Această postare este co-scrisă de Jyoti Sharma și Sharmo Sarkar de la Vericast.
Pentru orice problemă de învățare automată (ML), cercetătorul de date începe prin a lucra cu date. Aceasta include colectarea, explorarea și înțelegerea aspectelor comerciale și tehnice ale datelor, împreună cu evaluarea oricăror manipulări care ar putea fi necesare pentru procesul de construire a modelului. Un aspect al acestei pregătiri de date este ingineria caracteristicilor.
Ingineria caracteristicilor se referă la procesul în care variabilele relevante sunt identificate, selectate și manipulate pentru a transforma datele brute în forme mai utile și mai utilizabile pentru a fi utilizate cu algoritmul ML utilizat pentru a antrena un model și a efectua inferențe împotriva acestuia. Scopul acestui proces este de a crește performanța algoritmului și a modelului predictiv rezultat. Procesul de inginerie a caracteristicilor implică mai multe etape, inclusiv crearea caracteristicilor, transformarea datelor, extragerea caracteristicilor și selectarea caracteristicilor.
Construirea unei platforme pentru inginerie generalizată a caracteristicilor este o sarcină comună pentru clienții care au nevoie să producă multe modele ML cu seturi de date diferite. Acest tip de platformă include crearea unui proces condus de programare pentru a produce date finalizate, proiectate cu funcții, gata pentru antrenamentul modelului, cu puțină intervenție umană. Cu toate acestea, generalizarea ingineriei caracteristicilor este o provocare. Fiecare problemă de afaceri este diferită, fiecare set de date este diferit, volumele de date variază foarte mult de la client la client, iar calitatea datelor și adesea cardinalitatea unei anumite coloane (în cazul datelor structurate) ar putea juca un rol semnificativ în complexitatea ingineriei caracteristicilor. proces. În plus, natura dinamică a datelor unui client poate duce, de asemenea, la o variație mare a timpului de procesare și a resurselor necesare pentru a finaliza în mod optim ingineria caracteristicilor.
Client AWS Vericast este o companie de soluții de marketing care ia decizii bazate pe date pentru a crește rentabilitatea investițiilor de marketing pentru clienții săi. Platforma internă de învățare automată bazată pe cloud a Vericast, construită în jurul procesului CRISP-ML(Q), utilizează diverse servicii AWS, inclusiv Amazon SageMaker, Procesare Amazon SageMaker, AWS Lambdas, și Funcții pas AWS, pentru a produce cele mai bune modele posibile care sunt adaptate la datele specifice ale clientului. Această platformă își propune să surprindă repetabilitatea pașilor care merg în construirea diferitelor fluxuri de lucru ML și să le grupeze în module standard de flux de lucru generalizabile în cadrul platformei.
În această postare, împărtășim modul în care Vericast a optimizat ingineria caracteristicilor folosind SageMaker Processing.
Prezentare generală a soluțiilor
Platforma de învățare automată a Vericast ajută la implementarea mai rapidă a noilor modele de afaceri bazate pe fluxurile de lucru existente sau la activarea mai rapidă a modelelor existente pentru noi clienți. De exemplu, un model care prezice tendința de corespondență directă este destul de diferit de un model care prezice sensibilitatea cuponului de reducere a clienților unui client Vericast. Ele rezolvă diferite probleme de afaceri și, prin urmare, au scenarii de utilizare diferite în designul unei campanii de marketing. Dar din punct de vedere ML, ambele pot fi interpretate ca modele de clasificare binară și, prin urmare, ar putea împărtăși mulți pași comuni dintr-o perspectivă a fluxului de lucru ML, inclusiv reglarea și instruirea modelului, evaluarea, interpretabilitatea, implementarea și inferența.
Deoarece aceste modele sunt probleme de clasificare binară (în termeni ML), separăm clienții unei companii în două clase (binare): cei care ar răspunde pozitiv campaniei și cei care nu ar răspunde. În plus, aceste exemple sunt considerate o clasificare dezechilibrată deoarece datele utilizate pentru instruirea modelului nu ar conține un număr egal de clienți care ar răspunde favorabil sau nu.
Crearea efectivă a unui model ca acesta urmează modelul generalizat prezentat în diagrama următoare.
Majoritatea acestui proces este același pentru orice clasificare binară, cu excepția pasului de inginerie a caracteristicilor. Acesta este poate cel mai complicat pas, uneori, trecut cu vederea din proces. Modelele ML depind în mare măsură de caracteristicile utilizate pentru a le crea.
Platforma de învățare automată nativă din cloud Vericast își propune să generalizeze și să automatizeze pașii de inginerie a caracteristicilor pentru diferite fluxuri de lucru ML și să optimizeze performanța acestora pe o metrică a costului față de timp, folosind următoarele caracteristici:
- Biblioteca de inginerie de caracteristici a platformei – Acesta constă într-un set de transformări în continuă evoluție, care au fost testate pentru a oferi caracteristici generalizabile de înaltă calitate, bazate pe concepte specifice de client (de exemplu, datele demografice ale clienților, detaliile produsului, detaliile tranzacției și așa mai departe).
- Optimizatori inteligenti de resurse – Platforma folosește capacitatea de infrastructură la cerere a AWS pentru a crea cel mai optim tip de resurse de procesare pentru o anumită sarcină de inginerie a caracteristicilor, pe baza complexității așteptate a pasului și a cantității de date pe care trebuie să o producă.
- Scalare dinamică a joburilor de inginerie de caracteristici – Pentru aceasta este utilizată o combinație de diverse servicii AWS, dar mai ales SageMaker Processing. Acest lucru asigură că platforma produce caracteristici de înaltă calitate într-un mod eficient din punct de vedere al costurilor și în timp util.
Această postare este concentrată în jurul celui de-al treilea punct din această listă și arată cum să realizați scalarea dinamică a joburilor de procesare SageMaker pentru a obține un cadru de procesare a datelor mai gestionat, performant și mai rentabil pentru volume mari de date.
SageMaker Processing permite încărcături de lucru care rulează pași pentru preprocesarea sau postprocesarea datelor, ingineria caracteristicilor, validarea datelor și evaluarea modelului pe SageMaker. De asemenea, oferă un mediu gestionat și elimină complexitatea ridicării grele nediferențiate necesare pentru a configura și întreține infrastructura necesară pentru a rula sarcinile de lucru. În plus, SageMaker Processing oferă o interfață API pentru rularea, monitorizarea și evaluarea volumului de lucru.
Rularea joburilor de procesare SageMaker are loc complet într-un cluster SageMaker gestionat, cu joburi individuale plasate în containere de instanță în timpul rulării. Clusterul gestionat, instanțele și containerele raportează valorile către Amazon CloudWatch, inclusiv utilizarea GPU-ului, CPU-ului, memoriei, memoriei GPU-ului, valorii discului și jurnalizarea evenimentelor.
Aceste caracteristici oferă beneficii inginerilor de date și oamenilor de știință Vericast, asistând la dezvoltarea fluxurilor de lucru de preprocesare generalizate și abstragând dificultatea de a menține mediile generate în care să le ruleze. Probleme tehnice pot apărea, totuși, având în vedere natura dinamică a datelor și caracteristicile sale variate care pot fi introduse într-o astfel de soluție generală. Sistemul trebuie să facă o estimare inițială educată cu privire la dimensiunea clusterului și a instanțelor care îl compun. Această presupunere trebuie să evalueze criteriile datelor și să deducă cerințele CPU, memorie și disc. Această presupunere poate fi pe deplin adecvată și performanță adecvată pentru job, dar în alte cazuri s-ar putea să nu fie așa. Pentru un anumit set de date și o lucrare de preprocesare, procesorul poate fi subdimensionat, ceea ce duce la o performanță maximă de procesare și un timp lung de finalizare. Mai rău încă, memoria ar putea deveni o problemă, ducând fie la performanță slabă, fie la lipsă de memorie, ceea ce duce la eșecul întregii sarcini.
Având în vedere aceste obstacole tehnice, Vericast și-a propus să creeze o soluție. Trebuia să rămână de natură generală și să se încadreze în imaginea mai largă a fluxului de lucru de preprocesare fiind flexibil în pașii implicați. De asemenea, a fost important să se rezolve atât nevoia potențială de a extinde mediul în cazurile în care performanța a fost compromisă, cât și a se recupera cu grație după un astfel de eveniment sau când o lucrare s-a terminat prematur din orice motiv.
Soluția creată de Vericast pentru a rezolva această problemă utilizează mai multe servicii AWS care lucrează împreună pentru a-și atinge obiectivele de afaceri. A fost conceput pentru a reporni și a extinde clusterul de procesare SageMaker, pe baza valorilor de performanță observate folosind funcțiile Lambda care monitorizează joburile. Pentru a nu pierde munca atunci când are loc un eveniment de scalare sau pentru a vă recupera după oprirea neașteptată a unui job, a fost creat un serviciu bazat pe puncte de control care utilizează Amazon DynamoDB și stochează datele parțial procesate în Serviciul Amazon de stocare simplă (Amazon S3) găleți pe măsură ce pașii sunt finalizați. Rezultatul final este o soluție de scalare automată, robustă și monitorizată dinamic.
Următoarea diagramă prezintă o imagine de ansamblu la nivel înalt a modului în care funcționează sistemul.
În secțiunile următoare, vom discuta mai detaliat componentele soluției.
Inițializarea soluției
Sistemul presupune că un proces separat inițiază soluția. În schimb, acest design nu este proiectat să funcționeze singur, deoarece nu va produce artefacte sau rezultate, ci mai degrabă acționează ca o implementare secundară pentru unul dintre sistemele care utilizează joburi de procesare SageMaker. În cazul Vericast, soluția este inițiată printr-un apel de la un pas Step Functions început într-un alt modul al sistemului mai mare.
Odată ce soluția a fost inițiată și o primă rulare este declanșată, o configurație standard de bază este citită dintr-un tabel DynamoDB. Această configurație este utilizată pentru a seta parametrii pentru jobul de procesare SageMaker și are ipotezele inițiale ale nevoilor de infrastructură. Lucrarea de procesare SageMaker este acum începută.
Monitorizarea metadatelor și a rezultatelor
Când începe jobul, o funcție Lambda scrie metadatele de procesare a jobului (configurația curentă a jobului și alte informații de jurnal) în tabelul de jurnal DynamoDB. Aceste metadate și informații de jurnal păstrează un istoric al jobului, configurația inițială și continuă și alte date importante.
În anumite puncte, pe măsură ce pașii sunt finalizați în lucrare, datele punctelor de control sunt adăugate la tabelul de jurnal DynamoDB. Datele de ieșire procesate sunt mutate în Amazon S3 pentru o recuperare rapidă, dacă este necesar.
Această funcție Lambda setează și un Amazon EventBridge regulă care monitorizează jobul care rulează pentru starea sa. Mai exact, această regulă urmărește jobul pentru a observa dacă starea jobului se schimbă în stopping
sau este într-o stopped
stat. Această regulă EventBridge joacă un rol important în repornirea unei sarcini dacă există o eroare sau are loc un eveniment planificat de scalare automată.
Monitorizarea valorilor CloudWatch
Funcția Lambda setează, de asemenea, o alarmă CloudWatch bazată pe o expresie matematică a metrică a sarcinii de procesare, care monitorizează valorile tuturor instanțelor pentru utilizarea CPU, utilizarea memoriei și utilizarea discului. Acest tip de alarmă (metric) utilizează praguri de alarmă CloudWatch. Alarma generează evenimente pe baza valorii valorii sau expresiei relativă la praguri pe o serie de perioade de timp.
În cazul de utilizare al Vericast, expresia prag este concepută pentru a considera instanțele driverului și executorului ca separate, cu metrici monitorizate individual pentru fiecare. Prin separarea lor, Vericast știe care provoacă alarma. Acest lucru este important pentru a decide cum să scalați în consecință:
- Dacă valorile executorului depășesc pragul, este bine să scalați pe orizontală
- Dacă valorile driverului depășesc pragul, scalarea orizontală probabil nu va ajuta, așa că trebuie să scalam pe verticală
Exprimarea valorii alarmei
Vericast poate accesa următoarele valori în evaluarea sa pentru scalare și eșec:
- CPUUtilizare – Suma utilizării fiecărui nucleu CPU individual
- Utilizarea memoriei – Procentul de memorie care este utilizat de containere pe o instanță
- DiskUtilizare – Procentul de spațiu pe disc utilizat de containere pe o instanță
- Utilizare GPUU – Procentul de unități GPU care sunt utilizate de containere pe o instanță
- GPUMemoryUtilization – Procentul de memorie GPU utilizat de containere pe o instanță
În momentul scrierii acestui articol, Vericast ia în considerare doar CPUUtilization
, MemoryUtilization
, și DiskUtilization
. În viitor, intenționează să ia în considerare GPUUtilization
și GPUMemoryUtilization
de asemenea.
Următorul cod este un exemplu de alarmă CloudWatch bazată pe o expresie matematică metrică pentru scalarea automată Vericast:
Această expresie ilustrează faptul că alarma CloudWatch ia în considerare DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
, și DiskUtilization (diskExec)
ca metrici de monitorizare. Numărul 80 din expresia anterioară reprezintă valoarea de prag.
Aici, IF((cpuDriver) > 80, 1, 0
implică faptul că, dacă utilizarea CPU-ului driverului depășește 80%, 1 este atribuit ca prag, altfel 0. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
implică faptul că toate valorile cu șir memoryExec
în el sunt luate în considerare și se calculează o medie pe aceasta. Dacă procentajul mediu de utilizare a memoriei depășește 80, 1 este atribuit ca prag, altfel 0.
Operatorul logic OR
este folosit în expresie pentru a unifica toate utilizările din expresie — dacă vreuna dintre utilizări își atinge pragul, declanșează alarma.
Pentru mai multe informații despre utilizarea alarmelor de metrice CloudWatch bazate pe expresii matematice de metrice, consultați Crearea unei alarme CloudWatch bazată pe o expresie matematică metrică.
Limitări ale alarmei CloudWatch
CloudWatch limitează numărul de valori pentru fiecare alarmă la 10. Acest lucru poate cauza limitări dacă trebuie să luați în considerare mai multe valori decât acestea.
Pentru a depăși această limitare, Vericast a setat alarme pe baza dimensiunii globale a clusterului. Se creează o alarmă la trei instanțe (pentru trei instanțe, va exista o singură alarmă, deoarece aceasta ar adăuga până la nouă valori). Presupunând că instanța driverului trebuie luată în considerare separat, este creată o altă alarmă separată pentru instanța driverului. Prin urmare, numărul total de alarme care sunt create este aproximativ echivalent cu o treime din numărul de noduri de executare și cu una suplimentară pentru instanța driverului. În fiecare caz, numărul de metrici per alarmă este sub limita de 10 metrici.
Ce se întâmplă în stare de alarmă
Dacă este îndeplinit un prag prestabilit, alarma trece la un alarm
stat, care folosește Serviciul de notificare simplă Amazon (Amazon SNS) pentru a trimite notificări. În acest caz, trimite o notificare prin e-mail tuturor abonaților cu detaliile despre alarmă din mesaj.
Amazon SNS este, de asemenea, folosit ca declanșator pentru o funcție Lambda care oprește jobul de procesare SageMaker care rulează în prezent, deoarece știm că sarcina probabil va eșua. Această funcție înregistrează, de asemenea, jurnalele în tabelul de jurnal legate de eveniment.
Regula EventBridge configurată la începerea lucrării va observa că sarcina a intrat în a stopping
stare câteva secunde mai târziu. Această regulă rulează apoi din nou prima funcție Lambda pentru a reporni jobul.
Procesul de scalare dinamică
Prima funcție Lambda după rulare de două sau mai multe ori va ști că o lucrare anterioară a început deja și acum s-a oprit. Funcția va trece printr-un proces similar de obținere a configurației de bază din jobul original din tabelul DynamoDB de jurnal și, de asemenea, va prelua configurația actualizată din tabelul intern. Această configurație actualizată este o configurație delta de resurse care este setată pe baza tipului de scalare. Tipul de scalare este determinat din metadatele alarmei, așa cum este descris mai devreme.
Configurația originală plus delta resurselor sunt utilizate deoarece o nouă configurație și o nouă lucrare de procesare SageMaker sunt pornite cu resursele crescute.
Acest proces continuă până când lucrarea se finalizează cu succes și poate duce la mai multe reporniri după cum este necesar, adăugând mai multe resurse de fiecare dată.
Rezultatul lui Vericast
Această soluție personalizată de scalare automată a fost esențială pentru a face platforma de învățare automată a Vericast mai robustă și mai tolerantă la erori. Platforma poate gestiona acum cu grație sarcinile de lucru ale diferitelor volume de date cu intervenție umană minimă.
Înainte de a implementa această soluție, estimarea cerințelor de resurse pentru toate modulele bazate pe Spark din pipeline a fost unul dintre cele mai mari blocaje ale procesului de integrare a noilor clienți. Fluxurile de lucru ar eșua dacă volumul de date client ar crește sau costul ar fi nejustificat dacă volumul de date ar scădea în producție.
Cu acest nou modul în vigoare, eșecurile fluxului de lucru din cauza constrângerilor de resurse au fost reduse cu aproape 80%. Cele câteva eșecuri rămase se datorează în mare parte constrângerilor contului AWS și dincolo de procesul de scalare automată. Cel mai mare câștig al Vericast cu această soluție este ușurința cu care pot integra clienți noi și fluxuri de lucru. Vericast se așteaptă să accelereze procesul cu cel puțin 60-70%, datele încă urmând să fie colectate pentru un număr final.
Deși acest lucru este văzut ca un succes de către Vericast, există un cost care vine cu el. Pe baza naturii acestui modul și a conceptului de scalare dinamică în ansamblu, fluxurile de lucru tind să dureze cu aproximativ 30% mai mult (caz mediu) decât un flux de lucru cu un cluster personalizat pentru fiecare modul din fluxul de lucru. Vericast continuă să optimizeze în acest domeniu, căutând să îmbunătățească soluția prin încorporarea inițializării resurselor bazate pe euristică pentru fiecare modul client.
Sharmo Sarkar, Senior Manager, Machine Learning Platform la Vericast, spune: „Pe măsură ce continuăm să ne extindem utilizarea AWS și SageMaker, am vrut să iau un moment pentru a evidenția munca incredibilă a echipei noastre de servicii pentru clienți AWS, arhitecți dedicati soluțiilor AWS, și AWS Professional Services cu care lucrăm. Înțelegerea lor profundă a AWS și SageMaker ne-a permis să proiectăm o soluție care să satisfacă toate nevoile noastre și ne-a oferit flexibilitatea și scalabilitatea de care aveam nevoie. Suntem atât de recunoscători că avem o echipă de suport atât de talentată și de informată de partea noastră.”
Concluzie
În această postare, am împărtășit modul în care SageMaker și SageMaker Processing au permis Vericast să construiască un cadru de procesare a datelor gestionat, performant și rentabil pentru volume mari de date. Combinând puterea și flexibilitatea SageMaker Processing cu alte servicii AWS, aceștia pot monitoriza cu ușurință procesul generalizat de inginerie a caracteristicilor. Aceștia pot detecta automat problemele potențiale generate de lipsa de calcul, memorie și alți factori și pot implementa automat scalarea verticală și orizontală, după cum este necesar.
SageMaker și instrumentele sale vă pot ajuta echipa să-și atingă și obiectivele ML. Pentru a afla mai multe despre SageMaker Processing și despre cum vă poate ajuta în sarcinile de lucru de prelucrare a datelor, consultați Prelucrarea datelor. Dacă abia începi cu ML și cauți exemple și îndrumări, Amazon SageMaker JumpStart te poate face să începi. JumpStart este un hub ML de la care puteți accesa algoritmi încorporați cu modele de fundație pre-antrenate pentru a vă ajuta să efectuați sarcini precum rezumarea articolelor și generarea de imagini și soluții pre-construite pentru a rezolva cazuri de utilizare obișnuite.
În sfârșit, dacă această postare te ajută sau te inspiră să rezolvi o problemă, ne-ar plăcea să auzim despre ea! Vă rugăm să împărtășiți comentariile și feedback-ul dvs.
Despre Autori
Anthony McClure este un Senior Partner Solutions Architect cu echipa AWS SaaS Factory. Anthony are, de asemenea, un interes puternic pentru învățarea automată și inteligența artificială, lucrând cu comunitatea de domeniu tehnic AWS ML/AI pentru a ajuta clienții să-și aducă soluțiile de învățare automată la realitate.
Jyoti Sharma este inginer în știința datelor cu echipa platformei de învățare automată de la Vericast. Este pasionată de toate aspectele științei datelor și se concentrează pe proiectarea și implementarea unei platforme de învățare automată foarte scalabilă și distribuită.
Sharmo Sarkar este Senior Manager la Vericast. El conduce echipele Cloud Machine Learning Platform și Marketing Platform ML R&D la Vericast. Are o vastă experiență în Big Data Analytics, Distributed Computing și Procesarea limbajului natural. În afara serviciului, îi place să meargă cu motocicletă, drumeții și ciclism pe traseele montane.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoAiStream. Web3 Data Intelligence. Cunoștințe amplificate. Accesați Aici.
- Mintând viitorul cu Adryenn Ashley. Accesați Aici.
- Cumpărați și vindeți acțiuni în companii PRE-IPO cu PREIPO®. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :are
- :este
- :nu
- :Unde
- $UP
- 1
- 10
- 100
- 15%
- 7
- a
- Despre Noi
- acces
- în consecință
- Cont
- Obține
- Activarea
- Acte
- adăuga
- adăugat
- adăugare
- Suplimentar
- adecvat
- După
- împotriva
- SIDA
- isi propune
- alarmă
- Algoritmul
- algoritmi
- TOATE
- singur
- de-a lungul
- deja
- de asemenea
- Amazon
- Amazon SageMaker
- sumă
- an
- Google Analytics
- și
- O alta
- Anthony
- Orice
- api
- adecvat
- arhitectură
- SUNT
- ZONĂ
- în jurul
- articol
- artificial
- inteligență artificială
- AS
- aspect
- aspecte
- alocate
- ajuta
- At
- Auto
- automatizarea
- în mod automat
- in medie
- AWS
- Servicii profesionale AWS
- de bază
- bazat
- BE
- deoarece
- deveni
- fost
- fiind
- Beneficiile
- CEL MAI BUN
- Dincolo de
- Mare
- Datele mari
- Cea mai mare
- a stimula
- atât
- Aducere
- construi
- Clădire
- construit
- construit-in
- afaceri
- dar
- by
- calculată
- apel
- Campanie
- CAN
- Poate obține
- capturarea
- caz
- cazuri
- Provoca
- provocând
- sigur
- provocare
- Modificări
- clasă
- clase
- clasificare
- client
- integrarea clientului
- clientii
- Cloud
- Grup
- cod
- Coloană
- combinaţie
- combinând
- vine
- comentarii
- Comun
- comunitate
- companie
- Completă
- finalizeaza
- complexitate
- complicat
- componente
- compromis
- Calcula
- tehnica de calcul
- concept
- Concepte
- Configuraţie
- Lua în considerare
- luate în considerare
- luand in considerare
- consideră
- constrângeri
- conţine
- Containere
- continua
- continuă
- A costat
- cost-eficiente
- ar putea
- cupon
- crea
- a creat
- creaţie
- Criteriile de
- Trece
- Curent
- În prezent
- personalizat
- client
- clienţii care
- de date
- Analiza datelor
- Pregătirea datelor
- de prelucrare a datelor
- știința datelor
- om de știință de date
- Pe bază de date
- seturi de date
- decide
- Deciziile
- dedicat
- adânc
- Deltă
- Criterii demografice
- Dependent/ă
- desfășurarea
- descris
- Amenajări
- proiectat
- proiect
- detaliu
- detalii
- determinat
- Dezvoltare
- diferit
- diferite
- Dificultate
- direcționa
- Reducere
- discuta
- distribuite
- calcul distribuit
- condus
- şofer
- două
- dinamic
- dinamic
- fiecare
- Mai devreme
- uşura
- cu ușurință
- oricare
- activat
- permite
- inginer
- Inginerie
- inginerii
- asigură
- Întreg
- Mediu inconjurator
- medii
- egal
- Echivalent
- evalua
- evaluarea
- evaluare
- eveniment
- evenimente
- exemplu
- exemple
- Cu excepția
- existent
- Extinde
- de aşteptat
- se așteaptă
- experienţă
- Explorarea
- expresii
- extensiv
- Experiență vastă
- factori
- fabrică
- FAIL
- Eșec
- Caracteristică
- DESCRIERE
- fed-
- feedback-ul
- puțini
- camp
- final
- finalizat
- First
- potrivi
- Flexibilitate
- flexibil
- concentrat
- următor
- urmează
- Pentru
- formulare
- Fundație
- Cadru
- din
- complet
- funcţie
- funcții
- În plus
- viitor
- culegere
- General
- generată
- generează
- generaţie
- obține
- obtinerea
- dat
- Go
- scop
- Goluri
- Merge
- bine
- GPU
- recunoscător
- îndrumare
- HAD
- manipula
- se întâmplă
- Avea
- având în
- he
- auzi
- greu
- ridicare de greutati
- ajutor
- ajută
- la nivel înalt
- de înaltă calitate
- Evidențiați
- extrem de
- istorie
- Orizontală
- orizontal
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- Butuc
- uman
- obstacole
- i
- identificat
- if
- ilustrează
- imagine
- punerea în aplicare a
- implementarea
- Punere în aplicare a
- important
- îmbunătăţi
- in
- În altele
- include
- Inclusiv
- care încorporează
- Crește
- a crescut
- incredibil
- individ
- Individual
- informații
- Infrastructură
- inițială
- Initiaza
- instanță
- instrumental
- Inteligență
- intenţionează
- interes
- interfaţă
- intern
- intervenţie
- în
- implicat
- problema
- probleme de
- IT
- ESTE
- Loc de munca
- Locuri de munca
- jpg
- doar
- Copil
- Cunoaște
- lipsă
- limbă
- mare
- în mare măsură
- mai mare
- mai tarziu
- Conduce
- AFLAȚI
- învăţare
- cel mai puțin
- Bibliotecă
- ridicare
- limitare
- limitări
- Limitele
- Listă
- mic
- log
- logare
- logic
- mai lung
- cautati
- pierde
- dragoste
- maşină
- masina de învățare
- menține
- Mentine
- susține
- face
- FACE
- Efectuarea
- gestionate
- manager
- manipulat
- manieră
- multe
- Marketing
- matematica
- Mai..
- Întâlni
- Memorie
- mesaj
- Metadata
- metric
- Metrici
- ar putea
- minte
- minim
- ML
- model
- Modele
- Module
- Module
- moment
- monitor
- monitorizate
- Monitorizarea
- monitoare
- mai mult
- cele mai multe
- Mai ales
- Munte
- multiplu
- trebuie sa
- Natural
- Procesarea limbajului natural
- Natură
- Nevoie
- necesar
- au nevoie
- nevoilor
- Nou
- noduri
- în special
- Înștiințare..
- notificare
- notificări
- acum
- număr
- Obiectivele
- observa
- of
- de multe ori
- on
- La cerere
- bord
- La imbarcare
- ONE
- în curs de desfășurare
- afară
- operator
- optimă
- Optimizați
- optimizate
- or
- original
- Altele
- al nostru
- afară
- Rezultat
- producție
- exterior
- peste
- global
- Învinge
- Prezentare generală
- parametrii
- parte
- special
- partener
- Care trece
- pasionat
- Model
- procent
- Efectua
- performanță
- poate
- perioadele
- perspectivă
- imagine
- conducte
- Loc
- planificat
- platformă
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- Joaca
- joacă
- "vă rog"
- la care se adauga
- Punct
- puncte
- sărac
- posibil
- Post
- potenţial
- putere
- estimarea
- precedent
- probabil
- Problemă
- probleme
- proces
- Procesat
- prelucrare
- produce
- Produs
- producere
- profesional
- furniza
- prevăzut
- furnizează
- pune
- calitate
- Rapid
- mai repede
- C&D
- mai degraba
- Crud
- ajunge
- Citeste
- gata
- Realitate
- motiv
- înregistrări
- Recupera
- recuperare
- Redus
- se referă
- legate de
- rămâne
- rămas
- raportează
- necesar
- Cerinţe
- resursă
- Resurse
- Răspunde
- rezultat
- rezultând
- robust
- Rol
- aproximativ
- Regula
- Alerga
- funcţionare
- SaaS
- sagemaker
- acelaşi
- spune
- scalabilitate
- scalabil
- Scară
- scalare
- Soluție de scalare
- scenarii
- Ştiinţă
- Om de stiinta
- oamenii de stiinta
- secunde
- secțiuni
- selectate
- selecţie
- trimite
- trimite
- senior
- Sensibilitate
- distinct
- separând
- serviciu
- Servicii
- set
- Seturi
- câteva
- Distribuie
- comun
- Sharma
- ea
- indicat
- Emisiuni
- parte
- semnificativ
- asemănător
- simplu
- Mărimea
- So
- soluţie
- soluţii
- REZOLVAREA
- Spaţiu
- specific
- specific
- viteză
- Rotire
- Stadiile
- standard
- Standuri
- Începe
- început
- începe
- Stat
- Stare
- Pas
- paşi
- Încă
- oprit
- oprire
- opriri
- depozitare
- magazine
- Şir
- puternic
- structurat
- abonați
- succes
- Reușit
- astfel de
- a sustine
- sistem
- sisteme
- tabel
- adaptate
- Lua
- ia
- talentat
- Sarcină
- sarcini
- echipă
- echipe
- Tehnic
- termeni
- decât
- acea
- Viitorul
- lor
- Lor
- apoi
- Acolo.
- prin urmare
- Acestea
- ei
- Al treilea
- acest
- aceste
- trei
- prag
- Prin
- timp
- ori
- la
- împreună
- Unelte
- Total
- Tren
- Pregătire
- tranzacție
- Detalii despre tranzacție
- Transforma
- Transformare
- transformări
- declanşa
- a declanșat
- Două
- tip
- tipic
- în
- înţelegere
- de unităţi
- până la
- actualizat
- us
- utilizabil
- Folosire
- utilizare
- carcasa de utilizare
- utilizat
- folosind
- validare
- valoare
- diverse
- vertical
- volum
- volume
- vs
- dorit
- a fost
- vizionarea
- Cale..
- we
- BINE
- cand
- care
- OMS
- întreg
- în întregime
- voi
- câştiga
- cu
- în
- Apartamente
- fluxuri de lucru
- de lucru
- fabrică
- mai rău
- ar
- scris
- încă
- Randament
- Tu
- Ta
- zephyrnet