이 게시물은 Vericast의 Jyoti Sharma와 Sharmo Sarkar가 공동 작성했습니다.
기계 학습(ML) 문제의 경우 데이터 과학자는 데이터 작업부터 시작합니다. 여기에는 모델 구축 프로세스에 필요할 수 있는 조작 평가와 함께 데이터의 비즈니스 및 기술 측면을 수집, 탐색 및 이해하는 것이 포함됩니다. 이 데이터 준비의 한 측면은 기능 엔지니어링입니다.
기능 엔지니어링 관련 변수를 식별, 선택 및 조작하여 원시 데이터를 모델을 교육하고 이에 대한 추론을 수행하는 데 사용되는 ML 알고리즘과 함께 사용하기 위해 더 유용하고 사용 가능한 형식으로 변환하는 프로세스를 나타냅니다. 이 프로세스의 목표는 알고리즘 및 결과 예측 모델의 성능을 높이는 것입니다. 기능 엔지니어링 프로세스에는 기능 생성, 데이터 변환, 기능 추출 및 기능 선택을 포함한 여러 단계가 수반됩니다.
일반화 기능 엔지니어링을 위한 플랫폼을 구축하는 것은 서로 다른 데이터 세트로 많은 ML 모델을 생성해야 하는 고객의 일반적인 작업입니다. 이러한 종류의 플랫폼에는 사람의 개입이 거의 없이 모델 교육에 사용할 준비가 된 최종 기능 엔지니어링 데이터를 생성하기 위한 프로그래밍 방식으로 구동되는 프로세스 생성이 포함됩니다. 그러나 기능 엔지니어링을 일반화하는 것은 어려운 일입니다. 각 비즈니스 문제가 다르고, 각 데이터 세트가 다르고, 데이터 볼륨이 클라이언트마다 크게 다르며, 데이터 품질과 종종 특정 열(구조화된 데이터의 경우)의 카디널리티가 기능 엔지니어링의 복잡성에 중요한 역할을 할 수 있습니다. 프로세스. 또한 고객 데이터의 동적 특성으로 인해 기능 엔지니어링을 최적으로 완료하는 데 필요한 처리 시간과 리소스가 크게 달라질 수 있습니다.
AWS 고객 베리캐스트 데이터 기반 의사결정을 통해 고객의 마케팅 ROI를 높이는 마케팅 솔루션 회사입니다. CRISP-ML(Q) 프로세스를 기반으로 구축된 Vericast의 내부 클라우드 기반 기계 학습 플랫폼은 다음을 비롯한 다양한 AWS 서비스를 사용합니다. 아마존 세이지 메이커, Amazon SageMaker 처리, AWS 람다및 AWS 단계 함수, 특정 클라이언트의 데이터에 맞는 최상의 모델을 생성합니다. 이 플랫폼은 다양한 ML 워크플로를 구축하고 이를 플랫폼 내에서 일반화 가능한 표준 워크플로 모듈로 묶는 단계의 반복성을 캡처하는 것을 목표로 합니다.
이 게시물에서는 Vericast가 SageMaker Processing을 사용하여 기능 엔지니어링을 최적화한 방법을 공유합니다.
솔루션 개요
Vericast의 기계 학습 플랫폼은 기존 워크플로를 기반으로 새로운 비즈니스 모델을 더 빠르게 배포하거나 신규 클라이언트를 위해 기존 모델을 더 빠르게 활성화하도록 지원합니다. 예를 들어 다이렉트 메일 성향을 예측하는 모델은 Vericast 클라이언트 고객의 할인 쿠폰 민감도를 예측하는 모델과 상당히 다릅니다. 그들은 서로 다른 비즈니스 문제를 해결하므로 마케팅 캠페인 디자인에서 서로 다른 사용 시나리오를 갖습니다. 그러나 ML 관점에서 둘 다 이진 분류 모델로 해석될 수 있으므로 모델 튜닝 및 교육, 평가, 해석 가능성, 배포 및 추론을 포함하여 ML 워크플로 관점에서 많은 공통 단계를 공유할 수 있습니다.
이러한 모델은 이진 분류 문제(ML 용어)이기 때문에 회사의 고객을 캠페인에 긍정적으로 반응하는 고객과 그렇지 않은 고객의 두 클래스(이진)로 구분합니다. 또한 이러한 예는 모델을 교육하는 데 사용되는 데이터에 호의적으로 응답할 고객과 그렇지 않을 고객의 수가 동일하지 않기 때문에 불균형 분류로 간주됩니다.
이와 같은 모델의 실제 생성은 다음 다이어그램에 표시된 일반화된 패턴을 따릅니다.
이 프로세스의 대부분은 기능 엔지니어링 단계를 제외하고 모든 이진 분류에 대해 동일합니다. 이것은 아마도 프로세스에서 가장 복잡하지만 때때로 간과되는 단계일 것입니다. ML 모델은 생성에 사용된 기능에 크게 의존합니다.
Vericast의 클라우드 네이티브 기계 학습 플랫폼은 다양한 ML 워크플로우에 대한 기능 엔지니어링 단계를 일반화 및 자동화하고 다음 기능을 사용하여 비용 대 시간 메트릭에서 성능을 최적화하는 것을 목표로 합니다.
- 플랫폼의 기능 엔지니어링 라이브러리 – 이는 특정 클라이언트 개념(예: 고객 인구 통계, 제품 세부 정보, 트랜잭션 세부 정보 등)을 기반으로 고품질의 일반화 가능한 기능을 생성하도록 테스트된 끊임없이 진화하는 변환 세트로 구성됩니다.
- 지능형 자원 최적화 프로그램 – 이 플랫폼은 AWS의 온디맨드 인프라 기능을 사용하여 단계의 예상 복잡성과 이를 통과해야 하는 데이터의 양을 기반으로 특정 기능 엔지니어링 작업에 가장 적합한 유형의 처리 리소스를 가동합니다.
- 기능 엔지니어링 작업의 동적 확장 – 이를 위해 다양한 AWS 서비스의 조합이 사용되지만 가장 주목할 만한 것은 SageMaker 처리입니다. 이를 통해 플랫폼은 비용 효율적이고 시기적절한 방식으로 고품질 기능을 생성합니다.
이 게시물은 이 목록의 세 번째 항목에 중점을 두고 SageMaker 처리 작업의 동적 확장을 달성하여 대용량 데이터 볼륨에 대해 보다 관리되고 성능이 우수하며 비용 효율적인 데이터 처리 프레임워크를 달성하는 방법을 보여줍니다.
SageMaker Processing은 SageMaker에서 데이터 전처리 또는 후처리, 기능 엔지니어링, 데이터 검증 및 모델 평가를 위한 단계를 실행하는 워크로드를 지원합니다. 또한 관리형 환경을 제공하고 워크로드를 실행하는 데 필요한 인프라를 설정하고 유지 관리하는 데 필요한 차별화되지 않은 무거운 작업의 복잡성을 제거합니다. 또한 SageMaker Processing은 워크로드 실행, 모니터링 및 평가를 위한 API 인터페이스를 제공합니다.
SageMaker 실행 처리 작업은 관리형 SageMaker 클러스터 내에서 완전히 이루어지며 개별 작업은 런타임에 인스턴스 컨테이너에 배치됩니다. 관리형 클러스터, 인스턴스 및 컨테이너는 다음에 메트릭을 보고합니다. 아마존 클라우드 워치, GPU, CPU, 메모리, GPU 메모리, 디스크 메트릭 및 이벤트 로깅 사용을 포함합니다.
이러한 기능은 일반화된 사전 처리 워크플로의 개발을 지원하고 이를 실행하기 위해 생성된 환경을 유지 관리하는 어려움을 추상화함으로써 Vericast 데이터 엔지니어 및 과학자에게 이점을 제공합니다. 그러나 이러한 일반적인 솔루션에 공급할 수 있는 데이터의 동적 특성과 다양한 기능을 고려할 때 기술적인 문제가 발생할 수 있습니다. 시스템은 클러스터 및 클러스터를 구성하는 인스턴스의 크기에 대해 교육받은 초기 추측을 해야 합니다. 이 추측은 데이터 기준을 평가하고 CPU, 메모리 및 디스크 요구 사항을 추론해야 합니다. 이 추측은 전적으로 적절하고 작업에 적절하게 수행될 수 있지만 다른 경우에는 그렇지 않을 수 있습니다. 지정된 데이터 세트 및 사전 처리 작업의 경우 CPU 크기가 작아 처리 성능이 최대화되고 완료하는 데 시간이 오래 걸릴 수 있습니다. 설상가상으로 메모리가 문제가 되어 성능이 저하되거나 메모리 부족 이벤트로 인해 전체 작업이 실패할 수 있습니다.
이러한 기술적 장애물을 염두에 두고 Vericast는 솔루션을 만들기 시작했습니다. 그들은 본질적으로 일반적인 상태를 유지하고 관련 단계에서 유연하게 전처리 워크플로의 더 큰 그림에 맞아야 했습니다. 또한 성능이 저하된 경우 환경을 확장하고 그러한 이벤트로부터 정상적으로 복구하거나 어떤 이유로든 작업이 조기에 종료된 경우 환경을 확장해야 하는 잠재적 필요성을 모두 해결하는 것이 중요했습니다.
이 문제를 해결하기 위해 Vericast가 구축한 솔루션은 비즈니스 목표를 달성하기 위해 함께 작동하는 여러 AWS 서비스를 사용합니다. 작업을 모니터링하는 Lambda 함수를 사용하여 관찰된 성능 지표를 기반으로 SageMaker 처리 클러스터를 다시 시작하고 확장하도록 설계되었습니다. 스케일링 이벤트가 발생할 때 작업을 잃지 않거나 예기치 않게 중지된 작업에서 복구하기 위해 다음을 사용하는 체크포인트 기반 서비스가 배치되었습니다. 아마존 DynamoDB 그리고 부분적으로 처리된 데이터를 아마존 단순 스토리지 서비스 (Amazon S3) 단계가 완료되면 버킷. 최종 결과는 자동 확장, 강력하고 동적으로 모니터링되는 솔루션입니다.
다음 다이어그램은 시스템 작동 방식에 대한 높은 수준의 개요를 보여줍니다.
다음 섹션에서는 솔루션 구성 요소에 대해 자세히 설명합니다.
솔루션 초기화
시스템은 별도의 프로세스가 솔루션을 시작한다고 가정합니다. 반대로 이 설계는 아티팩트나 출력을 생성하지 않기 때문에 단독으로 작동하도록 설계되지 않고 SageMaker 처리 작업을 사용하는 시스템 중 하나에 대한 사이드카 구현으로 작동합니다. Vericast의 경우 솔루션은 더 큰 시스템의 다른 모듈에서 시작된 Step Functions 단계의 호출을 통해 시작됩니다.
솔루션이 시작되고 첫 번째 실행이 트리거되면 DynamoDB 테이블에서 기본 표준 구성을 읽습니다. 이 구성은 SageMaker 처리 작업에 대한 매개변수를 설정하는 데 사용되며 인프라 요구 사항에 대한 초기 가정이 있습니다. 이제 SageMaker 처리 작업이 시작되었습니다.
메타데이터 및 출력 모니터링
작업이 시작되면 Lambda 함수는 작업 처리 메타데이터(현재 작업 구성 및 기타 로그 정보)를 DynamoDB 로그 테이블에 기록합니다. 이 메타데이터 및 로그 정보는 작업 기록, 초기 및 진행 중인 구성, 기타 중요한 데이터를 유지 관리합니다.
특정 시점에서 작업의 단계가 완료되면 체크포인트 데이터가 DynamoDB 로그 테이블에 추가됩니다. 처리된 출력 데이터는 필요한 경우 빠른 복구를 위해 Amazon S3로 이동됩니다.
이 Lambda 함수는 또한 아마존 이벤트 브리지 실행 중인 작업의 상태를 모니터링하는 규칙입니다. 특히 이 규칙은 작업 상태가 다음으로 변경되는지 관찰하기 위해 작업을 감시합니다. stopping
또는 stopped
상태. 이 EventBridge 규칙은 오류가 있거나 계획된 Auto Scaling 이벤트가 발생하는 경우 작업을 다시 시작하는 데 중요한 역할을 합니다.
CloudWatch 지표 모니터링
또한 Lambda 함수는 CPU 사용률, 메모리 사용률 및 디스크 사용률에 대한 모든 인스턴스의 메트릭을 모니터링하는 처리 작업의 메트릭 수학 표현식을 기반으로 CloudWatch 경보를 설정합니다. 이 유형의 경보(지표)는 CloudWatch 경보 임계값을 사용합니다. 경보는 여러 기간 동안의 임계값과 관련된 지표 또는 표현식의 값을 기반으로 이벤트를 생성합니다.
Vericast의 사용 사례에서 임계값 표현은 드라이버와 실행기 인스턴스를 각각 개별적으로 모니터링되는 메트릭과 함께 별도의 것으로 간주하도록 설계되었습니다. 그것들을 분리함으로써 Vericast는 무엇이 알람을 일으키는지 알고 있습니다. 이에 따라 확장 방법을 결정하는 것이 중요합니다.
- 실행기 메트릭이 임계값을 통과하는 경우 수평으로 확장하는 것이 좋습니다.
- 드라이버 메트릭이 임계값을 초과하는 경우 수평 확장이 도움이 되지 않을 수 있으므로 수직 확장이 필요합니다.
알람 지표 표현식
Vericast는 확장 및 실패에 대한 평가에서 다음 메트릭에 액세스할 수 있습니다.
- CPU 활용도 – 각 개별 CPU 코어의 사용률 합계
- 메모리 사용률 – 인스턴스의 컨테이너에서 사용하는 메모리의 백분율
- 디스크 활용도 – 인스턴스의 컨테이너가 사용하는 디스크 공간의 백분율
- GPU 활용 – 인스턴스의 컨테이너가 사용하는 GPU 단위의 백분율
- GPU메모리 활용 – 인스턴스의 컨테이너가 사용하는 GPU 메모리의 백분율
이 글을 쓰는 시점에서 Vericast는 CPUUtilization
, MemoryUtilization
및 DiskUtilization
. 앞으로 그들은 고려할 계획입니다. GPUUtilization
및 GPUMemoryUtilization
뿐만 아니라.
다음 코드는 Vericast Auto Scaling에 대한 지표 수학 표현식을 기반으로 하는 CloudWatch 경보의 예입니다.
이 표현식은 CloudWatch 경보가 다음을 고려하고 있음을 나타냅니다. DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
및 DiskUtilization (diskExec)
모니터링 메트릭으로. 앞의 식에서 숫자 80은 임계값을 나타냅니다.
여기 IF((cpuDriver) > 80, 1, 0
즉, 드라이버 CPU 사용률이 80%를 초과하면 1이 임계값으로 할당되고 그렇지 않으면 0이 할당됩니다. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
문자열이 있는 모든 메트릭이 memoryExec
그것에 대해 고려하고 평균을 계산합니다. 평균 메모리 사용률이 80을 초과하면 1이 임계값으로 할당되고 그렇지 않으면 0이 할당됩니다.
논리 연산자 OR
식의 모든 사용률을 통합하기 위해 식에 사용됩니다. 사용률이 임계값에 도달하면 경보를 트리거합니다.
지표 수학 표현식을 기반으로 하는 CloudWatch 지표 경보 사용에 대한 자세한 내용은 다음을 참조하십시오. 지표 수학 표현식을 기반으로 CloudWatch 경보 생성.
CloudWatch 경보 제한 사항
CloudWatch는 경보당 지표 수를 10개로 제한합니다. 이보다 더 많은 지표를 고려해야 하는 경우 이로 인해 제한이 발생할 수 있습니다.
이러한 한계를 극복하기 위해 Vericast는 전체 클러스터 크기에 따라 알람을 설정했습니다. 인스턴스 10개당 하나의 경보가 생성됩니다(인스턴스 XNUMX개의 경우 최대 XNUMX개의 지표가 추가되므로 하나의 경보가 생성됨). 드라이버 인스턴스를 별도로 고려한다고 가정하면 드라이버 인스턴스에 대해 또 다른 별도의 알람이 생성됩니다. 따라서 생성되는 총 경보 수는 대략 실행기 노드 수의 XNUMX/XNUMX과 드라이버 인스턴스에 대한 추가 XNUMX개와 같습니다. 각각의 경우 경보당 지표 수는 지표 제한 XNUMX개 미만입니다.
알람 상태일 때 발생하는 상황
미리 정해진 임계값에 도달하면 알람이 alarm
사용하는 상태 아마존 단순 알림 서비스 (Amazon SNS) 알림을 보냅니다. 이 경우 메시지의 알람에 대한 세부 정보와 함께 모든 구독자에게 이메일 알림을 보냅니다.
작업이 실패할 가능성이 높기 때문에 Amazon SNS는 현재 실행 중인 SageMaker 처리 작업을 중지하는 Lambda 함수에 대한 트리거로도 사용됩니다. 이 기능은 또한 이벤트와 관련된 로그 테이블에 로그를 기록합니다.
작업 시작 시 설정된 EventBridge 규칙은 작업이 stopping
몇 초 후 상태. 그런 다음 이 규칙은 첫 번째 Lambda 함수를 다시 실행하여 작업을 다시 시작합니다.
동적 확장 프로세스
두 번 이상 실행한 후 첫 번째 Lambda 함수는 이전 작업이 이미 시작되었고 지금은 중지되었음을 알게 됩니다. 이 함수는 로그 DynamoDB 테이블의 원래 작업에서 기본 구성을 가져오는 유사한 프로세스를 거치며 내부 테이블에서 업데이트된 구성도 검색합니다. 이 업데이트된 구성은 조정 유형을 기반으로 설정되는 리소스 델타 구성입니다. 조정 유형은 앞에서 설명한 대로 경보 메타데이터에서 결정됩니다.
새로운 구성과 새로운 SageMaker 처리 작업이 증가된 리소스로 시작되기 때문에 원래 구성과 리소스 델타가 사용됩니다.
이 프로세스는 작업이 성공적으로 완료될 때까지 계속되며 필요에 따라 여러 번 다시 시작하여 매번 더 많은 리소스를 추가할 수 있습니다.
베리캐스트의 결과물
이 맞춤형 자동 스케일링 솔루션은 Vericast의 기계 학습 플랫폼을 보다 강력하고 내결함성 있게 만드는 데 중요한 역할을 했습니다. 플랫폼은 이제 최소한의 인간 개입으로 다양한 데이터 볼륨의 워크로드를 원활하게 처리할 수 있습니다.
이 솔루션을 구현하기 전에 파이프라인의 모든 Spark 기반 모듈에 대한 리소스 요구 사항을 예측하는 것은 새로운 클라이언트 온보딩 프로세스의 가장 큰 병목 현상 중 하나였습니다. 클라이언트 데이터 볼륨이 증가하면 워크플로가 실패하고 프로덕션에서 데이터 볼륨이 감소하면 비용이 정당화될 수 없습니다.
이 새로운 모듈을 사용하면 리소스 제약으로 인한 워크플로우 실패가 거의 80% 감소했습니다. 나머지 몇 가지 실패는 대부분 AWS 계정 제약과 자동 확장 프로세스를 넘어선 것입니다. Vericast가 이 솔루션을 통해 얻은 가장 큰 장점은 새로운 클라이언트와 워크플로를 쉽게 온보딩할 수 있다는 것입니다. Vericast는 프로세스 속도를 최소 60~70% 높일 것으로 예상하며 최종 수치를 위해 데이터를 수집해야 합니다.
이것이 Vericast의 성공으로 간주되지만 그에 따른 비용이 있습니다. 이 모듈의 특성과 전체적으로 동적 확장의 개념을 기반으로 워크플로는 워크플로의 각 모듈에 대해 사용자 정의 조정 클러스터가 있는 워크플로보다 약 30% 더 오래 걸리는 경향이 있습니다(평균 사례). Vericast는 각 클라이언트 모듈에 휴리스틱 기반 리소스 초기화를 통합하여 솔루션을 개선하기 위해 이 영역에서 계속 최적화하고 있습니다.
Vericast의 기계 학습 플랫폼 수석 관리자인 Sharmo Sarkar는 "AWS와 SageMaker의 사용을 계속 확장하면서 전담 AWS 솔루션 아키텍트인 AWS 클라이언트 서비스 팀의 놀라운 작업을 강조하고 싶었습니다. 우리가 함께 일하는 AWS Professional Services. AWS와 SageMaker에 대한 깊은 이해 덕분에 우리는 모든 요구 사항을 충족하고 필요한 유연성과 확장성을 제공하는 솔루션을 설계할 수 있었습니다. 이처럼 유능하고 박식한 지원팀이 우리 편에 있다는 것이 정말 감사합니다.”
결론
이 게시물에서는 SageMaker 및 SageMaker Processing을 통해 Vericast가 대규모 데이터 볼륨을 위한 관리형, 성능 및 비용 효율적인 데이터 처리 프레임워크를 구축할 수 있었던 방법을 공유했습니다. SageMaker Processing의 강력함과 유연성을 다른 AWS 서비스와 결합하여 일반화된 기능 엔지니어링 프로세스를 쉽게 모니터링할 수 있습니다. 컴퓨팅, 메모리 및 기타 요인의 부족으로 인해 발생하는 잠재적인 문제를 자동으로 감지하고 필요에 따라 수직 및 수평 확장을 자동으로 구현할 수 있습니다.
SageMaker와 해당 도구는 팀이 ML 목표를 달성하는 데에도 도움이 될 수 있습니다. SageMaker Processing 및 이것이 데이터 처리 워크로드를 지원하는 방법에 대해 자세히 알아보려면 다음을 참조하십시오. 프로세스 데이터. 이제 막 ML을 시작했고 예제와 지침을 찾고 있다면, Amazon SageMaker 점프스타트 시작할 수 있습니다. JumpStart는 문서 요약 및 이미지 생성과 같은 작업을 수행하는 데 도움이 되는 사전 훈련된 기반 모델과 함께 기본 제공 알고리즘에 액세스할 수 있는 ML 허브이며 사전 구축된 솔루션을 통해 일반적인 사용 사례를 해결할 수 있습니다.
마지막으로, 이 게시물이 문제를 해결하는 데 도움이 되거나 영감을 준다면 우리는 그것에 대해 듣고 싶습니다! 귀하의 의견과 피드백을 공유하십시오.
저자에 관하여
앤서니 맥클루어 AWS SaaS Factory 팀의 선임 파트너 솔루션 아키텍트입니다. Anthony는 또한 AWS ML/AI Technical Field Community와 협력하여 고객이 기계 학습 솔루션을 현실화하도록 지원하는 기계 학습 및 인공 지능에 큰 관심을 가지고 있습니다.
죠티 샤르마 Vericast의 기계 학습 플랫폼 팀의 데이터 과학 엔지니어입니다. 그녀는 데이터 과학의 모든 측면에 열정을 가지고 있으며 확장성이 뛰어난 분산 기계 학습 플랫폼을 설계하고 구현하는 데 중점을 둡니다.
샤모 사카르 Vericast의 선임 관리자입니다. 그는 Vericast에서 Cloud Machine Learning Platform 및 Marketing Platform ML R&D 팀을 이끌고 있습니다. 그는 빅 데이터 분석, 분산 컴퓨팅 및 자연어 처리에 대한 광범위한 경험을 가지고 있습니다. 업무 외에는 오토바이, 하이킹, 산길에서 자전거 타기를 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoAiStream. Web3 데이터 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 미래 만들기 w Adryenn Ashley. 여기에서 액세스하십시오.
- PREIPO®로 PRE-IPO 회사의 주식을 사고 팔 수 있습니다. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 10
- 100
- 15%
- 7
- a
- 소개
- ACCESS
- 따라서
- 계정
- 달성
- 활성화
- 행위
- 더하다
- 추가
- 첨가
- 추가
- 적절하게
- 후
- 반대
- 에이즈
- 목표
- 경보
- 연산
- 알고리즘
- All
- 혼자
- 따라
- 이미
- 또한
- 아마존
- 아마존 세이지 메이커
- 양
- an
- 분석
- 및
- 다른
- 앤소니
- 어떤
- API를
- 적당한
- 아키텍처
- 있군요
- 지역
- 약
- 기사
- 인조의
- 인공 지능
- AS
- 양상
- 측면
- 할당 된
- 지원
- At
- 자동
- 자동화
- 자동적으로
- 평균
- AWS
- AWS 전문 서비스
- 기지
- 기반으로
- BE
- 때문에
- 가
- 된
- 존재
- 혜택
- BEST
- 그 너머
- 큰
- 빅 데이터
- 가장 큰
- 후원
- 두
- 가져
- 빌드
- 건물
- 내장
- 내장
- 사업
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- 계산 된
- 전화
- 운동
- CAN
- 얻을 수 있습니다
- 캡처
- 케이스
- 가지 경우
- 원인
- 일으키는
- 어떤
- 도전
- 변경
- 수업
- 수업
- 분류
- 클라이언트
- 클라이언트 온 보딩
- 클라이언트
- 클라우드
- 클러스터
- 암호
- 단
- 결합
- 결합
- 제공
- 댓글
- 공통의
- 커뮤니티
- 회사
- 완전한
- 완료
- 복잡성
- 복잡한
- 구성 요소들
- 손상된
- 계산
- 컴퓨팅
- 개념
- 개념
- 구성
- 고려
- 고려
- 치고는
- 고려하다
- 제약
- 포함하는
- 용기
- 계속
- 계속
- 비용
- 비용 효율적인
- 수
- 쿠폰
- 만들
- 만든
- 창조
- 기준
- Cross
- Current
- 현재
- 관습
- 고객
- 고객
- 데이터
- 데이터 분석
- 데이터 준비
- 데이터 처리
- 데이터 과학
- 데이터 과학자
- 데이터 중심
- 데이터 세트
- 결정하다
- 결정
- 전용
- 깊은
- 델타
- 인구 통계
- 의존하는
- 전개
- 기술 된
- 디자인
- 설계
- 설계
- 세부 묘사
- 세부설명
- 결정된
- 개발
- 다른
- 다른
- 어려움
- 곧장
- 할인
- 토론
- 분산
- 분산 컴퓨팅
- 구동
- 운전사
- 두
- 동적
- 역동적 인
- 마다
- 이전
- 완화
- 용이하게
- 중
- 이메일
- 사용 가능
- 수
- 기사
- 엔지니어링
- 엔지니어
- 보장
- 전체의
- 환경
- 환경
- 같은
- 동등한
- 평가
- 평가
- 평가
- 이벤트
- 이벤트
- 예
- 예
- 외
- 현존하는
- 펼치기
- 기대하는
- ~을 기대하는
- 경험
- 탐색
- 표현
- 광대 한
- 광범위한 경험
- 요인
- 공장
- 실패
- 고장
- 특색
- 특징
- 연방 준비 은행
- 피드백
- 를
- 들
- 최후의
- 확정 된
- 먼저,
- 맞게
- 유연성
- 융통성있는
- 집중
- 수행원
- 다음
- 럭셔리
- 양식
- Foundation
- 뼈대
- 에
- 충분히
- 기능
- 기능
- 게다가
- 미래
- 모임
- 일반
- 생성
- 생성
- 세대
- 얻을
- 점점
- 주어진
- Go
- 골
- 목표
- 간다
- 좋은
- GPU
- 감사
- 지도
- 했다
- 핸들
- 발생
- 있다
- 데
- he
- 듣다
- 무거운
- 무거운 리프팅
- 도움
- 도움이
- 고수준
- 높은 품질의
- 강조
- 고도로
- history
- 수평
- 수평으로
- 방법
- How To
- 그러나
- HTML
- HTTP
- HTTPS
- 허브
- 사람의
- 장애
- i
- 확인
- if
- 설명하다
- 영상
- 구현
- 이행
- 구현
- 중대한
- 개선
- in
- 기타의
- 포함
- 포함
- 통합
- 증가
- 증가
- 믿을 수
- 개인
- 개별적으로
- 정보
- 인프라
- 처음에는
- 시작
- 예
- 조격
- 인텔리전스
- 의도
- 관심
- 인터페이스
- 내부의
- 개입
- 으로
- 참여
- 발행물
- 문제
- IT
- 그
- 일
- 작업
- JPG
- 다만
- 종류
- 알아
- 결핍
- 언어
- 넓은
- 크게
- 큰
- 후에
- 오퍼
- 배우다
- 배우기
- 가장 작은
- 도서관
- 리프팅
- 한정
- 한계
- 제한
- 링크드인
- 명부
- 작은
- 기록
- 로깅
- 논리
- 이상
- 찾고
- 잃다
- 애정
- 기계
- 기계 학습
- 유지하다
- 유지 보수
- 유지
- 확인
- 제작
- 유튜브 영상을 만드는 것은
- 관리
- 매니저
- 조작
- 태도
- .
- 마케팅
- math
- XNUMX월..
- 소개
- 메모리
- 메시지
- 메타 데이터
- 메트릭
- 통계
- 수도
- 신경
- 최소의
- ML
- 모델
- 모델
- 모듈
- 모듈
- 순간
- 모니터
- 모니터링
- 모니터링
- 모니터
- 배우기
- 가장
- 대개
- 산
- 여러
- 절대로 필요한 것
- 자연의
- 자연 언어 처리
- 자연
- 필요
- 필요
- 필요
- 요구
- 신제품
- 노드
- 특히
- 알아채다..
- 공고
- 알림
- 지금
- 번호
- 목표
- 관찰
- of
- 자주
- on
- 온디맨드
- 온보드
- 온 보딩
- ONE
- 지속적으로
- 만
- 연산자
- 최적의
- 최적화
- 최적화
- or
- 실물
- 기타
- 우리의
- 아웃
- 결과
- 출력
- 외부
- 위에
- 전체
- 극복하다
- 개요
- 매개 변수
- 부품
- 특별한
- 파트너
- 통과
- 열렬한
- 무늬
- tỷ lệ phần trăm
- 수행
- 성능
- 혹시
- 미문
- 관점
- .
- 관로
- 장소
- 계획
- 플랫폼
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연극
- 재생
- 부디
- ...을 더한
- 포인트 적립
- 전철기
- 가난한
- 가능한
- 게시하다
- 가능성
- 힘
- 예측
- 너무 이른
- 아마
- 문제
- 문제
- 방법
- 처리됨
- 처리
- 생산
- 프로덕트
- 생산
- 링크를
- 제공
- 제공
- 제공
- 놓다
- 품질
- 빠른
- 빨리
- R&D
- 차라리
- 살갗이 벗어 진
- 도달
- 읽기
- 준비
- 현실
- 이유
- 기록
- 복구
- 회복
- 감소
- 의미
- 관련
- 관련된
- 남아
- 나머지
- 신고
- 필수
- 요구조건 니즈
- 의지
- 제품 자료
- 응답
- 결과
- 결과
- 강력한
- 직위별
- 거칠게
- 통치
- 달리기
- 달리는
- SaaS는
- 현자
- 같은
- 라고
- 확장성
- 확장성
- 규모
- 스케일링
- 스케일링 솔루션
- 시나리오
- 과학
- 과학자
- 과학자
- 초
- 섹션
- 선택된
- 선택
- 보내다
- 전송
- 연장자
- 감도
- 별도의
- 분리
- 서비스
- 서비스
- 세트
- 설정
- 몇몇의
- 공유
- 공유
- 샤르마
- 그녀
- 표시
- 쇼
- 측면
- 상당한
- 비슷한
- 단순, 간단, 편리
- 크기
- So
- 해결책
- 솔루션
- 풀다
- 스페이스 버튼
- 구체적인
- 구체적으로
- 속도
- 회전
- 단계
- 표준
- 서
- 스타트
- 시작
- 시작
- 주 정부
- Status
- 단계
- 단계
- 아직도
- 정지
- 멎는
- 중지
- 저장
- 상점
- 끈
- 강한
- 구조화
- 가입자
- 성공
- 성공적으로
- 이러한
- SUPPORT
- 체계
- 시스템은
- 테이블
- 맞춤형
- 받아
- 소요
- 재능
- 태스크
- 작업
- 팀
- 팀
- 테크니컬
- 조건
- 보다
- 그
- XNUMXD덴탈의
- 미래
- 그들의
- 그들
- 그때
- 그곳에.
- 따라서
- Bowman의
- 그들
- 제삼
- 이
- 그
- 세
- 임계값
- 을 통하여
- 시간
- 시대
- 에
- 함께
- 검색을
- 금액
- Train
- 트레이닝
- 거래
- 상세 거래 내역
- 변환
- 변환
- 변환
- 트리거
- 방아쇠를 당긴
- 두
- 유형
- 전형적인
- 아래에
- 이해
- 단위
- 까지
- 업데이트
- us
- 쓸 수 있는
- 용법
- 사용
- 유스 케이스
- 익숙한
- 사용
- 확인
- 가치
- 여러
- 수직선
- 음량
- 볼륨
- vs
- 원
- 였다
- 시청
- 방법..
- we
- 잘
- 언제
- 어느
- 누구
- 모든
- 전적으로
- 의지
- 승리
- 과
- 이내
- 작업
- 워크 플로우
- 일하는
- 일
- 악화되는
- 겠지
- 쓰기
- 아직
- 수율
- 자신의
- 너의
- 제퍼 넷