यह एक गेस्ट ब्लॉग पोस्ट है जिसे गेम्स24x7 के हुसैन जागीरदार ने लिखा है।
गेम्स24x7 भारत के सबसे मूल्यवान बहु-खेल प्लेटफार्मों में से एक है और विभिन्न कौशल खेलों में 100 मिलियन से अधिक गेमर्स का मनोरंजन करता है। उनके मूल दर्शन के रूप में "गेमिंग का विज्ञान" के साथ, उन्होंने गेम एआई, गेम डेटा साइंस और गेम उपयोगकर्ता अनुसंधान के ऑर्थोगोनल अनुसंधान दिशाओं को समेकित करके गेम डायनेमिक्स, गेम प्लेटफॉर्म और खिलाड़ियों के बारे में एंड-टू-एंड सूचना विज्ञान की दृष्टि को सक्षम किया है। एआई और डेटा साइंस टीम बहु-आयामी डेटा की अधिकता में गोता लगाती है और एडब्ल्यूएस पर प्लेयर जर्नी ऑप्टिमाइज़ेशन, गेम एक्शन डिटेक्शन, हाइपर-पर्सनैलाइज़ेशन, ग्राहक 360 और अधिक जैसे विभिन्न उपयोग के मामलों को चलाती है।
गेम्स24x7 प्रत्येक खिलाड़ी के व्यवहार के मूल्यांकन के लिए एक स्वचालित, डेटा-संचालित, एआई संचालित ढांचे को मंच पर बातचीत के माध्यम से नियोजित करता है और उपयोगकर्ताओं को विषम व्यवहार के साथ चिह्नित करता है। उन्होंने एक डीप-लर्निंग मॉडल स्कार्सगैन बनाया है, जो छोटे और कमजोर लेबल वाले बहु-आयामी अनुदैर्ध्य टेलीमेट्री डेटा से अत्यंत दुर्लभ या दुर्लभ नमूनों की पहचान पर केंद्रित है। में यह रचना प्रकाशित हो चुकी है। सीआईकेएम'21 और यह खुला स्रोत किसी अनुदैर्ध्य टेलीमेट्री डेटा के लिए दुर्लभ वर्ग पहचान के लिए। उनके प्लेटफॉर्म में जिम्मेदार गेम खेलने को सक्षम करने के पीछे एक रीढ़ बनाने के लिए मॉडल के उत्पादन और अपनाने की आवश्यकता सर्वोपरि थी, जहां ध्वजांकित उपयोगकर्ताओं को मॉडरेशन और नियंत्रण की एक अलग यात्रा के माध्यम से ले जाया जा सकता है।
इस पोस्ट में, हम साझा करते हैं कि कैसे Games24x7 ने अपने जिम्मेदार गेमिंग प्लेटफॉर्म का उपयोग करने के लिए अपने प्रशिक्षण पाइपलाइनों में सुधार किया अमेज़न SageMaker.
ग्राहक चुनौतियां
Games24x7 में DS/AI टीम ने AWS द्वारा प्रदान की जाने वाली कई सेवाओं का उपयोग किया, जिसमें SageMaker नोटबुक, AWS स्टेप फ़ंक्शंस, AWS लाम्बा, तथा अमेज़ॅन ईएमआर, विभिन्न उपयोग के मामलों के लिए पाइपलाइनों के निर्माण के लिए। डेटा वितरण में बहाव को संभालने के लिए, और इसलिए अपने स्कार्सगैन मॉडल को फिर से प्रशिक्षित करने के लिए, उन्होंने पाया कि मौजूदा सिस्टम को बेहतर MLOps समाधान की आवश्यकता है।
स्टेप फंक्शंस के माध्यम से पिछली पाइपलाइन में, एकल मोनोलिथ कोडबेस ने डेटा प्रीप्रोसेसिंग, रीट्रेनिंग और मूल्यांकन चलाया। यह समस्या निवारण, जोड़ने, या चरण हटाने, या यहां तक कि समग्र बुनियादी ढांचे में कुछ छोटे बदलाव करने में एक बाधा बन गया। इस चरण-फ़ंक्शन ने S3 से डेटा निकालने और संसाधित करने के लिए उदाहरणों के एक समूह को त्वरित किया और पूर्व-प्रसंस्करण, प्रशिक्षण, मूल्यांकन के आगे के चरण एक बड़े EC2 उदाहरण पर चलेंगे। ऐसे परिदृश्यों में जहां पाइपलाइन किसी भी चरण में विफल हो जाती है, पूरे कार्यप्रवाह को शुरू से ही फिर से शुरू करने की आवश्यकता होती है, जिसके परिणामस्वरूप बार-बार रन और लागत में वृद्धि होती है। Amazon Simple Storage Service (Amazon S3) से सभी प्रशिक्षण और मूल्यांकन मेट्रिक्स का मैन्युअल रूप से निरीक्षण किया गया था। मॉडल पर किए गए कई प्रयोगों के मेटाडेटा को पास करने और स्टोर करने के लिए कोई तंत्र नहीं था। विकेंद्रीकृत मॉडल की निगरानी के कारण, डेटा साइंस टीम से आवश्यक घंटों की गहन जांच और चेरी-सर्वश्रेष्ठ मॉडल को चुनना। इन सभी प्रयासों के संचय के परिणामस्वरूप टीम की उत्पादकता कम हुई और ओवरहेड में वृद्धि हुई। साथ ही, एक तेजी से बढ़ती टीम के साथ, इस ज्ञान को पूरी टीम में साझा करना बहुत चुनौतीपूर्ण था।
चूंकि MLOps अवधारणाएं बहुत व्यापक हैं और सभी चरणों को लागू करने में समय लगेगा, इसलिए हमने निर्णय लिया कि पहले चरण में हम निम्नलिखित मुख्य मुद्दों को संबोधित करेंगे:
- उद्योग की सर्वोत्तम प्रथाओं का उपयोग करके हमारे इन-हाउस डीप लर्निंग मॉडल को फिर से प्रशिक्षित करने के लिए एक सुरक्षित, नियंत्रित और टेम्प्लेटाइज़्ड वातावरण
- प्रत्येक पुनर्प्रशिक्षण कार्य के लिए मापदंडों का एक अलग सेट भेजने और अंतिम-रनों का ऑडिट करने के लिए एक पैरामीटरयुक्त प्रशिक्षण वातावरण
- प्रशिक्षण मेट्रिक्स और मूल्यांकन मेट्रिक्स को नेत्रहीन रूप से ट्रैक करने की क्षमता, और प्रयोगों को ट्रैक करने और तुलना करने के लिए मेटाडेटा है
- चरण विफलताओं के मामले में प्रत्येक चरण को व्यक्तिगत रूप से स्केल करने और पिछले चरणों का पुन: उपयोग करने की क्षमता
- मॉडलों को पंजीकृत करने, सुविधाओं को संग्रहीत करने और संदर्भ पाइपलाइनों को लागू करने के लिए एक समर्पित वातावरण
- एक आधुनिक टूलसेट जो विभिन्न चरणों के लिए अलग-अलग उदाहरणों का उपयोग करने के लचीलेपन को शामिल करके गणना आवश्यकताओं को कम कर सकता है, लागत कम कर सकता है और स्थायी एमएल विकास और संचालन चला सकता है
- अत्याधुनिक MLOps पाइपलाइन का एक बेंचमार्क टेम्प्लेट बनाना जिसका उपयोग विभिन्न डेटा साइंस टीमों में किया जा सकता है
गेम्स24x7 ने सहित अन्य समाधानों का मूल्यांकन करना शुरू कर दिया है अमेज़न सैजमेकर स्टूडियो पाइपलाइन. स्टेप फंक्शंस के माध्यम से पहले से मौजूद समाधान की सीमाएँ थीं। स्टूडियो पाइपलाइनों में किसी भी समय एक कदम जोड़ने या हटाने का लचीलापन था। साथ ही, प्रत्येक चरण के बीच समग्र वास्तुकला और उनकी डेटा निर्भरता को डीएजी के माध्यम से देखा जा सकता है। अमेज़ॅन सैजमेकर स्टूडियो, पाइपलाइन, प्रसंस्करण, प्रशिक्षण, मॉडल रजिस्ट्री और प्रयोगों और परीक्षणों जैसे विभिन्न अमेज़ॅन सैजमेकर कार्यात्मकताओं को अपनाने के बाद पुनर्प्रशिक्षण चरणों का मूल्यांकन और फाइन-ट्यूनिंग काफी कुशल हो गया। AWS सॉल्यूशन आर्किटेक्चर टीम ने बहुत गहरा गोता लगाया और वास्तव में इस समाधान के डिजाइन और कार्यान्वयन में महत्वपूर्ण भूमिका निभाई।
समाधान अवलोकन
निम्नलिखित चित्र समाधान वास्तुकला को दर्शाता है।
समाधान ए का उपयोग करता है सेजमेकर स्टूडियो पुनर्प्रशिक्षण प्रयोगों को चलाने के लिए वातावरण। पाइपलाइन स्क्रिप्ट को इनवोक करने के लिए कोड स्टूडियो नोटबुक्स में उपलब्ध है, और हम पाइपलाइन को इन्वोक करते समय हाइपरपरमेटर्स और इनपुट/आउटपुट को बदल सकते हैं। यह हमारी पहले की पद्धति से काफी अलग है जहां हमारे पास स्क्रिप्ट के भीतर सभी पैरामीटर हार्ड कोडित थे और सभी प्रक्रियाएं अटूट रूप से जुड़ी हुई थीं। इसके लिए मोनोलिथिक कोड को अलग-अलग चरणों में संशोधित करने की आवश्यकता थी।
निम्नलिखित आरेख हमारी मूल अखंड प्रक्रिया को दर्शाता है।
modularization
प्रत्येक चरण को व्यक्तिगत रूप से स्केल करने, ट्रैक करने और चलाने के लिए, मोनोलिथिक कोड को संशोधित करने की आवश्यकता होती है। प्रत्येक चरण के बीच के पैरामीटर, डेटा और कोड निर्भरता को हटा दिया गया था, और सभी चरणों में साझा किए गए घटकों के लिए साझा किए गए मॉड्यूल बनाए गए थे। मॉड्यूलराइजेशन का एक उदाहरण नीचे दिखाया गया है: -
हर एक मॉड्यूल के लिए, SageMaker SDK's का उपयोग करके स्थानीय रूप से परीक्षण किया गया था स्क्रिप्ट मोड प्रशिक्षण, प्रसंस्करण और मूल्यांकन के लिए जो आवश्यक मामूली बदलाव SageMaker के साथ चलाने के लिए कोड में। स्थानीय मोड परीक्षण डीप लर्निंग स्क्रिप्ट्स के लिए या तो SageMaker नोटबुक्स पर किया जा सकता है यदि पहले से ही उपयोग किया जा रहा है या उपयोग करके SageMaker पाइपलाइनों का उपयोग करते हुए स्थानीय मोड सीधे पाइपलाइनों से शुरू होने के मामले में। यह सत्यापित करने में मदद करता है कि क्या हमारी कस्टम स्क्रिप्ट SageMaker उदाहरणों पर चलेंगी।
प्रत्येक मॉड्यूल को तब SageMaker प्रशिक्षण/प्रसंस्करण SDK का उपयोग करके अलगाव में परीक्षण किया गया था स्क्रिप्ट मोड और नीचे दिए गए प्रशिक्षण चरण की तरह प्रत्येक चरण के लिए सैजमेकर उदाहरणों का उपयोग करके मैन्युअल रूप से उन्हें एक क्रम में चलाया:
Amazon S3 का उपयोग स्रोत डेटा को संसाधित करने के लिए किया गया था और फिर अगले चरण के लिए मध्यवर्ती डेटा, डेटा फ़्रेम और NumPy परिणामों को वापस Amazon S3 में संग्रहीत किया गया। पूर्व-प्रसंस्करण, प्रशिक्षण, मूल्यांकन के लिए अलग-अलग मॉड्यूल के बीच एकीकरण परीक्षण पूरा होने के बाद, सेजमेकर पाइपलाइन एसडीके जो SageMaker Python SDK के साथ एकीकृत है जिसे हमने पहले से ही उपरोक्त चरणों में उपयोग किया है, हमें इन सभी मॉड्यूल को प्रोग्रामेटिक रूप से इनपुट पैरामीटर, डेटा, मेटाडेटा और प्रत्येक चरण के आउटपुट को अगले चरणों में इनपुट के रूप में पास करने की अनुमति देता है।
हम सैजमेकर पाइपलाइन एसडीके आधारित रनों में व्यक्तिगत रूप से मॉड्यूल चलाने के लिए पिछले सैजमेकर पायथन एसडीके कोड का पुन: उपयोग कर सकते हैं। पाइपलाइन के प्रत्येक चरण के बीच संबंध चरणों के बीच डेटा निर्भरता द्वारा निर्धारित किए जाते हैं।
पाइपलाइन के अंतिम चरण इस प्रकार हैं:
- डेटा प्रीप्रोसेसिंग
- फिर से शिक्षित करना
- मूल्यांकन
- मॉडल पंजीकरण
निम्नलिखित अनुभागों में, हम सैजमेकर पाइपलाइन एसडीके के साथ चलने पर प्रत्येक चरण पर अधिक विस्तार से चर्चा करते हैं।
डेटा प्रीप्रोसेसिंग
यह कदम कच्चे इनपुट डेटा और प्रीप्रोसेसेस को बदल देता है और ट्रेन, सत्यापन और परीक्षण सेट में विभाजित हो जाता है। इस प्रसंस्करण कदम के लिए, हमने एक SageMaker प्रसंस्करण कार्य को तत्काल शुरू किया टेंसरफ्लो फ्रेमवर्क प्रोसेसर, जो हमारी स्क्रिप्ट लेता है, Amazon S3 से डेटा कॉपी करता है, और फिर SageMaker द्वारा प्रदान की गई और अनुरक्षित डॉकर छवि को खींचता है। इस डॉकर कंटेनर ने हमें सभी TensorFlow लाइब्रेरी को पहले से ही शामिल करते हुए, और स्क्रिप्ट के लिए source_dir के लिए पाथ पास करते हुए, अपनी लाइब्रेरी डिपेंडेंसी को आवश्यकताओं.txt फ़ाइल में पास करने की अनुमति दी। ट्रेन और सत्यापन डेटा प्रशिक्षण चरण में जाता है, और परीक्षण डेटा मूल्यांकन चरण में भेज दिया जाता है। इस कंटेनर का उपयोग करने का सबसे अच्छा हिस्सा यह था कि इसने हमें विभिन्न S3 स्थानों के रूप में विभिन्न प्रकार के इनपुट और आउटपुट पास करने की अनुमति दी, जिसे बाद में SageMaker पाइपलाइन में अगले चरणों के लिए एक स्टेप डिपेंडेंसी के रूप में पास किया जा सकता था।
फिर से शिक्षित करना
हमने प्रशिक्षण मॉड्यूल को इसके माध्यम से लपेटा SageMaker पाइपलाइन ट्रेनिंगस्टेप एपीआई और पहले से ही उपलब्ध डीप लर्निंग कंटेनर छवियों का उपयोग TensorFlow फ्रेमवर्क एस्टिमेटर (जिसे स्क्रिप्ट मोड के रूप में भी जाना जाता है) के माध्यम से किया जाता है। सेजमेकर प्रशिक्षण. स्क्रिप्ट मोड ने हमें अपने प्रशिक्षण कोड में न्यूनतम परिवर्तन करने की अनुमति दी, और SageMaker पूर्व-निर्मित डॉकटर कंटेनर पायथन, फ्रेमवर्क संस्करण, और इसी तरह संभालता है। प्रसंस्करण आउटपुट से Data_Preprocessing
चरण को इस चरण के प्रशिक्षण इनपुट के रूप में अग्रेषित किया गया था।
सभी हाइपरपैरामीटर एक JSON फ़ाइल के माध्यम से अनुमानक के माध्यम से पारित किए गए थे। हमारे प्रशिक्षण में प्रत्येक युग के लिए, हम पहले से ही स्क्रिप्ट में stdOut के माध्यम से अपना प्रशिक्षण मेट्रिक्स भेज रहे थे। क्योंकि हम चल रहे प्रशिक्षण कार्य के मेट्रिक्स को ट्रैक करना चाहते थे और पिछले प्रशिक्षण कार्यों के साथ उनकी तुलना करना चाहते थे, इसलिए हमें प्रत्येक युग के लिए StdOut से मेट्रिक्स प्राप्त करने के लिए रेगेक्स के माध्यम से मीट्रिक परिभाषाओं को परिभाषित करके इस StdOut को पार्स करना था।
यह समझना दिलचस्प था कि सैजमेकर पाइपलाइन स्वचालित रूप से SageMaker प्रयोग API के साथ एकीकृत करता है, जो डिफ़ॉल्ट रूप से प्रत्येक रन के लिए एक प्रयोग, परीक्षण और परीक्षण घटक बनाता है। यह हमें नीचे दिखाए गए अनुसार कई रनों में सटीकता और सटीकता जैसे प्रशिक्षण मेट्रिक्स की तुलना करने की अनुमति देता है।
प्रत्येक प्रशिक्षण कार्य चलाने के लिए, हम अपने कस्टम व्यवसाय परिभाषा के आधार पर Amazon S3 के लिए चार अलग-अलग मॉडल तैयार करते हैं।
मूल्यांकन
यह चरण Amazon S3 से प्रशिक्षित मॉडलों को लोड करता है और हमारे कस्टम मेट्रिक्स पर मूल्यांकन करता है। यह प्रोसेसिंगस्टेप मॉडल और टेस्ट डेटा को अपने इनपुट के रूप में लेता है और Amazon S3 पर मॉडल के प्रदर्शन की रिपोर्ट को डंप करता है।
हम कस्टम मेट्रिक्स का उपयोग कर रहे हैं, इसलिए इन कस्टम मेट्रिक्स को मॉडल रजिस्ट्री में पंजीकृत करने के लिए, हमें Amazon S3 में संग्रहीत मूल्यांकन मेट्रिक्स की स्कीमा को CSV के रूप में परिवर्तित करने की आवश्यकता है सेजमेकर मॉडल की गुणवत्ता जेएसओएन आउटपुट। फिर हम इस मूल्यांकन JSON मेट्रिक्स का स्थान मॉडल रजिस्ट्री में पंजीकृत कर सकते हैं।
निम्नलिखित स्क्रीनशॉट एक उदाहरण दिखाते हैं कि कैसे हमने एक CSV को Sagemaker मॉडल गुणवत्ता JSON प्रारूप में परिवर्तित किया।
मॉडल पंजीकरण
जैसा कि पहले उल्लेख किया गया है, हम एक ही प्रशिक्षण चरण में कई मॉडल बना रहे थे, इसलिए हमें मॉडल रजिस्ट्री में सभी चार मॉडलों को पंजीकृत करने के लिए SageMaker पाइपलाइन लैम्ब्डा एकीकरण का उपयोग करना पड़ा। एकल मॉडल पंजीकरण के लिए हम इसका उपयोग कर सकते हैं मॉडलस्टेप रजिस्ट्री में SageMaker मॉडल बनाने के लिए API। प्रत्येक मॉडल के लिए, लैम्ब्डा फ़ंक्शन अमेज़ॅन एस 3 से मॉडल आर्टिफैक्ट और मूल्यांकन मीट्रिक को पुनर्प्राप्त करता है और एक विशिष्ट एआरएन के लिए एक मॉडल पैकेज बनाता है, ताकि सभी चार मॉडल एकल मॉडल रजिस्ट्री में पंजीकृत हो सकें। सैजमेकर पायथन एपीआई हमें कस्टम मेटाडेटा भेजने की भी अनुमति दी जिसे हम सर्वश्रेष्ठ मॉडल चुनने के लिए पास करना चाहते थे। यह उत्पादकता के लिए एक प्रमुख मील का पत्थर साबित हुआ क्योंकि अब सभी मॉडलों की तुलना और ऑडिट एक ही खिड़की से की जा सकती है। हमने मॉडल को एक दूसरे से विशिष्ट रूप से अलग करने के लिए मेटाडेटा प्रदान किया। इसने मॉडल मेट्रिक्स के आधार पर सहकर्मी-समीक्षाओं और प्रबंधन समीक्षाओं की मदद से एकल मॉडल को मंजूरी देने में भी मदद की।
उपरोक्त कोड ब्लॉक एक उदाहरण दिखाता है कि हमने मॉडल मेट्रिक्स के साथ मॉडल रजिस्ट्री में मॉडल पैकेज इनपुट के माध्यम से मेटाडेटा कैसे जोड़ा।
नीचे दिए गए स्क्रीनशॉट से पता चलता है कि एक बार पंजीकृत होने के बाद हम कितनी आसानी से विभिन्न मॉडल संस्करणों के मेट्रिक्स की तुलना कर सकते हैं।
पाइपलाइन आह्वान
पाइपलाइन के माध्यम से मंगाया जा सकता है इवेंट ब्रिज , सेजमेकर स्टूडियो या एसडीके अपने आप। मंगलाचरण चरणों के बीच डेटा निर्भरता के आधार पर कार्य चलाता है।
निष्कर्ष
इस पोस्ट में, हमने प्रदर्शित किया कि कैसे गेम्स24x7 ने SageMaker पाइपलाइनों के माध्यम से अपनी MLOps संपत्तियों को रूपांतरित किया। परिचालित वातावरण के साथ प्रशिक्षण मेट्रिक्स और मूल्यांकन मेट्रिक्स को नेत्रहीन रूप से ट्रैक करने की क्षमता, सही प्रोसेसिंग प्लेटफॉर्म और एक केंद्रीय मॉडल रजिस्ट्री के साथ अलग-अलग कदमों को स्केल करना एक ऑडिटेबल, पुन: प्रयोज्य, कुशल और व्याख्यात्मक वर्कफ़्लो के मानकीकरण और आगे बढ़ने में एक प्रमुख मील का पत्थर साबित हुआ। . यह परियोजना विभिन्न डेटा विज्ञान टीमों के लिए एक खाका है और सदस्यों को सर्वोत्तम प्रथाओं के साथ संचालन, प्रबंधन और सहयोग करने की अनुमति देकर समग्र उत्पादकता में वृद्धि हुई है।
यदि आपके पास समान उपयोग का मामला है और आरंभ करना चाहते हैं तो हम सैजमेकर के माध्यम से जाने की सलाह देंगे स्क्रिप्ट मोड और सेजमेकर एंड टू एंड उदाहरण सैजमेकर स्टूडियो का उपयोग करना। इन उदाहरणों में तकनीकी विवरण हैं जिन्हें इस ब्लॉग में शामिल किया गया है।
एक आधुनिक डेटा रणनीति आपको डेटा को प्रबंधित करने, एक्सेस करने, विश्लेषण करने और उस पर कार्रवाई करने के लिए व्यापक योजना प्रदान करती है। AWS सभी कार्यभार, सभी प्रकार के डेटा और सभी वांछित व्यावसायिक परिणामों के लिए संपूर्ण एंड-टू-एंड डेटा यात्रा के लिए सेवाओं का सबसे पूर्ण सेट प्रदान करता है। बदले में, यह एडब्ल्यूएस को आपके डेटा से मूल्य अनलॉक करने और इसे अंतर्दृष्टि में बदलने के लिए सबसे अच्छी जगह बनाता है।
लेखक के बारे में
हुसैन जागीरदार एक वरिष्ठ वैज्ञानिक हैं - एप्लाइड रिसर्च at Games24x7। वह वर्तमान में व्याख्या योग्य एआई और गहन शिक्षा के क्षेत्र में अनुसंधान प्रयासों में शामिल है। उनके हाल के काम में गहन जनरेटिव मॉडलिंग, टाइम-सीरीज़ मॉडलिंग, और मशीन लर्निंग और एआई के संबंधित उपक्षेत्र शामिल हैं। वह MLOps और मानकीकृत परियोजनाओं के बारे में भी भावुक है जो मापनीयता, विश्वसनीयता और संवेदनशीलता जैसी बाधाओं की मांग करते हैं।
सुमिर कुमार एडब्ल्यूएस में समाधान वास्तुकार हैं और उन्हें प्रौद्योगिकी उद्योग में 13 वर्षों से अधिक का अनुभव है। एडब्ल्यूएस में, वह जटिल व्यावसायिक समस्याओं को हल करने वाले क्लाउड आधारित समाधानों को डिजाइन और कार्यान्वित करने के लिए प्रमुख एडब्ल्यूएस ग्राहकों के साथ मिलकर काम करता है। वह डेटा एनालिटिक्स और मशीन लर्निंग के बारे में बहुत भावुक है और संगठनों को एडब्ल्यूएस क्लाउड का उपयोग करके अपने डेटा की पूरी क्षमता को अनलॉक करने में मदद करने का एक सिद्ध ट्रैक रिकॉर्ड है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- मिंटिंग द फ्यूचर डब्ल्यू एड्रिएन एशले। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/how-games24x7-transformed-their-retraining-mlops-pipelines-with-amazon-sagemaker/
- :है
- 1
- 10
- 100
- 11
- 7
- a
- क्षमता
- About
- ऊपर
- पहुँच
- संचय
- शुद्धता
- एसीएम
- के पार
- अधिनियम
- कार्य
- जोड़ा
- अतिरिक्त
- इसके अतिरिक्त
- पता
- दत्तक
- दत्तक ग्रहण
- बाद
- AI
- सब
- की अनुमति दे
- की अनुमति देता है
- पहले ही
- वीरांगना
- अमेज़न SageMaker
- अमेज़ॅन सैजमेकर स्टूडियो
- विश्लेषिकी
- विश्लेषण करें
- और
- एपीआई
- लागू
- स्थापत्य
- हैं
- क्षेत्र
- चारों ओर
- AS
- मूल्यांकन
- संपत्ति
- At
- आडिट
- लेखापरीक्षा योग्य
- अंकेक्षित
- स्वचालित
- स्वतः
- उपलब्ध
- एडब्ल्यूएस
- वापस
- आधार
- आधारित
- BE
- क्योंकि
- शुरू
- पीछे
- जा रहा है
- नीचे
- बेंचमार्क
- BEST
- सर्वोत्तम प्रथाओं
- बेहतर
- के बीच
- खंड
- ब्लॉग
- इमारत
- बनाया गया
- व्यापार
- by
- कर सकते हैं
- मामला
- मामलों
- केंद्रीय
- श्रृंखला
- चुनौतीपूर्ण
- परिवर्तन
- परिवर्तन
- कक्षा
- निकट से
- बादल
- समूह
- कोड
- codebase
- सहयोग
- तुलना
- तुलना
- पूरा
- जटिल
- अंग
- घटकों
- व्यापक
- गणना करना
- अवधारणाओं
- मजबूत
- की कमी
- कंटेनर
- कंटेनरों
- नियंत्रण
- नियंत्रित
- बदलना
- परिवर्तित
- मूल
- लागत
- लागत
- सका
- कवर
- बनाना
- बनाया
- बनाता है
- बनाना
- वर्तमान में
- रिवाज
- ग्राहक
- ग्राहक
- तिथि
- डेटा विश्लेषण
- डेटा विज्ञान
- डेटा रणनीति
- डेटा पर ही आधारित
- विकेन्द्रीकृत
- का फैसला किया
- समर्पित
- गहरा
- विस्तृत विश्लेषण
- ध्यान लगा के पढ़ना या सीखना
- चूक
- परिभाषित करने
- मांग
- साबित
- निर्भरता
- डिज़ाइन
- वांछित
- विस्तार
- विवरण
- खोज
- निर्धारित
- विकास
- विभिन्न
- सीधे
- की खोज
- चर्चा करना
- अंतर करना
- वितरण
- डाक में काम करनेवाला मज़दूर
- नीचे
- ड्राइव
- गतिकी
- से प्रत्येक
- पूर्व
- आसानी
- कुशल
- प्रयासों
- भी
- रोजगार
- सक्षम
- समर्थकारी
- शुरू से अंत तक
- संपूर्ण
- वातावरण
- युग
- का मूल्यांकन
- मूल्यांकन
- और भी
- प्रत्येक
- उदाहरण
- उदाहरण
- निष्पादन
- मौजूदा
- मौजूदा प्रणाली
- अनुभव
- प्रयोग
- व्यापक
- उद्धरण
- अत्यंत
- विफल रहे
- विशेषताएं
- पट्टिका
- अंतिम
- प्रथम
- फ्लैग किए गए
- झंडे
- लचीलापन
- केंद्रित
- निम्नलिखित
- इस प्रकार है
- के लिए
- प्रारूप
- ढांचा
- से
- पूर्ण
- समारोह
- कार्यक्षमताओं
- कार्यों
- आगे
- खेल
- गेमर
- Games
- जुआ
- गेमिंग प्लेटफ़ॉर्म
- उत्पन्न
- उत्पादक
- मिल
- देता है
- Go
- चला जाता है
- महान
- अतिथि
- संभालना
- हैंडल
- कठिन
- है
- होने
- मदद
- मदद की
- मदद
- मदद करता है
- घंटे
- कैसे
- एचटीएमएल
- HTTPS
- पहचान
- की छवि
- छवियों
- लागू करने के
- कार्यान्वयन
- कार्यान्वयन
- आयात
- उन्नत
- in
- शामिल
- सहित
- शामिल
- वृद्धि हुई
- व्यक्ति
- व्यक्तिगत रूप से
- उद्योग
- इंफ्रास्ट्रक्चर
- निवेश
- अन्तर्दृष्टि
- उदाहरण
- सहायक
- एकीकृत
- एकीकरण
- बातचीत
- दिलचस्प
- जांच
- शामिल
- अलगाव
- मुद्दों
- IT
- यात्रा
- आईटी इस
- खुद
- काम
- नौकरियां
- यात्रा
- जेपीजी
- JSON
- कुंजी
- ज्ञान
- जानने वाला
- लेबल
- बड़ा
- सीख रहा हूँ
- पुस्तकालयों
- पुस्तकालय
- पसंद
- सीमाओं
- जुड़ा हुआ
- भार
- स्थानीय स्तर पर
- स्थान
- स्थानों
- मशीन
- यंत्र अधिगम
- प्रमुख
- बनाता है
- निर्माण
- प्रबंधन
- प्रबंध
- मैन्युअल
- तंत्र
- सदस्य
- उल्लेख किया
- मेटाडाटा
- तरीका
- मीट्रिक
- मेट्रिक्स
- मील का पत्थर
- दस लाख
- कम से कम
- नाबालिग
- ML
- एमएलओपीएस
- मोड
- आदर्श
- मॉडल
- संयम
- आधुनिक
- मॉड्यूल
- मॉड्यूल
- निगरानी
- अखंड
- अधिक
- अधिकांश
- विभिन्न
- नाम
- आवश्यकता
- अगला
- नोटबुक
- numpy
- of
- on
- ONE
- चल रहे
- खुला
- संचालित
- संचालन
- इष्टतमीकरण
- आदेश
- संगठनों
- मूल
- अन्य
- उत्पादन
- कुल
- पैकेज
- पैरामीटर
- आला दर्जे का
- भाग
- पास
- पारित कर दिया
- गुजरता
- पासिंग
- आवेशपूर्ण
- पथ
- प्रदर्शन
- दर्शन
- पाइपलाइन
- जगह
- योजना
- मंच
- प्लेटफार्म
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- प्ले
- खिलाड़ी
- खिलाड़ियों
- बहुतायत
- बिन्दु
- पद
- संभावित
- संचालित
- प्रथाओं
- शुद्धता
- पिछला
- समस्याओं
- प्रक्रिया
- प्रक्रियाओं
- प्रसंस्करण
- उत्पादकता
- परियोजना
- परियोजनाओं
- गुण
- साबित
- साबित
- बशर्ते
- प्रदान करता है
- प्रकाशित
- खींचती
- अजगर
- गुणवत्ता
- दुर्लभ
- कच्चा
- हाल
- की सिफारिश
- रिकॉर्ड
- regex
- रजिस्टर
- पंजीकृत
- पंजीकरण
- रजिस्ट्री
- सम्बंधित
- रिश्ते
- विश्वसनीयता
- हटाया
- हटाने
- दोहराया गया
- रिपोर्ट
- अपेक्षित
- आवश्यकताएँ
- अनुसंधान
- जिम्मेदार
- जिम्मेदार गेमिंग
- पुन: प्रारंभ
- परिणाम
- वापसी
- पुन: प्रयोज्य
- पुनः प्रयोग
- समीक्षा
- भूमिका
- रन
- दौड़ना
- sagemaker
- SageMaker पाइपलाइन
- अनुमापकता
- स्केल
- स्केलिंग
- दुर्लभ
- परिदृश्यों
- विज्ञान
- वैज्ञानिक
- स्क्रीनशॉट
- लिपियों
- एसडीके
- वर्गों
- सुरक्षित
- भेजना
- वरिष्ठ
- संवेदनशीलता
- अनुक्रम
- सेवा
- सेवाएँ
- सेट
- सेट
- Share
- साझा
- दिखाना
- दिखाया
- दिखाता है
- समान
- सरल
- एक
- कौशल
- छोटा
- So
- समाधान
- समाधान ढूंढे
- हल
- कुछ
- स्रोत
- विशिष्ट
- विभाजन
- ट्रेनिंग
- मानकीकरण
- शुरू
- शुरुआत में
- राज्य के-the-कला
- आँकड़े
- कदम
- कदम
- भंडारण
- की दुकान
- संग्रहित
- स्ट्रेटेजी
- स्टूडियो
- ऐसा
- स्थायी
- प्रणाली
- लेता है
- टीम
- टीमों
- तकनीकी
- टेक्नोलॉजी
- टेम्पलेट
- tensorflow
- परीक्षण
- परीक्षण
- कि
- RSI
- क्षेत्र
- स्रोत
- लेकिन हाल ही
- उन
- इसलिये
- इन
- यहाँ
- पहर
- सेवा मेरे
- ट्रैक
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- तब्दील
- परीक्षण
- परीक्षण
- मोड़
- प्रकार
- समझना
- विशिष्ट
- अनलॉक
- us
- उपयोग
- उदाहरण
- उपयोगकर्ता
- उपयोगकर्ताओं
- सत्यापन
- मूल्यवान
- मूल्य
- विविधता
- विभिन्न
- दृष्टि
- जरूरत है
- कौन कौन से
- जब
- पूरा का पूरा
- मर्जी
- साथ में
- अंदर
- काम
- कार्य
- होगा
- लिपटा
- साल
- आप
- आपका
- जेफिरनेट