פוסט זה נכתב על ידי Jyoti Sharma ו- Sharmo Sarkar מ- Vericast.
בכל בעיה של למידת מכונה (ML), מדען הנתונים מתחיל בעבודה עם נתונים. זה כולל איסוף, חקירה והבנה של ההיבטים העסקיים והטכניים של הנתונים, יחד עם הערכה של כל מניפולציות שעשויות להידרש לתהליך בניית המודל. היבט אחד של הכנת נתונים זו הוא הנדסת תכונות.
הנדסת תכונות הכוונה לתהליך שבו משתנים רלוונטיים מזוהים, נבחרים ועושים מניפולציה כדי להפוך את הנתונים הגולמיים לצורות שימושיות ושמישות יותר לשימוש עם אלגוריתם ML המשמש לאימון מודל ולביצוע הסקת מסקנות נגדו. המטרה של תהליך זה היא להגביר את ביצועי האלגוריתם והמודל החזוי המתקבל. תהליך הנדסת התכונות כולל מספר שלבים, כולל יצירת תכונות, טרנספורמציה של נתונים, מיצוי תכונות ובחירת תכונות.
בניית פלטפורמה להנדסת תכונות כללית היא משימה נפוצה עבור לקוחות שצריכים לייצר מודלים רבים של ML עם מערכי נתונים שונים. סוג זה של פלטפורמה כולל יצירת תהליך מונע באופן תכנותי להפקת נתונים סופיים, מהונדסים תכונה מוכנים לאימון מודלים עם מעט התערבות אנושית. עם זאת, הכללת הנדסת תכונות היא מאתגרת. כל בעיה עסקית שונה, כל מערך נתונים שונה, נפחי הנתונים משתנים מאוד מלקוח ללקוח, ואיכות הנתונים ולעתים קרובות הקרדינליות של עמודה מסוימת (במקרה של נתונים מובנים) עשויות למלא תפקיד משמעותי במורכבות של הנדסת התכונות. תהליך. יתר על כן, האופי הדינמי של הנתונים של הלקוח יכול גם לגרום לשונות גדולה של זמן העיבוד והמשאבים הנדרשים להשלמת הנדסת התכונות בצורה מיטבית.
לקוח AWS וריקסט היא חברת פתרונות שיווק שמקבלת החלטות מונעות נתונים כדי להגביר את החזר ה-ROI השיווקי עבור לקוחותיה. פלטפורמת למידת מכונה פנימית של Vericast, מבוססת ענן, הבנויה סביב תהליך CRISP-ML(Q), משתמשת בשירותי AWS שונים, כולל אמזון SageMaker, עיבוד אמזון SageMaker, AWS למבדה, ו פונקציות שלב AWS, לייצר את המודלים הטובים ביותר האפשריים המותאמים לנתוני הלקוח הספציפי. פלטפורמה זו שואפת ללכוד את יכולת החזרה של השלבים הנלווים לבניית זרימות עבודה שונות של ML ואגד אותם במודולי זרימת עבודה סטנדרטיים הניתנים להכללה בתוך הפלטפורמה.
בפוסט זה, אנו משתפים כיצד Vericast אופטימיזציה של הנדסת תכונות באמצעות SageMaker Processing.
סקירת פתרונות
פלטפורמת ה- Machine Learning של Vericast מסייעת בפריסה מהירה יותר של מודלים עסקיים חדשים המבוססים על זרימות עבודה קיימות או הפעלה מהירה יותר של מודלים קיימים עבור לקוחות חדשים. לדוגמה, מודל המחזה נטייה לדיוור ישיר שונה בתכלית ממודל המחזה רגישות לקופון הנחה של לקוחות של לקוח Vericast. הם פותרים בעיות עסקיות שונות ולכן יש להם תרחישי שימוש שונים בעיצוב קמפיין שיווקי. אבל מנקודת מבט של ML, שניהם יכולים להתפרש כמודלי סיווג בינאריים, ולכן יכולים לחלוק שלבים משותפים רבים מנקודת מבט של זרימת עבודה של ML, כולל כוונון והדרכה של מודלים, הערכה, פרשנות, פריסה והסקת מסקנות.
מכיוון שהמודלים הללו הם בעיות סיווג בינארי (במונחי ML), אנו מפרידים את הלקוחות של חברה לשתי מחלקות (בינאריות): אלה שיגיבו בחיוב לקמפיין ואלה שלא. יתר על כן, דוגמאות אלו נחשבות לסיווג לא מאוזן מכיוון שהנתונים המשמשים להכשרת המודל לא יכילו מספר שווה של לקוחות שיגיבו ולא יגיבו בחיוב.
היצירה בפועל של מודל כזה עוקבת אחר הדפוס המוכלל המוצג בתרשים הבא.
רוב התהליך הזה זהה לכל סיווג בינארי למעט שלב הנדסת התכונות. זה אולי השלב המסובך ביותר, אך לעיתים מתעלם ממנו בתהליך. דגמי ML תלויים במידה רבה בתכונות המשמשות ליצירתו.
פלטפורמת למידת מכונה מקורית של Vericast שואפת להכליל ולהפוך את שלבי הנדסת התכונות עבור זרימות עבודה שונות של ML ולמטב את הביצועים שלהם במדד עלות לעומת זמן על ידי שימוש בתכונות הבאות:
- ספריית הנדסת תכונות של הפלטפורמה - זה מורכב מקבוצה מתפתחת ללא הרף של טרנספורמציות שנבדקו כדי להניב תכונות הניתנות להכללה באיכות גבוהה המבוססות על מושגי לקוח ספציפיים (לדוגמה, דמוגרפיה של לקוחות, פרטי מוצר, פרטי עסקאות וכן הלאה).
- מטבי משאבים חכמים – הפלטפורמה משתמשת ביכולת התשתית לפי דרישה של AWS כדי ליצור את הסוג האופטימלי ביותר של משאבי עיבוד עבור עבודת הנדסת הפיצ'רים המסוימת בהתבסס על המורכבות הצפויה של השלב וכמות הנתונים שהיא צריכה לעבור.
- קנה מידה דינמי של עבודות הנדסת תכונות - שילוב של שירותי AWS שונים משמש לשם כך, אך בעיקר SageMaker Processing. זה מבטיח שהפלטפורמה מייצרת תכונות באיכות גבוהה בצורה חסכונית ובזמן.
פוסט זה מתמקד בנקודה השלישית ברשימה זו ומראה כיצד להשיג קנה מידה דינמי של משרות SageMaker Processing כדי להשיג מסגרת עיבוד נתונים מנוהלת, ביצועית וחסכונית יותר עבור נפחי נתונים גדולים.
SageMaker Processing מאפשר עומסי עבודה המריצים שלבים לעיבוד מוקדם או לאחר עיבוד נתונים, הנדסת תכונות, אימות נתונים והערכת מודלים ב- SageMaker. הוא גם מספק סביבה מנוהלת ומסיר את המורכבות של הרמה כבדה בלתי מובחנת הנדרשת כדי להגדיר ולתחזק את התשתית הדרושה להפעלת עומסי העבודה. יתר על כן, SageMaker Processing מספק ממשק API להפעלה, ניטור והערכת עומס העבודה.
הפעלת משימות עיבוד SageMaker מתבצעת במלואה בתוך אשכול SageMaker מנוהל, כאשר משימות בודדות ממוקמות במיכלי מופע בזמן הריצה. האשכול המנוהל, המופעים והמכולות מדווחים על מדדים אמזון CloudWatch, כולל שימוש ב-GPU, CPU, זיכרון, זיכרון GPU, מדדי דיסק ורישום אירועים.
תכונות אלו מספקות יתרונות למהנדסי נתונים ומדענים של Vericast על ידי סיוע בפיתוח זרימות עבודה כלליות של עיבוד מקדים והפשטת הקושי לתחזק סביבות שנוצרו בהן ניתן להפעיל אותם. עם זאת, יכולות להיווצר בעיות טכניות, לאור האופי הדינמי של הנתונים והתכונות המגוונות שלהם שניתן להזין לפתרון כללי שכזה. על המערכת לבצע ניחוש ראשוני מושכל לגבי גודל האשכול והמופעים המרכיבים אותו. ניחוש זה צריך להעריך קריטריונים של הנתונים ולהסיק את דרישות המעבד, הזיכרון והדיסק. ניחוש זה עשוי להתאים לחלוטין ולהתפקד כראוי לתפקיד, אך במקרים אחרים ייתכן שלא. עבור מערך נתונים ועבודת עיבוד מקדים נתון, ה-CPU עשוי להיות קטן מדי, וכתוצאה מכך ביצועי עיבוד מרביים וזמנים ארוכים להשלמתו. גרוע מכך, זיכרון עלול להפוך לבעיה, וכתוצאה מכך לביצועים גרועים או לאירועי זיכרון חסרי זיכרון שגורמים לכל העבודה להיכשל.
בהתחשב במכשולים הטכניים הללו, Vericast יצאה ליצור פתרון. הם היו צריכים להישאר כלליים בטבעם ולהשתלב בתמונה הרחבה יותר של זרימת העבודה המקדימה בהיותם גמישים בשלבים המעורבים. כמו כן, היה חשוב לפתור הן את הצורך הפוטנציאלי להגדיל את הסביבה במקרים בהם הביצועים נפגעו והן להתאושש בחן מאירוע כזה או כאשר עבודה הסתיימה בטרם עת מכל סיבה שהיא.
הפתרון שנבנה על ידי Vericast כדי לפתור בעיה זו משתמש במספר שירותי AWS הפועלים יחד כדי להגיע ליעדים העסקיים שלהם. הוא תוכנן להפעיל מחדש ולהגדיל את אשכול SageMaker Processing בהתבסס על מדדי ביצועים שנצפו באמצעות פונקציות Lambda המנטרות את העבודות. כדי לא לאבד עבודה כאשר מתרחש אירוע קנה מידה או כדי להתאושש מעבודה שהופסקה באופן בלתי צפוי, הוקם שירות מבוסס מחסומים שמשתמש אמזון דינמו ומאחסן את הנתונים המעובדים חלקית ב שירות אחסון פשוט של אמזון (Amazon S3) דליים כמו השלבים. התוצאה הסופית היא פתרון קנה מידה אוטומטי, חזק ומנוטר דינמי.
התרשים הבא מציג סקירה כללית ברמה גבוהה של אופן פעולת המערכת.
בסעיפים הבאים, נדון במרכיבי הפתרון ביתר פירוט.
אתחול הפתרון
המערכת מניחה שתהליך נפרד יוזם את הפתרון. לעומת זאת, העיצוב הזה לא נועד לעבוד לבד מכיוון שהוא לא יניב חפצים או פלט, אלא פועל כיישום צדדי לאחת המערכות המשתמשות בעבודות SageMaker Processing. במקרה של Vericast, הפתרון יזום באמצעות קריאה משלב Step Functions שהתחיל במודול אחר של המערכת הגדולה יותר.
ברגע שהפתרון הופעל והרצה ראשונה מופעלת, תצורה סטנדרטית בסיסית נקראת מטבלת DynamoDB. תצורה זו משמשת לקביעת פרמטרים עבור עבודת SageMaker Processing ויש לה הנחות ראשוניות של צרכי תשתית. משימת העיבוד של SageMaker מתחילה כעת.
ניטור מטא נתונים ופלט
כאשר העבודה מתחילה, פונקציית Lambda כותבת את המטא נתונים של עיבוד העבודה (תצורת העבודה הנוכחית ופרטי יומן אחר) לטבלת היומן של DynamoDB. מידע מטא נתונים ויומן זה שומרים על היסטוריה של העבודה, התצורה הראשונית והמתמשכת שלה ונתונים חשובים אחרים.
בנקודות מסוימות, עם השלמת השלבים בעבודה, נתוני נקודת ביקורת מתווספים לטבלת היומן של DynamoDB. נתוני פלט מעובדים מועברים לאמזון S3 להתאוששות מהירה במידת הצורך.
פונקציית Lambda זו גם מגדירה אמזון EventBridge כלל שמנטר את העבודה הפועלת עבור מצבה. באופן ספציפי, כלל זה צופה בתפקיד כדי לראות אם סטטוס המשרה משתנה ל stopping
או נמצא ב stopped
מדינה. כלל EventBridge זה ממלא תפקיד חשוב בהפעלה מחדש של עבודה אם יש כשל או מתרחש אירוע קנה מידה אוטומטי מתוכנן.
ניטור מדדי CloudWatch
פונקציית Lambda מגדירה גם אזעקת CloudWatch המבוססת על ביטוי מתמטי מטרי בעבודת העיבוד, המנטרת את המדדים של כל המופעים עבור ניצול מעבד, ניצול זיכרון וניצול דיסק. סוג זה של אזעקה (מדד) משתמש בספי אזעקה של CloudWatch. האזעקה יוצרת אירועים בהתבסס על הערך של המדד או הביטוי ביחס לספים על פני מספר תקופות זמן.
במקרה השימוש של Vericast, ביטוי הסף מתוכנן להתייחס לנהג ולמופעי המבצע כנפרדים, כאשר מדדים מנוטרים בנפרד עבור כל אחד מהם. בכך שהם נפרדים, Vericast יודעת מה גורם לאזעקה. זה חשוב כדי להחליט כיצד להתאים בהתאם:
- אם מדדי הביצוע עוברים את הסף, כדאי לבצע קנה מידה אופקי
- אם מדדי הנהג חוצים את הסף, קנה מידה אופקי כנראה לא יעזור, אז עלינו לשנות את קנה המידה אנכית
ביטוי מדדי אזעקה
Vericast יכולה לגשת למדדים הבאים בהערכת קנה מידה וכישלון:
- ניצול CPU – סכום הניצול של כל ליבת מעבד בודדת
- ניצול זיכרון – אחוז הזיכרון המשמש את המכילים במופע
- שימוש בדיסק – אחוז שטח הדיסק המשמש את המכילים במופע
- GPUUtilization – אחוז יחידות ה-GPU המשמשות את המכולות במופע
- GPUMemoryUtilization – אחוז זיכרון ה-GPU המשמש את הקונטיינרים במופע
נכון לכתיבת שורות אלה, Vericast רק שוקל CPUUtilization
, MemoryUtilization
, ו DiskUtilization
. בעתיד הם מתכוונים לשקול GPUUtilization
ו GPUMemoryUtilization
גם כן.
הקוד הבא הוא דוגמה לאזעקת CloudWatch המבוססת על ביטוי מתמטי מטרי עבור קנה מידה אוטומטי של Vericast:
ביטוי זה ממחיש שאזעקת CloudWatch שוקלת DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
, ו DiskUtilization (diskExec)
כמדדי ניטור. המספר 80 בביטוי הקודם מייצג את ערך הסף.
כאן, IF((cpuDriver) > 80, 1, 0
מרמז שאם ניצול ה-CPU של מנהל ההתקן עולה על 80%, 1 מוקצה כסף אחר 0. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
מרמז שכל המדדים עם מחרוזת memoryExec
בו נחשבים ומחושבים על זה ממוצע. אם אחוז ניצול זיכרון ממוצע זה עולה על 80, 1 מוקצה כסף אחר 0.
האופרטור הלוגי OR
משמש בביטוי כדי לאחד את כל השימושים בביטוי - אם אחד מהשימושים מגיע לסף שלו, הפעל את האזעקה.
למידע נוסף על שימוש באזעקות מדדים של CloudWatch המבוססות על ביטויים מתמטיים מדדים, עיין יצירת אזעקת CloudWatch המבוססת על ביטוי מתמטי מטרי.
מגבלות אזעקה של CloudWatch
CloudWatch מגביל את מספר המדדים לאזעקה ל-10. זה יכול לגרום למגבלות אם אתה צריך לשקול יותר מדדים מזה.
כדי להתגבר על מגבלה זו, Vericast הגדירה אזעקות על סמך גודל האשכול הכולל. נוצרת אזעקה אחת לכל שלושה מקרים (עבור שלושה מקרים, תהיה אזעקה אחת כי זה יוסיף לתשעה מדדים). בהנחה שיש לשקול את מופע הנהג בנפרד, נוצרת אזעקה נפרדת נוספת עבור מופע הנהג. לכן, המספר הכולל של האזעקות שנוצרות שווה בערך לשליש ממספר צמתי המבצע ואחד נוסף עבור מופע הנהג. בכל מקרה, מספר המדדים לכל אזעקה נמצא מתחת למגבלה של 10 מדדים.
מה קורה במצב אזעקה
אם עומד בסף שנקבע מראש, האזעקה עוברת ל- alarm
מדינה, אשר משתמשת שירות התראה פשוט של אמזון (Amazon SNS) כדי לשלוח הודעות. במקרה זה, הוא שולח הודעת דוא"ל לכל המנויים עם הפרטים על האזעקה בהודעה.
Amazon SNS משמש גם כטריגר לפונקציית Lambda שעוצרת את עבודת SageMaker Processing הפועלת כעת מכיוון שאנו יודעים שהעבודה כנראה תיכשל. פונקציה זו מתעדת גם יומנים לטבלת היומן הקשורים לאירוע.
כלל EventBridge שהוגדר בתחילת העבודה יבחין שהעבודה נכנסה ל-a stopping
ציין כמה שניות לאחר מכן. הכלל הזה מפעיל מחדש את פונקציית Lambda הראשונה כדי להפעיל מחדש את העבודה.
תהליך קנה המידה הדינמי
פונקציית Lambda הראשונה לאחר הפעלת פעמיים או יותר תדע שעבודה קודמת כבר התחילה וכעת הופסקה. הפונקציה תעבור תהליך דומה של קבלת תצורת הבסיס מהעבודה המקורית בטבלת היומן DynamoDB וגם תחזיר תצורה מעודכנת מהטבלה הפנימית. תצורה מעודכנת זו היא תצורת דלתא של משאבים המוגדרת על סמך סוג קנה המידה. סוג קנה המידה נקבע על פי המטא נתונים של האזעקה כפי שתואר קודם לכן.
נעשה שימוש בתצורה המקורית בתוספת דלתא המשאבים מכיוון שתצורה חדשה ועבודה חדשה של SageMaker Processing מתחילים עם המשאבים המוגדלים.
תהליך זה נמשך עד שהעבודה מסתיימת בהצלחה ויכול לגרום לאתחלות מרובות לפי הצורך, תוך הוספת משאבים נוספים בכל פעם.
התוצאה של Vericast
פתרון קנה המידה האוטומטי המותאם אישית הזה היה מכריע בהפיכת פלטפורמת למידת המכונה של Vericast לחזקה יותר וסובלנית לתקלות. הפלטפורמה יכולה כעת להתמודד בחן בעומסי עבודה של נפחי נתונים שונים עם התערבות אנושית מינימלית.
לפני הטמעת פתרון זה, הערכת דרישות המשאבים עבור כל המודולים מבוססי Spark בצנרת הייתה אחד מצווארי הבקבוק הגדולים ביותר בתהליך ההטמעה של הלקוח החדש. זרימות עבודה ייכשלו אם נפח הנתונים של הלקוח יגדל, או שהעלות לא תהיה מוצדקת אם נפח הנתונים ירד בייצור.
עם מודול חדש זה, כשלים בזרימת עבודה עקב אילוצי משאבים הצטמצמו בכמעט 80%. הכשלים הבודדים שנותרו נובעים בעיקר ממגבלות חשבון AWS ומעבר לתהליך קנה המידה האוטומטי. הניצחון הגדול ביותר של Vericast עם פתרון זה הוא הקלות שבה הם יכולים להכניס לקוחות חדשים וזרימות עבודה. Vericast מצפה להאיץ את התהליך בלפחות 60-70%, עם נתונים שעדיין לא ייאספו למספר סופי.
למרות שזה נתפס כהצלחה על ידי Vericast, יש עלות שמגיעה עם זה. בהתבסס על אופיו של מודול זה והתפיסה של קנה מידה דינמי בכללותו, זרימות העבודה נוטות להימשך כ-30% יותר (מקרה ממוצע) מאשר זרימת עבודה עם אשכול מכוון מותאם אישית עבור כל מודול בזרימת העבודה. Vericast ממשיכה לבצע אופטימיזציה בתחום זה, ומחפשת לשפר את הפתרון על ידי שילוב אתחול משאבים מבוסס יוריסטיקה עבור כל מודול לקוח.
שרמו סרקר, מנהל בכיר, פלטפורמת למידת מכונה ב-Vericast, אומר, "כשאנחנו ממשיכים להרחיב את השימוש שלנו ב-AWS וב-SageMaker, רציתי להקדיש רגע כדי להדגיש את העבודה המדהימה של צוות שירותי הלקוחות של AWS, אדריכלי AWS Solutions הייעודיים, ושירותים מקצועיים של AWS שאנו עובדים איתם. ההבנה העמוקה שלהם ב-AWS וב-SageMaker אפשרה לנו לעצב פתרון שעונה על כל הצרכים שלנו וסיפקה לנו את הגמישות והסקלביליות שדרשנו. אנחנו כל כך אסירי תודה שיש לנו צוות תמיכה כל כך מוכשר ובעל ידע".
סיכום
בפוסט זה שיתפנו כיצד SageMaker ו- SageMaker Processing אפשרו ל-Vericast לבנות מסגרת עיבוד נתונים מנוהלת, ביצועית וחסכונית עבור נפחי נתונים גדולים. על ידי שילוב העוצמה והגמישות של SageMaker Processing עם שירותי AWS אחרים, הם יכולים לנטר בקלות את תהליך הנדסת התכונות הכללי. הם יכולים לזהות באופן אוטומטי בעיות פוטנציאליות הנוצרות מחוסר מחשוב, זיכרון וגורמים אחרים, וליישם אוטומטית קנה מידה אנכי ואופקי לפי הצורך.
SageMaker והכלים שלה יכולים לעזור לצוות שלך לעמוד גם ביעדי ה-ML שלו. למידע נוסף על SageMaker Processing וכיצד הוא יכול לסייע בעומסי העבודה שלך בעיבוד הנתונים, עיין ב עיבוד נתונים. אם אתה רק התחלת עם ML ואתה מחפש דוגמאות והכוונה, אמזון SageMaker JumpStart יכול להתחיל. JumpStart הוא מרכז ML שממנו אתה יכול לגשת אלגוריתמים מובנים עם מודלים בסיס מאומנים מראש כדי לעזור לך לבצע משימות כגון סיכום מאמרים ויצירת תמונות ופתרונות מובנים מראש לפתרון מקרי שימוש נפוצים.
לבסוף, אם הפוסט הזה עוזר לך או נותן לך השראה לפתור בעיה, נשמח לשמוע על כך! אנא שתף את ההערות והמשוב שלך.
על הכותבים
אנתוני מקלור הוא אדריכל פתרונות שותפים בכיר בצוות AWS SaaS Factory. לאנתוני יש גם עניין רב בלמידת מכונה ובינה מלאכותית בעבודה עם AWS ML/AI Technical Field Community כדי לסייע ללקוחות להביא את פתרונות למידת המכונה שלהם למציאות.
ג'יוטי שארמה הוא מהנדס מדעי נתונים עם צוות פלטפורמת למידת מכונה ב-Vericast. היא נלהבת מכל ההיבטים של מדעי הנתונים ומתמקדת בתכנון והטמעה של פלטפורמת למידת מכונה ניתנת להרחבה ומבוזרת.
שרמו סרקר הוא מנהל בכיר ב- Vericast. הוא מוביל את פלטפורמת למידת מכונה בענן ואת צוותי המחקר והפיתוח של פלטפורמת שיווק ML ב-Vericast. יש לו ניסיון רב ב-Big Data Analytics, מחשוב מבוזר ועיבוד שפה טבעית. מחוץ לעבודה, הוא נהנה לרכוב על אופנוע, טיולים רגליים ורכיבה על אופניים בשבילי הרים.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- קנה ומכירה של מניות בחברות PRE-IPO עם PREIPO®. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 15%
- 7
- a
- אודות
- גישה
- לפיכך
- חֶשְׁבּוֹן
- להשיג
- הפעלה
- מעשים
- להוסיף
- הוסיף
- מוסיף
- נוסף
- כראוי
- לאחר
- נגד
- איידס
- מטרות
- אזעקה
- אַלגוֹרִיתְם
- אלגוריתמים
- תעשיות
- לבד
- לאורך
- כְּבָר
- גם
- אמזון בעברית
- אמזון SageMaker
- כמות
- an
- ניתוח
- ו
- אחר
- אנתוני
- כל
- API
- מתאים
- ארכיטקטורה
- ARE
- AREA
- סביב
- מאמר
- מלאכותי
- בינה מלאכותית
- AS
- אספקט
- היבטים
- שהוקצה
- לעזור
- At
- המכונית
- אוטומטי
- באופן אוטומטי
- מְמוּצָע
- AWS
- שירותים מקצועיים של AWS
- בסיס
- מבוסס
- BE
- כי
- להיות
- היה
- להיות
- הטבות
- הטוב ביותר
- מעבר
- גָדוֹל
- נתונים גדולים
- הגדול ביותר
- לְהַגבִּיר
- שניהם
- מביאים
- לִבנוֹת
- בִּניָן
- נבנה
- מובנה
- עסקים
- אבל
- by
- מחושב
- שיחה
- מבצע
- CAN
- יכול לקבל
- לכידה
- מקרה
- מקרים
- לגרום
- גורם
- מסוים
- אתגר
- שינויים
- בכיתה
- כיתות
- מיון
- לקוחות
- העלאת לקוחות
- לקוחות
- ענן
- אשכול
- קוד
- טור
- שילוב
- שילוב
- מגיע
- הערות
- Common
- קהילה
- חברה
- להשלים
- הושלם
- מורכבות
- מסובך
- רכיבים
- התפשר
- לחשב
- מחשוב
- מושג
- מושגים
- תְצוּרָה
- לשקול
- נחשב
- בהתחשב
- רואה
- אילוצים
- להכיל
- מכולות
- להמשיך
- ממשיך
- עלות
- עלות תועלת
- יכול
- קופון
- לִיצוֹר
- נוצר
- יצירה
- הקריטריונים
- לַחֲצוֹת
- נוֹכְחִי
- כיום
- מנהג
- לקוח
- לקוחות
- נתונים
- ניתוח נתונים
- הכנת נתונים
- עיבוד נתונים
- מדע נתונים
- מדען נתונים
- נתונים מונחים
- מערכי נתונים
- להחליט
- החלטות
- מוקדש
- עמוק
- דלתא
- דמוגרפיה
- תלוי
- פריסה
- מְתוּאָר
- עיצוב
- מעוצב
- תכנון
- פרט
- פרטים
- נחוש
- צעצועי התפתחות
- אחר
- נבדלים זה מזה
- קושי
- ישיר
- הנחה
- לדון
- מופץ
- מחשוב מבוזר
- מונע
- נהג
- ראוי
- דינמי
- באופן דינמי
- כל אחד
- מוקדם יותר
- להקל
- בקלות
- או
- אמייל
- מופעל
- מאפשר
- מהנדס
- הנדסה
- מהנדסים
- מבטיח
- שלם
- סביבה
- סביבות
- שווה
- שווה
- להעריך
- הערכה
- הערכה
- אירוע
- אירועים
- דוגמה
- דוגמאות
- אלא
- קיימים
- לְהַרְחִיב
- צפוי
- מצפה
- ניסיון
- היכרות
- ביטויים
- נרחב
- ניסיון רב
- גורמים
- מפעל
- FAIL
- כשלון
- מאפיין
- תכונות
- הפד
- מָשׁוֹב
- מעטים
- שדה
- סופי
- סופית
- ראשון
- מתאים
- גמישות
- גמיש
- מרוכז
- הבא
- כדלקמן
- בעד
- צורות
- קרן
- מסגרת
- החל מ-
- לגמרי
- פונקציה
- פונקציות
- יתר על כן
- עתיד
- איסוף
- כללי
- נוצר
- מייצר
- דור
- לקבל
- מקבל
- נתן
- Go
- מטרה
- שערים
- Goes
- טוב
- GPU
- אסיר תודה
- הדרכה
- היה
- לטפל
- קורה
- יש
- יש
- he
- לִשְׁמוֹעַ
- כבד
- הרמת כבד
- לעזור
- עוזר
- ברמה גבוהה
- באיכות גבוהה
- להבליט
- מאוד
- היסטוריה
- מאוזן
- אופקית
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- טבור
- בן אנוש
- משוכות
- i
- מזוהה
- if
- מדגים
- תמונה
- ליישם
- הפעלה
- יישום
- חשוב
- לשפר
- in
- באחר
- כולל
- כולל
- שילוב
- להגדיל
- גדל
- מדהים
- בנפרד
- בנפרד
- מידע
- תשתית
- בתחילה
- יוזם
- למשל
- אינסטרומנטלי
- מוֹדִיעִין
- בכוונת
- אינטרס
- מִמְשָׁק
- פנימי
- התערבות
- אל תוך
- מעורב
- סוגיה
- בעיות
- IT
- שֶׁלָה
- עבודה
- מקומות תעסוקה
- jpg
- רק
- סוג
- לדעת
- חוסר
- שפה
- גָדוֹל
- במידה רבה
- גדול יותר
- מאוחר יותר
- מוביל
- לִלמוֹד
- למידה
- הכי פחות
- סִפְרִיָה
- רמה
- הגבלה
- מגבלות
- גבולות
- לינקדין
- רשימה
- קְצָת
- היכנס
- רישום
- הגיוני
- עוד
- הסתכלות
- להפסיד
- אהבה
- מכונה
- למידת מכונה
- לתחזק
- שמירה
- שומר
- לעשות
- עושה
- עשייה
- הצליח
- מנהל
- מניפולציות
- דרך
- רב
- שיווק
- מתמטיקה
- מאי..
- לִפְגוֹשׁ
- זכרון
- הודעה
- מידע נוסף
- מטרי
- מדדים
- יכול
- אכפת לי
- מינימלי
- ML
- מודל
- מודלים
- מודול
- מודולים
- רֶגַע
- צג
- פיקוח
- ניטור
- צגים
- יותר
- רוב
- בעיקר
- הַר
- מספר
- צריך
- טבעי
- עיבוד שפה טבעית
- טבע
- צורך
- נחוץ
- צורך
- צרכי
- חדש
- צמתים
- בייחוד
- הודעה..
- הודעה
- הודעות
- עַכשָׁיו
- מספר
- יעדים
- להתבונן
- of
- לעתים קרובות
- on
- On-Demand
- על הסיפון
- Onboarding
- ONE
- מתמשך
- רק
- מפעיל
- אופטימלי
- מטב
- אופטימיזציה
- or
- מְקוֹרִי
- אחר
- שלנו
- הַחוּצָה
- תוֹצָאָה
- תפוקה
- בחוץ
- יותר
- מקיף
- להתגבר על
- סקירה
- פרמטרים
- חלק
- מסוים
- שותף
- חולף
- לוהט
- תבנית
- אחוזים
- לְבַצֵעַ
- ביצועים
- אוּלַי
- תקופות
- פרספקטיבה
- תמונה
- צינור
- מקום
- מתוכנן
- פלטפורמה
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- לְשַׂחֵק
- משחק
- אנא
- ועוד
- נקודה
- נקודות
- עני
- אפשרי
- הודעה
- פוטנציאל
- כּוֹחַ
- ניבוי
- קודם
- כנראה
- בעיה
- בעיות
- תהליך
- מעובד
- תהליך
- לייצר
- המוצר
- הפקה
- מקצועי
- לספק
- ובלבד
- מספק
- גם
- איכות
- מָהִיר
- מהר
- R & D
- במקום
- חי
- לְהַגִיעַ
- חומר עיוני
- מוכן
- מציאות
- טעם
- רשום
- להחלים
- התאוששות
- מופחת
- מתייחס
- קָשׁוּר
- רלוונטי
- להשאר
- נותר
- לדווח
- נדרש
- דרישות
- משאב
- משאבים
- להגיב
- תוצאה
- וכתוצאה מכך
- חָסוֹן
- תפקיד
- בערך
- כלל
- הפעלה
- ריצה
- SaaS
- בעל חכמים
- אותו
- אומר
- בקרת מערכות ותקשורת
- להרחבה
- סולם
- דרוג
- פתרון קנה המידה
- תרחישים
- מדע
- מַדְעָן
- מדענים
- שניות
- סעיפים
- נבחר
- מבחר
- לשלוח
- שולח
- לחצני מצוקה לפנסיונרים
- רְגִישׁוּת
- נפרד
- מפריד
- שרות
- שירותים
- סט
- סטים
- כמה
- שיתוף
- משותף
- שארמה
- היא
- הראה
- הופעות
- צד
- משמעותי
- דומה
- פָּשׁוּט
- מידה
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- מֶרחָב
- ספציפי
- במיוחד
- מְהִירוּת
- לְסוֹבֵב
- שלבים
- תֶקֶן
- עומד
- התחלה
- החל
- התחלות
- מדינה
- מצב
- שלב
- צעדים
- עוד
- נעצר
- סְתִימָה
- עוצר
- אחסון
- חנויות
- מחרוזת
- חזק
- מובנה
- מנוי
- הצלחה
- בהצלחה
- כזה
- תמיכה
- מערכת
- מערכות
- שולחן
- מותאם
- לקחת
- לוקח
- מוכשר
- המשימות
- משימות
- נבחרת
- צוותי
- טכני
- מונחים
- מֵאֲשֶׁר
- זֶה
- השמיים
- העתיד
- שֶׁלָהֶם
- אותם
- אז
- שם.
- לכן
- אלה
- הֵם
- שְׁלִישִׁי
- זֶה
- אלה
- שְׁלוֹשָׁה
- סף
- דרך
- זמן
- פִּי
- ל
- יַחַד
- כלים
- סה"כ
- רכבת
- הדרכה
- עסקה
- פרטי העברה
- לשנות
- טרנספורמציה
- טרנספורמציות
- להפעיל
- מופעל
- שתיים
- סוג
- טיפוסי
- תחת
- הבנה
- יחידות
- עד
- מְעוּדכָּן
- us
- שָׁמִישׁ
- נוֹהָג
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- באמצעות
- אימות
- ערך
- שונים
- אנכי
- כֶּרֶך
- כרכים
- vs
- רציתי
- היה
- צופה
- דֶרֶך..
- we
- טוֹב
- מתי
- אשר
- מי
- כל
- לגמרי
- יצטרך
- לנצח
- עם
- בתוך
- תיק עבודות
- זרימות עבודה
- עובד
- עובד
- גרוע יותר
- היה
- כתיבה
- עוד
- תְשׁוּאָה
- אתה
- זפירנט