בעולם של קבלת החלטות מונעות נתונים, תחזית סדרת זמן הוא המפתח לאפשר לעסקים להשתמש בדפוסי נתונים היסטוריים כדי לצפות תוצאות עתידיות. בין אם אתה עובד בניהול סיכוני נכסים, מסחר, חיזוי מזג אוויר, חיזוי ביקוש לאנרגיה, ניטור סימנים חיוניים או ניתוח תעבורה, היכולת לחזות במדויק היא חיונית להצלחה.
ביישומים אלה, נתוני סדרות זמן יכולים להיות כבד זנב הפצות, שבהן פרָאק מייצגים ערכים קיצוניים. חיזוי מדויק באזורים אלה חשוב בקביעת הסבירות לאירוע קיצוני והאם להפעיל אזעקה. עם זאת, חריגים אלה משפיעים באופן משמעותי על הערכת התפלגות הבסיס, מה שהופך את התחזית החזקה למאתגרת. מוסדות פיננסיים מסתמכים על מודלים חזקים כדי לחזות חריגים כמו נפילות בשוק. במגזרי האנרגיה, מזג האוויר והבריאות, תחזיות מדויקות של אירועים נדירים אך בעלי השפעה רבה כגון אסונות טבע ומגיפות מאפשרות תכנון יעיל והקצאת משאבים. הזנחת התנהגות הזנב עלולה להוביל לאובדן, החמצת הזדמנויות ופגיעה בבטיחות. מתן עדיפות לדיוק בזנבות עוזר להוביל לתחזיות אמינות וניתנות לפעולה. בפוסט זה, אנו מאמנים מודל חיזוי חזק של סדרות זמן המסוגל ללכוד אירועים קיצוניים כאלה באמצעות אמזון SageMaker.
כדי להכשיר מודל זה ביעילות, אנו מקימים תשתית MLOps לייעל את תהליך פיתוח המודל על ידי אוטומציה של עיבוד מוקדם של נתונים, הנדסת תכונות, כוונון היפרפרמטרים ובחירת מודל. אוטומציה זו מפחיתה טעויות אנוש, משפרת את יכולת השחזור ומאיצה את מחזור פיתוח המודל. עם צינור הדרכה, עסקים יכולים לשלב ביעילות נתונים חדשים ולהתאים את המודלים שלהם לתנאים מתפתחים, מה שעוזר להבטיח שהתחזיות יישארו אמינות ומעודכנות.
לאחר הכשרה של מודל חיזוי סדרת הזמן, פריסתו בתוך נקודת קצה מעניקה יכולות חיזוי בזמן אמת. זה מסמיך אותך לקבל החלטות מושכלות ומגוונות על סמך הנתונים העדכניים ביותר. יתר על כן, פריסת המודל בנקודת קצה מאפשרת מדרגיות, מכיוון שמספר משתמשים ויישומים יכולים לגשת למודל ולהשתמש בו בו-זמנית. על ידי ביצוע שלבים אלה, עסקים יכולים לרתום את הכוח של חיזוי סדרות זמן חזק כדי לקבל החלטות מושכלות ולהישאר קדימה בסביבה המשתנה במהירות.
סקירה כללית של הפיתרון
פתרון זה מציג את ההכשרה של מודל חיזוי של סדרות זמן, שתוכנן במיוחד להתמודד עם חריגים ושונות בנתונים באמצעות רשת התהפכות זמנית (TCN) עם הפצת Spliced Binned Pareto (SBP).. למידע נוסף על גרסה רב-מודאלית של פתרון זה, עיין ב המדע מאחורי מדד המעבר החדש של NFL Next Gen Stats. כדי להמחיש עוד יותר את האפקטיביות של התפלגות SBP, אנו משווים אותה עם אותו מודל TCN אך באמצעות התפלגות גאוסית במקום זאת.
תהליך זה מרוויח משמעותית מה- תכונות MLOps של SageMaker, המייעלים את זרימת העבודה של מדעי הנתונים על ידי רתימת תשתית הענן החזקה של AWS. בפתרון שלנו, אנו משתמשים אמזון SageMaker כוונון דגם אוטומטי לחיפוש היפרפרמטרים, ניסויים באמזון SageMaker לניהול ניסויים, רישום הדגמים של אמזון SageMaker לניהול גרסאות מודל, ו צינורות SageMaker של אמזון לתזמר את התהליך. לאחר מכן אנו פורסים את המודל שלנו לנקודת קצה של SageMaker כדי לקבל תחזיות בזמן אמת.
התרשים הבא ממחיש את הארכיטקטורה של צינור ההדרכה.
התרשים הבא ממחיש את צינור ההסקה.
אתה יכול למצוא את הקוד המלא ב- GitHub ריפו. כדי ליישם את הפתרון, הפעל את התאים פנימה SBP_main.ipynb
.
לחץ כאן כדי לפתוח את קונסולת AWS ולעקוב.
צינור SageMaker
SageMaker Pipelines מציע שימוש ידידותי למשתמש פיתון SDK ליצירת תהליכי עבודה משולבים של למידת מכונה (ML). זרימות עבודה אלה, המיוצגות כגרפים אציקליים מכוונים (DAGs), מורכבים משלבים עם סוגים ותלות שונים. עם SageMaker Pipelines, אתה יכול לייעל את התהליך מקצה לקצה של הדרכה והערכת מודלים, תוך שיפור היעילות והשחזור בתהליכי העבודה שלך ב-ML.
צינור ההדרכה מתחיל ביצירת מערך נתונים סינתטי המחולק לקבוצות הדרכה, אימות ובדיקות. ערכת האימונים משמשת לאימון שני דגמי TCN, אחד תוך שימוש הפצת Binned-Pareto משולבת והשני משתמש בהפצה גאוסית. שני המודלים עוברים כוונון היפרפרמטרים באמצעות ערכת האימות כדי לייעל כל מודל. לאחר מכן, נערכת הערכה מול מערך הבדיקות כדי לקבוע את המודל עם השגיאה הנמוכה ביותר בבסיס הממוצע בריבוע (RMSE). המודל עם מדד הדיוק הטוב ביותר מועלה לרישום המודלים.
התרשים הבא ממחיש את שלבי הצינור.
בואו נדון בפירוט ביתר בשלבים.
יצירת נתונים
השלב הראשון בצינור שלנו מייצר מערך נתונים סינתטי, המאופיין בצורת גל סינוסואידית ורעש זנב כבד א-סימטרי. הנתונים נוצרו באמצעות מספר פרמטרים, כגון דרגות חופש, מכפיל רעש ופרמטר קנה מידה. אלמנטים אלה משפיעים על צורת התפלגות הנתונים, מווסתים את השונות האקראית בנתונים שלנו, ומתאים את התפשטות הפצת הנתונים שלנו, בהתאמה.
עבודת עיבוד נתונים זו מתבצעת באמצעות א PyTorchProcessor, אשר מריץ את קוד PyTorch (gener_data.py) בתוך מיכל המנוהל על ידי SageMaker. נתונים וחפצים רלוונטיים אחרים לניפוי באגים נמצאים כברירת מחדל שירות אחסון פשוט של אמזון (Amazon S3) דלי המשויך לחשבון SageMaker. ניתן למצוא יומנים עבור כל שלב בצינור אמזון CloudWatch.
האיור הבא הוא דוגמה של הנתונים שנוצרו על ידי הצינור.
אתה יכול להחליף את הקלט במגוון רחב של נתוני סדרות זמן, כגון הפצה סימטרית, א-סימטרית, קלת זנב, כבד זנב או הפצה מולטי-מודאלית. חוסנו של המודל מאפשר לו להיות ישים למגוון רחב של בעיות בסדרות זמן, בתנאי שקיימות מספיק תצפיות.
אימון מודל
לאחר יצירת נתונים, אנו מאמנים שני TCNs: אחד באמצעות הפצת SBP ואחר באמצעות הפצה גאוסית. התפלגות SBP משתמשת בהפצה בדידה כבסיס הניבוי שלה, כאשר הציר האמיתי מחולק לפחים נפרדים, והמודל חוזה את הסבירות שתצפית תיפול בתוך כל סל. מתודולוגיה זו מאפשרת לכידת אסימטריות ומצבים מרובים מכיוון שההסתברות של כל פח היא בלתי תלויה. דוגמה להתפלגות האחורית מוצגת באיור הבא.
ההתפלגות החזויה המשולבת בצד שמאל חזקה לאירועים קיצוניים מכיוון שסבירות היומן אינה תלויה במרחק בין הממוצע החזוי לנקודה הנצפית, בשונה מהתפלגויות פרמטריות כמו גאוס או t Student. לכן, האירוע הקיצוני המיוצג על ידי הנקודה האדומה לא יטה את הממוצע הנלמד של ההתפלגות. עם זאת, לאירוע הקיצוני תהיה הסתברות אפסית. כדי ללכוד אירועים קיצוניים, אנו יוצרים התפלגות SBP על ידי הגדרת הזנב התחתון בקוונטיל החמישי והזנב העליון בקוונטיל ה-5, תוך החלפת שני הזנבות בהפצות פרטו כלליות משוקללות (GPD), שיכולות לכמת את הסבירות של האירוע. ה-TCN יוציא את הפרמטרים עבור בסיס ההפצה האחורי וזנבות GPD.
חיפוש היפרפרמטרים
לתפוקה אופטימלית, אנו משתמשים כוונון מודלים אוטומטי כדי למצוא את הגרסה הטובה ביותר של דגם דרך כוונון hyperparameter. שלב זה משולב ב-SageMaker Pipelines ומאפשר ריצה מקבילה של מספר עבודות אימון, תוך שימוש בשיטות שונות וטווחי היפרפרמטרים מוגדרים מראש. התוצאה היא בחירת המודל הטוב ביותר על סמך מדד המודל שצוין, שהוא RMSE. בצנרת שלנו, אנו מכוונים במיוחד את קצב הלמידה ומספר תקופות האימון כדי לייעל את ביצועי המודל שלנו. עם יכולת כוונון היפרפרמטרים ב- SageMaker, אנו מגדילים את הסבירות שהמודל שלנו ישיג דיוק והכללה מיטביים עבור המשימה הנתונה.
בשל האופי הסינתטי של הנתונים שלנו, אנו שומרים על אורך הקשר וזמן אספקה כפרמטרים סטטיים. Context Length מתייחס למספר שלבי הזמן ההיסטוריים שהוכנסו למודל, ו-Lead Time מייצג את מספר שלבי הזמן באופק התחזית שלנו. עבור הקוד לדוגמה, אנו מכוונים רק את קצב הלמידה ואת מספר העידנים כדי לחסוך בזמן ובעלות.
פרמטרים ספציפיים ל-SBP נשמרים קבועים בהתבסס על בדיקות מקיפות של המחברים על המאמר המקורי על פני מערכי נתונים שונים:
- מספר פחים (100) – פרמטר זה קובע את מספר הפחים המשמשים למודל בסיס ההתפלגות. הוא נשמר ב-100, מה שהוכח כיעיל ביותר בתעשיות מרובות.
- זנב באחוזון (0.05) - זה מציין את גודל התפלגויות פארטו המוכללות בזנב. כמו הפרמטר הקודם, זה נבדק באופן ממצה ונמצא כיעיל ביותר.
ניסויים
תהליך ההיפרפרמטר משולב עם SageMaker ניסויים, שעוזר לארגן, לנתח ולהשוות ניסויי ML איטרטיביים, מספק תובנות ומקל על מעקב אחר המודלים בעלי הביצועים הטובים ביותר. למידת מכונה היא תהליך איטרטיבי הכולל ניסויים רבים הכוללים וריאציות של נתונים, בחירות אלגוריתמים וכוונון היפרפרמטרים. ניסויים אלה משרתים בהדרגה את דיוק המודל. עם זאת, המספר הגדול של ריצות אימון ואיטרציות של מודלים יכולים להפוך את זה למאתגר לזהות את המודלים בעלי הביצועים הטובים ביותר ולבצע השוואות משמעותיות בין ניסויים נוכחיים וקודמים. SageMaker Experiments מטפל בזה על ידי מעקב אוטומטי אחר עבודות כוונון ההיפרפרמטרים שלנו ומאפשר לנו לקבל פרטים נוספים ותובנה לגבי תהליך הכוונון, כפי שמוצג בצילום המסך הבא.
הערכת מודל
המודלים עוברים הכשרה וכוונון היפרפרמטרים, ובהמשך מוערכים באמצעות ה- evaluate.py תַסרִיט. שלב זה מנצל את ערכת הבדיקה, להבדיל משלב כוונון ההיפרפרמטרים, כדי לאמוד את הדיוק בעולם האמיתי של הדגם. RMSE משמש להערכת הדיוק של התחזיות.
לצורך השוואת התפלגות, אנו משתמשים בתרשים הסתברות-הסתברות (PP), אשר מעריכה את ההתאמה בין ההתפלגויות בפועל לעומת החזויות. סמיכות הנקודות לאלכסון מעידה על התאמה מושלמת. ההשוואות שלנו בין ההתפלגויות החזויות של SBP ושל גאוסיאן מול ההתפלגות בפועל מראות שהתחזיות של SBP מתאימות יותר לנתונים בפועל.
כפי שאנו יכולים לראות, ל-SBP יש RMSE נמוך יותר על הבסיס, הזנב התחתון והזנב העליון. התפלגות ה-SBP שיפרה את דיוק ההתפלגות הגאוסית ב-61% על הבסיס, 56% על הזנב התחתון ו-30% על הזנב העליון. בסך הכל, להתפלגות SBP יש תוצאות טובות משמעותית.
בחירת דגם
אנו משתמשים בשלב תנאי ב-SageMaker Pipelines כדי לנתח דוחות הערכת מודל, ובוחרים במודל עם ה-RMSE הנמוך ביותר לשיפור דיוק ההפצה. המודל הנבחר מומר לאובייקט מודל של SageMaker, ומכין אותו לפריסה. זה כרוך ביצירת חבילת דגם עם פרמטרים מכריעים ואריזתה לתוך א ModelStep.
רישום דגמים
הדגם הנבחר מועלה לאחר מכן אל SageMaker מודל הרישום, אשר ממלא תפקיד קריטי בניהול דגמים מוכנים לייצור. הוא מאחסן דגמים, מארגן גרסאות מודל, לוכד מטא נתונים וחפצים חיוניים כגון תמונות מיכל, ומסדיר את סטטוס האישור של כל דגם. על ידי שימוש ברישום, אנו יכולים לפרוס ביעילות מודלים לסביבות SageMaker נגישות ולהקים בסיס לאינטגרציה מתמשכת ופריסה מתמשכת (CI/CD) צינורות.
הסקה
לאחר השלמת צינור ההדרכה שלנו, המודל שלנו נפרס באמצעות שירותי אירוח של SageMaker, המאפשרת יצירת נקודת קצה של הסקה לחיזוי בזמן אמת. נקודת קצה זו מאפשרת אינטגרציה חלקה עם יישומים ומערכות, ומספקת גישה לפי דרישה ליכולות הניבוי של המודל באמצעות ממשק HTTPS מאובטח. ניתן להשתמש בתחזיות בזמן אמת בתרחישים כמו מחיר מניה ותחזית ביקוש לאנרגיה. נקודת הקצה שלנו מספקת תחזית חד-שלבית עבור נתוני סדרות הזמן שסופקו, המוצגות כאחוזונים וחציון, כפי שמוצג באיור ובטבלה הבאים.
1st אחוזון | 5th אחוזון | חציון | 95th אחוזון | 99th אחוזון |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
לנקות את
לאחר שתפעיל את הפתרון הזה, הקפד לנקות משאבי AWS מיותרים כדי למנוע עלויות בלתי צפויות. אתה יכול לנקות משאבים אלה באמצעות SageMaker Python SDK, אשר ניתן למצוא בסוף המחברת. על ידי מחיקת משאבים אלה, אתה מונע חיובים נוספים עבור משאבים שאינך משתמש בהם יותר.
סיכום
תחזית מדויקת יכולה להשפיע מאוד על התכנון העתידי של העסק ויכולה גם לספק פתרונות למגוון בעיות בתעשיות שונות. החקירה שלנו על חיזוי סדרות זמן חזק עם MLOps ב- SageMaker הוכיחה שיטה לקבלת תחזית מדויקת ויעילות של צינור אימון יעיל.
המודל שלנו, המופעל על-ידי רשת טמפורלית-קונבולוציונית עם התפלגות Spliced Binned Pareto, הראה דיוק והתאמה לחריגים על-ידי שיפור ה-RMSE ב-61% על הבסיס, 56% על הזנב התחתון ו-30% על הזנב העליון. TCN עם הפצה גאוסית. נתונים אלה הופכים אותו לפתרון אמין לצרכי חיזוי בעולם האמיתי.
הצינור מדגים את הערך של אוטומציה של תכונות MLOps. זה יכול להפחית את המאמץ האנושי הידני, לאפשר שחזור ולהאיץ את פריסת המודל. תכונות SageMaker כגון SageMaker Pipelines, כוונון דגמים אוטומטי, SageMaker Experiments, SageMaker Model Registry ונקודות קצה מאפשרים זאת.
הפתרון שלנו משתמש ב-TCN מיניאטורי, מייעל רק כמה היפרפרמטרים עם מספר מצומצם של שכבות, המספיקות להדגשה יעילה של ביצועי המודל. למקרי שימוש מורכבים יותר, שקול להשתמש ב-PyTorch או בספריות אחרות המבוססות על PyTorch כדי לבנות TCN מותאם אישית יותר שמתיישר עם הצרכים הספציפיים שלך. בנוסף, זה יהיה מועיל לחקור אחרים תכונות SageMaker כדי לשפר עוד יותר את הפונקציונליות של הצינור שלך. כדי להפוך את תהליך הפריסה לאוטומטי לחלוטין, אתה יכול להשתמש ב- ערכת פיתוח ענן AWS (AWS CDK) או AWS CloudFormation.
למידע נוסף על חיזוי סדרות זמן ב-AWS, עיין בפרטים הבאים:
אתם מוזמנים להשאיר תגובה עם כל מחשבה או שאלה!
על הכותבים
ניק ביזו הוא מהנדס למידת מכונה בשירותים מקצועיים של AWS. הוא פותר אתגרים ארגוניים וטכניים מורכבים באמצעות מדע נתונים והנדסה. בנוסף, הוא בונה ופורס דגמי AI/ML על ענן AWS. התשוקה שלו משתרעת על נטייתו לנסיעות ולחוויות תרבותיות מגוונות.
אלסטון צ'אן הוא מהנדס פיתוח תוכנה ב-Amazon Ads. הוא בונה צינורות למידת מכונה ומערכות המלצות להמלצות מוצרים בדף הפרטים. מחוץ לעבודה, הוא נהנה מפיתוח משחקים וטיפוס צוקים.
מריה מסוד מתמחה בבניית צינורות נתונים והדמיות נתונים ב-AWS Commerce Platform. יש לה מומחיות בלמידת מכונה, המכסה עיבוד שפה טבעית, ראייה ממוחשבת וניתוח סדרות זמן. חובבת קיימות בנשמה, מריה נהנית לגננות ולשחק עם הכלב שלה בזמן ההשבתה שלה.
- 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/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 100
- 5th
- 7
- a
- יכולת
- אודות
- להאיץ
- מאיץ
- גישה
- נגיש
- מושלם
- חֶשְׁבּוֹן
- דיוק
- מדויק
- במדויק
- משיגה
- לרוחב
- ממשי
- מחזורי
- להסתגל
- תוספת
- בנוסף
- כתובות
- מודעות
- נגד
- קדימה
- AI / ML
- אזעקה
- אַלגוֹרִיתְם
- ליישר
- מיישר
- הַקצָאָה
- מאפשר
- מאפשר
- לאורך
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- an
- אנליזה
- לנתח
- ו
- לצפות
- כל
- ישים
- יישומים
- הסכמה
- ארכיטקטורה
- ARE
- AS
- לְהַעֲרִיך
- מעריך
- נכס
- המשויך
- At
- מחברים
- אוטומטי
- מכני עם סלילה אוטומטית
- באופן אוטומטי
- אוטומציה
- אוטומציה
- זמין
- לְהִמָנַע
- AWS
- שירותים מקצועיים של AWS
- צִיר
- בסיס
- מבוסס
- BE
- כי
- היה
- התנהגות
- מאחור
- מועיל
- הטבות
- הטוב ביותר
- מוטב
- בֵּין
- הטיה
- BIN
- שניהם
- רחב
- בִּניָן
- בונה
- עסקים
- אבל
- לַחְצָן
- by
- CAN
- יכולות
- יכולת
- מסוגל
- ללכוד
- לוכדת
- לכידה
- מקרים
- תאים
- האתגרים
- אתגר
- משתנה
- מאופיין
- חיובים
- בחירות
- קליק
- טיפוס
- מקרוב
- ענן
- תשתית ענן
- קוד
- הערה
- מסחר
- לְהַשְׁווֹת
- השוואה
- להשלים
- השלמה
- מורכב
- התפשר
- המחשב
- ראייה ממוחשבת
- מצב
- תנאים
- מנוהל
- לשקול
- קונסול
- קבוע
- לבנות
- מכולה
- הקשר
- רציף
- הומר
- עלות
- עלויות
- כיסוי
- לִיצוֹר
- נוצר
- יוצרים
- יצירה
- קריטי
- מכריע
- תרבותי
- נוֹכְחִי
- אישית
- מחזור
- נתונים
- עיבוד נתונים
- מדע נתונים
- נתונים מונחים
- מערכי נתונים
- תַאֲרִיך
- קבלת החלטות
- החלטות
- בְּרִירַת מֶחדָל
- הגדרה
- דרישה
- חיזוי דרישה
- מופגן
- מדגים
- מציין
- תלות
- תלוי
- לפרוס
- פרס
- פריסה
- פריסה
- פורס
- מעוצב
- פרט
- פרטים
- לקבוע
- קובע
- קביעה
- צעצועי התפתחות
- אחר
- נבדלים זה מזה
- מְכוּוָן
- אסונות
- לדון
- מרחק
- מובהק
- הפצה
- הפצות
- שונה
- מחולק
- כֶּלֶב
- נקודה
- זמן השבתה
- בְּמַהֲלָך
- כל אחד
- אפקטיבי
- יעילות
- יְעִילוּת
- יְעִילוּת
- יעיל
- יעילות
- מאמץ
- אלמנטים
- העסקת
- מעסיקה
- מעצים
- לאפשר
- מאפשר
- מה שמאפשר
- מקיף
- סוף
- מקצה לקצה
- נקודת קצה
- אנרגיה
- מהנדס
- הנדסה
- להגביר את
- שיפור
- לְהַבטִיחַ
- נלהב
- סביבה
- סביבות
- תקופות
- שגיאה
- חיוני
- להקים
- העריך
- הערכה
- הערכה
- אירוע
- אירועים
- מתפתח
- דוגמה
- חוויות
- ניסויים
- מומחיות
- חקירה
- לחקור
- משתרע
- נרחב
- קיצוני
- הקלה
- נפילה
- מאפיין
- תכונות
- מעטים
- תרשים
- דמויות
- כספי
- גופים פיננסיים
- ראשון
- מתאים
- לעקוב
- הבא
- בעד
- תַחֲזִית
- תחזיות
- טופס
- מצא
- קרן
- חופשי
- חופש
- החל מ-
- לגמרי
- פונקציונלי
- נוסף
- יתר על כן
- עתיד
- לְהַשִׂיג
- מִשְׂחָק
- פיתוח משחק
- מד
- Gen
- נוצר
- מייצר
- יצירת
- דור
- נתן
- Go
- שולט
- GPD
- מענקים
- גרפים
- לטפל
- רתמת
- רתימה
- יש
- he
- בריאות
- לֵב
- עוזר
- לה
- כאן
- הדגשה
- מאוד
- שֶׁלוֹ
- היסטורי
- אופק
- אירוח
- איך
- אולם
- HTML
- HTTPS
- בן אנוש
- כוונון היפר-פרמטר
- לזהות
- מדגים
- תמונות
- פְּגִיעָה
- ליישם
- חשוב
- משופר
- משפר
- שיפור
- in
- בע"מ
- להגדיל
- עצמאי
- מצביע על
- תעשיות
- להשפיע
- מידע
- הודעה
- תשתית
- קלט
- תובנה
- תובנות
- במקום
- מוסדות
- משולב
- השתלבות
- מִמְשָׁק
- אל תוך
- מעורב
- IT
- איטרציות
- שֶׁלָה
- עבודה
- מקומות תעסוקה
- jpg
- רק
- שמירה
- שמר
- מפתח
- שפה
- גָדוֹל
- שכבות
- עוֹפֶרֶת
- למד
- למידה
- יציאה
- עזבו
- אורך
- ספריות
- כמו
- סְבִירוּת
- סביר
- מוגבל
- ממוקם
- עוד
- אבדות
- להוריד
- הנמוך ביותר
- מכונה
- למידת מכונה
- לעשות
- עשייה
- לנהל
- הצליח
- ניהול
- ניהול
- מדריך ל
- maria
- שוק
- שוק קורס
- אומר
- משמעותי
- מידע נוסף
- שיטה
- מֵתוֹדוֹלוֹגִיָה
- שיטות
- מטרי
- החטיא
- ML
- MLOps
- מודל
- מודלים
- מצבי
- ניטור
- יותר
- רוב
- מספר
- טבעי
- עיבוד שפה טבעית
- טבע
- צרכי
- הזנחה
- רשת
- חדש
- הבא
- הגנרל הבא
- NFL
- לא
- רעש
- מחברה
- מספר
- רב
- אובייקט
- להתבונן
- להשיג
- of
- המיוחדות שלנו
- on
- On-Demand
- ONE
- רק
- לפתוח
- הזדמנויות
- אופטימלי
- מטב
- מיטוב
- or
- אִרְגוּנִי
- מארגן
- מְקוֹרִי
- אחר
- שלנו
- תוצאות
- תפוקה
- בחוץ
- יותר
- מקיף
- חבילה
- אריזה
- עמוד
- מגיפות
- מאמר
- מקביל
- פרמטר
- פרמטרים
- פארטו
- חולף
- תשוקה
- עבר
- דפוסי
- ביצועים
- צינור
- תכנון
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- משחק
- נקודה
- נקודות
- אפשרי
- הודעה
- כּוֹחַ
- מופעל
- חזק
- לחזות
- חזה
- נבואה
- התחזיות
- תחזית
- מוצג
- למנוע
- קודם
- מחיר
- סדר עדיפויות
- בעיות
- תהליך
- תהליך
- המוצר
- הפקה
- מקצועי
- מוכח
- לספק
- ובלבד
- מספק
- מתן
- פיתון
- פיטורך
- להעלות
- אקראי
- רכס
- מהר
- ציון
- מוכן
- מתכונן
- ממשי
- עולם אמיתי
- זמן אמת
- לאחרונה
- המלצה
- המלצות
- Red
- להפחית
- מפחית
- להתייחס
- מתייחס
- לחדד
- אזורים
- רישום
- רלוונטי
- אָמִין
- לסמוך
- להשאר
- להחליף
- דוחות לדוגמא
- לייצג
- מיוצג
- מייצג
- משאב
- משאבים
- בהתאמה
- תגובה
- תוצאה
- תוצאות
- הסיכון
- ניהול סיכונים
- חָסוֹן
- איתנות
- סלע
- תפקיד
- שורש
- הפעלה
- פועל
- בְּטִיחוּת
- בעל חכמים
- צינורות SageMaker
- אותו
- שמור
- בקרת מערכות ותקשורת
- סולם
- תרחישים
- מדע
- תסריט
- Sdk
- בצורה חלקה
- חיפוש
- מגזרים
- לבטח
- נבחר
- מבחר
- סדרה
- לשרת
- שירותים
- סט
- סטים
- צוּרָה
- היא
- לְהַצִיג
- הראה
- סִימָן
- באופן משמעותי
- פָּשׁוּט
- בו זמנית
- מידה
- תוכנה
- פיתוח תוכנה
- פִּתָרוֹן
- פתרונות
- פותר
- מתמחה
- ספציפי
- במיוחד
- מפורט
- לפצל
- התפשטות
- מרובע
- התמחות
- מצב
- להשאר
- שלב
- צעדים
- מניות
- אחסון
- חנויות
- לייעל
- זִרמִי
- כתוצאה מכך
- הצלחה
- כזה
- מספיק
- בטוח
- קיימות
- סינטטי
- מערכות
- שולחן
- המשימות
- טכני
- מבחן
- נבדק
- בדיקות
- זֶה
- השמיים
- העולם
- שֶׁלָהֶם
- אז
- לכן
- אלה
- זֶה
- דרך
- זמן
- סדרת זמן
- ל
- מעקב
- מסחר
- תְנוּעָה
- רכבת
- מְאוּמָן
- הדרכה
- נסיעות
- שתיים
- סוגים
- לַעֲבוֹר
- לא צפוי
- מְיוּתָר
- נטען
- us
- להשתמש
- מְשׁוּמָשׁ
- ידידותי למשתמש
- משתמשים
- באמצעות
- לנצל
- מנצל
- ניצול
- אימות
- ערך
- ערכים
- מגוון
- שונים
- גרסה
- גירסאות
- באמצעות
- חזון
- חיוני
- vs
- היה
- we
- מזג אוויר
- אינטרנט
- שירותי אינטרנט
- אם
- אשר
- רָחָב
- יצטרך
- עם
- בתוך
- תיק עבודות
- זרימת עבודה
- זרימות עבודה
- עובד
- עוֹלָם
- היה
- אתה
- זפירנט
- אפס