از آنجایی که فناوریهای هوش مصنوعی (AI) و یادگیری ماشین (ML) به جریان اصلی تبدیل شدهاند، بسیاری از شرکتها در ساخت برنامههای کاربردی تجاری حیاتی با مدلهای ML در مقیاس تولید موفق بودهاند. با این حال، از آنجایی که این مدلهای ML تصمیمات تجاری حیاتی برای کسبوکار میگیرند، برای شرکتها مهم است که نردههای محافظ مناسب را در طول چرخه عمر ML خود اضافه کنند. حفاظها تضمین میکنند که امنیت، حریم خصوصی، و کیفیت کد، پیکربندی، و دادهها و پیکربندی مدل مورد استفاده در چرخه عمر مدل، نسخهبندی و حفظ میشوند.
پیادهسازی این نردههای محافظ برای شرکتها سختتر میشود، زیرا فرآیندها و فعالیتهای ML درون شرکتها به دلیل گنجاندن فرآیندهای عمیقاً درگیر که نیاز به مشارکت سهامداران و شخصیتهای متعدد دارد، پیچیدهتر میشوند. علاوه بر مهندسان داده و دانشمندان داده، فرآیندهای عملیاتی برای خودکارسازی و سادهسازی چرخه حیات ML وجود دارد. علاوه بر این، افزایش ذینفعان کسب و کار و در برخی موارد بررسیهای قانونی و انطباق به قابلیتهایی برای افزودن شفافیت برای مدیریت کنترل دسترسی، ردیابی فعالیت و گزارشدهی در طول چرخه عمر ML نیاز دارند.
چارچوبی که به توسعه، اعتبارسنجی و استفاده از مدل ML دید سیستماتیک می دهد، حاکمیت ML نامیده می شود. در طول AWS re:Invent 2022، AWS ابزارهای جدید مدیریت ML را معرفی کرد برای آمازون SageMaker که کنترل دسترسی را ساده می کند و شفافیت پروژه های ML شما را افزایش می دهد. یکی از ابزارهای موجود به عنوان بخشی از حاکمیت ML است کارت های مدل آمازون SageMakerکه این قابلیت را دارد که با متمرکزسازی و استانداردسازی اسناد در طول چرخه عمر مدل، یک منبع حقیقت واحد برای اطلاعات مدل ایجاد کند.
کارتهای مدل SageMaker شما را قادر میسازد تا نحوه مستندسازی مدلها را استاندارد کنید، در نتیجه به چرخه عمر یک مدل، از طراحی، ساخت، آموزش و ارزیابی دسترسی پیدا کنید. کارت های مدل به عنوان منبعی واحد از حقیقت برای ابرداده های تجاری و فنی در مورد مدل در نظر گرفته شده است که می تواند به طور قابل اعتماد برای اهداف حسابرسی و مستندسازی استفاده شود. آنها یک برگه اطلاعاتی از مدل ارائه می دهند که برای حاکمیت مدل مهم است.
همانطور که مدلها، پروژهها و تیمهای خود را مقیاسبندی میکنید، به عنوان بهترین روش، توصیه میکنیم که یک استراتژی چند حسابی را اتخاذ کنید که جداسازی پروژه و تیم را برای توسعه و استقرار مدل ML فراهم میکند. برای اطلاعات بیشتر در مورد بهبود حاکمیت مدلهای ML خود، به مدیریت مدل های یادگیری ماشینی خود را با Amazon SageMaker بهبود بخشید.
نمای کلی معماری
معماری به شرح زیر پیاده سازی می شود:
- حساب علم داده - دانشمندان داده آزمایشات خود را در این کشور انجام می دهند SageMaker Studio و یک راه اندازی MLOps برای استقرار مدل ها در محیط های صحنه سازی/تولید با استفاده از آن بسازید پروژه های SageMaker.
- حساب خدمات مشترک ML – MLO ها که از حساب Data Science راه اندازی شده اند، خطوط لوله یکپارچه سازی و تحویل پیوسته (CI/CD) را با استفاده از راه اندازی می کنند. AWS CodeCommit و AWS CodePipeline.
- حساب توسعه دهنده - خطوط لوله CI/CD خطوط لوله ML را در این حساب فعال می کند که شامل پیش پردازش داده ها، آموزش مدل و پردازش پس از آن مانند ارزیابی و ثبت مدل می شود. خروجی این خطوط لوله، مدل را در داخل مستقر می کند نقاط پایانی SageMaker برای اهداف استنتاج مصرف شود. بسته به نیازهای حاکمیتی شما، حساب های Data Science و Dev را می توان در یک حساب AWS ادغام کرد.
- حساب داده - خطوط لوله ML در حال اجرا در حساب توسعه دهنده داده ها را از این حساب بیرون می کشد.
- حسابهای تست و تولید - خطوط لوله CI/CD پس از حساب توسعهدهنده به استقرار ادامه میدهند تا پیکربندی نقطه پایانی SageMaker را در این حسابها تنظیم کنند.
- امنیت و حاکمیت – خدماتی مانند AWS Identity and Access Management (IAM)، AWS IAM Identity Center، AWS CloudTrail، AWS Key Management Service (AWS KMS)، Amazon CloudWatch و AWS Security Hub در این حساب ها به عنوان بخشی از امنیت و حکومت.
نمودار زیر این معماری را نشان می دهد.
برای اطلاعات بیشتر در مورد تنظیم معماری چند حساب مقیاس پذیر ML، مراجعه کنید بنیاد MLOps برای شرکت ها با آمازون SageMaker.
مشتریان ما به قابلیت اشتراکگذاری کارتهای مدل در بین حسابها نیاز دارند تا از طریق اطلاعات به اشتراک گذاشته شده در کارت مدل، دید و مدیریت مدلهای خود را بهبود بخشند. اکنون، با به اشتراک گذاری کارت های مدل بین حسابی، مشتریان می توانند از مزایای استراتژی چند حسابی و در عین حال دسترسی به کارت های مدل موجود در سازمان خود بهره مند شوند، بنابراین می توانند همکاری را تسریع کنند و از حاکمیت اطمینان حاصل کنند.
در این پست، نحوه راهاندازی و دسترسی به کارتهای مدل را در حسابهای چرخه عمر توسعه مدل (MDLC) با استفاده از ویژگی جدید اشتراکگذاری بین حساب کارت مدل نشان میدهیم. ابتدا، ما یک سناریو و معماری را برای تنظیم ویژگی اشتراکگذاری بین حسابهای کارت مدل توضیح میدهیم، و سپس به عمق هر یک از مؤلفههای نحوه راهاندازی و دسترسی به کارتهای مدل مشترک در حسابها برای بهبود دید و حاکمیت مدل میپردازیم.
بررسی اجمالی راه حل
هنگام ساخت مدلهای ML، توصیه میکنیم یک معماری چند حسابی برای ارائه جداسازی حجم کاری ایجاد کنید که امنیت، قابلیت اطمینان و مقیاسپذیری را بهبود میبخشد. برای این پست، ساخت و استقرار مدلی برای موارد استفاده مشتری Churn را فرض می کنیم. نمودار معماری زیر یکی از رویکردهای توصیه شده - کارت مدل متمرکز - را برای مدیریت یک کارت مدل در معماری چرخه عمر توسعه مدل یادگیری ماشین چند حسابی (MDLC) نشان می دهد. با این حال، می توانید رویکرد دیگری را نیز اتخاذ کنید، یک کارت مدل هاب و اسپیک. در این پست، ما فقط بر روی یک رویکرد کارت مدل متمرکز تمرکز میکنیم، اما همین اصول را میتوان به رویکرد hub-and-spoke نیز تعمیم داد. تفاوت اصلی این است که هر حساب اسپیک نسخه کارت مدل خود را حفظ می کند و فرآیندهایی برای جمع آوری و کپی کردن در یک حساب متمرکز دارد.
نمودار زیر این معماری را نشان می دهد.
معماری به شرح زیر پیاده سازی می شود:
- به Lead Data Scientist اطلاع داده می شود که مورد استفاده مشتری Churn را با استفاده از ML حل کند، و آنها پروژه ML را از طریق ایجاد یک کارت مدل برای مدل Churn مشتری V1 در وضعیت پیش نویس در حساب خدمات مشترک ML شروع می کنند.
- از طریق اتوماسیون، آن کارت مدل با حساب توسعه دهنده ML به اشتراک گذاشته می شود
- Data Scientist مدل را میسازد و شروع به پر کردن اطلاعات از طریق APIها در کارت مدل بر اساس نتایج آزمایشی خود میکند و وضعیت کارت مدل روی در انتظار بازبینی تنظیم میشود.
- از طریق اتوماسیون، آن کارت مدل با حساب تست ML به اشتراک گذاشته می شود
- ML Engineer (MLE) تستهای یکپارچهسازی و اعتبارسنجی را در حساب ML Test اجرا میکند و مدل در رجیستری مرکزی با علامتگذاری در انتظار تأیید است.
- تایید کننده مدل نتایج مدل را با مستندات پشتیبانی ارائه شده در کارت مدل مرکزی بررسی می کند و کارت مدل را برای استقرار تولید تایید می کند.
- از طریق اتوماسیون، آن کارت مدل با حساب ML Prod در حالت فقط خواندنی به اشتراک گذاشته می شود.
پیش نیازها
قبل از شروع، مطمئن شوید که پیش نیازهای زیر را دارید:
- دو حساب های AWS.
- در هر دو حساب AWS، یک نقش فدراسیون IAM با دسترسی سرپرست برای انجام کارهای زیر:
- کارت های مدل را در Amazon SageMaker ایجاد، ویرایش، مشاهده و حذف کنید.
- ایجاد، ویرایش، مشاهده و حذف اشتراک منابع در رم AWS.
برای اطلاعات بیشتر به مراجعه کنید نمونه سیاست های IAM برای RAM AWS.
راه اندازی به اشتراک گذاری کارت مدل
حسابی که در آن کارت های مدل ایجاد می شود، حساب کارت مدل است. کاربران در حساب کارت مدل آنها را با حساب های مشترک به اشتراک می گذارند که در آنجا می توانند به روز شوند. کاربران در حساب کارت مدل می توانند کارت های مدل خود را از طریق به اشتراک بگذارند AWS Resource Access Manager (AWS RAM). RAM AWS به شما کمک می کند منابع را در حساب های AWS به اشتراک بگذارید.
در بخش زیر نحوه به اشتراک گذاری کارت های مدل را نشان می دهیم.
ابتدا، همانطور که قبلا توضیح داده شد، یک کارت مدل برای یک مورد استفاده مشتری Churn ایجاد کنید. در کنسول آمازون SageMaker، بخش Governance را گسترش دهید و انتخاب کنید کارت های مدل.
ما کارت مدل را در آن ایجاد می کنیم پیش نویس وضعیت با نام مشتری-Churn-Model-Card. برای اطلاعات بیشتر مراجعه کنید یک کارت مدل ایجاد کنید. در این نمایش می توانید باقی فیلدها را خالی بگذارید و کارت مدل را ایجاد کنید.
همچنین، میتوانید از دستور AWS CLI زیر برای ایجاد کارت مدل استفاده کنید:
اکنون با استفاده از RAM AWS اشتراک بین حساب ایجاد کنید. در کنسول RAM AWS، را انتخاب کنید یک اشتراک منبع ایجاد کنید.
یک نام برای اشتراک منبع وارد کنید، به عنوان مثال "Customer-Churn-Model-Card-Share". در منابع - اختیاری بخش، نوع منبع را به عنوان انتخاب کنید کارت های مدل SageMaker. کارت مدلی که در مرحله قبل ایجاد کردیم در لیست ظاهر می شود.
آن مدل را انتخاب کنید و در بخش منابع انتخاب شده ظاهر می شود. همانطور که در مراحل زیر نشان داده شده است دوباره آن منبع را انتخاب کنید و انتخاب کنید بعدی.
در صفحه بعد، می توانید مجوزهای مدیریت شده را انتخاب کنید. می توانید مجوزهای سفارشی ایجاد کنید یا از گزینه پیش فرض استفاده کنید.AWSRAMPermissionSageMakerModelCards
”و انتخاب کنید بعدی. برای اطلاعات بیشتر مراجعه کنید مدیریت مجوزها در رم AWS.
در صفحه بعد می توانید Principals را انتخاب کنید. در قسمت انتخاب نوع اصلی، را انتخاب کنید حساب AWS و شناسه حساب اشتراک کارت مدل را وارد کنید. انتخاب کنید اضافه کردن و به صفحه بعد ادامه دهید.
در صفحه آخر، اطلاعات را مرور کرده و "Create Resource Share" را انتخاب کنید. به طور متناوب، می توانید از موارد زیر استفاده کنید AWS CLI دستور ایجاد اشتراک منبع:
در کنسول RAM AWS، ویژگی های اشتراک منابع را مشاهده می کنید. اطمینان حاصل کنید که منابع مشترک، مجوزهای مدیریت شده، و اصول مشترک در "Associated
وضعیت "
پس از اینکه از AWS RAM برای ایجاد اشتراک منبع استفاده کردید، می توان به اصول مشخص شده در اشتراک منبع اجازه دسترسی به منابع اشتراک را داد.
- اگر اشتراکگذاری AWS RAM را با سازمانهای AWS روشن کنید، و مدیرانی که با آنها به اشتراک میگذارید در همان سازمانی هستند که حساب اشتراکگذاری شده است، آن مدیران میتوانند به محض اینکه سرپرست حساب آنها مجوزها را به آنها اجازه دهد، دسترسی داشته باشند.
- اگر اشتراکگذاری RAM AWS با سازمانها را روشن نکنید، همچنان میتوانید منابع را با حسابهای AWS فردی که در سازمان شما هستند به اشتراک بگذارید. مدیر حساب مصرف کننده دعوت نامه ای برای پیوستن به اشتراک منبع دریافت می کند و قبل از اینکه اصول مشخص شده در اشتراک منبع بتوانند به منابع مشترک دسترسی پیدا کنند، باید دعوت نامه را بپذیرند.
- همچنین اگر نوع منبع از آن پشتیبانی می کند، می توانید با حساب های خارج از سازمان خود به اشتراک بگذارید. مدیر حساب مصرف کننده دعوت نامه ای برای پیوستن به اشتراک منبع دریافت می کند و قبل از اینکه اصول مشخص شده در اشتراک منبع بتوانند به منابع مشترک دسترسی پیدا کنند، باید دعوت نامه را بپذیرند.
برای اطلاعات بیشتر در مورد RAM AWS به ادامه مطلب مراجعه کنید اصطلاحات و مفاهیم RAM AWS.
دسترسی به کارت های مدل مشترک
اکنون می توانیم برای دسترسی به کارت مدل وارد حساب مشترک AWS شویم. اطمینان حاصل کنید که با استفاده از مجوزهای IAM (نقش IAM) که اجازه دسترسی به RAM AWS را می دهد، به کنسول AWS دسترسی دارید.
با RAM AWS، میتوانید اشتراکهای منابعی که به آنها اضافه شدهاید، منابع مشترکی که میتوانید به آنها دسترسی داشته باشید و حسابهای AWS که منابع مشترک با شما دارند را مشاهده کنید. همچنین می توانید زمانی که دیگر نیازی به دسترسی به منابع مشترک آن ندارید، اشتراک منبع را ترک کنید.
برای مشاهده کارت مدل در حساب مشترک AWS:
- حرکت به به اشتراک گذاشته شده با من: منابع مشترک صفحه در کنسول RAM AWS.
- مطمئن شوید که در همان منطقه AWS که اشتراک ایجاد شده است، کار می کنید.
- مدل به اشتراک گذاشته شده از حساب مدل در فهرست موجود خواهد بود. اگر فهرست طولانی از منابع وجود دارد، میتوانید از فیلتری برای یافتن منابع مشترک خاص استفاده کنید. می توانید چندین فیلتر را برای محدود کردن جستجوی خود اعمال کنید.
- اطلاعات زیر در دسترس است:
- شناسه منبع – شناسه منبع این نام کارت مدلی است که قبلاً در حساب کارت مدل ایجاد کردیم.
- نوع منبع - نوع منبع
- آخرین تاریخ اشتراک – تاریخی که در آن منبع با شما به اشتراک گذاشته شده است.
- سهام منابع – تعداد سهام منابعی که منبع در آن گنجانده شده است. مقدار را برای مشاهده اشتراک منابع انتخاب کنید.
- شناسه مالک - شناسه مدیر اصلی که منبع را در اختیار دارد.
همچنین می توانید با استفاده از گزینه AWS CLI به کارت مدل دسترسی داشته باشید. برای سیاست AWS IAM که با اعتبارنامههای صحیح پیکربندی شده است، مطمئن شوید که مجوز ایجاد، ویرایش و حذف کارتهای مدل در Amazon SageMaker را دارید. برای اطلاعات بیشتر مراجعه کنید AWS CLI را پیکربندی کنید.
می توانید از خط مشی مجوزهای AWS IAM زیر به عنوان الگو استفاده کنید:
برای دسترسی به جزئیات کارت مدل مشترک می توانید دستور AWS CLI زیر را اجرا کنید.
اکنون می توانید از این حساب تغییراتی در این کارت مدل ایجاد کنید.
پس از ایجاد تغییرات، به حساب کارت مدل برگردید تا تغییراتی را که ما در این حساب مشترک ایجاد کردیم، مشاهده کنید.
نوع مشکل به روز رسانی شده استCustomer Churn Model
” که به عنوان بخشی از ورودی دستور AWS CLI ارائه کرده بودیم.
پاک کردن
اکنون می توانید کارت مدلی را که ایجاد کرده اید حذف کنید. اطمینان حاصل کنید که اشتراک منبع RAM AWS را که برای به اشتراک گذاری کارت مدل ایجاد کرده اید، حذف کرده اید.
نتیجه
در این پست، یک نمای کلی از معماری چند حساب برای مقیاسبندی و مدیریت بارهای کاری ML شما به صورت ایمن و قابل اعتماد ارائه کردیم. ما الگوهای معماری را برای راهاندازی به اشتراک گذاری کارت مدل مورد بحث قرار دادیم و نحوه کار الگوهای اشتراکگذاری کارت مدل متمرکز را نشان دادیم. در نهایت، ما به اشتراک گذاری کارت مدل در چندین حساب را برای بهبود دید و حاکمیت در چرخه عمر توسعه مدل شما راه اندازی کردیم. توصیه می کنیم ویژگی جدید به اشتراک گذاری کارت مدل جدید را امتحان کنید و نظرات خود را با ما در میان بگذارید.
درباره نویسندگان
ویشال نایک یک معمار Sr. Solutions در خدمات وب آمازون (AWS) است. او سازنده ای است که از کمک به مشتریان برای برآوردن نیازهای تجاری و حل چالش های پیچیده با راه حل ها و بهترین شیوه های AWS لذت می برد. حوزه اصلی تمرکز او شامل یادگیری ماشینی، DevOps و Containers است. ویشال در اوقات فراغت خود عاشق ساختن فیلمهای کوتاه درباره سفر در زمان و تمهای جهان متناوب است.
رام ویتال یک معمار اصلی ML Solutions در AWS است. او بیش از 20 سال تجربه در زمینه معماری و ساخت برنامه های کاربردی توزیع شده، ترکیبی و ابری دارد. او مشتاق ساختن راهحلهای AI/ML و کلان داده ایمن و مقیاسپذیر است تا به مشتریان سازمانی در پذیرش و سفر بهینهسازی ابر برای بهبود نتایج کسبوکارشان کمک کند. او در اوقات فراغت سوار موتورش می شود و با گوسفند ابله 2 ساله اش راه می رود!
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/use-amazon-sagemaker-model-cards-sharing-to-improve-model-governance/
- : دارد
- :است
- :جایی که
- $UP
- 10
- 100
- 20
- سال 20
- 2022
- 361
- 7
- 700
- 9
- a
- درباره ما
- شتاب دادن
- پذیرفتن
- دسترسی
- دسترسی
- دسترسی
- انجام دادن
- حساب
- حساب ها
- دستیابی به
- در میان
- عمل
- فعالیت ها
- فعالیت
- اضافه کردن
- اضافه
- اضافه
- علاوه بر این
- اتخاذ
- اتخاذ
- پس از
- از نو
- تجمیع
- AI
- AI / ML
- اجازه دادن
- همچنین
- آمازون
- آمازون SageMaker
- آمازون خدمات وب
- خدمات وب آمازون (AWS)
- an
- و
- دیگر
- رابط های برنامه کاربردی
- ظاهر شدن
- برنامه های کاربردی
- درخواست
- روش
- رویکردها
- معماری
- هستند
- محدوده
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- AS
- فرض
- At
- خواص
- حسابرسی
- خودکار بودن
- اتوماسیون
- در دسترس
- AWS
- مدیریت هویت و دسترسی AWS (IAM)
- AWS دوباره: اختراع
- به عقب
- مستقر
- BE
- زیرا
- شدن
- تبدیل شدن به
- بوده
- قبل از
- مزایای
- بهترین
- بهترین شیوه
- بزرگ
- بزرگ داده
- هر دو
- ساختن
- سازنده
- بنا
- می سازد
- کسب و کار
- برنامه های تجاری
- اما
- by
- نام
- CAN
- قابلیت های
- قابلیت
- کارت
- کارت ها
- مورد
- موارد
- مرکز
- مرکزی
- متمرکز
- چالش ها
- تبادل
- را انتخاب کنید
- ابر
- پذیرش ابر
- رمز
- همکاری
- پیچیده
- انطباق
- جزء
- مفاهیم
- رفتار
- پیکر بندی
- پیکربندی
- کنسول
- مصرف
- ظروف
- ادامه دادن
- مداوم
- مشارکت
- کنترل
- هسته
- اصلاح
- پوشش
- ایجاد
- ایجاد شده
- ایجاد
- مجوزها و اعتبارات
- بحرانی
- سفارشی
- مشتری
- مشتریان
- داده ها
- علم اطلاعات
- دانشمند داده
- تاریخ
- تصمیم گیری
- عمیق
- به طور پیش فرض
- تحویل
- بستگی دارد
- گسترش
- استقرار
- گسترش
- توصیف
- شرح داده شده
- طراحی
- جزئیات
- برنامه نویس
- پروژه
- تفاوت
- بحث کردیم
- توزیع شده
- شیرجه رفتن
- do
- مستندات
- آیا
- پیش نویس
- دو
- در طی
- هر
- پیش از آن
- اثر
- قادر ساختن
- تشویق
- نقطه پایانی
- مهندس
- مورد تأیید
- افزایش می یابد
- لذت بردن
- اطمینان حاصل شود
- وارد
- سرمایه گذاری
- شرکت
- محیط
- ارزیابی
- مثال
- گسترش
- تجربه
- آزمایش
- واقعیت
- ویژگی
- فدراسیون
- باز خورد
- زمینه
- فیلم
- فیلتر
- فیلترها برای تصفیه آب
- سرانجام
- پیدا کردن
- نام خانوادگی
- تمرکز
- پیروی
- به دنبال آن است
- برای
- پایه
- چارچوب
- از جانب
- بیشتر
- دریافت کنید
- گرفتن
- می دهد
- Go
- حکومت
- حکومت داری
- اعطا شده
- کمک های مالی
- بود
- سخت تر
- آیا
- داشتن
- he
- کمک
- کمک
- کمک می کند
- خود را
- چگونه
- چگونه
- اما
- HTML
- HTTPS
- قطب
- ترکیبی
- ID
- هویت
- if
- نشان می دهد
- اجرا
- مهم
- بهبود
- بهبود
- in
- مشمول
- شامل
- گنجاندن
- فرد
- اطلاعات
- ورودی
- ادغام
- اطلاعات
- مورد نظر
- به
- معرفی
- دعوت
- گرفتار
- انزوا
- IT
- ITS
- پیوستن
- سفر
- JPG
- کلید
- دانستن
- نام
- یادگیری
- ترک کردن
- قانونی
- اجازه
- wifecycwe
- پسندیدن
- لینک
- فهرست
- فهرست
- ورود به سیستم
- طولانی
- دیگر
- دوست دارد
- دستگاه
- فراگیری ماشین
- ساخته
- اصلی
- مسیر اصلی
- حفظ
- ساخت
- ساخت
- اداره می شود
- مدیریت
- مدیر
- مدیریت
- بسیاری
- علامت گذاری شده
- me
- متاداده
- ML
- MLO ها
- حالت
- مدل
- مدل
- بیش
- موتورسیکلت
- چند
- چندگانه
- باید
- نام
- باریک
- نیاز
- نیازهای
- جدید
- بعد
- نه
- اکنون
- عدد
- of
- on
- ONE
- فقط
- عملیاتی
- قابل استفاده
- بهینه سازی
- گزینه
- or
- کدام سازمان ها
- سازمان های
- خارج
- نتایج
- تولید
- خارج از
- روی
- مروری
- خود
- مالک است
- با ما
- بخش
- احساساتی
- الگوهای
- انتظار
- مجوز
- افلاطون
- هوش داده افلاطون
- PlatoData
- سیاست
- سیاست
- پست
- صفحه اصلی
- تمرین
- شیوه های
- پیش نیازها
- قبلی
- قبلا
- اصلی
- اصولی
- از اصول
- خلوت
- مشکل
- فرآیندهای
- در حال پردازش
- تولید
- پروژه
- پروژه ها
- مناسب
- ارائه
- ارائه
- فراهم می کند
- اهداف
- کیفیت
- رم
- RE
- حالت فقط خواندنی
- گرفتن
- دریافت
- توصیه
- توصیه می شود
- مراجعه
- منطقه
- ثبت
- رجیستری
- قابلیت اطمینان
- باقی مانده
- گزارش
- نیاز
- مورد نیاز
- منابع
- منابع
- نتایج
- این فایل نقد می نویسید:
- بررسی
- نقش
- دویدن
- در حال اجرا
- اجرا می شود
- حکیم ساز
- همان
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- مقیاس گذاری
- سناریو
- علم
- دانشمند
- دانشمندان
- جستجو
- بخش
- امن
- ایمن
- تیم امنیت لاتاری
- دیدن
- انتخاب شد
- سرویس
- خدمات
- تنظیم
- محیط
- برپایی
- اشتراک گذاری
- به اشتراک گذاشته شده
- سهام
- اشتراک
- ورق
- کوتاه
- نشان
- نشان داده شده
- نشان می دهد
- پس از
- تنها
- So
- مزایا
- حل
- برخی از
- بزودی
- منبع
- خاص
- مشخص شده
- سهامداران
- استاندارد
- شروع
- آغاز شده
- شروع می شود
- بیانیه
- وضعیت
- گام
- مراحل
- هنوز
- استراتژی
- ساده کردن
- موفق
- حمایت از
- پشتیبانی از
- مطمئن
- افزایش
- تیم
- تیم ها
- فنی
- فن آوری
- قالب
- آزمون
- تست
- که
- La
- اطلاعات
- شان
- آنها
- تم
- سپس
- آنجا.
- در نتیجه
- اینها
- آنها
- این
- کسانی که
- از طریق
- سراسر
- زمان
- سفر در زمان
- به
- ابزار
- پیگردی
- آموزش
- شفافیت
- سفر
- ماشه
- حقیقت
- امتحان
- دور زدن
- نوع
- زیر
- جهان
- به روز شده
- us
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربران
- با استفاده از
- v1
- اعتبار سنجی
- ارزش
- نسخه
- از طريق
- چشم انداز
- ویشال
- دید
- بود
- we
- وب
- خدمات وب
- چه زمانی
- که
- در حین
- WHO
- اراده
- با
- در داخل
- مهاجرت کاری
- سال
- شما
- شما
- زفیرنت