После того, как вы создадите, обучите и оцените свою модель машинного обучения (ML), чтобы убедиться, что она решает предполагаемую бизнес-проблему, вы хотите развернуть эту модель, чтобы обеспечить принятие решений в бизнес-операциях. Модели, поддерживающие критически важные для бизнеса функции, развертываются в производственной среде, где реализуется стратегия выпуска модели. Учитывая природу моделей ML, в которых данные постоянно меняются, вы также хотите убедиться, что развернутая модель по-прежнему актуальна для новых данных, и что модель обновляется, когда это не так. Это включает в себя выбор стратегии развертывания, которая сводит к минимуму риски и время простоя. Эта оптимальная стратегия развертывания должна поддерживать высокую доступность модели, учитывать бизнес-затраты на развертывание более низкой модели по сравнению с той, что уже используется в рабочей среде, и содержать функциональные возможности для легкого возврата к предыдущей версии модели. Многие из этих рекомендуемых соображений и шаблонов развертывания также рассматриваются в AWS Well Architected Framework — объектив машинного обучения.
Помимо выбора правильной стратегии развертывания, эта стратегия должна быть реализована с использованием надежного механизма, включающего методы MLOps. MLOps включает методы интеграции рабочих нагрузок машинного обучения в управление выпусками, CI/CD и операции с учетом уникальных аспектов проектов машинного обучения, включая рекомендации по развертыванию и мониторингу моделей. Amazon SageMaker для MLOps предоставляет специализированные инструменты для автоматизации и стандартизации этапов жизненного цикла машинного обучения, включая возможности для развертывания новых моделей и управления ими с использованием расширенных шаблонов развертывания.
В этом посте мы обсудим, как развертывать модели ML с помощью Создатель мудреца Амазонки воспроизводимым и автоматизированным способом, интегрируя варианты производства и ограждения развертывания возможности SageMaker с решениями MLOps. Мы знакомим вас с тем, как интегрировать инструменты MLOps SageMaker с шаблонами развертывания модели SageMaker, уделяя особое внимание конечным точкам одной модели в реальном времени.
Обзор решения
Мы исследуем следующие шаблоны тестирования моделей и ограждений, а также их интеграцию с инструментами SageMaker MLOps:
- Тестирование модели – Мы сравниваем различные версии модели в производстве, прежде чем заменить текущую версию модели. В этом посте сравниваются следующие возможности тестирования моделей:
- A / B тестирования – С помощью A/B-тестирования вы сравниваете различные версии вашей модели в производстве, распределяя трафик конечных точек между вариантами вашей модели. A/B-тестирование используется в сценариях, где обратная связь с обратной связью может напрямую связать выходные данные модели с последующими бизнес-метриками. Эта обратная связь затем используется для определения статистической значимости перехода от одной модели к другой, помогая вам выбрать лучшую модель посредством тестирования в реальном времени.
- Теневые тесты – С помощью теневых тестов вы тестируете новую версию своей модели в производственной среде, параллельно отправляя запросы к производственной модели и новой модели. Данные отклика прогноза из рабочей модели передаются приложению, а прогнозы новой версии модели сохраняются для тестирования, но не передаются рабочему приложению. Теневое тестирование используется в ситуациях, когда нет обратной связи с обратной связью, сопоставляющей бизнес-метрику с прогнозами модели. В этом сценарии вы используете качество модели и операционные показатели для сравнения нескольких моделей без какого-либо влияния на последующие бизнес-показатели.
- Переключение трафика – После того, как вы протестировали новую версию модели и остались довольны ее работой, следующим шагом будет переключение трафика с текущей модели на новую. синие/зеленые ограждения развертывания в SageMaker позволяют легко переключаться с текущей модели в производстве (синий парк) на новую (зеленый парк) контролируемым образом. Сине-зеленые развертывания позволяют избежать простоев во время обновлений вашей модели, как это было бы в сценарии развертывания на месте. Чтобы максимизировать доступность модели, на момент написания этой статьи сине-зеленые развертывания являются параметром по умолчанию для обновлений модели в SageMaker. В этом посте мы обсудим следующие методы переключения трафика:
- Все сразу переключение трафика – 100 % трафика ваших конечных точек перемещается с вашего синего парка на зеленый после того, как зеленый парк станет доступным. Мы используем сигнализация in Amazon CloudWatch которые следят за вашим зеленым парком в течение определенного периода времени ( период выпечки), и если сигнал тревоги не срабатывает, SageMaker удаляет синий флот после периода запекания.
- Канарское движение – Ваш зеленый парк сначала подвергается воздействию меньшей части вашего трафика (а канарейка) и проверены на наличие проблем с использованием предупреждений CloudWatch в течение периода запекания, в то время как синий парк продолжает получать большую часть трафика конечных точек. После проверки зеленого парка весь трафик перемещается на новый парк, а затем SageMaker удаляет синий парк.
- Сине-зеленое линейное переключение трафика ограждение – Вы постепенно переключаете трафик с вашего синего флота на зеленый пошаговым подходом. Затем ваша модель отслеживается с помощью сигналов тревоги CloudWatch в течение периода выпечки на каждом этапе, прежде чем флот Blue будет полностью заменен.
Этот пост посвящен описанию архитектур, использующих функции SageMaker MLOps для контролируемого развертывания моделей с помощью перечисленных нами ограничений развертывания и стратегий тестирования моделирования. Для получения общей информации об этих шаблонах см. Воспользуйтесь преимуществом передовых стратегий развертывания с помощью ограничений развертывания Amazon SageMaker. и Ограждения развертывания.
Разверните модель с помощью SageMaker
SageMaker предлагает широкий спектр варианты развертывания которые варьируются от низкой задержки и высокой пропускной способности до длительных заданий логического вывода. Эти варианты включают рассмотрение для пакетного, реального времени или вывод почти в реальном времени. Каждый вариант предлагает различные расширенные функции, такие как возможность запуска нескольких моделей на одной конечной точке. Однако, как упоминалось ранее, в этом посте мы рассматриваем только шаблоны развертывания MLOps с использованием конечных точек с одной моделью. Чтобы глубже погрузиться в более продвинутые функции развертывания SageMaker для получения логических выводов в реальном времени, см. Шаблоны размещения моделей в Amazon SageMaker, часть 2. Начало работы с развертыванием моделей реального времени в SageMaker.
Чтобы понять реализацию шаблонов расширенного развертывания с использованием конвейеров непрерывной доставки (CD), давайте сначала обсудим ключевую концепцию в SageMaker, которая называется варианты модели.
Варианты моделей SageMaker
Варианты модели позволяют развертывать несколько версий модели в одной и той же конечной точке для тестирования модели. Варианты модели развертываются в отдельных экземплярах, поэтому обновление одного варианта не влияет на другие варианты. В SageMaker варианты модели реализованы как рабочие и теневые варианты.
Варианты изготовления позволяют вам проводить A/B-тестирование нескольких версий вашей модели, чтобы сравнить их производительность. В этом сценарии все версии вашей модели возвращают ответы на запросы модели. Трафик вашей конечной точки распределяется между существующими вариантами либо путем распределения трафика, где вы назначаете вес для каждого варианта, либо по целевому варианту, где определенный параметр (например, регион или рынок) определяет, какую модель следует вызывать.
Теневые варианты позволяют вам проводить теневое тестирование новой версии вашей модели. В этом сценарии у вашей модели есть рабочий вариант и теневой вариант, развернутые параллельно на одной и той же конечной точке. Теневой вариант получает полный (или выборочный) трафик данных с вашей конечной точки. Однако только прогнозы рабочих вариантов отправляются обратно пользователям вашего приложения, а прогнозы теневых вариантов регистрируются для анализа. Поскольку теневые варианты запускаются на экземплярах, отдельных от рабочего варианта, в этом тесте производительность рабочего варианта не снижается. С помощью этого варианта вы тестируете новую модель и минимизируете риски неэффективной модели, а также можете сравнить производительность обеих моделей с одними и теми же данными.
Ограничения развертывания SageMaker
Ограждения являются неотъемлемой частью разработки программного обеспечения. Они защищают ваше приложение и минимизируют риск развертывания новой версии вашего приложения. Точно так же ограничения развертывания SageMaker позволяют вам переключаться с одной версии модели на другую контролируемым образом. По состоянию на декабрь 2022 г. ограждения SageMaker обеспечивают реализацию вариантов развертывания синего/зеленого, канареечного и линейного переключения трафика. В сочетании с вариантами модели ограничения развертывания могут применяться как к производственным, так и к теневым вариантам вашей модели, что гарантирует отсутствие простоев при обновлении нового варианта, а перемещение трафика контролируется в соответствии с выбранным параметром.
Основы MLOps для развертывания модели
В более широком контексте построения модели машинного обучения и рабочего процесса развертывания мы хотим использовать практики CI/CD, специально созданные для рабочего процесса машинного обучения. Подобно традиционным системам CI/CD, мы хотим автоматизировать тестирование программного обеспечения, интеграционное тестирование и производственное развертывание. Однако нам также необходимо включить в жизненный цикл машинного обучения определенные операции, которые отсутствуют в традиционном жизненном цикле разработки программного обеспечения, такие как обучение моделей, эксперименты с моделями, тестирование моделей и мониторинг моделей.
Для достижения этих специфичных для машинного обучения возможностей в процесс развертывания модели добавляются основы MLOps, такие как автоматизированное тестирование модели, ограничения развертывания, развертывание с несколькими учетными записями и автоматический откат модели. Это гарантирует, что уже описанные возможности позволяют тестировать модель и избегать простоев в процессе обновления модели. Он также обеспечивает надежность и прослеживаемость, необходимые для постоянного улучшения готовой к производству модели. Кроме того, такие возможности, как возможность упаковывать существующие решения в повторно используемые шаблоны и развертывать модели в конфигурации с несколькими учетными записями, обеспечивают масштабируемость шаблонов развертывания моделей, обсуждаемых в публикации, для нескольких моделей в организации.
На следующем рисунке показан общий шаблон подключения возможностей SageMaker для создания сквозного конвейера построения и развертывания модели. В этом примере модель разрабатывается в SageMaker с использованием SageMaker Обработка заданий для запуска кода обработки данных, который используется для подготовки данных для алгоритма ML. Вакансии: обучение SageMaker затем используются для обучения модели машинного обучения на данных, полученных в результате задания обработки. Артефакты модели и связанные с ними метаданные хранятся в Реестр моделей SageMaker как последний этап тренировочного процесса. Это организовано Конвейеры SageMaker, специально созданный сервис CI/CD для машинного обучения, который помогает автоматизировать и управлять рабочими процессами машинного обучения в любом масштабе.
После утверждения модели она тестируется в производственной среде с помощью A/B-тестирования или теневого развертывания. После проверки модели в рабочей среде мы используем реестр моделей для утверждения модели для развертывания в рабочей среде на конечной точке SageMaker с использованием одного из вариантов защиты развертывания.
Когда процесс обновления модели завершится, Монитор модели SageMaker постоянно отслеживает производительность модели на предмет дрейфа модели и качества данных. Этот процесс автоматизирован для нескольких вариантов использования с использованием Проект SageMaker шаблоны, сопоставляющие развертывание инфраструктуры с настройкой нескольких учетных записей, чтобы обеспечить полную изоляцию ресурсов и более простой контроль затрат.
Шаблоны развертывания конечных точек с одной моделью
При первом развертывании моделей в производственной среде у вас нет работающей модели для сравнения, и развернутая модель будет использоваться вашим бизнес-приложением. После развертывания и мониторинга модели в производственной среде может потребоваться обновить ее либо на регулярной основе, либо по запросу, когда будут доступны новые данные или когда в вашей модели будет обнаружен пробел в производительности. При обновлении существующей модели вы хотите убедиться, что новая модель работает лучше, чем текущая, и может обрабатывать трафик запросов прогнозирования от ваших бизнес-приложений. В течение этого периода проверки вы хотите, чтобы текущая модель по-прежнему была доступна для возможного отката, чтобы свести к минимуму риск простоя ваших приложений.
В более широкой картине разработки моделей модели обычно обучаются в учетной записи разработки науки о данных. Сюда входят рабочие процессы экспериментирования, часто используемые при разработке моделей, а также рабочие процессы переобучения, используемые в готовых к работе конвейерах. Все метаданные для этих экспериментов можно отслеживать с помощью Эксперименты с Amazon SageMaker во время разработки. После включения рабочего процесса в конвейер для производственного использования метаданные автоматически отслеживаются через конвейеры SageMaker. Чтобы отслеживать жизнеспособные производственные модели в одном месте после того, как в ходе экспериментов показатели производительности модели (точность, полнота и т. д.) были доведены до приемлемого для производства уровня, шаг условия в конвейере SageMaker позволяет зарегистрировать модель в реестре моделей.
Реестр моделей позволяет инициировать развертывание этой модели с помощью ручного или автоматического процесса утверждения. Это развертывание происходит в тестовой учетной записи машинного обучения, где можно выполнять операционные тесты, такие как интеграционные тесты, модульные тесты, задержку модели и любую дополнительную проверку модели для новой версии модели. Обратите внимание, что A/B-тестирование и теневое тестирование выполняются не в тестовой учетной записи ML, а в рабочей учетной записи ML.
После того, как модель пройдет все проверки в тестовой учетной записи, ее можно будет развернуть в рабочей среде. Новый процесс утверждения инициирует это развертывание, а ограничения развертывания SageMaker обеспечивают контролируемый выпуск и прозрачный процесс обновления модели в соответствии с выбранным режимом переключения трафика.
Следующая диаграмма иллюстрирует эту архитектуру решения.
Все сразу переключение трафика
Ассоциация все сразу режим переключения трафика позволяет вам обновить новую версию модели (зеленый парк), полностью переместив 100% трафика с вашей текущей модели (синий парк) на новую модель. С помощью этого параметра вы можете настроить период запекания, в течение которого обе версии вашей модели все еще работают, и вы можете быстро и автоматически вернуться к текущей версии, если ваша новая модель не работает должным образом. Недостатком этого варианта является то, что он затрагивает весь ваш трафик данных сразу, поэтому, если возникает проблема с развертыванием вашей модели, это затрагивает всех пользователей, использующих приложение в процессе развертывания. В следующей архитектуре показано, как опция переключения трафика «все сразу» обрабатывает обновления модели.
Одновременное переключение трафика может быть включено в ваш инструментарий MLOps путем определения конфигурации развертывания конечной точки с помощью СинийЗеленыйОбновлениеПолитики установлен в ALL_AT_ONCE
. В конвейере MLOps после утверждения новой модели для развертывания в рабочей учетной записи ML SageMaker проверяет, существует ли конечная точка вашей модели. Если да, то ALL_AT_ONCE
конфигурация запускает обновление конечной точки, которое соответствует архитектуре. Откат вашей конечной точки контролируется на основе Тревоги CloudWatch определяется вашей конечной точкой AutoRollbackConfiguration
, который при срабатывании автоматически запускает откат модели до текущей версии модели.
Канарское движение
Ассоциация канарейка режим позволяет протестировать новую модель (зеленый парк) с небольшой частью трафика данных перед обновлением работающей модели (синий парк) до новой версии или откатом новой версии, в зависимости от результатов канареечного тестирования. Часть трафика, используемая для тестирования новой модели, называется канареечной, и в этом варианте ваш риск проблемной новой модели сводится к канареечному трафику, в то время как время обновления по-прежнему сведено к минимуму.
Развертывание Canary позволяет свести к минимуму риск внедрения новой версии модели, предоставив новую версию модели небольшой группе пользователей для мониторинга эффективности в течение определенного периода времени. Недостатком является управление несколькими версиями в течение определенного периода времени, что позволяет собирать показатели производительности, достаточно значимые для определения влияния на производительность. Преимущество заключается в возможности изолировать риск для небольшой группы пользователей.
Переключение трафика Canary можно включить в инструментарий MLOps, определив конфигурацию развертывания конечной точки с помощью СинийЗеленыйОбновлениеПолитики установлен в CANARY
и определение CanarySize
чтобы определить, какая часть трафика вашей конечной точки должна быть перенаправлена на новую версию модели. Как и в случае с параметром «Все сразу», в конвейере MLOps после утверждения новой модели для развертывания в рабочей учетной записи ML SageMaker проверяет, существует ли уже конечная точка вашей модели. Если да, то CANARY
конфигурация запускает обновление конечной точки, которое соответствует архитектуре, показанной на следующей диаграмме. Откат вашей конечной точки контролируется на основе предупреждений CloudWatch, определенных вашей конечной точкой. AutoRollbackConfiguration
что при срабатывании автоматически запускается откат модели до текущей версии модели. Полезными типами сигналов тревоги для развертывания здесь являются 500 кодов состояния и задержка модели; однако эти настройки сигналов тревоги должны быть настроены в соответствии с конкретным бизнес-вариантом использования и технологией машинного обучения.
Линейное смещение трафика
В линейное смещение трафика модели, вы постепенно меняете трафик с вашей текущей модели (синий парк) на новую версию модели (зеленый парк), постепенно увеличивая трафик данных, отправляемый в новую модель. Таким образом, доля трафика, используемого для тестирования вашей новой версии модели, постепенно увеличивается с каждым шагом, а время запекания для каждого шага гарантирует, что ваша модель все еще работает с новым трафиком. С помощью этого варианта вы минимизируете риск развертывания низкопроизводительной модели и постепенно подвергаете новую модель большему трафику данных. Недостатком этого подхода является увеличение времени обновления и увеличение затрат на параллельную работу обеих моделей.
Линейное смещение трафика можно включить в ваш инструментарий MLOps, определив конфигурацию развертывания конечной точки с BlueGreenUpdatePolicy, установленным на LINEAR
и определение LinearStepSize
чтобы определить, какая часть вашего трафика должна быть перенаправлена на новую модель на каждом этапе. Как и в случае с параметром «Все сразу», в конвейере MLOps после утверждения новой модели для развертывания в рабочей учетной записи ML SageMaker проверяет, существует ли уже конечная точка вашей модели. Если да, то LINEAR
конфигурация запускает обновление конечной точки, которое соответствует архитектуре, указанной на следующей диаграмме. Откат вашей конечной точки контролируется на основе предупреждений CloudWatch, определенных вашей конечной точкой. AutoRollbackConfiguration
что при срабатывании автоматически запускается откат модели до текущей версии модели.
Шаблоны развертывания с вариантами производства моделей
Независимо от шаблона развертывания, который вы выбрали для своего приложения, вы также можете использовать рабочие варианты для проверки производительности вашей модели перед обновлением конечной точки или реализации дополнительных шаблонов развертывания, таких как теневые развертывания. В этом случае вы хотите добавить ручной или автоматизированный процесс выбора наилучшей модели для развертывания перед обновлением конечной точки. В следующей архитектуре показано, как трафик и ответ вашей конечной точки ведут себя в сценарии теневого развертывания. В этом сценарии каждый запрос прогноза отправляется как в новую, так и в развернутую модели; однако только текущая развернутая модель обслуживает прогнозный ответ для бизнес-приложения, в то время как прогноз, обслуживаемый новой моделью, сохраняется только для анализа производительности по сравнению с текущей развернутой моделью. После оценки производительности модели новую версию модели можно развернуть для обслуживания прогнозируемого трафика ответов к бизнес-приложениям.
Отмена
Независимо от стратегии развертывания, которую вы выбрали для развертывания модели, вы хотите иметь возможность отката к предыдущей версии модели, если производительность вашей новой модели ниже, чем производительность вашей текущей модели. Чтобы сделать это, сводя к минимуму время простоя вашего приложения, вам нужно поддерживать текущую модель, работающую параллельно с новой, пока вы не будете уверены, что ваша новая модель работает лучше, чем текущая.
Ограничители развертывания SageMaker позволяют устанавливать сигналы тревоги и автоматически возвращаться к предыдущим версиям модели в течение периода проверки модели. После окончания периода проверки может потребоваться откат к предыдущей версии модели, чтобы решить новую проблему, обнаруженную после завершения обновления модели. Для этого вы можете воспользоваться реестром моделей SageMaker, чтобы отвергнутые и одобренные модели и вызвать процесс отката.
Заключение
В этом посте вы узнали, как комбинировать варианты моделей конечных точек SageMaker и ограничения развертывания с возможностями MLOps, чтобы создавать сквозные шаблоны для разработки моделей. Мы предоставили пример реализации для канареечных и линейных ограничений развертывания, связанных с конвейерами SageMaker и реестром моделей через пользовательский проект SageMaker. В качестве следующего шага попробуйте адаптировать следующие шаблон для реализации стратегии развертывания вашей организации.
Рекомендации
Об авторах
Майра Ладейра Танке является специалистом по машинному обучению, архитектором решений в AWS. Имея опыт работы в области науки о данных, она имеет 9-летний опыт разработки и создания приложений машинного обучения для клиентов из разных отраслей. В качестве технического руководителя она помогает клиентам ускорить достижение ценности бизнеса с помощью новых технологий и инновационных решений. В свободное время Майра любит путешествовать и проводить время со своей семьей в теплом месте.
Клэй Элмор является специалистом по архитектуре решений AI/ML в AWS. Проведя много часов в лаборатории по исследованию материалов, он быстро оставил свой опыт в области химического машиностроения, чтобы заняться машинным обучением. Он работал над приложениями машинного обучения во многих различных отраслях, от торговли энергией до гостиничного маркетинга. Клэй особенно заинтересован в том, чтобы перенести методы разработки программного обеспечения в ML и направить клиентов к воспроизводимым, масштабируемым решениям, используя эти принципы. В свободное время Клей любит кататься на лыжах, собирать кубики Рубика, читать и готовить.
Шелби Айгенброде является главным архитектором решений, специализирующимся на искусственном интеллекте и машинном обучении, в AWS. Она занимается технологиями уже 24 года, работая в различных отраслях, технологиях и на разных должностях. В настоящее время она сосредоточена на объединении своего опыта DevOps и ML в области MLOps, чтобы помочь клиентам предоставлять и управлять рабочими нагрузками ML в масштабе. Имея более 35 патентов, выданных в различных областях технологий, она стремится к непрерывным инновациям и использованию данных для достижения результатов в бизнесе. Шелби — соавтор и преподаватель специализации «Практическая наука о данных» на Coursera. Она также является содиректором организации Women In Big Data (WiBD) в Денвере. В свободное время она любит проводить время со своей семьей, друзьями и гиперактивными собаками.
Циюнь Чжао является старшим инженером по разработке программного обеспечения в команде Amazon SageMaker Inference Platform. Он является ведущим разработчиком ограждений развертывания и теневых развертываний и помогает клиентам управлять рабочими нагрузками машинного обучения и развертываниями в масштабе с высокой доступностью. Он также работает над эволюцией архитектуры платформы для быстрого и безопасного развертывания заданий машинного обучения и удобного проведения онлайн-экспериментов машинного обучения. В свободное время он любит читать, играть в игры и путешествовать.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/mlops-deployment-best-practices-for-real-time-inference-model-serving-endpoints-with-amazon-sagemaker/
- 100
- 2022
- 7
- 9
- a
- способность
- в состоянии
- ускорять
- приемлемый
- По
- Учетная запись
- Бухгалтерский учет
- Достигать
- достижение
- через
- добавленный
- дополнение
- дополнительный
- Дополнительно
- продвинутый
- плюс
- После
- против
- AI
- AI / ML
- Часы работы
- алгоритм
- Все
- позволяет
- уже
- Amazon
- Создатель мудреца Амазонки
- количество
- анализ
- и
- Другой
- Применение
- Приложения
- прикладной
- подхода
- утверждение
- утвердить
- утвержденный
- архитектура
- около
- аспекты
- связанный
- автоматизировать
- Автоматизированный
- автоматически
- свободных мест
- доступен
- AWS
- назад
- фон
- основанный
- основа
- , так как:
- становится
- до
- за
- не являетесь
- польза
- ЛУЧШЕЕ
- лучшие практики
- Лучшая
- между
- большой
- Big Data
- Синии
- Приведение
- широкий
- шире
- принес
- строить
- Строительство
- построенный
- бизнес
- Бизнес-приложения
- под названием
- возможности
- случаев
- случаев
- CD
- определенный
- изменение
- изменения
- Глава
- Проверки
- химический
- Выбирая
- выбрал
- закрыто
- код
- объединять
- сочетании
- комбинируя
- Общий
- сравнить
- полный
- полностью
- сама концепция
- уверенный
- Конфигурация
- подключенный
- связи
- Рассматривать
- соображения
- содержать
- контекст
- беспрестанно
- (CIJ)
- непрерывно
- контроль
- контроль
- Цена
- Расходы
- чехол для варгана
- покрытый
- Создайте
- Текущий
- В настоящее время
- изготовленный на заказ
- Клиенты
- подгонянный
- данным
- обработка данных
- наука о данных
- Декабрь
- Принятие решений
- По умолчанию
- определенный
- определяющий
- доставить
- поставка
- Спрос
- демонстрирует
- Денвер
- в зависимости
- развертывание
- развернуть
- развертывание
- развертывание
- развертывания
- описано
- обнаруженный
- Определять
- развитый
- Застройщик
- Развитие
- различный
- непосредственно
- открытый
- обсуждать
- обсуждается
- распределенный
- распределительный
- распределение
- не
- домен
- доменов
- Dont
- нижняя сторона
- время простоя
- управлять
- в течение
- каждый
- легче
- легко
- эффективность
- или
- появление
- включить
- впритык
- Конечная точка
- энергетика
- инженер
- Проект и
- достаточно
- обеспечивать
- обеспечивает
- обеспечение
- Окружающая среда
- существенный
- оценивать
- оценивается
- эволюций
- пример
- существующий
- существует
- ожидаемый
- опыт
- Больше
- подвергаться
- семья
- БЫСТРО
- Особенности
- Обратная связь
- фигура
- Во-первых,
- Впервые
- ФЛОТ
- фокусируется
- фокусировка
- после
- следующим образом
- Устои
- Рамки
- Бесплатно
- друзья
- от
- полный
- функциональность
- Функции
- далее
- игровой
- разрыв
- сбор
- Общие
- получающий
- Дайте
- данный
- постепенно
- предоставленный
- Зелёная
- группы
- обрабатывать
- Ручки
- помощь
- помощь
- помогает
- здесь
- High
- гостеприимство
- хостинг
- ЧАСЫ
- Как
- How To
- Однако
- HTML
- HTTPS
- Влияние
- осуществлять
- реализация
- в XNUMX году
- Осуществляющий
- улучшение
- in
- включают
- включает в себя
- В том числе
- включенный
- расширились
- Увеличивает
- повышение
- промышленности
- информация
- Инфраструктура
- Инновации
- инновационный
- пример
- вместо
- интегрировать
- Интегрируя
- интеграции.
- интерес
- Введение
- изоляция
- вопрос
- вопросы
- IT
- работа
- Джобс
- Сохранить
- Основные
- лаборатория
- Фамилия
- Задержка
- запустили
- вести
- узнали
- изучение
- уровень
- Жизненный цикл
- Включенный в список
- жить
- дольше
- Низкий
- машина
- обучение с помощью машины
- поддерживать
- управлять
- управление
- управления
- руководство
- многих
- отображение
- рынок
- Маркетинг
- материалы
- Максимизировать
- значимым
- механизм
- упомянутый
- Метаданные
- методы
- метрический
- Метрика
- может быть
- минимизация
- ML
- млн операций в секунду
- режим
- модель
- Тестирование модели
- Модели
- монитор
- контролируемый
- Мониторинг
- Мониторы
- БОЛЕЕ
- самых
- с разными
- природа
- необходимо
- Необходимость
- Новые
- следующий
- Предложения
- ONE
- онлайн
- оперативный
- Операционный отдел
- оптимальный
- Опция
- Опции
- заказ
- организация
- Другое
- Результат
- изложенные
- пакет
- Параллельные
- параметр
- часть
- проходит
- страсть
- Патенты
- шаблон
- паттеранами
- Выполнять
- производительность
- выполняет
- период
- картина
- трубопровод
- Часть
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- возможное
- После
- практическое
- практиками
- Точность
- прогноз
- Predictions
- Подготовить
- представить
- предыдущий
- предварительно
- Основной
- Принципы
- Проблема
- процесс
- обработка
- Произведенный
- Производство
- Проект
- проектов
- предложило
- для защиты
- обеспечивать
- при условии
- приводит
- цель
- положил
- быстро
- ассортимент
- ранжирование
- Reading
- готовый
- реальные
- реального времени
- получает
- получение
- Управление по борьбе с наркотиками (DEA)
- область
- зарегистрированный
- реестра
- регулярный
- освободить
- соответствующие
- надежность
- складская
- повторяемый
- заменить
- запросить
- Запросы
- исследованиям
- ресурс
- ответ
- возвращают
- многоразовый
- Снижение
- рисках,
- роли
- Катить
- Подвижной
- Run
- Бег
- sagemaker
- Вывод SageMaker
- Конвейеры SageMaker
- то же
- довольный
- доволен
- Масштабируемость
- масштабируемые
- Шкала
- сценарий
- Сценарии
- Наука
- безопасный
- выбранный
- отправка
- старший
- отдельный
- служит
- обслуживание
- выступающей
- набор
- настройки
- установка
- несколько
- Shadow
- Теневое тестирование
- сдвиг
- СДВИГАЯ
- должен
- Шоу
- значение
- аналогичный
- Аналогичным образом
- одинарной
- обстоятельства
- небольшой
- меньше
- So
- Software
- разработка программного обеспечения
- Решение
- Решения
- РЕШАТЬ
- Решение
- особый
- специалист
- конкретный
- тратить
- Расходы
- и политические лидеры
- начинается
- статистический
- Статус:
- Шаг
- Шаги
- По-прежнему
- хранить
- стратегий
- Стратегия
- представленный
- такие
- поддержка
- Коммутатор
- системы
- взять
- принимает
- цель
- команда
- Технический
- технологии
- Технологии
- шаблоны
- тестXNUMX
- Тестирование
- тестов
- Ассоциация
- их
- Через
- пропускная способность
- TIE
- время
- в
- инструменты
- к
- Прослеживаемость
- трек
- Торговля
- традиционный
- трафик
- Train
- специалистов
- Обучение
- прозрачный
- Путешествие
- вызвать
- срабатывает
- Типы
- типично
- понимать
- созданного
- Ед. изм
- Обновление ПО
- обновление
- Updates
- обновление
- использование
- прецедент
- пользователей
- использовать
- VALIDATE
- подтверждено
- Проверка
- ценностное
- Вариант
- различный
- версия
- с помощью
- жизнеспособный
- теплый
- вес
- Что
- Что такое
- , которые
- в то время как
- будете
- в
- Женщина
- работавший
- Рабочие процессы
- работает
- бы
- письмо
- лет
- Ты
- ВАШЕ
- зефирнет