यह पोस्ट जन पॉल असेंडॉर्प, थॉमस लिट्ज़ो, क्रिस्टोफर माश, अलेक्जेंडर मीनर्ट, डॉ लार्स पालज़र, सिग्नल आईडीयूएनए के जन शिलमैन के साथ सह-लेखक है।
एक बड़े जर्मन बीमाकर्ता SIGNAL IDUNA में, हम वर्तमान में अपने परिवर्तन कार्यक्रम VISION2023 के साथ और भी अधिक ग्राहक उन्मुख बनने के लिए खुद को फिर से खोज रहे हैं। इस परिवर्तन के लिए दो पहलू केंद्रीय हैं: कार्यबल के बड़े हिस्से का क्रॉस फंक्शनल और चुस्त टीमों में पुनर्गठन, और वास्तव में डेटा-संचालित कंपनी बनना। यहां, आदर्श वाक्य "आप इसे बनाते हैं, आप इसे चलाते हैं" एक क्रॉस-फ़ंक्शनल टीम के लिए एक महत्वपूर्ण आवश्यकता है जो डेटा या मशीन लर्निंग (एमएल) उत्पाद बनाती है। यह इस बात पर कड़ा प्रतिबंध लगाता है कि किसी उत्पाद के उत्पादन और चलाने के लिए कार्य दल कितना खर्च कर सकता है।
यह पोस्ट दिखाता है कि SIGNAL IDUNA इस चुनौती से कैसे निपटता है और इसका उपयोग करता है एडब्लूएस क्लाउड क्रॉस-फ़ंक्शनल टीमों को अपने स्वयं के एमएल उत्पादों का निर्माण और संचालन करने में सक्षम बनाने के लिए। इसके लिए, हम पहले चुस्त टीमों की संगठनात्मक संरचना का परिचय देते हैं, जो किसी उत्पाद को विकसित करने और चलाने के लिए उपयोग किए जाने वाले क्लाउड इन्फ्रास्ट्रक्चर के लिए केंद्रीय आवश्यकताओं को निर्धारित करती है। इसके बाद, हम दिखाते हैं कि कैसे सिग्नल आईडीयूएनए की तीन केंद्रीय टीमें क्रॉस-फ़ंक्शनल टीमों को एडब्ल्यूएस क्लाउड में न्यूनतम सहायता के साथ डेटा उत्पाद बनाने में सक्षम बनाती हैं, एक उपयुक्त वर्कफ़्लो और बुनियादी ढांचा समाधान प्रदान करके जिसे आसानी से उपयोग और अनुकूलित किया जा सकता है। अंत में, हम अपने दृष्टिकोण की समीक्षा करते हैं और इसकी तुलना अधिक शास्त्रीय दृष्टिकोण से करते हैं जहां विकास और संचालन को अधिक सख्ती से अलग किया जाता है।
Agile@SI - संगठनात्मक परिवर्तन की नींव
2021 की शुरुआत के बाद से, SIGNAL IDUNA ने अपनी रणनीति Agile@SI को क्रियान्वित करना शुरू कर दिया है और पूरी कंपनी में ग्राहक-उन्मुख समाधान विकसित करने के लिए चुस्त तरीके स्थापित करना शुरू कर दिया है [1]। पिछले कार्य और लक्ष्य अब क्रॉस-फ़ंक्शनल टीमों द्वारा किए जाते हैं, जिन्हें कहा जाता है दस्तों. ये स्क्वॉड चुस्त तरीके (जैसे स्क्रम फ्रेमवर्क) का उपयोग करते हैं, अपने निर्णय स्वयं लेते हैं, और ग्राहक-उन्मुख उत्पादों का निर्माण करते हैं। आमतौर पर, स्क्वॉड मार्केटिंग जैसे व्यावसायिक डिवीजनों में स्थित होते हैं, और कई डेटा-संचालित और एमएल संचालित उत्पादों के निर्माण पर जोर देते हैं। एक उदाहरण के रूप में, बीमा में विशिष्ट उपयोग के मामले ग्राहक मंथन भविष्यवाणी और उत्पाद अनुशंसा हैं।
एमएल की जटिलता के कारण, एकल दस्ते द्वारा एमएल समाधान बनाना चुनौतीपूर्ण है, और इस प्रकार विभिन्न दस्तों के सहयोग की आवश्यकता होती है।
SIGNAL IDUNA में तीन आवश्यक टीमें हैं जो ML समाधान बनाने में सहायता करती हैं। इन तीन दस्तों से घिरी टीम है जो विकास और दीर्घकालिक संचालन और एमएल समाधान के लिए जिम्मेदार है। यह दृष्टिकोण एडब्ल्यूएस साझा जिम्मेदारी मॉडल [2] का अनुसरण करता है।
ऊपर की छवि में, सभी दस्तों को एक सिंहावलोकन में दर्शाया गया है।
क्लाउड सक्षमता
संपूर्ण संगठन के लिए अंतर्निहित क्लाउड अवसंरचना स्क्वाड क्लाउड सक्षमता द्वारा प्रदान की जाती है। यह उनका काम है कि टीमों को अपने दम पर क्लाउड प्रौद्योगिकियों पर उत्पाद बनाने में सक्षम बनाएं। यह एमएल जैसे नए उत्पादों के निर्माण के लिए समय में सुधार करता है, और यह "आप इसे बनाते हैं, आप इसे चलाते हैं" के सिद्धांत का पालन करते हैं।
डाटा ऑफिस/डेटा लेक
डेटा को क्लाउड में ले जाना, साथ ही साथ सही डेटासेट ढूंढना, स्क्वाड डेटा ऑफिस/डेटा लेक द्वारा समर्थित है। वे एक डेटा कैटलॉग सेट करते हैं जिसका उपयोग आवश्यक डेटासेट को खोजने और चुनने के लिए किया जा सकता है। उनका उद्देश्य डेटा पारदर्शिता और शासन स्थापित करना है। इसके अतिरिक्त, वे डेटा लेक की स्थापना और संचालन के लिए ज़िम्मेदार हैं जो टीमों को प्रासंगिक डेटा तक पहुँचने और संसाधित करने में मदद करता है।
डेटा एनालिटिक्स प्लेटफॉर्म
हमारा स्क्वाड डेटा एनालिटिक्स प्लेटफॉर्म (डीएपी) सिग्नल आईडीयूएनए में एक क्लाउड और एमएल केंद्रित टीम है जो एमएल इंजीनियरिंग, डेटा इंजीनियरिंग और साथ ही डेटा साइंस में कुशल है। हम बुनियादी ढांचे के घटकों और ज्ञान प्रदान करके एमएल के लिए सार्वजनिक क्लाउड का उपयोग करके आंतरिक टीमों को सक्षम करते हैं। हमारे उत्पादों और सेवाओं को निम्नलिखित अनुभाग में विस्तार से प्रस्तुत किया गया है।
एमएल समाधान बनाने के लिए क्रॉस-फंक्शनल टीमों को सक्षम करना
एमएल समाधान बनाने के लिए सिग्नल आईडीयूएनए में क्रॉस-फ़ंक्शनल टीमों को सक्षम करने के लिए, हमें क्लाउड क्षमताओं का उपयोग करने के लिए ऑनबोर्डिंग टीमों के लिए पुन: प्रयोज्य क्लाउड इंफ्रास्ट्रक्चर के साथ-साथ एक कुशल वर्कफ़्लो प्रदान करने के लिए एक तेज़ और बहुमुखी तरीके की आवश्यकता है।
इस उद्देश्य के लिए, हमने एक मानकीकृत ऑनबोर्डिंग और समर्थन प्रक्रिया बनाई, और इन्फ्रास्ट्रक्चर कोड (IaC) के रूप में मॉड्यूलर इन्फ्रास्ट्रक्चर टेम्प्लेट प्रदान किए। इन टेम्प्लेट में सामान्य एमएल उपयोग के मामलों के लिए डिज़ाइन किए गए बुनियादी ढांचे के घटक होते हैं जिन्हें आसानी से एक विशिष्ट उपयोग के मामले की आवश्यकताओं के अनुरूप बनाया जा सकता है।
बिल्डिंग एमएल सॉल्यूशंस का कार्यप्रवाह
एमएल समाधानों के निर्माण और संचालन में तीन मुख्य तकनीकी भूमिकाएँ शामिल हैं: डेटा वैज्ञानिक, एमएल इंजीनियर और एक डेटा इंजीनियर। प्रत्येक भूमिका क्रॉस-फ़ंक्शनल दस्ते का हिस्सा है और इसकी अलग-अलग जिम्मेदारियां हैं। डेटा वैज्ञानिक को उपयोग के मामले की कार्यात्मक और तकनीकी आवश्यकताओं के लिए आवश्यक डोमेन ज्ञान है। एमएल इंजीनियर स्वचालित एमएल समाधान और मॉडल परिनियोजन के निर्माण में माहिर हैं। और डेटा इंजीनियर यह सुनिश्चित करता है कि डेटा ऑन-प्रिमाइसेस और क्लाउड के भीतर से प्रवाहित हो।
मंच प्रदान करने की प्रक्रिया इस प्रकार है:
विशिष्ट उपयोग के मामले के बुनियादी ढांचे को IaC में परिभाषित किया गया है और एक केंद्रीय परियोजना भंडार में संस्करणित किया गया है। इसमें मॉडल प्रशिक्षण और परिनियोजन के लिए पाइपलाइन, साथ ही साथ अन्य डेटा विज्ञान से संबंधित कोड कलाकृतियां भी शामिल हैं। डेटा वैज्ञानिकों, एमएल इंजीनियरों और डेटा इंजीनियरों के पास प्रोजेक्ट रिपोजिटरी तक पहुंच है और स्वायत्त रूप से सभी इंफ्रास्ट्रक्चर कोड को कॉन्फ़िगर और अपडेट कर सकते हैं। यह टीम को जरूरत पड़ने पर बुनियादी ढांचे को तेजी से बदलने में सक्षम बनाता है। हालांकि, एमएल इंजीनियर हमेशा बुनियादी ढांचे या एमएल मॉडल को विकसित करने और अद्यतन करने में सहायता कर सकता है।
पुन: प्रयोज्य और मॉड्यूलर इंफ्रास्ट्रक्चर घटक
श्रेणीबद्ध और मॉड्यूलर IaC संसाधन लागू किए गए हैं terraform और सामान्य डेटा विज्ञान और ईटीएल उपयोग के मामलों के लिए बुनियादी ढांचा शामिल करें। यह हमें इन्फ्रास्ट्रक्चर कोड का पुन: उपयोग करने देता है और आवश्यक सुरक्षा और अनुपालन नीतियों को लागू करता है, जैसे कि उपयोग करना एडब्ल्यूएस कुंजी प्रबंधन सेवा (केएमएस) डेटा के लिए एन्क्रिप्शन, साथ ही साथ इनकैप्सुलेटिंग इन्फ्रास्ट्रक्चर अमेज़न वर्चुअल प्राइवेट क्लाउड (VPC) सीधे इंटरनेट एक्सेस के बिना वातावरण।
पदानुक्रमित IaC संरचना इस प्रकार है:
- मॉड्यूल सुरक्षा और पहुंच प्रबंधन के लिए आवश्यक कॉन्फ़िगरेशन के साथ बुनियादी AWS सेवाओं को इनकैप्सुलेट करें। इसमें सर्वोत्तम अभ्यास कॉन्फ़िगरेशन शामिल हैं जैसे सार्वजनिक पहुंच की रोकथाम अमेज़न सिंपल स्टोरेज सर्विस (S3) बकेट, या संग्रहीत सभी फ़ाइलों के लिए एन्क्रिप्शन लागू करना।
- कुछ मामलों में, आपको प्रक्रियाओं को स्वचालित करने के लिए विभिन्न प्रकार की सेवाओं की आवश्यकता होती है, जैसे कि विभिन्न चरणों में एमएल मॉडल को तैनात करना। इसलिए, हमने परिभाषित किया समाधान ढूंढे विभिन्न प्रकार के कार्यों के लिए एक संयुक्त विन्यास में विभिन्न मॉड्यूल के बंडल के रूप में।
- इसके अलावा, हम पूर्ण पेशकश करते हैं ब्लूप्रिंट जो एक परियोजना की कई संभावित जरूरतों को पूरा करने के लिए विभिन्न वातावरणों में समाधानों को जोड़ती है। हमारे एमएलओपीएस ब्लूप्रिंट में, हम एडब्ल्यूएस खातों में एकीकृत और वितरित एमएल मॉडल के प्रशिक्षण, प्रावधान और निगरानी के लिए एक तैनाती योग्य बुनियादी ढांचे को परिभाषित करते हैं। हम अगले भाग में अधिक विवरण पर चर्चा करते हैं।
इन उत्पादों को डीएपी दस्ते द्वारा एक केंद्रीय भंडार में संस्करणित किया गया है। इससे हम अपने IaC में लगातार सुधार कर सकते हैं और AWS की नई सुविधाओं पर विचार कर सकते हैं, जैसे अमेज़न SageMaker मॉडल रजिस्ट्री। प्रत्येक दस्ता इन संसाधनों को संदर्भित कर सकता है, उन्हें आवश्यकतानुसार माप सकता है, और अंत में उन्हें अपने स्वयं के एडब्ल्यूएस खातों में तैनात कर सकता है।
एमएलओपीएस आर्किटेक्चर
हम संपूर्ण एमएलओपीएस प्रक्रिया को कवर करने के लिए विशिष्ट समाधानों के साथ उपयोग के लिए तैयार ब्लूप्रिंट प्रदान करते हैं। ब्लूप्रिंट में एमएल मॉडल के निर्माण और तैनाती के लिए चार एडब्ल्यूएस खातों में वितरित बुनियादी ढांचा शामिल है। यह हमें MLOps प्रक्रिया के विभिन्न चरणों के लिए संसाधनों और कार्यप्रवाहों को अलग करने देता है। निम्नलिखित आंकड़ा बहु-खाता आर्किटेक्चर दिखाता है, और हम वर्णन करते हैं कि प्रक्रिया के विशिष्ट चरणों की जिम्मेदारी विभिन्न तकनीकी भूमिकाओं के बीच कैसे विभाजित होती है।
RSI मोडलिंग खाते में एमएल मॉडल के विकास के लिए सेवाएं शामिल हैं। सबसे पहले, डेटा इंजीनियर SIGNAL IDUNA डेटा लेक से प्रासंगिक डेटा प्रदान करने के लिए एक ETL प्रक्रिया को नियोजित करता है, जो AWS क्लाउड में डेटा-संचालित वर्कफ़्लोज़ के लिए केंद्रीकृत गेटवे है। इसके बाद, डेटासेट का उपयोग डेटा वैज्ञानिक द्वारा मॉडल उम्मीदवारों को प्रशिक्षित और मूल्यांकन करने के लिए किया जा सकता है। एक बार व्यापक प्रयोगों के लिए तैयार होने के बाद, एक मॉडल उम्मीदवार को एमएल इंजीनियर द्वारा एक स्वचालित प्रशिक्षण पाइपलाइन में एकीकृत किया जाता है। हम बड़े पैमाने पर प्रशिक्षण, हाइपरपैरामीटर ट्यूनिंग और मॉडल मूल्यांकन को स्वचालित करने के लिए अमेज़ॅन सेजमेकर पाइपलाइन का उपयोग करते हैं। इसमें मॉडल वंश और उत्पादन में परिनियोजन के लिए मंचित किए जाने वाले मॉडलों के लिए एक मानकीकृत अनुमोदन तंत्र भी शामिल है। स्वचालित इकाई परीक्षण और कोड विश्लेषण पाइपलाइन के प्रत्येक चरण के लिए कोड की गुणवत्ता और विश्वसनीयता सुनिश्चित करते हैं, जैसे डेटा प्रीप्रोसेसिंग, मॉडल प्रशिक्षण और मूल्यांकन। एक बार किसी मॉडल का मूल्यांकन और अनुमोदन हो जाने के बाद, हम Amazon SageMaker ModelPackages को प्रशिक्षित मॉडल और प्रासंगिक मेटा डेटा के इंटरफ़ेस के रूप में उपयोग करते हैं।
RSI टूलींग खाते में प्रशिक्षित मॉडलों के परीक्षण और परिनियोजन के लिए विभिन्न चरणों वाली स्वचालित CI/CD पाइपलाइन शामिल हैं। परीक्षण चरण में, मॉडल को में तैनात किया जाता है सर्विंग नॉनप्रोड हेतु। हालांकि मॉडल की गुणवत्ता का मूल्यांकन प्रशिक्षण पाइपलाइन में उत्पादन के लिए मॉडल के मंचन से पहले किया जाता है, यहां हम एक अलग परीक्षण वातावरण में प्रदर्शन और एकीकरण परीक्षण चलाते हैं। परीक्षण चरण पास करने के बाद, मॉडल को में तैनात किया जाता है सेवा-उत्पाद खाते को उत्पादन कार्यप्रवाह में एकीकृत किया जाना है।
MLOps वर्कफ़्लो के चरणों को विभिन्न AWS खातों में अलग करने से हम विकास और परीक्षण को उत्पादन से अलग कर सकते हैं। इसलिए, हम एक सख्त पहुंच और सुरक्षा नीति लागू कर सकते हैं। इसके अलावा, अनुरूप आईएएम भूमिकाएं यह सुनिश्चित करती हैं कि विशिष्ट सेवाएं केवल डेटा और इसके दायरे के लिए आवश्यक अन्य सेवाओं तक पहुंच सकें, निम्नलिखित का पालन करें: कम से कम विशेषाधिकार का सिद्धांत. सेवा देने वाले वातावरण में सेवाओं को बाहरी व्यावसायिक प्रक्रियाओं के लिए अतिरिक्त रूप से सुलभ बनाया जा सकता है। उदाहरण के लिए, एक व्यवसाय प्रक्रिया मॉडल पूर्वानुमानों के लिए सर्विंग-प्रोड वातावरण के भीतर एक समापन बिंदु को क्वेरी कर सकती है।
हमारे दृष्टिकोण के लाभ
दोनों एमएल मॉडल के साथ-साथ आवश्यक बुनियादी ढांचे के विकास और संचालन के सख्त अलगाव की तुलना में इस प्रक्रिया के कई फायदे हैं:
- अलगाव: प्रत्येक टीम को AWS खातों का अपना सेट प्राप्त होता है जो अन्य टीमों के वातावरण से पूरी तरह से अलग होते हैं। यह एक्सेस अधिकारों को प्रबंधित करना और डेटा को उन लोगों के लिए निजी रखना आसान बनाता है जो इसके साथ काम करने के हकदार हैं।
- क्लाउड सक्षमता: क्लाउड DevOps (जैसे कि कई डेटा वैज्ञानिक) में कम पूर्व अनुभव वाले टीम के सदस्य बुनियादी ढांचे के डिजाइन और प्रबंधन की पूरी प्रक्रिया को आसानी से देख सकते हैं क्योंकि (लगभग) केंद्रीय सेवा के पीछे उनसे कुछ भी नहीं छिपा है। यह बुनियादी ढांचे की बेहतर समझ पैदा करता है, जो बदले में उन्हें डेटा विज्ञान उत्पादों को अधिक कुशलता से बनाने में मदद कर सकता है।
- उत्पाद स्वामित्व: पूर्व-कॉन्फ़िगर किए गए बुनियादी ढांचे के समाधान और प्रबंधित सेवाओं का उपयोग उत्पादन में एक एमएल उत्पाद के प्रबंधन में बाधा को बहुत कम रखता है। इसलिए, एक डेटा वैज्ञानिक आसानी से उस मॉडल का स्वामित्व ले सकता है जिसे उत्पादन में लगाया जाता है। यह विकास के बाद एक मॉडल को उत्पादन में लाने में विफल होने के प्रसिद्ध जोखिम को कम करता है।
- नवोन्मेष: चूंकि एमएल इंजीनियर एक मॉडल के उत्पादन के लिए तैयार होने से बहुत पहले शामिल होते हैं, वे नए उपयोग के मामलों के लिए उपयुक्त बुनियादी ढांचा समाधान बना सकते हैं जबकि डेटा वैज्ञानिक एक एमएल मॉडल विकसित करते हैं।
- अनुकूलन क्षमता: चूंकि डीएपी द्वारा विकसित आईएसी समाधान स्वतंत्र रूप से उपलब्ध हैं, इसलिए कोई भी टीम इन्हें आसानी से अपने उपयोग के मामले की विशिष्ट आवश्यकता से मेल खाने के लिए अनुकूलित कर सकती है।
- खुला स्त्रोत: अन्य टीमों द्वारा उपयोग किए जाने वाले केंद्रीय डीएपी कोड रेपो के माध्यम से सभी नए बुनियादी ढांचे के समाधान आसानी से उपलब्ध कराए जा सकते हैं। समय के साथ, यह विभिन्न उपयोग मामलों के अनुरूप बुनियादी ढांचे के घटकों के साथ एक समृद्ध कोड आधार तैयार करेगा।
सारांश
इस पोस्ट में, हमने दिखाया कि कैसे सिग्नल आईडीयूएनए में क्रॉस-फंक्शनल टीमों को एडब्ल्यूएस पर एमएल उत्पादों को बनाने और चलाने के लिए सक्षम किया जा रहा है। हमारे दृष्टिकोण के केंद्र में प्रत्येक टीम के लिए विशिष्ट IaC ब्लूप्रिंट और समाधानों के संयोजन में AWS खातों के एक समर्पित सेट का उपयोग है। ये दो घटक उत्पादन गुणवत्ता के बुनियादी ढांचे को बनाने और संचालित करने के लिए एक क्रॉस-फ़ंक्शनल टीम को सक्षम करते हैं। बदले में, वे अपने एमएल उत्पादों का पूर्ण स्वामित्व ले सकते हैं।
का संदर्भ लें अमेज़न सेजमेकर मॉडल बिल्डिंग पाइपलाइन - अमेज़न सेजमेकर अधिक जानने के लिए।
पर अधिक जानकारी प्राप्त करें एडब्ल्यूएस पर एमएल हमारे आधिकारिक पेज पर।
संदर्भ
[1] https://www.handelsblatt.com/finanzen/versicherungsbranche-vorbild-spotify-signal-idona-wird-von-einer-handwerker-versicherung-zum-agilen-konzern/27381902.html
[2] https://blog.crisp.se/wp-content/uploads/2012/11/SpotifyScaling.pdf
[3] https://aws.amazon.com/compliance/shared-responsibility-model/
लेखक के बारे में
जान पॉल असेंडॉर्प एक मजबूत डेटा साइंस फोकस वाला एमएल इंजीनियर है। वह एमएल मॉडल बनाता है और मॉडल प्रशिक्षण और उत्पादन वातावरण में तैनाती को स्वचालित करता है।
थॉमस लिट्ज़ो स्क्वाड डेटा एनालिटिक्स प्लेटफॉर्म का स्क्रम मास्टर है।
क्रिस्टोफर माशू डेटा इंजीनियरिंग, डेटा साइंस और एमएल इंजीनियरिंग में ज्ञान के साथ स्क्वाड डेटा एनालिटिक्स प्लेटफ़ॉर्म का उत्पाद स्वामी है।
अलेक्जेंडर मीनर्ट डेटा एनालिटिक्स प्लेटफ़ॉर्म टीम का हिस्सा है और एक एमएल इंजीनियर के रूप में काम करता है। आँकड़ों के साथ शुरू हुआ, डेटा विज्ञान परियोजनाओं पर आगे बढ़ा, एमएल विधियों और वास्तुकला के लिए जुनून पाया।
डॉ. लार्स पाल्ज़ेर एक डेटा वैज्ञानिक हैं और डेटा एनालिटिक्स प्लेटफ़ॉर्म टीम का हिस्सा हैं। MLOps आर्किटेक्चर घटकों को बनाने में मदद करने के बाद, वह अब उनका उपयोग ML उत्पादों के निर्माण के लिए कर रहा है।
जान शिलमेन्स एक सॉफ्टवेयर इंजीनियरिंग पृष्ठभूमि के साथ एक एमएल इंजीनियर है। वह एमएल वातावरण (एमएलओपीएस) पर सॉफ्टवेयर इंजीनियरिंग सर्वोत्तम प्रथाओं को लागू करने पर ध्यान केंद्रित 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-signal-iduna-operationalizes-machine-learning-projects-on-aws/
- "
- 100
- 2021
- पहुँच
- लेखा
- के पार
- कार्य
- फायदे
- चुस्त
- सब
- हालांकि
- वीरांगना
- विश्लेषण
- विश्लेषिकी
- लागू
- दृष्टिकोण
- स्थापत्य
- स्वचालित
- उपलब्ध
- एडब्ल्यूएस
- जा रहा है
- BEST
- सर्वोत्तम प्रथाओं
- निर्माण
- इमारत
- बंडल
- व्यापार
- क्षमताओं
- मामलों
- चुनौती
- बादल
- क्लाउड इन्फ्रास्ट्रक्चर
- कोड
- सहयोग
- संयोजन
- सामान्य
- कंपनी
- तुलना
- अनुपालन
- विन्यास
- शामिल हैं
- बनाना
- तिथि
- डेटा विश्लेषण
- डेटा विज्ञान
- आँकड़े वाला वैज्ञानिक
- समर्पित
- तैनात
- तैनाती
- तैनाती
- डिज़ाइन बनाना
- विस्तार
- विकसित करना
- विकसित
- विकासशील
- विकास
- विभिन्न
- चर्चा करना
- वितरित
- डोमेन
- आसानी
- एन्क्रिप्शन
- endpoint
- इंजीनियर
- अभियांत्रिकी
- इंजीनियर्स
- वातावरण
- आवश्यक
- स्थापित करना
- उदाहरण
- अनुभव
- फास्ट
- विशेषताएं
- आकृति
- अंत में
- प्रथम
- फोकस
- ध्यान केंद्रित
- निम्नलिखित
- पाया
- बुनियाद
- ढांचा
- पूर्ण
- लक्ष्यों
- शासन
- मदद
- मदद करता है
- यहाँ उत्पन्न करें
- कैसे
- HTTPS
- की छवि
- कार्यान्वित
- महत्वपूर्ण
- में सुधार
- शामिल
- करें-
- इंफ्रास्ट्रक्चर
- बीमा
- एकीकृत
- एकीकरण
- इंटरफेस
- इंटरनेट
- शामिल
- IT
- कुंजी
- ज्ञान
- बड़ा
- जानें
- सीख रहा हूँ
- थोड़ा
- लंबा
- मशीन
- यंत्र अधिगम
- प्रबंध
- प्रबंध
- बाजार
- विपणन (मार्केटिंग)
- मैच
- सदस्य
- मेटा
- ML
- आदर्श
- मॉडल
- मॉड्यूलर
- निगरानी
- नई सुविधाएँ
- नए उत्पादों
- प्रस्ताव
- सरकारी
- ज्ञानप्राप्ति
- परिचालन
- संगठन
- अन्य
- मालिक
- प्रदर्शन
- मंच
- नीतियाँ
- नीति
- भविष्यवाणी
- भविष्यवाणियों
- निवारण
- निजी
- प्रक्रिया
- प्रक्रियाओं
- एस्ट्रो मॉल
- उत्पादन
- उत्पाद
- कार्यक्रम
- परियोजना
- परियोजनाओं
- प्रदान करना
- सार्वजनिक
- सार्वजनिक क्लाउड
- गुणवत्ता
- कोष
- अपेक्षित
- आवश्यकताएँ
- उपयुक्त संसाधन चुनें
- जिम्मेदार
- की समीक्षा
- जोखिम
- रन
- स्केल
- विज्ञान
- वैज्ञानिक
- वैज्ञानिकों
- Search
- सुरक्षा
- सेवा
- सेवाएँ
- सेवारत
- सेट
- साझा
- सरल
- सॉफ्टवेयर
- सॉफ्टवेयर इंजीनियरिंग
- समाधान ढूंढे
- माहिर
- बिताना
- ट्रेनिंग
- प्रारंभ
- शुरू
- आँकड़े
- भंडारण
- स्ट्रेटेजी
- मजबूत
- इसके बाद
- समर्थन
- समर्थित
- घिरे
- कार्य
- टीम
- तकनीकी
- टेक्नोलॉजीज
- परीक्षण
- परीक्षण
- परीक्षण
- पहर
- प्रशिक्षण
- परिवर्तन
- ट्रांसपेरेंसी
- अपडेट
- us
- उपयोग
- उपयोग
- वास्तविक
- घड़ी
- कौन
- अंदर
- बिना
- काम
- कार्यबल
- कार्य