Ezt a bejegyzést Jyoti Sharma és Sharmo Sarkar közösen írta a Vericasttól.
Bármilyen gépi tanulási (ML) probléma esetén az adattudós az adatokkal dolgozik. Ez magában foglalja az adatok összegyűjtését, feltárását és megértését, valamint az adatok üzleti és műszaki vonatkozásait, valamint a modellépítési folyamathoz szükséges manipulációk értékelését. Az adat-előkészítés egyik aspektusa a jellemzők tervezése.
Funkciótervezés arra a folyamatra utal, amelyben a releváns változókat azonosítják, kiválasztják és manipulálják, hogy a nyers adatokat hasznosabb és használhatóbb formákká alakítsák át a modell betanításához és az alapján történő következtetések levonásához használt ML algoritmushoz. Ennek a folyamatnak a célja az algoritmus és az ebből eredő prediktív modell teljesítményének növelése. A jellemzőtervezési folyamat több szakaszból áll, beleértve a jellemzők létrehozását, az adatok átalakítását, a jellemzők kibontását és a jellemzők kiválasztását.
Az általános jellemzők tervezésére szolgáló platform felépítése gyakori feladat azoknak az ügyfeleknek, akiknek sok különböző adatkészlettel rendelkező ML-modellt kell készíteniük. Ez a fajta platform magában foglalja egy programozottan vezérelt folyamat létrehozását, amely kis emberi beavatkozással készen áll a modell betanítására kész, speciálisan tervezett adatok előállítására. A funkciótervezés általánosítása azonban kihívást jelent. Minden üzleti probléma más, minden adatkészlet más, az adatmennyiség kliensenként vadul változik, és az adatminőség és gyakran egy bizonyos oszlop kardinalitása (strukturált adatok esetén) jelentős szerepet játszhat a funkciótervezés összetettségében. folyamat. Ezenkívül az ügyfél adatainak dinamikus jellege a feldolgozási idő és az erőforrások nagy eltérését is eredményezheti a funkciótervezés optimális befejezéséhez.
AWS ügyfél Vericast egy marketing megoldásokat kínáló vállalat, amely adatvezérelt döntéseket hoz ügyfelei marketing ROI-jának növelése érdekében. A Vericast belső felhő alapú gépi tanulási platformja, amely a CRISP-ML(Q) folyamat köré épül, különféle AWS-szolgáltatásokat használ, mint pl. Amazon SageMaker, Amazon SageMaker feldolgozás, AWS Lambdaés AWS lépésfunkciók, hogy a lehető legjobb modelleket állítsuk elő, amelyek az adott ügyfél adataira vannak szabva. Ennek a platformnak az a célja, hogy rögzítse a különböző ML-munkafolyamatok felépítéséhez szükséges lépések megismételhetőségét, és azokat a platformon belüli szabványos, általánosítható munkafolyamat-modulokba foglalja.
Ebben a bejegyzésben megosztjuk, hogy a Vericast hogyan optimalizálta a funkciók tervezését a SageMaker Processing segítségével.
Megoldás áttekintése
A Vericast Machine Learning Platformja segíti az új üzleti modellek gyorsabb bevezetését a meglévő munkafolyamatok alapján, vagy a meglévő modellek gyorsabb aktiválását új ügyfelek számára. Például egy közvetlen levélküldési hajlandóságot előrejelző modell egészen más, mint egy Vericast-kliens ügyfeleinek kedvezménykupon érzékenységét előrejelző modell. Különböző üzleti problémákat oldanak meg, ezért eltérő felhasználási forgatókönyvekkel rendelkeznek a marketingkampányok tervezésében. Az ML szempontjából azonban mindkettő bináris osztályozási modellként értelmezhető, és ezért az ML munkafolyamat szempontjából sok közös lépést megoszthat, beleértve a modell hangolását és betanítását, értékelését, értelmezhetőségét, telepítését és következtetéseit.
Mivel ezek a modellek bináris besorolási problémák (ML kifejezéssel), egy vállalat ügyfeleit két osztályba (bináris) osztjuk: azokra, akik pozitívan reagálnak a kampányra, és azokra, akik nem. Ezenkívül ezek a példák kiegyensúlyozatlan osztályozásnak minősülnek, mivel a modell betanításához használt adatok nem tartalmaznának azonos számú vásárlót, akik kedvezően reagálnának és nem.
Egy ilyen modell tényleges létrehozása a következő ábrán látható általános mintát követi.
Ennek a folyamatnak a nagy része megegyezik bármely bináris osztályozással, kivéve a jellemzőtervezési lépést. Ez a folyamat talán legbonyolultabb, de időnként figyelmen kívül hagyott lépése. Az ML modellek nagymértékben függenek a létrehozásához használt jellemzőktől.
A Vericast felhőalapú gépi tanulási platformjának célja, hogy általánosítsa és automatizálja a különféle ML-munkafolyamatok funkciótervezési lépéseit, és optimalizálja azok teljesítményét a költség/idő mutató alapján a következő szolgáltatások használatával:
- A platform szolgáltatásmérnöki könyvtára – Ez az átalakítások folyamatosan fejlődő halmazából áll, amelyeket teszteltek, hogy kiváló minőségű, általánosítható jellemzőket hozzanak létre konkrét ügyfélkoncepciók alapján (például vásárlói demográfiai adatok, termékadatok, tranzakciós adatok stb.).
- Intelligens erőforrás-optimalizálók – A platform az AWS on-demand infrastruktúra-képességét használja, hogy a legoptimálisabb típusú feldolgozási erőforrásokat állítsa elő az adott funkciómérnöki munkához a lépés várható összetettsége és az átdolgozandó adatmennyiség alapján.
- Jellemzőmérnöki feladatok dinamikus skálázása – Ehhez különféle AWS-szolgáltatások kombinációját használják, de leginkább a SageMaker Processing-ot. Ez biztosítja, hogy a platform kiváló minőségű funkciókat állítson elő költséghatékonyan és időben.
Ez a bejegyzés a lista harmadik pontjára összpontosít, és bemutatja, hogyan érhető el a SageMaker Processing feladatok dinamikus méretezése, hogy nagyobb adatmennyiségek esetén menedzseltebb, hatékonyabb és költséghatékonyabb adatfeldolgozási keretet érjünk el.
A SageMaker Processing olyan munkaterheléseket tesz lehetővé, amelyek lépéseket futtatnak az adatok elő- vagy utófeldolgozásához, jellemzők tervezéséhez, adatérvényesítéshez és modellértékeléshez a SageMakeren. Felügyelt környezetet is biztosít, és megszünteti a munkaterhelések futtatásához szükséges infrastruktúra beállításához és karbantartásához szükséges differenciálatlan nehézemelés bonyolultságát. Ezenkívül a SageMaker Processing API felületet biztosít a terhelés futtatásához, figyeléséhez és kiértékeléséhez.
A SageMaker feldolgozási feladatok futtatása teljes mértékben egy felügyelt SageMaker-fürtön belül történik, az egyes jobok futási időben példánytárolókba kerülnek. A felügyelt fürt, példányok és tárolók a mérőszámokat a következőnek jelentik amazonfelhőóra, beleértve a GPU, a CPU, a memória, a GPU memória, a lemezmetrikák és az eseménynaplózás használatát.
Ezek a szolgáltatások előnyöket biztosítanak a Vericast adatmérnökei és tudósai számára azáltal, hogy segítik az általánosított előfeldolgozási munkafolyamatok fejlesztését, és kivonják a generált környezetek karbantartásának nehézségeit a futtatásukhoz. Technikai problémák merülhetnek fel azonban az adatok dinamikus jellege és sokrétű jellemzői miatt, amelyek egy ilyen általános megoldásba betáplálhatók. A rendszernek megalapozott kezdeti sejtést kell tennie a fürt méretét és az azt alkotó példányokat illetően. Ennek a találgatásnak ki kell értékelnie az adatok kritériumait, és ki kell következtetnie a CPU, a memória és a lemez követelményeire. Lehet, hogy ez a feltételezés teljesen helyénvaló és megfelelően teljesít a munkához, de más esetekben nem. Egy adott adatkészlet és előfeldolgozási feladat esetén előfordulhat, hogy a CPU alulméretezett, ami maximális feldolgozási teljesítményt és hosszadalmas befejezési időt eredményez. Ami még rosszabb, a memória problémát okozhat, ami gyenge teljesítményt vagy memóriahiányt eredményezhet, ami a teljes feladat meghiúsulását okozza.
Ezeket a technikai akadályokat szem előtt tartva a Vericast megoldást keresett. Általános jellegűnek kell maradniuk, és bele kell illeszkedniük az előfeldolgozási munkafolyamat tágabb képébe, amely rugalmas az érintett lépésekben. Fontos volt az is, hogy megoldjuk mind a potenciálisan szükséges környezet bővítését olyan esetekben, amikor a teljesítmény sérül, mind a kecsesen felépülni egy ilyen esemény után, vagy ha egy munka bármilyen okból idő előtt befejeződött.
A Vericast által a probléma megoldására épített megoldás több AWS-szolgáltatást használ, amelyek együttműködnek üzleti céljaik elérése érdekében. Úgy tervezték, hogy újraindítsa és bővítse a SageMaker Processing fürtöt a feladatokat figyelő Lambda-függvények segítségével megfigyelt teljesítménymutatók alapján. Annak érdekében, hogy ne veszítsék el a munkát, amikor skálázási esemény történik, vagy hogy helyreálljon egy váratlanul leállt munka, egy ellenőrzőpont-alapú szolgáltatást vezettek be, amely Amazon DynamoDB és tárolja a részben feldolgozott adatokat Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödrök a lépések befejeztével. A végeredmény egy automatikus skálázható, robusztus és dinamikusan felügyelt megoldás.
Az alábbi diagram a rendszer működésének magas szintű áttekintését mutatja be.
A következő részekben részletesebben tárgyaljuk a megoldás összetevőit.
A megoldás inicializálása
A rendszer feltételezi, hogy egy külön folyamat kezdeményezi a megoldást. Ezzel szemben ezt a kialakítást nem úgy tervezték, hogy egyedül működjön, mert nem hoz létre semmilyen műterméket vagy kimenetet, hanem a SageMaker Processing jobokat használó rendszerek egyik oldalkocsijának megvalósításaként működik. A Vericast esetében a megoldást a nagyobb rendszer másik moduljában elindított Step Functions lépés hívása kezdeményezi.
A megoldás elindítása és az első futtatás elindítása után egy alapszintű szabványos konfiguráció kerül kiolvasásra a DynamoDB táblából. Ez a konfiguráció a SageMaker feldolgozási feladat paramétereinek beállítására szolgál, és tartalmazza az infrastruktúra-szükségletek kezdeti feltételezéseit. A SageMaker feldolgozási feladat elindult.
A metaadatok és kimenetek figyelése
Amikor a job elindul, egy Lambda függvény beírja a jobfeldolgozás metaadatait (az aktuális job konfigurációt és egyéb naplóinformációkat) a DynamoDB naplótáblájába. Ezek a metaadatok és naplóinformációk a feladat előzményeit, kezdeti és folyamatban lévő konfigurációját, valamint egyéb fontos adatokat tárolják.
Bizonyos pontokon, amikor a feladat lépései befejeződnek, az ellenőrzési pontok adatai hozzáadásra kerülnek a DynamoDB naplótáblázatához. A feldolgozott kimeneti adatok átkerülnek az Amazon S3-ba a gyors helyreállítás érdekében, ha szükséges.
Ez a lambda funkció beállít egy Amazon EventBridge szabály, amely figyeli a futó feladat állapotát. Pontosabban ez a szabály figyeli a munkát, hogy megfigyelje, hogy a munka állapota a következőre változik-e stopping
vagy a stopped
állapot. Ez az EventBridge-szabály fontos szerepet játszik a feladat újraindításában, ha hiba történik, vagy tervezett automatikus skálázási esemény történik.
A CloudWatch mérőszámainak figyelése
A Lambda funkció egy CloudWatch riasztást is beállít a feldolgozási feladat metrikus matematikai kifejezése alapján, amely figyeli az összes példány metrikáját a CPU kihasználtság, a memória kihasználtság és a lemezhasználat tekintetében. Ez a típusú riasztás (metrika) CloudWatch riasztási küszöbértékeket használ. A riasztás eseményeket generál a metrika vagy kifejezés küszöbértékekhez viszonyított értéke alapján, több időtartamon keresztül.
A Vericast használatában a küszöbkifejezés úgy van kialakítva, hogy az illesztőprogram- és a végrehajtópéldányokat különállónak tekintse, és mindegyikhez külön-külön figyelik a metrikákat. Ha szétválasztja őket, a Vericast tudja, hogy mi okozza a riasztást. Ez fontos annak eldöntéséhez, hogyan kell ennek megfelelően méretezni:
- Ha a végrehajtói mérőszámok átlépik a küszöböt, célszerű vízszintesen méretezni
- Ha a vezetői mutatók átlépik a küszöböt, a vízszintes skálázás valószínűleg nem segít, ezért függőlegesen kell méretezni
Riasztási metrika kifejezés
A Vericast a következő mérőszámokhoz férhet hozzá a méretezés és a hiba kiértékelése során:
- CPUU-felhasználás – Az egyes CPU magok kihasználtságának összege
- Memóriahasználat – A példányon lévő tárolók által használt memória százalékos aránya
- DiskUtilization – A példányon lévő tárolók által felhasznált lemezterület százalékos aránya
- GPUU-felhasználás – A példányon lévő tárolók által használt GPU-egységek százalékos aránya
- GPU memóriahasználat – A példányon lévő tárolók által használt GPU-memória százalékos aránya
Jelen pillanatban a Vericast csak azt veszi figyelembe CPUUtilization
, MemoryUtilization
és DiskUtilization
. A jövőben mérlegelni kívánják GPUUtilization
és a GPUMemoryUtilization
is.
A következő kód egy példa a CloudWatch-riasztásra, amely a Vericast automatikus skálázásának metrikus matematikai kifejezésén alapul:
Ez a kifejezés azt szemlélteti, hogy a CloudWatch riasztás mérlegel DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
és DiskUtilization (diskExec)
mint megfigyelési mérőszámok. A 80-as szám az előző kifejezésben a küszöbértéket jelenti.
Itt, IF((cpuDriver) > 80, 1, 0
azt jelenti, hogy ha az illesztőprogram CPU kihasználtsága meghaladja a 80%-ot, az 1-et rendeli hozzá a küszöb, illetve a 0. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
azt jelenti, hogy az összes metrika karakterlánccal memoryExec
figyelembe veszik, és ebből átlagot számolnak. Ha ez az átlagos memóriakihasználtsági százalék meghaladja a 80-at, akkor a küszöbértékként 1 lesz hozzárendelve, illetve 0.
A logikai operátor OR
A kifejezésben a kifejezésben szereplő összes felhasználás egységesítésére szolgál – ha valamelyik felhasználás eléri a küszöbértéket, riasztást vált ki.
A metrikus matematikai kifejezéseken alapuló CloudWatch metrikus riasztások használatával kapcsolatos további információkért lásd: CloudWatch riasztás létrehozása metrikus matematikai kifejezés alapján.
A CloudWatch riasztási korlátozásai
A CloudWatch 10-re korlátozza a riasztásonkénti mérőszámok számát. Ez korlátozásokat okozhat, ha ennél több mérőszámot kell figyelembe vennie.
Ennek a korlátozásnak a kiküszöbölése érdekében a Vericast riasztásokat állított be a fürt teljes mérete alapján. Három példányonként egy riasztás jön létre (három esetben egy riasztás lesz, mert ez összesen kilenc mérőszámot jelentene). Feltéve, hogy az illesztőprogram-példányt külön kell figyelembe venni, egy másik külön riasztás jön létre az illesztőprogram-példány számára. Ezért a létrehozott riasztások teljes száma nagyjából megegyezik a végrehajtó csomópontok számának egyharmadával és egy további eggyel az illesztőprogram-példány esetében. A riasztásonkénti mérőszámok száma minden esetben a 10 metrikus korlátozás alatt van.
Mi történik riasztási állapotban
Ha egy előre meghatározott küszöbértéket elér, a riasztás az an alarm
állapot, amely használ Amazon Simple Notification Service (Amazon SNS) értesítéseket küldeni. Ebben az esetben minden előfizetőnek e-mail értesítést küld az üzenetben szereplő riasztás részleteivel.
Az Amazon SNS-t egy Lambda-függvény triggerjeként is használják, amely leállítja a jelenleg futó SageMaker Processing feladatot, mert tudjuk, hogy a feladat valószínűleg meghiúsul. Ez a funkció naplókat is rögzít az eseményhez kapcsolódó naplótáblázatba.
A feladat indításakor beállított EventBridge-szabály észreveszi, hogy a feladat a stopping
állítsa ki néhány másodperccel később. Ez a szabály ezután újra futtatja az első Lambda-függvényt a feladat újraindításához.
A dinamikus skálázási folyamat
Az első Lambda funkció két vagy több alkalommal történő futtatása után tudni fogja, hogy egy korábbi feladat már elindult, és most leállt. A függvény egy hasonló folyamaton megy keresztül az alapkonfiguráció lekéréséhez az eredeti feladatból a napló DynamoDB táblájában, és a frissített konfigurációt is lekéri a belső táblából. Ez a frissített konfiguráció egy erőforrás-delta konfiguráció, amely a méretezés típusa alapján van beállítva. A méretezés típusát a riasztás metaadatai alapján határozzuk meg a korábban leírtak szerint.
Az eredeti konfiguráció és az erőforrás-delta használatban van, mert egy új konfiguráció és egy új SageMaker feldolgozási feladat indul a megnövelt erőforrásokkal.
Ez a folyamat addig folytatódik, amíg a feladat sikeresen be nem fejeződik, és szükség esetén többszöri újraindítást is eredményezhet, minden alkalommal további erőforrásokat adva hozzá.
Vericast eredménye
Ez az egyedi automatikus skálázási megoldás nagyban hozzájárult a Vericast gépi tanulási platformjának robusztusabbá és hibatűrőbbé tételéhez. A platform mostantól kecsesen képes kezelni a különböző adatmennyiségeket tartalmazó munkaterheléseket minimális emberi beavatkozással.
A megoldás bevezetése előtt a folyamatban lévő összes Spark-alapú modul erőforrásigényének becslése volt az egyik legnagyobb szűk keresztmetszet az új kliens bevezetési folyamatában. A munkafolyamatok meghiúsulnának, ha a kliens adatmennyisége nőne, vagy a költség indokolatlan lenne, ha az adatmennyiség csökkenne a termelésben.
Ezzel az új modullal az erőforrás-korlátok miatti munkafolyamat-hibák csaknem 80%-kal csökkentek. A fennmaradó néhány hiba főként az AWS-fiók korlátozásaiból és az automatikus méretezési folyamaton túli következményekből adódik. A Vericast legnagyobb nyeresége ezzel a megoldással az új ügyfelek és munkafolyamatok egyszerű bevonása. A Vericast arra számít, hogy legalább 60–70%-kal felgyorsítja a folyamatot, a végső számhoz még össze kell gyűjteni az adatokat.
Bár ezt a Vericast sikernek tekinti, ennek költsége is van. A modul jellege és a dinamikus skálázás egészének koncepciója alapján a munkafolyamatok körülbelül 30%-kal tovább tartanak (átlagos eset), mint a munkafolyamat minden egyes moduljához egyedileg hangolt fürttel rendelkező munkafolyamatok. A Vericast folytatja az optimalizálást ezen a területen, és minden ügyfélmodulhoz heurisztika-alapú erőforrás-inicializálással kívánja javítani a megoldást.
Sharmo Sarkar, a Vericast gépi tanulási platformjának vezető menedzsere azt mondja: „Miközben folyamatosan bővítjük az AWS és a SageMaker használatát, szerettem volna egy pillanatra kiemelni az AWS ügyfélszolgálati csapatunk, az elkötelezett AWS Solutions Architects hihetetlen munkáját. és az AWS professzionális szolgáltatások, amelyekkel együtt dolgozunk. Az AWS és a SageMaker alapos ismerete lehetővé tette számunkra, hogy olyan megoldást tervezzünk, amely minden igényünknek megfelel, és biztosítja számunkra a szükséges rugalmasságot és méretezhetőséget. Nagyon hálásak vagyunk, hogy ilyen tehetséges és hozzáértő támogató csapat áll az oldalunkon.”
Következtetés
Ebben a bejegyzésben megosztottuk, hogy a SageMaker és a SageMaker Processing hogyan tette lehetővé a Vericast számára, hogy felügyelt, hatékony és költséghatékony adatfeldolgozási keretrendszert építsen fel nagy adatmennyiségekhez. A SageMaker Processing teljesítményét és rugalmasságát más AWS-szolgáltatásokkal kombinálva könnyedén nyomon követhetik az általános szolgáltatástervezési folyamatot. Automatikusan felismerik a számítási, memóriahiányból és egyéb tényezőkből adódó lehetséges problémákat, és szükség szerint automatikusan végrehajtják a függőleges és vízszintes skálázást.
A SageMaker és eszközei segíthetik csapatát az ML céljainak elérésében is. Ha többet szeretne megtudni a SageMaker feldolgozásról és arról, hogyan segítheti az adatfeldolgozási munkaterhelést, tekintse meg a következőt Adatfeldolgozás. Ha még csak most kezdi használni az ML-t, és példákat és útmutatást keres, Amazon SageMaker JumpStart elindíthatja. A JumpStart egy ML hub, ahonnan hozzáférhet a beépített algoritmusokhoz előre betanított alapmodellekkel, amelyek segítenek olyan feladatok végrehajtásában, mint a cikkek összefoglalása és képgenerálás, valamint előre elkészített megoldások a gyakori használati esetek megoldására.
Végül, ha ez a bejegyzés segít, vagy inspirál egy probléma megoldásában, szívesen hallanánk róla! Kérjük, ossza meg észrevételeit és visszajelzését.
A szerzőkről
Anthony McClure az AWS SaaS Factory csapatának vezető partner megoldási építésze. Anthonyt emellett erősen érdekli a gépi tanulás és a mesterséges intelligencia, amely az AWS ML/AI Technical Field Community-vel együttműködve segíti ügyfeleit gépi tanulási megoldásaik megvalósításában.
Jyoti Sharma adattudományi mérnök a Vericast gépi tanulási platform csapatánál. Szenvedélyesen rajong az adattudomány minden aspektusáért, és egy rendkívül méretezhető és elosztott gépi tanulási platform tervezésére és megvalósítására összpontosít.
Sharmo Sarkar a Vericast vezető menedzsere. Ő vezeti a Vericast Cloud Machine Learning Platform és Marketing Platform ML K+F csoportját. Nagy tapasztalattal rendelkezik a Big Data Analytics, az elosztott számítástechnika és a természetes nyelvi feldolgozás területén. Munkán kívül szeret motorozni, túrázni és kerékpározni a hegyi ösvényeken.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 15%
- 7
- a
- Rólunk
- hozzáférés
- Eszerint
- Fiók
- Elérése
- Az aktiválás
- cselekmények
- hozzá
- hozzáadott
- hozzáadásával
- További
- megfelelő
- Után
- ellen
- AIDS
- célok
- riasztás
- algoritmus
- algoritmusok
- Minden termék
- kizárólag
- mentén
- már
- Is
- amazon
- Amazon SageMaker
- összeg
- an
- analitika
- és a
- Másik
- Anthony
- bármilyen
- api
- megfelelő
- építészet
- VANNAK
- TERÜLET
- körül
- cikkben
- mesterséges
- mesterséges intelligencia
- AS
- megjelenés
- szempontok
- kijelölt
- segít
- At
- auto
- automatizált
- automatikusan
- átlagos
- AWS
- AWS professzionális szolgáltatások
- bázis
- alapján
- BE
- mert
- válik
- óta
- hogy
- Előnyök
- BEST
- Túl
- Nagy
- Big adatok
- Legnagyobb
- fellendítésére
- mindkét
- Bringing
- épít
- Épület
- épült
- beépített
- üzleti
- de
- by
- számított
- hívás
- Kampány
- TUD
- Kaphat
- Rögzítése
- eset
- esetek
- Okoz
- okozó
- bizonyos
- kihívást
- Változások
- osztály
- osztályok
- besorolás
- vásárló
- kliens beszállás
- ügyfél részére
- felhő
- Fürt
- kód
- Oszlop
- kombináció
- kombinálása
- jön
- Hozzászólások
- Közös
- közösség
- vállalat
- teljes
- Befejezi
- bonyolultság
- bonyolult
- alkatrészek
- Veszélyeztetett
- Kiszámít
- számítástechnika
- koncepció
- fogalmak
- Configuration
- Fontolja
- figyelembe vett
- figyelembe véve
- úgy véli,
- korlátok
- tartalmaz
- Konténerek
- folytatódik
- tovább
- Költség
- költséghatékony
- tudott
- kupon
- teremt
- készítette
- teremtés
- kritériumok
- Kereszt
- Jelenlegi
- Jelenleg
- szokás
- vevő
- Ügyfelek
- dátum
- Adatelemzés
- Adatok előkészítése
- adatfeldolgozás
- adat-tudomány
- adattudós
- adatalapú
- adatkészletek
- dönt
- határozatok
- elszánt
- mély
- Delta
- Demográfiai
- függő
- bevetés
- leírt
- Design
- tervezett
- tervezés
- részlet
- részletek
- eltökélt
- Fejlesztés
- különböző
- eltérő
- Nehézség
- közvetlen
- Kedvezmény
- megvitatni
- megosztott
- elosztott számítástechnika
- hajtott
- gépkocsivezető
- két
- dinamikus
- dinamikusan
- minden
- Korábban
- könnyű
- könnyen
- bármelyik
- engedélyezve
- lehetővé teszi
- mérnök
- Mérnöki
- Mérnökök
- biztosítja
- Egész
- Környezet
- környezetek
- egyenlő
- Egyenértékű
- értékelni
- értékelő
- értékelés
- esemény
- események
- példa
- példák
- Kivéve
- létező
- Bontsa
- várható
- elvárja
- tapasztalat
- Feltárása
- kifejezések
- kiterjedt
- Átfogó tapasztalat
- tényezők
- gyár
- FAIL
- Kudarc
- Funkció
- Jellemzők
- Fed
- Visszacsatolás
- kevés
- mező
- utolsó
- véglegesített
- vezetéknév
- megfelelő
- Rugalmasság
- rugalmas
- összpontosított
- következő
- következik
- A
- formák
- Alapítvány
- Keretrendszer
- ból ből
- teljesen
- funkció
- funkciók
- Továbbá
- jövő
- gyűjtése
- általános
- generált
- generál
- generáció
- kap
- szerzés
- adott
- Go
- cél
- Célok
- Goes
- jó
- GPU
- hálás
- útmutatást
- kellett
- fogantyú
- megtörténik
- Legyen
- tekintettel
- he
- hall
- nehéz
- súlyemelés
- segít
- segít
- magas szinten
- jó minőségű
- Kiemel
- nagyon
- történelem
- Vízszintes
- vízszintesen
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- Kerékagy
- emberi
- gátfutás
- i
- azonosított
- if
- illusztrálja
- kép
- végre
- végrehajtás
- végrehajtási
- fontos
- javul
- in
- Más
- magában foglalja a
- Beleértve
- amely magában foglalja
- Növelje
- <p></p>
- hihetetlen
- egyéni
- Egyénileg
- információ
- Infrastruktúra
- kezdetben
- beavatottak
- példa
- hangszeres
- Intelligencia
- szándékozik
- kamat
- Felület
- belső
- beavatkozás
- bele
- részt
- kérdés
- kérdések
- IT
- ITS
- Munka
- Állások
- jpg
- éppen
- Kedves
- Ismer
- hiány
- nyelv
- nagy
- nagymértékben
- nagyobb
- a későbbiekben
- vezetékek
- TANUL
- tanulás
- legkevésbé
- könyvtár
- emelő
- korlátozás
- korlátozások
- határértékek
- Lista
- kis
- log
- fakitermelés
- logikus
- hosszabb
- keres
- veszít
- szerelem
- gép
- gépi tanulás
- fenntartása
- fenntartása
- fenntartja
- csinál
- KÉSZÍT
- Gyártás
- sikerült
- menedzser
- manipulált
- mód
- sok
- Marketing
- matematikai
- Lehet..
- Találkozik
- Memory design
- üzenet
- Metaadatok
- metrikus
- Metrics
- esetleg
- bánja
- minimális
- ML
- modell
- modellek
- Modulok
- Modulok
- pillanat
- monitor
- ellenőrizni
- ellenőrzés
- monitorok
- több
- a legtöbb
- többnyire
- hegy
- többszörös
- kell
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- Szükség
- szükséges
- igénylő
- igények
- Új
- csomópontok
- nevezetesen
- Értesítés..
- bejelentés
- értesítések
- Most
- szám
- célok
- megfigyelni
- of
- gyakran
- on
- Igény szerint
- Fedélzeti
- Beszállás
- ONE
- folyamatban lévő
- csak
- operátor
- optimálisan
- Optimalizálja
- optimalizált
- or
- eredeti
- Más
- mi
- ki
- Eredmény
- teljesítmény
- kívül
- felett
- átfogó
- Overcome
- áttekintés
- paraméterek
- rész
- különös
- partner
- Múló
- szenvedélyes
- Mintás
- százalék
- Teljesít
- teljesítmény
- talán
- időszakok
- perspektíva
- kép
- csővezeték
- Hely
- tervezett
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játszani
- játszik
- kérem
- plusz
- pont
- pont
- szegény
- lehetséges
- állás
- potenciális
- hatalom
- előrejelzésére
- előző
- valószínűleg
- Probléma
- problémák
- folyamat
- Feldolgozott
- feldolgozás
- gyárt
- Termékek
- Termelés
- szakmai
- ad
- feltéve,
- biztosít
- tesz
- világítás
- Quick
- gyorsabb
- K + F
- Inkább
- Nyers
- el
- Olvass
- kész
- Valóság
- ok
- nyilvántartások
- Meggyógyul
- felépülés
- Csökkent
- kifejezés
- összefüggő
- marad
- megmaradó
- jelentést
- kötelező
- követelmények
- forrás
- Tudástár
- Reagálni
- eredményez
- kapott
- erős
- Szerep
- nagyjából
- Szabály
- futás
- futás
- SaaS
- sagemaker
- azonos
- azt mondja,
- skálázhatóság
- skálázható
- Skála
- skálázás
- Méretezési megoldás
- forgatókönyvek
- Tudomány
- Tudós
- tudósok
- másodperc
- szakaszok
- kiválasztott
- kiválasztás
- küld
- küld
- idősebb
- Érzékenység
- különálló
- elválasztó
- szolgáltatás
- Szolgáltatások
- készlet
- Szettek
- számos
- Megosztás
- megosztott
- Sharma
- ő
- mutatott
- Műsorok
- oldal
- jelentős
- hasonló
- Egyszerű
- Méret
- So
- megoldások
- Megoldások
- SOLVE
- Hely
- különleges
- kifejezetten
- sebesség
- Centrifugálás
- állapota
- standard
- állványok
- kezdet
- kezdődött
- kezdődik
- Állami
- Állapot
- Lépés
- Lépései
- Még mindig
- megállt
- megállítás
- Leállítja
- tárolás
- árnyékolók
- Húr
- erős
- szerkesztett
- előfizetőknek
- siker
- sikeresen
- ilyen
- támogatás
- rendszer
- Systems
- táblázat
- szabott
- Vesz
- tart
- tehetséges
- Feladat
- feladatok
- csapat
- csapat
- Műszaki
- feltételek
- mint
- hogy
- A
- A jövő
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- Harmadik
- ezt
- azok
- három
- küszöb
- Keresztül
- idő
- alkalommal
- nak nek
- együtt
- szerszámok
- Végösszeg
- Vonat
- Képzések
- tranzakció
- tranzakció részletek
- Átalakítás
- Átalakítás
- transzformációk
- kiváltó
- váltott
- kettő
- típus
- tipikus
- alatt
- megértés
- egységek
- -ig
- frissítve
- us
- használható
- Használat
- használ
- használati eset
- használt
- segítségével
- érvényesítés
- érték
- különféle
- függőleges
- kötet
- kötetek
- vs
- kívánatos
- volt
- őrzés
- Út..
- we
- JÓL
- amikor
- ami
- WHO
- egész
- teljesen
- lesz
- nyer
- val vel
- belül
- Munka
- munkafolyamatok
- dolgozó
- művek
- rosszabb
- lenne
- írás
- még
- Hozam
- te
- A te
- zephyrnet