इस ब्लॉग पोस्ट के सह-लेखक गिलर्मो रिबेरो, सीनियर डेटा साइंटिस्ट, सेप्सा हैं।
मशीन लर्निंग (एमएल) अकादमिक वातावरण और नवाचार विभागों से उभरने वाले एक फैशनेबल प्रवृत्ति से तेजी से विकसित हुआ है, जो हर उद्योग में व्यवसायों में मूल्य प्रदान करने का एक प्रमुख साधन बन गया है। प्रयोगशालाओं में प्रयोगों से उत्पादन वातावरण में वास्तविक दुनिया की समस्याओं को हल करने के लिए यह संक्रमण साथ-साथ चलता है एमएलओपीएस, या DevOps का ML दुनिया में अनुकूलन।
MLOps स्रोत डेटासेट, प्रयोग प्रतिलिपि प्रस्तुत करने योग्यता, ML एल्गोरिथम कोड और मॉडल गुणवत्ता पर अपना ध्यान केंद्रित करते हुए, एक ML मॉडल के पूर्ण जीवनचक्र को सुव्यवस्थित और स्वचालित करने में मदद करता है।
At CEPSA, एक वैश्विक ऊर्जा कंपनी, हम अपनी रिफाइनरियों में पेट्रोकेमिकल प्रक्रियाओं की निगरानी और सुधार करने के लिए औद्योगिक उपकरणों के लिए भविष्य कहनेवाला रखरखाव करने से लेकर, हमारे व्यवसायों की जटिल समस्याओं से निपटने के लिए एमएल का उपयोग करते हैं।
इस पोस्ट में, हम चर्चा करते हैं कि हमने निम्नलिखित प्रमुख AWS सेवाओं का उपयोग करके MLOps के लिए अपना संदर्भ आर्किटेक्चर कैसे बनाया:
- अमेज़न SageMaker, एमएल मॉडल बनाने, प्रशिक्षित करने और तैनात करने के लिए एक सेवा
- AWS स्टेप फ़ंक्शंस, एक सर्वर रहित निम्न-कोड दृश्य वर्कफ़्लो सेवा जिसका उपयोग प्रक्रियाओं को व्यवस्थित और स्वचालित करने के लिए किया जाता है
- अमेज़न EventBridge, एक सर्वर रहित घटना बस
- AWS लाम्बा, एक सर्वर रहित कंप्यूट सेवा जो आपको सर्वर का प्रावधान या प्रबंधन किए बिना कोड चलाने की अनुमति देती है
हम यह भी बताते हैं कि हमने अपनी कंपनी में नई एमएल परियोजनाओं को बूटस्ट्रैप करने के लिए इस संदर्भ वास्तुकला को कैसे लागू किया।
चुनौती
पिछले 4 वर्षों के दौरान, सेप्सा में व्यवसाय की कई लाइनों ने एमएल परियोजनाओं को शुरू किया, लेकिन जल्द ही कुछ मुद्दे और सीमाएं उत्पन्न होने लगीं।
हमारे पास एमएल के लिए एक संदर्भ वास्तुकला नहीं थी, इसलिए प्रत्येक परियोजना ने एक अलग कार्यान्वयन पथ का पालन किया, तदर्थ मॉडल प्रशिक्षण और तैनाती का प्रदर्शन किया। प्रोजेक्ट कोड और पैरामीटर को संभालने के लिए एक सामान्य विधि के बिना और एमएल मॉडल रजिस्ट्री या वर्जनिंग सिस्टम के बिना, हमने डेटासेट, कोड और मॉडल के बीच ट्रेसबिलिटी खो दी।
हमने उत्पादन में मॉडल को संचालित करने के तरीके में सुधार के लिए जगह का भी पता लगाया, क्योंकि हमने तैनात मॉडल की निगरानी नहीं की थी और इसलिए मॉडल के प्रदर्शन को ट्रैक करने के साधन नहीं थे। एक परिणाम के रूप में, हम आमतौर पर समय सारिणी के आधार पर मॉडलों को फिर से प्रशिक्षित करते हैं, क्योंकि हमारे पास सूचित पुनर्प्रशिक्षण निर्णय लेने के लिए सही मैट्रिक्स की कमी थी।
समाधान
हमें जिन चुनौतियों से पार पाना था, उससे शुरू करते हुए, हमने एक सामान्य समाधान तैयार किया, जिसका उद्देश्य डेटा तैयार करना, मॉडल प्रशिक्षण, अनुमान और मॉडल निगरानी को अलग करना था, और एक केंद्रीकृत मॉडल रजिस्ट्री को प्रदर्शित करना था। इस तरह, हमने केंद्रीकृत मॉडल ट्रैसेबिलिटी की शुरुआत करते हुए कई एडब्ल्यूएस खातों में प्रबंधन वातावरण को सरल बनाया।
हमारे डेटा वैज्ञानिक और डेवलपर उपयोग करते हैं AWS क्लाउड 9 (लिखने, चलाने और कोड डीबग करने के लिए एक क्लाउड आईडीई) डेटा तकरार और एमएल प्रयोग और गिटहब के लिए गिट कोड भंडार के रूप में।
एक स्वचालित प्रशिक्षण कार्यप्रवाह डेटा विज्ञान टीम द्वारा बनाए गए कोड का उपयोग करता है सेजमेकर पर ट्रेन मॉडल और मॉडल रजिस्ट्री में आउटपुट मॉडल पंजीकृत करने के लिए।
एक अलग वर्कफ़्लो मॉडल परिनियोजन का प्रबंधन करता है: यह मॉडल रजिस्ट्री से संदर्भ प्राप्त करता है और इसका उपयोग करके एक अनुमान समापन बिंदु बनाता है सेजमेकर मॉडल होस्टिंग सुविधाएँ.
हमने स्टेप फ़ंक्शंस का उपयोग करके मॉडल प्रशिक्षण और परिनियोजन वर्कफ़्लो दोनों को लागू किया, क्योंकि यह एक लचीला ढांचा प्रदान करता है जो प्रत्येक प्रोजेक्ट के लिए विशिष्ट वर्कफ़्लोज़ के निर्माण को सक्षम बनाता है और विभिन्न AWS सेवाओं और घटकों को सीधे तरीके से व्यवस्थित करता है।
डेटा खपत मॉडल
सेप्सा में, हम विविध व्यावसायिक जरूरतों को पूरा करने के लिए डेटा झीलों की एक श्रृंखला का उपयोग करते हैं, और ये सभी डेटा झीलें एक सामान्य डेटा खपत मॉडल साझा करती हैं जो डेटा इंजीनियरों और डेटा वैज्ञानिकों के लिए आवश्यक डेटा को ढूंढना और उपभोग करना आसान बनाता है।
लागत और जिम्मेदारियों को आसानी से संभालने के लिए, डेटा लेक वातावरण को डेटा निर्माता और उपभोक्ता अनुप्रयोगों से पूरी तरह से अलग किया जाता है, और एक सामान्य AWS संगठन से संबंधित विभिन्न AWS खातों में तैनात किया जाता है।
एमएल मॉडल को प्रशिक्षित करने के लिए उपयोग किया जाने वाला डेटा और प्रशिक्षित मॉडल के लिए एक अनुमान इनपुट के रूप में उपयोग किया जाने वाला डेटा विभिन्न डेटा झीलों से अच्छी तरह से परिभाषित एपीआई के एक सेट के माध्यम से उपलब्ध कराया जाता है। अमेज़ॅन एपीआई गेटवे, बड़े पैमाने पर एपीआई बनाने, प्रकाशित करने, बनाए रखने, निगरानी करने और सुरक्षित करने के लिए एक सेवा। एपीआई बैकएंड का उपयोग करता है अमेज़न एथेना (मानक SQL का उपयोग करके डेटा का विश्लेषण करने के लिए एक इंटरैक्टिव क्वेरी सेवा) पहले से संग्रहीत डेटा तक पहुंचने के लिए अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) और में सूचीबद्ध एडब्ल्यूएस गोंद डेटा कैटलॉग।
निम्नलिखित आरेख सेप्सा के एमएलओपीएस आर्किटेक्चर का एक सामान्य अवलोकन प्रदान करता है।
मॉडल प्रशिक्षण
प्रशिक्षण प्रक्रिया प्रत्येक मॉडल के लिए स्वतंत्र होती है और a . द्वारा नियंत्रित की जाती है चरण कार्य मानक कार्यप्रवाह, जो हमें विभिन्न परियोजना आवश्यकताओं के आधार पर मॉडल प्रक्रियाओं को लचीलापन देता है। हमारे पास एक परिभाषित आधार टेम्प्लेट है जिसे हम आवश्यकता पड़ने पर मामूली समायोजन करते हुए अधिकांश परियोजनाओं पर पुन: उपयोग करते हैं। उदाहरण के लिए, कुछ परियोजना मालिकों ने नए उत्पादन मॉडल की तैनाती को मंजूरी देने के लिए मैन्युअल गेट जोड़ने का फैसला किया है, जबकि अन्य परियोजना मालिकों ने अपनी त्रुटि का पता लगाने और पुन: प्रयास तंत्र को लागू किया है।
हम मॉडल प्रशिक्षण के लिए उपयोग किए जाने वाले इनपुट डेटासेट पर भी परिवर्तन करते हैं। इस उद्देश्य के लिए, हम लैम्ब्डा फ़ंक्शंस का उपयोग करते हैं जो प्रशिक्षण वर्कफ़्लो में एकीकृत होते हैं। कुछ परिदृश्यों में जहां अधिक जटिल डेटा परिवर्तन की आवश्यकता होती है, हम अपना कोड चलाते हैं अमेज़ॅन इलास्टिक कंटेनर सेवा (अमेज़न ईसीएस) पर AWS फरगेट, कंटेनरों को चलाने के लिए एक सर्वर रहित कंप्यूट इंजन।
हमारी डेटा विज्ञान टीम अक्सर कस्टम एल्गोरिदम का उपयोग करती है, इसलिए हम करने की क्षमता का लाभ उठाते हैं सेजमेकर मॉडल प्रशिक्षण में कस्टम कंटेनरों का उपयोग करें, पर भरोसा अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़ॅन ईसीआर), एक पूरी तरह से प्रबंधित कंटेनर रजिस्ट्री जो कंटेनर छवियों को स्टोर करना, प्रबंधित करना, साझा करना और परिनियोजित करना आसान बनाती है।
हमारे अधिकांश एमएल प्रोजेक्ट स्किकिट-लर्न लाइब्रेरी पर आधारित हैं, इसलिए हमने मानक बढ़ा दिया है सेजमेकर स्किकिट-लर्न कंटेनर परियोजना के लिए आवश्यक पर्यावरण चर शामिल करने के लिए, जैसे कि Git रिपॉजिटरी जानकारी और परिनियोजन विकल्प।
इस दृष्टिकोण के साथ, हमारे डेटा वैज्ञानिकों को केवल प्रशिक्षण एल्गोरिदम विकसित करने और परियोजना के लिए आवश्यक पुस्तकालयों को निर्दिष्ट करने पर ध्यान केंद्रित करने की आवश्यकता है। जब वे Git रिपॉजिटरी में कोड परिवर्तन को पुश करते हैं, तो हमारा CI/CD सिस्टम (जेनकींस AWS पर होस्ट किया गया) प्रशिक्षण कोड और पुस्तकालयों के साथ कंटेनर बनाता है। इस कंटेनर को अमेज़ॅन ईसीआर में धकेल दिया जाता है और अंत में सेजमेकर प्रशिक्षण आमंत्रण के लिए एक पैरामीटर के रूप में पारित किया जाता है।
जब प्रशिक्षण प्रक्रिया पूरी हो जाती है, तो परिणामी मॉडल को Amazon S3 में संग्रहीत किया जाता है, मॉडल रजिस्ट्री में एक संदर्भ जोड़ा जाता है, और सभी एकत्रित जानकारी और मीट्रिक को प्रयोग सूची में सहेजा जाता है। यह पूर्ण पुनरुत्पादन का आश्वासन देता है क्योंकि एल्गोरिदम कोड और पुस्तकालय प्रयोग से जुड़े डेटा के साथ प्रशिक्षित मॉडल से जुड़े होते हैं।
निम्नलिखित आरेख मॉडल प्रशिक्षण और पुनर्प्रशिक्षण प्रक्रिया को दर्शाता है।
मॉडल की तैनाती
आर्किटेक्चर लचीला है और प्रशिक्षित मॉडलों की स्वचालित और मैन्युअल तैनाती दोनों की अनुमति देता है। मॉडल डिप्लॉयर वर्कफ़्लो स्वचालित रूप से एक ईवेंट के माध्यम से लागू होता है जिसे सेजमेकर प्रशिक्षण प्रशिक्षण समाप्त होने के बाद इवेंटब्रिज में प्रकाशित करता है, लेकिन यदि आवश्यक हो तो इसे मैन्युअल रूप से भी लागू किया जा सकता है, मॉडल रजिस्ट्री से सही मॉडल संस्करण पास कर रहा है। स्वचालित आमंत्रण के बारे में अधिक जानकारी के लिए देखें Amazon EventBridge के साथ Amazon SageMaker को स्वचालित करना.
मॉडल डिप्लॉयर वर्कफ़्लो मॉडल रजिस्ट्री से मॉडल जानकारी प्राप्त करता है और उपयोग करता है एडब्ल्यूएस CloudFormation, कोड सेवा के रूप में एक प्रबंधित बुनियादी ढाँचा, या तो मॉडल को वास्तविक समय के अनुमान समापन बिंदु पर तैनात करने के लिए या परियोजना की आवश्यकताओं के आधार पर संग्रहीत इनपुट डेटासेट के साथ बैच अनुमान करने के लिए।
जब भी किसी मॉडल को किसी भी परिवेश में सफलतापूर्वक परिनियोजित किया जाता है, तो मॉडल रजिस्ट्री को एक नए टैग के साथ अद्यतन किया जाता है जो यह दर्शाता है कि मॉडल वर्तमान में किस परिवेश पर चल रहा है। जब भी कोई समापन बिंदु हटा दिया जाता है, तो उसका टैग भी मॉडल रजिस्ट्री से हटा दिया जाता है।
निम्नलिखित आरेख मॉडल परिनियोजन और अनुमान के लिए कार्यप्रवाह दिखाता है।
प्रयोग और मॉडल रजिस्ट्री
प्रत्येक प्रयोग और मॉडल संस्करण को एक ही स्थान पर संग्रहीत करना और एक केंद्रीकृत कोड भंडार होने से हम मॉडल प्रशिक्षण और परिनियोजन को अलग कर सकते हैं और प्रत्येक परियोजना और पर्यावरण के लिए अलग-अलग एडब्ल्यूएस खातों का उपयोग कर सकते हैं।
सभी प्रयोग प्रविष्टियां प्रशिक्षण और अनुमान कोड की प्रतिबद्ध आईडी को संग्रहीत करती हैं, इसलिए हमारे पास पूरी प्रयोग प्रक्रिया की पूर्ण पता लगाने की क्षमता है और विभिन्न प्रयोगों की आसानी से तुलना करने में सक्षम हैं। यह हमें एल्गोरिदम और मॉडलों के लिए वैज्ञानिक अन्वेषण चरण पर डुप्लिकेट कार्य करने से रोकता है, और हमें अपने मॉडल को उस खाते और वातावरण से स्वतंत्र रूप से कहीं भी तैनात करने में सक्षम बनाता है जहां मॉडल को प्रशिक्षित किया गया था। यह हमारे AWS Cloud9 प्रयोग वातावरण में प्रशिक्षित मॉडलों के लिए भी सही है।
कुल मिलाकर, हमारे पास पूरी तरह से स्वचालित मॉडल प्रशिक्षण और परिनियोजन पाइपलाइन हैं और जब कुछ ठीक से काम नहीं कर रहा है या जब किसी टीम को प्रयोग के उद्देश्यों के लिए एक अलग वातावरण में तैनात मॉडल की आवश्यकता होती है, तो तेजी से मैनुअल मॉडल परिनियोजन करने की लचीलापन होती है।
एक विस्तृत उपयोग मामला: अभी तक ड्रैगन परियोजना
YET ड्रैगन परियोजना का उद्देश्य शंघाई में सेप्सा के पेट्रोकेमिकल संयंत्र के उत्पादन प्रदर्शन में सुधार करना है। इस लक्ष्य को प्राप्त करने के लिए, हमने कम कुशल कदमों की तलाश में, उत्पादन प्रक्रिया का अच्छी तरह से अध्ययन किया। हमारा लक्ष्य घटक एकाग्रता को एक सीमा से ठीक नीचे रखकर प्रक्रियाओं की उपज दक्षता में वृद्धि करना था।
इस प्रक्रिया का अनुकरण करने के लिए, हमने चार सामान्यीकृत योगात्मक मॉडल या GAM, रैखिक मॉडल बनाए, जिनकी प्रतिक्रिया दो ऑक्सीकरण प्रक्रियाओं, एक एकाग्रता प्रक्रिया और पूर्वोक्त उपज के परिणामों की भविष्यवाणी करने के लिए, भविष्यवक्ता चर के सुचारू कार्यों पर निर्भर करती है। हमने चार GAM मॉडल के परिणामों को संसाधित करने और संयंत्र में लागू किए जा सकने वाले सर्वोत्तम अनुकूलन खोजने के लिए एक अनुकूलक भी बनाया है।
हालांकि हमारे मॉडल ऐतिहासिक डेटा के साथ प्रशिक्षित हैं, संयंत्र कभी-कभी उन परिस्थितियों में काम कर सकता है जो प्रशिक्षण डेटासेट में पंजीकृत नहीं थे; हम उम्मीद करते हैं कि हमारे सिमुलेशन मॉडल उन परिदृश्यों के तहत अच्छी तरह से काम नहीं करेंगे, इसलिए हमने आइसोलेशन फ़ॉरेस्ट एल्गोरिदम का उपयोग करके दो विसंगति का पता लगाने वाले मॉडल भी बनाए, जो यह निर्धारित करते हैं कि विसंगतियों का पता लगाने के लिए डेटा बाकी डेटा से कितनी दूर है। ये मॉडल हमें ऐसी स्थितियों का पता लगाने में मदद करते हैं, जब भी ऐसा होता है, स्वचालित अनुकूलन प्रक्रियाओं को अक्षम करने के लिए।
औद्योगिक रासायनिक प्रक्रियाएं अत्यधिक परिवर्तनशील होती हैं और एमएल मॉडल को संयंत्र के संचालन के साथ अच्छी तरह से संरेखित करने की आवश्यकता होती है, इसलिए बार-बार पुनर्प्रशिक्षण की आवश्यकता होती है और साथ ही प्रत्येक स्थिति में तैनात मॉडलों की पता लगाने की क्षमता भी होती है। YET Dragon एक मॉडल रजिस्ट्री, प्रयोगों की पूर्ण प्रतिलिपि प्रस्तुत करने योग्यता और पूरी तरह से प्रबंधित स्वचालित प्रशिक्षण प्रक्रिया की सुविधा के लिए हमारी पहली ML अनुकूलन परियोजना थी।
अब, पूरी पाइपलाइन जो एक मॉडल को उत्पादन में लाती है (डेटा परिवर्तन, मॉडल प्रशिक्षण, प्रयोग ट्रैकिंग, मॉडल रजिस्ट्री, और मॉडल परिनियोजन) प्रत्येक एमएल मॉडल के लिए स्वतंत्र है। यह हमें मॉडल को पुनरावृत्त रूप से बेहतर बनाने में सक्षम बनाता है (उदाहरण के लिए नए चर जोड़ना या नए एल्गोरिदम का परीक्षण करना) और प्रशिक्षण और परिनियोजन चरणों को विभिन्न ट्रिगर से जोड़ने के लिए।
परिणाम और भविष्य में सुधार
वर्तमान में हम YET Dragon प्रोजेक्ट में उपयोग किए गए छह ML मॉडल को स्वचालित रूप से प्रशिक्षित, परिनियोजित और ट्रैक करने में सक्षम हैं, और हमने पहले से ही प्रत्येक उत्पादन मॉडल के लिए 30 से अधिक संस्करण तैनात किए हैं। इस एमएलओपीएस आर्किटेक्चर को कंपनी की अन्य परियोजनाओं में सैकड़ों एमएल मॉडल तक विस्तारित किया गया है।
हम इस वास्तुकला के आधार पर नई YET परियोजनाओं को शुरू करने की योजना बना रहे हैं, जिससे बूटस्ट्रैपिंग समय में कमी और एमएल पाइपलाइनों के स्वचालन के कारण परियोजना की औसत अवधि में 25% की कमी आई है। हमने उपज और एकाग्रता में वृद्धि के कारण प्रति वर्ष लगभग €300,000 की बचत का अनुमान लगाया है जो कि YET Dragon परियोजना का प्रत्यक्ष परिणाम है।
इस एमएलओपीएस वास्तुकला का अल्पकालिक विकास मॉडल निगरानी और स्वचालित परीक्षण की दिशा में है। हम किसी नए मॉडल को लागू करने से पहले पहले से तैनात मॉडल के खिलाफ मॉडल दक्षता का स्वचालित रूप से परीक्षण करने की योजना बना रहे हैं। हम मॉडल मॉनिटरिंग और इंट्रेंस डेटा ड्रिफ्ट मॉनिटरिंग के कार्यान्वयन में भी काम कर रहे हैं अमेज़ॅन सैजमेकर मॉडल मॉनिटर, मॉडल पुनर्प्रशिक्षण को स्वचालित करने के लिए।
निष्कर्ष
कंपनियों को अपनी एमएल परियोजनाओं को स्वचालित और कुशल तरीके से उत्पादन में लाने की चुनौती का सामना करना पड़ रहा है। पूर्ण एमएल मॉडल जीवनचक्र को स्वचालित करने से परियोजना के समय को कम करने में मदद मिलती है और बेहतर मॉडल गुणवत्ता और उत्पादन के लिए तेज और अधिक लगातार तैनाती सुनिश्चित होती है।
एक मानकीकृत एमएलओपीएस आर्किटेक्चर विकसित करके जिसे कंपनी भर में विभिन्न व्यवसायों द्वारा अपनाया गया है, हम सेप्सा में एमएल प्रोजेक्ट बूटस्ट्रैपिंग को तेज करने और एमएल मॉडल की गुणवत्ता में सुधार करने में सक्षम थे, एक विश्वसनीय और स्वचालित ढांचा प्रदान करते हैं जिस पर हमारी डेटा विज्ञान टीम तेजी से नवाचार कर सकती है। .
सेजमेकर पर एमएलओ के बारे में अधिक जानकारी के लिए देखें एमएलओपीएस के लिए अमेज़न सेजमेकर और अन्य ग्राहक उपयोग मामलों की जाँच करें एडब्ल्यूएस मशीन लर्निंग ब्लॉग.
लेखक के बारे में
गिलर्मो रिबेरो जिमनेज़ो सेप्सा में पीएचडी के साथ सीनियर डेटा साइंटिस्ट हैं। परमाणु भौतिकी में। उनके पास डेटा विज्ञान परियोजनाओं के साथ 6 साल का अनुभव है, मुख्यतः टेल्को और ऊर्जा उद्योग में। वह वर्तमान में सेप्सा के डिजिटल ट्रांसफॉर्मेशन विभाग में डेटा वैज्ञानिक टीमों का नेतृत्व कर रहे हैं, जिसमें मशीन लर्निंग प्रोजेक्ट्स के स्केलिंग और उत्पादीकरण पर ध्यान केंद्रित किया गया है।
गिलर्मो मेनेंडेज़ कोराला एडब्ल्यूएस एनर्जी एंड यूटिलिटीज में सॉल्यूशंस आर्किटेक्ट हैं। उनके पास SW अनुप्रयोगों के डिजाइन और निर्माण का 15 से अधिक वर्षों का अनुभव है, और वर्तमान में एनालिटिक्स और मशीन लर्निंग पर ध्यान देने के साथ, ऊर्जा उद्योग में AWS ग्राहकों को वास्तु मार्गदर्शन प्रदान करता है।
- कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
- क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/how-cepsa-used-amazon-sagemaker-and-aws-step-functions-to-industrialize-their-ml-projects-and-operate- उनके-मॉडल-पर-पैमाने पर/
- "
- 000
- 100
- 15 साल
- a
- क्षमता
- About
- पहुँच
- लेखा
- पाना
- के पार
- Ad
- जोड़ा
- लाभ
- के खिलाफ
- कलन विधि
- एल्गोरिदम
- सब
- की अनुमति देता है
- पहले ही
- वीरांगना
- बीच में
- विश्लेषिकी
- विश्लेषण करें
- कहीं भी
- एपीआई
- एपीआई
- अनुप्रयोगों
- लागू
- दृष्टिकोण
- अनुमोदन करना
- वास्तु
- स्थापत्य
- चारों ओर
- जुड़े
- को स्वचालित रूप से
- स्वचालित
- स्वचालित
- स्वतः
- स्वचालित
- स्वचालन
- उपलब्ध
- एडब्ल्यूएस
- क्योंकि
- बनने
- से पहले
- जा रहा है
- नीचे
- BEST
- ब्लॉग
- निर्माण
- इमारत
- बनाता है
- व्यापार
- व्यवसायों
- मामला
- मामलों
- केंद्रीकृत
- कुछ
- चुनौती
- चुनौतियों
- रासायनिक
- बादल
- कोड
- करना
- सामान्य
- कंपनी
- पूरा
- पूरी तरह से
- जटिल
- अंग
- घटकों
- गणना करना
- एकाग्रता
- जुडिये
- उपभोग
- उपभोक्ता
- खपत
- कंटेनर
- कंटेनरों
- लागत
- सका
- आवरण
- बनाना
- बनाता है
- निर्माण
- वर्तमान में
- रिवाज
- ग्राहक
- ग्राहक
- तिथि
- डेटा विज्ञान
- आँकड़े वाला वैज्ञानिक
- का फैसला किया
- निर्णय
- निर्भर करता है
- निर्भर करता है
- तैनात
- तैनात
- तैनाती
- तैनाती
- बनाया गया
- डिज़ाइन बनाना
- विस्तृत
- पता चला
- खोज
- निर्धारित करना
- डेवलपर्स
- विकासशील
- विभिन्न
- डिजिटल
- डिजिटल परिवर्तन
- प्रत्यक्ष
- चर्चा करना
- अजगर
- से प्रत्येक
- आसानी
- दक्षता
- कुशल
- कस्र्न पत्थर
- सक्षम बनाता है
- endpoint
- ऊर्जा
- इंजन
- इंजीनियर्स
- वातावरण
- उपकरण
- अनुमानित
- कार्यक्रम
- विकास
- ठीक ठीक
- उदाहरण
- उम्मीद
- अनुभव
- प्रयोग
- अन्वेषण
- का सामना करना पड़
- फास्ट
- और तेज
- Feature
- चित्रित किया
- अंत में
- प्रथम
- लचीलापन
- लचीला
- फोकस
- निम्नलिखित
- ढांचा
- से
- पूर्ण
- कार्यों
- भविष्य
- गेट्स
- सामान्य जानकारी
- जाना
- GitHub
- वैश्विक
- लक्ष्य
- संभालना
- होने
- मदद
- मदद करता है
- अत्यधिक
- ऐतिहासिक
- रखती है
- मेजबानी
- होस्टिंग
- कैसे
- HTTPS
- सैकड़ों
- छवियों
- कार्यान्वयन
- कार्यान्वित
- में सुधार
- सुधार
- में सुधार लाने
- अन्य में
- शामिल
- बढ़ना
- स्वतंत्र
- स्वतंत्र रूप से
- औद्योगिक
- उद्योग
- करें-
- सूचित
- इंफ्रास्ट्रक्चर
- नवोन्मेष
- निवेश
- एकीकृत
- इंटरैक्टिव
- शुरू करने
- अलगाव
- मुद्दों
- IT
- रखना
- रखना
- कुंजी
- शुरू करने
- प्रमुख
- सीख रहा हूँ
- पुस्तकालय
- पंक्तियां
- स्थान
- देख
- मशीन
- यंत्र अधिगम
- बनाया गया
- बनाए रखना
- रखरखाव
- बनाना
- बनाता है
- प्रबंधन
- कामयाब
- प्रबंध
- ढंग
- गाइड
- मैन्युअल
- साधन
- मेट्रिक्स
- ML
- आदर्श
- मॉडल
- मॉनिटर
- निगरानी
- अधिक
- अधिकांश
- विभिन्न
- की जरूरत है
- संचालित
- आपरेशन
- इष्टतमीकरण
- ऑप्शंस
- आदेश
- संगठन
- अन्य
- अपना
- मालिकों
- पासिंग
- प्रदर्शन
- प्रदर्शन
- चरण
- भौतिक विज्ञान
- अंक
- भविष्यवाणी करना
- समस्याओं
- प्रक्रिया
- प्रक्रियाओं
- उत्पादक
- उत्पादन
- परियोजना
- परियोजनाओं
- बशर्ते
- प्रदान करता है
- प्रदान कर
- प्रकाशित करना
- उद्देश्य
- प्रयोजनों
- धकेल दिया
- गुणवत्ता
- वास्तविक समय
- को कम करने
- रजिस्टर
- पंजीकृत
- विश्वसनीय
- कोष
- अपेक्षित
- आवश्यकताएँ
- प्रतिक्रिया
- जिम्मेदारियों
- बाकी
- जिसके परिणामस्वरूप
- परिणाम
- रन
- दौड़ना
- स्केल
- स्केलिंग
- विज्ञान
- वैज्ञानिक
- वैज्ञानिकों
- सुरक्षित
- कई
- serverless
- सेवा
- सेवाएँ
- सेट
- शंघाई
- Share
- लघु अवधि
- सरल
- अनुकार
- एक
- स्थिति
- छह
- So
- समाधान
- समाधान ढूंढे
- कुछ
- कुछ
- विशिष्ट
- गति
- चरणों
- मानक
- शुरू
- भंडारण
- की दुकान
- सुवीही
- सफलतापूर्वक
- प्रणाली
- लक्ष्य
- टीम
- टीमों
- टेल्को
- परीक्षण
- परीक्षण
- RSI
- स्रोत
- इसलिये
- बिलकुल
- द्वार
- यहाँ
- पहर
- बार
- की ओर
- सुराग लग सकना
- ट्रैक
- ट्रैकिंग
- प्रशिक्षण
- परिवर्तन
- परिवर्तनों
- संक्रमण
- के अंतर्गत
- us
- उपयोग
- आमतौर पर
- उपयोगिताओं
- मूल्य
- संस्करण
- अच्छी तरह से परिभाषित
- जब
- बिना
- काम
- workflows
- काम कर रहे
- विश्व
- लिख रहे हैं
- वर्ष
- साल
- प्राप्ति