פוסט זה נכתב על ידי Ramdev Wudali ו-Kiran Mantripragada מ-Thomson Reuters.
ב1992, תומסון רויטרס (TR) הוציאה את שירות המחקר המשפטי הראשון שלה בינה מלאכותית, WIN (Westlaw Is Natural), חידוש באותה תקופה, שכן רוב מנועי החיפוש תמכו רק במונחים ובמחברים בוליאניים. מאז, TR השיגה אבני דרך רבות יותר מכיוון שהמוצרים והשירותים שלה בינה מלאכותית גדלים ללא הרף במספר ובמגוון, ותומכים באנשי מקצוע משפטיים, מסים, חשבונאיים, תאימות ושירותי חדשות ברחבי העולם, עם מיליארדי תובנות של למידת מכונה (ML) שנוצרות מדי שנה .
עם הגידול האדיר הזה של שירותי AI, אבן הדרך הבאה עבור TR הייתה לייעל את החדשנות ולהקל על שיתוף הפעולה. תקן את הבנייה והשימוש החוזר בפתרונות בינה מלאכותית על פני פונקציות עסקיות ופרסונות של מתרגלי בינה מלאכותית, תוך הבטחת עמידה בשיטות העבודה המומלצות של הארגון:
- אוטומציה ותקנן את המאמץ ההנדסי הבלתי מובחן החוזר על עצמו
- להבטיח את הבידוד והשליטה הנדרשים בנתונים רגישים על פי תקני ממשל משותפים
- ספק גישה קלה למשאבי מחשוב הניתנים להרחבה
כדי למלא את הדרישות הללו, TR בנה את פלטפורמת ה-Enterprise AI סביב חמשת עמודי התווך הבאים: שירות נתונים, סביבת עבודה לניסויים, רישום מודלים מרכזי, שירות פריסת מודלים וניטור מודלים.
בפוסט זה, אנו דנים כיצד TR ו-AWS שיתפו פעולה כדי לפתח את פלטפורמת ה-Enterprise AI הראשונה אי פעם של TR, כלי מבוסס אינטרנט שיספק יכולות החל מניסויי ML, הדרכה, רישום מודלים מרכזי, פריסת מודלים וניטור מודלים. כל היכולות הללו בנויות כדי לתת מענה לתקני האבטחה המתפתחים של TR ולספק שירותים פשוטים, מאובטחים ותואמים למשתמשי הקצה. אנו גם חולקים כיצד TR איפשר ניטור וממשל עבור מודלים של ML שנוצרו על פני יחידות עסקיות שונות עם חלונית זכוכית אחת.
האתגרים
היסטורית ב-TR, ML הייתה יכולת עבור צוותים עם מדעני נתונים ומהנדסים מתקדמים. צוותים עם משאבים מיומנים ביותר הצליחו ליישם תהליכי ML מורכבים בהתאם לצרכיהם, אך מהר מאוד הפכו לסילודים. גישות מושחתות לא סיפקו שום נראות לספק משילות לתחזיות קבלת החלטות קריטיות ביותר.
לצוותים העסקיים של TR יש ידע רב בתחום; עם זאת, הכישורים הטכניים והמאמץ ההנדסי הכבד הנדרש ב-ML מקשים על שימוש במומחיות העמוקה שלהם כדי לפתור בעיות עסקיות בכוח של ML. TR רוצה לעשות דמוקרטיזציה של הכישורים, ולהפוך אותם לנגישים ליותר אנשים בתוך הארגון.
צוותים שונים ב-TR פועלים לפי השיטות והמתודולוגיות שלהם. TR רוצה לבנות את היכולות המשתרעות על פני מחזור החיים של ML למשתמשים שלהם כדי להאיץ את האספקה של פרויקטי ML על ידי מתן אפשרות לצוותים להתמקד ביעדים עסקיים ולא במאמץ ההנדסי הבלתי מובחן החוזר על עצמו.
בנוסף, התקנות סביב נתונים ובינה מלאכותית אתית ממשיכות להתפתח, ומחייבות תקני ממשל משותפים בכל פתרונות ה-AI של TR.
סקירת פתרונות
פלטפורמת ה-Enterprise AI של TR תוכננה לספק שירותים פשוטים וסטנדרטיים לפרסונות שונות, ומציעה יכולות לכל שלב במחזור החיים של ML. TR זיהה חמש קטגוריות עיקריות המדגימות את כל הדרישות של TR:
- שירות הנתונים - כדי לאפשר גישה קלה ומאובטחת לנכסי נתונים ארגוניים
- סביבת עבודה לניסויים - לספק יכולות להתנסות ולהכשיר מודלים של ML
- רישום דגמים מרכזי – קטלוג ארגוני לדגמים שנבנו על פני יחידות עסקיות שונות
- שירות פריסת דגמים – לספק אפשרויות פריסת מסקנות שונות בהתאם לנוהלי ה-CI/CD הארגוניים של TR
- שירותי ניטור דגמים - לספק יכולות לנטר נתונים ולהטות מודלים וסחיפות
כפי שמוצג בתרשים הבא, שירותי מיקרו אלה בנויים מתוך מחשבה על מספר עקרונות מפתח:
- הסר את המאמץ ההנדסי הבלתי מובחן מהמשתמשים
- ספק את היכולות הנדרשות בלחיצת כפתור
- אבטח ושלט את כל היכולות בהתאם לתקנים הארגוניים של TR
- הביאו זכוכית אחת לפעילויות ML
מיקרו-שירותי ה-AI Platform של TR בנויים עם אמזון SageMaker כמנוע הליבה, רכיבים ללא שרת של AWS עבור זרימות עבודה, ושירותי AWS DevOps עבור שיטות CI/CD. סטודיו SageMaker משמש לניסויים והדרכה, ורישום המודלים של SageMaker משמש לרישום מודלים. רישום המודלים המרכזי מורכב הן ממרשם המודלים של SageMaker והן מ- אמזון דינמו השולחן. שירותי אירוח של SageMaker משמשים לפריסת מודלים, בעוד צג דגם SageMaker ו SageMaker להבהיר משמשים לניטור מודלים לסחיפה, הטיה, מחשבונים מדדים מותאמים אישית ויכולת הסבר.
הסעיפים הבאים מתארים שירותים אלה בפירוט.
שירות הנתונים
מחזור חיים מסורתי של פרויקט ML מתחיל באיתור נתונים. באופן כללי, מדעני נתונים מבלים 60% או יותר מזמנם כדי למצוא את הנתונים הנכונים כשהם צריכים אותם. בדיוק כמו לכל ארגון, ל-TR יש מספר מאגרי נתונים המשמשים כנקודת אמת אחת עבור תחומי נתונים שונים. TR זיהה שני מאגרי מידע ארגוניים מרכזיים המספקים נתונים עבור רוב מקרי השימוש שלהם ב-ML: מאגר אובייקטים ומאגר נתונים יחסי. TR בנה שירות נתונים של פלטפורמת AI כדי לספק בצורה חלקה גישה לשני מאגרי הנתונים מסביבות העבודה של הניסויים של המשתמשים ולהסיר את העומס מהמשתמשים לנווט בתהליכים מורכבים כדי לרכוש נתונים בעצמם. פלטפורמת הבינה המלאכותית של TR עוקבת אחר כל התאימות ושיטות העבודה המומלצות שהוגדרו על ידי צוות Data and Model Governance. זה כולל הערכת השפעת נתונים חובה המסייעת לעוסקים ב-ML להבין ולעקוב אחר השימוש האתי והמתאים בנתונים, עם תהליכי אישור רשמיים כדי להבטיח גישה מתאימה לנתונים. הליבה של שירות זה, כמו גם לכל שירותי הפלטפורמה, היא האבטחה והתאימות לפי השיטות המומלצות שנקבעו על ידי TR והתעשייה.
שירות אחסון פשוט של אמזון (Amazon S3) אחסון אובייקטים פועל כאגם נתוני תוכן. TR בנה תהליכים לגישה מאובטחת לנתונים מאגם נתוני התוכן אל סביבות העבודה של המשתמשים לניסויים תוך שמירה על הרשאות וביקורת נדרשים. Snowflake משמש כמאגר הנתונים העיקרי של הארגון. לפי בקשת המשתמש ובהתבסס על אישור בעל הנתונים, שירות הנתונים של פלטפורמת AI מספק תמונת מצב של הנתונים למשתמש זמין בסביבת העבודה שלו לניסויים.
גישה לנתונים ממקורות שונים היא בעיה טכנית שניתן לפתור בקלות. אבל המורכבות ש-TR פתרה היא לבנות זרימות עבודה של אישור שממכונות את זיהוי הבעלים של הנתונים, שליחת בקשת גישה, מוודאים שלבעל הנתונים מקבלים הודעה שיש לו בקשת גישה ממתינה, ובהתבסס על סטטוס האישור נקיטת פעולה כדי לספק נתונים ל המבקש. כל האירועים לאורך תהליך זה נבדקים ומתושמים לצורך ביקורתיות ותאימות.
כפי שמוצג בתרשים הבא, TR משתמש פונקציות שלב AWS לתזמור את זרימת העבודה ו AWS למבדה כדי להפעיל את הפונקציונליות. שער API של אמזון משמש לחשיפת הפונקציונליות עם נקודת קצה של API לצריכה מפורטל האינטרנט שלהם.
ניסוי ופיתוח מודלים
יכולת חיונית לסטנדרטיזציה של מחזור החיים של ML היא סביבה המאפשרת למדעני נתונים להתנסות עם מסגרות ML וגדלי נתונים שונים. הפעלת סביבה מאובטחת ותואמת כזו בענן תוך דקות פוטרת את מדעני הנתונים מהנטל של טיפול בתשתיות ענן, דרישות רשת ואמצעי תקני אבטחה, כדי להתמקד במקום זאת בבעיית מדעי הנתונים.
TR בונה מרחב עבודה לניסויים המציע גישה לשירותים כגון דבק AWS, אמזון EMR, ו-SageMaker Studio כדי לאפשר עיבוד נתונים ויכולות ML בהתאם לתקני אבטחת ענן ארגוניים ובידוד חשבונות נדרש עבור כל יחידה עסקית. TR נתקלה באתגרים הבאים בעת יישום הפתרון:
- התזמור בשלב מוקדם לא היה אוטומטי לחלוטין וכללו מספר שלבים ידניים. לא היה קל לאתר היכן התרחשו בעיות. TR התגבר על שגיאה זו על ידי תזמורת זרימות העבודה באמצעות Step Functions. עם השימוש ב-Step Functions, בניית זרימות עבודה מורכבות, ניהול מצבים וטיפול בשגיאות הפכו להרבה יותר קלות.
- תָקִין AWS זהות וניהול גישה קשה היה להגדיר את הגדרת התפקיד (IAM) עבור סביבת העבודה של הניסוי. כדי לעמוד בתקני האבטחה הפנימיים של TR ובמודל המינימום הרשאות, במקור, תפקיד סביבת העבודה הוגדר עם מדיניות מוטבעת. כתוצאה מכך, המדיניות המוטבעת גדלה עם הזמן והפכה מילולית, וחרגה ממגבלת גודל המדיניות המותרת לתפקיד IAM. כדי למתן את זה, TR עברה להשתמש במדיניות מנוהלת יותר על ידי לקוחות ולהתייחס אליהן בהגדרת תפקיד סביבת העבודה.
- TR הגיע מדי פעם למגבלות המשאבים המוגדרות כברירת מחדל ברמת חשבון AWS. זה גרם לכשלים מזדמנים בהשקת עבודות SageMaker (לדוגמה, עבודות הדרכה) עקב מגבלת סוג המשאב הרצוי שהגיעה. TR עבדה בשיתוף פעולה הדוק עם צוות השירות של SageMaker בנושא זה. בעיה זו נפתרה לאחר שצוות AWS השיק את SageMaker כשירות נתמך ב מכסות שירות ביוני 2022.
כיום, מדעני נתונים ב-TR יכולים להשיק פרויקט ML על ידי יצירת סביבת עבודה עצמאית והוספת חברי צוות נדרשים לשתף פעולה. קנה מידה בלתי מוגבל המוצע על ידי SageMaker נמצא בקצות אצבעותיהם על ידי מתן תמונות ליבה מותאמות אישית בגדלים מגוונים. SageMaker Studio הפך במהרה למרכיב חיוני בפלטפורמת הבינה המלאכותית של TR ושינה את התנהגות המשתמש משימוש ביישומי שולחן עבודה מוגבלים למנועי ייעודיים ניתנים להרחבה וארעיים. התרשים הבא ממחיש ארכיטקטורה זו.
רישום דגמים מרכזי
רישום המודלים מספק מאגר מרכזי לכל המודלים של למידת מכונה של TR, מאפשר ניהול סיכונים ובריאות של אלה באופן סטנדרטי על פני פונקציות עסקיות, ומייעל שימוש חוזר במודלים פוטנציאליים. לכן, השירות היה צריך לעשות את הפעולות הבאות:
- לספק את היכולת לרשום הן מודלים חדשים והן מדור קודם, בין אם פותחו בתוך SageMaker או מחוצה לה
- הטמעת זרימות עבודה של ממשל, המאפשרות למדעני נתונים, מפתחים ובעלי עניין לצפות ולנהל ביחד את מחזור החיים של מודלים
- הגבר את השקיפות ושיתוף הפעולה על ידי יצירת תצוגה מרוכזת של כל המודלים ברחבי TR לצד מטא נתונים ומדדי בריאות
TR התחילה את העיצוב רק עם רישום המודלים של SageMaker, אך אחת הדרישות המרכזיות של TR היא לספק את היכולת לרשום מודלים שנוצרו מחוץ ל-SageMaker. TR העריך מסדי נתונים יחסיים שונים, אך בסופו של דבר בחר ב-DynamoDB מכיוון שסכימת המטא נתונים עבור מודלים המגיעים ממקורות מדור קודם תהיה שונה מאוד. TR גם לא רצה להטיל על המשתמשים עבודה נוספת, אז הם הטמיעו סנכרון אוטומטי חלק בין מרחב העבודה של פלטפורמת ה-AI הרישום של SageMaker לרישום המרכזי של SageMaker באמצעות אמזון EventBridge כללים ותפקידי IAM נדרשים. TR שיפר את הרישום המרכזי עם DynamoDB כדי להרחיב את היכולות לרישום מודלים מדור קודם שנוצרו על שולחנות העבודה של המשתמשים.
רישום המודלים המרכזי של AI Platform משולב בפורטל AI Platform ומספק ממשק חזותי לחיפוש מודלים, עדכון מטא נתונים של מודלים והבנת מדדי בסיס מודל ומדדי ניטור מותאמים אישית תקופתיים. התרשים הבא ממחיש ארכיטקטורה זו.
פריסת מודלים
TR זיהה שני דפוסים עיקריים לאוטומציה של פריסה:
- מודלים שפותחו באמצעות SageMaker דרך SageMaker משמרות אצווה כדי לקבל מסקנות על לוח זמנים מועדף
- מודלים שפותחו מחוץ ל-SageMaker על שולחנות עבודה מקומיים באמצעות ספריות קוד פתוח, באמצעות גישת הביאו משלך מיכל באמצעות משימות עיבוד של SageMaker כדי להריץ קוד מסקנות מותאם אישית, כדרך יעילה להעביר מודלים אלה מבלי לשנות את הקוד.
עם שירות הפריסה של פלטפורמת AI, משתמשי TR (מדעני נתונים ומהנדסי ML) יכולים לזהות מודל מהקטלוג ולפרוס עבודת מסקנות בחשבון ה-AWS הנבחר שלהם על ידי אספקת הפרמטרים הנדרשים באמצעות זרימת עבודה מונחה ממשק משתמש.
TR הפך את הפריסה הזו לאוטומטית באמצעות שירותי AWS DevOps כמו קוד צינור AWS ו בניית קוד AWS. TR משתמש ב-Step Functions כדי לתזמן את זרימת העבודה של קריאה ועיבוד מקדים של נתונים ליצירת עבודות מסקנות של SageMaker. TR פורס את הרכיבים הנדרשים כקוד באמצעות AWS CloudFormation תבניות. התרשים הבא ממחיש ארכיטקטורה זו.
ניטור מודל
מחזור החיים של ML אינו שלם ללא יכולת לנטר דגמים. צוות הממשל הארגוני של TR מחייב ומעודד גם צוותים עסקיים לעקוב אחר ביצועי המודל שלהם לאורך זמן כדי להתמודד עם אתגרים רגולטוריים. TR התחיל עם ניטור מודלים ונתונים לסחף. TR השתמש ב-SageMaker Model Monitor כדי לספק קו בסיס נתונים ואמיתות יסוד כדי לנטר מעת לעת כיצד הנתונים והמסקנות של TR נסחפים. יחד עם מדדי ניטור מודל SageMaker, TR שיפר את יכולת הניטור על ידי פיתוח מדדים מותאמים אישית ספציפיים למודלים שלהם. זה יעזור למדעני הנתונים של TR להבין מתי להכשיר את המודל שלהם מחדש.
לצד ניטור הסחף, TR רוצה גם להבין הטיה במודלים. היכולות מחוץ לקופסה של SageMaker Clarify משמשות לבניית שירות ההטיה של TR. TR עוקבת אחר הטיית הנתונים והמודל ומאפשרת את המדדים הללו לזמינים עבור המשתמשים שלהם דרך פורטל AI Platform.
כדי לעזור לכל הצוותים לאמץ תקנים ארגוניים אלה, TR הפכה את השירותים הללו לבלתי תלויים וזמינים בקלות דרך פורטל AI Platform. הצוותים העסקיים של TR יכולים להיכנס לפורטל ולפרוס עבודת ניטור מודל או עבודת ניטור הטיה בעצמם ולהפעיל אותם לפי לוח הזמנים המועדף עליהם. הם מקבלים הודעה על סטטוס העבודה ועל המדדים עבור כל ריצה.
TR השתמש בשירותי AWS לפריסת CI/CD, תזמור זרימת עבודה, מסגרות ללא שרתים ונקודות קצה של API כדי לבנות שירותי מיקרו שניתן להפעיל באופן עצמאי, כפי שמוצג בארכיטקטורה הבאה.
תוצאות ושיפורים עתידיים
פלטפורמת הבינה המלאכותית של TR עלתה לאוויר ברבעון השלישי של 3 עם כל חמשת המרכיבים העיקריים: שירות נתונים, סביבת עבודה לניסויים, רישום מודלים מרכזי, פריסת מודלים וניטור מודלים. TR ערכה מפגשי הדרכה פנימיים ליחידות העסקיות שלה כדי לעלות על הפלטפורמה והציעה להן סרטוני הדרכה עצמיים.
פלטפורמת הבינה המלאכותית סיפקה יכולות לצוותים של TR שמעולם לא היו קיימות קודם לכן; היא פתחה מגוון רחב של אפשרויות לצוות הניהול הארגוני של TR לשפר את תקני התאימות ולרכז את הרישום, תוך מתן חלונית זכוכית אחת על פני כל דגמי ה-ML בתוך TR.
TR מאשר כי אף מוצר אינו במיטבו בשחרור ראשוני. כל הרכיבים של TR נמצאים ברמות שונות של בגרות, וצוות הפלטפורמה של TR Enterprise AI נמצא בשלב שיפור מתמשך כדי לשפר באופן איטרטיבי את תכונות המוצר. צינור הקידום הנוכחי של TR כולל הוספת אפשרויות הסקת מסקנות נוספות של SageMaker כמו נקודות קצה בזמן אמת, אסינכרוניות ורב-דגמים. TR מתכננת גם להוסיף יכולת הסבר מודל כתכונה לשירות ניטור המודלים שלה. TR מתכננת להשתמש ביכולות ההסבר של SageMaker Clarify כדי לפתח את שירות ההסבר הפנימי שלה.
סיכום
TR יכול כעת לעבד כמויות עצומות של נתונים בצורה מאובטחת ולהשתמש ביכולות AWS מתקדמות כדי להעביר פרויקט ML מרעיון לייצור בטווח של שבועות, בהשוואה לחודשים שלקח קודם לכן. עם היכולות היוצאות מהקופסה של שירותי AWS, צוותים בתוך TR יכולים לרשום ולנטר מודלים של ML בפעם הראשונה אי פעם, ולהשיג עמידה בתקני הניהול המתפתחים של המודלים שלהם. TR העצימה מדעני נתונים וצוותי מוצר לשחרר ביעילות את היצירתיות שלהם כדי לפתור את רוב הבעיות המורכבות.
כדי לדעת עוד על פלטפורמת ה-Enterprise AI של TR ב-AWS, בדוק את הפעלה של AWS re:Invent 2022. אם תרצה ללמוד כיצד TR האיצה את השימוש בלמידת מכונה באמצעות ה מעבדת הנתונים של AWS תוכנית, עיין ב מקרה מבחן.
על הכותבים
רמדב וודאלי הוא ארכיטקט נתונים, שעוזר לארכיטקט ולבנות את פלטפורמת AI/ML כדי לאפשר למדעני נתונים וחוקרים לפתח פתרונות למידת מכונה על ידי התמקדות במדעי הנתונים ולא בצרכי התשתית. בזמנו הפנוי, הוא אוהב לקפל נייר כדי ליצור תבניות אוריגמי, וללבוש חולצות טריקו חסרות כבוד.
קיראן מנטריפרגדה הוא המנהל הבכיר של פלטפורמת AI ב-Thomson Reuters. צוות ה-AI Platform אחראי לאפשר יישומי תוכנה בינה מלאכותית בדרגת ייצור ולאפשר את עבודתם של מדעני נתונים וחוקרי למידת מכונה. עם תשוקה למדע, AI והנדסה, קירן אוהב לגשר על הפער בין מחקר לייצור כדי להביא את החדשנות האמיתית של AI לצרכנים הסופיים.
בהוואנה כירוממילה הוא אדריכל תושב אב ב-AWS. היא נלהבת מפעולות נתונים ו-ML, ומביאה המון התלהבות לעזור לארגונים לבנות נתונים ואסטרטגיות ML. בזמנה הפנוי, היא נהנית עם משפחתה מטיילים, טיולים, גינון וצפייה בסרטים דוקומנטריים.
סריניבסה שייק הוא אדריכל פתרונות ב-AWS המבוסס בבוסטון. הוא עוזר ללקוחות ארגוניים להאיץ את המסע שלהם לענן. הוא נלהב ממכולות וטכנולוגיות למידת מכונה. בזמנו הפנוי הוא נהנה לבלות עם משפחתו, לבשל ולטייל.
צ'ינגווי לי הוא מומחה למידת מכונה בשירותי האינטרנט של אמזון. הוא קיבל את הדוקטורט שלו בחקר תפעול לאחר ששבר את חשבון מענקי המחקר של יועצו ולא הצליח לקיים את פרס נובל שהבטיח. נכון לעכשיו, הוא עוזר ללקוחות בתעשיית השירותים הפיננסיים והביטוח לבנות פתרונות למידת מכונה ב-AWS. בזמנו הפנוי הוא אוהב לקרוא וללמד.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- יכול
- אודות
- להאיץ
- מוּאָץ
- גישה
- נגיש
- פי
- חֶשְׁבּוֹן
- חשבונאות
- הושג
- השגתי
- לרכוש
- לרוחב
- פעולה
- מעשים
- נוסף
- כתובת
- לְאַמֵץ
- מתקדם
- לאחר
- AI
- פלטפורמת AI
- שירותי AI
- AI / ML
- תעשיות
- מאפשר
- בַּצַד
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- כמויות
- ו
- API
- יישומים
- יישומית
- גישה
- גישות
- הסכמה
- ארכיטקטורה
- סביב
- אישור
- אוטומטי
- אוטומטי
- מכני עם סלילה אוטומטית
- זמין
- AWS
- מבוסס
- Baseline
- כי
- לפני
- להיות
- הטוב ביותר
- שיטות עבודה מומלצות
- בֵּין
- הטיה
- מיליארדים
- בוסטון
- לְגַשֵׁר
- להביא
- מביא
- חסר פרוטה
- לִבנוֹת
- בִּניָן
- בונה
- נבנה
- ניטל
- עסקים
- פונקציות עסקיות
- יכולות
- מקרים
- קטלוג
- קטגוריות
- גרם
- מֶרכָּזִי
- מְרוּכָּז
- האתגרים
- לבדוק
- בחירה
- נבחר
- מקרוב
- ענן
- תשתית ענן
- אבטחת ענן
- קוד
- לשתף פעולה
- שיתף פעולה
- שיתוף פעולה
- יַחַד
- מגיע
- Common
- לעומת
- להשלים
- מורכב
- מורכבות
- הענות
- תואם
- רְכִיב
- רכיבים
- מורכב
- מחשוב
- מאוכל
- צרכנים
- מכולה
- מכולות
- תוכן
- להמשיך
- רציף
- לִשְׁלוֹט
- ליבה
- לִיצוֹר
- נוצר
- יוצרים
- יצירתיות
- קריטי
- מכריע
- נוֹכְחִי
- כיום
- מנהג
- לקוחות
- נתונים
- אגם דאטה
- עיבוד נתונים
- מדע נתונים
- מאגרי מידע
- קבלת החלטות
- עמוק
- מומחיות עמוקה
- בְּרִירַת מֶחדָל
- למסור
- מסירה
- דמוקרטיזציה
- לפרוס
- פריסה
- פורס
- לתאר
- עיצוב
- שולחן העבודה
- פרט
- נחוש
- לפתח
- מפותח
- מפתחים
- מתפתח
- צעצועי התפתחות
- אחר
- קשה
- מְנַהֵל
- לדון
- סרטים תיעודיים
- תחום
- תחומים
- מטה
- מוקדם
- קל יותר
- בקלות
- יעילות
- יעיל
- מאמץ
- רשאי
- לאפשר
- מופעל
- מאפשר
- מה שמאפשר
- מעודד את
- נקודת קצה
- מנוע
- הנדסה
- מהנדסים
- מנועים
- משופר
- לְהַבטִיחַ
- הבטחתי
- מִפְעָל
- חברות
- התלהבות
- סביבה
- שגיאה
- חיוני
- אֶתִי
- העריך
- אירועים
- אי פעם
- להתפתח
- מתפתח
- דוגמה
- לְנַסוֹת
- מומחיות
- להאריך
- מאוד
- לְהַקֵל
- נכשל
- משפחה
- מאפיין
- תכונות
- מעטים
- סופי
- כספי
- שירות כלכלי
- מציאת
- ראשון
- firsttime
- להתמקד
- התמקדות
- לעקוב
- הבא
- כדלקמן
- רִשְׁמִי
- מסגרות
- החל מ-
- הגשמה
- לגמרי
- פונקציונלי
- פונקציות
- עתיד
- פער
- כללי
- נוצר
- לקבל
- זכוכית
- Go
- שערים
- ממשל
- להעניק
- קרקע
- גדל
- טיפול
- קשה
- בְּרִיאוּת
- לעזור
- עזרה
- עוזר
- מאוד
- אירוח
- איך
- אולם
- HTML
- HTTPS
- מזוהה
- לזהות
- זיהוי
- זהות
- תמונות
- פְּגִיעָה
- ליישם
- יושם
- יישום
- שהוטל
- לשפר
- in
- כולל
- להגדיל
- עצמאי
- באופן עצמאי
- תעשייה
- תשתית
- בתחילה
- חדשנות
- תובנות
- במקום
- ביטוח
- משולב
- מִמְשָׁק
- פנימי
- מעורב
- בדידות
- סוגיה
- IT
- עבודה
- מקומות תעסוקה
- מסע
- מפתח
- לדעת
- ידע
- אגם
- לשגר
- הושק
- השקה
- לִלמוֹד
- למידה
- מוֹרֶשֶׁת
- משפטי
- רמה
- רמות
- ספריות
- להגביל
- גבולות
- לחיות
- מקומי
- מכונה
- למידת מכונה
- עשוי
- גדול
- עושה
- עשייה
- לנהל
- ניהול
- ניהול
- מנדטים
- דרך
- מדריך ל
- רב
- בגרות
- אמצעים
- להרשם/להתחבר
- מידע נוסף
- מתודולוגיות
- מטרי
- מדדים
- מיקרו
- נודד
- ציון דרך
- אבני דרך
- אכפת לי
- דקות
- להקל
- ML
- מודל
- מודלים
- צג
- ניטור
- צגים
- חודשים
- יותר
- רוב
- מספר
- טבעי
- נווט
- צורך
- צרכי
- רשתות
- חדש
- חדשות
- הבא
- פרס נובל
- מספר
- אובייקט
- מִקרִי
- מוצע
- הצעה
- המיוחדות שלנו
- על הסיפון
- ONE
- קוד פתוח
- נפתח
- תפעול
- אפשרויות
- תזמור
- ארגון
- בְּמָקוֹר
- בחוץ
- שֶׁלוֹ
- בעלים
- זגוגית
- מאמר
- פרמטרים
- תשוקה
- לוהט
- דפוסי
- אֲנָשִׁים
- ביצועים
- תקופתי
- שלב
- צינור
- תכנון
- תוכניות
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- מדיניות
- מדיניות
- כניסה
- אפשרויות
- הודעה
- פוטנציאל
- כּוֹחַ
- פרקטיקות
- התחזיות
- מועדף
- יְסוֹדִי
- עקרונות
- הפרס
- בעיה
- בעיות
- תהליך
- תהליכים
- תהליך
- המוצר
- הפקה
- מוצרים
- אנשי מקצוע
- תָכְנִית
- פּרוֹיֶקט
- פרויקטים
- מוּבטָח
- לספק
- ובלבד
- מספק
- מתן
- Q3
- q3 2022
- מהירות
- רכס
- טִוּוּחַ
- RE
- הגיע
- קריאה
- ממשי
- זמן אמת
- קיבלו
- הירשם
- רישום
- תקנון
- רגולטורים
- לשחרר
- שוחרר
- להסיר
- מאגר
- לבקש
- נדרש
- דרישות
- מחקר
- חוקרים
- משאב
- משאבים
- אחראי
- רויטרס
- הסיכון
- תפקיד
- תפקידים
- כללי
- הפעלה
- בעל חכמים
- SageMaker Inference
- להרחבה
- סולם
- לוח זמנים
- מדע
- מדענים
- בצורה חלקה
- בצורה חלקה
- חיפוש
- מנועי חיפוש
- סעיפים
- לבטח
- מְאוּבטָח
- מאובטח
- אבטחה
- שליחה
- לחצני מצוקה לפנסיונרים
- רגיש
- לשרת
- ללא שרת
- שרות
- שירותים
- הפעלות
- כמה
- שיתוף
- הראה
- פָּשׁוּט
- since
- יחיד
- מידה
- גדל
- מיומן
- מיומנויות
- תמונת בזק
- So
- תוכנה
- פִּתָרוֹן
- פתרונות
- לפתור
- מקורות
- מומחה
- ספציפי
- לבלות
- הוצאה
- התמחות
- בעלי עניין
- תקינה
- תקנים
- החל
- התחלות
- הברית
- מצב
- שלב
- צעדים
- אחסון
- חנות
- חנויות
- אסטרטגיות
- לייעל
- סטודיו
- כזה
- נתמך
- מסייע
- עבר
- סִנכְּרוּן
- שולחן
- לקחת
- מס
- הוראה
- נבחרת
- צוותי
- טכני
- כישורים טכניים
- טכנולוגיות
- תבניות
- מונחים
- השמיים
- שֶׁלָהֶם
- לכן
- תומסון רויטרס
- דרך
- בכל
- זמן
- ל
- כלי
- מעקב
- מסורתי
- רכבת
- הדרכה
- לשנות
- שקיפות
- נסיעה
- עָצוּם
- מופעל
- להבין
- יחידה
- יחידות
- לשחרר
- בלתי מוגבל
- עדכון
- להשתמש
- משתמש
- משתמשים
- מגוון
- שונים
- Vast
- באמצעות
- וידאו
- לצפיה
- ראות
- צופה
- אינטרנט
- שירותי אינטרנט
- המבוסס על האינטרנט
- שבועות
- אם
- בזמן
- רָחָב
- טווח רחב
- יצטרך
- לנצח
- בתוך
- לְלֹא
- תיק עבודות
- עבד
- זרימות עבודה
- עולמי
- היה
- שנה
- זפירנט