โมเดลการเรียนรู้ของเครื่อง (ML) ไม่ได้ทำงานแยกกัน เพื่อส่งมอบคุณค่า พวกเขาจะต้องบูรณาการเข้ากับระบบการผลิตและโครงสร้างพื้นฐานที่มีอยู่ ซึ่งจำเป็นต้องพิจารณาวงจรชีวิต ML ทั้งหมดในระหว่างการออกแบบและพัฒนา การดำเนินการ ML หรือที่เรียกว่า MLOps มุ่งเน้นไปที่การทำให้คล่องตัว การทำให้เป็นอัตโนมัติ และการตรวจสอบโมเดล ML ตลอดวงจรการใช้งาน การสร้างไปป์ไลน์ MLOps ที่แข็งแกร่งจำเป็นต้องมีการทำงานร่วมกันข้ามสายงาน นักวิทยาศาสตร์ข้อมูล วิศวกร ML เจ้าหน้าที่ไอที และทีม DevOps ต้องทำงานร่วมกันเพื่อดำเนินการโมเดลต่างๆ ตั้งแต่การวิจัยไปจนถึงการปรับใช้และการบำรุงรักษา ด้วยกระบวนการและเครื่องมือที่เหมาะสม MLOps ช่วยให้องค์กรสามารถนำ ML มาใช้ทั่วทั้งทีมได้อย่างน่าเชื่อถือและมีประสิทธิภาพ
แม้ว่าข้อกำหนดของไปป์ไลน์การบูรณาการอย่างต่อเนื่องและการส่งมอบอย่างต่อเนื่อง (CI/CD) อาจไม่ซ้ำกันและสะท้อนถึงความต้องการของแต่ละองค์กร แต่การปรับขนาดแนวทางปฏิบัติของ MLOps ทั่วทั้งทีมสามารถทำให้ง่ายขึ้นได้โดยใช้การจัดการและเครื่องมือที่มีการจัดการซึ่งสามารถเร่งกระบวนการพัฒนาและขจัดการยกของหนักที่ไม่แตกต่าง .
Amazon SageMaker MLOps เป็นชุดคุณสมบัติที่ประกอบด้วย โครงการ Amazon SageMaker (CI/ซีดี) ท่อส่ง Amazon SageMaker และ รีจิสทรีโมเดล Amazon SageMaker.
ท่อส่ง SageMaker ช่วยให้สามารถสร้างและจัดการเวิร์กโฟลว์ ML ได้อย่างตรงไปตรงมา ขณะเดียวกันก็นำเสนอความสามารถในการจัดเก็บและนำกลับมาใช้ใหม่สำหรับขั้นตอนเวิร์กโฟลว์ ที่ การลงทะเบียนโมเดล SageMaker รวมศูนย์การติดตามโมเดล ทำให้การปรับใช้โมเดลง่ายขึ้น โครงการ SageMaker แนะนำแนวปฏิบัติ CI/CD ให้กับ ML รวมถึงความเท่าเทียมกันของสภาพแวดล้อม การควบคุมเวอร์ชัน การทดสอบ และระบบอัตโนมัติ ซึ่งช่วยให้สามารถสร้าง CI/CD ได้อย่างรวดเร็วในสภาพแวดล้อม ML ของคุณ ซึ่งช่วยอำนวยความสะดวกในการขยายขนาดที่มีประสิทธิภาพทั่วทั้งองค์กรของคุณ
ในตัว เทมเพลตโครงการ ให้บริการโดย อเมซอน SageMaker รวมถึงการผสานรวมกับเครื่องมือของบุคคลที่สามบางอย่าง เช่น Jenkins สำหรับการเรียบเรียงและ GitHub สำหรับการควบคุมแหล่งที่มา และอีกหลายเครื่องมือใช้เครื่องมือ CI/CD แบบเนทีฟของ AWS เช่น AWS CodeCommit, AWS CodePipelineและ AWS CodeBuild. อย่างไรก็ตาม ในหลายสถานการณ์ ลูกค้าต้องการรวม SageMaker Pipelines เข้ากับเครื่องมือ CI/CD อื่นๆ ที่มีอยู่ ดังนั้นจึงสร้างเทมเพลตโปรเจ็กต์แบบกำหนดเอง
ในโพสต์นี้ เราจะแสดงให้คุณเห็นการใช้งานแบบทีละขั้นตอนเพื่อให้บรรลุสิ่งต่อไปนี้:
- สร้างเทมเพลตโปรเจ็กต์ SageMaker MLOps แบบกำหนดเองที่ผสานรวมกับ GitHub และ GitHub Actions
- ทำให้เทมเพลตโครงการที่คุณกำหนดเองพร้อมใช้งานใน สตูดิโอ Amazon SageMaker สำหรับทีมวิทยาศาสตร์ข้อมูลของคุณด้วยการจัดเตรียมเพียงคลิกเดียว
ภาพรวมโซลูชัน
ในโพสต์นี้ เราสร้างสถาปัตยกรรมต่อไปนี้ เราสร้างไปป์ไลน์การสร้างโมเดลอัตโนมัติซึ่งประกอบด้วยขั้นตอนในการจัดเตรียมข้อมูล การฝึกโมเดล การประเมินโมเดล และการลงทะเบียนโมเดลที่ได้รับการฝึกใน SageMaker Model Registry จากนั้นโมเดล ML ที่ได้รับการฝึกอบรมที่ได้จะถูกปรับใช้จาก SageMaker Model Registry ไปยังสภาพแวดล้อมชั่วคราวและการใช้งานจริงเมื่อมีการอนุมัติด้วยตนเอง
เรามาเจาะลึกองค์ประกอบของสถาปัตยกรรมนี้เพื่อทำความเข้าใจการกำหนดค่าที่สมบูรณ์กันดีกว่า
การดำเนินการ GitHub และ GitHub
GitHub เป็นแพลตฟอร์มบนเว็บที่ให้การควบคุมเวอร์ชันและการจัดการซอร์สโค้ดโดยใช้ Git ช่วยให้ทีมสามารถทำงานร่วมกันในโครงการพัฒนาซอฟต์แวร์ ติดตามการเปลี่ยนแปลง และจัดการที่เก็บโค้ด GitHub ทำหน้าที่เป็นศูนย์กลางในการจัดเก็บ เวอร์ชัน และจัดการฐานโค้ด ML ของคุณ สิ่งนี้ทำให้มั่นใจได้ว่าฐานโค้ด ML และไปป์ไลน์ของคุณมีการกำหนดเวอร์ชัน บันทึกเป็นเอกสาร และสมาชิกในทีมสามารถเข้าถึงได้
การกระทำของ GitHub เป็นเครื่องมืออัตโนมัติที่ทรงพลังภายในระบบนิเวศ GitHub ช่วยให้คุณสร้างเวิร์กโฟลว์แบบกำหนดเองที่ทำให้กระบวนการวงจรการพัฒนาซอฟต์แวร์ของคุณเป็นแบบอัตโนมัติ เช่น การสร้าง การทดสอบ และการปรับใช้โค้ด คุณสามารถสร้างเวิร์กโฟลว์ที่ขับเคลื่อนด้วยเหตุการณ์ซึ่งทริกเกอร์โดยเหตุการณ์เฉพาะ เช่น เมื่อโค้ดถูกส่งไปยังพื้นที่เก็บข้อมูลหรือสร้างคำขอดึงข้อมูล เมื่อใช้ MLOps คุณสามารถใช้ GitHub Actions เพื่อทำให้ขั้นตอนต่างๆ ของไปป์ไลน์ ML เป็นอัตโนมัติได้ เช่น:
- การตรวจสอบข้อมูลและการประมวลผลล่วงหน้า
- การฝึกแบบจำลองและการประเมิน
- การปรับใช้และการตรวจสอบโมเดล
- CI/CD สำหรับรุ่น ML
ด้วย GitHub Actions คุณสามารถปรับปรุงเวิร์กโฟลว์ ML ของคุณได้ และรับรองว่าโมเดลของคุณถูกสร้างขึ้น ทดสอบ และปรับใช้อย่างสม่ำเสมอ ซึ่งนำไปสู่การปรับใช้ ML ที่มีประสิทธิภาพและเชื่อถือได้มากขึ้น
ในส่วนต่อไปนี้ เราเริ่มต้นด้วยการตั้งค่าข้อกำหนดเบื้องต้นที่เกี่ยวข้องกับส่วนประกอบบางอย่างที่เราใช้เป็นส่วนหนึ่งของสถาปัตยกรรมนี้:
- การก่อตัวของ AWS Cloud - การก่อตัวของ AWS Cloud เริ่มต้นการปรับใช้โมเดลและสร้างจุดสิ้นสุด SageMaker หลังจากที่ไปป์ไลน์การปรับใช้โมเดลถูกเปิดใช้งานโดยการอนุมัติของโมเดลที่ได้รับการฝึกอบรม
- การเชื่อมต่อ AWS CodeStar - เราใช้ AWS CodeStar เพื่อสร้างลิงก์กับพื้นที่เก็บข้อมูล GitHub และใช้เป็นการผสานรวมที่เก็บโค้ดกับทรัพยากร AWS เช่น SageMaker Studio
- อเมซอน EventBridge - อเมซอน EventBridge ติดตามการแก้ไขรีจิสทรีโมเดลทั้งหมด นอกจากนี้ยังรักษากฎที่แจ้งให้ฟังก์ชัน Lambda ปรับใช้ไปป์ไลน์โมเดลเมื่อสถานะของเวอร์ชันแพ็กเกจโมเดลเปลี่ยนจาก
PendingManualApproval
ไปยังApproved
ภายในรีจิสทรีโมเดล - AWS แลมบ์ดา - เราใช้ AWS แลมบ์ดา ฟังก์ชันเพื่อเริ่มต้นเวิร์กโฟลว์การปรับใช้โมเดลใน GitHub Actions หลังจากที่โมเดลใหม่ได้รับการลงทะเบียนใน Model Registry
- อเมซอน SageMaker – เรากำหนดค่าส่วนประกอบ SageMaker ต่อไปนี้:
- ไปป์ไลน์ – ส่วนประกอบนี้ประกอบด้วยกราฟอะไซคลิกโดยตรง (DAG) ที่ช่วยให้เราสร้างเวิร์กโฟลว์ ML อัตโนมัติสำหรับขั้นตอนการเตรียมข้อมูล การฝึกโมเดล และการประเมินโมเดล การลงทะเบียนโมเดลจะเก็บรักษาบันทึกเวอร์ชันของโมเดล สิ่งที่เกี่ยวข้อง เชื้อสาย และข้อมูลเมตา กลุ่มแพ็กเกจโมเดลได้รับการจัดตั้งขึ้นเพื่อเก็บเวอร์ชันโมเดลที่เกี่ยวข้องทั้งหมด การลงทะเบียนโมเดลยังรับผิดชอบในการจัดการสถานะการอนุมัติของเวอร์ชันโมเดลสำหรับการปรับใช้ในภายหลัง
- ปลายทาง – ส่วนประกอบนี้ตั้งค่าจุดสิ้นสุดแบบเรียลไทม์ HTTPS สองจุดสำหรับการอนุมาน การกำหนดค่าโฮสต์สามารถปรับได้ เช่น สำหรับการแปลงแบบแบตช์หรือการอนุมานแบบอะซิงโครนัส ตำแหน่งข้อมูลชั่วคราวจะถูกสร้างขึ้นเมื่อมีการเปิดใช้งานไปป์ไลน์การปรับใช้โมเดลโดยการอนุมัติโมเดลที่ผ่านการฝึกอบรมจาก SageMaker Model Registry ตำแหน่งข้อมูลนี้ใช้เพื่อตรวจสอบความถูกต้องของโมเดลที่ใช้งานโดยรับประกันว่าจะมีการคาดการณ์ที่ตรงตามมาตรฐานความแม่นยำของเรา เมื่อแบบจำลองถูกจัดเตรียมสำหรับการปรับใช้ที่ใช้งานจริง ตำแหน่งข้อมูลการผลิตจะถูกปรับใช้โดยขั้นตอนการอนุมัติด้วยตนเองในเวิร์กโฟลว์ GitHub Actions
- รหัสพื้นที่เก็บข้อมูล – สิ่งนี้จะสร้างพื้นที่เก็บข้อมูล Git เป็นทรัพยากรในบัญชี SageMaker ของคุณ การใช้ข้อมูลที่มีอยู่จากที่เก็บโค้ด GitHub ที่คุณป้อนระหว่างการสร้างโปรเจ็กต์ SageMaker การเชื่อมโยงกับที่เก็บเดียวกันจะถูกสร้างขึ้นใน SageMaker เมื่อคุณเริ่มโปรเจ็กต์ โดยพื้นฐานแล้วสิ่งนี้จะสร้างลิงก์กับพื้นที่เก็บข้อมูล GitHub ใน SageMaker ซึ่งช่วยให้สามารถดำเนินการเชิงโต้ตอบ (ดึง/พุช) กับพื้นที่เก็บข้อมูลของคุณ
- ทะเบียนโมเดล – วิธีนี้จะตรวจสอบเวอร์ชันต่างๆ ของโมเดลและส่วนที่เกี่ยวข้อง ซึ่งรวมถึงเชื้อสายและข้อมูลเมตา คอลเลกชันที่เรียกว่าก รุ่นแพ็คเกจกลุ่ม ถูกสร้างขึ้น เวอร์ชันที่เกี่ยวข้องกับที่อยู่อาศัยของแบบจำลอง นอกจากนี้ การลงทะเบียนโมเดลจะดูแลสถานะการอนุมัติของเวอร์ชันโมเดล เพื่อให้มั่นใจว่ามีความพร้อมสำหรับการปรับใช้ในภายหลัง
- ผู้จัดการความลับของ AWS – เพื่อรักษาโทเค็นการเข้าถึงส่วนบุคคล GitHub ของคุณอย่างปลอดภัย จำเป็นต้องสร้างความลับในนั้น ผู้จัดการความลับของ AWS และจัดเก็บโทเค็นการเข้าถึงของคุณไว้ภายในนั้น
- แคตตาล็อกบริการของ AWS - เราใช้ แคตตาล็อกบริการของ AWS สำหรับการดำเนินโครงการ SageMaker ซึ่งรวมถึงส่วนประกอบต่างๆ เช่น ที่เก็บโค้ด SageMaker, ฟังก์ชัน Lambda, กฎ EventBridge, บัคเก็ต S3 ของสิ่งประดิษฐ์ ฯลฯ ทั้งหมดนี้ใช้งานผ่าน CloudFormation ซึ่งช่วยให้องค์กรของคุณสามารถใช้เทมเพลตโครงการซ้ำๆ จัดสรรโครงการให้กับผู้ใช้แต่ละราย และปรับปรุงการดำเนินงาน
- Amazon S3 - เราใช้ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) บัคเก็ตเพื่อเก็บสิ่งประดิษฐ์ของโมเดลที่ผลิตโดยไปป์ไลน์
เบื้องต้น
คุณควรมีข้อกำหนดเบื้องต้นดังต่อไปนี้:
คุณต้องทำตามขั้นตอนการตั้งค่าเพิ่มเติมก่อนที่จะใช้โซลูชัน
ตั้งค่าการเชื่อมต่อ AWS CodeStar
หากคุณยังไม่มีการเชื่อมต่อ AWS CodeStar กับบัญชี GitHub ของคุณ โปรดดูที่ สร้างการเชื่อมต่อกับ GitHub สำหรับคำแนะนำในการสร้าง การเชื่อมต่อ AWS CodeStar ARN ของคุณจะมีลักษณะดังนี้:
ในตัวอย่างนี้ aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
คือ ID เฉพาะสำหรับการเชื่อมต่อนี้ เราใช้ ID นี้เมื่อเราสร้างโปรเจ็กต์ SageMaker ในตัวอย่างนี้ในภายหลัง
ตั้งค่าคีย์การเข้าถึงลับสำหรับโทเค็น GitHub ของคุณ
หากต้องการจัดเก็บโทเค็นการเข้าถึงส่วนตัว GitHub ของคุณอย่างปลอดภัย คุณต้องสร้างข้อมูลลับใน Secrets Manager หากคุณไม่มีโทเค็นการเข้าถึงส่วนตัวสำหรับ GitHub โปรดดูที่ การจัดการโทเค็นการเข้าถึงส่วนบุคคลของคุณ สำหรับคำแนะนำในการสร้าง
คุณสามารถสร้างโทเค็นเพื่อการเข้าถึงแบบคลาสสิกหรือแบบละเอียดได้ อย่างไรก็ตาม ตรวจสอบให้แน่ใจว่าโทเค็นมีสิทธิ์เข้าถึงเนื้อหาและการดำเนินการของที่เก็บ (เวิร์กโฟลว์ การเรียกใช้ และอาร์ติแฟกต์)
ทำตามขั้นตอนต่อไปนี้เพื่อจัดเก็บโทเค็นของคุณใน Secrets Manager:
- บนคอนโซล Secrets Manager ให้เลือก เก็บความลับใหม่.
- เลือก ความลับอีกประเภทหนึ่ง for เลือกประเภทความลับ.
- ระบุชื่อความลับของคุณใน คีย์ และเพิ่มโทเค็นการเข้าถึงส่วนบุคคลของคุณลงในรายการที่เกี่ยวข้อง ความคุ้มค่า สนาม
- Choose ถัดไปป้อนชื่อความลับของคุณ และเลือก ถัดไป อีกครั้ง
- Choose ร้านค้า เพื่อบันทึกความลับของคุณ
ด้วยการจัดเก็บโทเค็นการเข้าถึงส่วนตัวของ GitHub ไว้ใน Secrets Manager คุณจะสามารถเข้าถึงโทเค็นได้อย่างปลอดภัยภายในไปป์ไลน์ MLOps ของคุณ ในขณะเดียวกันก็รักษาความลับไว้ด้วย
สร้างผู้ใช้ IAM สำหรับ GitHub Actions
หากต้องการอนุญาตให้ GitHub Actions ปรับใช้ตำแหน่งข้อมูล SageMaker ในสภาพแวดล้อม AWS ของคุณ คุณต้องสร้างไฟล์ AWS Identity และการจัดการการเข้าถึง (IAM) และให้สิทธิ์ที่จำเป็นแก่ผู้ใช้ สำหรับคำแนะนำ โปรดดูที่ การสร้างผู้ใช้ IAM ในบัญชี AWS ของคุณ. ใช้ iam/GithubActionsMLOpsExecutionPolicy.json
ไฟล์ (ระบุไว้ใน ตัวอย่างโค้ด) เพื่อให้สิทธิ์ที่เพียงพอสำหรับผู้ใช้รายนี้ในการปรับใช้ตำแหน่งข้อมูลของคุณ
หลังจากที่คุณสร้างผู้ใช้ IAM แล้ว สร้างรหัสการเข้าถึง. คุณจะใช้คีย์นี้ซึ่งประกอบด้วยทั้ง ID คีย์การเข้าถึงและคีย์การเข้าถึงที่เป็นความลับในขั้นตอนต่อไปเมื่อกำหนดค่าความลับ GitHub ของคุณ
ตั้งค่าบัญชี GitHub ของคุณ
ต่อไปนี้เป็นขั้นตอนในการเตรียมบัญชี GitHub ของคุณเพื่อเรียกใช้ตัวอย่างนี้
โคลนที่เก็บ GitHub
คุณสามารถใช้ repo GitHub ที่มีอยู่ซ้ำได้สำหรับตัวอย่างนี้ อย่างไรก็ตาม จะง่ายกว่าหากคุณสร้างพื้นที่เก็บข้อมูลใหม่ พื้นที่เก็บข้อมูลนี้จะมีซอร์สโค้ดทั้งหมดสำหรับทั้งการสร้างและการปรับใช้ไปป์ไลน์ SageMaker
คัดลอกเนื้อหาของไดเร็กทอรีโค้ด seed ลงในรูทของที่เก็บ GitHub ของคุณ ตัวอย่างเช่น .github
ไดเร็กทอรีควรอยู่ใต้รูทของที่เก็บ GitHub ของคุณ
สร้างข้อมูลลับ GitHub ที่มีรหัสการเข้าถึงผู้ใช้ IAM ของคุณ
ในขั้นตอนนี้ เราจะจัดเก็บรายละเอียดคีย์การเข้าถึงของผู้ใช้ที่สร้างขึ้นใหม่ไว้ในของเรา ความลับของ GitHub.
- บนเว็บไซต์ GitHub ให้นำทางไปยังพื้นที่เก็บข้อมูลของคุณแล้วเลือก การตั้งค่า.
- ในส่วนความปลอดภัย ให้เลือก ข้อมูลลับและตัวแปร และเลือก สถานะ.
- Choose ความลับของพื้นที่เก็บข้อมูลใหม่.
- สำหรับ Nameป้อน
AWS_ACCESS_KEY_ID
- สำหรับ ลับให้ป้อน ID คีย์การเข้าถึงที่เชื่อมโยงกับผู้ใช้ IAM ที่คุณสร้างไว้ก่อนหน้านี้
- Choose เพิ่มความลับ.
- ทำซ้ำขั้นตอนเดียวกันสำหรับ
AWS_SECRET_ACCESS_KEY
กำหนดค่าสภาพแวดล้อม GitHub ของคุณ
ในการสร้างขั้นตอนการอนุมัติด้วยตนเองในไปป์ไลน์การปรับใช้ของเรา เราใช้ สภาพแวดล้อม GitHub. ทำตามขั้นตอนต่อไปนี้:
- ไปที่ การตั้งค่า, สภาพแวดล้อม เมนูของพื้นที่เก็บข้อมูล GitHub ของคุณและสร้างสภาพแวดล้อมใหม่ที่เรียกว่าการใช้งานจริง
- สำหรับ กฎการคุ้มครองสิ่งแวดล้อมให้เลือก ผู้ตรวจสอบที่จำเป็น.
- เพิ่มชื่อผู้ใช้ GitHub ที่ต้องการเป็นผู้ตรวจสอบ สำหรับตัวอย่างนี้ คุณสามารถเลือกชื่อผู้ใช้ของคุณเองได้
โปรดทราบว่าคุณลักษณะสภาพแวดล้อมไม่พร้อมใช้งานในแผน GitHub บางประเภท สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การใช้สภาพแวดล้อมสำหรับการปรับใช้.
ปรับใช้ฟังก์ชัน Lambda
ในขั้นตอนต่อไปนี้ เราจะทำการบีบอัด lambda_function.py
ลงในไฟล์ .zip ซึ่งจากนั้นจะอัปโหลดไปยังบัคเก็ต S3
ตัวอย่างโค้ดที่เกี่ยวข้องสำหรับสิ่งนี้สามารถพบได้ในสิ่งต่อไปนี้ repo GitHub. โดยเฉพาะอย่างยิ่ง lambda_function.py
ตั้งอยู่ใน lambda_functions/lambda_github_workflow_trigger ไดเรกทอรี
ขอแนะนำให้สร้างทางแยกของตัวอย่างโค้ดและโคลนแทน ซึ่งจะให้อิสระแก่คุณในการแก้ไขโค้ดและทดสอบกับแง่มุมต่างๆ ของกลุ่มตัวอย่าง
- หลังจากที่คุณได้รับสำเนาของโค้ดแล้ว ให้นำทางไปยังไดเร็กทอรีที่เหมาะสมและใช้
zip
คำสั่งให้บีบอัดlambda_function.py
. ผู้ใช้ Windows และ MacOS สามารถใช้ระบบจัดการไฟล์ดั้งเดิม File Explorer หรือ Finder ตามลำดับเพื่อสร้างไฟล์ .zip
- อัปโหลดไฟล์
lambda-github-workflow-trigger.zip
ไปยังที่ฝากข้อมูล S3
ที่เก็บข้อมูลนี้จะเข้าถึงได้ในภายหลังโดย Service Catalog คุณสามารถเลือกบัคเก็ตใดๆ ที่คุณมีสิทธิ์เข้าถึงได้ ตราบใดที่แคตตาล็อกบริการสามารถดึงข้อมูลจากบัคเก็ตนั้นได้ในขั้นตอนต่อๆ ไป
จากขั้นตอนนี้เป็นต้นไป เราต้องการให้ติดตั้งและกำหนดค่า AWS CLI v2 อีกทางเลือกหนึ่งคือการใช้ AWS CloudShell ซึ่งมาพร้อมกับเครื่องมือที่จำเป็นทั้งหมดที่ติดตั้งไว้ล่วงหน้า ทำให้ไม่จำเป็นต้องกำหนดค่าเพิ่มเติมใดๆ
- หากต้องการอัปโหลดไฟล์ไปยังบัคเก็ต S3 ให้ใช้คำสั่งต่อไปนี้:
ตอนนี้เราสร้างเลเยอร์ Lambda สำหรับการขึ้นต่อกันที่เกี่ยวข้องกับ lambda_function
เราเพิ่งอัปโหลด
- ตั้งค่าสภาพแวดล้อมเสมือน Python และติดตั้งการพึ่งพา:
- สร้างไฟล์ .zip ด้วยคำสั่งต่อไปนี้:
- เผยแพร่เลเยอร์ไปยัง AWS:
เมื่อเผยแพร่เลเยอร์นี้แล้ว ฟังก์ชัน Lambda ทั้งหมดของคุณจะสามารถอ้างอิงเลเยอร์นี้เพื่อให้เป็นไปตามการขึ้นต่อกันได้ สำหรับความเข้าใจโดยละเอียดเพิ่มเติมเกี่ยวกับเลเยอร์ Lambda โปรดดูที่ การทำงานกับเลเยอร์ Lambda.
สร้างเทมเพลตโปรเจ็กต์แบบกำหนดเองใน SageMaker
หลังจากทำตามขั้นตอนข้างต้นทั้งหมดแล้ว เราก็จะมีทรัพยากรและส่วนประกอบไปป์ไลน์ CI/CD ทั้งหมด ต่อไป เราจะสาธิตวิธีที่เราสามารถทำให้ทรัพยากรเหล่านี้พร้อมใช้งานเป็นโปรเจ็กต์ที่กำหนดเองภายใน SageMaker Studio สามารถเข้าถึงได้ผ่านการปรับใช้เพียงคลิกเดียว
ตามที่กล่าวไว้ข้างต้น เมื่อเทมเพลตที่ SageMaker มอบให้ไม่ตรงกับความต้องการของคุณ (เช่น คุณต้องการจัดการที่ซับซ้อนมากขึ้นใน CodePipeline ด้วยหลายขั้นตอน ขั้นตอนการอนุมัติแบบกำหนดเอง หรือเพื่อผสานรวมกับเครื่องมือของบุคคลที่สาม เช่น การดำเนินการ GitHub และ GitHub แสดงให้เห็นในโพสต์นี้) คุณสามารถสร้างเทมเพลตของคุณเองได้ เราขอแนะนำให้เริ่มต้นด้วยเทมเพลตที่ SageMaker มอบให้เพื่อทำความเข้าใจวิธีจัดระเบียบโค้ดและทรัพยากรของคุณ และสร้างต่อยอดจากเทมเพลตนั้น สำหรับรายละเอียดเพิ่มเติม โปรดดูที่ สร้างเทมเพลตโครงการที่กำหนดเอง.
โปรดทราบว่าคุณยังสามารถทำให้ขั้นตอนนี้เป็นอัตโนมัติได้ และใช้ CloudFormation เพื่อปรับใช้พอร์ตโฟลิโอแคตตาล็อกบริการและผลิตภัณฑ์ผ่านโค้ดแทน อย่างไรก็ตาม ในโพสต์นี้ เราจะแสดงการปรับใช้คอนโซลให้คุณดูเพื่อประสบการณ์การเรียนรู้ที่ดียิ่งขึ้น
ในขั้นตอนนี้ เราใช้เทมเพลต CloudFormation ที่ให้มาเพื่อสร้างพอร์ตโฟลิโอแคตตาล็อกบริการที่ช่วยเราสร้างโปรเจ็กต์แบบกำหนดเองใน SageMaker
คุณสามารถสร้างโดเมนใหม่หรือใช้โดเมน SageMaker ของคุณซ้ำได้ตามขั้นตอนต่อไปนี้ หากคุณไม่มีโดเมน โปรดดูที่ เริ่มต้นใช้งานโดเมน Amazon SageMaker โดยใช้การตั้งค่าด่วน สำหรับคำแนะนำในการตั้งค่า
หลังจากที่คุณเปิดใช้งานการเข้าถึงเทมเพลต SageMaker ของผู้ดูแลระบบแล้ว ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Service Catalog ภายใต้ การบริหารจัดการ ในบานหน้าต่างนำทาง ให้เลือก พอร์ตการลงทุน.
- Choose สร้างพอร์ตโฟลิโอใหม่.
- ตั้งชื่อพอร์ตโฟลิโอเป็น “เทมเพลตองค์กร SageMaker”
- ดาวน์โหลด template.yml ไฟล์ไปยังคอมพิวเตอร์ของคุณ
เทมเพลต Cloud Formation นี้จัดเตรียมทรัพยากร CI/CD ทั้งหมดที่เราต้องการเพื่อใช้เป็นการกำหนดค่าและโครงสร้างพื้นฐานเป็นโค้ด คุณสามารถศึกษาเทมเพลตโดยละเอียดเพิ่มเติมเพื่อดูว่ามีการใช้ทรัพยากรใดเป็นส่วนหนึ่งของเทมเพลต เทมเพลตนี้ได้รับการปรับแต่งให้ทำงานร่วมกับ GitHub และ GitHub Actions
- ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร
template.yml
ไฟล์ให้เปลี่ยนS3Bucket
มูลค่าให้กับบัคเก็ตของคุณที่คุณอัปโหลดไฟล์ Lambda .zip:
- เลือกพอร์ตโฟลิโอใหม่
- Choose ลงสินค้าใหม่.
- สำหรับ ชื่อสินค้าธ ป้อนชื่อเทมเพลตของคุณ เราใช้ชื่อ
build-deploy-github
. - สำหรับ รายละเอียด, ป้อนคำอธิบาย
- สำหรับ เจ้าของ, ใส่ชื่อของคุณ.
- ภายใต้ รายละเอียดเวอร์ชันสำหรับ วิธีเลือก ใช้ไฟล์เทมเพลต.
- Choose อัปโหลดเทมเพลต.
- อัปโหลดเทมเพลตที่คุณดาวน์โหลด
- สำหรับ ชื่อรุ่นเลือก 1.0.
- Choose รีวิว.
- ตรวจสอบการตั้งค่าและเลือก สร้างผลิตภัณฑ์.
- Choose รีเฟรช เพื่อแสดงรายการผลิตภัณฑ์ใหม่
- เลือกผลิตภัณฑ์ที่คุณเพิ่งสร้างขึ้น
- เกี่ยวกับ แท็ก แท็บ เพิ่มแท็กต่อไปนี้ให้กับผลิตภัณฑ์:
- คีย์ =
sagemaker:studio-visibility
- ความคุ้มค่า =
true
- คีย์ =
ย้อนกลับไปในรายละเอียดพอร์ตโฟลิโอ คุณควรเห็นสิ่งที่คล้ายกับภาพหน้าจอต่อไปนี้ (มี ID ที่แตกต่างกัน)
- เกี่ยวกับ ข้อ จำกัด เลือกแท็บ สร้างข้อจำกัด.
- สำหรับ ผลิตภัณฑ์เลือก
build-deploy-github
(ผลิตภัณฑ์ที่คุณเพิ่งสร้าง) - สำหรับ การ จำกัด พิมพ์เลือก ยิง.
- ภายใต้ ข้อจำกัดในการเปิดตัวสำหรับ วิธีเลือก เลือกบทบาท IAM.
- Choose
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Choose สร้างบัญชีตัวแทน.
- เกี่ยวกับ กลุ่ม บทบาท และผู้ใช้ เลือกแท็บ เพิ่มกลุ่ม บทบาท ผู้ใช้.
- เกี่ยวกับ บทบาท เลือกบทบาทที่คุณใช้เมื่อกำหนดค่าโดเมน SageMaker Studio ของคุณ นี่คือที่ที่บทบาทโดเมน SageMaker สามารถพบได้
- Choose เพิ่มการเข้าถึง.
ปรับใช้โปรเจ็กต์จาก SageMaker Studio
ในส่วนก่อนหน้านี้ คุณได้เตรียมสภาพแวดล้อมโปรเจ็กต์ MLOps แบบกำหนดเอง ตอนนี้ เรามาสร้างโครงการโดยใช้เทมเพลตนี้:
- บนคอนโซล SageMaker ให้นำทางไปยังโดเมนที่คุณต้องการสร้างโปรเจ็กต์นี้
- เกี่ยวกับ ยิง เมนูให้เลือก สตูดิโอ.
คุณจะถูกนำไปยังสภาพแวดล้อม SageMaker Studio
- ใน SageMaker Studio ในบานหน้าต่างนำทางด้านล่าง การใช้งานเลือก โครงการ.
- Choose สร้างโครงการ.
- ที่ด้านบนของรายการเทมเพลต ให้เลือก แม่แบบองค์กร.
หากคุณทำตามขั้นตอนก่อนหน้านี้ทั้งหมดเรียบร้อยแล้ว คุณควรจะเห็นเทมเพลตโปรเจ็กต์แบบกำหนดเองใหม่ที่ชื่อว่า Build-Deploy-GitHub
.
- เลือกเทมเพลตนั้นแล้วเลือก เลือกเทมเพลตโครงการ.
- ป้อนคำอธิบายเพิ่มเติม
- สำหรับ ชื่อเจ้าของพื้นที่เก็บข้อมูล GitHubให้ป้อนเจ้าของพื้นที่เก็บข้อมูล GitHub ของคุณ ตัวอย่างเช่น หากพื้นที่เก็บข้อมูลของคุณอยู่ที่
https://github.com/pooyavahidi/my-repo
เจ้าของก็จะเป็นpooyavahidi
. - สำหรับ ชื่อพื้นที่เก็บข้อมูล GitHubให้ป้อนชื่อของพื้นที่เก็บข้อมูลที่คุณคัดลอกโค้ดเริ่มต้นไว้ มันจะเป็นเพียงชื่อของ repo ตัวอย่างเช่นใน
https://github.com/pooyavahidi/my-repo
, repo คือmy-repo
. - สำหรับ ID เฉพาะการเชื่อมต่อ Codestarให้ป้อน ID เฉพาะของการเชื่อมต่อ AWS CodeStar ที่คุณสร้างขึ้น
- สำหรับ ชื่อของข้อมูลลับในตัวจัดการข้อมูลลับซึ่งจัดเก็บโทเค็น GitHubให้ป้อนชื่อของข้อมูลลับในตัวจัดการข้อมูลลับที่คุณสร้างและจัดเก็บโทเค็น GitHub
- สำหรับ ไฟล์เวิร์กโฟลว์ GitHub สำหรับการปรับใช้ให้ป้อนชื่อของไฟล์เวิร์กโฟลว์ GitHub (at
.github/workflows/deploy.yml
) โดยที่คุณมีคำแนะนำในการปรับใช้ สำหรับตัวอย่างนี้ คุณสามารถคงไว้เป็นค่าเริ่มต้นได้ ซึ่งก็คือdeploy.yml
. - Choose สร้างโครงการ.
- หลังจากสร้างโปรเจ็กต์แล้ว อย่าลืมอัปเดตไฟล์
AWS_REGION
และSAGEMAKER_PROJECT_NAME
ตัวแปรสภาพแวดล้อมในไฟล์เวิร์กโฟลว์ GitHub ของคุณตามลำดับ ไฟล์เวิร์กโฟลว์อยู่ใน repo GitHub ของคุณ (คัดลอกมาจากโค้ด seed) ภายในไฟล์.github/workflows
ไดเรกทอรี ตรวจสอบให้แน่ใจว่าคุณอัปเดตทั้งสองอย่างbuild.yml
และdeploy.yml
ไฟล์
ตอนนี้สภาพแวดล้อมของคุณพร้อมแล้ว! คุณสามารถรันไปป์ไลน์ได้โดยตรง ทำการเปลี่ยนแปลง และพุชการเปลี่ยนแปลงเหล่านั้นไปยังพื้นที่เก็บข้อมูล GitHub ของคุณเพื่อทริกเกอร์ไปป์ไลน์บิวด์แบบอัตโนมัติ และดูว่าขั้นตอนทั้งหมดของบิวด์และปรับใช้เป็นอัตโนมัติอย่างไร
ทำความสะอาด
หากต้องการล้างข้อมูลรีซอร์ส ให้ทำตามขั้นตอนต่อไปนี้:
- ลบสแต็ก CloudFormation ที่ใช้สำหรับโปรเจ็กต์ SageMaker และตำแหน่งข้อมูล SageMaker
- ลบโดเมน SageMaker
- ลบทรัพยากรแค็ตตาล็อกบริการ
- ลบลิงก์การเชื่อมต่อ AWS CodeStar ด้วยพื้นที่เก็บข้อมูล GitHub
- ลบผู้ใช้ IAM ที่คุณสร้างสำหรับ GitHub Actions
- ลบข้อมูลลับในตัวจัดการข้อมูลลับที่เก็บรายละเอียดการเข้าถึงส่วนบุคคลของ GitHub
สรุป
ในโพสต์นี้ เราได้อธิบายขั้นตอนการใช้เทมเพลตโปรเจ็กต์ SageMaker MLOps แบบกำหนดเองเพื่อสร้างและจัดระเบียบไปป์ไลน์ CI/CD โดยอัตโนมัติ ไปป์ไลน์นี้จะรวมกลไก CI/CD ที่มีอยู่ของคุณเข้ากับความสามารถของ SageMaker ได้อย่างมีประสิทธิภาพสำหรับการจัดการข้อมูล การฝึกโมเดล การอนุมัติโมเดล และการปรับใช้โมเดล ในสถานการณ์ของเรา เรามุ่งเน้นไปที่การผสานรวม GitHub Actions เข้ากับโปรเจ็กต์และไปป์ไลน์ของ SageMaker สำหรับความเข้าใจอย่างครอบคลุมเกี่ยวกับรายละเอียดการใช้งาน โปรดไปที่ พื้นที่เก็บข้อมูล GitHub. อย่าลังเลที่จะทดลองสิ่งนี้และอย่าลังเลที่จะทิ้งคำถามใด ๆ ที่คุณอาจมีไว้ในส่วนความคิดเห็น
เกี่ยวกับผู้เขียน
ดร.โรมินา ชาริฟปูร์ เป็นสถาปนิกอาวุโสด้าน Machine Learning และปัญญาประดิษฐ์ที่ Amazon Web Services (AWS) เธอใช้เวลากว่า 10 ปีในการเป็นผู้นำการออกแบบและการนำโซลูชันที่เป็นนวัตกรรมแบบ end-to-end มาใช้โดยความก้าวหน้าใน ML และ AI พื้นที่ที่น่าสนใจของ Romina คือการประมวลผลภาษาธรรมชาติ โมเดลภาษาขนาดใหญ่ และ MLOps
ปูยา วาฮิดี เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ซึ่งมีความหลงใหลในวิทยาการคอมพิวเตอร์ ปัญญาประดิษฐ์ และการประมวลผลแบบคลาวด์ ในฐานะมืออาชีพด้าน AI เขาเป็นสมาชิกที่กระตือรือร้นของทีม AWS AI/ML Area-of-Depth ด้วยประสบการณ์ที่สั่งสมมายาวนานกว่าสองทศวรรษในการเป็นผู้นำด้านสถาปัตยกรรมและวิศวกรรมของโซลูชันขนาดใหญ่ เขาช่วยเหลือลูกค้าในการเปลี่ยนแปลงผ่านเทคโนโลยีคลาวด์และ AI/ML
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- สามารถ
- เกี่ยวกับเรา
- ข้างบน
- เร่งความเร็ว
- เข้า
- Accessed
- สามารถเข้าถึงได้
- ตาม
- ลงชื่อเข้าใช้
- ความถูกต้อง
- บรรลุ
- ข้าม
- การปฏิบัติ
- คล่องแคล่ว
- วัฏจักร
- เพิ่ม
- เพิ่มเติม
- ปรับ
- นำมาใช้
- ความก้าวหน้า
- หลังจาก
- อีกครั้ง
- AI
- AI / ML
- ทั้งหมด
- จัดสรร
- อนุญาต
- ช่วยให้
- แล้ว
- ด้วย
- ทางเลือก
- อเมซอน
- อเมซอน SageMaker
- ท่อส่ง Amazon SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- และ
- และโครงสร้างพื้นฐาน
- ใด
- เหมาะสม
- การอนุมัติ
- สถาปัตยกรรม
- เป็น
- พื้นที่
- เทียม
- ปัญญาประดิษฐ์
- AS
- ด้าน
- ที่เกี่ยวข้อง
- สมาคม
- At
- โดยอัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- โดยอัตโนมัติ
- อัตโนมัติ
- ใช้ได้
- AWS
- พื้นหลัง
- ฐาน
- BE
- รับ
- ก่อน
- ทั้งสอง
- สร้าง
- การก่อสร้าง
- สร้าง
- สร้าง
- built-in
- by
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- แค็ตตาล็อก
- CD
- ส่วนกลาง
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- Choose
- คลาสสิก
- ปลาเดยส์
- คลิก
- เมฆ
- คอมพิวเตอร์เมฆ
- รหัส
- ฐานรหัส
- ร่วมมือ
- การทำงานร่วมกัน
- ชุด
- มา
- ความคิดเห็น
- สมบูรณ์
- เสร็จสิ้น
- ซับซ้อน
- ส่วนประกอบ
- ส่วนประกอบ
- ครอบคลุม
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- การคำนวณ
- ความลับ
- องค์ประกอบ
- การกำหนดค่า
- การกำหนดค่า
- การเชื่อมต่อ
- พิจารณา
- เสมอต้นเสมอปลาย
- ประกอบ
- ปลอบใจ
- สร้าง
- บรรจุ
- เนื้อหา
- ต่อเนื่องกัน
- ควบคุม
- ตรงกัน
- สร้าง
- ที่สร้างขึ้น
- สร้าง
- การสร้าง
- การสร้าง
- ประเพณี
- ลูกค้า
- การปรับแต่ง
- DAG
- ข้อมูล
- การเตรียมข้อมูล
- วิทยาศาสตร์ข้อมูล
- ทศวรรษที่ผ่านมา
- ค่าเริ่มต้น
- ส่งมอบ
- การจัดส่ง
- คุ้ย
- ความต้องการ
- สาธิต
- แสดงให้เห็นถึง
- การอ้างอิง
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- การใช้งาน
- ลักษณะ
- ออกแบบ
- ที่ต้องการ
- รายละเอียด
- รายละเอียด
- รายละเอียด
- พัฒนาการ
- ต่าง
- กำกับการแสดง
- โดยตรง
- กล่าวถึง
- do
- โดเมน
- Dont
- ในระหว่าง
- แต่ละ
- ก่อน
- ง่ายดาย
- ระบบนิเวศ
- มีประสิทธิภาพ
- มีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ทั้ง
- องค์ประกอบ
- การกำจัด
- ทำให้สามารถ
- เปิดการใช้งาน
- ช่วยให้
- การเปิดใช้งาน
- จบสิ้น
- ปลายทาง
- ชั้นเยี่ยม
- วิศวกร
- ทำให้มั่นใจ
- เพื่อให้แน่ใจ
- การสร้างความมั่นใจ
- เข้าสู่
- Enterprise
- ทั้งหมด
- สิ่งแวดล้อม
- สภาพแวดล้อม
- เป็นหลัก
- สร้าง
- ที่จัดตั้งขึ้น
- ก่อตั้ง
- สถานประกอบการ
- ฯลฯ
- การประเมินผล
- เหตุการณ์
- ตัวอย่าง
- ที่มีอยู่
- ประสบการณ์
- การทดลอง
- ความชำนาญ
- นักสำรวจ
- อำนวยความสะดวก
- ลักษณะ
- คุณสมบัติ
- รู้สึก
- สนาม
- เนื้อไม่มีมัน
- ไฟล์
- Finder
- โฟกัส
- มุ่งเน้น
- ดังต่อไปนี้
- สำหรับ
- ส้อม
- การสร้าง
- รูปแบบ
- พบ
- ฟรี
- เสรีภาพ
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- ฟังก์ชั่น
- สร้าง
- สร้าง
- ได้รับ
- ไป
- GitHub
- ให้
- ไป
- ไป
- ให้
- กราฟ
- มากขึ้น
- บัญชีกลุ่ม
- กลุ่ม
- มี
- he
- หนัก
- ยกของหนัก
- จะช่วยให้
- โฮสติ้ง
- บ้าน
- บ้าน
- การเคหะ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- ID
- เอกลักษณ์
- รหัส
- if
- การดำเนินงาน
- การดำเนินการ
- การดำเนินการ
- in
- ประกอบด้วย
- รวมถึง
- รวมทั้ง
- ข้อมูล
- โครงสร้างพื้นฐาน
- เริ่มต้น
- ประทับจิต
- นวัตกรรม
- อินพุต
- ภายใน
- ติดตั้ง
- การติดตั้ง
- ตัวอย่าง
- แทน
- คำแนะนำการใช้
- รวบรวม
- รวม
- การบูรณาการ
- บูรณาการ
- Intelligence
- การโต้ตอบ
- อยากเรียนรู้
- เข้าไป
- เปิดตัว
- ความเหงา
- IT
- ITS
- เส้นทางท่องเที่ยว
- jpg
- JSON
- เพียงแค่
- เก็บ
- เก็บ
- คีย์
- กุญแจ
- ที่รู้จักกัน
- ภาษา
- ใหญ่
- ขนาดใหญ่
- ต่อมา
- เปิดตัว
- ชั้น
- ชั้น
- ชั้นนำ
- การเรียนรู้
- ทิ้ง
- วงจรชีวิต
- facelift
- กดไลก์
- เชื้อสาย
- LINK
- รายการ
- ที่ตั้งอยู่
- ที่ตั้ง
- นาน
- ดู
- ดูเหมือน
- เครื่อง
- เรียนรู้เครื่อง
- MacOS
- รักษา
- การบำรุงรักษา
- ทำ
- จัดการ
- การจัดการ
- การจัดการ
- ผู้จัดการ
- การจัดการ
- การจัดการ
- คู่มือ
- หลาย
- กลไก
- พบ
- สมาชิก
- สมาชิก
- เมนู
- เมตาดาต้า
- อาจ
- เอ็มไอที
- ML
- ม.ป.ป
- แบบ
- โมเดล
- การปรับเปลี่ยน
- แก้ไข
- การตรวจสอบ
- จอภาพ
- ข้อมูลเพิ่มเติม
- มีประสิทธิภาพมากขึ้น
- ยิ่งไปกว่านั้น
- หลาย
- ต้อง
- ชื่อ
- ที่มีชื่อ
- ชื่อ
- พื้นเมือง
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- นำทาง
- การเดินเรือ
- จำเป็น
- จำเป็น
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- ผลิตภัณฑ์ใหม่
- ใหม่
- ถัดไป
- ตอนนี้
- ได้รับ
- of
- การเสนอ
- on
- ONE
- ต่อมา
- ทำงาน
- การดำเนินการ
- or
- ประสาน
- organizacja
- องค์กร
- อื่นๆ
- ของเรา
- เกิน
- ภาพรวม
- ของตนเอง
- เจ้าของ
- แพ็คเกจ
- บานหน้าต่าง
- ความเท่าเทียมกัน
- ส่วนหนึ่ง
- พรรค
- หลงใหล
- สิทธิ์
- ส่วนบุคคล
- ท่อ
- แผน
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- ผลงาน
- โพสต์
- ที่มีประสิทธิภาพ
- การปฏิบัติ
- การคาดการณ์
- การจัดเตรียม
- เตรียมการ
- เตรียม
- ข้อกำหนดเบื้องต้น
- ก่อน
- ขั้นตอนการ
- กระบวนการ
- กระบวนการ
- การประมวลผล
- ผลิต
- ผลิตภัณฑ์
- การผลิต
- มืออาชีพ
- โครงการ
- โครงการ
- แจ้ง
- การป้องกัน
- ให้
- ให้
- ให้
- การตีพิมพ์
- ผลัก
- ผลักดัน
- หลาม
- คำสั่ง
- รวดเร็ว
- การเตรียมความพร้อม
- พร้อม
- เรียลไทม์
- แนะนำ
- แนะนำ
- บันทึก
- อ้างอิง
- การอ้างอิง
- สะท้อน
- ลงทะเบียน
- ลงทะเบียน
- รีจิสทรี
- ที่เกี่ยวข้อง
- ตรงประเด็น
- น่าเชื่อถือ
- เอาออก
- ซ้ำแล้วซ้ำเล่า
- กรุ
- ขอ
- ต้องการ
- ความต้องการ
- การวิจัย
- ทรัพยากร
- แหล่งข้อมูล
- ตามลำดับ
- รับผิดชอบ
- ส่งผลให้
- นำมาใช้ใหม่
- ขวา
- แข็งแรง
- บทบาท
- บทบาท
- ราก
- กฎ
- วิ่ง
- ทำงาน
- sagemaker
- ท่อส่ง SageMaker
- เดียวกัน
- ลด
- scalability
- ปรับ
- สถานการณ์
- สถานการณ์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ลับ
- ความลับ
- Section
- ส่วน
- อย่างปลอดภัย
- ความปลอดภัย
- เห็น
- เมล็ดพันธุ์
- เลือก
- ระดับอาวุโส
- ให้บริการอาหาร
- บริการ
- บริการ
- ชุดอุปกรณ์
- การตั้งค่า
- การตั้งค่า
- การติดตั้ง
- หลาย
- เธอ
- น่า
- โชว์
- คล้ายคลึงกัน
- ง่าย
- ที่เรียบง่าย
- ลดความซับซ้อน
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- ทางออก
- โซลูชัน
- บาง
- บางสิ่งบางอย่าง
- แหล่ง
- รหัสแหล่งที่มา
- ความตึงเครียด
- โดยเฉพาะ
- เฉพาะ
- การใช้จ่าย
- สแต็ค
- ทักษะ
- ระยะ
- ขั้นตอน
- การแสดงละคร
- มาตรฐาน
- เริ่มต้น
- ที่เริ่มต้น
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- ร้านค้า
- การเก็บรักษา
- ซื่อตรง
- เพรียวลม
- การทำให้เพรียวลม
- สตูดิโอ
- ศึกษา
- ภายหลัง
- ประสบความสำเร็จ
- อย่างเช่น
- เพียงพอ
- ชุด
- แน่ใจ
- ระบบ
- ระบบ
- TAG
- ทีม
- สมาชิกในทีม
- ทีม
- เทคโนโลยี
- เทมเพลต
- แม่แบบ
- การทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- ที่มา
- ของพวกเขา
- แล้วก็
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- ที่สาม
- ของบุคคลที่สาม
- นี้
- เหล่านั้น
- ตลอด
- ตลอด
- ไปยัง
- ร่วมกัน
- โทเค็น
- เครื่องมือ
- เครื่องมือ
- ด้านบน
- ลู่
- การติดตาม
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- กระแส
- เรียก
- ทริกเกอร์
- สอง
- ชนิด
- ชนิด
- ภายใต้
- เข้าใจ
- ความเข้าใจ
- เป็นเอกลักษณ์
- บันทึก
- อัปโหลด
- เมื่อ
- us
- ใช้
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- การใช้
- นำไปใช้
- ใช้
- ตรวจสอบความถูกต้อง
- การตรวจสอบ
- ความคุ้มค่า
- ต่างๆ
- รุ่น
- รุ่น
- ผ่านทาง
- เสมือน
- เยี่ยมชมร้านค้า
- เดิน
- ต้องการ
- we
- เว็บ
- บริการเว็บ
- web-based
- Website
- อะไร
- เมื่อ
- ที่
- ในขณะที่
- จะ
- หน้าต่าง
- กับ
- ภายใน
- งาน
- ทำงานด้วยกัน
- เวิร์กโฟลว์
- ขั้นตอนการทำงาน
- จะ
- ปี
- คุณ
- ของคุณ
- ลมทะเล
- รหัสไปรษณีย์