این پست با Chaoyang He، Al Nevarez و Selman Avestimehr از FedML نوشته شده است.
بسیاری از سازمانها در حال پیادهسازی یادگیری ماشینی (ML) هستند تا تصمیمگیری تجاری خود را از طریق اتوماسیون و استفاده از مجموعه دادههای توزیعشده بزرگ افزایش دهند. با افزایش دسترسی به داده ها، ML این پتانسیل را دارد که بینش ها و فرصت های تجاری بی نظیری را ارائه دهد. با این حال، به اشتراک گذاری اطلاعات حساس خام و غیر بهداشتی در مکان های مختلف خطرات امنیتی و حریم خصوصی قابل توجهی را به همراه دارد، به ویژه در صنایع تحت نظارت مانند مراقبت های بهداشتی.
برای پرداختن به این موضوع، یادگیری فدرال (FL) یک تکنیک آموزش ML غیرمتمرکز و مشارکتی است که حفظ حریم خصوصی داده ها را با حفظ دقت و وفاداری ارائه می دهد. برخلاف آموزش سنتی ML، آموزش FL در یک مکان مشتری جدا شده با استفاده از یک جلسه امن مستقل انجام می شود. مشتری فقط پارامترهای مدل خروجی خود را با یک سرور متمرکز که به عنوان هماهنگ کننده آموزشی یا سرور تجمیع شناخته می شود به اشتراک می گذارد و نه داده های واقعی مورد استفاده برای آموزش مدل. این رویکرد بسیاری از نگرانیهای مربوط به حریم خصوصی دادهها را کاهش میدهد و در عین حال امکان همکاری مؤثر در آموزش مدل را فراهم میکند.
اگرچه FL گامی در جهت دستیابی به حفظ حریم خصوصی و امنیت بهتر داده ها است، اما راه حلی تضمین شده نیست. شبکه های ناامن فاقد کنترل دسترسی و رمزگذاری همچنان می توانند اطلاعات حساس را در معرض مهاجمان قرار دهند. علاوه بر این، اطلاعات آموزشدیده محلی میتوانند دادههای خصوصی را در صورت بازسازی از طریق یک حمله استنتاج افشا کنند. برای کاهش این خطرات، مدل FL از الگوریتمهای آموزشی شخصیسازی شده و پوشش و پارامترسازی مؤثر قبل از به اشتراک گذاشتن اطلاعات با هماهنگکننده آموزشی استفاده میکند. کنترل های قوی شبکه در مکان های محلی و متمرکز می تواند خطرات استنتاج و نفوذ را کاهش دهد.
در این پست، ما یک رویکرد FL را با استفاده از آن به اشتراک می گذاریم FedML, سرویس الاستیک کوبرنتز آمازون (Amazon EKS)، و آمازون SageMaker برای بهبود نتایج بیمار و در عین حال رسیدگی به نگرانیهای مربوط به حریم خصوصی و امنیت دادهها.
نیاز به یادگیری فدرال در مراقبت های بهداشتی
مراقبت های بهداشتی به شدت به منابع داده های توزیع شده برای انجام پیش بینی ها و ارزیابی های دقیق در مورد مراقبت از بیمار متکی است. محدود کردن منابع داده های موجود برای محافظت از حریم خصوصی بر دقت نتیجه و در نهایت کیفیت مراقبت از بیمار تأثیر منفی می گذارد. بنابراین، ML چالش هایی را برای مشتریان AWS ایجاد می کند که باید از حریم خصوصی و امنیت در سراسر موجودیت های توزیع شده بدون به خطر انداختن نتایج بیمار اطمینان حاصل کنند.
سازمانهای مراقبتهای بهداشتی باید همزمان با اجرای راهحلهای FL، قوانین انطباق دقیق، مانند قانون حملپذیری و پاسخگویی بیمه سلامت (HIPAA) در ایالات متحده را دنبال کنند. حصول اطمینان از حفظ حریم خصوصی، امنیت و انطباق دادهها در مراقبتهای بهداشتی حیاتیتر میشود و به رمزگذاری قوی، کنترلهای دسترسی، مکانیسمهای حسابرسی و پروتکلهای ارتباطی ایمن نیاز دارد. علاوه بر این، مجموعه دادههای مراقبتهای بهداشتی اغلب حاوی انواع دادههای پیچیده و ناهمگن هستند، که استانداردسازی و قابلیت همکاری دادهها را به چالشی در تنظیمات FL تبدیل میکند.
از نمای کلی مورد استفاده کنید
مورد استفاده ای که در این پست بیان شده است مربوط به داده های بیماری قلبی در سازمان های مختلف است که بر اساس آن یک مدل ML الگوریتم های طبقه بندی را برای پیش بینی بیماری قلبی در بیمار اجرا می کند. از آنجا که این داده ها در سراسر سازمان ها هستند، ما از یادگیری فدرال برای جمع آوری یافته ها استفاده می کنیم.
La مجموعه داده بیماری های قلبی از مخزن یادگیری ماشین دانشگاه کالیفرنیا ایروین یک مجموعه داده پرکاربرد برای تحقیقات قلبی عروقی و مدلسازی پیشبینی است. این شامل 303 نمونه است که هر یک نشان دهنده یک بیمار است و شامل ترکیبی از ویژگی های بالینی و جمعیت شناختی و همچنین وجود یا عدم وجود بیماری قلبی است.
این مجموعه داده چند متغیره دارای 76 ویژگی در اطلاعات بیمار است که از این میان 14 ویژگی بیشتر برای توسعه و ارزیابی الگوریتمهای ML برای پیشبینی وجود بیماری قلبی بر اساس ویژگیهای داده شده استفاده میشوند.
چارچوب FedML
انتخاب گسترده ای از چارچوب های FL وجود دارد، اما ما تصمیم گرفتیم از آن استفاده کنیم چارچوب FedML برای این مورد استفاده زیرا منبع باز است و چندین پارادایم FL را پشتیبانی می کند. FedML یک کتابخانه منبع باز محبوب، پلتفرم MLOps و اکوسیستم کاربردی برای FL فراهم می کند. اینها توسعه و استقرار راه حل های FL را تسهیل می کنند. مجموعه جامعی از ابزارها، کتابخانهها و الگوریتمها را فراهم میکند که محققان و متخصصان را قادر میسازد تا الگوریتمهای FL را در یک محیط توزیعشده پیادهسازی و آزمایش کنند. FedML به چالش های حریم خصوصی داده ها، ارتباطات و تجمیع مدل در FL می پردازد و یک رابط کاربر پسند و اجزای قابل تنظیم را ارائه می دهد. با تمرکز بر همکاری و به اشتراک گذاری دانش، FedML هدفش تسریع پذیرش FL و هدایت نوآوری در این زمینه در حال ظهور است. چارچوب FedML یک مدل آگنوستیک است، از جمله پشتیبانی اخیراً برای مدلهای زبان بزرگ (LLM). برای اطلاعات بیشتر مراجعه کنید انتشار FedLLM: مدل های زبان بزرگ خود را بر روی داده های اختصاصی با استفاده از پلتفرم FedML بسازید.
اختاپوس FedML
سلسله مراتب و ناهمگونی سیستم یک چالش کلیدی در موارد استفاده از FL در زندگی واقعی است، جایی که سیلوهای داده مختلف ممکن است زیرساخت های متفاوتی با CPU و GPU داشته باشند. در چنین سناریوهایی می توانید استفاده کنید اختاپوس FedML.
FedML Octopus پلتفرم درجه صنعتی کراس سیلو FL برای آموزش بین سازمانی و حساب های متقابل است. همراه با FedML MLOps، به توسعه دهندگان یا سازمان ها این امکان را می دهد تا همکاری های باز را از هر جایی در هر مقیاسی به شیوه ای امن انجام دهند. FedML Octopus یک الگوی آموزشی توزیع شده را در داخل هر سیلو داده اجرا می کند و از آموزش های همزمان یا ناهمزمان استفاده می کند.
FedML MLOs
FedML MLOps توسعه محلی کد را امکان پذیر می کند که بعداً می تواند با استفاده از چارچوب های FedML در هر جایی مستقر شود. قبل از شروع آموزش، باید یک حساب FedML ایجاد کنید و همچنین بسته های سرور و مشتری را در FedML Octopus ایجاد و آپلود کنید. برای جزئیات بیشتر مراجعه کنید مراحل و معرفی FedML Octopus: مقیاس کردن یادگیری فدرال به تولید با MLO های ساده شده.
بررسی اجمالی راه حل
ما FedML را در چندین خوشه EKS که با SageMaker ادغام شده اند برای ردیابی آزمایش مستقر می کنیم. ما استفاده می کنیم نقشه های آمازون EKS برای Terraform برای استقرار زیرساخت های مورد نیاز EKS Blueprints به ایجاد کلاسترهای کامل EKS کمک می کند که به طور کامل با نرم افزار عملیاتی مورد نیاز برای استقرار و اجرای بارهای کاری بوت استرپ شده اند. با EKS Blueprints، پیکربندی برای وضعیت مطلوب محیط EKS، مانند صفحه کنترل، گره های کارگر و افزودنی های Kubernetes، به عنوان یک زیرساخت به عنوان طرح کد (IaC) توصیف می شود. پس از پیکربندی یک طرح اولیه، می توان از آن برای ایجاد محیط های سازگار در چندین حساب AWS و منطقه با استفاده از اتوماسیون استقرار مداوم استفاده کرد.
محتوای به اشتراک گذاشته شده در این پست منعکس کننده موقعیت ها و تجربیات واقعی است، اما توجه به این نکته مهم است که استقرار این موقعیت ها در مکان های مختلف ممکن است متفاوت باشد. اگرچه ما از یک حساب AWS با VPC های جداگانه استفاده می کنیم، مهم است که بدانیم شرایط و تنظیمات فردی ممکن است متفاوت باشد. بنابراین، اطلاعات ارائه شده باید به عنوان یک راهنمای کلی مورد استفاده قرار گیرد و ممکن است نیاز به انطباق بر اساس الزامات خاص و شرایط محلی داشته باشد.
نمودار زیر معماری راه حل ما را نشان می دهد.
علاوه بر ردیابی ارائه شده توسط FedML MLOps برای هر دوره آموزشی، ما از آن استفاده می کنیم آزمایشات آمازون SageMaker برای ردیابی عملکرد هر مدل مشتری و مدل متمرکز (تجمیع کننده).
SageMaker Experiments یک قابلیت SageMaker است که به شما امکان می دهد آزمایش های ML خود را ایجاد، مدیریت، تجزیه و تحلیل و مقایسه کنید. با ثبت جزئیات، پارامترها و نتایج آزمایش، محققان می توانند به طور دقیق کار خود را بازتولید و تأیید کنند. امکان مقایسه و تحلیل موثر رویکردهای مختلف را فراهم می کند که منجر به تصمیم گیری آگاهانه می شود. علاوه بر این، ردیابی آزمایشها با ارائه بینشهایی در مورد پیشرفت مدلها و امکان یادگیری از تکرارهای قبلی، بهبود مکرر را تسهیل میکند و در نهایت توسعه راهحلهای مؤثرتر را تسریع میکند.
ما موارد زیر را برای هر اجرا به SageMaker Experiments ارسال می کنیم:
- معیارهای ارزیابی مدل - از دست دادن تمرین و ناحیه زیر منحنی (AUC)
- فراپارامترها - دوره، نرخ یادگیری، اندازه دسته، بهینه ساز و کاهش وزن
پیش نیازها
برای دنبال کردن این پست، باید پیش نیازهای زیر را داشته باشید:
راه حل را مستقر کنید
برای شروع، مخزن میزبان کد نمونه را به صورت محلی کلون کنید:
سپس زیرساخت use case را با استفاده از دستورات زیر مستقر کنید:
استقرار کامل قالب Terraform ممکن است 20 تا 30 دقیقه طول بکشد. پس از استقرار، مراحل زیر را برای اجرای برنامه FL دنبال کنید.
یک بسته استقرار MLOps ایجاد کنید
به عنوان بخشی از مستندات FedML، ما نیاز به ایجاد بسته های کلاینت و سرور داریم که پلتفرم MLOps برای شروع آموزش بین سرور و کلاینت ها توزیع می کند.
برای ایجاد این بسته ها، اسکریپت زیر را که در دایرکتوری ریشه یافت می شود اجرا کنید:
با این کار بسته های مربوطه در دایرکتوری زیر در دایرکتوری ریشه پروژه ایجاد می شود:
بسته ها را در پلتفرم FedML MLOps آپلود کنید
برای آپلود بسته ها مراحل زیر را انجام دهید:
- در رابط کاربری FedML، را انتخاب کنید برنامه های من در صفحه ناوبری
- را انتخاب کنید نرم افزار جدید.
- بسته های سرویس گیرنده و سرور را از ایستگاه کاری خود آپلود کنید.
- همچنین می توانید هایپرپارامترها را تنظیم کنید یا موارد جدیدی ایجاد کنید.
تمرینات فدرال را آغاز کنید
برای اجرای آموزش فدرال مراحل زیر را انجام دهید:
- در رابط کاربری FedML، را انتخاب کنید فهرست پروژه در صفحه ناوبری
- را انتخاب کنید یک پروژه جدید ایجاد کنید.
- نام گروه و نام پروژه را وارد کنید، سپس انتخاب کنید OK.
- پروژه جدید ایجاد شده را انتخاب کرده و انتخاب کنید اجرای جدید ایجاد کنید برای شروع یک دوره آموزشی
- دستگاه های سرویس گیرنده لبه و سرور جمع کننده مرکزی را برای این اجرای آموزشی انتخاب کنید.
- اپلیکیشنی که در مراحل قبل ایجاد کردید را انتخاب کنید.
- هر یک از هایپرپارامترها را به روز کنید یا از تنظیمات پیش فرض استفاده کنید.
- را انتخاب کنید آغاز برای شروع آموزش
- انتخاب وضعیت آموزش را بزنید و منتظر بمانید تا دوره آموزشی کامل شود. همچنین می توانید به برگه های موجود بروید.
- وقتی آموزش کامل شد، را انتخاب کنید سیستم برای مشاهده مدت زمان آموزش در سرورهای لبه خود و رویدادهای ادغام، را انتخاب کنید.
مشاهده نتایج و جزئیات آزمایش
پس از اتمام آموزش، می توانید نتایج را با استفاده از FedML و SageMaker مشاهده کنید.
در FedML UI، در مدل تب، می توانید مدل جمع کننده و مشتری را ببینید. همچنین می توانید این مدل ها را از سایت دانلود کنید.
همچنین می توانید وارد شوید Amazon SageMaker Studio و انتخاب کنید آزمایش در صفحه ناوبری
تصویر زیر آزمایش های ثبت شده را نشان می دهد.
کد رهگیری آزمایشی
در این بخش، کدی را بررسی می کنیم که ردیابی آزمایش SageMaker را با آموزش چارچوب FL ادغام می کند.
در ویرایشگر انتخابی خود، پوشه زیر را باز کنید تا ویرایش های کد را برای تزریق کد رهگیری آزمایش SageMaker به عنوان بخشی از آموزش مشاهده کنید:
برای پیگیری آموزش، ما یک آزمایش SageMaker ایجاد کنید با پارامترها و معیارهای ثبت شده با استفاده از log_parameter
و log_metric
دستور همانطور که در نمونه کد زیر مشخص شده است.
یک ورودی در config/fedml_config.yaml
فایل پیشوند آزمایش را اعلام می کند که در کد برای ایجاد نام آزمایش منحصر به فرد به آن ارجاع داده می شود: sm_experiment_name: "fed-heart-disease"
. می توانید این را به هر مقدار دلخواه خود به روز کنید.
برای مثال، کد زیر را برای آن ببینید heart_disease_trainer.py
، که توسط هر مشتری برای آموزش مدل بر روی مجموعه داده خود استفاده می شود:
برای هر اجرای مشتری، جزئیات آزمایش با استفاده از کد زیر در heart_disease_trainer.py ردیابی می شود:
به طور مشابه، می توانید از کد در استفاده کنید heart_disease_aggregator.py
برای اجرای آزمایشی بر روی داده های محلی پس از به روز رسانی وزن مدل. جزئیات پس از هر ارتباط با مشتریان ثبت می شود.
پاک کردن
پس از پایان یافتن راه حل، مطمئن شوید که منابع استفاده شده را برای اطمینان از استفاده کارآمد از منابع و مدیریت هزینه، پاکسازی کرده و از هزینه های غیر ضروری و هدر رفتن منابع جلوگیری کنید. مرتب کردن فعال محیط، مانند حذف نمونه های استفاده نشده، توقف سرویس های غیر ضروری، و حذف داده های موقت، به یک زیرساخت تمیز و سازماندهی شده کمک می کند. می توانید از کد زیر برای پاکسازی منابع خود استفاده کنید:
خلاصه
با استفاده از Amazon EKS به عنوان زیرساخت و FedML به عنوان چارچوب برای FL، ما میتوانیم با رعایت حریم خصوصی دادهها، محیطی مقیاسپذیر و مدیریتشده برای آموزش و استقرار مدلهای مشترک فراهم کنیم. با ماهیت غیرمتمرکز FL، سازمان ها می توانند به طور ایمن همکاری کنند، پتانسیل داده های توزیع شده را باز کنند و مدل های ML را بدون به خطر انداختن حریم خصوصی داده ها بهبود بخشند.
مثل همیشه، AWS از بازخورد شما استقبال می کند. لطفا نظرات و سوالات خود را در قسمت نظرات مطرح کنید.
درباره نویسنده
رندی دیفاو یک معمار ارشد راه حل در AWS است. او دارای مدرک MSEE از دانشگاه میشیگان است، جایی که روی بینایی کامپیوتری برای وسایل نقلیه خودران کار می کرد. او همچنین دارای مدرک MBA از دانشگاه ایالتی کلرادو است. رندی موقعیت های مختلفی را در فضای فناوری از مهندسی نرم افزار گرفته تا مدیریت محصول داشته است. او در سال 2013 وارد فضای کلان داده شد و به کاوش در آن منطقه ادامه می دهد. او به طور فعال روی پروژه هایی در فضای ML کار می کند و در کنفرانس های متعددی از جمله Strata و GlueCon ارائه کرده است.
ارناب سینها یک معمار ارشد راهحلها برای AWS است که به عنوان Field CTO عمل میکند تا به سازمانها در طراحی و ساخت راهحلهای مقیاسپذیر کمک کند که از نتایج کسبوکار در مهاجرتهای مرکز داده، تحول دیجیتال و مدرنسازی اپلیکیشن، دادههای بزرگ و یادگیری ماشین پشتیبانی میکنند. او از مشتریان در صنایع مختلف از جمله انرژی، خرده فروشی، تولید، مراقبت های بهداشتی و علوم زیستی پشتیبانی کرده است. Arnab دارای کلیه گواهینامه های AWS از جمله گواهینامه تخصصی ML است. قبل از پیوستن به AWS، آرناب یک رهبر فناوری بود و قبلاً نقشهای رهبری معمار و مهندسی را بر عهده داشت.
پراچی کولکارنی یک معمار ارشد راه حل در AWS است. تخصص او یادگیری ماشینی است و به طور فعال روی طراحی راه حل هایی با استفاده از AWS ML، داده های بزرگ و پیشنهادات تحلیلی مختلف کار می کند. پراچی در زمینههای متعددی از جمله مراقبتهای بهداشتی، مزایا، خردهفروشی، و آموزش تجربه دارد و در زمینههای مهندسی محصول و معماری، مدیریت و موفقیت مشتری کار کرده است.
تامر شریف معمار راه حل های اصلی در AWS، با پیشینه متنوع در حوزه فناوری و خدمات مشاوره سازمانی است که بیش از 17 سال به عنوان معمار راه حل ها فعالیت داشته است. تخصص تامر با تمرکز بر زیرساخت، طیف گستردهای از بخشهای صنعتی، از جمله بازرگانی، مراقبتهای بهداشتی، خودرو، بخش عمومی، تولید، نفت و گاز، خدمات رسانهای و غیره را پوشش میدهد. مهارت او در حوزه های مختلفی مانند معماری ابری، محاسبات لبه، شبکه، ذخیره سازی، مجازی سازی، بهره وری کسب و کار و رهبری فنی گسترش می یابد.
هانس نسبیت یک معمار ارشد راه حل در AWS مستقر در جنوب کالیفرنیا است. او با مشتریان در سراسر غرب ایالات متحده کار می کند تا معماری های ابری بسیار مقیاس پذیر، انعطاف پذیر و انعطاف پذیر ایجاد کند. در اوقات فراغت از گذراندن وقت با خانواده، آشپزی و نواختن گیتار لذت می برد.
چائویانگ او یکی از بنیانگذاران و مدیر ارشد فناوری FedML, Inc.، استارت آپی است که برای ایجاد یک جامعه هوش مصنوعی باز و مشارکتی از هر کجا و در هر مقیاسی اجرا می شود. تحقیقات او بر روی الگوریتم ها، سیستم ها و برنامه های کاربردی یادگیری ماشین توزیع شده و فدرال متمرکز است. او دکترای خود را در رشته علوم کامپیوتر از دانشگاه کالیفرنیای جنوبی دریافت کرد.
النوارز مدیر مدیریت محصول در FedML است. قبل از FedML، او مدیر محصول گروهی در گوگل و مدیر ارشد علوم داده در لینکدین بود. او چندین پتنت مرتبط با محصول داده دارد و در دانشگاه استنفورد مهندسی خوانده است.
سلمان اوستیمهر یکی از بنیانگذاران و مدیرعامل FedML است. او استاد دانشگاه USC، مدیر مرکز USC-Amazon در هوش مصنوعی قابل اعتماد، و محقق آمازون در الکسا AI بوده است. او متخصص در یادگیری ماشین فدرال و غیرمتمرکز، تئوری اطلاعات، امنیت و حریم خصوصی است. او عضو IEEE است و دکترای خود را در EECS از دانشگاه کالیفرنیا برکلی دریافت کرده است.
سمیر لاد یک تکنسین سازمانی موفق با AWS است که از نزدیک با مدیران سطح C مشتریان کار می کند. سمیر بهعنوان یک مدیر سابق C-suite که در چندین شرکت فورچون 100 تحول ایجاد کرده است، تجربیات ارزشمند خود را به اشتراک میگذارد تا به مشتریانش کمک کند در سفر تحول خود موفق شوند.
استیون کریمر مشاور هیئت مدیره و CxO و مدیر اجرایی سابق AWS است. استفان از فرهنگ و رهبری به عنوان پایه های موفقیت حمایت می کند. او امنیت و نوآوری را محرکهای تحول ابری میداند که سازمانهای بسیار رقابتی و مبتنی بر داده را قادر میسازد.
- 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/federated-learning-on-aws-using-fedml-amazon-eks-and-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 10
- 100
- 14
- 154
- 17
- 20
- 2013
- 247
- 300
- 7
- a
- قادر
- درباره ما
- غیبت
- شتاب دادن
- تسریع
- دسترسی
- دسترسی به داده ها
- انجام
- حساب
- مسئوليت
- حساب ها
- دقت
- دقیق
- به درستی
- دستیابی به
- در میان
- عمل
- بازیگری
- فعال
- فعالانه
- واقعی
- انطباق
- اضافه کردن
- اضافه
- اضافه
- علاوه بر این
- نشانی
- آدرس
- خطاب به
- تنظیم کردن
- اتخاذ
- مشاور
- طرفداران
- پس از
- تجمع
- جمع کننده
- AI
- اهداف
- AL
- چک
- الگوریتم
- معرفی
- اجازه می دهد تا
- در امتداد
- همچنین
- هر چند
- همیشه
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- تحلیل
- علم تجزیه و تحلیل
- تحلیل
- و
- هر
- هر جا
- کاربرد
- برنامه های کاربردی
- روش
- رویکردها
- معماری
- معماری
- هستند
- محدوده
- AS
- ارزیابی ها
- At
- حمله
- خواص
- حراج
- حسابرسی
- اتوماسیون
- خودرو
- خود مختار
- خودروهای خودمختار
- در دسترس
- اجتناب از
- AWS
- زمینه
- مستقر
- BE
- زیرا
- شود
- بوده
- قبل از
- شروع
- مزایای
- برکلی
- بهتر
- بزرگ
- بزرگ داده
- طرح
- تخته
- پهن
- ساختن
- بنا
- کسب و کار
- اما
- by
- C- مجموعه
- کالیفرنیا
- CAN
- قابلیت
- اهميت دادن
- مورد
- موارد
- مرکز
- مرکزی
- متمرکز
- مدیر عامل شرکت
- گواهی
- گواهینامه ها
- به چالش
- چالش ها
- انتخاب
- را انتخاب کنید
- موقعیت
- طبقه بندی
- تمیز
- مشتری
- مشتریان
- بالینی
- نزدیک
- ابر
- بنیانگذاران
- رمز
- همکاری
- همکاری
- مشترک
- کلرادو
- ترکیب
- نظرات
- تجاری
- عموما
- ارتباط
- انجمن
- ساختمان جامعه
- شرکت
- مقايسه كردن
- مقایسه
- رقابتی
- کامل
- پیچیده
- انطباق
- اجزاء
- جامع
- مصالحه
- کامپیوتر
- علم کامپیوتر
- چشم انداز کامپیوتر
- محاسبه
- نگرانی ها
- شرایط
- رفتار
- همایش ها
- پیکر بندی
- پیکربندی
- استوار
- تشکیل شده است
- مشاوره
- شامل
- شامل
- محتوا
- ادامه
- مداوم
- کمک می کند
- کنترل
- گروه شاهد
- تعدیل کننده
- هزینه
- مدیریت هزینه
- همراه
- را پوشش می دهد
- سادگی
- ایجاد
- ایجاد شده
- ایجاد
- بحرانی
- بسیار سخت
- CTO
- فرهنگ
- منحنی
- مشتری
- موفقیت مشتری
- مشتریان
- سفارشی
- CXO
- داده ها
- مرکز داده
- حریم خصوصی داده ها
- حریم خصوصی و امنیت داده ها
- علم اطلاعات
- داده محور
- مجموعه داده ها
- غیر متمرکز
- مصمم
- تصمیم گیری
- اعلام
- به طور پیش فرض
- جمعیتی
- گسترش
- مستقر
- استقرار
- گسترش
- شرح داده شده
- طرح
- طراحی
- مطلوب
- از بین بردن
- جزئیات
- برنامه نویس
- توسعه دهندگان
- در حال توسعه
- پروژه
- دستگاه
- دستگاه ها
- نمودار
- متفاوت است
- مختلف
- دیجیتال
- دگرگونی های دیجیتال
- مدیر
- فهرست راهنما
- مرض
- توزیع کردن
- توزیع شده
- آموزش توزیع شده
- مختلف
- مستندات
- حوزه
- انجام شده
- دانلود
- راندن
- رانده
- درایور
- هر
- اکوسیستم
- لبه
- محاسبات لبه
- سردبیر
- آموزش
- موثر
- موثر
- سنگ سنباده
- قادر ساختن
- را قادر می سازد
- را قادر می سازد
- رمزگذاری
- انرژی
- مهندسی
- بالا بردن
- اطمینان حاصل شود
- حصول اطمینان از
- وارد
- سرمایه گذاری
- اشخاص
- ورود
- محیط
- محیط
- دوره
- دوره ها
- به خصوص
- ارزیابی
- ارزیابی
- حتی
- حوادث
- مثال
- اجرایی
- مدیران
- استخراج
- مخارج
- تجربه
- تجارب
- تجربه
- آزمایش
- کارشناس
- تخصص
- اکتشاف
- گسترش می یابد
- تسهیل کردن
- تسهیل می کند
- خانواده
- فدراسیون
- باز خورد
- همکار
- وفاداری
- رشته
- پرونده
- یافته ها
- قابل انعطاف
- تمرکز
- تمرکز
- به دنبال
- پیروی
- برای
- سابق
- ثروت
- یافت
- مبانی
- چارچوب
- چارچوب
- از جانب
- کاملا
- تابع
- بیشتر
- GAS
- سوالات عمومی
- GitHub
- داده
- گوگل
- GPU ها
- گروه
- تضمین شده
- راهنمایی
- آیا
- he
- سلامتی
- بیمه خدمات درمانی
- بهداشت و درمان
- قلب
- بیماری قلبی
- به شدت
- برگزار شد
- کمک
- کمک می کند
- او
- سلسله مراتب
- خیلی
- خود را
- دارای
- میزبانی وب
- اما
- HTML
- HTTPS
- i
- IEEE
- if
- نشان می دهد
- انجام
- اجرای
- مهم
- بهبود
- بهبود
- in
- شرکت
- از جمله
- افزایش
- مستقل
- فرد
- لوازم
- صنعت
- اطلاعات
- اطلاع
- شالوده
- تزریق کنید
- ابداع
- ناامن
- داخل
- بینش
- بیمه
- یکپارچه
- ادغام
- رابط
- قابلیت همکاری
- به
- فوق العاده گرانبها
- جدا شده
- موضوع
- IT
- تکرار
- ITS
- پیوستن
- سفر
- JPEG
- JPG
- کلید
- دانش
- شناخته شده
- فاقد
- زبان
- بزرگ
- بعد
- رهبر
- رهبری
- برجسته
- یاد گرفتن
- یادگیری
- ترک کردن
- اجازه می دهد تا
- کتابخانه ها
- کتابخانه
- زندگی
- علوم زندگی
- محدود کردن
- لینک
- محلی
- به صورت محلی
- محل
- مکان
- ورود به سیستم
- سیستم وارد
- خاموش
- دستگاه
- فراگیری ماشین
- حفظ
- ساخت
- ساخت
- مدیریت
- اداره می شود
- مدیریت
- مدیر
- روش
- تولید
- بسیاری
- ممکن است..
- مکانیسم
- رسانه ها
- متریک
- میشیگان
- دقیقه
- کاهش
- ML
- MLO ها
- مدل
- مدل سازی
- مدل
- ماژول ها
- بیش
- اکثر
- چندگانه
- باید
- نام
- نام
- طبیعت
- هدایت
- جهت یابی
- نیاز
- ضروری
- منفی است
- شبکه
- شبکه
- شبکه
- جدید
- به تازگی
- بعد
- گره
- توجه داشته باشید
- متعدد
- of
- ارائه
- پیشنهادات
- پیشنهادات
- غالبا
- نفت
- نفت و گاز
- on
- آنهایی که
- فقط
- باز کن
- منبع باز
- کار
- قابل استفاده
- فرصت ها
- or
- سازمان های
- سازمان یافته
- ما
- خارج
- نتایج
- مشخص شده
- تولید
- روی
- خود
- بسته
- قطعه
- نمونه
- پارادایم ها
- پارامترهای
- بخش
- عبور
- اختراعات
- بیمار
- کارایی
- شخصی
- دکترا
- هواپیما
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- لطفا
- محبوب
- قابل حمل بودن
- به شمار
- موقعیت
- پست
- پتانسیل
- پیش بینی
- پیش بینی
- پیش نیازها
- حضور
- ارائه شده
- قبلی
- قبلا
- اصلی
- قبلا
- خلوت
- حریم خصوصی و امنیت
- خصوصی
- محصول
- مدیریت تولید
- مدیر تولید
- تولید
- بهره وری
- معلم
- پیشرفت
- پروژه
- پروژه ها
- اختصاصی
- محافظت از
- پروتکل
- ارائه
- ارائه
- فراهم می کند
- ارائه
- عمومی
- کیفیت
- سوالات
- محدوده
- اعم
- رتبه بندی
- نرخ
- خام
- قلمرو
- اخذ شده
- تازه
- ضبط
- كاهش دادن
- مراجعه
- اشاره کرد
- بازتاب می دهد
- مناطق
- تنظیم
- صنایع تنظیم شده
- مقررات
- تکیه می کند
- از بین بردن
- مخزن
- نمایندگی
- نیاز
- ضروری
- مورد نیاز
- تحقیق
- محققان
- انعطاف پذیر
- منابع
- منابع
- احترام
- قابل احترام
- نتیجه
- نتایج
- خرده فروشی
- خطرات
- تنومند
- نقش
- ریشه
- دور
- دویدن
- در حال اجرا
- اجرا می شود
- حکیم ساز
- سلمان
- نمونه
- مقیاس پذیر
- مقیاس
- مقیاس گذاری
- سناریوها
- محقق
- علم
- علوم
- خط
- بخش
- بخش
- بخش
- امن
- ایمن
- تیم امنیت لاتاری
- دیدن
- انتخاب
- ارسال
- ارشد
- حساس
- جداگانه
- سرور
- سرور
- خدمات
- جلسه
- تنظیمات
- چند
- اشتراک گذاری
- به اشتراک گذاشته شده
- سهام
- اشتراک
- او
- باید
- نشان می دهد
- قابل توجه
- سیلوهای
- ساده شده
- تنها
- شرایط
- اندازه
- نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- منبع
- منابع
- جنوبی
- فضا
- تنش
- تخصص
- خاص
- طیف
- هزینه
- استاندارد سازی
- استنفورد
- دانشگاه استنفورد
- شروع
- شروع
- دولت
- ایالات
- گام
- استفان
- مراحل
- هنوز
- متوقف کردن
- ذخیره سازی
- سخت
- قوی
- مورد مطالعه قرار
- موفق شدن
- موفقیت
- چنین
- دنباله
- پشتیبانی
- پشتیبانی
- حمایت از
- پشتیبانی از
- مطمئن
- سیستم های
- گرفتن
- فنی
- تکنیک
- تکنسین
- پیشرفته
- قالب
- موقت
- Terraform
- آزمون
- که
- La
- اطلاعات
- شان
- سپس
- نظریه
- از این رو
- اینها
- این
- از طریق
- زمان
- به
- ابزار
- طرف
- مسیر
- پیگردی
- سنتی
- قطار
- آموزش دیده
- آموزش
- آموزش
- دگرگونی
- تحولات
- ماشه
- قابل اعتماد
- انواع
- ui
- در نهایت
- زیر
- فهمیدن
- منحصر به فرد
- متحد
- ایالات متحده
- دانشگاه
- دانشگاه کالیفرنیا
- بر خلاف
- باز
- غیر ضروری
- بی نظیر
- استفاده نشده
- بروزرسانی
- به روز رسانی
- us
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر پسند
- استفاده
- با استفاده از
- استفاده کنید
- تصدیق
- اعتبار سنجی
- ارزش
- تنوع
- مختلف
- متفاوت
- وسایل نقلیه
- عمودی
- چشم انداز
- دید
- صبر کنيد
- بود
- we
- وب
- خدمات وب
- سایت اینترنتی
- وزن
- خوش آمدید
- خوب
- غربی
- که
- در حین
- WHO
- وسیع
- به طور گسترده ای
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- کارگر
- کارگر
- با این نسخهها کار
- ایستگاه های کاری
- سال
- شما
- شما
- زفیرنت