Modelele de învățare automată (ML) nu funcționează izolat. Pentru a oferi valoare, trebuie să se integreze în sistemele și infrastructura de producție existente, ceea ce necesită luarea în considerare a întregului ciclu de viață ML în timpul proiectării și dezvoltării. Operațiunile ML, cunoscute sub numele de MLOps, se concentrează pe eficientizarea, automatizarea și monitorizarea modelelor ML pe parcursul ciclului lor de viață. Construirea unei conducte MLOps robuste necesită o colaborare interfuncțională. Oamenii de știință de date, inginerii ML, personalul IT și echipele DevOps trebuie să lucreze împreună pentru a opera modele de la cercetare la implementare și întreținere. Cu procesele și instrumentele potrivite, MLOps permite organizațiilor să adopte în mod fiabil și eficient ML în echipele lor.
Deși cerințele de integrare continuă și conducte de livrare continuă (CI/CD) pot fi unice și reflectă nevoile fiecărei organizații, scalarea practicilor MLOps în echipe poate fi simplificată prin utilizarea orchestrațiilor și instrumentelor gestionate care pot accelera procesul de dezvoltare și pot elimina greutățile nediferențiate. .
Amazon SageMaker MLOps este o suită de caracteristici care include Proiecte Amazon SageMaker (CI/CD), Pipelines Amazon SageMaker și Registrul de modele Amazon SageMaker.
Conducte SageMaker permite crearea și gestionarea simplă a fluxurilor de lucru ML, oferind în același timp capabilități de stocare și reutilizare pentru etapele fluxului de lucru. The Registrul de modele SageMaker centralizează urmărirea modelului, simplificând implementarea modelului. Proiecte SageMaker introduce practici CI/CD în ML, inclusiv paritatea mediului, controlul versiunilor, testarea și automatizarea. Acest lucru permite stabilirea rapidă a CI/CD în mediul dumneavoastră ML, facilitând scalabilitatea eficientă în întreaga companie.
Sistemul încorporat si modele de proiect furnizate de către Amazon SageMaker includ integrarea cu unele instrumente de la terți, cum ar fi Jenkins pentru orchestrare și GitHub pentru controlul sursei, iar câteva utilizează instrumente CI/CD native AWS, cum ar fi AWS CodeCommit, AWS CodePipeline, și AWS CodeBuild. În multe scenarii, totuși, clienții ar dori să integreze SageMaker Pipelines cu alte instrumente CI/CD existente și, prin urmare, să-și creeze șabloanele de proiect personalizate.
În această postare, vă arătăm o implementare pas cu pas pentru a realiza următoarele:
- Creați un șablon de proiect personalizat SageMaker MLOps care se integrează cu GitHub și GitHub Actions
- Faceți disponibile șabloanele de proiect personalizate în Amazon SageMaker Studio pentru echipa dvs. de știință a datelor cu furnizarea cu un singur clic
Prezentare generală a soluțiilor
În această postare, construim următoarea arhitectură. Creăm o conductă automată de construire a modelului care include pași pentru pregătirea datelor, instruirea modelului, evaluarea modelului și înregistrarea modelului antrenat în Registrul de modele SageMaker. Modelul ML antrenat rezultat este apoi implementat din Registrul de modele SageMaker în mediile de realizare și producție, după aprobare manuală.
Să pătrundem în elementele acestei arhitecturi pentru a înțelege configurația completă.
Acțiuni GitHub și GitHub
GitHub este o platformă web care oferă controlul versiunilor și gestionarea codului sursă folosind Git. Acesta permite echipelor să colaboreze la proiecte de dezvoltare software, să urmărească modificările și să gestioneze depozitele de cod. GitHub servește ca o locație centralizată pentru stocarea, versiunea și gestionarea bazei de cod ML. Acest lucru asigură că baza de cod ML și conductele dvs. sunt versionate, documentate și accesibile de către membrii echipei.
GitHub Actiuni este un instrument puternic de automatizare în cadrul ecosistemului GitHub. Vă permite să creați fluxuri de lucru personalizate care automatizează procesele ciclului de viață al dezvoltării software, cum ar fi crearea, testarea și implementarea codului. Puteți crea fluxuri de lucru bazate pe evenimente declanșate de evenimente specifice, cum ar fi atunci când codul este trimis într-un depozit sau este creată o solicitare de extragere. Când implementați MLOps, puteți utiliza GitHub Actions pentru a automatiza diferite etape ale conductei ML, cum ar fi:
- Validarea și preprocesarea datelor
- Model de instruire și evaluare
- Implementarea și monitorizarea modelului
- CI/CD pentru modelele ML
Cu GitHub Actions, vă puteți eficientiza fluxurile de lucru ML și vă puteți asigura că modelele dvs. sunt construite, testate și implementate în mod constant, ceea ce duce la implementări ML mai eficiente și mai fiabile.
În următoarele secțiuni, începem prin a stabili cerințele preliminare referitoare la unele dintre componentele pe care le folosim ca parte a acestei arhitecturi:
- Formarea AWS Cloud - Formarea AWS Cloud inițiază implementarea modelului și stabilește punctele finale SageMaker după ce canalul de implementare a modelului este activat prin aprobarea modelului instruit.
- Conexiune AWS CodeStar - Folosim AWS CodeStar pentru a stabili o legătură cu depozitul GitHub și a-l utiliza ca integrare a codului repo cu resurse AWS, cum ar fi SageMaker Studio.
- Amazon EventBridge - Amazon EventBridge ține evidența tuturor modificărilor aduse registrului modelului. De asemenea, menține o regulă care solicită funcției Lambda să implementeze conducta de model atunci când starea versiunii pachetului de model se schimbă de la
PendingManualApproval
laApproved
în registrul modelului. - AWS Lambdas – Folosim un AWS Lambdas funcție pentru a iniția fluxul de lucru de implementare a modelului în GitHub Actions după ce un nou model este înregistrat în registrul modelului.
- Amazon SageMaker – Configuram următoarele componente SageMaker:
- Conducta - Această componentă constă dintr-un grafic aciclic direcționat (DAG) care ne ajută să construim fluxul de lucru automatizat ML pentru etapele de pregătire a datelor, antrenament de model și evaluare a modelului. Registrul de modele menține înregistrări ale versiunilor de model, artefactele asociate acestora, descendența și metadatele. Este stabilit un grup de pachete de modele care găzduiește toate versiunile de model asociate. Registrul modelului este, de asemenea, responsabil pentru gestionarea stării de aprobare a versiunii modelului pentru implementarea ulterioară.
- Punct final – Această componentă setează două puncte finale HTTPS în timp real pentru inferență. Configurația de găzduire poate fi ajustată, de exemplu, pentru transformarea lotului sau inferența asincronă. Punctul final de pregătire este generat atunci când conducta de implementare a modelului este activată prin aprobarea modelului instruit din SageMaker Model Registry. Acest punct final este utilizat pentru a valida modelul implementat, asigurându-se că oferă predicții care satisfac standardele noastre de precizie. Când modelul este pregătit pentru implementarea în producție, un punct final de producție este implementat printr-o etapă de aprobare manuală în fluxul de lucru GitHub Actions.
- Codul depozitului – Acest lucru creează un depozit Git ca resursă în contul tău SageMaker. Folosind datele existente din depozitul de coduri GitHub pe care le-ați introdus în timpul creării proiectului dumneavoastră SageMaker, o asociere cu același depozit este stabilită în SageMaker atunci când inițiați proiectul. Acest lucru formează, în esență, o legătură cu un depozit GitHub în SageMaker, permițând acțiuni interactive (tragere/împingere) cu depozitul dvs.
- Registrul modelului – Acesta monitorizează diferitele versiuni ale modelului și artefactele corespunzătoare, care include descendență și metadate. O colecție cunoscută sub numele de a grup de modele de pachete este creat, adăpostind versiuni legate de model. Mai mult, registrul modelului supraveghează starea de aprobare a versiunii modelului, asigurând pregătirea acesteia pentru implementarea ulterioară.
- Manager de secrete AWS – Pentru a păstra în siguranță jetonul de acces personal GitHub, este necesar să stabiliți un secret în Manager de secrete AWS și găzduiește-ți jetonul de acces în el.
- Catalog de servicii AWS - Noi folosim Catalog de servicii AWS pentru implementarea proiectelor SageMaker, care includ componente precum un depozit de cod SageMaker, funcția Lambda, regula EventBridge, bucket S3 artefact etc., toate implementate prin CloudFormation. Acest lucru permite organizației dumneavoastră să utilizeze în mod repetat șabloanele de proiecte, să aloce proiecte fiecărui utilizator și să eficientizeze operațiunile.
- Amazon S3 – Folosim un Serviciul Amazon de stocare simplă (Amazon S3) pentru a păstra artefactele model produse de conductă.
Cerințe preliminare
Ar trebui să aveți următoarele condiții preliminare:
De asemenea, trebuie să parcurgeți pași suplimentari de configurare înainte de a implementa soluția.
Configurați o conexiune AWS CodeStar
Dacă nu aveți deja o conexiune AWS CodeStar la contul dvs. GitHub, consultați Creați o conexiune la GitHub pentru instrucțiuni pentru a crea unul. ARN-ul dvs. de conexiune AWS CodeStar va arăta astfel:
În acest exemplu, aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
este ID-ul unic pentru această conexiune. Folosim acest ID atunci când creăm proiectul nostru SageMaker mai târziu în acest exemplu.
Configurați chei de acces secrete pentru tokenul dvs. GitHub
Pentru a stoca în siguranță indicativul de acces personal GitHub, trebuie să creați un secret în Secrets Manager. Dacă nu aveți un token de acces personal pentru GitHub, consultați Gestionarea jetoanelor de acces personale pentru instrucțiuni pentru a crea unul.
Puteți crea fie un jeton de acces clasic, fie cu granulație fină. Cu toate acestea, asigurați-vă că token-ul are acces la conținutul și acțiunile depozitului (fluxuri de lucru, rulări și artefacte).
Parcurgeți următorii pași pentru a vă stoca token-ul în Secrets Manager:
- Pe consola Secrets Manager, alegeți Stocați un nou secret.
- Selectați Alt tip de secret pentru Alegeți tipul secret.
- Furnizați un nume pentru secretul dvs. în Cheie câmp și adăugați jetonul dvs. de acces personal la câmpul corespunzător Valoare camp.
- Alege Pagina Următoare →, introduceți un nume pentru secretul dvs. și alegeți Pagina Următoare → din nou.
- Alege Magazin pentru a-ți salva secretul.
Stocând tokenul dvs. de acces personal GitHub în Secrets Manager, îl puteți accesa în siguranță în canalul dvs. MLOps, asigurând în același timp confidențialitatea acestuia.
Creați un utilizator IAM pentru GitHub Actions
Pentru a permite GitHub Actions să implementeze puncte finale SageMaker în mediul dvs. AWS, trebuie să creați un Gestionarea identității și accesului AWS (IAM) și acordați-i permisiunile necesare. Pentru instrucțiuni, consultați Crearea unui utilizator IAM în contul dvs. AWS. Folosește iam/GithubActionsMLOpsExecutionPolicy.json
fișier (furnizat în eșantion de cod) pentru a oferi suficiente permisiuni pentru ca acest utilizator să vă implementeze punctele finale.
După ce creați utilizatorul IAM, generați o cheie de acces. Veți folosi această cheie, care constă atât dintr-un ID de cheie de acces, cât și dintr-o cheie de acces secretă, în pasul următor când vă configurați secretele GitHub.
Configurați-vă contul GitHub
Următorii sunt pașii pentru a vă pregăti contul GitHub pentru a rula acest exemplu.
Clonează depozitul GitHub
Puteți reutiliza un depozit GitHub existent pentru acest exemplu. Cu toate acestea, este mai ușor dacă creați un nou depozit. Acest depozit va conține tot codul sursă atât pentru construirea pipelinei, cât și pentru implementările SageMaker.
Copiați conținutul directorului de cod de bază în rădăcina depozitului dvs. GitHub. De exemplu, cel .github
directorul ar trebui să fie sub rădăcina depozitului tău GitHub.
Creați un secret GitHub care să conțină cheia dvs. de acces utilizator IAM
În acest pas, stocăm detaliile cheii de acces ale utilizatorului nou creat în sistemul nostru Secretul GitHub.
- Pe site-ul GitHub, navigați la depozitul dvs. și alegeți Setări cont.
- În secțiunea de securitate, selectați Secrete și variabile Și alegeți Acţiuni.
- Alege Secret de depozit nou.
- Pentru Nume si Prenume, introduce
AWS_ACCESS_KEY_ID
- Pentru Secret, introduceți ID-ul cheii de acces asociat cu utilizatorul IAM pe care l-ați creat mai devreme.
- Alege Adăugați Secret.
- Repetați aceeași procedură pentru
AWS_SECRET_ACCESS_KEY
Configurați mediile GitHub
Pentru a crea un pas de aprobare manuală în conductele noastre de implementare, folosim a Mediul GitHub. Parcurgeți următorii pași:
- Navigați către Setări cont, medii meniul depozitului dvs. GitHub și creați un nou mediu numit producție.
- Pentru Reguli de protectie a mediului, Selectați Recenzători necesari.
- Adăugați numele de utilizator GitHub dorite ca evaluatori. Pentru acest exemplu, puteți alege propriul nume de utilizator.
Rețineți că funcția de mediu nu este disponibilă în unele tipuri de planuri GitHub. Pentru mai multe informații, consultați Utilizarea mediilor pentru implementare.
Implementați funcția Lambda
În următorii pași, comprimăm lambda_function.py
într-un fișier .zip, care este apoi încărcat într-o găleată S3.
Exemplul de cod relevant pentru aceasta poate fi găsit în cele ce urmează GitHub repo. Mai exact, lambda_function.py
este situat în lambda_functions/lambda_github_workflow_trigger director.
Este recomandat să creați un furk al eșantionului de cod și să îl clonați în schimb. Acest lucru vă va oferi libertatea de a modifica codul și de a experimenta diferite aspecte ale eșantionului.
- După ce obțineți o copie a codului, navigați la directorul corespunzător și utilizați
zip
comanda de comprimarelambda_function.py
. Atât utilizatorii Windows, cât și MacOS pot folosi sistemul lor nativ de gestionare a fișierelor, File Explorer sau Finder, respectiv, pentru a genera un fișier .zip.
- Încărcați
lambda-github-workflow-trigger.zip
la o găleată S3.
Acest compartiment va fi accesat ulterior de Service Catalog. Puteți alege orice compartiment la care aveți acces, atâta timp cât Catalogul de servicii poate prelua date din acesta în pașii următori.
Începând cu acest pas, este necesar ca AWS CLI v2 să fie instalat și configurat. O alternativă ar fi utilizarea AWS CloudShell, care vine cu toate instrumentele necesare preinstalate, eliminând necesitatea oricăror configurații suplimentare.
- Pentru a încărca fișierul în compartimentul S3, utilizați următoarea comandă:
Acum construim un strat Lambda pentru dependențele legate de lambda_function
tocmai am încărcat.
- Configurați un mediu virtual Python și instalați dependențele:
- Generați fișierul .zip cu următoarele comenzi:
- Publicați stratul în AWS:
Odată cu acest strat publicat, toate funcțiile dumneavoastră Lambda îl pot referi acum pentru a îndeplini dependențele lor. Pentru o înțelegere mai detaliată a straturilor Lambda, consultați Lucrul cu straturi Lambda.
Creați un șablon de proiect personalizat în SageMaker
După finalizarea tuturor pașilor de mai sus, avem toate resursele și componentele conductei CI/CD. În continuare, demonstrăm cum putem face aceste resurse disponibile ca proiect personalizat în cadrul SageMaker Studio accesibil prin implementarea cu un singur clic.
După cum sa discutat mai devreme, atunci când șabloanele furnizate de SageMaker nu corespund nevoilor dvs. (de exemplu, doriți să aveți o orchestrare mai complexă în CodePipeline cu mai multe etape, pași de aprobare personalizați sau să vă integrați cu un instrument terță parte, cum ar fi GitHub și acțiuni GitHub demonstrat în această postare), vă puteți crea propriile șabloane. Vă recomandăm să începeți cu șabloanele furnizate de SageMaker pentru a înțelege cum să vă organizați codul și resursele și să construiți pe deasupra. Pentru mai multe detalii, consultați Creați șabloane de proiecte personalizate.
Rețineți că puteți automatiza și acest pas și, în schimb, puteți utiliza CloudFormation pentru a implementa portofoliul și produsul Catalogul de servicii prin cod. Totuși, în această postare, pentru o experiență de învățare mai bună, vă arătăm implementarea consolei.
În această etapă, folosim șablonul CloudFormation furnizat pentru a crea un portofoliu de catalog de servicii care ne ajută să creăm proiecte personalizate în SageMaker.
Puteți crea un domeniu nou sau puteți reutiliza domeniul SageMaker pentru următorii pași. Dacă nu aveți un domeniu, consultați Accesați domeniul Amazon SageMaker folosind Configurare rapidă pentru instrucțiuni de configurare.
După ce activați accesul de administrator la șabloanele SageMaker, parcurgeți următorii pași:
- Pe consola Service Catalog, sub Administrare în panoul de navigare, alegeți portofoliile.
- Alege Creați un nou portofoliu.
- Denumiți portofoliul „Șabloane de organizație SageMaker”.
- Descărcați template.yml fișierul pe computer.
Acest șablon Cloud Formation furnizează toate resursele CI/CD de care avem nevoie ca configurație și infrastructură ca cod. Puteți studia șablonul mai detaliat pentru a vedea ce resurse sunt implementate ca parte a acestuia. Acest șablon a fost personalizat pentru a se integra cu GitHub și GitHub Actions.
- În
template.yml
fișier, schimbațiS3Bucket
valoare în compartimentul dvs. în care ați încărcat fișierul Lambda .zip:
- Alegeți noul portofoliu.
- Alege Încărcați un produs nou.
- Pentru Numele produsului¸ introduceți un nume pentru șablonul dvs. Folosim numele
build-deploy-github
. - Pentru Descriere, introduceți o descriere.
- Pentru Proprietar, Introdu numele tau.
- În Detalii versiuni, Pentru Metodă, alege Utilizați un fișier șablon.
- Alege Încărcați un șablon.
- Încărcați șablonul pe care l-ați descărcat.
- Pentru Titlul versiunii, alege 1.0.
- Alege Recenzie.
- Examinați setările și alegeți Creați un produs.
- Alege Reîmprospăta pentru a lista noul produs.
- Alegeți produsul pe care tocmai l-ați creat.
- Pe Tag-uri fila, adăugați următoarea etichetă la produs:
- Cheie =
sagemaker:studio-visibility
- Valoare =
true
- Cheie =
Înapoi în detaliile portofoliului, ar trebui să vedeți ceva similar cu următoarea captură de ecran (cu ID-uri diferite).
- Pe Constrângerile fila, alegeți Creați constrângere.
- Pentru Produs, alege
build-deploy-github
(produsul pe care tocmai l-ați creat). - Pentru Constrângere tip, alege Lansa.
- În Constrângere de lansare, Pentru Metodă, alege Selectați rolul IAM.
- Alege
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Alege Crea.
- Pe Grupuri, roluri și utilizatori fila, alegeți Adăugați grupuri, roluri, utilizatori.
- Pe Roluri fila, selectați rolul pe care l-ați folosit la configurarea domeniului SageMaker Studio. Aici poate fi găsit rolul de domeniu SageMaker.
- Alege Adăugați acces.
Implementați proiectul din SageMaker Studio
În secțiunile anterioare, ați pregătit mediul de proiect MLOps personalizat. Acum, să creăm un proiect folosind acest șablon:
- Pe consola SageMaker, navigați la domeniul în care doriți să creați acest proiect.
- Pe Lansa meniu, alegeți Studio.
Veți fi redirecționat către mediul SageMaker Studio.
- În SageMaker Studio, în panoul de navigare de sub Implementări, alege Proiecte.
- Alege Creați un proiect.
- În partea de sus a listei de șabloane, alegeți Șabloane de organizare.
Dacă ați parcurs cu succes toți pașii anteriori, ar trebui să puteți vedea un nou șablon de proiect personalizat numit Build-Deploy-GitHub
.
- Selectați acel șablon și alegeți Selectați șablon de proiect.
- Introduceți o descriere opțională.
- Pentru Numele proprietarului depozitului GitHub, introduceți proprietarul depozitului dvs. GitHub. De exemplu, dacă depozitul dvs. este la
https://github.com/pooyavahidi/my-repo
, proprietarul ar fipooyavahidi
. - Pentru Numele depozitului GitHub, introduceți numele depozitului în care ați copiat codul seed. Ar fi doar numele repo-ului. De exemplu, în
https://github.com/pooyavahidi/my-repo
, repo estemy-repo
. - Pentru ID unic de conexiune Codestar, introduceți ID-ul unic al conexiunii AWS CodeStar pe care ați creat-o.
- Pentru Numele secretului din Managerul de secrete care stochează tokenul GitHub, introduceți numele secretului în Secrets Manager unde ați creat și stocat tokenul GitHub.
- Pentru Fișierul fluxului de lucru GitHub pentru implementare, introduceți numele fișierului flux de lucru GitHub (la
.github/workflows/deploy.yml
) unde aveți instrucțiunile de implementare. Pentru acest exemplu, îl puteți păstra implicit, adicădeploy.yml
. - Alege Creați un proiect.
- După crearea proiectului, asigurați-vă că actualizați
AWS_REGION
șiSAGEMAKER_PROJECT_NAME
variabilele de mediu din fișierele fluxului de lucru GitHub în consecință. Fișierele fluxului de lucru sunt în depozitul dvs. GitHub (copiat din codul seed), în interiorul.github/workflows
director. Asigurați-vă că le actualizați pe ambelebuild.yml
șideploy.yml
fișiere.
Acum mediul tău este gata să meargă! Puteți rula conductele direct, puteți face modificări și puteți împinge acele modificări în depozitul dvs. GitHub pentru a declanșa conducta de construire automată și pentru a vedea cum sunt automatizați toți pașii de construire și implementare.
A curăța
Pentru a curăța resursele, parcurgeți următorii pași:
- Ștergeți stivele CloudFormation utilizate pentru proiectul SageMaker și punctele finale SageMaker.
- Ștergeți domeniul SageMaker.
- Ștergeți resursele Catalogului de servicii.
- Ștergeți legătura de conexiune AWS CodeStar cu depozitul GitHub.
- Ștergeți utilizatorul IAM pe care l-ați creat pentru GitHub Actions.
- Ștergeți secretul din Secrets Manager care stochează detaliile de acces personal GitHub.
Rezumat
În această postare, am parcurs procesul de utilizare a unui șablon de proiect personalizat SageMaker MLOps pentru a construi și a organiza automat o conductă CI/CD. Această conductă integrează în mod eficient mecanismele CI/CD existente cu capabilitățile SageMaker pentru manipularea datelor, instruirea modelului, aprobarea modelului și implementarea modelului. În scenariul nostru, ne-am concentrat pe integrarea GitHub Actions cu proiecte și conducte SageMaker. Pentru o înțelegere cuprinzătoare a detaliilor de implementare, vizitați GitHub depozit. Simțiți-vă liber să experimentați cu acest lucru și nu ezitați să lăsați orice întrebări pe care le puteți avea în secțiunea de comentarii.
Despre Autori
Dr. Romina Sharifpour este arhitect senior de soluții de învățare automată și inteligență artificială la Amazon Web Services (AWS). Ea a petrecut peste 10 ani conducând proiectarea și implementarea de soluții inovatoare end-to-end, activate de progresele în ML și AI. Domeniile de interes ale Rominei sunt procesarea limbajului natural, modelele mari de limbaj și MLOps.
Pooya Vahidi este arhitect senior de soluții la AWS, pasionat de informatică, inteligență artificială și cloud computing. Ca profesionist AI, este un membru activ al echipei AWS AI/ML Area-of-Depth. Cu o experiență de peste două decenii în conducerea arhitecturii și ingineriei soluțiilor la scară largă, el ajută clienții în călătoriile lor transformatoare prin tehnologiile cloud și AI/ML.
- 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/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :are
- :este
- :nu
- :Unde
- $UP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Capabil
- Despre Noi
- mai sus
- accelera
- acces
- accesate
- accesibil
- în consecință
- Cont
- precizie
- Obține
- peste
- acțiuni
- activ
- aciclic
- adăuga
- Suplimentar
- Ajustat
- adopta
- progresele
- După
- din nou
- AI
- AI / ML
- TOATE
- aloca
- permite
- permite
- deja
- de asemenea
- alternativă
- Amazon
- Amazon SageMaker
- Pipelines Amazon SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- și
- și infrastructură
- Orice
- adecvat
- aprobare
- arhitectură
- SUNT
- domenii
- artificial
- inteligență artificială
- AS
- aspecte
- asociate
- Asociație
- At
- automatizarea
- Automata
- în mod automat
- automatizarea
- Automatizare
- disponibil
- AWS
- fundal
- de bază
- BE
- fost
- înainte
- atât
- construi
- Clădire
- construiește
- construit
- construit-in
- by
- denumit
- CAN
- capacități
- catalog
- CD
- centralizat
- Schimbare
- Modificări
- Alege
- clasic
- curat
- clic
- Cloud
- cloud computing
- cod
- baza codului
- colabora
- colaborare
- colectare
- vine
- comentarii
- Completă
- completare
- complex
- component
- componente
- cuprinzător
- calculator
- Informatică
- tehnica de calcul
- confidențialitate
- Configuraţie
- configurat
- configurarea
- conexiune
- luand in considerare
- consecvent
- constă
- Consoleze
- construi
- conţine
- conținut
- continuu
- Control
- Corespunzător
- crea
- a creat
- creează
- Crearea
- creaţie
- personalizat
- clienţii care
- personalizate
- DAG
- de date
- Pregătirea datelor
- știința datelor
- zeci de ani
- Mod implicit
- livra
- livrare
- se îngropa
- cererile
- demonstra
- demonstrat
- dependențe
- implementa
- dislocate
- Implementarea
- desfășurarea
- implementări
- descriere
- Amenajări
- dorit
- detaliu
- detaliat
- detalii
- Dezvoltare
- diferit
- dirijat
- direct
- discutat
- do
- domeniu
- Dont
- în timpul
- fiecare
- Mai devreme
- mai ușor
- ecosistem
- Eficace
- în mod eficient
- eficient
- eficient
- oricare
- element
- eliminarea
- permite
- activat
- permite
- permițând
- un capăt la altul
- Punct final
- Inginerie
- inginerii
- asigura
- asigură
- asigurare
- Intrați
- Afacere
- Întreg
- Mediu inconjurator
- medii
- În esență,
- stabili
- stabilit
- stabilește
- stabilire
- etc
- evaluare
- evenimente
- exemplu
- existent
- experienţă
- experiment
- expertiză
- explorator
- facilitând
- Caracteristică
- DESCRIERE
- simţi
- camp
- Fișier
- Fişiere
- Găsitor
- Concentra
- concentrat
- următor
- Pentru
- furculiţă
- formare
- formulare
- găsit
- Gratuit
- Libertate
- din
- funcţie
- funcții
- genera
- generată
- obține
- merge
- GitHub
- Da
- merge
- plecat
- acordarea
- grafic
- mai mare
- grup
- Grupului
- Avea
- he
- greu
- ridicare de greutati
- ajută
- găzduire
- casă
- case
- carcasă
- Cum
- Cum Pentru a
- Totuși
- HTML
- http
- HTTPS
- ID
- Identitate
- ID-uri
- if
- implementarea
- implementat
- Punere în aplicare a
- in
- include
- include
- Inclusiv
- informații
- Infrastructură
- iniția
- Initiaza
- inovatoare
- intrare
- în interiorul
- instala
- instalat
- instanță
- in schimb
- instrucțiuni
- integra
- integreaza
- integrarea
- integrare
- Inteligență
- interactiv
- interes
- în
- Prezintă
- izolare
- IT
- ESTE
- călătoriile
- jpg
- JSON
- doar
- A pastra
- păstrează
- Cheie
- chei
- cunoscut
- limbă
- mare
- pe scară largă
- mai tarziu
- lansa
- strat
- straturi
- conducere
- învăţare
- Părăsi
- ciclu de viață
- ridicare
- ca
- descendență
- LINK
- Listă
- situat
- locaţie
- Lung
- Uite
- arată ca
- maşină
- masina de învățare
- MacOS
- susține
- întreținere
- face
- administra
- gestionate
- administrare
- manager
- de conducere
- Manipulare
- manual
- multe
- mecanisme
- Întâlni
- membru
- Membri actuali
- Meniu
- Metadata
- ar putea
- MIT
- ML
- MLOps
- model
- Modele
- modificările aduse
- modifica
- Monitorizarea
- monitoare
- mai mult
- mai eficient
- În plus
- multiplu
- trebuie sa
- nume
- Numit
- nume
- nativ
- Natural
- Procesarea limbajului natural
- Navigaţi
- Navigare
- necesar
- este necesar ca
- Nevoie
- nevoilor
- Nou
- produs nou
- recent
- următor
- acum
- obține
- of
- oferind
- on
- ONE
- începând cu
- funcionar
- Operațiuni
- or
- orchestrație
- organizație
- organizații
- Altele
- al nostru
- peste
- Prezentare generală
- propriu
- proprietar
- pachet
- pâine
- paritate
- parte
- parte
- pasionat
- permisiuni
- personal
- conducte
- Planurile
- platformă
- Plato
- Informații despre date Platon
- PlatoData
- portofoliu
- Post
- puternic
- practicile
- Predictii
- pregătire
- Pregăti
- pregătit
- premise
- precedent
- procedură
- proces
- procese
- prelucrare
- Produs
- Produs
- producere
- profesional
- proiect
- Proiecte
- solicitări
- protecţie
- furniza
- prevăzut
- furnizează
- publicat
- Împinge
- împins
- Piton
- interogări
- Rapid
- promptitudine
- gata
- în timp real
- recomanda
- recomandat
- înregistrări
- trimite
- referință
- reflecta
- înregistrată
- Înscriere
- registru
- legate de
- de încredere
- scoate
- REPETAT
- depozit
- solicita
- necesita
- Cerinţe
- cercetare
- resursă
- Resurse
- respectiv
- responsabil
- rezultând
- reutilizarea
- dreapta
- robust
- Rol
- rolurile
- rădăcină
- Regula
- Alerga
- ruleaza
- sagemaker
- Conducte SageMaker
- acelaşi
- Economisiți
- scalabilitate
- scalare
- scenariu
- scenarii
- Ştiinţă
- oamenii de stiinta
- Secret
- secrete
- Secțiune
- secțiuni
- în siguranță,
- securitate
- vedea
- sămânţă
- selecta
- senior
- servește
- serviciu
- Servicii
- Seturi
- instalare
- setări
- configurarea
- câteva
- ea
- să
- Arăta
- asemănător
- simplu
- simplificată
- simplificarea
- Software
- de dezvoltare de software
- soluţie
- soluţii
- unele
- ceva
- Sursă
- cod sursă
- tensiune
- specific
- specific
- uzat
- Stive
- Personal
- Etapă
- Stadiile
- înscenare
- standarde
- Începe
- Pornire
- Stare
- Pas
- paşi
- depozitare
- stoca
- stocate
- magazine
- stocarea
- simplu
- simplifica
- raționalizarea
- studio
- Studiu
- ulterior
- Reușit
- astfel de
- suficient
- suită
- sigur
- sistem
- sisteme
- TAG
- echipă
- Membrii echipei
- echipe
- Tehnologii
- șablon
- şabloane
- testat
- Testarea
- acea
- Sursa
- lor
- apoi
- prin urmare
- Acestea
- ei
- Al treilea
- terț
- acest
- aceste
- Prin
- de-a lungul
- la
- împreună
- semn
- instrument
- Unelte
- top
- urmări
- Urmărire
- dresat
- Pregătire
- Transforma
- transformativă
- declanşa
- a declanșat
- Două
- tip
- Tipuri
- în
- înţelege
- înţelegere
- unic
- Actualizează
- încărcat
- pe
- us
- utilizare
- utilizat
- Utilizator
- utilizatorii
- folosind
- folosi
- utilizate
- VALIDA
- validare
- valoare
- diverse
- versiune
- Versiunile
- de
- Virtual
- Vizita
- umblat
- vrea
- we
- web
- servicii web
- bazat pe web
- website
- Ce
- cand
- care
- în timp ce
- voi
- ferestre
- cu
- în
- Apartamente
- lucram impreuna
- flux de lucru
- fluxuri de lucru
- ar
- ani
- Tu
- Ta
- zephyrnet
- Zip