MLOps היא דיסציפלינה מפתח שלעתים קרובות מפקחת על הדרך לייצור מודלים של למידת מכונה (ML). זה טבעי להתמקד בדגם בודד שאתה רוצה לאמן ולפרוס. עם זאת, במציאות, סביר להניח שתעבוד עם עשרות או אפילו מאות דגמים, והתהליך עשוי לכלול מספר שלבים מורכבים. לכן, חשוב שתהיה תשתית במקום כדי לעקוב, לאמן, לפרוס ולנטר דגמים עם מורכבויות שונות בקנה מידה. זה המקום שבו הכלי MLOps נכנס לתמונה. כלי MLOps עוזר לך לבנות ולפשט את התהליכים האלה באופן חוזר ומהימן לזרימת עבודה המותאמת ל-ML.
צינורות SageMaker של אמזון, תכונה של אמזון SageMaker, הוא שירות תזמור זרימת עבודה בנוי למטרות עבור ML, שעוזר לך להפוך זרימות עבודה ML מקצה לקצה בקנה מידה. זה מפשט את הפיתוח והתחזוקה של מודלים של ML על ידי מתן פלטפורמה מרכזית לתזמורת משימות כגון הכנת נתונים, אימון מודלים, כוונון ואימות. SageMaker Pipelines יכול לעזור לך לייעל את ניהול זרימת העבודה, להאיץ ניסויים ולהכשיר מחדש מודלים ביתר קלות.
בפוסט זה, אנו מדגישים תכונה חדשה ומלהיבה של SageMaker Pipelines הידועה בשם ביצוע סלקטיבי. תכונה חדשה זו מאפשרת לך להפעיל באופן סלקטיבי חלקים ספציפיים של זרימת העבודה שלך ב-ML, וכתוצאה מכך לחסכון משמעותי בזמן ובמשאבי מחשוב על ידי הגבלת הריצה לשלבי צינור בהיקף וביטול הצורך להפעיל שלבים מחוץ לתחום. יתר על כן, אנו חוקרים מקרי שימוש שונים שבהם היתרונות של שימוש בביצוע סלקטיבי מתגלים, ומחזקים עוד יותר את הצעת הערך שלו.
סקירת פתרונות
SageMaker Pipelines ממשיכה לחדש את חוויית המפתחים שלה עם שחרורו של ביצוע סלקטיבי. לבוני ML יש כעת את היכולת לבחור שלבים ספציפיים להפעלה בתוך צינור, ומבטל את הצורך להפעיל מחדש את כל הצינור. תכונה זו מאפשרת לך להפעיל מחדש קטעים ספציפיים של הצינור תוך שינוי פרמטרי זמן הריצה המשויכים לשלבים שנבחרו.
חשוב לציין שהשלבים שנבחרו עשויים להסתמך על תוצאות של שלבים שאינם נבחרים. במקרים כאלה, נעשה שימוש חוזר בפלטים של שלבים אלה שאינם נבחרים מהרצת ייחוס של גרסת הצינור הנוכחית. המשמעות היא שהפעלת ההפניה חייבת כבר להסתיים. הפעלת ההתייחסות המוגדרת כברירת מחדל היא ההפעלה האחרונה של גרסת הצינור הנוכחית, אך אתה יכול גם לבחור להשתמש בריצה אחרת של גירסת הצינור הנוכחית כהפניה.
המצב הכולל של ריצת הייחוס חייב להיות מוצלח, נכשל or עצר. זה לא יכול להיות ריצה כאשר ביצוע סלקטיבי מנסה להשתמש בפלטים שלו. בעת שימוש בביצוע סלקטיבי, אתה יכול לבחור כל מספר שלבים להפעלה, כל עוד הם מהווים חלק רציף מהצינור.
התרשים הבא ממחיש את התנהגות הצינור עם ריצה מלאה.
התרשים הבא ממחיש את התנהגות הצינור באמצעות ביצוע סלקטיבי.
בסעיפים הבאים, אנו מראים כיצד להשתמש בביצוע סלקטיבי עבור תרחישים שונים, כולל זרימות עבודה מורכבות בגרפים אציקליים ישירים בצינור (DAG).
תנאים מוקדמים
כדי להתחיל להתנסות עם ביצוע סלקטיבי, עלינו להגדיר תחילה את הרכיבים הבאים של סביבת SageMaker שלך:
- SageMaker Python SDK - ודא שיש לך עדכון SageMaker Python SDK מותקן בסביבת Python שלך. אתה יכול להפעיל את הפקודה הבאה מהמחברת או מהמסוף שלך כדי להתקין או לשדרג את גרסת SageMaker Python SDK ל 2.162.0 או גבוה יותר:
python3 -m pip install sagemaker>=2.162.0
orpip3 install sagemaker>=2.162.0
. - גישה לאולפן SageMaker (אופציונלי) - סטודיו SageMaker של אמזון יכול להיות מועיל להמחשת ריצות צינור ואינטראקציה עם ARNs קיימים של צינורות באופן ויזואלי. אם אין לך גישה ל-SageMaker Studio או שאתה משתמש במחברות לפי דרישה או ב-IDEs אחרים, אתה עדיין יכול לעקוב אחר הפוסט הזה ולקיים אינטראקציה עם ה-ARN של הצינורות שלך באמצעות Python SDK.
הקוד לדוגמה עבור הדרכה מלאה מקצה לקצה זמין ב- GitHub ריפו.
התקנה
עם sagemaker>=1.162.0
פיתון SDK, הצגנו את SelectiveExecutionConfig
הכיתה כחלק מה sagemaker.workflow.selective_execution_config
מודול. התכונה ביצוע סלקטיבי מסתמכת על ARN צינור שסומן בעבר כ הצלחתי, נכשל or עצר. קטע הקוד הבא מדגים כיצד לייבא את SelectiveExecutionConfig
מחלקה, אחזר את ARN של צינור הייחוס, ואסוף שלבי צינור ופרמטרים של זמן ריצה הקשורים לריצת הצינור:
import boto3
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.selective_execution_config import SelectiveExecutionConfig sm_client = boto3.client('sagemaker')
# reference the name of your sample pipeline pipeline_name = "AbalonePipeline"
# filter for previous success pipeline execution arns
pipeline_executions = [_exec for _exec in Pipeline(name=pipeline_name).list_executions()['PipelineExecutionSummaries'] if _exec['PipelineExecutionStatus'] == "Succeeded"
]
# get the last successful execution
latest_pipeline_arn = pipeline_executions[0]['PipelineExecutionArn']
print(latest_pipeline_arn)
>>> arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/x62pbar3gs6h # list all steps of your sample pipeline
execution_steps = sm_client.list_pipeline_execution_steps( PipelineExecutionArn=latest_pipeline_arn
)['PipelineExecutionSteps']
print(execution_steps)
>>> [{'StepName': 'Abalone-Preprocess', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 519000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 986000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-fvsmu7m7ki3q-Abalone-Preprocess-d68CecvHLU'}}, 'SelectiveExecutionResult': {'SourcePipelineExecutionArn': 'arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/ksm2mjwut6oz'}}, {'StepName': 'Abalone-Train', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 31, 320000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 43, 58, 224000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'TrainingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:training-job/pipelines-x62pbar3gs6h-Abalone-Train-PKhAc1Q6lx'}}}, {'StepName': 'Abalone-Evaluate', 'StartTime': datetime.datetime(2023, 6, 27, 4, 43, 59, 40000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 76000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-x62pbar3gs6h-Abalone-Evaluate-vmkZDKDwhk'}}}, {'StepName': 'Abalone-MSECheck', 'StartTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 821000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 44, 124000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'Condition': {'Outcome': 'True'}}}] # list all configureable pipeline parameters # params can be altered during selective execution
parameters = sm_client.list_pipeline_parameters_for_execution( PipelineExecutionArn=latest_pipeline_arn
)['PipelineParameters']
print(parameters)
>>> [{'Name': 'XGBNumRounds', 'Value': '120'}, {'Name': 'XGBSubSample', 'Value': '0.9'}, {'Name': 'XGBGamma', 'Value': '2'}, {'Name': 'TrainingInstanceCount', 'Value': '1'}, {'Name': 'XGBMinChildWeight', 'Value': '4'}, {'Name': 'XGBETA', 'Value': '0.25'}, {'Name': 'ApprovalStatus', 'Value': 'PendingManualApproval'}, {'Name': 'ProcessingInstanceCount', 'Value': '1'}, {'Name': 'ProcessingInstanceType', 'Value': 'ml.t3.medium'}, {'Name': 'MseThreshold', 'Value': '6'}, {'Name': 'ModelPath', 'Value': 's3://sagemaker-us-east-1-123123123123/Abalone/models/'}, {'Name': 'XGBMaxDepth', 'Value': '12'}, {'Name': 'TrainingInstanceType', 'Value': 'ml.c5.xlarge'}, {'Name': 'InputData', 'Value': 's3://sagemaker-us-east-1-123123123123/sample-dataset/abalone/abalone.csv'}]
מקרי שימוש
בסעיף זה, אנו מציגים מספר תרחישים שבהם ביצוע סלקטיבי עשוי לחסוך זמן ומשאבים. אנו משתמשים בזרימת צינור טיפוסית, הכוללת שלבים כגון מיצוי נתונים, הדרכה, הערכה, רישום מודל ופריסה, כהתייחסות להדגמת היתרונות של ביצוע סלקטיבי.
SageMaker Pipelines מאפשר לך להגדיר פרמטרים של זמן ריצה עבור הפעלת הצינור שלך באמצעות פרמטרים של צינור. כאשר מופעלת ריצה חדשה, היא בדרך כלל מפעילה את כל הצינור מתחילתו ועד סופו. לעומת זאת, אם מטמון שלבים מופעל, SageMaker Pipelines ינסה למצוא הפעלה קודמת של שלב הצינור הנוכחי עם אותם ערכי תכונה. אם נמצא התאמה, SageMaker Pipelines ישתמש בפלט מהריצה הקודמת במקום לחשב מחדש את השלב. שים לב שאפילו כשמטמון צעדים מופעל, SageMaker Pipelines עדיין יפעיל את כל זרימת העבודה עד הסוף כברירת מחדל.
עם שחרורו של תכונת הביצוע הסלקטיבי, כעת תוכל להפעיל מחדש זרימת עבודה שלמה של צינור שלם או להפעיל באופן סלקטיבי קבוצת משנה של שלבים באמצעות ARN קודם של צינור. ניתן לעשות זאת גם ללא הפעלת מטמון שלבים. מקרי השימוש הבאים ממחישים את הדרכים השונות בהן ניתן להשתמש בביצוע סלקטיבי.
מקרה שימוש 1: הפעל שלב בודד
מדעני נתונים מתמקדים לעתים קרובות בשלב ההדרכה של צינור MLOps ואינם רוצים לדאוג לגבי שלבי העיבוד המקדים או הפריסה. ביצוע סלקטיבי מאפשר למדעני נתונים להתמקד רק בשלב האימון ולשנות פרמטרים של אימון או היפרפרמטרים תוך כדי שיפור המודל. זה יכול לחסוך זמן ולהפחית עלויות מכיוון שמשאבי מחשוב מנוצלים רק להפעלת שלבי צינור שנבחרו על ידי המשתמש. ראה את הקוד הבא:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
האיורים הבאים ממחישים את הצינור עם שלב אחד בתהליך ולאחר מכן הושלם.
מקרה שימוש 2: הפעל מספר שלבי צינור רציפים
בהמשך למקרה השימוש הקודם, מדען נתונים רוצה להכשיר מודל חדש ולהעריך את הביצועים שלו מול מערך בדיקות מוזהב. הערכה זו חיונית כדי להבטיח שהמודל עומד בהנחיות קפדניות לבדיקת קבלת משתמשים (UAT) או פריסת ייצור. עם זאת, מדען הנתונים לא רוצה להפעיל את כל זרימת העבודה של הצינור או לפרוס את המודל. הם יכולים להשתמש בביצוע סלקטיבי כדי להתמקד אך ורק בשלבי ההדרכה וההערכה, לחסוך בזמן ובמשאבים ועדיין לקבל את תוצאות האימות הדרושים להם:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "ProcessingInstanceType": "ml.t3.medium", "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
מקרה שימוש 3: עדכון והפעל מחדש שלבי צינור שנכשלו
אתה יכול להשתמש בביצוע סלקטיבי כדי להפעיל מחדש שלבים שנכשלו בתוך צינור או לחדש את הרצה של צינור משלב שנכשל ואילך. זה יכול להיות שימושי עבור פתרון בעיות וניפוי שלבים שנכשלו מכיוון שהוא מאפשר למפתחים להתמקד בבעיות הספציפיות שיש לטפל בהן. זה יכול להוביל לפתרון בעיות יעיל יותר וזמני איטרציה מהירים יותר. הדוגמה הבאה ממחישה כיצד תוכל לבחור להפעיל מחדש רק את השלב הכושל של צינור.
# select a previously failed pipeline arn
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/fvsmu7m7ki3q", selected_steps=["Abalone-Evaluate"]
) # start execution of failed pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config
)
לחלופין, מדען נתונים יכול לחדש צינור משלב כושל לסוף זרימת העבודה על ידי ציון השלב הכושל וכל השלבים הבאים אחריו SelectiveExecutionConfig
.
מקרה שימוש 4: כיסוי צינור
בצינורות מסוימים, סניפים מסוימים מופעלים בתדירות נמוכה יותר מאחרים. לדוגמה, ייתכן שיש סניף שפועל רק כאשר תנאי מסוים נכשל. חשוב לבדוק את הענפים הללו ביסודיות כדי להבטיח שהם פועלים כמצופה כאשר אכן מתרחש כשל. על ידי בדיקת ענפים אלה המופעלים בתדירות נמוכה יותר, מפתחים יכולים לוודא שהצינור שלהם חזק ושמנגנוני טיפול בשגיאות שומרים ביעילות על זרימת העבודה הרצויה ומפיקים תוצאות אמינות.
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate", "Abalone-MSECheck", "Abalone-FailNotify"]
)
סיכום
בפוסט זה, דנו בתכונת הביצוע הסלקטיבי של SageMaker Pipelines, המאפשרת לך להפעיל באופן סלקטיבי שלבים ספציפיים של זרימות העבודה שלך ב-ML. יכולת זו מובילה לחיסכון משמעותי בזמן ובמשאבים חישוביים. סיפקנו קוד לדוגמה ב- GitHub ריפו שמדגים כיצד להשתמש בביצוע סלקטיבי והציג תרחישים שונים שבהם זה יכול להיות יתרון למשתמשים. אם תרצה ללמוד עוד על ביצוע סלקטיבי, עיין בכתובת שלנו מדריך למפתחים ו מדריך עזר ל-API.
כדי לחקור את השלבים הזמינים בזרימת העבודה של SageMaker Pipelines ביתר פירוט, עיין ב Amazon SageMaker Model Building Pipeline ו זרימות עבודה של SageMaker. בנוסף, תוכל למצוא דוגמאות נוספות המציגות מקרי שימוש וגישות יישום שונות באמצעות SageMaker Pipelines ב- דוגמאות של AWS SageMaker מאגר GitHub. משאבים אלה יכולים לשפר עוד יותר את ההבנה שלך ולעזור לך לנצל את מלוא הפוטנציאל של SageMaker Pipelines וביצוע סלקטיבי בפרויקטי ML הנוכחיים והעתידיים שלך.
על הכותבים
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.
אקהיל נומארסו הוא Sr.Product Manager-Technical המתמקד בסיוע לצוותים להאיץ תוצאות ML באמצעות כלים ושירותים יעילים בענן. הוא נהנה לשחק טניס שולחן וחובב ספורט.
נישאנט קרישנמורתי הוא מהנדס פיתוח תוכנה האב עם חנויות אמזון. הוא בעל תואר שני במדעי המחשב וכיום מתמקד בהאצת אימוץ ML בארגונים שונים באמזון על ידי בנייה והפעלה של פתרונות ML ב- SageMaker.
- 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. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- ChartPrime. הרם את משחק המסחר שלך עם ChartPrime. גישה כאן.
- BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/unlocking-efficiency-harnessing-the-power-of-selective-execution-in-amazon-sagemaker-pipelines/
- :יש ל
- :הוא
- :איפה
- $ למעלה
- 1
- 100
- 12
- 2023
- 25
- 27
- 30
- 31
- 7
- 9
- a
- יכולת
- אודות
- להאיץ
- מאיצה
- קבלה
- גישה
- מחזורי
- בנוסף
- אימוץ
- יתרון
- יתרון
- יתרונות
- נגד
- AI / ML
- תעשיות
- מאפשר
- כְּבָר
- גם
- שיניתי
- אמזון בעברית
- אמזון SageMaker
- צינורות SageMaker של אמזון
- אמזון שירותי אינטרנט
- an
- ו
- כל
- גישות
- ARE
- AS
- המשויך
- At
- ניסיונות
- אוטומטי
- זמין
- AWS
- BE
- כי
- להיות
- היה
- התנהגות
- סניף
- ענפים
- לִבנוֹת
- בוני
- בִּניָן
- אבל
- by
- CAN
- לא יכול
- יכולת
- מקרה
- מקרים
- מְרוּכָּז
- מסוים
- שחמט
- בחרו
- בכיתה
- ענן
- קוד
- מגיע
- להשלים
- השלמת
- מורכב
- מורכבות
- רכיבים
- לחשב
- המחשב
- מדעי מחשב
- ראייה ממוחשבת
- מצב
- ממשיך
- עלות
- מכריע
- נוֹכְחִי
- כיום
- לקוחות
- נתונים
- הכנת נתונים
- מדען נתונים
- datetime
- בְּרִירַת מֶחדָל
- לְהַגדִיר
- תואר
- להפגין
- מדגים
- לפרוס
- פריסה
- רצוי
- פרט
- מפתח
- מפתחים
- מתפתח
- צעצועי התפתחות
- אחר
- ישיר
- נָדוֹן
- עושה
- לא
- עשה
- לא
- עשרות
- בְּמַהֲלָך
- בקלות
- יעילות
- יְעִילוּת
- יעיל
- חיסול
- מעצים
- מופעל
- מאפשר
- סוף
- מקצה לקצה
- מהנדס
- להגביר את
- לְהַבטִיחַ
- שלם
- סביבה
- להעריך
- הערכה
- אֲפִילוּ
- ברור
- דוגמה
- דוגמאות
- מרגש
- לבצע
- הוצאת להורג
- צפוי
- ניסיון
- לחקור
- הוֹצָאָה
- נכשל
- נכשל
- כשלון
- אוהד
- מהר יותר
- מאפיין
- מעטים
- דמויות
- לסנן
- גימור
- ראשון
- תזרים
- להתמקד
- מרוכז
- מתמקד
- לעקוב
- הבא
- בעד
- טופס
- מצא
- חופשי
- בתדירות גבוהה
- החל מ-
- מלא
- נוסף
- יתר על כן
- עתיד
- ללקט
- לקבל
- מקבל
- GitHub
- זָהוּב
- שלטון
- גרפים
- הנחיות
- רתימה
- יש
- he
- לעזור
- מועיל
- עזרה
- עוזר
- גבוה יותר
- שֶׁלוֹ
- מחזיק
- איך
- איך
- אולם
- HTML
- HTTPS
- מאות
- if
- מדגים
- הפעלה
- לייבא
- חשוב
- לשפר
- in
- כולל
- כולל
- תעשייה
- תשתית
- לחדש
- להתקין
- מותקן
- במקום
- אינטראקציה
- אינטראקציה
- אל תוך
- הציג
- לערב
- בעיות
- IT
- איטרציה
- שֶׁלָה
- jpg
- רק
- מפתח
- ידוע
- שפה
- גָדוֹל
- אחרון
- האחרון
- עוֹפֶרֶת
- מוביל
- לִלמוֹד
- למידה
- פחות
- כמו
- סביר
- מגביל
- רשימה
- ארוך
- מכונה
- למידת מכונה
- לתחזק
- תחזוקה
- ניהול
- מסומן
- להתאים
- מאי..
- אומר
- מנגנוני
- בינוני
- פוגשת
- מידע נוסף
- יכול
- נודד
- ML
- MLOps
- מודל
- מודלים
- לשנות
- מודול
- צג
- יותר
- יותר יעיל
- מספר
- צריך
- שם
- טבעי
- עיבוד שפה טבעית
- צורך
- חדש
- NLP
- מחברה
- עַכשָׁיו
- מספר
- of
- לעתים קרובות
- on
- On-Demand
- ONE
- רק
- or
- תזמור
- אחר
- אחרים
- שלנו
- הַחוּצָה
- תוֹצָאָה
- תוצאות
- מקיף
- פרמטרים
- חלק
- נתיב
- ביצועים
- צינור
- מקום
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- חלק
- הודעה
- פוטנציאל
- פוטנציאל
- כּוֹחַ
- הכנה
- להציג
- מוצג
- קודם
- קוֹדֶם
- קודם
- פתרון בעיות
- תהליך
- תהליכים
- תהליך
- לייצר
- המוצר
- הפקה
- פרויקטים
- הצעה
- ובלבד
- מתן
- פיתון
- מציאות
- להפחית
- הַרשָׁמָה
- לשחרר
- אָמִין
- לסמוך
- מאגר
- משאב
- משאבים
- וכתוצאה מכך
- תוצאות
- קורות חיים
- קַפְּדָנִי
- חָסוֹן
- הפעלה
- ריצה
- פועל
- בעל חכמים
- צינורות SageMaker
- אותו
- שמור
- חסכת
- חיסכון
- סולם
- תרחישים
- מדע
- מַדְעָן
- מדענים
- היקף
- Sdk
- סעיף
- סעיפים
- לִרְאוֹת
- נבחר
- סֶלֶקטִיבִי
- סמיקונדקטור
- שרות
- שירותים
- סט
- לְהַצִיג
- לראווה
- משמעותי
- לפשט
- יחיד
- קטע
- תוכנה
- פיתוח תוכנה
- אך ורק
- הַקשָׁאָה
- פתרונות
- כמה
- מומחה
- ספציפי
- ספורט
- זַרקוֹר
- התמחות
- התחלה
- מדינה
- שלב
- צעדים
- עוד
- חנויות
- לייעל
- סטודיו
- הצלחה
- מוצלח
- כזה
- שולחן
- מותאם
- לקחת
- משימות
- צוותי
- מסוף
- מבחן
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- שֶׁלָהֶם
- אז
- שם.
- לכן
- אלה
- הֵם
- זֶה
- בִּיסוֹדִיוּת
- דרך
- זמן
- פִּי
- ל
- כלים
- לעקוב
- רכבת
- הדרכה
- נסיעה
- מופעל
- נָכוֹן
- טיפוסי
- בדרך כלל
- הבנה
- נעילה
- עדכון
- מְעוּדכָּן
- שדרוג
- להשתמש
- במקרה להשתמש
- משתמש
- משתמשים
- באמצעות
- מנוצל
- ניצול
- אימות
- ערך
- ערכים
- שונים
- לאמת
- גרסה
- חזון
- בהדרכה
- רוצה
- רוצה
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- מתי
- אשר
- בזמן
- יצטרך
- עם
- בתוך
- לְלֹא
- תיק עבודות
- עבד
- זרימת עבודה
- זרימות עבודה
- לדאוג
- היה
- אתה
- זפירנט