Tämä on vieraspostaus, joka on kirjoitettu yhdessä Iambic Therapeuticsin johtoryhmän kanssa.
Iambic Therapeutics on lääkekehitysyritys, jonka tehtävänä on luoda innovatiivisia tekoälypohjaisia teknologioita tuodakseen parempia lääkkeitä syöpäpotilaille nopeammin.
Kehittyneet generatiiviset ja ennustavat tekoälytyökalumme antavat meille mahdollisuuden etsiä laajoista mahdollisista lääkemolekyylistä nopeammin ja tehokkaammin. Teknologiamme ovat monipuolisia ja sovellettavissa terapeuttisille alueille, proteiiniluokille ja toimintamekanismeille. Erillisten tekoälytyökalujen luomisen lisäksi olemme luoneet integroidun alustan, joka yhdistää tekoälyohjelmistot, pilvipohjaiset tiedot, skaalautuvan laskentainfrastruktuurin sekä tehokkaat kemialliset ja biologiset ominaisuudet. Alusta mahdollistaa tekoälymme – toimittamalla tietoja mallejamme tarkentamiseen – ja sen avulla hyödyntäen mahdollisuuksia automatisoituun päätöksentekoon ja tietojenkäsittelyyn.
Mittaamme menestystä kyvyllämme tuottaa ylivoimaisia kliinisiä ehdokkaita vastaamaan kiireellisiin potilaiden tarpeisiin ennennäkemättömällä nopeudella: etenimme ohjelman käynnistämisestä kliinisiksi ehdokkaiksi vain 24 kuukaudessa, huomattavasti nopeammin kuin kilpailijamme.
Tässä viestissä keskitymme siihen, miten käytimme Puuseppä on Amazonin elastisten kuberneettien palvelu (Amazon EKS) skaalata tekoälykoulutusta ja johtopäätöksiä, jotka ovat Iambic-löytöalustan ydinelementtejä.
Tarve skaalautuvalle tekoälykoulutukselle ja johtopäätöksille
Joka viikko Iambic tekee tekoälypäätelmiä kymmenille malleille ja miljoonille molekyyleille palvellen kahta ensisijaista käyttötapausta:
- Lääkekemistit ja muut tiedemiehet käyttävät verkkosovellustamme Insight tutkiakseen kemiallista tilaa, käyttääkseen ja tulkitaakseen kokeellisia tietoja sekä ennustaakseen uusien molekyylien ominaisuuksia. Kaikki tämä työ tehdään interaktiivisesti reaaliajassa, mikä luo tarpeen tehdä johtopäätöksiä alhaisella latenssilla ja keskimääräisellä suorituskyvyllä.
- Samaan aikaan generatiiviset tekoälymallimme suunnittelevat automaattisesti molekyylejä, jotka tähtäävät useiden ominaisuuksien parantamiseen, etsivät miljoonia ehdokkaita ja vaativat valtavan suorituskyvyn ja keskipitkän latenssin.
Tekoälyteknologian ja asiantuntevien huumemetsästäjien ohjaama kokeellinen alustamme tuottaa tuhansia ainutlaatuisia molekyylejä joka viikko, ja jokaiselle tehdään useita biologisia määrityksiä. Luodut datapisteet käsitellään automaattisesti ja niitä käytetään AI-malliemme hienosäätämiseen joka viikko. Aluksi mallin hienosäätö vei tuntikausia CPU-aikaa, joten mallin hienosäädön skaalaus GPU:illa oli välttämätöntä.
Syväoppimismalleillamme on ei-triviaaleja vaatimuksia: ne ovat kooltaan gigatavuja, niitä on lukuisia ja heterogeenisia, ja ne vaativat GPU:ita nopeaan päättelyyn ja hienosäätöön. Pilviinfrastruktuuria silmällä pitäen tarvitsimme järjestelmän, jonka avulla voimme käyttää GPU:ita, skaalata ylös ja alas nopeasti, jotta voimme käsitellä piikkisiä, heterogeenisia työkuormia ja ajaa suuria Docker-kuvia.
Halusimme rakentaa skaalautuvan järjestelmän tukemaan tekoälykoulutusta ja johtopäätöksiä. Käytämme Amazon EKS:ää ja etsimme parasta ratkaisua työntekijöiden solmujen automaattiseen skaalaukseen. Valitsimme Karpenterin Kubernetes-solmun automaattiseen skaalaukseen useista syistä:
- Helppo integrointi Kubernetesiin, Kubernetesin semantiikan avulla solmuvaatimusten ja pod-spesifikaatioiden määrittämiseen skaalausta varten
- Pienen latenssin solmujen skaalaus
- Helppo integrointi infrastruktuuriimme koodityökaluna (Terraform)
Solmun ylläpitäjät tukevat vaivatonta integrointia Amazon EKS:n ja muiden AWS-resurssien, kuten esim Amazonin elastinen laskentapilvi (Amazon EC2) -tapaukset ja Amazonin elastisten lohkojen myymälä volyymit. Provisioijien käyttämä Kubernetes-semantiikka tukee suunnattua ajoitusta käyttämällä Kubernetes-rakenteita, kuten tahrat tai toleraatiot ja affiniteetti- tai anti-affiniteettimääritykset; ne myös helpottavat Karpenterin ajoittamien GPU-instanssien lukumäärän ja tyyppien hallintaa.
Ratkaisun yleiskatsaus
Tässä osiossa esittelemme yleisen arkkitehtuurin, joka on samanlainen kuin omissa työkuormissamme käyttämämme arkkitehtuuri, joka mahdollistaa mallien joustavan käyttöönoton käyttämällä tehokasta mukautettuihin mittareihin perustuvaa automaattista skaalausta.
Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.
Arkkitehtuuri käyttää a yksinkertainen palvelu Kubernetes-kotelossa an EKS-klusteri. Tämä voi olla mallipäätelmä, datasimulaatio tai mikä tahansa muu konttipalvelu, johon pääsee HTTP-pyynnöllä. Palvelu on esillä käänteisen välityspalvelimen takana Traefik. Käänteinen välityspalvelin kerää mittareita palvelukutsuista ja paljastaa ne tavallisen mittaussovellusliittymän kautta Prometheus. Kubernetes tapahtumaohjattu automaattinen skaalaus (KEDA) on määritetty skaalaamaan automaattisesti palvelupodien lukumäärä Prometheuksen mukautettujen mittareiden perusteella. Tässä käytämme pyyntöjen määrää sekunnissa mukautettuna mittarina. Sama arkkitehtoninen lähestymistapa pätee, jos valitset työkuormituksellesi toisen mittarin.
Karpenter tarkkailee vireillä olevia podeja, jotka eivät voi toimia, koska klusterissa ei ole riittävästi resursseja. Jos tällaisia podeja havaitaan, Karpenter lisää klusteriin lisää solmuja tarvittavien resurssien tarjoamiseksi. Päinvastoin, jos klusterissa on enemmän solmuja kuin mitä ajoitetut podit tarvitsevat, Karpenter poistaa osan työntekijäsolmuista ja podit ajoitetaan uudelleen, jolloin ne yhdistetään harvemmille esiintymille. HTTP-pyyntöjen määrä sekunnissa ja solmujen määrä voidaan visualisoida käyttämällä a grafana kojelauta. Automaattisen skaalauksen esittelemiseksi suoritamme yhden tai useamman yksinkertaiset kuormaa tuottavat kotelot, jotka lähettävät HTTP-pyyntöjä palveluun käyttämällä kiemura.
Ratkaisun käyttöönotto
In vaiheittaiset ohjeet, käytämme AWS-pilvi9 ympäristönä arkkitehtuurin käyttöönottamiseksi. Tämä mahdollistaa kaikkien vaiheiden suorittamisen verkkoselaimella. Voit myös ottaa ratkaisun käyttöön paikalliselta tietokoneelta tai EC2-esiintymältä.
Käyttöönoton yksinkertaistamiseksi ja toistettavuuden parantamiseksi noudatamme järjestelmän periaatteita tee-kehys ja rakenne riippuvainen telakointiasemasta. Kloonaamme aws-do-eks projekti ja käyttö Satamatyöläinen, rakennamme konttikuvan, joka on varustettu tarvittavilla työkaluilla ja skripteillä. Säilön sisällä käymme läpi kaikki päästä-päähän läpikäynnin vaiheet EKS-klusterin luomisesta Karpenterin avulla skaalaukseen. EC2-esiintymiä.
Tämän viestin esimerkissä käytämme seuraavaa EKS-klusterin luettelo:
apiVersion: eksctl.io/v1alpha5
kind: ClusterConfig
metadata:
name: do-eks-yaml-karpenter
version: '1.28'
region: us-west-2
tags:
karpenter.sh/discovery: do-eks-yaml-karpenter
iam:
withOIDC: true
addons:
- name: aws-ebs-csi-driver
version: v1.26.0-eksbuild.1
wellKnownPolicies:
ebsCSIController: true
managedNodeGroups:
- name: c5-xl-do-eks-karpenter-ng
instanceType: c5.xlarge
instancePrefix: c5-xl
privateNetworking: true
minSize: 0
desiredCapacity: 2
maxSize: 10
volumeSize: 300
iam:
withAddonPolicies:
cloudWatch: true
ebs: true
Tämä luettelo määrittää klusterin nimeltä do-eks-yaml-karpenter
EBS CSI -ajurin ollessa asennettuna lisäosana. Hallittu solmuryhmä kahdella c5.xlarge
solmut ovat mukana suorittamaan klusterin tarvitsemia järjestelmäryhmiä. Työntekijäsolmut sijaitsevat yksityisissä aliverkoissa, ja klusterin API-päätepiste on oletuksena julkinen.
Voit myös käyttää olemassa olevaa EKS-klusteria sellaisen luomisen sijaan. Otamme Karpenterin käyttöön seuraamalla ohjeet Karpenterin dokumentaatiossa tai suorittamalla seuraava käsikirjoitus, joka automatisoi käyttöönotto-ohjeet.
Seuraava koodi näyttää tässä esimerkissä käyttämämme Karpenter-kokoonpanon:
apiVersion: karpenter.sh/v1beta1
kind: NodePool
metadata:
name: default
spec:
template:
metadata: null
labels:
cluster-name: do-eks-yaml-karpenter
annotations:
purpose: karpenter-example
spec:
nodeClassRef:
apiVersion: karpenter.k8s.aws/v1beta1
kind: EC2NodeClass
name: default
requirements:
- key: karpenter.sh/capacity-type
operator: In
values:
- spot
- on-demand
- key: karpenter.k8s.aws/instance-category
operator: In
values:
- c
- m
- r
- g
- p
- key: karpenter.k8s.aws/instance-generation
operator: Gt
values:
- '2'
disruption:
consolidationPolicy: WhenUnderutilized
#consolidationPolicy: WhenEmpty
#consolidateAfter: 30s
expireAfter: 720h
---
apiVersion: karpenter.k8s.aws/v1beta1
kind: EC2NodeClass
metadata:
name: default
spec:
amiFamily: AL2
subnetSelectorTerms:
- tags:
karpenter.sh/discovery: "do-eks-yaml-karpenter"
securityGroupSelectorTerms:
- tags:
karpenter.sh/discovery: "do-eks-yaml-karpenter"
role: "KarpenterNodeRole-do-eks-yaml-karpenter"
tags:
app: autoscaling-test
blockDeviceMappings:
- deviceName: /dev/xvda
ebs:
volumeSize: 80Gi
volumeType: gp3
iops: 10000
deleteOnTermination: true
throughput: 125
detailedMonitoring: true
Määrittelemme oletusarvoisen Karpenter NodePoolin seuraavilla vaatimuksilla:
- Karpenter voi käynnistää ilmentymiä molemmista
spot
jaon-demand
kapasiteettialtaat - Esiintymien tulee olla peräisin "
c
" (laskenta optimoitu), "m
" (yleinen tarkoitus), "r
" (muisti optimoitu) tai "g
"Ja"p
” (GPU-kiihdytetty) laskentaperheitä - Ilmentymän sukupolven on oltava suurempi kuin 2; esimerkiksi,
g3
on hyväksyttävää, muttag2
ei ole
OletusNodePool määrittää myös häiriökäytännöt. Alikäytössä olevat solmut poistetaan, jotta podit voidaan yhdistää toimimaan harvemmilla tai pienemmillä solmuilla. Vaihtoehtoisesti voimme määrittää tyhjät solmut poistettavaksi määritetyn ajanjakson jälkeen. The expireAfter
asetus määrittää minkä tahansa solmun enimmäiskeston, ennen kuin se pysäytetään ja vaihdetaan tarvittaessa. Tämä auttaa vähentämään tietoturva-aukkoja ja välttämään ongelmia, jotka ovat tyypillisiä solmuille, joiden käyttöaika on pitkä, kuten tiedostojen pirstoutumista tai muistivuotoja.
Oletusarvoisesti Karpenter tarjoaa solmuja pienellä juurivolyymilla, mikä ei välttämättä riitä tekoälyn tai koneoppimisen (ML) työkuormien suorittamiseen. Jotkin syvän oppimisen säilökuvat voivat olla kooltaan kymmeniä gigatavuja, ja meidän on varmistettava, että solmuissa on tarpeeksi tallennustilaa, jotta voidaan käyttää näitä kuvia käyttäviä podeja. Tätä varten määrittelemme EC2NodeClass
with blockDeviceMappings
, kuten edellisessä koodissa näkyy.
Karpenter vastaa automaattisesta skaalauksesta klusteritasolla. Automaattisen skaalauksen määrittämiseksi pod-tasolla käytämme KEDAa määrittämään mukautetun resurssin nimeltä ScaledObject
, kuten seuraavassa koodissa esitetään:
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
name: keda-prometheus-hpa
namespace: hpa-example
spec:
scaleTargetRef:
name: php-apache
minReplicaCount: 1
cooldownPeriod: 30
triggers:
- type: prometheus
metadata:
serverAddress: http://prometheus- server.prometheus.svc.cluster.local:80
metricName: http_requests_total
threshold: '1'
query: rate(traefik_service_requests_total{service="hpa-example-php-apache-80@kubernetes",code="200"}[2m])
Edellinen manifesti määrittelee a ScaledObject
nimeltään keda-prometheus-hpa
, joka vastaa php-apachen käyttöönoton skaalauksesta ja pitää aina vähintään yhden replikan käynnissä. Se skaalaa tämän käyttöönoton podit metriikan perusteella http_requests_total
saatavilla Prometheuksessa määritetyllä kyselyllä saatuja, ja tavoitteena on skaalata podeja niin, että kukin pod palvelee enintään yhtä pyyntöä sekunnissa. Se skaalaa kopioita, kun pyyntökuormitus on ollut kynnyksen alapuolella yli 30 sekuntia.
- käyttöönotto spec esimerkkipalvelumme sisältää seuraavan resurssipyynnöt ja rajoitukset:
resources:
limits:
cpu: 500m
nvidia.com/gpu: 1
requests:
cpu: 200m
nvidia.com/gpu: 1
Tällä kokoonpanolla jokainen palvelupodista käyttää täsmälleen yhtä NVIDIA GPU:ta. Kun uusia podeja luodaan, ne ovat Odottaa-tilassa, kunnes GPU on käytettävissä. Karpenter lisää GPU-solmuja klusteriin tarpeen mukaan odottavien podien sovittamiseksi.
A kuormaa tuottava pod lähettää HTTP-pyyntöjä palveluun ennalta määrätyllä taajuudella. Lisäämme pyyntöjen määrää lisäämällä replikoiden määrää kuormitusgeneraattorin käyttöönotto.
Täysi skaalaussykli käyttöperusteisella solmujen yhdistämisellä visualisoidaan Grafana-kojelaudassa. Seuraava kojelauta näyttää klusterin solmujen määrän ilmentymän tyypin mukaan (ylhäällä), pyyntöjen lukumäärän sekunnissa (vasemmalla) ja ryhmittymien lukumäärän (oikealla).
Aloitamme vain kahdella c5.xlarge CPU -esiintymillä, joilla klusteri luotiin. Sitten otamme käyttöön yhden palveluinstanssin, joka vaatii yhden GPU:n. Karpenter lisää g4dn.xlarge-instanssin vastaamaan tähän tarpeeseen. Otamme sitten käyttöön kuormitusgeneraattorin, mikä saa KEDA:n lisäämään lisää palvelupodioita ja Karpenterin lisää GPU-esiintymiä. Optimoinnin jälkeen tila asettuu yhteen p3.8xlarge-instanssiin, jossa on 8 GPU:ta ja yhteen g5.12xlarge-instanssiin, jossa on 4 GPU:ta.
Kun skaalaamme kuormitusta luovan käyttöönoton 40 replikaan, KEDA luo lisäpalveluryhmiä ylläpitääkseen vaaditun pyyntökuormituksen ryhmää kohti. Karpenter lisää g4dn.metal- ja g4dn.12xlarge-solmut klusteriin tarjotakseen tarvittavat GPU:t lisäkoteloille. Skaalatussa tilassa klusteri sisältää 16 GPU-solmua ja palvelee noin 300 pyyntöä sekunnissa. Kun skaalaamme kuormitusgeneraattorin yhteen kopioon, tapahtuu käänteinen prosessi. Jäähdytysjakson jälkeen KEDA vähentää huoltokoteloiden määrää. Sitten kun vähemmän podeja suoritetaan, Karpenter poistaa vajaakäytössä olevat solmut klusterista ja palvelupodit konsolidoidaan toimimaan harvemmissa solmuissa. Kun kuormituksen luontiyksikkö poistetaan, yksi ainoa palveluyksikkö yhdessä g1dn.xlarge-esiintymässä, jossa on yksi grafiikkasuoritin, jää käynnissä. Kun poistamme myös palvelupodin, klusteri jää alkuperäiseen tilaan, jossa on vain kaksi CPU-solmua.
Voimme havaita tämän käyttäytymisen, kun NodePool
on asetus consolidationPolicy: WhenUnderutilized
.
Tällä asetuksella Karpenter konfiguroi klusterin dynaamisesti niin vähän solmuja kuin mahdollista, samalla kun se tarjoaa riittävästi resursseja kaikille podille ja minimoi kustannukset.
Seuraavassa kojelaudassa näkyvää skaalauskäyttäytymistä havaitaan, kun NodePool
konsolidointipolitiikka on asetettu WhenEmpty
, kera consolidateAfter: 30s
.
Tässä skenaariossa solmut pysäytetään vain, kun niissä ei ole käynnissä tyynyjä viilennysajan jälkeen. Skaalauskäyrä näyttää tasaiselta verrattuna käyttöasteeseen perustuvaan konsolidointipolitiikkaan; kuitenkin voidaan nähdä, että skaalatussa tilassa käytetään enemmän solmuja (22 vs. 16).
Kaiken kaikkiaan podin ja klusterin automaattisen skaalauksen yhdistäminen varmistaa, että klusteri skaalautuu dynaamisesti työmäärän mukaan, kohdistaa resurssit tarvittaessa ja poistaa ne, kun niitä ei käytetä, mikä maksimoi käytön ja minimoi kustannukset.
tulokset
Iambic käytti tätä arkkitehtuuria mahdollistaakseen grafiikkasuorittimien tehokkaan käytön AWS:ssä ja siirtääkseen työkuormia CPU:sta GPU:hun. Käyttämällä EC2 GPU-käyttöisiä instansseja, Amazon EKS:ää ja Karpenteria pystyimme mahdollistamaan nopeamman päättelyn fysiikkapohjaisista malleistamme ja nopeat kokeiden iteraatioajat soveltaville tutkijoille, jotka luottavat koulutukseen palveluna.
Seuraavassa taulukossa on yhteenveto joistakin tämän siirron aikamittareista.
Tehtävä | Prosessorit | GPU |
Päättäminen diffuusiomalleilla fysiikkapohjaisille ML-malleille | 3,600 sekuntia |
100 sekuntia (GPU:iden luontaisesta erästä johtuen) |
ML-mallikoulutus palveluna | 180 minuuttia | 4 minuuttia |
Seuraavassa taulukossa on yhteenveto joistakin aika- ja kustannusmittareistamme.
Tehtävä | Suorituskyky/kustannukset | |
Prosessorit | GPU | |
ML malli koulutus |
240 minuuttia keskimäärin 0.70 dollaria koulutustehtävää kohden |
20 minuuttia keskimäärin 0.38 dollaria koulutustehtävää kohden |
Yhteenveto
Tässä viestissä esittelimme, kuinka Iambic käytti Karpenteriä ja KEDA:a skaalatakseen Amazon EKS -infrastruktuurimme vastaamaan tekoälyn päättelyn ja koulutustyökuormituksen latenssivaatimuksia. Karpenter ja KEDA ovat tehokkaita avoimen lähdekoodin työkaluja, jotka auttavat skaalaamaan automaattisesti EKS-klustereita ja niissä käynnissä olevia työkuormia. Tämä auttaa optimoimaan laskentakustannukset ja täyttämään suorituskykyvaatimukset. Voit tarkistaa koodin ja ottaa saman arkkitehtuurin käyttöön omassa ympäristössäsi noudattamalla tämän koko ohjetta GitHub repo.
Tietoja Tekijät
Matthew Welborn on koneoppimisen johtaja Iambic Therapeuticsissa. Hän ja hänen tiiminsä hyödyntävät tekoälyä nopeuttaakseen uusien terapeuttisten lääkkeiden tunnistamista ja kehittämistä ja tuomalla potilaille hengenpelastuslääkkeitä nopeammin.
Paul Whittemore on pääinsinööri Iambic Therapeuticsissa. Hän tukee infrastruktuurin toimittamista Iambic AI -pohjaiselle huumeiden tutkimusalustalle.
Alex Iankoulski on ML/AI Frameworksin pääratkaisuarkkitehti, joka keskittyy auttamaan asiakkaita järjestämään tekoälytyökuormituksensa säiliöiden ja AWS:n nopeutetun laskentainfrastruktuurin avulla.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/scale-ai-training-and-inference-for-drug-discovery-through-amazon-eks-and-karpenter/
- :on
- :On
- :ei
- ][s
- $ YLÖS
- 1
- 10
- 100
- 125
- 16
- 200
- 200m
- 22
- 24
- 26%
- 28
- 30
- 300
- 40
- 600
- 7
- 70
- 8
- 80
- a
- kyky
- pystyy
- Meistä
- kiihdyttää
- kiihtyi
- hyväksyttävä
- pääsy
- saatavilla
- majoittaa
- poikki
- Toiminta
- lisätä
- Lisäosan
- lisä-
- osoite
- Lisää
- kehittynyt
- affiniteetti
- Jälkeen
- AI
- AI-mallit
- AI-koulutus
- Kaikki
- mahdollistaa
- pitkin
- Myös
- aina
- Amazon
- Amazon EC2
- Amazon Web Services
- an
- ja
- Kaikki
- api
- sovelluksen
- näyttää
- sovelletaan
- Hakemus
- sovellettu
- sovelletaan
- lähestymistapa
- arkkitehtuurin
- arkkitehtuuri
- OVAT
- alueet
- keinotekoinen
- tekoäly
- Tekoäly (AI)
- AS
- At
- auto
- Automatisoitu
- automaatti
- automaattisesti
- saatavissa
- välttää
- AWS
- perustua
- annostelu-
- BE
- ollut
- ennen
- käyttäytyminen
- takana
- alle
- PARAS
- Paremmin
- Jälkeen
- biologia
- Tukkia
- sekä
- pohja
- tuoda
- Tuominen
- selain
- rakentaa
- mutta
- by
- nimeltään
- Puhelut
- CAN
- Syöpä
- ehdokkaat
- kyvyt
- Koko
- hyödyntäminen
- tapauksissa
- syyt
- tarkastaa
- kemiallinen
- kemia
- Valita
- valitsi
- luokat
- Kliininen
- pilvi
- pilvi infrastruktuuri
- Cluster
- koodi
- kerää
- yhdistely
- verrattuna
- kilpailijat
- täydellinen
- Valmistunut
- laskeminen
- Laskea
- tietokone
- tietojenkäsittely
- Konfigurointi
- määritetty
- lujittaa
- vakauttaminen
- rakentaa
- Kontti
- Kontit
- sisältää
- ohjaus
- päinvastoin
- cooldown
- Ydin
- Hinta
- kustannukset
- voisi
- luoda
- luotu
- luo
- Luominen
- CSI
- käyrä
- asiakassuhde
- Asiakkaat
- sykli
- kojelauta
- tiedot
- datapisteet
- tietojenkäsittely
- Päätöksenteko
- syvä
- syvä oppiminen
- oletusarvo
- määritellä
- määrittelee
- toimitus
- osoittaa
- sijoittaa
- käyttöönotto
- lauennut
- Malli
- suunniteltu
- havaittu
- Kehitys
- kaavio
- eri
- eriytetty
- Diffuusio
- suunnattu
- Johtaja
- löytö
- Häiriö
- do
- Satamatyöläinen
- dokumentointi
- tehty
- alas
- kymmeniä
- ajanut
- kuljettaja
- huume
- kaksi
- dynaamisesti
- kukin
- tehokkaasti
- tehokas
- vaivaton
- elementtejä
- mahdollistaa
- käytössä
- mahdollistaa
- päittäin
- päätepiste
- insinööri
- valtava
- tarpeeksi
- ympäristö
- varustettu
- vakiintunut
- tapahtuma
- Joka
- täsmälleen
- esimerkki
- olemassa
- kokeilu
- kokeellinen
- asiantuntija
- tutkia
- avoin
- helpottamaan
- FAST
- nopeampi
- harvat
- vähemmän
- filee
- Keskittää
- keskittyy
- seurata
- jälkeen
- varten
- hajanaisuus
- Puitteet
- puitteet
- Taajuus
- alkaen
- koko
- general
- syntyy
- synnyttää
- sukupolvi
- generatiivinen
- Generatiivinen AI
- generaattori
- saada
- GPU
- GPU
- suurempi
- Ryhmä
- vieras
- vieras Lähetä
- kahva
- Olla
- he
- auttaa
- auttaa
- auttaa
- tätä
- hänen
- isännöi
- TUNTIA
- Miten
- Kuitenkin
- http
- HTTPS
- Tunnistaminen
- if
- havainnollistaa
- kuva
- kuvien
- imperatiivi
- parantaa
- parannus
- in
- mukana
- Kasvaa
- lisää
- Infrastruktuuri
- luontainen
- ensimmäinen
- ensin
- innovatiivinen
- tietoa
- asennetaan
- esimerkki
- sen sijaan
- ohjeet
- integroitu
- integraatio
- Älykkyys
- tulkita
- kysymykset
- IT
- iteraatio
- jpg
- vain
- pitää
- avain
- laji
- tarrat
- Lack
- suuri
- Viive
- käynnistää
- Johto
- Vuodot
- oppiminen
- vähiten
- vasemmalle
- Taso
- Vaikutusvalta
- elinikäinen
- rajat
- kuormitus
- paikallinen
- Pitkät
- kauemmin
- näköinen
- Matala
- kone
- koneoppiminen
- ylläpitää
- tehdä
- TEE
- onnistui
- maksimointi
- maksimi
- Saattaa..
- mitata
- mekanismit
- keskikokoinen
- Tavata
- kokous
- Muisti
- yhdistämisiä
- Metadata
- metalli-
- metrinen
- Metrics
- vaeltaa
- muutto
- miljoonia
- minimointia
- Tehtävä
- ML
- malli
- mallit
- näytöt
- kk
- lisää
- moninkertainen
- täytyy
- nimi
- nimetty
- välttämätön
- Tarve
- tarvitaan
- Uusi
- hiljattain
- Nro
- solmu
- solmut
- romaani
- numero
- useat
- Nvidia
- tarkkailla
- saatu
- of
- on
- Tarpeen vaatiessa
- ONE
- vain
- avata
- avoimen lähdekoodin
- operaattori
- Mahdollisuudet
- optimointi
- Optimoida
- optimoitu
- or
- Muut
- meidän
- ulos
- yli
- oma
- potilas
- potilaat
- odotettaessa
- varten
- suorituskyky
- suorittaa
- aika
- Paikka
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- pistettä
- politiikkaa
- politiikka
- mahdollinen
- Kirje
- powered
- voimakas
- edeltävä
- ennustaa
- esittää
- ensisijainen
- Pääasiallinen
- periaatteet
- yksityinen
- prosessi
- Käsitelty
- käsittely
- tuottaa
- Ohjelma
- projekti
- ominaisuudet
- Proteiini
- toimittaa
- tarjoamalla
- valtuutettu
- julkinen
- tarkoitus
- kysymys
- nopeasti
- R
- todellinen
- reaaliaikainen
- syistä
- vähentää
- vähentää
- tarkentaa
- alue
- luottaa
- jäännökset
- poistaa
- poistettu
- Poistaa
- poistamalla
- korvataan
- vastaus
- pyyntö
- pyynnöt
- edellyttää
- tarvitaan
- vaatimukset
- Vaatii
- resurssi
- Esittelymateriaalit
- vastuullinen
- käänteinen
- oikein
- Rooli
- juuri
- ajaa
- juoksu
- sama
- skaalautuva
- Asteikko
- mittakaava ai
- skaalattu
- asteikot
- skaalaus
- skenaario
- suunniteltu
- aikataulutus
- tutkijat
- skriptejä
- Haku
- haku
- Toinen
- sekuntia
- Osa
- turvallisuus
- nähneet
- semantiikka
- lähettää
- lähettää
- palvelin
- palvelee
- palvelu
- Palvelut
- palvelevat
- setti
- asetus
- asettuu
- malliesimerkki
- esitetty
- Näytä
- merkittävästi
- samankaltainen
- yksinkertaistaa
- simulointi
- single
- Koko
- pieni
- pienempiä
- sujuvaa
- So
- Tuotteemme
- ratkaisu
- Ratkaisumme
- jonkin verran
- lähde
- Tila
- tekniset tiedot
- määritelty
- silmälasit
- nopeus
- Kaupallinen
- standardi
- Alkaa
- käynnistyksen
- Osavaltio
- Askeleet
- pysähtynyt
- Levytila
- rakenne
- aliverkkoon
- menestys
- niin
- riittävä
- esimies
- toimittaa
- tuki
- Tukee
- varma
- svc
- järjestelmä
- taulukko
- vie
- kohdistaminen
- tavoitteet
- joukkue-
- Technologies
- sapluuna
- kymmeniä
- terraform
- kuin
- että
- -
- Valtion
- heidän
- Niitä
- sitten
- terapeutiikka
- Siellä.
- siten
- Nämä
- ne
- tätä
- tuhansia
- kynnys
- Kautta
- suoritusteho
- aika
- kertaa
- että
- otti
- työkalut
- ylin
- koulutus
- totta
- kaksi
- tyyppi
- tyypit
- tyypillinen
- unique
- ennennäkemätön
- asti
- käyttöajat
- kiireellinen
- us
- käyttää
- käytetty
- käyttämällä
- v1
- arvot
- valtava
- monipuolinen
- versio
- kautta
- tilavuus
- volyymit
- vs
- haavoittuvuuksia
- läpikäynti
- halusi
- oli
- we
- verkko
- Web-sovellus
- Web-selain
- verkkopalvelut
- viikko
- HYVIN
- olivat
- Mitä
- Mikä on
- kun
- joka
- vaikka
- KUKA
- tulee
- with
- sisällä
- Referenssit
- työntekijä
- yaml
- Voit
- Sinun
- zephyrnet