הסקת אצווה היא דפוס נפוץ שבו בקשות חיזוי מצטברות יחד בקלט, עבודה פועלת לעיבוד בקשות אלו מול מודל מאומן, והפלט כולל תגובות חיזוי אצווה שניתן לצרוך לאחר מכן על ידי יישומים או פונקציות עסקיות אחרות. הפעלת מקרי שימוש אצווה בסביבות ייצור מחייבת תהליך שניתן לחזור עליו לאימון מחדש של מודלים וכן להסקת אצווה. תהליך זה צריך לכלול גם ניטור המודל הזה כדי למדוד ביצועים לאורך זמן.
בפוסט זה, אנו מראים כיצד ליצור צינורות שניתנים לחזרה עבור מקרי השימוש האצווה שלך באמצעות צינורות SageMaker של אמזון, רישום דגמי אמזון SageMaker, משרות שינוי אצווה של SageMaker, ו אמזון SageMaker דגם צג. פתרון זה מדגיש את היכולת להשתמש בתכונות המנוהלות במלואן שבתוכו SageMaker MLOps להפחית את התקורה התפעולית באמצעות יכולות מנוהלות ומשולבות במלואן.
סקירת פתרונות
ישנם מספר תרחישים לביצוע הסקת אצווה. במקרים מסוימים, ייתכן שאתה מכשיר מחדש את הדגם שלך בכל פעם שאתה מריץ הסקת אצווה. לחלופין, ייתכן שאתה מאמן את המודל שלך בתדירות נמוכה יותר מאשר אתה מבצע הסקת אצווה. בפוסט זה נתמקד בתרחיש השני. עבור דוגמה זו, נניח שיש לך מודל שמתאמן מדי פעם, בערך פעם בחודש. עם זאת, הסקת אצווה מבוצעת מול גרסת הדגם העדכנית ביותר על בסיס יומי. זהו תרחיש נפוץ, שבו מחזור החיים של אימון המודל שונה ממחזור החיים של מסקנות אצווה.
הארכיטקטורה התומכת בתרחיש האצווה שהוצג מכילה שני צינורות נפרדים של SageMaker, כפי שמוצג בתרשים הבא.
אנו משתמשים בצינור הראשון כדי להכשיר את המודל ולייצר את נתוני ההדרכה. אנו משתמשים בקו הבסיס שנוצר לניטור שוטף בצינור השני. הצינור הראשון כולל את השלבים הדרושים להכנת נתונים, אימון המודל והערכת ביצועי המודל. אם המודל פועל בצורה מקובלת על פי קריטריוני ההערכה, הצינור ממשיך עם שלב לבסיס הנתונים באמצעות שלב מובנה של SageMaker Pipelines. בשביל ה צג מודל סחיפה של נתונים סוג, שלב הבסיס משתמש בתמונת מיכל מנוהלת של SageMaker כדי ליצור נתונים סטטיסטיים ואילוצים על סמך נתוני ההדרכה שלך. קו בסיס זה משמש לאחר מכן לניטור אותות של סחף נתונים במהלך הסקת אצווה. לבסוף, הצינור הראשון מסתיים כאשר גירסת דגם חדשה נרשמה ברישום המודלים של SageMaker. בשלב זה, ניתן לאשר את המודל באופן אוטומטי, או לדרוש אישור ידני משני על בסיס סקירת עמיתים של ביצועי המודל וכל קריטריון מזוהה אחר.
בצינור השני, השלב הראשון מבצע שאילתות במרשם המודלים לגבי גרסת הדגם המאושרת העדכנית ביותר ומריץ את עבודת ניטור הנתונים, אשר משווה את קו הבסיס של הנתונים שנוצר מהצינור הראשון עם נתוני הקלט הנוכחיים. השלב האחרון בצנרת הוא ביצוע הסקת אצווה מול הדגם האחרון שאושר.
התרשים הבא ממחיש את ארכיטקטורת הפתרון עבור כל צינור.
עבור מערך הנתונים שלנו, אנו משתמשים ב-a מערך נתונים סינתטי מחברת טלפונים ניידים. מערך נתונים לדוגמה זה מכיל 5,000 רשומות, כאשר כל רשומה משתמשת ב-21 תכונות לתיאור פרופיל הלקוח. התכונה האחרונה, Churn
, היא התכונה שאנו רוצים שמודל ה-ML יחזה. תכונת המטרה היא בינארית, כלומר המודל חוזה את הפלט כאחת משתי קטגוריות (True
or False
).
הבא GitHub ריפו מכיל את הקוד להדגמת השלבים שבוצעו בכל צינור. הוא מכיל שלוש מחברות: לביצוע ההגדרה הראשונית, ליצירת הרכבת המודל והצנרת הבסיסית, ויצירת מסקנות האצווה והצנרת של Model Monitor. המאגר כולל גם קוד מקור נוסף של Python עם פונקציות מסייעות, המשמשות במחברת ההתקנה, להגדרת הרשאות נדרשות.
תנאים מוקדמים
צילום המסך הבא מפרט כמה מדיניות הרשאה הנדרשת על ידי תפקיד הביצוע של SageMaker עבור זרימת העבודה. אתה יכול להפעיל את מדיניות ההרשאה הזו דרך AWS זהות וניהול גישה הרשאות תפקיד (IAM).
AmazonSageMaker-ExecutionPolicy-<...>
הוא תפקיד הביצוע המשויך למשתמש SageMaker ויש לו את הדרוש שירות אחסון פשוט של אמזון (Amazon S3) מדיניות דלי. Custom_IAM_roles_policy ו Custom_Lambda_policy הם שני מדיניות מותאמות אישית שנוצרו כדי לתמוך בפעולות הנדרשות עבור AWS למבדה פוּנקצִיָה. כדי להוסיף את שני המדיניות המותאמים אישית, עבור לתפקיד המתאים (המשויך למשתמש SageMaker שלך) ב-IAM, לחץ על הוסף הרשאות ולאחר מכן צור מדיניות מוטבעת. אז תבחר JSON בתוך צור מדיניות, הוסף את קוד המדיניות עבור המדיניות המותאמת אישית הראשונה ושמור את המדיניות. חזור על אותו הדבר עבור המדיניות המותאמת אישית השנייה.
0.Setup.ipynb הוא מחברת חובה הנדרשת לפני הפעלת מחברות 1 ו-2. הקוד מגדיר את נתיבי ה-S3 עבור כניסות, פלטים וחפצי מודל, ומעלה סקריפטים המשמשים בשלבי הצינור. מחברת זו משתמשת גם באחת מפונקציות העזר המסופקות, create_lambda_role
, כדי ליצור תפקיד למבדה המשמש במחברת 2, 2.SageMakerPipeline-ModelMonitoring-DataQuality-BatchTransform.ipynb
. ראה את הקוד הבא:
לאחר שסיימת בהצלחה את כל המשימות במחברת ההתקנה, אתה מוכן לבנות את הצינור הראשון לאימון ובסיס המודל.
צינור 1: רכבת וצינור בסיס
בסעיף זה, אנו צוללים עמוק לתוך צינור SageMaker המשמש לאימון ובסיס המודל. השלבים והקוד הדרושים נמצאים ב- 1.SageMakerPipeline-BaselineData-Train.ipynb מחברת. צנרת זו לוקחת את נתוני הנטישה הגולמיים של הלקוחות כקלט, ולאחר מכן מבצעת את השלבים הנדרשים להכנת הנתונים, לאמן את המודל, להעריך את המודל, ליישר את המודל ולרשום את המודל במרשם המודלים.
כדי לבנות צינור של SageMaker, אתה מגדיר את העבודה הבסיסית (כגון SageMaker Processing), תגדיר את שלבי הצינור להפעלת העבודה, ולאחר מכן תגדיר ותפעיל את הצינור. אנו משלימים את השלבים הבאים:
- הגדר את צינור בניית המודל כדי להכין את הנתונים, לאמן את המודל ולהעריך את המודל.
- הגדר את שלב הבסיס עבור סחיפת הנתונים עם Model Monitor.
- הגדר שלבים לאריזת הדגם ורישום גרסת הדגם.
- הגדר שלב מותנה להערכת ביצועי המודל.
הגדר את צינור בניית המודל
צינור בניית המודל הוא תהליך בן שלושה שלבים:
- הכן את הנתונים.
- הרכבת הדגם.
- העריכו את המודל.
כדי להכין את הנתונים, אנו מגדירים שלב עיבוד נתונים. שלב זה מפעיל עבודת SageMaker Processing, באמצעות המובנה עיבוד שלב, כדי להכין את הנתונים הגולמיים על קלט להדרכה והערכה.
כדי להכשיר את המודל, אנו מגדירים שלב עבודת הדרכה. שלב זה מפעיל עבודה של SageMaker Training, באמצעות המובנה שלב הדרכה. עבור מקרה שימוש זה, אנו מבצעים סיווג בינארי באמצעות XGBoost. הפלט של שלב זה הוא חפץ מודל, model.tar.gz
, מאוחסן באמזון S3.
השלב האחרון אחראי להערכת ביצועי המודל באמצעות מערך הנתונים של הבדיקה. שלב זה משתמש במובנה ProcessingStep
עם הקוד שסופק, evaluation.py
, כדי להעריך מדדי ביצועים (דיוק, שטח מתחת לעקומה).
הגדר את שלב הבסיס
כדי לנטר את המודל והנתונים, נדרש קו בסיס.
ניטור סחף נתונים דורש קו בסיס של נתוני אימון. שלב הבסיס משתמש ב-Pipelines המובנה Quality CheckStep. שלב זה מפעיל אוטומטית עבודת SageMaker Processing המשתמשת בתמונת המכולה הבנויה מראש של Model Monitor. אנו משתמשים באותה תמונת מיכל עבור הבסיס כמו גם לניטור המודל; עם זאת, הפרמטרים המשמשים במהלך ההגדרה של שלב זה מכוונים את ההתנהגות המתאימה. במקרה זה, אנו מבססים את הנתונים, ולכן עלינו להבטיח כי quality_check_config
הפרמטר משתמש DataQualityCheckConfig
, המזהה את נתיבי הקלט והפלט של S3. אנחנו גם קובעים register_new_baseline
ו skip_check
ל true
. כאשר ערכים אלו מוגדרים כ- true
, הוא אומר ל-SageMaker להפעיל את השלב הזה כעבודת בסיס וליצור קו בסיס חדש. כדי לקבל הבנה טובה יותר של הפרמטרים השולטים בהתנהגות של תמונת המיכל הבנויה מראש של SageMaker, עיין ב חישוב קו בסיס, זיהוי סחיפה ומחזור חיים עם שלבי ClarifyCheck ו-QualityCheck ב-Amazon SageMaker Model Building Pipelines.
ראה את הקוד הבא:
שלב זה יוצר שני קובצי JSON כפלט:
- statistics.json - מכיל נתונים סטטיסטיים מחושבים עבור כל תכונה של מערך ההדרכה
- constraints.json - מציע אילוצי נתונים על סמך הנתונים הסטטיסטיים שנאספו
ניתן גם לשנות אילוצים אלה ומשמשים לזיהוי אותות של סחיפה במהלך ניטור המודל.
הגדר שלבים לאריזה ורישום של גרסת הדגם
לאחר מכן, אנו מגדירים את השלבים לאריזה לפריסה ורושמים את המודל ברישום המודל באמצעות שני שלבי צינור נוספים.
שלב מודל החבילה אורז את המודל לשימוש עם אפשרות הפריסה של SageMaker לשינוי אצווה. model.create()
יוצר ישות מודל, שתיכלל במטא-נתונים המותאמים אישית הרשומים עבור גרסת מודל זו ומאוחר יותר בשימוש בצינור השני להסקת אצווה וניטור מודלים. ראה את הקוד הבא:
שלב מודל הרישום רושם את גרסת הדגם והמטא נתונים המשויכים לרישום המודל של SageMaker. זה כולל מדדי ביצועים של מודל כמו גם מטא נתונים עבור קו הבסיס של סחף הנתונים, כולל מיקומי Amazon S3 של קבצי הסטטיסטיקה והאילוצים שהופקו בשלב הבסיס. תבחין גם במטא נתונים המותאמים אישית הנוספים שצוינו customer_metadata_properties
משיכת מידע ישות המודל שישמש בהמשך בצנרת ההסקה. היכולת לספק מטא נתונים מותאמים אישית בתוך רישום המודלים היא דרך מצוינת לשלב מטא נתונים נוספים שיש לאסוף שאינם מוגדרים במפורש בפרמטרים מקוריים של SageMaker. ראה את הקוד הבא:
הגדר שלב מותנה להערכת ביצועי המודל
הצעד המותנה, מצב שלב, משווה את דיוק המודל מול סף מזוהה ובודק את איכות הדגם המאומן.
זה קורא את evaluation.json
קובץ ובודק אם דיוק המודל, או כל מדד אובייקטיבי אליו אתה מבצע אופטימיזציה, עומד בקריטריונים שהגדרת. במקרה זה, הקריטריונים מוגדרים באמצעות אחד מה- תנאים מובנים, ConditionGreaterThanOrEqualTo
. אם התנאי מתקיים, הצינור ממשיך לשרטט את הנתונים ולבצע את השלבים הבאים בצנרת. הצינור נעצר אם התנאי לא מתקיים. מכיוון שהתנאי קורא במפורש את השלבים הבאים בצנרת, עלינו לוודא שהשלבים האלה מוגדרים לפני הגדרת הצעד המותנה שלנו. ראה את הקוד הבא:
הגדר, צור והתחל את צינור SageMaker
בשלב זה, כל השלבים של הרכבת וצינור הבסיס מוגדרים ומוגדרים. עכשיו הגיע הזמן להגדיר, ליצור ולהתחיל את הצינור.
ראשית, אנו מגדירים את הצינור, צנרת(), מתן שם צינור ורשימת שלבים שהוגדרו בעבר לכלול בצינור. לאחר מכן, אנו יוצרים את הצינור באמצעות training_pipeline.upsert()
. לבסוף, אנו מתחילים את הצינור באמצעות training_pipeline.start()
. ראה את הקוד הבא:
כאשר הצינור מתחיל לפעול, אתה יכול לדמיין את הסטטוס שלו ב-Studio. התרשים הבא מראה אילו שלבים מתהליך הצינור מתייחסים לשלבים של הגרף האציקלי מכוון צינור (DAG). לאחר שהרכבת וצינור הבסיס פועלים בהצלחה, הוא רושם את המודל המאומן כחלק מקבוצת המודלים ברישום המודלים. הצינור מוגדר כעת כדי לרשום את הדגם במצב המתנה, הדורש אישור ידני. לחלופין, תוכל להגדיר את שלב רישום הדגם כדי לאשר אוטומטית את הדגם ברישום המודלים. הצינור השני ימשוך את המודל האחרון שאושר מהרישום לצורך מסקנות.
ב-Studio, אתה יכול לבחור כל שלב כדי לראות את המטא-נתונים העיקריים שלו. כדוגמה, שלב בדיקת איכות הנתונים (שלב בסיס) בתוך הצינור DAG מציג את מיקומי הפלט S3 של statistics.json
ו constraints.json
ב דוחות לדוגמא סָעִיף. אלו הם קבצי מפתח המחושבים מנתונים גולמיים המשמשים כבסיס.
לאחר הפעלת הצינור, ניתן לבדוק את קו הבסיס (סטטיסטיקה ואילוצים) לניטור איכות הנתונים, כפי שמוצג בצילומי המסך הבאים.
צינור 2: מסקנות אצווה וצנרת מעקב מודל
בחלק זה, אנו צוללים לתוך הצינור השני המשמש לניטור נתוני קלט האצווה החדשים עבור אותות של סחף נתונים והרצת הסקת אצווה באמצעות SageMaker Pipelines. השלבים והקוד הדרושים נמצאים בפנים 2.SageMakerPipeline-ModelMonitoring-DataQuality-BatchTransform.ipynb. צינור זה כולל את השלבים הבאים:
- שלב למבדה כדי לאחזר את גרסת הדגם המאושרת העדכנית והמטא-נתונים המשויכים ממרשם המודלים.
- שלב מעקב מודל לזיהוי אותות של סחף נתונים באמצעות נתוני הקלט החדשים והקו הבסיסי מצינור 1.
- שלב טרנספורמציה אצווה לעיבוד נתוני הקלט האצווה מול הדגם האחרון שאושר.
הגדר שלב למבדה
לפני שנתחיל בעבודת ניטור המודל והמרת אצווה, עלינו לבצע שאילתות במרשם המודלים כדי לקבל את המודל המאושר האחרון בו נשתמש להסקת אצווה.
לשם כך, אנו משתמשים בצעד למבדה, המאפשר לנו לכלול לוגיקה מותאמת אישית בתוך הצינור שלנו. ה lambda_getapproved_model.py
פונקציית Lambda מבצעת שאילתות ברישום המודל של SageMaker עבור קבוצת חבילות מודל ספציפית שסופקה בקלט כדי לזהות את גרסת הדגם האחרונה שאושרה ולהחזיר מטא נתונים קשורים. הפלט כולל מטא נתונים שנוצרו מהצינור הראשון שלנו:
- דגם חבילת ARN
- שם הדגם הארוז
- S3 URI עבור בסיס נתונים סטטיסטי
- S3 URI עבור קו הבסיס של אילוצים
הפלט משמש לאחר מכן כקלט בשלב הבא בצנרת, המבצע ניטור אצווה וניקוד באמצעות המודל האחרון שאושר.
כדי ליצור ולהפעיל את פונקציית Lambda כחלק מצינור SageMaker, עלינו להוסיף את הפונקציה בתור LambdaStep בצנרת:
הגדר את צג הנתונים ואת שלבי המרת האצווה
לאחר שניצור את שלב Lambda כדי לקבל את הדגם האחרון המאושר, נוכל ליצור את MonitorBatchTransformStep. צעד יליד זה מתזמר ומנהל שתי משימות ילדים המופעלות ברצף. המשימה הראשונה כוללת את עבודת Model Monitor שמפעילה עבודת Processing באמצעות תמונת מיכל מובנית המשמשת לניטור נתוני הקלט האצווה ולהשוואתם מול האילוצים מהקו הבסיסי שנוצר קודם לכן מ-Pipeline 1. בנוסף, שלב זה מתחיל את עבודת טרנספורמציה אצווה, המעבדת את נתוני הקלט מול המודל האחרון שאושר ברישום המודלים.
שלב זה של פריסת אצווה וניטור איכות הנתונים לוקח את S3 URI של נתוני הקלט של חיזוי אצווה בקלט. זה מותאם לפרמטרים כדי לאפשר לכל הפעלה של הצינור לכלול מערך נתונים חדש של קלט. ראה את הקוד הבא:
לאחר מכן, עלינו להגדיר את השנאי עבור עבודת ההמרה האצווה שתעבד את בקשות חיזוי האצווה. בקוד הבא, אנו מעבירים את שם הדגם שנשלף מהמטא נתונים המותאמים אישית של רישום המודל, יחד עם פרמטרים נדרשים נוספים:
מוניטור איכות הנתונים מקבל את S3 URI של הנתונים הסטטיסטיים והאילוצים עבור גרסת המודל המאושרת העדכנית ביותר ממרשם המודלים כדי להפעיל את עבודת ניטור איכות הנתונים במהלך הפעלת הצינור. עבודה זו משווה את נתוני הקלט של חיזוי אצווה עם נתוני הבסיס כדי לזהות הפרות המאותתות לסחיפת נתונים פוטנציאלית. ראה את הקוד הבא:
לאחר מכן, אנו משתמשים MonitorBatchTransformStep להפעיל ולנטר את עבודת הטרנספורמציה. שלב זה מפעיל עבודת טרנספורמציה אצווה באמצעות אובייקט השנאי שהגדרנו ומנטר את הנתונים המועברים לשנאי לפני הפעלת העבודה.
לחלופין, תוכל להגדיר את השלב להיכשל אם נמצאה הפרה של איכות הנתונים על ידי הגדרת ה- fail_on_violation
דגל ל False
.
ראה את הקוד הבא:
הגדר, צור והתחל את הצינור
אחרי שהגדרנו את LambdaStep
ו MonitorBatchTransformStep
, נוכל ליצור את צינור SageMaker.
ראה את הקוד הבא:
כעת נוכל להשתמש ב- upsert()
שיטה, שתיצור או תעדכן את צינור SageMaker עם התצורה שציינו:
למרות שישנן מספר דרכים להתחיל צינור של SageMaker, כאשר הצינור נוצר, נוכל להפעיל את הצינור באמצעות start()
שִׁיטָה.
שימו לב כי על מנת שה LambdaStep
כדי לאחזר בהצלחה דגם מאושר, הדגם שנרשם כחלק מ-Pipeline 1 צריך להיות בעל סטטוס מאושר. ניתן לעשות זאת בסטודיו או באמצעות Boto3. מתייחס עדכן את סטטוס האישור של דגם לקבלת מידע נוסף.
כדי להפעיל את צינור SageMaker לפי לוח זמנים או על סמך אירוע, עיין ב תזמן צינור עם Amazon EventBridge.
עיין בדוחות Model Monitor
Model Monitor משתמש במשרת SageMaker Processing שמפעילה את DataQuality
לבדוק באמצעות הסטטיסטיקה והאילוצים הבסיסיים. ה DataQuality
עבודת עיבוד פולטת דוח הפרות לאמזון S3 וגם פולטת נתוני יומן יומני CloudWatch של אמזון תחת קבוצת היומן עבור עבודת העיבוד המתאימה. קוד לדוגמה לשאילתה אמזון CloudWatch יומנים מסופקים במחברת.
כעת הדרכנו אותך כיצד ליצור את הצינור הראשון לאימון מודלים ולבניית בסיס, כמו גם את הצינור השני לביצוע מסקנות אצווה וניטור מודלים. זה מאפשר לך להפוך את שני הצינורות לאוטומטיים תוך שילוב מחזורי החיים השונים בין אימון להסקת מסקנות.
כדי להבשיל עוד יותר את דפוס ההתייחסות הזה, אתה יכול לזהות אסטרטגיה ללולאות משוב, מתן מודעות ונראות של אותות פוטנציאליים של סחיפה בין מחזיקי עניין מרכזיים. לכל הפחות, מומלץ להפוך את הטיפול בחריגים לאוטומטי על ידי סינון יומנים ויצירת אזעקות. אזעקות אלו עשויות להזדקק לניתוח נוסף על ידי מדען נתונים, או שאתה יכול ליישם אוטומציה נוספת התומכת באסטרטגיית הדרכה אוטומטית תוך שימוש בנתוני אמת קרקע חדשים על ידי שילוב של אימון המודל וצינור הבסיס עם אמזון EventBridge. למידע נוסף, עיין ב שילוב Amazon EventBridge.
לנקות את
לאחר שתפעיל את קווי הניטור הבסיסיים והאצווה, הקפד לנקות את כל המשאבים שלא ינוצלו, או באופן תוכניתי דרך מסוף SageMaker, או דרך Studio. בנוסף, מחק את הנתונים ב-Amazon S3, והקפד לעצור כל מופע מחברת Studio כדי לא לגרור חיובים נוספים.
סיכום
בפוסט זה, למדת כיצד ליצור פתרון למודל אצווה שמאומן בתדירות נמוכה יותר מאשר מבוצעת הסקת אצווה מול אותו מודל מאומן באמצעות תכונות SageMaker MLOps, כולל Pipelines, רישום המודלים ו-Model Monitor. כדי להרחיב את הפתרון הזה, אתה יכול לשלב את זה בפרויקט SageMaker מותאם אישית המשלב גם CI/CD וטריגרים אוטומטיים באמצעות תבניות MLOps סטנדרטיות. כדי לצלול עמוק יותר לתוך הפתרון והקוד המוצגים בהדגמה זו, עיין ב- GitHub ריפו. כמו כן, עיין ב Amazon SageMaker עבור MLOps לדוגמאות הקשורות ליישום שיטות MLOps עם SageMaker.
על הכותבים
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.
סוביק קומאר נאת הוא ארכיטקט פתרונות AI/ML עם AWS. יש לו ניסיון בעיצובים ופתרונות ללמידת מכונה, אנליטיקה עסקית בניתוח פיננסי, תפעולי ושיווקי; בריאות; שרשרת אספקה; ו-IoT. מחוץ לעבודה, סוביק נהנה לטייל ולצפות בסרטים.
מארק קארפ הוא אדריכל ML עם צוות שירות Amazon SageMaker. הוא מתמקד בסיוע ללקוחות לתכנן, לפרוס ולנהל עומסי עבודה של ML בקנה מידה. בזמנו הפנוי הוא נהנה לטייל ולחקור מקומות חדשים.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/create-sagemaker-pipelines-for-training-consuming-and-monitoring-your-batch-use-cases/
- :יש ל
- :הוא
- :לֹא
- $ למעלה
- 000
- 1
- 10
- 100
- 20
- 7
- a
- יכולת
- מקבל
- גישה
- פי
- דיוק
- לרוחב
- פעולות
- מחזורי
- תוספת
- נוסף
- לאחר
- נגד
- AI
- AI / ML
- תעשיות
- מאפשר
- לאורך
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- אמזון שירותי אינטרנט (AWS)
- an
- אנליזה
- ניתוח
- ו
- כל
- יישומים
- מתאים
- הסכמה
- לאשר
- מאושר
- ארכיטקטורה
- ARE
- AREA
- AS
- המשויך
- At
- תכונות
- אוטומטי
- אוטומטי
- מכני עם סלילה אוטומטית
- באופן אוטומטי
- אוטומציה
- מודעות
- AWS
- רקע
- מבוסס
- Baseline
- בסיס
- BE
- כי
- היה
- לפני
- מוטב
- בֵּין
- גָדוֹל
- נתונים גדולים
- שניהם
- לִבנוֹת
- בִּניָן
- מובנה
- עסקים
- פונקציות עסקיות
- by
- מחושב
- שיחות
- CAN
- יכולות
- מקרה
- מקרים
- קטגוריות
- שרשרת
- הפרק
- חיובים
- לבדוק
- בדיקות
- ילד
- בחרו
- מיון
- קליק
- קוד
- שילוב
- Common
- לְהַשְׁווֹת
- להשלים
- השלמת
- הושלם
- לחשב
- מצב
- תְצוּרָה
- קונסול
- אילוצים
- מאוכל
- מכולה
- מכיל
- להמשיך
- ממשיך
- רציף
- לִשְׁלוֹט
- תוֹאֵם
- יכול
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- הקריטריונים
- נוֹכְחִי
- כיום
- זונה
- מנהג
- לקוח
- לקוחות
- DAG
- יומי
- נתונים
- עיבוד נתונים
- מדע נתונים
- מדען נתונים
- עמוק
- צלילה לעומק
- עמוק יותר
- מוגדר
- למסור
- הפגנה
- דנבר
- לפרוס
- פריסה
- לתאר
- עיצוב
- עיצובים
- זוהה
- איתור
- אחר
- ישיר
- תחום
- תחומים
- נהיגה
- בְּמַהֲלָך
- כל אחד
- או
- לאפשר
- לְהַבטִיחַ
- ישות
- סביבה
- סביבות
- להעריך
- הערכה
- הערכה
- אירוע
- כל
- דוגמה
- דוגמאות
- יוצא מן הכלל
- הוצאת להורג
- לְהַרְחִיב
- ניסיון
- היכרות
- FAIL
- משפחה
- מאפיין
- תכונות
- מָשׁוֹב
- שלח
- קבצים
- סינון
- סופי
- בסופו של דבר
- כספי
- ראשון
- להתמקד
- מתמקד
- התמקדות
- הבא
- בעד
- פוּרמָט
- מצא
- בתדירות גבוהה
- חברים
- החל מ-
- לגמרי
- פונקציה
- פונקציות
- נוסף
- ליצור
- נוצר
- מייצר
- לקבל
- Go
- כמובן מאליו
- גרף
- גדול
- קרקע
- קְבוּצָה
- טיפול
- יש
- he
- בריאות
- לעזור
- עזרה
- פסים
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- מזוהה
- מזהה
- לזהות
- זהות
- תמונה
- ליישם
- יישום
- לייבא
- in
- לכלול
- כלול
- כולל
- כולל
- בע"מ
- שילוב
- מצביע על
- תעשיות
- מידע
- בתחילה
- חדשנות
- קלט
- משולב
- שילוב
- אל תוך
- הציג
- IOT
- IT
- שֶׁלָה
- עבודה
- jpg
- ג'סון
- מפתח
- בעיטות
- גָדוֹל
- אחרון
- האחרון
- למד
- למידה
- מעגל החיים
- מחזורי חיים
- קו
- רשימה
- רשימות
- מקומות
- מכונה
- למידת מכונה
- לעשות
- לנהל
- הצליח
- מצליח
- מדריך ל
- שיווק
- בוגר
- מאי..
- משמעות
- למדוד
- בינוני
- פוגשת
- מידע נוסף
- שיטה
- מטרי
- מדדים
- מינימום
- ML
- MLOps
- סלולרי
- טלפון סלולרי
- מודל
- שונים
- צג
- ניטור
- צגים
- חוֹדֶשׁ
- יותר
- סרטים
- מספר
- שם
- יליד
- הכרחי
- צורך
- נחוץ
- צרכי
- חדש
- הבא
- מחברה
- ציין
- עַכשָׁיו
- אובייקט
- מטרה
- of
- on
- ONE
- מתמשך
- מבצעי
- מיטוב
- אפשרות
- or
- להזמין
- אחר
- שלנו
- תפוקה
- בחוץ
- יותר
- חבילה
- חבילות
- פרמטר
- פרמטרים
- חלק
- לעבור
- עבר
- תשוקה
- פטנטים
- נתיב
- תבנית
- להציץ
- תלוי ועומד
- לְבַצֵעַ
- ביצועים
- ביצוע
- מבצע
- רשות
- הרשאות
- טלפון
- צינור
- מקומות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- מדיניות
- מדיניות
- הודעה
- פוטנציאל
- מעשי
- פרקטיקות
- לחזות
- נבואה
- תחזית
- להכין
- קוֹדֶם
- מנהל
- קודם
- תהליך
- תהליכים
- תהליך
- מיוצר
- הפקה
- פּרוֹפִיל
- פּרוֹיֶקט
- נכסים
- לספק
- ובלבד
- מתן
- מושך
- פיתון
- איכות
- שאילתות
- חי
- מוכן
- מוּמלָץ
- שיא
- רשום
- להפחית
- הירשם
- רשום
- רושמים
- הַרשָׁמָה
- רישום
- קָשׁוּר
- לחזור על
- הָדִיר
- לדווח
- מאגר
- בקשות
- נדרש
- דורש
- משאבים
- אחראי
- לַחֲזוֹר
- סקירה
- תפקיד
- תפקידים
- בערך
- הפעלה
- ריצה
- בעל חכמים
- צינורות SageMaker
- אותו
- מערך נתונים לדוגמה
- מרוצה
- שמור
- סולם
- תרחיש
- תרחישים
- לוח זמנים
- מדע
- מַדְעָן
- מניה
- צילומי מסך
- סקריפטים
- שְׁנִיָה
- משני
- סעיף
- נפרד
- שרות
- שירותים
- סט
- סטים
- הצבה
- התקנה
- צריך
- לְהַצִיג
- הראה
- הופעות
- אותות
- פָּשׁוּט
- So
- פִּתָרוֹן
- פתרונות
- כמה
- מָקוֹר
- קוד מקור
- מומחה
- ספציפי
- מפורט
- לבלות
- בעלי עניין
- התחלה
- התחלות
- מדינה
- סטטיסטיקה
- מצב
- שלב
- צעדים
- עצור
- עוצר
- אחסון
- מאוחסן
- אִסטרָטֶגִיָה
- סטודיו
- לאחר מכן
- בהצלחה
- כזה
- מציע
- לספק
- שרשרת אספקה
- תמיכה
- מסייע
- לקחת
- לוקח
- יעד
- המשימות
- משימות
- נבחרת
- טכנולוגיות
- טכנולוגיה
- התקשורת
- אומר
- תבניות
- מבחן
- מֵאֲשֶׁר
- זֶה
- השמיים
- שם.
- אלה
- זֶה
- אלה
- שְׁלוֹשָׁה
- שלושה שלבים
- סף
- דרך
- זמן
- ל
- יַחַד
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- נסיעה
- אמת
- תחת
- בְּסִיסִי
- הבנה
- עדכון
- us
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- באמצעות
- מנוצל
- ערכים
- שונים
- גרסה
- באמצעות
- הֲפָרָה
- הפרות
- ראות
- הלך
- היה
- צופה
- דֶרֶך..
- דרכים
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- אשר
- בזמן
- יצטרך
- עם
- בתוך
- נשים
- תיק עבודות
- XGBoost
- שנים
- אתה
- זפירנט