2021年に、 AWS サポート プロアクティブ サービス の一部として AWSエンタープライズサポート 募集。 導入以来、当社は何百ものお客様のワークロードの最適化、ガードレールの設定、機械学習 (ML) ワークロードのコストと使用状況の可視性の向上を支援してきました。
この一連の投稿では、コストの最適化について学んだ教訓を共有します。 アマゾンセージメーカー。 に 第1部の使用を開始する方法を説明しました。 AWSコストエクスプローラー SageMaker でのコスト最適化の機会を特定します。 この投稿では、SageMaker の使用状況を分析し、SageMaker ノートブック インスタンスとコストの最適化の機会を特定するためのさまざまな方法に焦点を当てます。 Amazon SageMakerスタジオ.
SageMakerノートブックインスタンス
A SageMakerノートブックインスタンス Jupyter Notebook アプリを実行するフルマネージドのコンピューティング インスタンスです。 SageMaker は、インスタンスと関連リソースの作成を管理します。 ノートブックには、ML ワークフローの実行または再作成に必要なものがすべて含まれています。 ノートブック インスタンスで Jupyter ノートブックを使用して、データの準備と処理、モデルをトレーニングするためのコードの作成、SageMaker Hosting へのモデルのデプロイ、およびモデルのテストまたは検証を行うことができます。 SageMaker ノートブック インスタンスのコストは、ノートブック インスタンスの実行中に消費されるインスタンス時間と、プロビジョニングされたストレージの GB/月のコストに基づいています (概要を参照)。 Amazon SageMakerの価格.
Cost Explorer では、フィルターを適用してノートブックのコストをフィルターできます。 使用タイプ。 これらの使用タイプの名前は次のように構成されています。
REGION-Notebk:instanceType
(例えば、USE1-Notebk:ml.g4dn.8xlarge
)REGION-Notebk:VolumeUsage.gp2
(例えば、USE2-Notebk:VolumeUsage.gp2
)
使用タイプによるフィルタリング Notebk:
アカウント内のノートブックの使用タイプのリストが表示されます。 次のスクリーンショットに示すように、選択できます すべてを選択します。 選択して 申し込む ノートブックの使用コストの内訳を表示します。
選択したノートブックの使用タイプのコストの内訳を使用時間数ごとに表示するには、すべての選択を解除する必要があります。 REGION-Notebk:VolumeUsage.gp2
前述のリストから使用タイプを選択し、 申し込む フィルターを適用します。 次のスクリーンショットは、選択したノートブックの使用タイプのコストと使用量のグラフを示しています。
アカウント番号などの追加のフィルターを適用することもできます。 アマゾン エラスティック コンピューティング クラウド (Amazon EC2) インスタンスタイプ、コスト割り当てタグ、リージョン、 もっと。 粒度を変更すると、 毎日 次のスクリーンショットに示すように、選択した使用量のタイプとディメンションに基づいて、日次のコストと使用量のグラフが表示されます。
前の例では、USE2 リージョンの ml.t2.medium 型のノートブック インスタンスは、24 月 2 日から 26 月 3 日までの期間の 1 日あたり 24 時間の使用量を報告しています。同様に、USE3 リージョンの ml.t26.medium 型のノートブック インスタンスは、 USE48 リージョンでは、26 月 31 日から 24 月 XNUMX 日までは XNUMX 日あたりの使用量が XNUMX 時間、XNUMX 月 XNUMX 日から XNUMX 月 XNUMX 日までは XNUMX 日あたりの使用量が XNUMX 時間であると報告されています。毎日の使用量が複数日連続で XNUMX 時間以上である場合は、ノートブック インスタンスが数日間実行されたままになっていますが、アクティブには使用されていません。 このタイプのパターンでは、アイドル状態のランタイムを防ぐためにノートブック インスタンスを手動または自動でシャットダウンするなどのコスト管理ガードレールを適用するとメリットが得られる可能性があります。
Cost Explorer は、インスタンス タイプの粒度でコストと使用状況データを理解するのに役立ちますが、 AWS のコストと使用状況レポート (AWS CUR) を使用して、ノートブック ARN などのリソースの粒度でデータを取得します。 標準 SQL を使用して AWS CUR データを検索するカスタムクエリを構築できます。 クエリにコスト割り当てタグを含めて、粒度をさらに高めることもできます。 次のクエリは、AWS CUR データから過去 3 か月のノートブック リソース使用量を返します。
次のスクリーンショットは、次を使用して AWS CUR クエリを実行して得られた結果を示しています。 アマゾンアテナ。 Athena の使用の詳細については、以下を参照してください。 Amazon Athena を使用したコストと使用状況レポートのクエリ.
クエリの結果は、そのノートブックを示します dev-notebook
ml.t2.medium インスタンスで実行されている場合、連続した数日間で 24 時間の使用量が報告されています。 インスタンスのレートは 0.0464 ドル/時間、24 時間実行した場合の 1.1136 日あたりのコストは XNUMX ドルです。
AWS CUR クエリの結果は、連続して実行されるノートブックのパターンを特定するのに役立ち、コストの最適化のために分析できます。 詳細とクエリの例については、 AWS CUR クエリ ライブラリ.
AWS CUR データをフィードすることもできます。 アマゾンクイックサイト, レポートや視覚化の目的で、任意の方法でスライスしたり、細かくしたりできます。 AWS CUR データを QuickSight に取り込む手順については、を参照してください。 AWS のコストと使用状況レポート (CUR) を Amazon QuickSight に取り込んで視覚化する方法.
ノートブック インスタンスのコストを最適化する
SageMaker ノートブックは、インタラクティブなデータ探索、スクリプト作成、特徴量エンジニアリングのプロトタイピング、モデリングなどの ML モデル開発に適しています。 これらのタスクにはそれぞれ、さまざまなコンピューティング リソース要件がある場合があります。 さまざまなワークロードに対応するために適切なタイプのコンピューティング リソースを見積もることは困難であり、リソースの過剰プロビジョニングにつながり、結果としてコストが増加する可能性があります。
ML モデル開発の場合、SageMaker ノートブック インスタンスのサイズは、有意義な探索的データ分析 (EDA) のためにメモリ内にロードする必要があるデータの量と必要な計算量によって異なります。 汎用インスタンス (T または M ファミリなど) で小規模に開始し、必要に応じてスケールアップすることをお勧めします。 たとえば、ml.t2.medium は、ほとんどの基本的なデータ処理、特徴量エンジニアリング、および 4 GB メモリ内に保持できる小規模なデータセットを扱う EDA には十分です。 モデルの開発に大量の計算作業 (画像処理など) が含まれる場合は、小さいノートブック インスタンスを停止し、インスタンス タイプを目的の大きいインスタンス (ml.c5.xlarge など) に変更できます。 より大きなインスタンスが必要なくなった場合は、より小さなインスタンスに戻すことができます。 これにより、コンピューティング コストを抑えることができます。
ノートブック インスタンスのコストを削減するには、次のベスト プラクティスを検討してください。
CPU と GPU
適切なサイズ設定など、CPU と GPU のノートブック インスタンスを考慮することが重要です。 CPU は単一のより複雑な計算を順番に処理することに優れていますが、GPU は複数の単純な計算を並列に処理することに優れています。 多くのユースケースでは、M などのインスタンス ファミリの標準的な現行世代のインスタンス タイプは、ノートブックが良好に動作するのに十分なコンピューティング能力、メモリ、およびネットワーク パフォーマンスを提供します。
GPU を効果的に活用すると、優れた価格/パフォーマンス比が得られます。 たとえば、SageMaker ノートブックでディープ ラーニング モデルをトレーニングしていて、ニューラル ネットワークが比較的大きく、数十万のパラメーターを含む多数の計算を実行する場合、モデルは高速化されたコンピューティングとハードウェア並列処理を利用できます。 P インスタンス ファミリなどの GPU インスタンスによって。 ただし、GPU インスタンスは高価であり、ノートブックで必要がない場合は GPU 通信のオーバーヘッドによってパフォーマンスが低下する可能性があるため、本当に必要な場合にのみ GPU インスタンスを使用することをお勧めします。 インタラクティブな構築にはコンピューティングのより小さいインスタンスを備えたノートブックを使用し、GPU 対応インスタンスを含むより大きなインスタンスを使用して、重労働を一時的なトレーニング、チューニング、ジョブの処理に任せることをお勧めします。 この方法では、ノートブックで大規模なインスタンス (または GPU) を常に実行し続ける必要がなくなります。 ノートブック環境で高速コンピューティングが必要な場合は、m* ファミリ ノートブック インスタンスを停止し、GPU 対応の P* ファミリ インスタンスに切り替えて、再度起動することができます。 開発環境で追加のブーストが必要なくなったら、忘れずに元に戻してください。
ユーザーアクセスを特定のインスタンスタイプに制限する
管理者は、ユーザーが大きすぎるノートブックを作成できないように制限できます。 AWS IDおよびアクセス管理 (IAM) ポリシー。 たとえば、次のサンプル ポリシーでは、ユーザーはより小さい t3 SageMaker ノートブック インスタンスの作成のみを許可されます。
管理者も使用できます AWSサービスカタログ SageMaker ノートブックのセルフサービスを可能にします。 これにより、ノートブックの作成時にユーザーが使用できるインスタンス タイプを制限できます。 詳細については、を参照してください。 Amazon SageMaker ノートブックと AWS Service Catalog を使用して、セルフサービスで安全なデータサイエンスを実現します。 および AWS Control Tower 環境で AWS Service Catalog と AWS SSO を使用して Amazon SageMaker Studio を起動する.
アイドル状態のノートブック インスタンスを停止する
コストを抑えるために、ノートブック インスタンスが必要ないときは停止し、必要なときに起動することをお勧めします。 アイドル状態のノートブック インスタンスを自動検出し、 ライフサイクル構成スクリプト。 例えば、 オートストップアイドル これは、SageMaker ノートブックが 1 時間以上アイドル状態になったときに停止するサンプル シェル スクリプトです。
AWSは、 ノートブックライフサイクル構成スクリプトのパブリックリポジトリ アイドル状態のノートブックを停止するためのサンプルbashスクリプトなど、ノートブックインスタンスをカスタマイズするための一般的な使用例に対応しています。
ノートブック インスタンスの自動開始と自動停止をスケジュールする
ノートブックのコストを節約するもう XNUMX つのアプローチは、特定の時間にノートブックを自動的に開始および停止することです。 これを実現するには、次のようにします。 アマゾンイベントブリッジ ルールと AWSラムダ 関数。 Lambda関数の構成の詳細については、 Lambda 関数オプションの構成。 関数を作成した後、特定のスケジュールでこれらの関数をトリガーするルールを作成できます。たとえば、平日の毎朝 7:00 にノートブックを開始するなどです。 見る スケジュールに従って実行する Amazon EventBridge ルールの作成 指示のために。 Lambda 関数を使用してノートブックを開始および停止するスクリプトについては、を参照してください。 Amazon SageMaker で効率的なコンピューティング リソースを確保する.
SageMaker スタジオ
Studio は、データ サイエンティストが ML モデルを対話的に構築、トレーニング、デプロイするためのフルマネージド ソリューションを提供します。 スタジオノートブック は、コンピューティング インスタンスとファイル ストレージを事前に設定する必要がないため、ワンクリックですぐに起動できる共同作業用の Jupyter ノートブックです。 ノートブックの実行に選択したコンピューティング インスタンス タイプに対して、使用期間に基づいて料金が発生します。 スタジオの使用には追加料金はかかりません。 Studio ノートブック、インタラクティブ シェル、コンソール、ターミナルの実行にかかるコストは、ML コンピューティング インスタンスの使用量に基づきます。
リソースは、起動されると、選択したインスタンス タイプの ML コンピューティング インスタンス上で実行されます。 そのタイプのインスタンスが以前に起動されていて使用可能な場合、リソースはそのインスタンス上で実行されます。 CPU ベースのイメージの場合、デフォルトで推奨されるインスタンス タイプは ml.t3.medium です。 GPU ベースのイメージの場合、デフォルトで推奨されるインスタンス タイプは ml.g4dn.xlarge です。 課金はインスタンスごとに発生し、特定のインスタンス タイプの最初のインスタンスが起動されたときに開始されます。
料金が発生するリスクを冒さずにノートブックを作成したり開いたりしたい場合は、 File メニューと選択 カーネルなし カーネルを選択 ダイアログ。 カーネルを実行していなくてもノートブックの読み取りと編集はできますが、セルを実行することはできません。 インスタンスごとに個別に請求されます。 インスタンス上のすべての KernelGateway アプリがシャットダウンされるか、インスタンスがシャットダウンされると、課金は終了します。 料金の例と請求の詳細については、を参照してください。 Amazon SageMaker の価格。
Cost Explorer では、フィルタを適用して Studio ノートブックのコストをフィルタリングできます。 使用タイプ。 この使用タイプの名前は次のように構成されています。 REGION-studio:KernelGateway-instanceType
(例えば、 USE1-Studio:KernelGateway-ml.m5.large
)
使用タイプによるフィルタリング studio:
Cost Explorer では、アカウント内の Studio 使用タイプのリストが表示されます。 必要な使用タイプを選択するか、 すべてを選択します。 選択して 申し込む Studio アプリの使用料金の内訳を表示します。 次のスクリーンショットは、すべての選択を示しています。 studio
コスト分析のための使用タイプ。
リージョン、リンクされたアカウント、インスタンス タイプなどの追加のフィルターを適用して、より詳細なコスト分析を行うこともできます。 粒度を変更すると、 毎日 次のスクリーンショットに示すように、選択した使用量のタイプとディメンションに基づいて、毎日のコストと使用量のグラフが表示されます。
前述の例では、USE3 リージョンの ml.t1.medium タイプの Studio KernelGateway インスタンスは、48 月 1 日から 24 月 24 日までの期間で 11 日あたり 5 時間の使用量を報告し、その後 1 月 24 日までは 1 日あたり 23 時間の使用量を報告します。同様に、USE24 リージョンの ml.mXNUMX.large タイプの Studio KernelGateway インスタンスは、XNUMX 月 XNUMX 日から XNUMX 月 XNUMX 日までの毎日 XNUMX 時間の使用量を報告しています。毎日の使用量が複数日連続で XNUMX 時間以上である場合は、Studio ノートブック インスタンスが実行されている可能性があることを示しています。数日間連続して。 このタイプのパターンでは、Studio アプリを使用していないときに手動または自動でシャットダウンするなど、コスト管理のガードレールを適用するとメリットが得られる可能性があります。
前述したように、AWS CUR を使用すると、リソースの粒度でデータを取得し、標準 SQL を使用して AWS CUR データを検索するためのカスタムクエリを構築できます。 クエリにコスト割り当てタグを含めて、粒度をさらに高めることもできます。 次のクエリは、AWS CUR データから過去 3 か月の Studio KernelGateway リソース使用量を返します。
次のスクリーンショットは、Athena を使用して AWS CUR クエリを実行して得られた結果を示しています。
クエリの結果は、Studio KernelGateway アプリが datascience-1-0-ml-t3-medium-1abf3407f667f989be9d86559395
アカウントで実行中 111111111111
、スタジオ ドメイン d-domain1234
、ユーザープロフィール user1
ml.t3.medium インスタンスでは、連続した数日間で 24 時間の使用量が報告されています。 インスタンス料金は 0.05 ドル/時間、24 時間実行した場合の 1.20 日あたりのコストは XNUMX ドルです。
AWS CUR クエリの結果は、時間単位または日単位の使用量の粒度レベルで連続して数日間実行されるリソースのパターンを特定するのに役立ち、コストの最適化のために分析できます。 SageMaker ノートブックと同様に、レポートや視覚化の目的で AWS CUR データを QuickSight にフィードすることもできます。
SageMakerデータラングラー
AmazonSageMakerデータラングラー は、ローコードのビジュアル インターフェイスからデータ準備と特徴量エンジニアリングのプロセスを簡素化するのに役立つ Studio の機能です。 Studio Data Wrangler アプリの使用タイプ名は次のように構成されます。 REGION-Studio_DW:KernelGateway-instanceType
(例えば、 USE1-Studio_DW:KernelGateway-ml.m5.4xlarge
).
使用タイプによるフィルタリング studio_DW:
Cost Explorer では、アカウント内の Studio Data Wrangler の使用タイプのリストが表示されます。 必要な使用タイプを選択するか、 すべてを選択します。 選択して 申し込む Studio Data Wrangler アプリの使用量のコストの内訳を表示します。 次のスクリーンショットは、すべての選択を示しています。 studio_DW
コスト分析のための使用タイプ。
前述したように、追加のフィルターを適用して、より詳細なコスト分析を行うこともできます。 たとえば、次のスクリーンショットは、USE24 リージョンでの Studio Data Wrangler インスタンス タイプ ml.m5.4xlarge の毎日 1 時間の複数日間の使用量と、それに関連するコストを示しています。 このような分析情報は、Studio アプリを使用していないときにシャットダウンするなどのコスト管理措置を適用するために使用できます。
AWS CUR からリソースレベルの情報を取得し、標準 SQL を使用して AWS CUR データを検索するカスタムクエリを構築できます。 次のクエリは、AWS CUR データから過去 3 か月の Studio Data Wrangler アプリのリソース使用量と関連コストを返します。
SELECT bill_payer_account_id, line_item_usage_account_id, line_item_resource_id AS studio_notebook_arn, line_item_usage_type, DATE_FORMAT((line_item_usage_start_date),'%Y-%m-%d') AS day_line_item_usage_start_date, SUM(CAST(line_item_usage_amount AS DOUBLE)) AS sum_line_item_usage_amount, line_item_unblended_rate, SUM(CAST(line_item_unblended_cost AS DECIMAL(16,8))) AS sum_line_item_unblended_cost, line_item_blended_rate, SUM(CAST(line_item_blended_cost AS DECIMAL(16,8))) AS sum_line_item_blended_cost, line_item_line_item_description, line_item_line_item_type FROM {$table_name} WHERE line_item_usage_start_date >= date_trunc('month',current_date - interval '3' month) AND line_item_product_code = 'AmazonSageMaker' AND line_item_line_item_type IN ('DiscountedUsage', 'Usage', 'SavingsPlanCoveredUsage') AND line_item_usage_type like '%Studio_DW:KernelGateway%' AND line_item_operation = 'RunInstance' AND bill_payer_account_id = 'xxxxxxxxxxxx' GROUP BY bill_payer_account_id, line_item_usage_account_id, line_item_resource_id, line_item_usage_type, line_item_unblended_rate, line_item_blended_rate, line_item_line_item_type, DATE_FORMAT((line_item_usage_start_date),'%Y-%m-%d'), line_item_line_item_description ORDER BY line_item_resource_id, day_line_item_usage_start_date
次のスクリーンショットは、Athena を使用して AWS CUR クエリを実行して得られた結果を示しています。
クエリの結果は、Studio Data Wrangler アプリが sagemaker-data-wrang-ml-m5-4xlarge-b741c1a025d542c78bb538373f2d
アカウントで実行中 111111111111
, スタジオ ドメイン d-domain1234
、ユーザープロフィール user1
ml.m5.4xlarge インスタンス上の は、連続した数日間で 24 時間の使用量を報告しています。 インスタンスの料金は 0.922 ドル/時間で、24 時間実行した場合の 22.128 日あたりのコストは XNUMX ドルです。
スタジオのコストを最適化する
Studio ノートブックは、使用期間に基づいて、選択したインスタンス タイプに対して課金されます。 料金の発生を停止するには、インスタンスをシャットダウンする必要があります。 インスタンス上で実行されているノートブックをシャットダウンしても、インスタンスをシャットダウンしない場合でも、料金が発生します。 Studio ノートブック インスタンスをシャットダウンすると、SageMaker エンドポイントなどの追加のリソースがすべてシャットダウンされます。 アマゾンEMR クラスター、および Amazon シンプル ストレージ サービス Studio から作成された (Amazon S3) バケットは削除されません。 料金の発生を停止するためにそれらのリソースが不要になった場合は、それらのリソースを削除します。 Studio リソースのシャットダウンの詳細については、次を参照してください。 リソースをシャットダウンする。 Data Wrangler を使用している場合は、コストを節約するために、作業が完了したら Data Wrangler をシャットダウンすることが重要です。 詳細については、を参照してください。 データラングラーをシャットダウンする.
Studio ノートブックのコストを削減するには、次のベスト プラクティスを検討してください。
アイドル状態の Studio ノートブック インスタンスを自動的に停止する
アイドル状態の Studio ノートブック リソースを自動的に停止するには、 ライフサイクル構成 スタジオで。 で入手可能な JupyterLab 拡張機能をインストールして使用することもできます。 GitHubの Studio ライフサイクル構成として。 Studio アーキテクチャと拡張機能の追加に関する詳細な手順については、「 Amazon SageMaker Studio 内のアイドル状態のリソースを自動的にシャットダウンしてコストを節約.
その場でサイズを変更する
ノートブック インスタンスに対する Studio ノートブックの利点は、Studio を使用すると、基礎となる コンピューティングリソースは完全に柔軟であり、インスタンスをその場で変更できます。 これにより、コンピューティング需要の変化に応じて、作業やインフラストラクチャの管理を中断することなく、たとえば ml.t3.medium から ml.m5.4xlarge にコンピューティングをスケールアップおよびスケールダウンできます。 あるインスタンスから別のインスタンスへの移動はシームレスであり、インスタンスの起動中も作業を続けることができます。 オンデマンド ノートブック インスタンスの場合は、インスタンスを停止し、設定を更新し、新しいインスタンス タイプで再起動する必要があります。 詳細については、を参照してください。 Amazon SageMaker StudioでオンザフライでMLインスタンスを選択する方法を学ぶ.
ユーザーアクセスを特定のインスタンスタイプに制限する
管理者は IAM を使用できます 条件キー 特定のユーザーに対して GPU インスタンスなどの特定のインスタンス タイプを制限し、コストを制御する効果的な方法として使用されます。 たとえば、次のサンプル ポリシーでは、ml.t3.medium と ml.g4dn.xlarge を除くすべてのインスタンスのアクセスが拒否されます。 デフォルトの Jupyter Server アプリのシステム インスタンスを許可する必要があることに注意してください。
Studio のコストを最適化するためのベスト プラクティスに関する包括的なガイダンスについては、以下を参照してください。 Amazon SageMaker で効率的なコンピューティング リソースを確保する.
タグを使用して Studio のコストを追跡する
Studio では、カスタム タグを Studio に割り当てることができます ドメイン と同様 users ドメインへのアクセスがプロビジョニングされているユーザー。 Studio はこれらのタグを自動的にコピーして、 スタジオノートブック ユーザーによって作成されるため、Studio ノートブックのコストを簡単に追跡および分類し、組織向けのコスト チャージバック モデルを作成できます。
デフォルトでは、SageMaker は、トレーニング ジョブ、処理ジョブ、実験、パイプライン、モデル レジストリ エントリなどの新しい SageMaker リソースにそれぞれのタグを自動的に付けます。 sagemaker:domain-arn
. SageMaker は、リソースに次のタグも付けます。 sagemaker:user-profile-arn
or sagemaker:space-arn
さらに細かいレベルでリソースの作成を指定します。
管理者は自動タグ付けを使用して、次のようなツールを使用して、基幹業務、チーム、個々のユーザー、または個々のビジネスの問題に関連するコストを簡単に監視できます。 AWS 予算 そしてコストエクスプローラー。 たとえば、 コスト配分タグ sagemaker:domain-arn
タグ。
これにより、Cost Explorer を利用して、特定のドメインの Studio ノートブックの支出を視覚化できるようになります。
保管コストを考慮する
チームの最初のメンバーが Studio にオンボードすると、SageMaker は AmazonElasticファイルシステム チームの (Amazon EFS) ボリューム。 このメンバー、またはチームのメンバーが Studio を開くと、そのメンバーのボリュームにホーム ディレクトリが作成されます。 このディレクトリにはストレージ料金が発生します。 その後、メンバーのホーム ディレクトリに保存されたノートブックとデータ ファイルに対して追加の保管料金が発生します。 詳細については、「」を参照してください。 Amazon EFS の料金。
まとめ
この投稿では、ノートブック インスタンスと Studio を使用して ML モデルを構築する際のコスト分析とベスト プラクティスに関するガイダンスを提供しました。 機械学習が業界全体で強力なツールとしての地位を確立するにつれて、ML モデルのトレーニングと実行はコスト効率を維持する必要があります。 SageMaker は、ML パイプラインの各ステップを促進するための幅広く深い機能セットを提供し、パフォーマンスや俊敏性に影響を与えることなくコストを最適化する機会を提供します。
著者について
ディーパリ・ラジャレ AWS のシニア AI/ML スペシャリストです。 彼女は企業顧客と協力して、AWS エコシステムで AI/ML ソリューションをデプロイおよび維持するためのベストプラクティスに関する技術ガイダンスを提供しています。 彼女は、NLP とコンピューター ビジョンを含むさまざまな深層学習のユースケースについて、幅広い組織と協力してきました。 彼女は、組織が生成 AI を活用して使用エクスペリエンスを向上できるようにすることに情熱を注いでいます。 余暇には、映画、音楽、文学を楽しんでいます。
ユリ・ローゼンバーグ は、ヨーロッパ、中東、アフリカの AI および ML スペシャリスト テクニカル マネージャーです。 Uri はイスラエルに拠点を置き、ML に関するあらゆる分野で企業顧客が大規模に設計、構築、運用できるよう支援することに取り組んでいます。 余暇には、サイクリング、ハイキング、朝食、昼食、夕食を楽しんでいます。
- 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/part-2-analyze-amazon-sagemaker-spend-and-determine-cost-optimization-opportunities-based-on-usage-part-2-sagemaker-notebooks-and-studio/
- :持っている
- :は
- :not
- :どこ
- ][p
- $UP
- 1
- 100
- 11
- 14
- 視聴者の38%が
- 20
- 2021
- 23
- 24
- 視聴者の38%が
- 31
- 7
- 8
- a
- 私たちについて
- 加速された
- アクセス
- こちらからお申し込みください。
- 越えて
- Action
- アクティブ
- 追加
- NEW
- 住所
- 利点
- アフリカ
- 後
- 再び
- AI
- AI / ML
- すべて
- 配分
- 許す
- ことができます
- 沿って
- また
- am
- Amazon
- Amazon EC2
- アマゾンセージメーカー
- Amazon SageMakerスタジオ
- Amazon Webサービス
- 量
- an
- 分析
- 分析
- 分析します
- および
- 別の
- どれか
- アプリ
- 申し込む
- 適用
- アプローチ
- アプリ
- 建築
- です
- AS
- 関連する
- At
- アタッチ
- 8月
- 自動化
- オートマチック
- 自動的に
- 利用できます
- AWS
- バック
- ベース
- bash
- 基本
- BE
- なぜなら
- き
- 恩恵
- BEST
- ベストプラクティス
- より良いです
- の間に
- ビッグ
- 請求
- ブースト
- 内訳
- あさごはん
- ビルド
- 建物
- 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
- 缶
- 例
- カタログ
- 細胞
- 一定
- 挑戦
- 変化する
- 変更
- 変化
- チャージ
- 荷担した
- 課金
- チャート
- 選択する
- 選ばれた
- コード
- 共同
- コマンドと
- コミュニケーション
- 複雑な
- 包括的な
- 計算
- 計算
- コンピュータ
- Computer Vision
- コンピューティング
- コンピューティングパワー
- 条件
- 連続した
- 検討
- コンソール
- 絶えず
- 消費
- 含む
- 続ける
- 連続的に
- コントロール
- 管制塔
- 制御
- 費用
- コスト効率の良い
- コスト
- 可能性
- 作ります
- 作成した
- 作成します。
- 作成
- 創造
- 電流プローブ
- カスタム
- Customers
- daily
- データ
- データの準備
- データ処理
- データサイエンス
- データセット
- 日
- 特価
- 12月
- 深いです
- 深い学習
- デフォルト
- 需要
- 依存
- 展開します
- 展開する
- 設計
- 希望
- 詳細な
- 細部
- 決定する
- 開発
- 対話
- 次元
- 夕食
- ディスプレイ
- do
- そうではありません
- ドメイン
- 行われ
- ドント
- ダウン
- デュレーション
- 各
- 前
- 簡単に
- 東
- エコシステム
- 効果
- 効果的な
- 効果的に
- 効率的な
- エンパワー
- エンパワーメント
- 終了
- エンジニアリング
- 高めます
- 十分な
- Enterprise
- 環境
- 確立する
- ヨーロッパ
- さらに
- あらゆる
- すべてのもの
- 例
- 例
- 除く
- 高価な
- 体験
- 実験
- 探査
- エクスプローラ
- 余分な
- 容易化する
- 家族
- 家族
- 特徴
- 2月
- File
- filter
- フィルター
- 名
- フォーカス
- 続いて
- フォロー中
- 次
- 発見
- から
- 完全に
- function
- 機能
- 一般的用途
- 世代
- 生々しい
- 生成AI
- 取得する
- 与えられた
- 与える
- GPU
- GPU
- グラフ
- 素晴らしい
- グループ
- ガイダンス
- ハンドリング
- Hardware
- 持ってる
- he
- ヘビー
- 重いもの
- ヒーロー
- 助けます
- 助けました
- ことができます
- 彼女の
- 彼の
- ホーム
- ホスティング
- 時間
- HOURS
- 認定条件
- How To
- しかしながら
- HTML
- HTTP
- HTTPS
- 何百
- i
- 識別する
- アイデンティティ
- アイドル
- if
- 画像
- 画像
- 影響を与える
- 重要
- 改善します
- in
- include
- 含ま
- 含めて
- 増加した
- 示す
- を示し
- 個人
- 産業
- 情報
- インフラ関連事業
- 洞察
- install
- 説明書
- 相互作用的
- インタフェース
- に
- 概要
- 関与
- イスラエル
- IT
- ITS
- 自体
- 1月
- 24年 XNUMX月
- Jobs > Create New Job
- JPG
- 7月
- キープ
- 大
- より大きい
- 姓
- 打ち上げ
- 起動
- つながる
- 学んだ
- 学習
- 残す
- 左
- レッスン
- 教訓
- レベル
- 活用します
- wifecycwe
- フェイスリフト
- ような
- LINE
- リンク
- リスト
- レポート
- 負荷
- より長いです
- 見て
- ランチ
- 機械
- 機械学習
- 保守
- 維持
- マネージド
- マネージャー
- 管理する
- 管理する
- マニュアル
- 多くの
- 五月..
- 意味のある
- 措置
- ミディアム
- メンバー
- メモリ
- 言及した
- メニュー
- 真ん中
- 中東
- かもしれない
- ML
- モデリング
- モデル
- モニター
- 月
- ヶ月
- 他には?
- 最も
- 動画
- 移動する
- の試合に
- 音楽を聴く際のスピーカーとして
- しなければなりません
- 名
- 名前付き
- 名
- 必要
- 必要
- 必要とされる
- ニーズ
- ネットワーク
- ニューラルネットワーク
- 新作
- NLP
- いいえ
- ノート
- 注意
- 数
- 入手する
- 得
- of
- 提供
- 提供すること
- オファー
- on
- オンデマンド
- ONE
- の
- 開いた
- 開きます
- 操作する
- 機会
- 最適化
- 最適化
- 最適化
- or
- 注文
- 組織
- 組織
- でる
- 概説
- が
- 並列シミュレーションの設定
- パラメータ
- 部
- 情熱的な
- パターン
- パターン
- 実行する
- パフォーマンス
- 実行
- 期間
- パイプライン
- 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
- ポリシー
- 方針
- 可能性
- ポスト
- 投稿
- 電力
- 強力な
- プラクティス
- 準備
- 準備
- 防ぐ
- 前に
- 価格設定
- 先を見越した
- 問題
- プロセス
- 処理
- プロフィール
- プロトタイピング
- 提供します
- 提供
- は、大阪で
- 提供
- 目的
- クエリ
- すぐに
- 範囲
- レート
- 比
- 読む
- 本当に
- 推奨する
- 推奨される
- 減らします
- 地域
- レジストリ
- 関連する
- 相対的に
- 残る
- レポート
- 各種レポート作成
- レポート
- 倉庫
- の提出が必要です
- 要件
- リソースを追加する。
- リソース
- それらの
- 制限する
- 結果
- 結果として
- 結果
- 収益
- 右
- リスク
- ルール
- ルール
- ラン
- ランニング
- セージメーカー
- Save
- 規模
- スケーリング
- スケジュール
- 科学
- 科学者たち
- スクリプト
- シームレス
- セキュア
- 選択
- 選択
- セルフサービス
- シニア
- 9月
- シリーズ
- 役立つ
- サービス
- サービス
- セッションに
- 設定
- シェアする
- 彼女
- シェル(Shell)
- 表示する
- 示されました
- 示す
- 作品
- シャットダウン
- shutdown
- シャットダウン
- 同様に
- 簡単な拡張で
- 簡素化する
- から
- サイズ
- スライス
- 小さい
- より小さい
- So
- 溶液
- ソリューション
- 専門家
- 特定の
- 過ごす
- 回転した
- 標準
- start
- 開始
- 起動
- 開始
- 手順
- まだ
- Force Stop
- 停止
- 停止する
- ストレージ利用料
- 保存され
- 構造化された
- 研究
- 続いて
- そのような
- 十分な
- 適当
- サポート
- プロアクティブをサポート
- スイッチ
- TAG
- 取る
- タスク
- チーム
- チーム
- 技術的
- test
- より
- それ
- アプリ環境に合わせて
- それら
- その後
- そこ。
- それによって
- ボーマン
- 彼ら
- 物事
- この
- それらの
- 数千
- 介して
- 時間
- <font style="vertical-align: inherit;">回数</font>
- 〜へ
- あまりに
- ツール
- 豊富なツール群
- タワー
- 追跡する
- トレーニング
- トレーニング
- トリガー
- type
- 根本的な
- わかる
- まで
- アップデイト
- 使用法
- つかいます
- 中古
- ユーザー
- users
- 活用する
- 検証
- さまざまな
- 視認性
- ビジョン
- 可視化
- ボリューム
- vs
- 欲しいです
- ました
- 仕方..
- 方法
- we
- ウェブ
- Webサービス
- WELL
- いつ
- 一方
- which
- while
- 誰
- ワイド
- 広い範囲
- 意志
- 以内
- 無し
- 仕事
- 働いていました
- ワークフロー
- ワーキング
- 作品
- 書きます
- コードを書く
- 書き込み
- You
- あなたの
- ゼファーネット