V svetu odločanja, ki temelji na podatkih, napovedovanje časovnih vrst je ključnega pomena pri omogočanju podjetjem uporabe preteklih podatkovnih vzorcev za predvidevanje prihodnjih rezultatov. Ne glede na to, ali se ukvarjate z upravljanjem tveganja premoženja, trgovanjem, napovedovanjem vremena, napovedovanjem povpraševanja po energiji, spremljanjem vitalnih znakov ali analizo prometa, je sposobnost natančne napovedi ključnega pomena za uspeh.
V teh aplikacijah imajo lahko podatki o časovni vrsti težkorepi distribucij, kjer je repi predstavljajo ekstremne vrednosti. Natančno napovedovanje v teh regijah je pomembno pri določanju, kako verjetne so ekstremne dogodke in ali je treba sprožiti alarm. Vendar pa ti odstopanji pomembno vplivajo na oceno osnovne porazdelitve, zaradi česar je robustno napovedovanje zahtevno. Finančne institucije se zanašajo na robustne modele za napovedovanje odstopanj, kot so tržni zlomi. V energetskih, vremenskih in zdravstvenih sektorjih natančne napovedi redkih, vendar zelo vplivnih dogodkov, kot so naravne nesreče in pandemije, omogočajo učinkovito načrtovanje in razporejanje virov. Zanemarjanje obnašanja repa lahko povzroči izgube, zamujene priložnosti in ogroženo varnost. Dajanje prednosti natančnosti na repih pomaga pri zanesljivih in izvedljivih napovedih. V tem prispevku usposabljamo robusten model napovedovanja časovnih vrst, s katerim lahko zajamemo tako ekstremne dogodke Amazon SageMaker.
Za učinkovito usposabljanje tega modela vzpostavimo infrastrukturo MLOps za racionalizacijo procesa razvoja modela z avtomatizacijo predprocesiranja podatkov, inženiringa funkcij, prilagajanja hiperparametrov in izbire modela. Ta avtomatizacija zmanjša človeško napako, izboljša ponovljivost in pospeši cikel razvoja modela. S programom usposabljanja lahko podjetja učinkovito vključijo nove podatke in prilagodijo svoje modele spreminjajočim se razmeram, kar pomaga zagotoviti, da napovedi ostanejo zanesljive in posodobljene.
Ko je model napovedovanja časovnih vrst usposobljen, njegova uvedba znotraj končne točke podeli zmožnosti napovedovanja v realnem času. To vam omogoča sprejemanje dobro obveščenih in odzivnih odločitev na podlagi najnovejših podatkov. Poleg tega uvedba modela v končni točki omogoča razširljivost, saj lahko več uporabnikov in aplikacij istočasno dostopa do modela in ga uporablja. Z upoštevanjem teh korakov lahko podjetja izkoristijo moč robustnega napovedovanja časovnih vrst za sprejemanje odločitev na podlagi informacij in ostanejo v prednosti v hitro spreminjajočem se okolju.
Pregled rešitve
Ta rešitev prikazuje usposabljanje modela napovedovanja časovnih vrst, ki je posebej zasnovan za obravnavanje izstopajočih vrednosti in variabilnosti podatkov z uporabo Časovno konvolucijsko omrežje (TCN) s porazdelitvijo Spliced Binned Pareto (SBP).. Za več informacij o multimodalni različici te rešitve glejte Znanost za novo meritvijo podajanja NFL Next Gen Stats. Za nadaljnjo ponazoritev učinkovitosti porazdelitve SBP jo primerjamo z istim modelom TCN, vendar namesto tega uporabljamo Gaussovo porazdelitev.
Ta proces ima pomembne koristi od Funkcije MLOps podjetja SageMaker, ki poenostavi potek dela podatkovne znanosti z izkoriščanjem zmogljive infrastrukture v oblaku AWS. V naši rešitvi uporabljamo Samodejno prilagajanje modela Amazon SageMaker za iskanje hiperparametrov, Eksperimenti Amazon SageMaker za vodenje eksperimentov, Register modelov Amazon SageMaker za upravljanje različic modelov in Amazonski cevovodi SageMaker orkestrirati proces. Nato razmestimo naš model na končno točko SageMaker, da pridobimo napovedi v realnem času.
Naslednji diagram ponazarja arhitekturo cevovoda za usposabljanje.
Naslednji diagram prikazuje sklepni cevovod.
Celotno kodo najdete v GitHub repo. Za izvedbo rešitve zaženite celice SBP_main.ipynb
.
Kliknite tukaj, da odprete konzolo AWS in sledite.
Cevovod SageMaker
SageMaker Pipelines ponuja uporabniku prijazno SDK za Python za ustvarjanje delovnih tokov integriranega strojnega učenja (ML). Ti poteki dela, predstavljeni kot usmerjeni aciklični grafi (DAG), so sestavljeni iz korakov z različnimi vrstami in odvisnostmi. S SageMaker Pipelines lahko poenostavite proces usposabljanja in ocenjevanja modelov od konca do konca, s čimer izboljšate učinkovitost in ponovljivost v delovnih tokovih ML.
Cevovod za usposabljanje se začne z generiranjem sintetičnega nabora podatkov, ki je razdeljen na nabore za usposabljanje, validacijo in teste. Komplet za usposabljanje se uporablja za usposabljanje dveh modelov TCN, pri čemer eden uporablja Spojena Binned-Paretova porazdelitev drugi pa uporablja Gaussovo porazdelitev. Oba modela gresta skozi nastavitev hiperparametrov z uporabo validacijskega niza za optimizacijo vsakega modela. Nato se izvede ovrednotenje glede na testni niz, da se določi model z najnižjo korensko srednjo kvadratno napako (RMSE). Model z najboljšo meritvijo natančnosti se naloži v register modelov.
Naslednji diagram prikazuje korake cevovoda.
Podrobneje se pogovorimo o korakih.
Generiranje podatkov
Prvi korak v našem cevovodu ustvari sintetični nabor podatkov, za katerega je značilna sinusna valovna oblika in asimetrični hrup s težkim repom. Podatki so bili ustvarjeni z uporabo številnih parametrov, kot so prostostne stopnje, množitelj šuma in parameter lestvice. Ti elementi vplivajo na obliko porazdelitve podatkov, modulirajo naključno spremenljivost v naših podatkih in prilagodijo širjenje naše porazdelitve podatkov.
To delo obdelave podatkov se izvede z uporabo a PyTorchProcessor, ki izvaja kodo PyTorch (generate_data.py) v vsebniku, ki ga upravlja SageMaker. Podatki in drugi ustrezni artefakti za odpravljanje napak se nahajajo privzeto Preprosta storitev shranjevanja Amazon (Amazon S3), povezano z računom SageMaker. Dnevnike za vsak korak v cevovodu lahko najdete v amazoncloudwatch.
Naslednja slika je vzorec podatkov, ki jih ustvari cevovod.
Vnos lahko nadomestite s široko paleto podatkov časovnih vrst, kot so simetrična, asimetrična porazdelitev, distribucija z lahkim repom, težkim repom ali multimodalna distribucija. Robustnost modela omogoča, da je uporaben za široko paleto problemov časovnih vrst, če je na voljo dovolj opazovanj.
Usposabljanje za modele
Po generiranju podatkov usposobimo dva TCN: enega z uporabo distribucije SBP in drugega z uporabo Gaussove distribucije. Porazdelitev SBP uporablja diskretno binirano porazdelitev kot napovedno osnovo, kjer je realna os razdeljena na diskretne binove, model pa napove verjetnost, da opazovanje pade v vsak bin. Ta metodologija omogoča zajemanje asimetrij in več načinov, ker je verjetnost vsakega bina neodvisna. Primer binirane porazdelitve je prikazan na naslednji sliki.
Napovedna binirana porazdelitev na levi je robustna za ekstremne dogodke, ker logaritmična verjetnost ni odvisna od razdalje med napovedano srednjo in opazovano točko, kar se razlikuje od parametričnih porazdelitev, kot sta Gaussova ali Studentova t. Zato ekstremni dogodek, ki ga predstavlja rdeča pika, ne bo vplival na naučeno povprečje porazdelitve. Vendar pa bo ekstremni dogodek imel ničelno verjetnost. Da zajamemo ekstremne dogodke, oblikujemo porazdelitev SBP tako, da definiramo spodnji rep pri 5. kvantilu in zgornji rep pri 95. kvantilu, pri čemer oba repa nadomestimo z uteženo generalizirano Pareto distribucijo (GPD), ki lahko količinsko opredeli verjetnost dogodka. TCN bo izpisal parametre za zbirno distribucijsko osnovo in repe GPD.
Hiperparametrsko iskanje
Za optimalen rezultat uporabljamo samodejna nastavitev modela da poiščete najboljšo različico modela uglaševanje hiperparametrov. Ta korak je integriran v SageMaker Pipelines in omogoča vzporedno izvajanje več izobraževalnih opravil z uporabo različnih metod in vnaprej določenih obsegov hiperparametrov. Rezultat je izbor najboljšega modela na podlagi določene metrike modela, ki je RMSE. V našem načrtu posebej prilagajamo hitrost učenja in število epoh usposabljanja, da optimiziramo delovanje našega modela. Z zmožnostjo prilagajanja hiperparametrov v SageMakerju povečamo verjetnost, da naš model doseže optimalno natančnost in posplošitev za dano nalogo.
Zaradi sintetične narave naših podatkov ohranjamo dolžino konteksta in pretočni čas kot statične parametre. Dolžina konteksta se nanaša na število preteklih časovnih korakov, vnesenih v model, čas izvedbe pa predstavlja število časovnih korakov v našem napovednem obdobju. Za vzorčno kodo prilagajamo le hitrost učenja in število epoh, da prihranimo čas in stroške.
Parametri, specifični za SBP, so konstantni na podlagi obsežnega testiranja avtorjev na izvirnem dokumentu v različnih naborih podatkov:
- Število posod (100) – Ta parameter določa število pladnjev, ki se uporabljajo za modeliranje osnove distribucije. Ohranja se pri 100, kar se je izkazalo za najbolj učinkovito v več panogah.
- Percentilni rep (0.05) – To označuje velikost posplošenih Paretovih porazdelitev na repu. Tako kot prejšnji parameter je bil tudi ta izčrpno preizkušen in ugotovljeno je bilo, da je najučinkovitejši.
Poskusi
Proces hiperparametrov je integriran z Poskusi SageMaker, ki pomaga organizirati, analizirati in primerjati iterativne eksperimente ML, zagotavlja vpoglede in omogoča sledenje najuspešnejšim modelom. Strojno učenje je ponavljajoč se proces, ki vključuje številne poskuse, ki zajemajo variacije podatkov, izbire algoritmov in prilagajanje hiperparametrov. Ti poskusi služijo za postopno izboljšanje natančnosti modela. Vendar pa lahko zaradi velikega števila izvajanj usposabljanja in iteracij modelov določitev najuspešnejših modelov in smiselna primerjava med trenutnimi in preteklimi poskusi predstavlja izziv. SageMaker Experiments to obravnava tako, da samodejno sledi našim opravilom prilagajanja hiperparametrov in nam omogoča, da pridobimo nadaljnje podrobnosti in vpogled v postopek prilagajanja, kot je prikazano na naslednjem posnetku zaslona.
Ocenjevanje modela
Modeli so podvrženi usposabljanju in naravnavanju hiperparametrov, nato pa se ovrednotijo prek oceni.py scenarij. Ta korak uporablja testni niz, ki se razlikuje od stopnje uravnavanja hiperparametrov, da se oceni natančnost modela v resničnem svetu. RMSE se uporablja za oceno točnosti napovedi.
Za primerjavo porazdelitev uporabljamo graf verjetnosti in verjetnosti (PP), ki ocenjuje ujemanje med dejanskimi in predvidenimi porazdelitvami. Bližina točk diagonali kaže na popolno prileganje. Naše primerjave med predvidenimi porazdelitvami SBP in Gaussove z dejansko porazdelitvijo kažejo, da so napovedi SBP bolj usklajene z dejanskimi podatki.
Kot lahko opazimo, ima SBP nižji RMSE na dnu, spodnjem repu in zgornjem repu. Porazdelitev SBP je izboljšala natančnost Gaussove porazdelitve za 61 % na osnovi, 56 % na spodnjem repu in 30 % na zgornjem repu. Na splošno ima porazdelitev SBP bistveno boljše rezultate.
Izbira modela
Za analizo poročil o vrednotenju modela uporabljamo korak pogoja v SageMaker Pipelines, pri čemer se odločimo za model z najnižjo RMSE za izboljšano natančnost porazdelitve. Izbrani model se pretvori v objekt modela SageMaker in ga pripravi za uvedbo. To vključuje ustvarjanje modelnega paketa s ključnimi parametri in njegovo pakiranje v ModelStep.
Register modelov
Izbrani model se nato naloži v Model registra SageMaker, ki ima ključno vlogo pri upravljanju modelov, pripravljenih za proizvodnjo. Shranjuje modele, organizira različice modelov, zajema bistvene metapodatke in artefakte, kot so slike vsebnika, in ureja status odobritve vsakega modela. Z uporabo registra lahko učinkovito razmestimo modele v dostopna okolja SageMaker in vzpostavimo osnovo za neprekinjeno integracijo in neprekinjeno uvajanje (CI/CD).
Sklepanje
Po zaključku našega cevovoda za usposabljanje se naš model nato uvede z uporabo Storitve gostovanja SageMaker, ki omogoča ustvarjanje končne točke sklepanja za napovedi v realnem času. Ta končna točka omogoča brezhibno integracijo z aplikacijami in sistemi ter zagotavlja dostop na zahtevo do napovednih zmogljivosti modela prek varnega vmesnika HTTPS. Napovedi v realnem času se lahko uporabljajo v scenarijih, kot sta cena delnice in napoved povpraševanja po energiji. Naša končna točka zagotavlja napoved v enem koraku za posredovane podatke o časovni vrsti, predstavljene kot percentili in mediana, kot je prikazano na spodnji sliki in tabeli.
1st Procenttil | 5th Procenttil | Mediana | 95th Procenttil | 99th Procenttil |
1.12 | 3.16 | 4.70 | 7.40 | 9.41 |
Čiščenje
Ko zaženete to rešitev, se prepričajte, da ste očistili vse nepotrebne vire AWS, da se izognete nepričakovanim stroškom. Te vire lahko počistite s SDK-jem SageMaker Python, ki ga najdete na koncu zvezka. Z izbrisom teh virov preprečite nadaljnje zaračunavanje virov, ki jih ne uporabljate več.
zaključek
Natančna napoved lahko močno vpliva na prihodnje načrtovanje podjetja in lahko nudi tudi rešitve za vrsto težav v različnih panogah. Naše raziskovanje robustnega napovedovanja časovnih vrst z MLOps na SageMaker je pokazalo metodo za pridobitev natančne napovedi in učinkovitost poenostavljenega cevovoda za usposabljanje.
Naš model, ki ga poganja časovno konvolucijsko omrežje s spojeno binned Pareto distribucijo, je pokazal natančnost in prilagodljivost odstopanjom z izboljšanjem RMSE za 61 % na osnovi, 56 % na spodnjem repu in 30 % na zgornjem repu v primerjavi z istim TCN z Gaussovo porazdelitvijo. Zaradi teh številk je zanesljiva rešitev za potrebe napovedovanja v resničnem svetu.
Cevovod dokazuje vrednost avtomatizacije funkcij MLOps. To lahko zmanjša ročni človeški napor, omogoči ponovljivost in pospeši uvajanje modela. To omogočajo funkcije SageMaker, kot so SageMaker Pipelines, samodejno prilagajanje modela, SageMaker Experiments, SageMaker Model Registry in končne točke.
Naša rešitev uporablja miniaturni TCN, ki optimizira le nekaj hiperparametrov z omejenim številom plasti, ki zadostujejo za učinkovito poudarjanje zmogljivosti modela. Za bolj zapletene primere uporabe razmislite o uporabi PyTorcha ali drugih knjižnic, ki temeljijo na PyTorchu, da sestavite TCN, ki je bolj prilagojen vašim potrebam. Poleg tega bi bilo koristno raziskati druge Funkcije SageMaker da še izboljšate funkcionalnost vašega cevovoda. Za popolno avtomatizacijo postopka uvajanja lahko uporabite Komplet za razvoj oblaka AWS (AWS CDK) oz Oblikovanje oblaka AWS.
Za več informacij o napovedovanju časovnih vrst na AWS glejte naslednje:
Pustite komentar s kakršnimi koli mislimi ali vprašanji!
O avtorjih
Nick Biso je inženir strojnega učenja pri AWS Professional Services. Z uporabo podatkovne znanosti in inženiringa rešuje zapletene organizacijske in tehnične izzive. Poleg tega gradi in uvaja modele AI/ML v oblaku AWS. Njegova strast sega do njegove nagnjenosti k potovanjem in raznolikim kulturnim izkušnjam.
Alston Chan je inženir za razvoj programske opreme pri Amazon Ads. Gradi cevovode strojnega učenja in sisteme priporočil za priporočila izdelkov na strani s podrobnostmi. Zunaj dela uživa v razvoju iger in plezanju.
Marija Masud je specializiran za gradnjo podatkovnih cevovodov in vizualizacij podatkov pri AWS Commerce Platform. Ima strokovno znanje na področju strojnega učenja, ki zajema obdelavo naravnega jezika, računalniški vid in analizo časovnih vrst. Maria, ki je po srcu navdušenka nad trajnostnim razvojem, uživa v vrtnarjenju in igri s svojim psom med odmorom.
- 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/robust-time-series-forecasting-with-mlops-on-amazon-sagemaker/
- :ima
- : je
- :ne
- :kje
- $GOR
- 100
- 5.
- 7
- a
- sposobnost
- O meni
- pospeši
- pospeši
- dostop
- dostopen
- doseženo
- Račun
- natančnost
- natančna
- natančno
- Dosega
- čez
- dejanska
- aciklični
- prilagodijo
- Poleg tega
- Poleg tega
- naslovi
- oglasi
- proti
- naprej
- AI / ML
- Alarm
- algoritem
- uskladiti
- Poravnava
- dodelitev
- Dovoli
- omogoča
- skupaj
- Prav tako
- Amazon
- Amazon SageMaker
- Amazon Web Services
- an
- Analiza
- analizirati
- in
- pričakujte
- kaj
- primerno
- aplikacije
- odobritev
- Arhitektura
- SE
- AS
- oceniti
- ocenjuje
- sredstvo
- povezan
- At
- Avtorji
- avtomatizirati
- Samodejno
- samodejno
- avtomatizacija
- Avtomatizacija
- Na voljo
- izogniti
- AWS
- Strokovne storitve AWS
- Os
- baza
- temeljijo
- BE
- ker
- bilo
- vedenje
- zadaj
- koristno
- Prednosti
- BEST
- Boljše
- med
- pristranskosti
- BIN
- tako
- široka
- Building
- Gradi
- podjetja
- vendar
- Gumb
- by
- CAN
- Zmogljivosti
- zmožnost
- lahko
- zajemanje
- ujame
- Zajemanje
- primeri
- Celice
- izzivi
- izziv
- spreminjanje
- značilna
- Stroški
- možnosti
- klik
- Plezanje
- tesno
- Cloud
- oblačna infrastruktura
- Koda
- komentar
- Trgovina
- primerjate
- Primerjava
- dokončanje
- dokončanje
- kompleksna
- Ogroženo
- računalnik
- Računalniška vizija
- stanje
- Pogoji
- poteka
- Razmislite
- Konzole
- stalna
- gradnjo
- Posoda
- ozadje
- neprekinjeno
- pretvori
- strošek
- stroški
- kritje
- ustvarjajo
- ustvaril
- Ustvarjanje
- Oblikovanje
- kritično
- ključnega pomena
- kulturne
- Trenutna
- meri
- cikel
- datum
- obdelava podatkov
- znanost o podatkih
- Podatkov usmerjenih
- nabor podatkov
- Datum
- Odločanje
- odločitve
- privzeto
- definiranje
- Povpraševanje
- Napoved povpraševanja
- Dokazano
- dokazuje,
- označuje
- odvisnosti
- odvisno
- razporedi
- razporejeni
- uvajanja
- uvajanje
- razpolaga
- zasnovan
- Podatki
- Podrobnosti
- Ugotovite,
- določa
- določanje
- Razvoj
- drugačen
- različno
- usmerjen
- nesreče
- razpravlja
- razdalja
- izrazit
- distribucija
- Distribucije
- razne
- deljeno
- Pes
- DOT
- odmore
- med
- vsak
- Učinkovito
- učinkovito
- učinkovitost
- učinkovitosti
- učinkovite
- učinkovito
- prizadevanje
- elementi
- zaposlovanja
- zaposluje
- pooblašča
- omogočajo
- omogoča
- omogočanje
- obsežno
- konec
- konec koncev
- Končna točka
- energija
- inženir
- Inženiring
- okrepi
- izboljšanje
- zagotovitev
- navdušenec
- okolje
- okolja
- epohe
- Napaka
- bistvena
- vzpostaviti
- ocenili
- ocenjevanje
- Ocena
- Event
- dogodki
- razvija
- Primer
- Doživetja
- Poskusi
- strokovno znanje
- raziskovanje
- raziskuje
- Se razširi
- obsežen
- ekstremna
- olajšanje
- Falling
- Feature
- Lastnosti
- Nekaj
- Slika
- Številke
- finančna
- Finančne ustanove
- Najdi
- prva
- fit
- sledi
- po
- za
- Napoved
- Napovedi
- obrazec
- je pokazala,
- Fundacija
- brezplačno
- Svoboda
- iz
- v celoti
- funkcionalnost
- nadalje
- Poleg tega
- Prihodnost
- Gain
- igra
- razvoj iger
- merilnik
- Gen
- ustvarila
- ustvarja
- ustvarjajo
- generacija
- dana
- Go
- vlada
- GPD
- nepovratna sredstva
- grafi
- ročaj
- plezalni pas
- Dovoljenje
- Imajo
- he
- zdravstveno varstvo
- Srce
- Pomaga
- jo
- tukaj
- poudarjanje
- zelo
- njegov
- zgodovinski
- obzorje
- gostovanje
- Kako
- Vendar
- HTML
- HTTPS
- človeškega
- Uglaševanje hiperparametrov
- identificirati
- ponazarja
- slike
- vpliv
- izvajati
- Pomembno
- izboljšalo
- izboljšuje
- izboljšanju
- in
- vključi
- Povečajte
- Neodvisni
- označuje
- industrij
- vplivajo
- Podatki
- obvestila
- Infrastruktura
- vhod
- vpogled
- vpogledi
- Namesto
- Institucije
- integrirana
- integracija
- vmesnik
- v
- vključujejo
- IT
- ponovitve
- ITS
- Job
- Delovna mesta
- jpg
- samo
- vzdrževanje
- hranijo
- Ključne
- jezik
- velika
- plasti
- vodi
- naučili
- učenje
- pustite
- levo
- dolžina
- knjižnice
- kot
- verjetnost
- Verjeten
- Limited
- nahaja
- več
- izgube
- nižje
- najnižja
- stroj
- strojno učenje
- Znamka
- Izdelava
- upravljanje
- upravlja
- upravljanje
- upravljanje
- Navodilo
- maria
- Tržna
- tržne nesreče
- pomeni
- smiselna
- metapodatki
- Metoda
- Metodologija
- Metode
- meritev
- zamudili
- ML
- MLOps
- Model
- modeli
- načini
- spremljanje
- več
- Najbolj
- več
- naravna
- Obdelava Natural Language
- Narava
- potrebe
- zanemarjanje
- mreža
- Novo
- Naslednja
- naslednji gen
- NFL
- št
- hrup
- prenosnik
- Številka
- številne
- predmet
- opazujejo
- pridobi
- of
- Ponudbe
- on
- Na zahtevo
- ONE
- samo
- odprite
- Priložnosti
- optimalna
- Optimizirajte
- optimizacijo
- or
- organizacijsko
- organizira
- izvirno
- Ostalo
- naši
- rezultatov
- izhod
- zunaj
- več
- Splošni
- paket
- embalaža
- Stran
- Pandemije
- Papir
- vzporedno
- parameter
- parametri
- Pareto
- Podaje
- strast
- preteklosti
- vzorci
- popolna
- performance
- plinovod
- načrtovanje
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- igra
- Točka
- točke
- mogoče
- Prispevek
- moč
- poganja
- močan
- napovedati
- napovedano
- napoved
- Napovedi
- Napovedi
- predstavljeni
- preprečiti
- prejšnja
- Cena
- določanje prednosti
- Težave
- Postopek
- obravnavati
- Izdelek
- proizvodnja
- strokovni
- dokazano
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- Python
- pitorha
- dvigniti
- naključno
- območje
- hitro
- Oceniti
- pripravljen
- Priprava
- pravo
- resnični svet
- v realnem času
- nedavno
- Priporočilo
- Priporočila
- Rdeča
- zmanjša
- zmanjšuje
- glejte
- nanaša
- izboljšati
- regije
- registra
- pomembno
- zanesljiv
- zanašajo
- ostajajo
- zamenjajte
- Poročila
- predstavljajo
- zastopan
- predstavlja
- vir
- viri
- oziroma
- odziven
- povzroči
- Rezultati
- Tveganje
- upravljanje s tveganji
- robusten
- robustnost
- skala
- vloga
- koren
- Run
- deluje
- Varnost
- sagemaker
- SageMaker cevovodi
- Enako
- Shrani
- Prilagodljivost
- Lestvica
- scenariji
- Znanost
- script
- SDK
- brezšivne
- Iskalnik
- Sektorji
- zavarovanje
- izbran
- izbor
- Serija
- služijo
- Storitve
- nastavite
- Kompleti
- Oblikujte
- je
- Prikaži
- pokazale
- podpisati
- bistveno
- Enostavno
- hkrati
- Velikosti
- Software
- Razvoj programske opreme
- Rešitev
- rešitve
- Rešuje
- specializirano
- specifična
- posebej
- določeno
- po delih
- namaz
- Na kvadrat
- Stage
- Status
- bivanje
- Korak
- Koraki
- zaloge
- shranjevanje
- trgovine
- racionalizirati
- racionaliziran
- Kasneje
- uspeh
- taka
- dovolj
- Preverite
- Trajnostni razvoj
- sintetična
- sistemi
- miza
- Naloga
- tehnični
- Test
- Testiran
- Testiranje
- da
- O
- svet
- njihove
- POTEM
- zato
- te
- ta
- skozi
- čas
- Časovne serije
- do
- Sledenje
- Trgovanje
- Prometa
- Vlak
- usposobljeni
- usposabljanje
- potovanja
- dva
- Vrste
- opravi
- Nepričakovana
- nepotrebna
- naložili
- us
- uporaba
- Rabljeni
- Uporabniku prijazen
- Uporabniki
- uporabo
- uporabiti
- izkorišča
- Uporaben
- potrjevanje
- vrednost
- Vrednote
- raznolikost
- različnih
- različica
- različice
- preko
- Vizija
- ključnega pomena
- vs
- je
- we
- Vreme
- web
- spletne storitve
- ali
- ki
- široka
- bo
- z
- v
- delo
- potek dela
- delovnih tokov
- deluje
- svet
- bi
- Vi
- Vaša rutina za
- zefirnet
- nič