Ta objava je napisana skupaj s Chaoyang He, Al Nevarezom in Salmanom Avestimehrom iz FedML.
Številne organizacije izvajajo strojno učenje (ML), da izboljšajo svoje poslovno odločanje z avtomatizacijo in uporabo velikih porazdeljenih naborov podatkov. Z večjim dostopom do podatkov ima ML potencial, da zagotovi neprimerljive poslovne vpoglede in priložnosti. Vendar pa deljenje neobdelanih občutljivih informacij, ki niso prečiščene, na različnih lokacijah predstavlja veliko tveganje za varnost in zasebnost, zlasti v reguliranih panogah, kot je zdravstvo.
Za reševanje te težave je zvezno učenje (FL) decentralizirana in sodelovalna tehnika usposabljanja ML, ki ponuja zasebnost podatkov, hkrati pa ohranja natančnost in zvestobo. Za razliko od tradicionalnega usposabljanja ML se usposabljanje FL izvaja na izolirani lokaciji stranke z uporabo neodvisne varne seje. Odjemalec deli samo svoje parametre izhodnega modela s centraliziranim strežnikom, znanim kot koordinator usposabljanja ali strežnik združevanja, in ne dejanskih podatkov, uporabljenih za usposabljanje modela. Ta pristop odpravlja številne pomisleke glede zasebnosti podatkov, hkrati pa omogoča učinkovito sodelovanje pri usposabljanju modelov.
Čeprav je FL korak k doseganju boljše zasebnosti in varnosti podatkov, ni zajamčena rešitev. Nevarna omrežja brez nadzora dostopa in šifriranja lahko še vedno izpostavijo občutljive podatke napadalcem. Poleg tega lahko lokalno usposobljene informacije razkrijejo zasebne podatke, če jih rekonstruiramo z napadom sklepanja. Za ublažitev teh tveganj model FL uporablja prilagojene algoritme za usposabljanje ter učinkovito maskiranje in parametriranje, preden podatke deli s koordinatorjem za usposabljanje. Močan nadzor omrežja na lokalnih in centraliziranih lokacijah lahko dodatno zmanjša tveganje sklepanja in izločanja.
V tej objavi delimo pristop FL z uporabo FedML, Amazonski elastični kubernetes storitev (Amazon EKS) in Amazon SageMaker izboljšati rezultate pri pacientih, hkrati pa obravnavati vprašanja zasebnosti in varnosti podatkov.
Potreba po združenem učenju v zdravstvu
Zdravstveno varstvo se močno zanaša na porazdeljene vire podatkov, da naredi natančne napovedi in ocene o oskrbi bolnikov. Omejitev razpoložljivih virov podatkov zaradi zaščite zasebnosti negativno vpliva na točnost rezultatov in navsezadnje na kakovost oskrbe bolnikov. Zato ML ustvarja izzive za stranke AWS, ki morajo zagotoviti zasebnost in varnost v porazdeljenih entitetah, ne da bi pri tem ogrozili rezultate bolnikov.
Zdravstvene organizacije morajo pri izvajanju rešitev FL upoštevati stroge predpise o skladnosti, kot je Zakon o prenosljivosti in odgovornosti zdravstvenega zavarovanja (HIPAA) v Združenih državah. Zagotavljanje zasebnosti podatkov, varnosti in skladnosti postane v zdravstvu še bolj kritično, saj zahteva robustno šifriranje, nadzor dostopa, revizijske mehanizme in varne komunikacijske protokole. Poleg tega nizi zdravstvenih podatkov pogosto vsebujejo zapletene in heterogene vrste podatkov, zaradi česar sta standardizacija podatkov in interoperabilnost izziv v nastavitvah FL.
Pregled primera uporabe
Primer uporabe, opisan v tej objavi, so podatki o srčnih boleznih v različnih organizacijah, na katerih bo model ML izvajal klasifikacijske algoritme za napovedovanje srčnih bolezni pri pacientu. Ker so ti podatki v različnih organizacijah, uporabljamo zvezno učenje za primerjavo ugotovitev.
O Nabor podatkov o srčnih boleznih iz Repozitorija strojnega učenja Univerze v Kaliforniji Irvine je široko uporabljen nabor podatkov za raziskave srca in ožilja ter napovedno modeliranje. Sestavljen je iz 303 vzorcev, od katerih vsak predstavlja bolnika, in vsebuje kombinacijo kliničnih in demografskih lastnosti ter prisotnost ali odsotnost bolezni srca.
Ta multivariatni nabor podatkov ima 76 atributov v informacijah o bolniku, od katerih se 14 atributov najpogosteje uporablja za razvoj in ocenjevanje algoritmov ML za napovedovanje prisotnosti bolezni srca na podlagi danih atributov.
Okvir FedML
Obstaja širok izbor ogrodij FL, vendar smo se odločili za uporabo Okvir FedML za ta primer uporabe, ker je odprtokoden in podpira več paradigem FL. FedML ponuja priljubljeno odprtokodno knjižnico, platformo MLOps in ekosistem aplikacij za FL. Ti olajšajo razvoj in uvajanje rešitev FL. Zagotavlja obsežen nabor orodij, knjižnic in algoritmov, ki raziskovalcem in praktikom omogočajo implementacijo in eksperimentiranje z algoritmi FL v porazdeljenem okolju. FedML obravnava izzive zasebnosti podatkov, komunikacije in združevanja modelov v FL ter ponuja uporabniku prijazen vmesnik in prilagodljive komponente. FedML želi s svojo osredotočenostjo na sodelovanje in izmenjavo znanja pospešiti sprejemanje FL in spodbujati inovacije na tem nastajajočem področju. Ogrodje FedML je neodvisno od modela, vključno z nedavno dodano podporo za velike jezikovne modele (LLM). Za več informacij glejte Izdaja FedLLM: zgradite svoje lastne velike jezikovne modele na lastniških podatkih s platformo FedML.
Hobotnica FedML
Sistemska hierarhija in heterogenost sta ključni izziv v primerih uporabe FL v resničnem življenju, kjer imajo lahko različni podatkovni silosi različno infrastrukturo s CPE in GPE. V takih primerih lahko uporabite Hobotnica FedML.
FedML Octopus je industrijska platforma FL za več silosov za usposabljanje med organizacijami in računi. Skupaj s FedML MLOps razvijalcem ali organizacijam omogoča odprto sodelovanje od koder koli in na kateri koli ravni na varen način. FedML Octopus izvaja paradigmo porazdeljenega usposabljanja znotraj vsakega podatkovnega silosa in uporablja sinhrona ali asinhrona usposabljanja.
FedML MLOps
FedML MLOps omogoča lokalni razvoj kode, ki jo je mogoče pozneje namestiti kjer koli z uporabo ogrodij FedML. Pred začetkom usposabljanja morate ustvariti račun FedML ter ustvariti in naložiti pakete strežnika in odjemalca v FedML Octopus. Za več podrobnosti glejte koraki in Predstavljamo FedML Octopus: prilagajanje zveznega učenja v produkcijo s poenostavljenimi MLOps.
Pregled rešitev
FedML uvajamo v več gruč EKS, integriranih s SageMakerjem, za sledenje poskusom. Uporabljamo Načrti Amazon EKS za Terraform za postavitev potrebne infrastrukture. EKS Blueprints pomaga sestaviti popolne gruče EKS, ki so v celoti zagnane z operativno programsko opremo, ki je potrebna za uvajanje in upravljanje delovnih obremenitev. Z načrti EKS je konfiguracija za želeno stanje okolja EKS, kot so nadzorna ravnina, delovna vozlišča in dodatki Kubernetes, opisana kot infrastruktura kot načrt kode (IaC). Ko je načrt konfiguriran, ga je mogoče uporabiti za ustvarjanje doslednih okolij v več računih in regijah AWS z avtomatizacijo neprekinjenega uvajanja.
Vsebina, ki je v skupni rabi v tej objavi, odraža situacije in izkušnje iz resničnega življenja, vendar je pomembno upoštevati, da se lahko uvedba teh situacij na različnih lokacijah razlikuje. Čeprav uporabljamo en sam račun AWS z ločenimi VPC-ji, je ključno razumeti, da se posamezne okoliščine in konfiguracije lahko razlikujejo. Zato je treba navedene informacije uporabiti kot splošno vodilo in jih je morda treba prilagoditi glede na posebne zahteve in lokalne razmere.
Naslednji diagram ponazarja našo arhitekturo rešitev.
Poleg sledenja, ki ga zagotavlja FedML MLOps za vsako izvedbo usposabljanja, uporabljamo Eksperimenti Amazon SageMaker za sledenje uspešnosti vsakega odjemalskega modela in centraliziranega (združevalnega) modela.
SageMaker Experiments je zmožnost SageMakerja, ki vam omogoča ustvarjanje, upravljanje, analizo in primerjavo vaših poskusov ML. Z beleženjem podrobnosti eksperimenta, parametrov in rezultatov lahko raziskovalci natančno reproducirajo in potrdijo svoje delo. Omogoča učinkovito primerjavo in analizo različnih pristopov, kar vodi do informiranega odločanja. Poleg tega sledenje poskusom olajša ponavljajoče se izboljšave z zagotavljanjem vpogleda v napredovanje modelov in omogoča raziskovalcem, da se učijo iz prejšnjih ponovitev, kar na koncu pospeši razvoj učinkovitejših rešitev.
Za vsako izvedbo pošiljamo SageMaker Experiments naslednje:
- Meritve vrednotenja modela – Izguba pri treningu in površina pod krivuljo (AUC)
- Hiperparametri – Epoha, stopnja učenja, velikost serije, optimizator in upad teže
Predpogoji
Če želite slediti tej objavi, morate imeti naslednje predpogoje:
Uvedite rešitev
Za začetek lokalno klonirajte repozitorij, ki gosti vzorčno kodo:
Nato razmestite infrastrukturo primera uporabe z naslednjimi ukazi:
Predloga Terraform lahko traja 20–30 minut, da se popolnoma uvede. Ko je uvedena, sledite korakom v naslednjih razdelkih za zagon aplikacije FL.
Ustvarite paket za uvedbo MLOps
Kot del dokumentacije FedML moramo ustvariti odjemalske in strežniške pakete, ki jih bo platforma MLOps razdelila strežniku in odjemalcem za začetek usposabljanja.
Če želite ustvariti te pakete, zaženite naslednji skript, ki ga najdete v korenskem imeniku:
To bo ustvarilo ustrezne pakete v naslednjem imeniku v korenskem imeniku projekta:
Naložite pakete na platformo FedML MLOps
Izvedite naslednje korake za nalaganje paketov:
- V uporabniškem vmesniku FedML izberite Moje aplikacije v podoknu za krmarjenje.
- Izberite Nova aplikacija.
- Prenesite pakete odjemalca in strežnika s svoje delovne postaje.
- Prav tako lahko prilagodite hiperparametre ali ustvarite nove.
Sproži zvezno usposabljanje
Za izvajanje zveznega usposabljanja izvedite naslednje korake:
- V uporabniškem vmesniku FedML izberite Seznam projektov v podoknu za krmarjenje.
- Izberite Ustvari nov projekt.
- Vnesite ime skupine in ime projekta ter izberite OK.
- Izberite novo ustvarjeni projekt in izberite Ustvari nov zagon za sprožitev vadbene vožnje.
- Izberite robne odjemalske naprave in osrednji združevalni strežnik za to izvajanje usposabljanja.
- Izberite aplikacijo, ki ste jo ustvarili v prejšnjih korakih.
- Posodobite katerega koli od hiperparametrov ali uporabite privzete nastavitve.
- Izberite Začetek začeti trenirati.
- Izberite Status usposabljanja in počakajte, da se vadbena vožnja zaključi. Lahko se tudi pomaknete do zavihkov, ki so na voljo.
- Ko je usposabljanje končano, izberite sistem zavihek za ogled trajanja usposabljanja na vaših robnih strežnikih in dogodkov združevanja.
Oglejte si rezultate in podrobnosti eksperimenta
Ko je usposabljanje končano, si lahko ogledate rezultate z uporabo FedML in SageMaker.
V uporabniškem vmesniku FedML, na Modeli si lahko ogledate model zbiralnika in odjemalca. Te modele lahko tudi prenesete s spletne strani.
Lahko se tudi prijavite v Amazon SageMaker Studio In izberite Poskusi v podoknu za krmarjenje.
Naslednji posnetek zaslona prikazuje zabeležene poskuse.
Koda za sledenje poskusu
V tem razdelku raziskujemo kodo, ki integrira sledenje poskusom SageMaker z usposabljanjem ogrodja FL.
V urejevalniku po vaši izbiri odprite naslednjo mapo in si oglejte popravke kode za vnos kode za sledenje eksperimentu SageMaker kot del usposabljanja:
Za spremljanje usposabljanja smo ustvarite eksperiment SageMaker s parametri in meritvami, zabeleženimi z uporabo log_parameter
in log_metric
ukaz, kot je opisano v naslednjem vzorcu kode.
Vnos v config/fedml_config.yaml
datoteka deklarira predpono poskusa, na katero se sklicuje koda za ustvarjanje edinstvenih imen poskusov: sm_experiment_name: "fed-heart-disease"
. To lahko posodobite na katero koli vrednost po vaši izbiri.
Na primer, glejte naslednjo kodo za heart_disease_trainer.py
, ki ga uporablja vsak odjemalec za usposabljanje modela na svojem naboru podatkov:
Za vsak zagon odjemalca se podrobnostim poskusa sledi z naslednjo kodo v heart_disease_trainer.py:
Podobno lahko uporabite kodo v heart_disease_aggregator.py
za izvajanje preizkusa na lokalnih podatkih po posodobitvi uteži modela. Podrobnosti se zabeležijo po vsaki komunikaciji s strankami.
Čiščenje
Ko končate z rešitvijo, se prepričajte, da ste počistili uporabljene vire, da zagotovite učinkovito uporabo virov in upravljanje stroškov ter se izognete nepotrebnim stroškom in izgubi virov. Aktivno pospravljanje okolja, kot je brisanje neuporabljenih primerkov, zaustavitev nepotrebnih storitev in odstranjevanje začasnih podatkov, prispeva k čisti in organizirani infrastrukturi. Za čiščenje virov lahko uporabite naslednjo kodo:
Povzetek
Z uporabo Amazon EKS kot infrastrukture in FedML kot okvira za FL lahko zagotovimo razširljivo in upravljano okolje za usposabljanje in uvajanje skupnih modelov ob spoštovanju zasebnosti podatkov. Z decentralizirano naravo FL lahko organizacije varno sodelujejo, sprostijo potencial porazdeljenih podatkov in izboljšajo modele ML brez ogrožanja zasebnosti podatkov.
Kot vedno AWS pozdravlja vaše povratne informacije. Svoje misli in vprašanja pustite v razdelku za komentarje.
O avtorjih
Randy DeFauw je višji glavni arhitekt rešitev pri AWS. Ima MSEE z Univerze v Michiganu, kjer je delal na računalniškem vidu za avtonomna vozila. Ima tudi MBA z univerze Colorado State University. Randy je zasedal različne položaje v tehnološkem prostoru, od razvoja programske opreme do upravljanja izdelkov. V prostor velikih podatkov je vstopil leta 2013 in to področje še naprej raziskuje. Aktivno dela na projektih v prostoru ML in se je predstavil na številnih konferencah, vključno s Strata in GlueCon.
Arnab Sinha je višji arhitekt za rešitve za AWS, deluje kot tehnični direktor na terenu, ki pomaga organizacijam oblikovati in zgraditi razširljive rešitve, ki podpirajo poslovne rezultate pri migracijah podatkovnih centrov, digitalni transformaciji in posodobitvi aplikacij, velikih podatkih in strojnem učenju. Podpiral je stranke v različnih panogah, vključno z energetiko, maloprodajo, proizvodnjo, zdravstvom in znanostmi o življenju. Arnab ima vse certifikate AWS, vključno s certifikatom ML Specialty. Preden se je pridružil AWS, je bil Arnab tehnološki vodja, pred tem pa je imel vodilne vloge arhitekta in inženirja.
Prachi Kulkarni je višji arhitekt rešitev pri AWS. Njena specializacija je strojno učenje in se aktivno ukvarja z oblikovanjem rešitev z uporabo različnih ponudb AWS ML, velikih podatkov in analitike. Prachi ima izkušnje na več področjih, vključno z zdravstvenim varstvom, ugodnostmi, maloprodajo in izobraževanjem, in je delal na različnih položajih na področju produktnega inženiringa in arhitekture, upravljanja in uspeha strank.
Tamer Šerif je glavni arhitekt rešitev pri AWS, z raznolikim ozadjem na področju tehnologije in podjetniškega svetovanja ter več kot 17 let dela kot arhitekt rešitev. S poudarkom na infrastrukturi pokriva Tamerjevo strokovno znanje širok spekter industrijskih vertikal, vključno s komercialo, zdravstvenim varstvom, avtomobilizmom, javnim sektorjem, proizvodnjo, nafto in plinom, medijskimi storitvami itd. Njegovo znanje sega na različna področja, kot so arhitektura oblaka, robno računalništvo, mreženje, shranjevanje, virtualizacija, poslovna produktivnost in tehnično vodstvo.
Hans Nesbitt je višji arhitekt za rešitve pri AWS s sedežem v južni Kaliforniji. Sodeluje s strankami po vsej zahodni ZDA pri oblikovanju visoko razširljivih, prilagodljivih in odpornih arhitektur oblaka. V prostem času se rad druži z družino, kuha in igra kitaro.
Chaoyang He je soustanovitelj in tehnični direktor FedML, Inc., zagonskega podjetja, ki se zavzema za skupnost, ki gradi odprto in sodelovalno umetno inteligenco od koder koli in v katerem koli obsegu. Njegove raziskave se osredotočajo na algoritme, sisteme in aplikacije za porazdeljeno in zvezno strojno učenje. Doktoriral je iz računalništva na Univerzi Južne Kalifornije.
Al Nevarez je direktor produktnega upravljanja pri FedML. Pred FedML je bil produktni vodja skupine pri Googlu in višji vodja podatkovne znanosti pri LinkedInu. Ima več patentov, povezanih s podatkovnimi izdelki, in študiral je inženirstvo na univerzi Stanford.
Salman Avestimehr je soustanovitelj in izvršni direktor FedML. Bil je dekanski profesor na USC, direktor centra USC-Amazon za zanesljivo umetno inteligenco in Amazonov štipendist za Alexa AI. Je strokovnjak za zvezno in decentralizirano strojno učenje, informacijsko teorijo, varnost in zasebnost. Je član IEEE in doktoriral iz EECS na UC Berkeley.
Samir Lad je izkušen podjetniški tehnolog z AWS, ki tesno sodeluje z vodstvenimi delavci na ravni C strank. Kot nekdanji izvršni direktor, ki je vodil transformacije v več podjetjih s seznama Fortune 100, Samir deli svoje neprecenljive izkušnje, da bi svojim strankam pomagal uspeti na njihovi lastni poti transformacije.
Stephen Kraemer je svetovalec odbora in CxO ter nekdanji izvršni direktor pri AWS. Stephen zagovarja kulturo in vodenje kot temelja uspeha. Varnost in inovacije trdi kot gonilo transformacije oblaka, ki omogoča visoko konkurenčne organizacije, ki temeljijo na podatkih.
- 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/federated-learning-on-aws-using-fedml-amazon-eks-and-amazon-sagemaker/
- :ima
- : je
- :ne
- :kje
- $GOR
- 10
- 100
- 14
- 154
- 17
- 20
- 2013
- 247
- 300
- 7
- a
- Sposobna
- O meni
- Odsotnost
- pospeši
- pospeševanje
- dostop
- Dostop do podatkov
- doseženo
- Račun
- odgovornost
- računi
- natančnost
- natančna
- natančno
- doseganju
- čez
- Zakon
- igrati
- aktivna
- aktivno
- dejanska
- prilagoditev
- dodajte
- dodano
- Poleg tega
- Poleg tega
- Naslov
- naslovi
- naslavljanje
- prilagodite
- Sprejetje
- svetovalec
- Zagovorniki
- po
- združevanje
- Združevalec
- AI
- Cilje
- AL
- Alexa
- algoritmi
- vsi
- omogoča
- skupaj
- Prav tako
- Čeprav
- vedno
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- Analiza
- analitika
- analizirati
- in
- kaj
- kjerkoli
- uporaba
- aplikacije
- pristop
- pristopi
- Arhitektura
- arhitekture
- SE
- OBMOČJE
- AS
- Ocene
- At
- napad
- lastnosti
- dražba
- revidiranje
- Avtomatizacija
- avtomobilska
- avtonomno
- avtonomna vozila
- Na voljo
- izogniti
- AWS
- ozadje
- temeljijo
- BE
- ker
- postane
- bilo
- pred
- začetek
- Prednosti
- Berkeley
- Boljše
- Big
- Big Podatki
- načrt
- svet
- široka
- izgradnjo
- Building
- poslovni
- vendar
- by
- C-apartma
- california
- CAN
- zmožnost
- ki
- primeru
- primeri
- center
- Osrednji
- centralizirano
- ceo
- certificiranje
- certifikati
- izziv
- izzivi
- izbira
- Izberite
- okoliščinah
- Razvrstitev
- čiščenje
- stranke
- stranke
- klinični
- tesno
- Cloud
- So-ustanovitelj
- Koda
- sodelovati
- sodelovanje
- sodelovanje
- Colorado
- kombinacija
- komentarji
- komercialna
- pogosto
- Komunikacija
- skupnost
- stavba skupnosti
- Podjetja
- primerjate
- Primerjava
- konkurenčno
- dokončanje
- kompleksna
- skladnost
- deli
- celovito
- ogrozili
- računalnik
- Računalništvo
- Računalniška vizija
- računalništvo
- Skrbi
- Pogoji
- Ravnanje
- konference
- konfiguracija
- konfigurirano
- dosledno
- vsebuje
- svetovanje
- vsebujejo
- Vsebuje
- vsebina
- se nadaljuje
- neprekinjeno
- prispeva
- nadzor
- Nadzor
- Koordinator
- strošek
- Upravljanje stroškov
- skupaj
- Ovitki
- obrti
- ustvarjajo
- ustvaril
- ustvari
- kritično
- ključnega pomena
- CTO
- Kultura
- krivulja
- stranka
- Uspeh stranke
- Stranke, ki so
- prilagodljiv
- CXO
- datum
- Podatkovno središče
- zasebnost podatkov
- Zasebnost in varnost podatkov
- znanost o podatkih
- Podatkov usmerjenih
- nabor podatkov
- Decentralizirano
- odločil
- Odločanje
- izjavi
- privzeto
- demografske
- razporedi
- razporejeni
- uvajanja
- uvajanje
- opisano
- Oblikovanje
- oblikovanje
- želeno
- uniči
- Podrobnosti
- dev
- Razvijalci
- razvoju
- Razvoj
- naprava
- naprave
- diagram
- se razlikujejo
- drugačen
- digitalni
- Digitalni Transformation
- Direktor
- imenik
- bolezen
- distribuirati
- porazdeljena
- razdeljeno usposabljanje
- razne
- Dokumentacija
- domen
- opravljeno
- prenesi
- pogon
- vozi
- vozniki
- vsak
- ekosistem
- Edge
- robno računalništvo
- urednik
- Izobraževanje
- Učinkovito
- učinkovite
- smirkovim
- omogočajo
- omogoča
- omogočanje
- šifriranje
- energija
- Inženiring
- okrepi
- zagotovitev
- zagotoviti
- vneseno
- Podjetje
- subjekti
- Vpis
- okolje
- okolja
- epoha
- epohe
- zlasti
- ocenjevanje
- Ocena
- Tudi
- dogodki
- Primer
- izvršni
- vodstvo
- eksfiltracija
- Stroški
- izkušnje
- Doživetja
- poskus
- Poskusi
- strokovnjak
- strokovno znanje
- raziskuje
- Se razširi
- olajšati
- olajša
- družina
- zvezno
- povratne informacije
- kolega
- zvestoba
- Polje
- file
- Ugotovitve
- prilagodljiv
- Osredotočite
- Osredotoča
- sledi
- po
- za
- Nekdanji
- Fortune
- je pokazala,
- Temelji
- Okvirni
- okviri
- iz
- v celoti
- funkcija
- nadalje
- GAS
- splošno
- GitHub
- dana
- Grafične kartice
- skupina
- zagotovljena
- vodi
- Imajo
- he
- Zdravje
- zdravstveno zavarovanje
- zdravstveno varstvo
- Srce
- Srčna bolezen
- močno
- Hero
- pomoč
- Pomaga
- jo
- hierarhija
- zelo
- njegov
- drži
- gostovanje
- Vendar
- HTML
- HTTPS
- i
- IEEE
- if
- ponazarja
- izvajati
- izvajanja
- Pomembno
- izboljšanje
- Izboljšanje
- in
- Inc
- Vključno
- povečal
- Neodvisni
- individualna
- industrij
- Industrija
- Podatki
- obvestila
- Infrastruktura
- injicirati
- Inovacije
- negotov
- v notranjosti
- vpogledi
- zavarovanje
- integrirana
- Integrira
- vmesnik
- Interoperabilnost
- v
- neprecenljivo
- izolirani
- vprašanje
- IT
- ponovitve
- ITS
- pridružil
- Potovanje
- jpeg
- jpg
- Ključne
- znanje
- znano
- primanjkuje
- jezik
- velika
- pozneje
- Vodja
- Vodstvo
- vodi
- UČITE
- učenje
- pustite
- Lets
- knjižnice
- Knjižnica
- življenje
- Life Sciences
- omejujoč
- lokalna
- lokalno
- kraj aktivnosti
- Lokacije
- prijavi
- prijavljen
- off
- stroj
- strojno učenje
- vzdrževanje
- Znamka
- Izdelava
- upravljanje
- upravlja
- upravljanje
- upravitelj
- Način
- proizvodnja
- več
- Maj ..
- Mehanizmi
- mediji
- Meritve
- Michigan
- Minute
- Omiliti
- ML
- MLOps
- Model
- modeliranje
- modeli
- Moduli
- več
- Najbolj
- več
- morajo
- Ime
- Imena
- Narava
- Krmarjenje
- ostalo
- Nimate
- potrebna
- negativno
- mreža
- mreženje
- omrežij
- Novo
- na novo
- Naslednja
- vozlišča
- Upoštevajte
- številne
- of
- ponujanje
- Ponudbe
- Ponudbe
- pogosto
- Olje
- Nafta in plin
- on
- tiste
- samo
- odprite
- open source
- deluje
- operativno
- Priložnosti
- or
- organizacije
- Organizirano
- naši
- ven
- rezultatov
- opisano
- izhod
- več
- lastne
- pakete
- podokno
- paradigma
- paradigme
- parametri
- del
- Podaje
- Patenti
- Bolnik
- performance
- Prilagojene
- Dr.
- letalo
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- prosim
- Popular
- Prenosljivost
- pozira
- pozicije
- Prispevek
- potencial
- napovedati
- Napovedi
- predpogoji
- Prisotnost
- predstavljeni
- prejšnja
- prej
- , ravnateljica
- Predhodna
- zasebnost
- Zasebnost in varnost
- zasebna
- Izdelek
- upravljanje izdelkov
- produktni vodja
- proizvodnja
- produktivnost
- Učitelj
- napredovanje
- Projekt
- projekti
- lastniško
- zaščito
- protokoli
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- javnega
- kakovost
- vprašanja
- območje
- obsegu
- uvrstitev
- Oceniti
- Surovi
- kraljestvo
- prejetih
- Pred kratkim
- Snemanje
- zmanjša
- glejte
- referenčno
- odseva
- regije
- urejeno
- regulirane industrije
- predpisi
- opira
- odstranjevanje
- Skladišče
- predstavlja
- zahteva
- obvezna
- Zahteve
- Raziskave
- raziskovalci
- odporno
- vir
- viri
- spoštovanje
- tisti,
- povzroči
- Rezultati
- Trgovina na drobno
- tveganja
- robusten
- vloge
- koren
- krog
- Run
- tek
- deluje
- sagemaker
- Salman
- Vzorec
- razširljive
- Lestvica
- skaliranje
- scenariji
- Učenjak
- Znanost
- ZNANOSTI
- script
- Oddelek
- oddelki
- sektor
- zavarovanje
- Varno
- varnost
- glej
- izbor
- pošljite
- višji
- občutljiva
- ločena
- strežnik
- Strežniki
- Storitve
- Zasedanje
- nastavitve
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- deli
- Delnice
- delitev
- je
- shouldnt
- Razstave
- pomemben
- silosi
- poenostavljeno
- sam
- situacije
- Velikosti
- Software
- inženiring programske opreme
- Rešitev
- rešitve
- vir
- Viri
- Južna
- Vesolje
- napetost
- Posebnost
- specifična
- Spectrum
- Poraba
- standardizacijo
- Stanford
- Univerza Stanford
- Začetek
- zagon
- Država
- Države
- Korak
- Stephen
- Koraki
- Še vedno
- ustavljanje
- shranjevanje
- Stroga
- močna
- študiral
- uspeh
- uspeh
- taka
- apartma
- podpora
- Podprti
- Podpora
- Podpira
- Preverite
- sistemi
- Bodite
- tehnični
- tehnika
- tehnolog
- Tehnologija
- Predloga
- začasna
- Terraform
- Test
- da
- O
- informacije
- njihove
- POTEM
- Teorija
- zato
- te
- ta
- skozi
- čas
- do
- orodja
- proti
- sledenje
- Sledenje
- tradicionalna
- Vlak
- usposobljeni
- usposabljanje
- treningi
- Preoblikovanje
- transformacije
- sprožijo
- zaupanja
- Vrste
- ui
- Konec koncev
- pod
- razumeli
- edinstven
- Velika
- Združene države Amerike
- univerza
- Univerza v Kaliforniji
- za razliko od
- odklepanje
- nepotrebna
- neprimerljivo
- neuporabljeno
- Nadgradnja
- posodabljanje
- us
- uporaba
- primeru uporabe
- Rabljeni
- Uporabniku prijazen
- uporablja
- uporabo
- uporabiti
- POTRDI
- potrjevanje
- vrednost
- raznolikost
- različnih
- razlikujejo
- Vozila
- vertikale
- Poglej
- Vizija
- Počakaj
- je
- we
- web
- spletne storitve
- Spletna stran
- teža
- Pozdravlja
- Dobro
- Zahodna
- ki
- medtem
- WHO
- široka
- pogosto
- bo
- z
- v
- brez
- delo
- delal
- delavec
- deluje
- deluje
- delovno mesto
- let
- Vi
- Vaša rutina za
- zefirnet