この投稿は、Vericast の Jyoti Sharma と Sharmo Sarkar の共同執筆者です。
機械学習 (ML) の問題については、データ サイエンティストはデータを扱うことから始めます。 これには、データのビジネス面と技術面の収集、調査、理解に加え、モデル構築プロセスに必要となる可能性のある操作の評価が含まれます。 このデータ準備の XNUMX つの側面は特徴エンジニアリングです。
機能エンジニアリング 関連する変数が識別、選択、操作されて、モデルのトレーニングと推論の実行に使用される ML アルゴリズムで使用できるように、生データをより有用で使用可能な形式に変換するプロセスを指します。 このプロセスの目標は、アルゴリズムとその結果として得られる予測モデルのパフォーマンスを向上させることです。 特徴エンジニアリング プロセスには、特徴の作成、データ変換、特徴抽出、特徴の選択などのいくつかの段階が含まれます。
一般化された特徴量エンジニアリングのためのプラットフォームの構築は、異なるデータセットを使用して多数の ML モデルを作成する必要があるお客様にとっての一般的なタスクです。 この種のプラットフォームには、人的介入をほとんど行わずにモデル トレーニングに使用できる最終的な特徴量設計データを生成するプログラム駆動のプロセスの作成が含まれます。 ただし、特徴エンジニアリングを一般化することは困難です。 ビジネス上の問題はそれぞれ異なり、データセットも異なり、データ量はクライアントごとに大きく異なります。また、データ品質と特定の列のカーディナリティ (構造化データの場合) が、特徴量エンジニアリングの複雑さにおいて重要な役割を果たす可能性があります。プロセス。 さらに、顧客のデータの動的な性質により、特徴量エンジニアリングを最適に完了するために必要な処理時間とリソースに大きな変動が生じる可能性があります。
AWSのお客様 ベリキャスト は、クライアントのマーケティング ROI を高めるためにデータに基づいた意思決定を行うマーケティング ソリューション会社です。 Vericast の社内クラウドベースの機械学習プラットフォームは、CRISP-ML(Q) プロセスを中心に構築されており、次のようなさまざまな AWS サービスを使用しています。 アマゾンセージメーカー, Amazon SageMaker処理, AWSラムダ, AWSステップ関数、特定のクライアントのデータに合わせて最適なモデルを作成します。 このプラットフォームは、さまざまな ML ワークフローを構築するためのステップの再現性を把握し、それらをプラットフォーム内の標準の汎用化可能なワークフロー モジュールにバンドルすることを目的としています。
この投稿では、Vericast が SageMaker Processing を使用して特徴量エンジニアリングを最適化した方法を共有します。
ソリューションの概要
Vericast の機械学習プラットフォームは、既存のワークフローに基づいた新しいビジネス モデルの迅速な展開や、新規顧客向けの既存モデルの迅速なアクティブ化を支援します。 たとえば、ダイレクト メールの傾向を予測するモデルは、Vericast クライアントの顧客の割引クーポンに対する感度を予測するモデルとはまったく異なります。 これらはさまざまなビジネス上の問題を解決するため、マーケティング キャンペーンの設計においてさまざまな使用シナリオが存在します。 ただし、ML の観点から見ると、どちらもバイナリ分類モデルとして解釈できるため、モデルの調整とトレーニング、評価、解釈可能性、デプロイメント、推論など、ML ワークフローの観点から見ると多くの共通ステップを共有する可能性があります。
これらのモデルは (ML 用語で) バイナリ分類問題であるため、企業の顧客を XNUMX つのクラス (バイナリ)、つまりキャンペーンに積極的に反応する顧客とそうでない顧客に分類することになります。 さらに、モデルのトレーニングに使用されるデータには好意的に反応する顧客とそうでない顧客の数が同数含まれていないため、これらの例は不均衡な分類であると考えられます。
このようなモデルの実際の作成は、次の図に示す一般化されたパターンに従います。
このプロセスのほとんどは、特徴量エンジニアリングのステップを除き、どのバイナリ分類でも同じです。 これはおそらくプロセスの中で最も複雑ですが、見落とされがちなステップです。 ML モデルは、その作成に使用される機能に大きく依存します。
Vericast のクラウドネイティブな機械学習プラットフォームは、次の機能を使用して、さまざまな ML ワークフローの特徴エンジニアリング手順を一般化および自動化し、コスト対時間の指標でパフォーマンスを最適化することを目的としています。
- プラットフォームの機能エンジニアリング ライブラリ – これは、特定のクライアントの概念 (たとえば、顧客の人口統計、製品の詳細、トランザクションの詳細など) に基づいて高品質の汎用化可能な機能を生成するためにテストされ、進化し続ける一連の変換で構成されます。
- インテリジェントなリソースオプティマイザー – このプラットフォームは、AWS のオンデマンドインフラストラクチャ機能を使用して、ステップの予想される複雑さと、処理する必要があるデータ量に基づいて、特定の機能エンジニアリングジョブに最適なタイプの処理リソースをスピンアップします。
- 特徴エンジニアリングジョブの動的なスケーリング – これにはさまざまな AWS サービスの組み合わせが使用されますが、最も注目に値するのは SageMaker Processing です。 これにより、プラットフォームは高品質の機能をコスト効率よくタイムリーに生成できるようになります。
この投稿では、このリストの XNUMX 番目の点に焦点を当て、SageMaker 処理ジョブの動的なスケーリングを実現して、大規模なデータ量に対してより管理され、パフォーマンスが高く、コスト効率の高いデータ処理フレームワークを実現する方法を示します。
SageMaker Processing は、SageMaker 上でデータの前処理または後処理、特徴エンジニアリング、データ検証、モデル評価のステップを実行するワークロードを有効にします。 また、管理された環境も提供し、ワークロードの実行に必要なインフラストラクチャのセットアップと維持に必要な、差別化されていない重労働の複雑さを解消します。 さらに、SageMaker Processing は、ワークロードを実行、監視、評価するための API インターフェイスを提供します。
SageMaker 処理ジョブの実行は、管理された SageMaker クラスター内で完全に行われ、実行時に個々のジョブがインスタンス コンテナーに配置されます。 管理対象クラスター、インスタンス、コンテナーはメトリックをレポートします。 アマゾンクラウドウォッチGPU、CPU、メモリ、GPU メモリ、ディスク メトリクス、イベント ログの使用状況を含みます。
これらの機能は、一般化された前処理ワークフローの開発を支援し、それらを実行する生成された環境を維持する困難を軽減することで、Vericast データ エンジニアや科学者にメリットをもたらします。 ただし、このような一般的なソリューションに入力できるデータとそのさまざまな特徴の動的な性質を考慮すると、技術的な問題が発生する可能性があります。 システムは、クラスターとそれを構成するインスタンスのサイズについて、知識に基づいた最初の推測を行う必要があります。 この推測では、データの基準を評価し、CPU、メモリ、およびディスクの要件を推測する必要があります。 この推測は完全に適切で、ジョブに適切に機能する可能性がありますが、そうでない場合もあります。 特定のデータセットと前処理ジョブでは、CPU のサイズが小さくなり、処理パフォーマンスが最大になり、完了までに時間がかかる場合があります。 さらに悪いことに、メモリが問題となり、パフォーマンスが低下したり、メモリ不足イベントが発生してジョブ全体が失敗したりする可能性があります。
これらの技術的なハードルを念頭に置いて、Vericast はソリューションの作成に着手しました。 これらは本質的に一般的なものであり、関連するステップが柔軟である前処理ワークフローの全体像に適合する必要がありました。 また、パフォーマンスが低下した場合に環境をスケールアップするという潜在的なニーズと、そのようなイベントや何らかの理由でジョブが途中で終了した場合に適切に回復するという両方の潜在的なニーズを解決することも重要でした。
この問題を解決するために Vericast が構築したソリューションでは、複数の AWS サービスが連携してビジネス目標を達成します。 これは、ジョブを監視する Lambda 関数を使用して観察されたパフォーマンスメトリクスに基づいて、SageMaker Processing クラスターを再起動およびスケールアップするように設計されています。 スケーリング イベントの発生時に作業が失われないように、または予期せず停止したジョブから回復するために、次のチェックポイント ベースのサービスが導入されました。 Amazon DynamoDB 部分的に処理されたデータを次の場所に保存します Amazon シンプル ストレージ サービス ステップが完了すると、(Amazon S3) バケットが作成されます。 最終的な成果は、自動スケーリングで堅牢な、動的に監視されるソリューションです。
次の図は、システムがどのように動作するかの高レベルの概要を示しています。
次のセクションでは、ソリューションのコンポーネントについて詳しく説明します。
ソリューションの初期化
システムは、別のプロセスがソリューションを開始することを前提としています。 逆に、この設計はアーティファクトや出力を生成しないため、単独で動作するように設計されておらず、SageMaker Processing ジョブを使用するシステムの XNUMX つへのサイドカー実装として機能します。 Vericast の場合、ソリューションは、より大きなシステムの別のモジュールで開始された Step Functions ステップからの呼び出しによって開始されます。
ソリューションが開始され、最初の実行がトリガーされると、基本的な標準設定が DynamoDB テーブルから読み取られます。 この設定は、SageMaker Processing ジョブのパラメータを設定するために使用され、インフラストラクチャのニーズの初期想定が含まれています。 SageMaker 処理ジョブが開始されました。
メタデータと出力のモニタリング
ジョブが開始されると、Lambda 関数はジョブ処理メタデータ (現在のジョブ設定およびその他のログ情報) を DynamoDB ログテーブルに書き込みます。 このメタデータとログ情報は、ジョブの履歴、初期および進行中の構成、その他の重要なデータを維持します。
ジョブのステップが完了すると、特定の時点でチェックポイント データが DynamoDB ログテーブルに追加されます。 処理された出力データは Amazon S3 に移動され、必要に応じて迅速に復元されます。
この Lambda 関数は、 アマゾンイベントブリッジ 実行中のジョブの状態を監視するルール。 具体的には、このルールはジョブを監視して、ジョブのステータスが次のように変化するかどうかを監視します。 stopping
または stopped
州。 この EventBridge ルールは、障害が発生した場合、または計画された自動スケーリング イベントが発生した場合にジョブを再開する際に重要な役割を果たします。
CloudWatch メトリクスのモニタリング
また、Lambda 関数は、処理ジョブのメトリクス数式に基づいて CloudWatch アラームを設定し、すべてのインスタンスの CPU 使用率、メモリ使用率、ディスク使用率のメトリクスを監視します。 このタイプのアラーム (メトリクス) は、CloudWatch アラームしきい値を使用します。 アラームは、多数の期間にわたるしきい値に対するメトリックまたは式の値に基づいてイベントを生成します。
Vericast の使用例では、しきい値式はドライバー インスタンスとエグゼキューター インスタンスを別個のものとして考慮し、それぞれのメトリクスを個別に監視するように設計されています。 それらを分離することで、Vericast はどちらがアラームの原因であるかを認識します。 これは、それに応じてスケールする方法を決定することが重要です。
- エグゼキューターのメトリクスがしきい値を超えている場合は、水平方向にスケーリングするのが良いでしょう
- ドライバーのメトリクスがしきい値を超えた場合、水平方向のスケーリングはおそらく役に立たないため、垂直方向にスケーリングする必要があります。
アラームメトリクス式
Vericast は、スケーリングと障害の評価において次のメトリクスにアクセスできます。
- CPU使用率 – 個々の CPU コアの使用率の合計
- メモリ使用率 – インスタンス上のコンテナによって使用されるメモリの割合
- ディスク使用率 – インスタンス上のコンテナによって使用されるディスク領域の割合
- GPU使用率 – インスタンス上のコンテナによって使用される GPU ユニットの割合
- GPUMメモリ使用率 – インスタンス上のコンテナによって使用される GPU メモリの割合
この記事の執筆時点では、Vericast は次のことのみを考慮しています。 CPUUtilization
, MemoryUtilization
, DiskUtilization
。 将来的には、 GPUUtilization
および GPUMemoryUtilization
同様に。
次のコードは、Vericast Auto Scaling のメトリクス数式に基づく CloudWatch アラームの例です。
この式は、CloudWatch アラームが考慮していることを示しています。 DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
, DiskUtilization (diskExec)
モニタリング指標として。 上の式の数字 80 は、しきい値を表します。
ここでは、 IF((cpuDriver) > 80, 1, 0
これは、ドライバーの CPU 使用率が 80% を超える場合、しきい値として 1 が割り当てられ、それ以外の場合は 0 が割り当てられることを意味します。 IF(AVG(METRICS("memoryExec")) > 80, 1, 0
文字列を含むすべてのメトリクスを意味します memoryExec
その中で考慮され、平均が計算されます。 平均メモリ使用率が 80 を超える場合、しきい値として 1 が割り当てられ、それ以外の場合は 0 が割り当てられます。
論理演算子 OR
は、式内のすべての使用率を統合するために式で使用されます。いずれかの使用率がしきい値に達すると、アラームがトリガーされます。
メトリクスの数式に基づいた CloudWatch メトリクス アラームの使用の詳細については、を参照してください。 メトリクスの数式に基づいた CloudWatch アラームの作成.
CloudWatch アラームの制限事項
CloudWatch では、アラームごとのメトリクスの数が 10 に制限されています。これにより、これより多くのメトリクスを考慮する必要がある場合に制限が生じる可能性があります。
この制限を克服するために、Vericast はクラスタ全体のサイズに基づいてアラームを設定しました。 10 つのインスタンスごとに XNUMX つのアラームが作成されます (XNUMX つのインスタンスの場合、最大 XNUMX つのメトリックが合計されるため、アラームが XNUMX つになります)。 ドライバー インスタンスが個別に考慮されると仮定すると、ドライバー インスタンスに対して別の個別のアラームが作成されます。 したがって、作成されるアラームの総数は、実行ノードの数の XNUMX 分の XNUMX と、ドライバ インスタンスの追加の数にほぼ等しくなります。 いずれの場合も、アラームごとのメトリック数は XNUMX メトリック制限を超えています。
警報状態になると何が起こるか
事前に設定されたしきい値が満たされると、アラームが発生します。 alarm
を使用する状態 Amazon シンプル通知サービス (Amazon SNS) を使用して通知を送信します。 この場合、メッセージ内のアラームの詳細を含む電子メール通知がすべてのサブスクライバに送信されます。
Amazon SNS は、ジョブがおそらく失敗することがわかっているため、現在実行中の SageMaker 処理ジョブを停止する Lambda 関数へのトリガーとしても使用されます。 この機能は、イベントに関連するログをログテーブルに記録します。
ジョブの開始時に設定された EventBridge ルールは、ジョブが開始されたことを認識します。 stopping
数秒後の状態。 このルールは、最初の Lambda 関数を再実行してジョブを再開します。
動的スケーリングプロセス
XNUMX 回以上実行した後の最初の Lambda 関数は、前のジョブがすでに開始されており、現在は停止していることを認識します。 この関数は、ログ DynamoDB テーブル内の元のジョブから基本設定を取得する同様のプロセスを実行し、更新された設定も内部テーブルから取得します。 この更新された構成は、スケーリング タイプに基づいて設定されるリソース デルタ構成です。 スケーリング タイプは、前述したようにアラーム メタデータから決定されます。
新しい構成と新しい SageMaker 処理ジョブが増加したリソースで開始されるため、元の構成とリソース デルタが使用されます。
このプロセスはジョブが正常に完了するまで継続され、必要に応じて複数回再起動され、そのたびにリソースが追加される場合があります。
ベリキャストの結果
このカスタム自動スケーリング ソリューションは、Vericast の機械学習プラットフォームの堅牢性と耐障害性を高めるのに役立ちました。 このプラットフォームは、人間の介入を最小限に抑えながら、さまざまなデータ量のワークロードを適切に処理できるようになりました。
このソリューションを実装する前は、パイプライン内のすべての Spark ベースのモジュールのリソース要件を見積もることが、新しいクライアントのオンボーディング プロセスの最大のボトルネックの XNUMX つでした。 クライアントのデータ量が増加するとワークフローが失敗し、運用環境でデータ量が減少するとコストが不当に増加します。
この新しいモジュールを導入すると、リソースの制約によるワークフローの障害がほぼ 80% 減少しました。 残りのいくつかの障害は、主に AWS アカウントの制約によるもので、自動スケール プロセスを超えたものです。 このソリューションによる Vericast の最大の利点は、新しいクライアントとワークフローを簡単に導入できることです。 Vericast は、最終的な数値についてはまだデータが収集されていないものの、プロセスが少なくとも 60 ~ 70% スピードアップすると予想しています。
Vericast ではこれは成功とみなされていますが、それには代償も伴います。 このモジュールの性質と全体としての動的スケーリングの概念に基づいて、ワークフローは、ワークフロー内のモジュールごとにカスタム調整されたクラスターを使用するワークフローよりも約 30% 長くかかる傾向があります (平均の場合)。 Vericast はこの分野での最適化を継続し、各クライアント モジュールにヒューリスティック ベースのリソース初期化を組み込むことでソリューションの改善を目指しています。
Vericast の機械学習プラットフォーム担当シニアマネージャーである Sharmo Sarkar 氏は次のように述べています。私たちが協力している AWS プロフェッショナル サービス。 AWS と SageMaker に対する彼らの深い理解により、私たちのニーズをすべて満たし、必要な柔軟性と拡張性を提供するソリューションを設計することができました。 このような才能と知識を備えたサポートチームが私たちの側にいてくれることにとても感謝しています。」
まとめ
この投稿では、SageMaker と SageMaker Processing を使用して、Vericast が大規模なデータ量に対応する、管理されたパフォーマンスとコスト効率の高いデータ処理フレームワークを構築できるようにした方法を共有しました。 SageMaker Processing のパワーと柔軟性を他の AWS サービスと組み合わせることで、一般化された機能エンジニアリング プロセスを簡単に監視できます。 コンピューティング、メモリ、その他の要因の不足によって発生する潜在的な問題を自動的に検出し、必要に応じて垂直方向および水平方向のスケーリングを自動的に実装できます。
SageMaker とそのツールは、チームが ML の目標を達成するのにも役立ちます。 SageMaker Processing の詳細と、SageMaker Processing がデータ処理ワークロードをどのように支援できるかについては、以下を参照してください。 プロセスデータ。 ML を始めたばかりで、例とガイダンスを探している場合は、 Amazon SageMaker ジャンプスタート 始めることができます。 JumpStart は、記事の要約や画像生成などのタスクの実行に役立つ事前トレーニングされた基礎モデルを備えた組み込みアルゴリズムや、一般的なユースケースを解決するための事前構築されたソリューションにアクセスできる ML ハブです。
最後に、この投稿が役に立ったり、問題を解決するきっかけになった場合は、ぜひお知らせください。 コメントやフィードバックをお聞かせください。
著者について
アンソニー・マクルーア AWS SaaS Factory チームのシニア パートナー ソリューション アーキテクトです。 アンソニーは、機械学習と人工知能にも強い関心を持っており、AWS ML/AI テクニカル フィールド コミュニティと協力して、お客様の機械学習ソリューションの実現を支援しています。
ジョティ・シャルマ Vericast の機械学習プラットフォーム チームに所属するデータ サイエンス エンジニアです。 彼女はデータ サイエンスのあらゆる側面に情熱を持っており、拡張性の高い分散型機械学習プラットフォームの設計と実装に重点を置いています。
シャルモ・サーカール Vericast のシニアマネージャーです。 彼は Vericast でクラウド機械学習プラットフォームとマーケティング プラットフォーム ML 研究開発チームを率いています。 彼は、ビッグ データ分析、分散コンピューティング、自然言語処理において豊富な経験を持っています。 仕事以外では、オートバイ、ハイキング、山道でのサイクリングを楽しんでいます。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- プラトアイストリーム。 Web3 データ インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- 未来を鋳造する w エイドリエン・アシュリー。 こちらからアクセスしてください。
- PREIPO® を使用して PRE-IPO 企業の株式を売買します。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :持っている
- :は
- :not
- :どこ
- $UP
- 1
- 10
- 100
- 視聴者の38%が
- 7
- a
- 私たちについて
- アクセス
- それに応じて
- 達成する
- アクティベーション
- 使徒行伝
- 加えます
- 追加されました
- 追加
- NEW
- 十分に
- 後
- に対して
- エイズ
- 目指して
- アラーム
- アルゴリズム
- アルゴリズム
- すべて
- 一人で
- 沿って
- 既に
- また
- Amazon
- アマゾンセージメーカー
- 量
- an
- 分析論
- および
- 別の
- アンソニー
- どれか
- API
- 適切な
- 建築
- です
- AREA
- 周りに
- 記事
- 人工の
- 人工知能
- AS
- 側面
- 側面
- 割り当てられた
- アシスト
- At
- オート
- 自動化する
- 自動的に
- 平均
- AWS
- AWSプロフェッショナルサービス
- ベース
- ベース
- BE
- なぜなら
- になる
- き
- さ
- 利点
- BEST
- 越えて
- ビッグ
- ビッグデータ
- 最大の
- ブースト
- 両言語で
- 持参
- ビルド
- 建物
- 内蔵
- 内蔵
- ビジネス
- 焙煎が極度に未発達や過発達のコーヒーにて、クロロゲン酸の味わいへの影響は強くなり、金属を思わせる味わいと乾いたマウスフィールを感じさせます。
- by
- 計算された
- コール
- キャンペーン
- 缶
- 取得することができます
- キャプチャ
- 場合
- 例
- 原因となる
- 原因
- 一定
- 挑戦
- 変更
- class
- クラス
- 分類
- クライアント
- クライアントのオンボーディング
- クライアント
- クラウド
- クラスタ
- コード
- コラム
- 組み合わせ
- 結合
- comes
- 注釈
- コマンドと
- コミュニティ
- 会社
- コンプリート
- 完了
- 複雑さ
- 複雑な
- コンポーネント
- 損害を受けた
- 計算
- コンピューティング
- コンセプト
- コンセプト
- 検討
- 見なさ
- 考えると
- 考慮する
- 制約
- 含む
- コンテナ
- 続ける
- 続ける
- 費用
- コスト効率の良い
- 可能性
- クーポン
- 作ります
- 作成した
- 創造
- 基準
- Cross
- 電流プローブ
- 現在
- カスタム
- 顧客
- Customers
- データ
- データ分析
- データの準備
- データ処理
- データサイエンス
- データサイエンティスト
- データ駆動型の
- データセット
- 決めます
- 決定
- 専用の
- 深いです
- デルタ
- 人口動態
- 依存
- 展開
- 記載された
- 設計
- 設計
- 設計
- 詳細
- 細部
- 決定
- 開発
- 異なります
- 異なる
- 難しさ
- 直接
- お得な商品
- 話し合います
- 配布
- 分散コンピューティング
- ドリブン
- ドライバー
- 原因
- ダイナミック
- 動的に
- 各
- 前
- 緩和する
- 簡単に
- どちら
- 使用可能
- 可能
- エンジニア
- エンジニアリング
- エンジニア
- 確実に
- 全体
- 環境
- 環境
- 等しい
- 同等の
- 評価する
- 評価します
- 評価
- イベント
- イベント
- 例
- 例
- 除く
- 既存の
- 詳細
- 予想される
- 期待する
- 体験
- 探る
- 表現
- 広範囲
- 豊富な経験
- 要因
- 工場
- フェイル
- 不良解析
- 特徴
- 特徴
- FRBは
- フィードバック
- 少数の
- フィールド
- ファイナル
- ファイナライズ済み
- 名
- フィット
- 柔軟性
- フレキシブル
- 焦点を当て
- フォロー中
- 次
- フォーム
- Foundation
- フレームワーク
- から
- 完全に
- function
- 機能
- さらに
- 未来
- 集まり
- 生成された
- 生成
- 世代
- 取得する
- 受け
- 与えられた
- Go
- 目標
- 目標
- ゴエス
- 良い
- GPU
- 感謝する
- ガイダンス
- 持っていました
- ハンドル
- 起こります
- 持ってる
- 持って
- he
- 聞く
- ヘビー
- 重いもの
- 助けます
- ことができます
- ハイレベル
- 高品質
- 特徴
- 非常に
- history
- 水平な
- 水平に
- 認定条件
- How To
- しかしながら
- HTML
- HTTP
- HTTPS
- ハブ
- 人間
- ハードル
- i
- 特定され
- if
- 説明する
- 画像
- 実装する
- 実装
- 実装
- 重要
- 改善します
- in
- その他の
- 含ま
- 含めて
- 組み込む
- 増える
- 増加した
- 信じられない
- 個人
- 個別に
- 情報
- インフラ
- 初期
- 開始する
- インストルメンタル
- インテリジェンス
- 予定
- 関心
- インタフェース
- 内部
- 介入
- に
- 関係する
- 問題
- 問題
- IT
- ITS
- ジョブ
- Jobs > Create New Job
- JPG
- ただ
- 種類
- 知っている
- 欠如
- 言語
- 大
- 主として
- より大きい
- 後で
- リード
- LEARN
- 学習
- 最低
- 図書館
- フェイスリフト
- 制限
- 制限
- 制限
- リスト
- 少し
- ログ
- ロギング
- 論理的な
- より長いです
- 探して
- 失う
- 愛
- 機械
- 機械学習
- 維持する
- 保守
- 維持
- make
- 作る
- 作成
- マネージド
- マネージャー
- 操作
- 方法
- 多くの
- マーケティング
- math
- 五月..
- 大会
- メモリ
- メッセージ
- メトリック
- メトリック
- かもしれない
- マインド
- 最小限の
- ML
- モデル
- モジュール
- モジュール
- 瞬間
- モニター
- 監視対象
- モニタリング
- モニター
- 他には?
- 最も
- 主に
- 山
- の試合に
- しなければなりません
- ナチュラル
- 自然言語処理
- 自然
- 必要
- 必要とされる
- 必要
- ニーズ
- 新作
- ノード
- 特に
- 知らせ..
- 通知
- 通知
- 今
- 数
- 目的
- 観察する
- of
- 頻繁に
- on
- オンデマンド
- オンボード
- 新人研修
- ONE
- 継続
- の
- オペレータ
- 最適な
- 最適化
- 最適化
- or
- オリジナル
- その他
- 私たちの
- でる
- 結果
- 出力
- 外側
- が
- 全体
- 克服する
- 概要
- パラメータ
- 部
- 特定の
- パートナー
- 通過
- 情熱的な
- パターン
- 割合
- 実行する
- パフォーマンス
- おそらく
- 期間
- 視点
- 画像
- パイプライン
- 場所
- 計画されました
- プラットフォーム
- プラットフォーム
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- プレイ
- 演劇
- お願いします
- さらに
- ポイント
- ポイント
- 貧しいです
- 可能
- ポスト
- 潜在的な
- 電力
- 予測
- 前
- 多分
- 問題
- 問題
- プロセス
- 処理済み
- 処理
- 作り出す
- プロダクト
- 生産
- プロ
- 提供します
- 提供
- は、大阪で
- 置きます
- 品質
- クイック
- より速い
- R&D
- むしろ
- Raw
- リーチ
- 読む
- 準備
- 現実
- 理由
- 記録
- 回復する
- 回復
- 電話代などの費用を削減
- 指し
- 関連する
- 関連した
- 残る
- 残り
- レポート
- の提出が必要です
- 要件
- リソースを追加する。
- リソース
- 反応します
- 結果
- 結果として
- 堅牢な
- 職種
- 大体
- ルール
- ラン
- ランニング
- SaaSの
- セージメーカー
- 同じ
- 言う
- スケーラビリティ
- ド電源のデ
- 規模
- スケーリング
- スケーリングソリューション
- シナリオ
- 科学
- 科学者
- 科学者たち
- 秒
- セクション
- 選択
- 選択
- 送信
- 送る
- シニア
- 感度
- 別
- 切り離す
- サービス
- サービス
- セッションに
- セット
- いくつかの
- シェアする
- shared
- シャルマ
- 彼女
- 示す
- 作品
- 側
- 重要
- 同様の
- 簡単な拡張で
- サイズ
- So
- 溶液
- ソリューション
- 解決する
- スペース
- 特定の
- 特に
- スピード
- スピン
- ステージ
- 標準
- スタンド
- start
- 開始
- 開始
- 都道府県
- Status:
- 手順
- ステップ
- まだ
- 停止
- 停止
- 停止する
- ストレージ利用料
- 店舗
- 文字列
- 強い
- 構造化された
- 加入者
- 成功
- 首尾よく
- そのような
- サポート
- システム
- テーブル
- テーラード
- 取る
- 取り
- 有能な
- 仕事
- タスク
- チーム
- チーム
- 技術的
- 条件
- より
- それ
- 未来
- アプリ環境に合わせて
- それら
- その後
- そこ。
- したがって、
- ボーマン
- 彼ら
- 三番
- この
- それらの
- 三
- しきい値
- 介して
- 時間
- <font style="vertical-align: inherit;">回数</font>
- 〜へ
- 一緒に
- 豊富なツール群
- トータル
- トレーニング
- トレーニング
- トランザクション
- 取引の詳細
- 最適化の適用
- 変換
- 変換
- トリガー
- トリガ
- 2
- type
- 典型的な
- 下
- 理解する
- ユニット
- まで
- 更新しました
- us
- 使用可能な
- 使用法
- つかいます
- 使用事例
- 中古
- 値
- さまざまな
- 垂直
- ボリューム
- ボリューム
- vs
- wanted
- ました
- 見ている
- 仕方..
- we
- WELL
- いつ
- which
- 誰
- 全体
- 完全に
- 意志
- win
- 以内
- 仕事
- ワークフロー
- ワーキング
- 作品
- もっと悪い
- でしょう
- 書き込み
- まだ
- 産出
- You
- あなたの
- ゼファーネット