לאחרונה הצגנו יכולת חדשה ב- אמזון SageMaker Python SDK המאפשר למדעני נתונים להפעיל את קוד למידת המכונה שלהם (ML) שנכתב בסביבת המפתחים המשולבת המועדפת עליהם (IDE) ובמחברות יחד עם התלות בזמן הריצה הקשורות אמזון SageMaker עבודות הכשרה עם שינויי קוד מינימליים לניסוי שנעשה באופן מקומי. מדעני נתונים בדרך כלל מבצעים מספר איטרציות של ניסויים במודלים של עיבוד נתונים והדרכה תוך כדי עבודה על כל בעיה ב-ML. הם רוצים להפעיל את קוד ה-ML הזה ולבצע את הניסוי בקלות שימוש ושינוי קוד מינימלי. אימון דגמי אמזון SageMaker עוזר למדעני נתונים להפעיל עבודות הדרכה בקנה מידה גדול מנוהלות במלואן על תשתית המחשוב של AWS. SageMaker Training מסייע גם למדעני נתונים עם כלים מתקדמים כגון באגים של SageMaker באמזון ו- Profiler לאיתור באגים ולנתח את עבודות ההדרכה בקנה מידה גדול שלהם.
עבור לקוחות עם תקציבים קטנים, צוותים קטנים וקווי זמן צפופים, כל קונספט חדש ושורת קוד שנכתבו מחדש כדי לרוץ על SageMaker הופכים אותם לפחות פרודוקטיביים לקראת משימות הליבה שלהם, כלומר עיבוד נתונים ואימון מודלים של ML. הם רוצים לכתוב קוד פעם אחת במסגרת הבחירה שלהם ולהיות מסוגלים לעבור בצורה חלקה מהפעלת קוד במחשבים הניידים שלהם להפעלת קוד בקנה מידה באמצעות יכולות SageMaker.
עם היכולת החדשה הזו של SageMaker Python SDK, מדעני נתונים יכולים להכניס את קוד ה-ML שלהם לפלטפורמת SageMaker Training תוך מספר דקות. אתה רק צריך להוסיף שורת קוד אחת לקוד ה-ML שלך, ו-SageMaker מבינה בצורה חכמה את הקוד שלך יחד עם מערכי הנתונים וסביבת העבודה ומפעילה אותו כעבודת הדרכה של SageMaker. לאחר מכן תוכל לנצל את היכולות המרכזיות של פלטפורמת SageMaker Training, כמו היכולת להתאים עבודות בקלות, וכלים קשורים אחרים כמו Debugger ו- Profiler. במהדורה זו, אתה יכול להריץ את קוד Python של למידת מכונה מקומית (ML) כצומת יחיד של אמזון SageMaker או מספר עבודות מקבילות. עבודות הדרכה מבוזרות (על פני מספר צמתים) אינן נתמכות על ידי פונקציות מרוחקות.
בפוסט זה, אנו מראים לך כיצד להשתמש ביכולת החדשה הזו כדי להפעיל קוד ML מקומי כעבודת הדרכה של SageMaker.
סקירת פתרונות
כעת תוכל להריץ את קוד ה-ML שלך שנכתב ב-IDE או במחברת שלך כעבודת הדרכה של SageMaker על ידי הערת הפונקציה, המשמשת כנקודת כניסה לבסיס הקוד של המשתמש, עם דקורטור פשוט. עם הפעלת, יכולת זו מצלמת אוטומטית תמונת מצב של כל המשתנים, הפונקציות, החבילות, משתני הסביבה ודרישות זמן ריצה אחרות מקוד ה-ML שלך, מסדרת אותם ומגישה אותם כעבודת SageMaker Training. זה משתלב עם ההודעה שהוכרזה לאחרונה תכונת SageMaker Python SDK להגדרת ערכי ברירת מחדל עבור פרמטרים. יכולת זו מפשטת את מבני SageMaker שאתה צריך ללמוד כדי להיות מסוגל להריץ קוד באמצעות SageMaker Training. מדעני נתונים יכולים לכתוב, לנפות באגים ולחזור על הקוד שלהם בכל IDE מועדף (כגון סטודיו SageMaker של אמזון, מחברות, VS Code או PyCharm). כשתהיה מוכן, תוכל להוסיף הערות לפונקציית Python שלך עם ה @remote
מעצב ולהפעיל אותו כעבודת SageMaker בקנה מידה.
יכולת זו לוקחת אובייקטי Python מוכרים בקוד פתוח כארגומנטים ופלטים. יתר על כן, אינך צריך להבין ניהול מחזור חיים של מיכל ופשוט להפעיל את עומסי העבודה שלך על פני הקשרי מחשוב שונים (כגון IDE מקומי, סטודיו או עבודות הדרכה) עם תקורה מינימלית של תצורה. כדי להפעיל כל קוד מקומי כעבודת הדרכה של SageMaker, יכולת זו מסיקה את התצורות הנדרשות להפעלת משימות, כגון AWS זהות וניהול גישה תפקיד (IAM), מפתח הצפנה ותצורת רשת, מהגדרות הסטודיו או ה-IDE (שיכולות להיות הגדרות ברירת מחדל) ומעביר אותם לפלטפורמה כברירת מחדל. יש לך את הגמישות להתאים אישית את זמן הריצה שלך בתשתית המנוהלת של SageMaker באמצעות התצורה המשוערת או לעקוף אותם ברמת ה-SDK על ידי העברתם כטיעונים למעצב.
היכולת החדשה הזו של SageMaker Python SDK הופכת את קוד ה-ML שלך בסביבת סביבת עבודה קיימת וכל קוד עיבוד נתונים ומערך נתונים משויכים לעבודת SageMaker Training. יכולת זו מחפשת קוד ML עטוף בתוך a @remote
decorator ומתרגם אותו אוטומטית לעבודה הפועלת ב-Studio או ב-IDE מקומי כגון PyCharm.
בסעיפים הבאים, נעבור על התכונות של יכולת חדשה זו וכיצד להשיק פונקציות פיתון כעבודות אימון של SageMaker.
תנאים מוקדמים
כדי להשתמש ביכולת החדשה הזו של SageMaker Python SDK ולהפעיל את הקוד המשויך לפוסט זה, אתה צריך את התנאים המוקדמים הבאים:
- חשבון AWS שיכיל את כל משאבי ה-AWS שלך
- תפקיד IAM לגישה ל- SageMaker
- גישה ל-Studio או למופע מחברת SageMaker או ל-IDE כגון PyCharm
השתמש ב-SDK ממחברות Studio ו-SageMaker
אתה יכול להשתמש ביכולת זו מ-Studio על ידי השקת מחברת ועטיפת הקוד שלך עם א @remote
מעצב בתוך המחברת. תחילה עליך לייבא את הפונקציה השלטונית באמצעות הקוד הבא:
from sagemaker.remote_function import remote
כאשר אתה משתמש בפונקציית הדקורטור, יכולת זו תפרש אוטומטית את הפונקציה של הקוד שלך ותפעיל אותו כעבודת SageMaker Training.
אתה יכול גם להשתמש ביכולת זו ממופע מחברת SageMaker. תחילה עליך להתחיל מופע מחברת, לפתוח בו את Jupyter או Jupyter Lab ולהפעיל מחברת. לאחר מכן ייבא את פונקציית השלט כמתואר בקוד הקודם ועטוף את הקוד שלך ב- @remote
מְעַצֵב. אנו כוללים דוגמה כיצד להשתמש בפונקציית הדקורטור וההגדרות הקשורות בהמשך הפוסט הזה.
השתמש ב-SDK מהסביבה המקומית שלך
אתה יכול גם להשתמש ביכולת זו מה-IDE המקומי שלך. כתנאי מוקדם, עליך להיות בעל ממשק שורת הפקודה של AWS (AWS CLI), SageMaker Python SDK, ו AWS SDK עבור Python (Boto3) מותקן בסביבה המקומית שלך. עליך לייבא את הספריות האלה לקוד שלך, להגדיר את הפעלת SageMaker, לציין הגדרות ולקשט את הפונקציה שלך עם @remote
מְעַצֵב. בקוד הדוגמה הבא, אנו מפעילים פונקציית חלוקה פשוטה כעבודת הדרכה של SageMaker:
import boto3
import sagemaker
from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2"))
settings = dict(
sagemaker_session=sm_session,
role=<IAM_ROLE_NAME>
instance_type="ml.m5.xlarge",
)
@remote(**settings)
def divide(x, y):
return x / y
if __name__ == "__main__":
print(divide(2, 3.0))
אנו יכולים להשתמש במתודולוגיה דומה כדי להפעיל פונקציות מתקדמות כעבודות הדרכה, כפי שמוצג בסעיף הבא.
הפעל את פונקציות Python כעבודות SageMaker
התכונה החדשה של SageMaker Python SDK מאפשרת לך להפעיל פונקציות של Python כ משרות SageMaker Training. כל קוד Python, קוד אימון ML שפותח על ידי מדעני נתונים המשתמשים ב-IDEs המקומיים המועדפים עליהם (PyCharm, VS Code), מחברות SageMaker או מחברות Studio ניתן להשיק כעבודה מנוהלת של SageMaker.
בעומסי עבודה של ML המשתמשים ביכולת זו, מערכי נתונים משויכים, תלות והגדרות סביבת עבודה מסודרות באמצעות קוד ה-ML ומופעלים כעבודת SageMaker באופן סינכרוני וא-סינכרוני.
אתה יכול להוסיף א @remote
הערת דקורטור לכל קוד Python כולל פונקציית עיבוד או הדרכה מקומית של ML כדי להפעיל אותו כעבודת הדרכה מנוהלת של SageMaker, ובכך לנצל את היתרונות של קנה המידה, הביצועים והעלות של SageMaker. ניתן להשיג זאת בשינויי קוד מינימליים על ידי הוספת דקורטור לקוד הפונקציה Python. הפנייה לפונקציה המעוטרת מופעלת באופן סינכרוני, והרצת הפונקציה ממתינה עד להשלמת עבודת SageMaker.
בדוגמה הבאה, אנו משתמשים ב- @remote
decorator להשיק עבודות SageMaker במצב דקורטור באמצעות מופע ml.m5.large. SageMaker משתמש בעבודות הדרכה כדי להפעיל פונקציה זו כעבודה מנוהלת.
from sagemaker.remote_function import remote
from numpy as np @remote(instance_type="ml.m5.large")
def matrix_multiply(a, b): return np.matmul(a, b) a = np.array([[1, 0], [0, 1]])
b = np.array([1, 2]) assert matrix_multiply(a, b) == np.array([1,2])
אתה יכול גם להשתמש במצב עיצוב כדי להפעיל עבודות SageMaker, חבילות Python ותלות. אתה יכול לכלול משתני סביבה כגון VPC, רשתות משנה וקבוצות אבטחה כדי להשיק משרות הדרכה של SageMaker ב- environment.yml
קוֹבֶץ. זה מאפשר למהנדסי ומנהלי ML להגדיר את משתני הסביבה האלה, כך שמדעני נתונים יוכלו להתמקד בבניית מודל ML ולחזור מהר יותר. ראה את הקוד הבא:
from sagemaker.remote_function import remote @remote(instance_type="ml.g4dn.xlarge",dependencies = "./environment.yml")
def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
... <TRUCNATED>
return os.path.join(s3_output_path, model_dir), eval_result
אתה יכול להשתמש RemoteExecutor
כדי להפעיל את פונקציות Python כעבודות SageMaker באופן אסינכרוני. המבצע סוקר באופן אסינכרוני משרות SageMaker Training כדי לעדכן את מצב המשרה. ה RemoteExecutor
מחלקה היא יישום של בו-זמנית.עתידים.מוציא לפועל, המשמש להגשת משרות SageMaker Training באופן אסינכרוני. ראה את הקוד הבא:
from sagemaker.remote_function import RemoteExecutor def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
...<TRUNCATED>
return os.path.join(s3_output_path, model_dir), eval_result with RemoteExecutor(instance_type="ml.g4dn.xlarge", dependencies = './requirements.txt') as e:
future = e.submit(train_hf_model, train_input_path,test_input_path,s3_output_path,
epochs, train_batch_size, eval_batch_size,warmup_steps,learning_rate)
התאם אישית את סביבת זמן הריצה
מצב דקורטור ו RemoteExecutor
מאפשר לך להגדיר ולהתאים אישית את סביבות זמן הריצה עבור עבודת SageMaker. ניתן לציין את התלות בזמן הריצה, כולל חבילות Python ומשתני סביבה עבור משרות SageMaker, כדי להתאים אישית את זמן הריצה. על מנת להפעיל קוד Python מקומי כעבודות מנוהלות של SageMaker, יש להפוך את חבילת Python ותלויות לזמינות ל- SageMaker. מהנדסי ML או מנהלי מדעי נתונים יכולים להגדיר תצורות רשת ואבטחה כגון VPC, רשתות משנה וקבוצות אבטחה עבור משרות SageMaker, כך שמדעני נתונים יכולים להשתמש בתצורות המנוהלות באופן מרכזי בזמן השקת משרות SageMaker. אתה יכול להשתמש ב-a requirements.txt
קובץ או א Conda environment.yaml
קובץ.
כאשר התלות מוגדרות עם requirements.txt
, החבילות יותקנו באמצעות pip בזמן הריצה של העבודה. אם התמונה המשמשת להפעלת העבודה מגיעה עם סביבות Conda, חבילות יותקנו בסביבת Conda שהוכרזה לשימוש עבור עבודות. הקוד הבא מציג דוגמה requirements.txt
קובץ:
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
אתה יכול להעביר את שלך Conda environment.yaml
קובץ כדי ליצור את סביבת Conda שבה תרצה שהקוד שלך ירוץ במהלך עבודת ההדרכה. אם התמונה המשמשת להפעלת העבודה מצהירה על סביבת Conda להפעיל את הקוד תחתיה, אנו נעדכן את סביבת Conda המוצהרת עם המפרט הנתון. הקוד הבא הוא דוגמה ל-a Conda environment.yaml
קובץ:
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
לחלופין, אתה יכול להגדיר dependencies=”auto_capture”
לתת ל-SageMaker Python SDK ללכוד את התלות המותקנות בסביבת Conda הפעילה. אתה חייב להיות סביבת קונדה פעילה בשביל auto_capture
לעבוד. שימו לב שיש תנאים מוקדמים ל auto_capture
לעבוד; אנו ממליצים לך לעבור את התלות שלך בתור א requirement.txt
or Conda environment.yml
קובץ כמתואר בסעיף הקודם.
לפרטים נוספים עיין ב הפעל את הקוד המקומי שלך כעבודת הדרכה של SageMaker.
תצורות עבור משרות SageMaker
ניתן להוריד הגדרות הקשורות לתשתית לקובץ תצורה שמשתמשי אדמין יכולים לעזור להגדיר. אתה צריך להגדיר את זה רק פעם אחת. הגדרות תשתית מכסות את תצורת הרשת, תפקידי IAM, שירות אחסון פשוט של אמזון תיקיית (Amazon S3) עבור נתוני קלט, פלט ותגים. מתייחס הגדרה ושימוש בברירות מחדל עם SageMaker Python SDK לקבלת פרטים נוספים.
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
Dependencies: path/to/requirements.txt
EnvironmentVariables: {"EnvVarKey": "EnvVarValue"}
ImageUri: 366666666666.dkr.ecr.us-west-2.amazonaws.com/my-image:latest
InstanceType: ml.m5.large
RoleArn: arn:aws:iam::366666666666:role/MyRole
S3KmsKeyId: somekmskeyid
S3RootUri: s3://my-bucket/my-project
SecurityGroupIds:
- sg123
Subnets:
- subnet-1234
Tags:
- {"Key": "someTagKey", "Value": "someTagValue"}
VolumeKmsKeyId: somekmskeyid
יישום
ניתן להפעיל מודלים של למידה עמוקה כמו PyTorch או TensorFlow בתוך Studio על ידי הפעלת הקוד כעבודת הדרכה בתוך המחברת. כדי להציג את היכולת הזו ב-Studio, אתה יכול לשכפל את המאגר הזה לתוך הסטודיו שלך ולהפעיל את המחברת שנמצאת ב- GitHub מאגר.
דוגמה זו מדגימה מקרה שימוש בסיווג טקסט בינארי מקצה לקצה. אנו משתמשים בשנאי Hugging Face ובספריית מערכי הנתונים כדי לכוונן שנאי מיומן מראש בסיווג טקסט בינארי. בפרט, הדגם המאומן מראש יכוונן עדין באמצעות מערך נתונים של IMDb.
כאשר אתה משכפל את המאגר, עליך לאתר את הקבצים הבאים:
- config.yaml - ניתן להוריד את רוב הארגומנטים המעצבים לקובץ התצורה על מנת להפריד את ההגדרות הקשורות לתשתית מבסיס הקוד
- huggingface.ipynb - זה מכיל את הקוד לאימון מודל HuggingFace מאומן מראש, שיכוונן עדין באמצעות מערך הנתונים של IMDB
- דרישות. טקסט – קובץ זה מכיל את כל התלות להפעלת הפונקציה שתשמש במחברת זו להפעלת הקוד והפעלת האימון מרחוק במופע GPU כעבודת אימון
כאשר אתה פותח את המחברת, תתבקש להגדיר את סביבת המחברת. אתה יכול לבחור את תמונת Data Science 3.0 עם ליבת Python 3 ו-ml.m5.large כסוג מופע ההשקה המהירה להפעלת קוד המחברת. סוג מופע זה מהיר משמעותית ביצירת סביבה.
עבודת ההדרכה תופעל במופע ml.g4dn.xlarge כפי שהוגדר ב- config.yaml
קובץ:
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
# role arn is not required if in SageMaker Notebook instance or SageMaker Studio
# Uncomment the following line and replace with the right execution role if in a local IDE
# RoleArn: <IAM_ROLE_ARN>
InstanceType: ml.g4dn.xlarge
Dependencies: ./requirements.txt
השמיים requirements.txt
תלות קבצים להפעלת הפונקציה לאימון מודל החיבוק כוללות את הדברים הבאים:
datasets
transformers
torch
scikit-learn
# lock s3fs to this specific version as more recent ones introduce dependency on aiobotocore, which is not compatible with botocore
s3fs==0.4.2
sagemaker>=2.148.0,<3
המחברת "חיבוק פנים" מציגה כיצד להפעיל את האימון מרחוק באמצעות @remote
פונקציה, המופעלת באופן סינכרוני. לכן, הפעלת הפונקציה להכשרת המודל תחכה עד להשלמת עבודת SageMaker Training. האימון יופעל מרחוק עם מופע GPU שבו סוג המופע מוגדר בקובץ התצורה הקודם.
לאחר שתפעיל את עבודת ההדרכה, תוכל להפעיל את שאר התאים במחברת כדי לבדוק את מדדי ההערכה ולסווג את הטקסט במודל המיומן שלנו.
אתה יכול גם להציג את מצב עבודת ההדרכה שהופעל מרחוק במופע ה-GPU בלוח המחוונים של SageMaker על ידי ניווט חזרה למסוף SageMaker.
ברגע שמלאכת ההדרכה מסתיימת, היא ממשיכה להפעיל את ההוראות במחברת להערכה וסיווג. ניתן לאמן ולהפעיל עבודות דומות באמצעות פונקציית הביצוע המרוחק המוטמעת בתוך מחברות Studio כדי לבצע את הריצות באופן אסינכרוני.
אינטגרציה עם ניסויי SageMaker בתוך פונקציה @remote
אתה יכול להעביר את שם הניסוי, שם הריצה ופרמטרים אחרים לפונקציה השלטונית שלך כדי ליצור ריצת ניסויים של SageMaker. דוגמא הקוד הבאה מייבאת את שם הניסוי, שם הריצה והפרמטרים לרישום עבור כל ריצה:
from sagemaker.remote_function import remote
from sagemaker.experiments.run import Run
# Define your remote function
@remote
def train(value_1, value_2, exp_name, run_name):
...
...
#Creates the experiment
with Run( experiment_name=exp_name, run_name=run_name, sagemaker_session=sagemaker_session
) as run:
...
...
#Define values for the parameters to log
run.log_parameter("param_1", value_1)
run.log_parameter("param_2", value_2)
...
...
#Define metrics to log
run.log_metric("metric_a", 0.5)
run.log_metric("metric_b", 0.1) # Invoke your remote function
train(1.0, 2.0, "my-exp-name", "my-run-name")
בדוגמה הקודמת, הפרמטרים p1
ו p2
נרשמים לאורך זמן בתוך לולאת אימון. פרמטרים נפוצים עשויים לכלול גודל אצווה או תקופות. בדוגמה, המדדים A
ו B
נרשמים לריצה לאורך זמן בתוך לולאת אימון. מדדים נפוצים עשויים לכלול דיוק או אובדן. למידע נוסף, ראה צור ניסוי של אמזון SageMaker.
סיכום
בפוסט זה, הצגנו יכולת חדשה של SageMaker Python SDK המאפשרת למדעני נתונים להריץ את קוד ה-ML שלהם ב-IDE המועדף עליהם כעבודות SageMaker Training. דנו בתנאים המוקדמים הדרושים לשימוש ביכולת זו יחד עם התכונות שלה. הראנו גם כיצד להשתמש ביכולת זו ב-Studio, במופעי מחברת SageMaker וב-IDE המקומי שלך. בנוסף, סיפקנו דוגמאות קוד לדוגמה כדי להדגים כיצד להשתמש ביכולת זו. כשלב הבא, אנו ממליצים לנסות את היכולת הזו ב-IDE או SageMaker שלך על ידי ביצוע ה דוגמאות קוד מוזכר בפוסט הזה.
על הכותבים
דיפנקר פטרו הוא מהנדס פיתוח תוכנה ב-AWS SageMaker, חדשן ובונה פתרונות MLOps כדי לעזור ללקוחות לאמץ פתרונות AI/ML בקנה מידה. יש לו תואר שני במדעי המחשב ותחומי העניין שלו הם אבטחת מחשבים, מערכות מבוזרות ו-AI/ML.
פארוק סאביר הוא ארכיטקט פתרונות בכיר בבינה מלאכותית ולמידת מכונה ב-AWS. הוא בעל תואר דוקטור ותואר שני בהנדסת חשמל מאוניברסיטת טקסס באוסטין ותואר שני במדעי המחשב מהמכון הטכנולוגי של ג'ורג'יה. יש לו למעלה מ-15 שנות ניסיון בעבודה וגם אוהב ללמד ולהדריך סטודנטים. ב-AWS הוא עוזר ללקוחות לגבש ולפתור את הבעיות העסקיות שלהם במדעי הנתונים, למידת מכונה, ראייה ממוחשבת, בינה מלאכותית, אופטימיזציה מספרית ותחומים קשורים. ממוקם בדאלאס, טקסס, הוא ומשפחתו אוהבים לטייל ולצאת לנסיעות ארוכות.
מנואז' ראווי הוא מנהל מוצר בכיר עבור Amazon SageMaker. הוא נלהב מבניית מוצרי AI מהדור הבא ועובד על תוכנות וכלים כדי להקל על למידת מכונה בקנה מידה גדול עבור לקוחות. הוא בעל תואר שני במנהל עסקים מבית הספר למינהל עסקים Haas ותואר שני בניהול מערכות מידע מאוניברסיטת קרנגי מלון. בזמנו הפנוי, מאנוג' נהנה לשחק טניס ולעסוק בצילומי נוף.
שיכר קווטרה הוא ארכיטקט פתרונות מומחה בינה מלאכותית/ML ב- Amazon Web Services, עובד עם אינטגרטור מערכות גלובלי מוביל. הוא זכה בתואר אחד מממציאי המאסטר ההודיים הצעירים ביותר עם למעלה מ-500 פטנטים בתחום AI/ML ו-IoT. שיכר מסייעת באדריכלות, בנייה ותחזוקה של סביבות ענן חסכוניות וניתנות להרחבה עבור הארגון, ותומכת בשותף GSI בבניית פתרונות אסטרטגיים לתעשייה ב-AWS. שיכר נהנה לנגן בגיטרה, להלחין מוזיקה ולתרגל מיינדפולנס בזמנו הפנוי.
ויקראם אלנגו הוא ארכיטקט פתרונות מומחה בינה מלאכותית/ML ב-AWS, שבסיסה בווירג'יניה, ארה"ב. כיום הוא מתמקד בבינה מלאכותית, LLMs, הנדסה מיידית, אופטימיזציה של מודלים גדולים והרחבת ML בין ארגונים. Vikram עוזרת ללקוחות הפיננסיים והביטוחים עם תכנון ומנהיגות מחשבתית לבנות ולפרוס יישומי למידת מכונה בקנה מידה. בזמנו הפנוי הוא נהנה לטייל, לטייל, לבשל ולקמפינג.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- :יש ל
- :הוא
- :לֹא
- $ למעלה
- 1
- 10
- 100
- שנים 15
- 500
- 7
- a
- יכולת
- יכול
- אודות
- גישה
- חֶשְׁבּוֹן
- דיוק
- הושג
- לרוחב
- פעיל
- מעשים
- להוסיף
- מוסיף
- תוספת
- מנהל
- מנהלים
- לְאַמֵץ
- מתקדם
- יתרון
- AI
- AI / ML
- איידס
- תעשיות
- מאפשר
- לאורך
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- an
- לנתח
- ו
- הודיע
- כל
- יישומים
- ARE
- אזורים
- טיעונים
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית ולמידה מכונה
- AS
- המשויך
- At
- אוסטין
- באופן אוטומטי
- זמין
- AWS
- בחזרה
- בסיס
- מבוסס
- BE
- הטבות
- תקציבים
- לִבנוֹת
- בִּניָן
- עסקים
- by
- CAN
- יכולות
- ללכוד
- קרנגי מלון
- לשאת
- מקרה
- תאים
- שינוי
- שינויים
- ערוצים
- בחירה
- בכיתה
- מיון
- לסווג
- ענן
- קוד
- בסיס קוד
- מִכלָלָה
- מגיע
- Common
- תואם
- להשלים
- לחשב
- המחשב
- מדעי מחשב
- אבטחת מחשב
- ראייה ממוחשבת
- מושג
- תְצוּרָה
- קונסול
- להכיל
- מכולה
- מכיל
- הקשרים
- ממשיך
- ליבה
- עלות
- יכול
- לכסות
- לִיצוֹר
- כיום
- לקוחות
- אישית
- דאלאס
- לוח מחוונים
- נתונים
- עיבוד נתונים
- מדע נתונים
- מערכי נתונים
- מצהיר
- בְּרִירַת מֶחדָל
- מחדל
- מוגדר
- להפגין
- מדגים
- תלות
- לפרוס
- מְתוּאָר
- עיצוב
- פרטים
- מפותח
- מפתח
- צעצועי התפתחות
- אחר
- נָדוֹן
- מופץ
- מערכות מבוזרות
- הכשרה מבוזרת
- תחומים
- עשה
- לא
- בְּמַהֲלָך
- e
- כל אחד
- הרוויחו
- קלות שימוש
- קל יותר
- בקלות
- או
- מוטבע
- מאפשר
- הצף
- מקצה לקצה
- מהנדס
- הנדסה
- מהנדסים
- חברות
- כניסה
- סביבה
- סביבות
- תקופה
- תקופות
- הערכה
- כל
- דוגמה
- דוגמאות
- הוצאת להורג
- קיימים
- ניסיון
- לְנַסוֹת
- פָּנִים
- מוכר
- משפחה
- מהר
- מהר יותר
- מאפיין
- תכונות
- מעטים
- שלח
- קבצים
- כספי
- ראשון
- גמישות
- להתמקד
- מרוכז
- הבא
- בעד
- מסגרת
- החל מ-
- לגמרי
- פונקציה
- פונקציות
- יתר על כן
- עתיד
- עתידים
- גנרטטיבית
- AI Generative
- נתן
- גלוֹבָּלִי
- Go
- GPU
- קבוצה
- יש
- he
- לעזור
- עוזר
- שֶׁלוֹ
- מחזיק
- איך
- איך
- HTML
- http
- HTTPS
- חיבוק פנים
- זהות
- if
- תמונה
- הפעלה
- לייבא
- יבוא
- in
- לכלול
- כולל
- הוֹדִי
- תעשייה
- מידע
- מערכות מידע
- תשתית
- חדשנות
- קלט
- מותקן
- למשל
- מכון
- הוראות
- ביטוח
- משולב
- משלב
- מוֹדִיעִין
- אינטרס
- אל תוך
- מבוא
- הציג
- ממציאים
- IOT
- IT
- איטרציות
- שֶׁלָה
- עבודה
- מקומות תעסוקה
- jpg
- רק
- מפתח
- מעבדה
- נוף
- מחשבים ניידים
- גָדוֹל
- בקנה מידה גדול
- האחרון
- לשגר
- הושק
- השקה
- מנהיגות
- מוביל
- לִלמוֹד
- למידה
- לתת
- מאפשר לי
- ספריות
- סִפְרִיָה
- מעגל החיים
- כמו
- אוהב
- קו
- לינקדין
- מקומי
- באופן מקומי
- ממוקם
- היכנס
- מחובר
- ארוך
- נראה
- את
- אהבה
- מכונה
- למידת מכונה
- עשוי
- שמירה
- לעשות
- עושה
- הצליח
- ניהול
- מנהל
- אב
- מאי..
- מלון
- מֵתוֹדוֹלוֹגִיָה
- מדדים
- תשומת לב מודעת
- מינימלי
- דקות
- ML
- MLOps
- מצב
- מודל
- מודלים
- מודולים
- יותר
- רוב
- המהלך
- MS
- מספר
- כלי נגינה
- שם
- כלומר
- מנווט
- צורך
- נחוץ
- רשת
- רשתות
- חדש
- הבא
- צמתים
- מחברה
- עַכשָׁיו
- קהות
- אובייקטים
- of
- on
- על הסיפון
- פעם
- ONE
- רק
- לפתוח
- קוד פתוח
- אופטימיזציה
- or
- להזמין
- ארגון
- OS
- אחר
- שלנו
- הַחוּצָה
- תפוקה
- יותר
- לעקוף
- חבילה
- חבילות
- דובי פנדה
- מקביל
- פרמטרים
- מסוים
- שותף
- לעבור
- מעברי
- חולף
- לוהט
- פטנטים
- נתיב
- ביצועים
- צילום
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- נקודה
- הודעה
- מועדף
- תנאים מוקדמים
- קודם
- בעיה
- בעיות
- תהליך
- המוצר
- מנהל מוצר
- פּרוּדוּקטִיבִי
- מוצרים
- ובלבד
- פיתון
- פיטורך
- מוכן
- לאחרונה
- לאחרונה
- להמליץ
- קָשׁוּר
- לשחרר
- מרחוק
- להחליף
- מאגר
- נדרש
- דרישות
- REST
- לַחֲזוֹר
- כביש
- תפקיד
- תפקידים
- הפעלה
- ריצה
- בעל חכמים
- להרחבה
- סולם
- דרוג
- בית ספר
- מדע
- מדענים
- סקיקיט-לימוד
- Sdk
- בצורה חלקה
- סעיף
- סעיפים
- אבטחה
- לִרְאוֹת
- לחצני מצוקה לפנסיונרים
- נפרד
- שירותים
- מושב
- סט
- הצבה
- הגדרות
- התקנה
- כמה
- צריך
- לְהַצִיג
- ראווה
- הראה
- הופעות
- באופן משמעותי
- דומה
- פָּשׁוּט
- בפשטות
- יחיד
- מידה
- קטן
- תמונת בזק
- So
- תוכנה
- פיתוח תוכנה
- פתרונות
- לפתור
- מומחה
- ספציפי
- מפרט
- מפורט
- התחלה
- החל
- מצב
- שלב
- אחסון
- אסטרטגי
- סטודנטים
- סטודיו
- להגיש
- רשתות משנה
- כזה
- נתמך
- תומך
- מערכת
- מערכות
- לקחת
- לוקח
- נטילת
- משימות
- צוותי
- טכנולוגיה
- tensorflow
- טקסס
- סיווג טקסט
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אז
- שם.
- בכך
- לכן
- אלה
- הֵם
- זֶה
- מחשבה
- מנהיגות מחשבתית
- דרך
- זמן
- כותרת
- ל
- כלים
- לפיד
- לקראת
- רכבת
- מְאוּמָן
- הדרכה
- רוֹבּוֹטרִיקִים
- נסיעות
- נסיעה
- מופעל
- סוג
- בדרך כלל
- תחת
- להבין
- אוניברסיטה
- עדכון
- us
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמשים
- באמצעות
- ערך
- ערכים
- גרסה
- באמצעות
- לצפיה
- וירג'יניה
- חזון
- vs
- לעומת קוד
- לחכות
- רוצה
- we
- אינטרנט
- שירותי אינטרנט
- מתי
- אשר
- בזמן
- יצטרך
- עם
- בתוך
- תיק עבודות
- עובד
- עובד
- היה
- לעטוף
- עטוף
- לכתוב
- לכתוב קוד
- כתוב
- X
- שנים
- אתה
- הצעיר ביותר
- זפירנט