När du har byggt, tränat och utvärderat din maskininlärningsmodell (ML) för att säkerställa att den löser det föreslagna affärsproblemet, vill du implementera den modellen för att möjliggöra beslutsfattande i affärsverksamheten. Modeller som stöder affärskritiska funktioner distribueras till en produktionsmiljö där en strategi för modellsläpp är på plats. Med tanke på ML-modellernas karaktär, där data ständigt förändras, vill man också säkerställa att en utplacerad modell fortfarande är relevant för ny data och att modellen uppdateras när så inte är fallet. Detta inkluderar att välja en implementeringsstrategi som minimerar risker och driftstopp. Denna optimala distributionsstrategi bör bibehålla hög tillgänglighet för modellen, ta hänsyn till affärskostnaden för att distribuera en sämre modell än vad som redan är i produktion, och innehålla funktionalitet för att enkelt återgå till en tidigare modellversion. Många av dessa rekommenderade överväganden och distributionsmönster täcks också av AWS Well Architected Framework – Machine Learning Lens.
Förutom att välja rätt distributionsstrategi bör den strategin implementeras med hjälp av en pålitlig mekanism som inkluderar MLOps-praxis. MLOps inkluderar praxis som integrerar ML-arbetsbelastningar i releasehantering, CI/CD och drift, och tar hänsyn till de unika aspekterna av ML-projekt, inklusive överväganden för implementering och övervakning av modeller. Amazon SageMaker för MLOps tillhandahåller specialbyggda verktyg för att automatisera och standardisera steg över MLs livscykel, inklusive möjligheter att distribuera och hantera nya modeller med hjälp av avancerade distributionsmönster.
I det här inlägget diskuterar vi hur man distribuerar ML-modeller med Amazon SageMaker på ett repeterbart och automatiserat sätt, integrera produktionsvarianter och utbyggnadsskyddsräcken möjligheter hos SageMaker med MLOps-lösningar. Vi ger dig en introduktion av hur du integrerar SageMakers MLOps-verktyg med SageMaker-modellimplementeringsmönster, med fokus på enmodellslutpunkter i realtid.
Lösningsöversikt
Vi utforskar följande modelltestning och skyddsräcksmönster och deras integration med SageMaker MLOps-verktyg:
- Modelltestning – Vi jämför olika modellversioner i produktion innan vi byter ut den nuvarande modellversionen. Det här inlägget jämför följande modelltestfunktioner:
- A / B-testning – Med A/B-testning jämför du olika versioner av din modell i produktion genom att fördela slutpunktstrafiken mellan dina modellvarianter. A/B-testning används i scenarier där återkoppling med sluten slinga direkt kan koppla modellutdata till nedströms affärsmått. Denna feedback används sedan för att bestämma den statistiska signifikansen av att byta från en modell till en annan, vilket hjälper dig att välja den bästa modellen genom live-produktionstester.
- Skuggtester – Med skuggtester testar du en ny version av din modell i produktion genom att skicka förfrågningar till produktionsmodellen och den nya modellen parallellt. Förutsägelsesvarsdata från produktionsmodellen serveras till applikationen, medan de nya modellversionsförutsägelserna lagras för testning men inte till produktionsapplikationen. Skuggtestning används i situationer där det inte finns någon återkoppling med sluten slinga som kartlägger ett affärsmått tillbaka till en modells förutsägelser. I det här scenariot använder du modellkvalitet och driftsmått för att jämföra flera modeller istället för någon påverkan på nedströms affärsmått.
- Växlande trafik – När du har testat den nya versionen av modellen och är nöjd med dess prestanda är nästa steg att flytta trafik från den nuvarande modellen till den nya. De blå/gröna skyddsräcken i SageMaker kan du enkelt byta från den nuvarande modellen i produktion (blå flotta) till en ny (grön flotta) på ett kontrollerat sätt. Blå/gröna distributioner undviker driftstopp under uppdateringarna av din modell, som vad du skulle ha i ett installationsscenario på plats. För att maximera modelltillgängligheten, när detta skrivs, är blå/gröna distributioner standardalternativet för modelluppdateringar i SageMaker. Vi diskuterar följande trafikväxlingsmetoder i det här inlägget:
- Trafiken skiftar på en gång – 100 % av din slutpunktstrafik flyttas från din blå flotta till din gröna flotta efter att den gröna flottan blir tillgänglig. Vi använder larm in amazoncloudwatch som övervakar din gröna flotta under en viss tid (den bakningsperiod) och om inget larm utlöses, raderas den blå flottan av SageMaker efter bakningsperioden.
- Kanarietrafik skiftar – Din gröna flotta exponeras först för en mindre del av din trafik (a kanariefågel) och valideras för eventuella problem med CloudWatch-larm under en bakningsperiod medan den blå flottan fortsätter att ta emot det mesta av slutpunktstrafiken. Efter att den gröna flottan har validerats flyttas all trafik till den nya flottan och den blå flottan raderas sedan av SageMaker.
- Blå/grön linjär trafikförskjutning skyddsräcke – Du flyttar gradvis trafiken från din blå flotta till din gröna flotta i en stegvis inflygning. Din modell övervakas sedan med CloudWatch-larm under en bakningsperiod i varje steg innan den blå flottan är helt utbytt.
Det här inlägget fokuserar på att beskriva arkitekturer som använder SageMaker MLOps-funktioner för att utföra kontrollerade distributioner av modeller via utbyggnadsräcken och modelleringsteststrategier som vi har listat. För allmän information om dessa mönster, se Dra fördel av avancerade distributionsstrategier med hjälp av Amazon SageMaker-skyddsräcken och Utsättningsskyddsräcken.
Distribuera en modell med SageMaker
SageMaker erbjuder ett brett utbud av distributionsalternativ som varierar från låg latens och hög genomströmning till långvariga slutledningsjobb. Dessa alternativ inkluderar överväganden för batch, realtid eller nästan realtids slutledning. Varje alternativ erbjuder olika avancerade funktioner, såsom möjligheten att köra flera modeller på en enda slutpunkt. Men som tidigare nämnts, för det här inlägget, täcker vi endast MLOps-distributionsmönster med en enda modellslutpunkter. För att dyka längre in i mer avancerade SageMaker-distributionsfunktioner för realtidsinferens, se Modellvärdsmönster i Amazon SageMaker, del 2: Komma igång med att distribuera realtidsmodeller på SageMaker.
För att förstå implementeringen av avancerade distributionsmönster med användning av kontinuerlig leverans (CD) pipelines, låt oss först diskutera ett nyckelkoncept inom SageMaker som heter modellvarianter.
SageMaker modellvarianter
Med modellvarianter kan du distribuera flera versioner av din modell till samma slutpunkt för att testa din modell. Modellvarianter distribueras till separata instanser, så det finns ingen påverkan på andra varianter när en uppdateras. I SageMaker implementeras modellvarianter som produktions- och skuggvarianter.
Produktionsvarianter låter dig A/B-testa flera versioner av din modell för att jämföra deras prestanda. I det här scenariot returnerar alla versioner av din modell svar på modellförfrågningarna. Din slutpunktstrafik fördelas mellan de befintliga varianterna antingen genom trafikfördelning, där du tilldelar en vikt för varje variant, eller efter målvariant, där en viss parameter (till exempel Region eller marknad) avgör vilken modell som ska anropas.
Skuggvarianter låter dig skuggtesta en ny version av din modell. I det här scenariot har din modell en produktionsvariant och en skuggvariant utplacerade parallellt med samma slutpunkt. Skuggvarianten tar emot den fullständiga (eller samplade) datatrafiken från din slutpunkt. Det är dock bara prognoserna för produktionsvarianterna som skickas tillbaka till användarna av din applikation, och prognoserna från skuggvarianterna loggas för analys. Eftersom skuggvarianter lanseras på separata instanser från produktionsvarianten, är det ingen prestandapåverkan på din produktionsvariant i det här testet. Med det här alternativet testar du den nya modellen och minimerar riskerna med en lågpresterande modell, och du kan jämföra båda modellernas prestanda med samma data.
SageMaker utbyggnadsskyddsräcken
Skyddsräcken är en viktig del av mjukvaruutveckling. De skyddar din applikation och minimerar risken för distribution av en ny version av din applikation. På samma sätt låter SageMaker utbyggnadsskyddsräcken dig växla från en modellversion till en annan på ett kontrollerat sätt. Från och med december 2022 tillhandahåller SageMaker skyddsräcken implementering för blå/grön, kanariefågel och linjär trafikförskjutning. I kombination med modellvarianter kan utbyggnadsräcken appliceras både på produktions- och skuggvarianter av din modell, vilket säkerställer ingen stilleståndstid under uppdateringen av en ny variant, med trafikväxlingen styrd enligt det valda alternativet.
MLOps grunder för modelldistribution
I det bredare sammanhanget för ett ML-modellbyggande och implementering av arbetsflöde, vill vi använda CI/CD-praxis som är specialbyggda för ML-arbetsflödet. I likhet med traditionella CI/CD-system vill vi automatisera mjukvarutester, integrationstestning och produktionsinstallationer. Men vi måste också inkludera specifika operationer kring ML-livscykeln som inte finns i den traditionella mjukvaruutvecklingslivscykeln, såsom modellträning, modellexperiment, modelltestning och modellövervakning.
För att uppnå dessa ML-specifika förmågor läggs MLOps-grunder som automatiserad modelltestning, skyddsräcken för driftsättning, flerkontoutrullningar och automatiserad modellåterställning till i modellimplementeringsprocessen. Detta säkerställer att de redan beskrivna funktionerna tillåter modelltestning och undviker stillestånd under processen för en modelluppdatering. Det ger också den tillförlitlighet och spårbarhet som krävs för ständig förbättring av en produktionsklar modell. Dessutom säkerställer funktioner som möjligheten att paketera befintliga lösningar till återanvändbara mallar och distribuera modeller i en multi-account setup skalbarheten av modellimplementeringsmönstren som diskuteras i inlägget till flera modeller i en organisation.
Följande figur visar ett vanligt mönster för anslutning av SageMaker-funktioner för att skapa en heltäckande modellbyggande och distributionspipeline. I det här exemplet utvecklas en modell i SageMaker med hjälp av SageMaker Processing kontaktinformation förvaltning att köra databehandlingskod som används för att förbereda data för en ML-algoritm. SageMaker Training jobb används sedan för att träna en ML-modell på data som produceras av bearbetningsjobbet. Modellartefakterna och tillhörande metadata lagras i SageMaker modellregister som det sista steget i utbildningsprocessen. Detta är orkestrerat av SageMaker-rörledningar, som är en specialbyggd CI/CD-tjänst för ML som hjälper till att automatisera och hantera ML-arbetsflöden i stor skala.
Efter att modellen har godkänts testas den i produktion med antingen en A/B-testning eller en skuggutbyggnad. Efter att modellen har validerats i produktionen använder vi modellregistret för att godkänna modellen för produktionsutrullning till en SageMaker-slutpunkt med hjälp av ett av alternativen för utbyggnadsräcke.
När modelluppdateringsprocessen är klar, SageMaker modellmonitor övervakar kontinuerligt modellens prestanda för avvikelser i modellen och datakvalitet. Denna process är automatiserad till flera användningsfall med hjälp av SageMaker-projektet mallar som kartlägger infrastrukturinstallationen till en multikontoinställning för att säkerställa fullständig resursisolering och enklare kostnadskontroll.
Endpoint-implementeringsmönster för en enda modell
När du distribuerar modeller till en produktionsmiljö för första gången har du inte en modell igång att jämföra med, och den distribuerade modellen kommer att vara den som används av din affärsapplikation. Efter att modellen har distribuerats och övervakats i en produktionsmiljö, kanske du vill uppdatera modellen, antingen regelbundet eller på begäran, när ny data finns tillgänglig eller när din modell har upptäckt ett prestandagap. När du uppdaterar en befintlig modell vill du säkerställa att den nya modellen presterar bättre än den nuvarande och kan hantera trafiken för förutsägelseförfrågan från dina affärsapplikationer. Under denna valideringsperiod vill du att den nuvarande modellen fortfarande ska vara tillgänglig för en eventuell återställning för att minimera risken för driftstopp för dina applikationer.
I en bredare modellutvecklingsbild tränas modeller vanligtvis i ett datavetenskapligt utvecklingskonto. Detta inkluderar experimenteringsarbetsflöden som ofta används i utvecklingen av modeller samt omskolningsarbetsflöden som används i produktionsfärdiga pipelines. All metadata för dessa experiment kan spåras med hjälp av Amazon SageMaker-experiment under utvecklingen. Efter att arbetsflödet har införlivats i en pipeline för produktionsanvändning spåras metadata automatiskt genom SageMaker Pipelines. För att hålla reda på livskraftiga produktionsmodeller på ett ställe, efter att experiment har fört en modells prestandamått (precision, återkallande och så vidare) till en acceptabel nivå för produktion, tillståndssteg i SageMaker pipeline tillåter modellen att registreras i modellregistret.
Modellregistret låter dig utlösa implementeringen av denna modell med en manuell eller automatiserad godkännandeprocess. Denna distribution sker i ett ML-testkonto där drifttester som integrationstester, enhetstester, modelllatens och eventuell ytterligare modellvalidering kan utföras mot den nya modellversionen. Observera att A/B-testning och skuggtestning inte utförs i ML-testkontot, utan snarare i ML-produktionskontot.
När modellen har klarat alla valideringar i testkontot är den redo att distribueras till en produktionsmiljö. En ny godkännandeprocess utlöser denna distribution, och SageMakers skyddsräcken för utbyggnad möjliggör en kontrollerad frisättning och transparent modelluppdateringsprocess enligt det valda trafikväxlingsläget.
Följande diagram illustrerar denna lösningsarkitektur.
Trafiken skiftar på en gång
Smakämnen trafikväxlingsläge på en gång låter dig uppdatera en ny modellversion (grön flotta) genom att helt flytta 100 % av trafiken från din nuvarande modell (blå flotta) till din nya modell. Med det här alternativet kan du konfigurera en bakningsperiod under vilken båda versionerna av din modell fortfarande körs, och du kan snabbt och automatiskt rulla tillbaka till den nuvarande versionen om din nya modell inte fungerar som förväntat. Nackdelen med det här alternativet är att all din datatrafik påverkas på en gång, så om det finns ett problem med din modellimplementering påverkas alla användare som använder applikationen under implementeringsprocessen. Följande arkitektur visar hur alternativet för att flytta trafik på en gång hanterar modelluppdateringar.
Trafikförskjutning på en gång kan införlivas i ditt MLOps-verktyg genom att definiera en slutpunktsinstallationskonfiguration med BlueGreenUpdatePolicy satt till ALL_AT_ONCE
. I din MLOps-pipeline, efter att en ny modell har godkänts för distribution till ML-produktionskontot, kontrollerar SageMaker om din modelländpunkt redan finns. Om så är fallet ALL_AT_ONCE
konfigurationen utlöser en slutpunktsuppdatering som följer arkitekturen. Din slutpunktsåterställning styrs utifrån CloudWatch-larm definieras av din slutpunkt AutoRollbackConfiguration
, som när den utlöses automatiskt startar modellåterställningen till din nuvarande modellversion.
Kanarietrafik skiftar
Smakämnen kanariefågeltrafiken skiftar läget låter dig testa din nya modell (grön flotta) med en liten del av datatrafiken innan du antingen uppdaterar den pågående modellen (blå flottan) till den nya versionen eller återställer den nya versionen, beroende på resultatet av kanariefågetestet. Den del av trafiken som används för att testa den nya modellen kallas kanariefågel, och i det här alternativet minimeras din risk för en problematisk ny modell till kanariefågeltrafiken medan uppdateringstiden fortfarande är minimerad.
Canary-distributioner gör att du kan minimera risken för att implementera en ny modellversion genom att exponera den nya modellversionen för en mindre grupp användare för att övervaka effektiviteten över en tidsperiod. Nackdelen är att hantera flera versioner under en tidsperiod som gör det möjligt att samla in prestandamått som är meningsfulla nog för att avgöra prestandaeffekten. Fördelen är möjligheten att isolera risk för en mindre grupp användare.
Kanariefågeltrafik kan införlivas i ditt MLOps-verktyg genom att definiera en slutpunktsinstallationskonfiguration med en BlueGreenUpdatePolicy satt till CANARY
och definiera CanarySize
för att avgöra hur mycket av din slutpunktstrafik som ska omdirigeras till en ny modellversion. På samma sätt som alternativet allt på en gång, i din MLOps-pipeline, efter att en ny modell har godkänts för distribution till ML-produktionskontot, kontrollerar SageMaker om din modelländpunkt redan finns. Om så är fallet CANARY
konfigurationen utlöser en slutpunktsuppdatering som följer arkitekturen som beskrivs i följande diagram. Din slutpunktsåterställning styrs baserat på CloudWatch-larm som definieras av din slutpunkt AutoRollbackConfiguration
att när den utlöses automatiskt startar modellen tillbaka till din nuvarande modellversion. Användbara larmtyper att distribuera här är 500 statuskoder och modellfördröjning; dessa larminställningar bör dock anpassas till ditt specifika affärsanvändningsfall och ML-teknik.
Linjär trafikförskjutning
I linjär trafikförskjutning modell ändrar du gradvis trafiken från din nuvarande modell (blå flotta) till din nya modellversion (grön flotta) genom att öka datatrafiken som skickas till den nya modellen i steg. På så sätt ökar andelen trafik som används för att testa din nya modellversion gradvis för varje steg, och en bakningstid för varje steg säkerställer att din modell fortfarande är i drift med den nya trafiken. Med det här alternativet minimerar du risken för att implementera en lågpresterande modell och gradvis exponerar den nya modellen för mer datatrafik. Nackdelen med detta tillvägagångssätt är att din uppdateringstid är längre och kostnaderna för att köra båda modellerna parallellt ökar.
Linjär trafikförskjutning kan införlivas i ditt MLOps-verktyg genom att definiera en slutpunktsinstallationskonfiguration med BlueGreenUpdatePolicy inställd på LINEAR
och definiera LinearStepSize
för att avgöra hur mycket av din trafik som ska omdirigeras till en ny modell i varje steg. På samma sätt som alternativet allt på en gång, i din MLOps-pipeline, efter att en ny modell har godkänts för distribution till ML-produktionskontot, kontrollerar SageMaker om din modelländpunkt redan finns. Om så är fallet LINEAR
konfigurationen utlöser en slutpunktsuppdatering som följer den arkitektur som anges i följande diagram. Din slutpunktsåterställning styrs baserat på CloudWatch-larm som definieras av din slutpunkt AutoRollbackConfiguration
att när den utlöses automatiskt startar modellen tillbaka till din nuvarande modellversion.
Utbyggnadsmönster med modellproduktionsvarianter
Oberoende av det distributionsmönster som du valde för din applikation, kan du också använda produktionsvarianter för att validera din modellprestanda innan du uppdaterar din slutpunkt eller implementera ytterligare distributionsmönster som skuggdistributioner. I det här fallet vill du lägga till en manuell eller automatiserad process för att välja den bästa modellen som ska distribueras innan du uppdaterar din slutpunkt. Följande arkitektur visar hur din ändpunktstrafik och din respons beter sig i ett skuggdistributionsscenario. I det här scenariot skickas varje förutsägelseförfrågan till både den nya och den distribuerade modellen; dock betjänar endast den för närvarande utrullade modellen förutsägelsesvaret till affärsapplikationen, medan förutsägelsen från den nya modellen behålls endast för analys av prestanda mot den för närvarande utplacerade modellen. Efter att modellens prestanda har utvärderats kan den nya modellversionen distribueras för att betjäna förutsägelsesvarstrafik till affärsapplikationer.
rollback
Oberoende av distributionsstrategin som du valde för din modelldistribution, vill du kunna återgå till den tidigare modellversionen om din nya modellprestanda är lägre än din nuvarande modellprestanda. För att göra det samtidigt som du minimerar stilleståndstiden för din applikation, måste du hålla din nuvarande modell igång parallellt med den nya tills du är säker på att din nya modell presterar bättre än den nuvarande.
Med SageMakers skyddsräcken kan du ställa in larm och automatiskt rulla tillbaka till tidigare modellversioner under modellvalideringsperioden. Efter att valideringsperioden är över kan du fortfarande behöva återgå till en tidigare modellversion för att lösa ett nytt problem som upptäcks efter att modelluppdateringen är klar. För att göra det kan du dra nytta av SageMaker-modellregistret till avvisa och godkända modeller och utlösa a återställningsprocessen.
Slutsats
I det här inlägget lärde du dig hur du kombinerar SageMaker-ändpunktsmodellvarianter och utbyggnadsskydd med MLOps-funktioner för att skapa mönster från slut till ände för modellutveckling. Vi tillhandahöll ett exempel på implementering av skyddsräcken för kanariefågel och linjärt skiftande utbyggnad kopplade till SageMaker-pipelines och modellregistret via ett anpassat SageMaker-projekt. Som ett nästa steg, försök att anpassa följande mall för att implementera implementeringsstrategin för din organisation.
Referensprojekt
Om författarna
Maira Ladeira Tanke är en ML Specialist Solutions Architect på AWS. Med en bakgrund inom datavetenskap har hon 9 års erfarenhet av att arkitektur och bygga ML-applikationer med kunder över branscher. Som teknisk ledare hjälper hon kunder att accelerera deras uppnående av affärsvärde genom framväxande teknologier och innovativa lösningar. På fritiden tycker Maira om att resa och umgås med sin familj på en varm plats.
Clay Elmore är en AI/ML Specialist Solutions Architect på AWS. Efter att ha tillbringat många timmar i ett materialforskningslabb lämnades hans bakgrund inom kemiteknik snabbt bakom sig för att fortsätta sitt intresse för maskininlärning. Han har arbetat med ML-applikationer i många olika branscher, allt från energihandel till hotellmarknadsföring. Clay har ett speciellt intresse av att ta med mjukvaruutvecklingsmetoder till ML och vägleda kunder mot repeterbara, skalbara lösningar genom att använda dessa principer. På fritiden tycker Clay om att åka skidor, lösa Rubiks kuber, läsa och laga mat.
Shelbee Eigenbrode är en Principal AI and Machine Learning Specialist Solutions Architect på AWS. Hon har varit inom teknik i 24 år och spänner över flera branscher, teknologier och roller. Hon fokuserar för närvarande på att kombinera sin DevOps- och ML-bakgrund i MLOps-domänen för att hjälpa kunder att leverera och hantera ML-arbetsbelastningar i stor skala. Med över 35 patent beviljade inom olika teknikdomäner har hon en passion för kontinuerlig innovation och att använda data för att driva affärsresultat. Shelbee är en medskapare och instruktör för specialiseringen Practical Data Science på Coursera. Hon är också meddirektör för Women In Big Data (WiBD), kapitel i Denver. På fritiden spenderar hon gärna tid med sin familj, sina vänner och överaktiva hundar.
Qiyun Zhao är en Senior Software Development Engineer med Amazon SageMaker Inference Platform-teamet. Han är den ledande utvecklaren av skyddsräcken och skuggimplementeringar, och han fokuserar på att hjälpa kunder att hantera ML-arbetsbelastningar och implementeringar i stor skala med hög tillgänglighet. Han arbetar också med plattformsarkitekturutvecklingar för snabb och säker implementering av ML-jobb och kör ML-onlineexperiment utan problem. På fritiden tycker han om att läsa, spela och resa.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/mlops-deployment-best-practices-for-real-time-inference-model-serving-endpoints-with-amazon-sagemaker/
- 100
- 2022
- 7
- 9
- a
- förmåga
- Able
- accelerera
- godtagbart
- Enligt
- Konto
- Redovisning
- Uppnå
- uppnåendet
- tvärs
- lagt till
- Dessutom
- Annat
- Dessutom
- avancerat
- Fördel
- Efter
- mot
- AI
- AI / ML
- larm
- algoritm
- Alla
- tillåter
- redan
- amason
- Amazon SageMaker
- mängd
- analys
- och
- Annan
- Ansökan
- tillämpningar
- tillämpas
- tillvägagångssätt
- godkännande
- godkänna
- godkänd
- arkitektur
- runt
- aspekter
- associerad
- automatisera
- Automatiserad
- automatiskt
- tillgänglighet
- tillgänglig
- AWS
- tillbaka
- bakgrund
- baserat
- grund
- därför att
- blir
- innan
- bakom
- Där vi får lov att vara utan att konstant prestera,
- fördel
- BÄST
- bästa praxis
- Bättre
- mellan
- Stor
- Stora data
- Blå
- Föra
- bred
- bredare
- fört
- SLUTRESULTAT
- Byggnad
- byggt
- företag
- Business Applications
- kallas
- kapacitet
- Vid
- fall
- CD
- vissa
- byta
- byte
- Kapitel
- Kontroller
- kemisk
- välja
- valde
- stängt
- koda
- kombinera
- kombinerad
- kombinera
- Gemensam
- jämföra
- fullborda
- fullständigt
- begrepp
- säker
- konfiguration
- anslutna
- anslutning
- Tänk
- överväganden
- innehålla
- sammanhang
- kontinuerligt
- kontinuerlig
- kontinuerligt
- kontroll
- kontrolleras
- Pris
- Kostar
- täcka
- omfattas
- skapa
- Aktuella
- För närvarande
- beställnings
- Kunder
- kundanpassad
- datum
- databehandling
- datavetenskap
- December
- Beslutsfattande
- Standard
- definierade
- definierande
- leverera
- leverans
- Efterfrågan
- demonstrerar
- Denver
- beroende
- distribuera
- utplacerade
- utplacera
- utplacering
- distributioner
- beskriven
- detekterad
- Bestämma
- utvecklade
- Utvecklare
- Utveckling
- olika
- direkt
- upptäckt
- diskutera
- diskuteras
- distribueras
- fördelnings
- fördelning
- inte
- domän
- domäner
- inte
- nackdelen
- stilleståndstid
- driv
- under
- varje
- lättare
- lätt
- effektivitet
- antingen
- smärgel
- möjliggöra
- början till slut
- Slutpunkt
- energi
- ingenjör
- Teknik
- tillräckligt
- säkerställa
- säkerställer
- säkerställa
- Miljö
- väsentlig
- utvärdera
- utvärderade
- evolutioner
- exempel
- befintliga
- finns
- förväntat
- erfarenhet
- utforska
- utsatta
- familj
- SNABB
- Funktioner
- återkoppling
- Figur
- Förnamn
- första gången
- FLOTTA
- fokuserar
- fokusering
- efter
- följer
- Stiftelser
- Ramverk
- Fri
- vänner
- från
- full
- funktionalitet
- funktioner
- ytterligare
- Gaming
- spalt
- samla
- Allmänt
- få
- Ge
- ges
- gradvis
- beviljats
- Grön
- Grupp
- hantera
- Handtag
- hjälpa
- hjälpa
- hjälper
- här.
- Hög
- gästfrihet
- värd
- ÖPPETTIDER
- Hur ser din drömresa ut
- How To
- Men
- html
- HTTPS
- Inverkan
- genomföra
- genomförande
- genomföras
- genomföra
- förbättring
- in
- innefattar
- innefattar
- Inklusive
- Inkorporerad
- ökat
- Ökar
- ökande
- industrier
- informationen
- Infrastruktur
- Innovation
- innovativa
- exempel
- istället
- integrera
- Integrera
- integrering
- intresse
- Beskrivning
- isolering
- fråga
- problem
- IT
- Jobb
- Lediga jobb
- Ha kvar
- Nyckel
- lab
- Efternamn
- Latens
- lanserades
- leda
- lärt
- inlärning
- Nivå
- livscykel
- Noterade
- lever
- längre
- Låg
- Maskinen
- maskininlärning
- bibehålla
- hantera
- ledning
- hantera
- manuell
- många
- kartläggning
- marknad
- Marknadsföring
- material
- Maximera
- meningsfull
- mekanism
- nämnts
- metadata
- metoder
- metriska
- Metrics
- kanske
- minimerande
- ML
- MLOps
- Mode
- modell
- Modelltestning
- modeller
- Övervaka
- övervakas
- övervakning
- monitorer
- mer
- mest
- multipel
- Natur
- nödvändigt för
- Behöver
- Nya
- Nästa
- Erbjudanden
- ONE
- nätet
- operativa
- Verksamhet
- optimala
- Alternativet
- Tillbehör
- beställa
- organisation
- Övriga
- Resultat
- skisse
- paket
- Parallell
- parameter
- del
- passerar
- brinner
- Patent
- Mönster
- mönster
- Utföra
- prestanda
- utför
- perioden
- Bild
- rörledning
- Plats
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- möjlig
- Inlägg
- Praktisk
- praxis
- Precision
- förutsägelse
- Förutsägelser
- Förbered
- presentera
- föregående
- tidigare
- Principal
- Principerna
- Problem
- process
- bearbetning
- producerad
- Produktion
- projektet
- projekt
- föreslagen
- skydda
- ge
- förutsatt
- ger
- Syftet
- sätta
- kvalitet
- snabbt
- område
- som sträcker sig
- Läsning
- redo
- verklig
- realtid
- erhåller
- mottagande
- rekommenderas
- region
- registrerat
- register
- regelbunden
- frigöra
- relevanta
- tillförlitlighet
- pålitlig
- repeterbar
- ersättas
- begära
- förfrågningar
- forskning
- resurs
- respons
- avkastning
- återanvändbar
- Risk
- risker
- roller
- Rulla
- Rullande
- Körning
- rinnande
- sagemaker
- SageMaker Inference
- SageMaker-rörledningar
- Samma
- nöjd
- nöjd med
- skalbarhet
- skalbar
- Skala
- scenario
- scenarier
- Vetenskap
- säkra
- vald
- skicka
- senior
- separat
- serverar
- service
- portion
- in
- inställningar
- inställning
- flera
- skugga
- Skuggtestning
- skifta
- SKIFTANDE
- skall
- Visar
- signifikans
- liknande
- Liknande
- enda
- situationer
- Small
- mindre
- So
- Mjukvara
- mjukvaruutveckling
- lösning
- Lösningar
- LÖSA
- Lösa
- speciell
- specialist
- specifik
- spendera
- Spendera
- igång
- startar
- statistisk
- status
- Steg
- Steg
- Fortfarande
- lagras
- strategier
- Strategi
- lämnats
- sådana
- stödja
- Växla
- System
- Ta
- tar
- Målet
- grupp
- Teknisk
- Tekniken
- Teknologi
- mallar
- testa
- Testning
- tester
- Smakämnen
- deras
- Genom
- genomströmning
- SLIPS
- tid
- till
- verktyg
- mot
- Spårbarhet
- spår
- Handel
- traditionell
- trafik
- Tåg
- tränad
- Utbildning
- transparent
- Traveling
- utlösa
- triggas
- typer
- typiskt
- förstå
- unika
- enhet
- Uppdatering
- uppdaterad
- Uppdateringar
- uppdatering
- användning
- användningsfall
- användare
- utnyttja
- BEKRÄFTA
- validerade
- godkännande
- värde
- Variant
- olika
- version
- via
- genomförbar, livskraftig
- varm
- vikt
- Vad
- Vad är
- som
- medan
- kommer
- inom
- Kvinnor
- arbetade
- arbetsflöden
- fungerar
- skulle
- skrivning
- år
- Om er
- Din
- zephyrnet