זהו פוסט אורח בבלוג שנכתב יחד עם חוסיין ג'גירדר מ-Games24x7.
משחקים 24x7 היא אחת מפלטפורמות ריבוי המשחקים החשובות ביותר בהודו ומשעשעת למעלה מ-100 מיליון גיימרים במשחקי מיומנות שונים. עם "מדע המשחקים" כפילוסופיית הליבה שלהם, הם אפשרו חזון של אינפורמטיקה מקצה לקצה סביב דינמיקה של משחקים, פלטפורמות משחק ושחקנים על ידי איחוד כיווני מחקר אורתוגונליים של AI משחק, מדעי נתוני המשחק ומחקר משתמשי משחקים. צוות AI ומדעי הנתונים צוללים לתוך שפע של נתונים רב-ממדיים ומפעילים מגוון מקרי שימוש כמו אופטימיזציה של מסע שחקנים, זיהוי פעולות במשחק, התאמה אישית יתרה, לקוח 360 ועוד ב-AWS.
Games24x7 מפעילה מסגרת אוטומטית, מונעת נתונים, מופעלת בינה מלאכותית להערכת התנהגותו של כל שחקן באמצעות אינטראקציות בפלטפורמה ומסמנת משתמשים עם התנהגות חריגה. הם בנו מודל למידה עמוקה ScarceGAN, המתמקד בזיהוי של דגימות נדירות או נדירות ביותר מנתוני טלמטריה אורכיים רב-ממדיים עם תוויות קטנות וחלשות. עבודה זו פורסמה ב CIKM'21 והוא קוד פתוח לזיהוי מחלקה נדירה עבור כל נתוני טלמטריה אורכיים. הצורך בייצור ואימוץ של המודל היה בעל חשיבות עליונה כדי ליצור עמוד שדרה מאחורי הפעלת משחק אחראי בפלטפורמה שלהם, כאשר המשתמשים המסומנים יכולים לעבור מסע אחר של מתינות ושליטה.
בפוסט זה, אנו משתפים כיצד Games24x7 שיפרו את צינורות ההדרכה שלהם עבור פלטפורמת המשחקים האחראית שלהם באמצעות אמזון SageMaker.
אתגרים של לקוחות
צוות DS/AI ב-Games24x7 השתמש במספר שירותים שסופקו על ידי AWS, כולל מחברות SageMaker, פונקציות שלב AWS, AWS למבדה, ו אמזון EMR, לבניית צינורות למקרי שימוש שונים. כדי להתמודד עם הסחף בהפצת הנתונים, ולכן לאמן מחדש את מודל ScarceGAN שלהם, הם גילו שהמערכת הקיימת זקוקה לפתרון MLOps טוב יותר.
בצנרת הקודמת דרך Step Functions, בסיס קוד מונוליט יחיד הפעיל עיבוד מקדים של נתונים, אימון מחדש והערכה. זה הפך לצוואר בקבוק בפתרון בעיות, הוספה או הסרה של שלב, או אפילו בביצוע כמה שינויים קטנים בתשתית הכוללת. פונקציית צעדים זו יצרה אשכול של מופעים לחילוץ ועיבוד נתונים מ-S3, והשלבים הנוספים של עיבוד מקדים, אימון, הערכה יפעלו על מופע EC2 גדול יחיד. בתרחישים שבהם הצינור נכשל בכל שלב, היה צורך להפעיל מחדש את כל זרימת העבודה מההתחלה, מה שהביא להרצה חוזרת ועלות מוגברת. כל מדדי ההדרכה וההערכה נבדקו ידנית מאמזון Simple Storage Service (Amazon S3). לא היה מנגנון להעביר ולאחסן את המטא נתונים של הניסויים המרובים שנעשו במודל. בשל ניטור המודל המבוזר, חקירה יסודית ובחירת דובדבן של המודל הטוב ביותר נדרשו שעות מצוות מדע הנתונים. הצטברות של כל המאמצים הללו הביאה לתפוקה נמוכה יותר של הצוות ולהגדלת התקורה. בנוסף, עם צוות שגדל במהירות, זה היה מאוד מאתגר לחלוק את הידע הזה על פני הצוות.
מכיוון שהמושגים של MLOps הם נרחבים מאוד ויישום כל השלבים דורש זמן, החלטנו שבשלב הראשון נתייחס לבעיות הליבה הבאות:
- סביבה מאובטחת, מבוקרת ומבוססת על תבנית להכשיר מחדש את מודל הלמידה העמוקה הפנימית שלנו תוך שימוש בשיטות עבודה מומלצות בתעשייה
- סביבת אימון עם פרמטרים לשליחת קבוצה שונה של פרמטרים עבור כל עבודת הדרכה מחדש וביקורת על הריצות האחרונות
- היכולת לעקוב באופן חזותי אחר מדדי אימון ומדדי הערכה, ובעל מטא נתונים לעקוב אחר ניסויים ולהשוות אותם
- היכולת לבצע קנה מידה של כל צעד בנפרד ושימוש חוזר בשלבים הקודמים במקרים של כשלים בשלבים
- סביבה ייעודית אחת לרישום דגמים, אחסון תכונות והפעלת צינורות מסקנות
- ערכת כלים מודרנית שיכולה למזער את דרישות המחשוב, להוזיל עלויות ולהניע פיתוח ותפעול ML בר-קיימא על ידי שילוב הגמישות של שימוש במופעים שונים עבור שלבים שונים
- יצירת תבנית בנצ'מרק של צינור MLOps מתקדם שניתן להשתמש בו על פני צוותי מדעי נתונים שונים
Games24x7 החלו להעריך פתרונות אחרים, כולל Amazon SageMaker Studio Pipelines. לפתרון שכבר קיים דרך Step Functions היו מגבלות. לצינורות הסטודיו הייתה הגמישות של הוספה או הסרה של שלב בכל נקודת זמן. כמו כן, ניתן להמחיש את הארכיטקטורה הכוללת והתלות בנתונים שלהם בין כל שלב באמצעות DAGs. ההערכה והכוונן העדין של שלבי ההכשרה מחדש הפכו יעילים למדי לאחר שאימצנו פונקציות שונות של Amazon SageMaker כמו Amazon SageMaker Studio, Pipelines, Processing, Training, Registry Model וניסויים וניסויים. צוות ארכיטקטורת הפתרונות של AWS הראה צלילה עמוקה נהדרת והיה ממש מכריע בתכנון והטמעה של פתרון זה.
סקירת פתרונות
התרשים הבא ממחיש את ארכיטקטורת הפתרונות.
הפתרון משתמש ב-a סטודיו SageMaker סביבה כדי להפעיל את ניסויי ההכשרה מחדש. הקוד להפעלת סקריפט הצינור זמין במחברות הסטודיו, ונוכל לשנות את הפרמטרים ההיפר וקלט/פלט בעת הפעלת הצינור. זה שונה לגמרי מהשיטה הקודמת שלנו שבה כל הפרמטרים מקודדים בקשיחה בתוך הסקריפטים וכל התהליכים היו קשורים קשר בל יינתק. זה דרש מודולריזציה של הקוד המונוליטי לשלבים שונים.
התרשים הבא ממחיש את התהליך המונוליטי המקורי שלנו.
מודולריזציה
על מנת להרחיב, לעקוב ולהפעיל כל שלב בנפרד, הקוד המונוליטי היה צריך להיות מודולרי. פרמטרים, נתונים וקוד תלות בין כל שלב הוסרו, ונוצרו מודולים משותפים עבור הרכיבים המשותפים על פני השלבים. המחשה של המודולריזציה מוצגת להלן:-
עבור כל מודול בודד, הבדיקה נעשתה באופן מקומי באמצעות SDK של SageMaker מצב סקריפט להדרכה, עיבוד והערכה אשר נדרשו שינויים קלים בקוד להפעלה עם SageMaker. ה בדיקת מצב מקומי ללמידה עמוקה ניתן לבצע סקריפטים במחברות של SageMaker אם כבר בשימוש או על ידי שימוש מצב מקומי באמצעות SageMaker Pipelines במקרה של התחלה ישירה עם Pipelines. זה עוזר לאמת אם הסקריפטים המותאמים אישית שלנו יפעלו על מופעי SageMaker.
כל מודול נבדק לאחר מכן בבידוד באמצעות SageMaker הדרכה/עיבוד SDK של שימוש מצב סקריפט והריצו אותם ברצף באופן ידני באמצעות מופעי SageMaker עבור כל שלב כמו שלב האימון למטה:
Amazon S3 שימש כדי לגרום לנתוני המקור לעבד ולאחר מכן לאחסן את נתוני הביניים, מסגרות הנתונים ותוצאות ה-NumPy בחזרה לאמזון S3 לשלב הבא. לאחר סיום בדיקת האינטגרציה בין מודולים בודדים לעיבוד מקדים, הדרכה, הערכה, SDK של SageMaker Pipeline אשר משולב עם ה-SDK של SageMaker Python שכבר השתמשנו בשלבים שלעיל, אפשרו לנו לשרשר את כל המודולים הללו באופן פרוגרמטי על ידי העברת פרמטרי הקלט, הנתונים, המטא-נתונים והפלט של כל שלב כקלט לשלבים הבאים.
נוכל לעשות שימוש חוזר בקוד Sagemaker Python SDK הקודם כדי להפעיל את המודולים בנפרד לתוך ריצות מבוססות Sagemaker Pipeline SDK. היחסים בין כל שלב בצנרת נקבעים על פי התלות בנתונים בין השלבים.
השלבים האחרונים של הצינור הם כדלקמן:
- עיבוד מראש של נתונים
- הסבה מקצועית
- הערכה
- רישום דגם
בסעיפים הבאים, אנו דנים בכל אחד מהשלבים בפירוט רב יותר כאשר הם פועלים עם ה-SDK של SageMaker Pipeline.
עיבוד מראש של נתונים
שלב זה הופך את נתוני הקלט הגולמיים ואת התהליכים המקדימים ומתפצל למערכות הרכבה, אימות ובדיקות. עבור שלב העיבוד הזה, יצרנו עבודת עיבוד של SageMaker עם מעבד TensorFlow Framework, שלוקח את הסקריפט שלנו, מעתיק את הנתונים מאמזון S3, ואז מושך תמונת Docker שסופקה ומתוחזקת על ידי SageMaker. קונטיינר זה של Docker אפשר לנו להעביר את תלות הספרייה שלנו בקובץ requirements.txt תוך כדי שכל ספריות TensorFlow כבר כלולות, ולהעביר את הנתיב עבור source_dir עבור הסקריפט. נתוני הרכבת והאימות עוברים לשלב ההדרכה, ונתוני הבדיקה מועברים לשלב ההערכה. החלק הטוב ביותר בשימוש במיכל הזה היה שהוא אפשר לנו להעביר מגוון של תשומות ויציאות כמיקומי S3 שונים, שאותם יכלו לעבור כתלות שלב לשלבים הבאים בצנרת של SageMaker.
הסבה מקצועית
עטפנו את מודול ההדרכה דרך ה צינורות SageMaker TrainingStep API והשתמשו כבר בתמונות מיכל למידה עמוקה זמינות דרך מעריך TensorFlow Framework (הידוע גם כמצב Script) עבור אימון SageMaker. מצב הסקריפט אפשר לנו שינויים מינימליים בקוד האימון שלנו, ומיכל ה-Docker שנבנה מראש של SageMaker מטפל בגרסאות Python, Framework וכו'. יציאות העיבוד מה- Data_Preprocessing
השלב הועברו כ- TrainingInput של שלב זה.
כל הפרמטרים ההיפר הועברו דרך האומד דרך קובץ JSON. עבור כל תקופה באימון שלנו, כבר שלחנו את מדדי ההדרכה שלנו דרך stdOut בתסריט. מכיוון שרצינו לעקוב אחר המדדים של עבודת הכשרה מתמשכת ולהשוות אותם עם עבודות הכשרה קודמות, היינו צריכים לנתח את ה-StdOut הזה על-ידי הגדרת הגדרות המדדים באמצעות רגקס כדי להביא את המדדים מ-StdOut עבור כל תקופה.
היה מעניין להבין ש- SageMaker Pipelines באופן אוטומטי משתלב עם SageMaker Experiments API, אשר כברירת מחדל יוצר רכיב ניסוי, ניסיון וניסיון עבור כל ריצה. זה מאפשר לנו להשוות מדדי אימון כמו דיוק ודיוק על פני ריצות מרובות כפי שמוצג להלן.
עבור כל עבודת הדרכה, אנו מייצרים ארבעה דגמים שונים לאמזון S3 בהתבסס על ההגדרה העסקית המותאמת שלנו.
הערכה
שלב זה טוען את הדגמים המאומנים מאמזון S3 ומעריך על פי המדדים המותאמים אישית שלנו. ProcessingStep זה לוקח את המודל ואת נתוני הבדיקה כקלט שלו ומשליך את הדוחות של ביצועי המודל על Amazon S3.
אנו משתמשים במדדים מותאמים אישית, אז כדי לרשום את המדדים המותאמים אישית האלה לרישום המודלים, היינו צריכים להמיר את הסכימה של מדדי ההערכה המאוחסנים באמזון S3 כ-CSV ל- איכות דגם SageMaker פלט JSON. לאחר מכן נוכל לרשום את המיקום של מדדי JSON להערכה זו לרישום המודלים.
צילומי המסך הבאים מציגים דוגמה כיצד המרנו קובץ CSV לפורמט JSON באיכות של Sagemaker Model.
רישום דגם
כפי שהוזכר קודם לכן, יצרנו מספר דגמים בשלב אימון אחד, אז היינו צריכים להשתמש באינטגרציה של SageMaker Pipelines Lambda כדי לרשום את כל ארבעת הדגמים לרישום מודלים. עבור רישום דגם בודד נוכל להשתמש ב- ModelStep API ליצירת מודל SageMaker ברישום. עבור כל דגם, פונקציית Lambda מאחזרת את חפץ המודל ומדד ההערכה מאמזון S3 ויוצרת חבילת מודל ל-ARN ספציפי, כך שניתן לרשום את כל ארבעת הדגמים לרישום מודל יחיד. ממשקי ה-API של SageMaker Python אפשרו לנו גם לשלוח מטא נתונים מותאמים אישית שרצינו להעביר כדי לבחור את הדגמים הטובים ביותר. זה הוכח כאבן דרך חשובה לפרודוקטיביות מכיוון שניתן כעת להשוות ולבדוק את כל הדגמים מחלון אחד. סיפקנו מטא נתונים כדי להבדיל באופן ייחודי את המודל זה מזה. זה גם עזר באישור מודל יחיד בעזרת ביקורות עמיתים וסקירות ניהול המבוססות על מדדי מודל.
בלוק הקוד שלמעלה מציג דוגמה לאופן שבו הוספנו מטא נתונים דרך קלט חבילת מודל לרישום המודל יחד עם מדדי המודל.
צילום המסך שלהלן מראה באיזו קלות אנו יכולים להשוות מדדים של גרסאות דגמים שונות ברגע שהם נרשמים.
קריאת צינור
ניתן להפעיל את הצינור דרך EventBridge , Sagemaker Studio או ה SDK עצמו. ה-invocation מפעיל את המשימות על סמך התלות בנתונים בין השלבים.
סיכום
בפוסט זה, הדגמנו כיצד Games24x7 שינו את נכסי ה-MLOps שלהם באמצעות צינורות SageMaker. היכולת לעקוב באופן חזותי אחר מדדי אימון ומדדי הערכה, עם סביבה עם פרמטרים, קנה המידה של השלבים בנפרד עם פלטפורמת העיבוד הנכונה ורישום מודלים מרכזי הוכיחה את עצמה כציון דרך מרכזי בסטנדרטיזציה והתקדמות לזרימת עבודה ניתנת לביקורת, לשימוש חוזר, יעיל וניתן להסבר. . פרויקט זה הוא מתווה בין צוותי מדעי נתונים שונים והגדיל את הפרודוקטיביות הכוללת בכך שהוא מאפשר לחברים לפעול, לנהל ולשתף פעולה עם שיטות עבודה מומלצות.
אם יש לך מקרה שימוש דומה ואתה רוצה להתחיל, אנו ממליצים לעבור דרך SageMaker מצב סקריפט ו דוגמאות מקצה לקצה של SageMaker באמצעות Sagemaker Studio. בדוגמאות אלו יש את הפרטים הטכניים אשר נסקרו בבלוג זה.
אסטרטגיית נתונים מודרנית מעניקה לך תוכנית מקיפה לניהול, גישה, ניתוח ופעולה של נתונים. AWS מספקת את מערך השירותים השלם ביותר עבור כל מסע הנתונים מקצה לקצה עבור כל עומסי העבודה, כל סוגי הנתונים וכל התוצאות העסקיות הרצויות. בתורו, זה הופך את AWS למקום הטוב ביותר לפתוח ערך מהנתונים שלך ולהפוך אותם לתובנה.
על הכותבים
חוסיין ג'גירדר הוא מדען בכיר - מחקר יישומי ב-Games24x7. כיום הוא מעורב במאמצי מחקר בתחום הבינה המלאכותית הניתנת להסבר ולמידה עמוקה. עבודתו האחרונה כללה מודלים גנרטיביים עמוקים, מודלים של סדרות זמן ותתי תחומים קשורים של למידת מכונה ובינה מלאכותית. הוא גם נלהב מ-MLOps וסטנדרטיזציה של פרויקטים הדורשים אילוצים כמו מדרגיות, אמינות ורגישות.
סמיר קומאר הוא אדריכל פתרונות ב-AWS ובעל ניסיון של למעלה מ-13 שנים בתעשיית הטכנולוגיה. ב-AWS, הוא עובד בשיתוף פעולה הדוק עם לקוחות מפתח של AWS כדי לעצב ולהטמיע פתרונות מבוססי ענן הפותרים בעיות עסקיות מורכבות. הוא נלהב מאוד מניתוח נתונים ולמידת מכונה ויש לו רקורד מוכח של עזרה לארגונים לנצל את מלוא הפוטנציאל של הנתונים שלהם באמצעות AWS Cloud.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/how-games24x7-transformed-their-retraining-mlops-pipelines-with-amazon-sagemaker/
- :הוא
- 1
- 10
- 100
- 11
- 7
- a
- יכולת
- אודות
- מֵעַל
- גישה
- הצטברות
- דיוק
- ACM
- לרוחב
- לפעול
- פעולה
- הוסיף
- נוסף
- בנוסף
- כתובת
- מאומץ
- אימוץ
- לאחר
- AI
- תעשיות
- מאפשר
- מאפשר
- כְּבָר
- אמזון בעברית
- אמזון SageMaker
- סטודיו SageMaker של אמזון
- ניתוח
- לנתח
- ו
- API
- יישומית
- ארכיטקטורה
- ARE
- AREA
- סביב
- AS
- הערכה
- נכסים
- At
- בדיקה
- ניתן לבדיקה
- מבוקר
- אוטומטי
- באופן אוטומטי
- זמין
- AWS
- בחזרה
- עמוד שדרה
- מבוסס
- BE
- כי
- ההתחלה
- מאחור
- להיות
- להלן
- בנצ 'מרק
- הטוב ביותר
- שיטות עבודה מומלצות
- מוטב
- בֵּין
- לחסום
- בלוג
- בִּניָן
- נבנה
- עסקים
- by
- CAN
- מקרה
- מקרים
- מֶרכָּזִי
- שרשרת
- אתגר
- שינוי
- שינויים
- בכיתה
- מקרוב
- ענן
- אשכול
- קוד
- בסיס קוד
- לשתף פעולה
- לְהַשְׁווֹת
- לעומת
- להשלים
- מורכב
- רְכִיב
- רכיבים
- מַקִיף
- לחשב
- מושגים
- איחוד
- אילוצים
- מכולה
- מכולות
- לִשְׁלוֹט
- נשלט
- להמיר
- הומר
- ליבה
- עלות
- עלויות
- יכול
- מכוסה
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- כיום
- מנהג
- לקוח
- לקוחות
- נתונים
- ניתוח נתונים
- מדע נתונים
- אסטרטגיית נתונים
- נתונים מונחים
- מבוזר
- החליט
- מוקדש
- עמוק
- צלילה לעומק
- למידה עמוקה
- בְּרִירַת מֶחדָל
- הגדרה
- דרישה
- מופגן
- תלות
- עיצוב
- רצוי
- פרט
- פרטים
- איתור
- נחוש
- צעצועי התפתחות
- אחר
- ישירות
- גילה
- לדון
- לְהַבחִין
- הפצה
- סַוָר
- מטה
- נהיגה
- דינמיקה
- כל אחד
- מוקדם יותר
- בקלות
- יעיל
- מַאֲמָצִים
- או
- מעסיקה
- מופעל
- מה שמאפשר
- מקצה לקצה
- שלם
- סביבה
- תקופה
- הערכה
- הערכה
- אֲפִילוּ
- כל
- דוגמה
- דוגמאות
- הוצאת להורג
- קיימים
- המערכת הקיימת
- ניסיון
- לְנַסוֹת
- נרחב
- תמצית
- מאוד
- נכשל
- תכונות
- שלח
- סופי
- ראשון
- מסומן
- דגלים
- גמישות
- מתמקד
- הבא
- כדלקמן
- בעד
- פוּרמָט
- מסגרת
- החל מ-
- מלא
- פונקציה
- פונקציות
- פונקציות
- נוסף
- מִשְׂחָק
- גיימרים
- משחקים
- המשחקים
- פלטפורמת משחקים
- ליצור
- גנרטטיבית
- לקבל
- נותן
- Go
- Goes
- גדול
- אוֹרֵחַ
- לטפל
- מטפל
- קשה
- יש
- יש
- לעזור
- עזר
- עזרה
- עוזר
- שעות
- איך
- HTML
- HTTPS
- הזדהות
- תמונה
- תמונות
- ליישם
- הפעלה
- יישום
- לייבא
- משופר
- in
- כלול
- כולל
- שילוב
- גדל
- בנפרד
- בנפרד
- תעשייה
- תשתית
- קלט
- תובנה
- למשל
- אינסטרומנטלי
- משולב
- השתלבות
- יחסי גומלין
- מעניין
- חקירה
- מעורב
- בדידות
- בעיות
- IT
- איטרציה
- שֶׁלָה
- עצמו
- עבודה
- מקומות תעסוקה
- מסע
- jpg
- ג'סון
- מפתח
- ידע
- ידוע
- תוויות
- גָדוֹל
- למידה
- ספריות
- סִפְרִיָה
- כמו
- מגבלות
- צמוד
- המון
- באופן מקומי
- מיקום
- מקומות
- מכונה
- למידת מכונה
- גדול
- עושה
- עשייה
- לנהל
- ניהול
- באופן ידני
- מנגנון
- להרשם/להתחבר
- מוּזְכָּר
- מידע נוסף
- שיטה
- מטרי
- מדדים
- ציון דרך
- מִילִיוֹן
- מינימלי
- קטין
- ML
- MLOps
- מצב
- מודל
- מודלים
- מתינות
- מודרני
- מודול
- מודולים
- ניטור
- מוֹנוֹלִיטִי
- יותר
- רוב
- מספר
- שם
- צורך
- הבא
- מחברה
- קהות
- of
- on
- ONE
- מתמשך
- לפתוח
- להפעיל
- תפעול
- אופטימיזציה
- להזמין
- ארגונים
- מְקוֹרִי
- אחר
- תפוקה
- מקיף
- חבילה
- פרמטרים
- הגדול ביותר
- חלק
- לעבור
- עבר
- מעברי
- חולף
- לוהט
- נתיב
- ביצועים
- פילוסופיה
- צינור
- מקום
- תכנית
- פלטפורמה
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- לְשַׂחֵק
- שחקן
- שחקנים
- שֶׁפַע
- נקודה
- הודעה
- פוטנציאל
- מופעל
- פרקטיקות
- דיוק
- קודם
- בעיות
- תהליך
- תהליכים
- תהליך
- פִּריוֹן
- פּרוֹיֶקט
- פרויקטים
- נכסים
- הוכיח
- מוכח
- ובלבד
- מספק
- לאור
- מושך
- פיתון
- איכות
- נדיר
- חי
- לאחרונה
- להמליץ
- שיא
- regex
- הירשם
- רשום
- הַרשָׁמָה
- רישום
- קָשׁוּר
- מערכות יחסים
- אמינות
- הוסר
- הסרת
- חזר
- דוחות לדוגמא
- נדרש
- דרישות
- מחקר
- אחראי
- אחראי משחקים
- הופעל מחדש
- תוצאות
- לַחֲזוֹר
- לשימוש חוזר
- שימוש חוזר
- חוות דעת של לקוחותינו
- תפקיד
- הפעלה
- ריצה
- בעל חכמים
- צינורות SageMaker
- בקרת מערכות ותקשורת
- סולם
- דרוג
- נדיר
- תרחישים
- מדע
- מַדְעָן
- צילומי מסך
- סקריפטים
- Sdk
- סעיפים
- לבטח
- שליחה
- לחצני מצוקה לפנסיונרים
- רְגִישׁוּת
- רצף
- שרות
- שירותים
- סט
- סטים
- שיתוף
- משותף
- לְהַצִיג
- הראה
- הופעות
- דומה
- פָּשׁוּט
- יחיד
- מְיוּמָנוּת
- קטן
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- מָקוֹר
- ספציפי
- פיצולים
- התמחות
- תקינה
- החל
- החל
- מדינה-of-the-art
- סטטיסטיקה
- שלב
- צעדים
- אחסון
- חנות
- מאוחסן
- אִסטרָטֶגִיָה
- סטודיו
- כזה
- בר קיימא
- מערכת
- לוקח
- נבחרת
- צוותי
- טכני
- טכנולוגיה
- תבנית
- tensorflow
- מבחן
- בדיקות
- זֶה
- השמיים
- האזור
- המקור
- שֶׁלָהֶם
- אותם
- לכן
- אלה
- דרך
- זמן
- ל
- לעקוב
- רכבת
- מְאוּמָן
- הדרכה
- טרנספורמציה
- מִשׁפָּט
- ניסויים
- תור
- סוגים
- להבין
- באופן ייחודי
- לפתוח
- us
- להשתמש
- במקרה להשתמש
- משתמש
- משתמשים
- אימות
- בעל ערך
- ערך
- מגוון
- שונים
- חזון
- רציתי
- אשר
- בזמן
- כל
- יצטרך
- עם
- בתוך
- תיק עבודות
- עובד
- היה
- עטוף
- שנים
- אתה
- זפירנט