यह हमारी श्रृंखला का भाग 3 है जहां हम किनारे पर दृश्य गुणवत्ता निरीक्षण के लिए एमएलओपीएस पाइपलाइन डिजाइन और कार्यान्वित करते हैं। इस पोस्ट में, हम एंड-टू-एंड एमएलओपीएस पाइपलाइन के किनारे परिनियोजन भाग को स्वचालित करने के तरीके पर ध्यान केंद्रित करते हैं। हम आपको बताते हैं कि कैसे उपयोग करना है AWS IoT ग्रीनग्रास किनारे पर मॉडल अनुमान को प्रबंधित करने और प्रक्रिया का उपयोग करके स्वचालित करने का तरीका AWS स्टेप फ़ंक्शंस और अन्य AWS सेवाएँ।
समाधान अवलोकन
In भाग 1 इस श्रृंखला में, हमने अपनी एंड-टू-एंड एमएलओपीएस पाइपलाइन के लिए एक आर्किटेक्चर तैयार किया है जो डेटा लेबलिंग से लेकर मॉडल प्रशिक्षण और किनारे पर तैनाती तक पूरी मशीन लर्निंग (एमएल) प्रक्रिया को स्वचालित करता है। में भाग 2, हमने दिखाया कि पाइपलाइन के लेबलिंग और मॉडल प्रशिक्षण भागों को कैसे स्वचालित किया जाए।
इस श्रृंखला के लिए उपयोग किया जाने वाला नमूना उपयोग मामला एक दृश्य गुणवत्ता निरीक्षण समाधान है जो धातु टैग पर दोषों का पता लगा सकता है, जिसे आप विनिर्माण प्रक्रिया के हिस्से के रूप में तैनात कर सकते हैं। निम्नलिखित चित्र एमएलओपीएस पाइपलाइन की उच्च-स्तरीय वास्तुकला को दर्शाता है जिसे हमने इस श्रृंखला की शुरुआत में परिभाषित किया था। यदि आपने इसे अभी तक नहीं पढ़ा है, तो हम अनुशंसा करते हैं कि इसे जांच लें भाग 1.
एमएल मॉडल के किनारे परिनियोजन को स्वचालित करना
एमएल मॉडल को प्रशिक्षित और मूल्यांकन करने के बाद, आने वाले डेटा पर पूर्वानुमान लगाकर व्यावसायिक मूल्य उत्पन्न करने के लिए इसे उत्पादन प्रणाली में तैनात करने की आवश्यकता होती है। यह प्रक्रिया एज सेटिंग में जल्दी से जटिल हो सकती है जहां मॉडल को उन उपकरणों पर तैनात करने और चलाने की आवश्यकता होती है जो अक्सर क्लाउड वातावरण से बहुत दूर स्थित होते हैं जिसमें मॉडल को प्रशिक्षित किया गया है। किनारे पर मशीन लर्निंग के लिए अद्वितीय कुछ चुनौतियाँ निम्नलिखित हैं:
- एज उपकरणों पर संसाधन की कमी के कारण एमएल मॉडल को अक्सर अनुकूलित करने की आवश्यकता होती है
- एज डिवाइस को क्लाउड में सर्वर की तरह पुन: तैनात या प्रतिस्थापित नहीं किया जा सकता है, इसलिए आपको एक मजबूत मॉडल परिनियोजन और डिवाइस प्रबंधन प्रक्रिया की आवश्यकता है
- उपकरणों और क्लाउड के बीच संचार कुशल और सुरक्षित होना चाहिए क्योंकि यह अक्सर अविश्वसनीय कम-बैंडविड्थ नेटवर्क का पता लगाता है
आइए देखें कि हम ONNX प्रारूप में मॉडल को निर्यात करने के अलावा AWS सेवाओं के साथ इन चुनौतियों से कैसे निपट सकते हैं, जो हमें, उदाहरण के लिए, बाधा उपकरणों के लिए मॉडल आकार को कम करने के लिए परिमाणीकरण जैसे अनुकूलन लागू करने की अनुमति देता है। ONNX सबसे सामान्य एज हार्डवेयर प्लेटफ़ॉर्म के लिए अनुकूलित रनटाइम भी प्रदान करता है।
एज परिनियोजन प्रक्रिया को तोड़ते हुए, हमें दो घटकों की आवश्यकता होती है:
- मॉडल डिलीवरी के लिए एक परिनियोजन तंत्र, जिसमें मॉडल स्वयं और मॉडल के साथ प्रबंधन और बातचीत करने के लिए कुछ व्यावसायिक तर्क शामिल हैं
- एक वर्कफ़्लो इंजन जो इसे मजबूत और दोहराने योग्य बनाने के लिए पूरी प्रक्रिया को व्यवस्थित कर सकता है
इस उदाहरण में, हम अपने स्वचालित एज परिनियोजन तंत्र के निर्माण के लिए विभिन्न AWS सेवाओं का उपयोग करते हैं, जो हमारे द्वारा चर्चा किए गए सभी आवश्यक घटकों को एकीकृत करता है।
सबसे पहले, हम एक एज डिवाइस का अनुकरण करते हैं। आपके लिए शुरू से अंत तक वर्कफ़्लो को समझना आसान बनाने के लिए, हम इसका उपयोग करते हैं अमेज़ॅन इलास्टिक कम्प्यूट क्लाउड (अमेज़ॅन EC2) उदाहरण पर AWS IoT ग्रीनग्रास कोर सॉफ़्टवेयर स्थापित करके एक एज डिवाइस का अनुकरण करें। आप वास्तविक एज प्रोडक्शन डिवाइस पर तैनात करने से पहले QA प्रक्रिया में विभिन्न घटकों को मान्य करने के लिए EC2 इंस्टेंस का भी उपयोग कर सकते हैं। AWS IoT ग्रीनग्रास एक इंटरनेट ऑफ थिंग्स (IoT) ओपन-सोर्स एज रनटाइम और क्लाउड सेवा है जो आपको एज डिवाइस सॉफ़्टवेयर बनाने, तैनात करने और प्रबंधित करने में मदद करती है। AWS IoT ग्रीनग्रास एज डिवाइस सॉफ़्टवेयर को सुरक्षित और स्केलेबल तरीके से बनाने, तैनात करने और प्रबंधित करने के प्रयास को कम करता है। अपने डिवाइस पर AWS IoT ग्रीनग्रास कोर सॉफ़्टवेयर स्थापित करने के बाद, आप सुविधाओं और घटकों को जोड़ या हटा सकते हैं, और AWS IoT ग्रीनग्रास का उपयोग करके अपने IoT डिवाइस अनुप्रयोगों को प्रबंधित कर सकते हैं। यह आपके जीवन को आसान बनाने के लिए बहुत सारे अंतर्निहित घटक प्रदान करता है, जैसे स्ट्रीममैनेजर और एमक्यूटीटी ब्रोकर घटक, जिनका उपयोग आप एंड-टू-एंड एन्क्रिप्शन का समर्थन करते हुए क्लाउड के साथ सुरक्षित रूप से संचार करने के लिए कर सकते हैं। आप अनुमान परिणाम और छवियों को कुशलतापूर्वक अपलोड करने के लिए उन सुविधाओं का उपयोग कर सकते हैं।
उत्पादन परिवेश में, आपके पास आम तौर पर एक औद्योगिक कैमरा होगा जो छवियां प्रदान करेगा जिसके लिए एमएल मॉडल को भविष्यवाणियां उत्पन्न करनी चाहिए। हमारे सेटअप के लिए, हम एज डिवाइस पर एक विशिष्ट निर्देशिका में छवियों के प्रीसेट को अपलोड करके इस छवि इनपुट का अनुकरण करते हैं। फिर हम इन छवियों का उपयोग मॉडल के लिए अनुमान इनपुट के रूप में करते हैं।
हमने क्लाउड-प्रशिक्षित एमएल मॉडल को किनारे के वातावरण में तैनात करने और भविष्यवाणियों के लिए इसका उपयोग करने के लिए समग्र तैनाती और अनुमान प्रक्रिया को लगातार तीन चरणों में विभाजित किया है:
- तैयार करना - एज परिनियोजन के लिए प्रशिक्षित मॉडल को पैकेज करें।
- तैनाती - क्लाउड से एज डिवाइस तक मॉडल और अनुमान घटकों का स्थानांतरण।
- अनुमान - मॉडल लोड करें और छवि भविष्यवाणियों के लिए अनुमान कोड चलाएँ।
निम्नलिखित आर्किटेक्चर आरेख इस तीन-चरणीय प्रक्रिया का विवरण दिखाता है और हमने इसे AWS सेवाओं के साथ कैसे कार्यान्वित किया है।
निम्नलिखित अनुभागों में, हम प्रत्येक चरण के विवरण पर चर्चा करते हैं और दिखाते हैं कि इस प्रक्रिया को एमएल मॉडल और संबंधित अनुमान कोड दोनों के लिए एक स्वचालित और दोहराने योग्य ऑर्केस्ट्रेशन और सीआई/सीडी वर्कफ़्लो में कैसे एम्बेड किया जाए।
तैयार करना
एज डिवाइस अक्सर क्लाउड वातावरण की तुलना में सीमित गणना और मेमोरी के साथ आते हैं जहां शक्तिशाली सीपीयू और जीपीयू आसानी से एमएल मॉडल चला सकते हैं। विभिन्न मॉडल-अनुकूलन तकनीकें आपको सटीकता खोए बिना भविष्यवाणी की गति बढ़ाने के लिए एक विशिष्ट सॉफ़्टवेयर या हार्डवेयर प्लेटफ़ॉर्म के लिए एक मॉडल तैयार करने की अनुमति देती हैं।
इस उदाहरण में, हमने पोर्टेबिलिटी, संभावित अनुकूलन, साथ ही अनुकूलित एज रनटाइम के लिए प्रशिक्षण पाइपलाइन में प्रशिक्षित मॉडल को ONNX प्रारूप में निर्यात किया, और मॉडल को पंजीकृत किया। अमेज़न सैजमेकर मॉडल रजिस्ट्री. इस चरण में, हम बाद की तैनाती के लिए नवीनतम पंजीकृत मॉडल सहित एक नया ग्रीनग्रास मॉडल घटक बनाते हैं।
तैनाती
किसी मॉडल को क्लाउड से किसी एज डिवाइस पर तैनात करते समय एक सुरक्षित और विश्वसनीय तैनाती तंत्र महत्वपूर्ण है। क्योंकि AWS IoT ग्रीनग्रास में पहले से ही एक मजबूत और सुरक्षित एज परिनियोजन प्रणाली शामिल है, हम इसे अपने परिनियोजन उद्देश्यों के लिए उपयोग कर रहे हैं। इससे पहले कि हम अपनी परिनियोजन प्रक्रिया को विस्तार से देखें, आइए एक त्वरित पुनर्कथन करें कि AWS IoT ग्रीनग्रास परिनियोजन कैसे काम करता है। AWS IoT ग्रीनग्रास परिनियोजन प्रणाली के मूल में हैं घटकों, जो AWS IoT ग्रीनग्रास कोर चलाने वाले एक एज डिवाइस पर तैनात सॉफ़्टवेयर मॉड्यूल को परिभाषित करता है। ये या तो निजी घटक हो सकते हैं जिन्हें आप बनाते हैं या सार्वजनिक घटक जो आपके द्वारा प्रदान किए जाते हैं एडब्ल्यूएस या व्यापक ग्रीनग्रास समुदाय. एक परिनियोजन के भाग के रूप में एकाधिक घटकों को एक साथ बंडल किया जा सकता है। एक परिनियोजन कॉन्फ़िगरेशन परिनियोजन में शामिल घटकों और परिनियोजन के लक्ष्य उपकरणों को परिभाषित करता है। नई तैनाती बनाते समय इसे या तो परिनियोजन कॉन्फ़िगरेशन फ़ाइल (JSON) में या AWS IoT ग्रीनग्रास कंसोल के माध्यम से परिभाषित किया जा सकता है।
हम निम्नलिखित दो ग्रीनग्रास घटक बनाते हैं, जिन्हें फिर तैनाती प्रक्रिया के माध्यम से किनारे डिवाइस पर तैनात किया जाता है:
- पैकेज्ड मॉडल (निजी घटक) - इस घटक में ONNX प्रारूप में प्रशिक्षित और एमएल मॉडल शामिल है।
- अनुमान कोड (निजी घटक) - एमएल मॉडल के अलावा, हमें डेटा तैयार करने, अनुमान के लिए मॉडल के साथ संचार और अनुमान परिणामों के पोस्टप्रोसेसिंग जैसे कार्यों को संभालने के लिए कुछ एप्लिकेशन लॉजिक को लागू करने की आवश्यकता है। हमारे उदाहरण में, हमने निम्नलिखित कार्यों को संभालने के लिए पायथन-आधारित निजी घटक विकसित किया है:
- Ultralytics YOLOv8 Python पैकेज जैसे आवश्यक रनटाइम घटक स्थापित करें।
- कैमरा लाइव स्ट्रीम से छवियां लेने के बजाय, हम एक विशिष्ट निर्देशिका से तैयार छवियों को लोड करके और मॉडल इनपुट आवश्यकताओं के अनुसार छवि डेटा तैयार करके इसका अनुकरण करते हैं।
- तैयार छवि डेटा के साथ लोड किए गए मॉडल के विरुद्ध अनुमान कॉल करें।
- पूर्वानुमानों की जाँच करें और अनुमान परिणामों को वापस क्लाउड पर अपलोड करें।
यदि आप हमारे द्वारा बनाए गए अनुमान कोड को गहराई से देखना चाहते हैं, तो देखें गीथहब रेपो.
अनुमान
उपरोक्त घटकों की तैनाती समाप्त होने के बाद एज डिवाइस पर मॉडल अनुमान प्रक्रिया स्वचालित रूप से शुरू हो जाती है। कस्टम अनुमान घटक समय-समय पर स्थानीय निर्देशिका से छवियों के साथ एमएल मॉडल चलाता है। मॉडल से लौटाई गई प्रति छवि का अनुमान परिणाम निम्नलिखित सामग्री वाला एक टेंसर है:
- आत्मविश्वास स्कोर - मॉडल डिटेक्शन को लेकर कितना आश्वस्त है
- वस्तु निर्देशांक - स्क्रैच ऑब्जेक्ट छवि में मॉडल द्वारा पता लगाए गए निर्देशांक (x, y, चौड़ाई, ऊंचाई) का पता लगाता है
हमारे मामले में, अनुमान घटक AWS IoT पर एक विशिष्ट MQTT विषय पर अनुमान परिणाम भेजने का ख्याल रखता है जहां इसे आगे की प्रक्रिया के लिए पढ़ा जा सकता है। इन संदेशों को डिबगिंग के लिए AWS IoT कंसोल पर MQTT परीक्षण क्लाइंट के माध्यम से देखा जा सकता है। उत्पादन सेटिंग में, आप किसी अन्य सिस्टम को स्वचालित रूप से सूचित करने का निर्णय ले सकते हैं जो उत्पादन लाइन से दोषपूर्ण धातु टैग को हटाने का ख्याल रखता है।
वाद्य-स्थान
जैसा कि पिछले अनुभागों में देखा गया है, एक एमएल मॉडल, संबंधित अनुमान कोड और एक एज डिवाइस पर आवश्यक रनटाइम या एजेंट को तैयार करने और तैनात करने के लिए कई चरणों की आवश्यकता होती है। स्टेप फ़ंक्शंस एक पूरी तरह से प्रबंधित सेवा है जो आपको इन समर्पित चरणों को व्यवस्थित करने और वर्कफ़्लो को एक राज्य मशीन के रूप में डिज़ाइन करने की अनुमति देती है। इस सेवा की सर्वर रहित प्रकृति और एडब्ल्यूएस सेवा एपीआई एकीकरण जैसी मूल स्टेप फ़ंक्शंस क्षमताएं आपको इस वर्कफ़्लो को जल्दी से सेट करने की अनुमति देती हैं। मजबूत ऑर्केस्ट्रेशन बनाने के लिए पुनर्प्रयास या लॉगिंग जैसी अंतर्निहित क्षमताएं महत्वपूर्ण बिंदु हैं। राज्य मशीन परिभाषा के संबंध में अधिक जानकारी के लिए, देखें गिटहब भंडार या इस उदाहरण को अपने खाते में तैनात करने के बाद स्टेप फ़ंक्शंस कंसोल पर राज्य मशीन ग्राफ़ की जाँच करें।
बुनियादी ढांचे की तैनाती और सीआई/सीडी में एकीकरण
सभी आवश्यक बुनियादी ढांचे के घटकों को एकीकृत और निर्मित करने के लिए सीआई/सीडी पाइपलाइन उसी पैटर्न का अनुसरण करती है, जिसका वर्णन इसमें किया गया है भाग 1 इस श्रृंखला के. हम उपयोग करते हैं AWS क्लाउड डेवलपमेंट किट (एडब्ल्यूएस सीडीके) से आवश्यक पाइपलाइनों को तैनात करने के लिए AWS कोडपिपलीन.
सीखता है
स्वचालित, मजबूत और सुरक्षित एमएल मॉडल एज परिनियोजन प्रणाली के लिए आर्किटेक्चर बनाने के कई तरीके हैं, जो अक्सर उपयोग के मामले और अन्य आवश्यकताओं पर बहुत निर्भर होते हैं। हालाँकि, यहां कुछ सीख हम आपके साथ साझा करना चाहेंगे:
- यदि अतिरिक्त हो तो पहले से मूल्यांकन करें AWS IoT ग्रीनग्रास संसाधन आवश्यकताओं की गणना करता है आपके मामले में फिट बैठता है, विशेष रूप से सीमित किनारे वाले उपकरणों के साथ।
- एक परिनियोजन तंत्र स्थापित करें जो एज डिवाइस पर चलने से पहले तैनात कलाकृतियों के सत्यापन चरण को एकीकृत करता है ताकि यह सुनिश्चित हो सके कि ट्रांसमिशन के दौरान कोई छेड़छाड़ नहीं हुई है।
- AWS IoT ग्रीनग्रास पर तैनाती घटकों को यथासंभव मॉड्यूलर और स्व-निहित रखना अच्छा अभ्यास है ताकि उन्हें स्वतंत्र रूप से तैनात करने में सक्षम किया जा सके। उदाहरण के लिए, यदि आपके पास अपेक्षाकृत छोटा अनुमान कोड मॉड्यूल है लेकिन आकार के मामले में एक बड़ा एमएल मॉडल है, तो आप हमेशा उन दोनों को तैनात नहीं करना चाहेंगे यदि सिर्फ अनुमान कोड बदल गया है। यह विशेष रूप से तब महत्वपूर्ण है जब आपके पास सीमित बैंडविड्थ या उच्च लागत वाली डिवाइस कनेक्टिविटी हो।
निष्कर्ष
यह किनारे पर दृश्य गुणवत्ता निरीक्षण के लिए एंड-टू-एंड एमएलओपीएस पाइपलाइन के निर्माण पर हमारी तीन-भाग श्रृंखला का समापन करता है। हमने मॉडल पैकेजिंग या जटिल परिनियोजन ऑर्केस्ट्रेशन जैसे किनारे पर एमएल मॉडल को तैनात करने के साथ आने वाली अतिरिक्त चुनौतियों पर ध्यान दिया। हमने पाइपलाइन को पूरी तरह से स्वचालित तरीके से कार्यान्वित किया ताकि हम अपने मॉडलों को मजबूत, सुरक्षित, दोहराने योग्य और पता लगाने योग्य फैशन में उत्पादन में डाल सकें। अपने अगले एमएल-सक्षम प्रोजेक्ट के लिए शुरुआती बिंदु के रूप में इस श्रृंखला में विकसित वास्तुकला और कार्यान्वयन का उपयोग करने के लिए स्वतंत्र महसूस करें। यदि आपके पास कोई प्रश्न है कि अपने पर्यावरण के लिए ऐसी प्रणाली का निर्माण और निर्माण कैसे करें, तो कृपया तक पहुँच. अन्य विषयों और उपयोग के मामलों के लिए, हमारा संदर्भ लें मशीन लर्निंग और IoT ब्लॉग।
लेखक के बारे में
माइकल रोथ AWS में एक वरिष्ठ समाधान वास्तुकार हैं जो जर्मनी में विनिर्माण ग्राहकों को AWS प्रौद्योगिकी के माध्यम से उनकी व्यावसायिक चुनौतियों को हल करने में सहायता करते हैं। काम और परिवार के अलावा उनकी रुचि स्पोर्ट्स कारों में है और वह इटैलियन कॉफी का आनंद लेते हैं।
जोर्ग वॉहरले AWS में एक सॉल्यूशन आर्किटेक्ट है, जो जर्मनी में विनिर्माण ग्राहकों के साथ काम करता है। स्वचालन के जुनून के साथ, जोर्ज ने अपने पूर्व-एडब्ल्यूएस जीवन में एक सॉफ्टवेयर डेवलपर, डेवऑप्स इंजीनियर और साइट विश्वसनीयता इंजीनियर के रूप में काम किया है। क्लाउड से परे, वह एक महत्वाकांक्षी धावक है और अपने परिवार के साथ गुणवत्तापूर्ण समय का आनंद लेता है। इसलिए यदि आपके पास DevOps चुनौती है या आप दौड़ना चाहते हैं: तो उसे बताएं।
जोहान्स लैंगर AWS में एक वरिष्ठ समाधान वास्तुकार हैं, जो जर्मनी में उद्यम ग्राहकों के साथ काम करते हैं। जोहान्स को वास्तविक व्यावसायिक समस्याओं को हल करने के लिए मशीन लर्निंग लागू करने का शौक है। अपने निजी जीवन में, जोहान्स को गृह सुधार परियोजनाओं पर काम करना और अपने परिवार के साथ बाहर समय बिताना अच्छा लगता है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-for-visual-quality-inspection-at-the-edge-part-3/
- :हैस
- :है
- :कहाँ
- $यूपी
- 150
- 7
- a
- योग्य
- About
- अनुसार
- लेखा
- शुद्धता
- वास्तविक
- जोड़ना
- इसके अलावा
- अतिरिक्त
- उन्नत
- बाद
- के खिलाफ
- एजेंट
- सब
- अनुमति देना
- की अनुमति देता है
- पहले ही
- भी
- हमेशा
- वीरांगना
- अमेज़ॅन EC2
- अमेज़ॅन वेब सेवा
- महत्त्वाकांक्षी
- an
- और
- अन्य
- कोई
- एपीआई
- आवेदन
- अनुप्रयोगों
- लागू करें
- लागू
- स्थापत्य
- हैं
- AS
- अलग
- At
- को स्वचालित रूप से
- स्वचालित
- ऑटोमेटा
- स्वतः
- स्वचालन
- दूर
- एडब्ल्यूएस
- AWS IoT ग्रीनग्रास
- वापस
- बैंडविड्थ
- BE
- क्योंकि
- बन
- किया गया
- से पहले
- शुरू
- के अतिरिक्त
- के बीच
- परे
- बड़ा
- ब्लॉग
- के छात्रों
- व्यापक
- दलाल
- निर्माण
- इमारत
- बनाया गया
- में निर्मित
- बंडल
- व्यापार
- लेकिन
- by
- कॉल
- कैमरा
- कर सकते हैं
- क्षमताओं
- कौन
- कारों
- मामला
- मामलों
- चुनौती
- चुनौतियों
- बदल
- चेक
- जाँच
- ग्राहक
- बादल
- कोड
- कॉफी
- कैसे
- सामान्य
- संवाद
- संचार
- तुलना
- जटिल
- अंग
- घटकों
- गणना करना
- आश्वस्त
- विन्यास
- कनेक्टिविटी
- लगातार
- कंसोल
- की कमी
- शामिल हैं
- सामग्री
- मूल
- कोर सॉफ्टवेयर
- इसी
- लागत
- बनाना
- बनाना
- रिवाज
- ग्राहक
- तिथि
- डेटा तैयारी
- तय
- समर्पित
- और गहरा
- परिभाषित
- परिभाषित
- परिभाषित करता है
- परिभाषा
- पहुंचाने
- प्रसव
- निर्भर
- तैनात
- तैनात
- तैनाती
- तैनाती
- तैनाती
- डिज़ाइन
- विस्तार
- विवरण
- पता लगाना
- पता चला
- विकसित
- डेवलपर
- विकास
- युक्ति
- डिवाइस
- विभिन्न
- चर्चा करना
- चर्चा की
- विभाजित
- do
- dont
- नीचे
- दो
- दौरान
- से प्रत्येक
- आसान
- आसानी
- Edge
- कुशल
- कुशलता
- प्रयास
- भी
- एम्बेड
- एन्क्रिप्शन
- शुरू से अंत तक
- इंजन
- इंजीनियर
- सुनिश्चित
- उद्यम
- संपूर्ण
- वातावरण
- विशेष रूप से
- मूल्यांकित
- और भी
- उदाहरण
- परिवार
- दूर
- फैशन
- दोषपूर्ण
- विशेषताएं
- लग रहा है
- कुछ
- पट्टिका
- फिट
- फोकस
- निम्नलिखित
- इस प्रकार है
- के लिए
- प्रपत्र
- प्रारूप
- मुक्त
- से
- पूरी तरह से
- कार्यों
- आगे
- उत्पन्न
- जर्मनी
- Go
- अच्छा
- GPUs
- ग्राफ
- संभालना
- हुआ
- हार्डवेयर
- है
- ऊंचाई
- मदद करता है
- यहाँ उत्पन्न करें
- हाई
- उच्च स्तर
- उसे
- उसके
- होम
- कैसे
- How To
- तथापि
- एचटीएमएल
- http
- HTTPS
- if
- की छवि
- छवियों
- लागू करने के
- कार्यान्वयन
- कार्यान्वित
- महत्वपूर्ण
- सुधार
- in
- शामिल
- शामिल
- सहित
- आवक
- बढ़ना
- स्वतंत्र रूप से
- औद्योगिक
- इंफ्रास्ट्रक्चर
- निवेश
- स्थापित
- स्थापित कर रहा है
- उदाहरण
- एकीकृत
- एकीकृत
- एकीकरण
- एकीकरण
- बातचीत
- रुचि
- इंटरनेट
- चीजों की इंटरनेट
- में
- IOT
- IoT डिवाइस
- IT
- इतालवी
- खुद
- जेपीजी
- JSON
- केवल
- रखना
- कुंजी
- जानना
- लेबलिंग
- ताज़ा
- सीख रहा हूँ
- चलो
- जीवन
- पसंद
- सीमित
- लाइन
- लिंक्डइन
- जीना
- भार
- लोड हो रहा है
- स्थानीय
- स्थित
- लॉगिंग
- तर्क
- देखिए
- देखा
- हार
- लॉट
- मशीन
- यंत्र अधिगम
- बनाना
- निर्माण
- प्रबंधन
- कामयाब
- प्रबंध
- विनिर्माण
- तंत्र
- याद
- संदेश
- धातु
- माइकल
- ML
- एमएलओपीएस
- आदर्श
- मॉडल
- मॉड्यूलर
- मॉड्यूल
- मॉड्यूल
- अधिक
- अधिकांश
- विभिन्न
- देशी
- प्रकृति
- आवश्यकता
- की जरूरत है
- नया
- अगला
- नहीं
- वस्तु
- of
- ऑफर
- अक्सर
- on
- खुला स्रोत
- अनुकूलित
- or
- आर्केस्ट्रा
- अन्य
- हमारी
- आउट
- सड़क पर
- कुल
- पैकेज
- पैकेजिंग
- भाग
- भागों
- जुनून
- आवेशपूर्ण
- पैटर्न
- प्रति
- स्टाफ़
- पाइपलाइन
- मंच
- प्लेटफार्म
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- कृप्या अ
- बिन्दु
- अंक
- पोर्टेबिलिटी
- संभव
- पद
- शक्तिशाली
- अभ्यास
- भविष्यवाणी
- भविष्यवाणियों
- तैयारी
- तैयार करना
- तैयार
- तैयारी
- निजी
- समस्याओं
- प्रक्रिया
- प्रसंस्करण
- उत्पादन
- उत्पादन
- परियोजना
- परियोजनाओं
- बशर्ते
- प्रदान करता है
- सार्वजनिक
- प्रयोजनों
- रखना
- अजगर
- क्यू एंड ए
- गुणवत्ता
- प्रशन
- त्वरित
- जल्दी से
- पढ़ना
- वास्तविक
- संक्षिप्त
- की सिफारिश
- को कम करने
- कम कर देता है
- उल्लेख
- के बारे में
- पंजीकृत
- अपेक्षाकृत
- विश्वसनीयता
- विश्वसनीय
- हटाना
- हटाने
- repeatable
- प्रतिस्थापित
- की आवश्यकता होती है
- अपेक्षित
- आवश्यकताएँ
- संसाधन
- परिणाम
- परिणाम
- मजबूत
- रन
- धावक
- दौड़ना
- चलाता है
- sagemaker
- वही
- स्केलेबल
- खरोंच
- वर्गों
- सुरक्षित
- सुरक्षित रूप से
- देखना
- देखा
- भेजना
- वरिष्ठ
- कई
- सर्वर
- serverless
- सेवा
- सेवाएँ
- सेट
- की स्थापना
- व्यवस्था
- Share
- चाहिए
- दिखाना
- पता चला
- दिखाता है
- साइट
- आकार
- छोटा
- So
- सॉफ्टवेयर
- समाधान
- समाधान ढूंढे
- हल
- कुछ
- विशिष्ट
- गति
- खर्च
- खेल-कूद
- शुरुआत में
- शुरू होता है
- राज्य
- कदम
- कदम
- सरल
- धारा
- आगामी
- ऐसा
- सहायक
- प्रणाली
- पकड़ना
- लेता है
- ले जा
- लक्ष्य
- कार्य
- तकनीक
- टेक्नोलॉजी
- शर्तों
- परीक्षण
- कि
- RSI
- राज्य
- लेकिन हाल ही
- उन
- फिर
- इन
- चीज़ें
- इसका
- उन
- तीन
- तीन चरणों
- यहाँ
- पहर
- सेवा मेरे
- एक साथ
- विषय
- विषय
- मिल
- प्रशिक्षित
- प्रशिक्षण
- स्थानांतरण
- दो
- आम तौर पर
- अद्वितीय
- अपलोड हो रहा है
- us
- उपयोग
- उदाहरण
- प्रयुक्त
- का उपयोग
- सत्यापित करें
- मूल्य
- सत्यापन
- बहुत
- के माध्यम से
- करना चाहते हैं
- मार्ग..
- तरीके
- we
- वेब
- वेब सेवाओं
- कुंआ
- कब
- कौन कौन से
- पूरा का पूरा
- चौडाई
- साथ में
- अंदर
- बिना
- काम
- काम किया
- वर्कफ़्लो
- काम कर रहे
- होगा
- X
- अभी तक
- आप
- आपका
- जेफिरनेट