To objavo sta skupaj napisala Jyoti Sharma in Sharmo Sarkar iz Vericasta.
Za vsako težavo s strojnim učenjem (ML) podatkovni znanstvenik začne z delom s podatki. To vključuje zbiranje, raziskovanje in razumevanje poslovnih in tehničnih vidikov podatkov, skupaj z vrednotenjem kakršnih koli manipulacij, ki so lahko potrebne za proces gradnje modela. Eden od vidikov te priprave podatkov je inženiring funkcij.
Feature inženiring se nanaša na proces, pri katerem se identificirajo, izberejo in manipulirajo ustrezne spremenljivke za pretvorbo neobdelanih podatkov v bolj uporabne in uporabne oblike za uporabo z algoritmom ML, ki se uporablja za usposabljanje modela in izvajanje sklepanja glede nanj. Cilj tega procesa je povečati zmogljivost algoritma in posledično napovednega modela. Postopek inženiringa funkcij vključuje več stopenj, vključno z ustvarjanjem funkcij, transformacijo podatkov, ekstrakcijo funkcij in izbiro funkcij.
Izgradnja platforme za inženiring splošnih funkcij je običajna naloga za stranke, ki morajo izdelati veliko modelov ML z različnimi nabori podatkov. Tovrstna platforma vključuje ustvarjanje programsko vodenega procesa za izdelavo končnih, funkcijsko zasnovanih podatkov, pripravljenih za usposabljanje modela z malo človeškega posredovanja. Vendar pa je posploševanje inženiringa funkcij izziv. Vsaka poslovna težava je drugačna, vsak nabor podatkov je drugačen, obseg podatkov se močno razlikuje od odjemalca do odjemalca, kakovost podatkov in pogosto kardinalnost določenega stolpca (v primeru strukturiranih podatkov) pa lahko igrata pomembno vlogo pri kompleksnosti inženiringa funkcij. postopek. Poleg tega lahko dinamična narava strankinih podatkov povzroči tudi veliko razliko v času obdelave in virih, potrebnih za optimalno dokončanje inženiringa funkcij.
stranka AWS Vericast je podjetje za trženjske rešitve, ki sprejema odločitve na podlagi podatkov za povečanje donosnosti naložbe v trženje za svoje stranke. Vericastova interna platforma za strojno učenje v oblaku, zgrajena okoli procesa CRISP-ML(Q), uporablja različne storitve AWS, vključno z Amazon SageMaker, Obdelava Amazon SageMaker, AWS Lambdain Korak funkcije AWS, za izdelavo najboljših možnih modelov, ki so prilagojeni specifičnim podatkom naročnika. Cilj te platforme je zajeti ponovljivost korakov, ki gredo v gradnjo različnih delovnih tokov ML, in jih združiti v standardne posplošljive module delovnih tokov znotraj platforme.
V tej objavi delimo, kako je Vericast optimiziral inženiring funkcij z uporabo SageMaker Processing.
Pregled rešitev
Vericastova platforma za strojno učenje pomaga pri hitrejšem uvajanju novih poslovnih modelov na podlagi obstoječih delovnih tokov ali hitrejši aktivaciji obstoječih modelov za nove stranke. Na primer, model, ki napoveduje nagnjenost k neposredni pošti, se precej razlikuje od modela, ki napoveduje občutljivost kuponov za popust strank odjemalca Vericast. Rešujejo različne poslovne probleme in imajo zato različne scenarije uporabe pri oblikovanju marketinške kampanje. Toda s stališča ML je oba mogoče razlagati kot binarna klasifikacijska modela in bi zato lahko delila veliko skupnih korakov z vidika delovnega toka ML, vključno s prilagajanjem in usposabljanjem modela, vrednotenjem, interpretabilnostjo, uvajanjem in sklepanjem.
Ker so ti modeli problemi binarne klasifikacije (v smislu ML), ločimo stranke podjetja v dva razreda (binarno): tiste, ki bi se pozitivno odzvali na kampanjo, in tiste, ki se ne bi. Poleg tega se ti primeri obravnavajo kot neuravnotežena klasifikacija, ker podatki, uporabljeni za usposabljanje modela, ne bi vsebovali enakega števila strank, ki bi se in ne bi odzvale pozitivno.
Dejansko ustvarjanje modela, kot je ta, sledi splošnemu vzorcu, prikazanemu v naslednjem diagramu.
Večina tega postopka je enaka za katero koli binarno klasifikacijo, razen koraka inženiringa funkcij. To je morda najbolj zapleten, a včasih spregledan korak v procesu. Modeli ML so v veliki meri odvisni od funkcij, uporabljenih za njihovo ustvarjanje.
Vericastova platforma za strojno učenje, ki izvira iz oblaka, želi posplošiti in avtomatizirati korake inženiringa funkcij za različne poteke dela ML in optimizirati njihovo delovanje glede na metriko stroškov in časa z uporabo naslednjih funkcij:
- Knjižnica inženiringa funkcij platforme – To je sestavljeno iz nenehno razvijajočega se nabora transformacij, ki so bile preizkušene za zagotavljanje visokokakovostnih posplošljivih funkcij, ki temeljijo na specifičnih konceptih strank (na primer demografija strank, podrobnosti o izdelku, podrobnosti o transakcijah itd.).
- Inteligentni optimizatorji virov – Platforma uporablja zmožnost infrastrukture AWS na zahtevo za vrtenje najbolj optimalne vrste procesnih virov za določeno inženirsko delo na podlagi pričakovane kompleksnosti koraka in količine podatkov, ki jih mora prenesti.
- Dinamično skaliranje nalog inženiringa funkcij – Za to se uporablja kombinacija različnih storitev AWS, predvsem pa SageMaker Processing. To zagotavlja, da platforma proizvaja visokokakovostne funkcije na stroškovno učinkovit in pravočasen način.
Ta objava se osredotoča na tretjo točko na tem seznamu in prikazuje, kako doseči dinamično skaliranje opravil obdelave SageMaker, da dosežemo bolj upravljan, zmogljiv in stroškovno učinkovit okvir obdelave podatkov za velike količine podatkov.
SageMaker Processing omogoča delovne obremenitve, ki izvajajo korake za predhodno ali naknadno obdelavo podatkov, inženiring funkcij, validacijo podatkov in vrednotenje modela na SageMakerju. Zagotavlja tudi upravljano okolje in odpravlja zapletenost nediferenciranega dvigovanja težkih predmetov, potrebnega za postavitev in vzdrževanje infrastrukture, potrebne za izvajanje delovnih obremenitev. Poleg tega SageMaker Processing ponuja vmesnik API za izvajanje, spremljanje in ocenjevanje delovne obremenitve.
Izvajanje opravil SageMaker Processing v celoti poteka znotraj upravljane gruče SageMaker, pri čemer se posamezna opravila med izvajanjem postavijo v vsebnike primerkov. Upravljana gruča, primerki in vsebniki poročajo o meritvah amazoncloudwatch, vključno z uporabo GPE, CPE, pomnilnika, pomnilnika GPE, meritvami diska in beleženjem dogodkov.
Te funkcije zagotavljajo prednosti podatkovnim inženirjem in znanstvenikom Vericast s pomočjo pri razvoju splošnih delovnih tokov predprocesiranja in abstrahiranjem težav pri vzdrževanju ustvarjenih okolij, v katerih jih je mogoče izvajati. Vendar pa se lahko pojavijo tehnične težave zaradi dinamične narave podatkov in njihovih raznolikih funkcij, ki jih je mogoče vnesti v tako splošno rešitev. Sistem mora začetno ugibati glede velikosti gruče in primerkov, ki jo sestavljajo. To ugibanje mora oceniti merila podatkov in sklepati o zahtevah CPE, pomnilnika in diska. To ugibanje je lahko povsem primerno in primerno za delo, v drugih primerih pa morda ne. Za dani nabor podatkov in opravilo predprocesiranja je lahko CPE premajhna, kar ima za posledico maksimalno zmogljivost obdelave in dolge čase za dokončanje. Še huje, pomnilnik lahko postane težava, kar povzroči slabo delovanje ali dogodke zmanjkanja pomnilnika, ki povzročijo neuspeh celotnega opravila.
Z upoštevanjem teh tehničnih ovir se je Vericast odločil ustvariti rešitev. Morali so ostati splošne narave in se ujemati s širšo sliko delovnega toka predprocesiranja, ki je bil prilagodljiv v vključenih korakih. Prav tako je bilo pomembno rešiti tako morebitno potrebo po povečanju okolja v primerih, ko je bila zmogljivost ogrožena, kot tudi po hitrem okrevanju po takem dogodku ali ko je bilo delo iz kakršnega koli razloga predčasno končano.
Rešitev, ki jo je razvil Vericast za rešitev te težave, uporablja več storitev AWS, ki sodelujejo pri doseganju svojih poslovnih ciljev. Zasnovan je bil za ponovni zagon in povečanje gruče SageMaker Processing na podlagi meritev uspešnosti, opazovanih z uporabo funkcij Lambda, ki spremljajo opravila. Da ne bi izgubili dela, ko pride do dogodka skaliranja, ali da bi si opomogli po nepričakovani zaustavitvi opravila, je bila vzpostavljena storitev na podlagi kontrolnih točk, ki uporablja Amazon DynamoDB in shrani delno obdelane podatke Preprosta storitev shranjevanja Amazon (Amazon S3) vedra, ko so koraki končani. Končni rezultat je samodejna skalirna, robustna in dinamično nadzorovana rešitev.
Naslednji diagram prikazuje pregled delovanja sistema na visoki ravni.
V naslednjih razdelkih podrobneje obravnavamo komponente rešitve.
Inicializacija rešitve
Sistem predvideva, da ločen proces sproži rešitev. Nasprotno pa ta zasnova ni zasnovana tako, da bi delovala samostojno, ker ne bo prinesla nobenih artefaktov ali rezultatov, temveč deluje kot stranska implementacija za enega od sistemov, ki uporabljajo opravila SageMaker Processing. V primeru Vericasta se rešitev sproži s klicem iz koraka funkcij koraka, ki se začne v drugem modulu večjega sistema.
Ko se rešitev sproži in se sproži prvi zagon, se osnovna standardna konfiguracija prebere iz tabele DynamoDB. Ta konfiguracija se uporablja za nastavitev parametrov za opravilo SageMaker Processing in ima začetne predpostavke infrastrukturnih potreb. Opravilo obdelave SageMaker je zdaj zagnano.
Spremljanje metapodatkov in rezultatov
Ko se opravilo zažene, funkcija Lambda zapiše metapodatke za obdelavo opravila (trenutna konfiguracija opravila in druge informacije dnevnika) v tabelo dnevnika DynamoDB. Ti metapodatki in informacije dnevnika vzdržujejo zgodovino opravila, njegovo začetno in tekočo konfiguracijo ter druge pomembne podatke.
Na določenih točkah, ko so koraki v opravilu zaključeni, se podatki o kontrolnih točkah dodajo v tabelo dnevnika DynamoDB. Obdelani izhodni podatki se po potrebi premaknejo v Amazon S3 za hitro obnovitev.
Ta funkcija Lambda tudi nastavi Amazon EventBridge pravilo, ki spremlja stanje opravila v teku. Natančneje, to pravilo opazuje opravilo, da opazi, ali se status opravila spremeni v stopping
ali je v a stopped
država. To pravilo EventBridge ima pomembno vlogo pri ponovnem zagonu opravila, če pride do napake ali načrtovanega dogodka samodejnega skaliranja.
Spremljanje metrik CloudWatch
Funkcija Lambda nastavi tudi alarm CloudWatch, ki temelji na metričnem matematičnem izrazu na opravilu obdelave, ki spremlja metrike vseh primerkov za uporabo CPE, uporabo pomnilnika in uporabo diska. Ta vrsta alarma (metrika) uporablja pragove alarma CloudWatch. Alarm ustvari dogodke na podlagi vrednosti metrike ali izraza glede na pragove v številnih časovnih obdobjih.
V primeru uporabe Vericasta je izraz praga zasnovan tako, da gonilnik in izvršilni primer obravnava kot ločena, pri čemer se meritve spremljajo posebej za vsakega. Ker jih loči, Vericast ve, kaj povzroča alarm. To je pomembno, da se odločite, kako ustrezno povečati:
- Če meritve izvršitelja presegajo prag, je dobro, da skalirate vodoravno
- Če meritve gonilnika presežejo prag, vodoravno skaliranje verjetno ne bo pomagalo, zato moramo skalirati navpično
Izraz metrike alarma
Vericast lahko dostopa do naslednjih meritev v svoji oceni za skaliranje in napako:
- CPEUporaba – Vsota izkoriščenosti vsakega posameznega jedra CPU
- Uporaba pomnilnika – Odstotek pomnilnika, ki ga uporabljajo vsebniki na primerku
- DiskUtilization – Odstotek prostora na disku, ki ga uporabljajo vsebniki na primerku
- Uporaba GPU – Odstotek enot GPE, ki jih uporabljajo vsebniki na primerku
- GPUMemoryUtilization – Odstotek pomnilnika GPE, ki ga uporabljajo vsebniki na primerku
Od tega pisanja Vericast upošteva samo CPUUtilization
, MemoryUtilization
in DiskUtilization
. V prihodnje nameravajo razmisliti GPUUtilization
in GPUMemoryUtilization
kot dobro.
Naslednja koda je primer alarma CloudWatch, ki temelji na metričnem matematičnem izrazu za samodejno skaliranje Vericast:
Ta izraz ponazarja, da alarm CloudWatch razmišlja DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
in DiskUtilization (diskExec)
kot meritve spremljanja. Število 80 v prejšnjem izrazu pomeni mejno vrednost.
Tu IF((cpuDriver) > 80, 1, 0
pomeni, da če izkoriščenost procesorja gonilnika preseže 80 %, je 1 dodeljen kot prag, drugače pa je 0. IF(AVG(METRICS("memoryExec")) > 80, 1, 0
pomeni, da vse metrike z nizom memoryExec
in na podlagi tega se izračuna povprečje. Če ta povprečni odstotek izkoriščenosti pomnilnika presega 80, je 1 dodeljen kot prag, drugače pa je 0.
Logični operator OR
se uporablja v izrazu za poenotenje vseh uporab v izrazu – če katera od uporab doseže svoj prag, sproži alarm.
Za več informacij o uporabi metričnih alarmov CloudWatch, ki temeljijo na metričnih matematičnih izrazih, glejte Ustvarjanje alarma CloudWatch na podlagi metričnega matematičnega izraza.
Omejitve alarma CloudWatch
CloudWatch omejuje število meritev na alarm na 10. To lahko povzroči omejitve, če morate upoštevati več meritev od tega.
Za premagovanje te omejitve je Vericast nastavil alarme glede na celotno velikost gruče. En alarm se ustvari na tri primere (za tri primere bo en alarm, ker bi to seštelo do devet meritev). Ob predpostavki, da je treba primerek gonilnika obravnavati ločeno, se za primerek gonilnika ustvari še en ločen alarm. Zato je skupno število ustvarjenih alarmov približno enako eni tretjini števila izvršilnih vozlišč in dodatnemu za primerek gonilnika. V vsakem primeru je število meritev na alarm pod omejitvijo 10 meritev.
Kaj se zgodi v stanju alarma
Če je dosežen vnaprej določeni prag, se alarm sproži alarm
države, ki uporablja Amazon Simple notification Service (Amazon SNS) za pošiljanje obvestil. V tem primeru vsem naročnikom pošlje elektronsko obvestilo s podrobnostmi o alarmu v sporočilu.
Amazon SNS se uporablja tudi kot sprožilec za funkcijo Lambda, ki ustavi trenutno delujoče opravilo SageMaker Processing, ker vemo, da opravilo verjetno ne bo uspelo. Ta funkcija beleži tudi dnevnike v tabelo dnevnika, povezano z dogodkom.
Pravilo EventBridge, nastavljeno ob začetku opravila, bo opazilo, da je opravilo prešlo v a stopping
stanje nekaj sekund kasneje. To pravilo nato znova zažene prvo funkcijo Lambda, da znova zažene opravilo.
Dinamični postopek skaliranja
Prva funkcija Lambda po dvakratnem ali večkratnem zagonu bo vedela, da se je prejšnje opravilo že začelo in zdaj ustavilo. Funkcija bo šla skozi podoben postopek pridobivanja osnovne konfiguracije iz prvotnega opravila v dnevniški tabeli DynamoDB in bo prav tako pridobila posodobljeno konfiguracijo iz notranje tabele. Ta posodobljena konfiguracija je delta konfiguracija virov, ki je nastavljena glede na vrsto skaliranja. Vrsta skaliranja se določi iz metapodatkov alarma, kot je opisano prej.
Izvirna konfiguracija in delta virov sta uporabljeni, ker se nova konfiguracija in novo opravilo SageMaker Processing začneta s povečanimi viri.
Ta postopek se nadaljuje, dokler se opravilo uspešno ne zaključi, in lahko po potrebi povzroči večkratne vnovične zagone, pri čemer vsakič dodate več virov.
Rezultat Vericasta
Ta prilagojena rešitev za samodejno skaliranje je bila ključna pri tem, da je Vericastova platforma za strojno učenje postala bolj robustna in odporna na napake. Platforma lahko zdaj elegantno obvladuje delovne obremenitve različnih količin podatkov z minimalnim človeškim posredovanjem.
Pred uvedbo te rešitve je bilo ocenjevanje zahtev po virih za vse module, ki temeljijo na Sparku, v nastajanju, eno največjih ozkih grl procesa vkrcanja novega odjemalca. Delovni tokovi ne bi uspeli, če bi se količina podatkov odjemalca povečala, ali pa bi bili stroški neupravičljivi, če bi se količina podatkov v proizvodnji zmanjšala.
S tem novim modulom so se napake v delovnem toku zaradi omejitev virov zmanjšale za skoraj 80 %. Nekaj preostalih napak je večinoma posledica omejitev računa AWS in zunaj postopka samodejnega prilagajanja. Vericastova največja zmaga s to rešitvijo je enostavnost, s katero lahko vključijo nove stranke in delovne tokove. Vericast pričakuje, da bo postopek pospešil za vsaj 60–70 %, pri čemer je treba še zbrati podatke za končno številko.
Čeprav Vericast na to gleda kot na uspeh, je to povezano s stroški. Na podlagi narave tega modula in koncepta dinamičnega skaliranja kot celote trajajo delovni tokovi približno 30 % dlje (povprečen primer) kot delovni tok s prilagojeno gručo za vsak modul v delovnem toku. Vericast še naprej optimizira na tem področju in želi izboljšati rešitev z vključitvijo inicializacije virov, ki temelji na hevristiki, za vsak odjemalski modul.
Sharmo Sarkar, višji vodja platforme za strojno učenje pri Vericastu, pravi: »Ker še naprej širimo našo uporabo AWS in SageMaker, sem si želel vzeti trenutek in izpostaviti neverjetno delo naše ekipe za storitve za stranke AWS, predanih arhitektov rešitev AWS, in AWS Professional Services, s katerimi sodelujemo. Njihovo globoko razumevanje AWS in SageMaker nam je omogočilo, da smo oblikovali rešitev, ki je izpolnila vse naše potrebe in nam zagotovila zahtevano prilagodljivost in razširljivost. Zelo smo hvaležni, da imamo na naši strani tako nadarjeno in dobro podporno ekipo.”
zaključek
V tej objavi smo delili, kako sta SageMaker in SageMaker Processing Vericastu omogočila izgradnjo upravljanega, zmogljivega in stroškovno učinkovitega ogrodja za obdelavo podatkov za velike količine podatkov. Z združevanjem moči in prilagodljivosti SageMaker Processing z drugimi storitvami AWS lahko preprosto spremljajo generaliziran proces inženiringa funkcij. Samodejno lahko zaznajo morebitne težave, ki nastanejo zaradi pomanjkanja računalništva, pomnilnika in drugih dejavnikov, ter po potrebi samodejno izvajajo navpično in vodoravno skaliranje.
SageMaker in njegova orodja lahko vaši ekipi pomagajo tudi pri doseganju ciljev ML. Če želite izvedeti več o obdelavi SageMaker in kako vam lahko pomaga pri delovnih obremenitvah obdelave podatkov, glejte Obdelava podatkov. Če šele začenjate uporabljati ML in iščete primere in navodila, Amazon SageMaker JumpStart lahko začnete. JumpStart je središče ML, iz katerega lahko dostopate do vgrajenih algoritmov z vnaprej usposobljenimi osnovnimi modeli, ki vam pomagajo pri izvajanju nalog, kot je povzemanje člankov in ustvarjanje slik ter vnaprej izdelanih rešitev za reševanje običajnih primerov uporabe.
Nazadnje, če vam ta objava pomaga ali vas navdihne pri reševanju težave, bi radi slišali o njej! Delite svoje komentarje in povratne informacije.
O avtorjih
Anthony McClure je višji arhitekt partnerskih rešitev pri ekipi AWS SaaS Factory. Anthony se močno zanima tudi za strojno učenje in umetno inteligenco, ki sodeluje s skupnostjo AWS ML/AI Technical Field Community, da bi strankam pomagal pri uresničevanju njihovih rešitev strojnega učenja.
Jyoti Sharma je inženir podatkovne znanosti pri ekipi platforme za strojno učenje pri Vericastu. Navdušena je nad vsemi vidiki znanosti o podatkih in osredotočena na oblikovanje in implementacijo visoko razširljive in porazdeljene platforme za strojno učenje.
Šarmo Sarkar je višji vodja pri Vericastu. Pri Vericastu vodi ekipe za raziskave in razvoj platforme za strojno učenje v oblaku in marketinške platforme ML. Ima bogate izkušnje na področju analitike velikih podatkov, porazdeljenega računalništva in obdelave naravnega jezika. Izven službe se ukvarja z motorjem, pohodništvom in kolesarjenjem po gorskih poteh.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoAiStream. Podatkovna inteligenca Web3. Razširjeno znanje. Dostopite tukaj.
- Kovanje prihodnosti z Adryenn Ashley. Dostopite tukaj.
- Kupujte in prodajajte delnice podjetij pred IPO s PREIPO®. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 15%
- 7
- a
- O meni
- dostop
- ustrezno
- Račun
- Doseči
- Aktiviranje
- aktov
- dodajte
- dodano
- dodajanje
- Dodatne
- ustrezno
- po
- proti
- pomoč
- Cilje
- Alarm
- algoritem
- algoritmi
- vsi
- sam
- skupaj
- že
- Prav tako
- Amazon
- Amazon SageMaker
- znesek
- an
- analitika
- in
- Še ena
- Anthony
- kaj
- API
- primerno
- Arhitektura
- SE
- OBMOČJE
- okoli
- članek
- umetni
- Umetna inteligenca
- AS
- vidik
- vidiki
- dodeljena
- pomoč
- At
- avto
- avtomatizirati
- samodejno
- povprečno
- AWS
- Strokovne storitve AWS
- baza
- temeljijo
- BE
- ker
- postanejo
- bilo
- počutje
- Prednosti
- BEST
- Poleg
- Big
- Big Podatki
- največji
- povečanje
- tako
- Predložitev
- izgradnjo
- Building
- zgrajena
- vgrajeno
- poslovni
- vendar
- by
- izračuna
- klic
- Akcija
- CAN
- Lahko dobiš
- Zajemanje
- primeru
- primeri
- Vzrok
- povzroča
- nekatere
- izziv
- Spremembe
- razred
- razredi
- Razvrstitev
- stranke
- vkrcanje strank
- stranke
- Cloud
- Grozd
- Koda
- Stolpec
- kombinacija
- združevanje
- prihaja
- komentarji
- Skupno
- skupnost
- podjetje
- dokončanje
- Zaključi
- kompleksnost
- zapleten
- deli
- Ogroženo
- Izračunajte
- računalništvo
- Koncept
- koncepti
- konfiguracija
- Razmislite
- šteje
- upoštevamo
- meni
- omejitve
- vsebujejo
- Zabojniki
- naprej
- se nadaljuje
- strošek
- stroškovno učinkovito
- bi
- kupon
- ustvarjajo
- ustvaril
- Oblikovanje
- Merila
- Cross
- Trenutna
- Trenutno
- po meri
- stranka
- Stranke, ki so
- datum
- Podatkovna analiza
- Priprava podatkov
- obdelava podatkov
- znanost o podatkih
- podatkovni znanstvenik
- Podatkov usmerjenih
- nabor podatkov
- odloča
- odločitve
- namenjen
- globoko
- Delta
- Demografski podatki
- odvisno
- uvajanje
- opisano
- Oblikovanje
- zasnovan
- oblikovanje
- Podatki
- Podrobnosti
- določi
- Razvoj
- drugačen
- različno
- Težavnost
- neposredna
- Popust
- razpravlja
- porazdeljena
- porazdeljeno računalništvo
- vozi
- voznik
- 2
- dinamično
- dinamično
- vsak
- prej
- enostavnost
- enostavno
- bodisi
- E-naslov
- omogočena
- omogoča
- inženir
- Inženiring
- Inženirji
- zagotavlja
- Celotna
- okolje
- okolja
- enako
- Enakovredna
- oceniti
- ocenjevanje
- Ocena
- Event
- dogodki
- Primer
- Primeri
- Razen
- obstoječih
- Razširi
- Pričakuje
- pričakuje
- izkušnje
- Raziskovati
- izrazi
- obsežen
- Obširne izkušnje
- dejavniki
- Tovarna
- FAIL
- Napaka
- Feature
- Lastnosti
- Fed
- povratne informacije
- Nekaj
- Polje
- končna
- dokončano
- prva
- fit
- prilagodljivost
- prilagodljiv
- osredotočena
- po
- sledi
- za
- Obrazci
- Fundacija
- Okvirni
- iz
- v celoti
- funkcija
- funkcije
- Poleg tega
- Prihodnost
- zbiranje
- splošno
- ustvarila
- ustvarja
- generacija
- dobili
- pridobivanje
- dana
- Go
- Cilj
- Cilji
- goes
- dobro
- GPU
- Hvaležni
- Navodila
- imel
- ročaj
- se zgodi
- Imajo
- ob
- he
- slišati
- težka
- težko dvigovanje
- pomoč
- Pomaga
- na visoki ravni
- visoka kvaliteta
- Označite
- zelo
- zgodovina
- Horizontalno
- vodoravno
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- Hub
- človeškega
- Ovir
- i
- identificirati
- if
- ponazarja
- slika
- izvajati
- Izvajanje
- izvajanja
- Pomembno
- izboljšanje
- in
- V drugi
- vključuje
- Vključno
- vključujoč
- Povečajte
- povečal
- Neverjetno
- individualna
- Posamezno
- Podatki
- Infrastruktura
- začetna
- Iniciatorji
- primer
- instrumental
- Intelligence
- nameravajo
- obresti
- vmesnik
- notranji
- intervencije
- v
- vključeni
- vprašanje
- Vprašanja
- IT
- ITS
- Job
- Delovna mesta
- jpg
- samo
- Otrok
- Vedite
- Pomanjkanje
- jezik
- velika
- v veliki meri
- večja
- pozneje
- Interesenti
- UČITE
- učenje
- vsaj
- Knjižnica
- dviganje
- Omejitev
- omejitve
- Meje
- Seznam
- malo
- prijavi
- sečnja
- logično
- več
- si
- izgubiti
- ljubezen
- stroj
- strojno učenje
- vzdrževati
- vzdrževanje
- vzdržuje
- Znamka
- IZDELA
- Izdelava
- upravlja
- upravitelj
- manipulirati
- Način
- več
- Trženje
- math
- Maj ..
- Srečati
- Spomin
- Sporočilo
- metapodatki
- meritev
- Meritve
- morda
- moti
- minimalna
- ML
- Model
- modeli
- Moduli
- Moduli
- Trenutek
- monitor
- spremljati
- spremljanje
- monitorji
- več
- Najbolj
- večinoma
- Mountain
- več
- morajo
- naravna
- Obdelava Natural Language
- Narava
- Nimate
- potrebna
- potrebujejo
- potrebe
- Novo
- vozlišča
- predvsem
- Opaziti..
- Obvestilo
- Obvestila
- zdaj
- Številka
- Cilji
- opazujejo
- of
- pogosto
- on
- Na zahtevo
- Na krovu
- Na vkrcanje
- ONE
- v teku
- samo
- operater
- optimalna
- Optimizirajte
- optimizirana
- or
- izvirno
- Ostalo
- naši
- ven
- Rezultat
- izhod
- zunaj
- več
- Splošni
- Premagajte
- pregled
- parametri
- del
- zlasti
- partner
- Podaje
- strastno
- Vzorec
- odstotek
- Izvedite
- performance
- mogoče
- obdobja
- perspektiva
- slika
- plinovod
- Kraj
- načrtovano
- platforma
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Predvajaj
- igra
- prosim
- plus
- Točka
- točke
- slaba
- mogoče
- Prispevek
- potencial
- moč
- napovedovanje
- prejšnja
- verjetno
- problem
- Težave
- Postopek
- Predelano
- obravnavati
- proizvodnjo
- Izdelek
- proizvodnja
- strokovni
- zagotavljajo
- če
- zagotavlja
- dal
- kakovost
- Hitri
- hitreje
- R & D
- precej
- Surovi
- dosežejo
- Preberi
- pripravljen
- Reality
- Razlog
- evidence
- Obnovi
- okrevanje
- Zmanjšana
- nanaša
- povezane
- pomembno
- ostajajo
- Preostalih
- poročilo
- obvezna
- Zahteve
- vir
- viri
- Odzove
- povzroči
- rezultat
- robusten
- vloga
- grobo
- Pravilo
- Run
- tek
- SaaS
- sagemaker
- Enako
- pravi
- Prilagodljivost
- razširljive
- Lestvica
- skaliranje
- Rešitev za skaliranje
- scenariji
- Znanost
- Znanstvenik
- Znanstveniki
- sekund
- oddelki
- izbran
- izbor
- pošljite
- pošlje
- višji
- občutljivost
- ločena
- ločitev
- Storitev
- Storitve
- nastavite
- Kompleti
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- deli
- Šarma
- je
- pokazale
- Razstave
- strani
- pomemben
- Podoben
- Enostavno
- Velikosti
- So
- Rešitev
- rešitve
- SOLVE
- Vesolje
- specifična
- posebej
- hitrost
- Spin
- postopka
- standardna
- stojala
- Začetek
- začel
- začne
- Država
- Status
- Korak
- Koraki
- Še vedno
- ustavil
- ustavljanje
- Postanki
- shranjevanje
- trgovine
- String
- močna
- strukturirano
- naročniki
- uspeh
- Uspešno
- taka
- podpora
- sistem
- sistemi
- miza
- prilagojene
- Bodite
- meni
- nadarjeni
- Naloga
- Naloge
- skupina
- Skupine
- tehnični
- Pogoji
- kot
- da
- O
- Prihodnost
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- tretja
- ta
- tisti,
- 3
- Prag
- skozi
- čas
- krat
- do
- skupaj
- orodja
- Skupaj za plačilo
- Vlak
- usposabljanje
- transakcija
- Podrobnosti o transakciji
- Transform
- Preoblikovanje
- transformacije
- sprožijo
- sprožilo
- dva
- tip
- tipičen
- pod
- razumevanje
- enote
- dokler
- posodobljeno
- us
- uporabno
- Uporaba
- uporaba
- primeru uporabe
- Rabljeni
- uporabo
- potrjevanje
- vrednost
- različnih
- vertikalno
- Obseg
- prostornine
- vs
- hotel
- je
- gledanju
- način..
- we
- Dobro
- kdaj
- ki
- WHO
- celoti
- celoti
- bo
- zmago
- z
- v
- delo
- delovnih tokov
- deluje
- deluje
- slabše
- bi
- pisanje
- še
- donos
- Vi
- Vaša rutina za
- zefirnet