Maskininlärningsmodeller (ML) fungerar inte isolerat. För att leverera värde måste de integreras i befintliga produktionssystem och infrastruktur, vilket kräver att man beaktar hela ML:s livscykel under design och utveckling. ML-verksamhet, känd som MLOps, fokuserar på att effektivisera, automatisera och övervaka ML-modeller under hela deras livscykel. Att bygga en robust MLOps-pipeline kräver tvärfunktionellt samarbete. Datavetare, ML-ingenjörer, IT-personal och DevOps-team måste arbeta tillsammans för att operationalisera modeller från forskning till driftsättning och underhåll. Med rätt processer och verktyg gör MLOps det möjligt för organisationer att på ett tillförlitligt och effektivt sätt använda ML i sina team.
Även om kraven på kontinuerlig integration och kontinuerlig leverans (CI/CD) pipelines kan vara unika och spegla varje organisations behov, kan skalning av MLOps-praxis över team förenklas genom att använda hanterade orkestrationer och verktyg som kan påskynda utvecklingsprocessen och ta bort de odifferentierade tunga lyften .
Amazon SageMaker MLOps är en uppsättning funktioner som inkluderar Amazon SageMaker-projekt (CI/CD), Amazon SageMaker-rörledningar och Amazon SageMaker Model Registry.
SageMaker-rörledningar möjliggör enkelt skapande och hantering av ML-arbetsflöden, samtidigt som det erbjuder lagrings- och återanvändningsmöjligheter för arbetsflödessteg. De SageMaker modellregister centraliserar modellspårning, vilket förenklar modelldistributionen. SageMaker-projekt introducerar CI/CD-praxis till ML, inklusive miljöparitet, versionskontroll, testning och automatisering. Detta möjliggör en snabb etablering av CI/CD i din ML-miljö, vilket underlättar effektiv skalbarhet i hela ditt företag.
Den inbyggda projektmallar tillhandahålls av Amazon SageMaker inkluderar integration med några av tredjepartsverktyg, såsom Jenkins för orkestrering och GitHub för källkontroll, och flera använder AWS inbyggda CI/CD-verktyg som t.ex. AWS CodeCommit, AWS CodePipelineoch AWS CodeBuild. I många scenarier skulle kunder dock vilja integrera SageMaker Pipelines med andra befintliga CI/CD-verktyg och därför skapa sina anpassade projektmallar.
I det här inlägget visar vi dig en steg-för-steg-implementering för att uppnå följande:
- Skapa en anpassad SageMaker MLOps-projektmall som integreras med GitHub och GitHub Actions
- Gör dina anpassade projektmallar tillgängliga i Amazon SageMaker Studio för ditt datavetenskapsteam med provisionering med ett klick
Lösningsöversikt
I det här inlägget konstruerar vi följande arkitektur. Vi skapar en automatisk modellbyggande pipeline som inkluderar steg för dataförberedelse, modellträning, modellutvärdering och registrering av den tränade modellen i SageMaker Model Registry. Den resulterande tränade ML-modellen distribueras sedan från SageMaker Model Registry till iscensättnings- och produktionsmiljöer efter manuellt godkännande.
Låt oss fördjupa oss i elementen i denna arkitektur för att förstå den fullständiga konfigurationen.
GitHub och GitHub-åtgärder
GitHub är en webbaserad plattform som tillhandahåller versionskontroll och källkodshantering med hjälp av Git. Det gör det möjligt för team att samarbeta i programvaruutvecklingsprojekt, spåra förändringar och hantera kodförråd. GitHub fungerar som en centraliserad plats för att lagra, versionera och hantera din ML-kodbas. Detta säkerställer att din ML-kodbas och pipelines är versionerade, dokumenterade och tillgängliga för teammedlemmar.
GitHub-åtgärder är ett kraftfullt automationsverktyg inom GitHub-ekosystemet. Det låter dig skapa anpassade arbetsflöden som automatiserar dina livscykelprocesser för mjukvaruutveckling, som att bygga, testa och distribuera kod. Du kan skapa händelsedrivna arbetsflöden som utlöses av specifika händelser, som när kod skickas till ett arkiv eller en pull-begäran skapas. När du implementerar MLOps kan du använda GitHub Actions för att automatisera olika stadier av ML-pipelinen, till exempel:
- Datavalidering och förbearbetning
- Modellutbildning och utvärdering
- Modellinstallation och övervakning
- CI/CD för ML-modeller
Med GitHub Actions kan du effektivisera dina ML-arbetsflöden och säkerställa att dina modeller konsekvent byggs, testas och distribueras, vilket leder till effektivare och pålitligare ML-distributioner.
I följande avsnitt börjar vi med att ställa in förutsättningarna för några av de komponenter som vi använder som en del av denna arkitektur:
- AWS molnformation - AWS molnformation initierar modelldistributionen och upprättar SageMaker-ändpunkterna efter att modelldistributionspipelinen har aktiverats genom godkännande av den tränade modellen.
- AWS CodeStar-anslutning - Vi använder AWS CodeStar att upprätta en länk till GitHub-förvaret och använda det som kodrepo-integration med AWS-resurser, som SageMaker Studio.
- Amazon EventBridge - Amazon EventBridge håller reda på alla ändringar av modellregistret. Den upprätthåller också en regel som uppmanar Lambda-funktionen att distribuera modellpipeline när statusen för modellpaketversionen ändras från
PendingManualApproval
tillApproved
i modellregistret. - AWS Lambda – Vi använder en AWS Lambda funktion för att initiera arbetsflödet för modelldistribution i GitHub Actions efter att en ny modell har registrerats i modellregistret.
- Amazon SageMaker – Vi konfigurerar följande SageMaker-komponenter:
- Rörledning - Den här komponenten består av en riktad acyklisk graf (DAG) som hjälper oss att bygga det automatiserade ML-arbetsflödet för stadierna av dataförberedelse, modellträning och modellutvärdering. Modellregistret upprätthåller register över modellversioner, deras tillhörande artefakter, härstamning och metadata. En modellpaketgrupp upprättas som innehåller alla relaterade modellversioner. Modellregistret ansvarar också för att hantera godkännandestatusen för modellversionen för efterföljande driftsättning.
- Slutpunkt – Den här komponenten ställer in två HTTPS-slutpunkter i realtid för slutledning. Värdkonfigurationen kan justeras, till exempel för batchtransform eller asynkron slutledning. Staging-slutpunkten genereras när modelldistributionspipelinen aktiveras genom godkännande av den tränade modellen från SageMaker Model Registry. Denna endpoint används för att validera den utplacerade modellen genom att säkerställa att den ger förutsägelser som uppfyller våra noggrannhetsstandarder. När modellen är förberedd för produktionsdistribution, distribueras en produktionsslutpunkt av ett manuellt godkännandesteg i GitHub Actions arbetsflöde.
- Repository code – Detta skapar ett Git-förråd som en resurs i ditt SageMaker-konto. Genom att använda befintliga data från GitHub-kodförrådet som du matar in under skapandet av ditt SageMaker-projekt, etableras en koppling till samma förråd i SageMaker när du initierar projektet. Detta utgör i huvudsak en länk med ett GitHub-förråd i SageMaker, vilket möjliggör interaktiva åtgärder (pull/push) med ditt förråd.
- Modellregister – Detta övervakar de olika versionerna av modellen och motsvarande artefakter, vilket inkluderar härstamning och metadata. En samling känd som en modellpaketgrupp skapas, inhyser relaterade versioner av modellen. Dessutom övervakar modellregistret godkännandestatusen för modellversionen och säkerställer att den är redo för efterföljande driftsättning.
- AWS Secrets Manager – För att säkert bevara din GitHub personliga åtkomsttoken är det nödvändigt att etablera en hemlighet i AWS Secrets Manager och rymma din åtkomsttoken i den.
- AWS servicekatalog - Vi använder AWS servicekatalog för implementering av SageMaker-projekt, som inkluderar komponenter som ett SageMaker-kodlager, Lambda-funktion, EventBridge-regel, artefakt S3-bucket, etc., allt implementerat via CloudFormation. Detta gör att din organisation kan använda projektmallar upprepade gånger, allokera projekt till varje användare och effektivisera verksamheten.
- Amazon S3 – Vi använder en Amazon enkel lagringstjänst (Amazon S3) hink för att behålla modellartefakter som produceras av rörledningen.
Förutsättningar
Du bör ha följande förutsättningar:
Du måste också slutföra ytterligare installationssteg innan du implementerar lösningen.
Konfigurera en AWS CodeStar-anslutning
Om du inte redan har en AWS CodeStar-anslutning till ditt GitHub-konto, se Skapa en anslutning till GitHub för instruktioner för att skapa en. Din AWS CodeStar-anslutning ARN kommer att se ut så här:
I detta exempel, aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
är det unika ID:t för denna anslutning. Vi använder detta ID när vi skapar vårt SageMaker-projekt senare i det här exemplet.
Konfigurera hemliga åtkomstnycklar för din GitHub-token
För att säkert lagra din GitHub personliga åtkomsttoken måste du skapa en hemlighet i Secrets Manager. Om du inte har en personlig åtkomsttoken för GitHub, se Hantera dina personliga åtkomsttokens för instruktioner för att skapa en.
Du kan skapa antingen en klassisk eller finkornig åtkomsttoken. Se dock till att token har tillgång till förvarets innehåll och åtgärder (arbetsflöden, körningar och artefakter).
Utför följande steg för att lagra din token i Secrets Manager:
- Välj på Secrets Manager-konsolen Lagra en ny hemlighet.
- Välja Annan typ av hemlighet för Välj hemlig typ.
- Ange ett namn för din hemlighet i Nyckel och lägg till din personliga åtkomsttoken till motsvarande Värde fält.
- Välja Nästa, ange ett namn för din hemlighet och välj Nästa igen.
- Välja HITTA BUTIK för att rädda din hemlighet.
Genom att lagra din GitHub personliga åtkomsttoken i Secrets Manager kan du säkert komma åt den inom din MLOps pipeline samtidigt som du säkerställer dess konfidentialitet.
Skapa en IAM-användare för GitHub Actions
För att tillåta GitHub Actions att distribuera SageMaker-slutpunkter i din AWS-miljö måste du skapa en AWS identitets- och åtkomsthantering (IAM) användare och ge den nödvändiga behörigheter. För instruktioner, se Skapa en IAM-användare i ditt AWS-konto. Använd iam/GithubActionsMLOpsExecutionPolicy.json
fil (tillhandahålls i kodprov) för att tillhandahålla tillräckliga behörigheter för denna användare att distribuera dina slutpunkter.
När du har skapat IAM-användaren, generera en åtkomstnyckel. Du kommer att använda denna nyckel, som består av både ett åtkomstnyckel-ID och en hemlig åtkomstnyckel, i det efterföljande steget när du konfigurerar dina GitHub-hemligheter.
Konfigurera ditt GitHub-konto
Följande är stegen för att förbereda ditt GitHub-konto för att köra detta exempel.
Klona GitHub-förvaret
Du kan återanvända en befintlig GitHub-repo för detta exempel. Det är dock enklare om du skapar ett nytt arkiv. Det här arkivet kommer att innehålla all källkod för både SageMaker pipeline-byggnationer och distributioner.
Kopiera innehållet i frökodkatalogen till roten av ditt GitHub-förråd. Till exempel .github
katalogen ska finnas under roten av ditt GitHub-förråd.
Skapa en GitHub-hemlighet som innehåller din IAM-användaråtkomstnyckel
I det här steget lagrar vi åtkomstnyckeldetaljerna för den nyskapade användaren i vår GitHub hemlighet.
- På GitHub-webbplatsen, navigera till ditt arkiv och välj Inställningar.
- Välj i säkerhetsavsnittet Hemligheter och variabler Och välj Handlingar.
- Välja Ny förvarshemlighet.
- För Namn , stiga på
AWS_ACCESS_KEY_ID
- För Secret, ange åtkomstnyckel-ID som är kopplat till IAM-användaren som du skapade tidigare.
- Välja Lägg till hemlighet.
- Upprepa samma procedur för
AWS_SECRET_ACCESS_KEY
Konfigurera dina GitHub-miljöer
För att skapa ett manuellt godkännandesteg i våra distributionspipelines använder vi en GitHub-miljö. Slutför följande steg:
- Navigera till Inställningar, Miljöer menyn i ditt GitHub-förråd och skapa en ny miljö som kallas produktion.
- För Miljöskyddsregler, Välj Krävs granskare.
- Lägg till önskade GitHub-användarnamn som granskare. För det här exemplet kan du välja ditt eget användarnamn.
Observera att miljöfunktionen inte är tillgänglig i vissa typer av GitHub-planer. För mer information, se Använda miljöer för distribution.
Installera Lambda-funktionen
I följande steg komprimerar vi lambda_function.py
till en .zip-fil, som sedan laddas upp till en S3-bucket.
Det relevanta kodexemplet för detta finns i det följande GitHub repo. Specifikt lambda_function.py
är beläget i den lambda_functions/lambda_github_workflow_trigger katalog.
Det rekommenderas att skapa en gaffel av kodprovet och klona det istället. Detta ger dig friheten att modifiera koden och experimentera med olika aspekter av provet.
- När du har fått en kopia av koden, navigera till lämplig katalog och använd
zip
kommando för att komprimeralambda_function.py
. Både Windows- och MacOS-användare kan använda sitt ursprungliga filhanteringssystem, File Explorer eller Finder, för att skapa en .zip-fil.
- Ladda upp
lambda-github-workflow-trigger.zip
till en S3 hink.
Den här hinken kommer senare att nås av Service Catalog. Du kan välja vilken hink som helst som du har tillgång till, så länge Service Catalog kan hämta data från den i efterföljande steg.
Från och med detta steg kräver vi att AWS CLI v2 installeras och konfigureras. Ett alternativ skulle vara att använda AWS CloudShell, som kommer med alla nödvändiga verktyg förinstallerade, vilket eliminerar behovet av ytterligare konfigurationer.
- För att ladda upp filen till S3-bucket, använd följande kommando:
Nu konstruerar vi ett lambdalager för beroenden relaterade till lambda_function
vi har precis laddat upp.
- Konfigurera en virtuell Python-miljö och installera beroenden:
- Skapa .zip-filen med följande kommandon:
- Publicera lagret till AWS:
Med detta lager publicerat kan alla dina Lambda-funktioner nu referera till det för att möta deras beroenden. För en mer detaljerad förståelse av Lambda-lager, se Arbeta med lambdalager.
Skapa en anpassad projektmall i SageMaker
Efter att ha slutfört alla ovanstående steg har vi alla CI/CD-pipelineresurser och komponenter. Därefter visar vi hur vi kan göra dessa resurser tillgängliga som ett anpassat projekt inom SageMaker Studio tillgängliga via ett klick-distribution.
Som diskuterats tidigare, när de SageMaker-försedda mallarna inte uppfyller dina behov (till exempel vill du ha mer komplex orkestrering i CodePipeline med flera steg, anpassade godkännandesteg eller att integrera med ett tredjepartsverktyg som GitHub och GitHub-åtgärder som visas i det här inlägget), kan du skapa dina egna mallar. Vi rekommenderar att du börjar med de SageMaker-försedda mallarna för att förstå hur du organiserar din kod och resurser och bygger på det. För mer information, se Skapa anpassade projektmallar.
Observera att du också kan automatisera detta steg och istället använda CloudFormation för att distribuera Service Catalog-portföljen och produkten via kod. Men i det här inlägget, för en större inlärningsupplevelse, visar vi dig konsolinstallationen.
I det här skedet använder vi den medföljande CloudFormation-mallen för att skapa en Service Catalog-portfölj som hjälper oss att skapa anpassade projekt i SageMaker.
Du kan skapa en ny domän eller återanvända din SageMaker-domän för följande steg. Om du inte har en domän, se Ombord på Amazon SageMaker Domain med snabbinställning för installationsinstruktioner.
När du har aktiverat administratörsåtkomst till SageMaker-mallarna, slutför du följande steg:
- På Service Catalog-konsolen, under Administration välj i navigeringsfönstret Portföljer.
- Välja Skapa en ny portfölj.
- Namnge portföljen "SageMaker Organization Templates".
- ladda ner mall.yml filen till din dator.
Denna Cloud Formation-mall tillhandahåller alla CI/CD-resurser vi behöver som konfiguration och infrastruktur som kod. Du kan studera mallen mer detaljerat för att se vilka resurser som används som en del av den. Denna mall har anpassats för att integreras med GitHub och GitHub Actions.
- I
template.yml
fil, ändraS3Bucket
värde till din bucket där du har laddat upp Lambda .zip-filen:
- Välj den nya portföljen.
- Välja Ladda upp en ny produkt.
- För Produktnamn¸ ange ett namn för din mall. Vi använder namnet
build-deploy-github
. - För Beskrivning, ange en beskrivning.
- För Ägare, ange ditt namn.
- Enligt Version detaljer, För Metodväljer Använd en mallfil.
- Välja Ladda upp en mall.
- Ladda upp mallen du laddade ner.
- För Versionstitelväljer 1.0.
- Välja översyn.
- Granska dina inställningar och välj Skapa produkt.
- Välja refresh för att lista den nya produkten.
- Välj den produkt du just skapat.
- På Tags fliken, lägg till följande tagg i produkten:
- Nyckel =
sagemaker:studio-visibility
- Värde =
true
- Nyckel =
Tillbaka i portföljinformationen bör du se något som liknar följande skärmdump (med olika ID).
- På begränsningar fliken, välj Skapa begränsning.
- För Produktväljer
build-deploy-github
(produkten du just skapade). - För Begränsning typ, välj Starta.
- Enligt Startbegränsning, För Metodväljer Välj IAM-roll.
- Välja
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Välja Skapa.
- På Grupper, roller och användare fliken, välj Lägg till grupper, roller, användare.
- På roller fliken väljer du rollen du använde när du konfigurerade din SageMaker Studio-domän. Det är här SageMaker-domänrollen kan hittas.
- Välja Lägg till åtkomst.
Distribuera projektet från SageMaker Studio
I de föregående avsnitten förberedde du den anpassade MLOps-projektmiljön. Låt oss nu skapa ett projekt med den här mallen:
- På SageMaker-konsolen, navigera till domänen som du vill skapa det här projektet.
- På Starta meny, välj Studio.
Du kommer att omdirigeras till SageMaker Studio-miljön.
- I SageMaker Studio, i navigeringsfönstret under implementeringarväljer Projekt.
- Välja Skapa projekt.
- Högst upp i listan över mallar väljer du Organisationsmallar.
Om du har gått igenom alla tidigare steg framgångsrikt bör du kunna se en ny anpassad projektmall med namnet Build-Deploy-GitHub
.
- Välj den mallen och välj Välj Projektmall.
- Ange en valfri beskrivning.
- För GitHub Repository Ägarnamn, ange ägaren till ditt GitHub-förråd. Till exempel, om ditt förråd är på
https://github.com/pooyavahidi/my-repo
, skulle ägaren varapooyavahidi
. - För GitHub Repository Name, ange namnet på arkivet som du kopierade frökoden till. Det skulle bara vara namnet på repet. Till exempel i
https://github.com/pooyavahidi/my-repo
, är repanmy-repo
. - För Unikt ID för kodstjärnanslutning, ange det unika ID:t för AWS CodeStar-anslutningen som du skapade.
- För Namnet på hemligheten i Secrets Manager som lagrar GitHub-token, ange namnet på hemligheten i Secrets Manager där du skapade och lagrade GitHub-tokenen.
- För GitHub arbetsflödesfil för distribution, ange namnet på GitHub-arbetsflödesfilen (at
.github/workflows/deploy.yml
) där du har installationsinstruktionerna. För det här exemplet kan du behålla det som standard, vilket ärdeploy.yml
. - Välja Skapa projekt.
- När du har skapat ditt projekt, se till att du uppdaterar
AWS_REGION
ochSAGEMAKER_PROJECT_NAME
miljövariabler i dina GitHub-arbetsflödesfiler i enlighet därmed. Arbetsflödesfiler finns i ditt GitHub-repo (kopierat från frökoden), inuti.github/workflows
katalog. Se till att du uppdaterar bådabuild.yml
ochdeploy.yml
filer.
Nu är din miljö redo att gå! Du kan köra pipelines direkt, göra ändringar och skjuta dessa ändringar till ditt GitHub-förråd för att trigga den automatiska byggpipelinen och se hur alla steg för att bygga och distribuera är automatiserade.
Städa upp
Utför följande steg för att rensa resurserna:
- Ta bort CloudFormation-stackarna som används för SageMaker-projektet och SageMaker-slutpunkter.
- Ta bort SageMaker-domänen.
- Ta bort tjänstekatalogresurserna.
- Ta bort AWS CodeStar-anslutningslänken med GitHub-förvaret.
- Ta bort IAM-användaren som du skapade för GitHub Actions.
- Ta bort hemligheten i Secrets Manager som lagrar GitHubs personliga åtkomstdetaljer.
Sammanfattning
I det här inlägget gick vi igenom processen att använda en anpassad SageMaker MLOps-projektmall för att automatiskt konstruera och organisera en CI/CD-pipeline. Denna pipeline integrerar effektivt dina befintliga CI/CD-mekanismer med SageMaker-funktioner för datamanipulation, modellträning, modellgodkännande och modelldistribution. I vårt scenario fokuserade vi på att integrera GitHub Actions med SageMaker-projekt och pipelines. För en omfattande förståelse av implementeringsdetaljerna, besök GitHub repository. Experimentera gärna med detta och tveka inte att lämna några frågor du kan ha i kommentarsfältet.
Om författarna
Dr Romina Sharifpour är senior maskininlärnings- och artificiell intelligenslösningsarkitekt på Amazon Web Services (AWS). Hon har tillbringat över 10 år med att leda designen och implementeringen av innovativa helhetslösningar som möjliggörs av framsteg inom ML och AI. Rominas intresseområden är naturlig språkbehandling, stora språkmodeller och MLOps.
Pooya Vahidi är Senior Solutions Architect på AWS, passionerad för datavetenskap, artificiell intelligens och molnberäkning. Som en AI-proffs är han en aktiv medlem av AWS AI/ML Area-of-Depth-teamet. Med en bakgrund som sträcker sig över två decennier av expertis i att leda arkitekturen och konstruktionen av storskaliga lösningar, hjälper han kunder på deras transformativa resor genom moln och AI/ML-teknik.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- : har
- :är
- :inte
- :var
- $UPP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Able
- Om Oss
- ovan
- accelerera
- tillgång
- Accessed
- tillgänglig
- i enlighet med detta
- Konto
- noggrannhet
- Uppnå
- tvärs
- åtgärder
- aktiv
- acyklisk
- lägga till
- Annat
- justerat
- anta
- framsteg
- Efter
- igen
- AI
- AI / ML
- Alla
- fördela
- tillåter
- tillåter
- redan
- också
- alternativ
- amason
- Amazon SageMaker
- Amazon SageMaker-rörledningar
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- och
- och infrastruktur
- vilken som helst
- lämpligt
- godkännande
- arkitektur
- ÄR
- områden
- konstgjord
- artificiell intelligens
- AS
- aspekter
- associerad
- Förening
- At
- automatisera
- Automatiserad
- automatiskt
- automatisera
- Automation
- tillgänglig
- AWS
- bakgrund
- bas
- BE
- varit
- innan
- båda
- SLUTRESULTAT
- Byggnad
- bygger
- byggt
- inbyggd
- by
- kallas
- KAN
- kapacitet
- katalog
- CD
- centraliserad
- byta
- Förändringar
- Välja
- klassiska
- rena
- klick
- cloud
- cloud computing
- koda
- kodbas
- samarbeta
- samverkan
- samling
- kommer
- kommentarer
- fullborda
- fullbordan
- komplex
- komponent
- komponenter
- omfattande
- dator
- Datavetenskap
- databehandling
- konfidentialitet
- konfiguration
- konfigurerad
- konfigurering
- anslutning
- med tanke på
- konsekvent
- består
- Konsol
- konstruera
- innehålla
- innehåll
- kontinuerlig
- kontroll
- Motsvarande
- skapa
- skapas
- skapar
- Skapa
- skapande
- beställnings
- Kunder
- kundanpassad
- DAG
- datum
- Förberedelse av data
- datavetenskap
- årtionden
- Standard
- leverera
- leverans
- gräva
- krav
- demonstrera
- demonstreras
- beroenden
- distribuera
- utplacerade
- utplacera
- utplacering
- distributioner
- beskrivning
- Designa
- önskas
- detalj
- detaljerad
- detaljer
- Utveckling
- olika
- riktad
- direkt
- diskuteras
- do
- domän
- inte
- under
- varje
- Tidigare
- lättare
- ekosystemet
- Effektiv
- effektivt
- effektiv
- effektivt
- antingen
- element
- eliminera
- möjliggöra
- aktiverad
- möjliggör
- möjliggör
- början till slut
- Slutpunkt
- Teknik
- Ingenjörer
- säkerställa
- säkerställer
- säkerställa
- ange
- Företag
- Hela
- Miljö
- miljöer
- väsentligen
- etablera
- etablerade
- upprättar
- etablering
- etc
- utvärdering
- händelser
- exempel
- befintliga
- erfarenhet
- experimentera
- expertis
- explorer
- underlättande
- Leverans
- Funktioner
- känna
- fält
- Fil
- Filer
- Finder
- Fokus
- fokuserade
- efter
- För
- gaffel
- bildning
- former
- hittade
- Fri
- Frihet
- från
- fungera
- funktioner
- generera
- genereras
- skaffa sig
- gå
- GitHub
- Ge
- kommer
- borta
- bevilja
- diagram
- större
- Grupp
- Gruppens
- Har
- he
- tung
- tunga lyft
- hjälper
- värd
- Huset
- hus
- bostäder
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- ID
- Identitet
- ids
- if
- genomförande
- genomföras
- genomföra
- in
- innefattar
- innefattar
- Inklusive
- informationen
- Infrastruktur
- initiera
- initierar
- innovativa
- ingång
- inuti
- installera
- installerad
- exempel
- istället
- instruktioner
- integrera
- integrerar
- Integrera
- integrering
- Intelligens
- interaktiva
- intresse
- in
- Introducerar
- isolering
- IT
- DESS
- Journeys
- jpg
- json
- bara
- Ha kvar
- håller
- Nyckel
- nycklar
- känd
- språk
- Large
- storskalig
- senare
- lansera
- lager
- skikt
- ledande
- inlärning
- Lämna
- livscykel
- lyft
- tycka om
- härstamning
- LINK
- Lista
- belägen
- läge
- Lång
- se
- ser ut som
- Maskinen
- maskininlärning
- Mac OS
- upprätthåller
- underhåll
- göra
- hantera
- förvaltade
- ledning
- chef
- hantera
- Manipulation
- manuell
- många
- mekanismer
- Möt
- medlem
- Medlemmar
- Meny
- metadata
- kanske
- MIT
- ML
- MLOps
- modell
- modeller
- modifieringar
- modifiera
- övervakning
- monitorer
- mer
- mer effektiv
- Dessutom
- multipel
- måste
- namn
- Som heter
- namn
- nativ
- Natural
- Naturlig språkbehandling
- Navigera
- Navigering
- nödvändigt för
- nödvändiggör
- Behöver
- behov
- Nya
- ny produkt
- nytt
- Nästa
- nu
- få
- of
- erbjuda
- on
- ONE
- framåt
- driva
- Verksamhet
- or
- orkestrering
- organisation
- organisationer
- Övriga
- vår
- över
- Översikt
- egen
- ägaren
- paket
- panelen
- paritet
- del
- parti
- brinner
- behörigheter
- personlig
- rörledning
- planer
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- portfölj
- Inlägg
- den mäktigaste
- praxis
- Förutsägelser
- beredning
- Förbered
- beredd
- förutsättningar
- föregående
- förfaranden
- process
- processer
- bearbetning
- producerad
- Produkt
- Produktion
- professionell
- projektet
- projekt
- prompter
- skydd
- ge
- förutsatt
- ger
- publicerade
- Tryck
- sköt
- Python
- sökfrågor
- Snabbt
- Beredskap
- redo
- realtid
- rekommenderar
- rekommenderas
- register
- hänvisa
- referens
- reflektera
- registrerat
- Registrering
- register
- relaterad
- relevanta
- pålitlig
- ta bort
- UPPREPAT
- Repository
- begära
- kräver
- Krav
- forskning
- resurs
- Resurser
- respektive
- ansvarig
- resulterande
- återanvända
- höger
- robusta
- Roll
- roller
- rot
- Regel
- Körning
- kör
- sagemaker
- SageMaker-rörledningar
- Samma
- Save
- skalbarhet
- skalning
- scenario
- scenarier
- Vetenskap
- vetenskapsmän
- Secret
- hemligheter
- §
- sektioner
- säkert
- säkerhet
- se
- frö
- välj
- senior
- serverar
- service
- Tjänster
- uppsättningar
- inställning
- inställningar
- inställning
- flera
- hon
- skall
- show
- liknande
- Enkelt
- förenklade
- förenkla
- Mjukvara
- mjukvaruutveckling
- lösning
- Lösningar
- några
- något
- Källa
- källkod
- spänning
- specifik
- specifikt
- spent
- Stacks
- Personal
- Etapp
- stadier
- staging
- standarder
- starta
- Starta
- status
- Steg
- Steg
- förvaring
- lagra
- lagras
- lagrar
- misslyckande
- okomplicerad
- effektivisera
- rationalisering
- studio
- Läsa på
- senare
- Framgångsrikt
- sådana
- tillräcklig
- svit
- säker
- system
- System
- MÄRKA
- grupp
- Gruppmedlemmar
- lag
- Tekniken
- mall
- mallar
- testade
- Testning
- den där
- Smakämnen
- källan
- deras
- sedan
- därför
- Dessa
- de
- Tredje
- tredje part
- detta
- de
- Genom
- hela
- till
- tillsammans
- token
- verktyg
- verktyg
- topp
- spår
- Spårning
- tränad
- Utbildning
- Förvandla
- transformativ
- utlösa
- triggas
- två
- Typ
- typer
- under
- förstå
- förståelse
- unika
- Uppdatering
- uppladdad
- på
- us
- användning
- Begagnade
- Användare
- användare
- med hjälp av
- utnyttja
- utnyttjas
- BEKRÄFTA
- godkännande
- värde
- olika
- version
- versioner
- via
- Virtuell
- Besök
- promenerade
- vill
- we
- webb
- webbservice
- Webb-baserad
- Webbplats
- Vad
- när
- som
- medan
- kommer
- fönster
- med
- inom
- Arbete
- jobba tillsammans
- arbetsflöde
- arbetsflöden
- skulle
- år
- Om er
- Din
- zephyrnet
- Postnummer