AIs økende innflytelse i store organisasjoner gir avgjørende utfordringer i administrasjon av AI-plattformer. Disse inkluderer utvikling av en skalerbar og operasjonell effektiv plattform som overholder organisasjonsmessige samsvar og sikkerhetsstandarder. Amazon SageMaker Studio tilbyr et omfattende sett med muligheter for maskinlæringsutøvere (ML) og dataforskere. Disse inkluderer et fullt administrert AI-utviklingsmiljø med et integrert utviklingsmiljø (IDE), som forenkler ende-til-ende ML-arbeidsflyten. Samarbeidsmulighetene som samredigering i sanntid og deling av notatbøker i teamet sikrer jevnt teamarbeid, mens skalerbarheten og høyytelsesopplæringen henvender seg til store datasett. Med innebygd sikkerhet, kostnadseffektivitet og en rekke forhåndsbygde verktøy som Amazon SageMaker Autopilot, Amazon SageMaker JumpStartog Amazon SageMaker Feature-butikkSageMaker Studio er en kraftig plattform for å akselerere AI-prosjekter og styrke dataforskere på alle nivåer av ekspertise.
Deutsche Bahn er en ledende transportorganisasjon i Tyskland med en omsetning på 56.3 milliarder EUR (i 2022), en arbeidsstyrke på 336,884 221,343 ansatte (inkludert 130 XNUMX ansatte i Tyskland), og virksomhet som spenner over XNUMX land. De tilbyr et bredt spekter av tjenester, inkludert offentlig og regional transport, godstjenester og jernbaneinfrastruktur. Gjennom integrert drift av trafikk- og jernbaneinfrastruktur, samt økonomisk og økologisk intelligent tilkobling av alle transportformer, flytter Deutsche Bahn mennesker og varer. Deutsche Bahn har vært i forkant med å ta i bruk AI, ved å bruke SageMaker Studio som en viktig AI-plattform. Hos Deutsche Bahn administrerer og drifter et dedikert AI-plattformteam SageMaker Studio-plattformen, og flere dataanalyseteam i organisasjonen bruker plattformen til å utvikle, trene og drive ulike analyse- og ML-aktiviteter.
AI-plattformteamets hovedmål er å sikre sømløs tilgang til Workbench-tjenester og SageMaker Studio for alle Deutsche Bahn-team og -prosjekter, med hovedfokus på dataforskere og ML-ingeniører. Denne plattformen hjelper Deutsche Bahn med å realisere et spekter av brukstilfeller, alt fra jernbanevedlikehold, prognoser og fremtidige applikasjoner innen generativ AI.
Den AI-plattformadministrerte tjenesten, bygget på SageMaker Studio, samsvarer sømløst med Deutsche Bahns konsernomfattende plattformstrategi. Den oppfyller selskapets overholdelseskrav, muliggjør en rask prosjektinitiering for teamet ved å klargjøre et SageMaker-domene, og reduserer vedlikeholdskostnader på grunn av en overordnet driftsmodell. Store fordeler inkluderer høy skalerbarhet av tjenesten, i stor grad på grunn av automatisering og en selvbetjeningsmodell, og en attraktiv prismodell som primært er basert på ressursforbruk.
"SageMaker Studio ga oss en felles plattform som er skalerbar, sikkerhetskompatibel og dekker utviklingsbehovene til dataforskere fra flere dataanalyseteam i DB-organisasjonen. Før dette administrerte og drev hvert team sine egne JupyterLab-notatbøker, noe som ikke var effektivt eller kostnadseffektivt. I løpet av 8 uker tok vi med over 120 utviklere, leverte 25 SageMaker-domener og begynte raskt å bruke denne plattformen.»
– Emmanuel Drosos, produkteier i DB Systel.
I dette innlegget utforsker vi hvordan Deutsche Bahn skalert og opererte AI-plattformen deres ved å bruke SageMaker Studio for flere team, samtidig som vi sørget for robust sikkerhet og tilsyn.
Løsningsoversikt
Arkitekturen hos Deutsche Bahn består av en sentral plattformkonto administrert av et plattformteam som er ansvarlig for å administrere infrastruktur og drift for SageMaker Studio. SageMaker Studio-ressurser er gruppert etter SageMaker-domener, som hver består av en tilknyttet Amazon elastisk filsystem (Amazon EFS) volum, en liste over autoriserte brukere og en rekke sikkerhet, applikasjoner, retningslinjer og Amazon Virtual Private Cloud (Amazon VPC) konfigurasjoner. Hos Deutsche Bahn bruker dataforskere fra ulike team SageMaker-domener for sine ML-aktiviteter; hvert team har et dedikert SageMaker-domene som de bruker til å utvikle og teste ML-modeller og samarbeide ved å bruke funksjoner som deling av bærbare datamaskiner.
Fra et infrastrukturperspektiv er det VPC klargjort i AI-plattformkontoen som vist i følgende figur har ingen utgående Internett-tilkobling for å sikre sikkerhet og samsvar. For høy tilgjengelighet er flere identiske private isolerte undernett klargjort. SageMaker Studio-domenene er distribuert i kun VPC-modus, som skaper et elastisk nettverksgrensesnitt for kommunikasjon mellom SageMaker-tjenestekontoen (AWS-tjenestekontoen) og plattformkontoens VPC. Endepunktene som SageMaker API, SageMaker Studio og SageMaker notebook muliggjør sikker og pålitelig kommunikasjon mellom plattformkontoens VPC og SageMaker-domenet administrert av AWS i SageMaker-tjenestekontoen.
Hvert dataanalyseteam kan be om ett eller flere SageMaker-domener gjennom selskapets interne selvbetjeningsportal. Denne prosessen med å bestille et SageMaker-domene er orkestrert gjennom en egen arbeidsflytprosess (via AWS trinnfunksjoner). Under denne orkestreringsflyten blir en Azure Active Directory (AD)-gruppe for dataanalyseteamet klargjort med AD-gruppenavnet som tilsvarer domenenavnet. Orkestreringen fører til en kontinuerlig integrasjon og kontinuerlig distribusjon (CI/CD) pipeline som distribuerer en AWS skyutviklingssett (AWS CDK) app som består av et SageMaker-domene for det respektive teamet.
I tillegg til SageMaker-domenet, et tilpasset AWS identitets- og tilgangsadministrasjon (IAM) rolle (SageMaker-execution-rolle), Amazon enkel lagringstjeneste (Amazon S3) bøtte (data-bøtte), kundeadministrert nøkkel (CMK) og andre AWS-ressurser klargjøres under distribusjonsprosessen av AWS CDK-appen, som illustrert i følgende figur. AD-gruppen inneholder forskere som trenger tilgang til teamets SageMaker-domene. AD-gruppenavnet tilsvarer SageMaker-domenets navn og brukes primært under autorisasjonsprosessen.
Klientseparasjon implementeres på nivå med SageMaker-domener ved å bruke IAM-autentiseringsmodus. En domenespesifikk IAM-rolle (SageMaker-execution-role) er knyttet til hvert domene som følger prinsippet om minste privilegium og påtas av dataanalyseteamet under påloggingsprosessen. Denne rollen gir dataforskere i teamet muligheten til å utføre ulike aktiviteter, som å kjøre prosesseringsjobber, hyperparameterjusteringsjobber, transformasjonsjobber og eksperimenter, samt lage modeller. Disse ML-aktivitetene kjøres på vegne av brukeren av SageMaker ved å bruke IAM-passrolletillatelsen. Enkelte handlinger som å lage S3-bøtter, endre IAM-roller, oppdatere SageMaker-domener og klargjøre store forekomster er imidlertid begrenset av hensyn til sikkerhet, samsvar og kostnadskontroll. Den tilknyttede IAM-policyen sørger for at dataanalyseteamet bare har tilgang til den relevante S3-bøtten og CMK for deres autoriserte domene, som vist i følgende figur. I tillegg lar rollen SageMaker-execution-rolle teammedlemmene påta seg roller i andre kontoer i Deutsche Bahn-organisasjonen fra SageMaker Studio, noe som gir dem fleksibilitet til å få tilgang til ressurser som Amazon Relational Database Service (Amazon S3), andre S3-bøtter, og Amazonas Athena. IAM-policyen bruker aws:RequestTag og aws:ResourceTag for finmasket tilgangskontroll under SageMaker-aktiviteter, som å behandle jobber, opplæringsjobber og lage modeller. Disse kodene hjelper også med å spore tilknyttede kostnader for domenet. For mer informasjon, se Handlinger, ressurser og tilstandsnøkler for Amazon SageMaker.
CMK krypterer både SageMaker-domenets filsysteminnhold lagret i Amazon EFS og innholdet i S3-bøtten (databøtte) som er klargjort for å lagre data for SageMaker-behandlings- og transformasjonsjobber. I tillegg gir ressursbaserte retningslinjer, slik som bøttepolicyen og CMK-policyen, et ekstra lag med sikkerhet, og begrenser både tilgang til kun autoriserte AI-teammedlemmer og tillatte handlinger på disse ressursene.
AI-teamet har ikke AWS-administrasjonskonsoll tilgang til AI-plattformteamets konto. For å få tilgang til SageMaker Studio, som illustrert i følgende figur, bruker dataforskerne fra dataanalyseteamet en generert forhåndsdefinert URL ved å autentisere gjennom en Amazon Cognito basert tilpasset påloggingsapplikasjon. Etter at brukeren logger på denne tilpassede applikasjonen, mottar de et OAuth-tilgangstoken som inneholder informasjon som AD-gruppenavn. Etter at de logger på den tilpassede applikasjonen, ber brukeren om SageMaker-domenetilgang gjennom brukergrensesnittet ved å utløse en Amazon API-gateway kall for å generere en forhåndsdefinert URL. API Gateway påkaller PreSignUrlGenerator AWS Lambda funksjon og bruker en Amazon Cognito-autorisator for å validere OAuth-tilgangstokenet i forespørselshodet. PreSignUrlGenerator-funksjonen validerer brukertilgangstillatelser for det forespurte SageMaker-domenet ved å sammenligne AD-navnet i tilgangstokenet med det forespurte SageMaker-domenet. Etter vellykket autorisasjon oppretter PreSignUrlGenerator-funksjonen en SageMaker-brukerprofil ved første pålogging og genererer et forhåndsdefinert URL-svar. Den tilpassede påloggingsapplikasjonen omdirigerer deretter brukerne til det forespurte SageMaker-domenet.
AWS CDK
Løsningen hos Deutsche Bahn bruker AWS CDK som infrastruktur som kode (IaC) for å levere et SageMaker-domene sammen med ressurser som S3-bøtter og en CMK. Følgende figur illustrerer stablene og tilknyttede ressurser som brukes for SageMaker-distribusjon. Infrastrukturstakken tar seg av å sette opp viktige ressurser som VPC, subnett og flere SageMaker-endepunkter. Ressursene som VPC, undernett og tjenestekontrollpolicyer (SCP) administreres av et sentralt skyteam gjennom en annen stabel (men vises her for enkelhets skyld). SageMakerStudioStack er primært ansvarlig for å klargjøre et SageMaker-domene, en dedikert databøtte, en CMK og den dedikerte IAM-rollen SageMaker-execution-rolle. Spesielt er hvert SageMaker-domene klargjort gjennom sin individuelle SageMakerStudioStack.
Løsningen bruker en spesialbygd L3-konstruksjon (SageMaker Studio-domene), som vist i følgende figur, for SageMaker-domeneressursen. SageMaker Studio har en livssykluskonfigurasjon funksjon som muliggjør spesifikke initialiseringer under oppstart av JupyterLab- eller KernelGateway-apper.
Deutsch Bahn bruker livssykluskonfigurasjonen som vist i følgende figur for automatisk å oppdage og slå av inaktive forekomster i SageMaker-domenet, noe som reduserer unødvendige kostnader. På grunn av begrenset utgående tilkobling bruker dataanalyseteamet internt hostede bilder og tredjepartsbiblioteker fra selskapets interne artifactory. Livssykluskonfigurasjonsskriptet for KernelGateway konfigurerer pip- og conda-pakkeforvaltere til å omdirigere nedlastinger til den internt hostede artifactory plasseringen. Når dette skrives, er det ingen AWS CDK-konstruksjon for livssykluskonfigurasjonsressursen; derfor bruker de en tilpasset CDK-ressurs for å klargjøre og administrere LifeCycleConfig-skriptet. Egendefinerte ressurser i AWS CDK tilbyr muligheten til å klargjøre og administrere ressurser som ikke støttes direkte av AWS skyformasjon eller AWS CDK-konstruksjoner.
Installasjon
Eksempelet på AWS CDK-applikasjonen viser hvordan ulike komponenter, inkludert SageMaker-domenet, livssykluskonfigurasjon, Amazon Cognito og IAM-rolle med minst privilegier, fungerer sammen. Innenfor applikasjonen håndterer SagemakerStudioStack-klassen klargjøringen av et SageMaker-domene, IAM-rolle (sagemaker-execution-rolle) som brukere påtar seg, CMK, livssykluskonfigurasjon, SageMaker-brukerprofil, S3-bøtte for databehandling og Amazon Cognito-brukergruppe. Demo AWS CDK-applikasjonen gir en kortfattet oversikt over nøkkelkomponenter, for eksempel SageMaker-domenet, livssykluskonfigurasjon, autentisering gjennom Amazon Cognito og IAM-rolle med minst privilegier. SagemakerLoginStack, på den annen side, er ansvarlig for å distribuere Amazon Cognito-brukerpoolen, Lambda-funksjonen og API-gatewayen for å generere forhåndsdefinerte URL-er. CognitoUserStack fokuserer først og fremst på å distribuere en bruker i Amazon Cognito-brukerpoolen.
Du kan kjøre følgende kommandoer for å kompilere, syntetisere og distribuere applikasjonen. Du bør justere kontoen, brukeren og passordet i eksempelkoden for applikasjonen din. Passordet skal være på minst 8 tegn, med store bokstaver og tall. Brukerparameteren er SageMaker-domenebrukeren som vil bli autentisert av Amazon Cognito.
- Last ned kildekoden fra GitHub repo.
- Bootstrap AWS-kontoen. I følgende kode justerer du kontonummeret og regionen etter behov:
- Installer pakkene og kompiler koden:
- Syntetiser AWS CDK-applikasjonen:
- Distribuer applikasjonen med alle stabler til kontoen og regionen du velger:
- Last ned Postman-appen for å foreta et API-anrop.
Hvis du ikke har en Postman-konto, opprett en gratis konto med e-posten din. Hvis du allerede har en konto, logg på kontoen din.
- På filet meny, velg Import og importer Postman-miljøets JSON-fil inkludert i GitHub-repoen.
- På Miljøer fanen i Postman, finn miljøet kalt SageMaker.
- Legg til følgende miljøvariabler, som du ser som en del av stabeldistribusjonsutdataene fra
SagemakerLoginStack
:
Bruk følgende parametere (hent verdiene fra utdataene under cdk-distribusjon):
-
- domenenavn – Domenenavnsparameteren du sendte i cdk deploy, for eksempel team1
- klient-ID – Amazon Cognito klient-ID
- klient-hemmelighet – Amazon Cognito-klienthemmeligheten.
- SageMaker-presigned-api – URL-en til API-gatewayen opprettet av AWS CDK, som genererer den forhåndsdefinerte URL-en
- kognito-pålogging-endepunkt – Endepunkt-URLen til Amazon Cognito-domenet der klientappen (i dette tilfellet Postman) autentiserer ved å oppgi påloggingsinformasjonen til brukeren (demo-brukeren)
Det neste trinnet er å generere et OAuth2-token.
-
- På autorisasjon fanen, velg SageMaker-miljøet og velg Generer nytt tilgangstoken.
Alle verdiene på denne fanen skal være forhåndsutfylt.
-
- Oppdater miljøvariablene og velg Få nytt tilgangstoken.
- I popup-vinduet som åpnes logger du på Amazon Cognito med brukernavnet (demo-bruker) og passordet du brukte tidligere.
Ved vellykket autentisering genereres et nytt tilgangstoken.
- Velg Bruk token.
- Velg
GeneratePresignedUrlDemo
i Postman SageMaker-samlingene og velg sent. - Pass på at du har valgt riktig miljø (SageMaker) på rullegardinlisten.
Dette foretar et REST API-kall til API Gateway og genererer en forhåndsdefinert URL for å få tilgang til SageMaker-domenet. Du kan se denne nettadressen i svarteksten.
- Kopier denne URL-en og skriv den inn i nettleservinduet.
Et nytt SageMaker-domene vil bli lansert med brukerprofilen din.
Denne demoapplikasjonen støtter SageMaker-funksjoner som treningsjobber, prosesseringsjobber og modellendepunkter. Merk at funksjoner som Amazon SageMaker Canvas, SageMaker JumpStart og SageMaker Feature Store er ikke aktivert.
Rydd opp
Fullfør følgende trinn for å rydde opp i ressursene dine:
- Velg SageMaker-konsollen i navigasjonsruten Domene, Brukerprofilog Apps.
- Slett alle apper som kjører (KernelGateway eller JupyterLab) fra denne løsningen.
- Slett alle SageMaker-brukerprofilene du opprettet under påloggingstrinnet.
- På Amazon EFS-konsollen, slett EFS-filsystemet opprettet for dette innlegget.
- Kjør følgende kommando for å slette ressursene som er opprettet med AWS CDK:
konklusjonen
Innlegget fremhevet hvordan Deutsche Bahn effektivt brukte SageMaker Studio for å fornye AI-plattformen sin, noe som resulterte i en skalerbar, automatisert og håndterbar løsning for å støtte de forskjellige dataanalyseteamene. Denne arkitekturen har en sentral plattformkonto, en selvbetjent domenebestillingsprosess og infrastrukturtilførsel ved bruk av AWS CDK. Implementeringsprosessen inkluderer en CI/CD-pipeline, som sikrer jevn levering av SageMaker-domener.
Totalt sett har transformasjonen forårsaket av SageMaker Studio gitt Deutsche Bahn makt til å konstruere en robust plattform for deres AI-initiativer, som serverer over 100 utviklere og administrerer 20 SageMaker-domener innenfor en enkelt AWS-konto.
Til slutt gir vi vår oppriktige takknemlighet til Nico Seegert (d-fine) og Philipp Vollmer (Deutsche Bahn), hvis uvurderlige bidrag var medvirkende til å forme denne arkitekturen.
For ytterligere lesing, se følgende ressurser:
___________________________________________________________________________________________
Om forfatterne
Prasanna Tuladhar er en Cloud Infrastructure Architect ved AWS Professional Services i München, Tyskland. Han spesialiserer seg på skyinfrastruktur, arbeidsbelastningsmigrering og DevOps på AWS-plattformen, og gir kundene muligheten til å nå sine forretningsmål. Utenom jobben liker han jogging, fotturer og kvalitetstid med familien.
Emmanuel Drosos er produkteier for AI-plattformen hos DBSystel, et datterselskap av Deutsche Bahn (DB) Tyskland. Med en lidenskap for innovasjon og teknologi, leder Emmanuel initiativer som tar sikte på å utnytte kraften til skyen for å drive AI-plattformen hos DB (Deutsche Bahn). AI.Platform er en av DBs konsernomfattende utviklingsplattformer. Den inkluderer AI-tjenester og verktøy for utvikling av AI-modeller (maskinlæring) og direkte brukbare AI-tjenester. Enkel, integrert og skalerbar. Han jobber tett med andre DB-kunder for å frigjøre det fulle potensialet til AI-plattformen, slik at de kan nå forretningsmålene sine effektivt og effektivt. Utenom sine profesjonelle aktiviteter liker Emmanuel å reise og er en entusiastisk natur- og turelsker.
Vishwanath Bhat er DevOps Architect hos AWS Professional Services, basert i Tyskland. Han hjelper kundene med å få fullt utbytte av skyen og oppnå forretningsmålene sine med AWS-skyen. Når han ikke jobber, liker han å bade i alpine innsjøer, gå på fotturer, lese eller spille fotball.
Kumudhan Cherarajan er DevOps-konsulent hos AWS Professional Services, basert i Sveits. Han brenner for å hjelpe kunder med å ta i bruk prosesser og tjenester som øker deres effektivitet i skyreisen. Når han ikke jobber, liker han å spille cricket og musikk.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/supercharge-your-ai-team-with-amazon-sagemaker-studio-a-comprehensive-view-of-deutsche-bahns-ai-platform-transformation/
- : har
- :er
- :ikke
- :hvor
- $OPP
- 10
- 100
- 11
- 12
- 120
- 13
- 130
- 16
- 20
- 2022
- 237
- 25
- 350
- 7
- 8
- a
- evne
- I stand
- Om oss
- akselerer
- adgang
- Logg inn
- kontoer
- Oppnå
- handlinger
- aktiv
- Aktiviteter
- Ad
- tillegg
- I tillegg
- adresser
- adoptere
- vedta
- Etter
- mot
- AI
- AI-plattform
- AI-tjenester
- sikte
- Justerer
- Alle
- tillater
- langs
- allerede
- også
- Amazon
- Amazon Cognito
- Amazon SageMaker
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analytics
- og
- og infrastruktur
- api
- app
- Søknad
- søknader
- takknemlighet
- apps
- arkitektur
- ER
- AS
- assosiert
- anta
- antatt
- At
- attraktiv
- Auth
- autentisert
- autentiserer
- Autentisering
- autorisasjon
- autorisert
- Automatisert
- automatisk
- Automatisering
- tilgjengelighet
- AWS
- AWS profesjonelle tjenester
- Azure
- basert
- BE
- vært
- vegne
- nytte
- Fordeler
- mellom
- Milliarder
- kroppen
- Bootstrap
- både
- Bringer
- brakte
- nett~~POS=TRUNC leseren~~POS=HEADCOMP
- bygget
- innebygd
- virksomhet
- men
- by
- ring
- som heter
- CAN
- evner
- hvilken
- saken
- saker
- catering
- henvender seg
- sentral
- viss
- utfordringer
- tegn
- valg
- Velg
- klasse
- ren
- kunde
- tett
- Cloud
- sky infrastruktur
- kode
- samarbeide
- samarbeids
- samlinger
- Felles
- Kommunikasjon
- Selskapets
- sammenligne
- samsvar
- kompatibel
- komponenter
- omfattende
- konsis
- tilstand
- Konfigurasjon
- tilkobling
- Tilkobling
- Består
- består
- Konsoll
- konstruere
- konstruerer
- konsulent
- forbruk
- inneholder
- innhold
- kontinuerlig
- bidragene
- kontroll
- Tilsvarende
- tilsvarer
- Kostnad
- kostnadseffektiv
- Kostnader
- land
- skape
- opprettet
- skaper
- Opprette
- Credentials
- cricket
- avgjørende
- skikk
- kunde
- Kunder
- tilpasset
- dato
- Data Analytics
- databehandling
- Database
- datasett
- dedikert
- levering
- demo
- demonstrerer
- avbildet
- utplassere
- utplassert
- utplasserings
- distribusjon
- ødelegge
- oppdage
- utvikle
- utviklere
- utvikle
- Utvikling
- forskjellig
- direkte
- katalog
- diverse
- gjør
- domene
- Domain Name
- domener
- ikke
- ned
- nedlastinger
- stasjonen
- to
- under
- hver enkelt
- Tidligere
- effektivt
- effektivitet
- effektiv
- effektivt
- emalje
- ansatte
- empowered
- myndiggjøring
- bemyndiger
- muliggjør
- muliggjør
- ende til ende
- Endpoint
- Ingeniører
- sikre
- sikrer
- sikrer
- Enter
- entusiastisk
- Miljø
- avgjørende
- EUR
- Hver
- eksempel
- eksperimenter
- ekspertise
- utforske
- utvide
- ekstra
- legge til rette
- familie
- Trekk
- Egenskaper
- Figur
- filet
- Først
- fleksibilitet
- flyten
- Fokus
- fokuserer
- etter
- følger
- fotball
- Til
- teten
- Gratis
- fra
- fullt
- fullt
- funksjon
- videre
- framtid
- gateway
- generere
- generert
- genererer
- genererer
- generative
- Generativ AI
- Tyskland
- få
- GitHub
- Go
- Mål
- varer
- fikk
- tilskudd
- Gruppe
- Økende
- hånd
- Håndterer
- Ha
- he
- hjelpe
- hjelpe
- hjelper
- her.
- Høy
- høy ytelse
- Fremhevet
- hans
- vert
- Hvordan
- Men
- HTML
- http
- HTTPS
- Innstilling av hyperparameter
- identiske
- Identitet
- Idle
- if
- illustrerer
- bilder
- implementert
- importere
- in
- I andre
- inkludere
- inkludert
- inkluderer
- Inkludert
- inkorporerer
- Øke
- individuelt
- påvirke
- informasjon
- Infrastruktur
- initiering
- initiativer
- Innovasjon
- installere
- instrumental
- integrert
- integrering
- Intelligent
- Interface
- intern
- internt
- Internet
- inn
- uvurderlig
- påkaller
- isolert
- IT
- DET ER
- Jobb
- reise
- jpg
- JSON
- nøkkel
- nøkler
- innsjøer
- stor
- lansert
- lag
- ledende
- Fører
- læring
- minst
- Nivå
- utnytte
- bibliotekene
- Livssyklus
- i likhet med
- liker
- Liste
- plassering
- logg
- Logg inn
- maskin
- maskinlæring
- vedlikehold
- større
- gjøre
- GJØR AT
- administrer
- overkommelig
- fikk til
- ledelse
- Ledere
- forvalter
- administrerende
- møter
- medlemmer
- migrasjon
- ML
- Mote
- modell
- modeller
- moduser
- mer
- trekk
- flere
- musikk
- navn
- Natur
- Navigasjon
- nødvendig
- behov
- nettverk
- Ny
- Ny tilgang
- neste
- Nei.
- spesielt
- note
- bærbare
- Antall
- tall
- oauth
- Målet
- mål
- of
- tilby
- Tilbud
- on
- ONE
- bare
- åpner
- operert
- opererer
- drift
- drift
- Drift
- or
- orkestrert
- orkestre
- organisasjon
- organisasjons
- organisasjoner
- Annen
- vår
- produksjon
- utenfor
- enn
- ordnet
- overhead
- oppsyn
- oversikt
- egen
- eieren
- pakke
- pakker
- brød
- parameter
- parametere
- del
- passere
- bestått
- lidenskap
- lidenskapelig
- Passord
- Ansatte
- Utfør
- tillatelse
- tillatelser
- perspektiv
- rørledning
- plattform
- Plattformer
- plato
- Platon Data Intelligence
- PlatonData
- Spille
- Politikk
- politikk
- basseng
- pop-up
- Portal
- Post
- potensiell
- makt
- kraftig
- prising
- prismodell
- primært
- primære
- prinsipp
- privat
- privilegium
- privilegier
- prosess
- prosessering
- Produkt
- profesjonell
- Profil
- Profiler
- prosjekt
- prosjekter
- gi
- forutsatt
- gir
- gi
- forsyning
- offentlig
- kvalitet
- raskt
- rail
- Railway
- område
- spenner
- Lesning
- sanntids
- realisere
- grunner
- motta
- omdirigere
- reduserer
- redusere
- referere
- region
- regional
- relevant
- pålitelig
- anmode
- forespørsler
- Krav
- ressurs
- Ressurser
- de
- svar
- ansvarlig
- REST
- begrenset
- begrense
- resulterende
- inntekter
- ikke sant
- robust
- Rolle
- roller
- Kjør
- rennende
- sagemaker
- sample
- skalerbarhet
- skalerbar
- skalert
- forskere
- script
- sømløs
- sømløst
- Secret
- sikre
- sikkerhet
- se
- valgt
- Selvbetjening
- separat
- tjeneste
- Tjenester
- sett
- innstilling
- forme
- deling
- bør
- vist
- stengt
- Slå
- undertegne
- Enkelt
- enkelhet
- forenkle
- enkelt
- glatter
- løsning
- kilde
- kildekoden
- Spenning
- spesialisert
- spesifikk
- Spectrum
- stable
- Stabler
- standarder
- startet
- oppstart
- Trinn
- Steps
- lagring
- oppbevare
- lagret
- Strategi
- studio
- subnett
- datterselskap
- vellykket
- slik
- Superladning
- støtte
- Støttes
- Støtter
- sikker
- SWIFT
- sveits
- syntetisere
- system
- tar
- lag
- Lag medlemmer
- lag
- teamarbeid
- Teknologi
- Testing
- Det
- De
- Kilden
- deres
- Dem
- deretter
- Der.
- derfor
- Disse
- de
- tredjeparts
- denne
- Gjennom
- tid
- til
- sammen
- token
- verktøy
- spor
- trafikk
- Tog
- Kurs
- Transformation
- transportere
- transport
- Traveling
- utløsende
- tuning
- ui
- låse opp
- unødvendig
- oppdatering
- upon
- URL
- us
- bruk
- bruke
- brukt
- Bruker
- Brukere
- bruker
- ved hjelp av
- VALIDERE
- Verdier
- variasjon
- ulike
- av
- Se
- virtuelle
- volum
- var
- we
- web
- webtjenester
- uker
- VI VIL
- var
- når
- hvilken
- mens
- HVEM
- hvem sin
- bred
- Bred rekkevidde
- vil
- vindu
- med
- innenfor
- Arbeid
- arbeidsflyt
- arbeidsstyrke
- arbeid
- virker
- skriving
- Du
- Din
- zephyrnet