Maskinlæringsmodeller (ML) fungerer ikke isolert. For å levere verdi må de integreres i eksisterende produksjonssystemer og infrastruktur, noe som gjør det nødvendig å vurdere hele ML-livssyklusen under design og utvikling. ML-operasjoner, kjent som MLOps, fokuserer på å effektivisere, automatisere og overvåke ML-modeller gjennom hele livssyklusen. Å bygge en robust MLOps-pipeline krever tverrfunksjonelt samarbeid. Dataforskere, ML-ingeniører, IT-ansatte og DevOps-team må jobbe sammen for å operasjonalisere modeller fra forskning til distribusjon og vedlikehold. Med de riktige prosessene og verktøyene gjør MLOps organisasjoner i stand til pålitelig og effektivt å ta i bruk ML på tvers av teamene sine.
Selv om kravene til kontinuerlig integrasjon og kontinuerlig levering (CI/CD) pipelines kan være unike og reflektere hver organisasjons behov, kan skalering av MLOps-praksis på tvers av team forenkles ved å bruke administrerte orkestrasjoner og verktøy som kan akselerere utviklingsprosessen og fjerne de udifferensierte tunge løftene .
Amazon SageMaker MLOps er en rekke funksjoner som inkluderer Amazon SageMaker-prosjekter (CI/CD), Amazon SageMaker-rørledninger og Amazon SageMaker modellregister.
SageMaker-rørledninger gjør det enkelt å opprette og administrere ML-arbeidsflyter, samtidig som det tilbyr lagrings- og gjenbruksmuligheter for arbeidsflyttrinn. De SageMaker modellregister sentraliserer modellsporing, og forenkler modelldistribusjon. SageMaker-prosjekter introduserer CI/CD-praksis til ML, inkludert miljøparitet, versjonskontroll, testing og automatisering. Dette muliggjør en rask etablering av CI/CD i ditt ML-miljø, noe som muliggjør effektiv skalerbarhet i hele bedriften.
Den innebygde prosjektmaler levert av Amazon SageMaker inkluderer integrasjon med noen av tredjepartsverktøyene, som Jenkins for orkestrering og GitHub for kildekontroll, og flere bruker AWS native CI/CD-verktøy som f.eks. AWS CodeCommit, AWS CodePipelineog AWS CodeBuild. I mange scenarier ønsker imidlertid kunder å integrere SageMaker Pipelines med andre eksisterende CI/CD-verktøy og derfor lage sine egendefinerte prosjektmaler.
I dette innlegget viser vi deg en trinn-for-trinn-implementering for å oppnå følgende:
- Lag en tilpasset SageMaker MLOps-prosjektmal som integreres med GitHub og GitHub Actions
- Gjør dine egendefinerte prosjektmaler tilgjengelige i Amazon SageMaker Studio for datavitenskapsteamet ditt med klargjøring med ett klikk
Løsningsoversikt
I dette innlegget konstruerer vi følgende arkitektur. Vi lager en automatisert modellbyggingspipeline som inkluderer trinn for dataforberedelse, modelltrening, modellevaluering og registrering av den trente modellen i SageMaker Model Registry. Den resulterende trente ML-modellen distribueres deretter fra SageMaker Model Registry til iscenesettelses- og produksjonsmiljøer etter manuell godkjenning.
La oss fordype oss i elementene i denne arkitekturen for å forstå den komplette konfigurasjonen.
GitHub og GitHub-handlinger
GitHub er en nettbasert plattform som gir versjonskontroll og kildekodeadministrasjon ved hjelp av Git. Det gjør det mulig for team å samarbeide om programvareutviklingsprosjekter, spore endringer og administrere kodelagre. GitHub fungerer som et sentralisert sted for å lagre, versjonere og administrere ML-kodebasen din. Dette sikrer at ML-kodebasen og pipelines er versjonert, dokumentert og tilgjengelig for teammedlemmer.
GitHub-handlinger er et kraftig automatiseringsverktøy innenfor GitHub-økosystemet. Den lar deg lage tilpassede arbeidsflyter som automatiserer livssyklusprosessene for programvareutvikling, for eksempel bygging, testing og distribusjon av kode. Du kan lage hendelsesdrevne arbeidsflyter utløst av spesifikke hendelser, for eksempel når kode skyves til et depot eller en pull-forespørsel opprettes. Når du implementerer MLOps, kan du bruke GitHub Actions til å automatisere ulike stadier av ML-pipelinen, for eksempel:
- Datavalidering og forbehandling
- Modelltrening og evaluering
- Modelldistribusjon og overvåking
- CI/CD for ML-modeller
Med GitHub Actions kan du strømlinjeforme ML-arbeidsflytene dine og sikre at modellene dine konsekvent bygges, testes og distribueres, noe som fører til mer effektive og pålitelige ML-implementeringer.
I de følgende avsnittene starter vi med å sette opp forutsetningene knyttet til noen av komponentene som vi bruker som en del av denne arkitekturen:
- AWS skyformasjon - AWS skyformasjon starter modelldistribusjonen og etablerer SageMaker-endepunktene etter at modelldistribusjonspipelinen er aktivert ved godkjenning av den trente modellen.
- AWS CodeStar-tilkobling - Vi bruker AWS CodeStar å etablere en kobling med GitHub-depotet og bruke det som kode-repo-integrasjon med AWS-ressurser, som SageMaker Studio.
- Amazon EventBridge - Amazon EventBridge holder styr på alle endringer i modellregisteret. Den opprettholder også en regel som ber Lambda-funksjonen om å distribuere modellrørledningen når statusen til modellpakkeversjonen endres fra
PendingManualApproval
tilApproved
i modellregisteret. - AWS Lambda – Vi bruker en AWS Lambda funksjon for å starte arbeidsflyten for modelldistribusjon i GitHub Actions etter at en ny modell er registrert i modellregisteret.
- Amazon SageMaker – Vi konfigurerer følgende SageMaker-komponenter:
- Rørledning – Denne komponenten består av en rettet asyklisk graf (DAG) som hjelper oss å bygge den automatiserte ML-arbeidsflyten for stadiene med dataforberedelse, modelltrening og modellevaluering. Modellregisteret opprettholder registreringer av modellversjoner, deres tilknyttede artefakter, avstamning og metadata. Det etableres en modellpakkegruppe som rommer alle relaterte modellversjoner. Modellregisteret er også ansvarlig for å administrere godkjenningsstatusen til modellversjonen for påfølgende distribusjon.
- Endpoint – Denne komponenten setter opp to HTTPS sanntidsendepunkter for slutning. Hostingkonfigurasjonen kan justeres, for eksempel for batchtransformasjon eller asynkron inferens. Staging-endepunktet genereres når modelldistribusjonsrørledningen aktiveres ved godkjenning av den trente modellen fra SageMaker Model Registry. Dette endepunktet brukes til å validere den utplasserte modellen ved å sikre at den gir spådommer som tilfredsstiller våre nøyaktighetsstandarder. Når modellen er klargjort for produksjonsdistribusjon, distribueres et produksjonsendepunkt av en manuell godkjenningsfase i arbeidsflyten for GitHub Actions.
- Kodearkiv – Dette oppretter et Git-depot som en ressurs i SageMaker-kontoen din. Ved å bruke eksisterende data fra GitHub-kodelageret som du legger inn under opprettelsen av ditt SageMaker-prosjekt, etableres en tilknytning til det samme depotet i SageMaker når du starter prosjektet. Dette danner i hovedsak en kobling med et GitHub-depot i SageMaker, som muliggjør interaktive handlinger (pull/push) med depotet ditt.
- Modellregister – Dette overvåker de ulike versjonene av modellen og de tilhørende artefaktene, som inkluderer avstamning og metadata. En samling kjent som en modellpakkegruppe er laget, boligrelaterte versjoner av modellen. I tillegg overvåker modellregisteret godkjenningsstatusen til modellversjonen, og sikrer at den er klar for påfølgende distribusjon.
- AWS Secrets Manager – For å bevare ditt personlige GitHub-tilgangstoken på en sikker måte, er det nødvendig å etablere en hemmelighet AWS Secrets Manager og huse tilgangstokenet ditt i det.
- AWS servicekatalog – Vi bruker AWS servicekatalog for implementering av SageMaker-prosjekter, som inkluderer komponenter som et SageMaker-kodelager, Lambda-funksjon, EventBridge-regel, artefakt S3-bøtte, etc., alt implementert via CloudFormation. Dette lar organisasjonen din bruke prosjektmaler gjentatte ganger, tildele prosjekter til hver bruker og effektivisere driften.
- Amazon S3 – Vi bruker en Amazon enkel lagringstjeneste (Amazon S3) bøtte for å beholde modellartefakter produsert av rørledningen.
Forutsetninger
Du bør ha følgende forutsetninger:
Du må også fullføre ytterligere oppsettstrinn før du implementerer løsningen.
Sett opp en AWS CodeStar-tilkobling
Hvis du ikke allerede har en AWS CodeStar-tilkobling til GitHub-kontoen din, se Opprett en tilkobling til GitHub for instruksjoner for å lage en. Din AWS CodeStar-tilkobling ARN vil se slik ut:
I dette eksemplet, aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
er den unike IDen for denne tilkoblingen. Vi bruker denne ID-en når vi lager SageMaker-prosjektet senere i dette eksemplet.
Sett opp hemmelige tilgangsnøkler for GitHub-tokenet ditt
For å lagre ditt personlige GitHub-tilgangstoken sikkert, må du opprette en hemmelighet i Secrets Manager. Hvis du ikke har et personlig tilgangstoken for GitHub, se Administrere dine personlige tilgangstokener for instruksjoner for å lage en.
Du kan lage enten en klassisk eller finkornet tilgangstoken. Sørg imidlertid for at tokenet har tilgang til depotets innhold og handlinger (arbeidsflyter, kjøringer og artefakter).
Fullfør følgende trinn for å lagre tokenet ditt i Secrets Manager:
- Velg på Secrets Manager-konsollen Lagre en ny hemmelighet.
- Plukke ut Annen type hemmelighet forum Velg hemmelig type.
- Oppgi et navn for hemmeligheten din i nøkkel feltet og legg til ditt personlige tilgangstoken til det tilsvarende Verdi feltet.
- Velg neste, skriv inn et navn for hemmeligheten din og velg neste en gang til.
- Velg Butikk for å redde hemmeligheten din.
Ved å lagre ditt personlige GitHub-tilgangstoken i Secrets Manager, kan du trygt få tilgang til det innenfor MLOps-pipelinen din samtidig som du sikrer konfidensialitet.
Opprett en IAM-bruker for GitHub Actions
For å la GitHub Actions distribuere SageMaker-endepunkter i AWS-miljøet ditt, må du opprette en AWS identitets- og tilgangsadministrasjon (IAM) bruker og gi den nødvendige tillatelser. For instruksjoner, se Opprette en IAM-bruker i AWS-kontoen din. Bruke iam/GithubActionsMLOpsExecutionPolicy.json
fil (gitt i kodeeksempel) for å gi tilstrekkelige tillatelser for denne brukeren til å distribuere endepunktene dine.
Etter at du har opprettet IAM-brukeren, generere en tilgangsnøkkel. Du vil bruke denne nøkkelen, som består av både en tilgangsnøkkel-ID og en hemmelig tilgangsnøkkel, i det påfølgende trinnet når du konfigurerer GitHub-hemmelighetene dine.
Sett opp GitHub-kontoen din
Følgende er trinnene for å forberede GitHub-kontoen din til å kjøre dette eksemplet.
Klon GitHub-depotet
Du kan gjenbruke en eksisterende GitHub-repo for dette eksemplet. Det er imidlertid enklere hvis du oppretter et nytt depot. Dette depotet kommer til å inneholde all kildekoden for både SageMaker pipeline builds og distribusjoner.
Kopier innholdet i frøkodekatalogen til roten til GitHub-depotet ditt. For eksempel .github
katalogen skal være under roten til GitHub-depotet ditt.
Lag en GitHub-hemmelighet som inneholder IAM-brukertilgangsnøkkelen din
I dette trinnet lagrer vi tilgangsnøkkeldetaljene til den nyopprettede brukeren i vår GitHub-hemmelighet.
- På GitHub-nettstedet, naviger til depotet ditt og velg innstillinger.
- I sikkerhetsdelen velger du Hemmeligheter og variabler Og velg handlinger.
- Velg Ny depothemmelighet.
- Til Navn, Tast inn
AWS_ACCESS_KEY_ID
- Til Secret, skriv inn tilgangsnøkkel-ID-en knyttet til IAM-brukeren du opprettet tidligere.
- Velg Legg til hemmelig.
- Gjenta samme prosedyre for
AWS_SECRET_ACCESS_KEY
Konfigurer GitHub-miljøene dine
For å opprette et manuelt godkjenningstrinn i distribusjonsrørledningene våre, bruker vi en GitHub-miljø. Fullfør følgende trinn:
- Naviger til innstillinger, Miljøer menyen til GitHub-depotet ditt og lag et nytt miljø kalt produksjon.
- Til Miljøvernregler, plukke ut Nødvendige anmeldere.
- Legg til de ønskede GitHub-brukernavnene som anmeldere. For dette eksemplet kan du velge ditt eget brukernavn.
Merk at miljøfunksjonen ikke er tilgjengelig i noen typer GitHub-planer. For mer informasjon, se Bruke miljøer for distribusjon.
Implementer Lambda-funksjonen
I de følgende trinnene komprimerer vi lambda_function.py
inn i en .zip-fil, som deretter lastes opp til en S3-bøtte.
Det relevante kodeeksemplet for dette finner du i det følgende GitHub repo. Nærmere bestemt lambda_function.py
er plassert i lambda_functions/lambda_github_workflow_trigger katalogen.
Det anbefales å lage en gaffel av kodeeksemplet og klone den i stedet. Dette vil gi deg friheten til å endre koden og eksperimentere med forskjellige aspekter av prøven.
- Etter at du har fått en kopi av koden, naviger til riktig katalog og bruk
zip
kommando for å komprimerelambda_function.py
. Både Windows- og MacOS-brukere kan bruke sitt opprinnelige filbehandlingssystem, henholdsvis File Explorer eller Finder, for å generere en .zip-fil.
- Last opp
lambda-github-workflow-trigger.zip
til en S3-bøtte.
Denne bøtten vil senere få tilgang til Service Catalog. Du kan velge hvilken som helst bøtte du har tilgang til, så lenge Service Catalog er i stand til å hente data fra den i påfølgende trinn.
Fra dette trinnet og utover krever vi at AWS CLI v2 er installert og konfigurert. Et alternativ ville være å bruke AWS CloudShell, som kommer med alle nødvendige verktøy forhåndsinstallert, og eliminerer behovet for ytterligere konfigurasjoner.
- For å laste opp filen til S3-bøtten, bruk følgende kommando:
Nå konstruerer vi et lambdalag for avhengighetene knyttet til lambda_function
vi lastet opp.
- Sett opp et virtuelt Python-miljø og få installert avhengighetene:
- Generer .zip-filen med følgende kommandoer:
- Publiser laget til AWS:
Med dette laget publisert kan alle dine Lambda-funksjoner nå referere til det for å møte deres avhengigheter. For en mer detaljert forståelse av Lambda-lag, se Arbeid med Lambda-lag.
Lag en egendefinert prosjektmal i SageMaker
Etter å ha fullført alle trinnene ovenfor, har vi alle CI/CD-pipelineressursene og komponentene. Deretter viser vi hvordan vi kan gjøre disse ressursene tilgjengelige som et tilpasset prosjekt i SageMaker Studio tilgjengelig via ett klikk-distribusjon.
Som diskutert tidligere, når de SageMaker-leverte malene ikke oppfyller dine behov (for eksempel vil du ha mer kompleks orkestrering i CodePipeline med flere stadier, tilpassede godkjenningstrinn eller å integrere med et tredjepartsverktøy som GitHub og GitHub-handlinger demonstrert i dette innlegget), kan du lage dine egne maler. Vi anbefaler å starte med de SageMaker-leverte malene for å forstå hvordan du organiserer koden og ressursene dine og bygger på toppen av den. For flere detaljer, se Lag egendefinerte prosjektmaler.
Merk at du også kan automatisere dette trinnet og i stedet bruke CloudFormation til å distribuere tjenestekatalogporteføljen og produktet via kode. I dette innlegget viser vi deg imidlertid konsollimplementeringen for en større læringsopplevelse.
På dette stadiet bruker vi den medfølgende CloudFormation-malen til å lage en tjenestekatalogportefølje som hjelper oss med å lage tilpassede prosjekter i SageMaker.
Du kan opprette et nytt domene eller gjenbruke SageMaker-domenet ditt for følgende trinn. Hvis du ikke har et domene, se Ombord på Amazon SageMaker Domain ved hjelp av hurtigoppsett for installasjonsinstruksjoner.
Etter at du har aktivert administratortilgang til SageMaker-malene, fullfør følgende trinn:
- På tjenestekatalogkonsollen, under Administrasjon Velg navigasjonsruten Porteføljer.
- Velg Lag en ny portefølje.
- Gi porteføljen navnet "SageMaker Organization Templates".
- Last ned template.yml filen til datamaskinen din.
Denne Cloud Formation-malen sørger for alle CI/CD-ressursene vi trenger som konfigurasjon og infrastruktur som kode. Du kan studere malen mer detaljert for å se hvilke ressurser som er distribuert som en del av den. Denne malen har blitt tilpasset for å integreres med GitHub og GitHub Actions.
- på
template.yml
fil, endreS3Bucket
verdi til bøtten din der du har lastet opp Lambda .zip-filen:
- Velg den nye porteføljen.
- Velg Last opp et nytt produkt.
- Til Produktnavn¸ skriv inn et navn for malen din. Vi bruker navnet
build-deploy-github
. - Til Beskrivelse, skriv inn en beskrivelse.
- Til Eieren, Skriv inn navnet ditt.
- Under VersjonsdetaljerFor Metode, velg Bruk en malfil.
- Velg Last opp en mal.
- Last opp malen du lastet ned.
- Til Versjonstittel, velg 1.0.
- Velg Anmeldelse.
- Gå gjennom innstillingene og velg Lag produkt.
- Velg Forfriske for å liste opp det nye produktet.
- Velg produktet du nettopp opprettet.
- På Tags kategorien, legg til følgende merke i produktet:
- nøkkel =
sagemaker:studio-visibility
- Verdi =
true
- nøkkel =
Tilbake i porteføljedetaljene bør du se noe som ligner på følgende skjermbilde (med forskjellige IDer).
- På begrensninger kategorien, velg Lag begrensning.
- Til Produkt, velg
build-deploy-github
(produktet du nettopp opprettet). - Til Begrensning type, velg Start.
- Under StartbegrensningFor Metode, velg Velg IAM-rolle.
- Velg
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Velg Opprett.
- På Grupper, roller og brukere kategorien, velg Legg til grupper, roller, brukere.
- På Roller fanen, velg rollen du brukte da du konfigurerte SageMaker Studio-domenet. Det er her SageMaker-domenerollen kan bli funnet.
- Velg Legg til tilgang.
Distribuer prosjektet fra SageMaker Studio
I de forrige avsnittene forberedte du det tilpassede MLOps-prosjektmiljøet. La oss nå lage et prosjekt ved å bruke denne malen:
- På SageMaker-konsollen, naviger til domenet du vil opprette dette prosjektet.
- På Start meny, velg studie.
Du blir omdirigert til SageMaker Studio-miljøet.
- I SageMaker Studio, i navigasjonsruten under distribusjoner, velg Prosjekter.
- Velg Opprett prosjekt.
- Velg øverst på listen over maler Organisasjonsmaler.
Hvis du har gått gjennom alle de foregående trinnene, bør du kunne se en ny tilpasset prosjektmal kalt Build-Deploy-GitHub
.
- Velg den malen og velg Velg Prosjektmal.
- Skriv inn en valgfri beskrivelse.
- Til GitHub Repository Eiernavn, skriv inn eieren av GitHub-depotet ditt. For eksempel, hvis depotet ditt er på
https://github.com/pooyavahidi/my-repo
, ville eieren værepooyavahidi
. - Til GitHub-lagernavn, skriv inn navnet på depotet du kopierte frøkoden til. Det ville bare være navnet på repoen. For eksempel i
https://github.com/pooyavahidi/my-repo
, er repoenmy-repo
. - Til Unik ID for kodestjernetilkobling, skriv inn den unike ID-en til AWS CodeStar-tilkoblingen du opprettet.
- Til Navnet på hemmeligheten i Secrets Manager som lagrer GitHub-token, skriv inn navnet på hemmeligheten i Secrets Manager der du opprettet og lagret GitHub-tokenet.
- Til GitHub arbeidsflytfil for distribusjon, skriv inn navnet på GitHub-arbeidsflytfilen (at
.github/workflows/deploy.yml
) der du har distribusjonsinstruksjonene. For dette eksemplet kan du beholde det som standard, som erdeploy.yml
. - Velg Opprett prosjekt.
- Etter å ha opprettet prosjektet ditt, sørg for at du oppdaterer
AWS_REGION
ogSAGEMAKER_PROJECT_NAME
miljøvariabler i GitHub-arbeidsflytfilene dine tilsvarende. Arbeidsflytfiler er i GitHub-repoen din (kopiert fra frøkoden), inne i.github/workflows
katalog. Sørg for å oppdatere beggebuild.yml
ogdeploy.yml
filer.
Nå er miljøet ditt klart til bruk! Du kan kjøre pipelinene direkte, gjøre endringer og skyve disse endringene til GitHub-depotet ditt for å utløse den automatiserte byggepipelinen og se hvordan alle trinnene i bygging og distribusjon er automatisert.
Rydd opp
For å rydde opp i ressursene, fullfør følgende trinn:
- Slett CloudFormation-stakkene som brukes for SageMaker-prosjektet og SageMaker-endepunkter.
- Slett SageMaker-domenet.
- Slett tjenestekatalogressursene.
- Slett AWS CodeStar-tilkoblingskoblingen med GitHub-depotet.
- Slett IAM-brukeren du opprettet for GitHub Actions.
- Slett hemmeligheten i Secrets Manager som lagrer GitHubs personlige tilgangsdetaljer.
Oppsummering
I dette innlegget gikk vi gjennom prosessen med å bruke en tilpasset SageMaker MLOps-prosjektmal for automatisk å konstruere og organisere en CI/CD-pipeline. Denne pipelinen integrerer effektivt dine eksisterende CI/CD-mekanismer med SageMaker-funksjoner for datamanipulering, modellopplæring, modellgodkjenning og modelldistribusjon. I vårt scenario fokuserte vi på å integrere GitHub Actions med SageMaker-prosjekter og pipelines. For en omfattende forståelse av implementeringsdetaljene, besøk GitHub repository. Føl deg fri til å eksperimentere med dette og ikke nøl med å legge igjen spørsmål du måtte ha i kommentarfeltet.
Om forfatterne
Dr. Romina Sharifpour er senior maskinlærings- og kunstig intelligens-løsningsarkitekt hos Amazon Web Services (AWS). Hun har brukt over 10 år på å lede design og implementering av innovative ende-til-ende-løsninger aktivert av fremskritt innen ML og AI. Rominas interesseområder er naturlig språkbehandling, store språkmodeller og MLOps.
Pooya Vahidi er en senior løsningsarkitekt hos AWS, lidenskapelig opptatt av informatikk, kunstig intelligens og cloud computing. Som AI-profesjonell er han et aktivt medlem av AWS AI/ML Area-of-Depth-teamet. Med en bakgrunn som strekker seg over to tiår med ekspertise i å lede arkitekturen og konstruksjonen av store løsninger, hjelper han kunder på deres transformative reiser gjennom sky- og AI/ML-teknologier.
- 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/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- : har
- :er
- :ikke
- :hvor
- $OPP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- I stand
- Om oss
- ovenfor
- akselerere
- adgang
- aksesseres
- tilgjengelig
- tilsvar
- Logg inn
- nøyaktighet
- Oppnå
- tvers
- handlinger
- aktiv
- asyklisk
- legge til
- Ytterligere
- justert
- adoptere
- fremskritt
- Etter
- en gang til
- AI
- AI / ML
- Alle
- tildele
- tillate
- tillater
- allerede
- også
- alternativ
- Amazon
- Amazon SageMaker
- Amazon SageMaker-rørledninger
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- og
- og infrastruktur
- noen
- hensiktsmessig
- godkjenning
- arkitektur
- ER
- områder
- kunstig
- kunstig intelligens
- AS
- aspekter
- assosiert
- Association
- At
- automatisere
- Automatisert
- automatisk
- Automatisere
- Automatisering
- tilgjengelig
- AWS
- bakgrunn
- basen
- BE
- vært
- før du
- både
- bygge
- Bygning
- bygger
- bygget
- innebygd
- by
- som heter
- CAN
- evner
- katalog
- CD
- sentralisert
- endring
- Endringer
- Velg
- Classic
- ren
- klikk
- Cloud
- cloud computing
- kode
- kodebase
- samarbeide
- samarbeid
- samling
- kommer
- kommentarer
- fullføre
- ferdigstillelse
- komplekse
- komponent
- komponenter
- omfattende
- datamaskin
- informatikk
- databehandling
- konfidensialitet
- Konfigurasjon
- konfigurert
- konfigurering
- tilkobling
- vurderer
- konsekvent
- består
- Konsoll
- konstruere
- inneholde
- innhold
- kontinuerlig
- kontroll
- Tilsvarende
- skape
- opprettet
- skaper
- Opprette
- skaperverket
- skikk
- Kunder
- tilpasset
- DAG
- dato
- Dataklargjøring
- datavitenskap
- tiår
- Misligholde
- leverer
- levering
- dybden
- krav
- demonstrere
- demonstrert
- avhengig
- utplassere
- utplassert
- utplasserings
- distribusjon
- distribusjoner
- beskrivelse
- utforming
- ønsket
- detalj
- detaljert
- detaljer
- Utvikling
- forskjellig
- regissert
- direkte
- diskutert
- do
- domene
- ikke
- under
- hver enkelt
- Tidligere
- enklere
- økosystem
- Effektiv
- effektivt
- effektiv
- effektivt
- enten
- elementer
- eliminere
- muliggjøre
- aktivert
- muliggjør
- muliggjør
- ende til ende
- Endpoint
- Ingeniørarbeid
- Ingeniører
- sikre
- sikrer
- sikrer
- Enter
- Enterprise
- Hele
- Miljø
- miljøer
- hovedsak
- etablere
- etablert
- etablerer
- etablering
- etc
- evaluering
- hendelser
- eksempel
- eksisterende
- erfaring
- eksperiment
- ekspertise
- explorer
- tilrettelegging
- Trekk
- Egenskaper
- føler
- felt
- filet
- Filer
- Finder
- Fokus
- fokuserte
- etter
- Til
- gaffel
- formasjon
- skjemaer
- funnet
- Gratis
- Frihet
- fra
- funksjon
- funksjoner
- generere
- generert
- få
- gå
- GitHub
- Gi
- skal
- borte
- innvilge
- graf
- større
- Gruppe
- Gruppens
- Ha
- he
- tung
- tung løfting
- hjelper
- Hosting
- hus
- hus
- bolig
- Hvordan
- Hvordan
- Men
- HTML
- http
- HTTPS
- ID
- Identitet
- ids
- if
- gjennomføring
- implementert
- implementere
- in
- inkludere
- inkluderer
- Inkludert
- informasjon
- Infrastruktur
- initiere
- Starter
- innovative
- inngang
- innsiden
- installere
- installerte
- f.eks
- i stedet
- instruksjoner
- integrere
- Integrerer
- Integrering
- integrering
- Intelligens
- interaktiv
- interesse
- inn
- Introduserer
- isolasjon
- IT
- DET ER
- Journeys
- jpg
- JSON
- bare
- Hold
- holder
- nøkkel
- nøkler
- kjent
- Språk
- stor
- storskala
- seinere
- lansere
- lag
- lag
- ledende
- læring
- Permisjon
- Livssyklus
- løfte
- i likhet med
- avstamning
- LINK
- Liste
- ligger
- plassering
- Lang
- Se
- ser ut som
- maskin
- maskinlæring
- MacOS
- opprettholder
- vedlikehold
- gjøre
- administrer
- fikk til
- ledelse
- leder
- administrerende
- Manipulasjon
- håndbok
- mange
- mekanismer
- Møt
- medlem
- medlemmer
- Meny
- metadata
- kunne
- MIT
- ML
- MLOps
- modell
- modeller
- modifikasjoner
- modifisere
- overvåking
- skjermer
- mer
- mer effektivt
- Videre
- flere
- må
- navn
- oppkalt
- navn
- innfødt
- Naturlig
- Natural Language Processing
- Naviger
- Navigasjon
- nødvendig
- nødvendig
- Trenger
- behov
- Ny
- nytt produkt
- nylig
- neste
- nå
- få
- of
- tilby
- on
- ONE
- utover
- betjene
- Drift
- or
- orkestre
- organisasjon
- organisasjoner
- Annen
- vår
- enn
- oversikt
- egen
- eieren
- pakke
- brød
- paritet
- del
- parti
- lidenskapelig
- tillatelser
- personlig
- rørledning
- planer
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- portefølje
- Post
- kraftig
- praksis
- Spådommer
- forberedelse
- Forbered
- forberedt
- forutsetninger
- forrige
- prosedyren
- prosess
- Prosesser
- prosessering
- produsert
- Produkt
- Produksjon
- profesjonell
- prosjekt
- prosjekter
- ledetekster
- beskyttelse
- gi
- forutsatt
- gir
- publisert
- Skyv
- presset
- Python
- spørsmål
- Rask
- Beredskap
- klar
- sanntids
- anbefaler
- anbefales
- poster
- referere
- referanse
- reflektere
- registrert
- Registrering
- registret
- i slekt
- relevant
- pålitelig
- fjerne
- GJENTATTE GANGER
- Repository
- anmode
- krever
- Krav
- forskning
- ressurs
- Ressurser
- henholdsvis
- ansvarlig
- resulterende
- gjenbruk
- ikke sant
- robust
- Rolle
- roller
- root
- Regel
- Kjør
- går
- sagemaker
- SageMaker-rørledninger
- samme
- Spar
- skalerbarhet
- skalering
- scenario
- scenarier
- Vitenskap
- forskere
- Secret
- hemmeligheter
- Seksjon
- seksjoner
- sikkert
- sikkerhet
- se
- seed
- velg
- senior
- serverer
- tjeneste
- Tjenester
- sett
- innstilling
- innstillinger
- oppsett
- flere
- hun
- bør
- Vis
- lignende
- Enkelt
- forenklet
- forenkle
- Software
- programvareutvikling
- løsning
- Solutions
- noen
- noe
- kilde
- kildekoden
- Spenning
- spesifikk
- spesielt
- brukt
- Stabler
- Staff
- Scene
- stadier
- iscenesettelse
- standarder
- Begynn
- Start
- status
- Trinn
- Steps
- lagring
- oppbevare
- lagret
- butikker
- lagring
- rett fram
- effektivisere
- effektivisering
- studio
- Studer
- senere
- vellykket
- slik
- tilstrekkelig
- suite
- sikker
- system
- Systemer
- TAG
- lag
- Lag medlemmer
- lag
- Technologies
- mal
- maler
- testet
- Testing
- Det
- De
- Kilden
- deres
- deretter
- derfor
- Disse
- de
- Tredje
- tredjeparts
- denne
- De
- Gjennom
- hele
- til
- sammen
- token
- verktøy
- verktøy
- topp
- spor
- Sporing
- trent
- Kurs
- Transform
- transformative
- utløse
- utløst
- to
- typen
- typer
- etter
- forstå
- forståelse
- unik
- Oppdater
- lastet opp
- upon
- us
- bruke
- brukt
- Bruker
- Brukere
- ved hjelp av
- bruke
- benyttes
- VALIDERE
- validering
- verdi
- ulike
- versjon
- versjoner
- av
- virtuelle
- Besøk
- gikk
- ønsker
- we
- web
- webtjenester
- Web-basert
- Nettsted
- Hva
- når
- hvilken
- mens
- vil
- vinduer
- med
- innenfor
- Arbeid
- arbeide sammen
- arbeidsflyt
- arbeidsflyt
- ville
- år
- Du
- Din
- zephyrnet
- Zip