この投稿は、Wipro の AWS AI/ML Practice の Bhajandeep Singh 氏と Ajay Vishwakarma 氏の協力によって書かれました。
多くの組織は、オンプレミスとオープンソースのデータ サイエンス ソリューションを組み合わせて、機械学習 (ML) モデルの作成と管理を行っています。
データ サイエンス チームと DevOps チームは、これらの分離されたツール スタックとシステムを管理するという課題に直面する可能性があります。複数のツール スタックを統合してコンパクトなソリューションを構築するには、カスタム コネクタまたはワークフローの構築が必要になる場合があります。各スタックの現在のバージョンに基づいてさまざまな依存関係を管理し、各スタックの新しい更新のリリースに応じてそれらの依存関係を維持すると、ソリューションが複雑になります。これにより、インフラストラクチャのメンテナンスのコストが増加し、生産性が低下します。
人工知能 (AI) と機械学習 (ML) の製品 Amazon Webサービス(AWS)は、統合された監視および通知サービスと合わせて、組織が最適なコストで必要なレベルの自動化、拡張性、モデル品質を達成できるように支援します。 AWS は、データ サイエンス チームと DevOps チームが連携し、モデルのライフサイクル プロセス全体を合理化することも支援します。
AWS の ML サービスのポートフォリオには、機械学習アプリケーションの開発、トレーニング、デプロイを加速するために使用できる堅牢なサービスのセットが含まれています。この一連のサービスを使用すると、ML モデルの監視や再トレーニングなど、モデルのライフサイクル全体をサポートできます。
この投稿では、Wipro の顧客の 1 つを対象としたモデル開発と MLOps フレームワークの実装について説明します。 アマゾンセージメーカー およびその他のAWSサービス。
ウィプロは、 AWS プレミアティアサービスパートナー およびマネージド サービス プロバイダー (MSP)。その AI/ML ソリューション 多くの企業クライアントの業務効率、生産性、顧客エクスペリエンスの向上を推進します。
現在の課題
まず、お客様のデータ サイエンス チームと DevOps チームが現在の設定で直面している課題のいくつかを理解しましょう。次に、統合された SageMaker AI/ML オファリングがこれらの課題の解決にどのように役立ったかを検証できます。
- コラボレーション – データ サイエンティストはそれぞれ独自のローカル Jupyter ノートブックを使用して、ML モデルを作成およびトレーニングしました。彼らには、他のデータ サイエンティストと共有して共同作業するための効果的な方法がありませんでした。
- スケーラビリティ – 割り当てられたインフラストラクチャ容量が一定のままである一方で、モデルがより複雑になるにつれて、ML モデルのトレーニングと再トレーニングにはますます時間がかかっていました。
- MLOps – モデルの監視と継続的なガバナンスは、ML モデルと緊密に統合および自動化されていませんでした。サードパーティ ツールを MLOps パイプラインに統合するには、依存関係と複雑さが伴います。
- 再利用性 – 再利用可能な MLOps フレームワークがなければ、各モデルを個別に開発して管理する必要があるため、全体的な労力が増加し、モデルの運用化が遅れます。
この図は、課題と、Wipro の SageMaker 実装が組み込みの SageMaker サービスと製品によってそれらの課題にどのように対処したかをまとめたものです。
ウィプロは、コストが最適化され完全に自動化された方法で課題に対処するアーキテクチャを定義しました。
以下は、ソリューションの構築に使用されるユースケースとモデルです。
- 使用事例: 中古車データセットに基づく価格予測
- 問題の種類: 不具合
- 使用機種: XGBoost および Linear Learner (SageMaker 組み込みアルゴリズム)
ソリューションのアーキテクチャ
Wipro のコンサルタントは、お客様のデータ サイエンス、DevOps、データ エンジニアリング チームと協力して詳細な調査ワークショップを実施し、現在の環境だけでなく、AWS 上の最新のソリューションに対する要件と期待を理解しました。コンサルティング業務の終了までに、チームは次のような顧客チームの中核要件に効果的に対処する次のアーキテクチャを実装しました。
コードシェア – SageMaker ノートブックを使用すると、データ サイエンティストはコードを実験したり、他のチーム メンバーとコードを共有したりできます。 Wipro は、Wipro のコード アクセラレータとスニペットを実装して、特徴量エンジニアリング、モデルのトレーニング、モデルのデプロイメント、パイプラインの作成を迅速化することで、ML モデルの取り組みをさらに加速しました。
継続的インテグレーションおよび継続的デリバリー (CI/CD) パイプライン – 顧客の GitHub リポジトリを使用すると、コードのバージョン管理と、コードの新しいバージョンがコミットされるたびにパイプライン デプロイメントを開始する自動スクリプトが有効になりました。
MLOps – このアーキテクチャは、定義されたスケジュールで必要とされるデータとモデルのドリフトを検証することにより、継続的なモデル品質ガバナンスを実現するための SageMaker モデル監視パイプラインを実装します。ドリフトが検出されるたびに、イベントが起動され、それぞれのチームにアクションを起こすか、モデルの再トレーニングを開始するように通知されます。
イベント駆動型アーキテクチャ – モデルのトレーニング、モデルのデプロイ、およびモデルのモニタリングのパイプラインは、用途に応じて適切に統合されています アマゾンイベントブリッジ、サーバーレス イベント バス。定義されたイベントが発生すると、EventBridge はパイプラインを呼び出して応答して実行できます。これにより、環境に応じて必要に応じて実行できる、疎結合されたパイプラインのセットが提供されます。
ソリューション コンポーネント
このセクションでは、アーキテクチャのさまざまなソリューション コンポーネントについて説明します。
実験ノート
- 目的 : お客様のデータ サイエンス チームは、さまざまなデータセットと複数のモデルを実験して最適な機能を見つけ出し、それらを自動パイプラインへのさらなる入力として使用したいと考えていました。
- 解決法: Wipro は、データの読み取りと書き込み、モデル特徴量エンジニアリング、モデル トレーニング、ハイパーパラメーター調整など、再利用可能な各ステップのコード スニペットを含む SageMaker 実験ノートブックを作成しました。特徴エンジニアリング タスクは Data Wrangler で準備することもできますが、クライアントは特に SageMaker の処理ジョブと AWSステップ関数 なぜなら、それらのテクノロジーを使用する方が快適だったからです。 AWS ステップ関数データ サイエンス SDK を使用して、フロー テスト用のステップ関数をノートブック インスタンスから直接作成し、パイプラインへの明確に定義された入力を可能にしました。これにより、データ サイエンティスト チームは、より速いペースでパイプラインを作成してテストできるようになりました。
自動化されたトレーニング パイプライン
- 目的 : インスタンス タイプ、ハイパーパラメータ、 Amazon Simple Storage Service(Amazon S3) バケットの場所。パイプラインは、S3 へのデータ プッシュ イベントによっても起動される必要があります。
- 解決法: Wipro は、Step Functions SDK、SageMaker 処理、トレーニング ジョブ、ベースライン生成用の SageMaker モデル モニター コンテナを使用して再利用可能なトレーニング パイプラインを実装しました。 AWSラムダ、および EventBridge サービス。AWS イベント駆動型アーキテクチャを使用して、マップされた S3 バケットにプッシュされる新しいデータ イベントに基づいてパイプラインが自動的に起動するように構成されます。通知は、定義された電子メール アドレスに送信されるように構成されています。大まかに言うと、トレーニング フローは次の図のようになります。
自動トレーニング パイプラインのフローの説明
上の図は、Step Functions、Lambda、SageMaker を使用して構築された自動トレーニング パイプラインです。これは、自動モデル トレーニングの設定、予測の生成、モデル モニタリングとデータ モニタリングのベースラインの作成、および以前のモデルのしきい値に基づくエンドポイントの作成と更新を行うための再利用可能なパイプラインです。
- 前処理: このステップでは、Amazon S3 の場所からデータを入力として取得し、SageMaker SKLearn コンテナを使用して、必要な特徴エンジニアリングとデータ前処理タスク (トレーニング、テスト、分割の検証など) を実行します。
- モデルトレーニング: このステップでは、SageMaker SDK を使用して、それぞれのモデル イメージを使用してトレーニング コードを実行し、トレーニング済みモデル アーティファクトを生成しながら、前処理スクリプトからデータセットをトレーニングします。
- モデルを保存: このステップでは、トレーニングされたモデル アーティファクトからモデルを作成します。モデル名は、参照用に別のパイプラインに保存されます。 AWS SystemsManagerパラメータストア.
- トレーニング結果のクエリ: このステップでは、Lambda 関数を呼び出して、以前のモデル トレーニング ステップから完了したトレーニング ジョブのメトリクスを取得します。
- RMSE しきい値: このステップでは、トレーニング済みモデル メトリック (RMSE) を定義されたしきい値と照合して検証し、エンドポイントの展開に進むか、このモデルを拒否するかを決定します。
- モデルの精度が低すぎる: このステップでは、モデルの精度が以前の最良のモデルと比較してチェックされます。モデルがメトリクスの検証に失敗した場合、Lambda 関数によって、に登録されているターゲット トピックに通知が送信されます。 Amazon Simple Notification Service(Amazon SNS)。このチェックが失敗した場合、新しいトレーニング済みモデルが定義されたしきい値を満たしていないため、フローは終了します。
- ベースライン ジョブ データ ドリフト: トレーニングされたモデルが検証ステップに合格した場合、このトレーニングされたモデルのバージョンに対してベースライン統計が生成されてモニタリングが有効になり、並列分岐ステップが実行されてモデル品質チェックのベースラインが生成されます。
- モデルのエンドポイント構成を作成します。 このステップでは、前のステップで評価したモデルのエンドポイント構成を作成します。 データキャプチャを有効にする 構成。
- エンドポイントを確認します: このステップでは、エンドポイントが存在するかどうか、またはエンドポイントを作成する必要があるかどうかを確認します。出力に基づいて、次のステップはエンドポイントを作成または更新することです。
- 設定のエクスポート: このステップでは、パラメータのモデル名、エンドポイント名、およびエンドポイント設定を AWS システム マネージャー パラメータストア。
アラートと通知は、ステート マシンのステータス変更の失敗または成功時に、構成された SNS トピックの電子メールに送信されるように構成されます。同じパイプライン構成が XGBoost モデルに再利用されます。
自動バッチスコアリングパイプライン
- 目的: スコアリング入力バッチデータがそれぞれの Amazon S3 ロケーションで利用可能になり次第、バッチ スコアリングを開始します。バッチ スコアリングでは、最新の登録モデルを使用してスコアリングを実行する必要があります。
- 解決法: Wipro は、Step Functions SDK、SageMaker バッチ変換ジョブ、Lambda、および EventBridge を使用して、再利用可能なスコアリング パイプラインを実装しました。パイプラインは、それぞれの S3 ロケーションで利用可能な新しいスコアリング バッチ データに基づいて自動的にトリガーされます。
自動バッチ スコアリング パイプラインのフローの説明:
- 前処理: このステップの入力は、それぞれの S3 の場所からのデータ ファイルであり、SageMaker バッチ変換ジョブを呼び出す前に必要な前処理を実行します。
- 採点: このステップでは、バッチ変換ジョブを実行して推論を生成し、登録されたモデルの最新バージョンを呼び出し、スコアリング出力を S3 バケットに保存します。 Wipro は、SageMaker バッチ変換 API の入力フィルターと結合機能を使用しました。より良い意思決定を行うためにスコアリング データを強化するのに役立ちました。
- このステップでは、S3 バケット内の新しいデータ ファイルによってステート マシン パイプラインが起動されます。
通知は、ステート マシンのステータス変更の失敗/成功時に、構成された SNS トピックの電子メールに送信されるように構成されます。
リアルタイム推論パイプライン
- 目的: 両方のモデル (線形学習者と XGBoost) エンドポイントからのリアルタイム推論を有効にし、(または Lambda 関数として記述できる他のカスタム ロジックを使用して) アプリケーションに返される最大予測値を取得します。
- 解決法: Wipro チームは、次を使用して再利用可能なアーキテクチャを実装しました。 アマゾンAPIゲートウェイ、Lambda、および SageMaker エンドポイント (図 6 を参照):
図 6 に示すリアルタイム推論パイプラインのフローの説明:
- ペイロードはアプリケーションから Amazon API Gateway に送信され、Amazon API Gateway はそれをそれぞれの Lambda 関数にルーティングします。
- Lambda 関数 (統合された SageMaker カスタムレイヤーを使用) は、必要な前処理、JSON または CSV ペイロードのフォーマットを実行し、それぞれのエンドポイントを呼び出します。
- 応答は Lambda に返され、API Gateway を通じてアプリケーションに送り返されます。
顧客は、さまざまなタイプのオープンソース アルゴリズムの使用を含む、小規模および中規模のモデルにこのパイプラインを使用しました。 SageMaker の主な利点の 1 つは、さまざまなタイプのアルゴリズムを SageMaker に取り込み、Bring Your Own Container (BYOC) 手法を使用してデプロイできることです。 BYOC には、アルゴリズムのコンテナ化とイメージの登録が含まれます。 Amazon Elastic Container Registry(Amazon ECR)次に、同じイメージを使用してトレーニングと推論を行うコンテナを作成します。
スケーリングは、機械学習サイクルにおける最大の問題の 1 つです。 SageMaker には、推論中にモデルをスケーリングするために必要なツールが付属しています。前述のアーキテクチャでは、ユーザーは SageMaker の自動スケーリングを有効にする必要があり、最終的にワークロードが処理されます。自動スケーリングを有効にするには、ユーザーはインスタンスごとのスループットと最大インスタンスと最小インスタンスを要求する自動スケーリング ポリシーを提供する必要があります。適切なポリシー内で、SageMaker はリアルタイム エンドポイントのワークロードを自動的に処理し、必要に応じてインスタンスを切り替えます。
カスタム モデル モニター パイプライン
- 目的: 顧客チームは、データ ドリフトとモデル ドリフトの両方を捕捉するための自動モデル監視を必要としていました。 Wipro チームは、SageMaker モデル モニタリングを使用して、リアルタイム推論とバッチ変換のための再利用可能なパイプラインによるデータ ドリフトとモデル ドリフトの両方を可能にしました。このソリューションの開発中、SageMaker モデル モニタリングはデータまたはバッチ変換を検出するための機能を提供しなかったことに注意してください。バッチ変換のモデルドリフト。バッチ変換ペイロードにモデル モニター コンテナーを使用するためのカスタマイズを実装しました。
- 解決法: Wipro チームは、以下を使用して、リアルタイムおよびバッチ推論ペイロード用の再利用可能なモデル監視パイプラインを実装しました。 AWSグルー 増分ペイロードをキャプチャし、定義されたスケジュールに従ってモデル監視ジョブを呼び出します。
カスタム モデル モニター パイプラインのフローの説明:
パイプラインは、EventBridge を通じて構成された定義済みのスケジュールに従って実行されます。
- CSV統合 – AWS Glue ブックマーク機能を使用して、リアルタイム データのキャプチャと応答、およびバッチ データの応答の定義された S3 バケット内の増分ペイロードの存在を検出します。次に、そのデータをさらに処理するために集約します。
- ペイロードの評価 – 現在の実行に増分データまたはペイロードが存在する場合、モニタリング ブランチが呼び出されます。それ以外の場合は、処理せずにバイパスし、ジョブを終了します。
- 後処理 – モニタリング ブランチは、データ ドリフト用とモデル ドリフト用の 2 つの並列サブブランチを持つように設計されています。
- モニタリング(データドリフト) – データ ドリフト ブランチは、ペイロードが存在するたびに実行されます。最新のトレーニング済みモデルのベースライン制約と、データ特徴のトレーニング パイプラインを通じて生成された統計ファイルを使用し、モデル監視ジョブを実行します。
- モニタリング(モデルドリフト) – モデル ドリフト ブランチは、推論ペイロードとともにグラウンド トゥルース データが提供された場合にのみ実行されます。トレーニングされたモデルのベースライン制約と、モデル品質機能のトレーニング パイプラインを通じて生成された統計ファイルを使用し、モデル監視ジョブを実行します。
- ドリフトの評価 – データとモデルの両方のドリフトの結果は、ドリフトの詳細を含む通知をそれぞれの Amazon SNS トピックに送信するドリフト評価 Lambda 関数によって評価される制約違反ファイルです。ドリフト データは、レポート目的の属性の追加によりさらに強化されます。ドリフト通知メールは、図 8 の例のようになります。
Amazon QuickSight 視覚化による洞察:
- 目的: お客様は、データとモデルのドリフトに関する洞察を取得し、ドリフト データをそれぞれのモデル監視ジョブに関連付け、推論データの傾向を調べて干渉データの傾向の性質を理解したいと考えていました。
- 解決法: Wipro チームは、入力データをドリフト結果と結び付けることでドリフト データを強化し、ドリフトからモニタリングおよびそれぞれのスコアリング データまでのトリアージを可能にしました。ビジュアライゼーションとダッシュボードは以下を使用して作成されました。 アマゾンクイックサイト アマゾンアテナ データソースとして (Amazon S3 CSV スコアリングおよびドリフトデータを使用)。
設計上の考慮事項:
- メモリ内パフォーマンスを向上させるには、QuickSight スパイス データセットを使用します。
- QuickSight 更新データセット API を使用して、スパイス データの更新を自動化します。
- ダッシュボードと分析のアクセス制御のためにグループベースのセキュリティを実装します。
- QuickSight が提供するデータセット、データ ソース、分析 API 呼び出しのエクスポートとインポートを使用して、アカウント全体でデプロイを自動化します。
モデル監視ダッシュボード:
モデル監視ジョブの効果的な結果と有意義な洞察を可能にするために、モデル監視データ用にカスタム ダッシュボードが作成されました。入力データ ポイントは、推論リクエスト データ、ジョブ データ、および監視出力と並行して結合され、モデル監視によって明らかにされる傾向の視覚化を作成します。
これは、顧客チームが推論リクエストの各バッチの予測結果とともにさまざまなデータ特徴の側面を視覚化するのに非常に役立ちました。
まとめ
この投稿で説明した実装により、Wipro はオンプレミス モデルを AWS に効果的に移行し、スケーラブルで自動化されたモデル開発フレームワークを構築できるようになりました。
再利用可能なフレームワークコンポーネントを使用すると、データサイエンスチームは作業をデプロイ可能な AWS Step Functions JSON コンポーネントとして効果的にパッケージ化できるようになります。同時に、DevOps チームは自動化された CI/CD パイプラインを使用および強化し、上位環境でのモデルのシームレスなプロモーションと再トレーニングを促進しました。
モデル監視コンポーネントにより、モデルのパフォーマンスを継続的に監視できるようになり、データやモデルのドリフトが検出されるたびにユーザーはアラートと通知を受け取ります。
お客様のチームは、この MLOps フレームワークを使用して、より多くのモデルを移行または開発し、SageMaker の採用を増やしています。
SageMaker サービスの包括的なスイートを綿密に設計されたアーキテクチャと組み合わせて利用することで、お客様は複数のモデルをシームレスにオンボードでき、導入時間を大幅に短縮し、コード共有に関連する複雑さを軽減できます。さらに、当社のアーキテクチャによりコードのバージョン管理のメンテナンスが簡素化され、開発プロセスの効率化が保証されます。
このアーキテクチャは、自動化されたモデル トレーニング、リアルタイムおよびバッチ推論、プロアクティブなモデル モニタリング、ドリフト分析を含む機械学習サイクル全体を処理します。このエンドツーエンドのソリューションにより、お客様は厳密な監視および分析機能を維持しながら、継続的な精度と信頼性を確保しながら、最適なモデルのパフォーマンスを達成できるようになります。
このアーキテクチャを作成するには、まず次のような重要なリソースを作成します。 Amazon Virtual Private Cloud(Amazon VPC)、SageMaker ノートブック、Lambda 関数。必ず適切に設定してください AWS Identity and Access Management(IAM) これらのリソースのポリシー。
次に、SageMaker Studio または Jupyter Notebook 内でアーキテクチャのコンポーネント (トレーニングや前処理スクリプトなど) を構築することに焦点を当てます。このステップには、必要な機能を有効にするために必要なコードと構成の開発が含まれます。
アーキテクチャのコンポーネントを定義したら、推論を生成したり、データの後処理ステップを実行したりするための Lambda 関数の構築に進むことができます。
最後に、Step Functions を使用してコンポーネントを接続し、各ステップの実行を調整するスムーズなワークフローを確立します。
著者について
スティーブン・ランドルフ アマゾン ウェブ サービス (AWS) のシニア パートナー ソリューション アーキテクトです。ビジネス課題を解決するための業界ソリューションを開発するグローバル システム インテグレーター (GSI) パートナーが最新の AWS テクノロジーを利用できるようにし、サポートしています。 Stephen は、セキュリティと生成 AI に特に情熱を持っており、顧客やパートナーが AWS 上で安全かつ効率的かつ革新的なソリューションを構築できるよう支援しています。
バジャンディープ・シン Wipro Technologies で AWS AI/ML Center of Excellence の責任者を務め、顧客エンゲージメントを主導してデータ分析と AI ソリューションを提供してきました。彼は AWS AI/ML スペシャリティ認定資格を取得しており、AI/ML サービスとソリューションに関する技術ブログを執筆しています。業界全体で AWS AI/ML ソリューションをリードした経験を持つ Bhajandeep は、その専門知識とリーダーシップを通じてクライアントが AWS AI/ML サービスの価値を最大化できるようにしてきました。
アジェイ・ヴィシュワカルマ Wipro の AI ソリューション業務の AWS 部門の ML エンジニアです。彼は、SageMaker でのカスタム アルゴリズム用の BYOM ソリューションの構築、エンドツーエンドの ETL パイプライン デプロイメント、Lex を使用したチャットボットの構築、クロスアカウント QuickSight リソース共有、デプロイメント用の CloudFormation テンプレートの構築において豊富な経験を持っています。彼は、あらゆる顧客の問題を課題としてとらえ、AWS を探索してさらに探索し、解決策を提供するのが好きです。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 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。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 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/modernizing-data-science-lifecycle-management-with-aws-and-wipro/
- :持っている
- :は
- $UP
- 1
- 10
- 100
- 11
- 12
- 212
- 300
- 32
- 7
- 8
- 804
- 9
- a
- 私たちについて
- 上記の.
- 加速する
- 加速された
- 加速器
- アクセス
- 従った
- アカウント
- 精度
- 達成する
- 越えて
- Action
- 添加
- 対処する
- アドレス
- 追加
- 養子縁組
- に対して
- 骨材
- AI
- AI / ML
- アラート
- アルゴリズム
- アルゴリズム
- 割り当てられました
- 沿って
- また
- Amazon
- アマゾンAPIゲートウェイ
- アマゾンクイックサイト
- Amazon Webサービス
- Amazon Webサービス(AWS)
- Amazon.com
- an
- 分析
- 分析論
- および
- 別の
- どれか
- API
- API
- 申し込み
- 適切な
- 建築
- です
- AS
- 側面
- 関連する
- At
- 属性
- 著者
- オート
- 自動化する
- 自動化
- 自動的に
- オートメーション
- 賃貸条件の詳細・契約費用のお見積り等について
- 利用できます
- AWS
- AWSグルー
- AWSステップ関数
- バック
- ベース
- ベースライン
- BE
- になりました
- なぜなら
- き
- 始まる
- さ
- 利点
- BEST
- より良いです
- の間に
- 最大の
- ブログ
- 両言語で
- ブランチ
- 持って来る
- た
- ビルド
- 建物
- 内蔵
- 内蔵
- バス
- 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
- 呼び出し
- コール
- 缶
- 機能
- 容量
- キャプチャー
- 自動車
- 場合
- センター
- 中核的研究拠点
- 認証
- 挑戦する
- 課題
- 変化する
- チャットボット
- チェック
- チェック済み
- 小切手
- クライアント
- クライアント
- クラウド
- コード
- コードシェア
- 協力します
- 協業
- 環境、テクノロジーを推奨
- COM
- 組み合わせ
- 組み合わせた
- 来ます
- comes
- 快適
- コミットした
- コンパクト
- コンプリート
- 記入済みの
- 複雑な
- 複雑さ
- コンポーネント
- コンポーネント
- 包括的な
- 実施
- 設定された
- 共同
- お問合せ
- 接続する
- 検討事項
- 制約
- コンサルタント
- コンサルティング
- コンテナ
- 連続的な
- コントロール
- 基本
- 費用
- 作ります
- 作成した
- 作成します。
- 作成
- 創造
- Cross
- 電流プローブ
- カスタム
- 顧客
- 顧客満足体験
- Customers
- サイクル
- ダッシュボード
- ダッシュボード
- データ
- データ分析
- データポイント
- データサイエンス
- データサイエンティスト
- データセット
- 決めます
- 決定
- 意思決定
- 定義済みの
- 遅延
- 配信する
- 配達
- 依存関係
- 展開
- 展開
- 配備
- 説明する
- 説明
- 設計
- 希望
- 細部
- 検出
- 検出された
- 開発する
- 発展した
- 開発
- 開発
- 異なります
- 発見
- 話し合います
- do
- ありません
- ドライブ
- ドリブン
- 間に
- 各
- 前
- 効果的な
- 効果的に
- 効率
- 効率的な
- 努力
- メール
- 力を与える
- enable
- 使用可能
- 可能
- 包含する
- end
- 端から端まで
- エンドポイント
- 婚約
- 婚約
- エンジニア
- エンジニアリング
- 強化された
- 豊かにする
- 豊かな
- 確保
- 確保する
- Enterprise
- 全体
- 環境
- 環境
- 特に
- 本質的な
- 確立する
- 評価する
- 評価
- イベント
- イベント
- 最終的に
- あらゆる
- 調べる
- 例
- 優秀
- 存在
- 終了する
- 期待
- 迅速化する
- 体験
- 実験
- 専門知識
- 説明
- 探る
- 探る
- export
- 輸出
- 顔
- 直面して
- 容易にする
- 失敗
- 不良解析
- 速いです
- 特徴
- 特徴
- 少数の
- フィギュア
- File
- filter
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フロー
- フォーカス
- フォロー中
- フレームワーク
- フレームワーク
- から
- 完全に
- function
- 機能性
- 機能性
- 機能
- さらに
- ゲートウェイ
- 生成する
- 生成された
- 生成
- 世代
- 生々しい
- 生成AI
- 取得する
- GitHubの
- グローバル
- 良い
- ガバナンス
- 支配
- 陸上
- 持っていました
- ハンドル
- 利用する
- 持ってる
- he
- 助けます
- 助けました
- 助け
- ことができます
- ハイ
- より高い
- 彼の
- 保持している
- 認定条件
- HTML
- HTTPS
- ハイパーパラメータ調整
- アイデンティティ
- if
- 画像
- 実装
- 実装
- 実装
- 実装する
- import
- in
- 含まれました
- 含ま
- 含めて
- 増える
- 増加
- インクリメンタル
- 産業
- 産業を変えます
- インフラ関連事業
- 開始する
- 革新的な
- 入力
- 洞察
- 統合された
- 統合
- 統合
- インテリジェンス
- 干渉
- に
- 呼び出す
- 巻き込む
- 分離された
- 問題
- IT
- ジョブ
- Jobs > Create New Job
- join
- 旅
- JSON
- キー
- 最新の
- 起動する
- 打ち上げ
- 層
- リーダーシップ
- 主要な
- 学習者
- 学習
- レベル
- wifecycwe
- ような
- 好き
- ローカル
- 場所
- ロジック
- 見て
- LOOKS
- ロー
- 機械
- 機械学習
- 保守
- メンテナンス
- make
- 作成
- 管理します
- マネージド
- 管理
- マネージャー
- 管理する
- 多くの
- 最大化します
- 五月..
- 意味のある
- ミディアム
- 大会
- メンバー
- 方法
- 細心の注意を払って
- メトリック
- メトリック
- かもしれない
- 移動します
- 移行
- 最小
- 緩和する
- ML
- MLOps
- モデル
- モダン
- 近代化
- モニター
- モニタリング
- 他には?
- さらに
- ずっと
- の試合に
- しなければなりません
- 名
- 自然
- 必要
- 必要
- 必要とされる
- ニーズ
- 新作
- 次の
- 注意
- ノート
- 通知
- 通知
- of
- オファリング
- on
- オンボード
- ONE
- 継続
- の
- 開いた
- オープンソース
- オペレーショナル
- 最適な
- or
- 組織
- その他
- さもないと
- 私たちの
- でる
- 結果
- 出力
- 全体
- 自分の
- 平和
- パッケージ
- 並列シミュレーションの設定
- パラメーター
- パラメータ
- パートナー
- パートナー
- パス
- 情熱的な
- 以下のために
- 実行する
- パフォーマンス
- 実行
- パイプライン
- 場所
- 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
- ポイント
- ポリシー
- 方針
- ポートフォリオ
- ポスト
- 練習
- 先行
- 予測
- 予測
- 予測
- プレミア
- 準備
- プレゼンス
- 現在
- 前
- ブランド
- 価格予測
- プライベート
- 先を見越した
- 問題
- 進む
- プロセス
- 処理
- 生産性
- プロモーション
- プロンプト
- 提供します
- 提供
- プロバイダー
- は、大阪で
- 準備
- 目的
- プッシュ
- プッシュ
- 品質
- リーディング
- への
- リアルタイムデータ
- 本当に
- 受け取ります
- 縮小
- 参照
- 登録された
- 登録
- レジストリ
- リリース
- 信頼性
- 残った
- 各種レポート作成
- 倉庫
- 要求
- リクエスト
- 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
- 応答
- 結果
- 結果
- 再利用可能な
- 明らかに
- 厳しい
- 堅牢な
- ルート
- ラン
- ランニング
- runs
- セージメーカー
- 同じ
- スケーラビリティ
- ド電源のデ
- 規模
- スケーリング
- スケジュール
- 科学
- 科学者
- 科学者たち
- 得点
- スクリプト
- SDDK
- シームレス
- シームレス
- セクション
- 安全に
- セキュリティ
- 選択
- 送る
- シニア
- 送信
- サービスを提供
- サーバレス
- サービス
- サービスプロバイダー
- サービス
- セッションに
- 設定
- シェアする
- シェアリング
- すべき
- 示す
- 著しく
- 同様の
- 簡単な拡張で
- 簡素化する
- 同時に
- 小さい
- スムーズ
- 溶液
- ソリューション
- 解決する
- すぐに
- ソース
- 専門
- 特に
- スパイス
- split
- スタック
- スタック
- 都道府県
- 静的な
- 統計
- 統計情報
- Status:
- 手順
- Stephen Longfield
- ステップ
- ストレージ利用料
- 店舗
- 保存され
- 保存
- 合理化された
- 流線
- 研究
- 成功
- そのような
- スイート
- 供給
- サポート
- サポート
- 確か
- システム
- 取る
- 取り
- 取得
- ターゲット
- タスク
- チーム
- チームメンバー
- チーム
- 技術的
- 技術
- テクノロジー
- テクノロジー
- テンプレート
- test
- それ
- ステート
- アプリ環境に合わせて
- それら
- その後
- そこ。
- ボーマン
- 彼ら
- サードパーティ
- この
- それらの
- しきい値
- 介して
- スループット
- 層
- しっかり
- 時間
- 〜へ
- あまりに
- ツール
- 豊富なツール群
- トピック
- トピック
- に向かって
- トレーニング
- 訓練された
- トレーニング
- 列車
- 変換
- 変換
- トレンド
- トリガ
- 真実
- チューニング
- 2
- type
- わかる
- アップデイト
- 更新版
- 更新
- つかいます
- 使用事例
- 中古
- users
- 使用されます
- 検証
- 検証
- 値
- さまざまな
- バージョン
- バージョン
- 違反
- バーチャル
- 可視化
- 視覚化する
- wanted
- ました
- 仕方..
- we
- ウェブ
- Webサービス
- WELL
- 明確な
- した
- いつ
- たびに
- かどうか
- which
- while
- 意志
- 翼
- 以内
- 無し
- 仕事
- 働いていました
- ワークフロー
- ワークフロー
- ワークショップ
- 書き込み
- 書かれた
- XGブースト
- You
- あなたの
- ゼファーネット