To objavo so napisali skupaj s Kostio Kofmanom in Jenny Tokar iz Booking.com.
Kot vodilni svetovni ponudnik spletnih potovanj, Booking.com vedno išče inovativne načine za izboljšanje svojih storitev in strankam zagotavlja prilagojene in brezhibne izkušnje. Ekipa Ranking pri Booking.com igra ključno vlogo pri zagotavljanju, da so iskalni in priporočilni algoritmi optimizirani za zagotavljanje najboljših rezultatov za njihove uporabnike.
Z delitvijo notranjih virov z drugimi notranjimi ekipami so se znanstveniki za strojno učenje (ML) skupine Ranking team pogosto srečevali z dolgimi čakalnimi dobami za dostop do virov za usposabljanje modelov in eksperimentiranje – kar je predstavljalo izziv za njihovo sposobnost hitrega eksperimentiranja in inovacij. Ker se zaveda potrebe po posodobljeni infrastrukturi ML, se je ekipa Ranking podala na pot, da bi uporabila moč Amazon SageMaker za izdelavo, usposabljanje in uvajanje modelov ML v velikem obsegu.
Booking.com je sodeloval z Strokovne storitve AWS izdelati rešitev za pospešitev uvedbe na trg za izboljšane modele ML z naslednjimi izboljšavami:
- Skrajšani čakalni časi za vire za usposabljanje in eksperimentiranje
- Integracija bistvenih zmogljivosti ML, kot je nastavitev hiperparametrov
- Skrajšan razvojni cikel za modele ML
Skrajšani čakalni časi bi pomenili, da bi ekipa lahko hitro ponavljala in eksperimentirala z modeli ter tako veliko hitreje pridobivala vpoglede. Uporaba razpoložljivih instanc SageMaker na zahtevo je omogočila desetkratno zmanjšanje čakalne dobe. Bistvene zmožnosti ML, kot sta nastavitev hiperparametrov in razložljivost modela, so manjkale v prostorih. Posodobitvena pot ekipe je predstavila te funkcije Samodejno prilagajanje modela Amazon SageMaker in Amazon SageMaker Pojasni. Nazadnje, cilj ekipe je bil prejeti takojšnjo povratno informacijo o vsaki spremembi kode, s čimer bi povratno zanko zmanjšali z minut na trenutek in s tem skrajšali razvojni cikel za modele ML.
V tej objavi se poglobimo v potovanje, ki se ga je lotila ekipa Ranking pri Booking.com, ko je izkoristila zmogljivosti SageMakerja za posodobitev svojega ogrodja za eksperimentiranje ML. S tem niso samo premagali svojih obstoječih izzivov, ampak tudi izboljšali svojo iskalno izkušnjo, kar je na koncu koristilo milijonom popotnikov po vsem svetu.
Pristop k modernizaciji
Ekipo Ranking sestavlja več znanstvenikov ML, od katerih mora vsak razviti in preizkusiti svoj model brez povezave. Ko je model ocenjen kot uspešen glede na vrednotenje brez povezave, se lahko premakne v produkcijsko A/B testiranje. Če pokaže spletno izboljšavo, ga je mogoče namestiti vsem uporabnikom.
Cilj tega projekta je bil ustvariti uporabniku prijazno okolje za znanstvenike ML za preprosto izvajanje prilagodljivih Cevovodi za gradnjo modelov Amazon SageMaker da preizkusijo svoje hipoteze brez potrebe po kodiranju dolgih in zapletenih modulov.
Eden od številnih izzivov, s katerimi se je soočil, je bila prilagoditev obstoječe rešitve cevovoda na mestu uporabe za uporabo v AWS. Rešitev je vključevala dve ključni komponenti:
- Spreminjanje in razširitev obstoječe kode – Prvi del naše rešitve je vključeval spremembo in razširitev naše obstoječe kode, da bi bila združljiva z infrastrukturo AWS. To je bilo ključnega pomena pri zagotavljanju nemotenega prehoda z obdelave na mestu uporabe na obdelavo v oblaku.
- Razvoj odjemalskega paketa – Razvit je bil odjemalski paket, ki deluje kot ovoj okoli API-jev SageMaker in predhodno obstoječe kode. Ta paket združuje oboje in znanstvenikom ML omogoča preprosto konfiguriranje in uvajanje cevovodov ML brez kodiranja.
Konfiguracija cevovoda SageMaker
Prilagodljivost je ključna za cevovod za gradnjo modela in je bila dosežena s config.ini
, obsežno konfiguracijsko datoteko. Ta datoteka služi kot nadzorni center za vse vnose in obnašanja cevovoda.
Razpoložljive konfiguracije znotraj config.ini
vključujejo:
- Podrobnosti cevovoda – Izvajalec lahko določi ime cevovoda, določi, kateri koraki naj se izvajajo, določi, kje naj bodo izhodi shranjeni v Preprosta storitev shranjevanja Amazon (Amazon S3) in izberite, katere nabore podatkov želite uporabiti
- Podrobnosti računa AWS – Odločite se lahko, v kateri regiji naj poteka cevovod in katero vlogo naj uporabite
- Konfiguracija, specifična za korake – Za vsak korak v cevovodu lahko določite podrobnosti, kot sta število in vrsta primerkov, ki jih želite uporabiti, skupaj z ustreznimi parametri
Naslednja koda prikazuje primer konfiguracijske datoteke:
config.ini
je datoteka z nadzorovanimi različicami, ki jo upravlja Git in predstavlja minimalno konfiguracijo, potrebno za uspešno izvajanje cevovoda usposabljanja. Med razvojem je mogoče uporabiti lokalne konfiguracijske datoteke, ki niso nadzorovane z različicami. Te lokalne konfiguracijske datoteke morajo vsebovati le nastavitve, ki so pomembne za določeno izvedbo, kar uvaja prilagodljivost brez zapletenosti. Odjemalec za ustvarjanje cevovoda je zasnovan za obdelavo več konfiguracijskih datotek, pri čemer ima najnovejša prednost pred prejšnjimi nastavitvami.
Koraki cevovoda SageMaker
Cevovod je razdeljen na naslednje korake:
- Priprava podatkov za usposabljanje in testiranje – Terabajti neobdelanih podatkov se prekopirajo v vedro S3 in obdelajo z uporabo AWS lepilo opravila za obdelavo Spark, zaradi česar so podatki strukturirani in oblikovani za združljivost.
- Vlak – Korak usposabljanja uporablja ocenjevalec TensorFlow za opravila usposabljanja SageMaker. Usposabljanje poteka na porazdeljen način z uporabo Horovoda, nastali artefakt modela pa je shranjen v Amazon S3. Za uravnavanje hiperparametrov se lahko sproži opravilo optimizacije hiperparametrov (HPO), pri čemer se izbere najboljši model na podlagi ciljne metrike.
- Predvidite – V tem koraku opravilo SageMaker Processing uporablja shranjen artefakt modela za izdelavo napovedi. Ta proces teče vzporedno na razpoložljivih napravah, rezultati napovedi pa so shranjeni v Amazon S3.
- oceniti – Obdelovalno opravilo PySpark ovrednoti model z uporabo skripta Spark po meri. Ocenjevalno poročilo se nato shrani v Amazon S3.
- Stanje – Po oceni se sprejme odločitev o kakovosti modela. Ta odločitev temelji na metriki stanja, definirani v konfiguracijski datoteki. Če je ocena pozitivna, se model registrira kot odobren; sicer je registriran kot zavrnjen. V obeh primerih sta poročilo o vrednotenju in razložljivosti, če sta ustvarjena, zabeležena v registru modela.
- Model paketa za sklepanje – Če so rezultati ocenjevanja pozitivni, se z uporabo obdelave model zapakira, shrani v Amazon S3 in pripravi za nalaganje na notranji portal ML.
- Pojasnite – SageMaker Clarify ustvari poročilo o razložljivosti.
Uporabljata se dva različna skladišča. Prvi repozitorij vsebuje definicijo in gradbeno kodo za cevovod ML, drugi repozitorij pa vsebuje kodo, ki se izvaja v vsakem koraku, kot je obdelava, usposabljanje, napovedovanje in vrednotenje. Ta pristop dvojnega repozitorija omogoča večjo modularnost in omogoča znanstvenim in inženirskim ekipam, da neodvisno ponavljajo kodo ML in komponente cevovoda ML.
Naslednji diagram prikazuje potek dela rešitve.
Samodejna nastavitev modela
Usposabljanje modelov ML zahteva iterativni pristop več poskusov usposabljanja za izgradnjo robustnega in zmogljivega končnega modela za poslovno uporabo. Znanstveniki ML morajo izbrati ustrezno vrsto modela, zgraditi pravilne vhodne nabore podatkov in prilagoditi nabor hiperparametrov, ki nadzirajo proces učenja modela med usposabljanjem.
Izbira ustreznih vrednosti hiperparametrov za proces učenja modela lahko pomembno vpliva na končno zmogljivost modela. Vendar pa ni edinstvenega ali definiranega načina za določitev, katere vrednosti so primerne za določen primer uporabe. Večino časa bodo morali znanstveniki ML izvajati več izobraževalnih nalog z nekoliko različnimi nizi hiperparametrov, opazovati metrike usposabljanja modela in nato poskušati izbrati obetavnejše vrednosti za naslednjo iteracijo. Ta postopek prilagajanja zmogljivosti modela je znan tudi kot optimizacija hiperparametrov (HPO) in lahko včasih zahteva na stotine poskusov.
Ekipa Ranking je nekoč izvajala HPO ročno v svojem okolju na mestu uporabe, ker so lahko vzporedno zagnali le zelo omejeno število izobraževalnih opravil. Zato so morali HPO izvajati zaporedno, ročno testirati in izbirati različne kombinacije vrednosti hiperparametrov ter redno spremljati napredek. To je podaljšalo razvoj modela in proces prilagajanja ter omejilo skupno število poskusov HPO, ki bi se lahko izvajali v izvedljivem času.
S prehodom na AWS je ekipa Ranking lahko uporabila funkcijo samodejnega prilagajanja modela (AMT) programa SageMaker. AMT omogoča znanstvenikom Ranking ML, da samodejno sprožijo na stotine delovnih mest za usposabljanje znotraj zanimivih razponov hiperparametrov, da poiščejo najbolj učinkovito različico končnega modela glede na izbrano metriko. Ekipa za razvrščanje lahko zdaj izbira med štirimi različnimi strategijami samodejnega uravnavanja za svojo izbiro hiperparametrov:
- Iskanje po mreži – AMT bo pričakoval, da bodo vsi hiperparametri kategorične vrednosti, in bo sprožil delovna mesta za usposabljanje za vsako ločeno kategorično kombinacijo, pri čemer bo raziskal celoten prostor hiperparametrov.
- Naključno iskanje – AMT bo naključno izbral kombinacije vrednosti hiperparametrov znotraj navedenih razponov. Ker ni odvisnosti med različnimi opravili usposabljanja in izbiro vrednosti parametrov, je mogoče s to metodo zagnati več vzporednih opravil usposabljanja, kar pospeši postopek izbire optimalnega parametra.
- Bayesova optimizacija – AMT uporablja implementacijo Bayesove optimizacije za ugibanje najboljšega nabora vrednosti hiperparametrov, ki ga obravnava kot regresijski problem. Upošteval bo predhodno preizkušene kombinacije hiperparametrov in njihov vpliv na delovna mesta za usposabljanje modela z novim izborom parametrov, optimizacijo za pametnejšo izbiro parametrov z manj poskusi, vendar bo tudi opravila za usposabljanje zagnal samo zaporedno, da se bo vedno lahko učil iz prejšnjih usposabljanj.
- Hiperpas – AMT bo uporabil vmesne in končne rezultate izobraževalnih opravil, ki jih izvaja, za dinamično prerazporeditev virov k izobraževalnim opravilom s konfiguracijami hiperparametrov, ki kažejo obetavnejše rezultate, medtem ko samodejno ustavi tiste, ki niso uspešni.
AMT na SageMakerju je ekipi Ranking omogočil, da je zmanjšala čas, porabljen za postopek prilagajanja hiperparametrov za njihov razvoj modela, tako da jim je prvič omogočil izvajanje več vzporednih poskusov, uporabo strategij samodejnega prilagajanja in izvajanje dvomestnih učnih opravil v nekaj dneh, nekaj, kar v prostorih ni bilo izvedljivo.
Razložljivost modela s SageMaker Clarify
Razložljivost modela omogoča izvajalcem ML, da razumejo naravo in obnašanje svojih modelov ML z zagotavljanjem dragocenih vpogledov za inženiring funkcij in odločitve o izbiri, kar posledično izboljša kakovost napovedi modela. Ekipa za razvrščanje je želela ovrednotiti svoje vpoglede v razložljivost na dva načina: razumeti, kako vnosi funkcij vplivajo na izhode modela v njihovem celotnem naboru podatkov (globalna interpretabilnost), in biti sposoben odkriti vpliv vhodnih funkcij za določeno napoved modela na podatkovni točki ( lokalna interpretabilnost). S temi podatki lahko znanstveniki Ranking ML sprejemajo informirane odločitve o tem, kako še izboljšati učinkovitost svojega modela in upoštevati zahtevne rezultate napovedovanja, ki bi jih model občasno zagotovil.
SageMaker Clarify vam omogoča ustvarjanje poročil o razložljivosti modela z uporabo Razlage Shapleyjevega dodatka (SHAP) pri usposabljanju vaših modelov na SageMakerju, ki podpira tako globalno kot lokalno interpretabilnost modela. Poleg poročil o razložljivosti modela SageMaker Clarify podpira izvajanje analiz za metrike pristranskosti pred usposabljanjem, metrike pristranskosti po usposabljanju in krivulje delne odvisnosti. Opravilo se bo izvajalo kot opravilo obdelave SageMaker znotraj računa AWS in se neposredno integrira s cevovodi SageMaker.
Globalno poročilo o razlagi bo samodejno ustvarjeno v izhodu opravila in prikazano v Amazon SageMaker Studio okolje kot del izvajanja poskusa usposabljanja. Če je ta model nato registriran v registru modelov SageMaker, bo poročilo dodatno povezano z artefaktom modela. Z uporabo obeh možnosti je skupina Ranking zlahka sledila različnim različicam modelov in njihovim vedenjskim spremembam.
Da bi raziskali vpliv vhodne funkcije na posamezno napoved (vrednosti lokalne razlage), je skupina za razvrščanje omogočila parameter save_local_shap_values
v opravilih SageMaker Clarify in jih je lahko naložil iz vedra S3 za nadaljnje analize v zvezkih Jupyter v SageMaker Studio.
Prejšnje slike prikazujejo primer, kako bi bila razložljivost modela videti za poljuben model ML.
Optimizacija treninga
Vzpon globokega učenja (DL) je povzročil, da je ML vedno bolj odvisen od računalniške moči in ogromnih količin podatkov. Strokovnjaki ML se pri usposabljanju teh kompleksnih modelov običajno soočajo z oviro učinkovite uporabe virov. Ko izvajate usposabljanje na velikih računalniških gručih, se pojavijo različni izzivi pri optimizaciji uporabe virov, vključno s težavami, kot so ozka grla V/I, zamude pri zagonu jedra, omejitve pomnilnika in premalo izkoriščeni viri. Če konfiguracija opravila usposabljanja ni natančno nastavljena za učinkovitost, lahko te ovire povzročijo neoptimalno uporabo strojne opreme, podaljšano trajanje usposabljanja ali celo nepopolne izvedbe usposabljanja. Ti dejavniki povečajo stroške projekta in zamaknejo časovne okvire.
Profiliranje uporabe CPE in GPE pomaga razumeti te neučinkovitosti, določi porabo virov strojne opreme (čas in pomnilnik) za različne operacije TensorFlow v vašem modelu, odpravi ozka grla v zmogljivosti in na koncu omogoči hitrejše delovanje modela.
Ekipa za razvrščanje je uporabila funkcijo okvirnega profiliranja Napaka Amazon SageMaker (zdaj opuščen v korist Amazon SageMaker Profiler), da bi optimizirali ta delovna mesta za usposabljanje. To vam omogoča sledenje vsem dejavnostim na CPE in GPE, kot so izkoriščenost CPE in GPE, delovanje jedra na GPE, zagoni jedra na CPE, sinhronizacijske operacije, pomnilniške operacije med GPE, zakasnitve med zagoni jedra in ustreznimi zagoni ter prenos podatkov med CPE. in grafični procesorji.
Ekipa za uvrstitev je uporabila tudi TensorFlow Profiler značilnost TensorBoard, ki je dodatno pomagal profilirati usposabljanje modela TensorFlow. SageMaker je zdaj nadalje integriran s TensorBoard in prinaša orodja za vizualizacijo TensorBoard v SageMaker, integrirana z usposabljanjem in domenami SageMaker. TensorBoard vam omogoča izvajanje nalog odpravljanja napak modela z uporabo vtičnikov za vizualizacijo TensorBoard.
S pomočjo teh dveh orodij je ekipa Ranking optimizirala svoj model TensorFlow in lahko identificirala ozka grla ter skrajšala povprečni čas koraka usposabljanja s 350 milisekund na 140 milisekund na CPE in s 170 milisekund na 70 milisekund na GPE, pospešitve za 60 % in 59 %.
Poslovni rezultati
Prizadevanja za selitev so bila osredotočena na izboljšanje razpoložljivosti, razširljivosti in elastičnosti, ki so skupaj pripeljali okolje ML na novo raven operativne odličnosti, ponazorjeno s povečano pogostostjo usposabljanja modela in zmanjšanimi napakami, optimiziranimi časi usposabljanja in naprednimi zmogljivostmi ML.
Modelirajte pogostost usposabljanja in napake
Število mesečnih delovnih mest za usposabljanje modelov se je povečalo za petkrat, kar je vodilo do znatno pogostejših optimizacij modelov. Poleg tega je novo okolje ML privedlo do zmanjšanja stopnje napak v cevovodih, ki je padla s približno 50 % na 20 %. Čas obdelave neuspešnega opravila se je drastično zmanjšal, z več kot ene ure v povprečju na zanemarljivih 5 sekund. To je močno povečalo operativno učinkovitost in zmanjšalo izgubo virov.
Optimiziran čas treninga
Migracija, ki je prinesla s seboj, poveča učinkovitost z usposabljanjem GPU, ki temelji na SageMakerju. Ta premik je zmanjšal čas usposabljanja modela na petino prejšnjega trajanja. Prej so procesi usposabljanja za modele globokega učenja porabili približno 60 ur na CPU; to je bilo poenostavljeno na približno 12 ur na GPU. Ta izboljšava ne le prihrani čas, ampak tudi pospeši razvojni cikel, kar omogoča hitrejše ponovitve in izboljšave modela.
Napredne zmogljivosti ML
Osrednjega pomena za uspeh selitve je uporaba nabora funkcij SageMaker, ki vključuje nastavitev hiperparametrov in razložljivost modela. Poleg tega je selitev omogočila brezhibno sledenje poskusom z uporabo Eksperimenti Amazon SageMaker, kar omogoča bolj pronicljivo in produktivno eksperimentiranje.
Najpomembneje je, da je novo eksperimentalno okolje ML podprlo uspešen razvoj novega modela, ki je zdaj v proizvodnji. Ta model temelji na globokem učenju in ne na drevesu in je uvedel opazne izboljšave v delovanju spletnega modela.
zaključek
Ta objava je zagotovila pregled sodelovanja AWS Professional Services in Booking.com, ki je privedlo do implementacije razširljivega ogrodja ML in uspešno skrajšalo čas za trženje modelov ML njihove ekipe za rangiranje.
Ekipa Ranking pri Booking.com je izvedela, da se je prehod na oblak in SageMaker izkazal za koristnega in da prilagajanje praks operacij strojnega učenja (MLOps) omogoča njihovim inženirjem in znanstvenikom ML, da se osredotočijo na svoje znanje in povečajo hitrost razvoja. Ekipa deli znanje in opravljeno delo s celotno skupnostjo ML na Booking.com prek pogovorov in namenskih srečanj s strokovnjaki za ML, kjer delijo kodo in zmogljivosti. Upamo, da bo ta objava še en način za izmenjavo znanja.
AWS Professional Services je pripravljen pomagati vaši ekipi pri razvoju razširljivega in za proizvodnjo pripravljenega ML v AWS. Za več informacij glejte Strokovne storitve AWS ali stopite v stik prek upravitelja računa.
O avtorjih
Laurens van der Maas je inženir strojnega učenja pri AWS Professional Services. Tesno sodeluje s strankami, ki gradijo svoje rešitve strojnega učenja na AWS, specializiran je za porazdeljeno usposabljanje, eksperimentiranje in odgovorno umetno inteligenco ter navdušen nad tem, kako strojno učenje spreminja svet, kot ga poznamo.
Daniel Zagyva je podatkovni znanstvenik pri AWS Professional Services. Specializiran je za razvoj razširljivih rešitev za strojno učenje proizvodnega razreda za stranke AWS. Njegove izkušnje segajo na različna področja, vključno z obdelavo naravnega jezika, generativno umetno inteligenco in operacijami strojnega učenja.
Kostja Kofman je višji vodja strojnega učenja pri Booking.com, vodi ekipo Search Ranking ML in nadzoruje Booking.comov najobsežnejši sistem ML. S strokovnim znanjem na področju personalizacije in razvrščanja uspeva pri uporabi najsodobnejše tehnologije za izboljšanje uporabniške izkušnje.
Jenny Tokar je višji inženir strojnega učenja pri Booking.com-ovi ekipi za uvrstitev v iskanju. Specializirana je za razvoj cevovodov ML od konca do konca, ki jih zaznamujejo učinkovitost, zanesljivost, razširljivost in inovativnost. Jennyjino strokovno znanje omogoča njeni ekipi ustvarjanje vrhunskih modelov razvrščanja, ki vsak dan služijo milijonom uporabnikov.
Aleksandra Dokić je višji podatkovni znanstvenik pri AWS Professional Services. Uživa v podpori strankam pri gradnji inovativnih rešitev AI/ML na AWS in je navdušena nad poslovnimi transformacijami z močjo podatkov.
Ljuba Protsiva je Engagement Manager pri AWS Professional Services. Specializirana je za zagotavljanje podatkov in rešitev GenAI/ML, ki strankam AWS omogočajo, da povečajo svojo poslovno vrednost in pospešijo hitrost inovacij.
- 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/how-booking-com-modernized-its-ml-experimentation-framework-with-amazon-sagemaker/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 100
- 12
- 130
- 140
- 16
- 350
- 60
- 7
- 70
- a
- sposobnost
- Sposobna
- O meni
- pospeši
- dostop
- Po
- Račun
- doseže
- čez
- dejavnosti
- aktov
- prilagajanje
- Poleg tega
- Poleg tega
- napredno
- vplivajo
- po
- AI
- AI / ML
- algoritmi
- vsi
- dovoljene
- omogoča
- skupaj
- Prav tako
- vedno
- Amazon
- Amazon SageMaker
- Amazon Web Services
- znesek
- zneski
- an
- Analize
- in
- Še ena
- API-ji
- pristop
- primerno
- odobren
- približno
- samovoljna
- SE
- območja
- pojavijo
- okoli
- AS
- želja
- At
- Samodejno
- samodejno
- razpoložljivost
- Na voljo
- povprečno
- AWS
- Strokovne storitve AWS
- nazaj
- temeljijo
- Bajezijski
- BE
- ker
- postajajo
- vedenje
- vedenjske
- vedenja
- koristno
- koristi
- BEST
- med
- pristranskosti
- Rezervacija
- Booking.com
- tako
- ozka grla
- Prinaša
- prinesel
- izgradnjo
- Building
- poslovni
- vendar
- by
- CAN
- Zmogljivosti
- primeru
- primeri
- center
- centrirano
- izzivi
- izziv
- spremenite
- Spremembe
- spreminjanje
- značilna
- Izberite
- izbran
- stranke
- tesno
- Cloud
- Koda
- Kodiranje
- sodeloval
- sodelovanje
- skupaj
- COM
- kombinacija
- kombinacije
- združuje
- pogosto
- skupnost
- združljivost
- združljiv
- kompleksna
- kompleksnost
- zapleten
- deli
- računalniški
- računska moč
- Izračunajte
- stanje
- konfiguracija
- Razmislite
- vsebuje
- omejitve
- porabi
- poraba
- vsebujejo
- Vsebuje
- nadzor
- popravi
- Ustrezno
- stroški
- bi
- obrti
- ustvarjajo
- Oblikovanje
- ključnega pomena
- po meri
- stranka
- Stranke, ki so
- prilagodljiv
- vrhunsko
- Najnovejša tehnologija
- cikel
- datum
- Priprava podatkov
- podatkovni znanstvenik
- nabor podatkov
- dan
- Dnevi
- odloča
- Odločitev
- odločitve
- zmanjšala
- namenjen
- šteje
- globoko
- globoko učenje
- opredeliti
- opredeljen
- opredelitev
- zamuda
- zamude
- poda
- dostavo
- potopite
- odvisnost
- Odvisnost
- razporedi
- razporejeni
- zastarelo
- zasnovan
- Podrobnosti
- Ugotovite,
- Razvoj
- razvili
- razvoju
- Razvoj
- diagram
- drugačen
- neposredno
- odkriti
- prikazano
- izrazit
- porazdeljena
- razdeljeno usposabljanje
- deljeno
- tem
- domen
- opravljeno
- drastično
- Spuščanje
- trajanje
- med
- dinamično
- vsak
- enostavno
- učinkovitosti
- učinkovito
- prizadevanja
- vkrcali
- pooblašča
- omogočajo
- omogočena
- omogoča
- omogočanje
- obsežno
- konec koncev
- sodelovanje
- inženir
- Inženiring
- Inženirji
- okrepi
- izboljšanje
- zagotoviti
- Celotna
- okolje
- epohe
- bistvena
- oceniti
- Ocena
- Tudi
- Tudi vsak
- vsak dan
- Primer
- Odličnost
- razburjen
- zgledno
- obstoječih
- pričakovati
- pospešuje
- izkušnje
- Doživetja
- poskus
- Poskusi
- strokovno znanje
- Pojasnite
- raziskuje
- Raziskovati
- razširitev
- Se razširi
- razširitev
- obsežen
- Obraz
- soočen
- dejavniki
- ni uspelo
- Napaka
- napake
- false
- hitreje
- prednost
- izvedljivo
- Feature
- Lastnosti
- povratne informacije
- manj
- file
- datoteke
- končna
- končno
- Najdi
- prva
- prvič
- prilagodljivost
- Osredotočite
- po
- za
- štiri
- Okvirni
- frekvenca
- pogosto
- iz
- nadalje
- Poleg tega
- pridobivanje
- ustvarjajo
- ustvarila
- ustvarja
- generativno
- Generativna AI
- dobili
- git
- Globalno
- Cilj
- GPU
- Grafične kartice
- več
- Verjetno
- imel
- ročaj
- strojna oprema
- izkoriščen
- Imajo
- he
- pomoč
- pomagal
- Pomaga
- jo
- njegov
- upam,
- uro
- URE
- Kako
- Kako
- Vendar
- HTML
- http
- HTTPS
- Stotine
- ovira
- Optimizacija hiperparametra
- Uglaševanje hiperparametrov
- identificirati
- if
- ponazarja
- slike
- Takojšen
- vpliv
- Izvajanje
- kar je pomembno
- izboljšanje
- izboljšalo
- Izboljšanje
- Izboljšave
- izboljšuje
- in
- vključujejo
- Vključno
- Povečajte
- povečal
- Poveča
- vedno
- neodvisno
- Industrija
- neučinkovitost
- vplivajo
- Podatki
- obvestila
- Infrastruktura
- začeti
- inovacije
- Inovacije
- inovativne
- vhod
- vhodi
- v notranjosti
- pronicljiv
- vpogledi
- instant
- integrirana
- Integrira
- obresti
- notranji
- v
- Uvedeno
- Predstavljamo
- vključeni
- Vprašanja
- IT
- ponovitev
- ponovitve
- ITS
- Job
- Delovna mesta
- Potovanje
- jpg
- Ključne
- Vedite
- znanje
- znano
- primanjkuje
- jezik
- velika
- Zadnji
- kosilo
- začela
- izstrelki
- Vodja
- vodi
- UČITE
- naučili
- učenje
- Led
- Stopnja
- vzvod
- kot
- Limited
- povezane
- obremenitev
- lokalna
- Long
- Poglej
- izgleda kot
- stroj
- strojno učenje
- Stroji
- je
- Znamka
- upravlja
- upravitelj
- Način
- ročno
- Povečajte
- pomeni
- Spomin
- Metoda
- meritev
- Meritve
- selitev
- migracije
- milijoni
- milisekund
- minimalna
- Minute
- ML
- MLOps
- Model
- modeli
- posodobiti
- Moduli
- monitor
- mesečno
- več
- Najbolj
- premikanje
- premaknjeno
- veliko
- več
- Ime
- naravna
- Obdelava Natural Language
- Narava
- Nimate
- Novo
- Naslednja
- št
- zdaj
- Številka
- Cilj
- opazujejo
- ovire
- of
- offline
- pogosto
- on
- Na zahtevo
- ONE
- na spletu
- samo
- operativno
- operacije
- optimalna
- optimizacija
- optimizacije
- Optimizirajte
- optimizirana
- optimizacijo
- možnosti
- or
- Ostalo
- drugače
- naši
- ven
- izhod
- izhodi
- več
- Splošni
- nadzor
- pregled
- lastne
- Pace
- paket
- pakirani
- vzporedno
- parameter
- del
- strastno
- Izvedite
- performance
- izvajati
- personalizacija
- plinovod
- ključno
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igra
- plugins
- Točka
- Portal
- pozitiven
- Prispevek
- moč
- vaje
- pred
- napovedati
- napoved
- Napovedi
- Priprava
- prejšnja
- prej
- problem
- Postopek
- Predelano
- Procesi
- obravnavati
- proizvodnja
- produktivno
- strokovni
- profil
- profiliranje
- Napredek
- Projekt
- obetaven
- dokazano
- zagotavljajo
- če
- zagotavljanje
- kakovost
- hitro
- območja
- Lestvica
- hitro
- Oceniti
- precej
- Surovi
- dosežejo
- pripravljen
- prejeti
- prepoznavanje
- Priporočilo
- Zabeležena
- zmanjša
- Zmanjšana
- zmanjšanje
- Zmanjšanje
- o
- okolica
- Registracija
- registriranih
- registra
- redno
- Zavrnjeno..
- pomembno
- zanesljivost
- poročilo
- Poročila
- Skladišče
- predstavlja
- zahteva
- obvezna
- zahteva
- reševanje
- vir
- viri
- oziroma
- odgovorna
- povzroči
- rezultat
- Rezultati
- Rise
- robusten
- vloga
- Run
- tek
- deluje
- sagemaker
- SageMaker cevovodi
- Prilagodljivost
- razširljive
- Lestvica
- Znanost
- Znanstvenik
- Znanstveniki
- script
- brezšivne
- Iskalnik
- drugi
- sekund
- glej
- iskanju
- izberite
- izbiranje
- izbor
- višji
- služijo
- služi
- Storitve
- sej
- nastavite
- Kompleti
- nastavitve
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- delitev
- je
- premik
- shouldnt
- Prikaži
- Razstave
- bistveno
- Enostavno
- sam
- nekoliko drugačen
- pametnejši
- nemoteno
- So
- Rešitev
- rešitve
- Nekaj
- Vesolje
- Spark
- specializirano
- specifična
- hitrost
- porabljen
- Korak
- Koraki
- ustavljanje
- shranjevanje
- shranjeni
- strategije
- racionaliziran
- Močno
- strukturirano
- studio
- neoptimalno
- uspeh
- uspešno
- Uspešno
- taka
- Podprti
- Podpora
- Podpira
- sinhronizacijo.
- sistem
- prilagojene
- ob
- pogovori
- Naloge
- skupina
- Skupine
- Tehnologija
- tensorflo
- Test
- Testiran
- Testiranje
- kot
- da
- O
- svet
- njihove
- Njih
- POTEM
- Tukaj.
- s tem
- zato
- te
- jih
- ta
- tisti,
- uspeva
- skozi
- čas
- časovnice
- krat
- do
- orodja
- na dotik
- proti
- sledenje
- Sledenje
- Vlak
- usposabljanje
- treningi
- prenos
- transformacije
- Prehod
- potovanja
- potovalna industrija
- potniki
- zdravljenje
- Res
- poskusite
- tuning
- OBRAT
- dva
- tip
- Konec koncev
- razumeli
- edinstven
- Uporaba
- uporaba
- primeru uporabe
- Rabljeni
- Uporabniku prijazen
- Uporabniki
- uporablja
- uporabo
- uporablja
- dragocene
- vrednost
- Vrednote
- različnih
- Popravljeno
- VeloCity
- različica
- različice
- zelo
- vizualizacija
- Počakaj
- hotel
- je
- način..
- načini
- we
- web
- spletne storitve
- so bili
- kdaj
- ki
- medtem
- WHO
- bo
- z
- v
- brez
- delo
- potek dela
- deluje
- svet
- po vsem svetu
- bi
- Vi
- Vaša rutina za
- zefirnet