הכנת הנתונים היא שלב קריטי בכל פרויקט מונע נתונים, והחזקת הכלים הנכונים יכולה לשפר מאוד את היעילות התפעולית. רנגלר הנתונים של אמזון SageMaker מפחית את הזמן שלוקח לצבור ולהכין נתוני טבלה ותמונה עבור למידת מכונה (ML) משבועות לדקות. עם SageMaker Data Wrangler, אתה יכול לפשט את תהליך הכנת הנתונים והנדסת תכונות ולהשלים כל שלב בזרימת העבודה של הכנת הנתונים, כולל בחירת נתונים, ניקוי, חקירה והדמיה מממשק ויזואלי יחיד.
בפוסט זה, אנו חוקרים את התכונות העדכניות ביותר של SageMaker Data Wrangler אשר תוכננו במיוחד כדי לשפר את החוויה התפעולית. אנו מתעמקים בתמיכה של שירות אחסון פשוט (אמזון S3) גלוי קבצים, חפצי מסקנות בזרימת נתונים אינטראקטיבית והשילוב החלק עם JSON (סימון אובייקט JavaScript) פורמט להסקת מסקנות, המדגיש כיצד שיפורים אלה הופכים את הכנת הנתונים לקלה ויעילה יותר.
מציג תכונות חדשות
בחלק זה, אנו דנים בתכונות החדשות של SageMaker Data Wrangler להכנת נתונים אופטימלית.
תמיכה בקובצי מניפסט S3 עם טייס אוטומטי של SageMaker להסקת ML
SageMaker Data Wrangler מאפשר א הכנת נתונים מאוחדת והכשרת מודלים ניסיון עם טייס אוטומטי של אמזון בכמה קליקים בלבד. אתה יכול להשתמש ב-SageMaker Autopilot כדי לאמן, לכוונן ולפרוס מודלים באופן אוטומטי על הנתונים ששינית בזרימת הנתונים שלך.
חוויה זו מפושטת כעת יותר עם תמיכה בקבצי מניפסט S3. קובץ מניפסט S3 הוא קובץ טקסט המפרט את האובייקטים (הקבצים) המאוחסנים בדלי S3. אם מערך הנתונים המיוצא שלך ב- SageMaker Data Wrangler הוא די גדול ומפוצל לקבצי נתונים מרובי חלקים באמזון S3, כעת SageMaker Data Wrangler יצור אוטומטית קובץ מניפסט ב- S3 המייצג את כל קבצי הנתונים הללו. כעת ניתן להשתמש בקובץ המניפסט שנוצר עם ממשק המשתמש האוטומטי של SageMaker ב- SageMaker Data Wrangler כדי לאסוף את כל הנתונים המחולקים לאימון.
לפני השקת תכונה זו, בעת שימוש במודלים של SageMaker Autopilot שהוכשרו על נתונים מוכנים מ- SageMaker Data Wrangler, תוכל לבחור רק קובץ נתונים אחד, שאולי לא מייצג את כל מערך הנתונים, במיוחד אם מערך הנתונים גדול מאוד. עם חוויית קובץ המניפסט החדשה הזו, אינך מוגבל לקבוצת משנה של מערך הנתונים שלך. אתה יכול לבנות מודל ML עם SageMaker Autopilot המייצג את כל הנתונים שלך באמצעות קובץ המניפסט ולהשתמש בו להסקת ה-ML שלך ולפריסת הייצור שלך. תכונה זו משפרת את היעילות התפעולית על ידי פישוט מודלים של אימון ML עם טייס אוטומטי של SageMaker וייעול תהליכי עבודה של עיבוד נתונים.
נוספה תמיכה בזרימת מסקנות בחפצים שנוצרו
לקוחות רוצים לקחת את טרנספורמציות הנתונים שהחילו על נתוני אימון המודל שלהם, כגון קידוד חד-חם, PCA וזקיפת ערכים חסרים, וליישם את הטרנספורמציות של נתונים אלה על הסקת מסקנות בזמן אמת או על הסקת אצווה בייצור. כדי לעשות זאת, עליך להיות בעל מסקנות מסקנות של SageMaker Data Wrangler, הנצרך על ידי דגם SageMaker.
בעבר, ניתן היה להפיק חפצי מסקנות מממשק המשתמש רק בעת ייצוא לאימון טייס אוטומטי של SageMaker או ייצוא מחברת צינור מסקנות. זה לא סיפק גמישות אם רצית להוציא את זרימות SageMaker Data Wrangler שלך מחוץ ל- סטודיו SageMaker של אמזון סביבה. כעת, אתה יכול ליצור חפץ מסקנתי עבור כל קובץ זרימה תואם באמצעות עבודת עיבוד של SageMaker Data Wrangler. זה מאפשר MLOps פרוגרמטיים מקצה לקצה עם זרימות SageMaker Data Wrangler עבור אישיות MLOps עם קוד ראשון, כמו גם נתיב אינטואיטיבי ללא קוד כדי לקבל מסקנות מסקנות על ידי יצירת עבודה מממשק המשתמש.
ייעול הכנת הנתונים
JSON הפך לפורמט מאומץ להחלפת נתונים במערכות אקולוגיות מודרניות של נתונים. השילוב של SageMaker Data Wrangler עם פורמט JSON מאפשר לך לטפל בצורה חלקה בנתוני JSON לצורך טרנספורמציה וניקוי. על ידי מתן תמיכה מקורית עבור JSON, SageMaker Data Wrangler מפשט את תהליך העבודה עם נתונים מובנים ומובנים למחצה, ומאפשר לך לחלץ תובנות חשובות ולהכין נתונים ביעילות. SageMaker Data Wrangler תומך כעת בפורמט JSON עבור פריסת נקודת קצה אצווה וגם בזמן אמת.
סקירת פתרונות
עבור מקרה השימוש שלנו, אנו משתמשים בדוגמה מערך ביקורות לקוחות של אמזון כדי להראות כיצד SageMaker Data Wrangler יכול לפשט את המאמץ התפעולי לבנות דגם ML חדש באמצעות SageMaker Autopilot. מערך ביקורות הלקוחות של אמזון מכיל סקירות ומטא נתונים של מוצרים מאמזון, כולל 142.8 מיליון ביקורות החל ממאי 1996 עד יולי 2014.
ברמה גבוהה, אנו משתמשים ב- SageMaker Data Wrangler כדי לנהל את מערך הנתונים הגדול הזה ולבצע את הפעולות הבאות:
- פתח מודל ML בטייס אוטומטי של SageMaker תוך שימוש בכל מערך הנתונים, לא רק בדוגמה.
- בנה צינור מסקנות בזמן אמת עם חפץ ההסקה שנוצר על ידי SageMaker Data Wrangler, והשתמש בעיצוב JSON לקלט ופלט.
תמיכה בקבצי מניפסט S3 עם טייס אוטומטי של SageMaker
בעת יצירת ניסוי טייס אוטומטי של SageMaker באמצעות SageMaker Data Wrangler, ניתן היה לציין בעבר רק קובץ CSV או Parquet בודד. כעת אתה יכול להשתמש גם בקובץ מניפסט S3, המאפשר לך להשתמש בכמויות גדולות של נתונים עבור ניסויי טייס אוטומטי של SageMaker. SageMaker Data Wrangler יחלק אוטומטית קבצי קלט למספר קבצים קטנים יותר וייצור מניפסט שניתן להשתמש בו בניסוי SageMaker Autopilot כדי למשוך את כל הנתונים מההפעלה האינטראקטיבית, לא רק מדגם קטן.
בצע את הצעדים הבאים:
- ייבא את נתוני סקירת הלקוחות של אמזון מקובץ CSV לתוך SageMaker Data Wrangler. הקפד להשבית את הדגימה בעת ייבוא הנתונים.
- ציין את התמורות המנרמלות את הנתונים. עבור דוגמה זו, הסר סמלים והפוך הכל לאותיות קטנות באמצעות הטרנספורמציות המובנות של SageMaker Data Wrangler.
- בחרו דגם רכבת להתחיל להתאמן.
כדי לאמן דגם עם טייס אוטומטי של SageMaker, SageMaker מייצאת נתונים אוטומטית לדלי S3. עבור מערכי נתונים גדולים כמו זה, הוא יחלק את הקובץ באופן אוטומטי לקבצים קטנים יותר ויפיק מניפסט הכולל את המיקום של הקבצים הקטנים יותר.
- ראשית, בחר את נתוני הקלט שלך.
קודם לכן, ל- SageMaker Data Wrangler לא הייתה אפשרות ליצור קובץ מניפסט לשימוש עם SageMaker Autopilot. היום, עם שחרורו של תמיכת קבצי מניפסט, SageMaker Data Wrangler ייצא אוטומטית קובץ מניפסט לאמזון S3, ימלא מראש את מיקום ה-S3 של האימון האוטומטי של SageMaker עם מיקום קובץ המניפסט S3, ותחליף את אפשרות קובץ המניפסט ל יש. אין צורך בעבודה כדי ליצור או להשתמש בקובץ המניפסט.
- הגדר את הניסוי שלך על ידי בחירת היעד עבור המודל לניבוי.
- לאחר מכן, בחר שיטת אימון. במקרה זה, אנו בוחרים אוטומטי ולתת ל-SageMaker Autopilot להחליט את שיטת האימון הטובה ביותר על סמך גודל הנתונים.
- ציין את הגדרות הפריסה.
- לבסוף, סקור את תצורת העבודה והגש את ניסוי הטייס האוטומטי של SageMaker להדרכה. כאשר SageMaker Autopilot משלים את הניסוי, אתה יכול לראות את תוצאות האימון ולחקור את המודל הטוב ביותר.
הודות לתמיכה בקובצי מניפסט, אתה יכול להשתמש בכל מערך הנתונים שלך עבור ניסוי הטייס האוטומטי של SageMaker, לא רק קבוצת משנה של הנתונים שלך.
למידע נוסף על שימוש בטייס אוטומטי של SageMaker עם SageMaker Data Wrangler, ראה הכנת נתונים ואימון מודלים מאוחדים עם Amazon SageMaker Data Wrangler ו-Amazon SageMaker Autopilot.
צור חפצי מסקנות מעבודות SageMaker Processing
כעת, בואו נסתכל כיצד אנו יכולים ליצור חפצי מסקנות הן באמצעות ממשק המשתמש של SageMaker Data Wrangler והן באמצעות המחברות של SageMaker Data Wrangler.
ממשק המשתמש של SageMaker Data Wrangler
במקרה השימוש שלנו, אנו רוצים לעבד את הנתונים שלנו דרך ממשק המשתמש ולאחר מכן להשתמש בנתונים המתקבלים כדי לאמן ולפרוס מודל דרך מסוף SageMaker. השלם את השלבים הבאים:
- פתח את זרימת הנתונים שיצרת בסעיף הקודם.
- בחר את סימן הפלוס ליד ההמרה האחרונה, בחר הוסף יעד, ולבחור אמזון S3. זה יהיה המקום שבו הנתונים המעובדים יאוחסנו.
- בחרו צור עבודה.
- בחר יצירת חפצי מסקנות במקטע פרמטרי מסקנות כדי ליצור חפץ מסקנות.
- עבור שם חפץ מסקנות, הזן את השם של חפץ מסקנות (עם .tar.gz כסיומת הקובץ).
- עבור צומת פלט מסקנות, הזן את צומת היעד המתאים להתמרות שהוחלו על נתוני האימון שלך.
- בחרו הגדר עבודה.
- תַחַת תצורת עבודה, הזן נתיב עבור מיקום קובץ זרימה S3. תיקייה בשם
data_wrangler_flows
ייווצר תחת מיקום זה, וחפץ ההסקה יועלה לתיקיה זו. כדי לשנות את מיקום ההעלאה, הגדר מיקום S3 אחר. - השאר את ברירות המחדל עבור כל האפשרויות האחרות ובחר צור כדי ליצור את עבודת העיבוד.
עבודת העיבוד תיצור אtarball (.tar.gz)
המכיל קובץ זרימת נתונים שונה עם קטע מסקנות שנוסף לאחרונה המאפשר לך להשתמש בו להסקת מסקנות. אתה צריך את מזהה המשאב האחיד S3 (URI) של חפץ ההסקה כדי לספק את החפץ למודל של SageMaker בעת פריסת פתרון ההסקה שלך. ה-URI יהיה בטופס{Flow file S3 location}/data_wrangler_flows/{inference artifact name}.tar.gz
. - אם לא ציינת את הערכים הללו קודם לכן, תוכל לבחור בקישור לעבודת העיבוד כדי למצוא את הפרטים הרלוונטיים. בדוגמה שלנו, URI הוא
s3://sagemaker-us-east-1-43257985977/data_wrangler_flows/example-2023-05-30T12-20-18.tar.gz.
- העתק את הערך של מעבד תמונה; אנחנו צריכים את ה-URI הזה גם ביצירת המודל שלנו.
- כעת נוכל להשתמש ב-URI הזה כדי ליצור מודל של SageMaker בקונסולת SageMaker, שאותו נוכל לפרוס מאוחר יותר לעבודת טרנספורמציה של נקודת קצה או אצווה.
- תַחַת הגדרות הדגם¸ הזן שם דגם וציין את תפקיד IAM שלך.
- בעד אפשרויות קלט של מיכל, בחר ספק חפצי מודל ומיקום תמונת מסקנות.
- בעד מיקום תמונת קוד ההסקה, הזן את URI של תמונת העיבוד.
- בעד מיקום חפצים מודליים, הזן את ה-URI של חפץ ההסקה.
- בנוסף, אם לנתונים שלך יש עמודת יעד שתחזו על ידי מודל ML מאומן, ציין את שם העמודה תחת משתני סביבהעם
INFERENCE_TARGET_COLUMN_NAME
as מפתח ואת שם העמודה as ערך. - סיים ליצור את הדגם שלך על ידי בחירה צור מודל.
כעת יש לנו מודל שנוכל לפרוס לעבודת טרנספורמציה של נקודת קצה או אצווה.
מחברות SageMaker Data Wrangler
לגישת קוד ראשון ליצירת חפץ ההסקה מעבודת עיבוד, נוכל למצוא את הקוד לדוגמה על ידי בחירה ייצוא ל בתפריט הצומת ובחירה באחד מהם אמזון S3, צינורות SageMaker, או SageMaker Inference Pipeline. אנחנו בוחרים SageMaker Inference Pipeline בדוגמה זו.
במחברת זו יש קטע שכותרתו צור מעבד (זה זהה במחברת SageMaker Pipelines, אבל במחברת Amazon S3, הקוד המקביל יהיה תחת תצורות עבודה סָעִיף). בתחתית הסעיף הזה יש תצורה עבור חפץ ההסקת שלנו שנקראת inference_params
. הוא מכיל את אותו מידע שראינו בממשק המשתמש, כלומר שם חפץ ההסקה וצומת פלט ההסקה. ערכים אלה יאוכלסו מראש אך ניתן לשנותם. יש בנוסף פרמטר שנקרא use_inference_params
, שצריך להגדיר ל True
כדי להשתמש בתצורה זו בעבודת העיבוד.
בהמשך יש קטע שכותרתו הגדר שלבי צינור, שם inference_params
התצורה מצורפת לרשימת ארגומנטים לעבודה ומועברת להגדרה של שלב עיבוד SageMaker Data Wrangler. במחברת Amazon S3, job_arguments
מוגדר מיד לאחר ה תצורות עבודה סָעִיף.
עם התצורות הפשוטות הללו, עבודת העיבוד שנוצרה על ידי מחברת זו תיצור חפץ מסקנות באותו מיקום S3 כמו קובץ הזרימה שלנו (הוגדר קודם לכן במחברת שלנו). אנחנו יכולים לקבוע באופן תכנותי את מיקום S3 זה ולהשתמש בחפץ זה כדי ליצור מודל של SageMaker באמצעות SageMaker Python SDK, המודגם במחברת SageMaker Inference Pipeline.
ניתן ליישם את אותה גישה על כל קוד של Python שיוצר עבודת עיבוד של SageMaker Data Wrangler.
תמיכה בפורמט קובץ JSON עבור קלט ופלט במהלך הסקה
זה די נפוץ שאתרים ויישומים משתמשים ב-JSON כבקשה/תגובה עבור ממשקי API, כך שקל לנתח את המידע על ידי שפות תכנות שונות.
בעבר, לאחר שהיה לך מודל מאומן, יכולת ליצור איתו אינטראקציה רק באמצעות CSV כפורמט קלט בצינור מסקנות של SageMaker Data Wrangler. כיום, אתה יכול להשתמש ב-JSON כפורמט קלט ופלט, המספק יותר גמישות בעת אינטראקציה עם מיכלי מסקנות של SageMaker Data Wrangler.
כדי להתחיל בשימוש ב-JSON עבור קלט ופלט במחברת צינור ההסקה, בצע את השלבים הבאים:
- הגדר מטען.
עבור כל מטען, המודל מצפה למפתח בשם מופעים. הערך הוא רשימה של אובייקטים, שכל אחד מהם הוא נקודת הנתונים שלו. האובייקטים דורשים מפתח שנקרא תכונות, והערכים צריכים להיות תכונות של נקודת נתונים בודדת המיועדים להגשה למודל. ניתן להגיש מספר נקודות נתונים בבקשה בודדת, עד לגודל כולל של 6 MB לכל בקשה.
ראה את הקוד הבא:
- ציין את
ContentType
asapplication/json
. - ספק נתונים למודל וקבל מסקנות בפורמט JSON.
לִרְאוֹת תבניות נתונים נפוצות להסקת מסקנות לדוגמאות קלט ופלט של JSON.
לנקות את
כשתסיים להשתמש ב- SageMaker Data Wrangler, אנו ממליצים שתכבה את המופע עליו הוא פועל כדי להימנע מחיובים נוספים. להוראות כיצד לכבות את אפליקציית SageMaker Data Wrangler והמופע המשויך, ראה כבה את Data Wrangler.
סיכום
התכונות החדשות של SageMaker Data Wrangler, כולל תמיכה בקובצי מניפסט S3, יכולות הסקה ושילוב פורמט JSON, משנים את החוויה התפעולית של הכנת נתונים. שיפורים אלה מייעלים את ייבוא הנתונים, הופכים טרנספורמציות נתונים לאוטומטיות ומפשטות את העבודה עם נתוני JSON. עם תכונות אלה, אתה יכול לשפר את היעילות התפעולית שלך, להפחית מאמץ ידני ולחלץ תובנות יקרות ערך מהנתונים שלך בקלות. אמצו את העוצמה של התכונות החדשות של SageMaker Data Wrangler ופתחו את מלוא הפוטנציאל של זרימות העבודה של הכנת הנתונים שלכם.
כדי להתחיל עם SageMaker Data Wrangler, עיין במידע העדכני ביותר על עמוד המוצר של SageMaker Data Wrangler.
על המחברים
מוניש דאברא הוא אדריכל פתרונות ראשי בשירותי האינטרנט של אמזון (AWS). תחומי המיקוד הנוכחיים שלו הם AI/ML ו- Observability. יש לו רקע חזק בתכנון ובניית מערכות מבוזרות ניתנות להרחבה. הוא נהנה לעזור ללקוחות לחדש ולשנות את העסק שלהם ב-AWS. לינקדאין: /mdabra
פטריק לין הוא מהנדס פיתוח תוכנה עם Amazon SageMaker Data Wrangler. הוא מחויב להפוך את Amazon SageMaker Data Wrangler לכלי הכנת הנתונים מספר אחת עבור זרימות עבודה של ML המופקות. מחוץ לעבודה, אתה יכול למצוא אותו קורא, מאזין למוזיקה, מנהל שיחות עם חברים ומשרת בכנסייה שלו.
- 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.
- BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/optimize-data-preparation-with-new-features-in-aws-sagemaker-data-wrangler/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 100
- 1996
- 2014
- 7
- 8
- 9
- a
- פעולות
- הוסיף
- נוסף
- בנוסף
- מאומץ
- לאחר
- AI / ML
- תעשיות
- מאפשר
- מאפשר
- גם
- אמזון בעברית
- אמזון SageMaker
- טייס אוטומטי של אמזון
- רנגלר הנתונים של אמזון SageMaker
- אמזון שירותי אינטרנט
- אמזון שירותי אינטרנט (AWS)
- כמויות
- an
- ו
- כל
- ממשקי API
- האפליקציה
- יישומים
- יישומית
- החל
- גישה
- ARE
- אזורים
- טיעונים
- AS
- המשויך
- At
- אוטומטי
- באופן אוטומטי
- לְהִמָנַע
- AWS
- רקע
- מבוסס
- BE
- להיות
- להיות
- הטוב ביותר
- גָדוֹל
- שניהם
- תַחתִית
- לשבור
- לִבנוֹת
- בִּניָן
- מובנה
- עסקים
- אבל
- by
- נקרא
- CAN
- יכולות
- מקרה
- שינוי
- חיובים
- לבדוק
- בחרו
- בחירה
- כנסיה
- ניקוי
- קוד
- טור
- מְחוּיָב
- Common
- תואם
- להשלים
- הושלם
- תְצוּרָה
- קונסול
- מאוכל
- מכולות
- מכיל
- שיחות
- תוֹאֵם
- יכול
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- קריטי
- נוֹכְחִי
- לקוח
- לקוחות
- נתונים
- חילופי נתונים
- נקודות מידע
- הכנת נתונים
- עיבוד נתונים
- נתונים מונחים
- מערכי נתונים
- יְוֹם
- להחליט
- מחדל
- מוגדר
- הגדרה
- להתעמק
- מופגן
- לפרוס
- פריסה
- פריסה
- מעוצב
- תכנון
- יעד
- פרטים
- לקבוע
- צעצועי התפתחות
- אחר
- לדון
- מופץ
- מערכות מבוזרות
- do
- מטה
- בְּמַהֲלָך
- כל אחד
- מוקדם יותר
- להקל
- קל יותר
- קל
- מערכות אקולוגיות
- יְעִילוּת
- יעיל
- יעילות
- מאמץ
- או
- לחבק
- מאפשר
- מה שמאפשר
- מקצה לקצה
- נקודת קצה
- מהנדס
- הנדסה
- להגביר את
- שיפורים
- משפר
- זן
- שלם
- סביבה
- שווה
- במיוחד
- אי פעם
- כל
- כל יום
- הכל
- דוגמה
- דוגמאות
- חליפין
- מצפה
- ניסיון
- לְנַסוֹת
- ניסויים
- חקירה
- לחקור
- יצוא
- היצוא
- הארכה
- תמצית
- מאפיין
- תכונות
- מעטים
- שלח
- קבצים
- גמישות
- תזרים
- זורם
- להתמקד
- לעקוב
- הבא
- בעד
- טופס
- פוּרמָט
- חברים
- החל מ-
- מלא
- נוסף
- ליצור
- נוצר
- לקבל
- מאוד
- היה
- לטפל
- יש
- יש
- he
- עזרה
- גָבוֹהַ
- הדגשה
- לו
- שֶׁלוֹ
- איך
- איך
- HTML
- HTTPS
- i
- זהה
- מזהה
- if
- תמונה
- מיד
- לייבא
- יבוא
- לשפר
- in
- כולל
- כולל
- מידע
- לחדש
- קלט
- תובנות
- למשל
- הוראות
- השתלבות
- התכוון
- אינטראקציה
- אינטראקציה
- אינטראקטיבי
- מִמְשָׁק
- אל תוך
- אינטואיטיבי
- IT
- שֶׁלָה
- JavaScript
- עבודה
- jpg
- ג'סון
- יולי
- רק
- מפתח
- שפות
- גָדוֹל
- אחרון
- מאוחר יותר
- האחרון
- לשגר
- למידה
- לתת
- רמה
- כמו
- מוגבל
- קשר
- לינקדין
- רשימה
- האזנה
- רשימות
- מיקום
- נראה
- מכונה
- למידת מכונה
- לעשות
- עשייה
- לנהל
- מדריך ל
- מאי..
- תפריט
- מידע נוסף
- שיטה
- יכול
- מִילִיוֹן
- דקות
- חסר
- ML
- MLOps
- מודל
- מודלים
- מודרני
- שונים
- יותר
- יותר יעיל
- מספר
- כלי נגינה
- צריך
- שם
- שם
- כלומר
- יליד
- הכרחי
- צורך
- צרכי
- חדש
- תכונות חדשות
- חדש
- הבא
- לא
- צומת
- מחברה
- עַכשָׁיו
- מספר
- אובייקט
- אובייקטים
- of
- on
- ONE
- רק
- מבצעי
- אופטימלי
- מטב
- אפשרות
- אפשרויות
- or
- אחר
- שלנו
- הַחוּצָה
- תפוקה
- בחוץ
- שֶׁלוֹ
- פרמטר
- פרמטרים
- עבר
- נתיב
- עבור
- לְבַצֵעַ
- לבחור
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- ועוד
- נקודה
- נקודות
- הודעה
- פוטנציאל
- כּוֹחַ
- לחזות
- חזה
- הכנה
- להכין
- מוּכָן
- יפה
- קוֹדֶם
- מנהל
- תהליך
- מעובד
- תהליך
- המוצר
- סקירות מוצרים
- הפקה
- פרוגרמטית
- תכנות
- שפות תכנות
- פּרוֹיֶקט
- לספק
- מתן
- פיתון
- קריאה
- זמן אמת
- לקבל
- להמליץ
- להפחית
- מפחית
- לשחרר
- רלוונטי
- להסיר
- לייצג
- המייצג
- לבקש
- לדרוש
- משאב
- וכתוצאה מכך
- תוצאות
- סקירה
- חוות דעת של לקוחותינו
- תקין
- תפקיד
- פועל
- s
- בעל חכמים
- SageMaker Inference
- צינורות SageMaker
- אותו
- ראה
- להרחבה
- בצורה חלקה
- בצורה חלקה
- סעיף
- לִרְאוֹת
- בחירה
- מבחר
- שירותים
- הגשה
- מושב
- סט
- הגדרות
- כמה
- צריך
- לְהַצִיג
- כבה
- סִימָן
- פָּשׁוּט
- פשוט
- לפשט
- מפשט
- יחיד
- מידה
- קטן
- קטן יותר
- So
- תוכנה
- פיתוח תוכנה
- פִּתָרוֹן
- פתרונות
- במיוחד
- לפצל
- התחלה
- החל
- שלב
- צעדים
- אחסון
- מאוחסן
- לייעל
- התייעלות
- חזק
- מובנה
- להגיש
- הוגש
- כזה
- תמיכה
- תומך
- בטוח
- מערכות
- לקחת
- לוקח
- יעד
- זֶה
- השמיים
- המידע
- שֶׁלָהֶם
- אז
- שם.
- אלה
- זֶה
- אלה
- דרך
- זמן
- שכותרתו
- ל
- היום
- גַם
- כלי
- כלים
- סה"כ
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- טרנספורמציה
- טרנספורמציות
- טרנספורמציה
- התמרות
- פעמים
- ui
- תחת
- לפתוח
- נטען
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- באמצעות
- בעל ערך
- ערך
- ערכים
- מאוד
- באמצעות
- לצפיה
- ראיה
- רוצה
- רציתי
- we
- אינטרנט
- שירותי אינטרנט
- אתרים
- שבועות
- טוֹב
- מתי
- אשר
- באופן נרחב
- יצטרך
- עם
- תיק עבודות
- זרימת עבודה
- זרימות עבודה
- עובד
- אתה
- זפירנט