Ezt a bejegyzést Kostia Kofmannal és Jenny Tokarral közösen írták a Booking.com-tól.
Az online utazási ágazat globális vezető szerepeként Booking.com folyamatosan innovatív módszereket keres, hogy javítsa szolgáltatásait, és ügyfelei számára személyre szabott és zökkenőmentes élményt nyújtson. A Booking.com rangsoroló csapata kulcsszerepet játszik abban, hogy a keresési és ajánlási algoritmusokat úgy optimalizálják, hogy a legjobb eredményeket nyújtsák felhasználóik számára.
A Rangsoroló csapat gépi tanulási (ML) tudósai megosztva házon belüli erőforrásaikat más belső csapatokkal, gyakran hosszú várakozási idővel találkoztak, hogy hozzáférjenek a modellképzéshez és kísérletezéshez, ami megkérdőjelezte gyors kísérletezési és innovációs képességüket. Felismerve a korszerűsített ML infrastruktúra szükségességét, a Ranking csapata elindult egy útra, hogy kihasználja a Amazon SageMaker az ML modellek méretarányos felépítéséhez, betanításához és üzembe helyezéséhez.
A Booking.com együttműködött AWS professzionális szolgáltatások olyan megoldás kidolgozása, amely felgyorsítja a továbbfejlesztett ML-modellek piacra kerülését a következő fejlesztésekkel:
- Csökkentett várakozási idő a képzéshez és a kísérletezéshez szükséges erőforrásokra
- Az alapvető ML-képességek, például a hiperparaméter-hangolás integrálása
- Csökkentett fejlesztési ciklus az ML modellekhez
A rövidebb várakozási idő azt jelentené, hogy a csapat gyorsan iterálhatna és kísérletezhetne a modellekkel, így sokkal gyorsabb ütemben nyerhetne betekintést. A SageMaker igény szerinti példányainak használata lehetővé tette a várakozási idő tízszeres csökkentését. Az alapvető ML-képességek, mint például a hiperparaméter-hangolás és a modell magyarázhatósága a helyszínen hiányoztak. A csapat modernizációs útja bevezette ezeket a funkciókat Amazon SageMaker automatikus modellhangolás és a Amazon SageMaker Clarify. Végül a csapat törekvése az volt, hogy azonnali visszajelzést kapjanak a kódban végrehajtott minden változtatásról, így a visszacsatolási hurok percekről egy pillanatra csökkenthető, és ezáltal az ML modellek fejlesztési ciklusa.
Ebben a bejegyzésben a Booking.com Ranking csapata által megtett útba nyúlunk bele, amikor a SageMaker képességeit kihasználva korszerűsítették ML kísérleti keretüket. Ezáltal nemcsak a meglévő kihívásaikon küzdöttek le, hanem javították a keresési élményüket is, ami végső soron utazók millióinak kedvezett világszerte.
A modernizáció megközelítése
A Ranking csapat több ML-tudósból áll, akik mindegyikének ki kell fejlesztenie és tesztelnie kell saját modelljét offline. Ha egy modellt az offline kiértékelés szerint sikeresnek ítélnek, át lehet helyezni az éles A/B tesztelésre. Ha online javulást mutat, akkor az összes felhasználó számára telepíthető.
Ennek a projektnek az volt a célja, hogy felhasználóbarát környezetet hozzon létre az ML tudósok számára, hogy könnyen és személyre szabhatóan futhassanak Amazon SageMaker modellépítő csővezetékek hogy teszteljék hipotéziseiket anélkül, hogy hosszú és bonyolult modulokat kellene kódolni.
A számos kihívás közül az egyik a meglévő helyszíni csővezeték-megoldás adaptálása volt az AWS-en való használatra. A megoldás két kulcselemből állt:
- Meglévő kód módosítása és bővítése – Megoldásunk első része a meglévő kódunk módosítását és bővítését jelentette, hogy az kompatibilis legyen az AWS infrastruktúrával. Ez kulcsfontosságú volt a helyszíni feldolgozásról a felhőalapú feldolgozásra való zökkenőmentes átmenet biztosításához.
- Ügyfélcsomag fejlesztés – Kifejlesztettek egy klienscsomagot, amely burkolóként működik a SageMaker API-k és a korábban létező kód körül. Ez a csomag ötvözi a kettőt, lehetővé téve az ML tudósok számára, hogy kódolás nélkül könnyen konfigurálhassanak és telepítsenek ML-folyamatokat.
SageMaker csővezeték konfiguráció
A testreszabhatóság kulcsfontosságú a modellépítési folyamatban, és ez sikerült is config.ini
, egy kiterjedt konfigurációs fájl. Ez a fájl vezérlőközpontként szolgál a folyamat összes bemenetéhez és viselkedéséhez.
Belül elérhető konfigurációk config.ini
következők:
- A csővezeték részletei – A szakember megadhatja a folyamat nevét, megadhatja, hogy mely lépések futtassák, meghatározhatja, hogy a kimeneteket hol kell tárolni. Amazon egyszerű tárolási szolgáltatás (Amazon S3), és válassza ki a használni kívánt adatkészleteket
- Az AWS-fiók adatai – Eldöntheti, hogy a folyamat melyik régióban fusson, és melyik szerepkört használja
- Lépésspecifikus konfiguráció – A folyamat minden egyes lépéséhez megadhat olyan részleteket, mint a használandó példányok száma és típusa, valamint a releváns paraméterek
A következő kód egy példa konfigurációs fájlt mutat:
config.ini
egy Git által kezelt verzióvezérelt fájl, amely a sikeres oktatási folyamat futtatásához szükséges minimális konfigurációt képviseli. A fejlesztés során olyan helyi konfigurációs fájlok is használhatók, amelyek nem verziófüggő. Ezeknek a helyi konfigurációs fájloknak csak egy adott futtatásra vonatkozó beállításokat kell tartalmazniuk, ami bonyolultság nélküli rugalmasságot jelent. A folyamatkészítő klienst több konfigurációs fájl kezelésére tervezték, és a legutóbbi elsőbbséget élvez a korábbi beállításokkal szemben.
A SageMaker folyamat lépései
A csővezeték a következő lépésekre oszlik:
- A vonat- és tesztadatok előkészítése – A nyers adatok terabájtjait egy S3-as tárolóba másolják, és ezzel dolgozzák fel AWS ragasztó feladatok a Spark-feldolgozáshoz, ami a kompatibilitás érdekében strukturált és formázott adatokat eredményez.
- Vonat – A képzési lépés a TensorFlow becslőt használja a SageMaker képzési feladatokhoz. A képzés elosztott módon történik a Horovod használatával, és az eredményül kapott modellterméket az Amazon S3 tárolja. A hiperparaméterek hangolásához egy hiperparaméter-optimalizálási (HPO) feladat kezdeményezhető, a cél metrika alapján kiválasztva a legjobb modellt.
- Tippelje – Ebben a lépésben a SageMaker Processing job a tárolt modellműterméket használja előrejelzések készítéséhez. Ez a folyamat párhuzamosan fut a rendelkezésre álló gépeken, és az előrejelzési eredményeket az Amazon S3 tárolja.
- értékelje – Egy PySpark-feldolgozási feladat egy egyéni Spark-szkript segítségével értékeli ki a modellt. Az értékelési jelentést ezután az Amazon S3 tárolja.
- Állapot – Az értékelés után döntés születik a modell minőségéről. Ez a döntés a konfigurációs fájlban meghatározott feltétel metrikán alapul. Ha az értékelés pozitív, a modellt jóváhagyottként regisztrálják; ellenkező esetben elutasítottként van regisztrálva. Mindkét esetben az értékelési és magyarázhatósági jelentés, ha létrejön, rögzítésre kerül a modellnyilvántartásban.
- Csomag modell a következtetéshez – Egy feldolgozási feladattal, ha az értékelési eredmények pozitívak, a modell becsomagolásra kerül, az Amazon S3-ban tárolódik, és készen áll a belső ML portálra való feltöltésre.
- Magyarázza – A SageMaker Clarify magyarázhatósági jelentést készít.
Két különálló adattárat használnak. Az első lerakat tartalmazza az ML-folyamat definícióját és felépítési kódját, a második pedig az egyes lépéseken belül futó kódot, például a feldolgozást, a betanítást, az előrejelzést és az értékelést. Ez a kettős adattáros megközelítés nagyobb modularitást tesz lehetővé, és lehetővé teszi a tudományos és mérnöki csapatok számára, hogy függetlenül iterálják az ML kódot és az ML folyamatelemeket.
A következő ábra a megoldás munkafolyamatát mutatja be.
Automatikus modellhangolás
Az ML-modellek betanítása több képzési kísérlet iteratív megközelítését igényli, hogy robusztus és hatékony végső modellt építsenek fel üzleti használatra. Az ML tudósoknak ki kell választaniuk a megfelelő modelltípust, fel kell építeniük a megfelelő bemeneti adatkészleteket, és be kell állítaniuk azokat a hiperparamétereket, amelyek a modell tanulási folyamatát irányítják a képzés során.
A hiperparaméterek megfelelő értékeinek kiválasztása a modell betanítási folyamatához jelentősen befolyásolhatja a modell végső teljesítményét. Nincs azonban egyedi vagy meghatározott módszer annak meghatározására, hogy mely értékek megfelelőek egy adott használati esethez. Az ML tudósoknak legtöbbször több képzési feladatot kell futtatniuk kissé eltérő hiperparaméter-készletekkel, megfigyelniük kell a modell betanítási mérőszámait, majd meg kell próbálniuk ígéretesebb értékeket kiválasztani a következő iterációhoz. A modell teljesítményének hangolásának ezt a folyamatát hiperparaméter-optimalizálásnak (HPO) is nevezik, és időnként több száz kísérletet igényelhet.
A Ranking csapat korábban manuálisan végezte a HPO-t a helyszíni környezetben, mivel párhuzamosan csak nagyon korlátozott számú képzési feladatot tudtak elindítani. Ezért szekvenciálisan kellett futtatniuk a HPO-t, tesztelniük és manuálisan kellett kiválasztaniuk a hiperparaméterértékek különböző kombinációit, és rendszeresen figyelemmel kellett kísérniük az előrehaladást. Ez meghosszabbította a modellfejlesztési és hangolási folyamatot, és korlátozta a megvalósítható időn belül lefutható HPO-kísérletek számát.
Az AWS-re való átállással a Ranking csapat használhatta a SageMaker automatikus modellhangolási (AMT) funkcióját. Az AMT lehetővé teszi a Ranking ML tudósok számára, hogy automatikusan több száz képzési feladatot indítsanak el az érdeklődésre számot tartó hiperparaméter-tartományokon belül, hogy megtalálják a végső modell legjobban teljesítő verzióját a kiválasztott mérőszám szerint. A Rangsoroló csapat most négy különböző automatikus hangolási stratégia közül választhat hiperparaméterek kiválasztásához:
- Rács keresés – Az AMT elvárja, hogy minden hiperparaméter kategorikus érték legyen, és minden egyes különálló kategóriakombinációhoz képzési feladatokat indít el, feltárva a teljes hiperparaméter-teret.
- Véletlenszerű keresés – Az AMT véletlenszerűen választja ki a hiperparaméter-értékek kombinációit a megadott tartományokon belül. Mivel nincs függőség a különböző betanítási feladatok és a paraméterérték-választás között, ezzel a módszerrel több párhuzamos betanítási feladat is elindítható, felgyorsítva az optimális paraméterválasztási folyamatot.
- Bayesi optimalizálás – Az AMT Bayes-féle optimalizálási implementációt használ a hiperparaméterértékek legjobb készletének kitalálására, és azt regressziós problémaként kezeli. Figyelembe veszi a korábban tesztelt hiperparaméter-kombinációkat és annak hatását a modell betanítási munkákra az új paraméterválasztással, optimalizálva az intelligensebb paraméterválasztást, kevesebb kísérlettel, de a képzési feladatokat is csak szekvenciálisan indítja el, hogy mindig tanulni lehessen a korábbi képzésekből.
- Hipersáv – Az AMT az általa futtatott képzési feladatok közbenső és végső eredményeit használja fel az erőforrások dinamikus átcsoportosítására olyan hiperparaméteres konfigurációkkal, amelyek ígéretesebb eredményeket mutatnak, miközben automatikusan leállítják az alulteljesítőket.
A SageMaker AMT-je lehetővé tette a Ranking csapat számára, hogy csökkentse a modellfejlesztés során a hiperparaméter-hangolási folyamatra fordított időt azáltal, hogy először futtashattak több párhuzamos kísérletet, használhattak automatikus hangolási stratégiákat, és napokon belül kétszámjegyű képzési feladatokat hajthatnak végre. valami, ami a helyszínen nem volt megvalósítható.
Modell magyarázhatóság a SageMaker Clarify segítségével
A modell magyarázhatósága lehetővé teszi az ML szakemberek számára, hogy megértsék ML modelljeik természetét és viselkedését azáltal, hogy értékes betekintést nyújtanak a funkciótervezési és kiválasztási döntésekhez, ami viszont javítja a modell előrejelzéseinek minőségét. A Ranking csapat kétféleképpen szerette volna értékelni a magyarázhatósági betekintést: megérteni, hogy a jellemzők bemenetei hogyan befolyásolják a modell kimeneteit a teljes adatkészletükben (globális értelmezhetőség), valamint képes legyen felfedezni a bemeneti jellemzők hatását egy adott modell előrejelzésére egy érdekes adatponton ( helyi értelmezhetőség). Ezekkel az adatokkal a Ranking ML tudósok megalapozott döntéseket hozhatnak arra vonatkozóan, hogyan javítsák tovább modelljük teljesítményét, és figyelembe veszik azokat a kihívást jelentő előrejelzési eredményeket, amelyeket a modell alkalmanként nyújt.
A SageMaker Clarify segítségével modellekkel magyarázható jelentéseket készíthet Shapley Additív magyarázatok (SHAP) a modellek SageMakeren való betanításakor, támogatva a modellek globális és helyi értelmezhetőségét. A modell magyarázhatósági jelentések mellett a SageMaker Clarify támogatja az edzés előtti torzítási metrikák, a képzés utáni torzítási metrikák és a részleges függési diagramok elemzésének futtatását. A feladat SageMaker feldolgozási feladatként fog futni az AWS-fiókon belül, és közvetlenül integrálódik a SageMaker folyamatokkal.
A globális értelmezhetőségi jelentés automatikusan létrejön a feladat kimenetében, és megjelenik a Amazon SageMaker Studio környezet a képzési kísérleti futás részeként. Ha ezt a modellt ezután regisztrálják a SageMaker modellnyilvántartásában, a jelentés emellett a modell melléktermékéhez is kapcsolódik. Mindkét lehetőség használatával a Ranking csapat könnyedén vissza tudta követni a különböző modellváltozatokat és azok viselkedésbeli változásait.
A bemeneti jellemzők egyetlen előrejelzésre (helyi értelmezhetőségi értékek) gyakorolt hatásának feltárása érdekében a rangsoroló csapat engedélyezte a paramétert save_local_shap_values
a SageMaker Clarify feladatokban, és be tudta tölteni őket az S3 tárolóból további elemzésekhez a SageMaker Studio Jupyter notebookjaiban.
Az előző képek egy példát mutatnak be arra, hogyan nézne ki a modell magyarázhatósága egy tetszőleges ML modell esetén.
Képzés optimalizálás
A mély tanulás (DL) térnyerése oda vezetett, hogy az ML egyre inkább a számítási teljesítményre és a hatalmas mennyiségű adatra támaszkodik. Az ML gyakorlói gyakran szembesülnek az erőforrások hatékony felhasználásának akadályával ezeknek az összetett modelleknek a képzése során. Ha nagy számítási fürtökön futtatja a képzést, különféle kihívások merülnek fel az erőforrás-kihasználás optimalizálása során, beleértve az olyan problémákat, mint az I/O szűk keresztmetszetek, a kernelindítási késések, a memóriakorlátok és az alulkihasznált erőforrások. Ha a képzési feladat konfigurációja nincs finoman beállítva a hatékonyság érdekében, ezek az akadályok nem megfelelő hardverhasználatot, elhúzódó edzési időtartamot vagy akár hiányos edzési futásokat eredményezhetnek. Ezek a tényezők növelik a projekt költségeit és késleltetik a határidőket.
A CPU- és GPU-használat profilozása segít megérteni ezeket a hatástalanságokat, meghatározni a modellben a különféle TensorFlow-műveletek hardver erőforrás-fogyasztását (idő és memória), feloldja a teljesítmény szűk keresztmetszeteit, és végső soron gyorsabbá teszi a modell futását.
A rangsoroló csapat a keret profilalkotási funkcióját használta Amazon SageMaker Debugger (most elavult a javára Amazon SageMaker Profiler) optimalizálni ezeket a képzési munkákat. Ez lehetővé teszi a CPU-kon és GPU-kon végzett összes tevékenység nyomon követését, mint például a CPU és GPU kihasználtsága, a kernel GPU-kon való futtatása, a kernel CPU-kon történő elindítása, a szinkronizálási műveletek, a GPU-k közötti memóriaműveletek, a kernelindítások és a megfelelő futtatások közötti késések, valamint a CPU-k közötti adatátvitel. és GPU-k.
Rangsoroló csapat is használta a TensorFlow Profiler jellemzője TensorBoard, amely tovább segítette a TensorFlow modell tréning profilját. A SageMaker most van tovább integrálva a TensorBoarddal és a TensorBoard vizualizációs eszközeit hozza a SageMakerbe, integrálva a SageMaker képzéssel és tartományokkal. A TensorBoard lehetővé teszi modellhibakeresési feladatok végrehajtását a TensorBoard vizualizációs beépülő moduljaival.
E két eszköz segítségével a Ranking csapat optimalizálta TensorFlow modelljét, és képes volt azonosítani a szűk keresztmetszeteket, és csökkenteni tudta az átlagos edzési lépésidőt 350 ezredmásodpercről 140 ezredmásodpercre CPU-n és 170 ezredmásodpercről 70 ezredmásodpercre GPU-n, ami 60%-os gyorsulást jelent. illetve 59%-kal.
Üzleti eredmények
Az átállási erőfeszítések a rendelkezésre állás, a skálázhatóság és a rugalmasság javítására összpontosultak, ami együttesen az ML-környezetet a működési kiválóság új szintje felé emelte, amit a megnövekedett modell betanítási gyakoriság és a meghibásodások csökkentése, az optimalizált betanítási idők és a fejlett ML-képességek példáznak.
Modellképzési gyakoriság és kudarcok
A havi modellképzési munkák száma ötszörösére nőtt, ami lényegesen gyakoribb modelloptimalizálást eredményezett. Ezenkívül az új ML-környezet csökkentette a csővezeték-futtatások meghibásodási arányát, körülbelül 50%-ról 20%-ra. A sikertelen munka feldolgozási ideje drasztikusan csökkent, átlagosan több mint egy óráról elhanyagolható 5 másodpercre. Ez jelentősen növelte a működési hatékonyságot és csökkentette az erőforrás-pazarlást.
Optimalizált edzésidő
A magával hozott migráció hatékonyságát növeli a SageMaker alapú GPU-képzés. Ez a váltás a modell képzési idejét a korábbi időtartamának ötödére csökkentette. Korábban a mély tanulási modellek képzési folyamatai körülbelül 60 órát vettek igénybe a CPU-n; ezt körülbelül 12 órára korszerűsítették GPU-n. Ez a fejlesztés nemcsak időt takarít meg, hanem felgyorsítja a fejlesztési ciklust is, lehetővé téve a gyorsabb iterációt és a modellfejlesztést.
Fejlett ML képességek
A migráció sikerének központi eleme a SageMaker szolgáltatáskészlet használata, amely magában foglalja a hiperparaméterek hangolását és a modell magyarázhatóságát. Ezenkívül a migráció lehetővé tette a kísérletek zökkenőmentes követését Amazon SageMaker kísérletek, lehetővé téve a szemléletesebb és produktívabb kísérletezést.
A legfontosabb, hogy az új ML kísérleti környezet támogatta egy új modell sikeres fejlesztését, amely jelenleg gyártásban van. Ez a modell mély tanulási, nem pedig fa-alapú, és észrevehető javulást vezetett be az online modell teljesítményében.
Következtetés
Ez a bejegyzés áttekintést nyújtott az AWS Professional Services és a Booking.com együttműködéséről, amely egy méretezhető ML keretrendszer megvalósítását eredményezte, és sikeresen csökkentette a rangsoroló csapat ML modelljeinek forgalomba hozatali idejét.
A Booking.com Ranking csapata megtudta, hogy a felhőre és a SageMakerre való migráció hasznosnak bizonyult, és hogy a gépi tanulási műveletek (MLOps) gyakorlatának adaptálása lehetővé teszi az ML mérnökök és tudósok számára, hogy a mesterségükre összpontosítsanak, és növeljék a fejlesztési sebességet. A csapat megosztja a tanulságokat és az elvégzett munkát a Booking.com teljes ML-közösségével, beszélgetéseken és dedikált foglalkozásokon keresztül az ML-gyakorlókkal, ahol megosztják a kódot és a képességeket. Reméljük, hogy ez a bejegyzés újabb módja lehet a tudás megosztásának.
Az AWS Professional Services készen áll arra, hogy segítse csapatát a méretezhető és gyártásra kész ML fejlesztésében az AWS-ben. További információkért lásd AWS professzionális szolgáltatások vagy lépjen kapcsolatba fiókkezelőjével.
A szerzőkről
Laurens van der Maas az AWS Professional Services gépi tanulási mérnöke. Szorosan együttműködik az AWS-en gépi tanulási megoldásaikat építő ügyfelekkel, az elosztott képzésre, a kísérletezésre és a felelős AI-re specializálódott, és szenvedélyesen foglalkozik azzal, hogy a gépi tanulás hogyan változtatja meg az általunk ismert világot.
Zagyva Dániel az AWS Professional Services adattudósa. Az AWS-ügyfelek számára méretezhető, termelési szintű gépi tanulási megoldások fejlesztésére specializálódott. Tapasztalata különböző területekre terjed ki, beleértve a természetes nyelvi feldolgozást, a generatív AI-t és a gépi tanulási műveleteket.
Kostia Kofman a Booking.com vezető gépi tanulási menedzsere, a Search Ranking ML csapat vezetője, aki a Booking.com legkiterjedtebb ML rendszerét felügyeli. A személyre szabás és a rangsorolás terén szerzett szakértelmével a legmodernebb technológiát használja fel az ügyfelek élményének javítása érdekében.
Jenny Tokar vezető gépi tanulási mérnök a Booking.com keresési rangsoroló csapatánál. A hatékonyság, a megbízhatóság, a méretezhetőség és az innováció által jellemezhető végpontok közötti ML-csővezetékek fejlesztésére specializálódott. Jenny szakértelme felhatalmazza csapatát arra, hogy élvonalbeli rangsorolási modelleket hozzon létre, amelyek naponta több millió felhasználót szolgálnak ki.
Aleksandra Dokic az AWS Professional Services vezető adattudósa. Szívesen támogatja ügyfeleit az innovatív AI/ML megoldások AWS-re való kiépítésében, és izgatottan várja az adatok erején keresztüli üzleti átalakulásokat.
Luba Protsiva az AWS Professional Services elkötelezettségi menedzsere. Adatok és GenAI/ML megoldások szállítására szakosodott, amelyek lehetővé teszik az AWS ügyfelei számára, hogy maximalizálják üzleti értéküket és felgyorsítsák az innováció sebességét.
- 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/how-booking-com-modernized-its-ml-experimentation-framework-with-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 100
- 12
- 130
- 140
- 16
- 350
- 60
- 7
- 70
- a
- képesség
- Képes
- Rólunk
- gyorsul
- hozzáférés
- Szerint
- Fiók
- elért
- át
- tevékenységek
- cselekmények
- alkalmazkodás
- mellett
- Ezen kívül
- fejlett
- érint
- Után
- AI
- AI / ML
- algoritmusok
- Minden termék
- megengedett
- lehetővé teszi, hogy
- mentén
- Is
- mindig
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- összeg
- Összegek
- an
- elemzések
- és a
- Másik
- API-k
- megközelítés
- megfelelő
- jóváhagyott
- körülbelül
- önkényes
- VANNAK
- területek
- felmerülhet
- körül
- AS
- törekvés
- At
- Automatikus
- automatikusan
- elérhetőség
- elérhető
- átlagos
- AWS
- AWS professzionális szolgáltatások
- vissza
- alapján
- bayesi
- BE
- mert
- egyre
- viselkedés
- viselkedési
- viselkedés
- előnyös
- részesülő
- BEST
- között
- előítélet
- foglalás
- Booking.com
- mindkét
- szűk
- Bring
- hozott
- épít
- Épület
- üzleti
- de
- by
- TUD
- képességek
- eset
- esetek
- Központ
- központú
- kihívások
- kihívást
- változik
- Változások
- változó
- jellemzett
- 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
- választott
- vásárló
- szorosan
- felhő
- kód
- Kódolás
- együtt
- együttműködés
- együttesen
- COM
- kombináció
- kombinációk
- kombájnok
- általában
- közösség
- kompatibilitás
- összeegyeztethető
- bonyolult
- bonyolultság
- bonyolult
- alkatrészek
- számítási
- számítási teljesítmény
- Kiszámít
- feltétel
- Configuration
- Fontolja
- áll
- korlátok
- fogyasztott
- fogyasztás
- tartalmaz
- tartalmaz
- ellenőrzés
- kijavítására
- Megfelelő
- kiadások
- tudott
- kézműves
- teremt
- teremtés
- kritikus
- szokás
- vevő
- Ügyfelek
- szabható
- élvonalbeli
- legújabb technológia
- ciklus
- dátum
- Adatok előkészítése
- adattudós
- adatkészletek
- nap
- Nap
- dönt
- döntés
- határozatok
- csökkent
- elszánt
- tekinteni
- mély
- mély tanulás
- meghatározott
- meghatározott
- definíció
- késleltetés
- késedelmek
- szállít
- átadó
- ás
- függőség
- Függőség
- telepíteni
- telepített
- elavult
- tervezett
- részletek
- Határozzuk meg
- Fejleszt
- fejlett
- fejlesztése
- Fejlesztés
- diagram
- különböző
- közvetlenül
- felfedez
- Megjelenik
- különböző
- megosztott
- elosztott képzés
- megosztott
- Ennek
- domainek
- csinált
- drasztikusan
- Csepegés
- időtartama
- alatt
- dinamikusan
- minden
- könnyen
- hatékonyság
- eredményesen
- erőfeszítések
- belefogott
- felhatalmazza
- lehetővé
- engedélyezve
- lehetővé teszi
- lehetővé téve
- átfogó
- végtől végig
- eljegyzés
- mérnök
- Mérnöki
- Mérnökök
- növelése
- fokozása
- biztosítása
- Egész
- Környezet
- korszakok
- alapvető
- értékelni
- értékelés
- Még
- Minden
- minden nap
- példa
- Kiváló
- izgatott
- példaként
- létező
- vár
- felgyorsítja
- tapasztalat
- Tapasztalatok
- kísérlet
- kísérletek
- szakvélemény
- Magyarázza
- feltárása
- Feltárása
- kiterjedő
- nyúlik
- kiterjesztés
- kiterjedt
- Arc
- szembe
- tényezők
- Sikertelen
- Kudarc
- hibák
- hamis
- gyorsabb
- kedvez
- megvalósítható
- Funkció
- Jellemzők
- Visszacsatolás
- kevesebb
- filé
- Fájlok
- utolsó
- Végül
- Találjon
- vezetéknév
- első
- Rugalmasság
- Összpontosít
- következő
- A
- négy
- Keretrendszer
- Frekvencia
- gyakori
- ból ből
- további
- Továbbá
- egyre
- generál
- generált
- generál
- nemző
- Generatív AI
- kap
- megy
- Globális
- cél
- GPU
- GPU
- nagyobb
- Szerintem
- kellett
- fogantyú
- hardver
- kiaknázva
- Legyen
- he
- segít
- segített
- segít
- neki
- övé
- remény
- óra
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- Több száz
- akadály
- Hiperparaméter optimalizálás
- Hiperparaméter hangolás
- azonosítani
- if
- illusztrálja
- képek
- azonnali
- Hatás
- végrehajtás
- ami fontos
- javul
- javított
- javulás
- fejlesztések
- javítja
- in
- tartalmaz
- Beleértve
- Növelje
- <p></p>
- Növeli
- egyre inkább
- függetlenül
- ipar
- elégtelenségek
- befolyás
- információ
- tájékoztatták
- Infrastruktúra
- kezdeményezett
- újít
- Innováció
- újító
- bemenet
- bemenet
- belső
- éleslátó
- meglátások
- azonnali
- integrált
- integrál
- kamat
- belső
- bele
- Bevezetett
- bevezetéséről
- részt
- kérdések
- IT
- ismétlés
- iterációk
- ITS
- Munka
- Állások
- utazás
- jpg
- Kulcs
- Ismer
- tudás
- ismert
- hiányzó
- nyelv
- nagy
- legutolsó
- indít
- indított
- elindítja
- vezető
- vezető
- TANUL
- tanult
- tanulás
- Led
- szint
- erőfölény
- mint
- Korlátozott
- összekapcsolt
- kiszámításának
- helyi
- Hosszú
- néz
- hasonló
- gép
- gépi tanulás
- gép
- készült
- csinál
- sikerült
- menedzser
- mód
- kézzel
- Maximize
- jelent
- Memory design
- módszer
- metrikus
- Metrics
- vándorló
- elvándorlás
- Több millió
- ezredmásodperc
- minimális
- Perc
- ML
- MLOps
- modell
- modellek
- korszerűsítésére
- Modulok
- monitor
- havi
- több
- a legtöbb
- mozog
- áthelyezve
- sok
- többszörös
- név
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- Szükség
- Új
- következő
- nem
- Most
- szám
- célkitűzés
- megfigyelni
- akadályok
- of
- Nem elérhető
- gyakran
- on
- Igény szerint
- ONE
- online
- csak
- operatív
- Művelet
- optimálisan
- optimalizálás
- optimalizáció
- Optimalizálja
- optimalizált
- optimalizálása
- Opciók
- or
- Más
- másképp
- mi
- ki
- teljesítmény
- kimenetek
- felett
- átfogó
- felügyeletét
- áttekintés
- saját
- Béke
- csomag
- becsomagolt
- Párhuzamos
- paraméter
- rész
- szenvedélyes
- Teljesít
- teljesítmény
- előadó
- Testreszabás
- csővezeték
- döntő
- Plató
- Platón adatintelligencia
- PlatoData
- játszik
- Plugins
- pont
- Portál
- pozitív
- állás
- hatalom
- gyakorlat
- megelőző
- előre
- előrejelzés
- Tippek
- előkészítés
- előző
- korábban
- Probléma
- folyamat
- Feldolgozott
- Folyamatok
- feldolgozás
- Termelés
- termelő
- szakmai
- profil
- profilalkotás
- Haladás
- program
- biztató
- bizonyított
- ad
- feltéve,
- amely
- világítás
- gyorsan
- tartományok
- Ranking
- gyorsan
- Arány
- Inkább
- Nyers
- el
- kész
- kap
- felismerés
- Ajánlást
- feljegyzett
- csökkenteni
- Csökkent
- csökkentő
- csökkentés
- tekintettel
- vidék
- Regisztráció
- nyilvántartott
- iktató hivatal
- rendszeresen
- Elutasítva..
- megbízhatóság
- jelentést
- Jelentések
- raktár
- képviselő
- szükség
- kötelező
- megköveteli,
- megoldása
- forrás
- Tudástár
- illetőleg
- felelős
- eredményez
- kapott
- Eredmények
- Emelkedik
- erős
- Szerep
- futás
- futás
- fut
- sagemaker
- SageMaker csővezetékek
- skálázhatóság
- skálázható
- Skála
- Tudomány
- Tudós
- tudósok
- forgatókönyv
- zökkenőmentes
- Keresés
- Második
- másodperc
- lát
- keres
- válasszuk
- kiválasztása
- kiválasztás
- idősebb
- szolgál
- szolgálja
- Szolgáltatások
- ülések
- készlet
- Szettek
- beállítások
- számos
- Megosztás
- megosztás
- ő
- váltás
- kellene
- előadás
- Műsorok
- jelentősen
- Egyszerű
- egyetlen
- kicsit más
- intelligensebb
- sima
- So
- megoldások
- Megoldások
- valami
- Hely
- Szikra
- specializálódott
- különleges
- sebesség
- költött
- Lépés
- Lépései
- megállítás
- tárolás
- memorizált
- stratégiák
- áramvonalas
- erősen
- szerkesztett
- stúdió
- szuboptimális
- siker
- sikeres
- sikeresen
- ilyen
- Támogatott
- Támogató
- Támogatja
- szinkronizál.
- rendszer
- szabott
- bevétel
- Talks
- feladatok
- csapat
- csapat
- Technológia
- tensorflow
- teszt
- kipróbált
- Tesztelés
- mint
- hogy
- A
- a világ
- azok
- Őket
- akkor
- Ott.
- ezáltal
- ebből adódóan
- Ezek
- ők
- ezt
- azok
- virágzik
- Keresztül
- idő
- idővonalak
- alkalommal
- nak nek
- szerszámok
- érintse
- felé
- vágány
- Csomagkövetés
- Vonat
- Képzések
- tréningek
- átruházás
- transzformációk
- átmenet
- utazás
- utazási ipar
- utazók
- kezelésére
- igaz
- megpróbál
- hangolás
- FORDULAT
- kettő
- típus
- Végül
- megért
- egyedi
- Használat
- használ
- használati eset
- használt
- barátságos felhasználói
- Felhasználók
- használ
- segítségével
- hasznosított
- Értékes
- érték
- Értékek
- különféle
- Hatalmas
- Sebesség
- változat
- verzió
- nagyon
- megjelenítés
- várjon
- kívánatos
- volt
- Út..
- módon
- we
- háló
- webes szolgáltatások
- voltak
- amikor
- ami
- míg
- WHO
- lesz
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- művek
- világ
- világszerte
- lenne
- te
- A te
- zephyrnet