Ini adalah posting kedua dari seri empat bagian yang merinci caranya Grup NatWest, sebuah lembaga jasa keuangan utama, bermitra dengan Layanan Profesional AWS untuk membangun platform operasi pembelajaran mesin (MLOps) baru. Dalam posting ini, kami membagikan bagaimana NatWest Group menggunakan AWS untuk mengaktifkan penerapan layanan mandiri dari platform MLOps yang terstandarisasi, aman, dan sesuai dengan menggunakan Katalog Layanan AWS dan Amazon SageMaker. Hal ini telah menyebabkan pengurangan jumlah waktu yang dibutuhkan untuk menyediakan lingkungan baru dari beberapa hari menjadi hanya beberapa jam.
Kami percaya bahwa pembuat keputusan dapat mengambil manfaat dari konten ini. CTO, CDAO, ilmuwan data senior, dan insinyur cloud senior dapat mengikuti pola ini untuk memberikan solusi inovatif bagi tim teknik dan ilmu data mereka.
Baca keseluruhan seri:
|
Teknologi di NatWest Group
NatWest Group adalah bank hubungan untuk dunia digital yang menyediakan layanan keuangan kepada lebih dari 19 juta pelanggan di seluruh Inggris. Grup memiliki portofolio teknologi yang beragam, di mana solusi untuk tantangan bisnis sering kali disampaikan menggunakan desain yang dipesan lebih dahulu dan dengan jadwal yang panjang.
Baru-baru ini, NatWest Group mengadopsi strategi cloud-first, yang memungkinkan perusahaan menggunakan layanan terkelola untuk menyediakan sumber daya komputasi dan penyimpanan berdasarkan permintaan. Langkah ini telah menghasilkan peningkatan stabilitas, skalabilitas, dan kinerja solusi bisnis secara keseluruhan, sekaligus mengurangi biaya dan mempercepat irama pengiriman. Selain itu, pindah ke cloud memungkinkan NatWest Group untuk menyederhanakan tumpukan teknologinya dengan menerapkan serangkaian desain solusi yang konsisten, dapat diulang, dan telah disetujui sebelumnya untuk memenuhi persyaratan peraturan dan beroperasi dengan cara yang terkendali.
Tantangan
Tahap percontohan mengadopsi pendekatan cloud-first melibatkan beberapa fase eksperimen dan evaluasi yang memanfaatkan berbagai macam layanan analitik di AWS. Iterasi pertama platform cloud NatWest Group untuk beban kerja ilmu data menghadapi tantangan dengan penyediaan lingkungan cloud yang konsisten, aman, dan sesuai. Proses menciptakan lingkungan baru berlangsung dari beberapa hari hingga berminggu-minggu atau bahkan berbulan-bulan. Ketergantungan pada tim platform pusat untuk membangun, menyediakan, mengamankan, menyebarkan, dan mengelola infrastruktur dan sumber data menyulitkan tim baru untuk bekerja di cloud.
Karena perbedaan dalam konfigurasi infrastruktur di seluruh akun AWS, tim yang memutuskan untuk memigrasikan beban kerja mereka ke cloud harus melalui proses kepatuhan yang rumit. Setiap komponen infrastruktur harus dianalisis secara terpisah, yang meningkatkan jadwal audit keamanan.
Memulai pengembangan di AWS melibatkan membaca serangkaian panduan dokumentasi yang ditulis oleh tim platform. Langkah-langkah pengaturan lingkungan awal termasuk mengelola kunci publik dan pribadi untuk otentikasi, mengonfigurasi koneksi ke layanan jarak jauh menggunakan Antarmuka Baris Perintah AWS (AWS CLI) atau SDK dari lingkungan pengembangan lokal, dan menjalankan skrip khusus untuk menautkan IDE lokal ke layanan cloud. Tantangan teknis sering membuat sulit untuk bergabung dengan anggota tim baru. Setelah lingkungan pengembangan dikonfigurasi, rute untuk merilis perangkat lunak dalam produksi juga kompleks dan panjang.
Seperti yang dijelaskan di Bagian 1 dari seri ini, tim proyek gabungan mengumpulkan sejumlah besar umpan balik tentang pengalaman pengguna dan persyaratan dari tim di seluruh NatWest Group sebelum membangun ilmu data baru dan platform MLOps. Tema umum dalam umpan balik ini adalah kebutuhan akan otomatisasi dan standarisasi sebagai pendahulu untuk pengiriman proyek yang cepat dan efisien di AWS. Platform baru menggunakan layanan terkelola AWS untuk mengoptimalkan biaya, mengurangi upaya konfigurasi platform, dan mengurangi jejak karbon dari menjalankan tugas komputasi besar yang tidak perlu. Standardisasi tertanam di jantung platform, dengan komponen infrastruktur yang telah disetujui sebelumnya, dikonfigurasikan sepenuhnya, aman, sesuai, dan dapat digunakan kembali yang dapat dibagikan di antara tim data dan analitik.
Mengapa SageMaker Studio?
Tim memilih Studio Amazon SageMaker sebagai alat utama untuk membangun dan men-deploy pipeline ML. Studio menyediakan antarmuka berbasis web tunggal yang memberi pengguna akses lengkap, kontrol, dan visibilitas ke setiap langkah yang diperlukan untuk membangun, melatih, dan menerapkan model. Kematangan Studio IDE (lingkungan pengembangan terintegrasi) untuk pengembangan model, pelacakan metadata, manajemen artefak, dan penerapan adalah beberapa fitur yang sangat menarik bagi tim NatWest Group.
Ilmuwan data di NatWest Group bekerja dengan notebook SageMaker di dalam Studio selama tahap awal pengembangan model untuk melakukan analisis data, perselisihan data, dan rekayasa fitur. Setelah pengguna puas dengan hasil pekerjaan awal ini, kode dengan mudah diubah menjadi fungsi yang dapat dikomposisi untuk transformasi data, pelatihan model, inferensi, logging, dan pengujian unit sehingga dalam status siap produksi.
Tahap selanjutnya dari siklus hidup pengembangan model melibatkan penggunaan Pipa Amazon SageMaker, yang dapat diperiksa dan dipantau secara visual di Studio. Pipeline divisualisasikan dalam DAG (Directed Acyclic Graph) yang mengkodekan langkah-langkah berdasarkan statusnya saat pipeline berjalan. Selain itu, ringkasan Log Amazon CloudWatch ditampilkan di sebelah DAG untuk memfasilitasi debugging langkah-langkah yang gagal. Ilmuwan data dilengkapi dengan template kode yang terdiri dari semua langkah dasar dalam saluran SageMaker. Ini menyediakan kerangka kerja standar (konsisten di semua pengguna platform untuk memudahkan kolaborasi dan berbagi pengetahuan) di mana pengembang dapat menambahkan logika dipesan lebih dahulu dan kode aplikasi yang khusus untuk tantangan bisnis yang mereka selesaikan.
Pengembang menjalankan pipeline dalam Studio IDE untuk memastikan perubahan kode mereka terintegrasi dengan benar dengan langkah pipeline lainnya. Setelah perubahan kode ditinjau dan disetujui, pipeline ini dibangun dan dijalankan secara otomatis berdasarkan pemicu cabang repositori Git utama. Selama pelatihan model, metrik evaluasi model disimpan dan dilacak dalam Eksperimen SageMaker, yang dapat digunakan untuk penyetelan hyperparameter. Setelah model dilatih, artefak model disimpan di Registri model SageMaker, bersama dengan metadata yang terkait dengan container model, data yang digunakan selama pelatihan, fitur model, dan kode model. Registri model memainkan peran kunci dalam proses penyebaran model karena ia mengemas semua informasi model dan memungkinkan otomatisasi promosi model ke lingkungan produksi.
Insinyur MLOps menyebarkan terkelola Pekerjaan transformasi batch SageMaker, yang skalanya untuk memenuhi tuntutan beban kerja. Pekerjaan inferensi batch offline dan model online yang disajikan melalui titik akhir menggunakan fungsi inferensi terkelola SageMaker. Ini menguntungkan tim platform dan aplikasi bisnis karena teknisi platform tidak lagi menghabiskan waktu mengonfigurasi komponen infrastruktur untuk inferensi model, dan tim aplikasi bisnis tidak menulis kode boilerplate tambahan untuk menyiapkan dan berinteraksi dengan instans komputasi.
Mengapa Katalog Layanan AWS?
Tim memilih AWS Service Catalog untuk membuat katalog template infrastruktur yang aman, sesuai, dan telah disetujui sebelumnya. Komponen infrastruktur dalam produk Katalog Layanan AWS telah dikonfigurasikan sebelumnya untuk memenuhi persyaratan keamanan NatWest Group. Manajemen akses peran, kebijakan sumber daya, konfigurasi jaringan, dan kebijakan kontrol pusat dikonfigurasi untuk setiap sumber daya yang dikemas dalam produk Katalog Layanan AWS. Produk diversi dan dibagikan dengan tim aplikasi dengan mengikuti proses standar yang memungkinkan tim ilmu data dan teknik untuk melayani sendiri dan menerapkan infrastruktur segera setelah mendapatkan akses ke akun AWS mereka.
Tim pengembangan platform dapat dengan mudah mengembangkan produk Katalog Layanan AWS dari waktu ke waktu untuk memungkinkan penerapan fitur baru berdasarkan kebutuhan bisnis. Perubahan berulang pada produk dilakukan dengan bantuan versi produk Katalog Layanan AWS. Saat versi produk baru dirilis, tim platform menggabungkan perubahan kode ke cabang Git utama dan menambah versi produk Katalog Layanan AWS. Ada tingkat otonomi dan fleksibilitas dalam memperbarui infrastruktur karena akun aplikasi bisnis dapat menggunakan versi produk yang lebih lama sebelum mereka bermigrasi ke versi terbaru.
Ikhtisar solusi
Diagram arsitektur tingkat tinggi berikut menunjukkan bagaimana kasus penggunaan aplikasi bisnis biasa diterapkan di AWS. Bagian berikut membahas lebih detail mengenai arsitektur akun, bagaimana infrastruktur diterapkan, manajemen akses pengguna, dan bagaimana berbagai layanan AWS digunakan untuk membangun solusi ML.
Seperti yang ditunjukkan dalam diagram arsitektur, akun mengikuti model hub and spoke. Akun platform bersama berfungsi sebagai akun hub, di mana sumber daya yang dibutuhkan oleh akun tim aplikasi bisnis (spoke) dihosting oleh tim platform. Sumber daya ini termasuk yang berikut:
- Pustaka produk infrastruktur standar yang aman yang digunakan untuk penerapan infrastruktur swalayan, dihosting oleh Katalog Layanan AWS
- Gambar buruh pelabuhan, disimpan di Registry Kontainer Elastis Amazon (Amazon ECR), yang digunakan selama menjalankan langkah-langkah pipeline SageMaker dan inferensi model
- Artefak Kode AWS repositori, yang menghosting paket Python yang telah disetujui sebelumnya
Sumber daya ini secara otomatis dibagikan dengan akun bicara melalui fitur berbagi dan impor portofolio Katalog Layanan AWS, dan Identitas AWS dan Manajemen Akses (IAM) kebijakan kepercayaan dalam hal Amazon ECR dan CodeArtifact.
Setiap tim aplikasi bisnis disediakan tiga akun AWS di lingkungan infrastruktur NatWest Group: pengembangan, pra-produksi, dan produksi. Nama lingkungan mengacu pada peran akun yang dimaksudkan dalam siklus hidup pengembangan ilmu data. Akun pengembangan digunakan untuk melakukan analisis dan perselisihan data, menulis kode model dan model pipa, melatih model, dan memicu penerapan model ke lingkungan pra-produksi dan produksi melalui SageMaker Studio. Akun pra-produksi mencerminkan penyiapan akun produksi dan digunakan untuk menguji penerapan model dan tugas transformasi batch sebelum dirilis ke produksi. Akun produksi menghosting model dan menjalankan beban kerja inferensi produksi.
Manajemen pengguna
NatWest Group memiliki proses tata kelola yang ketat untuk menegakkan pemisahan peran pengguna. Lima peran IAM terpisah telah dibuat untuk setiap persona pengguna.
Tim platform menggunakan peran berikut:
- Insinyur dukungan platform โ Peran ini berisi izin untuk tugas bisnis seperti biasa dan tampilan hanya baca dari lingkungan lainnya untuk memantau dan men-debug platform.
- Insinyur perbaikan platform โ Peran ini telah dibuat dengan izin yang lebih tinggi. Ini digunakan jika ada masalah dengan platform yang memerlukan intervensi manual. Peran ini hanya dilakukan dengan cara yang disetujui dan dibatasi waktu.
Tim pengembangan aplikasi bisnis memiliki tiga peran berbeda:
- Pimpinan teknis โ Peran ini diberikan kepada pemimpin tim aplikasi, seringkali ilmuwan data senior. Pengguna ini memiliki izin untuk menerapkan dan mengelola produk Katalog Layanan AWS, memicu rilis ke dalam produksi, dan meninjau status lingkungan, seperti Pipa Kode AWS status dan log. Peran ini tidak memiliki izin untuk menyetujui model di registri model SageMaker.
- Pengembang โ Peran ini diberikan kepada semua anggota tim yang bekerja dengan SageMaker Studio, yang mencakup insinyur, ilmuwan data, dan sering kali pemimpin tim. Peran ini memiliki izin untuk membuka Studio, menulis kode, dan menjalankan serta men-deploy pipeline SageMaker. Seperti pimpinan teknis, peran ini tidak memiliki izin untuk menyetujui model di registri model.
- Pemberi persetujuan model โ Peran ini memiliki izin terbatas terkait dengan melihat, menyetujui, dan menolak model dalam model registry. Alasan pemisahan ini adalah untuk mencegah pengguna yang dapat membuat dan melatih model agar tidak menyetujui dan merilis model mereka sendiri ke lingkungan yang ditingkatkan.
Profil pengguna Studio terpisah dibuat untuk pengembang dan pemberi persetujuan model. Solusinya menggunakan kombinasi pernyataan kebijakan IAM dan tag profil pengguna SageMaker sehingga pengguna hanya diizinkan untuk membuka profil pengguna yang cocok dengan jenis pengguna mereka. Ini memastikan bahwa pengguna diberi peran IAM eksekusi SageMaker yang benar (dan oleh karena itu izin) saat mereka membuka Studio IDE.
Penerapan layanan mandiri dengan Katalog Layanan AWS
Pengguna akhir menggunakan Katalog Layanan AWS untuk menerapkan produk infrastruktur ilmu data, seperti berikut ini:
- Lingkungan Studio
- Profil pengguna studio
- Pipa penyebaran model
- Jalur pipa pelatihan
- Pipa inferensi
- Sebuah sistem untuk memantau dan memperingatkan
Pengguna akhir menyebarkan produk ini secara langsung melalui UI Katalog Layanan AWS, yang berarti ketergantungan pada tim platform pusat terhadap lingkungan penyediaan berkurang. Ini telah sangat mengurangi waktu yang dibutuhkan pengguna untuk mendapatkan akses ke lingkungan cloud baru, dari beberapa hari menjadi hanya beberapa jam, yang pada akhirnya menghasilkan peningkatan waktu-ke-nilai yang signifikan. Penggunaan rangkaian produk AWS Service Catalog yang umum mendukung konsistensi dalam proyek di seluruh perusahaan dan menurunkan hambatan untuk kolaborasi dan penggunaan kembali.
Karena semua infrastruktur ilmu data sekarang disebarkan melalui katalog produk infrastruktur yang dikembangkan secara terpusat, perhatian telah diambil untuk membangun setiap produk ini dengan mempertimbangkan keamanan. Layanan telah dikonfigurasi untuk berkomunikasi dalam Cloud Pribadi Virtual Amazon (Amazon VPC) sehingga lalu lintas tidak melintasi internet publik. Data dienkripsi saat transit dan saat istirahat menggunakan Layanan Manajemen Kunci AWS (AWS KMS). Peran IAM juga telah diatur untuk mengikuti prinsip hak istimewa terkecil.
Terakhir, dengan AWS Service Catalog, mudah bagi tim platform untuk terus merilis produk dan layanan baru saat tersedia atau dibutuhkan oleh tim aplikasi bisnis. Ini dapat berupa produk infrastruktur baru, misalnya menyediakan kemampuan bagi pengguna akhir untuk menerapkan milik mereka sendiri Amazon ESDM cluster, atau pembaruan untuk produk infrastruktur yang ada. Karena Katalog Layanan AWS mendukung pembuatan versi produk dan menggunakan Formasi AWS Cloud di balik layar, pemutakhiran di tempat dapat digunakan ketika versi baru dari produk yang ada dirilis. Hal ini memungkinkan tim platform untuk fokus membangun dan meningkatkan produk, daripada mengembangkan proses peningkatan yang kompleks.
Integrasi dengan perangkat lunak IaC NatWest yang ada
Katalog Layanan AWS digunakan untuk penerapan infrastruktur ilmu data swalayan. Selain itu, alat infrastruktur standar sebagai kode (IaC) NatWest, Terraform, digunakan untuk membangun infrastruktur di akun AWS. Terraform digunakan oleh tim platform selama proses penyiapan akun awal untuk menerapkan sumber daya infrastruktur prasyarat seperti VPC, grup keamanan, Manajer Sistem AWS parameter, kunci KMS, dan kontrol keamanan standar. Infrastruktur di akun hub, seperti portofolio Katalog Layanan AWS dan sumber daya yang digunakan untuk membuat image Docker, juga ditentukan menggunakan Terraform. Namun, produk Katalog Layanan AWS itu sendiri dibuat menggunakan template CloudFormation standar.
Meningkatkan produktivitas pengembang dan kualitas kode dengan proyek SageMaker
Proyek SageMaker memberikan pengembang dan ilmuwan data akses ke proyek mulai cepat tanpa meninggalkan SageMaker Studio. Proyek mulai cepat ini memungkinkan Anda untuk menerapkan beberapa sumber daya infrastruktur secara bersamaan hanya dalam beberapa klik. Ini termasuk repositori Git yang berisi templat proyek standar untuk tipe model yang dipilih, Layanan Penyimpanan Sederhana Amazon Bucket (Amazon S3) untuk menyimpan data, model dan artefak bersambung, serta pelatihan model dan pipeline CodePipeline inferensi.
Pengenalan arsitektur dan alat berbasis kode standar sekarang memudahkan para ilmuwan dan insinyur data untuk berpindah antar proyek dan memastikan kualitas kode tetap tinggi. Misalnya, praktik terbaik rekayasa perangkat lunak seperti pemeriksaan linting dan pemformatan (dijalankan sebagai pemeriksaan otomatis dan kait pra-komit), pengujian unit, dan laporan cakupan kini diotomatiskan sebagai bagian dari alur pelatihan, memberikan standarisasi di semua proyek. Ini telah meningkatkan kemampuan pemeliharaan proyek ML dan akan mempermudah pemindahan proyek ini ke dalam produksi.
Mengotomatiskan penerapan model
Proses pelatihan model diatur menggunakan SageMaker Pipelines. Setelah model dilatih, model tersebut disimpan di registri model SageMaker. Pengguna yang diberi peran pemberi persetujuan model dapat membuka registri model dan menemukan informasi yang berkaitan dengan proses pelatihan, seperti saat model dilatih, nilai hyperparameter, dan metrik evaluasi. Informasi ini membantu pengguna memutuskan apakah akan menyetujui atau menolak model. Menolak model mencegah model di-deploy ke lingkungan yang ditingkatkan, sedangkan menyetujui model memicu pipeline promosi model melalui CodePipeline yang secara otomatis menyalin model ke akun AWS pra-produksi, siap untuk pengujian beban kerja inferensi. Setelah tim mengonfirmasi bahwa model berfungsi dengan benar dalam pra-produksi, langkah manual dalam alur yang sama disetujui dan model secara otomatis disalin ke akun produksi, siap untuk beban kerja inferensi produksi.
Hasil
Salah satu tujuan utama proyek kolaboratif antara NatWest dan AWS ini adalah untuk mengurangi waktu yang diperlukan untuk menyediakan dan menerapkan lingkungan cloud ilmu data dan model ML ke dalam produksi. Ini telah tercapaiโNatWest sekarang dapat menyediakan lingkungan AWS baru, skalabel, dan aman dalam hitungan jam, dibandingkan dengan hari atau bahkan minggu. Ilmuwan dan insinyur data kini diberdayakan untuk menerapkan dan mengelola infrastruktur ilmu data sendiri menggunakan Katalog Layanan AWS, mengurangi ketergantungan pada tim platform terpusat. Selain itu, penggunaan proyek SageMaker memungkinkan pengguna untuk memulai pengkodean dan model pelatihan dalam beberapa menit, sementara juga menyediakan struktur dan alat proyek standar.
Karena Katalog Layanan AWS berfungsi sebagai metode utama untuk menerapkan infrastruktur ilmu data, platform dapat dengan mudah diperluas dan ditingkatkan di masa mendatang. Layanan AWS baru dapat ditawarkan kepada pengguna akhir dengan cepat saat dibutuhkan, dan produk Katalog Layanan AWS yang ada dapat ditingkatkan di tempat untuk memanfaatkan fitur baru.
Terakhir, perpindahan ke layanan terkelola di AWS berarti sumber daya komputasi disediakan dan dimatikan sesuai permintaan. Ini telah memberikan penghematan biaya dan fleksibilitas, sekaligus menyelaraskan dengan Ambisi NatWest untuk menjadi net-zero pada tahun 2050 karena perkiraan pengurangan 75% CO2 emisi.
Kesimpulan
Adopsi strategi cloud-first di NatWest Group mengarah pada penciptaan solusi AWS yang kuat yang dapat mendukung sejumlah besar tim aplikasi bisnis di seluruh organisasi. Mengelola infrastruktur dengan Katalog Layanan AWS telah meningkatkan proses orientasi cloud secara signifikan dengan menggunakan blok bangunan infrastruktur yang aman, sesuai, dan telah disetujui sebelumnya yang dapat diperluas dengan mudah. Komponen infrastruktur SageMaker terkelola telah meningkatkan proses pengembangan model dan mempercepat pengiriman proyek ML.
Untuk mempelajari lebih lanjut tentang proses pembuatan model ML siap produksi di NatWest Group, lihat seri empat bagian lainnya tentang kolaborasi strategis antara NatWest Group dan AWS Professional Services:
- bagian 1 menjelaskan bagaimana NatWest Group bermitra dengan AWS Professional Services untuk membangun platform MLOps yang skalabel, aman, dan berkelanjutan
- bagian 3 memberikan gambaran umum tentang bagaimana NatWest Group menggunakan layanan SageMaker untuk membangun model ML yang dapat diaudit, direproduksi, dan dijelaskan
- bagian 4 merinci bagaimana tim ilmu data NatWest memigrasikan model mereka yang ada ke arsitektur SageMaker
Tentang Penulis
Junaid Baba adalah Konsultan DevOps di Layanan Profesional AWS Dia memanfaatkan pengalamannya di Kubernetes, komputasi terdistribusi, AI/MLOps untuk mempercepat adopsi cloud dari pelanggan industri jasa keuangan Inggris. Junaid telah bergabung dengan AWS sejak Juni 2018. Sebelumnya, Junaid bekerja dengan sejumlah perusahaan rintisan keuangan yang mendorong praktik DevOps. Di luar pekerjaan ia memiliki minat dalam trekking, seni modern, dan fotografi.
Yordanka Ivanova adalah Insinyur Data di NatWest Group. Dia memiliki pengalaman dalam membangun dan memberikan solusi data untuk perusahaan di industri jasa keuangan. Sebelum bergabung dengan NatWest, Yordanka bekerja sebagai konsultan teknis di mana dia memperoleh pengalaman dalam memanfaatkan berbagai layanan cloud dan teknologi open-source untuk memberikan hasil bisnis di berbagai platform cloud. Di waktu luangnya, Yordanka senang berolahraga, bepergian, dan bermain gitar.
Michael Inggris adalah seorang insinyur perangkat lunak di tim Ilmu Data dan Inovasi di NatWest Group. Dia bersemangat mengembangkan solusi untuk menjalankan beban kerja Machine Learning skala besar di cloud. Sebelum bergabung dengan NatWest Group, Michael bekerja dan memimpin tim rekayasa perangkat lunak yang mengembangkan aplikasi penting dalam industri jasa keuangan dan perjalanan. Di waktu luangnya, ia menikmati bermain gitar, bepergian dan menjelajahi pedesaan dengan sepedanya.
- Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
- CryptoHawk. Radar Altcoin. Uji Coba Gratis.
- Sumber: https://aws.amazon.com/blogs/machine-learning/part-2-how-natwest-group-built-a-secure-compliant-self-service-mlops-platform-using-aws-service- pembuat katalog-dan-amazon-bijaksana/
- "
- 100
- Tentang Kami
- dipercepat
- mempercepat
- mengakses
- Akun
- di seluruh
- tambahan
- Tambahan
- Adopsi
- Keuntungan
- Semua
- Amazon
- antara
- jumlah
- jumlah
- analisis
- analisis
- Aplikasi
- aplikasi
- pendekatan
- menyetujui
- arsitektur
- Seni
- ditugaskan
- Audit
- Otentikasi
- Otomatis
- Otomatisasi
- Otomasi dan standardisasi
- tersedia
- AWS
- Bank
- menjadi
- dibalik layar
- makhluk
- manfaat
- Manfaat
- TERBAIK
- Praktik Terbaik
- membangun
- Bangunan
- bisnis
- karbon
- yang
- terpusat
- menantang
- tantangan
- Cek
- awan
- Platform Cloud
- layanan cloud
- kode
- Pengkodean
- kolaborasi
- kombinasi
- Umum
- Perusahaan
- perusahaan
- dibandingkan
- kompleks
- pemenuhan
- compliant
- komponen
- menghitung
- komputasi
- konfigurasi
- Koneksi
- konsultan
- Wadah
- Wadah
- mengandung
- Konten
- terus-menerus
- kontrol
- dibuat
- membuat
- penciptaan
- kritis
- adat
- pelanggan
- data
- analisis data
- ilmu data
- ilmuwan data
- disampaikan
- mengantarkan
- pengiriman
- Permintaan
- tuntutan
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- penyebaran
- dijelaskan
- desain
- rinci
- rincian
- dikembangkan
- Pengembang
- pengembang
- berkembang
- Pengembangan
- berbeda
- sulit
- digital
- langsung
- didistribusikan
- komputasi terdistribusi
- Buruh pelabuhan
- Tidak
- turun
- penggerak
- mudah
- efisien
- upaya
- Rumit
- aktif
- Titik akhir
- insinyur
- Teknik
- Insinyur
- Enterprise
- Lingkungan Hidup
- diperkirakan
- evaluasi
- berkembang
- contoh
- eksekusi
- ada
- pengalaman
- Fitur
- Fitur
- umpan balik
- keuangan
- jasa keuangan
- Pertama
- Memperbaiki
- keluwesan
- Fokus
- mengikuti
- berikut
- Tapak
- bentuk
- Kerangka
- fungsi
- masa depan
- pergi
- pemerintahan
- Kelompok
- Grup
- Panduan
- senang
- membantu
- membantu
- High
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTTPS
- identitas
- implementasi
- ditingkatkan
- memasukkan
- termasuk
- termasuk
- Pada meningkat
- industri
- industri
- informasi
- Infrastruktur
- Innovation
- inovatif
- Lembaga
- mengintegrasikan
- terpadu
- kepentingan
- Antarmuka
- Internet
- terlibat
- masalah
- IT
- Jobs
- kunci
- kunci-kunci
- pengetahuan
- besar
- Terbaru
- memimpin
- BELAJAR
- pengetahuan
- Dipimpin
- memanfaatkan
- leveraging
- Perpustakaan
- Terbatas
- baris
- menghubungkan
- lokal
- mesin
- Mesin belajar
- terbuat
- utama
- MEMBUAT
- mengelola
- berhasil
- pengelolaan
- pelaksana
- cara
- panduan
- hal
- kematangan
- makna
- Anggota
- Metrik
- juta
- keberatan
- ML
- model
- model
- pemantauan
- bulan
- lebih
- pindah
- bergerak
- beberapa
- nama
- jaringan
- Fitur Baru
- Platform Baru
- produk baru
- produk baru
- jumlah
- ditawarkan
- Pengunjung
- Onboarding
- secara online
- Buka
- Operasi
- Optimize
- organisasi
- Lainnya
- secara keseluruhan
- sendiri
- tertentu
- bermitra
- bergairah
- pola
- prestasi
- fotografi
- pilot
- Platform
- Platform
- bermain
- Kebijakan
- kebijaksanaan
- portofolio
- portofolio
- prinsip
- swasta
- Kunci Pribadi
- proses
- proses
- Produk
- Produksi
- produktifitas
- Produk
- profesional
- Profil
- profil
- proyek
- memprojeksikan
- promosi
- memberikan
- menyediakan
- menyediakan
- publik
- kualitas
- Cepat
- segera
- Bacaan
- menurunkan
- mengurangi
- regulator
- hubungan
- melepaskan
- dirilis
- Pers
- kepercayaan
- laporan
- gudang
- membutuhkan
- wajib
- Persyaratan
- sumber
- Sumber
- ISTIRAHAT
- Hasil
- ulasan
- Rute
- Run
- berjalan
- Skalabilitas
- terukur
- Skala
- adegan
- Ilmu
- ilmuwan
- ilmuwan
- SDK
- aman
- keamanan
- terpilih
- Seri
- layanan
- Layanan
- set
- penyiapan
- Share
- berbagi
- penting
- Demikian pula
- Sederhana
- So
- Perangkat lunak
- Software Engineer
- rekayasa Perangkat Lunak
- larutan
- Solusi
- menghabiskan
- Stabilitas
- tumpukan
- standar
- start-up
- mulai
- Negara
- Laporan
- Status
- penyimpanan
- Strategis
- Penyelarasan
- studio
- mendukung
- Mendukung
- berkelanjutan
- sistem
- sistem
- tugas
- tim
- Teknis
- Teknologi
- Teknologi
- template
- uji
- pengujian
- tes
- sendi
- tema
- karena itu
- Melalui
- waktu
- alat
- terhadap
- Pelacakan
- lalu lintas
- Pelatihan
- Mengubah
- Transformasi
- transit
- perjalanan
- Perjalanan
- Kepercayaan
- ui
- Uk
- Pembaruan
- menggunakan
- Pengguna
- Penggunaan
- Memanfaatkan
- variasi
- View
- maya
- jarak penglihatan
- berbasis web
- apakah
- sementara
- SIAPA
- dalam
- tanpa
- Kerja
- bekerja
- kerja
- berolahraga
- bekerja
- dunia