הפוסט הזה נכתב בשיתוף פעולה עם Ankur Goyal ו- Karthikeyan Chokappa מעסק הענן והדיגיטל של PwC Australia.
בינה מלאכותית (AI) ולמידת מכונה (ML) הופכות לחלק בלתי נפרד ממערכות ותהליכים, ומאפשרות החלטות בזמן אמת, ובכך מביאות לשיפורים בשורה העליונה והתחתונה בארגונים. עם זאת, הכנסת מודל ML לייצור בקנה מידה הוא מאתגר ודורש קבוצה של שיטות עבודה מומלצות. לעסקים רבים יש כבר מדעני נתונים ומהנדסי ML שיכולים לבנות מודלים חדישים, אבל לקחת מודלים לייצור ותחזוקת המודלים בקנה מידה נותר אתגר. זרימות עבודה ידניות מגבילות את פעולות מחזור החיים של ML כדי להאט את תהליך הפיתוח, להגדיל עלויות ולפגוע באיכות המוצר הסופי.
פעולות למידת מכונה (MLOps) מיישמת עקרונות DevOps על מערכות ML. בדיוק כמו DevOps משלבת פיתוח ותפעול להנדסת תוכנה, MLOps משלבת הנדסת ML ותפעול IT. עם הצמיחה המהירה במערכות ML ובהקשר של הנדסת ML, MLOps מספקת יכולות הדרושות לטיפול במורכבות הייחודית של היישום המעשי של מערכות ML. בסך הכל, מקרי שימוש ב-ML דורשים פתרון משולב זמין כדי לתעש ולייעל את התהליך שלוקח מודל ML מפיתוח לפריסת ייצור בקנה מידה עם MLOps.
כדי להתמודד עם אתגרי הלקוחות הללו, PwC Australia פיתחה את מאיץ ה-Machine Learning Ops כסט של יכולות תהליכיות וטכנולוגיות סטנדרטיות לשיפור התפעול של מודלים של AI/ML המאפשרים שיתוף פעולה בין-תפקודי בין צוותים לאורך פעולות מחזור החיים של ML. PwC Machine Learning Ops Accelerator, שנבנה על גבי שירותים מקוריים של AWS, מספק פתרון מתאים למטרה המשתלב בקלות במקרים של שימוש ב-ML עבור לקוחות בכל התעשיות. בפוסט זה, אנו מתמקדים בבנייה ופריסה של מקרה שימוש ב-ML המשלב רכיבי מחזור חיים שונים של מודל ML, המאפשר אינטגרציה מתמשכת (CI), אספקה מתמשכת (CD), אימון מתמשך (CT) וניטור מתמשך (CM).
סקירת פתרונות
ב-MLOps, מסע מוצלח מנתונים למודלים של ML ועד להמלצות ותחזיות במערכות ותהליכים עסקיים כרוך במספר שלבים מכריעים. זה כולל לקיחת התוצאה של ניסוי או אב טיפוס והפיכתו למערכת ייצור עם בקרות סטנדרטיות, איכות ולולאות משוב. זה הרבה יותר מסתם אוטומציה. מדובר בשיפור נוהלי הארגון והספקת תוצאות שניתן לחזור עליהן וניתנות לשחזור בקנה מידה.
רק חלק קטן ממקרה שימוש ב-ML בעולם האמיתי מורכב מהמודל עצמו. הרכיבים השונים הדרושים לבניית יכולת ML מתקדמת משולבת והפעלתה באופן רציף בקנה מידה מוצגים באיור 1. כפי שמודגם בתרשים הבא, מאיץ PwC MLOps כולל שבע יכולות מפתח משולבות ושלבים איטרטיביים המאפשרים CI, CD, CT ו CM של מקרה שימוש ב-ML. הפתרון מנצל את התכונות המקוריות של AWS מ אמזון SageMaker, בניית מסגרת גמישה וניתנת להרחבה סביב זה.
בתרחיש ארגוני אמיתי, עשויים להתקיים שלבים ושלבי בדיקה נוספים כדי להבטיח אימות ופריסה קפדנית של מודלים על פני סביבות שונות.
- ניהול נתונים ומודלים לספק יכולת מרכזית השולטת בחפצי ML לאורך מחזור החיים שלהם. זה מאפשר ביקורת, מעקב ותאימות. זה גם מקדם את יכולת השיתוף, השימוש החוזר והגילוי של נכסי ML.
- פיתוח מודל ML מאפשר לפרסונות שונות לפתח צינור אימון מודל חזק וניתן לשחזור, הכולל רצף של שלבים, החל מאימות נתונים וטרנספורמציה לאימון והערכה של מודלים.
- אינטגרציה/מסירה רציפה מקל על הבנייה האוטומטית, הבדיקה והאריזה של צינור ההדרכה של המודל ופריסה בסביבת ביצוע היעד. אינטגרציות עם זרימות עבודה של CI/CD ועיבוד גרסאות נתונים מקדמים את שיטות העבודה המומלצות של MLOps כמו ממשל וניטור לפיתוח איטרטיבי ועיבוד גרסאות נתונים.
- מודל ML אימון מתמשך היכולת מבצעת את צינור ההדרכה על בסיס טריגרים לאימון מחדש; כלומר, כאשר נתונים חדשים הופכים לזמינים או ביצועי המודל דועכים מתחת לסף שנקבע מראש. הוא רושם את המודל המאומן אם הוא כשיר כמועמד מוצלח למודל ומאחסן את חפצי ההדרכה והמטא-נתונים הקשורים אליו.
- פריסת מודלים מאפשר גישה למודל המאומן הרשום כדי לבדוק ולאשר שחרור ייצור ומאפשר אריזת מודל, בדיקה ופריסה בסביבת שירות החיזוי להגשת ייצור.
- שירות חיזוי היכולת מתחילה את המודל הפרוס כדי לספק חיזוי באמצעות דפוסי מקוונים, אצווה או סטרימינג. זמן ריצה של הגשה לוכד גם יומני הגשה של מודלים לניטור ושיפורים מתמשכים.
- ניטור רציף מנטר את המודל לאפקטיביות חיזוי כדי לזהות דעיכה של המודל ויעילות השירות (השהיה, צינור לאורך ושגיאות ביצוע)
ארכיטקטורת ה-PwC Machine Learning Ops Accelerator
הפתרון נבנה על גבי שירותים מקוריים של AWS המשתמשים ב-Amazon SageMaker וטכנולוגיה ללא שרת כדי לשמור על ביצועים ומדרגיות גבוהים ועלויות הפעלה נמוכות.
- PwC Machine Learning Ops Accelerator מספק זכאות גישה מונחה אישיות לבנייה, שימוש ותפעול, המאפשרת למהנדסי ML ומדעני נתונים לבצע אוטומציה של פריסה של צינורות (הדרכה והגשה) ולהגיב במהירות לשינויים באיכות המודל. מנהל תפקידים של Amazon SageMaker משמש ליישום פעילות ML מבוססת תפקידים, ו אמזון S3 משמש לאחסון נתוני קלט וחפצים.
- הפתרון משתמש בנכסי יצירת מודלים קיימים מהלקוח ובונה סביב זה מסגרת גמישה וניתנת להרחבה באמצעות שירותים מקוריים של AWS. נבנו אינטגרציות בין Amazon S3, Git ו-AWS CodeCommit המאפשרות עיבוד גרסאות של נתונים עם ניהול עתידי מינימלי.
- תבנית AWS CloudFormation נוצרת באמצעות ערכת פיתוח ענן של AWS (AWS CDK). AWS CDK מספקת את היכולת לנהל שינויים עבור הפתרון השלם. הצינור האוטומטי כולל שלבים לאחסון מודלים מחוץ לקופסה ומעקב מדדים.
- PwC MLOps Accelerator תוכנן להיות מודולרי ומסופק כתשתית כקוד (IaC) כדי לאפשר פריסות אוטומטיות. תהליך הפריסה משתמש AWS CodeCommit, בניית קוד AWS, קוד צינור AWS, ותבנית AWS CloudFormation. פתרון מלא מקצה לקצה להפעלת מודל ML זמין כקוד בר פריסה.
- באמצעות סדרה של תבניות IaC, נפרסים שלושה רכיבים נפרדים: בניית מודל, פריסת מודל, וניטור מודלים וחיזוי, באמצעות צינורות SageMaker של אמזון
- צינור בניית מודל ממכן את תהליך ההכשרה וההערכה של המודל ומאפשר אישור ורישום של המודל המאומן.
- צינור פריסת מודל מספק את התשתית הדרושה לפריסת מודל ה-ML להסקת אצווה ובזמן אמת.
- צינור לשרת ניטור מודל וחיזוי פורס את התשתית הנדרשת לשרת תחזיות ולניטור ביצועי המודל.
- PwC MLOps Accelerator תוכנן להיות אגנסטי למודלים של ML, מסגרות ML וסביבות זמן ריצה. הפתרון מאפשר שימוש מוכר בשפות תכנות כמו Python ו-R, כלי פיתוח כגון Jupyter Notebook, ומסגרות ML באמצעות קובץ תצורה. גמישות זו הופכת את זה לפשוט עבור מדעני נתונים לשכלל מודלים ללא הרף ולפרוס אותם תוך שימוש בשפה ובסביבה המועדפים עליהם.
- לפתרון יש אינטגרציות מובנות לשימוש בכלים מובנים מראש או מותאמים אישית כדי להקצות את משימות התיוג באמצעותן האמת של אמזון SageMaker עבור מערכי נתונים לאימון כדי לספק הדרכה וניטור מתמשכים.
- צינור ML מקצה לקצה מתוכנן באמצעות תכונות מקוריות של SageMaker (סטודיו SageMaker של אמזון , אמזון SageMaker מודלים לבניית צינורות, ניסויים באמזון SageMaker, ו נקודות הקצה של אמזון SageMaker).
- הפתרון משתמש ביכולות המובנות של Amazon SageMaker לניהול גרסאות מודל, מעקב אחר שושלת מודלים, שיתוף מודלים והסקת שרת ללא שרת עם רישום הדגמים של אמזון SageMaker.
- ברגע שהדגם נמצא בייצור, הפתרון עוקב באופן רציף אחר איכות דגמי ה-ML בזמן אמת. אמזון SageMaker דגם צג משמש לניטור רציף של דגמים בייצור. Amazon CloudWatch Logs משמש לאיסוף קובצי יומן המנטרים את מצב הדגם, והודעות נשלחות באמצעות Amazon SNS כאשר איכות המודל מגיעה לסף מסוים. כתיבי עצים מקומיים כגון (בוטו 3) משמשים ללכידת סטטוס ריצה כדי לזרז את פתרון הבעיות.
דרך פיתרון
ההליכה הבאה צוללת לתוך השלבים הסטנדרטיים ליצירת תהליך MLOps עבור מודל המשתמש ב-PwC MLOps Accelerator. הדרכה זו מתארת מקרה שימוש של מהנדס MLOps שרוצה לפרוס את הצינור עבור מודל ML שפותח לאחרונה באמצעות קובץ הגדרה/תצורה פשוט שהוא אינטואיטיבי.
- כדי להתחיל, הירשם מאיץ PwC MLOps כדי לקבל גישה לחפצי פתרון. הפתרון כולו מונע מקובץ YAML תצורה אחד (
config.yaml
) לכל דגם. כל הפרטים הנדרשים להפעלת הפתרון כלולים בתוך קובץ התצורה ומאוחסנים יחד עם המודל במאגר Git. קובץ התצורה ישמש כקלט לאוטומציה של שלבי זרימת העבודה על ידי החצנה של פרמטרים והגדרות חשובים מחוץ לקוד. - מהנדס ML נדרש לאכלס
config.yaml
קובץ והפעל את צינור MLOps. לקוחות יכולים להגדיר חשבון AWS, המאגר, המודל, הנתונים שבהם נעשה שימוש, שם הצינור, מסגרת ההדרכה, מספר המופעים לשימוש להדרכה, מסגרת ההסקה, וכל שלבי עיבוד לפני ואחרי ועוד כמה תצורות לבדיקת איכות הדגם, הטיה ויכולת ההסבר.
- קובץ YAML פשוט משמש כדי להגדיר את דרישות ההדרכה, הפריסה, הניטור וזמן הריצה של כל דגם. פעם ה
config.yaml
מוגדר כראוי ונשמר לצד המודל במאגר Git משלו, מתזמר בניית הדגמים מופעל. זה גם יכול לקרוא מ-Bring-Your-Own-Model שניתן להגדיר דרך YAML כדי להפעיל פריסה של צינור בניית המודל. - כל מה שאחרי נקודה זו אוטומטית על ידי הפתרון ואינו זקוק למעורבות של מהנדס ML או מדען נתונים. הצינור האחראי על בניית מודל ה-ML כולל עיבוד מקדים של נתונים, הדרכת מודלים, הערכת מודלים ועיבוד ost-processing. אם הדגם עובר מבחני איכות וביצועים אוטומטיים, המודל נשמר ברישום, וחפצים נכתבים לאחסון Amazon S3 לפי ההגדרות בקבצי YAML. זה מפעיל את יצירת צינור פריסת המודל עבור מודל ML זה.
- לאחר מכן, תבנית פריסה אוטומטית מספקת את המודל בסביבת שלב עם נקודת קצה חיה. עם האישור, המודל נפרס אוטומטית בסביבת הייצור.
- הפתרון פורס שני צינורות מקושרים. הגשת חיזוי פורסת נקודת קצה חיה נגישה שדרכה ניתן להגיש תחזיות. ניטור המודל יוצר כלי ניטור רציף שמחשב את ביצועי המודל ומדדי האיכות העיקריים, מפעיל הדרכה מחדש של המודל אם מתגלה שינוי משמעותי באיכות המודל.
- כעת, לאחר שעברת את היצירה והפריסה הראשונית, מהנדס MLOps יכול להגדיר התראות כשל שיתראה על בעיות, למשל, כאשר צינור לא מצליח לבצע את עבודתו המיועדת.
- MLOps כבר לא עוסקת באריזה, בדיקה ופריסה של רכיבי שירותי ענן בדומה לפריסת CI/CD מסורתית; זו מערכת שאמורה לפרוס שירות אחר באופן אוטומטי. לדוגמה, צינור ההדרכה של המודל פורס אוטומטית את צינור פריסת המודל כדי לאפשר שירות חיזוי, אשר בתורו מאפשר את שירות ניטור המודל.
סיכום
לסיכום, MLOps היא קריטית עבור כל ארגון שמטרתו לפרוס מודלים של ML במערכות ייצור בקנה מידה. PwC פיתחה מאיץ לאוטומציה של בנייה, פריסה ותחזוקה של מודלים של ML באמצעות שילוב כלי DevOps בתהליך פיתוח המודל.
בפוסט זה, חקרנו כיצד פתרון PwC מופעל על ידי שירותי ML מקוריים של AWS ועוזר לאמץ שיטות MLOps כך שעסקים יכולים להאיץ את מסע הבינה המלאכותית שלהם ולהרוויח יותר ערך ממודלים של ML שלהם. עברנו על השלבים שמשתמש היה נוקט כדי לגשת ל-PwC Machine Learning Ops Accelerator, להפעיל את הצינורות ולפרוס מקרה שימוש ב-ML המשלב רכיבי מחזור חיים שונים של מודל ML.
כדי להתחיל במסע ה-MLOps שלך ב-AWS Cloud בקנה מידה גדול ולהפעיל את עומסי העבודה של ייצור ML שלך, הירשם ל- פעולות למידת מכונה של PwC.
על הכותבים
קיראן קומאר בלארי הוא אדריכל פתרונות ראשי בשירותי האינטרנט של אמזון (AWS). הוא אוונגליסט שאוהב לעזור ללקוחות למנף טכנולוגיות חדשות ולבנות פתרונות תעשייתיים שניתן לחזור עליהם כדי לפתור את הבעיות שלהם. הוא נלהב במיוחד מהנדסת תוכנה, בינה מלאכותית וסיוע לחברות בפיתוח מוצרי AI/ML.
אנקור גויאל הוא מנהל בפרקטיקה הענן והדיגיטל של PwC אוסטרליה, המתמקד בנתונים, אנליטיקה ובינה מלאכותית. לאנקור ניסיון רב בתמיכה בארגונים במגזר הציבורי והפרטי בהנעת טרנספורמציות טכנולוגיות ועיצוב פתרונות חדשניים על ידי מינוף נכסי נתונים וטכנולוגיות.
קרתיקיאן צ'וקאפה (KC) הוא מנהל בפרקטיקה הענן והדיגיטלית של PwC אוסטרליה, המתמקד בנתונים, אנליטיקה ובינה מלאכותית. KC נלהבת בתכנון, פיתוח ופריסה של פתרונות אנליטיקה מקצה לקצה שהופכים נתונים לנכסי החלטות בעלי ערך כדי לשפר את הביצועים והניצול ולהפחית את עלות הבעלות הכוללת עבור דברים מחוברים וחכמים.
ראמה לנקהלאפאלי הוא Sr. Partner Solutions Architect ב-AWS, שעובד עם PwC כדי להאיץ את ההגירות והמודרניזציה של לקוחותיהם ל-AWS. הוא עובד על פני תעשיות מגוונות כדי להאיץ את האימוץ שלהם של AWS Cloud. המומחיות שלו טמונה בתכנון פתרונות ענן יעילים וניתנים להרחבה, הנעת חדשנות ומודרניזציה של יישומי לקוחות על ידי מינוף שירותי AWS והקמת יסודות ענן עמידים.
ג'יג'י אונוואלה הוא אדריכל פתרונות בכיר ב-AWS שנהנה להנחות לקוחות בפתרון אתגרים וחשיבה אסטרטגית. הוא נלהב מטכנולוגיה ונתונים ומאפשר חדשנות.
- 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/driving-advanced-analytics-outcomes-at-scale-using-amazon-sagemaker-powered-pwcs-machine-learning-ops-accelerator/
- :יש ל
- :הוא
- :לֹא
- $ למעלה
- 1
- 100
- 1951
- 2024
- 32
- 33
- 7
- a
- יכולת
- אודות
- להאיץ
- מאיץ
- גישה
- נגיש
- חֶשְׁבּוֹן
- לרוחב
- פעילות
- נוסף
- כתובת
- לְאַמֵץ
- אימוץ
- מתקדם
- יתרון
- לאחר
- AI
- AI / ML
- מטרות
- התראות
- תעשיות
- להתיר
- מאפשר
- לאורך
- בַּצַד
- כְּבָר
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- אמזון שירותי אינטרנט (AWS)
- an
- ניתוח
- ו
- אחר
- כל
- בקשה
- יישומים
- חל
- כראוי
- הסכמה
- לאשר
- ארכיטקטורה
- ARE
- סביב
- AS
- נכסים
- המשויך
- At
- יכולת ביקורת
- אוסטרליה
- אוטומטי
- אוטומטי
- אוטומטית
- מכני עם סלילה אוטומטית
- באופן אוטומטי
- אוטומציה
- זמין
- AWS
- AWS CloudFormation
- מבוסס
- BE
- הופך להיות
- התהוות
- היה
- להלן
- הטוב ביותר
- שיטות עבודה מומלצות
- בֵּין
- הטיה
- לִבנוֹת
- לבנות
- בִּניָן
- בונה
- נבנה
- מובנה
- עסקים
- עסקים
- אבל
- by
- מחשב
- CAN
- מועמד
- יכולות
- יכולת
- ללכוד
- לוכדת
- מקרה
- מקרים
- CD
- מֶרכָּזִי
- מסוים
- לאתגר
- האתגרים
- אתגר
- שינוי
- שינויים
- לבדוק
- ענן
- קוד
- שיתוף פעולה
- לגבות
- משלב
- חברות
- להשלים
- מורכבות
- הענות
- רכיבים
- כולל
- פשרה
- תְצוּרָה
- מוגדר
- מחובר
- הכלול
- הקשר
- רציף
- ברציפות
- בקרות
- עלות
- עלויות
- לִיצוֹר
- יוצר
- יצירה
- קריטי
- מכריע
- מנהג
- לקוח
- לקוחות
- נתונים
- מדען נתונים
- מערכי נתונים
- החלטה
- החלטות
- הגדרות
- נתן
- אספקה
- מספק
- מסירה
- לפרוס
- פרס
- פריסה
- פריסה
- פריסות
- פורס
- מעוצב
- תכנון
- פרטים
- לאתר
- זוהה
- לפתח
- מפותח
- מתפתח
- צעצועי התפתחות
- כלי פיתוח
- אחר
- דיגיטלי
- מְנַהֵל
- מובהק
- שונה
- do
- עושה
- מטה
- מונע
- נהיגה
- כל אחד
- להקל
- בקלות
- יְעִילוּת
- יעיל
- או
- לאפשר
- מאפשר
- מה שמאפשר
- מקצה לקצה
- נקודת קצה
- מהנדס
- הנדסה
- מהנדסים
- לְהַבטִיחַ
- מִפְעָל
- שלם
- זכאות
- סביבה
- סביבות
- שגיאות
- במיוחד
- מקימים
- הערכה
- מַטִיף
- דוגמה
- מוציאים להורג
- הוצאת להורג
- להתקיים
- קיימים
- לְזַרֵז
- ניסיון
- לְנַסוֹת
- מומחיות
- חקר
- נרחב
- ניסיון רב
- נכשל
- כשלון
- מוכר
- תכונות
- מָשׁוֹב
- תרשים
- שלח
- קבצים
- סופי
- גמישות
- גמיש
- להתמקד
- מרוכז
- הבא
- בעד
- יסודות
- שבריר
- מסגרת
- מסגרות
- החל מ-
- עתיד
- לְהַשִׂיג
- נוצר
- גנרטטיבית
- AI Generative
- לקבל
- Git
- נעלם
- ממשל
- שולט
- קרקע
- צמיחה
- לטפל
- יש
- he
- לעזור
- עזרה
- עוזר
- גָבוֹהַ
- שֶׁלוֹ
- להיטים
- איך
- אולם
- HTML
- HTTPS
- if
- ליישם
- חשוב
- לשפר
- שיפורים
- שיפור
- in
- כולל
- להגדיל
- תעשיות
- תעשייה
- תשתית
- בתחילה
- חדשנות
- חדשני
- קלט
- אינטגרלי
- משולב
- משלב
- שילוב
- השתלבות
- ואינטגרציות
- מוֹדִיעִין
- אינטליגנטי
- התכוון
- אל תוך
- אינטואיטיבי
- הופעל
- מעורבות
- בעיות
- IT
- שֶׁלָה
- עצמו
- עבודה
- מסע
- jpg
- רק
- שמור
- מפתח
- קומאר
- תיוג
- שפה
- שפות
- חֶבִיוֹן
- למידה
- תנופה
- מינוף
- שקרים
- מעגל החיים
- כמו
- להגביל
- יוּחֲסִין
- צמוד
- לחיות
- היכנס
- עוד
- אוהב
- נמוך
- מכונה
- למידת מכונה
- שמירה
- עושה
- לנהל
- ניהול
- מנהל
- מדריך ל
- רב
- מאי..
- מידע נוסף
- מטרי
- מדדים
- מינימלי
- ML
- MLOps
- מודל
- מודלים
- מודולרי
- צג
- ניטור
- צגים
- יותר
- הרבה
- שם
- יליד
- הכרחי
- צורך
- נחוץ
- חדש
- טכנולוגיות חדשות
- לא
- מחברה
- הודעות
- מספר
- of
- on
- פעם
- ONE
- באינטרנט
- להפעיל
- תפעול
- or
- ארגון
- ארגונים
- אחר
- תוצאות
- בחוץ
- מקיף
- שֶׁלוֹ
- בעלות
- אריזה
- פרמטרים
- חלק
- שותף
- מעברי
- לוהט
- דפוסי
- עבור
- ביצועים
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- הודעה
- מופעל
- מעשי
- תרגול
- פרקטיקות
- נבואה
- התחזיות
- מועדף
- מנהל
- עקרונות
- פְּרָטִי
- המגזר הפרטי
- בעיות
- תהליך
- תהליכים
- המוצר
- פיתוח מוצר
- הפקה
- תכנות
- שפות תכנות
- לקדם
- מקדם
- אב טיפוס
- לספק
- מספק
- ציבורי
- מכניס
- PWC
- פיתון
- איכות
- R
- מהיר
- מהר
- חומר עיוני
- לְלֹא קוֹשִׁי
- ממשי
- עולם אמיתי
- זמן אמת
- לאחרונה
- המלצות
- להפחית
- לחדד
- רשום
- רושמים
- הַרשָׁמָה
- רישום
- לשחרר
- שְׂרִידִים
- הָדִיר
- מאגר
- לדרוש
- נדרש
- דרישות
- דורש
- מִתאוֹשֵׁשׁ מַהֵר
- להגיב
- אחראי
- תוצאה
- סקירה
- קַפְּדָנִי
- חָסוֹן
- תפקיד
- הפעלה
- ריצה
- זמן ריצה
- בעל חכמים
- הציל
- בקרת מערכות ותקשורת
- להרחבה
- סולם
- תרחיש
- מַדְעָן
- מדענים
- מגזר
- לחצני מצוקה לפנסיונרים
- נשלח
- רצף
- סדרה
- לשרת
- שירת
- ללא שרת
- שרות
- שירותים
- הגשה
- סט
- הגדרות
- שבע
- כמה
- שיתוף
- צריך
- הראה
- משמעותי
- דומה
- פָּשׁוּט
- להאט
- קטן
- So
- תוכנה
- הנדסת תוכנה
- פִּתָרוֹן
- פתרונות
- לפתור
- פותר
- מְהִירוּת
- שלבים
- בימוי
- תֶקֶן
- החל
- התחלות
- מדינה-of-the-art
- מצב
- צעדים
- אחסון
- חנות
- מאוחסן
- חנויות
- פשוט
- מבחינה אסטרטגית
- נהירה
- לייעל
- מוצלח
- כזה
- סיכום
- מסייע
- מערכת
- מערכות
- לקחת
- לוקח
- נטילת
- יעד
- משימות
- צוותי
- טק
- טכנולוגיות
- טכנולוגיה
- תבנית
- תבניות
- בדיקות
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- בכך
- אלה
- דברים
- חושב
- זֶה
- שְׁלוֹשָׁה
- סף
- דרך
- בכל
- זמן
- ל
- כלי
- כלים
- חלק עליון
- סה"כ
- עקיבות
- מעקב
- מסורתי
- מְאוּמָן
- הדרכה
- לשנות
- טרנספורמציה
- טרנספורמציות
- להפעיל
- מפעילה
- תור
- פנייה
- שתיים
- ייחודי
- על
- נוֹהָג
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- שימושים
- באמצעות
- אימות
- בעל ערך
- ערך
- שונים
- באמצעות
- הלך
- בהדרכה
- רוצה
- היה
- we
- אינטרנט
- שירותי אינטרנט
- מתי
- אשר
- מי
- יצטרך
- עם
- בתוך
- זרימת עבודה
- זרימות עבודה
- עובד
- עובד
- היה
- כתוב
- יאמל
- זפירנט