De nombreux fournisseurs de logiciels en tant que service (SaaS) dans divers secteurs ajoutent des capacités d'apprentissage automatique (ML) et d'intelligence artificielle (IA) à leurs offres SaaS pour répondre à des cas d'utilisation tels que la recommandation de produits personnalisés, la détection des fraudes et la protection précise de la demande. Certains fournisseurs de SaaS souhaitent créer eux-mêmes ces capacités de ML et d'IA et les déployer dans un environnement multi-tenant. Cependant, d'autres qui ont des clients plus avancés souhaitent permettre à leurs clients de créer eux-mêmes des modèles ML et de les utiliser pour augmenter le SaaS avec des fonctionnalités supplémentaires ou remplacer l'implémentation par défaut de certaines fonctionnalités.
Dans cet article, nous expliquons comment améliorer votre offre SaaS avec un atelier de science des données alimenté par Amazon SageMakerStudio.
Supposons qu'un éditeur de logiciels indépendant (ISV) nommé XYZ dispose d'une offre CRM SaaS de premier plan utilisée par des millions de clients pour analyser le comportement d'achat des clients. Un spécialiste du marketing de la société FOO (un client XYZ) souhaite trouver ses acheteurs ayant une propension au désabonnement afin d'optimiser le retour sur investissement de ses programmes de fidélisation de la clientèle en ciblant ces acheteurs. Auparavant, ils utilisaient une simple analyse statistique dans le CRM pour évaluer ces clients. Maintenant, ils veulent encore améliorer le retour sur investissement en utilisant des techniques de ML. XYZ peut améliorer son CRM pour ses clients en utilisant la solution expliquée dans cet article et permettre à l'équipe de science des données de FOO de créer elle-même des modèles à partir de ses données.
Les clients SaaS intéressés par ce cas d'utilisation souhaitent avoir accès à un atelier de science des données dans le cadre du SaaS, grâce auquel ils peuvent accéder facilement à leurs données résidant dans le SaaS, les analyser, extraire des tendances et créer, former et déployer des solutions personnalisées. Modèles de ML. Ils veulent une intégration sécurisée entre l'atelier de science des données et le SaaS, l'accès à un ensemble complet et étendu de capacités de science des données et de ML, et la possibilité d'importer des ensembles de données supplémentaires et de les joindre aux données extraites du SaaS pour en tirer des informations utiles.
Le schéma suivant illustre l'architecture telle quelle de l'offre CRM SaaS de XYZ.
Cette architecture se compose des éléments suivants :
- Couche frontale – Cette couche est hébergée sur Service de stockage simple Amazon (Amazon S3). Amazon CloudFront est utilisé comme réseau mondial de diffusion de contenu, et Amazon Cognito est utilisé pour l'authentification et l'autorisation des utilisateurs. Cette couche comprend trois applications Web :
- Atterrissage et inscription – La page publique que les clients peuvent trouver et utiliser pour s'inscrire à la solution CRM. L'inscription déclenche le processus d'enregistrement, qui implique la création d'un nouveau locataire dans le système pour le client.
- Application GRC – Utilisé par les clients pour gérer les opportunités, gérer leurs propres clients, etc. Il s'appuie sur Amazon Cognito pour authentifier et autoriser les utilisateurs.
- Administrateur CRM – Utilisé par le fournisseur SaaS pour gérer et configurer les locataires.
- Couche dorsale – Cette couche est implémentée sous la forme de deux ensembles de microservices s'exécutant sur Service Amazon Elastic Kubernetes (Amazon EKS) :
- Services SaaS – Inclut les services d'enregistrement, de gestion des locataires et de gestion des utilisateurs. Une mise en œuvre plus complète comprendrait des services supplémentaires pour la facturation et le comptage.
- Services d'application – Comprend la gestion des clients, la gestion des opportunités et les services de catalogue de produits. Cet ensemble peut contenir des services complémentaires basés sur les fonctionnalités métiers fournies par la solution CRM.
Les sections suivantes de l'article expliquent comment créer une nouvelle version du CRM SaaS avec un atelier de science des données intégré.
Présentation de la solution
Nous utilisons Amazon Sage Maker pour répondre aux exigences de notre solution. SageMaker est le service de bout en bout le plus complet pour le ML. Il s'agit d'un service géré pour les scientifiques des données et les développeurs qui aide à éliminer les charges lourdes indifférenciées associées au ML, afin que vous puissiez avoir plus de temps, de ressources et d'énergie pour vous concentrer sur votre entreprise.
Les fonctionnalités de SageMaker incluent SageMaker Studio, le premier environnement de développement entièrement intégré (IDE) pour ML. Il fournit une interface visuelle Web unique où vous pouvez effectuer toutes les étapes de développement ML nécessaires pour créer, former, régler, déboguer, déployer et surveiller des modèles. Il donne aux data scientists tous les outils dont ils ont besoin pour faire passer les modèles ML de l'expérimentation à la production sans quitter l'IDE.
SageMaker Studio est intégré au SaaS en tant qu'atelier de science des données. Vous pouvez le lancer en choisissant un lien dans le SaaS et accéder aux différentes fonctionnalités de SageMaker. Vous pouvez utiliser SageMaker Studio pour traiter et analyser vos propres données stockées dans le SaaS et extraire des informations. Vous pouvez également utiliser les API SageMaker pour créer et déployer un modèle ML, puis intégrer les processus et workflows SaaS au modèle ML déployé pour un traitement des données plus précis.
Ce message aborde plusieurs considérations requises pour une solution :
- Approche multi-tenant et configuration des comptes – Comment isoler les locataires. Cette section traite également d'une proposition de structure de comptes.
- Provisionnement et automatisation – Comment automatiser le provisioning du data science workbench.
- Intégration et gestion des identités – L'intégration entre le SaaS et SageMaker Studio, et l'intégration avec le fournisseur d'identité (IdP).
- Gestion de données – Extraction de données et comment les mettre à disposition de l'atelier de science des données.
Nous abordons ces concepts dans le cadre de la solution CRM SaaS expliquée en début de billet. Le diagramme suivant fournit une vue de haut niveau de l'architecture de la solution.
Comme illustré dans le diagramme précédent, le changement clé dans l'architecture est l'introduction des composants suivants :
- Service de gestion des données - Responsable de l'extraction des données du client SaaS du magasin de données SaaS et de leur transmission à l'atelier de science des données.
- Service de gestion des ateliers de science des données – Responsable de l'approvisionnement de l'atelier de science des données pour les clients SaaS et de son lancement dans le SaaS.
- Atelier de science des données – Basé sur SageMaker Studio et exécuté dans un compte AWS distinct. Il comprend également un compartiment S3 qui stocke les données extraites du magasin de données SaaS.
Les avantages de cette solution incluent les éléments suivants :
- Les clients SaaS peuvent effectuer les diverses tâches de science des données et de ML en lançant SageMaker Studio à partir du SaaS dans un onglet séparé, et l'utiliser comme atelier de science des données, sans avoir à se réauthentifier. Ils n'ont pas besoin de créer et de gérer une plate-forme de science des données distincte.
- Les clients SaaS peuvent facilement extraire les données résidant dans le magasin de données SaaS et les mettre à disposition de l'atelier de science des données intégré sans avoir à posséder des compétences en ingénierie des données. De plus, il est plus facile d'intégrer le modèle ML qu'ils ont construit avec le SaaS.
- Les clients SaaS peuvent accéder à l'ensemble le plus large et le plus complet de fonctionnalités ML fournies par SageMaker.
Approche multi-tenant et configuration du compte
Cette section explique comment provisionner SageMaker Studio pour différents locataires ou clients SaaS (les locataires et les clients SaaS sont utilisés de manière interchangeable car ils sont étroitement liés : chaque client SaaS a un locataire). Le diagramme suivant illustre une configuration multicompte qui prend en charge le provisionnement d'un environnement SageMaker sécurisé et isolé pour chaque locataire. La structure proposée est conforme aux meilleures pratiques AWS pour une configuration multi-comptes. Pour plus d'informations, reportez-vous à Organisation de votre environnement AWS à l'aide de plusieurs comptes.
Nous utilisons Tour de contrôle AWS pour mettre en œuvre la configuration multicompte proposée. AWS Control Tower fournit un cadre pour configurer et étendre un environnement AWS multicompte bien architecturé, basé sur les meilleures pratiques de sécurité et de conformité. AWS Control Tower utilise plusieurs autres services AWS, y compris Organisations AWS, Catalogue de services AWSet une AWS CloudFormation, pour développer sa structure de compte et appliquer des garde-fous. Les barrières de sécurité peuvent être des politiques de contrôle de service AWS Organizations ou Configuration AWS des règles. Account Factory, une fonctionnalité d'AWS Control Tower qui permet la normalisation de l'approvisionnement de nouveaux comptes avec les lignes de base appropriées pour la journalisation et l'audit centralisés, est utilisée pour automatiser l'approvisionnement de nouveaux comptes pour les environnements SageMaker des clients dans le cadre du processus d'intégration. Faire référence à AWS Control Tower – Configurer et gérer un environnement AWS multi-comptes pour plus de détails sur AWS Control Tower et comment il utilise d'autres services AWS sous le capot pour configurer et gérer une configuration multi-comptes.
Tous les comptes hébergeant les environnements SageMaker des clients se trouvent sous une unité organisationnelle (OU) commune pour permettre l'application de garde-corps et d'automatisation communs, y compris une configuration de base qui crée un domaine SageMaker Studio, un compartiment S3 dans lequel résident les ensembles de données extraits du magasin de données SaaS, entre comptes Gestion des identités et des accès AWS (IAM) qui permettent d'accéder aux composants SageMaker depuis le SaaS, et plus encore.
Isolement des locataires
Dans le cadre du SaaS, vous pouvez envisager différentes stratégies d'isolation des locataires :
- Modèle de silo – Chaque locataire exécute une pile de ressources entièrement cloisonnée
- Modèle de piscine – La même infrastructure et les mêmes ressources sont partagées entre les locataires
- Modèle de pont – Une solution qui implique un mélange des modèles de silo et de piscine
Reportez-vous à Livre blanc sur les stratégies d'isolation des locataires SaaS pour plus de détails sur les stratégies d'isolation des locataires SaaS.
Le modèle en silo est utilisé pour SageMaker : un domaine SageMaker Studio séparé ou indépendant est provisionné pour chaque client dans un compte distinct en tant qu'instance de l'atelier de science des données. Le modèle en silo simplifie la configuration et l'isolement de la sécurité. Il offre également d'autres avantages tels que la simplification du calcul des coûts associés à la consommation par le locataire des différentes fonctionnalités de SageMaker.
Alors que la stratégie d'isolation en silo est utilisée pour l'environnement SageMaker, le modèle de pool est utilisé pour d'autres composants (tels que le service de gestion de l'atelier de science des données). L'établissement de l'isolement dans le modèle en silo, où chaque locataire opère dans sa propre infrastructure (un compte AWS dans ce cas) est beaucoup plus simple par rapport au modèle de pool, où l'infrastructure est partagée. Le livre blanc référencé précédemment fournit des conseils sur la façon d'établir l'isolement avec un modèle de pool. Dans cet article, nous utilisons l'approche suivante :
- L'utilisateur est redirigé vers l'IdP (Amazon Cognito dans ce cas) pour l'authentification. L'utilisateur entre son nom d'utilisateur et son mot de passe, et une fois l'authentification réussie, l'IdP renvoie un jeton contenant les informations de l'utilisateur et l'identifiant du locataire. Le frontal inclut le jeton renvoyé dans les requêtes HTTP suivantes envoyées par le frontal aux microservices.
- Lorsque le microservice reçoit une requête, il extrait l'identifiant du locataire du jeton inclus dans la requête HTTP et assume un rôle IAM qui correspond au locataire. Les autorisations de rôle IAM supposées sont limitées aux ressources spécifiques au locataire. Par conséquent, même si le développeur du microservice a fait une erreur dans le code et a tenté d'accéder à des ressources appartenant à un autre locataire, le rôle IAM supposé ne permet pas à cette action de se poursuivre.
- Le rôle IAM qui correspond à un locataire est créé dans le cadre de l'enregistrement et de l'intégration du locataire.
D'autres approches pour établir l'isolation avec le mode pool incluent la génération dynamique de stratégies et de rôles assumés par le microservice lors de l'exécution. Pour plus d'informations, reportez-vous au Livre blanc sur les stratégies d'isolation des locataires SaaS. Une autre alternative consiste à utiliser les stratégies IAM ABAC. Reportez-vous à Comment mettre en œuvre l'isolation des locataires SaaS avec ABAC et AWS IAM pour plus de détails.
Provisionnement et automatisation
Comme illustré précédemment, nous utilisons AWS Organizations, AWS Service Catalog et AWS CloudFormation StackSets pour mettre en œuvre la configuration multicompte requise. Un aspect important de cela est la création d'un nouveau compte AWS par client pour héberger l'environnement SageMaker, et comment automatiser entièrement ce processus.
Le StackSet pour l'approvisionnement de SageMaker dans le compte d'un client est créé sur le compte principal. La cible du StackSet est l'unité d'organisation ML. Lorsqu'un nouveau compte est créé sous l'unité d'organisation ML, une pile basée sur le modèle associé au StackSet défini dans le compte de gestion est automatiquement créée dans le nouveau compte.
Le provisionnement d'un environnement SageMaker pour un locataire est un processus en plusieurs étapes qui prend quelques minutes. Par conséquent, un Amazon DynamoDB La table est créée pour stocker l'état du provisionnement de l'environnement SageMaker.
Le diagramme suivant illustre le flux de provisionnement de l'atelier de science des données.
Le microservice de gestion de l'atelier de science des données orchestre les différentes activités de provisionnement de l'atelier de science des données pour les clients SaaS. Il appelle le catalogue de services AWS ProvisionProduct
API pour initier la création de compte AWS.
Comme mentionné précédemment, le StackSet attaché à l'UO ML déclenche la création d'un domaine SageMaker Studio et d'autres ressources dans un compte client dès que le compte est créé sous une OU ML à la suite de l'appel d'AWS Service Catalog ProvisionProduct
API. Une autre façon d'y parvenir consiste à utiliser AWS Service Catalog : vous pouvez créer un produit pour provisionner l'environnement SageMaker Studio et l'ajouter à un portefeuille. Ensuite, le portefeuille est partagé avec tous les comptes AWS sous l'unité d'organisation ML. Le microservice de gestion de l'atelier de science des données doit effectuer un appel explicite à l'API AWS Service Catalog une fois la création du compte AWS terminée pour déclencher la création de l'environnement SageMaker Studio. AWS Service Catalog est très utile si vous devez prendre en charge plusieurs variantes de l'atelier de science des données : l'utilisateur sélectionne dans une liste de variantes, et le microservice de gestion de l'atelier de science des données mappe la sélection de l'utilisateur à un produit défini dans AWS Service Catalog. Ensuite, il invoque le ProvisionProduct
API avec l'ID de produit correspondant.
Après la création du compte AWS, un CreateManagedAccount
événement est publié par AWS Control Tower pour Amazon Event Bridge. Une règle est configurée dans EventBridge pour envoyer CreateManagedAccount
événements à un Service Amazon Simple Queue (Amazon SQS). Le microservice de gestion de l'atelier de science des données interroge la file d'attente SQS, récupère CreateManagedAccount
événements et appelle le service de gestion des locataires pour ajouter le numéro de compte AWS créé (partie du message d'événement) aux métadonnées du locataire.
L'état des demandes de provisionnement de l'atelier de science des données est stocké dans une table DynamoDB afin que les utilisateurs puissent s'en informer à tout moment.
Intégration et gestion des identités
Cette section se concentre sur l'intégration entre SaaS et SageMaker Studio (qui couvre le lancement de SageMaker Studio depuis le SaaS) et la gestion des identités. Nous utilisons Amazon Cognito comme IdP dans cette solution, mais si le SaaS est déjà intégré à un autre IdP qui prend en charge OAuth 2.0/OpenID Connect, vous pouvez continuer à l'utiliser car la même conception s'applique.
SageMaker Studio prend en charge l'authentification via Authentification unique AWS (AWS SSO) et IAM. Étant donné que l'organisation AWS dans ce cas est gérée par le fournisseur SaaS, il est probable qu'AWS SSO soit connecté à l'IdP du fournisseur SaaS, et non à l'IdP du client SaaS. Par conséquent, nous utilisons IAM pour authentifier les utilisateurs accédant à SageMaker Studio.
L'authentification des utilisateurs accédant à SageMaker Studio à l'aide d'IAM implique la création d'un profil utilisateur pour chaque utilisateur sur le domaine SageMaker et le mappage de leur identité dans Amazon Cognito au profil utilisateur créé. Un moyen simple d'y parvenir consiste à utiliser leur nom d'utilisateur dans Amazon Cognito comme nom de profil d'utilisateur dans le domaine SageMaker Studio. SageMaker fournit le CreateUserProfile
L'API, qui peut être utilisée pour créer par programme un profil utilisateur pour l'utilisateur la première fois qu'il tente de lancer SageMaker Studio.
En ce qui concerne le lancement de SageMaker Studio depuis le SaaS, SageMaker expose les CreatePresignedDomainUrl
API, qui génère l'URL pré-signée pour SageMaker Studio. L'URL pré-signée générée est transmise à l'interface utilisateur pour lancer SageMaker Studio dans un autre onglet du navigateur.
Le diagramme suivant décrit l'architecture pour établir l'intégration entre le SaaS et SageMaker Studio.
Le microservice de gestion de l'atelier de science des données gère la génération de l'URL présignée utilisée pour lancer SageMaker Studio qui existe dans le compte client. Il appelle le microservice de gestion des locataires pour récupérer le numéro de compte AWS qui correspond à l'ID de locataire inclus dans la demande, assume un rôle IAM dans ce compte avec les autorisations requises et appelle le SageMaker CreatePresignedDomainUrl
API pour générer l'URL pré-signée.
Si l'utilisateur lance SageMaker Studio pour la première fois, un profil utilisateur doit d'abord être créé pour lui. Ceci est réalisé en appelant le SageMaker CreateUserProfile
API.
Les utilisateurs peuvent utiliser l'atelier de science des données pour effectuer un traitement de données à grande échelle, former un modèle ML et l'utiliser pour l'inférence par lots, et créer des ensembles de données enrichis. Ils peuvent également l'utiliser pour créer et former un modèle ML, héberger ce modèle ML sur Hébergement géré SageMaker, et invoquez-le depuis le SaaS pour réaliser un cas d'utilisation comme celui mentionné au début de l'article (en remplaçant une simple capacité d'analyse statistique qui prédit le taux de désabonnement des clients par une capacité avancée basée sur le ML pour laquelle le client construit lui-même le modèle). Le schéma suivant illustre une approche pour y parvenir.
Le data scientist client SaaS lance l'atelier de science des données (SageMaker Studio) et l'utilise pour prétraiter les données extraites à l'aide Traitement SageMaker (vous pouvez également utiliser Gestionnaire de données SageMaker). Ils décident quel algorithme ML utiliser et lancent une Formation SageMaker travail pour former le modèle avec les données prétraitées. Ensuite, ils effectuent l'évaluation de modèle nécessaire dans un bloc-notes SageMaker Studio, et s'ils sont satisfaits des résultats, ils utilisent l'hébergement géré SageMaker pour déployer et héberger le modèle ML produit.
Une fois le ML déployé, le scientifique des données accède au SaaS et fournit les détails du point de terminaison SageMaker hébergeant le modèle ML. Cela déclenche un appel au microservice de gestion des locataires pour ajouter les détails du point de terminaison SageMaker aux informations du locataire. Ensuite, lorsqu'un appel est passé au microservice de gestion des clients, il appelle le microservice de gestion des locataires pour récupérer les informations des locataires, y compris le numéro de compte AWS et les détails du point de terminaison SageMaker. Il assume ensuite un rôle IAM dans le compte client avec les autorisations requises, appelle le point de terminaison SageMaker pour calculer la probabilité d'attrition des clients et inclut la sortie dans le message de réponse.
Le point de terminaison ML appelé par le microservice de gestion des clients est dynamique (récupéré du service de gestion des locataires), mais l'interface est fixe et prédéfinie par le fournisseur SaaS - cela inclut le format (par exemple, application/json), le fonctionnalités que le SaaS envoie au modèle ML, leur commande et la sortie également. Le client SaaS doit créer un modèle ML qui s'aligne sur l'interface définie par le fournisseur SaaS. Les détails de l'interface et un exemple de requête/réponse seront présentés au client SaaS sur la page de l'application, ce qui lui permettra de remplacer l'implémentation par son propre modèle ML. Le microservice SaaS (microservice de gestion des clients dans le schéma ci-dessus) effectue la transformation et la sérialisation requises pour produire les fonctionnalités attendues par le point de terminaison ML dans le format spécifié, appelle le point de terminaison ML, effectue la désérialisation et la transformation requises, puis inclut la sortie d'inférence dans la réponse renvoyée par le microservice.
Il peut arriver que le client SaaS veuille exclure des fonctionnalités qui ne sont pas pertinentes pour son modèle ou ajouter des fonctionnalités en plus de ce que le SaaS a passé. Ceci peut être réalisé en tirant parti Utilisez votre propre code d'inférence, où ils ont un contrôle total sur le code d'inférence.
Gestion de données
Cette section couvre une architecture proposée pour créer le microservice de gestion des données, qui est l'une des approches que vous pouvez suivre pour permettre aux clients SaaS d'accéder aux données résidant dans le magasin de données SaaS. Le microservice de gestion des données reçoit les demandes d'extraction de données des scientifiques des données et exécute ces demandes de manière contrôlée pour éviter d'avoir un impact négatif sur les performances du magasin de données SaaS. Le microservice est également chargé de contrôler l'accès au magasin de données SaaS (quels éléments de données sont inclus dans l'extrait de données), ainsi que le masquage et l'anonymisation des données, si nécessaire.
Le schéma suivant illustre une conception potentielle du microservice de gestion des données.
Le microservice de gestion des données est divisé en deux composants :
- Gestion de données – Reçoit la demande d'extraction de données, la place dans une file d'attente et envoie un accusé de réception en réponse
- Travailleur de la gestion des données – Récupère la demande de la file d'attente et la traite en appelant un Colle AWS JOB
Ce découplage vous permet de dimensionner les deux composants indépendamment et de contrôler la charge sur le magasin de données SaaS, quel que soit le volume des demandes d'extraction de données.
La tâche AWS Glue extrait les données d'un réplica pour la base de données de transactions, plutôt que l'instance principale de la base de données. Cela empêche les demandes d'extraction de données d'avoir un impact négatif sur les performances du SaaS.
La tâche AWS Glue charge les données extraites dans un compartiment S3 du compte AWS créé par un client spécifique. Par conséquent, le composant de travail de gestion des données doit appeler le microservice de gestion des locataires pour récupérer le numéro de compte AWS, qui fait partie des informations sur les locataires.
L'état des demandes d'extraction de données est stocké dans une table DynamoDB afin que les utilisateurs puissent s'en informer à tout moment.
Conclusion
Dans cet article, nous vous avons montré comment créer un atelier de science des données au sein de votre SaaS à l'aide de SageMaker Studio. Nous avons couvert des aspects tels que la structure de compte AWS, l'isolation des locataires, l'extraction de données du magasin de données SaaS et leur accessibilité à l'atelier de science des données, le lancement de SageMaker Studio à partir du SaaS, la gestion des identités et enfin l'approvisionnement de l'atelier de science des données dans un environnement automatisé. en utilisant des services comme AWS Control Tower, AWS Organizations et AWS CloudFormation.
Nous espérons que cela vous aidera à étendre l'utilisation du ML dans votre SaaS et à fournir à vos clients une solution plus flexible qui leur permet de consommer les capacités de ML que vous leur fournissez et également de créer eux-mêmes des capacités de ML.
À propos des auteurs
Islam Mahgoub est un architecte de solutions chez AWS avec 15 ans d'expérience dans l'architecture d'application, d'intégration et de technologie. Chez AWS, il aide les clients à créer de nouvelles solutions cloud natives et à moderniser leurs applications héritées en tirant parti des services AWS. En dehors du travail, l'islam aime marcher, regarder des films et écouter de la musique.
Giuseppe Angelo Porcelli est un architecte principal de solutions spécialisées en apprentissage automatique pour Amazon Web Services. Avec plusieurs années d'expérience en ingénierie logicielle et en ML, il travaille avec des clients de toutes tailles pour comprendre en profondeur leurs besoins commerciaux et techniques et concevoir des solutions d'IA et d'apprentissage automatique qui tirent le meilleur parti du cloud AWS et de la pile Amazon Machine Learning. Il a travaillé sur des projets dans différents domaines, notamment MLOps, Computer Vision, NLP, et impliquant un large éventail de services AWS. Pendant son temps libre, Giuseppe aime jouer au football.
Arunprasath Shankar est un architecte de solutions spécialisé en intelligence artificielle et apprentissage automatique (AI / ML) avec AWS, qui aide les clients du monde entier à faire évoluer leurs solutions d'IA de manière efficace et efficiente dans le cloud. Dans ses temps libres, Arun aime regarder des films de science-fiction et écouter de la musique classique.
- Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
- Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
- CryptoHawk. Radar Altcoins. Essai gratuit.
- Source : https://aws.amazon.com/blogs/machine-learning/enhance-your-saas-offering-with-a-data-science-workbench-powered-by-amazon-sagemaker-studio/
- "
- &
- 100
- A Propos
- accès
- Compte
- Avec cette connaissance vient le pouvoir de prendre
- atteint
- à travers
- Action
- d'activités
- Supplémentaire
- propos
- Avancée
- AI
- algorithme
- Tous
- déjà
- Amazon
- Amazon Web Services
- selon une analyse de l’Université de Princeton
- Une autre
- api
- Apis
- appli
- Application
- applications
- Application
- une approche
- architecture
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- L'INTELLIGENCE ARTIFICIELLE ET LE MACHINE LEARNING
- Authentification
- autorisation
- Automatisation
- Automation
- disponibles
- AWS
- fond
- Baseline
- Début
- avantages.
- LES MEILLEURS
- les meilleures pratiques
- facturation
- navigateur
- construire
- Développement
- la performance des entreprises
- Appelez-nous
- capacités
- cas
- Change
- le cloud
- code
- Commun
- Société
- par rapport
- conformité
- composant
- configuration
- consommer
- consommation
- contient
- contenu
- continuer
- des bactéries
- Costs
- crée des
- La création
- Clients
- données
- gestion des données
- informatique
- science des données
- Data Scientist
- Base de données
- page de livraison.
- Demande
- déployer
- Conception
- Détection
- Développeur
- mobiles
- Développement
- différent
- discuter
- Ne fait pas
- domaine
- domaines
- Dynamic
- même
- Endpoint
- énergie
- ENGINEERING
- enrichi
- Entre dans
- Environment
- établir
- événement
- événements
- Développer vous
- attendu
- d'experience
- étendre
- Extraits
- PERSONNEL
- Fonctionnalité
- Fonctionnalités:
- finalement
- Prénom
- première fois
- flux
- Focus
- suivre
- Abonnement
- Football
- le format
- Framework
- fraude
- gratuitement ici
- plein
- générer
- Global
- aller
- heureux vous
- ayant
- aide
- Comment
- How To
- HTTPS
- Identite
- gestion de l'identité
- Mettre en oeuvre
- mis en œuvre
- important
- améliorer
- comprendre
- inclus
- Y compris
- secteurs
- d'information
- Infrastructure
- idées.
- intégrer
- des services
- l'intégration
- Intelligence
- Interfaces
- seul
- IT
- Emploi
- rejoindre
- ACTIVITES
- lancer
- lance
- lancement
- conduisant
- apprentissage
- Legacy
- limité
- LINK
- Liste
- Écoute
- charge
- click
- machine learning
- Fabrication
- gestion
- les gérer
- Map
- des millions
- ML
- modèle
- numériques jumeaux (digital twin models)
- (en fait, presque toutes)
- Films
- Musique
- réseau et
- cahier
- nombre
- offrant
- Offrandes
- Onboarding
- Opportunités
- Opportunités
- organisation
- organisations
- Autre
- Mot de Passe
- performant
- plateforme
- politiques
- pool
- portefeuille
- primaire
- Directeur
- processus
- les process
- produire
- Produit
- Produit
- Vidéo
- Profil
- Programmes
- projets
- protection
- fournir
- fournit
- achat
- Inscription
- conditions
- Exigences
- Resources
- réponse
- responsables
- Résultats
- Retours
- ROI
- pour le running
- Escaliers intérieurs
- Sciences
- Scientifique
- scientifiques
- sécurisé
- sécurité
- service
- Services
- set
- commun
- étapes
- Taille
- compétences
- So
- Logiciels
- logiciel en tant que service
- génie logiciel
- Solutions
- scission
- empiler
- Région
- statistique
- Statut
- storage
- Boutique
- STORES
- les stratégies
- de Marketing
- studio
- réussi
- Support
- Les soutiens
- combustion propre
- Target
- tâches
- équipe
- Technique
- techniques
- Technologie
- Avec
- fiable
- jeton
- les outils
- top
- Transactions
- De La Carrosserie
- Trends
- ui
- comprendre
- utilisé
- utilisateurs
- Voir
- vision
- le volume
- marche
- web
- Applications Web
- services Web
- Basé sur le Web
- Quoi
- Whitepaper
- WHO
- dans les
- sans
- activités principales
- travaillé
- vos contrats
- années