Posting ini menyajikan dan membandingkan opsi dan praktik yang direkomendasikan tentang cara mengelola paket Python dan lingkungan virtual Studio Amazon SageMaker buku catatan. Publik GitHub repo memberikan contoh langsung untuk masing-masing pendekatan yang disajikan.
Amazon SageMaker Studio adalah lingkungan pengembangan terintegrasi (IDE) berbasis web untuk pembelajaran mesin (ML) yang memungkinkan Anda membangun, melatih, men-debug, menerapkan, dan memantau model ML Anda. Studio menyediakan semua alat yang Anda perlukan untuk mengambil model Anda dari persiapan data hingga eksperimen hingga produksi sambil meningkatkan produktivitas Anda.
Buku catatan studio adalah notebook Jupyter kolaboratif yang dapat Anda luncurkan dengan cepat karena Anda tidak perlu menyiapkan instans komputasi dan penyimpanan file sebelumnya. Saat Anda membuka buku catatan di Studio, Anda diminta untuk menyiapkan lingkungan dengan memilih gambar SageMaker, kernel, jenis instans, dan, secara opsional, skrip konfigurasi siklus hidup yang berjalan pada permulaan gambar.
Untuk detail lebih lanjut tentang konsep notebook Studio dan aspek arsitektur lainnya, lihat Selami jauh ke dalam arsitektur Notebook Amazon SageMaker Studio.
Notebook studio dirancang untuk mendukung Anda dalam semua fase pengembangan ML, misalnya, pembuatan ide, eksperimen, dan operasionalisasi alur kerja ML. Studio dilengkapi dengan pre-built gambar yang termasuk terbaru SDK Python Amazon SageMaker dan, bergantung pada jenis gambar, paket dan sumber daya khusus lainnya, seperti perpustakaan kerangka kerja Spark, MXNet, atau PyTorch, dan dependensi yang diperlukan. Setiap gambar dapat menampung satu atau beberapa kernel, yang dapat berupa lingkungan virtual yang berbeda untuk pengembangan.
Untuk memastikan kesesuaian terbaik untuk proses dan fase pengembangan Anda, akses ke kerangka kerja ML spesifik atau terbaru, atau untuk memenuhi akses data dan persyaratan tata kelola, Anda dapat menyesuaikan lingkungan notebook bawaan atau membuat lingkungan baru menggunakan gambar dan kernel Anda sendiri.
Posting ini mempertimbangkan pendekatan berikut untuk menyesuaikan lingkungan Studio dengan mengelola paket dan membuat lingkungan virtual Python di notebook Studio:
- Gunakan gambar aplikasi Studio KernelGateway khusus
- Gunakan konfigurasi siklus hidup notebook Studio
- Gunakan Studio Sistem File Amazon Elastis (Amazon EFS) untuk mempertahankan lingkungan Conda
- penggunaan
pip install
Aplikasi Studio KernelGateway dan kernel notebook
Salah satu perbedaan utama arsitektur notebook Studio dibandingkan dengan Instance notebook SageMaker apakah kernel notebook Studio berjalan dalam wadah Docker, yang disebut a Wadah gambar SageMaker, daripada dihosting langsung di Cloud komputasi elastis Amazon (Amazon EC2), yang sama dengan instans notebook SageMaker.
Diagram berikut menampilkan hubungan antara KernelGateway, kernel notebook, dan gambar SageMaker. (Untuk informasi lebih lanjut, lihat Gunakan Notebook Amazon SageMaker Studio.)
Karena perbedaan ini, ada beberapa hal spesifik tentang cara Anda membuat dan mengelola lingkungan virtual di notebook Studio, misalnya penggunaan lingkungan Conda atau kegigihan lingkungan pengembangan ML di antara kernel yang dimulai ulang.
Bagian berikut menjelaskan masing-masing dari empat pendekatan penyesuaian lingkungan secara mendetail, memberikan contoh langsung, dan merekomendasikan kasus penggunaan untuk setiap opsi.
Prasyarat
Untuk memulai dengan contoh dan mencoba pendekatan penyesuaian sendiri, Anda memerlukan domain SageMaker yang aktif dan setidaknya satu profil pengguna di domain tersebut. Jika Anda tidak memiliki domain, lihat petunjuk di Masuk ke Domain Amazon SageMaker.
Gambar aplikasi kustom Studio KernelGateway
Gambar aplikasi Studio KernelGateway adalah wadah Docker yang mengidentifikasi kernel, paket bahasa, dan dependensi lain yang diperlukan untuk menjalankan notebook Jupyter di Studio. Anda menggunakan gambar ini untuk membuat lingkungan tempat Anda menjalankan notebook Jupyter. Studio menyediakan banyak gambar bawaan untuk Anda gunakan.
Jika Anda memerlukan fungsionalitas yang berbeda, kerangka kerja khusus, atau paket pustaka, Anda dapat membawa gambar kustom Anda sendiri (BYOI) ke Studio.
Anda dapat membuat gambar aplikasi dan versi gambar, melampirkan versi gambar ke domain Anda, dan menyediakan aplikasi untuk semua pengguna domain atau untuk profil pengguna tertentu. Anda dapat mengelola gambar aplikasi melalui konsol SageMaker, the SDK AWS untuk Python (Boto3), dan Antarmuka Baris Perintah AWS (AWS CLI). Gambar khusus perlu disimpan dalam file Registry Kontainer Elastis Amazon (Amazon ECR) repositori.
Manfaat utama dari pendekatan ini adalah kontrol versi tingkat tinggi dan reproduktifitas lingkungan runtime ML dan ketersediaan segera paket library karena diinstal dalam image. Anda dapat menerapkan pengujian komprehensif, tata kelola, pagar pembatas keamanan, dan otomatisasi CI/CD untuk menghasilkan gambar aplikasi kustom. Memiliki snapshot lingkungan pengembangan memfasilitasi dan menegakkan pagar pembatas dan praktik keamanan organisasi Anda.
yang disediakan buku catatan mengimplementasikan proses pembuatan gambar aplikasi untuk lingkungan berbasis Conda. Notebook ini mendemonstrasikan bagaimana Anda dapat membuat gambar multi-lingkungan sehingga pengguna aplikasi dapat memilih kernel yang dapat digunakan untuk menjalankan notebook mereka.
Konfigurasikan gambar aplikasi khusus
Anda harus menjalankan notebook ini sebagai instance notebook SageMaker untuk mengizinkan penggunaan Docker secara lokal dan menjalankan perintah Docker di notebook. Atau untuk menggunakan instans notebook atau skrip shell, Anda dapat menggunakan Studio Gambar Membangun CLI untuk bekerja dengan Docker di Studio. Studio Image Build CLI memungkinkan Anda membuat gambar Docker yang kompatibel dengan SageMaker langsung dari lingkungan Studio Anda dengan menggunakan Pembuatan Kode AWS.
Jika Anda tidak memiliki instans notebook SageMaker, ikuti petunjuk di Buat Instans Notebook Amazon SageMaker untuk memulai.
Anda juga harus memastikan bahwa peran eksekusi yang Anda gunakan untuk instans notebook memiliki izin yang diperlukan untuk operasi domain Amazon ECR dan SageMaker:
Untuk membuat image kustom dengan dua kernel, masing-masing dengan lingkungan virtual Conda sendiri, notebook mengimplementasikan langkah-langkah berikut:
- Tentukan lingkungan Conda. Lingkungan Conda harus menginstal paket kernel Jupyter, misalnya,
ipykernel
untuk kernel Python. - Tentukan Dockerfile. Pertimbangkan gambar SageMaker khusus spesifikasi saat membuat gambar Anda sendiri.
- Bangun gambar Docker yang kompatibel dengan Studio dan dorong gambar ke dalam repositori ECR.
- Membuat gambar SageMaker dengan gambar Docker dari repositori ECR dan buat versi gambar awal. Setiap kali Anda memperbarui gambar di Amazon ECR, versi gambar baru harus dibuat.
- Perbarui domain SageMaker yang ada untuk menggunakan gambar ini. Untuk operasi ini, peran eksekusi membutuhkan
UpdateDomain
izin. Gambar segera tersedia untuk semua profil pengguna domain. Jika Anda ingin membuat gambar hanya tersedia untuk profil pengguna tertentu, Anda dapat menggunakanUpdateUserProfile
panggilan API sebagai gantinyaUpdateDomain
. - Launch gambar khusus di Studio. Mulai buku catatan baru dan pilih gambar baru pada menu tarik-turun pemilihan gambar.
Studio secara otomatis mengenali lingkungan Conda di gambar Anda sebagai kernel yang sesuai di menu drop-down pemilihan kernel di Siapkan lingkungan notebook widget.
Lihat ini buku catatan sampel untuk lebih banyak contoh dan kasus penggunaan pada penerapan gambar aplikasi khusus.
Membersihkan
Untuk menghindari biaya, Anda harus menghentikan instans notebook SageMaker yang aktif. Untuk instruksi, lihat Membersihkan.
Terapkan proses pembuatan gambar otomatis
Seperti yang telah disebutkan, Anda dapat menggunakan Studio Gambar Membangun CLI untuk mengimplementasikan proses CI/CD otomatis dari pembuatan dan penerapan gambar aplikasi dengan CodeBuild dan CLI sm-docker. Ini mengabstraksi pengaturan lingkungan build Docker Anda dengan secara otomatis mengatur layanan dasar dan alur kerja yang diperlukan untuk membangun image Docker.
Kasus penggunaan yang direkomendasikan
Pendekatan gambar aplikasi kustom cocok untuk skenario berikut saat menggunakan lingkungan notebook Studio:
- Lingkungan yang stabil dan terkendali untuk produksi atau penggunaan pengembangan yang sensitif
- Lingkungan tanpa akses internet, tempat Anda ingin mengemas sebelumnya semua sumber daya dan pustaka yang diperlukan ke dalam gambar
- Rasio penggunaan ulang lingkungan yang tinggi dan laju perubahan lingkungan yang rendah
- Skala tinggi operasi ilmu data, lusinan atau ratusan pengembang atau tim yang membutuhkan akses ke lingkungan kustom standar
- Gunakan pustaka yang tidak dapat dikonfigurasi pada image pihak pertama SageMaker
- Persyaratan untuk menggunakan gambar khusus untuk OS yang berbeda atau bahasa pemrograman yang berbeda
- Tata kelola terpusat dan pengembangan lingkungan menggunakan pipeline CI/CD otomatis
Keterbatasan pendekatan ini
Pendekatan ini memerlukan proses pembuatan gambar multi-langkah termasuk pengujian, yang mungkin berlebihan untuk lingkungan yang lebih kecil atau sangat dinamis. Selanjutnya, pertimbangkan batasan pendekatan berikut ini:
- Upaya awal diperlukan untuk menambahkan paket baru atau membuat versi baru dari suatu gambar. Sebagai mitigasi, Anda dapat menyesuaikan gambar khusus yang ada dengan pip, meskipun tidak persisten.
- Melampirkan gambar kustom baru atau menambahkan versi baru ke domain memerlukan
UpdateDomain
izin, yang biasanya tidak dilampirkan ke peran eksekusi profil pengguna. Sebaiknya gunakan pipeline otomatis dengan peran eksekusi khusus untuk melakukan operasi ini atau berikan izin untuk memperbarui domain ke pengguna atau peran admin khusus. - Diperlukan upaya manual yang tinggi untuk pembuatan gambar. Sebaiknya terapkan pipeline otomatis jika Anda sering membuat dan memperbarui gambar kustom.
- Jika Anda menggunakan lingkungan Conda, Anda mungkin mengalami masalah di lingkungan Docker. Sebagai contoh, lihat Mengaktifkan lingkungan Conda di Dockerfile Anda. Tidak semua perintah Conda dapat berfungsi di lingkungan virtual notebook. Namun, pendekatan penyesuaian Studio ini tidak terbatas pada lingkungan berbasis Conda.
- Anda tidak dapat beralih secara manual di antara lingkungan Conda di notebook; Anda harus mengganti kernel di widget pengaturan lingkungan notebook.
Pertimbangkan juga bahwa ada default kuota dari 30 gambar khusus per domain dan 5 gambar per profil pengguna. Ini adalah batas lunak dan dapat ditingkatkan.
Bagian selanjutnya menjelaskan pendekatan yang lebih ringan yang mungkin lebih cocok untuk kasus penggunaan lainnya.
Konfigurasi siklus hidup notebook studio
studio konfigurasi siklus hidup tentukan skrip shell yang berjalan pada setiap restart aplikasi gateway kernel dan dapat menginstal paket yang diperlukan. Manfaat utamanya adalah ilmuwan data dapat memilih skrip mana yang akan dijalankan untuk menyesuaikan wadah dengan paket baru. Opsi ini tidak memerlukan pembangunan kembali wadah dan dalam kebanyakan kasus tidak memerlukan gambar khusus sama sekali karena Anda dapat menyesuaikan yang sudah dibangun sebelumnya.
Siapkan proses konfigurasi siklus hidup
Proses ini membutuhkan waktu sekitar 5 menit untuk selesai. Postingan tersebut menunjukkan cara menggunakan konfigurasi siklus hidup melalui konsol SageMaker. Yang disediakan buku catatan menunjukkan bagaimana menerapkan pemrograman yang sama menggunakan Boto3.
- Di konsol SageMaker, pilih Konfigurasi siklus hidup di panel navigasi.
- pada studio tab, pilih Buat konfigurasi.
Langkah pertama untuk membuat konfigurasi siklus hidup adalah memilih jenisnya.
- Untuk kasus penggunaan menginstal dependensi ini setiap kali aplikasi gateway kernel Jupyter dibuat, pilih Aplikasi gerbang kernel Jupyter Dan pilihlah Selanjutnya.
- Untuk Nama, masukkan nama untuk konfigurasi.
- Dalam majalah Script bagian, tentukan skrip yang akan dijalankan ketika kernel dimulai. Untuk contoh ini, pustaka PyArrow akan diinstal dengan skrip berikut:
- Pilih Buat Konfigurasi.
Setelah konfigurasi dibuat, konfigurasi harus dilampirkan ke domain atau profil pengguna. Saat dilampirkan ke domain, semua profil pengguna di domain tersebut mewarisinya, sedangkan saat dilampirkan ke profil pengguna, itu dicakup ke profil spesifik tersebut. Untuk panduan ini, kami menggunakan rute domain Studio.
- Pilih Domain di panel navigasi dan buka domain Anda yang sudah ada.
- pada Lingkungan Hidup tab, di Konfigurasi siklus proses untuk aplikasi Studio pribadi bagian, pilih Melampirkan.
- Untuk sumber, pilih Konfigurasi yang ada.
- Pilih konfigurasi siklus hidup yang Anda buat dan pilih Lampirkan ke domain.
Sekarang setelah semua konfigurasi selesai, saatnya menguji skrip di dalam Studio.
- Luncurkan Studio dan di peluncur tab, temukan Notebook dan sumber daya komputasi bagian, dan pilih Ubah lingkungan untuk memilih konfigurasi siklus hidup yang Anda buat.
- Untuk Skrip pemula, pilih konfigurasi siklus hidup yang Anda buat, lalu pilih Pilih.
- Pilih Buat buku catatan.
Anda juga dapat menyetel konfigurasi Lifecycle untuk dijalankan secara default di Konfigurasi siklus proses untuk aplikasi Studio pribadi bagian dari Domain .
Di dalam notebook baru, dependensi yang terinstal di skrip startup akan tersedia.
Kasus penggunaan yang direkomendasikan
Pendekatan ini ringan tetapi juga kuat karena memungkinkan Anda untuk mengontrol pengaturan lingkungan notebook Anda melalui skrip shell. Kasus penggunaan yang paling sesuai dengan pendekatan ini adalah sebagai berikut:
- Mengintegrasikan penginstalan paket dalam konfigurasi siklus hidup notebook yang harus dijalankan pada setiap kernel dimulai.
- Lingkungan tanpa akses internet. Gunakan konfigurasi siklus hidup untuk menyiapkan lingkungan untuk mengakses artefak lokal atau keamanan dan repositori paket, seperti Artefak Kode AWS.
- Jika Anda sudah menggunakan konfigurasi siklus hidup, Anda dapat memperluasnya untuk menyertakan penginstalan paket.
- Pemasangan beberapa paket tambahan di atas image aplikasi bawaan atau kustom.
- Saat Anda membutuhkan waktu yang lebih singkat untuk memasarkan dibandingkan dengan gambar aplikasi kustom.
Keterbatasan pendekatan ini
Keterbatasan utama adalah upaya yang tinggi untuk mengelola skrip konfigurasi siklus hidup dalam skala besar dan instalasi paket yang lambat. Bergantung pada berapa banyak paket yang diinstal dan seberapa besar mereka, skrip siklus hidup bahkan mungkin kehabisan waktu. Ada juga opsi terbatas untuk penyesuaian skrip ad hoc oleh pengguna, seperti ilmuwan data atau insinyur ML, karena izin peran eksekusi profil pengguna.
Lihat Contoh Konfigurasi Siklus Hidup SageMaker Studio untuk lebih banyak sampel dan kasus penggunaan.
Pertahankan lingkungan Conda ke volume Studio EFS
Domain SageMaker dan Studio menggunakan volume EFS sebagai lapisan penyimpanan persisten. Anda dapat menyimpan lingkungan Conda Anda di volume EFS ini. Lingkungan ini terus-menerus antara kernel, aplikasi, atau restart Studio. Studio secara otomatis mengambil semua lingkungan sebagai kernel KernelGateway.
Ini adalah proses langsung bagi ilmuwan data, tetapi ada penundaan 1 menit agar lingkungan muncul dalam daftar kernel yang dapat dipilih. Mungkin juga ada masalah dengan penggunaan lingkungan untuk aplikasi gerbang kernel yang memiliki persyaratan komputasi berbeda, misalnya lingkungan berbasis CPU pada aplikasi berbasis GPU.
Lihat Lingkungan Conda khusus di SageMaker Studio untuk instruksi terperinci. Repo GitHub pos juga berisi a buku catatan dengan panduan langkah demi langkah.
Buat lingkungan Conda yang persisten pada volume Studio EFS
Panduan ini akan memakan waktu sekitar 10 menit.
- Di Studio, pilih Beranda di panel navigasi.
- Pilih Buka Peluncur.
- Di dalam Peluncur, temukan Notebook dan sumber daya komputasi bagian.
- Periksa apakah gambar SageMaker yang dipilih adalah gambar kernel pihak pertama yang didukung oleh Conda seperti "Ilmu Data".
- Pilih Buka terminal gambar untuk membuka jendela terminal dengan kernel baru.
Sebuah pesan menampilkan mengatakan "Memulai terminal gambar ..." dan setelah beberapa saat, terminal baru akan terbuka di tab baru.
- Di dalam terminal, jalankan perintah berikut:
Perintah-perintah ini akan memakan waktu sekitar 3 menit untuk dijalankan dan akan membuat direktori pada volume EFS untuk menyimpan lingkungan Conda, membuat lingkungan Conda baru dan mengaktifkannya, menginstal ipykernel
dependensi (tanpa ketergantungan ini, solusi ini tidak akan berfungsi), dan terakhir buat file konfigurasi Conda (.condarc
), yang berisi referensi ke direktori lingkungan Conda yang baru. Karena ini adalah lingkungan Conda baru, tidak ada ketergantungan tambahan yang dipasang. Untuk menginstal dependensi lain, Anda dapat memodifikasi conda install
baris atau tunggu perintah berikut untuk menyelesaikan dan menginstal dependensi tambahan apa pun saat berada di dalam lingkungan Conda.
- Untuk contoh ini, kami menginstal pustaka NumPy dengan menjalankan perintah berikut di jendela terminal:
Sekarang setelah lingkungan Conda dibuat dan dependensi diinstal, Anda dapat membuat notebook yang menggunakan lingkungan Conda ini untuk bertahan di Amazon EFS.
- Di Peluncur Studio, pilih Buat buku catatan.
- Dari notebook baru, pilih kernel โPython 3 (Data Science)โ.
- Untuk Inti, pilih lingkungan Conda yang baru dibuat, lalu pilih Pilih.
Jika pada awalnya tidak ada opsi untuk lingkungan Conda yang baru, hal ini mungkin karena perlu waktu beberapa menit untuk menyebarkannya.
Kembali ke dalam notebook, nama kernel akan berubah di sudut kanan atas, dan di dalam sel Anda dapat menguji apakah dependensi yang diinstal tersedia.
Kasus penggunaan yang direkomendasikan
Kasus penggunaan berikut paling cocok untuk pendekatan ini:
- Lingkungan tanpa akses internet, dengan semua dependensi yang telah diinstal sebelumnya di lingkungan Conda yang bertahan
- Lingkungan ad hoc yang membutuhkan kegigihan di antara sesi kernel
- Pengujian gambar SageMaker khusus di Studio sebelum membuat gambar Docker dan mendorong ke Amazon ECR
Keterbatasan pendekatan ini
Meskipun pendekatan ini memiliki kegunaan praktis, pertimbangkan keterbatasan berikut:
- Mungkin ada masalah kinerja dengan Amazon EFS pada banyak file kecil, yang sangat umum terjadi saat mengelola paket Python.
- Mungkin sulit untuk berbagi lingkungan persisten di antara profil pengguna Studio.
- Mungkin menantang untuk menggunakan kembali lingkungan yang persisten.
- Mungkin menantang untuk menangani manajemen dalam skala besar.
- Pendekatan ini hanya berfungsi dengan gambar SageMaker pihak pertama berbasis Conda tertentu, misalnya "Ilmu Data", "Ilmu Data 2.0", dan "Ilmu Data 3.0". Untuk daftar semua gambar yang tersedia, lihat Tersedia Gambar Amazon SageMaker.
Pemasangan pip
Anda dapat menginstal paket langsung ke lingkungan Conda default atau lingkungan Python default.
Membuat setup.py
or requirements.txt
file dengan semua dependensi yang diperlukan dan jalankan %pip install .-r requirement.txt
. Anda harus menjalankan perintah ini setiap kali Anda me-restart kernel atau membuat ulang aplikasi.
Pendekatan ini direkomendasikan untuk eksperimen ad hoc karena lingkungan ini tidak persisten.
Untuk detail lebih lanjut tentang menggunakan pip install
perintah dan batasan, lihat Instal Pustaka dan Kernel Eksternal di Amazon SageMaker Studio.
Kasus penggunaan yang direkomendasikan
Pendekatan ini adalah cara standar untuk menginstal paket untuk menyesuaikan lingkungan notebook Anda. Kasus penggunaan yang disarankan terbatas pada penggunaan non-produksi untuk eksperimen ad hoc di notebook:
- Eksperimen ad hoc di notebook Studio
- Lingkungan non-produktif dan non-sensitif, lingkungan kotak pasir
- Lingkungan dengan akses internet
Keterbatasan pendekatan ini
Keterbatasan utama dari pendekatan ini adalah:
- Beberapa lingkungan perusahaan memblokir semua koneksi internet keluar dan masuk dan Anda tidak dapat menggunakannya
pip install
untuk menarik paket Python atau perlu mengonfigurasi mode offline - Reproduksibilitas lingkungan yang lebih rendah
- Perlu menunggu hingga paket diunduh dan diinstal
- Tidak ada persistensi antara gambar dimulai ulang
Kesimpulan
SageMaker Studio menawarkan berbagai kemungkinan penyesuaian lingkungan pengembangan. Setiap peran pengguna seperti ilmuwan data; insinyur ML, MLOps, atau DevOps; dan seorang administrator dapat memilih pendekatan yang paling sesuai berdasarkan kebutuhan mereka, tempat dalam siklus pengembangan, dan batasan perusahaan.
Tabel berikut meringkas pendekatan yang disajikan bersama dengan kasus penggunaan yang disukai dan keterbatasan utamanya.
Pendekatan | Ketekunan | Kasus Penggunaan Paling Sesuai | keterbatasan |
Bawa gambarmu sendiri | Permanen, dapat ditransfer antara profil pengguna dan domain |
|
|
Konfigurasi siklus hidup | Permanen, dapat ditransfer antara profil pengguna dan domain |
|
|
Lingkungan Conda pada volume Studio EFS | Permanen, tidak dapat dialihkan antara profil atau domain pengguna |
|
|
Pemasangan pip | Sementara, tidak ada persistensi antara gambar atau Studio dimulai ulang, tidak dapat ditransfer antara profil atau domain pengguna |
|
|
Ini masih Hari 1. Lingkungan virtual dunia nyata dan manajemen Python jauh lebih kompleks daripada keempat pendekatan ini, tetapi postingan ini membantu Anda dengan langkah pertama untuk mengembangkan kasus penggunaan Anda sendiri.
Anda dapat menemukan lebih banyak kasus penggunaan, detail, dan contoh langsung di referensi berikut:
Tentang penulis
Evgeniy Ilyin adalah Arsitek Solusi di Amazon Web Services (AWS). Dia memiliki lebih dari 20 tahun pengalaman bekerja di semua tingkat pengembangan perangkat lunak dan arsitektur solusi dan telah menggunakan bahasa pemrograman dari COBOL dan Assembler hingga .NET, Java, dan Python. Dia mengembangkan dan membuat kode solusi cloud native dengan fokus pada big data, analitik, dan rekayasa data.
Alex Grace adalah Arsitek Solusi di Amazon Web Services (AWS) yang menangani Fintech Digital Native Businesses. Berbasis di London, Alex bekerja dengan beberapa Fintech terkemuka di Inggris Raya dan senang mendukung penggunaan AWS mereka untuk memecahkan masalah bisnis dan mendorong pertumbuhan di masa depan. Sebelumnya, Alex telah bekerja sebagai pengembang perangkat lunak dan pemimpin teknologi di perusahaan rintisan Fintech di London dan baru-baru ini mengkhususkan diri pada solusi pembelajaran mesin AWS.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/
- :adalah
- $NAIK
- 1
- 10
- 100
- 11
- 20 tahun
- 7
- 8
- a
- Tentang Kami
- abstrak
- mengakses
- Akun
- Tindakan
- aktif
- Ad
- Tambahan
- alamat
- admin
- Setelah
- alex
- Semua
- memungkinkan
- sudah
- Amazon
- Amazon EC2
- Amazon SageMaker
- Studio Amazon SageMaker
- Amazon Web Services
- Layanan Web Amazon (AWS)
- analisis
- dan
- api
- aplikasi
- muncul
- Aplikasi
- pendekatan
- pendekatan
- aplikasi
- arsitektur
- ADALAH
- sekitar
- AS
- aspek
- At
- melampirkan
- menulis
- Otomatis
- secara otomatis
- Otomatisasi
- tersedianya
- tersedia
- AWS
- berdasarkan
- BE
- karena
- sebelum
- manfaat
- Manfaat
- TERBAIK
- Lebih baik
- antara
- Besar
- Big data
- Memblokir
- meningkatkan
- membawa
- luas
- membangun
- Bangunan
- built-in
- bisnis
- bisnis
- by
- panggilan
- bernama
- CAN
- kasus
- kasus
- tantangan
- menantang
- Perubahan
- beban
- Pilih
- memilih
- awan
- COBOL
- kolaboratif
- Umum
- dibandingkan
- cocok
- lengkap
- kompleks
- luas
- menghitung
- konsep
- konfigurasi
- Koneksi
- Mempertimbangkan
- menganggap
- konsul
- Wadah
- mengandung
- kontrol
- dikendalikan
- kontrol
- Sudut
- Sesuai
- bisa
- membuat
- dibuat
- membuat
- penciptaan
- adat
- kustomisasi
- menyesuaikan
- siklus
- data
- akses data
- Persiapan data
- ilmu data
- ilmuwan data
- hari
- dedicated
- mendalam
- Default
- menunda
- menunjukkan
- Ketergantungan
- Tergantung
- menyebarkan
- penyebaran
- menggambarkan
- dirancang
- rinci
- terperinci
- rincian
- Pengembang
- pengembang
- berkembang
- Pengembangan
- mengembangkan
- perbedaan
- perbedaan
- berbeda
- digital
- langsung
- menampilkan
- Buruh pelabuhan
- Tidak
- domain
- domain
- Dont
- Download
- puluhan
- dinamis
- setiap
- efek
- usaha
- insinyur
- Teknik
- Insinyur
- memastikan
- Enter
- Enterprise
- Lingkungan Hidup
- lingkungan
- Bahkan
- Setiap
- contoh
- contoh
- eksekusi
- ada
- pengalaman
- Menjelaskan
- memperpanjang
- luar
- memfasilitasi
- beberapa
- File
- File
- Akhirnya
- Menemukan
- menyelesaikan
- fintech
- startup fintech
- fintechs
- Pertama
- langkah pertama
- cocok
- Fokus
- mengikuti
- berikut
- Untuk
- Kerangka
- kerangka
- sering
- dari
- Bahan bakar
- fungsi
- Selanjutnya
- masa depan
- pertumbuhan masa depan
- pintu gerbang
- mendapatkan
- GitHub
- Memberikan
- Keemasan
- baik
- pemerintahan
- Pertumbuhan
- membimbing
- hands-on
- Memiliki
- memiliki
- membantu
- High
- tuan rumah
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- Ratusan
- mengidentifikasi
- gambar
- gambar
- Segera
- segera
- melaksanakan
- implementasi
- mengimplementasikan
- mengimplementasikan
- mengimpor
- in
- memasukkan
- Termasuk
- Pada meningkat
- informasi
- mulanya
- install
- diinstal
- Instalasi
- contoh
- sebagai gantinya
- instruksi
- terpadu
- Internet
- Akses internet
- terlibat
- masalah
- IT
- Jawa
- jpg
- bahasa
- Bahasa
- besar
- Terbaru
- jalankan
- lapisan
- memimpin
- terkemuka
- pengetahuan
- Lets
- Tingkat
- adalah ide yang bagus
- perpustakaan
- Perpustakaan
- siklus hidup
- ringan
- MEMBATASI
- keterbatasan
- Terbatas
- batas
- baris
- Daftar
- lokal
- lokal
- London
- Panjang
- TERLIHAT
- Rendah
- mesin
- Mesin belajar
- Utama
- membuat
- mengelola
- berhasil
- pengelolaan
- pelaksana
- panduan
- manual
- banyak
- Pasar
- tersebut
- menu
- pesan
- mungkin
- menit
- mitigasi
- ML
- MLOps
- model
- memodifikasi
- Waktu
- Memantau
- lebih
- paling
- beberapa
- nama
- asli
- Navigasi
- perlu
- Perlu
- kebutuhan
- bersih
- New
- berikutnya
- biasanya
- buku catatan
- mati rasa
- of
- Penawaran
- Pengunjung
- on
- ONE
- Buka
- operasi
- Operasi
- pilihan
- Opsi
- OS
- Lainnya
- sendiri
- paket
- paket
- halaman
- pane
- parameter
- Melakukan
- prestasi
- izin
- Izin
- ketekunan
- pribadi
- Pilihan
- pipa saluran
- Tempat
- plato
- Kecerdasan Data Plato
- Data Plato
- mungkin
- Pos
- kuat
- Praktis
- praktek
- disukai
- disajikan
- hadiah
- sebelumnya
- masalah
- proses
- pengolahan
- menghasilkan
- Produksi
- produktifitas
- Profil
- profil
- Pemrograman
- bahasa pemrograman
- memberikan
- disediakan
- menyediakan
- publik
- Dorong
- Mendorong
- Ular sanca
- pytorch
- segera
- jarak
- Penilaian
- agak
- perbandingan
- dunia nyata
- baru-baru ini
- mengakui
- sarankan
- direkomendasikan
- hubungan
- gudang
- membutuhkan
- wajib
- kebutuhan
- Persyaratan
- membutuhkan
- sumber
- Sumber
- Peran
- Rute
- Run
- berjalan
- pembuat bijak
- sama
- bak pasir
- Save
- Skala
- skenario
- Ilmu
- ilmuwan
- ilmuwan
- script
- SDK
- Bagian
- bagian
- keamanan
- terpilih
- seleksi
- peka
- Layanan
- set
- pengaturan
- penyiapan
- Share
- Kulit
- harus
- Pertunjukkan
- tunggal
- lambat
- kecil
- lebih kecil
- So
- Lunak
- Perangkat lunak
- pengembangan perangkat lunak
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- percikan
- mengkhususkan diri
- tertentu
- stabil
- standar
- awal
- mulai
- dimulai
- startup
- Startups
- Pernyataan
- Langkah
- Tangga
- Masih
- berhenti
- penyimpanan
- menyimpan
- tersimpan
- mudah
- studio
- seperti itu
- cocok
- mendukung
- pendukung
- Beralih
- tabel
- Mengambil
- Dibutuhkan
- tim
- tech
- terminal
- uji
- tes
- bahwa
- Grafik
- mereka
- Mereka
- Ini
- waktu
- untuk
- alat
- puncak
- Pelatihan VE
- Pelatihan
- pokok
- Memperbarui
- penggunaan
- menggunakan
- gunakan case
- Pengguna
- Pengguna
- versi
- melalui
- maya
- volume
- menunggu
- walkthrough
- Cara..
- jaringan
- layanan web
- berbasis web
- yang
- sementara
- SIAPA
- akan
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- kerja
- bekerja
- tahun
- Kamu
- Anda
- zephyrnet.dll