Această postare este scrisă împreună cu Kostia Kofman și Jenny Tokar de la Booking.com.
În calitate de lider global în industria călătoriilor online, Booking.com caută mereu modalități inovatoare de a-și îmbunătăți serviciile și de a oferi clienților experiențe adaptate și perfecte. Echipa de clasare de la Booking.com joacă un rol esențial în a se asigura că algoritmii de căutare și recomandare sunt optimizați pentru a oferi cele mai bune rezultate pentru utilizatorii lor.
Împărtășind resurse interne cu alte echipe interne, oamenii de știință ai echipei de învățare automată (ML) de la Ranking au întâmpinat adesea timpi lungi de așteptare pentru a accesa resurse pentru formarea și experimentarea modelelor – provocându-le capacitatea de a experimenta și inova rapid. Recunoscând nevoia unei infrastructuri ML modernizate, echipa Ranking a pornit într-o călătorie pentru a folosi puterea Amazon SageMaker pentru a construi, antrena și implementa modele ML la scară.
Booking.com a colaborat cu Servicii profesionale AWS pentru a construi o soluție care să accelereze timpul de lansare pe piață pentru modelele ML îmbunătățite prin următoarele îmbunătățiri:
- Reducerea timpilor de așteptare pentru resurse pentru instruire și experimentare
- Integrarea capabilităților esențiale ML, cum ar fi reglarea hiperparametrului
- Un ciclu de dezvoltare redus pentru modelele ML
Timpii de așteptare redusi ar însemna că echipa ar putea repeta și experimenta rapid modelele, obținând informații într-un ritm mult mai rapid. Utilizarea instanțelor disponibile la cerere SageMaker a permis o reducere de zece ori a timpului de așteptare. Capabilitățile esențiale de ML, cum ar fi reglarea hiperparametrului și explicabilitatea modelului, lipseau la nivel local. Călătoria de modernizare a echipei a introdus aceste caracteristici prin Reglarea automată a modelelor Amazon SageMaker și Amazon SageMaker Clarify. În cele din urmă, aspirația echipei a fost să primească feedback imediat cu privire la fiecare modificare făcută în cod, reducând bucla de feedback de la minute la o clipă și, prin urmare, reducând ciclul de dezvoltare pentru modelele ML.
În această postare, ne aprofundăm în călătoria întreprinsă de echipa de clasificare de la Booking.com, în timp ce a valorificat capacitățile SageMaker pentru a-și moderniza cadrul de experimentare ML. Procedând astfel, nu numai că și-au depășit provocările existente, ci și-au îmbunătățit și experiența de căutare, beneficiind în cele din urmă de milioane de călători din întreaga lume.
Abordarea modernizării
Echipa Ranking este formată din mai mulți oameni de știință ML, care fiecare trebuie să dezvolte și să testeze propriul model offline. Când un model este considerat de succes conform evaluării offline, acesta poate fi mutat la testarea A/B de producție. Dacă arată îmbunătățiri online, poate fi implementat tuturor utilizatorilor.
Scopul acestui proiect a fost de a crea un mediu ușor de utilizat pentru ca oamenii de știință ML să poată rula cu ușurință personalizabil Amazon SageMaker Model Building Pipelines pentru a-și testa ipotezele fără a fi nevoie să codifice module lungi și complicate.
Una dintre numeroasele provocări cu care s-a confruntat a fost adaptarea soluției existente de conducte on-premise pentru utilizare pe AWS. Soluția a implicat două componente cheie:
- Modificarea și extinderea codului existent – Prima parte a soluției noastre a implicat modificarea și extinderea codului nostru existent pentru a-l face compatibil cu infrastructura AWS. Acest lucru a fost crucial pentru asigurarea unei tranziții fără probleme de la procesarea on-premise la cea bazată pe cloud.
- Dezvoltare pachet client – A fost dezvoltat un pachet client care acționează ca un înveliș în jurul API-urilor SageMaker și al codului existent anterior. Acest pachet combină cele două, permițând oamenilor de știință ML să configureze și să implementeze cu ușurință conductele ML fără codificare.
Configurarea conductei SageMaker
Personalizarea este esențială pentru construcția de modele și a fost realizată prin config.ini
, un fișier de configurare extins. Acest fișier servește drept centru de control pentru toate intrările și comportamentele conductei.
Configurații disponibile în interior config.ini
includ:
- Detalii de conductă – Practicianul poate defini numele conductei, specifica ce pași ar trebui să ruleze, stabilește unde trebuie stocate ieșirile Serviciul Amazon de stocare simplă (Amazon S3) și selectați ce seturi de date să utilizați
- Detaliile contului AWS – Puteți decide în ce regiune ar trebui să ruleze conducta și ce rol ar trebui utilizat
- Configurație specifică pasului – Pentru fiecare pas din conductă, puteți specifica detalii precum numărul și tipul de instanțe de utilizat, împreună cu parametrii relevanți
Următorul cod arată un exemplu de fișier de configurare:
config.ini
este un fișier controlat de versiune gestionat de Git, reprezentând configurația minimă necesară pentru o rulare cu succes a pipelinei de antrenament. În timpul dezvoltării, fișierele de configurare locale care nu sunt controlate de versiune pot fi utilizate. Aceste fișiere de configurare locale trebuie să conțină doar setări relevante pentru o anumită rulare, introducând flexibilitate fără complexitate. Clientul de creare a conductei este conceput pentru a gestiona mai multe fișiere de configurare, cel mai recent având prioritate față de setările anterioare.
Pașii conductei SageMaker
Conducta este împărțită în următorii pași:
- Pregătirea datelor de instruire și testare – Teraocteții de date brute sunt copiați într-o găleată S3, procesați folosind AWS Adeziv joburi pentru procesarea Spark, rezultând date structurate și formatate pentru compatibilitate.
- Tren – Pasul de instruire utilizează estimatorul TensorFlow pentru joburile de formare SageMaker. Antrenamentul are loc într-o manieră distribuită folosind Horovod, iar artefactul model rezultat este stocat în Amazon S3. Pentru reglarea hiperparametrului, poate fi inițiată un job de optimizare a hiperparametrilor (HPO), selectând cel mai bun model pe baza metricii obiective.
- prezice – În acest pas, un job de procesare SageMaker utilizează artefactul de model stocat pentru a face predicții. Acest proces rulează în paralel pe mașinile disponibile, iar rezultatele predicției sunt stocate în Amazon S3.
- Evalua – O lucrare de procesare PySpark evaluează modelul folosind un script Spark personalizat. Raportul de evaluare este apoi stocat în Amazon S3.
- Condiție – După evaluare, se ia o decizie privind calitatea modelului. Această decizie se bazează pe o valoare a condiției definită în fișierul de configurare. Dacă evaluarea este pozitivă, modelul este înregistrat ca aprobat; în caz contrar, este înregistrat ca respins. În ambele cazuri, raportul de evaluare și explicabilitate, dacă este generat, sunt înregistrate în modelul de registru.
- Model de pachet pentru inferență – Folosind un job de procesare, dacă rezultatele evaluării sunt pozitive, modelul este împachetat, stocat în Amazon S3 și pregătit pentru încărcare pe portalul intern ML.
- Explica – SageMaker Clarify generează un raport de explicabilitate.
Sunt utilizate două depozite distincte. Primul depozit conține definiția și codul de compilare pentru pipeline ML, iar al doilea depozit conține codul care rulează în fiecare pas, cum ar fi procesarea, antrenamentul, predicția și evaluarea. Această abordare cu depozit dublu permite o mai mare modularitate și permite echipelor de știință și inginerie să repete în mod independent codul ML și componentele pipeline ML.
Următoarea diagramă ilustrează fluxul de lucru al soluției.
Ajustare automată a modelului
Antrenarea modelelor ML necesită o abordare iterativă a mai multor experimente de instruire pentru a construi un model final robust și performant pentru utilizarea în afaceri. Oamenii de știință ML trebuie să selecteze tipul de model adecvat, să construiască seturile de date de intrare corecte și să ajusteze setul de hiperparametri care controlează procesul de învățare a modelului în timpul antrenamentului.
Selectarea valorilor adecvate pentru hiperparametrii pentru procesul de formare a modelului poate influența semnificativ performanța finală a modelului. Cu toate acestea, nu există o modalitate unică sau definită de a determina ce valori sunt adecvate pentru un anumit caz de utilizare. De cele mai multe ori, oamenii de știință ML vor trebui să ruleze mai multe joburi de antrenament cu seturi ușor diferite de hiperparametri, să observe valorile de antrenare a modelului și apoi să încerce să selecteze valori mai promițătoare pentru următoarea iterație. Acest proces de reglare a performanței modelului este cunoscut și sub numele de optimizare hiperparametrică (HPO) și poate necesita uneori sute de experimente.
Echipa Ranking obișnuia să efectueze HPO manual în mediul lor local, deoarece puteau lansa doar un număr foarte limitat de joburi de formare în paralel. Prin urmare, au trebuit să ruleze HPO secvenţial, să testeze şi să selecteze manual diferite combinaţii de valori ale hiperparametrului şi să monitorizeze în mod regulat progresul. Acest lucru a prelungit procesul de dezvoltare și reglare a modelului și a limitat numărul total de experimente HPO care ar putea rula într-o perioadă de timp fezabilă.
Odată cu trecerea la AWS, echipa de clasare a putut folosi funcția de ajustare automată a modelului (AMT) a SageMaker. AMT le permite oamenilor de știință Ranking ML să lanseze automat sute de joburi de formare în intervale de hiperparametri de interes pentru a găsi cea mai performantă versiune a modelului final în funcție de metrica aleasă. Echipa de clasare poate alege acum între patru strategii diferite de reglare automată pentru selectarea hiperparametrilor:
- Căutare în grilă – AMT se va aștepta ca toți hiperparametrii să fie valori categorice și va lansa joburi de instruire pentru fiecare combinație categorială distinctă, explorând întreg spațiul hiperparametrilor.
- Căutare aleatorie – AMT va selecta aleatoriu combinații de valori hiperparametrice în intervalele furnizate. Deoarece nu există nicio dependență între diferitele joburi de antrenament și selectarea valorii parametrilor, cu această metodă pot fi lansate mai multe joburi de antrenament paralele, accelerând procesul optim de selecție a parametrilor.
- Optimizare bayesiană – AMT utilizează implementarea optimizării bayesiene pentru a ghici cel mai bun set de valori ale hiperparametrului, tratându-l ca pe o problemă de regresie. Va lua în considerare combinațiile de hiperparametri testate anterior și impactul acestuia asupra joburilor de antrenament model cu noua selecție a parametrilor, optimizând pentru o selecție mai inteligentă a parametrilor cu mai puține experimente, dar va lansa și joburi de formare numai secvenţial pentru a putea întotdeauna să înveţe din antrenamentele anterioare.
- Hiperbandă – AMT va folosi rezultatele intermediare și finale ale joburilor de instruire pe care le rulează pentru a realoca dinamic resursele către joburi de instruire cu configurații de hiperparametri care arată rezultate mai promițătoare, în timp ce le opresc automat pe cele care au performanțe slabe.
AMT pe SageMaker a permis echipei Ranking să reducă timpul petrecut procesului de ajustare a hiperparametrilor pentru dezvoltarea modelului lor, permițându-le pentru prima dată să ruleze mai multe experimente paralele, să utilizeze strategii de reglare automată și să efectueze lucrări de instruire cu două cifre în câteva zile, ceva ce nu era fezabil la locație.
Explicabilitatea modelului cu SageMaker Clarify
Explicabilitatea modelului permite practicienilor ML să înțeleagă natura și comportamentul modelelor lor ML, oferind informații valoroase pentru ingineria caracteristicilor și deciziile de selecție, ceea ce la rândul său îmbunătățește calitatea predicțiilor modelului. Echipa de clasare a vrut să-și evalueze informațiile de explicabilitate în două moduri: să înțeleagă modul în care intrările de caracteristici afectează rezultatele modelului în întregul lor set de date (interpretabilitate globală) și, de asemenea, să poată descoperi influența caracteristicilor de intrare pentru o predicție specifică a modelului asupra unui punct de interes de date ( interpretabilitate locală). Cu aceste date, oamenii de știință de la Ranking ML pot lua decizii informate cu privire la modul de îmbunătățire a performanței modelului lor și de a lua în considerare rezultatele de predicție provocatoare pe care modelul le-ar oferi ocazional.
SageMaker Clarify vă permite să generați rapoarte de explicabilitate a modelului folosind explicații Shapley Aditive (SHAP) atunci când vă antrenați modelele pe SageMaker, susținând interpretabilitatea modelului atât global, cât și local. În plus față de rapoartele de explicabilitate a modelului, SageMaker Clarify acceptă rularea analizelor pentru valorile de părtinire înainte de antrenament, valorile de părtinire după antrenament și diagrame de dependență parțială. Lucrarea va fi rulată ca un job de procesare SageMaker în contul AWS și se integrează direct cu conductele SageMaker.
Raportul global de interpretabilitate va fi generat automat în rezultatul jobului și afișat în Amazon SageMaker Studio mediu ca parte a experimentului de antrenament. Dacă acest model este apoi înregistrat în registrul de modele SageMaker, raportul va fi legat suplimentar la artefactul modelului. Folosind ambele opțiuni, echipa de clasare a reușit să urmărească cu ușurință diferite versiuni de model și modificările comportamentale ale acestora.
Pentru a explora impactul caracteristicii de intrare asupra unei singure predicții (valori locale de interpretabilitate), echipa de clasare a activat parametrul save_local_shap_values
în joburile SageMaker Clarify și le-a putut încărca din compartimentul S3 pentru analize ulterioare în notebook-urile Jupyter din SageMaker Studio.
Imaginile precedente arată un exemplu despre cum ar arăta explicabilitatea unui model pentru un model ML arbitrar.
Optimizarea antrenamentului
Creșterea învățării profunde (DL) a făcut ca ML să devină din ce în ce mai dependentă de puterea de calcul și de cantități mari de date. Practicienii ML se confruntă de obicei cu obstacolul utilizării eficiente a resurselor atunci când antrenează aceste modele complexe. Când desfășurați instruire pe clustere mari de calcul, apar diverse provocări în optimizarea utilizării resurselor, inclusiv probleme precum blocajele I/O, întârzierile lansării kernelului, constrângerile de memorie și resursele subutilizate. Dacă configurația sarcinii de antrenament nu este reglată fin pentru eficiență, aceste obstacole pot duce la o utilizare suboptimă a hardware-ului, durate prelungite de antrenament sau chiar curse de antrenament incomplete. Acești factori cresc costurile proiectului și întârzie termenele.
Profilarea utilizării CPU și GPU ajută la înțelegerea acestor ineficiențe, la determinarea consumului de resurse hardware (timp și memorie) al diferitelor operațiuni TensorFlow din modelul dvs., la rezolvarea blocajelor de performanță și, în cele din urmă, la funcționarea mai rapidă a modelului.
Echipa de clasare a folosit caracteristica de profilare a cadrului Debugger Amazon SageMaker (acum depreciat în favoarea Amazon SageMaker Profiler) pentru a optimiza aceste locuri de muncă de formare. Acest lucru vă permite să urmăriți toate activitățile de pe procesoare și GPU, cum ar fi utilizările CPU și GPU, rulările nucleului pe GPU, lansările nucleului pe procesoare, operațiunile de sincronizare, operațiunile de memorie pe GPU-uri, latența dintre lansările kernelului și rulările corespunzătoare și transferul de date între procesoare și GPU-uri.
Echipa de clasare a folosit și TensorFlow Profiler caracteristică a TensorBoard, care a ajutat și mai mult să profileze antrenamentul modelului TensorFlow. SageMaker este acum integrat în continuare cu TensorBoard și aduce instrumentele de vizualizare ale TensorBoard la SageMaker, integrate cu instruirea și domeniile SageMaker. TensorBoard vă permite să efectuați sarcini de depanare a modelului folosind pluginurile de vizualizare TensorBoard.
Cu ajutorul acestor două instrumente, echipa Ranking a optimizat modelul TensorFlow și a reușit să identifice blocajele și să reducă timpul mediu al pasului de antrenament de la 350 milisecunde la 140 milisecunde pe CPU și de la 170 milisecunde la 70 milisecunde pe GPU, viteze de 60% și, respectiv, 59%.
Rezultatele afacerii
Eforturile de migrare s-au concentrat pe îmbunătățirea disponibilității, scalabilității și elasticității, ceea ce a adus în mod colectiv mediul ML către un nou nivel de excelență operațională, exemplificat prin frecvența crescută de antrenament al modelului și scăderea eșecurilor, timpii de antrenament optimizați și capabilități avansate ML.
Model de frecvență și eșecuri de antrenament
Numărul de joburi lunare de formare a modelelor a crescut de cinci ori, ceea ce a condus la optimizări semnificativ mai frecvente ale modelului. În plus, noul mediu ML a condus la o reducere a ratei de eșec a curselor de conducte, scăzând de la aproximativ 50% la 20%. Timpul de procesare a lucrărilor eșuate a scăzut drastic, de la peste o oră în medie la 5 secunde neglijabile. Acest lucru a crescut puternic eficiența operațională și a redus risipa de resurse.
Timp de antrenament optimizat
Migrarea a adus cu ea creșteri ale eficienței prin antrenamentul GPU bazat pe SageMaker. Această schimbare a redus timpul de antrenament al modelului la o cincime din durata sa anterioară. Anterior, procesele de instruire pentru modelele de deep learning consumau aproximativ 60 de ore pe CPU; aceasta a fost simplificată la aproximativ 12 ore pe GPU. Această îmbunătățire nu numai că economisește timp, ci și accelerează ciclul de dezvoltare, permițând iterații mai rapide și îmbunătățiri ale modelului.
Capabilitati ML avansate
Principalul succes al migrării este utilizarea setului de caracteristici SageMaker, care cuprinde reglarea hiperparametrilor și explicabilitatea modelului. În plus, migrarea a permis utilizarea de urmărire fără întreruperi a experimentelor Experimente Amazon SageMaker, permițând experimente mai perspicace și productive.
Cel mai important, noul mediu de experimentare ML a susținut dezvoltarea cu succes a unui nou model care este acum în producție. Acest model este de deep learning, mai degrabă decât bazat pe arbore și a introdus îmbunătățiri vizibile în performanța modelului online.
Concluzie
Această postare a oferit o privire de ansamblu asupra colaborării cu AWS Professional Services și Booking.com, care a dus la implementarea unui cadru ML scalabil și a redus cu succes timpul de lansare pe piață al modelelor ML ale echipei de Ranking.
Echipa de Ranking de la Booking.com a aflat că migrarea către cloud și SageMaker s-a dovedit benefică și că adaptarea practicilor operațiunilor de învățare automată (MLOps) le permite inginerilor și oamenilor de știință ML să se concentreze asupra meseriei lor și să crească viteza de dezvoltare. Echipa împărtășește învățările și munca depusă cu întreaga comunitate ML de la Booking.com, prin discuții și sesiuni dedicate cu practicieni ML, unde aceștia împărtășesc codul și capacitățile. Sperăm că această postare poate servi ca o altă modalitate de a împărtăși cunoștințele.
AWS Professional Services este gata să vă ajute echipa să dezvolte ML scalabil și pregătit pentru producție în AWS. Pentru mai multe informații, vezi Servicii profesionale AWS sau contactați-vă prin intermediul managerului de cont pentru a lua legătura.
Despre Autori
Laurens van der Maas este inginer de învățare automată la AWS Professional Services. El lucrează îndeaproape cu clienții care își construiesc soluțiile de învățare automată pe AWS, este specializat în instruire distribuită, experimentare și IA responsabilă și este pasionat de modul în care învățarea automată schimbă lumea așa cum o cunoaștem.
Daniel Zagyva este Data Scientist la AWS Professional Services. El este specializat în dezvoltarea de soluții de învățare automată scalabile, la nivel de producție, pentru clienții AWS. Experiența sa se extinde în diferite domenii, inclusiv procesarea limbajului natural, IA generativă și operațiunile de învățare automată.
Kostia Kofman este Senior Machine Learning Manager la Booking.com, care conduce echipa Search Ranking ML, supervizând cel mai extins sistem ML al Booking.com. Cu expertiză în personalizare și clasificare, el se bucură de utilizarea tehnologiei de ultimă oră pentru a îmbunătăți experiențele clienților.
Jenny Tokar este inginer senior de învățare automată la echipa de clasare în căutare a Booking.com. Ea este specializată în dezvoltarea conductelor ML end-to-end caracterizate prin eficiență, fiabilitate, scalabilitate și inovație. Expertiza lui Jenny îi permite echipei sale să creeze modele de clasare de ultimă oră care servesc milioane de utilizatori în fiecare zi.
Aleksandra Dokic este Senior Data Scientist la AWS Professional Services. Îi place să sprijine clienții pentru a construi soluții inovatoare AI/ML pe AWS și este încântată de transformările afacerii prin puterea datelor.
Luba Protsiva este manager de implicare la AWS Professional Services. Ea este specializată în furnizarea de soluții de date și GenAI/ML care le permit clienților AWS să își maximizeze valoarea afacerii și să accelereze viteza de inovare.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/how-booking-com-modernized-its-ml-experimentation-framework-with-amazon-sagemaker/
- :are
- :este
- :nu
- :Unde
- $UP
- 1
- 100
- 12
- 130
- 140
- 16
- 350
- 60
- 7
- 70
- a
- capacitate
- Capabil
- Despre Noi
- accelera
- acces
- Conform
- Cont
- realizat
- peste
- activităţi de
- Acte
- de adaptare
- plus
- În plus,
- avansat
- afecta
- După
- AI
- AI / ML
- algoritmi
- TOATE
- permis
- permite
- de-a lungul
- de asemenea
- mereu
- Amazon
- Amazon SageMaker
- Amazon Web Services
- sumă
- Sume
- an
- analize
- și
- O alta
- API-uri
- abordare
- adecvat
- aprobat
- aproximativ
- arbitrar
- SUNT
- domenii
- apărea
- în jurul
- AS
- aspirație
- At
- Automat
- în mod automat
- disponibilitate
- disponibil
- in medie
- AWS
- Servicii profesionale AWS
- înapoi
- bazat
- Bayesian
- BE
- deoarece
- devenire
- comportament
- comportamental
- comportamente
- benefică
- beneficiind
- CEL MAI BUN
- între
- părtinire
- rezervare
- Booking.com
- atât
- blocaje
- Aduce
- adus
- construi
- Clădire
- afaceri
- dar
- by
- CAN
- capacități
- caz
- cazuri
- Centru
- centrat
- provocări
- provocare
- Schimbare
- Modificări
- schimbarea
- caracterizat
- Alege
- ales
- client
- îndeaproape
- Cloud
- cod
- Codificare
- a colaborat
- colaborare
- colectiv
- COM
- combinaţie
- combinaţii
- combină
- în mod obișnuit
- comunitate
- compatibilitate
- compatibil
- complex
- complexitate
- complicat
- componente
- de calcul
- puterea de calcul
- Calcula
- condiție
- Configuraţie
- Lua în considerare
- constă
- constrângeri
- consumate
- consum
- conţine
- conține
- Control
- corecta
- Corespunzător
- Cheltuieli
- ar putea
- ambarcaţiunilor
- crea
- creaţie
- crucial
- personalizat
- client
- clienţii care
- personalizabil
- ultima generație
- tehnologia de vârf
- ciclu
- de date
- Pregătirea datelor
- om de știință de date
- seturi de date
- zi
- Zi
- decide
- decizie
- Deciziile
- scăzut
- dedicat
- considerate
- adânc
- învățare profundă
- defini
- definit
- definiție
- întârziere
- întârzieri
- livra
- livrarea
- se îngropa
- dependență
- Dependenţă
- implementa
- dislocate
- depreciată
- proiectat
- detalii
- Determina
- dezvolta
- dezvoltat
- în curs de dezvoltare
- Dezvoltare
- diagramă
- diferit
- direct
- descoperi
- afișat
- distinct
- distribuite
- instruire distribuită
- împărțit
- face
- domenii
- făcut
- drastic
- scăparea
- durată
- în timpul
- dinamic
- fiecare
- cu ușurință
- eficiență
- eficient
- Eforturile
- îmbarcat
- imputerniceste
- permite
- activat
- permite
- permițând
- care să cuprindă
- un capăt la altul
- angajament
- inginer
- Inginerie
- inginerii
- spori
- consolidarea
- asigurare
- Întreg
- Mediu inconjurator
- epoci
- esenţial
- evalua
- evaluare
- Chiar
- Fiecare
- in fiecare zi
- exemplu
- Excelență
- excitat
- exemplificat
- existent
- aștepta
- accelerează
- experienţă
- Experiențe
- experiment
- experimente
- expertiză
- Explica
- explora
- Explorarea
- extindere
- extinde
- extensie
- extensiv
- Față
- cu care se confruntă
- factori
- A eșuat
- Eșec
- eşecuri
- fals
- mai repede
- favoriza
- realizabil
- Caracteristică
- DESCRIERE
- feedback-ul
- mai puține
- Fișier
- Fişiere
- final
- În cele din urmă
- Găsi
- First
- prima dată
- Flexibilitate
- Concentra
- următor
- Pentru
- patru
- Cadru
- Frecvență
- frecvent
- din
- mai mult
- În plus
- câștigă
- genera
- generată
- generează
- generativ
- AI generativă
- obține
- merge
- Caritate
- scop
- GPU
- unități de procesare grafică
- mai mare
- ghici
- HAD
- manipula
- Piese metalice
- valorificat
- Avea
- he
- ajutor
- a ajutat
- ajută
- ei
- lui
- speranţă
- oră
- ORE
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- sute
- dificultate
- Optimizarea hiperparametrului
- Reglarea hiperparametrului
- identifica
- if
- ilustrează
- imagini
- imediat
- Impactul
- implementarea
- important
- îmbunătăţi
- îmbunătățit
- îmbunătățire
- îmbunătățiri
- îmbunătăţeşte
- in
- include
- Inclusiv
- Crește
- a crescut
- Creșteri
- tot mai mult
- independent
- industrie
- ineficiențe
- influență
- informații
- informat
- Infrastructură
- iniţiat
- inova
- Inovaţie
- inovatoare
- intrare
- intrări
- în interiorul
- profund
- perspective
- clipă
- integrate
- integreaza
- interes
- intern
- în
- introdus
- introducerea
- implicat
- probleme de
- IT
- repetare
- iterații
- ESTE
- Loc de munca
- Locuri de munca
- călătorie
- jpg
- Cheie
- Cunoaște
- cunoştinţe
- cunoscut
- lipsit
- limbă
- mare
- Ultimele
- lansa
- a lansat
- lansează
- lider
- conducere
- AFLAȚI
- învățat
- învăţare
- Led
- Nivel
- efectului de pârghie
- ca
- Limitat
- legate de
- încărca
- local
- Lung
- Uite
- arată ca
- maşină
- masina de învățare
- Masini
- făcut
- face
- gestionate
- manager
- manieră
- manual
- Maximaliza
- însemna
- Memorie
- metodă
- metric
- Metrici
- Migrarea
- migrațiune
- milioane
- milisecunde
- minim
- minute
- ML
- MLOps
- model
- Modele
- moderniza
- Module
- monitor
- lunar
- mai mult
- cele mai multe
- muta
- mutat
- mult
- multiplu
- nume
- Natural
- Procesarea limbajului natural
- Natură
- Nevoie
- Nou
- următor
- Nu.
- acum
- număr
- obiectiv
- observa
- obstacole
- of
- Offline
- de multe ori
- on
- La cerere
- ONE
- on-line
- afară
- operațional
- Operațiuni
- optimă
- optimizare
- optimizări
- Optimizați
- optimizate
- optimizarea
- Opţiuni
- or
- Altele
- in caz contrar
- al nostru
- afară
- producție
- iesiri
- peste
- global
- supravegherea
- Prezentare generală
- propriu
- Pace
- pachet
- ambalate
- Paralel
- parametru
- parte
- pasionat
- Efectua
- performanță
- efectuarea
- personalizare
- conducte
- pivot
- Plato
- Informații despre date Platon
- PlatoData
- joacă
- Plugin-uri
- Punct
- Portal
- pozitiv
- Post
- putere
- practicile
- precedent
- prezice
- prezicere
- Predictii
- pregătire
- precedent
- în prealabil
- Problemă
- proces
- Procesat
- procese
- prelucrare
- producere
- productiv
- profesional
- Profil
- profilare
- Progres
- proiect
- promițător
- s-au dovedit
- furniza
- prevăzut
- furnizarea
- calitate
- repede
- game
- Clasat
- repede
- rată
- mai degraba
- Crud
- ajunge
- gata
- a primi
- recunoscând
- Recomandare
- inregistrata
- reduce
- Redus
- reducerea
- reducere
- cu privire la
- regiune
- Inregistreaza-te
- înregistrată
- registru
- regulat
- Respins..
- încredere
- raportează
- Rapoarte
- depozit
- reprezentând
- necesita
- necesar
- Necesită
- rezolvă
- resursă
- Resurse
- respectiv
- responsabil
- rezultat
- rezultând
- REZULTATE
- Ridica
- robust
- Rol
- Alerga
- funcţionare
- ruleaza
- sagemaker
- Conducte SageMaker
- scalabilitate
- scalabil
- Scară
- Ştiinţă
- Om de stiinta
- oamenii de stiinta
- scenariu
- fără sudură
- Caută
- Al doilea
- secunde
- vedea
- caută
- selecta
- selectarea
- selecţie
- senior
- servi
- servește
- Servicii
- Sesiunile
- set
- Seturi
- setări
- câteva
- Distribuie
- partajarea
- ea
- schimbare
- să
- Arăta
- Emisiuni
- semnificativ
- simplu
- singur
- ușor diferite
- mai inteligent
- netezi
- So
- soluţie
- soluţii
- ceva
- Spaţiu
- Scânteie
- specializată
- specific
- viteză
- uzat
- Pas
- paşi
- oprire
- depozitare
- stocate
- strategii
- raționalizate
- tare
- structurat
- studio
- suboptimal
- succes
- de succes
- Reușit
- astfel de
- Suportat
- De sprijin
- Sprijină
- sincronizare
- sistem
- adaptate
- luare
- Tratative
- sarcini
- echipă
- echipe
- Tehnologia
- tensorflow
- test
- testat
- Testarea
- decât
- acea
- lumea
- lor
- Lor
- apoi
- Acolo.
- astfel
- prin urmare
- Acestea
- ei
- acest
- aceste
- înflorește
- Prin
- timp
- cronologii
- ori
- la
- Unelte
- atingeţi
- față de
- urmări
- Urmărire
- Tren
- Pregătire
- traininguri
- transfer
- transformări
- tranziţie
- călătorie
- industria călătoriilor
- de afaceri
- tratare
- adevărat
- încerca
- de reglaj
- ÎNTORCĂ
- Două
- tip
- în cele din urmă
- înţelege
- unic
- Folosire
- utilizare
- carcasa de utilizare
- utilizat
- ușor de utilizat
- utilizatorii
- utilizări
- folosind
- utilizate
- Valoros
- valoare
- Valori
- diverse
- Fixă
- Viteză
- versiune
- Versiunile
- foarte
- vizualizare
- aștepta
- dorit
- a fost
- Cale..
- modalități de
- we
- web
- servicii web
- au fost
- cand
- care
- în timp ce
- OMS
- voi
- cu
- în
- fără
- Apartamente
- flux de lucru
- fabrică
- lume
- la nivel internațional.
- ar
- Tu
- Ta
- zephyrnet