ככל שלמידת מכונה (ML) הופכת למיינסטרים וזוכה לאימוץ רחב יותר, יישומי מסקנות מבוססי ML הופכים נפוצים יותר ויותר לפתרון מגוון בעיות עסקיות מורכבות. הפתרון לבעיות עסקיות מורכבות אלה דורש לרוב שימוש במספר מודלים ושלבים של ML. פוסט זה מראה לך כיצד לבנות ולארח יישום ML עם קונטיינרים מותאמים אישית אמזון SageMaker.
מציעה אמזון SageMaker אלגוריתמים מובנים ו SageMaker בנוי מראש תמונות docker עבור פריסת מודל. אבל, אם אלה לא מתאימים לצרכים שלך, אתה יכול להביא מכולות משלך (BYOC) לאירוח ב- Amazon SageMaker.
ישנם מספר מקרי שימוש שבהם משתמשים עשויים להזדקק ל-BYOC לאירוח ב-Amazon SageMaker.
- מסגרות או ספריות ML מותאמות אישית: אם אתה מתכנן להשתמש במסגרת ML או ספריות שאינן נתמכות על ידי אלגוריתמים מובנים של Amazon SageMaker או קונטיינרים מובנים מראש, אז תצטרך ליצור קונטיינר מותאם אישית.
- מודלים מיוחדים: עבור תחומים או תעשיות מסוימים, ייתכן שתדרוש ארכיטקטורות מודל ספציפיות או שלבי עיבוד מקדים מותאמים שאינם זמינים בהצעות המובנות של Amazon SageMaker.
- אלגוריתמים קנייניים: אם פיתחתם אלגוריתמים קנייניים משלכם, תזדקק למיכל מותאם אישית כדי לפרוס אותם באמזון SageMaker.
- צינורות מסקנות מורכבות: אם זרימת העבודה של מסקנות ML שלך כוללת לוגיקה עסקית מותאמת אישית - סדרה של שלבים מורכבים שיש לבצע בסדר מסוים - אז BYOC יכול לעזור לך לנהל ולתזמר את השלבים הללו בצורה יעילה יותר.
סקירת פתרונות
בפתרון זה, אנו מראים כיצד לארח אפליקציית הסקה טורית של ML באמזון SageMaker עם נקודות קצה בזמן אמת באמצעות שני מיכלי הסקה מותאמים אישית עם העדכניות ביותר scikit-learn
ו xgboost
חבילות.
המיכל הראשון משתמש ב- a scikit-learn
מודל להפיכת נתונים גולמיים לעמודות מוצגות. זה חל StandardScaler עבור עמודות מספריות ו OneHotEncoder לקטגוריות.
המיכל השני מארח אימון מראש XGboost
מודל (כלומר, מנבא). מודל המנבא מקבל את הקלט המופיע ומוציא תחזיות.
לבסוף, אנו פורסים את מאפיינים ו מְנַבֵּא בצינור מסקנות סדרתי לנקודת קצה של אמזון SageMaker בזמן אמת.
להלן מספר שיקולים שונים מדוע ייתכן שתרצה שיהיו מיכלים נפרדים בתוך יישום ההסקה שלך.
- צימוד - לשלבים שונים של הצינור יש מטרה מוגדרת בבירור וצריך להפעיל אותם על מכולות נפרדות בשל התלות הבסיסית הכרוכה בכך. זה גם עוזר לשמור על מבנה הצינור בצורה טובה.
- מובילות – שלבים שונים של הצינור משתמשים במסגרות ספציפיות המתאימות למטרה (כגון skikit או Spark ML) ולכן צריך להפעיל אותם על מכולות נפרדות.
- בידוד משאבים - שלבים שונים בצינור יש דרישות צריכת משאבים משתנות ולכן יש להפעיל אותם על מכולות נפרדות ליותר גמישות ובקרה.
- תחזוקה ושדרוגים - מנקודת מבט תפעולית, זה מקדם בידוד תפקודי ותוכל להמשיך לשדרג או לשנות שלבים בודדים הרבה יותר בקלות, מבלי להשפיע על דגמים אחרים.
בנוסף, בנייה מקומית של הקונטיינרים הבודדים עוזרת בתהליך האיטרטיבי של פיתוח ובדיקה עם כלים מועדפים וסביבות פיתוח משולבות (IDEs). ברגע שהקונטיינרים מוכנים, אתה יכול להשתמש בהם לפרוס אותם לענן AWS להסקת מסקנות באמצעות נקודות הקצה של Amazon SageMaker.
יישום מלא, כולל קטעי קוד, זמין במאגר Github זה כאן.
תנאים מוקדמים
מכיוון שאנו בודקים תחילה את המכילים המותאמים אישית הללו באופן מקומי, נצטרך להתקין את Docker Desktop במחשב המקומי שלך. כדאי להכיר את בניית מכולות דוקר.
תצטרך גם חשבון AWS עם גישה לאמזון SageMaker, Amazon ECR ו-Amazon S3 כדי לבדוק את האפליקציה הזו מקצה לקצה.
ודא שיש לך את הגרסה העדכנית ביותר של Boto3
וחבילות Amazon SageMaker Python מותקנות:
הדרכה לפתרון
בנו מיכל תכונות מותאם אישית
כדי לבנות את המיכל הראשון, מיכל ה-featurizer, אנו מאמנים א scikit-learn
מודל לעיבוד תכונות גולמיות ב- תותח מערך נתונים. סקריפט העיבוד המקדים משתמש פשוט לטיפול בערכים חסרים, StandardScaler לנרמול עמודות מספריות, ו OneHotEncoder לשינוי עמודות קטגוריות. לאחר התאמת השנאי, אנו שומרים את הדגם פנימה ג'וביב פוּרמָט. לאחר מכן אנו דוחסים ומעלים את חפץ הדגם השמור הזה לשירות אחסון פשוט של אמזון (אמזון S3) דלי.
הנה קטע קוד לדוגמה שמדגים זאת. מתייחס featurizer.ipynb ליישום מלא:
לאחר מכן, כדי ליצור מיכל מסקנות מותאם אישית עבור דגם ה-featurizer, אנו בונים תמונת Docker עם חבילות nginx, gunicorn, flask, יחד עם תלות נדרשות נוספות עבור מודל ה-featurizer.
Nginx, Gunicorn ואפליקציית Flask ישמשו כדוגמת ההגשה בנקודות קצה בזמן אמת של Amazon SageMaker.
כאשר מביאים קונטיינרים מותאמים אישית לאירוח ב-Amazon SageMaker, עלינו לוודא שסקריפט ההסקה יבצע את המשימות הבאות לאחר ההשקה בתוך הקונטיינר:
- טעינת דגם: תסריט מסקנות (
preprocessing.py
) צריך להתייחס/opt/ml/model
ספרייה כדי לטעון את הדגם במיכל. פריטי דגם ב-Amazon S3 יורדו ויורכבו על המכולה בנתיב/opt/ml/model
. - משתני סביבה: כדי להעביר משתני סביבה מותאמים אישית למיכל, עליך לציין אותם במהלך מספר סימוכין שלב היצירה או במהלך נקודת קצה יצירה מעבודת הדרכה.
- דרישות API: הסקריפט Inference חייב ליישם את שניהם
/ping
ו/invocations
מסלולים כיישום Flask. ה/ping
API משמש לבדיקות תקינות, בעוד ה-/invocations
API מטפל בבקשות להסקת הסקה. - רישום: יומני פלט בסקריפט מסקנות חייבים להיכתב לפלט סטנדרטי (stdout) ושגיאת תקן (סטדרר) זרמים. יומנים אלה מוזרמים לאחר מכן אמזון CloudWatch מאת Amazon SageMaker.
הנה קטע מתוך preprocessing.py
שמראים את היישום של /ping
ו /invocations
.
עיין preprocessing.py תחת תיקיית featurizer ליישום מלא.
בנה תמונת Docker עם ערימת תכונות ודגם הגשה
כעת נבנה Dockerfile באמצעות תמונת בסיס מותאמת אישית ונתקין את התלות הנדרשת.
לשם כך, אנו משתמשים python:3.9-slim-buster
בתור תמונת הבסיס. אתה יכול לשנות זאת כל תמונת בסיס אחרת הרלוונטית למקרה השימוש שלך.
לאחר מכן, אנו מעתיקים את תצורת ה-nginx, את קובץ השער של שרת האינטרנט של gunicorn ואת סקריפט ההסקה ל-container. אנחנו גם יוצרים סקריפט python שנקרא serve שמפעיל תהליכי nginx ו-gunicorn ברקע ומגדיר את סקריפט ההסקה (כלומר, preprocessing.py Flask אפליקציית) כנקודת הכניסה למכל.
הנה קטע מה-Dockerfile לאירוח דגם ה-featurizer. ליישום מלא עיין דוקרפיל תחת מאפיינים תיקייה.
בדוק תמונת מסקנות מותאמת אישית עם featurizer באופן מקומי
כעת, בנה ובדוק את מיכל ההסקה המותאם אישית עם featurizer באופן מקומי, באמצעות אמזון מצב מקומי של SageMaker. מצב מקומי מושלם לבדיקת תסריטי העיבוד, ההכשרה וההסקה שלך מבלי להפעיל שום משרה באמזון SageMaker. לאחר אישור התוצאות של הבדיקות המקומיות שלך, תוכל להתאים בקלות את סקריפטי ההדרכה וההסקות לפריסה ב-Amazon SageMaker במינימום שינויים.
כדי לבדוק את התמונה המותאמת אישית של featurizer באופן מקומי, תחילה בנה את התמונה באמצעות התמונה שהוגדרה קודם לכן דוקרפיל. לאחר מכן, הפעל מיכל על ידי הרכבת הספרייה המכילה את דגם התכונות (preprocess.joblib
) אל ה /opt/ml/model
ספרייה בתוך המכולה. בנוסף, מפה את יציאה 8080 ממכולה למארח.
לאחר ההשקה, אתה יכול לשלוח בקשות להסקת הסקה אל http://localhost:8080/invocations.
כדי לבנות ולהפעיל את הקונטיינר, פתח מסוף והפעל את הפקודות הבאות.
שים לב שאתה צריך להחליף את <IMAGE_NAME>
, כפי שמוצג בקוד הבא, עם שם התמונה של המיכל שלך.
גם הפקודה הבאה מניחה שהאומן scikit-learn
דגם (preprocess.joblib
) קיים תחת ספרייה בשם models
.
לאחר שהמכולה פועלת, נוכל לבדוק את שניהם /ping ו /התקשרויות מסלולים באמצעות פקודות סלסול.
הפעל את הפקודות שלהלן ממסוף
כאשר נשלחים נתונים גולמיים (לא עברו שינוי) אל http://localhost:8080/invocations, נקודת הקצה מגיבה עם נתונים שעברו שינוי.
אתה אמור לראות תגובה דומה לזו הבאה:
כעת אנו מפסיקים את המכולה הפועלת, ולאחר מכן מתייגים ודוחפים את התמונה המותאמת אישית המקומית לרישום פרטי של Amazon Elastic Container (אמזון ECR) מאגר.
ראה את הפקודות הבאות כדי להיכנס לאמזון ECR, אשר מתייג את התמונה המקומית עם נתיב תמונה מלא של Amazon ECR ולאחר מכן דוחף את התמונה ל- Amazon ECR. ודא שאתה מחליף region
ו account
משתנים שיתאימו לסביבה שלך.
עיין ליצור מאגר ו דחוף תמונה לאמזון ECR ממשק שורת הפקודה של AWS (AWS CLI) פקודות למידע נוסף.
שלב אופציונלי
לחלופין, תוכל לבצע בדיקה חיה על ידי פריסת דגם ה-featurizer לנקודת קצה בזמן אמת עם תמונת ה-docker המותאמת אישית באמזון ECR. מתייחס featurizer.ipynb מחברת ליישום מלא של בנייה, בדיקה ודחיפת התמונה המותאמת אישית לאמזון ECR.
אמזון SageMaker מאתחל את נקודת הסיום ומעתיקה את חפצי המודל ל- /opt/ml/model
ספרייה בתוך המכולה. לִרְאוֹת כיצד SageMaker טוען את חפצי הדגם שלך.
בנו מיכל מנבא XGBoost מותאם אישית
לבניית מיכל ההסקת XGBoost אנו מבצעים שלבים דומים כפי שעשינו בעת בניית התמונה עבור מיכל התכונות:
- הורד מאומן מראש
XGBoost
דגם מבית Amazon S3. - צור את
inference.py
סקריפט שטוען את המאומן מראשXGBoost
מודל, ממיר את נתוני הקלט שעברו טרנספורמציה שהתקבלו מ-featurizer, וממיר לXGBoost.DMatrix
פורמט, פועלpredict
על הבוסטר, ומחזיר תחזיות בפורמט json. - סקריפטים וקבצי תצורה שיוצרים את מחסנית ההגשה של המודל (כלומר,
nginx.conf
,wsgi.py
, וserve
נשאר אותו דבר ואינו זקוק לשינוי. - אנו משתמשים
Ubuntu:18.04
בתור תמונת הבסיס של ה-Dockerfile. זה לא תנאי מוקדם. אנו משתמשים בתמונת הבסיס של אובונטו כדי להדגים שניתן לבנות קונטיינרים עם כל תמונת בסיס. - השלבים לבניית תמונת ה-Docker של הלקוח, בדיקת התמונה באופן מקומי ודחיפת התמונה שנבדקה לאמזון ECR נשארים זהים כמו קודם.
למען הקיצור, מכיוון שהשלבים דומים שהוצגו בעבר; עם זאת, אנו מציגים רק את הקידוד שהשתנה בהמשך.
ראשית, inference.py
תַסרִיט. הנה קטע שמראה את היישום של /ping
ו /invocations
. מתייחס inference.py תחת מְנַבֵּא תיקייה ליישום מלא של קובץ זה.
להלן קטע מה-Dockerfile לאירוח מודל המנבא. ליישום מלא עיין דוקרפיל תחת תיקיית מנבא.
לאחר מכן אנו ממשיכים לבנות, לבדוק ולדחוף את תמונת המנבאת המותאמת אישית הזו למאגר פרטי באמזון ECR. מתייחס predictor.ipynb מחברת ליישום מלא של בנייה, בדיקה ודחיפת התמונה המותאמת אישית לאמזון ECR.
פרוס צינור מסקנות סדרתי
לאחר שבדקנו גם את ה-featurizer וגם את התמונות המנבאות ודחפנו אותם לאמזון ECR, אנו מעלים כעת את חפצי הדגם שלנו לדלי של אמזון S3.
לאחר מכן, אנו יוצרים שני אובייקטי מודל: אחד עבור featurizer
(כלומר, preprocess.joblib
) ואחרים עבור ה predictor
(כלומר, xgboost-model
) על ידי ציון Uri התמונה המותאמת אישית שבנינו קודם לכן.
הנה קטע שמראה זאת. מתייחס serial-inference-pipeline.ipynb ליישום מלא.
כעת, כדי לפרוס את המיכלים הללו בצורה סדרתית, אנו יוצרים תחילה א דגם Pipeline להתנגד ולהעביר את featurizer
דגם ו predictor
מודל לאובייקט רשימת פיתון באותו סדר.
לאחר מכן, אנו קוראים ל- .deploy()
שיטה על דגם Pipeline ציון סוג המופע וספירת המופעים.
בשלב זה, אמזון SageMaker פורס את צינור ההסקה הסדרתי לנקודת קצה בזמן אמת. אנחנו מחכים שנקודת הסיום תהיה InService
.
כעת נוכל לבדוק את נקודת הקצה על ידי שליחת כמה בקשות להסקת הסקה לנקודת הקצה החיה הזו.
עיין serial-inference-pipeline.ipynb ליישום מלא.
לנקות את
לאחר שתסיים את הבדיקה, אנא עקוב אחר ההוראות בסעיף הניקוי של המחברת כדי למחוק את המשאבים המופיעים בפוסט זה כדי למנוע חיובים מיותרים. מתייחס תמחור SageMaker של אמזון לפרטים על עלות מקרי ההסקה.
סיכום
בפוסט זה, הראיתי כיצד אנו יכולים לבנות ולפרוס אפליקציית הסקת ML סדרתית באמצעות מיכלי הסקה מותאמים אישית לנקודות קצה בזמן אמת ב-Amazon SageMaker.
פתרון זה מדגים כיצד לקוחות יכולים להביא קונטיינרים מותאמים אישית משלהם לאירוח באמזון SageMaker באופן חסכוני. עם אפשרות BYOC, לקוחות יכולים לבנות ולהתאים במהירות את יישומי ה-ML שלהם לפריסה ב-Amazon SageMaker.
אנו ממליצים לך לנסות את הפתרון הזה עם מערך נתונים רלוונטי למדדי ביצועי מפתח (KPI) של העסק שלך. אתה יכול להתייחס לכל הפתרון בזה מאגר GitHub.
הפניות
על המחבר
פראבן צ'מארתי הוא מומחה בכיר בינה מלאכותית/ML עם שירותי האינטרנט של אמזון. הוא נלהב מ-AI/ML וכל מה שקשור ל-AWS. הוא עוזר ללקוחות ברחבי אמריקה להרחיב, לחדש ולתפעל ביעילות עומסי עבודה של ML ב-AWS. בזמנו הפנוי, פראווין אוהב לקרוא ונהנה מסרטי מדע בדיוני.
- 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/build-and-deploy-ml-inference-applications-from-scratch-using-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 08
- 09
- 1
- 10
- 100
- 11
- 13
- 14
- 150
- 16
- 17
- 20
- 200
- 2023
- 25
- 28
- 30
- 500
- 7
- 8
- 87
- 9
- a
- אודות
- לְקַבֵּל
- מקבל
- גישה
- לפיכך
- חֶשְׁבּוֹן
- לרוחב
- להסתגל
- בנוסף
- אימוץ
- משפיע
- לאחר
- AI / ML
- אלגוריתמים
- תעשיות
- לאורך
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- אמריקה
- an
- ו
- כל
- API
- האפליקציה
- בקשה
- יישומים
- חל
- אפריל
- ARE
- מערך
- AS
- מניח
- At
- זמין
- לְהִמָנַע
- AWS
- רקע
- בסיס
- מבוסס
- BE
- התהוות
- לפני
- להיות
- להלן
- גוּף
- מאיץ
- שניהם
- להביא
- מביאים
- לִבנוֹת
- בִּניָן
- נבנה
- מובנה
- צורר
- עסקים
- אבל
- by
- שיחה
- נקרא
- CAN
- מקרה
- מקרים
- חָתוּל
- מסוים
- שינוי
- השתנה
- שינויים
- חיובים
- לבדוק
- בדיקות
- בבירור
- ענן
- קוד
- סִמוּל
- טור
- עמודות
- COM
- Common
- מורכב
- המחשב
- תְצוּרָה
- מחובר
- הקשר
- שיקולים
- קבוע
- לבנות
- צְרִיכָה
- מכולה
- מכולות
- תוכן
- תוכן
- להמשיך
- לִשְׁלוֹט
- להמיר
- עלות
- יכול
- לִיצוֹר
- יוצרים
- יצירה
- אישורים
- מנהג
- לקוח
- לקוחות
- נתונים
- תַאֲרִיך
- לְהַגדִיר
- מוגדר
- להפגין
- מדגים
- תלות
- לפרוס
- פרס
- פריסה
- פריסה
- פורס
- שולחן העבודה
- פרטים
- נחוש
- מפותח
- צעצועי התפתחות
- DICT
- DID
- אחר
- סַוָר
- תחומים
- עשה
- לא
- ראוי
- בְּמַהֲלָך
- e
- מוקדם יותר
- בקלות
- יעילות
- אחר
- לעודד
- מקצה לקצה
- נקודת קצה
- לְהַבטִיחַ
- שלם
- כניסה
- סביבה
- סביבות
- שגיאה
- וכו '
- דוגמה
- אלא
- יוצא מן הכלל
- יצא לפועל
- מוכר
- אופנה
- חביב
- תכונות
- מעטים
- שלח
- קבצים
- ראשון
- מתאים
- הוֹלֵם
- גמישות
- לעקוב
- הבא
- בעד
- טופס
- פוּרמָט
- מצא
- מסגרת
- מסגרות
- החל מ-
- מלא
- פונקציה
- פונקציונלי
- רווחים
- שער כניסה
- לקבל
- GitHub
- GMT
- Goes
- לטפל
- מטפל
- טיפול
- יש
- he
- בְּרִיאוּת
- גובה
- לעזור
- עוזר
- שֶׁלוֹ
- המארח
- אירוח
- מארחים
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- i
- if
- תמונה
- תמונות
- ליישם
- הפעלה
- לייבא
- in
- כולל
- כולל
- יותר ויותר
- אינדיקטורים
- בנפרד
- תעשיות
- מידע
- inhouse
- לחדש
- קלט
- בתוך
- להתקין
- מותקן
- למשל
- הוראות
- משולב
- מִמְשָׁק
- אל תוך
- מעורב
- בדידות
- IT
- עבודה
- מקומות תעסוקה
- jpg
- ג'סון
- שמור
- מפתח
- תווית
- האחרון
- לשגר
- הושק
- השקות
- השקה
- למידה
- עזבו
- אורך
- ספריות
- קו
- רשימה
- ברשימה
- לחיות
- לִטעוֹן
- טוען
- המון
- מקומי
- באופן מקומי
- הגיון
- התחבר
- אוהב
- מכונה
- למידת מכונה
- זרם מרכזי
- עושה
- עשייה
- לנהל
- דרך
- מַפָּה
- סימן
- להתאים
- מאי..
- שיטה
- יכול
- מינימלי
- חסר
- ML
- מצב
- מודל
- מודלים
- לשנות
- יותר
- סרטים
- הרבה
- מספר
- צריך
- שם
- שמות
- צורך
- צרכי
- לא
- ללא חתימה
- מחברה
- עַכשָׁיו
- מספר
- קהות
- אובייקט
- אובייקטים
- of
- הצעות
- המיוחדות שלנו
- לעתים קרובות
- on
- פעם
- ONE
- יחידות
- רק
- עַל גַבֵּי
- לפתוח
- להפעיל
- מבצעי
- אפשרות
- or
- להזמין
- OS
- אחר
- שלנו
- תפוקה
- שֶׁלוֹ
- חבילות
- דובי פנדה
- פרמטרים
- מסוים
- לעבור
- לוהט
- נתיב
- לְבַצֵעַ
- ביצועים
- מבצע
- צינור
- תכנית
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- נקודה
- הודעה
- נבואה
- התחזיות
- חיזוי
- להציג
- קוֹדֶם
- פְּרָטִי
- בעיות
- תהליך
- תהליכים
- תהליך
- מעבד
- מקדם
- קניינית
- מטרה
- דחוף
- דחף
- דוחף
- פיתון
- מהירות
- להעלות
- רכס
- חי
- חומר עיוני
- מוכן
- זמן אמת
- קיבלו
- להתייחס
- רישום
- רלוונטי
- להשאר
- להחליף
- מאגר
- לבקש
- בקשות
- לדרוש
- נדרש
- דרישות
- דורש
- משאב
- משאבים
- תגובה
- תוצאה
- תוצאות
- לַחֲזוֹר
- חוזר
- החזרות
- טַבַּעַת
- מסלול
- נתיבים
- שׁוּרָה
- הפעלה
- ריצה
- פועל
- בעל חכמים
- אותו
- שמור
- הציל
- סולם
- מדע בדיוני
- לגרד
- תסריט
- סקריפטים
- שְׁנִיָה
- סעיף
- לִרְאוֹת
- לשלוח
- שליחה
- לחצני מצוקה לפנסיונרים
- נשלח
- נפרד
- סידורי
- סדרה
- לשרת
- שרת
- שרות
- שירותים
- הגשה
- מושב
- סט
- סטים
- כמה
- מִין
- צריך
- לְהַצִיג
- הראה
- הראה
- הופעות
- דומה
- פָּשׁוּט
- קטע
- So
- פִּתָרוֹן
- לפתור
- כמה
- משהו
- לעורר
- מומחה
- ספציפי
- לערום
- התמחות
- תֶקֶן
- עמדה
- מצב
- שלב
- צעדים
- אחסון
- מוזרם
- זרמים
- מחרוזת
- מובנה
- בהצלחה
- כזה
- שמש
- נתמך
- מסייע
- תומך
- תָג
- מותאם
- לוקח
- משימות
- מסוף
- מבחן
- נבדק
- בדיקות
- בדיקות
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אז
- שם.
- לכן
- אלה
- דברים
- זֶה
- זמן
- ל
- כלים
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- טרנספורמציה
- שנאי
- רוֹבּוֹטרִיקִים
- הפיכה
- לנסות
- מנסה
- שתיים
- סוג
- אובונטו
- תחת
- בְּסִיסִי
- מְיוּתָר
- שדרוג
- שָׁמִישׁ
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמשים
- שימושים
- באמצעות
- ערכים
- שונים
- משתנה
- אימות
- גרסה
- לחכות
- רוצה
- היה
- we
- אינטרנט
- שרת אינטרנט
- שירותי אינטרנט
- טוֹב
- אשר
- בזמן
- למה
- רחב יותר
- יצטרך
- עם
- בתוך
- לְלֹא
- זרימת עבודה
- עובד
- כתוב
- X
- XGBoost
- אתה
- זפירנט