הפוסט הזה נכתב בשיתוף עם קוסטיה קופמן וג'ני טוקר מ-Booking.com.
כמובילה עולמית בתעשיית הנסיעות המקוונת, Booking.com היא תמיד מחפשת דרכים חדשניות לשפר את שירותיה ולספק ללקוחות חוויות מותאמות וחלקות. צוות הדירוג ב-Booking.com ממלא תפקיד מרכזי בהבטחה שאלגוריתמי החיפוש וההמלצה מותאמים כדי לספק את התוצאות הטובות ביותר עבור המשתמשים שלהם.
בשיתוף משאבים פנימיים עם צוותים פנימיים אחרים, מדעני למידת מכונה של צוות הדירוג (ML) נתקלו לעתים קרובות בזמני המתנה ארוכים כדי לגשת למשאבים לאימון מודלים וניסויים - מאתגרים את יכולתם להתנסות ולחדש במהירות. מתוך הכרה בצורך בתשתית ML מודרנית, צוות הדירוג יצא למסע כדי להשתמש בכוח של אמזון SageMaker לבנות, לאמן ולפרוס מודלים של ML בקנה מידה.
Booking.com שיתפה פעולה עם שירותים מקצועיים של AWS לבנות פתרון להאצת זמן היציאה לשוק עבור דגמי ML משופרים באמצעות השיפורים הבאים:
- זמני המתנה מופחתים למשאבים לאימון וניסויים
- שילוב של יכולות ML חיוניות כגון כוונון היפרפרמטרים
- מחזור פיתוח מופחת עבור דגמי ML
זמני המתנה מופחתים פירושו שהצוות יוכל לחזור ולהתנסות במהירות במודלים, ולהשיג תובנות בקצב מהיר הרבה יותר. שימוש במופעים זמינים של SageMaker לפי דרישה אפשרה הפחתה של פי עשרה בזמן ההמתנה. יכולות ML חיוניות כמו כוונון היפרפרמטרים ויכולת הסבר של מודל היו חסרות בהנחות. מסע המודרניזציה של הצוות הציג את התכונות הללו דרך אמזון SageMaker כוונון דגם אוטומטי ו אמזון סייג מייקר להבהיר. לבסוף, השאיפה של הצוות הייתה לקבל משוב מיידי על כל שינוי שנעשה בקוד, לצמצם את לולאת המשוב מדקות לרגע, ובכך להפחית את מחזור הפיתוח של דגמי ML.
בפוסט זה, אנו מתעמקים במסע שעשה צוות הדירוג ב-Booking.com בזמן שהם רתמו את היכולות של SageMaker למודרניזציה של מסגרת ניסוי ה-ML שלהם. בכך, הם לא רק התגברו על האתגרים הקיימים שלהם, אלא גם שיפרו את חווית החיפוש שלהם, ובסופו של דבר הועיל למיליוני מטיילים ברחבי העולם.
גישה למודרניזציה
צוות הדירוג מורכב מכמה מדעני ML שכל אחד צריך לפתח ולבדוק את המודל שלו במצב לא מקוון. כאשר מודל נחשב מוצלח על פי ההערכה הלא מקוונת, ניתן להעביר אותו לבדיקת A/B בייצור. אם הוא מציג שיפור מקוון, ניתן לפרוס אותו לכל המשתמשים.
המטרה של פרויקט זה הייתה ליצור סביבה ידידותית למשתמש עבור מדעני ML להפעיל בקלות להתאמה אישית אמזון SageMaker מודלים לבניית צינורות לבחון את ההשערות שלהם ללא צורך בקוד מודולים ארוכים ומסובכים.
אחד ממספר האתגרים שעמד בפניהם היה התאמת פתרון הצינור המקומי הקיים לשימוש ב-AWS. הפתרון כלל שני מרכיבים מרכזיים:
- שינוי והרחבה של קוד קיים – החלק הראשון של הפתרון שלנו כלל שינוי והרחבה של הקוד הקיים שלנו כדי להפוך אותו לתואם לתשתית AWS. זה היה חיוני להבטחת מעבר חלק מעיבוד מקומי לעיבוד מבוסס ענן.
- פיתוח חבילות לקוח – פותחה חבילת לקוח שפועלת כעטיפה סביב ממשקי ה-API של SageMaker והקוד הקיים בעבר. חבילה זו משלבת את השניים, ומאפשרת למדעני ML להגדיר ולפרוס בקלות צינורות ML ללא קידוד.
תצורת צינור של SageMaker
התאמה אישית היא המפתח לצינור בניית המודל, והיא הושגה באמצעותה config.ini
, קובץ תצורה נרחב. קובץ זה משמש כמרכז הבקרה עבור כל התשומות וההתנהגויות של הצינור.
תצורות זמינות בפנים config.ini
כוללות:
- פרטי צינור - המתרגל יכול להגדיר את שם הצינור, לציין אילו שלבים יש לפעול, לקבוע היכן יש לאחסן את הפלטים שירות אחסון פשוט של אמזון (Amazon S3), ובחר באילו מערכי נתונים להשתמש
- פרטי חשבון AWS - אתה יכול להחליט באיזה אזור הצינור צריך לרוץ ובאיזה תפקיד יש להשתמש
- תצורה ספציפית לשלב – עבור כל שלב בצנרת, ניתן לציין פרטים כגון מספר וסוג המופעים לשימוש, יחד עם פרמטרים רלוונטיים
הקוד הבא מציג קובץ תצורה לדוגמה:
config.ini
הוא קובץ מבוקר גרסה המנוהל על ידי Git, המייצג את התצורה המינימלית הנדרשת לריצת צינור אימון מוצלחת. במהלך הפיתוח, ניתן להשתמש בקובצי תצורה מקומיים שאינם נשלטים על גרסאות. קבצי תצורה מקומיים אלה צריכים להכיל רק הגדרות הרלוונטיות לריצה ספציפית, תוך הצגת גמישות ללא מורכבות. לקוח יצירת הצינור נועד לטפל במספר קובצי תצורה, כאשר האחרון מקבל עדיפות על פני הגדרות קודמות.
שלבי צנרת של SageMaker
הצינור מחולק לשלבים הבאים:
- אימון ובדיקה של הכנת נתונים - טרה-בייט של נתונים גולמיים מועתקים לדלי S3, מעובדים באמצעות דבק AWS משרות לעיבוד Spark, וכתוצאה מכך נתונים מובנים ומעוצבים להתאמה.
- רכבת – שלב ההכשרה משתמש באומדן TensorFlow עבור עבודות הדרכה של SageMaker. האימון מתרחש בצורה מבוזרת באמצעות Horovod, וחפץ הדגם המתקבל מאוחסן באמזון S3. עבור כוונון היפרפרמטרים, ניתן להתחיל עבודת אופטימיזציה של היפרפרמטרים (HPO), בחירת המודל הטוב ביותר על סמך המדד האובייקטיבי.
- לחזות - בשלב זה, עבודת SageMaker Processing משתמשת בחפץ המודל המאוחסן כדי לבצע תחזיות. תהליך זה פועל במקביל במכונות זמינות, ותוצאות החיזוי מאוחסנות באמזון S3.
- להעריך - עבודת עיבוד PySpark מעריכה את המודל באמצעות סקריפט Spark מותאם אישית. דוח ההערכה מאוחסן לאחר מכן באמזון S3.
- מַצָב – לאחר הערכה מתקבלת החלטה לגבי איכות הדגם. החלטה זו מבוססת על מדד תנאי שהוגדר בקובץ התצורה. אם ההערכה חיובית, המודל נרשם כאושר; אחרת, הוא נרשם כנדחה. בשני המקרים, דוח ההערכה וההסבר, אם נוצר, נרשמים במרשם המודלים.
- דגם חבילה להסקת מסקנות – באמצעות עבודת עיבוד, אם תוצאות ההערכה חיוביות, המודל נארז, מאוחסן באמזון S3 ומוכן להעלאה לפורטל ML הפנימי.
- להסביר - SageMaker Clarify מייצר דוח הסבר.
נעשה שימוש בשני מאגרים נפרדים. המאגר הראשון מכיל את ההגדרה וקוד הבנייה עבור צינור ה-ML, והמאגר השני מכיל את הקוד שפועל בתוך כל שלב, כגון עיבוד, הדרכה, חיזוי והערכה. גישת מאגר כפול זו מאפשרת מודולריות רבה יותר, ומאפשרת לצוותי מדע והנדסה לחזור על קוד ML ורכיבי צינור ML באופן עצמאי.
התרשים הבא ממחיש את זרימת העבודה של הפיתרון.
כוונון דגם אוטומטי
אימון מודלים של ML דורש גישה איטרטיבית של ניסויי אימון מרובים כדי לבנות מודל סופי חזק ויעיל לשימוש עסקי. על מדעני ה-ML לבחור את סוג המודל המתאים, לבנות את מערכי הנתונים הנכונים של הקלט ולהתאים את ערכת ההיפרפרמטרים השולטים בתהליך למידת המודל במהלך האימון.
בחירת הערכים המתאימים להפרפרמטרים עבור תהליך אימון המודל יכולה להשפיע באופן משמעותי על הביצועים הסופיים של המודל. עם זאת, אין דרך ייחודית או מוגדרת לקבוע אילו ערכים מתאימים למקרה שימוש ספציפי. רוב הזמן, מדעני ML יצטרכו להריץ מספר עבודות אימון עם קבוצות שונות של היפרפרמטרים, לצפות במדדי אימון המודל ולאחר מכן לנסות לבחור ערכים מבטיחים יותר עבור האיטרציה הבאה. תהליך זה של כוונון ביצועי מודל ידוע גם כאופטימיזציה של היפרפרמטרים (HPO), ולעיתים יכול לדרוש מאות ניסויים.
צוות הדירוג נהג לבצע HPO באופן ידני בסביבה המקומית שלהם מכיוון שהם יכלו להשיק רק מספר מוגבל מאוד של עבודות הדרכה במקביל. לכן, הם נאלצו להריץ את HPO ברצף, לבדוק ולבחור שילובים שונים של ערכי היפרפרמטר באופן ידני, ולנטר באופן קבוע את ההתקדמות. זה האריך את תהליך הפיתוח והכוונון של המודל והגביל את המספר הכולל של ניסויי HPO שיכולים לפעול בפרק זמן אפשרי.
עם המעבר ל-AWS, צוות הדירוג הצליח להשתמש בתכונת כוונון הדגמים האוטומטי (AMT) של SageMaker. AMT מאפשרת למדענים בדירוג ML להשיק אוטומטית מאות עבודות הדרכה בטווחי היפרפרמטרים המעניינים כדי למצוא את הגרסה בעלת הביצועים הטובים ביותר של הדגם הסופי בהתאם למדד הנבחר. צוות הדירוג יכול כעת לבחור בין ארבע אסטרטגיות כוונון אוטומטי שונות לבחירת ההיפרפרמטרים שלהם:
- חיפוש רשת – AMT תצפה שכל הפרמטרים ההיפר-פרמטרים יהיו ערכים קטגוריים, והיא תשיק עבודות הדרכה עבור כל שילוב קטגורי מובהק, ותחקור את כל מרחב ההיפר-פרמטרים.
- חיפוש אקראי – AMT יבחר באקראי שילובי ערכי היפרפרמטרים בטווחים שסופקו. מכיוון שאין תלות בין עבודות הכשרה שונות ובחירת ערכי פרמטר, ניתן להפעיל מספר רב של עבודות הכשרה מקבילות בשיטה זו, ולהאיץ את תהליך בחירת הפרמטרים האופטימלי.
- מיטוב בייסי - AMT משתמשת ביישום אופטימיזציה בייסיאנית כדי לנחש את הסט הטוב ביותר של ערכי היפרפרמטרים, ומתייחסת אליו כבעיית רגרסיה. הוא ישקול שילובי היפרפרמטרים שנבדקו בעבר והשפעתם על עבודות ההדרכה של המודל עם בחירת הפרמטרים החדשה, תוך אופטימיזציה לבחירת פרמטרים חכמה יותר עם פחות ניסויים, אך היא גם תשיק עבודות הדרכה רק ברצף כדי תמיד להיות מסוגל ללמוד מהכשרות קודמות.
- היפרבנד – AMT תשתמש בתוצאות הביניים והסופיות של עבודות ההדרכה שהיא מפעילה כדי להקצות מחדש משאבים באופן דינמי לעבודות הדרכה עם תצורות היפרפרמטרים המציגות תוצאות מבטיחות יותר תוך עצירה אוטומטית של אלה שביצועים נמוכים יותר.
AMT ב- SageMaker אפשרה לצוות הדירוג לצמצם את הזמן המושקע בתהליך כוונון היפרפרמטרים לפיתוח המודל שלהם על ידי כך שאפשרה להם בפעם הראשונה להריץ ניסויים מקבילים מרובים, להשתמש באסטרטגיות כוונון אוטומטיות ולבצע ריצות אימון דו-ספרתיות בתוך ימים, משהו שלא היה אפשרי במקום.
הסבר מודל עם SageMaker Clarify
הסבר מודל מאפשר למתרגלי ML להבין את האופי וההתנהגות של מודלים ML שלהם על ידי מתן תובנות יקרות ערך עבור הנדסת תכונות והחלטות בחירה, אשר בתורו משפר את איכות תחזיות המודל. צוות הדירוג רצה להעריך את תובנות ההסבר שלהם בשתי דרכים: להבין כיצד קלט תכונה משפיע על פלטי המודל על פני כל מערך הנתונים שלהם (אפשרות פרשנות גלובלית), וכן להיות מסוגל לגלות השפעת תכונת קלט עבור חיזוי מודל ספציפי על נקודת עניין של נתונים ( פרשנות מקומית). בעזרת נתונים אלה, מדעני דירוג ML יכולים לקבל החלטות מושכלות כיצד לשפר עוד יותר את ביצועי המודל שלהם ולהתחשב בתוצאות החיזוי המאתגרות שהמודל יספק מדי פעם.
SageMaker Clarify מאפשר לך להפיק דוחות הסבר מודל באמצעות הסברים תוספים של שאפליי (SHAP) בעת אימון הדגמים שלך ב- SageMaker, תמיכה בפירוש המודל העולמי והמקומי כאחד. בנוסף לדוחות ההסבר של המודל, SageMaker Clarify תומך בהרצת ניתוחים עבור מדדי הטיה לפני אימון, מדדי הטיה לאחר אימון ותלות תלות חלקית. העבודה תופעל כעבודת SageMaker Processing בתוך חשבון AWS והיא משתלבת ישירות עם הצינורות של SageMaker.
דוח הפרשנות הגלובלי יופק אוטומטית בפלט העבודה ויוצג ב- סטודיו SageMaker של אמזון סביבה כחלק מהפעלת ניסוי האימון. אם מודל זה נרשם ברישום המודלים של SageMaker, הדוח יקושר בנוסף לחפץ המודל. באמצעות שתי האפשרויות הללו, צוות הדירוג הצליח לעקוב בקלות אחר גרסאות דגמים שונות ושינויי ההתנהגות שלהן.
כדי לחקור את ההשפעה של תכונת הקלט על חיזוי בודד (ערכי פרשנות מקומיים), צוות הדירוג אפשר את הפרמטר save_local_shap_values
בעבודות SageMaker Clarify והצליח לטעון אותם מדלי S3 לניתוחים נוספים במחברות Jupyter ב- SageMaker Studio.
התמונות הקודמות מציגות דוגמה כיצד תיראה יכולת הסבר של מודל עבור מודל ML שרירותי.
אופטימיזציה להכשרה
עלייתה של למידה עמוקה (DL) הובילה לכך ש-ML הופך יותר ויותר להסתמך על כוח חישוב וכמויות אדירות של נתונים. מתרגלי ML מתמודדים בדרך כלל עם המכשול של שימוש יעיל במשאבים בעת אימון מודלים מורכבים אלה. כאשר אתה מפעיל אימון על אשכולות מחשוב גדולים, מתעוררים אתגרים שונים באופטימיזציה של ניצול המשאבים, כולל בעיות כמו צווארי בקבוק של קלט/פלט, עיכובי השקת ליבה, אילוצי זיכרון ומשאבים שלא מנוצלים. אם התצורה של עבודת האימון אינה מכווננת ליעילות, מכשולים אלו עלולים לגרום לשימוש לא אופטימלי בחומרה, משכי אימון ממושכים, או אפילו ריצות אימון לא שלמות. גורמים אלו מגדילים את עלויות הפרויקט ומעכבים את לוחות הזמנים.
פרופיל של שימוש במעבד ו-GPU עוזר להבין את חוסר היעילות הללו, לקבוע את צריכת משאבי החומרה (זמן וזיכרון) של פעולות TensorFlow השונות במודל שלך, לפתור צווארי בקבוק בביצועים, ובסופו של דבר לגרום למודל לפעול מהר יותר.
צוות הדירוג השתמש בתכונת פרופיל המסגרת של באגים של SageMaker באמזון (עכשיו הוצא משימוש לטובת Amazon SageMaker Profiler) כדי לייעל את עבודות ההדרכה הללו. זה מאפשר לך לעקוב אחר כל הפעילויות על מעבדים ו-GPUs, כגון ניצול מעבד ו-GPU, ריצות ליבה על מעבדי GPU, השקות ליבה במעבדים, פעולות סנכרון, פעולות זיכרון על פני GPUs, זמן השהייה בין השקות ליבה והרצות מתאימות, והעברת נתונים בין מעבדים ומעבדי GPU.
צוות הדירוג השתמש גם ב- TensorFlow Profiler תכונה של TensorBoard, מה שעזר עוד יותר לפרופיל את אימון מודל TensorFlow. SageMaker הוא עכשיו שילוב נוסף עם TensorBoard ומביאה את כלי ההדמיה של TensorBoard ל- SageMaker, המשולבים באימונים ובדומיינים של SageMaker. TensorBoard מאפשר לך לבצע משימות ניפוי באגים באמצעות תוספי ההדמיה של TensorBoard.
בעזרת שני הכלים הללו, צוות הדירוג עשה אופטימיזציה של מודל TensorFlow שלהם והצליח לזהות צווארי בקבוק ולהפחית את זמן צעדי האימון הממוצע מ-350 מילישניות ל-140 מילישניות במעבד ומ-170 מילישניות ל-70 מילישניות ב-GPU, מהירות של 60% ו-59%, בהתאמה.
תוצאות עסקיות
מאמצי ההגירה התרכזו סביב שיפור זמינות, מדרגיות וגמישות, אשר הביאו יחד את סביבת ה-ML לרמה חדשה של מצוינות תפעולית, המומחשת על ידי תדירות האימון המוגברת במודל וירידה בכשלים, זמני אימון מיטובים ויכולות ML מתקדמות.
תדירות אימונים וכשלים במודל
מספר המשרות החודשיות להכשרת מודלים גדל פי חמישה, מה שהוביל לאופטימיזציות של מודלים תכופים יותר באופן משמעותי. יתרה מזאת, סביבת ה-ML החדשה הובילה להפחתה בשיעור הכישלונות של ריצות צינור, ירידה מכ-50% ל-20%. זמן עיבוד העבודה הכושלת ירד באופן דרסטי, משעה בממוצע ל-5 שניות זניחות. זה הגדיל מאוד את היעילות התפעולית והפחית את בזבוז המשאבים.
זמן אימון אופטימלי
ההגירה הביאה איתה עליות יעילות באמצעות אימון GPU מבוסס SageMaker. משמרת זו הפחיתה את זמן אימון המודל לחמישית ממשך הקודם. בעבר, תהליכי ההדרכה למודלים של למידה עמוקה צרכו כ-60 שעות במעבד; זה יועל לכ-12 שעות ב-GPU. שיפור זה לא רק חוסך זמן אלא גם מזרז את מחזור הפיתוח, ומאפשר איטרציות ושיפורי מודל מהירים יותר.
יכולות ML מתקדמות
מרכזי בהצלחת ההגירה הוא השימוש בערכת התכונות של SageMaker, הכוללת כוונון היפרפרמטרים והסבר מודל. יתרה מזאת, ההגירה אפשרה מעקב חלק אחר ניסויים באמצעות ניסויים באמזון SageMaker, המאפשר ניסוי תובנות ופרודוקטיבי יותר.
והכי חשוב, סביבת הניסוי החדשה של ML תמכה בפיתוח מוצלח של דגם חדש שנמצא כעת בייצור. מודל זה הוא למידה עמוקה ולא מבוסס עצים והציג שיפורים ניכרים בביצועי המודל המקוון.
סיכום
פוסט זה סיפק סקירה כללית של שיתוף הפעולה של AWS Professional Services ו-Booking.com שהביא להטמעה של מסגרת ML ניתנת להרחבה והפחית בהצלחה את זמן היציאה לשוק של מודלים ML של צוות הדירוג שלהם.
צוות הדירוג ב-Booking.com למד שהמעבר לענן ול-SageMaker הוכיח את עצמו כמועיל, וכי התאמת שיטות למידת מכונה (MLOps) מאפשרת למהנדסי ה-ML שלהם ולמדענים להתמקד במלאכה שלהם ולהגביר את מהירות הפיתוח. הצוות חולק את הלמידה והעבודה שנעשתה עם כל קהילת ה-ML ב-Booking.com, באמצעות שיחות ומפגשים ייעודיים עם מתרגלי ML שבהם הם חולקים את הקוד והיכולות. אנו מקווים שפוסט זה יכול לשמש דרך נוספת לחלוק את הידע.
שירותים מקצועיים של AWS מוכנים לעזור לצוות שלך לפתח ML ניתנת להרחבה ומוכנה לייצור ב-AWS. למידע נוסף, ראה שירותים מקצועיים של AWS או צור קשר דרך מנהל החשבון שלך כדי ליצור קשר.
על הכותבים
לורנס ואן דר מאס הוא מהנדס למידת מכונה בשירותים מקצועיים של AWS. הוא עובד בשיתוף פעולה הדוק עם לקוחות בונים את פתרונות למידת המכונה שלהם ב-AWS, מתמחה בהדרכה מבוזרת, ניסויים ובינה מלאכותית אחראית, ונלהב מהאופן שבו למידת מכונה משנה את העולם כפי שאנו מכירים אותו.
דניאל זגיבה הוא מדען נתונים בשירותים מקצועיים של AWS. הוא מתמחה בפיתוח פתרונות למידת מכונה ניתנים להרחבה בדרגת ייצור עבור לקוחות AWS. הניסיון שלו משתרע על פני תחומים שונים, כולל עיבוד שפה טבעית, AI יצירתי ופעולות למידת מכונה.
קוסטיה קופמן הוא מנהל בכיר למידת מכונה ב-Booking.com, המוביל את צוות Search Ranking ML, המפקח על מערכת ה-ML הנרחבת ביותר של Booking.com. עם מומחיות בהתאמה אישית ודירוג, הוא משגשג במינוף טכנולוגיה חדשנית כדי לשפר את חוויות הלקוחות.
ג'ני טוקר הוא מהנדס למידת מכונה בכיר בצוות דירוג החיפוש של Booking.com. היא מתמחה בפיתוח צינורות ML מקצה לקצה המאופיינים ביעילות, אמינות, מדרגיות וחדשנות. המומחיות של ג'ני מעצימה את הצוות שלה ליצור דגמי דירוג מתקדמים המשרתים מיליוני משתמשים מדי יום.
אלכסנדרה דוקיץ' הוא מדען נתונים בכיר בשירותים מקצועיים של AWS. היא נהנית לתמוך בלקוחות בבניית פתרונות AI/ML חדשניים ב-AWS והיא נרגשת מהטרנספורמציות עסקיות באמצעות הכוח של הנתונים.
לובה פרוציבה הוא מנהל מעורבות בשירותים מקצועיים של AWS. היא מתמחה באספקת פתרונות Data ו- GenAI/ML המאפשרים ללקוחות AWS למקסם את הערך העסקי שלהם ולהאיץ את מהירות החדשנות.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/how-booking-com-modernized-its-ml-experimentation-framework-with-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 100
- 12
- 130
- 140
- 16
- 350
- 60
- 7
- 70
- a
- יכולת
- יכול
- אודות
- להאיץ
- גישה
- פי
- חֶשְׁבּוֹן
- הושג
- לרוחב
- פעילויות
- מעשים
- מסתגל
- תוספת
- בנוסף
- מתקדם
- להשפיע על
- לאחר
- AI
- AI / ML
- אלגוריתמים
- תעשיות
- מותר
- מאפשר
- לאורך
- גם
- תמיד
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- כמות
- כמויות
- an
- מנתח
- ו
- אחר
- ממשקי API
- גישה
- מתאים
- מאושר
- בערך
- שרירותי
- ARE
- אזורים
- לְהִתְעוֹרֵר
- סביב
- AS
- שאיפה
- At
- מכני עם סלילה אוטומטית
- באופן אוטומטי
- זמינות
- זמין
- מְמוּצָע
- AWS
- שירותים מקצועיים של AWS
- בחזרה
- מבוסס
- בייסיאנית
- BE
- כי
- התהוות
- התנהגות
- התנהגותי
- התנהגויות
- מועיל
- מרוויח
- הטוב ביותר
- בֵּין
- הטיה
- הזמנה
- Booking.com
- שניהם
- צווארי בקבוק
- מביא
- מובא
- לִבנוֹת
- בִּניָן
- עסקים
- אבל
- by
- CAN
- יכולות
- מקרה
- מקרים
- מרכז
- מרוכז
- האתגרים
- אתגר
- שינוי
- שינויים
- משתנה
- מאופיין
- בחרו
- נבחר
- לקוחות
- מקרוב
- ענן
- קוד
- סִמוּל
- שיתף פעולה
- שיתוף פעולה
- יַחַד
- COM
- שילוב
- שילובים
- משלב
- בדרך כלל
- קהילה
- תאימות
- תואם
- מורכב
- מורכבות
- מסובך
- רכיבים
- חישובית
- כוח חישובי
- לחשב
- מצב
- תְצוּרָה
- לשקול
- מורכב
- אילוצים
- מאוכל
- צְרִיכָה
- להכיל
- מכיל
- לִשְׁלוֹט
- לתקן
- תוֹאֵם
- עלויות
- יכול
- לעצב
- לִיצוֹר
- יצירה
- מכריע
- מנהג
- לקוח
- לקוחות
- להתאמה אישית
- שיא הטכנולוגיה
- טכנולוגיה חדשנית
- מחזור
- נתונים
- הכנת נתונים
- מדען נתונים
- מערכי נתונים
- יְוֹם
- ימים
- להחליט
- החלטה
- החלטות
- ירד
- מוקדש
- נחשב
- עמוק
- למידה עמוקה
- לְהַגדִיר
- מוגדר
- הגדרה
- עיכוב
- עיכובים
- למסור
- אספקה
- להתעמק
- תלות
- תלות
- לפרוס
- פרס
- הוצא משימוש
- מעוצב
- פרטים
- לקבוע
- לפתח
- מפותח
- מתפתח
- צעצועי התפתחות
- תרשים
- אחר
- ישירות
- לגלות
- מוצג
- מובהק
- מופץ
- הכשרה מבוזרת
- מחולק
- עושה
- תחומים
- עשה
- באופן דרסטי
- נשמט
- משך
- בְּמַהֲלָך
- באופן דינמי
- כל אחד
- בקלות
- יְעִילוּת
- יעילות
- מַאֲמָצִים
- יצא לדרך
- מעצים
- לאפשר
- מופעל
- מאפשר
- מה שמאפשר
- מקיף
- מקצה לקצה
- התעסקות
- מהנדס
- הנדסה
- מהנדסים
- להגביר את
- שיפור
- הבטחתי
- שלם
- סביבה
- תקופות
- חיוני
- להעריך
- הערכה
- אֲפִילוּ
- כל
- כל יום
- דוגמה
- אקסלנס
- נרגש
- מודגשת
- קיימים
- לצפות
- מזרז
- ניסיון
- חוויות
- לְנַסוֹת
- ניסויים
- מומחיות
- להסביר
- לחקור
- היכרות
- מאריך
- משתרע
- הארכה
- נרחב
- פָּנִים
- מתמודד
- גורמים
- נכשל
- כשלון
- כישלונות
- שקר
- מהר יותר
- טובה
- אפשרי
- מאפיין
- תכונות
- מָשׁוֹב
- פחות
- שלח
- קבצים
- סופי
- בסופו של דבר
- ראשון
- firsttime
- גמישות
- להתמקד
- הבא
- בעד
- ארבע
- מסגרת
- תדר
- תכוף
- החל מ-
- נוסף
- יתר על כן
- זכייה
- ליצור
- נוצר
- מייצר
- גנרטטיבית
- AI Generative
- לקבל
- Git
- גלוֹבָּלִי
- מטרה
- GPU
- GPUs
- יותר
- לנחש
- היה
- לטפל
- חומרה
- רָתוּם
- יש
- he
- לעזור
- עזר
- עוזר
- לה
- שֶׁלוֹ
- לקוות
- שעה
- שעות
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- מאות
- משוכה
- אופטימיזציה של היפר-פרמטרים
- כוונון היפר-פרמטר
- לזהות
- if
- מדגים
- תמונות
- מיידי
- פְּגִיעָה
- הפעלה
- חשוב
- לשפר
- משופר
- השבחה
- שיפורים
- משפר
- in
- לכלול
- כולל
- להגדיל
- גדל
- עליות
- יותר ויותר
- באופן עצמאי
- תעשייה
- חוסר יעילות
- להשפיע
- מידע
- הודעה
- תשתית
- יזם
- לחדש
- חדשנות
- חדשני
- קלט
- תשומות
- בתוך
- תובנה
- תובנות
- מיידי
- משולב
- משלב
- אינטרס
- פנימי
- אל תוך
- הציג
- החדרה
- מעורב
- בעיות
- IT
- איטרציה
- איטרציות
- שֶׁלָה
- עבודה
- מקומות תעסוקה
- מסע
- jpg
- מפתח
- לדעת
- ידע
- ידוע
- נעדר
- שפה
- גָדוֹל
- האחרון
- לשגר
- הושק
- השקות
- מנהיג
- מוביל
- לִלמוֹד
- למד
- למידה
- הוביל
- רמה
- מינוף
- כמו
- מוגבל
- צמוד
- לִטעוֹן
- מקומי
- ארוך
- נראה
- נראה כמו
- מכונה
- למידת מכונה
- מכונה
- עשוי
- לעשות
- הצליח
- מנהל
- דרך
- באופן ידני
- לְהַגדִיל
- אומר
- זכרון
- שיטה
- מטרי
- מדדים
- נודד
- הֲגִירָה
- מיליונים
- מילי שניות
- מינימלי
- דקות
- ML
- MLOps
- מודל
- מודלים
- לְחַדֵשׁ
- מודולים
- צג
- אחת לחודש
- יותר
- רוב
- המהלך
- נִרגָשׁ
- הרבה
- מספר
- שם
- טבעי
- עיבוד שפה טבעית
- טבע
- צורך
- חדש
- הבא
- לא
- עַכשָׁיו
- מספר
- מטרה
- להתבונן
- מכשולים
- of
- לא מחובר
- לעתים קרובות
- on
- On-Demand
- ONE
- באינטרנט
- רק
- מבצעי
- תפעול
- אופטימלי
- אופטימיזציה
- אופטימיזציות
- מטב
- אופטימיזציה
- מיטוב
- אפשרויות
- or
- אחר
- אַחֶרֶת
- שלנו
- הַחוּצָה
- תפוקה
- פלטים
- יותר
- מקיף
- הַשׁגָחָה
- סקירה
- שֶׁלוֹ
- שלום
- חבילה
- ארוז
- מקביל
- פרמטר
- חלק
- לוהט
- לְבַצֵעַ
- ביצועים
- ביצוע
- התאמה אישית
- צינור
- מכריע
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- תוספים
- נקודה
- כניסה
- חיובי
- הודעה
- כּוֹחַ
- פרקטיקות
- קודם
- לחזות
- נבואה
- התחזיות
- הכנה
- קודם
- קוֹדֶם
- בעיה
- תהליך
- מעובד
- תהליכים
- תהליך
- הפקה
- פּרוּדוּקטִיבִי
- מקצועי
- פּרוֹפִיל
- פרופיל
- התקדמות
- פּרוֹיֶקט
- מבטיח
- הוכיח
- לספק
- ובלבד
- מתן
- איכות
- מהירות
- טווחים
- דירוג
- מהר
- ציון
- במקום
- חי
- לְהַגִיעַ
- מוכן
- לקבל
- זיהוי
- המלצה
- מוקלט
- להפחית
- מופחת
- הפחתה
- הפחתה
- בדבר
- באזור
- הירשם
- רשום
- רישום
- באופן קבוע
- נִדחֶה..
- רלוונטי
- אמינות
- לדווח
- דוחות לדוגמא
- מאגר
- המייצג
- לדרוש
- נדרש
- דורש
- לפתור
- משאב
- משאבים
- בהתאמה
- אחראי
- תוצאה
- וכתוצאה מכך
- תוצאות
- לעלות
- חָסוֹן
- תפקיד
- הפעלה
- ריצה
- פועל
- בעל חכמים
- צינורות SageMaker
- בקרת מערכות ותקשורת
- להרחבה
- סולם
- מדע
- מַדְעָן
- מדענים
- תסריט
- בצורה חלקה
- חיפוש
- שְׁנִיָה
- שניות
- לִרְאוֹת
- מחפשים
- בחר
- בחירה
- מבחר
- לחצני מצוקה לפנסיונרים
- לשרת
- משמש
- שירותים
- הפעלות
- סט
- סטים
- הגדרות
- כמה
- שיתוף
- שיתוף
- היא
- משמרת
- צריך
- לְהַצִיג
- הופעות
- באופן משמעותי
- פָּשׁוּט
- יחיד
- מעט שונה
- חכם יותר
- להחליק
- So
- פִּתָרוֹן
- פתרונות
- משהו
- מֶרחָב
- לעורר
- מתמחה
- ספציפי
- מְהִירוּת
- בילה
- שלב
- צעדים
- סְתִימָה
- אחסון
- מאוחסן
- אסטרטגיות
- זִרמִי
- בְּתוֹקֶף
- מובנה
- סטודיו
- לא אופטימלי
- הצלחה
- מוצלח
- בהצלחה
- כזה
- נתמך
- מסייע
- תומך
- סינכרון.
- מערכת
- מותאם
- נטילת
- שיחות
- משימות
- נבחרת
- צוותי
- טכנולוגיה
- tensorflow
- מבחן
- נבדק
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- העולם
- שֶׁלָהֶם
- אותם
- אז
- שם.
- בכך
- לכן
- אלה
- הֵם
- זֶה
- אלה
- משגשג
- דרך
- זמן
- צירי זמן
- פִּי
- ל
- כלים
- לגעת
- לקראת
- לעקוב
- מעקב
- רכבת
- הדרכה
- הדרכות
- להעביר
- טרנספורמציות
- מַעֲבָר
- נסיעות
- תעשיית התיירות
- מטיילים
- בטיפול
- נָכוֹן
- לנסות
- כונון
- תור
- שתיים
- סוג
- בסופו של דבר
- להבין
- ייחודי
- נוֹהָג
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- ידידותי למשתמש
- משתמשים
- שימושים
- באמצעות
- מנוצל
- בעל ערך
- ערך
- ערכים
- שונים
- Vast
- מְהִירוּת
- גרסה
- גירסאות
- מאוד
- ראיה
- לחכות
- רציתי
- היה
- דֶרֶך..
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- היו
- מתי
- אשר
- בזמן
- מי
- יצטרך
- עם
- בתוך
- לְלֹא
- תיק עבודות
- זרימת עבודה
- עובד
- עוֹלָם
- עולמי
- היה
- אתה
- זפירנט