Otimme äskettäin käyttöön uuden ominaisuuden Amazon SageMaker Python SDK jonka avulla datatieteilijät voivat käyttää koneoppimiskoodiaan (ML), joka on luotu heidän suosimassaan integroidussa kehittäjäympäristössä (IDE) ja muistikirjoissa sekä niihin liittyvät ajonaikaiset riippuvuudet kuten Amazon Sage Maker koulutustyöt minimaalisilla koodimuutoksilla paikallisesti tehtyyn kokeiluun. Datatieteilijät suorittavat tyypillisesti useita kokeellisia iteraatioita tietojenkäsittely- ja koulutusmalleissa työskennellessään minkä tahansa ML-ongelman parissa. He haluavat ajaa tätä ML-koodia ja suorittaa kokeilun helppokäyttöisellä ja minimaalisella koodimuutoksella. Amazon SageMaker -mallikoulutus auttaa datatieteilijöitä suorittamaan täysin hallittuja laajamittaisia koulutustöitä AWS:n laskentainfrastruktuurissa. SageMaker Training auttaa myös datatieteilijöitä edistyneillä työkaluilla, kuten Amazon SageMaker -korjaamo ja Profiler suorittaakseen virheenkorjauksen ja analysoidakseen laajan mittakaavan koulutustöitä.
Asiakkaille, joilla on pienet budjetit, pienet tiimit ja tiukat aikajanat, jokainen uusi konsepti ja koodirivi, joka on kirjoitettu uudelleen toimimaan SageMakerissa, tekee heistä vähemmän tuottavia ydintehtävissään, nimittäin tietojenkäsittelyssä ja ML-mallien koulutuksessa. He haluavat kirjoittaa koodin kerran valitsemansa puitteissa ja siirtyä saumattomasti kannettavien tai kannettavien tietokoneiden koodin suorittamisesta koodin suorittamiseen mittakaavassa SageMaker-ominaisuuksien avulla.
Tämän SageMaker Python SDK:n uuden ominaisuuden ansiosta datatieteilijät voivat liittää ML-koodinsa SageMaker Training -alustalle muutamassa minuutissa. Sinun tarvitsee vain lisätä yksi koodirivi ML-koodiisi, ja SageMaker ymmärtää koodisi älykkäästi tietojoukkojen ja työtilan ympäristöasetusten ohella ja suorittaa sen SageMaker-koulutustyönä. Tämän jälkeen voit hyödyntää SageMaker Training -alustan keskeisiä ominaisuuksia, kuten kykyä skaalata töitä helposti, ja muita siihen liittyviä työkaluja, kuten Debuggeria ja Profileria. Tässä julkaisussa voit suorittaa paikallisen koneoppimisen (ML) Python-koodin yhden solmun Amazon SageMaker -koulutustyönä tai useita rinnakkaisia töitä. Etätoiminnot eivät tue hajautettuja koulutustöitä (useiden solmujen kesken).
Tässä viestissä näytämme, kuinka voit käyttää tätä uutta ominaisuutta paikallisen ML-koodin suorittamiseen SageMaker-koulutustyönä.
Ratkaisun yleiskatsaus
Voit nyt käyttää IDE- tai muistikirjaasi kirjoitettua ML-koodia SageMaker Training -työnä lisäämällä funktioon, joka toimii sisääntulopisteenä käyttäjän koodipohjaan, yksinkertaisella koristella. Kutsuttaessa tämä ominaisuus ottaa automaattisesti tilannekuvan kaikista liittyvistä muuttujista, funktioista, paketeista, ympäristömuuttujista ja muista ajonaikaisista vaatimuksista ML-koodistasi, sarjoittaa ne ja lähettää ne SageMaker Training -työnä. Se integroituu hiljattain julkistetun kanssa SageMaker Python SDK -ominaisuus parametrien oletusarvojen asettamiseen. Tämä ominaisuus yksinkertaistaa SageMaker-konstruktioita, jotka sinun on opittava suorittamaan koodia SageMaker Training -ohjelman avulla. Tietojen tutkijat voivat kirjoittaa, korjata ja iteroida koodiaan missä tahansa ensisijaisessa IDE-ympäristössä (kuten Amazon SageMaker Studio, muistikirjat, VS-koodi tai PyCharm). Kun olet valmis, voit merkitä Python-funktiosi komennolla @remote
sisustaja ja suorita se SageMaker-työnä mittakaavassa.
Tämä ominaisuus käyttää tuttuja avoimen lähdekoodin Python-objekteja argumenteina ja lähtöinä. Lisäksi sinun ei tarvitse ymmärtää säilön elinkaaren hallintaa ja voit yksinkertaisesti ajaa työkuormasi eri laskentakonteksteissa (kuten paikallinen IDE, Studio tai koulutustyöt) minimaalisilla konfigurointikustannuksilla. Jos haluat suorittaa minkä tahansa paikallisen koodin SageMaker Training -työnä, tämä ominaisuus päättelee töiden suorittamiseen tarvittavat kokoonpanot, kuten AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooli, salausavain ja verkkomääritykset Studio- tai IDE-asetuksista (jotka voivat olla oletusasetukset) ja välittää ne alustalle oletuksena. Voit joustavasti mukauttaa ajonaikaasi SageMakerin hallitussa infrastruktuurissa päätellyn kokoonpanon avulla tai ohittaa ne SDK-tasolla välittämällä ne argumentteina sisustajalle.
Tämä SageMaker Python SDK:n uusi ominaisuus muuttaa ML-koodisi olemassa olevassa työtilaympäristössä ja kaikki siihen liittyvät tietojenkäsittelykoodit ja tietojoukot SageMaker Training -työksi. Tämä ominaisuus etsii ML-koodia, joka on kääritty a:n sisään @remote
decorator ja muuntaa sen automaattisesti työksi, joka suoritetaan joko Studiossa tai paikallisessa IDE:ssä, kuten PyCharm.
Seuraavissa osioissa käymme läpi tämän uuden ominaisuuden ominaisuudet ja python-toimintojen käynnistämisen SageMaker Training -töinä.
Edellytykset
Jotta voit käyttää tätä uutta SageMaker Python SDK -ominaisuutta ja suorittaa tähän viestiin liittyvän koodin, tarvitset seuraavat edellytykset:
- AWS-tili, joka sisältää kaikki AWS-resurssit
- IAM-rooli käyttää SageMakeria
- Pääsy Studioon tai SageMaker-muistikirjan ilmentymään tai IDE:hen, kuten PyCharm
Käytä Studio- ja SageMaker-muistikirjojen SDK:ta
Voit käyttää tätä toimintoa Studiosta käynnistämällä muistikirjan ja käärimällä koodisi a @remote
koristelu muistikirjan sisällä. Sinun on ensin tuotava etätoiminto seuraavalla koodilla:
from sagemaker.remote_function import remote
Kun käytät koristelutoimintoa, tämä ominaisuus tulkitsee automaattisesti koodisi toiminnon ja suorittaa sen SageMaker Training -työnä.
Voit myös käyttää tätä ominaisuutta SageMaker-muistikirjan esiintymästä. Sinun on ensin käynnistettävä muistikirjan esiintymä, avattava siinä Jupyter tai Jupyter Lab ja käynnistettävä muistikirja. Tuo sitten kaukosäädintoiminto edellisen koodin mukaisesti ja kääri koodisi @remote
sisustusarkkitehti. Lisäämme myöhemmin tähän viestiin esimerkin koristelutoiminnon ja siihen liittyvien asetusten käytöstä.
Käytä SDK:ta paikallisesta ympäristöstäsi
Voit myös käyttää tätä ominaisuutta paikalliselta IDE:ltäsi. Edellytyksenä sinulla on oltava AWS-komentoriviliitäntä (AWS CLI), SageMaker Python SDK ja AWS SDK Pythonille (Boto3) asennettuna paikalliseen ympäristöösi. Sinun on tuotava nämä kirjastot koodiisi, asetettava SageMaker-istunto, määritettävä asetukset ja koristettava toimintosi @remote
sisustusarkkitehti. Seuraavassa esimerkkikoodissa suoritamme yksinkertaisen jakofunktion SageMaker Training -työnä:
import boto3
import sagemaker
from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2"))
settings = dict(
sagemaker_session=sm_session,
role=<IAM_ROLE_NAME>
instance_type="ml.m5.xlarge",
)
@remote(**settings)
def divide(x, y):
return x / y
if __name__ == "__main__":
print(divide(2, 3.0))
Voimme käyttää samanlaista menetelmää edistyneiden toimintojen suorittamiseen koulutustehtävinä, kuten seuraavassa osiossa näytetään.
Käynnistä Python toimii SageMaker-töinä
Uusi SageMaker Python SDK -ominaisuus mahdollistaa Python-toimintojen suorittamisen SageMaker Training työpaikan. Kaikki Python-koodit, ML-koulutuskoodit, jotka datatutkijat ovat kehittäneet haluamillaan paikallisilla IDE:illä (PyCharm, VS Code), SageMaker-kannettavat tai Studio-muistikirjat voidaan käynnistää hallitun SageMaker-työnä.
Tätä ominaisuutta käyttävissä ML-työkuormissa liittyvät tietojoukot, riippuvuudet ja työtilaympäristön asetukset sarjoidaan ML-koodin avulla ja suoritetaan SageMaker-työnä synkronisesti ja asynkronisesti.
Voit lisätä a @remote
sisustusmerkintä mihin tahansa Python-koodiin, mukaan lukien paikallinen ML-käsittely- tai koulutustoiminto, jotta se voidaan käynnistää hallittuna SageMaker-koulutustyönä, mikä hyödyntää SageMakerin mittakaava-, suorituskyky- ja kustannusetuja. Tämä voidaan saavuttaa minimaalisilla koodimuutoksilla lisäämällä koristelija Python-toimintokoodiin. Koristelun funktion kutsuminen suoritetaan synkronisesti, ja funktion ajo odottaa, kunnes SageMaker-työ on valmis.
Seuraavassa esimerkissä käytämme @remote
decorator käynnistää SageMaker-työt koristelutilassa käyttämällä ml.m5.large-instanssia. SageMaker käyttää koulutustöitä käynnistääkseen tämän toiminnon hallittuna työnä.
from sagemaker.remote_function import remote
from numpy as np @remote(instance_type="ml.m5.large")
def matrix_multiply(a, b): return np.matmul(a, b) a = np.array([[1, 0], [0, 1]])
b = np.array([1, 2]) assert matrix_multiply(a, b) == np.array([1,2])
Voit myös käyttää koristelutilaa SageMaker-töiden, Python-pakettien ja riippuvuuksien käynnistämiseen. Voit sisällyttää ympäristömuuttujia, kuten VPC, aliverkkoja ja suojausryhmiä käynnistääksesi SageMaker-koulutustyöt environment.yml
tiedosto. Tämän ansiosta ML-insinöörit ja järjestelmänvalvojat voivat määrittää nämä ympäristömuuttujat, jotta datatieteilijät voivat keskittyä ML-mallin rakentamiseen ja iteroida nopeammin. Katso seuraava koodi:
from sagemaker.remote_function import remote @remote(instance_type="ml.g4dn.xlarge",dependencies = "./environment.yml")
def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
... <TRUCNATED>
return os.path.join(s3_output_path, model_dir), eval_result
Voit käyttää RemoteExecutor
käynnistää Python-toiminnot SageMaker-töinä asynkronisesti. Suoritin kyselee asynkronisesti SageMaker Training -töitä työn tilan päivittämiseksi. The RemoteExecutor
luokka on toteutus concurrent.futures.Executor, jota käytetään SageMaker Training -töiden lähettämiseen asynkronisesti. Katso seuraava koodi:
from sagemaker.remote_function import RemoteExecutor def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
...<TRUNCATED>
return os.path.join(s3_output_path, model_dir), eval_result with RemoteExecutor(instance_type="ml.g4dn.xlarge", dependencies = './requirements.txt') as e:
future = e.submit(train_hf_model, train_input_path,test_input_path,s3_output_path,
epochs, train_batch_size, eval_batch_size,warmup_steps,learning_rate)
Mukauta ajonaikaista ympäristöä
Sisustustila ja RemoteExecutor
voit määrittää ja mukauttaa SageMaker-työn ajonaikaisia ympäristöjä. Ajonaikaiset riippuvuudet, mukaan lukien Python-paketit ja SageMaker-töiden ympäristömuuttujat, voidaan määrittää ajonajan mukauttamiseksi. Python-paketin ja riippuvuuksien on oltava SageMakerin saatavilla, jotta paikallinen Python-koodi voidaan suorittaa SageMakerin hallinnoimina töinä. ML-insinöörit tai datatieteen järjestelmänvalvojat voivat määrittää SageMaker-töiden verkko- ja suojauskokoonpanoja, kuten VPC:tä, aliverkkoja ja suojausryhmiä, jotta datatieteilijät voivat käyttää näitä keskitetysti hallittuja määrityksiä käynnistäessään SageMaker-töitä. Voit käyttää joko a requirements.txt
tiedosto tai a Conda environment.yaml
tiedosto.
Kun riippuvuudet määritellään requirements.txt
, paketit asennetaan pip:llä työn ajon aikana. Jos työn suorittamiseen käytetty imago tulee Conda-ympäristöissä, paketit asennetaan Conda-ympäristöön, joka on ilmoitettu käytettäväksi töissä. Seuraava koodi näyttää esimerkin requirements.txt
tiedosto:
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
Voit ohittaa omasi Conda environment.yaml
tiedostoa luodaksesi Conda-ympäristön, jossa haluat koodisi ajavan koulutustyön aikana. Jos työn suorittamiseen käytetty imago ilmoittaa Conda-ympäristön koodin suorittamiseksi, päivitämme ilmoitetun Conda-ympäristön annetuilla määrityksillä. Seuraava koodi on esimerkki a Conda environment.yaml
tiedosto:
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
Vaihtoehtoisesti voit asettaa dependencies=”auto_capture”
antaa SageMaker Python SDK:n kaapata asennetut riippuvuudet aktiivisessa Conda-ympäristössä. Sinulla on oltava aktiivinen Conda-ympäristö auto_capture
työskennellä. Huomaa, että on olemassa edellytykset auto_capture
työskennellä; suosittelemme, että välität riippuvuutesi a requirement.txt
or Conda environment.yml
tiedosto edellisessä osiossa kuvatulla tavalla.
Katso lisätietoja kohdasta Suorita paikallinen koodisi SageMaker-koulutustyönä.
SageMaker-töiden asetukset
Infrastruktuuriin liittyvät asetukset voidaan ladata määritystiedostoon, jonka järjestelmänvalvojat voivat auttaa määrittämään. Sinun tarvitsee määrittää se vain kerran. Infrastruktuuriasetukset kattavat verkkokokoonpanon, IAM-roolit, Amazonin yksinkertainen tallennuspalvelu (Amazon S3) -kansio syöttö-, tulostustiedoille ja tunnisteille. Viitata Oletusasetusten määrittäminen ja käyttäminen SageMaker Python SDK:lla lisätietoja.
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
Dependencies: path/to/requirements.txt
EnvironmentVariables: {"EnvVarKey": "EnvVarValue"}
ImageUri: 366666666666.dkr.ecr.us-west-2.amazonaws.com/my-image:latest
InstanceType: ml.m5.large
RoleArn: arn:aws:iam::366666666666:role/MyRole
S3KmsKeyId: somekmskeyid
S3RootUri: s3://my-bucket/my-project
SecurityGroupIds:
- sg123
Subnets:
- subnet-1234
Tags:
- {"Key": "someTagKey", "Value": "someTagValue"}
VolumeKmsKeyId: somekmskeyid
Täytäntöönpano
Syväoppimismalleja, kuten PyTorch tai TensorFlow, voidaan myös ajaa Studiossa suorittamalla koodi harjoitustyönä kannettavassa tietokoneessa. Esitelläksesi tätä ominaisuutta Studiossa, voit kloonata tämän repon Studioosi ja käyttää muistikirjaa, joka sijaitsee GitHub arkistoon.
Tämä esimerkki havainnollistaa päästä-päähän binääritekstin luokittelun käyttötapausta. Käytämme Hugging Face -muuntajia ja tietojoukkokirjastoa esiopetetun muuntajan hienosäätämiseen binääritekstin luokittelulla. Erityisesti esikoulutettu malli hienosäädetään käyttämällä IMDb-tietojoukko.
Kun kloonaat arkiston, sinun tulee etsiä seuraavat tiedostot:
- config.yaml – Suurin osa sisustaja-argumenteista voidaan ladata konfigurointitiedostoon infrastruktuuriin liittyvien asetusten erottamiseksi koodikannasta
- huggingface.ipynb – Tämä sisältää koodin, jolla koulutetaan esikoulutettu HuggingFace-malli, joka hienosäädetään IMDB-tietojoukon avulla
- requirements.txt – Tämä tiedosto sisältää kaikki riippuvuudet toiminnon suorittamiseksi, jota käytetään tässä muistikirjassa koodin suorittamiseen ja koulutuksen suorittamiseen etänä GPU-esiintymässä koulutustyönä
Kun avaat muistikirjan, sinua pyydetään määrittämään muistikirjaympäristö. Voit valita Data Science 3.0 -kuvan, jossa on Python 3 -ydin ja ml.m5.large, nopean käynnistyksen ilmentymätyypiksi kannettavan tietokoneen koodin suorittamiseen. Tämä ilmentymätyyppi on huomattavasti nopeampi ympäristön pyörittämisessä.
Koulutustyö suoritetaan ml.g4dn.xlarge-esiintymässä, kuten on määritelty config.yaml
tiedosto:
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
# role arn is not required if in SageMaker Notebook instance or SageMaker Studio
# Uncomment the following line and replace with the right execution role if in a local IDE
# RoleArn: <IAM_ROLE_ARN>
InstanceType: ml.g4dn.xlarge
Dependencies: ./requirements.txt
- requirements.txt
tiedostoriippuvuudet funktion suorittamiseksi Hugging Face -mallin harjoittamista varten ovat seuraavat:
datasets
transformers
torch
scikit-learn
# lock s3fs to this specific version as more recent ones introduce dependency on aiobotocore, which is not compatible with botocore
s3fs==0.4.2
sagemaker>=2.148.0,<3
Hugging Face -muistikirja esittelee, kuinka harjoitus voidaan suorittaa etänä @remote
toiminto, joka suoritetaan synkronisesti. Siksi mallin harjoittelemiseksi suoritettu toiminto odottaa, kunnes SageMaker-koulutustyö on valmis. Koulutus suoritetaan etänä GPU-instanssilla, jonka ilmentymän tyyppi on määritelty edellisessä määritystiedostossa.
Kun olet suorittanut harjoitustyön, voit suorittaa muistikirjan loput solut tarkastaaksesi arviointitiedot ja luokitellaksesi tekstin koulutetulla mallillamme.
Voit myös tarkastella GPU-esiintymän etäkäynnistettyä koulutustyön tilaa SageMaker-hallintapaneelissa siirtymällä takaisin SageMaker-konsoliin.
Heti kun koulutustyö on valmis, se jatkaa muistikirjassa olevien ohjeiden suorittamista arviointia ja luokittelua varten. Samanlaisia töitä voidaan kouluttaa ja suorittaa Studion kannettaviin tietokoneisiin upotetun etäsuoritintoiminnon avulla, jotta ajot voidaan suorittaa asynkronisesti.
Integrointi SageMaker-kokeiluihin @remote-toiminnon sisällä
Voit välittää kokeilun nimen, suorituksen nimen ja muut parametrit etätoimintoon luodaksesi SageMaker-kokeilun. Seuraava koodiesimerkki tuo kokeen nimen, ajon nimen ja parametrit, jotka kirjataan jokaiselle suoritukselle:
from sagemaker.remote_function import remote
from sagemaker.experiments.run import Run
# Define your remote function
@remote
def train(value_1, value_2, exp_name, run_name):
...
...
#Creates the experiment
with Run( experiment_name=exp_name, run_name=run_name, sagemaker_session=sagemaker_session
) as run:
...
...
#Define values for the parameters to log
run.log_parameter("param_1", value_1)
run.log_parameter("param_2", value_2)
...
...
#Define metrics to log
run.log_metric("metric_a", 0.5)
run.log_metric("metric_b", 0.1) # Invoke your remote function
train(1.0, 2.0, "my-exp-name", "my-run-name")
Edellisessä esimerkissä parametrit p1
ja p2
kirjataan ajan mittaan harjoitussilmukan sisällä. Yleisiä parametreja voivat olla erän koko tai aikakaudet. Esimerkissä mittarit A
ja B
kirjataan harjoitussilmukan sisällä suoritettua juoksua varten. Yleisiin mittareihin voi kuulua tarkkuus tai häviö. Katso lisätietoja Luo Amazon SageMaker -kokeilu.
Yhteenveto
Tässä viestissä esittelimme uuden SageMaker Python SDK -ominaisuuden, jonka avulla datatieteilijät voivat suorittaa ML-koodiaan haluamallaan IDE:llä SageMaker Training -tehtävinä. Keskustelimme tämän ominaisuuden ja sen ominaisuuksien käytön edellytyksistä. Näimme myös, kuinka tätä ominaisuutta käytetään Studiossa, SageMaker-kannettavan ilmentymissä ja paikallisessa IDE:ssä. Lisäksi toimitimme esimerkkikoodiesimerkkejä tämän ominaisuuden käytön osoittamiseksi. Seuraavaksi suosittelemme kokeilemaan tätä ominaisuutta IDE:ssä tai SageMakerissa seuraamalla koodiesimerkkejä viitataan tässä viestissä.
Tietoja Tekijät
Dipankar Patro on AWS SageMakerin ohjelmistokehitysinsinööri, joka innovoi ja rakentaa MLOps-ratkaisuja auttaakseen asiakkaita ottamaan käyttöön AI/ML-ratkaisuja laajassa mittakaavassa. Hän on koulutukseltaan tietojenkäsittelytieteen maisteri, ja hänen kiinnostuksen kohteitaan ovat tietoturva, hajautetut järjestelmät ja AI/ML.
Farooq Sabir on AWS:n vanhempi tekoäly- ja koneoppimisen asiantuntijaratkaisuarkkitehti. Hänellä on tohtorin ja MS:n tutkinnot sähkötekniikasta Texasin yliopistosta Austinista ja MS-tutkinto tietojenkäsittelytieteestä Georgia Institute of Technologysta. Hänellä on yli 15 vuoden työkokemus ja hän haluaa myös opettaa ja mentoroida korkeakouluopiskelijoita. AWS:ssä hän auttaa asiakkaita muotoilemaan ja ratkaisemaan liiketoimintaongelmiaan datatieteen, koneoppimisen, tietokonenäön, tekoälyn, numeerisen optimoinnin ja niihin liittyvien alojen aloilla. Hän asuu Dallasissa, Texasissa, ja hän ja hänen perheensä rakastavat matkustamista ja pitkiä matkoja.
Manoj Ravi on Amazon SageMakerin vanhempi tuotepäällikkö. Hän on intohimoinen seuraavan sukupolven tekoälytuotteiden rakentamiseen ja työskentelee ohjelmistojen ja työkalujen parissa, jotka helpottavat laajamittaista koneoppimista asiakkaille. Hän on suorittanut MBA-tutkinnon Haas School of Businessista ja tietojärjestelmien hallinnan maisterin tutkinnon Carnegie Mellonin yliopistosta. Vapaa-ajallaan Manoj pelaa tennistä ja harrastaa maisemakuvausta.
Shikhar Kwatra on AI/ML Specialist Solutions -arkkitehti Amazon Web Servicesissä ja työskentelee johtavan maailmanlaajuisen järjestelmäintegraattorin kanssa. Hän on ansainnut tittelin yksi nuorimmista Intian mestarikeksijöistä yli 500 patentilla AI/ML- ja IoT-alueilla. Shikhar auttaa organisaation kustannustehokkaiden, skaalautuvien pilviympäristöjen suunnittelussa, rakentamisessa ja ylläpidossa ja tukee GSI-kumppania strategisten toimialaratkaisujen rakentamisessa AWS:lle. Shikhar nauttii kitaran soittamisesta, musiikin säveltämisestä ja mindfulnessin harjoittamisesta vapaa-ajallaan.
Vikram Elango on vanhempi AI/ML Specialist Solutions -arkkitehti AWS:ssä, joka sijaitsee Virginiassa, Yhdysvalloissa. Hän keskittyy tällä hetkellä generatiiviseen tekoälyyn, LLM:ihin, nopeaan suunnitteluun, suurten mallipäätelmien optimointiin ja ML:n skaalaamiseen eri yrityksissä. Vikram auttaa rahoitus- ja vakuutusalan asiakkaita suunnittelu- ja ajatusjohtajuudella rakentamaan ja ottamaan käyttöön koneoppimissovelluksia mittakaavassa. Vapaa-ajallaan hän nauttii matkustamisesta, vaeltamisesta, ruoanlaitosta ja telttailusta.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoAiStream. Web3 Data Intelligence. Tietoa laajennettu. Pääsy tästä.
- Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- :on
- :On
- :ei
- $ YLÖS
- 1
- 10
- 100
- 15 vuotta
- 500
- 7
- a
- kyky
- pystyy
- Meistä
- pääsy
- Tili
- tarkkuus
- saavutettu
- poikki
- aktiivinen
- säädökset
- lisätä
- lisää
- Lisäksi
- admin
- ylläpitäjät
- hyväksyä
- kehittynyt
- Etu
- AI
- AI / ML
- aids
- Kaikki
- mahdollistaa
- pitkin
- Myös
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- analysoida
- ja
- ilmoitti
- Kaikki
- sovellukset
- OVAT
- alueet
- perustelut
- keinotekoinen
- tekoäly
- Keinotekoinen älykkyys ja koneoppiminen
- AS
- liittyvä
- At
- Austin
- automaattisesti
- saatavissa
- AWS
- takaisin
- pohja
- perustua
- BE
- Hyödyt
- Talousarviot
- rakentaa
- Rakentaminen
- liiketoiminta
- by
- CAN
- kyvyt
- kaapata
- Carnegie Mellon
- kuljettaa
- tapaus
- Solut
- muuttaa
- Muutokset
- kanavat
- valinta
- luokka
- luokittelu
- luokitella
- pilvi
- koodi
- koodikanta
- College
- tulee
- Yhteinen
- yhteensopiva
- täydellinen
- Laskea
- tietokone
- Tietojenkäsittelyoppi
- Tietoturva
- Tietokoneen visio
- käsite
- Konfigurointi
- Console
- sisältää
- Kontti
- sisältää
- yhteyksissä
- jatkuu
- Ydin
- Hinta
- voisi
- kattaa
- luoda
- Tällä hetkellä
- Asiakkaat
- räätälöidä
- Dallas
- kojelauta
- tiedot
- tietojenkäsittely
- tietojenkäsittely
- aineistot
- julistaa
- oletusarvo
- oletusarvot
- määritelty
- osoittaa
- osoittaa
- riippuvuus
- sijoittaa
- on kuvattu
- Malli
- yksityiskohdat
- kehitetty
- Kehittäjä
- Kehitys
- eri
- keskusteltiin
- jaettu
- hajautetut järjestelmät
- hajautettu koulutus
- verkkotunnuksia
- tehty
- Dont
- aikana
- e
- kukin
- ansainnut
- helppokäyttöisyys
- helpompaa
- helposti
- myöskään
- upotettu
- mahdollistaa
- salaus
- päittäin
- insinööri
- Tekniikka
- Engineers
- yrityksille
- merkintä
- ympäristö
- ympäristöissä
- aikakausi
- aikakausia
- arviointi
- Joka
- esimerkki
- Esimerkit
- teloitus
- olemassa
- experience
- kokeilu
- Kasvot
- tuttu
- perhe
- FAST
- nopeampi
- Ominaisuus
- Ominaisuudet
- harvat
- filee
- Asiakirjat
- taloudellinen
- Etunimi
- Joustavuus
- Keskittää
- keskityttiin
- jälkeen
- varten
- Puitteet
- alkaen
- täysin
- toiminto
- tehtävät
- Lisäksi
- tulevaisuutta
- Futures
- generatiivinen
- Generatiivinen AI
- Georgia
- tietty
- Global
- Go
- GPU
- Ryhmän
- Olla
- he
- auttaa
- auttaa
- hänen
- pitää
- Miten
- Miten
- HTML
- http
- HTTPS
- HalaaKasvot
- Identiteetti
- if
- kuva
- täytäntöönpano
- tuoda
- tuonti
- in
- sisältää
- Mukaan lukien
- intialainen
- teollisuus
- tiedot
- Tietojärjestelmä
- Infrastruktuuri
- innovoidaan
- panos
- asennetaan
- esimerkki
- Instituutti
- ohjeet
- vakuutus
- integroitu
- integroi
- Älykkyys
- korko
- tulee
- esitellä
- käyttöön
- keksijät
- Esineiden internet
- IT
- toistojen
- SEN
- Job
- Työpaikat
- jpg
- vain
- avain
- laboratorio
- Landschaft
- kannettavat tietokoneet
- suuri
- laaja
- uusin
- käynnistää
- käynnistettiin
- käynnistäminen
- Johto
- johtava
- OPPIA
- oppiminen
- antaa
- Lets
- kirjastot
- Kirjasto
- elinkaari
- pitää
- tykkää
- linja
- paikallinen
- paikallisesti
- sijaitsevat
- log
- kirjattu
- Pitkät
- ulkonäkö
- pois
- rakkaus
- kone
- koneoppiminen
- tehty
- ylläpitäminen
- tehdä
- TEE
- onnistui
- johto
- johtaja
- mestari
- Saattaa..
- Mellon
- Metodologia
- Metrics
- Mindfulness
- minimi
- minuuttia
- ML
- MLOps
- tila
- malli
- mallit
- Moduulit
- lisää
- eniten
- liikkua
- MS
- moninkertainen
- Musiikki
- nimi
- nimittäin
- navigointi
- Tarve
- tarvitaan
- verkko
- verkostoituminen
- Uusi
- seuraava
- solmut
- muistikirja
- nyt
- numpy
- esineet
- of
- on
- Laivalla
- kerran
- ONE
- vain
- avata
- avoimen lähdekoodin
- optimointi
- or
- tilata
- organisaatio
- OS
- Muut
- meidän
- ulos
- ulostulo
- yli
- ohittaa
- paketti
- paketit
- pandas
- Parallel
- parametrit
- erityinen
- kumppani
- kulkea
- kulkee
- Ohimenevä
- intohimoinen
- Patentit
- polku
- suorituskyky
- valokuvaus
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Kohta
- Kirje
- Suositut
- edellytyksiä
- edellinen
- Ongelma
- ongelmia
- käsittely
- Tuotteet
- tuotepäällikkö
- tuottava
- Tuotteemme
- mikäli
- Python
- pytorch
- valmis
- äskettäinen
- äskettäin
- suositella
- liittyvä
- vapauta
- kaukosäädin
- korvata
- säilytyspaikka
- tarvitaan
- vaatimukset
- REST
- palata
- tie
- Rooli
- roolit
- ajaa
- juoksu
- sagemaker
- skaalautuva
- Asteikko
- skaalaus
- Koulu
- tiede
- tutkijat
- scikit opittava
- sdk
- saumattomasti
- Osa
- osiot
- turvallisuus
- nähdä
- vanhempi
- erillinen
- Palvelut
- Istunto
- setti
- asetus
- settings
- setup
- useat
- shouldnt
- näyttää
- näyteikkuna
- esitetty
- Näytä
- merkittävästi
- samankaltainen
- Yksinkertainen
- yksinkertaisesti
- single
- Koko
- pieni
- Kuva
- So
- Tuotteemme
- ohjelmistokehitys
- Ratkaisumme
- SOLVE
- asiantuntija
- erityinen
- määrittely
- määritelty
- Alkaa
- Aloita
- Tila
- Vaihe
- Levytila
- Strateginen
- Opiskelijat
- studio
- antaa
- aliverkkoon
- niin
- Tuetut
- Tukee
- järjestelmä
- järjestelmät
- ottaa
- vie
- ottaen
- tehtävät
- tiimit
- Elektroniikka
- tensorflow
- texas
- Tekstiluokitus
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- siten
- siksi
- Nämä
- ne
- tätä
- ajatus
- ajatusjohtajuus
- Kautta
- aika
- Otsikko
- että
- työkalut
- taskulamppu
- kohti
- Juna
- koulutettu
- koulutus
- muuntajat
- matkustaa
- Matkustaminen
- laukeaa
- tyyppi
- tyypillisesti
- varten
- ymmärtää
- yliopisto
- Päivitykset
- us
- käyttää
- käyttölaukku
- käytetty
- Käyttäjät
- käyttämällä
- arvo
- arvot
- versio
- kautta
- Näytä
- virginia
- visio
- vs
- vs koodi
- odottaa
- haluta
- we
- verkko
- verkkopalvelut
- kun
- joka
- vaikka
- tulee
- with
- sisällä
- Referenssit
- työskentely
- toimii
- olisi
- kääri
- kääritty
- kirjoittaa
- kirjoita koodi
- kirjallinen
- X
- vuotta
- Voit
- nuorin
- Sinun
- zephyrnet