Posting ini ditulis bersama oleh Jyoti Sharma dan Sharmo Sarkar dari Vericast.
Untuk masalah pembelajaran mesin (ML) apa pun, ilmuwan data memulai dengan bekerja dengan data. Ini termasuk mengumpulkan, menjelajahi, dan memahami aspek bisnis dan teknis dari data, bersama dengan evaluasi manipulasi yang mungkin diperlukan untuk proses pembuatan model. Salah satu aspek dari persiapan data ini adalah rekayasa fitur.
Rekayasa fitur mengacu pada proses di mana variabel yang relevan diidentifikasi, dipilih, dan dimanipulasi untuk mengubah data mentah menjadi bentuk yang lebih bermanfaat dan dapat digunakan untuk digunakan dengan algoritme ML yang digunakan untuk melatih model dan melakukan inferensi terhadapnya. Tujuan dari proses ini adalah untuk meningkatkan kinerja algoritma dan model prediksi yang dihasilkan. Proses rekayasa fitur memerlukan beberapa tahapan, termasuk pembuatan fitur, transformasi data, ekstraksi fitur, dan pemilihan fitur.
Membangun platform untuk rekayasa fitur umum adalah tugas umum bagi pelanggan yang perlu menghasilkan banyak model ML dengan kumpulan data yang berbeda. Jenis platform ini mencakup pembuatan proses yang didorong oleh program untuk menghasilkan data rekayasa fitur final yang siap untuk pelatihan model dengan sedikit campur tangan manusia. Namun, menggeneralisasikan rekayasa fitur itu menantang. Setiap masalah bisnis berbeda, setiap dataset berbeda, volume data sangat bervariasi dari klien ke klien, dan kualitas data dan seringkali kardinalitas kolom tertentu (dalam kasus data terstruktur) mungkin memainkan peran penting dalam kompleksitas rekayasa fitur. proses. Selain itu, sifat dinamis dari data pelanggan juga dapat menghasilkan variasi waktu pemrosesan dan sumber daya yang besar yang diperlukan untuk menyelesaikan rekayasa fitur secara optimal.
pelanggan AWS Vericast adalah perusahaan solusi pemasaran yang membuat keputusan berdasarkan data untuk meningkatkan ROI pemasaran bagi kliennya. Platform Pembelajaran Mesin berbasis cloud internal Vericast, dibangun di sekitar proses CRISP-ML(Q), menggunakan berbagai layanan AWS, termasuk Amazon SageMaker, Pemrosesan SageMaker Amazon, AWS Lambda, dan Fungsi Langkah AWS, untuk menghasilkan model terbaik yang disesuaikan dengan data klien tertentu. Platform ini bertujuan untuk menangkap pengulangan langkah-langkah yang digunakan untuk membangun berbagai alur kerja ML dan menggabungkannya ke dalam modul alur kerja standar yang dapat digeneralisasikan dalam platform.
Dalam postingan ini, kami membagikan cara Vericast mengoptimalkan rekayasa fitur menggunakan Pemrosesan SageMaker.
Ikhtisar solusi
Platform Pembelajaran Mesin Vericast membantu penerapan model bisnis baru yang lebih cepat berdasarkan alur kerja yang ada atau aktivasi yang lebih cepat dari model yang ada untuk klien baru. Misalnya, model yang memprediksi kecenderungan surat langsung sangat berbeda dari model yang memprediksi sensitivitas kupon diskon pelanggan klien Vericast. Mereka memecahkan masalah bisnis yang berbeda dan karenanya memiliki skenario penggunaan yang berbeda dalam desain kampanye pemasaran. Namun dari sudut pandang ML, keduanya dapat ditafsirkan sebagai model klasifikasi biner, dan karenanya dapat berbagi banyak langkah umum dari perspektif alur kerja ML, termasuk penyetelan dan pelatihan model, evaluasi, interpretabilitas, penerapan, dan inferensi.
Karena model ini adalah masalah klasifikasi biner (dalam istilah ML), kami memisahkan pelanggan perusahaan menjadi dua kelas (biner): mereka yang akan merespons kampanye secara positif dan yang tidak. Selain itu, contoh ini dianggap sebagai klasifikasi yang tidak seimbang karena data yang digunakan untuk melatih model tidak akan berisi jumlah pelanggan yang sama yang akan dan tidak akan merespons dengan baik.
Pembuatan model yang sebenarnya seperti ini mengikuti pola umum yang ditunjukkan pada diagram berikut.
Sebagian besar proses ini sama untuk setiap klasifikasi biner kecuali untuk langkah rekayasa fitur. Ini mungkin langkah yang paling rumit namun terkadang diabaikan dalam prosesnya. Model ML sangat bergantung pada fitur yang digunakan untuk membuatnya.
Platform Pembelajaran Mesin cloud-native Vericast bertujuan untuk menggeneralisasi dan mengotomatiskan langkah-langkah rekayasa fitur untuk berbagai alur kerja ML dan mengoptimalkan kinerjanya pada metrik biaya vs. waktu dengan menggunakan fitur berikut:
- Pustaka rekayasa fitur platform โ Ini terdiri dari serangkaian transformasi yang terus berkembang yang telah diuji untuk menghasilkan fitur umum berkualitas tinggi berdasarkan konsep klien tertentu (misalnya, demografi pelanggan, detail produk, detail transaksi, dan sebagainya).
- Pengoptimal sumber daya yang cerdas โ Platform ini menggunakan kemampuan infrastruktur sesuai permintaan AWS untuk menjalankan jenis sumber daya pemrosesan yang paling optimal untuk pekerjaan rekayasa fitur tertentu berdasarkan kompleksitas langkah yang diharapkan dan jumlah data yang diperlukan untuk diaduk.
- Penskalaan dinamis dari pekerjaan rekayasa fitur โ Kombinasi dari berbagai layanan AWS digunakan untuk ini, terutama SageMaker Processing. Ini memastikan bahwa platform menghasilkan fitur berkualitas tinggi dengan biaya yang efisien dan tepat waktu.
Postingan ini berfokus pada poin ketiga dalam daftar ini dan menunjukkan cara mencapai penskalaan dinamis tugas Pemrosesan SageMaker untuk mencapai kerangka kerja pemrosesan data yang lebih terkelola, berperforma tinggi, dan hemat biaya untuk volume data besar.
Pemrosesan SageMaker mengaktifkan beban kerja yang menjalankan langkah-langkah untuk prapemrosesan atau pascapemrosesan data, rekayasa fitur, validasi data, dan evaluasi model di SageMaker. Ini juga menyediakan lingkungan yang terkelola dan menghilangkan kerumitan pengangkatan berat yang tidak dapat dibedakan yang diperlukan untuk mengatur dan memelihara infrastruktur yang diperlukan untuk menjalankan beban kerja. Selain itu, SageMaker Processing menyediakan antarmuka API untuk menjalankan, memantau, dan mengevaluasi beban kerja.
Menjalankan tugas Pemrosesan SageMaker berlangsung sepenuhnya dalam klaster SageMaker terkelola, dengan masing-masing tugas ditempatkan ke dalam wadah instans pada waktu proses. Kluster terkelola, instans, dan penampung melaporkan metrik ke amazoncloudwatch, termasuk penggunaan GPU, CPU, memori, memori GPU, metrik disk, dan pencatatan peristiwa.
Fitur-fitur ini memberikan manfaat bagi insinyur dan ilmuwan data Vericast dengan membantu pengembangan alur kerja prapemrosesan umum dan mengabstraksikan kesulitan mempertahankan lingkungan yang dihasilkan untuk menjalankannya. Namun, masalah teknis dapat muncul mengingat sifat dinamis dari data dan beragam fiturnya yang dapat dimasukkan ke dalam solusi umum tersebut. Sistem harus membuat tebakan awal yang berpendidikan tentang ukuran cluster dan instance yang menyusunnya. Dugaan ini perlu mengevaluasi kriteria data dan menyimpulkan persyaratan CPU, memori, dan disk. Tebakan ini mungkin sepenuhnya sesuai dan berfungsi secara memadai untuk pekerjaan itu, tetapi dalam kasus lain mungkin tidak. Untuk tugas dataset dan prapemrosesan tertentu, ukuran CPU mungkin terlalu kecil, menghasilkan kinerja pemrosesan yang maksimal dan waktu penyelesaian yang lama. Lebih buruk lagi, memori bisa menjadi masalah, mengakibatkan kinerja yang buruk atau kehabisan memori yang menyebabkan seluruh pekerjaan gagal.
Dengan mempertimbangkan rintangan teknis ini, Vericast mulai menciptakan solusi. Mereka harus tetap bersifat umum dan sesuai dengan gambaran yang lebih besar dari alur kerja preprocessing yang fleksibel dalam langkah-langkah yang terlibat. Penting juga untuk memecahkan kebutuhan potensial untuk meningkatkan lingkungan dalam kasus di mana kinerja dikompromikan dan untuk pulih dengan anggun dari peristiwa semacam itu atau ketika pekerjaan selesai sebelum waktunya karena alasan apa pun.
Solusi yang dibuat oleh Vericast untuk mengatasi masalah ini menggunakan beberapa layanan AWS yang bekerja sama untuk mencapai tujuan bisnis mereka. Itu dirancang untuk memulai ulang dan meningkatkan klaster Pemrosesan SageMaker berdasarkan metrik kinerja yang diamati menggunakan fungsi Lambda yang memantau pekerjaan. Agar tidak kehilangan pekerjaan saat terjadi peristiwa penskalaan atau untuk memulihkan dari pekerjaan yang tiba-tiba berhenti, layanan berbasis pos pemeriksaan diberlakukan yang menggunakan Amazon DynamoDB dan menyimpan data yang diproses sebagian di Layanan Penyimpanan Sederhana Amazon (Amazon S3) sebagai langkah selesai. Hasil akhirnya adalah solusi penskalaan otomatis, kuat, dan dipantau secara dinamis.
Diagram berikut menunjukkan ikhtisar tingkat tinggi tentang cara kerja sistem.
Pada bagian berikut, kami membahas komponen solusi secara lebih rinci.
Inisialisasi solusi
Sistem mengasumsikan bahwa proses terpisah memulai solusi. Sebaliknya, desain ini tidak dirancang untuk bekerja sendiri karena tidak akan menghasilkan artefak atau keluaran apa pun, melainkan berfungsi sebagai implementasi sidecar ke salah satu sistem yang menggunakan tugas Pemrosesan SageMaker. Dalam kasus Vericast, solusi dimulai melalui panggilan dari langkah Step Functions yang dimulai di modul lain dari sistem yang lebih besar.
Setelah solusi dimulai dan proses pertama dipicu, konfigurasi standar dasar dibaca dari tabel DynamoDB. Konfigurasi ini digunakan untuk mengatur parameter untuk tugas Pemrosesan SageMaker dan memiliki asumsi awal kebutuhan infrastruktur. Pekerjaan Pemrosesan SageMaker sekarang dimulai.
Memantau metadata dan output
Saat pekerjaan dimulai, fungsi Lambda menulis metadata pemrosesan pekerjaan (konfigurasi pekerjaan saat ini dan informasi log lainnya) ke dalam tabel log DynamoDB. Metadata dan informasi log ini menyimpan riwayat pekerjaan, konfigurasi awal dan yang sedang berlangsung, serta data penting lainnya.
Pada titik tertentu, saat langkah-langkah selesai dalam pekerjaan, data pos pemeriksaan ditambahkan ke tabel log DynamoDB. Data keluaran yang diproses dipindahkan ke Amazon S3 untuk pemulihan cepat jika diperlukan.
Fungsi Lambda ini juga mengatur Jembatan Acara Amazon aturan yang memantau pekerjaan yang sedang berjalan untuk statusnya. Secara khusus, aturan ini mengawasi pekerjaan untuk mengamati apakah status pekerjaan berubah menjadi stopping
atau berada di a stopped
negara. Aturan EventBridge ini berperan penting dalam memulai kembali pekerjaan jika terjadi kegagalan atau terjadi peristiwa penskalaan otomatis yang direncanakan.
Memantau metrik CloudWatch
Fungsi Lambda juga menyetel alarm CloudWatch berdasarkan ekspresi matematika metrik pada tugas pemrosesan, yang memantau metrik semua instans untuk penggunaan CPU, penggunaan memori, dan penggunaan disk. Jenis alarm (metrik) ini menggunakan ambang batas alarm CloudWatch. Alarm menghasilkan peristiwa berdasarkan nilai metrik atau ekspresi relatif terhadap ambang batas selama beberapa periode waktu.
Dalam kasus penggunaan Vericast, ekspresi ambang dirancang untuk mempertimbangkan instans driver dan eksekutor sebagai terpisah, dengan metrik dipantau secara individual untuk masing-masing. Dengan memisahkannya, Vericast tahu mana yang menyebabkan alarm. Ini penting untuk memutuskan bagaimana skala yang sesuai:
- Jika metrik pelaksana melewati ambang batas, ada baiknya untuk menskalakan secara horizontal
- Jika metrik driver melewati ambang batas, penskalaan secara horizontal mungkin tidak akan membantu, jadi kita harus menskalakan secara vertikal
Ekspresi metrik alarm
Vericast dapat mengakses metrik berikut dalam evaluasinya untuk penskalaan dan kegagalan:
- Pemanfaatan CPU โ Jumlah penggunaan masing-masing inti CPU individu
- Pemanfaatan Memori โ Persentase memori yang digunakan oleh container pada instans
- Pemanfaatan Disk โ Persentase ruang disk yang digunakan oleh kontainer pada instans
- Pemanfaatan GPU โ Persentase unit GPU yang digunakan oleh kontainer pada instans
- Pemanfaatan Memori GPU โ Persentase memori GPU yang digunakan oleh kontainer pada instans
Saat tulisan ini dibuat, Vericast hanya mempertimbangkan CPUUtilization
, MemoryUtilization
, dan DiskUtilization
. Di masa depan, mereka berniat untuk mempertimbangkan GPUUtilization
dan GPUMemoryUtilization
juga.
Kode berikut adalah contoh alarm CloudWatch berdasarkan ekspresi matematika metrik untuk penskalaan otomatis Vericast:
Ungkapan ini mengilustrasikan bahwa alarm CloudWatch sedang mempertimbangkan DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
, dan DiskUtilization (diskExec)
sebagai metrik pemantauan. Angka 80 pada ekspresi sebelumnya menunjukkan nilai ambang batas.
Di sini, IF((cpuDriver) > 80, 1, 0
menyiratkan bahwa jika penggunaan CPU driver melampaui 80%, 1 ditetapkan sebagai ambang lain 0. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
menyiratkan bahwa semua metrik dengan string memoryExec
di dalamnya dipertimbangkan dan rata-rata dihitung untuk itu. Jika persentase pemanfaatan memori rata-rata itu melampaui 80, 1 ditetapkan sebagai ambang lain 0.
Operator logika OR
digunakan dalam ekspresi untuk menyatukan semua penggunaan dalam ekspresiโjika salah satu penggunaan mencapai ambangnya, memicu alarm.
Untuk informasi selengkapnya tentang penggunaan alarm metrik CloudWatch berdasarkan ekspresi matematika metrik, lihat Membuat alarm CloudWatch berdasarkan ekspresi matematika metrik.
Batasan alarm CloudWatch
CloudWatch membatasi jumlah metrik per alarm menjadi 10. Hal ini dapat menyebabkan keterbatasan jika Anda perlu mempertimbangkan lebih banyak metrik dari ini.
Untuk mengatasi batasan ini, Vericast telah menyetel alarm berdasarkan ukuran cluster secara keseluruhan. Satu alarm dibuat per tiga instans (untuk tiga instans, akan ada satu alarm karena itu akan berjumlah hingga sembilan metrik). Dengan asumsi instans driver dipertimbangkan secara terpisah, alarm terpisah lainnya dibuat untuk instans driver. Oleh karena itu, jumlah total alarm yang dibuat kira-kira setara dengan sepertiga jumlah node pelaksana dan satu tambahan untuk instans driver. Dalam setiap kasus, jumlah metrik per alarm berada di bawah batasan 10 metrik.
Apa yang terjadi ketika dalam keadaan alarm
Jika ambang batas yang telah ditentukan terpenuhi, alarm berbunyi alarm
negara, yang menggunakan Layanan Pemberitahuan Sederhana Amazon (Amazon SNS) untuk mengirimkan notifikasi. Dalam hal ini, mengirimkan pemberitahuan email ke semua pelanggan dengan rincian tentang alarm dalam pesan.
Amazon SNS juga digunakan sebagai pemicu fungsi Lambda yang menghentikan tugas Pemrosesan SageMaker yang sedang berjalan karena kami tahu bahwa tugas tersebut mungkin akan gagal. Fungsi ini juga merekam log ke tabel log yang terkait dengan peristiwa tersebut.
Aturan EventBridge yang disiapkan saat pekerjaan dimulai akan melihat bahwa pekerjaan telah masuk ke a stopping
menyatakan beberapa detik kemudian. Aturan ini kemudian menjalankan kembali fungsi Lambda pertama untuk memulai ulang pekerjaan.
Proses penskalaan dinamis
Fungsi Lambda pertama setelah berjalan dua kali atau lebih akan mengetahui bahwa pekerjaan sebelumnya telah dimulai dan sekarang telah berhenti. Fungsi tersebut akan melalui proses serupa untuk mendapatkan konfigurasi dasar dari tugas aslinya di tabel log DynamoDB dan juga akan mengambil konfigurasi yang diperbarui dari tabel internal. Konfigurasi yang diperbarui ini adalah konfigurasi delta sumber daya yang diatur berdasarkan jenis penskalaan. Jenis penskalaan ditentukan dari metadata alarm seperti yang dijelaskan sebelumnya.
Konfigurasi asli ditambah delta sumber daya digunakan karena konfigurasi baru dan tugas Pemrosesan SageMaker baru dimulai dengan sumber daya yang ditingkatkan.
Proses ini berlanjut hingga pekerjaan berhasil diselesaikan dan dapat mengakibatkan beberapa kali dimulai ulang sesuai kebutuhan, menambahkan lebih banyak sumber daya setiap saat.
Hasil Vericast
Solusi penskalaan otomatis khusus ini berperan penting dalam membuat Platform Pembelajaran Mesin Vericast lebih kuat dan toleran terhadap kesalahan. Platform sekarang dapat menangani beban kerja volume data yang berbeda dengan anggun dengan campur tangan manusia yang minimal.
Sebelum mengimplementasikan solusi ini, memperkirakan kebutuhan sumber daya untuk semua modul berbasis Spark di dalam pipeline adalah salah satu hambatan terbesar dari proses orientasi klien baru. Alur kerja akan gagal jika volume data klien meningkat, atau biaya tidak dapat dibenarkan jika volume data menurun dalam produksi.
Dengan adanya modul baru ini, kegagalan alur kerja karena kendala sumber daya telah berkurang hampir 80%. Beberapa kegagalan yang tersisa sebagian besar disebabkan oleh kendala akun AWS dan di luar proses penskalaan otomatis. Kemenangan terbesar Vericast dengan solusi ini adalah kemudahan yang dapat mereka gunakan untuk bergabung dengan klien dan alur kerja baru. Vericast mengharapkan untuk mempercepat proses setidaknya 60-70%, dengan data masih harus dikumpulkan untuk jumlah akhir.
Meskipun ini dipandang sebagai kesuksesan oleh Vericast, ada biaya yang menyertainya. Berdasarkan sifat modul ini dan konsep penskalaan dinamis secara keseluruhan, alur kerja cenderung memakan waktu sekitar 30% lebih lama (kasus rata-rata) daripada alur kerja dengan kluster yang disetel khusus untuk setiap modul dalam alur kerja. Vericast terus mengoptimalkan di area ini, berupaya meningkatkan solusi dengan memasukkan inisialisasi sumber daya berbasis heuristik untuk setiap modul klien.
Sharmo Sarkar, Senior Manager, Machine Learning Platform di Vericast, berkata, โSementara kami terus memperluas penggunaan AWS dan SageMaker, saya ingin meluangkan waktu sejenak untuk menyoroti kerja luar biasa dari Tim Layanan Klien AWS kami, Arsitek Solusi AWS khusus, dan Layanan Profesional AWS yang bekerja sama dengan kami. Pemahaman mendalam mereka tentang AWS dan SageMaker memungkinkan kami merancang solusi yang memenuhi semua kebutuhan kami dan memberi kami fleksibilitas dan skalabilitas yang kami perlukan. Kami sangat bersyukur memiliki tim pendukung yang berbakat dan berpengetahuan luas di pihak kami.โ
Kesimpulan
Dalam postingan ini, kami membagikan bagaimana SageMaker dan SageMaker Processing memungkinkan Vericast membangun kerangka kerja pemrosesan data yang terkelola, berperforma tinggi, dan hemat biaya untuk volume data yang besar. Dengan menggabungkan kekuatan dan fleksibilitas Pemrosesan SageMaker dengan layanan AWS lainnya, mereka dapat dengan mudah memantau proses rekayasa fitur umum. Mereka dapat secara otomatis mendeteksi potensi masalah yang dihasilkan dari kurangnya komputasi, memori, dan faktor lainnya, serta secara otomatis menerapkan penskalaan vertikal dan horizontal sesuai kebutuhan.
SageMaker dan alatnya juga dapat membantu tim Anda mencapai sasaran ML-nya. Untuk mempelajari selengkapnya tentang Pemrosesan SageMaker dan bagaimana SageMaker dapat membantu beban kerja pemrosesan data Anda, lihat Data proses. Jika Anda baru memulai ML dan sedang mencari contoh dan panduan, Mulai Lompatan Amazon SageMaker dapat membantu Anda memulai. JumpStart adalah hub ML tempat Anda dapat mengakses algoritme bawaan dengan model dasar terlatih untuk membantu Anda melakukan tugas seperti peringkasan artikel dan pembuatan gambar serta solusi siap pakai untuk menyelesaikan kasus penggunaan umum.
Terakhir, jika postingan ini membantu Anda atau menginspirasi Anda untuk memecahkan masalah, kami akan sangat senang mendengarnya! Silakan bagikan komentar dan umpan balik Anda.
Tentang Penulis
Anthony McClure adalah Arsitek Solusi Mitra Senior dengan tim AWS SaaS Factory. Anthony juga memiliki minat yang kuat dalam pembelajaran mesin dan kecerdasan buatan bekerja sama dengan Komunitas Lapangan Teknis AWS ML/AI untuk membantu pelanggan mewujudkan solusi pembelajaran mesin mereka menjadi kenyataan.
Jyoti Sharma adalah Insinyur Ilmu Data dengan tim platform pembelajaran mesin di Vericast. Dia bersemangat tentang semua aspek ilmu data dan berfokus pada perancangan dan penerapan Platform Pembelajaran Mesin yang sangat skalabel dan terdistribusi.
Sharmo Sarkar adalah Manajer Senior di Vericast. Dia memimpin Platform Pembelajaran Mesin Cloud dan Tim Litbang ML Platform Pemasaran di Vericast. Dia memiliki pengalaman luas dalam Analisis Data Besar, Komputasi Terdistribusi, dan Pemrosesan Bahasa Alami. Di luar pekerjaan, dia menikmati bersepeda motor, hiking, dan bersepeda di jalur gunung.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPOยฎ. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 15%
- 7
- a
- Tentang Kami
- mengakses
- demikian
- Akun
- Mencapai
- Activation
- tindakan
- menambahkan
- menambahkan
- menambahkan
- Tambahan
- cukup
- Setelah
- terhadap
- bantu
- bertujuan
- alarm
- algoritma
- algoritma
- Semua
- sendirian
- sepanjang
- sudah
- juga
- Amazon
- Amazon SageMaker
- jumlah
- an
- analisis
- dan
- Lain
- Anthony
- Apa pun
- api
- sesuai
- arsitektur
- ADALAH
- DAERAH
- sekitar
- artikel
- buatan
- kecerdasan buatan
- AS
- penampilan
- aspek
- ditugaskan
- membantu
- At
- mobil
- mengotomatisasikan
- secara otomatis
- rata-rata
- AWS
- Layanan Profesional AWS
- mendasarkan
- berdasarkan
- BE
- karena
- menjadi
- menjadi
- makhluk
- Manfaat
- TERBAIK
- Luar
- Besar
- Big data
- Terbesar
- mendorong
- kedua
- Membawa
- membangun
- Bangunan
- dibangun di
- built-in
- bisnis
- tapi
- by
- dihitung
- panggilan
- Kampanye
- CAN
- Bisa Dapatkan
- Menangkap
- kasus
- kasus
- Menyebabkan
- menyebabkan
- tertentu
- menantang
- Perubahan
- kelas
- kelas-kelas
- klasifikasi
- klien
- orientasi klien
- klien
- awan
- Kelompok
- kode
- Kolom
- kombinasi
- menggabungkan
- datang
- komentar
- Umum
- masyarakat
- perusahaan
- lengkap
- Selesaikan
- kompleksitas
- rumit
- komponen
- Dikompromikan
- menghitung
- komputasi
- konsep
- konsep
- konfigurasi
- Mempertimbangkan
- dianggap
- mengingat
- menganggap
- kendala
- mengandung
- Wadah
- terus
- terus
- Biaya
- hemat biaya
- bisa
- kupon
- membuat
- dibuat
- penciptaan
- kriteria
- Cross
- terbaru
- Sekarang
- adat
- pelanggan
- pelanggan
- data
- Data Analytics
- Persiapan data
- pengolahan data
- ilmu data
- ilmuwan data
- Data-driven
- kumpulan data
- memutuskan
- keputusan
- dedicated
- mendalam
- Delta
- Demografi
- tergantung
- penyebaran
- dijelaskan
- Mendesain
- dirancang
- merancang
- rinci
- rincian
- ditentukan
- Pengembangan
- berbeda
- berbeda
- Kesulitan
- langsung
- Diskon
- membahas
- didistribusikan
- komputasi terdistribusi
- didorong
- pengemudi
- dua
- dinamis
- dinamis
- setiap
- Terdahulu
- memudahkan
- mudah
- antara
- diaktifkan
- memungkinkan
- insinyur
- Teknik
- Insinyur
- Memastikan
- Seluruh
- Lingkungan Hidup
- lingkungan
- sama
- Setara
- mengevaluasi
- mengevaluasi
- evaluasi
- Acara
- peristiwa
- contoh
- contoh
- Kecuali
- ada
- Lihat lebih lanjut
- diharapkan
- mengharapkan
- pengalaman
- Menjelajahi
- ekspresi
- luas
- Pengalaman yang luas
- faktor
- pabrik
- GAGAL
- Kegagalan
- Fitur
- Fitur
- Fed
- umpan balik
- beberapa
- bidang
- terakhir
- selesai
- Pertama
- cocok
- keluwesan
- fleksibel
- terfokus
- berikut
- berikut
- Untuk
- bentuk
- Prinsip Dasar
- Kerangka
- dari
- sepenuhnya
- fungsi
- fungsi
- Selanjutnya
- masa depan
- pertemuan
- Umum
- dihasilkan
- menghasilkan
- generasi
- mendapatkan
- mendapatkan
- diberikan
- Go
- tujuan
- Anda
- Pergi
- baik
- GPU
- berterimakasih
- bimbingan
- memiliki
- menangani
- Terjadi
- Memiliki
- memiliki
- he
- mendengar
- berat
- angkat berat
- membantu
- membantu
- tingkat tinggi
- berkualitas tinggi
- Menyoroti
- sangat
- sejarah
- Horisontal
- secara horizontal
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- Pusat
- manusia
- Lari gawang
- i
- diidentifikasi
- if
- menggambarkan
- gambar
- melaksanakan
- implementasi
- mengimplementasikan
- penting
- memperbaiki
- in
- Di lain
- termasuk
- Termasuk
- menggabungkan
- Meningkatkan
- Pada meningkat
- luar biasa
- sendiri-sendiri
- Secara individual
- informasi
- Infrastruktur
- mulanya
- Inisiat
- contoh
- instrumental
- Intelijen
- berniat
- bunga
- Antarmuka
- intern
- intervensi
- ke
- terlibat
- isu
- masalah
- IT
- NYA
- Pekerjaan
- Jobs
- jpg
- hanya
- Jenis
- Tahu
- Kekurangan
- bahasa
- besar
- sebagian besar
- lebih besar
- kemudian
- Memimpin
- BELAJAR
- pengetahuan
- paling sedikit
- Perpustakaan
- pengangkatan
- pembatasan
- keterbatasan
- batas
- Daftar
- sedikit
- mencatat
- penebangan
- logis
- lagi
- mencari
- kehilangan
- cinta
- mesin
- Mesin belajar
- memelihara
- mempertahankan
- mempertahankan
- membuat
- MEMBUAT
- Membuat
- berhasil
- manajer
- dimanipulasi
- cara
- banyak
- Marketing
- matematika
- Mungkin..
- Pelajari
- Memori
- pesan
- Metadata
- metrik
- Metrik
- mungkin
- keberatan
- minimal
- ML
- model
- model
- Modul
- Modul
- saat
- Memantau
- dipantau
- pemantauan
- monitor
- lebih
- paling
- kebanyakan
- Gunung
- beberapa
- harus
- Alam
- Pengolahan Bahasa alami
- Alam
- Perlu
- dibutuhkan
- membutuhkan
- kebutuhan
- New
- node
- terutama
- Melihat..
- pemberitahuan
- pemberitahuan
- sekarang
- jumlah
- target
- mengamati
- of
- sering
- on
- Sesuai Permintaan
- Di atas kapal
- Onboarding
- ONE
- terus-menerus
- hanya
- operator
- optimal
- Optimize
- dioptimalkan
- or
- asli
- Lainnya
- kami
- di luar
- Hasil
- keluaran
- di luar
- lebih
- secara keseluruhan
- Mengatasi
- ikhtisar
- parameter
- bagian
- tertentu
- pasangan
- Lewat
- bergairah
- pola
- persentase
- Melakukan
- prestasi
- mungkin
- periode
- perspektif
- gambar
- pipa saluran
- Tempat
- berencana
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Bermain
- memainkan
- silahkan
- plus
- Titik
- poin
- miskin
- mungkin
- Pos
- potensi
- kekuasaan
- memprediksi
- sebelumnya
- mungkin
- Masalah
- masalah
- proses
- Diproses
- pengolahan
- menghasilkan
- Produk
- Produksi
- profesional
- memberikan
- disediakan
- menyediakan
- menempatkan
- kualitas
- Cepat
- lebih cepat
- R & D
- agak
- Mentah
- mencapai
- Baca
- siap
- Kenyataan
- alasan
- arsip
- Memulihkan
- pemulihan
- mengurangi
- mengacu
- terkait
- relevan
- tinggal
- yang tersisa
- melaporkan
- wajib
- Persyaratan
- sumber
- Sumber
- Menanggapi
- mengakibatkan
- dihasilkan
- kuat
- Peran
- kira-kira
- Aturan
- Run
- berjalan
- SaaS
- pembuat bijak
- sama
- mengatakan
- Skalabilitas
- terukur
- Skala
- skala
- Solusi Penskalaan
- skenario
- Ilmu
- ilmuwan
- ilmuwan
- detik
- bagian
- terpilih
- seleksi
- mengirim
- mengirimkan
- senior
- Kepekaan
- terpisah
- memisahkan
- layanan
- Layanan
- set
- set
- beberapa
- Share
- berbagi
- Sharma
- dia
- ditunjukkan
- Pertunjukkan
- sisi
- penting
- mirip
- Sederhana
- Ukuran
- So
- larutan
- Solusi
- MEMECAHKAN
- Space
- tertentu
- Secara khusus
- kecepatan
- Berputar
- magang
- standar
- berdiri
- awal
- mulai
- dimulai
- Negara
- Status
- Langkah
- Tangga
- Masih
- terhenti
- henti
- Berhenti
- penyimpanan
- toko
- Tali
- kuat
- tersusun
- pelanggan
- sukses
- berhasil
- seperti itu
- mendukung
- sistem
- sistem
- tabel
- disesuaikan
- Mengambil
- Dibutuhkan
- berbakat
- tugas
- tugas
- tim
- tim
- Teknis
- istilah
- dari
- bahwa
- Grafik
- Masa depan
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- Ketiga
- ini
- itu
- tiga
- ambang
- Melalui
- waktu
- kali
- untuk
- bersama
- alat
- Total
- Pelatihan VE
- Pelatihan
- .
- Detil transaksi
- Mengubah
- Transformasi
- transformasi
- memicu
- dipicu
- dua
- mengetik
- khas
- bawah
- pemahaman
- unit
- sampai
- diperbarui
- us
- dapat digunakan
- penggunaan
- menggunakan
- gunakan case
- bekas
- menggunakan
- pengesahan
- nilai
- berbagai
- vertikal
- volume
- volume
- vs
- ingin
- adalah
- menonton
- Cara..
- we
- BAIK
- ketika
- yang
- SIAPA
- seluruh
- sepenuhnya
- akan
- menang
- dengan
- dalam
- Kerja
- Alur kerja
- kerja
- bekerja
- lebih buruk
- akan
- penulisan
- namun
- Menghasilkan
- Kamu
- Anda
- zephyrnet.dll