Ez a bejegyzés íródott együttműködve Ankur Goyallal és Karthikeyan Chokappával a PwC Australia Cloud & Digital üzletágából.
A mesterséges intelligencia (AI) és a gépi tanulás (ML) a rendszerek és folyamatok szerves részévé válik, lehetővé téve a valós idejű döntéseket, és ezáltal a legfelső és alsó szintű fejlesztéseket hajtja végre a szervezetek között. Az ML-modell gyártásba helyezése azonban nagy kihívást jelent, és egy sor bevált gyakorlatot igényel. Sok vállalkozás már rendelkezik adattudósokkal és ML-mérnökökkel, akik a legkorszerűbb modelleket képesek megépíteni, de a modellek gyártásba helyezése és a modellek méretarányos karbantartása továbbra is kihívást jelent. A kézi munkafolyamatok korlátozzák az ML életciklus-műveleteit, így lelassítják a fejlesztési folyamatot, növelik a költségeket és veszélyeztetik a végtermék minőségét.
A gépi tanulási műveletek (MLOps) a DevOps elveket alkalmazzák az ML rendszerekre. Ahogy a DevOps egyesíti a fejlesztést és a szoftverfejlesztési műveleteket, az MLOps egyesíti az ML tervezést és az informatikai műveleteket. Az ML rendszerek gyors növekedésével és az ML tervezéssel összefüggésben az MLOps olyan képességeket biztosít, amelyekre szükség van az ML rendszerek gyakorlati alkalmazásának egyedi összetettségének kezelésére. Összességében az ML-használati esetek egy könnyen elérhető integrált megoldást igényelnek az ML-modellt a fejlesztéstől a termelési üzembe helyezésig tartó folyamat iparosításához és egyszerűsítéséhez.
Az ügyfelek ezen kihívásainak kezelésére a PwC Australia kifejlesztette a Machine Learning Ops Accelerator-t szabványosított folyamat- és technológiai képességek készleteként, hogy javítsa az AI/ML modellek operacionalizálását, amelyek lehetővé teszik a csoportok közötti, többfunkciós együttműködést az ML életciklusa során. A PwC Machine Learning Ops Accelerator, amely az AWS natív szolgáltatásaira épül, a célnak megfelelő megoldást kínál, amely könnyen és könnyedén integrálható az ML használati esetekbe az összes iparág ügyfelei számára. Ebben a bejegyzésben egy olyan ML használati eset felépítésére és bevezetésére összpontosítunk, amely integrálja az ML modell különböző életciklus-komponenseit, lehetővé téve a folyamatos integrációt (CI), a folyamatos szállítást (CD), a folyamatos képzést (CT) és a folyamatos megfigyelést (CM).
Megoldás áttekintése
Az MLOps-ban az adatoktól az ML-modellekig az üzleti rendszerekben és folyamatokban található ajánlásokig és előrejelzésekig vezető sikeres út több döntő lépést foglal magában. Ez magában foglalja egy kísérlet vagy prototípus eredményét, és szabványos vezérlőkkel, minőséggel és visszacsatolási hurkokkal rendelkező termelési rendszerré alakítását. Ez sokkal több, mint egyszerű automatizálás. A szervezeti gyakorlatok javításáról és olyan eredmények eléréséről szól, amelyek megismételhetők és reprodukálhatók.
A valós ML használati eseteknek csak egy kis része tartalmazza magát a modellt. Az 1. ábrán láthatók az integrált fejlett ML-képesség felépítéséhez és folyamatos, nagyarányú működtetéséhez szükséges különféle összetevők. Amint az a következő diagramon is látható, a PwC MLOps Accelerator hét kulcsfontosságú integrált képességet és iteratív lépéseket tartalmaz, amelyek lehetővé teszik a CI, CD, CT és Egy ML használati eset CM-je. A megoldás kihasználja az AWS natív szolgáltatásait Amazon SageMaker, rugalmas és bővíthető keretet építve e köré.
Valódi vállalati forgatókönyv esetén további tesztelési lépések és szakaszok létezhetnek, amelyek biztosítják a modellek szigorú érvényesítését és telepítését a különböző környezetekben.
- Adat- és modellkezelés olyan központi képességet biztosítanak, amely szabályozza az ML műtermékeket az életciklusuk során. Lehetővé teszi az auditálhatóságot, a nyomon követhetőséget és a megfelelőséget. Ezenkívül elősegíti az ML-eszközök megoszthatóságát, újrafelhasználhatóságát és felfedezhetőségét.
- ML modell fejlesztés lehetővé teszi a különböző személyek számára, hogy robusztus és reprodukálható modell-tanítási folyamatot fejlesszenek ki, amely lépések sorozatát tartalmazza, az adatok validálásától és átalakításától a modell betanításáig és értékeléséig.
- Folyamatos integráció/szállítás megkönnyíti a modell betanítási folyamat automatizált felépítését, tesztelését és csomagolását, valamint a célvégrehajtási környezetben való telepítését. A CI/CD munkafolyamatokkal és az adatverziókkal való integráció elősegíti az MLOps bevált gyakorlatait, mint például az iteratív fejlesztés irányítása és felügyelete, valamint az adatverziókészítés.
- ML modell folyamatos képzés képesség végrehajtja a képzési folyamatot az átképzési triggerek alapján; vagyis amikor új adatok válnak elérhetővé vagy a modell teljesítménye egy előre beállított küszöb alá csökken. Regisztrálja a betanított modellt, ha sikeres modelljelöltnek minősül, és tárolja a betanított műtermékeket és a kapcsolódó metaadatokat.
- Modell telepítés hozzáférést biztosít a regisztrált betanított modellhez a gyártási kiadás áttekintése és jóváhagyása érdekében, valamint lehetővé teszi a modell csomagolását, tesztelését és üzembe helyezését az előrejelzési szolgáltatási környezetbe a termelési kiszolgáláshoz.
- Előrejelző szolgáltatás A képesség elindítja a telepített modellt, hogy előrejelzést biztosítson online, kötegelt vagy streaming mintákon keresztül. A kiszolgálási futásidő a modell kiszolgálási naplóit is rögzíti a folyamatos figyelés és fejlesztés érdekében.
- Folyamatos ellenőrzés figyeli a modell prediktív hatékonyságát, hogy észlelje a modell romlását és a szolgáltatás hatékonyságát (latencia, folyamat és végrehajtási hibák)
PwC Machine Learning Ops Accelerator architektúra
A megoldás az AWS-natív szolgáltatásokra épül, amelyek az Amazon SageMaker és a szerver nélküli technológiát használják, hogy a teljesítményt és a méretezhetőséget magasan tartsák, az üzemeltetési költségeket pedig alacsonyan tartsák.
- A PwC Machine Learning Ops Accelerator személyközpontú hozzáférési jogosultságot biztosít a kiépítéshez, a használathoz és a műveletekhez, amely lehetővé teszi az ML mérnökök és adattudósok számára, hogy automatizálják a folyamatok telepítését (képzés és kiszolgálás), és gyorsan reagáljanak a modell minőségi változásaira. Amazon SageMaker Role Manager szerep alapú ML tevékenység megvalósítására szolgál, és Amazon S3 bemeneti adatok és műtermékek tárolására szolgál.
- A megoldás az ügyféltől származó meglévő modell-létrehozási eszközöket használja, és e köré épít egy rugalmas és bővíthető keretrendszert az AWS natív szolgáltatásaival. Integrációkat építettek ki az Amazon S3, a Git és az AWS CodeCommit között, amelyek lehetővé teszik az adatkészletek verziószámát minimális jövőbeli kezelés mellett.
- Az AWS CloudFormation sablon a használatával jön létre AWS Cloud Development Kit (AWS CDK). Az AWS CDK lehetőséget biztosít a teljes megoldás módosításainak kezelésére. Az automatizált folyamat magában foglalja az azonnali modelltárolás és a metrikakövetés lépéseit.
- A PwC MLOps Accelerator moduláris kialakítású, és infrastruktúra-kódként (IaC) szállítják, hogy lehetővé tegye az automatikus telepítést. A telepítési folyamat használja AWS CodeCommit, AWS CodeBuild, AWS CodePipelineés AWS CloudFormation sablon. Az ML-modell operacionalizálására szolgáló teljes körű, teljes körű megoldás elérhető telepíthető kódként.
- Az IaC-sablonok sorozatán keresztül három különálló összetevő kerül telepítésre: a modell felépítése, a modell üzembe helyezése, valamint a modellfigyelés és előrejelzés kiszolgálása. Amazon SageMaker csővezetékek
- A modellépítési folyamat automatizálja a modell betanítási és értékelési folyamatát, és lehetővé teszi a betanított modell jóváhagyását és regisztrálását.
- A modelltelepítési folyamat biztosítja a szükséges infrastruktúrát az ML modell üzembe helyezéséhez kötegelt és valós idejű következtetésekhez.
- A modellfigyelés és előrejelzés kiszolgálási folyamata az előrejelzések kiszolgálásához és a modell teljesítményének figyeléséhez szükséges infrastruktúrát telepíti.
- A PwC MLOps Acceleratort úgy tervezték, hogy agnosztikus legyen az ML modellekkel, ML keretrendszerekkel és futási környezetekkel szemben. A megoldás lehetővé teszi a programozási nyelvek, például a Python és az R, a fejlesztőeszközök, például a Jupyter Notebook és az ML keretrendszerek ismerős használatát egy konfigurációs fájlon keresztül. Ez a rugalmasság lehetővé teszi az adatkutatók számára, hogy folyamatosan finomítsák a modelleket, és telepítsék azokat a preferált nyelv és környezet használatával.
- A megoldás beépített integrációkkal rendelkezik, amelyek segítségével előre elkészített vagy egyéni eszközöket használhat a címkézési feladatok kiosztásához Amazon SageMaker Ground Truth képzési adatkészletekhez a folyamatos képzés és monitorozás érdekében.
- A végpontok közötti ML-folyamat a SageMaker natív szolgáltatásaival (Amazon SageMaker Studio , Amazon SageMaker modellépítő csővezetékek, Amazon SageMaker kísérletekés Amazon SageMaker végpontok).
- A megoldás az Amazon SageMaker beépített képességeit használja a modellverzióhoz, a modellvonal követéséhez, a modellmegosztáshoz és a szerver nélküli következtetésekhez. Amazon SageMaker Model Registry.
- A modell gyártása után a megoldás folyamatosan, valós időben figyeli az ML modellek minőségét. Amazon SageMaker Model Monitor a gyártásban lévő modellek folyamatos monitorozására szolgál. Az Amazon CloudWatch Logs a modell állapotát figyelő naplófájlok gyűjtésére szolgál, és értesítéseket küld az Amazon SNS, ha a modell minősége elér bizonyos küszöbértékeket. Natív naplózók, mint például (boto3) a futás állapotának rögzítésére szolgál a hibaelhárítás felgyorsítása érdekében.
Megoldás áttekintése
A következő áttekintés belemerül az MLOps folyamat létrehozásához egy modellhez a PwC MLOps Accelerator segítségével. Ez a bemutató egy olyan MLOps mérnök használati esetét írja le, aki a folyamatot egy nemrég kifejlesztett ML-modellhez szeretné telepíteni egy egyszerű definíciós/konfigurációs fájl segítségével, amely intuitív.
- A kezdéshez jelentkezzen be PwC MLOps Accelerator hogy hozzáférjen a megoldás műtermékeihez. A teljes megoldás egyetlen konfigurációs YAML fájlból (
config.yaml
) modellenként. A megoldás futtatásához szükséges összes részlet a konfigurációs fájlban található, és a modellel együtt egy Git-tárolóban tárolódik. A konfigurációs fájl bemenetként szolgál majd a munkafolyamat lépéseinek automatizálásához a fontos paraméterek és beállítások kódon kívüli külsővé tételével. - Az ML mérnöknek kell kitöltenie
config.yaml
fájlt, és elindítja az MLOps folyamatot. Az ügyfelek konfigurálhatják az AWS-fiókot, a tárolót, a modellt, a felhasznált adatokat, a folyamat nevét, a képzési keretrendszert, a betanításhoz használandó példányok számát, a következtetési keretrendszert, valamint az elő- és utófeldolgozási lépéseket, valamint számos egyéb műveletet. konfigurációk a modell minőségének, torzításának és magyarázhatóságának ellenőrzéséhez.
- Egy egyszerű YAML fájl segítségével konfigurálható az egyes modellek képzési, telepítési, megfigyelési és futási követelményei. Egyszer a
config.yaml
megfelelően van konfigurálva, és a modell mellé mentve a saját Git tárolójába, a modell-építő hangszerelő meghívásra kerül. A YAML-en keresztül konfigurálható Bring-Your-Own-Modelből is tud olvasni, hogy elindítsa a modell összeállítási folyamatának telepítését. - Ezt követően mindent automatizál a megoldás, és nem szükséges sem az ML-mérnök, sem az adattudós közreműködése. Az ML modell felépítéséért felelős folyamat magában foglalja az adatok előfeldolgozását, a modell betanítását, a modellértékelést és az ost-feldolgozást. Ha a modell átmegy az automatizált minőség- és teljesítményteszteken, a modell a rendszerleíró adatbázisba kerül, és a műtermékek az Amazon S3 tárhelyre íródnak a YAML-fájlok definíciói szerint. Ez elindítja a modelltelepítési folyamat létrehozását az adott ML-modellhez.
- Ezután egy automatizált üzembe helyezési sablon biztosítja a modellt egy éles végponttal rendelkező átmeneti környezetben. A jóváhagyás után a modell automatikusan üzembe kerül az éles környezetben.
- A megoldás két összekapcsolt csővezetéket telepít. Az előrejelzések kiszolgálása egy elérhető élő végpontot telepít, amelyen keresztül az előrejelzések kiszolgálhatók. A modellfigyelés egy folyamatos felügyeleti eszközt hoz létre, amely kiszámítja a kulcsfontosságú modellteljesítmény- és minőségi mutatókat, és elindítja a modell átképzését, ha jelentős változást észlel a modell minőségében.
- Most, hogy végigment a létrehozáson és a kezdeti üzembe helyezésen, az MLOps mérnök konfigurálhatja a hibariasztásokat, hogy figyelmeztesse a problémákat, például ha egy folyamat nem végzi el a kívánt feladatot.
- Az MLOps már nem a felhőszolgáltatás-összetevők csomagolásáról, teszteléséről és telepítéséről szól, hasonlóan a hagyományos CI/CD-telepítéshez; ez egy olyan rendszer, amelynek automatikusan telepítenie kell egy másik szolgáltatást. Például a modelltanítási folyamat automatikusan telepíti a modelltelepítési folyamatot az előrejelzési szolgáltatás engedélyezéséhez, amely viszont lehetővé teszi a modellfigyelő szolgáltatást.
Következtetés
Összefoglalva, az MLOps kritikus fontosságú minden olyan szervezet számára, amelynek célja az ML-modellek nagyszabású üzembe helyezése éles rendszerekben. A PwC kifejlesztett egy gyorsítót az ML-modellek építésének, telepítésének és karbantartásának automatizálására a DevOps eszközök modellfejlesztési folyamatba való integrálásával.
Ebben a bejegyzésben megvizsgáltuk, hogy a PwC megoldást hogyan hajtják végre az AWS natív ML-szolgáltatásai, és hogyan segít átvenni az MLOps-gyakorlatokat, hogy a vállalkozások felgyorsíthassák mesterségesintelligencia-útjukat, és több értéket nyerhessenek ML-modelljeikből. Végigjártuk azokat a lépéseket, amelyeket a felhasználók megtehetnek a PwC Machine Learning Ops Accelerator eléréséhez, a folyamatok futtatásához, és egy ML-modell különböző életciklus-összetevőit integráló ML használati eset telepítéséhez.
Az AWS Cloudban végzett MLOps-útjának megkezdéséhez és az ML-termelési munkaterhelések futtatásához regisztráljon PwC gépi tanulási műveletek.
A szerzőkről
Kiran Kumar Ballari az Amazon Web Services (AWS) fő megoldási építésze. Ő egy evangélista, aki szereti segíteni az ügyfeleket az új technológiák kiaknázásában és megismételhető ipari megoldások kidolgozásában problémáik megoldására. Különösen szenvedélyes a szoftverfejlesztés, a generatív mesterséges intelligencia és a vállalatok segítése az AI/ML termékfejlesztésben.
Ankur Goyal a PwC Australia felhő- és digitális gyakorlatának igazgatója, amely az adatokra, elemzésekre és mesterséges intelligenciára összpontosít. Az Ankur széleskörű tapasztalattal rendelkezik a köz- és magánszektorbeli szervezetek támogatásában a technológiai átalakítások előmozdításában és az innovatív megoldások tervezésében az adatvagyon és -technológiák kihasználásával.
Karthikeyan Chokappa (KC) a PwC Australia felhő- és digitális gyakorlatának menedzsere, amely az adatokra, az elemzésekre és az AI-ra összpontosít. A KC szenvedélyes a teljes körű elemzési megoldások tervezése, fejlesztése és bevezetése, amelyek az adatokat értékes döntési eszközökké alakítják át a teljesítmény és a kihasználtság javítása, valamint az összekapcsolt és intelligens dolgok teljes birtoklási költségének csökkentése érdekében.
Ráma Lankalapalli az AWS Sr. Partner Solutions Architect-je, a PwC-vel együttműködve ügyfeleik AWS-be való átállásának és modernizálásának felgyorsításán dolgozik. Különféle iparágakban dolgozik, hogy felgyorsítsa az AWS Cloud bevezetését. Szakértelme a hatékony és skálázható felhőmegoldások tervezésében, az innováció és az ügyfélalkalmazások korszerűsítésében az AWS-szolgáltatások kihasználásával, valamint rugalmas felhőalapok létrehozásában rejlik.
Jeejee Unwalla az AWS vezető megoldási építésze, aki szereti az ügyfeleket a kihívások megoldásában és a stratégiai gondolkodásban. Szenvedélye a technológia és az adatok, valamint az innováció lehetővé tétele.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/driving-advanced-analytics-outcomes-at-scale-using-amazon-sagemaker-powered-pwcs-machine-learning-ops-accelerator/
- :van
- :is
- :nem
- $ UP
- 1
- 100
- 1951
- 2024
- 32
- 33
- 7
- a
- képesség
- Rólunk
- gyorsul
- gázpedál
- hozzáférés
- hozzáférhető
- Fiók
- át
- tevékenység
- További
- cím
- elfogadja
- Örökbefogadás
- fejlett
- Előny
- Után
- AI
- AI / ML
- célok
- Figyelmeztetések
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- mentén
- mellett
- már
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- Amazon Web Services (AWS)
- an
- analitika
- és a
- Másik
- bármilyen
- Alkalmazás
- alkalmazások
- alkalmazandó
- megfelelő
- jóváhagyás
- jóváhagy
- építészet
- VANNAK
- körül
- AS
- Eszközök
- társult
- At
- auditálhatóság
- Ausztrália
- automatizált
- Automatizált
- automaták
- Automatikus
- automatikusan
- Automatizálás
- elérhető
- AWS
- AWS felhőképződés
- alapján
- BE
- válik
- egyre
- óta
- lent
- BEST
- legjobb gyakorlatok
- között
- előítélet
- épít
- kiépít
- Épület
- épít
- épült
- beépített
- üzleti
- vállalkozások
- de
- by
- kiszámítja
- TUD
- jelölt
- képességek
- képesség
- elfog
- fogások
- eset
- esetek
- CD
- központi
- bizonyos
- kihívás
- kihívások
- kihívást
- változik
- Változások
- ellenőrizze
- felhő
- kód
- együttműködés
- gyűjt
- kombájnok
- Companies
- teljes
- bonyodalmak
- teljesítés
- alkatrészek
- tartalmaz
- kompromisszum
- Configuration
- konfigurálva
- összefüggő
- tartalmazott
- kontextus
- folyamatos
- folyamatosan
- ellenőrzések
- Költség
- kiadások
- teremt
- teremt
- teremtés
- kritikai
- kritikus
- szokás
- vevő
- Ügyfelek
- dátum
- adattudós
- adatkészletek
- döntés
- határozatok
- definíciók
- szállított
- átadó
- szállít
- kézbesítés
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevetések
- bevet
- tervezett
- tervezés
- részletek
- kimutatására
- észlelt
- Fejleszt
- fejlett
- fejlesztése
- Fejlesztés
- fejlesztési eszközök
- különböző
- digitális
- Igazgató
- különböző
- számos
- do
- nem
- le-
- hajtott
- vezetés
- minden
- könnyű
- könnyen
- hatékonyság
- hatékony
- bármelyik
- lehetővé
- lehetővé teszi
- lehetővé téve
- végtől végig
- Endpoint
- mérnök
- Mérnöki
- Mérnökök
- biztosítására
- Vállalkozás
- Egész
- jogosultság
- Környezet
- környezetek
- hibák
- különösen
- létrehozó
- értékelés
- Evangélista
- példa
- végrehajtja
- végrehajtás
- létezik
- létező
- gyors
- tapasztalat
- kísérlet
- szakvélemény
- feltárt
- kiterjedt
- Átfogó tapasztalat
- nem sikerül
- Kudarc
- ismerős
- Jellemzők
- Visszacsatolás
- Ábra
- filé
- Fájlok
- utolsó
- Rugalmasság
- rugalmas
- Összpontosít
- összpontosított
- következő
- A
- Alapok
- töredék
- Keretrendszer
- keretek
- ból ből
- jövő
- Nyereség
- generált
- nemző
- Generatív AI
- kap
- megy
- elmúlt
- kormányzás
- irányelv szabályozza
- Földi
- Növekedés
- fogantyú
- Legyen
- he
- segít
- segít
- segít
- Magas
- övé
- Találat
- Hogyan
- azonban
- HTML
- HTTPS
- if
- végre
- fontos
- javul
- fejlesztések
- javuló
- in
- magában foglalja a
- Növelje
- iparágak
- ipar
- Infrastruktúra
- kezdetben
- Innováció
- újító
- bemenet
- szerves
- integrált
- integrál
- integrálása
- integráció
- integrációk
- Intelligencia
- Intelligens
- szándékolt
- bele
- intuitív
- hivatkozni
- bevonása
- kérdések
- IT
- ITS
- maga
- Munka
- utazás
- jpg
- éppen
- Tart
- Kulcs
- Kumar
- címkézés
- nyelv
- Nyelvek
- Késleltetés
- tanulás
- Tőkeáttétel
- erőfölény
- fekszik
- életciklus
- mint
- LIMIT
- leszármazás
- összekapcsolt
- él
- log
- hosszabb
- szeret
- Elő/Utó
- gép
- gépi tanulás
- fenntartása
- KÉSZÍT
- kezelése
- vezetés
- menedzser
- kézikönyv
- sok
- Lehet..
- Metaadatok
- metrikus
- Metrics
- minimális
- ML
- MLOps
- modell
- modellek
- moduláris
- monitor
- ellenőrzés
- monitorok
- több
- sok
- név
- bennszülött
- elengedhetetlen
- Szükség
- szükséges
- Új
- Új technológiák
- nem
- jegyzetfüzet
- értesítések
- szám
- of
- on
- egyszer
- ONE
- online
- működik
- Művelet
- or
- szervezet
- szervezetek
- Más
- eredmények
- kívül
- átfogó
- saját
- tulajdon
- csomagolás
- paraméterek
- rész
- partner
- bérletek
- szenvedélyes
- minták
- mert
- teljesítmény
- csővezeték
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- állás
- powered
- Gyakorlati
- gyakorlat
- gyakorlat
- előrejelzés
- Tippek
- előnyben részesített
- Fő
- elvek
- magán
- magánszektor
- problémák
- folyamat
- Folyamatok
- Termékek
- termékfejlesztés
- Termelés
- Programozás
- programozási nyelvek
- kellene támogatnia,
- elősegíti
- prototípus
- ad
- biztosít
- nyilvános
- elhelyezés
- PWC
- Piton
- világítás
- R
- gyors
- gyorsan
- Olvass
- készségesen
- igazi
- való Világ
- real-time
- nemrég
- ajánlások
- csökkenteni
- finomítani
- nyilvántartott
- nyilvántartások
- Bejegyzés
- iktató hivatal
- engedje
- maradványok
- megismételhető
- raktár
- szükség
- kötelező
- követelmények
- megköveteli,
- rugalmas
- Reagálni
- felelős
- eredményez
- Kritika
- szigorú
- erős
- Szerep
- futás
- futás
- futásidejű
- sagemaker
- mentett
- skálázhatóság
- skálázható
- Skála
- forgatókönyv
- Tudós
- tudósok
- szektor
- idősebb
- küldött
- Sorozat
- Series of
- szolgál
- szolgált
- vagy szerver
- szolgáltatás
- Szolgáltatások
- szolgáló
- készlet
- beállítások
- hét
- számos
- megosztás
- kellene
- mutatott
- jelentős
- hasonló
- Egyszerű
- lassú
- kicsi
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- SOLVE
- Megoldása
- sebesség
- állapota
- színpadra állítás
- standard
- kezdődött
- kezdődik
- csúcs-
- Állapot
- Lépései
- tárolás
- tárolni
- memorizált
- árnyékolók
- egyértelmű
- Stratégiailag
- folyó
- áramvonal
- sikeres
- ilyen
- ÖSSZEFOGLALÓ
- Támogató
- rendszer
- Systems
- Vesz
- tart
- bevétel
- cél
- feladatok
- csapat
- tech
- Technologies
- Technológia
- sablon
- sablonok
- Tesztelés
- tesztek
- mint
- hogy
- A
- azok
- Őket
- ezáltal
- Ezek
- dolgok
- Gondolkodás
- ezt
- három
- küszöb
- Keresztül
- egész
- idő
- nak nek
- szerszám
- szerszámok
- felső
- Végösszeg
- Nyomon követhetőség
- Csomagkövetés
- hagyományos
- kiképzett
- Képzések
- Átalakítás
- Átalakítás
- transzformációk
- kiváltó
- kioldás
- FORDULAT
- Turning
- kettő
- egyedi
- upon
- Használat
- használ
- használati eset
- használt
- használó
- használ
- segítségével
- érvényesítés
- Értékes
- érték
- különféle
- keresztül
- sétált
- végigjátszás
- akar
- volt
- we
- háló
- webes szolgáltatások
- amikor
- ami
- WHO
- lesz
- val vel
- belül
- munkafolyamat
- munkafolyamatok
- dolgozó
- művek
- lenne
- írott
- yaml
- A te
- zephyrnet