Kun koneoppiminen (ML) siirtyy valtavirtaan ja laajenee, ML-pohjaiset päättelysovellukset ovat yhä yleisempiä monimutkaisten liiketoimintaongelmien ratkaisemiseksi. Näiden monimutkaisten liiketoimintaongelmien ratkaiseminen vaatii usein useiden ML-mallien ja -vaiheiden käyttöä. Tämä viesti näyttää, kuinka voit rakentaa ja isännöidä ML-sovellusta mukautetuilla säilöillä Amazon Sage Maker.
Amazon SageMaker tarjoaa sisäänrakennetut algoritmit ja valmiiksi rakennettu SageMaker telakointikuvat mallin käyttöönottoa varten. Mutta jos nämä eivät sovi tarpeisiisi, voit tuoda omat konttisi (BYOC) isännöintiä varten Amazon SageMakerissa.
On olemassa useita käyttötapauksia, joissa käyttäjien saattaa olla tarpeen BYOC isännöidä Amazon SageMakerissa.
- Mukautetut ML-kehykset tai kirjastot: Jos aiot käyttää ML-kehystä tai kirjastoja, joita Amazon SageMakerin sisäänrakennetut algoritmit tai valmiiksi rakennetut säilöt eivät tue, sinun on luotava mukautettu säilö.
- Erikoismallit: Tietyillä aloilla tai toimialoilla saatat vaatia tiettyjä malliarkkitehtuureja tai räätälöityjä esikäsittelyvaiheita, joita ei ole saatavilla sisäänrakennetuissa Amazon SageMaker -tarjouksissa.
- Omistusalgoritmit: Jos olet kehittänyt omat algoritmisi talon sisällä, tarvitset mukautetun säilön ottaaksesi ne käyttöön Amazon SageMakerissa.
- Monimutkaiset päättelyputket: Jos ML-päättelytyönkulkuun liittyy mukautettu liiketoimintalogiikka – sarja monimutkaisia vaiheita, jotka on suoritettava tietyssä järjestyksessä –, BYOC voi auttaa sinua hallitsemaan ja organisoimaan näitä vaiheita tehokkaammin.
Ratkaisun yleiskatsaus
Tässä ratkaisussa näytämme kuinka isännöidä ML-sarjapäätelmäsovellusta Amazon SageMakerissa reaaliaikaisilla päätepisteillä käyttämällä kahta mukautettua päättelysäilöä uusimmalla scikit-learn
ja xgboost
paketteja.
Ensimmäinen säiliö käyttää a scikit-learn
malli muuntaa raakadataa suosituiksi sarakkeiksi. Se pätee StandardScaler numeerisille sarakkeille ja OneHotEncoder kategorisille.
Toisessa säiliössä on esikoulutettu XGboost
malli (eli ennustaja). Ennustava malli hyväksyy varustellun syötteen ja tulostaa ennusteita.
Lopuksi otamme käyttöön ominaisuus ja ennustaja sarjapäätelmäliukuhihnassa Amazon SageMakerin reaaliaikaiseen päätepisteeseen.
Tässä on muutamia eri näkökohtia siitä, miksi saatat haluta erilliset säilöt päättelysovelluksessasi.
- irrottamista – Putkilinjan eri vaiheilla on selkeästi määritelty tarkoitus, ja ne on ajettava erillisissä säiliöissä taustalla olevien riippuvuuksien vuoksi. Tämä auttaa myös pitämään putkilinjan hyvin rakenteellisena.
- kehykset – Putkilinjan eri vaiheissa käytetään erityisiä käyttötarkoitukseensa sopivia kehyksiä (kuten scikit tai Spark ML), ja siksi ne on ajettava erillisissä säiliöissä.
- Resurssien eristäminen – Putkilinjan eri vaiheilla on erilaiset resurssienkulutusvaatimukset, ja siksi ne on ajettava erillisissä säiliöissä joustavuuden ja hallinnan lisäämiseksi.
- Huolto ja päivitykset – Toiminnallisesta näkökulmasta tämä edistää toiminnallista eristystä ja voit jatkaa yksittäisten vaiheiden päivittämistä tai muokkaamista paljon helpommin vaikuttamatta muihin malleihin.
Lisäksi yksittäisten säilöjen paikallinen rakentaminen auttaa iteratiivisessa kehitys- ja testausprosessissa suosikkityökaluilla ja integroiduilla kehitysympäristöillä (IDE). Kun säilöt ovat valmiit, voit ottaa ne käyttöön AWS-pilvessä Amazon SageMaker -päätepisteiden avulla.
Täysi toteutus, mukaan lukien koodinpätkät, on saatavilla tässä Githubin arkistossa tätä.
Edellytykset
Koska testaamme näitä mukautettuja säilöjä ensin paikallisesti, tarvitsemme Docker-työpöydän asennettuna paikalliselle tietokoneellesi. Sinun pitäisi olla perehtynyt telakointikonttien rakentamiseen.
Tarvitset myös AWS-tilin, jolla on pääsy Amazon SageMakeriin, Amazon ECR:ään ja Amazon S3:een, jotta voit testata tämän sovelluksen päästä päähän.
Varmista, että sinulla on uusin versio Boto3
ja asennetut Amazon SageMaker Python -paketit:
Ratkaisun esittely
Rakenna mukautettu ominaisuussäiliö
Ensimmäisen kontin, featurizer-kontin rakentamiseksi koulutamme a scikit-learn
malli käsittelemään raaka-ominaisuuksia merikorva tietojoukko. Esikäsittelykomentosarja käyttää Yksinkertainen puuttuvien arvojen käsittelyyn, StandardScaler numeeristen sarakkeiden normalisointiin ja OneHotEncoder kategoristen sarakkeiden muuntamiseen. Muuntajan asennuksen jälkeen tallennamme mallin sisään Joblib muoto. Pakkaamme ja lataamme tämän tallennetun malliartefaktin Amazon Simple Storage Service -palveluun (Amazon S3) ämpäri.
Tässä on esimerkkikoodinpätkä, joka osoittaa tämän. Viitata featurizer.ipynb täydellistä toteutusta varten:
Seuraavaksi luomme mukautetun päättelysäiön ominaisuusmallille luomalla Docker-kuvan, jossa on nginx-, gunicorn-, pullo-paketteja sekä muita ominaisuusmallin vaadittuja riippuvuuksia.
Nginx, gunicorn ja Flask-sovellus toimivat mallina tarjoilupinona Amazon SageMakerin reaaliaikaisissa päätepisteissä.
Kun tuomme mukautettuja säilöjä isännöintiin Amazon SageMakerissa, meidän on varmistettava, että päättelykomentosarja suorittaa seuraavat tehtävät sen jälkeen, kun se on käynnistetty säilössä:
- Mallin lataus: Päätelmäskripti (
preprocessing.py
) pitäisi viitata/opt/ml/model
hakemistosta mallin lataamiseksi säiliöön. Amazon S3:n malliartefaktit ladataan ja asennetaan polulla olevaan säiliöön/opt/ml/model
. - Ympäristömuuttujat: Jos haluat siirtää mukautettuja ympäristömuuttujia säilöön, sinun on määritettävä ne Malli luomisvaiheessa tai sen aikana päätepiste luominen koulutustyöstä.
- API-vaatimukset: Päättelykomentosarjan on toteutettava molemmat
/ping
ja/invocations
reitit Flask-sovelluksena. The/ping
API:ta käytetään terveystarkastuksiin, kun taas/invocations
API käsittelee päättelypyynnöt. - Kirjaaminen: Johtokomentosarjan tulostelokit on kirjoitettava vakiolähtöön (stdout) ja standardivirhe (stderr) virtoja. Nämä lokit striimataan sitten osoitteeseen amazonin pilvikello kirjoittanut Amazon SageMaker.
Tässä katkelma preprocessing.py
jotka osoittavat täytäntöönpanon /ping
ja /invocations
.
Mainita esikäsittely.py Featurizer-kansion alla täydellistä toteuttamista varten.
Rakenna Docker-kuvaa ominaisuuksien ja mallien tarjoilupinon avulla
Rakennetaan nyt Docker-tiedosto mukautetun peruskuvan avulla ja asennetaan tarvittavat riippuvuudet.
Tätä varten käytämme python:3.9-slim-buster
peruskuvana. Voit vaihtaa tämän minkä tahansa muun käyttötilanteeseesi liittyvän peruskuvan.
Sitten kopioimme nginx-määritykset, gunicornin verkkopalvelimen yhdyskäytävätiedoston ja päättelykomentosarjan säilöön. Luomme myös python-skriptin nimeltä serve, joka käynnistää nginx- ja gunicorn-prosessit taustalla ja asettaa päättelykomentosarjan (eli preprocessing.py Flask-sovelluksen) säiliön sisääntulopisteeksi.
Tässä on pätkä Docker-tiedostosta featurizer-mallin isännöintiä varten. Katso täydellinen toteutus kohdasta Dockerfile varten ominaisuus kansio.
Testaa mukautettua päättelykuvaa ominaisuustyökalulla paikallisesti
Rakenna ja testaa nyt mukautettu päättelysäilö ominaisuustoiminnolla paikallisesti Amazonin avulla SageMaker paikallinen tila. Paikallinen tila on täydellinen prosessointi-, koulutus- ja johtopäätösskriptien testaamiseen käynnistämättä töitä Amazon SageMakerissa. Kun olet vahvistanut paikallisten testien tulokset, voit helposti mukauttaa koulutus- ja päättelykomentosarjat käyttöönotettaviksi Amazon SageMakerissa pienin muutoksin.
Testaaksesi ominaisuuden mukautettua kuvaa paikallisesti, luo ensin kuva käyttämällä aiemmin määritettyä kuvaa Dockerfile. Käynnistä sitten kontti asentamalla hakemisto, joka sisältää ominaisuusmallin (preprocess.joblib
) /opt/ml/model
hakemisto kontin sisällä. Lisäksi yhdistä portti 8080 säiliöstä isäntään.
Käynnistyksen jälkeen voit lähettää päättelypyyntöjä osoitteeseen http://localhost:8080/invocations.
Luodaksesi ja käynnistääksesi säilön, avaa pääte ja suorita seuraavat komennot.
Huomaa, että sinun tulee vaihtaa <IMAGE_NAME>
, kuten seuraavassa koodissa näkyy, ja säilösi kuvan nimi.
Seuraava komento olettaa myös, että koulutettu scikit-learn
malli (preprocess.joblib
) on hakemistossa nimeltä models
.
Kun säiliö on otettu käyttöön, voimme testata molemmat /ping ja /kutsut reitit curl-komentojen avulla.
Suorita alla olevat komennot terminaalista
Kun raaka (muuntamaton) data lähetetään osoitteeseen http://localhost:8080/invocations, päätepiste vastaa muunnetuilla tiedoilla.
Sinun pitäisi nähdä vastauksena jotain seuraavanlaista:
Lopetamme nyt käynnissä olevan säilön, merkitsemme ja työnnämme sitten paikallisen mukautetun kuvan yksityiseen Amazonin elastiseen säilörekisteriin (Amazon ECR) arkisto.
Katso seuraavat komennot kirjautuaksesi Amazon ECR:ään, joka merkitsee paikallisen kuvan täydellä Amazon ECR -kuvapolulla ja työntää kuvan sitten Amazon ECR:ään. Varmista, että vaihdat region
ja account
muuttujia ympäristöäsi vastaaviksi.
Mainita luo arkisto ja työnnä kuva Amazon ECR:ään AWS-komentoriviliittymä (AWS CLI) komennot saadaksesi lisätietoja.
Valinnainen vaihe
Vaihtoehtoisesti voit suorittaa live-testin ottamalla featurizer-mallin käyttöön reaaliaikaisessa päätepisteessä mukautetulla telakointikuvalla Amazon ECR:ssä. Viitata featurizer.ipynb muistikirja rakentamisen, testauksen ja mukautetun kuvan siirtämiseen Amazon ECR:ään.
Amazon SageMaker alustaa päättelypäätepisteen ja kopioi mallin artefaktit /opt/ml/model
hakemisto kontin sisällä. Katso Kuinka SageMaker lataa malliesi artefaktit.
Rakenna mukautettu XGBoost-ennustussäiliö
Rakennamme XGBoost-johtopäätössäilöä samankaltaisilla vaiheilla kuin rakennamme ominaisuussäiliön kuvaa:
- Lataa valmiiksi koulutettu
XGBoost
Amazon S3 malli. - Luo
inference.py
komentosarja, joka lataa esiopetetunXGBoost
malli, muuntaa Featurizerilta vastaanotetun muunnetun syöttödatan ja muuntaa muotoonXGBoost.DMatrix
muodossa, toimiipredict
tehostimessa ja palauttaa ennusteet json-muodossa. - Skriptit ja määritystiedostot, jotka muodostavat mallinkäyttöpinon (esim.
nginx.conf
,wsgi.py
jaserve
pysyvät ennallaan, eikä niitä tarvitse muuttaa. - Käytämme
Ubuntu:18.04
Docker-tiedoston peruskuvana. Tämä ei ole edellytys. Käytämme ubuntun peruskuvaa osoittamaan, että säiliöitä voidaan rakentaa millä tahansa peruskuvalla. - Asiakkaan telakointikuvan rakentamisen, kuvan paikallisen testauksen ja testatun kuvan siirtämisen Amazon ECR:ään vaiheet pysyvät samoina kuin ennenkin.
Lyhytyyden vuoksi, koska vaiheet ovat samanlaisia kuin aiemmin; näytämme kuitenkin vain muuttuneen koodauksen seuraavassa.
Ensinnäkin inference.py
käsikirjoitus. Tässä on katkelma, joka näyttää toteutuksen /ping
ja /invocations
. Viitata päätelmä.py alla ennustaja kansio tämän tiedoston täydelliseen toteuttamiseen.
Tässä on pätkä Docker-tiedostosta ennustajamallin isännöintiä varten. Katso täydellinen toteutus kohdasta Dockerfile ennustaja-kansion alla.
Jatkamme sitten tämän mukautetun ennustajakuvan rakentamista, testaamista ja työntämistä yksityiseen arkistoon Amazon ECR:ssä. Viitata ennustaja.ipynb muistikirja mukautetun kuvan rakentamiseen, testaamiseen ja siirtämiseen Amazon ECR:ään.
Ota käyttöön sarjapäätelmäputki
Kun olemme testanneet sekä ominaisuus- että ennustajakuvat ja siirtäneet ne Amazon ECR:ään, lataamme nyt malliartefaktimme Amazon S3 -ämpäriin.
Sitten luomme kaksi malliobjektia: yksi featurizer
(Ts preprocess.joblib
) ja muita varten predictor
(Ts xgboost-model
) määrittämällä aiemmin luomamme mukautetun kuvan uri.
Tässä on katkelma, joka osoittaa sen. Viitata serial-inference-pipeline.ipynb täydelliseen täytäntöönpanoon.
Nyt, jotta nämä säilöt voidaan ottaa käyttöön sarjamuodossa, luomme ensin a PipelineModel vastusta ja ohita featurizer
malli ja predictor
malli python-listaobjektiksi samassa järjestyksessä.
Sitten soitamme .deploy()
menetelmä PipelineModel määrittämällä ilmentymän tyypin ja esiintymän lukumäärän.
Tässä vaiheessa Amazon SageMaker ottaa käyttöön sarjapäätelmäliukuhihnan reaaliaikaiseen päätepisteeseen. Odotamme loppupisteen valmistumista InService
.
Voimme nyt testata päätepistettä lähettämällä joitakin päättelypyyntöjä tähän live-päätepisteeseen.
Mainita serial-inference-pipeline.ipynb täydelliseen täytäntöönpanoon.
Puhdistaa
Kun olet suorittanut testauksen, noudata muistikirjan puhdistusosiossa olevia ohjeita poistaaksesi tässä viestissä olevat resurssit tarpeettomien kulujen välttämiseksi. Viitata Amazon SageMaker -hinnoittelu lisätietoja päättelytapahtumien kustannuksista.
Yhteenveto
Tässä viestissä näytin, kuinka voimme rakentaa ja ottaa käyttöön sarjamuotoisen ML-johtopäätössovelluksen käyttämällä mukautettuja päätelmäsäiliöitä Amazon SageMakerin reaaliaikaisiin päätepisteisiin.
Tämä ratkaisu osoittaa, kuinka asiakkaat voivat tuoda omia mukautettuja säiliöitään Amazon SageMakerin isännöintiin kustannustehokkaalla tavalla. BYOC-vaihtoehdon avulla asiakkaat voivat nopeasti rakentaa ja mukauttaa ML-sovelluksiaan käytettäväksi Amazon SageMakerissa.
Suosittelemme kokeilemaan tätä ratkaisua tietojoukon kanssa, joka liittyy yrityksesi avainindikaattoreihin (KPI). Tässä voit viitata koko ratkaisuun GitHub-arkisto.
Viitteet
kirjailijasta
Praveen Chamarthi on vanhempi AI/ML-asiantuntija Amazon Web Services -palvelussa. Hän on intohimoinen AI/ML:stä ja kaikesta AWS:stä. Hän auttaa asiakkaita kaikkialla Amerikassa skaalaamaan, innovoimaan ja hallitsemaan ML-työkuormia tehokkaasti AWS:ssä. Vapaa-ajallaan Praveen pitää lukemisesta ja scifi-elokuvista.
- 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/build-and-deploy-ml-inference-applications-from-scratch-using-amazon-sagemaker/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 08
- 09
- 1
- 10
- 100
- 11
- 13
- 14
- 150
- 16
- 17
- 20
- 200
- 2023
- 25
- 28
- 30
- 500
- 7
- 8
- 87
- 9
- a
- Meistä
- Hyväksyä
- hyväksyy
- pääsy
- sen mukaisesti
- Tili
- poikki
- sopeuttaa
- Lisäksi
- Hyväksyminen
- vaikuttavat
- Jälkeen
- AI / ML
- algoritmit
- Kaikki
- pitkin
- Myös
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- Amerikka
- an
- ja
- Kaikki
- api
- sovelluksen
- Hakemus
- sovellukset
- sovelletaan
- huhtikuu
- OVAT
- Ryhmä
- AS
- olettaa
- At
- saatavissa
- välttää
- AWS
- tausta
- pohja
- perustua
- BE
- tulossa
- ennen
- ovat
- alle
- elin
- tehosterokotus
- sekä
- tuoda
- Tuominen
- rakentaa
- Rakentaminen
- rakennettu
- sisäänrakennettu
- Niputtaa
- liiketoiminta
- mutta
- by
- soittaa
- nimeltään
- CAN
- tapaus
- tapauksissa
- KISSA
- tietty
- muuttaa
- muuttunut
- Muutokset
- maksut
- tarkastaa
- Tarkastukset
- selvästi
- pilvi
- koodi
- Koodaus
- Sarake
- Pylväät
- KOM
- Yhteinen
- monimutkainen
- tietokone
- Konfigurointi
- kytketty
- liitäntä
- näkökohdat
- vakio
- rakentaa
- kulutus
- Kontti
- Kontit
- pitoisuus
- sisältö
- jatkaa
- ohjaus
- muuntaa
- Hinta
- voisi
- luoda
- Luominen
- luominen
- Valtakirja
- asiakassuhde
- asiakas
- Asiakkaat
- tiedot
- Päivämäärä
- määritellä
- määritelty
- osoittaa
- osoittaa
- riippuvuudet
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- lauennut
- pöytä-
- yksityiskohdat
- määritetty
- kehitetty
- Kehitys
- DICT
- DID
- eri
- Satamatyöläinen
- verkkotunnuksia
- tehty
- Dont
- kaksi
- aikana
- e
- Aikaisemmin
- helposti
- tehokkaasti
- muu
- kannustaa
- päittäin
- päätepiste
- varmistaa
- Koko
- merkintä
- ympäristö
- ympäristöissä
- virhe
- jne.
- esimerkki
- Paitsi
- poikkeus
- teloitettiin
- tuttu
- Muoti
- Suosikki
- Ominaisuudet
- harvat
- filee
- Asiakirjat
- Etunimi
- sovittaa
- asennus
- Joustavuus
- seurata
- jälkeen
- varten
- muoto
- muoto
- löytyi
- Puitteet
- puitteet
- alkaen
- koko
- toiminto
- toiminnallinen
- voitto
- portti
- saada
- GitHub
- GMT
- Goes
- kahva
- Vetimet
- Käsittely
- Olla
- he
- terveys
- korkeus
- auttaa
- auttaa
- hänen
- isäntä
- hotellit
- isännät
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- i
- if
- kuva
- kuvien
- toteuttaa
- täytäntöönpano
- tuoda
- in
- sisältää
- Mukaan lukien
- yhä useammin
- indikaattorit
- henkilökohtainen
- teollisuuden
- tiedot
- inhouse
- innovoida
- panos
- sisällä
- asentaa
- asennetaan
- esimerkki
- ohjeet
- integroitu
- liitäntä
- tulee
- osallistuva
- eristäminen
- IT
- Job
- Työpaikat
- jpg
- json
- Pitää
- avain
- Merkki
- uusin
- käynnistää
- käynnistettiin
- käynnistää
- käynnistäminen
- oppiminen
- vasemmalle
- Pituus
- kirjastot
- linja
- Lista
- lueteltu
- elää
- kuormitus
- lastaus
- kuormat
- paikallinen
- paikallisesti
- logiikka
- Kirjaudu sisään
- rakastaa
- kone
- koneoppiminen
- Valtavirta
- TEE
- Tekeminen
- hoitaa
- tapa
- kartta
- Merkitse
- ottelu
- Saattaa..
- menetelmä
- ehkä
- minimi
- puuttuva
- ML
- tila
- malli
- mallit
- muokata
- lisää
- Elokuvat
- paljon
- moninkertainen
- täytyy
- nimi
- nimet
- Tarve
- tarpeet
- Nro
- Ei eristetty
- muistikirja
- nyt
- numero
- numpy
- objekti
- esineet
- of
- tarjoukset
- Tarjoukset
- usein
- on
- kerran
- ONE
- yhdet
- vain
- päälle
- avata
- käyttää
- toiminta-
- Vaihtoehto
- or
- tilata
- OS
- Muut
- meidän
- ulostulo
- oma
- paketit
- pandas
- parametrit
- erityinen
- kulkea
- intohimoinen
- polku
- täydellinen
- Suorittaa
- suorituskyky
- suorittaa
- putki
- suunnitelma
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- Kohta
- Kirje
- ennustus
- Ennusteet
- Predictor
- esittää
- aiemmin
- yksityinen
- ongelmia
- prosessi
- Prosessit
- käsittely
- Suoritin
- edistää
- patentoitu
- tarkoitus
- Työnnä
- työntää
- Työnnä
- Python
- nopeasti
- nostaa
- alue
- raaka
- Lue
- valmis
- reaaliaikainen
- sai
- katso
- rekisterin
- merkityksellinen
- jäädä
- korvata
- säilytyspaikka
- pyyntö
- pyynnöt
- edellyttää
- tarvitaan
- vaatimukset
- Vaatii
- resurssi
- Esittelymateriaalit
- vastaus
- johtua
- tulokset
- palata
- palaavat
- Tuotto
- Rengas
- Reitti
- reitit
- RIVI
- ajaa
- juoksu
- toimii
- sagemaker
- sama
- Säästä
- tallennettu
- Asteikko
- sci-fi
- raapia
- käsikirjoitus
- skriptejä
- Toinen
- Osa
- nähdä
- lähettää
- lähettäminen
- vanhempi
- lähetetty
- erillinen
- sarja
- Sarjat
- palvella
- palvelin
- palvelu
- Palvelut
- palvelevat
- Istunto
- setti
- Setit
- useat
- sukupuoli
- shouldnt
- näyttää
- osoittivat
- esitetty
- Näytä
- samankaltainen
- Yksinkertainen
- pätkä
- So
- ratkaisu
- SOLVE
- jonkin verran
- jotain
- Kipinä
- asiantuntija
- erityinen
- pino
- Vaihe
- standardi
- näkökulma
- Tila
- Vaihe
- Askeleet
- Levytila
- virtasi
- puroihin
- jono
- jäsennelty
- Onnistuneesti
- niin
- aurinko
- Tuetut
- Tukea
- Tukee
- TAG
- Räätälöity
- vie
- tehtävät
- terminaali
- testi
- testattu
- Testaus
- testit
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- asiat
- tätä
- aika
- että
- työkalut
- Juna
- koulutettu
- koulutus
- Muuttaa
- transformoitu
- muuntaja
- muuntajat
- muuttamassa
- yrittää
- yrittää
- kaksi
- tyyppi
- Ubuntu
- varten
- taustalla oleva
- tarpeeton
- parantaa
- käyttökelpoinen
- käyttää
- käyttölaukku
- käytetty
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- arvot
- eri
- Vaihteleva
- tarkastaa
- versio
- odottaa
- haluta
- oli
- we
- verkko
- Web-palvelin
- verkkopalvelut
- HYVIN
- joka
- vaikka
- miksi
- laajempi
- tulee
- with
- sisällä
- ilman
- työnkulku
- työskentely
- kirjallinen
- X
- XGBoost
- Voit
- Sinun
- zephyrnet