه در یک کار تبدیل ارسال کرد. ارزش ایده آل برایMaxConcurrentTransforms
برابر با تعداد هسته های vCPU در یک نمونه است.MaxPayloadInMB
حداکثر اندازه مجاز محموله، در مگابایت است. ارزش درMaxPayloadInMB
باید بزرگتر یا مساوی با اندازه یک رکورد باشد. برای تخمین اندازه یک رکورد در مگابایت، اندازه مجموعه داده خود را بر تعداد رکوردها تقسیم کنید. برای اطمینان از اینکه رکوردها در حداکثر اندازه محموله قرار می گیرند، توصیه می کنیم از مقدار کمی بزرگتر استفاده کنید. مقدار پیش فرض 6 مگابایت است.MaxPayloadInMB
نباید بیشتر از 100 مگابایت باشد. اگر اختیاری را مشخص کنیدMaxConcurrentTransforms
پارامتر، سپس مقدار (MaxConcurrentTransforms
*MaxPayloadInMB
) همچنین نباید از 100 مگابایت تجاوز کند.- برای مواردی که محموله ممکن است خودسرانه بزرگ باشد و با استفاده از رمزگذاری تکهای HTTP ارسال شود، مقدار MaxPayloadInMB را روی 0 تنظیم کنید. این ویژگی فقط در الگوریتمهای پشتیبانیشده کار میکند. در حال حاضر، الگوریتمهای داخلی SageMaker از کدگذاری تکهای HTTP پشتیبانی نمیکنند.
- کارهای استنتاج دسته ای معمولاً کاندیدهای خوبی برای مقیاس افقی هستند. هر کارگر درون یک خوشه میتواند روی زیرمجموعههای متفاوتی از دادهها بدون نیاز به تبادل اطلاعات با سایر کارگران کار کند. AWS چندین گزینه ذخیره سازی و محاسبه را ارائه می دهد که مقیاس افقی را فعال می کند. اگر یک نمونه برای برآورده کردن الزامات عملکرد شما کافی نیست، استفاده از چندین نمونه را به صورت موازی برای توزیع حجم کاری در نظر بگیرید. برای ملاحظات کلیدی هنگام معماری کارهای تبدیل دسته ای، به استنتاج دسته ای در مقیاس با Amazon SageMaker.
- با استفاده از CloudWatch، به طور مداوم معیارهای عملکرد مشاغل تبدیل دسته ای SageMaker خود را نظارت کنید. به دنبال تنگناها مانند استفاده زیاد از CPU یا GPU، استفاده از حافظه یا توان عملیاتی شبکه باشید تا مشخص کنید که آیا نیاز به تنظیم اندازه یا پیکربندی نمونه دارید یا خیر.
- SageMaker از آمازون S3 استفاده می کند API آپلود چند قسمتی برای آپلود نتایج از یک کار تبدیل دسته ای در آمازون S3. اگر خطایی رخ دهد، نتایج آپلود شده از Amazon S3 حذف می شود. در برخی موارد، مانند زمانی که قطعی شبکه رخ می دهد، ممکن است یک آپلود چند قسمتی ناقص در آمازون S3 باقی بماند. برای جلوگیری از تحمیل هزینههای ذخیرهسازی، توصیه میکنیم آن را اضافه کنید سیاست سطل S3 به قوانین چرخه عمر سطل S3. این خطمشی بارگذاریهای چند قسمتی ناقص را که ممکن است در سطل S3 ذخیره شده باشند، حذف میکند. برای اطلاعات بیشتر ببین مدیریت چرخه عمر ذخیره سازی شما.
استنتاج ناهمزمان SageMaker
استنتاج ناهمزمان یک انتخاب عالی برای بارهای کاری حساس به هزینه با بار زیاد و ترافیک انفجاری است. پردازش درخواستها میتواند تا ۱ ساعت طول بکشد و حجم محمولههای آن تا ۱ گیگابایت است، بنابراین برای حجمهای کاری که نیاز به تأخیر کمتری دارند، مناسبتر است.
فراخوانی نقاط پایانی ناهمزمان با نقاط پایانی بلادرنگ متفاوت است. به جای ارسال پیلود درخواستی همزمان با درخواست، بارگذاری بار را در آمازون S3 آپلود می کنید و یک URI S3 را به عنوان بخشی از درخواست ارسال می کنید. در داخل، SageMaker با این درخواست ها یک صف نگه می دارد و آنها را پردازش می کند. در طول ایجاد نقطه پایانی، می توانید به صورت اختیاری یک را مشخص کنید سرویس اطلاع رسانی ساده آمازون موضوع (Amazon SNS) برای دریافت اعلان های موفقیت یا خطا. هنگامی که اعلان دریافت کردید که درخواست استنتاج شما با موفقیت پردازش شده است، می توانید به نتیجه در محل خروجی Amazon S3 دسترسی داشته باشید.
هزینه استنتاج ناهمزمان بر اساس هر نمونه-ساعت مصرف شده برای هر نمونه در حین اجرای نقطه پایانی، هزینه گیگابایت-ماه ذخیره سازی تدارک دیده شده، و همچنین گیگابایت داده پردازش شده در داخل و خارج از نمونه نقطه پایانی است، همانطور که در شرح داده شده است. قیمت گذاری آمازون SageMaker. در Cost Explorer، میتوانید هزینههای استنتاج ناهمزمان را با اعمال فیلتر بر روی نوع استفاده فیلتر کنید. نام این نوع استفاده به صورت ساختاری است REGION-AsyncInf:instanceType
(مثلا، USE1-AsyncInf:ml.c5.9xlarge
). توجه داشته باشید که حجم گیگابایت و انواع استفاده از داده پردازش شده گیگابایت مانند نقاط پایانی بلادرنگ هستند، همانطور که قبلاً در این پست ذکر شد.
همانطور که در تصویر زیر نشان داده شده است، فیلتر بر اساس نوع استفاده AsyncInf:
در Cost Explorer تفکیک هزینه بر اساس انواع استفاده از نقطه پایانی ناهمزمان را نشان می دهد.
برای دیدن تفکیک هزینه و استفاده بر اساس ساعات نمونه، باید همه موارد را از حالت انتخاب خارج کنید REGION-Host:VolumeUsage.gp2
انواع استفاده قبل از اعمال فیلتر نوع استفاده. همچنین می توانید فیلترهای اضافی را اعمال کنید. اطلاعات سطح منبع مانند نقطه پایانی ARN، انواع نمونه های نقطه پایانی، نرخ نمونه ساعتی و ساعات استفاده روزانه را می توان از AWS CUR به دست آورد. در زیر نمونه ای از پرس و جوی AWS CUR برای به دست آوردن استفاده از منابع میزبانی ناهمزمان برای 3 ماه گذشته است:
اسکرین شات زیر نتایج به دست آمده از اجرای کوئری AWS CUR با استفاده از Athena را نشان می دهد.
نتیجه پرس و جو آن نقطه پایانی را نشان می دهد sagemaker-abc-model-5
با نمونه ml.m5.xlarge، 24 ساعت زمان اجرا را برای چندین روز متوالی گزارش می کند. نرخ نمونه 0.23 دلار در ساعت و هزینه روزانه برای دویدن به مدت 24 ساعت 5.52 دلار است.
همانطور که قبلا ذکر شد، نتایج AWS CUR میتواند به شما کمک کند الگوهای نقاط پایانی را که برای روزهای متوالی اجرا میشوند، و همچنین نقاط پایانی با بالاترین هزینه ماهانه را شناسایی کنید. این همچنین می تواند به شما کمک کند تصمیم بگیرید که آیا می توان نقاط پایانی در حساب های غیر تولیدی را برای صرفه جویی در هزینه حذف کرد یا خیر.
بهینه سازی هزینه ها برای استنتاج ناهمزمان
درست مانند نقاط پایانی بلادرنگ، هزینه برای نقاط پایانی ناهمزمان بر اساس نوع استفاده از نمونه است. بنابراین، شناسایی موارد کم استفاده و تغییر اندازه آنها بر اساس نیازهای حجم کاری بسیار مهم است. به منظور نظارت بر نقاط پایانی ناهمزمان، SageMaker می سازد چندین معیار مانند ApproximateBacklogSize
, HasBacklogWithoutCapacity
و موارد دیگر در CloudWatch موجود است. این معیارها میتوانند برای نمونه درخواستها را در صف نشان دهند و میتوانند برای مقیاسبندی خودکار یک نقطه پایانی استفاده شوند. استنتاج ناهمزمان SageMaker همچنین شامل معیارهای سطح میزبان است. برای اطلاعات در مورد معیارهای سطح میزبان، نگاه کنید SageMaker Jobs و Endpoint Metrics. این معیارها می توانند استفاده از منابع را نشان دهند که می تواند به شما در اندازه مناسب نمونه کمک کند.
SageMaker پشتیبانی می کند مقیاس بندی خودکار برای نقاط انتهایی ناهمزمان برخلاف نقاط پایانی میزبان بیدرنگ، نقاط پایانی استنتاج ناهمزمان از کوچکسازی نمونهها به صفر با تنظیم حداقل ظرفیت روی صفر پشتیبانی میکنند. برای نقاط پایانی ناهمزمان، SageMaker قویاً توصیه میکند که یک پیکربندی خط مشی برای مقیاسبندی ردیابی هدف برای یک مدل مستقر (نوع) ایجاد کنید. شما باید خط مشی مقیاس بندی را که روی آن مقیاس بندی شده است، تعریف کنید ApproximateBacklogPerInstance
متریک سفارشی و تنظیم کنید MinCapacity
مقدار به صفر
استنتاج ناهمزمان به شما امکان میدهد تا زمانی که هیچ درخواستی برای پردازش وجود ندارد، با تنظیم خودکار تعداد نمونهها تا صفر در هزینهها صرفهجویی کنید، بنابراین فقط زمانی پرداخت میکنید که نقطه پایانی شما در حال پردازش درخواستها باشد. درخواستهایی که در صورت وجود صفر دریافت میشوند، پس از افزایش مقیاس نقطه پایانی، در صف پردازش قرار میگیرند. بنابراین، برای موارد استفاده که میتوانند جریمه شروع سرد چند دقیقه را تحمل کنند، میتوانید بهصورت اختیاری تعداد نمونههای نقطه پایانی را در زمانی که هیچ درخواستی وجود ندارد، به صفر کاهش دهید و با رسیدن درخواستهای جدید، نسخه پشتیبان را افزایش دهید. زمان شروع سرد به زمان مورد نیاز برای راه اندازی یک نقطه پایانی جدید از ابتدا بستگی دارد. همچنین، اگر خود مدل بزرگ باشد، زمان می تواند طولانی تر باشد. اگر انتظار می رود کار شما بیش از زمان پردازش 1 ساعته طول بکشد، ممکن است بخواهید تغییر دسته ای SageMaker را در نظر بگیرید.
علاوه بر این، ممکن است برای انتخاب نوع نمونه، زمان صف درخواست خود را همراه با زمان پردازش در نظر بگیرید. به عنوان مثال، اگر مورد استفاده شما می تواند ساعت ها زمان انتظار را تحمل کند، می توانید نمونه کوچکتری را برای صرفه جویی در هزینه انتخاب کنید.
برای راهنمایی بیشتر در مورد اندازه درست نمونه و مقیاس خودکار برای نقاط انتهایی SageMaker، به از منابع محاسباتی کارآمد در Amazon SageMaker اطمینان حاصل کنید.
استنتاج بدون سرور
استنتاج بدون سرور به شما امکان می دهد تا مدل های ML را برای استنتاج بدون نیاز به پیکربندی یا مدیریت زیرساخت زیربنایی مستقر کنید. بر اساس حجم درخواستهای استنتاجی که مدل شما دریافت میکند، استنتاج بدون سرور SageMaker بهطور خودکار ظرفیت محاسباتی را ارائه، مقیاسبندی و خاموش میکند. در نتیجه، شما فقط برای زمان محاسبه برای اجرای کد استنتاج و مقدار داده های پردازش شده پرداخت می کنید، نه برای زمان بیکاری. برای نقاط پایانی بدون سرور، تهیه نمونه ضروری نیست. شما باید ارائه دهید اندازه حافظه و حداکثر همزمانی. از آنجایی که نقاط پایانی بدون سرور منابع را برحسب تقاضا محاسبه میکنند، نقطه پایانی شما ممکن است چند ثانیه تأخیر اضافی (شروع سرد) برای اولین فراخوانی پس از یک دوره بیکاری تجربه کند. شما برای ظرفیت محاسباتی مورد استفاده برای پردازش درخواستهای استنتاج، صورتحساب میلیثانیه، گیگابایت-ماه فضای ذخیرهسازی تدارکاتی، و مقدار دادههای پردازششده پرداخت میکنید. هزینه محاسبه به پیکربندی حافظه ای که انتخاب می کنید بستگی دارد.
در Cost Explorer، میتوانید با اعمال فیلتر بر روی نوع استفاده، هزینههای نقاط پایانی بدون سرور را فیلتر کنید. نام این نوع استفاده به صورت ساختاری است REGION-ServerlessInf:Mem-MemorySize
(مثلا، USE2-ServerlessInf:Mem-4GB
). توجه داشته باشید که حجم گیگابایت و انواع استفاده از داده پردازش شده گیگابایت مانند نقاط پایانی بلادرنگ هستند.
می توانید با اعمال فیلترهای اضافی مانند شماره حساب، نوع نمونه، منطقه و موارد دیگر، تفکیک هزینه را مشاهده کنید. اسکرین شات زیر تقسیم هزینه را با اعمال فیلترهایی برای نوع استفاده از استنتاج بدون سرور نشان می دهد.
بهینه سازی هزینه برای استنتاج بدون سرور
هنگام پیکربندی نقطه پایانی بدون سرور، میتوانید اندازه حافظه و حداکثر تعداد فراخوانهای همزمان را مشخص کنید. استنتاج بدون سرور SageMaker منابع محاسباتی را متناسب با حافظه ای که انتخاب می کنید به صورت خودکار اختصاص می دهد. اگر اندازه حافظه بزرگتری انتخاب کنید، ظرف شما به vCPU های بیشتری دسترسی دارد. با استنتاج بدون سرور، شما فقط برای ظرفیت محاسباتی مورد استفاده برای پردازش درخواستهای استنتاج، صورتحساب میلیثانیه و مقدار دادههای پردازش شده پرداخت میکنید. هزینه محاسبه به پیکربندی حافظه ای که انتخاب می کنید بستگی دارد. اندازه های حافظه ای که می توانید انتخاب کنید 1024 مگابایت، 2048 مگابایت، 3072 مگابایت، 4096 مگابایت، 5120 مگابایت و 6144 مگابایت است. همانطور که در توضیح داده شد، با افزایش اندازه حافظه، قیمت گذاری افزایش می یابد قیمت گذاری آمازون SageMaker، بنابراین مهم است که اندازه حافظه صحیح را انتخاب کنید. به عنوان یک قاعده کلی، اندازه حافظه باید حداقل به اندازه اندازه مدل شما باشد. با این حال، استفاده از حافظه هنگام تصمیم گیری در مورد اندازه حافظه نقطه پایانی، علاوه بر اندازه خود مدل، تمرین خوبی است.
بهترین شیوه های عمومی برای بهینه سازی هزینه های استنتاج SageMaker
بهینهسازی هزینههای میزبانی رویدادی یکباره نیست. این یک فرآیند مستمر نظارت بر زیرساختهای مستقر، الگوهای استفاده و عملکرد است، و همچنین مراقب راهحلهای نوآورانه جدیدی است که AWS منتشر میکند و میتواند بر هزینهها تأثیر بگذارد. بهترین شیوه های زیر را در نظر بگیرید:
- یک نوع نمونه مناسب را انتخاب کنید - SageMaker از چندین نوع نمونه پشتیبانی می کند که هر کدام با ترکیب های متفاوتی از CPU، GPU، حافظه و ظرفیت های ذخیره سازی. بر اساس نیازهای منابع مدل خود، نوع نمونه ای را انتخاب کنید که منابع لازم را بدون تامین بیش از حد فراهم کند. برای اطلاعات در مورد انواع نمونه SageMaker موجود، مشخصات آنها، و راهنمایی در مورد انتخاب نمونه مناسب، به از منابع محاسباتی کارآمد در Amazon SageMaker اطمینان حاصل کنید.
- با استفاده از حالت محلی تست کنید - به منظور تشخیص خرابی ها و رفع اشکال سریعتر، توصیه می شود کد و ظرف (در صورت BYOC) را در حالت محلی قبل از اجرای بار کاری استنتاج در نمونه راه دور SageMaker. حالت محلی یک راه عالی برای آزمایش اسکریپت های شما قبل از اجرای آنها در یک محیط میزبانی مدیریت شده SageMaker است.
- مدل ها را بهینه کنید تا کارایی بیشتری داشته باشند – مدلهای بهینهنشده میتوانند به زمانهای اجرا طولانیتر و استفاده از منابع بیشتر منجر شوند. می توانید انتخاب کنید که از نمونه های بیشتر یا بزرگتر برای بهبود عملکرد استفاده کنید. با این حال، این منجر به هزینه های بالاتر می شود. با بهینه سازی مدل های خود برای عملکرد بیشتر، ممکن است بتوانید با استفاده از نمونه های کمتر یا کوچکتر هزینه ها را کاهش دهید و در عین حال ویژگی های عملکردی یکسان یا بهتر را حفظ کنید. شما می توانید استفاده کنید Amazon SageMaker Neo با استنباط SageMaker برای بهینه سازی خودکار مدل ها. برای جزئیات بیشتر و نمونه ها به ادامه مطلب مراجعه کنید عملکرد مدل را با استفاده از Neo بهینه کنید.
- از برچسب ها و ابزارهای مدیریت هزینه استفاده کنید - برای حفظ دید در بارهای کاری استنتاج خود، توصیه می شود از برچسب ها و همچنین ابزارهای مدیریت هزینه AWS مانند بودجه های AWSاز کنسول صورتحساب AWSو ویژگی پیشبینی Cost Explorer. همچنین می توانید برنامه های پس انداز SageMaker را به عنوان یک مدل قیمت گذاری انعطاف پذیر بررسی کنید. برای اطلاعات بیشتر در مورد این گزینه ها به ادامه مطلب مراجعه کنید قسمت 1 از این سری
نتیجه
در این پست، ما راهنمایی هایی در مورد تجزیه و تحلیل هزینه و بهترین روش ها هنگام استفاده از گزینه های استنتاج SageMaker ارائه کردیم. از آنجایی که یادگیری ماشین خود را به عنوان یک ابزار قدرتمند در سراسر صنایع تثبیت می کند، آموزش و اجرای مدل های ML باید مقرون به صرفه بماند. SageMaker مجموعه ای از ویژگی های گسترده و عمیق را برای تسهیل هر مرحله در خط لوله ML ارائه می دهد و فرصت های بهینه سازی هزینه را بدون تأثیر بر عملکرد یا چابکی فراهم می کند. برای راهنمایی هزینه در مورد حجم کاری SageMaker با تیم AWS خود تماس بگیرید.
درباره نویسنده
دیپلی راجال یک متخصص ارشد AI/ML در AWS است. او با مشتریان سازمانی کار می کند و راهنمایی های فنی با بهترین شیوه ها برای استقرار و حفظ راه حل های AI/ML در اکوسیستم AWS ارائه می کند. او با طیف وسیعی از سازمانها در موارد مختلف استفاده از یادگیری عمیق شامل NLP و بینایی کامپیوتری کار کرده است. او علاقه زیادی به توانمندسازی سازمانها برای استفاده از هوش مصنوعی مولد برای افزایش تجربه استفاده از آنها دارد. او در اوقات فراغت خود از فیلم، موسیقی و ادبیات لذت می برد.
اوری روزنبرگ مدیر فنی متخصص AI و ML برای اروپا، خاورمیانه و آفریقا است. Uri در خارج از اسرائیل کار می کند تا مشتریان سازمانی را در همه چیزهای ML برای طراحی، ساخت و کار در مقیاس توانمند کند. او در اوقات فراغت خود از دوچرخه سواری، پیاده روی و صخره نوردی لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- خرید و فروش سهام در شرکت های PRE-IPO با PREIPO®. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/part-5-analyze-amazon-sagemaker-spend-and-determine-cost-optimization-opportunities-based-on-usage-part-5-hosting/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 000
- 1
- 100
- 2021
- 24
- 30
- 40
- 500
- 7
- 8
- a
- قادر
- درباره ما
- شتاب دهنده ها
- دسترسی
- حساب
- حساب ها
- رسیدن
- دست
- در میان
- عمل
- اقدامات
- اضافه کردن
- اضافه
- اضافی
- افریقا
- پس از
- AI
- AI / ML
- الگوریتم
- معرفی
- تخصیص
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- آمازون EC2
- آمازون SageMaker
- آمازون خدمات وب
- مقدار
- an
- تحلیل
- تحلیل
- و
- دیگر
- هر
- دیگر
- API
- اعمال می شود
- درخواست
- با استفاده از
- مناسب
- تقریبا
- هستند
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- AS
- مرتبط است
- At
- ضمیمه کردن
- تلاش
- خودکار
- بطور خودکار
- در دسترس
- اجتناب از
- AWS
- به عقب
- مستقر
- BE
- زیرا
- بوده
- قبل از
- در زیر
- مفید
- سود
- مزایای
- بهترین
- بهترین شیوه
- بهتر
- بزرگ
- بزرگتر
- صدور صورت حساب
- مسدود کردن
- تفکیک
- به ارمغان بیاورد
- ساختن
- ساخته شده در
- اما
- by
- CAN
- نامزد
- نامزد
- ظرفیت ها
- ظرفیت
- مورد
- موارد
- معین
- تبادل
- مشخصات
- بار
- متهم
- بار
- انتخاب
- را انتخاب کنید
- انتخاب
- کلاسیک
- بالا رونده
- خوشه
- رمز
- سرد
- ترکیب
- ترکیب
- ترکیب شده
- بیا
- می آید
- مشترک
- عموما
- کامل
- جزء
- اجزاء
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- رقیب
- پیکر بندی
- متوالی
- در نظر بگیرید
- ملاحظات
- محکم کردن
- ادغام می کند
- مصرف
- مصرف
- ظرف
- ظروف
- شامل
- مداوم
- هسته
- اصلاح
- هزینه
- مدیریت هزینه
- مقرون به صرفه
- هزینه
- میتوانست
- ایجاد
- ایجاد
- در حال حاضر
- سفارشی
- مشتریان
- روزانه
- داده ها
- مجموعه داده ها
- روز
- تصمیم گیری
- تصمیم گیری
- عمیق
- یادگیری عمیق
- به طور پیش فرض
- تقاضا
- بستگی دارد
- گسترش
- مستقر
- استقرار
- گسترش
- مستقر می کند
- طرح
- طراحی
- مطلوب
- جزئیات
- جزئیات
- مشخص کردن
- مختلف
- بحث و تبادل نظر
- نمایش دادن
- صفحه نمایش
- توزیع کردن
- do
- نمی کند
- انجام شده
- آیا
- دو برابر
- پایین
- دانلود
- دو
- در طی
- هر
- پیش از آن
- به آسانی
- شرق
- اکوسیستم
- موثر
- هر دو
- قدرت دادن
- توانمندسازی
- قادر ساختن
- را قادر می سازد
- نقطه پایانی
- انرژی
- بالا بردن
- اطمینان حاصل شود
- سرمایه گذاری
- محیط
- محیط
- برابر
- معادل
- خطا
- خطاهای
- ایجاد می کند
- تخمین زدن
- اروپا
- ارزیابی
- واقعه
- مثال
- تجاوز
- تبادل
- انتظار می رود
- تجربه
- تجربه
- توضیح داده شده
- اکتشاف
- جستجوگر
- گسترده
- اضافی
- چشم
- تسهیل کننده
- FAIL
- ناموفق
- خانواده
- سریعتر
- ویژگی
- کمی از
- کمتر
- پرونده
- فایل ها
- فیلتر
- فیلتر
- فیلترها برای تصفیه آب
- نام خانوادگی
- مناسب
- قابل انعطاف
- تمرکز
- پیروی
- به دنبال آن است
- برای
- یافت
- چهار
- از جانب
- کامل
- توابع
- بعلاوه
- افزایش
- سوالات عمومی
- مولد
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- داده
- خوب
- GPU
- نمودار ها
- بزرگ
- بیشتر
- گروه
- راهنمایی
- دستگیره
- آیا
- داشتن
- he
- کمک
- کمک کرد
- او
- زیاد
- بالاتر
- بالاترین
- خود را
- افقی
- میزبانی
- میزبانی وب
- هزینه های میزبانی
- میزبان
- ساعت
- ساعت ها
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- صدها نفر
- i
- دلخواه
- شناسایی
- آرام
- if
- تأثیر
- تأثیرگذاری
- مهم
- بهبود
- in
- شامل
- شامل
- از جمله
- افزایش
- نشان می دهد
- فرد
- لوازم
- اطلاعات
- شالوده
- ابتکاری
- ورودی
- بینش
- نمونه
- دستورالعمل
- اطلاعات
- اثر متقابل
- داخلی
- به
- معرفی
- شامل
- اسرائيل
- IT
- ITS
- خود
- کار
- شغل ها
- JPG
- مشتاق
- نگهداری
- کلید
- زبان
- بزرگ
- بزرگتر
- نام
- تاخیر
- راه اندازی
- راه اندازی
- رهبری
- منجر می شود
- آموخته
- یادگیری
- کمترین
- درس
- درس های آموخته شده
- سطح
- قدرت نفوذ
- wifecycwe
- پسندیدن
- لاین
- مرتبط
- فهرست
- ادبیات
- بار
- محلی
- محل
- طولانی
- دیگر
- نگاه کنيد
- کم
- کاهش
- پایین آوردن
- دستگاه
- فراگیری ماشین
- حفظ
- حفظ
- حفظ
- ساخت
- باعث می شود
- مدیریت
- اداره می شود
- مدیریت
- ابزارهای مدیریت
- مدیر
- دستی
- نقشه ها
- علامت گذاری شده
- مسابقه
- بیشترین
- ممکن است..
- به معنی
- دیدار
- حافظه
- ذکر شده
- متری
- متریک
- متوسط
- خاورمیانه
- قدرت
- حد اقل
- دقیقه
- ML
- حالت
- مدل
- مدل
- مانیتور
- نظارت
- نظارت بر
- ماه
- ماهیانه
- ماه
- بیش
- فیلم ها
- نقطه پایانی چند مدل
- چندگانه
- موسیقی
- باید
- نام
- نام
- لازم
- نیاز
- ضروری
- نیازهای
- شبکه
- قطعی شبکه
- جدید
- nlp
- نه
- اخطار
- اطلاعیه ها
- عدد
- اشیاء
- گرفتن
- به دست آمده
- of
- خاموش
- پیشنهادات
- آنلاین نیست.
- on
- ONE
- آنلاین
- فقط
- کار
- فرصت ها
- بهینه
- بهینه سازی
- بهینه سازی
- بهینه سازی
- گزینه
- گزینه
- or
- سفارش
- سازمان های
- دیگر
- خارج
- قطع شدن
- مشخص شده
- تولید
- برجسته
- روی
- خود
- موازی
- پارامتر
- پارامترهای
- بخش
- عبور
- عبور
- احساساتی
- گذشته
- الگو
- الگوهای
- پرداخت
- درصد
- کارایی
- دوره
- متناوب
- چشم انداز
- انتخاب کنید
- خط لوله
- برنامه
- برنامه
- افلاطون
- هوش داده افلاطون
- PlatoData
- سیاست
- احتمالا
- پست
- پست ها
- قوی
- تمرین
- شیوه های
- پیش بینی
- قیمت
- قیمت گذاری
- مدل قیمت گذاری
- بلادرنگ
- روند
- فرآوری شده
- فرآیندهای
- در حال پردازش
- پردازنده ها
- تولید
- ترویج
- ارائه
- ارائه
- فراهم می کند
- ارائه
- تدارک
- اهداف
- قرار دادن
- نمایش ها
- محدوده
- نرخ
- نسبتا
- رسیدن به
- مطالعه
- واقعی
- زمان واقعی
- گرفتن
- اخذ شده
- دریافت
- توصیه
- توصیه
- توصیه می شود
- توصیه می کند
- رکورد
- سوابق
- كاهش دادن
- منطقه
- منتشر شده
- ماندن
- دور
- حذف شده
- گزارش
- گزارش
- گزارش ها
- درخواست
- درخواست
- ضروری
- مورد نیاز
- منابع
- منابع
- پاسخ
- REST
- نتیجه
- نتایج
- بازده
- راست
- سنگ
- نورد
- مسیرها
- قانون
- قوانین
- دویدن
- در حال اجرا
- حکیم ساز
- استنباط SageMaker
- همان
- ذخیره
- پس انداز
- مقیاس
- مقیاس ها
- مقیاس گذاری
- سناریوها
- برنامه ریزی
- خراش
- اسکریپت
- ثانیه
- بخش
- دیدن
- انتخاب شد
- انتخاب
- ارشد
- فرستاده
- جداگانه
- سلسله
- بدون سرور
- سرویس
- خدمات
- خدمت
- تنظیم
- محیط
- چند
- سایه
- اشتراک گذاری
- او
- باید
- نشان
- نشان داد
- نشان داده شده
- نشان می دهد
- به طور مشابه
- ساده
- پس از
- تنها
- اندازه
- اندازه
- تکه
- کوچک
- کوچکتر
- So
- مزایا
- برخی از
- منبع
- متخصص
- خاص
- مشخصات
- خرج کردن
- انشعاب
- پشته
- استاندارد
- شروع
- آغاز شده
- گام
- ذخیره سازی
- ذخیره شده
- به شدت
- ساخت یافته
- موفقیت
- موفق
- موفقیت
- چنین
- کافی
- مناسب
- پشتیبانی
- حمایت فعال
- پشتیبانی
- پشتیبانی از
- سیستم
- TAG
- گرفتن
- طول می کشد
- وظایف
- تیم
- فنی
- آزمون
- تست
- تست
- نسبت به
- که
- La
- شان
- آنها
- سپس
- آنجا.
- در نتیجه
- از این رو
- اینها
- اشیاء
- این
- کسانی که
- از طریق
- توان
- زمان
- بار
- به
- ابزار
- ابزار
- موضوع
- جمع
- ترافیک
- آموزش
- دگرگون کردن
- ترانسفورماتور
- روند
- درست
- تبدیل
- نوع
- انواع
- اساسی
- بر خلاف
- غیرقابل پیش بینی
- آپلود شده
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- استفاده
- با استفاده از
- معمولا
- با استفاده از
- تصدیق
- ارزش
- ارزشها
- نوع دیگر
- مختلف
- چشم انداز
- دید
- دید
- تجسم
- حجم
- جلد
- صبر کنيد
- می خواهم
- مسیر..
- we
- وب
- خدمات وب
- خوب
- چی
- چه زمانی
- چه
- که
- در حین
- وسیع
- دامنه گسترده
- اراده
- با
- در داخل
- بدون
- مشغول به کار
- کارگر
- کارگران
- با این نسخهها کار
- نوشته
- کتبی
- شما
- شما
- زفیرنت
- صفر