Modeli strojnega učenja (ML) ne delujejo ločeno. Za zagotavljanje vrednosti se morajo integrirati v obstoječe proizvodne sisteme in infrastrukturo, kar zahteva upoštevanje celotnega življenjskega cikla ML med načrtovanjem in razvojem. Operacije ML, znane kot MLOps, se osredotočajo na racionalizacijo, avtomatizacijo in spremljanje modelov ML skozi njihov življenjski cikel. Izgradnja robustnega cevovoda MLOps zahteva medfunkcionalno sodelovanje. Podatkovni znanstveniki, inženirji ML, osebje IT in ekipe DevOps morajo sodelovati pri operacionalizaciji modelov od raziskav do uvajanja in vzdrževanja. S pravimi procesi in orodji MLOps organizacijam omogoča, da zanesljivo in učinkovito sprejmejo ML v svojih ekipah.
Čeprav so zahteve po neprekinjenem povezovanju in cevovodih za neprekinjeno dostavo (CI/CD) lahko edinstvene in odražajo potrebe vsake organizacije, je mogoče stopnjevanje praks MLOps po skupinah poenostaviti z uporabo upravljanih orkestracij in orodij, ki lahko pospešijo razvojni proces in odstranijo nediferencirano težko dvigovanje. .
Amazon SageMaker MLOps je nabor funkcij, ki vključuje Projekti Amazon SageMaker (CI/CD), Amazonski cevovodi SageMaker in Register modelov Amazon SageMaker.
SageMaker cevovodi omogoča enostavno ustvarjanje in upravljanje delovnih tokov ML, hkrati pa ponuja zmožnosti shranjevanja in ponovne uporabe za korake delovnega toka. The Model registra SageMaker centralizira sledenje modelom, kar poenostavlja uvajanje modela. Projekti SageMaker uvaja prakse CI/CD v ML, vključno s pariteto okolja, nadzorom različic, testiranjem in avtomatizacijo. To omogoča hitro vzpostavitev CI/CD v vašem okolju ML, kar omogoča učinkovito razširljivost v celotnem podjetju.
Vgrajeno predloge projektov , ki jih Amazon SageMaker vključujejo integracijo z nekaterimi orodji tretjih oseb, kot sta Jenkins za orkestracijo in GitHub za nadzor vira, več pa jih uporablja izvorna orodja CI/CD AWS, kot je npr. AWS CodeCommit, AWS CodePipelinein AWS CodeBuild. V mnogih scenarijih pa bi stranke želele integrirati SageMaker Pipelines z drugimi obstoječimi orodji CI/CD in tako ustvariti svoje predloge projektov po meri.
V tej objavi vam pokažemo implementacijo po korakih, da dosežete naslednje:
- Ustvarite predlogo projekta SageMaker MLOps po meri, ki se integrira z GitHub in GitHub Actions
- Naj bodo vaše predloge projektov po meri na voljo v Amazon SageMaker Studio za vašo ekipo podatkovne znanosti z zagotavljanjem z enim klikom
Pregled rešitev
V tej objavi gradimo naslednjo arhitekturo. Ustvarimo avtomatiziran cevovod za gradnjo modela, ki vključuje korake za pripravo podatkov, usposabljanje modela, vrednotenje modela in registracijo usposobljenega modela v registru modelov SageMaker. Nastali usposobljeni model ML se nato po ročni odobritvi razmesti iz registra modelov SageMaker v uprizoritvena in produkcijska okolja.
Poglobimo se v elemente te arhitekture, da bomo razumeli celotno konfiguracijo.
GitHub in dejanja GitHub
GitHub je spletna platforma, ki omogoča nadzor različic in upravljanje izvorne kode z uporabo Git. Skupinam omogoča sodelovanje pri projektih razvoja programske opreme, sledenje spremembam in upravljanje repozitorijev kode. GitHub služi kot centralizirana lokacija za shranjevanje, različico in upravljanje vaše kodne baze ML. To zagotavlja, da so vaša baza kode ML in cevovodi različici, dokumentirani in dostopni članom skupine.
Dejanja GitHub je zmogljivo orodje za avtomatizacijo znotraj ekosistema GitHub. Omogoča vam ustvarjanje potekov dela po meri, ki avtomatizirajo procese življenjskega cikla razvoja programske opreme, kot so izgradnja, testiranje in uvajanje kode. Ustvarite lahko poteke dela, ki jih vodijo dogodki, ki jih sprožijo določeni dogodki, na primer ko je koda potisnjena v repozitorij ali je ustvarjena zahteva za vlečenje. Pri implementaciji MLOps lahko uporabite GitHub Actions za avtomatizacijo različnih stopenj cevovoda ML, kot so:
- Validacija podatkov in predobdelava
- Modelno usposabljanje in vrednotenje
- Uvajanje in spremljanje modela
- CI/CD za modele ML
Z GitHub Actions lahko poenostavite svoje poteke dela ML in zagotovite, da so vaši modeli dosledno zgrajeni, testirani in uvedeni, kar vodi do učinkovitejših in zanesljivejših uvedb ML.
V naslednjih razdelkih začnemo z nastavitvijo predpogojev v zvezi z nekaterimi komponentami, ki jih uporabljamo kot del te arhitekture:
- Oblikovanje oblaka AWS - Oblikovanje oblaka AWS sproži uvajanje modela in vzpostavi končne točke SageMaker, potem ko je cevovod za uvajanje modela aktiviran z odobritvijo usposobljenega modela.
- Povezava AWS CodeStar - Uporabljamo AWS CodeStar vzpostaviti povezavo z repozitorijem GitHub in ga uporabiti kot integracijo repoja kode z viri AWS, kot je SageMaker Studio.
- Amazon EventBridge - Amazon EventBridge spremlja vse spremembe v registru modelov. Prav tako vzdržuje pravilo, ki poziva funkcijo Lambda, da razmesti cevovod modela, ko se status različice paketa modela spremeni iz
PendingManualApproval
doApproved
znotraj registra modelov. - AWS Lambda – Uporabljamo an AWS Lambda funkcijo za začetek delovnega toka uvajanja modela v GitHub Actions, potem ko je nov model registriran v registru modelov.
- Amazon SageMaker – Konfiguriramo naslednje komponente SageMaker:
- Cevovod – Ta komponenta je sestavljena iz usmerjenega acikličnega grafa (DAG), ki nam pomaga zgraditi avtomatiziran potek dela ML za faze priprave podatkov, usposabljanja modela in vrednotenja modela. Register modelov vzdržuje zapise o različicah modelov, njihovih povezanih artefaktih, rodu in metapodatkih. Vzpostavljena je skupina modelnih paketov, ki vsebuje vse povezane različice modelov. Register modela je odgovoren tudi za upravljanje statusa odobritve različice modela za poznejšo uvedbo.
- Končna točka – Ta komponenta nastavi dve končni točki HTTPS v realnem času za sklepanje. Konfiguracijo gostovanja je mogoče prilagoditi, na primer, za paketno pretvorbo ali asinhrono sklepanje. Uprizoritvena končna točka se ustvari, ko se cevovod za uvajanje modela aktivira z odobritvijo usposobljenega modela iz registra modelov SageMaker. Ta končna točka se uporablja za potrditev razporejenega modela z zagotavljanjem, da zagotavlja napovedi, ki izpolnjujejo naše standarde natančnosti. Ko je model pripravljen za produkcijsko uvedbo, se produkcijska končna točka umesti s stopnjo ročne odobritve v delovnem toku GitHub Actions.
- Koda skladišča – To ustvari repozitorij Git kot vir v vašem računu SageMaker. Z uporabo obstoječih podatkov iz repozitorija kode GitHub, ki ste jih vnesli med ustvarjanjem vašega projekta SageMaker, se v SageMakerju vzpostavi povezava z istim repozitorijem, ko začnete projekt. To v bistvu tvori povezavo z repozitorijem GitHub v SageMakerju, kar omogoča interaktivna dejanja (povleci/potisni) z vašim repozitorijem.
- Register modelov – To spremlja različne različice modela in ustrezne artefakte, ki vključujejo poreklo in metapodatke. Zbirka, znana kot a skupina paketov modelov je ustvarjena različica modela, povezana z ohišjem. Poleg tega register modelov nadzira status odobritve različice modela in zagotavlja njegovo pripravljenost za poznejšo uvedbo.
- Upravitelj skrivnosti AWS – Če želite varno ohraniti žeton osebnega dostopa GitHub, je treba vzpostaviti skrivnost Upravitelj skrivnosti AWS in vanjo shranite svoj žeton za dostop.
- Katalog storitev AWS – Uporabljamo Katalog storitev AWS za izvajanje projektov SageMaker, ki vključujejo komponente, kot so repozitorij kode SageMaker, funkcija Lambda, pravilo EventBridge, vedro artefakta S3 itd., vse implementirano prek CloudFormation. To vaši organizaciji omogoča večkratno uporabo projektnih predlog, dodelitev projektov vsakemu uporabniku in racionalizacijo operacij.
- Amazon S3 – Uporabljamo an Preprosta storitev shranjevanja Amazon (Amazon S3) vedro za shranjevanje artefaktov modela, ki jih proizvaja cevovod.
Predpogoji
Morali bi imeti naslednje predpogoje:
Pred implementacijo rešitve morate opraviti tudi dodatne nastavitvene korake.
Nastavite povezavo AWS CodeStar
Če še nimate povezave AWS CodeStar s svojim računom GitHub, glejte Ustvarite povezavo z GitHub za navodila za ustvarjanje. Vaša povezava AWS CodeStar ARN bo videti takole:
V tem primeru je dr. aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
je edinstven ID za to povezavo. Ta ID uporabimo, ko kasneje v tem primeru ustvarimo naš projekt SageMaker.
Nastavite skrivne dostopne ključe za svoj žeton GitHub
Če želite varno shraniti žeton osebnega dostopa GitHub, morate v upravitelju skrivnosti ustvariti skrivnost. Če nimate žetona osebnega dostopa za GitHub, glejte Upravljanje vaših osebnih dostopnih žetonov za navodila za ustvarjanje.
Ustvarite lahko klasičen ali drobnozrnat dostopni žeton. Vendar se prepričajte, da ima žeton dostop do vsebine in dejanj repozitorija (potekov dela, izvajanj in artefaktov).
Izvedite naslednje korake, da shranite žeton v upravitelju skrivnosti:
- Na konzoli Secrets Manager izberite Shrani novo skrivnost.
- Izberite Druga vrsta skrivnosti za Izberite skrivno vrsto.
- Vnesite ime za svojo skrivnost v Ključne polje in dodajte svoj osebni dostopni žeton v ustrezno polje vrednost področju.
- Izberite Naslednji, vnesite ime za svojo skrivnost in izberite Naslednji še enkrat.
- Izberite trgovina da shranite svojo skrivnost.
Če svoj osebni dostopni žeton GitHub shranite v upravitelju skrivnosti, lahko do njega varno dostopate znotraj svojega cevovoda MLOps, hkrati pa zagotovite njegovo zaupnost.
Ustvarite uporabnika IAM za GitHub Actions
Če želite omogočiti GitHub Actions, da uvedejo končne točke SageMaker v vašem okolju AWS, morate ustvariti AWS upravljanje identitete in dostopa (IAM) in mu podelite potrebna dovoljenja. Za navodila glejte Ustvarjanje uporabnika IAM v vašem računu AWS. Uporabi iam/GithubActionsMLOpsExecutionPolicy.json
datoteka (na voljo v vzorec kode), da zagotovite zadostna dovoljenja za tega uporabnika za uvedbo vaših končnih točk.
Ko ustvarite uporabnika IAM, ustvarite ključ za dostop. Ta ključ, ki je sestavljen iz ID-ja ključa za dostop in skrivnega ključa za dostop, boste uporabili v naslednjem koraku pri konfiguraciji vaših skrivnosti GitHub.
Nastavite svoj račun GitHub
Sledijo koraki za pripravo računa GitHub za izvajanje tega primera.
Klonirajte repozitorij GitHub
Za ta primer lahko znova uporabite obstoječi repo GitHub. Vendar je lažje, če ustvarite novo skladišče. To skladišče bo vsebovalo vso izvorno kodo za sestave in uvedbe cevovoda SageMaker.
Kopirajte vsebino imenika začetne kode v koren vašega repozitorija GitHub. Na primer, .github
mora biti pod korenom vašega repozitorija GitHub.
Ustvarite skrivnost GitHub, ki vsebuje vaš uporabniški dostopni ključ IAM
V tem koraku shranimo podrobnosti ključa za dostop novo ustvarjenega uporabnika v našo GitHub skrivnost.
- Na spletnem mestu GitHub se pomaknite do svojega skladišča in izberite Nastavitve.
- V razdelku za varnost izberite Skrivnosti in spremenljivke In izberite Proces.
- Izberite Nova skrivnost skladišča.
- za Ime, vnesite
AWS_ACCESS_KEY_ID
- za skrivnost, vnesite ID ključa za dostop, povezan z uporabnikom IAM, ki ste ga ustvarili prej.
- Izberite Dodaj skrivnost.
- Enak postopek ponovite za
AWS_SECRET_ACCESS_KEY
Konfigurirajte svoja okolja GitHub
Za ustvarjanje ročnega koraka odobritve v naših cevovodih za uvajanje uporabljamo a okolje GitHub. Izvedite naslednje korake:
- Pomaknite se na Nastavitve, Okolja meni vašega repozitorija GitHub in ustvarite novo okolje, imenovano proizvodnja.
- za Pravila varstva okoljatako, da izberete Zahtevani recenzenti.
- Dodajte želena uporabniška imena GitHub kot pregledovalce. Za ta primer lahko izberete svoje uporabniško ime.
Upoštevajte, da funkcija okolja ni na voljo v nekaterih vrstah načrtov GitHub. Za več informacij glejte Uporaba okolij za uvajanje.
Namestite funkcijo Lambda
V naslednjih korakih stisnemo lambda_function.py
v datoteko .zip, ki se nato naloži v vedro S3.
Ustrezen vzorec kode za to lahko najdete v nadaljevanju GitHub repo. Natančneje, lambda_function.py
se nahaja v lambda_functions/lambda_github_workflow_trigger imenik.
Priporočljivo je ustvariti razcep vzorca kode in ga namesto tega klonirati. Tako boste lahko svobodno spreminjali kodo in eksperimentirali z različnimi vidiki vzorca.
- Ko pridobite kopijo kode, se pomaknite do ustreznega imenika in uporabite
zip
ukaz za stiskanjelambda_function.py
. Uporabniki operacijskega sistema Windows in MacOS lahko za ustvarjanje datoteke .zip uporabijo svoj izvorni sistem za upravljanje datotek, File Explorer ali Finder.
- Naložite
lambda-github-workflow-trigger.zip
v vedro S3.
Do tega vedra bo pozneje dostopal servisni katalog. Izberete lahko katero koli vedro, do katerega imate dostop, če lahko Service Catalog v naslednjih korakih iz njega pridobi podatke.
Od tega koraka naprej zahtevamo, da je AWS CLI v2 nameščen in konfiguriran. Alternativa bi bila uporaba AWS CloudShell, ki ima vnaprej nameščena vsa potrebna orodja, kar odpravlja potrebo po dodatnih konfiguracijah.
- Za nalaganje datoteke v vedro S3 uporabite naslednji ukaz:
Zdaj izdelamo plast Lambda za odvisnosti, povezane z lambda_function
pravkar smo naložili.
- Nastavite virtualno okolje Python in namestite odvisnosti:
- Ustvarite datoteko .zip z naslednjimi ukazi:
- Objavite plast v AWS:
Ko je ta sloj objavljen, se lahko vse vaše funkcije Lambda zdaj sklicujejo nanj, da ustrezajo njihovim odvisnostim. Za podrobnejše razumevanje plasti Lambda glejte Delo s plastmi Lambda.
Ustvarite predlogo projekta po meri v SageMakerju
Po zaključku vseh zgornjih korakov imamo vse vire in komponente cevovoda CI/CD. Nato pokažemo, kako lahko te vire naredimo na voljo kot projekt po meri znotraj SageMaker Studio, ki je dostopen prek uvedbe z enim klikom.
Kot smo že omenili, ko predloge, ki jih ponuja SageMaker, ne ustrezajo vašim potrebam (na primer, če želite imeti bolj zapleteno orkestracijo v CodePipeline z več stopnjami, koraki odobritve po meri ali integracijo z orodjem tretje osebe, kot je GitHub in dejanja GitHub prikazano v tej objavi), lahko ustvarite lastne predloge. Priporočamo, da začnete s predlogami, ki jih ponuja SageMaker, da boste razumeli, kako organizirati kodo in vire ter graditi nad tem. Za več podrobnosti glejte Ustvarite predloge projektov po meri.
Upoštevajte, da lahko ta korak tudi avtomatizirate in namesto tega uporabite CloudFormation za uvedbo portfelja in izdelka storitvenega kataloga prek kode. V tej objavi pa vam za večjo učno izkušnjo pokažemo uvedbo konzole.
Na tej stopnji uporabljamo predloženo predlogo CloudFormation za ustvarjanje portfelja kataloga storitev, ki nam pomaga pri ustvarjanju projektov po meri v SageMakerju.
Ustvarite lahko novo domeno ali ponovno uporabite svojo domeno SageMaker za naslednje korake. Če nimate domene, se obrnite na Vkrcajte se na domeno Amazon SageMaker z uporabo hitre nastavitve za navodila za namestitev.
Ko omogočite skrbniški dostop do predlog SageMaker, dokončajte naslednje korake:
- Na konzoli Service Catalog pod Administracija v podoknu za krmarjenje izberite portfelji.
- Izberite Ustvarite nov portfelj.
- Poimenujte portfelj »SageMaker Organisation Templates«.
- Prenos template.yml datoteko na vaš računalnik.
Ta predloga Cloud Formation zagotavlja vse vire CI/CD, ki jih potrebujemo kot konfiguracijo in infrastrukturo kot kodo. Predlogo lahko podrobneje preučite, da vidite, kateri viri so razporejeni kot njen del. Ta predloga je bila prilagojena za integracijo z GitHub in GitHub Actions.
- v
template.yml
datoteko, spremeniteS3Bucket
vrednost v vašem vedru, kamor ste naložili datoteko Lambda .zip:
- Izberite nov portfelj.
- Izberite Naložite nov izdelek.
- za Naziv izdelka¸ vnesite ime za svojo predlogo. Uporabljamo ime
build-deploy-github
. - za Opis, vnesite opis.
- za Lastnik, Vnesite svoje ime.
- Pod Podrobnosti o različiciZa Metoda, izberite Uporabite datoteko predloge.
- Izberite Naložite predlogo.
- Naložite predlogo, ki ste jo prenesli.
- za Naslov različice, izberite 1.0.
- Izberite pregled.
- Preglejte svoje nastavitve in izberite Ustvari izdelek.
- Izberite Osveži za seznam novega izdelka.
- Izberite izdelek, ki ste ga pravkar ustvarili.
- o oznake izdelku dodajte naslednjo oznako:
- Ključne =
sagemaker:studio-visibility
- vrednost =
true
- Ključne =
V podrobnostih portfelja bi morali videti nekaj podobnega naslednjemu posnetku zaslona (z različnimi ID-ji).
- o Omejitve izberite jeziček Ustvari omejitev.
- za Izdelek, izberite
build-deploy-github
(izdelek, ki ste ga pravkar ustvarili). - za Omejitev tip, izberite Zagon.
- Pod Omejitev zagonaZa Metoda, izberite Izberite vlogo IAM.
- Izberite
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Izberite ustvarjanje.
- o Skupine, vloge in uporabniki izberite jeziček Dodajte skupine, vloge in uporabnike.
- o vloge izberite vlogo, ki ste jo uporabili pri konfiguraciji domene SageMaker Studio. Tukaj je mogoče najti vlogo domene SageMaker.
- Izberite Dodajte dostop.
Razmestite projekt iz SageMaker Studio
V prejšnjih razdelkih ste pripravili projektno okolje MLOps po meri. Zdaj pa ustvarimo projekt s to predlogo:
- Na konzoli SageMaker se pomaknite do domene, v kateri želite ustvariti ta projekt.
- o Zagon izberite meni študija.
Preusmerjeni boste v okolje SageMaker Studio.
- V SageMaker Studio v navigacijskem podoknu pod Uvajanje, izberite projekti.
- Izberite Ustvarite projekt.
- Na vrhu seznama predlog izberite Predloge organizacij.
Če ste uspešno opravili vse prejšnje korake, bi morali videti novo predlogo projekta po meri z imenom Build-Deploy-GitHub
.
- Izberite to predlogo in izberite Izberite predlogo projekta.
- Vnesite neobvezen opis.
- za Ime lastnika repozitorija GitHub, vnesite lastnika vašega repozitorija GitHub. Na primer, če je vaše skladišče na
https://github.com/pooyavahidi/my-repo
, lastnik bi bilpooyavahidi
. - za Ime repozitorija GitHub, vnesite ime repozitorija, v katerega ste kopirali semensko kodo. To bi bilo samo ime repoja. Na primer, v
https://github.com/pooyavahidi/my-repo
, repo jemy-repo
. - za Enolični ID povezave Codestar, vnesite enolični ID povezave AWS CodeStar, ki ste jo ustvarili.
- za Ime skrivnosti v upravitelju skrivnosti, ki shranjuje žeton GitHub, vnesite ime skrivnosti v upravitelju skrivnosti, kjer ste ustvarili in shranili žeton GitHub.
- za Datoteka poteka dela GitHub za uvajanje, vnesite ime datoteke delovnega toka GitHub (na
.github/workflows/deploy.yml
), kjer imate navodila za uvajanje. Za ta primer ga lahko obdržite kot privzetega, kar jedeploy.yml
. - Izberite Ustvarite projekt.
- Ko ustvarite svoj projekt, poskrbite, da posodobite
AWS_REGION
inSAGEMAKER_PROJECT_NAME
spremenljivke okolja v vaših datotekah poteka dela GitHub ustrezno. Datoteke poteka dela so v vašem repo-ju GitHub (kopirane iz semenske kode), znotraj.github/workflows
imenik. Posodobite obabuild.yml
indeploy.yml
datotek.
Zdaj je vaše okolje pripravljeno za uporabo! Cevovode lahko zaženete neposredno, izvedete spremembe in te spremembe potisnete v svoje repozitorij GitHub, da sprožite samodejni gradbeni cevovod in vidite, kako so vsi koraki gradnje in uvajanja avtomatizirani.
Čiščenje
Če želite počistiti vire, izvedite naslednje korake:
- Izbrišite sklade CloudFormation, ki se uporabljajo za projekt SageMaker in končne točke SageMaker.
- Izbrišite domeno SageMaker.
- Izbrišite vire storitvenega kataloga.
- Izbrišite povezavo povezave AWS CodeStar z repozitorijem GitHub.
- Izbrišite uporabnika IAM, ki ste ga ustvarili za GitHub Actions.
- Izbrišite skrivnost v upravitelju skrivnosti, ki shranjuje podatke o osebnem dostopu do GitHub.
Povzetek
V tej objavi smo se sprehodili skozi postopek uporabe projektne predloge SageMaker MLOps po meri za samodejno izdelavo in organiziranje cevovoda CI/CD. Ta cevovod učinkovito integrira vaše obstoječe mehanizme CI/CD z zmogljivostmi SageMaker za manipulacijo podatkov, usposabljanje modela, odobritev modela in uvajanje modela. V našem scenariju smo se osredotočili na integracijo dejanj GitHub s projekti in cevovodi SageMaker. Za celovito razumevanje podrobnosti izvedbe obiščite GitHub repozitorij. Lahko eksperimentirate s tem in ne oklevajte in pustite morebitna vprašanja v razdelku za komentarje.
O avtorjih
Romina Sharifpour je višji arhitekt za rešitve strojnega učenja in umetne inteligence pri Amazon Web Services (AWS). Več kot 10 let je vodila načrtovanje in implementacijo inovativnih rešitev od konca do konca, ki jih omogoča napredek v strojnem strojenju in umetni inteligenci. Področja Romina zanimanja so obdelava naravnega jezika, veliki jezikovni modeli in MLOps.
Pooya Vahidi je višji arhitekt rešitev pri AWS, navdušen nad računalništvom, umetno inteligenco in računalništvom v oblaku. Kot strokovnjak za umetno inteligenco je aktiven član ekipe AWS AI/ML Area-of-Depth. Z več kot dvema desetletjema strokovnega znanja in izkušenj pri vodenju arhitekture in inženiringa obsežnih rešitev pomaga strankam na njihovih transformativnih potovanjih prek tehnologij oblaka in AI/ML.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :ima
- : je
- :ne
- :kje
- $GOR
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Sposobna
- O meni
- nad
- pospeši
- dostop
- dostopna
- dostopen
- ustrezno
- Račun
- natančnost
- Doseči
- čez
- dejavnosti
- aktivna
- aciklični
- dodajte
- Dodatne
- Prilagojen
- sprejme
- napredek
- po
- spet
- AI
- AI / ML
- vsi
- dodeliti
- omogočajo
- omogoča
- že
- Prav tako
- alternativa
- Amazon
- Amazon SageMaker
- Amazonski cevovodi SageMaker
- Amazon Web Services
- Amazonske spletne storitve (AWS)
- an
- in
- in infrastrukturo
- kaj
- primerno
- odobritev
- Arhitektura
- SE
- območja
- umetni
- Umetna inteligenca
- AS
- vidiki
- povezan
- Združenje
- At
- avtomatizirati
- Avtomatizirano
- samodejno
- avtomatizacija
- Avtomatizacija
- Na voljo
- AWS
- ozadje
- baza
- BE
- bilo
- pred
- tako
- izgradnjo
- Building
- Gradi
- zgrajena
- vgrajeno
- by
- se imenuje
- CAN
- Zmogljivosti
- Katalog
- CD
- centralizirano
- spremenite
- Spremembe
- Izberite
- klasična
- čiščenje
- klik
- Cloud
- računalništvo v oblaku
- Koda
- baza kod
- sodelovati
- sodelovanje
- zbirka
- prihaja
- komentarji
- dokončanje
- dokončanje
- kompleksna
- komponenta
- deli
- celovito
- računalnik
- Računalništvo
- računalništvo
- zaupnost
- konfiguracija
- konfigurirano
- konfiguriranje
- povezava
- upoštevamo
- dosledno
- vsebuje
- Konzole
- gradnjo
- vsebujejo
- Vsebina
- neprekinjeno
- nadzor
- Ustrezno
- ustvarjajo
- ustvaril
- ustvari
- Ustvarjanje
- Oblikovanje
- po meri
- Stranke, ki so
- meri
- DAG
- datum
- Priprava podatkov
- znanost o podatkih
- desetletja
- privzeto
- poda
- dostava
- potopite
- zahteve
- izkazati
- Dokazano
- odvisnosti
- razporedi
- razporejeni
- uvajanja
- uvajanje
- razmestitve
- opis
- Oblikovanje
- želeno
- Podatki
- podrobno
- Podrobnosti
- Razvoj
- drugačen
- usmerjen
- neposredno
- razpravljali
- do
- domena
- dont
- med
- vsak
- prej
- lažje
- ekosistem
- Učinkovito
- učinkovito
- učinkovite
- učinkovito
- bodisi
- elementi
- odstranjevanje
- omogočajo
- omogočena
- omogoča
- omogočanje
- konec koncev
- Končna točka
- Inženiring
- Inženirji
- zagotovitev
- zagotavlja
- zagotoviti
- Vnesite
- Podjetje
- Celotna
- okolje
- okolja
- v bistvu
- vzpostaviti
- ustanovljena
- vzpostavlja
- vzpostavitev
- itd
- Ocena
- dogodki
- Primer
- obstoječih
- izkušnje
- poskus
- strokovno znanje
- raziskovalec
- olajšanje
- Feature
- Lastnosti
- občutek
- Polje
- file
- datoteke
- Iskalnik
- Osredotočite
- osredotočena
- po
- za
- vilice
- Oblikovanje
- Obrazci
- je pokazala,
- brezplačno
- Svoboda
- iz
- funkcija
- funkcije
- ustvarjajo
- ustvarila
- dobili
- git
- GitHub
- Daj
- dogaja
- več
- odobri
- graf
- več
- skupina
- Skupine
- Imajo
- he
- težka
- težko dvigovanje
- Pomaga
- gostovanje
- Hiša
- hiše
- Ohišje
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- ID
- identiteta
- ID-ji
- if
- Izvajanje
- izvajali
- izvajanja
- in
- vključujejo
- vključuje
- Vključno
- Podatki
- Infrastruktura
- sproži
- Iniciatorji
- inovativne
- vhod
- v notranjosti
- namestitev
- nameščen
- primer
- Namesto
- Navodila
- integrirati
- Integrira
- Povezovanje
- integracija
- Intelligence
- interaktivno
- obresti
- v
- Predstavlja
- izolacija
- IT
- ITS
- Potovanja
- jpg
- json
- samo
- Imejte
- ohranja
- Ključne
- tipke
- znano
- jezik
- velika
- obsežne
- pozneje
- kosilo
- plast
- plasti
- vodi
- učenje
- pustite
- življenski krog
- dviganje
- kot
- rod
- LINK
- Seznam
- nahaja
- kraj aktivnosti
- Long
- Poglej
- izgleda kot
- stroj
- strojno učenje
- MacOS
- vzdržuje
- vzdrževanje
- Znamka
- upravljanje
- upravlja
- upravljanje
- upravitelj
- upravljanje
- Manipulacija
- Navodilo
- več
- Mehanizmi
- Srečati
- član
- člani
- Meni
- metapodatki
- morda
- MIT
- ML
- MLOps
- Model
- modeli
- spremembe
- spremenite
- spremljanje
- monitorji
- več
- učinkovitejše
- Poleg tega
- več
- morajo
- Ime
- Imenovan
- Imena
- materni
- naravna
- Obdelava Natural Language
- Krmarjenje
- ostalo
- potrebno
- zahteva
- Nimate
- potrebe
- Novo
- Nov izdelek
- na novo
- Naslednja
- zdaj
- pridobi
- of
- ponujanje
- on
- ONE
- naprej
- deluje
- operacije
- or
- orkestracijo
- Organizacija
- organizacije
- Ostalo
- naši
- več
- pregled
- lastne
- Lastnik
- paket
- podokno
- pariteta
- del
- zabava
- strastno
- Dovoljenja
- Osebni
- plinovod
- načrti
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Portfelj
- Prispevek
- močan
- vaje
- Napovedi
- Priprava
- Pripravimo
- pripravljeni
- predpogoji
- prejšnja
- postopek
- Postopek
- Procesi
- obravnavati
- Proizvedeno
- Izdelek
- proizvodnja
- strokovni
- Projekt
- projekti
- pozove
- zaščita
- zagotavljajo
- če
- zagotavlja
- objavljeno
- Push
- potisnilo
- Python
- poizvedbe
- Hitri
- Pripravljenost
- pripravljen
- v realnem času
- Priporočamo
- priporočeno
- evidence
- glejte
- reference
- odražajo
- registriranih
- registracija
- registra
- povezane
- pomembno
- zanesljiv
- odstrani
- PONOVNO
- Skladišče
- zahteva
- zahteva
- Zahteve
- Raziskave
- vir
- viri
- oziroma
- odgovorna
- rezultat
- ponovna
- Pravica
- robusten
- vloga
- vloge
- koren
- Pravilo
- Run
- deluje
- sagemaker
- SageMaker cevovodi
- Enako
- Shrani
- Prilagodljivost
- skaliranje
- Scenarij
- scenariji
- Znanost
- Znanstveniki
- skrivnost
- skrivnosti
- Oddelek
- oddelki
- Varno
- varnost
- glej
- seme
- izberite
- višji
- služi
- Storitev
- Storitve
- Kompleti
- nastavitev
- nastavitve
- nastavitev
- več
- je
- shouldnt
- Prikaži
- Podoben
- Enostavno
- poenostavljeno
- poenostavitev
- Software
- Razvoj programske opreme
- Rešitev
- rešitve
- nekaj
- Nekaj
- vir
- Izvorna koda
- napetost
- specifična
- posebej
- porabljen
- Skladovnice
- Osebje
- Stage
- postopka
- uprizoritev
- standardi
- Začetek
- Začetek
- Status
- Korak
- Koraki
- shranjevanje
- trgovina
- shranjeni
- trgovine
- shranjevanje
- naravnost
- racionalizirati
- racionalizacijo
- studio
- študija
- kasneje
- Uspešno
- taka
- dovolj
- apartma
- Preverite
- sistem
- sistemi
- TAG
- skupina
- Člani ekipe
- Skupine
- Tehnologije
- Predloga
- predloge
- Testiran
- Testiranje
- da
- O
- Vir
- njihove
- POTEM
- zato
- te
- jih
- tretja
- tretjih oseb
- ta
- tisti,
- skozi
- vsej
- do
- skupaj
- žeton
- orodje
- orodja
- vrh
- sledenje
- Sledenje
- usposobljeni
- usposabljanje
- Transform
- transformativno
- sprožijo
- sprožilo
- dva
- tip
- Vrste
- pod
- razumeli
- razumevanje
- edinstven
- Nadgradnja
- naložili
- naprej
- us
- uporaba
- Rabljeni
- uporabnik
- Uporabniki
- uporabo
- uporabiti
- uporablja
- POTRDI
- potrjevanje
- vrednost
- različnih
- različica
- različice
- preko
- Virtual
- obisk
- hodil
- želeli
- we
- web
- spletne storitve
- Web-Based
- Spletna stran
- Kaj
- kdaj
- ki
- medtem
- bo
- okna
- z
- v
- delo
- delati skupaj
- potek dela
- delovnih tokov
- bi
- let
- Vi
- Vaša rutina za
- zefirnet
- Zip