בעידן הביג דאטה ובינה מלאכותית, חברות מחפשות ללא הרף דרכים להשתמש בטכנולוגיות הללו כדי להשיג יתרון תחרותי. אחד התחומים החמים ביותר ב-AI כרגע הוא בינה מלאכותית, ולא בכדי. AI Generative מציע פתרונות רבי עוצמה שדוחפים את הגבולות של מה שאפשרי מבחינת יצירתיות וחדשנות. בליבת הפתרונות החדשניים הללו טמון מודל יסוד (FM), מודל למידת מכונה מתקדם ביותר שהוכשר מראש על כמויות אדירות של נתונים. רבים מדגמי היסוד הללו הראו יכולת יוצאת דופן בהבנה ויצירת טקסט דמוי אדם, מה שהופך אותם לכלי בעל ערך עבור מגוון יישומים, מיצירת תוכן ועד אוטומציה של תמיכת לקוחות.
עם זאת, מודלים אלה אינם חפים מאתגרים. הם גדולים במיוחד ודורשים כמויות גדולות של נתונים ומשאבים חישוביים כדי לאמן. בנוסף, אופטימיזציה של תהליך האימון וכיול הפרמטרים יכולים להיות תהליך מורכב ואיטרטיבי, הדורש מומחיות וניסוי זהיר. אלה יכולים להוות מחסומים עבור ארגונים רבים המעוניינים לבנות מודלים בסיסיים משלהם. כדי להתגבר על האתגר הזה, לקוחות רבים שוקלים לכוונן דגמי יסודות קיימים. זוהי טכניקה פופולרית להתאים חלק קטן מפרמטרי מודל עבור יישומים ספציפיים תוך שמירה על הידע שכבר מקודד במודל. זה מאפשר לארגונים להשתמש בכוחם של מודלים אלה תוך צמצום המשאבים הנדרשים להתאמה אישית לתחום או משימה ספציפיים.
קיימות שתי גישות עיקריות לכוונון מודלים של יסודות: כוונון עדין מסורתי וכיוונון עדין יעיל בפרמטרים. כוונון עדין מסורתי כרוך בעדכון כל הפרמטרים של המודל שהוכשר מראש עבור משימה ספציפית במורד הזרם. מצד שני, כוונון עדין יעיל בפרמטרים כולל מגוון טכניקות המאפשרות התאמה אישית של דגם מבלי לעדכן את כל הפרמטרים המקוריים של הדגם. טכניקה אחת כזו נקראת Low-rank Adaptation (LoRA). זה כרוך בהוספת מודולים קטנים וספציפיים למשימה למודל שהוכשר מראש והכשרתם תוך שמירה על שאר הפרמטרים קבועים כפי שמוצג בתמונה הבאה.
מקור: AI גנרטיבי ב-AWS (O'Reilly, 2023)
LoRA צברה פופולריות לאחרונה מכמה סיבות. הוא מציע אימון מהיר יותר, דרישות זיכרון מופחתות ויכולת לעשות שימוש חוזר במודלים מאומנים מראש עבור משימות מרובות במורד הזרם. חשוב מכך, ניתן לאחסן את דגם הבסיס ואת המתאם בנפרד ולשלב בכל עת, מה שמקל על אחסון, הפצה ושיתוף של גרסאות מכווננות. עם זאת, זה מציג אתגר חדש: כיצד לנהל נכון את הסוגים החדשים הללו של דגמים מכוונים. האם לשלב את דגם הבסיס ואת המתאם או לשמור אותם נפרדים? בפוסט זה, אנו עוברים על שיטות עבודה מומלצות לניהול מודלים מכוונים ל-LoRA אמזון SageMaker להתייחס לשאלה המתהווה.
עבודה עם FMs על SageMaker Model Registry
בפוסט זה, אנו עוברים על דוגמה מקצה לקצה של כוונון עדין של מודל השפה הגדולה Llama2 (LLM) באמצעות שיטת QLoRA. QLoRA משלב את היתרונות של כוונון עדין יעיל של פרמטרים עם קוונטיזציה של 4 סיביות/8 סיביות כדי לצמצם עוד יותר את המשאבים הדרושים לכוונון עדין של FM למשימה או מקרה שימוש ספציפי. לשם כך, נשתמש במודל של 7 מיליארד פרמטרים Llama2 שהוכשר מראש ונכוונן אותו במערך הנתונים dataabricks-dolly-15k. ל-LLMs כמו Llama2 יש מיליארדי פרמטרים והם מאומנים מראש על מערכי טקסט מסיביים. כוונון עדין מתאים LLM למשימה במורד הזרם באמצעות מערך נתונים קטן יותר. עם זאת, כוונון עדין של דגמים גדולים הוא יקר מבחינה חישובית. זו הסיבה שנשתמש בשיטת QLoRA כדי לכמת את המשקולות במהלך כוונון עדין כדי להפחית את עלות החישוב הזו.
בדוגמאות שלנו, תמצאו שתי מחברות (llm-finetune-combined-with-registry.ipynb
ו llm-finetune-separate-with-registry.ipynb
). כל אחד עובד דרך אחרת לטיפול במודלים מכוונים ל-LoRA כפי שמוצג בתרשים הבא:
- ראשית, אנו מורידים את דגם ה-Llama2 המאומן מראש עם 7 מיליארד פרמטרים באמצעות SageMaker Studio Notebooks. LLMs, כמו Llama2, הראו ביצועים מתקדמים במשימות עיבוד שפה טבעית (NLP) כאשר כוונון עדין על נתונים ספציפיים לתחום.
- לאחר מכן, אנו מכווננים את Llama2 במערך הנתונים של databricks-dolly-15k באמצעות שיטת QLoRA. QLoRA מפחית את העלות החישובית של כוונון עדין על ידי כימות משקלי המודל.
- במהלך כוונון עדין, אנו משלבים את SageMaker Experiments Plus עם ה-Transformers API לרישום אוטומטי של מדדים כמו שיפוע, אובדן וכו'.
- לאחר מכן, אנו גרסנו את מודל ה-Llama2 המכוונן היטב ב- SageMaker Model Registry באמצעות שתי גישות:
- אחסון הדגם המלא
- אחסון המתאם ודגם הבסיס בנפרד.
- לבסוף, אנו מארחים את הדגמים המכוונים של Llama2 באמצעות Deep Java Library (DJL) המשרתים בנקודת קצה של SageMaker בזמן אמת.
בסעיפים הבאים, נצלול עמוק יותר לתוך כל אחד מהשלבים הללו, כדי להדגים את הגמישות של SageMaker עבור זרימות עבודה שונות של LLM וכיצד תכונות אלו יכולות לעזור לשפר את הפעולות של הדגמים שלך.
תנאים מוקדמים
השלם את התנאים המוקדמים הבאים כדי להתחיל להתנסות בקוד.
- צור דומיין SageMaker Studio: Amazon SageMaker Studio, במיוחד Studio Notebooks, משמש כדי להתחיל את משימת הכוונון העדין של Llama2 ואז לרשום ולהציג דגמים בתוך SageMaker מודל הרישום. SageMaker ניסויים משמש גם לצפייה והשוואה של יומני עבודה לכוונון עדין של Llama2 (אובדן אימון/אובדן מבחן/וכו').
- צור דלי של Amazon Simple Storage Service (S3).: נדרשת גישה לדלי S3 לאחסון חפצי אימון ומשקולות דגם. להנחיות, עיין ב יצירת דלי. הקוד לדוגמה המשמש לפוסט זה ישתמש בדלי S3 ברירת המחדל של SageMaker, אך אתה יכול להתאים אותו לשימוש בכל דלי S3 רלוונטי.
- הגדר אוספי מודלים (הרשאות IAM): עדכן את תפקיד הביצוע של SageMaker שלך עם הרשאות לקבוצות משאבים כמפורט תחת מדריך למפתחים של אוספי מודל הרישום ליישם קיבוץ מודלים באמצעות אוספי מודלים.
- קבל את התנאים וההגבלות עבור Llama2: תצטרך לקבל את הסכם הרישיון למשתמש הקצה ואת מדיניות השימוש המקובל לשימוש במודל הבסיס של Llama2.
הדוגמאות זמינות ב- מאגר GitHub. קבצי המחברת נבדקים באמצעות מחברות Studio הפועלות על PyTorch 2.0.0 Python 3.10 GPU Optimized kernel וסוג מופע ml.g4dn.xlarge.
ניסויים ושילוב התקשרות חוזרת
ניסויים באמזון SageMaker מאפשר לך לארגן, לעקוב, להשוות ולהעריך ניסויים של למידת מכונה (ML) וגרסאות מודל מכל סביבת פיתוח משולבת (IDE), כולל מחברות Jupyter מקומיות, באמצעות SageMaker Python SDK או boto3. הוא מספק את הגמישות לרשום את מדדי המודל, הפרמטרים, הקבצים, החפצים, תרשימי העלילה מהמדדים השונים, ללכוד מטא נתונים שונים, לחפש בהם ולתמוך בשחזור המודל. מדעני נתונים יכולים להשוות במהירות את הביצועים וההיפרפרמטרים להערכת מודל באמצעות תרשימים וטבלאות ויזואליות. הם יכולים גם להשתמש בניסויי SageMaker כדי להוריד את התרשימים שנוצרו ולשתף את הערכת המודל עם מחזיקי העניין שלהם.
אימון לימודי LLM יכול להיות תהליך איטי, יקר ואיטרטיבי. חשוב מאוד למשתמש לעקוב אחר ניסויי LLM בקנה מידה כדי למנוע חווית כוונון מודל לא עקבית. ממשקי API של HuggingFace Transformer לאפשר למשתמשים לעקוב אחר מדדים במהלך משימות הדרכה התקשרות חוזרת. התקשרויות חוזרות הן פיסות קוד "לקריאה בלבד" שיכולות להתאים אישית את התנהגות לולאת האימון ב- PyTorch Trainer שיכולה לבדוק את מצב לולאת האימון לצורך דיווח התקדמות, התחברות ב-TensorBoard או SageMaker Experiments Plus באמצעות לוגיקה מותאמת אישית (שכלול כחלק של בסיס קוד זה).
אתה יכול לייבא את קוד ההתקשרות חזרה של SageMaker Experiments הכלול במאגר הקוד של הפוסט הזה, כפי שמוצג בבלוק הקוד הבא:
התקשרות חוזרת זו תרשום באופן אוטומטי את המידע הבא לתוך SageMaker Experiments כחלק מהריצה:
- פרמטרי אימון והיפר-פרמטרים
- אובדן הדרכה ואימות מודל ב-Step, Epoch ו-Final
- חפצי קלט ופלט של מודל (מערך נתונים אימון, מערך אימות, מיקום פלט מודל, מאתר באגים לאימון ועוד)
הגרף הבא מציג דוגמאות לתרשימים שתוכל להציג באמצעות מידע זה.
זה מאפשר לך להשוות ריצות מרובות בקלות באמצעות תכונת הניתוח של SageMaker Experiments. אתה יכול לבחור את ריצות הניסוי שברצונך להשוות, והן יאכלסו באופן אוטומטי גרפי השוואה.
רשום דגמים מכוונים עדין לאוספי רישום המודלים
אוספי רישום מודלים הוא תכונה של SageMaker מודל הרישום המאפשר לך לקבץ מודלים רשומים הקשורים זה לזה ולארגן אותם בהיררכיות כדי לשפר את יכולת הגילוי של המודל בקנה מידה. אנו נשתמש ב- Model Registry Collections כדי לעקוב אחר הדגם הבסיסי וגרסאות מכווננות.
שיטת העתקת דגם מלא
השיטה הראשונה משלבת את דגם הבסיס ומתאם LoRA וחוסכת את הדגם המכוונן במלואו. הקוד הבא ממחיש את תהליך מיזוג המודל ושומר את המודל המשולב באמצעות model.save_pretrained()
.
לשילוב של מתאם LoRA ודגם הבסיס לחפץ דגם אחד לאחר כוונון עדין יש יתרונות וחסרונות. המודל המשולב הוא עצמאי וניתן לנהל אותו ולפרוס אותו באופן עצמאי ללא צורך במודל הבסיס המקורי. ניתן לעקוב אחר המודל כישות משלו עם שם גרסה המשקף את המודל הבסיסי ונתוני כוונון עדין. נוכל לאמץ מינוח באמצעות ה base_model_name
+ מכוון עדין dataset_name
לארגן את קבוצות המודל. אופציונלי, אוספי דגמים יכולים לשייך את הדגמים המקוריים והמכווננים, אך ייתכן שלא יהיה צורך בכך מכיוון שהדגם המשולב הוא עצמאי. קטע הקוד הבא מראה לך כיצד לרשום את הדגם המכוונן.
אתה יכול להשתמש באומדן ההכשרה כדי לרשום את המודל ל- Model Registry.
מתוך Model Registry, אתה יכול לאחזר את חבילת המודל ולפרוס את המודל הזה ישירות.
עם זאת, ישנם חסרונות לגישה זו. שילוב הדגמים מוביל לחוסר יעילות אחסון וליתירות מאחר ודגם הבסיס משוכפל בכל גרסה מכווננת עדינה. ככל שגודל הדגם ומספר הדגמים המכוונים גדלים, הדבר מנפח באופן אקספוננציאלי את צרכי האחסון. אם לוקחים את דגם llama2 7b כדוגמה, הדגם הבסיסי הוא כ-13 GB והדגם המכוונן הוא 13.6 GB. יש לשכפל 96% אחוז מהדגם לאחר כל כוונון עדין. בנוסף, הפצה ושיתוף של קבצי דגמים גדולים מאוד הופכים גם הם לקשים יותר ומציבים אתגרים תפעוליים כאשר עלויות העברת הקבצים וניהול הקבצים עולות עם הגדלת גודל המודל וכוונון העבודות.
מתאם נפרד ושיטת בסיס
השיטה השנייה מתמקדת בהפרדה של משקלי בסיס ומשקולות מתאם על ידי שמירתם כרכיבי דגם נפרדים וטעינתם ברצף בזמן הריצה.
לשמירת משקלי בסיס ומתאם יש יתרונות וחסרונות, בדומה לשיטת העתקת הדגם המלא. יתרון אחד הוא שהוא יכול לחסוך בשטח אחסון. משקולות הבסיס, שהן המרכיב הגדול ביותר בדגם מכוונן עדין, נשמרות פעם אחת בלבד וניתן לעשות בהן שימוש חוזר עם משקולות מתאם אחרות המכוונות למשימות שונות. לדוגמה, משקלי הבסיס של Llama2-7B הם כ-13 GB, אך כל משימת כוונון עדין צריכה לאחסן רק כ-0.6 GB של משקלי מתאם, המהווה חיסכון של 95% במקום. יתרון נוסף הוא שניתן לנהל משקולות בסיס בנפרד ממשקולות מתאמים באמצעות רישום דגם בסיס משקלות בלבד. זה יכול להיות שימושי עבור דומיינים של SageMaker שפועלים במצב VPC בלבד ללא שער אינטרנט, מכיוון שניתן לגשת למשקולות הבסיס ללא צורך לעבור דרך האינטרנט.
צור קבוצת חבילות דגם למשקולות בסיס
צור קבוצת חבילות מודל עבור משקולות QLoRA
הקוד הבא מראה כיצד לתייג משקלי QLoRA עם סוג הנתונים/משימה ולרשום משקלי דלתא מכוונים עדין לרישום מודל נפרד ולעקוב אחר משקלי הדלתא בנפרד.
הקטע הבא מציג תצוגה ממרשם הדגמים שבו הדגמים מחולקים למשקולות בסיס ומכווננות.
ניהול מודלים, מערכי נתונים ומשימות עבור LLMs מותאמים אישית יכול להפוך במהירות למכריע. אוספי הרישום של דגמי SageMaker יכול לעזור לך לקבץ מודלים קשורים ולארגן אותם בהיררכיה כדי לשפר את יכולת הגילוי של המודל. זה מקל על המעקב אחר הקשרים בין משקלי בסיס, משקלי מתאם וכוונון מערכי נתונים של משימות. אתה יכול גם ליצור קשרים מורכבים וקשרים בין מודלים.
צור אוסף חדש והוסף את משקלי דגם הבסיס שלך לאוסף זה
קשר את כל משקלי הדלתא של מתאם LoRA המכוונים לאוסף זה לפי משימה ו/או מערך נתונים
זה יביא להיררכיית אוסף המקושרת לפי סוג מודל/משימה ומערך הנתונים המשמש לכוונון עדין של מודל הבסיס.
לשיטה זו של הפרדת דגמי הבסיס והמתאם יש כמה חסרונות. חסרון אחד הוא המורכבות בפריסת המודל. מכיוון שיש שני חפצי מודל נפרדים, אתה צריך שלבים נוספים כדי לארוז מחדש את המודל במקום לפרוס ישירות מ- Model Registry. בדוגמה הבאה, הורד וארוז מחדש את הגרסה העדכנית ביותר של דגם הבסיס תחילה.
לאחר מכן הורד וארוז מחדש את משקלי מתאם LoRA המכוונים העדכניים ביותר.
מכיוון שתשתמש בשרת DJL במהירות עמוקה כדי לארח את הדגם, ספריית ההסקות שלך צריכה להיראות כך.
לבסוף, ארוז את קוד ההסקה המותאם אישית, דגם הבסיס ומתאם LoRA בקובץ .tar.gz יחיד לפריסה.
לנקות את
נקה את המשאבים שלך על ידי ביצוע ההוראות בסעיף הניקוי של המחברת. מתייחס תמחור SageMaker של אמזון לפרטים על עלות מקרי ההסקה.
סיכום
פוסט זה הוביל אותך דרך שיטות עבודה מומלצות לניהול מודלים מכוונים ל-LoRA ב-Amazon SageMaker. כיסינו שתי שיטות עיקריות: שילוב משקלות הבסיס והמתאם לדגם עצמאי אחד, והפרדת משקל הבסיס והמתאם. לשתי הגישות יש פשרות, אבל הפרדת משקלים עוזרת לייעל את האחסון ומאפשרת טכניקות מתקדמות לניהול מודלים כמו SageMaker Model Registry Collections. זה מאפשר לך לבנות היררכיות ויחסים בין מודלים כדי לשפר את הארגון ואת יכולת הגילוי. אנו ממליצים לך לנסות את הקוד לדוגמה מאגר GitHub להתנסות בשיטות אלו בעצמך. ככל שה-AI הגנרטיבי מתקדם במהירות, מעקב אחר שיטות עבודה מומלצות לניהול מודלים יעזור לך לעקוב אחר ניסויים, למצוא את המודל המתאים למשימה שלך ולנהל LLMs מיוחדים ביעילות בקנה מידה.
הפניות
על המחברים
ג'יימס וו הוא ארכיטקט פתרונות מומחה בינה מלאכותית/ML בכיר ב-AWS. עוזר ללקוחות לתכנן ולבנות פתרונות AI/ML. עבודתו של ג'יימס מכסה מגוון רחב של מקרי שימוש ב-ML, עם עניין עיקרי בראייה ממוחשבת, למידה עמוקה והרחבת ML ברחבי הארגון. לפני שהצטרף ל-AWS, ג'יימס היה אדריכל, מפתח ומוביל טכנולוגיה במשך למעלה מ-10 שנים, כולל 6 שנים בהנדסה ו-4 שנים בתעשיות שיווק ופרסום.
פראנב מרתי הוא אדריכל פתרונות AI/ML מומחה ב-AWS. הוא מתמקד בסיוע ללקוחות לבנות, לאמן, לפרוס ולהעביר עומסי עבודה של למידת מכונה (ML) אל SageMaker. הוא עבד בעבר בתעשיית המוליכים למחצה בפיתוח מודלים של ראייה ממוחשבת גדולה (CV) ועיבוד שפה טבעית (NLP) לשיפור תהליכי מוליכים למחצה. בזמנו הפנוי הוא נהנה לשחק שח ולטייל.
Mecit Gungor הוא ארכיטקט פתרונות מומחה AI/ML ב-AWS המסייע ללקוחות לתכנן ולבנות פתרונות AI/ML בקנה מידה. הוא מכסה מגוון רחב של מקרי שימוש ב-AI/ML עבור לקוחות טלקומוניקציה וכיום מתמקד בבינה מלאכותית, LLMs ואופטימיזציה של הדרכה והסקת מסקנות. לעתים קרובות ניתן למצוא אותו מטייל במדבר או משחק במשחקי לוח עם חבריו בזמנו הפנוי.
שלבי אייגנברודה הוא ארכיטקט פתרונות ראשי בינה מלאכותית ולמידת מכונה בשירותי האינטרנט של אמזון (AWS). היא עוסקת בטכנולוגיה כבר 24 שנים בפריסה של תעשיות, טכנולוגיות ותפקידים רבים. כרגע היא מתמקדת בשילוב רקע ה-DevOps ו-ML שלה בתחום ה-MLOps כדי לעזור ללקוחות לספק ולנהל עומסי עבודה של ML בקנה מידה. עם יותר מ-35 פטנטים שהוענקו על פני תחומי טכנולוגיה שונים, יש לה תשוקה לחדשנות מתמשכת ושימוש בנתונים כדי להניע תוצאות עסקיות. שלבי היא שותפה ליצירה ומדריכה של ההתמחות במדעי הנתונים המעשיים ב-Coursera. היא גם מנהלת משותפת של נשים בביג דאטה (WiBD), פרק דנבר. בזמנה הפנוי, היא אוהבת לבלות עם משפחתה, חבריה וכלבים פעילים מדי.
- 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/model-management-for-lora-fine-tuned-models-using-llama2-and-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 20
- 2023
- 23
- 24
- 25
- 28
- 31
- 35%
- 7
- 8
- 95%
- a
- יכולת
- אודות
- לְקַבֵּל
- קביל
- גישה
- נצפה
- לרוחב
- הסתגלות
- מסתגל
- להוסיף
- מוסיף
- נוסף
- בנוסף
- כתובת
- לְאַמֵץ
- מתקדם
- יתרון
- יתרונות
- פרסום
- לאחר
- הסכם
- AI
- AI נכון
- AI / ML
- תעשיות
- להתיר
- מאפשר
- כְּבָר
- גם
- אמזון בעברית
- אמזון SageMaker
- סטודיו SageMaker של אמזון
- שירות אחסון פשוט של אמזון (S3)
- אמזון שירותי אינטרנט
- אמזון שירותי אינטרנט (AWS)
- כמויות
- an
- לנתח
- ו
- אחר
- כל
- API
- יישומים
- גישה
- גישות
- מאושר
- בערך
- ARE
- אזורים
- AS
- עמית
- At
- באופן אוטומטי
- אוטומציה
- זמין
- AWS
- בחזרה
- רקע
- מחסומים
- בסיס
- BE
- כי
- להיות
- הופך להיות
- היה
- התנהגות
- הטבות
- הטוב ביותר
- שיטות עבודה מומלצות
- בֵּין
- גָדוֹל
- נתונים גדולים
- B
- מיליארדים
- לחסום
- לוּחַ
- משחקי לוח
- שניהם
- גבולות
- לִבנוֹת
- עסקים
- אבל
- by
- התקשרות חוזרת
- נקרא
- CAN
- יכולת
- ללכוד
- זהיר
- מקרה
- מקרים
- לאתגר
- האתגרים
- הפרק
- תרשימים
- שחמט
- בכיתה
- ברור
- קוד
- בסיס קוד
- אוסף
- אוספים
- לשלב
- משולב
- משלב
- שילוב
- חברות
- לְהַשְׁווֹת
- השוואה
- תחרותי
- מורכב
- מורכבות
- רְכִיב
- רכיבים
- חישוב
- חישובית
- המחשב
- ראייה ממוחשבת
- תנאים
- בהתחשב
- תוכן
- יצירת תוכן
- תמיד
- רציף
- ליבה
- עלות
- יכול
- מכוסה
- מכסה
- לִיצוֹר
- נוצר
- יצירה
- יצירתיות
- כיום
- מנהג
- לקוח
- שירות לקוחות
- לקוחות
- התאמה אישית
- אישית
- שיא הטכנולוגיה
- נתונים
- מדע נתונים
- מערכי נתונים
- עמוק
- למידה עמוקה
- עמוק יותר
- בְּרִירַת מֶחדָל
- דל
- למסור
- דלתא
- להפגין
- דנבר
- לפרוס
- פרס
- פריסה
- פריסה
- עיצוב
- פרטים
- מפתח
- מתפתח
- צעצועי התפתחות
- אחר
- קשה
- ישירות
- לְהַצִיג
- לְהָפִיץ
- הפצה
- צלילה
- תחום
- תחומים
- להורדה
- חסרונות
- נהיגה
- בְּמַהֲלָך
- כל אחד
- קל יותר
- בקלות
- אדג '
- יעיל
- יעילות
- אחר
- מתעורר
- מאפשר
- לעודד
- מקצה לקצה
- נקודת קצה
- הנדסה
- מִפְעָל
- ישות
- סביבה
- תקופה
- תקופה
- וכו '
- להעריך
- הערכה
- דוגמה
- דוגמאות
- במיוחד
- הוצאת להורג
- קיימים
- יקר
- ניסיון
- לְנַסוֹת
- ניסויים
- מומחיות
- אקספוננציאלית
- פָּנִים
- כשלון
- משפחה
- מהר יותר
- מאפיין
- תכונות
- שלח
- קבצים
- סוף
- ראשון
- קבוע
- גמישות
- מתמקד
- התמקדות
- הבא
- בעד
- מצא
- קרן
- חופשי
- חברים
- החל מ-
- מלא
- פונקציה
- נוסף
- עתיד
- לְהַשִׂיג
- צבר
- משחקים
- שער כניסה
- יצירת
- גנרטטיבית
- AI Generative
- Go
- הולך
- טוב
- GPU
- כמובן מאליו
- גרף
- גרפים
- קְבוּצָה
- קבוצה
- יד
- לטפל
- יש
- יש
- he
- לעזור
- עזרה
- עוזר
- לה
- היררכיה
- מאוד
- שֶׁלוֹ
- המארח
- החם ביותר
- איך
- איך
- אולם
- HTML
- HTTPS
- חיבוק פנים
- מדגים
- תמונה
- ליישם
- הפעלה
- לייבא
- חשוב
- חשוב
- יבוא
- לשפר
- in
- כלול
- כולל
- כולל
- להגדיל
- עליות
- גדל
- עצמאי
- באופן עצמאי
- תעשיות
- תעשייה
- אִי יְעִילוּת
- מתנפח
- מידע
- חדשנות
- קלט
- למשל
- במקום
- הוראות
- לשלב
- משולב
- אינטרס
- אינטרנט
- אל תוך
- מציג
- IT
- שֶׁלָה
- ג'יימס
- Java
- עבודה
- מקומות תעסוקה
- הצטרפות
- jpg
- שמור
- שמירה
- מפתח
- לבעוט
- ידע
- שפה
- גָדוֹל
- הגדול ביותר
- האחרון
- מנהיג
- מוביל
- למידה
- מאפשר לי
- רמה
- סִפְרִיָה
- רישיון
- שקרים
- כמו
- אוהב
- קשר
- צמוד
- ברשימה
- LLM
- לִטעוֹן
- טוען
- מקומי
- מיקום
- היכנס
- רישום
- הגיון
- נראה
- נראה כמו
- הסתכלות
- את
- מכונה
- למידת מכונה
- ראשי
- עושה
- עשייה
- לנהל
- הצליח
- ניהול
- ניהול
- רב
- שיווק
- שיווק ופרסום
- מסיבי
- מאי..
- זכרון
- למזג
- מיזוג
- מידע נוסף
- שיטה
- שיטות
- מדדים
- נודד
- ML
- MLOps
- מצב
- מודל
- מודלים
- מודולים
- יותר
- מספר
- שם
- טבעי
- עיבוד שפה טבעית
- הכרחי
- צורך
- צורך
- צרכי
- חדש
- NLP
- מחברה
- עַכשָׁיו
- מספר
- of
- כבוי
- המיוחדות שלנו
- לעתים קרובות
- on
- פעם
- ONE
- רק
- מבצעי
- תפעול
- אופטימיזציה
- מטב
- אופטימיזציה
- מיטוב
- or
- ארגון
- ארגונים
- מְקוֹרִי
- אחר
- שלנו
- תוצאות
- תפוקה
- יותר
- להתגבר על
- מכריע
- שֶׁלוֹ
- חבילה
- פרמטר
- פרמטרים
- חלק
- תשוקה
- פטנטים
- נתיב
- אָחוּז
- ביצועים
- הרשאות
- חתיכות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- ועוד
- מדיניות
- פופולרי
- פופולריות
- חלק
- אפשרי
- הודעה
- כּוֹחַ
- חזק
- מעשי
- פרקטיקות
- תנאים מוקדמים
- מתנות
- מִשׁמֶרֶת
- למנוע
- קוֹדֶם
- יְסוֹדִי
- מנהל
- קודם
- תהליך
- תהליכים
- תהליך
- התקדמות
- כמו שצריך
- נכסים
- מספק
- דחוף
- פיתון
- פיטורך
- שאלה
- מהירות
- רכס
- מהר
- זמן אמת
- טעם
- סיבות
- לאחרונה
- להפחית
- מופחת
- מפחית
- הפחתה
- להתייחס
- משקף
- הירשם
- רשום
- רישום
- קָשׁוּר
- מערכות יחסים
- רלוונטי
- ראוי לציון
- דווח
- מאגר
- לדרוש
- נדרש
- דרישות
- משאבים
- REST
- תוצאה
- שימוש חוזר
- תקין
- תפקיד
- תפקידים
- הפעלה
- ריצה
- פועל
- זמן ריצה
- בעל חכמים
- שמור
- הציל
- חסכת
- חיסכון
- סולם
- דרוג
- מדע
- מדענים
- Sdk
- חיפוש
- שְׁנִיָה
- סעיף
- סעיפים
- מחפשים
- סמיקונדקטור
- לחצני מצוקה לפנסיונרים
- נפרד
- מפריד
- שרות
- שירותים
- הגשה
- כמה
- שיתוף
- שיתוף
- היא
- צריך
- הראה
- הופעות
- דומה
- פָּשׁוּט
- since
- יחיד
- מידה
- להאט
- קטן
- קטן יותר
- קטע
- פִּתָרוֹן
- פתרונות
- כמה
- מָקוֹר
- מֶרחָב
- מתח
- מומחה
- מיוחד
- ספציפי
- במיוחד
- לבלות
- לפצל
- בעלי עניין
- התחלה
- מדינה
- מדינה-of-the-art
- מצב
- שלב
- צעדים
- עוד
- אחסון
- חנות
- מאוחסן
- סטודיו
- כזה
- תמיכה
- תָג
- נטילת
- המשימות
- משימות
- טכניקה
- טכניקות
- טכנולוגיות
- טכנולוגיה
- טֵלֵקוֹמוּנִיקַציָה
- מונחים
- נבדק
- טֶקסט
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אז
- שם.
- אלה
- הֵם
- זֶה
- דרך
- זמן
- ל
- יַחַד
- כלי
- לפיד
- לעקוב
- מסורתי
- רכבת
- הדרכה
- להעביר
- שנאי
- רוֹבּוֹטרִיקִים
- נסיעה
- נָכוֹן
- לנסות
- מנגינה
- מכוון
- כונון
- שתיים
- סוג
- סוגים
- תחת
- הבנה
- עדכון
- עדכון
- נטען
- כתובת האתר
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- משתמשים
- באמצעות
- אימות
- בעל ערך
- ערך
- מגוון
- שונים
- Vast
- גרסה
- גירסאות
- מאוד
- באמצעות
- לצפיה
- חזון
- חזותי
- ללכת
- הלך
- רוצה
- היה
- דֶרֶך..
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- מתי
- אשר
- בזמן
- למה
- רָחָב
- טווח רחב
- יצטרך
- עם
- בתוך
- לְלֹא
- נשים
- תיק עבודות
- עבד
- זרימות עבודה
- עובד
- שנים
- אתה
- עצמך
- זפירנט