Os modelos de aprendizado de máquina (ML) não operam isoladamente. Para agregar valor, eles devem ser integrados aos sistemas e infraestruturas de produção existentes, o que exige considerar todo o ciclo de vida do ML durante o projeto e o desenvolvimento. As operações de ML, conhecidas como MLOps, concentram-se na simplificação, automatização e monitoramento de modelos de ML ao longo de seu ciclo de vida. Construir um pipeline MLOps robusto exige colaboração multifuncional. Cientistas de dados, engenheiros de ML, equipes de TI e equipes de DevOps devem trabalhar juntos para operacionalizar modelos desde a pesquisa até a implantação e manutenção. Com os processos e ferramentas certos, o MLOps permite que as organizações adotem o ML de maneira confiável e eficiente em suas equipes.
Embora os requisitos de pipelines de integração contínua e entrega contínua (CI/CD) possam ser únicos e refletir as necessidades de cada organização, o dimensionamento de práticas de MLOps entre equipes pode ser simplificado usando orquestrações gerenciadas e ferramentas que podem acelerar o processo de desenvolvimento e remover o trabalho pesado indiferenciado. .
MLOps do Amazon SageMaker é um conjunto de recursos que inclui Projetos do Amazon SageMaker (CI/CD), Pipelines Amazon SageMaker e Registro de modelos do Amazon SageMaker.
Pipelines SageMaker permite a criação e o gerenciamento simples de fluxos de trabalho de ML, ao mesmo tempo que oferece recursos de armazenamento e reutilização para etapas de fluxo de trabalho. O Registro de modelo do SageMaker centraliza o rastreamento do modelo, simplificando a implantação do modelo. Projetos do SageMaker apresenta práticas de CI/CD para ML, incluindo paridade de ambiente, controle de versão, testes e automação. Isso permite um rápido estabelecimento de CI/CD em seu ambiente de ML, facilitando a escalabilidade eficaz em toda a sua empresa.
A built-in modelos de projeto fornecido por Amazon Sage Maker incluem integração com algumas ferramentas de terceiros, como Jenkins para orquestração e GitHub para controle de origem, e vários utilizam ferramentas nativas de CI/CD da AWS, como AWS CodeCommit, AWS Code Pipeline e AWS CodeBuild. Em muitos cenários, entretanto, os clientes gostariam de integrar o SageMaker Pipelines com outras ferramentas de CI/CD existentes e, portanto, criar seus modelos de projeto personalizados.
Nesta postagem, mostramos uma implementação passo a passo para alcançar o seguinte:
- Crie um modelo de projeto SageMaker MLOps personalizado que se integre ao GitHub e ao GitHub Actions
- Disponibilize seus modelos de projeto personalizados em Estúdio Amazon SageMaker para sua equipe de ciência de dados com provisionamento com um clique
Visão geral da solução
Neste post, construímos a seguinte arquitetura. Criamos um pipeline de construção de modelo automatizado que inclui etapas para preparação de dados, treinamento de modelo, avaliação de modelo e registro do modelo treinado no SageMaker Model Registry. O modelo de ML treinado resultante é então implantado do SageMaker Model Registry para ambientes de teste e produção mediante aprovação manual.
Vamos nos aprofundar nos elementos desta arquitetura para entender a configuração completa.
GitHub e ações do GitHub
GitHub é uma plataforma baseada na web que fornece controle de versão e gerenciamento de código-fonte usando Git. Ele permite que as equipes colaborem em projetos de desenvolvimento de software, rastreiem alterações e gerenciem repositórios de código. GitHub serve como um local centralizado para armazenar, versionar e gerenciar sua base de código de ML. Isso garante que sua base de código e pipelines de ML sejam versionados, documentados e acessíveis aos membros da equipe.
Ações do GitHub é uma ferramenta de automação poderosa dentro do ecossistema GitHub. Ele permite que você crie fluxos de trabalho personalizados que automatizam os processos do ciclo de vida de desenvolvimento de software, como construção, teste e implantação de código. Você pode criar fluxos de trabalho orientados a eventos acionados por eventos específicos, como quando o código é enviado para um repositório ou uma solicitação pull é criada. Ao implementar MLOps, você pode usar GitHub Actions para automatizar vários estágios do pipeline de ML, como:
- Validação e pré-processamento de dados
- Treinamento e avaliação do modelo
- Implantação e monitoramento de modelo
- CI/CD para modelos de ML
Com GitHub Actions, você pode simplificar seus fluxos de trabalho de ML e garantir que seus modelos sejam construídos, testados e implantados de forma consistente, levando a implantações de ML mais eficientes e confiáveis.
Nas seções a seguir, começamos configurando os pré-requisitos relacionados a alguns dos componentes que usamos como parte desta arquitetura:
- Formação da Nuvem AWS - Formação da Nuvem AWS inicia a implantação do modelo e estabelece os endpoints do SageMaker após o pipeline de implantação do modelo ser ativado pela aprovação do modelo treinado.
- Conexão AWS CodeStar - Nós usamos AWS CodeStar para estabelecer um link com o repositório GitHub e utilizá-lo como integração de repositório de código com recursos AWS, como SageMaker Studio.
- Amazon Event Bridge - Amazon Event Bridge acompanha todas as modificações no registro do modelo. Ele também mantém uma regra que solicita que a função do Lambda implante o pipeline do modelo quando o status da versão do pacote do modelo muda de
PendingManualApproval
paraApproved
dentro do registro do modelo. - AWS Lambda – Usamos um AWS Lambda função para iniciar o fluxo de trabalho de implantação do modelo em GitHub Actions depois que um novo modelo for registrado no registro do modelo.
- Amazon Sage Maker – Configuramos os seguintes componentes do SageMaker:
- Gasoduto – Este componente consiste em um gráfico acíclico direcionado (DAG) que nos ajuda a construir o fluxo de trabalho automatizado de ML para as etapas de preparação de dados, treinamento de modelo e avaliação de modelo. O registro de modelo mantém registros de versões de modelo, seus artefatos associados, linhagem e metadados. É estabelecido um grupo de pacotes de modelos que abriga todas as versões de modelos relacionadas. O registro do modelo também é responsável por gerenciar o status de aprovação da versão do modelo para implantação subsequente.
- Ponto final – Este componente configura dois endpoints HTTPS em tempo real para inferência. A configuração de hospedagem pode ser ajustada, por exemplo, para transformação em lote ou inferência assíncrona. O endpoint de preparação é gerado quando o pipeline de implantação do modelo é ativado pela aprovação do modelo treinado do SageMaker Model Registry. Este endpoint é utilizado para validar o modelo implantado, garantindo que ele forneça previsões que atendam aos nossos padrões de precisão. Quando o modelo é preparado para implantação de produção, um endpoint de produção é implantado por meio de um estágio de aprovação manual no fluxo de trabalho do GitHub Actions.
- Repositório de código – Isso cria um repositório Git como um recurso em sua conta SageMaker. Usando os dados existentes do repositório de código GitHub inseridos durante a criação do seu projeto SageMaker, uma associação com o mesmo repositório é estabelecida no SageMaker quando você inicia o projeto. Isso essencialmente forma um link com um repositório GitHub no SageMaker, permitindo ações interativas (pull/push) com seu repositório.
- Registro do modelo – Monitora as diversas versões do modelo e os artefatos correspondentes, que incluem linhagem e metadados. Uma coleção conhecida como grupo de pacote modelo é criado, abrigando versões relacionadas do modelo. Além disso, o registo do modelo supervisiona o estado de aprovação da versão do modelo, garantindo a sua prontidão para implementação subsequente.
- Gerenciador de segredos da AWS – Para preservar com segurança seu token de acesso pessoal do GitHub, é necessário estabelecer um segredo em Gerenciador de segredos da AWS e guarde seu token de acesso nele.
- Catálogo de serviços da AWS - Nós usamos o Catálogo de serviços da AWS para a implementação de projetos SageMaker, que incluem componentes como repositório de código SageMaker, função Lambda, regra EventBridge, bucket de artefato S3, etc., todos implementados via CloudFormation. Isso permite que sua organização use modelos de projeto repetidamente, aloque projetos para cada usuário e simplifique as operações.
- Amazon S3 – Usamos um Serviço de armazenamento simples da Amazon (Amazon S3) para manter os artefatos do modelo produzidos pelo pipeline.
Pré-requisitos
Você deve ter os seguintes pré-requisitos:
Você também deve concluir etapas adicionais de configuração antes de implementar a solução.
Configurar uma conexão AWS CodeStar
Se você ainda não tiver uma conexão do AWS CodeStar com sua conta do GitHub, consulte Crie uma conexão com o GitHub para obter instruções para criar um. O ARN da sua conexão AWS CodeStar ficará assim:
Neste exemplo, aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
é o ID exclusivo desta conexão. Usamos esse ID quando criamos nosso projeto SageMaker posteriormente neste exemplo.
Configure chaves de acesso secretas para seu token GitHub
Para armazenar com segurança seu token de acesso pessoal do GitHub, você precisa criar um segredo no Secrets Manager. Se você não tiver um token de acesso pessoal para GitHub, consulte Gerenciando seus tokens de acesso pessoal para obter instruções para criar um.
Você pode criar um token de acesso clássico ou refinado. No entanto, certifique-se de que o token tenha acesso ao conteúdo e às ações do repositório (fluxos de trabalho, execuções e artefatos).
Conclua as etapas a seguir para armazenar seu token no Secrets Manager:
- No console do Secrets Manager, escolha Guarde um novo segredo.
- Selecionar Outro tipo de segredo para Escolha o tipo de segredo.
- Forneça um nome para o seu segredo no Chave campo e adicione seu token de acesso pessoal ao correspondente Valor campo.
- Escolha Próximo, insira um nome para o seu segredo e escolha Próximo novamente.
- Escolha Loja para salvar seu segredo.
Ao armazenar seu token de acesso pessoal do GitHub no Secrets Manager, você pode acessá-lo com segurança em seu pipeline MLOps, garantindo sua confidencialidade.
Crie um usuário IAM para GitHub Actions
Para permitir que GitHub Actions implante endpoints SageMaker em seu ambiente AWS, você precisa criar um Gerenciamento de acesso e identidade da AWS (IAM) e conceda a ele as permissões necessárias. Para obter instruções, consulte Criando um usuário IAM em sua conta AWS. Use o iam/GithubActionsMLOpsExecutionPolicy.json
arquivo (fornecido no amostra de código) para fornecer permissões suficientes para esse usuário implantar seus endpoints.
Depois de criar o usuário IAM, gerar uma chave de acesso. Você usará essa chave, que consiste em um ID de chave de acesso e uma chave de acesso secreta, na etapa subsequente ao configurar seus segredos do GitHub.
Configure sua conta GitHub
A seguir estão as etapas para preparar sua conta GitHub para executar este exemplo.
Clone o repositório do GitHub
Você pode reutilizar um repositório GitHub existente para este exemplo. No entanto, é mais fácil se você criar um novo repositório. Este repositório conterá todo o código-fonte para construções e implantações de pipeline do SageMaker.
Copie o conteúdo do diretório do código inicial na raiz do seu repositório GitHub. Por exemplo, o .github
diretório deve estar na raiz do seu repositório GitHub.
Crie um segredo do GitHub contendo sua chave de acesso de usuário do IAM
Nesta etapa, armazenamos os detalhes da chave de acesso do usuário recém-criado em nosso Segredo do GitHub.
- No site do GitHub, navegue até seu repositório e escolha Configurações.
- Na seção de segurança, selecione Segredos e Variáveis e escolha Opções.
- Escolha Novo segredo do repositório.
- Escolha Nome, entrar
AWS_ACCESS_KEY_ID
- Escolha Segredo, insira o ID da chave de acesso associado ao usuário do IAM que você criou anteriormente.
- Escolha Adicionar segredo.
- Repita o mesmo procedimento para
AWS_SECRET_ACCESS_KEY
Configure seus ambientes GitHub
Para criar uma etapa de aprovação manual em nossos pipelines de implantação, usamos um Ambiente GitHub. Conclua as seguintes etapas:
- Navegue até a Configurações, Ambientes menu do seu repositório GitHub e crie um novo ambiente chamado produção.
- Escolha Regras de proteção ambiental, selecione Revisores necessários.
- Adicione os nomes de usuário desejados do GitHub como revisores. Neste exemplo, você pode escolher seu próprio nome de usuário.
Observe que o recurso de ambiente não está disponível em alguns tipos de planos do GitHub. Para obter mais informações, consulte Usando ambientes para implantação.
Implantar a função Lambda
Nas etapas a seguir, compactamos lambda_function.py
em um arquivo .zip, que é então carregado em um bucket S3.
O exemplo de código relevante para isso pode ser encontrado no seguinte GitHub repo. Especificamente, o lambda_function.py
está localizado no lambda_functions/lambda_github_workflow_trigger diretório.
É recomendado criar uma bifurcação do exemplo de código e cloná-lo. Isso lhe dará a liberdade de modificar o código e experimentar diferentes aspectos do exemplo.
- Depois de obter uma cópia do código, navegue até o diretório apropriado e use o comando
zip
comando para compactarlambda_function.py
. Os usuários de Windows e MacOS podem usar seu sistema de gerenciamento de arquivos nativo, File Explorer ou Finder, respectivamente, para gerar um arquivo .zip.
- Nos envie os
lambda-github-workflow-trigger.zip
para um bucket S3.
Este bucket será acessado posteriormente pelo Catálogo de Serviços. Você pode escolher qualquer bucket ao qual tenha acesso, desde que o Service Catalog seja capaz de recuperar dados dele nas etapas subsequentes.
A partir desta etapa, exigimos que o AWS CLI v2 seja instalado e configurado. Uma alternativa seria utilizar o AWS CloudShell, que vem com todas as ferramentas necessárias pré-instaladas, eliminando a necessidade de configurações adicionais.
- Para fazer upload do arquivo para o bucket S3, use o seguinte comando:
Agora construímos uma camada Lambda para as dependências relacionadas ao lambda_function
acabamos de carregar.
- Configure um ambiente virtual Python e instale as dependências:
- Gere o arquivo .zip com os seguintes comandos:
- Publique a camada na AWS:
Com esta camada publicada, todas as suas funções Lambda agora podem referenciá-la para atender às suas dependências. Para uma compreensão mais detalhada das camadas Lambda, consulte Trabalhando com camadas Lambda.
Crie um modelo de projeto personalizado no SageMaker
Após a conclusão de todas as etapas acima, temos todos os recursos e componentes do pipeline de CI/CD. A seguir, demonstramos como podemos disponibilizar esses recursos como um projeto personalizado dentro do SageMaker Studio, acessível por meio de implantação com um clique.
Conforme discutido anteriormente, quando os modelos fornecidos pelo SageMaker não atendem às suas necessidades (por exemplo, você deseja ter uma orquestração mais complexa no CodePipeline com vários estágios, etapas de aprovação personalizadas ou integração com uma ferramenta de terceiros, como GitHub e ações do GitHub demonstrado neste post), você pode criar seus próprios modelos. Recomendamos começar com os modelos fornecidos pelo SageMaker para entender como organizar seu código e recursos e construir sobre eles. Para mais detalhes, consulte Crie modelos de projeto personalizados.
Observe que você também pode automatizar esta etapa e, em vez disso, usar o CloudFormation para implantar o portfólio e o produto do Service Catalog por meio de código. Neste post, porém, para uma maior experiência de aprendizado, mostramos a implantação do console.
Nesta fase, usamos o modelo CloudFormation fornecido para criar um portfólio de Catálogo de Serviços que nos ajuda a criar projetos personalizados no SageMaker.
Você pode criar um novo domínio ou reutilizar seu domínio SageMaker nas etapas a seguir. Se você não tiver um domínio, consulte Integração ao domínio Amazon SageMaker usando configuração rápida para obter instruções de configuração.
Depois de habilitar o acesso de administrador aos modelos do SageMaker, conclua as seguintes etapas:
- No console do Catálogo de Serviços, em Áreas de Suporte no painel de navegação, escolha carteiras.
- Escolha Crie um novo portfólio.
- Nomeie o portfólio como “Modelos de Organização SageMaker”.
- Faça o download do modelo.yml arquivo para o seu computador.
Este modelo Cloud Formation provisiona todos os recursos de CI/CD necessários como configuração e infraestrutura como código. Você pode estudar o modelo com mais detalhes para ver quais recursos são implantados como parte dele. Este modelo foi personalizado para integração com GitHub e GitHub Actions.
- No
template.yml
arquivo, altere oS3Bucket
valor para o bucket onde você fez upload do arquivo .zip do Lambda:
- Escolha o novo portfólio.
- Escolha Faça upload de um novo produto.
- Escolha Nome do produto¸ insira um nome para o seu modelo. Usamos o nome
build-deploy-github
. - Escolha Descrição, insira uma descrição.
- Escolha Proprietário, digite seu nome.
- Debaixo Detalhes da versão, Por Forma, escolha Use um arquivo de modelo.
- Escolha Faça upload de um modelo.
- Faça upload do modelo que você baixou.
- Escolha Título da versão, escolha 1.0.
- Escolha Avaliações.
- Revise suas configurações e escolha Criar produto.
- Escolha revisar para listar o novo produto.
- Escolha o produto que você acabou de criar.
- No Tags guia, adicione a seguinte tag ao produto:
- Chave =
sagemaker:studio-visibility
- Valor =
true
- Chave =
De volta aos detalhes do portfólio, você deverá ver algo semelhante à captura de tela a seguir (com IDs diferentes).
- No restrições guia, escolha Criar restrição.
- Escolha Produto, escolha
build-deploy-github
(o produto que você acabou de criar). - Escolha Restrição digite, escolha Apresentação livro.
- Debaixo Restrição de lançamento, Por Forma, escolha Selecione a função IAM.
- Escolha
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Escolha Crie.
- No Grupos, funções e usuários guia, escolha Adicionar grupos, funções, usuários.
- No Setores guia, selecione a função que você usou ao configurar seu domínio do SageMaker Studio. É aqui que a função de domínio SageMaker pode ser encontrada.
- Escolha Adicionar acesso.
Implante o projeto do SageMaker Studio
Nas seções anteriores, você preparou o ambiente de projeto MLOps customizado. Agora, vamos criar um projeto usando este modelo:
- No console do SageMaker, navegue até o domínio no qual deseja criar este projeto.
- No Apresentação livro menu, escolha Studio.
Você será redirecionado para o ambiente do SageMaker Studio.
- No SageMaker Studio, no painel de navegação em implantações, escolha Projectos.
- Escolha Criar projeto.
- No topo da lista de modelos, escolha Modelos de organização.
Se você executou todas as etapas anteriores com êxito, poderá ver um novo modelo de projeto personalizado chamado Build-Deploy-GitHub
.
- Selecione esse modelo e escolha Selecione o modelo de projeto.
- Insira uma descrição opcional.
- Escolha Nome do proprietário do repositório GitHub, insira o proprietário do seu repositório GitHub. Por exemplo, se o seu repositório estiver em
https://github.com/pooyavahidi/my-repo
, o proprietário seriapooyavahidi
. - Escolha Nome do repositório GitHub, insira o nome do repositório no qual você copiou o código inicial. Seria apenas o nome do repositório. Por exemplo, em
https://github.com/pooyavahidi/my-repo
, o repositório émy-repo
. - Escolha ID exclusivo da conexão Codestar, insira o ID exclusivo da conexão do AWS CodeStar que você criou.
- Escolha Nome do segredo no Secrets Manager que armazena o token GitHub, insira o nome do segredo no Secrets Manager onde você criou e armazenou o token GitHub.
- Escolha Arquivo de fluxo de trabalho GitHub para implantação, insira o nome do arquivo de fluxo de trabalho do GitHub (em
.github/workflows/deploy.yml
) onde você tem as instruções de implantação. Para este exemplo, você pode mantê-lo como padrão, que édeploy.yml
. - Escolha Criar projeto.
- Depois de criar seu projeto, certifique-se de atualizar o
AWS_REGION
eSAGEMAKER_PROJECT_NAME
variáveis de ambiente em seus arquivos de fluxo de trabalho do GitHub adequadamente. Os arquivos de fluxo de trabalho estão em seu repositório GitHub (copiados do código inicial), dentro do.github/workflows
diretório. Certifique-se de atualizar ambosbuild.yml
edeploy.yml
arquivos.
Agora seu ambiente está pronto para funcionar! Você pode executar os pipelines diretamente, fazer alterações e enviá-las ao seu repositório GitHub para acionar o pipeline de construção automatizado e ver como todas as etapas de construção e implantação são automatizadas.
limpar
Para limpar os recursos, conclua as etapas a seguir:
- Exclua as pilhas do CloudFormation usadas para o projeto SageMaker e os endpoints do SageMaker.
- Exclua o domínio SageMaker.
- Exclua os recursos do Catálogo de Serviços.
- Exclua o link de conexão do AWS CodeStar com o repositório GitHub.
- Exclua o usuário IAM que você criou para GitHub Actions.
- Exclua o segredo no Secrets Manager que armazena os detalhes de acesso pessoal do GitHub.
Resumo
Nesta postagem, percorremos o processo de uso de um modelo de projeto SageMaker MLOps personalizado para construir e organizar automaticamente um pipeline de CI/CD. Este pipeline integra efetivamente seus mecanismos de CI/CD existentes com recursos do SageMaker para manipulação de dados, treinamento de modelo, aprovação de modelo e implantação de modelo. Em nosso cenário, nos concentramos na integração do GitHub Actions com projetos e pipelines do SageMaker. Para uma compreensão abrangente dos detalhes da implementação, visite o Repositório GitHub. Sinta-se à vontade para experimentar isso e não hesite em deixar qualquer dúvida que possa ter na seção de comentários.
Sobre os autores
Dra.Romina Sharifpour é arquiteto sênior de soluções de aprendizado de máquina e inteligência artificial na Amazon Web Services (AWS). Ela passou mais de 10 anos liderando o design e a implementação de soluções inovadoras de ponta a ponta, possibilitadas pelos avanços em ML e IA. As áreas de interesse de Romina são processamento de linguagem natural, grandes modelos de linguagem e MLOps.
Pooya Vahidi é arquiteto de soluções sênior na AWS, apaixonado por ciência da computação, inteligência artificial e computação em nuvem. Como profissional de IA, ele é um membro ativo da equipe AWS AI/ML Area-of-Depth. Com experiência de mais de duas décadas de experiência na liderança de arquitetura e engenharia de soluções de grande escala, ele ajuda os clientes em suas jornadas transformadoras por meio de tecnologias de nuvem e IA/ML.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :tem
- :é
- :não
- :onde
- $UP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Capaz
- Sobre
- acima
- acelerar
- Acesso
- acessadas
- acessível
- conformemente
- Conta
- precisão
- Alcançar
- em
- ações
- ativo
- acíclico
- adicionar
- Adicional
- Ajustado
- adotar
- avanços
- Depois de
- novamente
- AI
- AI / ML
- Todos os Produtos
- distribuir
- permitir
- permite
- já
- tb
- alternativa
- Amazon
- Amazon Sage Maker
- Pipelines Amazon SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- e
- e infra-estrutura
- qualquer
- apropriado
- aprovação
- arquitetura
- SOMOS
- áreas
- artificial
- inteligência artificial
- AS
- aspectos
- associado
- Associação
- At
- automatizar
- Automatizado
- automaticamente
- automatizando
- Automação
- disponível
- AWS
- fundo
- base
- BE
- sido
- antes
- ambos
- construir
- Prédio
- Constrói
- construído
- construídas em
- by
- chamado
- CAN
- capacidades
- catálogo
- CD
- centralizada
- alterar
- Alterações
- Escolha
- clássico
- limpar
- clique
- Na nuvem
- computação em nuvem
- código
- base de código
- colaborar
- colaboração
- coleção
- vem
- comentários
- completar
- realização
- integrações
- componente
- componentes
- compreensivo
- computador
- Ciência da Computação
- computação
- confidencialidade
- Configuração
- configurado
- configurando
- da conexão
- considerando
- consistentemente
- consiste
- cônsul
- construir
- não contenho
- conteúdo
- contínuo
- ao controle
- Correspondente
- crio
- criado
- cria
- Criar
- criação
- personalizadas
- Clientes
- personalizado
- DAG
- dados,
- Preparação de dados
- ciência de dados
- décadas
- Padrão
- entregar
- Entrega
- mergulhar
- demandas
- demonstrar
- demonstraram
- dependências
- implantar
- implantado
- Implantação
- desenvolvimento
- Implantações
- descrição
- Design
- desejado
- detalhe
- detalhado
- detalhes
- Desenvolvimento
- diferente
- dirigido
- diretamente
- discutido
- do
- domínio
- não
- durante
- cada
- Mais cedo
- mais fácil
- ecossistema
- Eficaz
- efetivamente
- eficiente
- eficientemente
- ou
- elementos
- eliminando
- permitir
- habilitado
- permite
- permitindo
- end-to-end
- Ponto final
- Engenharia
- Engenheiros
- garantir
- garante
- assegurando
- Entrar
- Empreendimento
- Todo
- Meio Ambiente
- ambientes
- essencialmente
- estabelecer
- estabelecido
- estabelece
- estabelecimento
- etc.
- avaliação
- eventos
- exemplo
- existente
- vasta experiência
- experimentar
- experiência
- explorador
- facilitando
- Característica
- Funcionalidades
- sentir
- campo
- Envie o
- Arquivos
- em destaque
- Foco
- focado
- seguinte
- Escolha
- garfo
- treinamento
- formas
- encontrado
- Gratuito
- Freedom
- da
- função
- funções
- gerar
- gerado
- ter
- Git
- GitHub
- OFERTE
- vai
- ido
- conceder
- gráfico
- maior
- Grupo
- Do grupo
- Ter
- he
- pesado
- levantamento pesado
- ajuda
- hospedagem
- House
- casas
- habitação
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- http
- HTTPS
- ID
- Identidade
- ids
- if
- implementação
- implementado
- implementação
- in
- incluir
- inclui
- Incluindo
- INFORMAÇÕES
- Infraestrutura
- iniciar
- Inicia
- inovadores
- entrada
- dentro
- instalar
- instalado
- instância
- em vez disso
- instruções
- integrar
- Integra-se
- Integração
- integração
- Inteligência
- interativo
- interesse
- para dentro
- Introduz
- isolamento
- IT
- ESTÁ
- Viagens
- jpg
- json
- apenas por
- Guarda
- mantém
- Chave
- chaves
- conhecido
- língua
- grande
- em grande escala
- mais tarde
- lançamento
- camada
- camadas
- principal
- aprendizagem
- Deixar
- wifecycwe
- facelift
- como
- linhagem
- LINK
- Lista
- localizado
- localização
- longo
- olhar
- parece
- máquina
- aprendizado de máquina
- MacOS
- mantém
- manutenção
- fazer
- gerencia
- gerenciados
- de grupos
- Gerente
- gestão
- Manipulação
- manual
- muitos
- mecanismos
- Conheça
- membro
- Membros
- Menu
- metadados
- poder
- MIT
- ML
- MLOps
- modelo
- modelos
- modificações
- modificar
- monitoração
- monitores
- mais
- mais eficiente
- Além disso
- múltiplo
- devo
- nome
- Nomeado
- nomes
- nativo
- natural
- Processamento de linguagem natural
- Navegar
- Navegação
- necessário
- requer
- você merece...
- Cria
- Novo
- produto novo
- recentemente
- Próximo
- agora
- obter
- of
- oferecendo treinamento para distância
- on
- ONE
- em diante
- operar
- Operações
- or
- orquestração
- organização
- organizações
- Outros
- A Nossa
- Acima de
- Visão geral
- próprio
- proprietário
- pacote
- pão
- paridade
- parte
- festa
- apaixonado
- permissões
- pessoal
- oleoduto
- planos
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- pasta
- Publique
- poderoso
- práticas
- Previsões
- preparação
- Preparar
- preparado
- pré-requisitos
- anterior
- procedimentos
- processo
- processos
- em processamento
- Produzido
- Produto
- Produção
- profissional
- projeto
- projetos
- solicita
- proteção
- fornecer
- fornecido
- fornece
- publicado
- Empurrar
- empurrado
- Python
- consultas
- Links
- Prontidão
- pronto
- em tempo real
- recomendar
- Recomenda
- registros
- referir
- referência
- refletir
- registrado
- Registo
- registro
- relacionado
- relevante
- confiável
- remover
- REPETIDAMENTE
- repositório
- solicitar
- requerer
- Requisitos
- pesquisa
- recurso
- Recursos
- respectivamente
- responsável
- resultando
- reutilizar
- certo
- uma conta de despesas robusta
- Tipo
- papéis
- raiz
- Regra
- Execute
- é executado
- sábio
- Pipelines SageMaker
- mesmo
- Salvar
- AMPLIAR
- dimensionamento
- cenário
- cenários
- Ciência
- cientistas
- Segredo
- segredos!
- Seção
- seções
- firmemente
- segurança
- Vejo
- semente
- selecionar
- senior
- serve
- serviço
- Serviços
- Conjuntos
- contexto
- Configurações
- instalação
- vários
- ela
- rede de apoio social
- mostrar
- semelhante
- simples
- simplificada
- simplificando
- Software
- desenvolvimento de software
- solução
- Soluções
- alguns
- algo
- fonte
- código fonte
- abrangendo
- específico
- especificamente
- gasto
- Pilhas
- Staff
- Etapa
- Estágio
- encenação
- padrões
- começo
- Comece
- Status
- Passo
- Passos
- armazenamento
- loja
- armazenadas
- lojas
- armazenar
- franco
- simplificar
- racionalização
- estudo
- Estudo
- subseqüente
- entraram com sucesso
- tal
- suficiente
- suíte
- certo
- .
- sistemas
- TAG
- Profissionais
- Membros do time
- equipes
- Tecnologias
- modelo
- modelos
- testado
- ensaio
- que
- A
- A fonte
- deles
- então
- assim sendo
- Este
- deles
- Terceiro
- De terceiros
- isto
- aqueles
- Através da
- todo
- para
- juntos
- token
- ferramenta
- ferramentas
- topo
- pista
- Rastreamento
- treinado
- Training
- Transformar
- transformadora
- desencadear
- desencadeado
- dois
- tipo
- tipos
- para
- compreender
- compreensão
- único
- Atualizar
- carregado
- sobre
- us
- usar
- usava
- Utilizador
- usuários
- utilização
- utilizar
- utilizado
- VALIDAR
- validação
- valor
- vário
- versão
- versões
- via
- Virtual
- Visite a
- caminhou
- queremos
- we
- web
- serviços web
- Web-Based
- Site
- O Quê
- quando
- qual
- enquanto
- precisarão
- Windows
- de
- dentro
- Atividades:
- trabalhar juntos
- de gestão de documentos
- fluxos de trabalho
- seria
- anos
- Vocês
- investimentos
- zefirnet
- Zip