Ez egy vendégbejegyzés, amelyet az Iambic Therapeutics vezetői csapatával közösen írtunk.
Iambic Therapeutics egy gyógyszerkutató startup, amelynek küldetése, hogy innovatív, mesterséges intelligencia által vezérelt technológiákat hozzon létre, hogy jobb gyógyszereket szállítson a rákos betegeknek, gyorsabban.
Fejlett generatív és prediktív mesterséges intelligencia (AI) eszközeink lehetővé teszik, hogy gyorsabban és hatékonyabban kutassunk a lehetséges gyógyszermolekulák hatalmas terében. Technológiáink sokoldalúak és alkalmazhatók terápiás területeken, fehérjeosztályokon és hatásmechanizmusokon keresztül. A differenciált mesterségesintelligencia-eszközök létrehozásán túl integrált platformot hoztunk létre, amely egyesíti az AI-szoftvert, a felhőalapú adatokat, a méretezhető számítási infrastruktúrát, valamint a nagy áteresztőképességű kémiai és biológiai képességeket. A platform lehetővé teszi mesterséges intelligenciánkat – azáltal, hogy adatokat szolgáltat a modelljeink finomításához – és lehetővé teszi, hogy kihasználja az automatizált döntéshozatal és adatfeldolgozás lehetőségeit.
A sikert azon képességünkön mérjük, hogy kiváló klinikai jelölteket tudunk előállítani a sürgős betegek szükségleteinek kielégítésére, példátlan sebességgel: a programindításból mindössze 24 hónap alatt klinikai jelöltekké fejlődtünk, ami lényegesen gyorsabb, mint versenytársaink.
Ebben a bejegyzésben arra összpontosítunk, hogyan használtuk Ács on Amazon Elastic Kubernetes szolgáltatás (Amazon EKS) a mesterséges intelligencia oktatásának és következtetésének skálázása érdekében, amelyek az Iambic felfedezési platform alapvető elemei.
A méretezhető AI-tanítás és következtetések szükségessége
Az Iambic minden héten mesterséges intelligencia-következtetést hajt végre több tucat modellen és több millió molekulán keresztül, két elsődleges felhasználási esetet kiszolgálva:
- Orvoskémikusok és más tudósok az Insight nevű webalkalmazásunkat használják a kémiai tér felfedezésére, a kísérleti adatok elérésére és értelmezésére, valamint az újonnan tervezett molekulák tulajdonságainak előrejelzésére. Mindezt a munka interaktívan, valós időben történik, így alacsony késleltetéssel és közepes átviteli sebességgel kell következtetéseket levonni.
- Ugyanakkor generatív AI modelljeink automatikusan olyan molekulákat terveznek, amelyek számos tulajdonság javítását célozzák, több millió jelöltet keresnek, és óriási átviteli sebességet és közepes késleltetést igényelnek.
Kísérleti platformunk mesterséges intelligencia-technológiák és szakértő gyógyszervadászok irányításával hetente több ezer egyedi molekulát állít elő, és mindegyiket többszörös biológiai vizsgálatnak vetik alá. A generált adatpontokat minden héten automatikusan feldolgozzuk és felhasználjuk mesterséges intelligencia modelljeink finomhangolására. Kezdetben a modell finomhangolása több órát vett igénybe a CPU-időben, ezért elengedhetetlen volt egy keretrendszer a modell finomhangolásához a GPU-kon.
Mélytanulási modelljeink nem triviális követelményeket támasztanak: gigabájt méretűek, számosak és heterogének, és GPU-t igényelnek a gyors következtetéshez és a finomhangoláshoz. A felhő-infrastruktúrát tekintve olyan rendszerre volt szükségünk, amely lehetővé teszi a GPU-k elérését, a gyors fel- és leskálázást a tüskés, heterogén munkaterhelések kezelésére, és nagy Docker-képek futtatását.
Olyan méretezhető rendszert akartunk építeni, amely támogatja a mesterséges intelligencia képzését és következtetéseit. Amazon EKS-t használunk, és a legjobb megoldást kerestük dolgozói csomópontjaink automatikus méretezésére. Számos okból a Karpentert választottuk a Kubernetes csomópontok automatikus skálázásához:
- Könnyű integráció a Kubernetes-szel, a Kubernetes szemantika használatával csomóponti követelmények és pod specifikációk a méretezéshez
- Alacsony késleltetésű csomópontok kiosztása
- Könnyű integráció az infrastruktúránkkal kódszerszámként (Terraform)
A csomópont-szolgáltatók támogatják az egyszerű integrációt az Amazon EKS-sel és más AWS-erőforrásokkal, mint pl Amazon rugalmas számítási felhő (Amazon EC2) példányok és Amazon Elastic Block Store kötetek. A szolgáltatók által használt Kubernetes szemantika támogatja az irányított ütemezést Kubernetes-konstrukciók, például szennyeződések vagy tűréshatárok, valamint affinitási vagy antiaffinitás-specifikációk használatával; megkönnyítik a Karpenter által ütemezhető GPU-példányok számának és típusának szabályozását is.
Megoldás áttekintése
Ebben a részben egy olyan általános architektúrát mutatunk be, amely hasonló ahhoz, amelyet saját munkaterheléseinkhez használunk, és amely lehetővé teszi a modellek rugalmas telepítését az egyéni metrikákon alapuló hatékony automatikus skálázással.
A következő ábra a megoldás architektúráját mutatja be.
Az architektúra telepíti a egyszerű szolgáltatás egy Kubernetes podban egy EKS klaszter. Ez lehet modellkövetkeztetés, adatszimuláció vagy bármely más konténeres szolgáltatás, amely HTTP-kéréssel érhető el. A szolgáltatás egy fordított proxy mögött található Traefik. A fordított proxy összegyűjti a mérőszámokat a szolgáltatás hívásairól, és egy szabványos metrics API-n keresztül megjeleníti azokat a Prométheusz. A Kubernetes eseményvezérelt automatikus skálázó (KEDA) úgy van konfigurálva, hogy a Prometheusban elérhető egyéni mérőszámok alapján automatikusan skálázza a szervizpadok számát. Itt a másodpercenkénti kérések számát használjuk egyéni mérőszámként. Ugyanez az építészeti megközelítés érvényes, ha más mérőszámot választ a munkaterheléséhez.
A Karpenter figyeli a függőben lévő pod-okat, amelyek a fürtben lévő elegendő erőforrás hiánya miatt nem futhatnak. Ha ilyen podokat észlel, a Karpenter további csomópontokat ad a fürthöz, hogy biztosítsa a szükséges erőforrásokat. Ezzel szemben, ha a fürtben több csomópont van, mint amennyire az ütemezett sorba rendezéseknek szüksége van, a Karpenter eltávolít néhány munkavégző csomópontot, és a sorba rendezések átütemeződnek, így kevesebb példányon konszolidálják őket. A másodpercenkénti HTTP kérések száma és a csomópontok száma a segítségével megjeleníthető grafana Irányítópult. Az automatikus méretezés bemutatásához futtatunk egyet vagy többet egyszerű terhelést generáló hüvelyek, amelyek HTTP kéréseket küldenek a szolgáltatásnak a használatával becsavar.
Megoldás bevezetése
A lépésről lépésre végigvezeti, használjuk AWS Cloud9 mint környezet az architektúra telepítéséhez. Ez lehetővé teszi, hogy minden lépést webböngészőből hajtson végre. A megoldást helyi számítógépről vagy EC2-példányról is telepítheti.
Az üzembe helyezés egyszerűsítése és a reprodukálhatóság javítása érdekében követjük a do-keretet és a depend-on-docker sablon. klónozzuk a aws-do-eks projekt és felhasználásával Dokkmunkás, olyan konténerképet készítünk, amely fel van szerelve a szükséges eszközökkel és szkriptekkel. A tárolón belül végigfutjuk a végpontok közötti áttekintés minden lépését, az EKS-klaszter létrehozásától a Karpenterrel a méretezésig. EC2 példányok.
A bejegyzésben szereplő példához a következőket használjuk EKS-fürt jegyzék:
apiVersion: eksctl.io/v1alpha5
kind: ClusterConfig
metadata:
name: do-eks-yaml-karpenter
version: '1.28'
region: us-west-2
tags:
karpenter.sh/discovery: do-eks-yaml-karpenter
iam:
withOIDC: true
addons:
- name: aws-ebs-csi-driver
version: v1.26.0-eksbuild.1
wellKnownPolicies:
ebsCSIController: true
managedNodeGroups:
- name: c5-xl-do-eks-karpenter-ng
instanceType: c5.xlarge
instancePrefix: c5-xl
privateNetworking: true
minSize: 0
desiredCapacity: 2
maxSize: 10
volumeSize: 300
iam:
withAddonPolicies:
cloudWatch: true
ebs: true
Ez a jegyzék egy nevű fürtöt határoz meg do-eks-yaml-karpenter
kiegészítőként telepített EBS CSI-illesztőprogrammal. Kezelt csomópontcsoport kettővel c5.xlarge
csomópontokat tartalmaz a fürt számára szükséges rendszerpodák futtatásához. A dolgozó csomópontok privát alhálózatokban vannak tárolva, és a fürt API-végpontja alapértelmezés szerint nyilvános.
Használhat egy meglévő EKS-fürtöt is egy létrehozása helyett. A Karpentert a következőképpen telepítjük utasítás a Karpenter dokumentációjában, vagy a következő futtatásával forgatókönyv, amely automatizálja a telepítési utasításokat.
A következő kód az ebben a példában használt Karpenter konfigurációt mutatja:
apiVersion: karpenter.sh/v1beta1
kind: NodePool
metadata:
name: default
spec:
template:
metadata: null
labels:
cluster-name: do-eks-yaml-karpenter
annotations:
purpose: karpenter-example
spec:
nodeClassRef:
apiVersion: karpenter.k8s.aws/v1beta1
kind: EC2NodeClass
name: default
requirements:
- key: karpenter.sh/capacity-type
operator: In
values:
- spot
- on-demand
- key: karpenter.k8s.aws/instance-category
operator: In
values:
- c
- m
- r
- g
- p
- key: karpenter.k8s.aws/instance-generation
operator: Gt
values:
- '2'
disruption:
consolidationPolicy: WhenUnderutilized
#consolidationPolicy: WhenEmpty
#consolidateAfter: 30s
expireAfter: 720h
---
apiVersion: karpenter.k8s.aws/v1beta1
kind: EC2NodeClass
metadata:
name: default
spec:
amiFamily: AL2
subnetSelectorTerms:
- tags:
karpenter.sh/discovery: "do-eks-yaml-karpenter"
securityGroupSelectorTerms:
- tags:
karpenter.sh/discovery: "do-eks-yaml-karpenter"
role: "KarpenterNodeRole-do-eks-yaml-karpenter"
tags:
app: autoscaling-test
blockDeviceMappings:
- deviceName: /dev/xvda
ebs:
volumeSize: 80Gi
volumeType: gp3
iops: 10000
deleteOnTermination: true
throughput: 125
detailedMonitoring: true
Meghatározunk egy alapértelmezett Karpenter NodePool-t a következő követelményekkel:
- A Karpenter mindkettőből indíthat példányokat
spot
és aon-demand
kapacitású medencék - A példányoknak a "
c
" (számításra optimalizálva), "m
" (Általános rendeltetésű), "r
” (memória optimalizálva), vagy „g
"És"p
” (GPU-gyorsított) számítástechnikai családok - A példánygenerálásnak nagyobbnak kell lennie 2-nél; például,
g3
elfogadható, deg2
nem
Az alapértelmezett NodePool megszakítási házirendeket is meghatároz. Az alulhasznált csomópontokat eltávolítjuk, így a pod-ok konszolidálhatók, hogy kevesebb vagy kisebb csomóponton fussanak. Alternatív megoldásként beállíthatjuk az üres csomópontok eltávolítását a megadott időtartam után. A expireAfter
A beállítás meghatározza bármely csomópont maximális élettartamát, mielőtt leállítják és szükség esetén cserélik. Ez segít csökkenteni a biztonsági réseket, valamint elkerülni a hosszú üzemidővel rendelkező csomópontokra jellemző problémákat, például a fájlok töredezettségét vagy a memóriaszivárgást.
Alapértelmezés szerint a Karpenter kis gyökérkötetű csomópontokat biztosít, ami nem lehet elegendő az AI vagy a gépi tanulási (ML) munkaterhelések futtatásához. A mélytanulási tárolóképek némelyike több tíz GB méretű is lehet, és meg kell győződnünk arról, hogy elegendő tárhely van a csomópontokon ahhoz, hogy ezeket a képeket használó pod-ok futtassák. Ennek érdekében meghatározzuk EC2NodeClass
val vel blockDeviceMappings
, ahogy az az előző kódban is látható.
A Karpenter felelős az automatikus skálázásért a fürt szintjén. Az automatikus skálázás pod szintjén történő konfigurálásához a KEDA segítségével definiálunk egy egyéni erőforrást ScaledObject
, ahogy az a következő kódban látható:
apiVersion: keda.sh/v1alpha1
kind: ScaledObject
metadata:
name: keda-prometheus-hpa
namespace: hpa-example
spec:
scaleTargetRef:
name: php-apache
minReplicaCount: 1
cooldownPeriod: 30
triggers:
- type: prometheus
metadata:
serverAddress: http://prometheus- server.prometheus.svc.cluster.local:80
metricName: http_requests_total
threshold: '1'
query: rate(traefik_service_requests_total{service="hpa-example-php-apache-80@kubernetes",code="200"}[2m])
Az előző jegyzék meghatározza a ScaledObject
nevezett keda-prometheus-hpa
, amely a php-apache telepítés skálázásáért felelős, és mindig fut legalább egy replikát. A mérőszám alapján méretezi ennek a telepítésnek a podjait http_requests_total
a Prometheusban elérhető a megadott lekérdezéssel, és a sorba rendezések méretezését célozza meg úgy, hogy minden pod legfeljebb egy kérést szolgáltasson ki másodpercenként. Lekicsinyíti a replikákat, miután a kérés terhelése több mint 30 másodpercig a küszöb alatt van.
A telepítési spec példaszolgáltatásunk a következőket tartalmazza erőforrásigények és korlátok:
resources:
limits:
cpu: 500m
nvidia.com/gpu: 1
requests:
cpu: 200m
nvidia.com/gpu: 1
Ezzel a konfigurációval mindegyik szervizegység pontosan egy NVIDIA GPU-t fog használni. Amikor új sorba rendezések jönnek létre, azok Függő állapotban lesznek, amíg elérhetővé nem válik a GPU. A Karpenter szükség szerint GPU-csomópontokat ad a fürthöz a függőben lévő pod-ok elhelyezéséhez.
A terhelést generáló pod előre beállított gyakorisággal küld HTTP kéréseket a szolgáltatásnak. Növeljük a kérések számát a replikák számának növelésével a terhelés-generátor telepítése.
A teljes skálázási ciklus kihasználtság alapú csomópont-konszolidációval egy Grafana műszerfalon látható. A következő irányítópult a fürt csomópontjainak számát mutatja példánytípusonként (fent), a másodpercenkénti kérések számát (bal lent) és a sorba rendezések számát (jobbra lent).
Csak a két c5.xlarge CPU-példánnyal kezdjük, amelyekkel a fürt létrejött. Ezután telepítünk egy szolgáltatáspéldányt, amelyhez egyetlen GPU szükséges. A Karpenter egy g4dn.xlarge példányt ad hozzá ennek az igénynek a kielégítésére. Ezután üzembe helyezzük a terhelésgenerátort, amelynek eredményeként a KEDA további szervizcsomagokat, a Karpenter pedig több GPU-példányt ad hozzá. Az optimalizálás után az állapot beáll egy p3.8xlarge példányra 8 GPU-val és egy g5.12xlarge példányra 4 GPU-val.
Amikor a terhelést generáló üzembe helyezést 40 replikára méretezzük, a KEDA további szolgáltatássorokat hoz létre, hogy fenntartsa a szükséges kérésterhelést podonként. A Karpenter g4dn.metal és g4dn.12xlarge csomópontokat ad a fürthöz, hogy biztosítsa a szükséges GPU-kat a további podokhoz. Méretezett állapotban a fürt 16 GPU-csomópontot tartalmaz, és körülbelül 300 kérést szolgál ki másodpercenként. Ha a terhelésgenerátort 1 replikára kicsinyítjük, fordított folyamat megy végbe. A lehűlési időszak után a KEDA csökkenti a szervizdobozok számát. Aztán ahogy kevesebb pod fut, a Karpenter eltávolítja az alulhasználatos csomópontokat a fürtből, és a szolgáltatási podok konszolidálódnak, hogy kevesebb csomóponton fussanak. Ha a terhelésgenerátort eltávolítják, egyetlen, 4 GPU-val rendelkező g1dn.xlarge-példányon lévő egyetlen szervizpod marad tovább. Ha eltávolítjuk a szervizcsomagot is, a fürt a kezdeti állapotban marad, mindössze két CPU-csomóponttal.
Ezt a viselkedést akkor figyelhetjük meg, amikor a NodePool
rendelkezik a beállítással consolidationPolicy: WhenUnderutilized
.
Ezzel a beállítással a Karpenter dinamikusan konfigurálja a fürtöt a lehető legkevesebb csomóponttal, miközben elegendő erőforrást biztosít az összes pod futtatásához, és minimálisra csökkenti a költségeket.
A következő műszerfalon látható skálázási viselkedés figyelhető meg, amikor a NodePool
a konszolidációs politika be van állítva WhenEmpty
, együtt consolidateAfter: 30s
.
Ebben a forgatókönyvben a csomópontok csak akkor állnak le, ha a lehűlési időszak után nem fut rajtuk pod. A skálázási görbe simának tűnik a felhasználás alapú konszolidációs politikához képest; azonban látható, hogy a skálázott állapotban több csomópontot használnak (22 vs. 16).
Összességében a pod és a fürt automatikus skálázás kombinálása biztosítja, hogy a fürt dinamikusan skálázódik a munkaterheléssel, szükség esetén lefoglalja az erőforrásokat, és eltávolítja azokat, amikor nincs használatban, ezáltal maximalizálja a kihasználtságot és minimalizálja a költségeket.
Eredmények
Az Iambic ezt az architektúrát arra használta, hogy lehetővé tegye a GPU-k hatékony használatát AWS-en, és a munkaterheléseket CPU-ról GPU-ra migrálja. Az EC2 GPU-val hajtott példányok, az Amazon EKS és a Karpenter használatával gyorsabb következtetéseket tudtunk levonni fizika alapú modelljeinkből, és gyors kísérleti iterációs időt tudtunk végezni azon alkalmazott tudósok számára, akik szolgáltatásként támaszkodnak a képzésre.
A következő táblázat összefoglalja ennek az áttelepítésnek az időbeli mutatóit.
Feladat | CPU | GPU |
Következtetés diffúziós modellek segítségével fizika alapú ML modellekhez | 3,600 másodperc |
100 másodperc (a GPU-k inherens kötegelése miatt) |
Az ML modell képzés, mint szolgáltatás | 180 perc | 4 perc |
Az alábbi táblázat összefoglalja néhány idő- és költségmutatónkat.
Feladat | Teljesítmény/költség | |
CPU | GPU | |
ML modell képzés |
240 perc átlagosan 0.70 dollár edzési feladatonként |
20 perc átlagosan 0.38 dollár edzési feladatonként |
Összegzésként
Ebben a bejegyzésben bemutattuk, hogy az Iambic hogyan használta a Karpentert és a KEDA-t Amazon EKS infrastruktúránk méretezéséhez, hogy megfeleljen a mesterséges intelligencia következtetései és a képzési munkaterheléseink késleltetési követelményeinek. A Karpenter és a KEDA hatékony nyílt forráskódú eszközök, amelyek segítik az EKS-fürtök és a rajtuk futó munkaterhelések automatikus méretezését. Ez segít optimalizálni a számítási költségeket, miközben megfelel a teljesítménykövetelményeknek. Megtekintheti a kódot, és ugyanazt az architektúrát telepítheti saját környezetében, ha követi a teljes útmutatót GitHub repo.
A szerzőkről
Matthew Welborn az Iambic Therapeutics gépi tanulási részlegének igazgatója. Ő és csapata kihasználja az MI-t, hogy felgyorsítsa az új terápiák azonosítását és fejlesztését, így gyorsabban juttassák el az életmentő gyógyszereket a betegekhez.
Paul Whittemore az Iambic Therapeutics vezető mérnöke. Támogatja az Iambic AI által vezérelt gyógyszerkutatási platform infrastruktúrájának szállítását.
Alex Iankoulski az ML/AI Frameworks egyik fő megoldástervezője, aki arra összpontosít, hogy segítse az ügyfeleket mesterséges intelligencia-terheléseik összehangolásában konténerek és gyorsított számítási infrastruktúra segítségével az AWS-en.
- 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/scale-ai-training-and-inference-for-drug-discovery-through-amazon-eks-and-karpenter/
- :van
- :is
- :nem
- ][p
- $ UP
- 1
- 10
- 100
- 125
- 16
- 200
- 200m
- 22
- 24
- 26%
- 28
- 30
- 300
- 40
- 600
- 7
- 70
- 8
- 80
- a
- képesség
- Képes
- Rólunk
- gyorsul
- felgyorsult
- elfogadható
- hozzáférés
- hozzáférhető
- elhelyezésére
- át
- Akció
- hozzá
- Add-on
- További
- cím
- Hozzáteszi
- fejlett
- affinitás
- Után
- AI
- AI modellek
- AI képzés
- Minden termék
- lehetővé teszi, hogy
- mentén
- Is
- mindig
- amazon
- Amazon EC2
- Az Amazon Web Services
- an
- és a
- bármilyen
- api
- app
- Megjelenik
- alkalmazható
- Alkalmazás
- alkalmazott
- alkalmazandó
- megközelítés
- építészeti
- építészet
- VANNAK
- területek
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia (AI)
- AS
- At
- auto
- Automatizált
- automaták
- automatikusan
- elérhető
- elkerülése érdekében
- AWS
- alapján
- adagoló
- BE
- óta
- előtt
- viselkedés
- mögött
- lent
- BEST
- Jobb
- Túl
- biológia
- Blokk
- mindkét
- Alsó
- hoz
- Bringing
- böngésző
- épít
- de
- by
- hívott
- kéri
- TUD
- Rák
- jelöltek
- képességek
- Kapacitás
- nagybetűs
- esetek
- okai
- ellenőrizze
- kémiai
- kémia
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választotta
- osztályok
- Klinikai
- felhő
- felhő infrastruktúra
- Fürt
- kód
- összegyűjti
- kombinálása
- képest
- versenytársak
- teljes
- Befejezett
- számítás
- Kiszámít
- számítógép
- számítástechnika
- Configuration
- konfigurálva
- megszilárdítása
- konszolidáció
- konstrukciókat
- Konténer
- Konténerek
- tartalmaz
- ellenőrzés
- fordítva
- Nyugodj le
- Mag
- Költség
- kiadások
- tudott
- teremt
- készítette
- teremt
- létrehozása
- CSI
- görbe
- szokás
- Ügyfelek
- ciklus
- műszerfal
- dátum
- adat pontok
- adatfeldolgozás
- Döntéshozatal
- mély
- mély tanulás
- alapértelmezett
- meghatározott
- Annak meghatározása,
- kézbesítés
- bizonyítani
- telepíteni
- bevetés
- bevet
- Design
- tervezett
- észlelt
- Fejlesztés
- diagram
- különböző
- differenciált
- Diffusion
- irányított
- Igazgató
- felfedezés
- Zavar
- do
- Dokkmunkás
- dokumentáció
- csinált
- le-
- tucat
- hajtott
- gépkocsivezető
- gyógyszer
- két
- dinamikusan
- minden
- hatékonyan
- hatékony
- megerőltetés nélküli
- elemek
- lehetővé
- engedélyezve
- lehetővé teszi
- végtől végig
- Endpoint
- mérnök
- hatalmas
- elég
- Környezet
- felszerelt
- megalapozott
- esemény
- Minden
- pontosan
- példa
- létező
- kísérlet
- kísérleti
- szakértő
- feltárása
- kitett
- megkönnyítése
- GYORS
- gyorsabb
- kevés
- kevesebb
- filé
- Összpontosít
- koncentrál
- következik
- következő
- A
- szilánkosodás
- Keretrendszer
- keretek
- Frekvencia
- ból ből
- Tele
- általános
- generált
- generál
- generáció
- nemző
- Generatív AI
- generátor
- kap
- GPU
- GPU
- nagyobb
- Csoport
- Vendég
- Vendég bejegyzés
- fogantyú
- Legyen
- he
- segít
- segít
- segít
- itt
- övé
- házigazdája
- NYITVATARTÁS
- Hogyan
- azonban
- http
- HTTPS
- Azonosítás
- if
- illusztrálja
- kép
- képek
- parancsoló
- javul
- javulás
- in
- beleértve
- Növelje
- növekvő
- Infrastruktúra
- velejáró
- kezdetben
- alapvetően
- újító
- Insight
- telepítve
- példa
- helyette
- utasítás
- integrált
- integráció
- Intelligencia
- értelmez
- kérdések
- IT
- ismétlés
- jpg
- éppen
- tartja
- Kulcs
- Kedves
- Címkék
- hiány
- nagy
- Késleltetés
- indít
- Vezetés
- Szivárgás
- tanulás
- legkevésbé
- balra
- szint
- Tőkeáttétel
- élettartam
- határértékek
- kiszámításának
- helyi
- Hosszú
- hosszabb
- keres
- Elő/Utó
- gép
- gépi tanulás
- fenntartása
- csinál
- KÉSZÍT
- sikerült
- maximalizálása
- maximális
- Lehet..
- intézkedés
- mechanizmusok
- közepes
- Találkozik
- találkozó
- Memory design
- összeolvad
- Metaadatok
- fém
- metrikus
- Metrics
- vándorol
- elvándorlás
- Több millió
- minimalizálása
- Küldetés
- ML
- modell
- modellek
- monitorok
- hónap
- több
- többszörös
- kell
- név
- Nevezett
- elengedhetetlen
- Szükség
- szükséges
- Új
- újonnan
- nem
- csomópont
- csomópontok
- regény
- szám
- számos
- Nvidia
- megfigyelni
- kapott
- of
- on
- Igény szerint
- ONE
- csak
- nyitva
- nyílt forráskódú
- operátor
- Lehetőségek
- optimalizálás
- Optimalizálja
- optimalizált
- or
- Más
- mi
- ki
- felett
- saját
- beteg
- betegek
- alatt
- mert
- teljesítmény
- Előadja
- időszak
- Hely
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- Politikák
- politika
- lehetséges
- állás
- powered
- erős
- megelőző
- előre
- be
- elsődleges
- Fő
- elvek
- magán
- folyamat
- Feldolgozott
- feldolgozás
- gyárt
- Program
- program
- ingatlanait
- Fehérje
- ad
- amely
- meghatalmazott
- nyilvános
- cél
- kérdés
- gyorsan
- R
- igazi
- real-time
- miatt
- csökkenteni
- csökkenti
- finomítani
- vidék
- támaszkodnak
- maradványok
- eltávolítása
- eltávolított
- elmozdít
- eltávolítása
- helyébe
- válasz
- kérni
- kéri
- szükség
- kötelező
- követelmények
- megköveteli,
- forrás
- Tudástár
- felelős
- fordított
- jobb
- Szerep
- gyökér
- futás
- futás
- azonos
- skálázható
- Skála
- skála ai
- pikkelyes
- Mérleg
- skálázás
- forgatókönyv
- tervezett
- ütemezés
- tudósok
- szkriptek
- Keresés
- keres
- Második
- másodperc
- Rész
- biztonság
- látott
- szemantika
- küld
- küld
- szerver
- szolgálja
- szolgáltatás
- Szolgáltatások
- szolgáló
- készlet
- beállítás
- rendezi
- bemutatásra
- mutatott
- Műsorok
- jelentősen
- hasonló
- egyszerűsítése
- tettetés
- egyetlen
- Méret
- kicsi
- kisebb
- sima
- So
- szoftver
- megoldások
- Megoldások
- néhány
- forrás
- Hely
- specifikációk
- meghatározott
- szemüveg
- sebesség
- Spot
- standard
- kezdet
- indítás
- Állami
- Lépései
- megállt
- tárolás
- struktúra
- alhálózatok
- siker
- ilyen
- elegendő
- felettes
- ellátó
- támogatás
- Támogatja
- biztos
- SVC
- rendszer
- táblázat
- tart
- célzás
- célok
- csapat
- Technologies
- sablon
- tíz
- Terraform
- mint
- hogy
- A
- Az állam
- azok
- Őket
- akkor
- gyógykezelés
- Ott.
- ezáltal
- Ezek
- ők
- ezt
- ezer
- küszöb
- Keresztül
- áteresztőképesség
- idő
- alkalommal
- nak nek
- vett
- szerszámok
- felső
- Képzések
- igaz
- kettő
- típus
- típusok
- tipikus
- egyedi
- példátlan
- -ig
- üzemidő
- sürgős
- us
- használ
- használt
- segítségével
- v1
- Értékek
- Hatalmas
- sokoldalú
- változat
- keresztül
- kötet
- kötetek
- vs
- sérülékenységek
- végigjátszás
- kívánatos
- volt
- we
- háló
- webalkalmazás
- webböngésző
- webes szolgáltatások
- hét
- JÓL
- voltak
- Mit
- Mi
- amikor
- ami
- míg
- WHO
- lesz
- val vel
- belül
- Munka
- munkás
- yaml
- te
- A te
- zephyrnet