Această postare este scrisă împreună cu Suhyoung Kim, director general la KakaoGames Data Analytics Lab.
Jocuri Kakao este un editor și dezvoltator de jocuri video de top cu sediul în Coreea de Sud. Este specializat în dezvoltarea și publicarea de jocuri pe PC, mobil și realitate virtuală (VR) care servesc la nivel global. Pentru a maximiza experiența jucătorilor săi și pentru a îmbunătăți eficiența operațiunilor și a marketingului, aceștia adaugă continuu noi articole în joc și oferă promoții jucătorilor lor. Rezultatul acestor evenimente poate fi evaluat ulterior, astfel încât să ia decizii mai bune în viitor.
Cu toate acestea, această abordare este reactivă. Dacă putem prognoza valoarea de viață (LTV), putem adopta o abordare proactivă. Cu alte cuvinte, aceste activități pot fi planificate și desfășurate pe baza LTV-ului prognozat, care determină valorile jucătorilor pe parcursul vieții lor în joc. Cu această abordare proactivă, Kakao Games poate lansa evenimentele potrivite la momentul potrivit. Dacă LTV-ul prognozat pentru unii jucători este în scădere, aceasta înseamnă că jucătorii sunt probabil să plece în curând. Kakao Games poate crea apoi un eveniment promoțional pentru a nu părăsi jocul. Acest lucru face ca este important să se prognozeze cu precizie LTV-ul jucătorilor lor. LTV este măsura adoptată nu numai de companiile de jocuri de noroc, ci și de orice tip de serviciu cu implicarea clienților pe termen lung. Metodele statistice și metodele de învățare automată (ML) sunt dezvoltate și adoptate în mod activ pentru a maximiza LTV.
În această postare, împărtășim cum Kakao Games și Laboratorul de soluții Amazon Machine Learning Solutions s-au unit pentru a construi o soluție de predicție LTV scalabilă și fiabilă utilizând date AWS și servicii ML, cum ar fi AWS Adeziv și Amazon SageMaker.
Am ales unul dintre cele mai populare jocuri ale Kakao Games, ODIN, ca joc țintă pentru proiect. ODIN este un joc de rol online pentru multiplayer masiv (MMORPG) popular pentru PC și dispozitive mobile, publicat și operat de Kakao Games. A fost lansat în iunie 2021 și a fost clasat printre primele trei ca venituri din Coreea.
Provocări
În această secțiune, discutăm provocările legate de diverse surse de date, deriva de date cauzată de evenimente interne sau externe și reutilizarea soluției. Aceste provocări se confruntă de obicei atunci când implementăm soluții ML și le implementăm într-un mediu de producție.
Comportamentul jucătorului afectat de evenimente interne și externe
Este o provocare să prognozezi LTV-ul cu precizie, deoarece există mulți factori dinamici care afectează comportamentul jucătorului. Acestea includ promoții de jocuri, articole nou adăugate, sărbători, interzicerea conturilor pentru abuz sau joc ilegal sau evenimente externe neașteptate, cum ar fi evenimente sportive sau condiții meteorologice severe. Aceasta înseamnă că modelul care funcționează luna aceasta ar putea să nu funcționeze bine luna viitoare.
Putem folosi evenimente externe ca caracteristici ML împreună cu jurnalele și datele legate de joc. De exemplu, Prognoza Amazon acceptă datele referitoare la seriile temporale, cum ar fi vremea, prețurile, indicatorii economici sau promoțiile pentru a reflecta evenimente interne și externe. O altă abordare este de a reîmprospăta modelele ML în mod regulat atunci când se observă deriva de date. Pentru soluția noastră, am ales cea de-a doua metodă, deoarece datele despre evenimente aferente nu erau disponibile și nu eram siguri cât de fiabile sunt datele existente.
Recalificarea continuă a modelului ML este o metodă de a depăși această provocare prin reînvățare din cele mai recente date. Acest lucru necesită nu numai caracteristici bine concepute și arhitectură ML, ci și pregătirea datelor și conducte ML care pot automatiza procesul de recalificare. În caz contrar, soluția ML nu poate fi operată eficient în mediul de producție din cauza complexității și repetabilității slabe.
Nu este suficient să reantrenați modelul folosind cel mai recent set de date de antrenament. Este posibil ca modelul reantrenat să nu ofere un rezultat de prognoză mai precis decât cel existent, așa că nu putem pur și simplu înlocui modelul cu cel nou fără nicio evaluare. Trebuie să putem reveni la modelul anterior dacă noul model începe să aibă performanțe slabe din anumite motive.
Pentru a rezolva această problemă, a trebuit să proiectăm o conductă de date puternică pentru a crea caracteristicile ML din datele brute și MLOps.
Surse multiple de date
ODIN este un MMORPG în care jucătorii de joc interacționează între ei și există diverse evenimente, cum ar fi creșterea nivelului, cumpărarea de articole și vânătoarea de aur (bani de joc). Produce aproximativ 300 GB de jurnale în fiecare zi de la cei peste 10 milioane de jucători din întreaga lume. Jurnalele de jocuri sunt de diferite tipuri, cum ar fi autentificarea jucătorului, activitatea jucătorului, achizițiile jucătorilor și creșterile de nivel ale jucătorilor. Aceste tipuri de date sunt date brute istorice din perspectiva ML. De exemplu, fiecare jurnal este scris în formatul de marcaj temporal, ID utilizator și informații despre eveniment. Intervalul de bușteni nu este uniform. De asemenea, există date statice care descriu jucătorii, cum ar fi vârsta și data de înregistrare, care sunt date non-istorice. Modelarea predicției LTV necesită aceste două tipuri de date ca intrare, deoarece se completează reciproc pentru a reprezenta caracteristicile și comportamentul jucătorului.
Pentru această soluție, am decis să definim setul de date tabelar care combină caracteristicile istorice cu numărul fix de pași agregați împreună cu caracteristicile playerului static. Caracteristicile istorice agregate sunt generate prin mai mulți pași din numărul de jurnale de joc, care sunt stocate Amazon Atena Mese. Pe lângă provocarea de definire a caracteristicilor pentru modelul ML, este esențial să automatizăm procesul de generare a caracteristicilor, astfel încât să putem obține caracteristici ML din datele brute pentru inferența ML și reantrenarea modelului.
Pentru a rezolva această problemă, construim o conductă de extragere, transformare și încărcare (ETL) care poate fi rulată automat și în mod repetat pentru antrenament și crearea unui set de date de inferență.
Scalabilitate la alte jocuri
Kakao Games are alte jocuri cu angajări pe termen lung ale jucătorilor, la fel ca ODIN. Desigur, predicția LTV aduce beneficii și pentru aceste jocuri. Deoarece majoritatea jocurilor partajează tipuri de jurnal similare, vor să refolosească această soluție ML pentru alte jocuri. Putem îndeplini această cerință utilizând jurnalul și atributele comune ale diferitelor jocuri atunci când proiectăm modelul ML. Dar există încă o provocare de inginerie. Conducta ETL, conducta MLOps și inferența ML ar trebui reconstruite într-un alt cont AWS. Implementarea manuală a acestei soluții complexe nu este scalabilă, iar soluția implementată este greu de întreținut.
Pentru a rezolva această problemă, facem ca soluția ML să fie implementată automat cu câteva modificări de configurare.
Prezentare generală a soluțiilor
Soluția ML pentru prognoza LTV este compusă din patru componente: conducta ETL pentru setul de date de antrenament, conducta MLOps, conducta ETL pentru setul de date de inferență și inferența în loturi ML.
Conducta ETL de antrenament și inferență creează caracteristici ML din jurnalele de joc și metadatele jucătorului stocate în tabelele Athena și stochează datele caracteristicilor rezultate într-un Serviciul Amazon de stocare simplă (Amazon S3) găleată. ETL necesită mai mulți pași de transformare, iar fluxul de lucru este implementat folosind AWS Glue. MLOps antrenează modele ML, evaluează modelul antrenat în raport cu modelul existent și apoi înregistrează modelul antrenat în registrul modelului dacă depășește modelul existent. Toate acestea sunt implementate ca o singură conductă ML folosind Pipelines Amazon SageMaker, iar toate antrenamentele ML sunt gestionate prin Experimente Amazon SageMaker. Cu SageMaker Experiments, inginerii ML pot găsi ce seturi de date de instruire și evaluare, hiperparametri și configurații au fost utilizate pentru fiecare model ML în timpul antrenamentului sau ulterior. Inginerii ML nu mai trebuie să gestioneze separat aceste metadate de antrenament.
Ultima componentă este inferența lotului ML, care este rulată în mod regulat pentru a prezice LTV pentru următoarele două săptămâni.
Următoarea figură arată modul în care aceste componente funcționează împreună ca o singură soluție ML.
Arhitectura soluției a fost implementată folosind Kit AWS Cloud Development (AWS CDK) pentru a promova infrastructura ca cod (IaC), facilitând controlul versiunilor și implementarea soluției în diferite conturi și regiuni AWS
În secțiunile următoare, vom discuta fiecare componentă mai detaliat.
Conductă de date pentru generarea de caracteristici ML
Jurnalele de joc stocate în Athena susținute de Amazon S3 trec prin conductele ETL create ca joburi shell Python în AWS Glue. Permite rularea scripturilor Python cu AWS Glue pentru exactitatea caracteristicilor pentru a genera setul de date pregătit pentru antrenament. Tabelele corespunzătoare în fiecare fază sunt create în Athena. Folosim AWS Glue pentru rularea conductei ETL datorită arhitecturii sale fără server și flexibilității în generarea diferitelor versiuni ale setului de date prin transmiterea diferitelor date de început și de sfârșit. A se referi la Accesarea parametrilor folosind getResolvedOptions pentru a afla mai multe despre cum să transmiteți parametrii unui job AWS Glue. Cu această metodă, setul de date poate fi creat pentru a acoperi o perioadă de până la 4 săptămâni, susținând jocul în fazele sale incipiente. De exemplu, data de început introdusă și data de începere a predicției pentru fiecare versiune de set de date sunt analizate prin următorul cod:
Lucrările AWS Glue sunt proiectate și împărțite în diferite etape și declanșate secvenţial. Fiecare job este configurat să preia argumente poziționale și perechi cheie-valoare pentru a rula conducte ETL personalizate. Un parametru cheie este data de început și de sfârșit a datelor care sunt utilizate în antrenament. Acest lucru se datorează faptului că data de început și de sfârșit a datelor se întinde probabil pe diferite sărbători și servesc ca un factor direct în determinarea duratei setului de date. Pentru a observa impactul acestui parametru asupra performanțelor modelului, am creat nouă versiuni diferite de seturi de date (cu date de începere și durata perioadei de antrenament diferite).
Mai exact, am creat versiuni de set de date cu date de începere diferite (decalate cu 4 săptămâni) și perioade de antrenament diferite (12 săptămâni, 16 săptămâni, 20 săptămâni, 24 săptămâni și 28 de săptămâni) în nouă baze de date Athena susținute de Amazon S3. Fiecare versiune a setului de date conține caracteristicile care descriu caracteristicile jucătorilor și datele din seria temporală a activității de achiziție din joc.
Modelul ML
Noi am selectat AutoGluon pentru antrenamentul de model implementat cu pipeline SageMaker. AutoGluon este un set de instrumente pentru învățarea automată automată (AutoML). Permite AutoML ușor de utilizat și ușor de extins, cu accent pe ansamblul automat de stive, învățarea profundă și aplicațiile din lumea reală care acoperă imagini, text și date tabulare.
Puteți utiliza AutoGluon independent pentru a antrena modele ML sau împreună cu Pilot automat cu Amazon SageMaker, o caracteristică a SageMaker care oferă un mediu complet gestionat pentru instruirea și implementarea modelelor ML.
În general, ar trebui să utilizați AutoGluon cu Autopilot dacă doriți să profitați de mediul complet gestionat oferit de SageMaker, inclusiv de caracteristici precum scalarea automată și gestionarea resurselor, precum și implementarea ușoară a modelelor instruite. Acest lucru poate fi util în special dacă sunteți nou în ML și doriți să vă concentrați pe formarea și evaluarea modelelor fără a vă face griji cu privire la infrastructura de bază.
De asemenea, puteți utiliza AutoGluon independent atunci când doriți să antrenați modele ML într-un mod personalizat. În cazul nostru, am folosit AutoGluon cu SageMaker pentru a realiza o predicție în două etape, inclusiv clasificarea abandonului și regresia valorii pe durata de viață. În acest caz, jucătorii care au încetat să mai cumpere articole de joc sunt considerați ca s-au descurcat.
Să vorbim despre abordarea de modelare pentru predicția LTV și eficacitatea reantrenării modelului împotriva simptomului de derive a datelor, ceea ce înseamnă evenimentele interne sau externe care schimbă modelul de cumpărare al unui jucător.
În primul rând, procesele de modelare au fost separate în două etape, inclusiv o clasificare binară (clasificarea unui jucător ca fiind churned sau nu) și un model de regresie care a fost antrenat pentru a prezice valoarea LTV pentru jucătorii care nu sunt turnați:
- Etapă 1 – Valorile țintă pentru LTV sunt convertite într-o etichetă binară,
LTV = 0
șiLTV > 0
. AutoGluon TabularPredictor este antrenat pentru a maximiza scorul F1. - Etapă 2 – Un model de regresie folosind AutoGluon TabularPredictor este folosit pentru a antrena modelul pe utilizatori cu
LTV > 0
pentru regresia LTV reală.
În timpul fazei de testare a modelului, datele de testare parcurg secvențial cele două modele:
- Etapă 1 – Modelul de clasificare binară rulează pe datele de test pentru a obține predicția binară 0 (utilizatorul având
LTV = 0
, churned) sau 1 (utilizator avândLTV > 0
, nu amestecat). - Etapă 2 – Jucătorii au prezis cu
LTV > 0
treceți prin modelul de regresie pentru a obține valoarea LTV reală prezisă. Combinat cu utilizatorul prezis ca avândLTV = 0
, este generat rezultatul final al predicției LTV.
Artefactele de model asociate cu configurațiile de antrenament pentru fiecare experiment și pentru fiecare versiune de set de date sunt stocate într-un compartiment S3 după antrenament și, de asemenea, înregistrate în Registrul de modele SageMaker în cadrul rulării SageMaker Pipelines.
Pentru a testa dacă există o deviere a datelor din cauza utilizării aceluiași model antrenat pe setul de date v1 (12 săptămâni începând din octombrie), rulăm inferențe pe setul de date v1, v2 (ora de pornire a fost deplasată înainte cu 4 săptămâni), v3 (deplasată înainte cu 8 săptămâni). 4 săptămâni), și așa mai departe pentru v5 și v0. Următorul tabel rezumă performanța modelului. Valoarea utilizată pentru comparație este scorul minmax, al cărui interval este 1-XNUMX. Oferă un număr mai mare atunci când predicția LTV este mai aproape de valoarea LTV reală.
Versiunea setului de date | Scorul Minmax | Diferența cu v1 |
v1 | 0.68756 | - |
v2 | 0.65283 | -0.03473 |
v3 | 0.66173 | -0.02584 |
v4 | 0.69633 | 0.00877 |
v5 | 0.71533 | 0.02777 |
Se observă o scădere a performanței pe setul de date v2 și v3, ceea ce este în concordanță cu analiza efectuată pe diferite abordări de modelare care au performanță în scădere pe setul de date v2 și v3. Pentru v4 și v5, modelul arată performanțe echivalente și chiar arată o ușoară îmbunătățire față de v5 fără reinstruire a modelului. Cu toate acestea, când se compară performanța modelului v1 pe setul de date v5 (0.71533) cu performanța modelului v5 pe setul de date v5 (0.7599), reinstruirea modelului îmbunătățește semnificativ performanța.
Conducta de formare
SageMaker Pipelines oferă modalități simple de a compune, gestiona și reutiliza fluxurile de lucru ML; selectați cele mai bune modele pentru implementare în producție; urmăriți automat modelele; și să integreze CI/CD în conductele ML.
În pasul de instruire, un estimator SageMaker este construit cu următorul cod. Spre deosebire de Estimatorul SageMaker obișnuit pentru a crea un loc de muncă de formare, trecem o sesiune pipeline SageMaker către SageMaker_session
în loc de o sesiune SageMaker:
Imaginea de bază este preluată de următorul cod:
Modelul antrenat trece prin procesul de evaluare, unde metrica țintă este minmax. Un scor mai mare decât cel mai bun scor LTV minmax actual va duce la un pas de înregistrare a modelului, în timp ce un scor LTV minmax mai mic nu va duce la actualizarea versiunii actuale a modelului înregistrat. Evaluarea modelului pe setul de date de testare holdout este implementată ca un job de procesare SageMaker.
Etapa de evaluare este definită de următorul cod:
Când evaluarea modelului este completă, trebuie să comparăm rezultatul evaluării (minmax) cu performanța modelului existent. Definim un alt pas de conductă, step_cond
.
Cu toți pașii necesari definiți, conducta ML poate fi construită și rulată cu următorul cod:
Întregul flux de lucru este urmăribil și vizualizat în Amazon SageMaker Studio, așa cum se arată în graficul următor. Joburile de antrenament ML sunt urmărite automat de SageMaker Experiment, astfel încât să puteți găsi configurația de antrenament ML, hiperparametrii, setul de date și modelul antrenat al fiecărei sarcini de antrenament. Alegeți fiecare dintre module, jurnale, parametri, ieșiri și așa mai departe pentru a le examina în detaliu.
Inferență automată pe lot
În cazul predicției LTV, inferența în lot este preferată inferenței în timp real, deoarece LTV-ul prezis este utilizat în mod normal pentru sarcinile offline din aval. La fel ca și crearea de caracteristici ML din setul de date de antrenament prin ETL în mai mulți pași, trebuie să creăm caracteristicile ML ca o intrare în modelul de predicție LTV. Reutilizam același flux de lucru al AWS Glue pentru a converti datele jucătorilor în caracteristicile ML, dar divizarea datelor și generarea etichetelor nu sunt efectuate. Caracteristica ML rezultată este stocată în compartimentul S3 desemnat, care este monitorizat de un AWS Lambdas declanșatorul. Când fișierul caracteristică ML este introdus în compartimentul S3, funcția Lambda rulează automat, ceea ce pornește sarcina de transformare batch SageMaker folosind cel mai recent și aprobat model LTV găsit în SageMaker Model Registry. Când transformarea lotului este completă, valorile LTV de ieșire sau prezise pentru fiecare jucător sunt salvate în găleată S3, astfel încât orice sarcină din aval să poată prelua rezultatul. Această arhitectură este descrisă în diagrama următoare.
Cu această conductă care combină sarcina ETL și inferența pe lot, predicția LTV se realizează pur și simplu rulând fluxul de lucru AWS Glue ETL în mod regulat, cum ar fi o dată pe săptămână sau o dată pe lună. AWS Glue și SageMaker își gestionează resursele de bază, ceea ce înseamnă că această conductă nu necesită să mențineți orice resursă în funcțiune tot timpul. Prin urmare, această arhitectură care utilizează servicii gestionate este rentabilă pentru sarcinile pe lot.
Soluție implementabilă folosind AWS CDK
Conducta ML în sine este definită și rulată folosind Pipelines, dar conducta de date și codul de inferență al modelului ML, inclusiv funcția Lambda, nu fac parte din domeniul de aplicare al Pipelines. Pentru a face această soluție implementabilă, astfel încât să putem aplica aceasta și altor jocuri, am definit conducta de date și inferența modelului ML folosind AWS CDK. În acest fel, echipa de inginerie și echipa de știință a datelor au flexibilitatea de a gestiona, actualiza și controla întreaga soluție ML fără a fi nevoie să gestioneze manual infrastructura folosind Consola de administrare AWS.
Concluzie
În această postare, am discutat despre cum am putea rezolva derivarea datelor și provocările complexe ETL prin construirea unei conducte automate de date și a unei conducte ML utilizând servicii gestionate precum AWS Glue și SageMaker și cum să facem din aceasta o soluție ML scalabilă și repetabilă care să fie adoptată de către alte jocuri care utilizează AWS CDK.
„În această eră, jocurile sunt mai mult decât conținut. Ei reunesc oamenii și au un potențial și o valoare nemărginite atunci când vine vorba de a ne bucura de viața noastră. La Kakao Games, visăm la o lume plină de jocuri pe care oricine le poate bucura cu ușurință. Ne străduim să creăm experiențe în care jucătorii doresc să continue să joace și să creăm legături prin intermediul comunității. Echipa MLSL ne-a ajutat să construim o soluție ML de predicție LTV scalabilă folosind AutoGluon pentru AutoML, Amazon SageMaker pentru MLOps și AWS Glue pentru pipeline de date. Această soluție automatizează reantrenarea modelului pentru date sau modificări ale jocului și poate fi implementată cu ușurință în alte jocuri prin intermediul AWS CDK. Această soluție ne ajută să ne optimizăm procesele de afaceri, ceea ce, la rândul său, ne ajută să rămânem în fruntea jocului.”
- SuHyung Kim, șeful laboratorului de analiză a datelor, Kakao Games.
Pentru a afla mai multe despre funcțiile asociate ale SageMaker și AWS CDK, consultați următoarele:
Laboratorul Amazon ML Solutions
Laboratorul Amazon ML Solutions împerechează echipa dvs. cu experți ML pentru a vă ajuta să identificați și să implementați oportunitățile ML de cea mai mare valoare ale organizației dvs. Dacă doriți să accelerați utilizarea ML în produsele și procesele dvs., vă rugăm să contactați Laboratorul de soluții ML Amazon.
Despre Autori
Suhyoung Kim este director general la KakaoGames Data Analytics Lab. El este responsabil cu colectarea și analiza datelor, și mai ales preocuparea pentru economia jocurilor online.
Muhyun Kim este cercetător de date la Amazon Machine Learning Solutions Lab. El rezolvă diferitele probleme de afaceri ale clienților prin aplicarea învățării automate și a învățării profunde și, de asemenea, îi ajută să devină calificați.
Sheldon Liu este Data Scientist la Amazon Machine Learning Solutions Lab. În calitate de profesionist cu experiență în învățarea automată, calificat în arhitectura de soluții scalabile și de încredere, el lucrează cu clienții întreprinderi pentru a-și rezolva problemele de afaceri și pentru a oferi soluții ML eficiente.
Alex Chirayath este inginer senior de învățare automată la Amazon ML Solutions Lab. El conduce echipe de cercetători și ingineri de date pentru a construi aplicații AI pentru a răspunde nevoilor afacerii.
Gonsoo Moon, AI/ML Specialist Solutions Architect la AWS, a lucrat împreună cu clienții pentru a-și rezolva problemele ML folosind serviciile AWS AI/ML. În trecut, a avut experiență în dezvoltarea de servicii de învățare automată în industria de producție, precum și într-o scară largă de dezvoltare a serviciilor, analiza datelor și dezvoltarea de sisteme în industria portalului și a jocurilor de noroc. În timpul liber, Gonsoo face o plimbare și se joacă cu copiii.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/how-kakao-games-automates-lifetime-value-prediction-from-game-data-using-amazon-sagemaker-and-aws-glue/
- $ 10 de milioane de
- 1
- 10
- 100
- 2021
- 28
- 7
- a
- Capabil
- Despre Noi
- abuz
- accelera
- Cont
- Conturi
- precis
- precis
- peste
- activ
- activităţi de
- activitate
- adăugat
- plus
- adresa
- adoptată
- Avantaj
- care afectează
- După
- împotriva
- înainte
- AI
- AI / ML
- TOATE
- Amazon
- Învățare automată Amazon
- Laboratorul Amazon ML Solutions
- Amazon SageMaker
- printre
- analiză
- Google Analytics
- analiza
- și
- O alta
- oricine
- aplicatii
- Aplică
- Aplicarea
- abordare
- abordari
- aprobat
- arhitectură
- argumente
- în jurul
- asociate
- atribute
- automatizarea
- Automata
- automate
- Automat
- în mod automat
- AutoML
- disponibil
- AWS
- AWS Adeziv
- înapoi
- sprijinit
- de bază
- bazat
- deoarece
- fiind
- Beneficiile
- CEL MAI BUN
- Mai bine
- Obligațiuni
- aduce
- construi
- Clădire
- afaceri
- Poate obține
- caz
- cauzată
- contesta
- provocări
- provocare
- Schimbare
- Modificări
- Caracteristici
- verifica
- Copii
- Alege
- a ales
- clasificare
- mai aproape
- Cloud
- cod
- combinate
- combinând
- Comun
- comunitate
- Companii
- comparaţie
- compararea
- comparație
- Completa
- Completă
- complex
- complexitate
- component
- componente
- compuse
- Îngrijorare
- Condiții
- Configuraţie
- luate în considerare
- consistent
- contactați-ne
- conține
- conţinut
- continuu
- Control
- converti
- convertit
- Corespunzător
- A costat
- ar putea
- Cuplu
- acoperi
- crea
- a creat
- creează
- Crearea
- creaţie
- critic
- Curent
- client
- Angajarea cu clienții
- clienţii care
- personalizate
- de date
- analiza datelor
- Analiza datelor
- Pregătirea datelor
- știința datelor
- om de știință de date
- baze de date
- seturi de date
- Data
- Date
- zi
- hotărât
- Deciziile
- adânc
- învățare profundă
- definit
- definire
- livra
- implementa
- dislocate
- Implementarea
- desfășurarea
- descris
- Amenajări
- desemnat
- proiectat
- detaliu
- determină
- determinarea
- dezvoltat
- Dezvoltator
- în curs de dezvoltare
- Dezvoltare
- Dispozitive
- diferit
- diferite jocuri
- direcționa
- discuta
- discutat
- împărțit
- Nu
- vis
- Picătură
- scăzut
- în timpul
- dinamic
- fiecare
- Devreme
- cu ușurință
- ușor de folosit
- Economic
- economie
- Eficace
- eficacitate
- eficiență
- eficient
- permite
- angajament
- inginer
- Inginerie
- inginerii
- se bucura
- Afacere
- Mediu inconjurator
- Echivalent
- Eră
- mai ales
- evaluat
- evaluarea
- evaluare
- Chiar
- eveniment
- evenimente
- Fiecare
- in fiecare zi
- exemplu
- execuție
- existent
- experienţă
- cu experienţă
- Experiențe
- experiment
- experți
- extern
- extrage
- f1
- cu care se confruntă
- factori
- Caracteristică
- DESCRIERE
- puțini
- Figura
- Fișier
- umplut
- final
- Găsi
- fixată
- Flexibilitate
- Concentra
- următor
- Prognoză
- format
- Înainte
- găsit
- din
- Îndeplini
- complet
- funcţie
- viitor
- joc
- Jocuri
- jocuri
- Industria jocurilor
- culegere
- General
- genera
- generată
- generator
- generaţie
- obține
- Da
- oferă
- La nivel global
- Gluon
- Go
- Merge
- Aur
- grafic
- Greu
- având în
- cap
- cu sediul
- ajutor
- a ajutat
- ajută
- superior
- istoric
- concediu
- Cum
- Cum Pentru a
- Totuși
- HTML
- HTTPS
- Vânătoare
- ID
- identifica
- Ilegal
- imagine
- Impactul
- punerea în aplicare a
- implementat
- import
- important
- îmbunătăţi
- îmbunătățire
- îmbunătățirea
- in
- În altele
- în joc
- include
- Inclusiv
- Indicatorii
- industrie
- informații
- Infrastructură
- intrare
- instanță
- in schimb
- integra
- interacţiona
- intern
- IT
- articole
- în sine
- Loc de munca
- Locuri de munca
- Kakao
- A pastra
- Cheie
- Kim
- Copil
- Coreea
- de laborator
- Etichetă
- mare
- mai mare
- Nume
- Ultimele
- lansa
- a lansat
- conduce
- Conduce
- AFLAȚI
- învăţare
- Părăsi
- Lungime
- durata de viaţă
- Probabil
- Locuiește
- încărca
- pe termen lung
- mai lung
- LTV
- maşină
- masina de învățare
- menține
- face
- FACE
- Efectuarea
- administra
- gestionate
- administrare
- manager
- manual
- manual
- multe
- Marketing
- masiv
- Maximaliza
- mijloace
- Metadata
- metodă
- Metode
- metric
- ar putea
- milion
- ML
- MLOps
- MMORPG
- Mobil
- dispozitive mobile
- model
- Testarea modelelor
- Modele
- Module
- bani
- monitorizate
- Lună
- mai mult
- cele mai multe
- Cel mai popular
- multiplayer
- multiplu
- necesar
- Nevoie
- nevoilor
- Nou
- următor
- normală.
- în mod normal
- număr
- observa
- octombrie
- Offline
- ONE
- on-line
- operat
- Operațiuni
- Oportunităţi
- Optimizați
- comandă
- OS
- Altele
- in caz contrar
- surclasează
- Învinge
- perechi
- parametru
- parametrii
- Care trece
- trecut
- cale
- Model
- PC
- oameni
- performanță
- spectacole
- perioadă
- perioadele
- perspectivă
- fază
- alege
- conducte
- planificat
- Plato
- Informații despre date Platon
- PlatoData
- Joaca
- player
- jucători
- joc
- "vă rog"
- sărac
- Popular
- Portal
- Post
- potenţial
- prezice
- a prezis
- prezicere
- preferat
- precedent
- Prețuri
- Proactivă
- Problemă
- probleme
- proces
- procese
- prelucrare
- producere
- Produse
- profesional
- proiect
- promova
- promoționale
- promoţii
- proprietăţi
- prevăzut
- furnizează
- furnizarea
- publicat
- editor
- Editare
- cumpărare
- achiziții
- de cumpărare
- Piton
- gamă
- clasat
- Crud
- lumea reală
- în timp real
- Realitate
- realiza
- motiv
- recent
- reflecta
- Inregistreaza-te
- înregistrată
- registre
- Înscriere
- registru
- regulat
- legate de
- de încredere
- repetabil
- REPETAT
- înlocui
- reprezenta
- necesita
- cerință
- Necesită
- resursă
- Resurse
- responsabil
- rezultat
- rezultând
- venituri
- Alerga
- funcţionare
- sagemaker
- Conducte SageMaker
- acelaşi
- scalabil
- Scară
- scalare
- Ştiinţă
- Om de stiinta
- oamenii de stiinta
- domeniu
- script-uri
- Secțiune
- secțiuni
- selectate
- senior
- serie
- servi
- serverless
- serviciu
- Servicii
- servire
- sesiune
- sever
- Distribuie
- Coajă
- Pantaloni scurți
- să
- indicat
- Emisiuni
- semnificativ
- asemănător
- simplu
- pur şi simplu
- singur
- calificat
- So
- soluţie
- soluţii
- REZOLVAREA
- rezolvă
- unele
- Surse
- Sud
- Coreea de Sud
- specialist
- specializată
- împărţi
- sportiv
- stivui
- Stadiile
- standalone
- Începe
- Pornire
- începe
- statistic
- şedere
- Pas
- paşi
- Încă
- oprit
- depozitare
- stocate
- magazine
- lupta
- puternic
- astfel de
- suficient
- De sprijin
- Sprijină
- simptom
- SYS
- sistem
- tabel
- Lua
- ia
- Vorbi
- Ţintă
- Sarcină
- sarcini
- echipă
- a facut echipa
- echipe
- test
- Testarea
- lumea
- lor
- prin urmare
- trei
- Prin
- timp
- Seria de timp
- timestamp-ul
- la
- împreună
- Toolkit
- top
- urmări
- trasabil
- Tren
- dresat
- Pregătire
- traininguri
- trenuri
- Transforma
- Transformare
- declanşa
- a declanșat
- adevărat
- ÎNTORCĂ
- Tipuri
- tipic
- care stau la baza
- Neașteptat
- Actualizează
- actualizat
- us
- utilizare
- Utilizator
- utilizatorii
- folosi
- Utilizand
- valoare
- Valori
- diverse
- versiune
- de
- Video
- joc video
- Virtual
- Realitate virtuala
- vr
- modalități de
- Vreme
- săptămână
- săptămâni
- care
- întreg
- voi
- în
- fără
- cuvinte
- Apartamente
- lucram impreuna
- a lucrat
- fluxuri de lucru
- de lucru
- fabrică
- lume
- scris
- Tu
- Ta
- zephyrnet