โลกที่เราอาศัยอยู่กำลังเปลี่ยนแปลงอย่างรวดเร็ว ข้อมูลและฟีเจอร์ที่บริษัทและลูกค้าใช้เพื่อฝึกโมเดลของพวกเขาก็เช่นกัน การฝึกโมเดลใหม่เพื่อให้สอดคล้องกับการเปลี่ยนแปลงเหล่านี้ถือเป็นสิ่งสำคัญในการรักษาความถูกต้อง ดังนั้น คุณจำเป็นต้องมีแนวทางที่คล่องตัวและไดนามิกเพื่อรักษาโมเดลให้ทันสมัยและปรับให้เข้ากับอินพุตใหม่ การผสมผสานระหว่างโมเดลที่ยอดเยี่ยมและการปรับตัวอย่างต่อเนื่องคือสิ่งที่จะนำไปสู่กลยุทธ์การเรียนรู้ของเครื่อง (ML) ที่ประสบความสำเร็จ
วันนี้ เรารู้สึกตื่นเต้นที่ได้ประกาศเปิดตัว Flywheel ของ Amazon Comprehend ซึ่งเป็นฟีเจอร์ Machine Learning (MLOps) แบบครบวงจรสำหรับ เข้าใจ Amazon แบบอย่าง. ในโพสต์นี้ เราจะสาธิตวิธีที่คุณสามารถสร้างเวิร์กโฟลว์แบบ end-to-end ด้วย Flywheel ของ Amazon Comprehend
ภาพรวมโซลูชัน
Amazon Comprehend เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งใช้การประมวลผลภาษาธรรมชาติ (NLP) เพื่อดึงข้อมูลเชิงลึกเกี่ยวกับเนื้อหาของเอกสาร ช่วยให้คุณดึงข้อมูลโดยการจดจำความรู้สึก วลีสำคัญ เอนทิตี และอื่นๆ อีกมากมาย ช่วยให้คุณสามารถใช้ประโยชน์จากโมเดลที่ล้ำสมัยและปรับให้เข้ากับกรณีการใช้งานเฉพาะของคุณ
ม.ป.ป มุ่งเน้นไปที่การผสมผสานระหว่างวิทยาศาสตร์ข้อมูลและวิศวกรรมข้อมูล ร่วมกับแนวทางปฏิบัติ DevOps ที่มีอยู่ เพื่อปรับปรุงการส่งมอบโมเดลตลอดวงจรการพัฒนา ML MLOps คือระเบียบวินัยในการรวมปริมาณงาน ML เข้ากับการจัดการการเผยแพร่, CI/CD และการดำเนินการ MLOps ต้องการการบูรณาการการพัฒนาซอฟต์แวร์ การดำเนินงาน วิศวกรรมข้อมูล และวิทยาศาสตร์ข้อมูล
นี่คือสาเหตุที่ Amazon Comprehend เปิดตัวมู่เล่ มู่เล่มีจุดมุ่งหมายเพื่อเป็นศูนย์รวมในการดำเนินการ MLOP สำหรับโมเดล Amazon Comprehend ของคุณ คุณสมบัติใหม่นี้จะช่วยให้คุณรักษาโมเดลของคุณให้ทันสมัยอยู่เสมอ ปรับปรุงโมเดลของคุณ และปรับใช้เวอร์ชันที่ดีที่สุดได้เร็วขึ้น
แผนภาพต่อไปนี้แสดงถึงวงจรการใช้งานของโมเดลภายในมู่เล่ของ Amazon Comprehend
กระบวนการปัจจุบันในการสร้างแบบจำลองใหม่ประกอบด้วยลำดับขั้นตอน ขั้นแรก คุณจะต้องรวบรวมข้อมูลและเตรียมชุดข้อมูล จากนั้น คุณฝึกโมเดลโดยใช้ชุดข้อมูลนี้ หลังจากที่แบบจำลองได้รับการฝึกฝนแล้ว จะมีการประเมินความแม่นยำและประสิทธิภาพ สุดท้าย คุณปรับใช้โมเดลกับตำแหน่งข้อมูลเพื่อทำการอนุมาน เมื่อมีการสร้างแบบจำลองใหม่ จะต้องทำซ้ำขั้นตอนเหล่านี้ และต้องอัปเดตตำแหน่งข้อมูลด้วยตนเอง
มู่เล่ของ Amazon Comprehend จะทำให้กระบวนการ ML นี้เป็นแบบอัตโนมัติ ตั้งแต่การนำเข้าข้อมูลไปจนถึงการนำโมเดลไปใช้งานจริง ด้วยคุณสมบัติใหม่นี้ คุณสามารถจัดการการฝึกอบรมและการทดสอบโมเดลที่สร้างขึ้นภายใน Amazon Comprehend คุณสมบัตินี้ยังช่วยให้คุณฝึกโมเดลใหม่ได้โดยอัตโนมัติหลังจากนำเข้าชุดข้อมูลใหม่และพร้อมใช้งานใน Data Lake ของมู่เล่
มู่เล่ให้การผสานรวมกับการจัดหมวดหมู่แบบกำหนดเองและ API การจดจำเอนทิตีแบบกำหนดเอง และสามารถช่วยบทบาทที่แตกต่างกัน เช่น วิศวกรข้อมูลและนักพัฒนา ดำเนินการและจัดการเวิร์กโฟลว์ NLP โดยอัตโนมัติด้วยบริการที่ไม่ต้องใช้โค้ด
ก่อนอื่น เรามาแนะนำแนวคิดบางประการ:
- มู่เล่ – มู่เล่เป็นทรัพยากรของ AWS ที่ประสานการฝึกอบรมอย่างต่อเนื่องของโมเดลสำหรับการจัดหมวดหมู่แบบกำหนดเองหรือการรับรู้เอนทิตีแบบกำหนดเอง
- ชุด – ชุดข้อมูลคือชุดข้อมูลการฝึกอบรมหรือการทดสอบที่ใช้ในมู่เล่เดียว มู่เล่ใช้ชุดข้อมูลการฝึกเพื่อฝึกโมเดลรุ่นใหม่ และประเมินประสิทธิภาพบนชุดข้อมูลทดสอบ
- ทะเลสาบข้อมูล – Data Lake ของมู่เล่คือตำแหน่งในตัวคุณ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon บัคเก็ต (Amazon S3) ที่เก็บชุดข้อมูลและอาร์ติแฟกต์ของโมเดลทั้งหมด มู่เล่แต่ละล้อมี Data Lake เฉพาะของตัวเอง
- การวนซ้ำมู่เล่ – การวนซ้ำของมู่เล่เป็นการวิ่งของมู่เล่เมื่อผู้ใช้กระตุ้น ขึ้นอยู่กับความพร้อมของรถไฟใหม่หรือชุดข้อมูลการทดสอบ มู่เล่จะฝึกโมเดลใหม่หรือประเมินประสิทธิภาพของโมเดลที่ใช้งานอยู่บนข้อมูลการทดสอบใหม่
- โมเดลที่ใช้งานอยู่ – โมเดลที่ใช้งานอยู่คือเวอร์ชันที่เลือกของโมเดลโดยผู้ใช้สำหรับการคาดการณ์ เนื่องจากประสิทธิภาพของโมเดลได้รับการปรับปรุงด้วยการจำลองมู่เล่แบบใหม่ คุณจึงสามารถเปลี่ยนเวอร์ชันที่ใช้งานอยู่เป็นเวอร์ชันที่มีประสิทธิภาพดีที่สุดได้
แผนภาพต่อไปนี้แสดงขั้นตอนการทำงานของมู่เล่
ขั้นตอนเหล่านี้มีรายละเอียดดังนี้:
- สร้างมู่เล่ – มู่เล่ทำให้การฝึกอบรมเวอร์ชันโมเดลเป็นแบบอัตโนมัติสำหรับตัวแยกประเภทแบบกำหนดเองหรือตัวจดจำเอนทิตีแบบกำหนดเอง คุณสามารถเลือกรุ่น Amazon Comprehend ที่มีอยู่เป็นจุดเริ่มต้นสำหรับมู่เล่ หรือจะเริ่มต้นใหม่ทั้งหมดโดยไม่มีรุ่นก็ได้ ในทั้งสองกรณี จะต้องระบุตำแหน่ง Data Lake ของมู่เล่สำหรับมู่เล่
- การนำเข้าข้อมูล – คุณสามารถสร้างชุดข้อมูลใหม่สำหรับการฝึกอบรมหรือการทดสอบในมู่เล่ได้ ข้อมูลการฝึกอบรมและการทดสอบทั้งหมดสำหรับโมเดลทุกเวอร์ชันได้รับการจัดการและจัดเก็บไว้ใน Data Lake ของมู่เล่ที่สร้างขึ้นในบัคเก็ต S3 ของคุณ รูปแบบไฟล์ที่รองรับคือ CSV และไฟล์ Manifest เพิ่มเติมจากตำแหน่ง S3 คุณสามารถค้นหาข้อมูลเพิ่มเติมเพื่อเตรียมชุดข้อมูลได้ การจำแนกประเภทที่กำหนดเอง และ การรับรู้เอนทิตีแบบกำหนดเอง.
- ฝึกอบรมและประเมินแบบจำลอง – เมื่อคุณไม่ได้ระบุโมเดล ARN (ชื่อทรัพยากร Amazon) ที่จะใช้ นั่นหมายความว่าจะมีการสร้างโมเดลใหม่ตั้งแต่ต้น ด้วยเหตุนี้ มู่เล่ซ้ำครั้งแรกจะสร้างแบบจำลองตามชุดข้อมูลรถไฟที่อัปโหลด สำหรับการวนซ้ำอย่างต่อเนื่อง กรณีที่เป็นไปได้มีดังนี้:
- หากไม่มีการอัปโหลดชุดข้อมูลรถไฟหรือการทดสอบใหม่นับตั้งแต่การวนซ้ำครั้งล่าสุด การวนซ้ำมู่เล่จะเสร็จสิ้นโดยไม่มีการเปลี่ยนแปลงใดๆ
- หากมีเฉพาะชุดข้อมูลการทดสอบใหม่นับตั้งแต่การวนซ้ำครั้งล่าสุด การวนซ้ำของมู่เล่จะรายงานประสิทธิภาพของโมเดลที่ใช้งานอยู่ในปัจจุบันโดยอิงตามชุดข้อมูลการทดสอบใหม่
- หากมีชุดข้อมูลรถไฟใหม่ การวนซ้ำมู่เล่จะฝึกโมเดลใหม่
- หากมีชุดข้อมูลรถไฟและการทดสอบใหม่ การวนซ้ำมู่เล่จะฝึกโมเดลใหม่และรายงานประสิทธิภาพของโมเดลที่ใช้งานอยู่ในปัจจุบัน
- ส่งเสริมเวอร์ชันที่ใช้งานอยู่ใหม่ – ขึ้นอยู่กับประสิทธิภาพของการหมุนซ้ำของมู่เล่ที่แตกต่างกัน คุณสามารถอัปเดตเวอร์ชันของโมเดลที่ใช้งานอยู่ให้เป็นเวอร์ชันที่ดีที่สุดได้
- ปรับใช้ปลายทาง – หลังจากรันการวนซ้ำมู่เล่และอัปเดตเวอร์ชันโมเดลที่ใช้งานอยู่ คุณสามารถเรียกใช้การอนุมานแบบเรียลไทม์ (ซิงโครนัส) บนโมเดลของคุณได้ คุณสามารถสร้างตำแหน่งข้อมูลด้วยมู่เล่ ARN ซึ่งโดยค่าเริ่มต้นจะใช้เวอร์ชันของโมเดลที่ใช้งานอยู่ในปัจจุบัน เมื่อโมเดลที่ใช้งานอยู่สำหรับมู่เล่เปลี่ยนไป อุปกรณ์ปลายทางจะเริ่มต้นใช้งานโมเดลที่ใช้งานใหม่โดยอัตโนมัติ โดยที่ลูกค้าไม่ต้องดำเนินการใด ๆ ตำแหน่งข้อมูลประกอบด้วยทรัพยากรที่ได้รับการจัดการทั้งหมดที่ทำให้โมเดลที่คุณกำหนดเองพร้อมใช้งานสำหรับการอนุมานแบบเรียลไทม์
ในส่วนต่อไปนี้ เราจะสาธิตวิธีต่างๆ ในการสร้างมู่เล่ Amazon Comprehend ใหม่
เบื้องต้น
คุณต้องการสิ่งต่อไปนี้:
- บัญชี AWS ที่ใช้งานอยู่
- บัคเก็ต S3 สำหรับตำแหน่งข้อมูลของคุณ
- An AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) ที่มีสิทธิ์ในการสร้างมู่เล่ Amazon Comprehend และสิทธิ์ในการอ่านและเขียนลงในบัคเก็ต S3 ตำแหน่งข้อมูลของคุณ
สร้างมู่เล่ด้วย AWS CloudFormation
เพื่อเริ่มใช้มู่เล่ของ Amazon Comprehend ด้วย การก่อตัวของ AWS Cloudคุณต้องมีข้อมูลต่อไปนี้เกี่ยวกับ AWS::Comprehend::Flywheel
ทรัพยากร:
- DataAccessRoleArn – ARN ของบทบาท IAM ที่ให้สิทธิ์ Amazon Comprehend ในการเข้าถึงข้อมูลมู่เล่
- DataLakeS3Uri – Amazon S3 URI ของตำแหน่ง Data Lake ของมู่เล่
- มู่เล่ชื่อ – ชื่อมู่เล่
สำหรับข้อมูลเพิ่มเติมโปรดดูที่ เอกสาร AWS CloudFormation.
สร้างมู่เล่บนคอนโซล Amazon Comprehend
ในตัวอย่างนี้ เราสาธิตวิธีสร้างมู่เล่สำหรับโมเดลลักษณนามที่กำหนดเองบน คอนโซล Amazon Comprehen ที่ทำให้เข้าใจหัวข้อข่าวได้
สร้างชุดข้อมูล
ขั้นแรก คุณต้องสร้างชุดข้อมูล สำหรับโพสต์นี้เราใช้ ชุดข้อมูลการจัดหมวดหมู่ข่าว AG. ในชุดข้อมูลนี้ ข้อมูลแบ่งออกเป็น XNUMX หมวดหมู่ข่าว: WORLD
, SPORTS
, BUSINESS
และ SCI_TEC
.
เรียกใช้ สมุดบันทึก ทำตามขั้นตอนเพื่อประมวลผลข้อมูลล่วงหน้าใน ทำความเข้าใจห้องปฏิบัติการ Immersion Day 2 สำหรับชุดข้อมูลการฝึกอบรมและการทดสอบ และบันทึกข้อมูลใน Amazon S3
สร้างมู่เล่
ตอนนี้เราสามารถสร้างมู่เล่ของเราได้แล้ว ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Comprehend ให้เลือก มู่เล่ ในบานหน้าต่างนำทาง
- Choose สร้างมู่เล่ใหม่.
คุณสามารถสร้างมู่เล่ใหม่จากโมเดลที่มีอยู่หรือสร้างโมเดลใหม่ก็ได้ ในกรณีนี้ เราจะสร้างโมเดลใหม่ตั้งแต่ต้น
- สำหรับ ชื่อมู่เล่ให้ป้อนชื่อ (สำหรับตัวอย่างนี้
custom-news-flywheel
). - ออกจาก รุ่น ฟิลด์ว่างเปล่า
- เลือก การจัดหมวดหมู่แบบกำหนดเอง for ประเภทโมเดลที่กำหนดเอง.
- สำหรับ ภาษาให้คงการตั้งค่าไว้เป็น ภาษาอังกฤษ.
- เลือก การใช้โหมดหลายป้ายกำกับ for โหมดลักษณนาม.
- สำหรับ ป้ายกำกับที่กำหนดเองป้อน
BUSINESS,SCI_TECH,SPORTS,WORLD
. - สำหรับการตั้งค่าการเข้ารหัส ให้เก็บไว้ ใช้คีย์ของ AWS.
- สำหรับตำแหน่ง Data Lake ของมู่เล่ ให้เลือก S3 URI ในบัญชีของคุณที่สามารถใช้กับมู่เล่นี้ได้
มู่เล่แต่ละอันมีตำแหน่ง Data Lake ของ S3 ซึ่งจัดเก็บทรัพย์สินของมู่เล่และสิ่งประดิษฐ์ เช่น ชุดข้อมูลและสถิติของโมเดล ตรวจสอบให้แน่ใจว่าไม่ได้แก้ไขหรือลบวัตถุใดๆ จากตำแหน่งนี้ เนื่องจากมีไว้เพื่อจัดการโดยมู่เล่เท่านั้น
- Choose สร้างบทบาท IAM และป้อนชื่อสำหรับบทบาท (
CustomNewsFlywheelRole
ในกรณีของเรา) - Choose สร้างบัญชีตัวแทน.
จะใช้เวลาสองสามนาทีในการสร้างมู่เล่ เมื่อสร้างแล้วสถานะจะเปลี่ยนเป็น ใช้งาน.
- เกี่ยวกับ
custom-news-flywheel
หน้ารายละเอียดเลือก สร้างชุดข้อมูล - สำหรับ ชื่อชุดข้อมูลป้อนชื่อสำหรับชุดข้อมูลการฝึกอบรม
- ทิ้ง ไฟล์ CSV for รูปแบบข้อมูล.
- Choose การฝึกอบรม และเลือกชุดข้อมูลการฝึกจากบัคเก็ต S3
- Choose สร้างบัญชีตัวแทน.
- ทำซ้ำขั้นตอนเหล่านี้เพื่อสร้างชุดข้อมูลทดสอบ
- หลังจากสถานะชุดข้อมูลที่อัปโหลดเปลี่ยนเป็น เสร็จไปที่ การวนซ้ำมู่เล่ และเลือก วิ่งมู่เล่.
- เมื่ออบรมเสร็จแล้วให้ไปที่ รุ่นรุ่น เลือกโมเดลที่ได้รับการฝึกอบรมล่าสุด และเลือก สร้างโมเดลที่ใช้งานอยู่.
คุณยังสามารถสังเกตคะแนน F1 ความแม่นยำ และการเรียกคืนเป้าหมายได้
- บริการรถ ชุดข้อมูล และเลือก สร้างชุดข้อมูล ใน ทดสอบชุดข้อมูล มาตรา.
- ป้อนตำแหน่งของ
text.csv
ในถัง S3
รอจนกระทั่งสถานะแสดงเป็น เสร็จ. สิ่งนี้จะสร้างการวัดบนโมเดลที่ใช้งานอยู่โดยใช้ชุดข้อมูลทดสอบ
หากคุณเลือกที่ การจัดหมวดหมู่แบบกำหนดเอง ในบานหน้าต่างนำทาง คุณสามารถดูโมเดลตัวแยกประเภทเอกสารทั้งหมดได้ แม้แต่รุ่นที่ได้รับการฝึกโดยใช้มู่เล่ด้วยก็ตาม
สร้างปลายทาง
หากต้องการสร้างจุดสิ้นสุดโมเดลของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Comprehend ให้นำทางไปยังมู่เล่ที่คุณสร้างขึ้น
- เกี่ยวกับ ปลายทาง เลือกแท็บ สร้างปลายทาง.
- ตั้งชื่อจุดสิ้นสุด
news-topic
. - ภายใต้ การจำแนกรุ่นและมู่เล่มีการเลือกเวอร์ชันโมเดลที่ใช้งานอยู่แล้ว
- สำหรับ หน่วยอนุมานเลือก IU 1.
- เลือกกล่องกาเครื่องหมายการรับทราบ จากนั้นเลือก สร้างปลายทาง.
- หลังจากสร้างจุดสิ้นสุดและใช้งานแล้ว ให้ไปที่ ใช้ในการวิเคราะห์แบบเรียลไทม์ ในหน้ารายละเอียดของปลายทาง
- ทดสอบโมเดลโดยการป้อนข้อความลงในไฟล์ ป้อนข้อความ กล่อง.
- ภายใต้ ผลสอบให้ตรวจสอบป้ายกำกับสำหรับหัวข้อข่าว
สร้างงานการวิเคราะห์แบบอะซิงโครนัส
หากต้องการสร้างงานการวิเคราะห์ ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon Comprehend ให้นำทางไปยังเวอร์ชันโมเดลที่ใช้งานอยู่
- Choose สร้างงาน.
- สำหรับ Nameป้อน
batch-news
. - สำหรับ ประเภทการวิเคราะห์¸ เลือก การจัดหมวดหมู่แบบกำหนดเอง.
- สำหรับ การจำแนกรุ่นและมู่เล่ให้เลือกมู่เล่ที่คุณสร้าง (
custom-news-flywheel
). - เรียกดู Amazon S3 เพื่อเลือกไฟล์อินพุตที่มีข้อความข่าวต่างๆ ที่เราต้องการสร้างการวิเคราะห์ด้วย จากนั้นเลือก หนึ่งเอกสารต่อบรรทัด (หนึ่งข้อความข่าวต่อบรรทัด)
ภาพหน้าจอต่อไปนี้แสดงเอกสารที่อัปโหลดสำหรับแบบฝึกหัดนี้
- เลือกตำแหน่งที่คุณต้องการบันทึกไฟล์เอาต์พุตในตำแหน่ง S3 ของคุณ
- สำหรับ สิทธิ์การเข้าถึงให้เลือกบทบาท IAM
CustomNewsFlywheelRole
ที่คุณสร้างไว้ก่อนหน้านี้ - Choose สร้างงาน.
- เมื่องานเสร็จสมบูรณ์ ให้ดาวน์โหลดไฟล์เอาต์พุตและตรวจสอบการคาดการณ์
ทำความสะอาด
เพื่อหลีกเลี่ยงการเรียกเก็บเงินในอนาคต โปรดล้างทรัพยากรที่คุณสร้างขึ้น
- บนคอนโซล Amazon Comprehend ให้เลือก มู่เล่ ในบานหน้าต่างนำทาง
- เลือกมู่เล่ของคุณแล้วเลือก ลบ.
- ลบปลายทางใดๆ ที่คุณสร้างขึ้น
- ล้างข้อมูลและลบบัคเก็ต S3 ที่คุณสร้างขึ้น
สรุป
ในโพสต์นี้ เราได้เห็นว่ามู่เล่ของ Amazon Comprehend ทำหน้าที่เป็นร้านค้าครบวงจรในการดำเนินการ MLOP สำหรับโมเดล Amazon Comprehend ของคุณได้อย่างไร นอกจากนี้เรายังพูดคุยถึงคุณค่าที่นำเสนอและแนะนำแนวคิดมู่เล่ขั้นพื้นฐานอีกด้วย จากนั้นเราจะอธิบายขั้นตอนต่างๆ ให้คุณทราบตั้งแต่การสร้างมู่เล่ไปจนถึงการสร้างจุดสิ้นสุด
เรียนรู้เพิ่มเติมเกี่ยวกับ ลดความซับซ้อนในการเรียนรู้อย่างต่อเนื่องของโมเดลแบบกำหนดเองของ Amazon Comprehend โดยใช้ฟลายวีล Comprehend. ลองใช้ทันทีและเริ่มต้นใช้งานบริการที่เพิ่งเปิดตัวใหม่ของเรา ซึ่งได้แก่ มู่เล่ Amazon Comprehend
เกี่ยวกับผู้เขียน
อัลเบร์โต้ เมเนนเดซ เป็นรองที่ปรึกษา DevOps ในบริการระดับมืออาชีพที่ AWS และเป็นสมาชิกของ Comprehend Champions เขาชอบช่วยเร่งการเดินทางของลูกค้าไปสู่ระบบคลาวด์ และสร้างโซลูชันเพื่อแก้ปัญหาความท้าทายทางธุรกิจของพวกเขา ในเวลาว่าง เขาสนุกกับการฝึกซ้อมกีฬา โดยเฉพาะบาสเก็ตบอลและปาเดล ใช้เวลาอยู่กับครอบครัวและเพื่อนฝูง และเรียนรู้เกี่ยวกับเทคโนโลยี
ไอรีน อาร์โรโย เดลกาโด เป็นรองที่ปรึกษา AI/ML ในบริการระดับมืออาชีพที่ AWS และเป็นสมาชิกของ Comprehend Champions เธอมุ่งเน้นไปที่การผลิตปริมาณงาน ML เพื่อให้บรรลุผลลัพธ์ทางธุรกิจที่ลูกค้าต้องการโดยทำให้วงจรชีวิต ML แบบ end-to-end เป็นอัตโนมัติ เธอมีประสบการณ์ในการสร้างแพลตฟอร์ม ML ที่มีประสิทธิภาพและการบูรณาการกับ Data Lake บน AWS ในเวลาว่าง ไอรีนชอบท่องเที่ยวและเดินป่าบนภูเขา
ชเวตา ทาปา เป็นสถาปนิกโซลูชันใน Enterprise Engaged ที่ AWS และเป็นสมาชิกของ Comprehend Champions เธอสนุกกับการช่วยเหลือลูกค้าในการเดินทางและการเติบโตในระบบคลาวด์ รับฟังความต้องการทางธุรกิจของพวกเขา และเสนอโซลูชันที่ดีที่สุดให้พวกเขา ในเวลาว่าง Shweta สนุกกับการออกไปวิ่ง ท่องเที่ยว และส่วนใหญ่ใช้เวลากับลูกสาวตัวน้อยของเธอ
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/introducing-the-amazon-comprehend-flywheel-for-mlops/
- 100
- 11
- 116
- 7
- a
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ลงชื่อเข้าใช้
- ความถูกต้อง
- บรรลุ
- ข้าม
- คล่องแคล่ว
- ปรับ
- การปรับตัว
- ความได้เปรียบ
- หลังจาก
- เปรียว
- AI / ML
- ทั้งหมด
- การอนุญาต
- ช่วยให้
- แล้ว
- อเมซอน
- เข้าใจ Amazon
- การวิเคราะห์
- และ
- ประกาศ
- APIs
- เข้าใกล้
- สินทรัพย์
- ภาคี
- เติม
- โดยอัตโนมัติ
- โดยอัตโนมัติ
- อัตโนมัติ
- โดยอัตโนมัติ
- ความพร้อมใช้งาน
- ใช้ได้
- AWS
- ทารก
- ตาม
- ขั้นพื้นฐาน
- บาสเกตบอล
- เพราะ
- ที่ดีที่สุด
- กล่อง
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- กรณี
- กรณี
- หมวดหมู่
- ความท้าทาย
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- เปลี่ยนแปลง
- โหลด
- ตรวจสอบ
- Choose
- การจัดหมวดหมู่
- จัด
- เมฆ
- การผสมผสาน
- บริษัท
- สมบูรณ์
- เสร็จ
- เข้าใจ
- แนวความคิด
- ปลอบใจ
- ผู้ให้คำปรึกษา
- เนื้อหา
- ต่อเนื่องกัน
- คู่
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- วิกฤติ
- ปัจจุบัน
- ขณะนี้
- ประเพณี
- ลูกค้า
- ลูกค้า
- ข้อมูล
- ดาต้าเลค
- วิทยาศาสตร์ข้อมูล
- ชุดข้อมูล
- วันที่
- วัน
- ทุ่มเท
- ค่าเริ่มต้น
- การจัดส่ง
- สาธิต
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- ปรับใช้
- ที่ต้องการ
- รายละเอียด
- รายละเอียด
- นักพัฒนา
- พัฒนาการ
- ต่าง
- กล่าวถึง
- เอกสาร
- เอกสาร
- Dont
- ดาวน์โหลด
- พลวัต
- แต่ละ
- ก่อน
- ทั้ง
- การเข้ารหัสลับ
- จบสิ้น
- ปลายทาง
- หมั้น
- ชั้นเยี่ยม
- วิศวกร
- เข้าสู่
- Enterprise
- หน่วยงาน
- เอกลักษณ์
- โดยเฉพาะอย่างยิ่ง
- ประเมินค่า
- ประเมิน
- แม้
- ตัวอย่าง
- ตื่นเต้น
- โดยเฉพาะ
- การออกกำลังกาย
- ที่มีอยู่
- ประสบการณ์
- สารสกัด
- f1
- ครอบครัว
- เร็วขึ้น
- ลักษณะ
- คุณสมบัติ
- สนาม
- ตัวเลข
- เนื้อไม่มีมัน
- ในที่สุด
- หา
- เสร็จสิ้น
- ชื่อจริง
- มุ่งเน้นไปที่
- ดังต่อไปนี้
- ดังต่อไปนี้
- ฟรี
- เพื่อน
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- อนาคต
- ได้รับ
- Go
- ไป
- ทุน
- ยิ่งใหญ่
- การเจริญเติบโต
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- เอกลักษณ์
- ปรับปรุง
- การปรับปรุง
- in
- รวมถึง
- แสดง
- ข้อมูล
- อินพุต
- ข้อมูลเชิงลึก
- การบูรณาการ
- บูรณาการ
- การตัด
- การแทรกแซง
- แนะนำ
- แนะนำ
- แนะนำ
- IT
- การย้ำ
- ซ้ำ
- การสัมภาษณ์
- การเดินทาง
- เก็บ
- คีย์
- ห้องปฏิบัติการ
- ป้ายกำกับ
- ทะเลสาบ
- ภาษา
- ชื่อสกุล
- เปิดตัว
- เปิดตัว
- นำ
- การเรียนรู้
- ทิ้ง
- วงจรชีวิต
- วงจรชีวิต
- Line
- การฟัง
- สด
- ที่ตั้ง
- เครื่อง
- เรียนรู้เครื่อง
- เก็บรักษา
- ทำ
- จัดการ
- การจัดการ
- การจัดการ
- ด้วยมือ
- สมาชิก
- ตัวชี้วัด
- นาที
- ML
- ม.ป.ป
- แบบ
- โมเดล
- แก้ไข
- ข้อมูลเพิ่มเติม
- มากที่สุด
- ชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- นำทาง
- การเดินเรือ
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- ข่าว
- NLP
- วัตถุประสงค์
- วัตถุ
- สังเกต
- การเสนอ
- ONE
- ต่อเนื่อง
- การดำเนินการ
- ของตนเอง
- เป็นเจ้าของ
- บานหน้าต่าง
- ดำเนินการ
- การปฏิบัติ
- การอนุญาต
- สิทธิ์
- วลี
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- เป็นไปได้
- โพสต์
- การปฏิบัติ
- ความแม่นยำ
- การคาดการณ์
- เตรียมการ
- การเตรียมความพร้อม
- กระบวนการ
- การประมวลผล
- การผลิต
- มืออาชีพ
- ประพจน์
- ให้
- อย่างรวดเร็ว
- อ่าน
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- การรับรู้
- ปล่อย
- ซ้ำแล้วซ้ำอีก
- รายงาน
- แสดงให้เห็นถึง
- ต้อง
- ทรัพยากร
- แหล่งข้อมูล
- บทบาท
- บทบาท
- วิ่ง
- วิ่ง
- ลด
- วิทยาศาสตร์
- Section
- ส่วน
- เลือก
- ลำดับ
- ให้บริการอาหาร
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- การตั้งค่า
- Shop
- แสดงให้เห็นว่า
- ง่าย
- ตั้งแต่
- เดียว
- So
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- โซลูชัน
- แก้
- บาง
- โดยเฉพาะ
- ที่ระบุไว้
- การใช้จ่าย
- กีฬา
- เริ่มต้น
- ข้อความที่เริ่ม
- ที่เริ่มต้น
- เริ่มต้น
- รัฐของศิลปะ
- สถิติ
- Status
- ขั้นตอน
- หยุด
- การเก็บรักษา
- เก็บไว้
- ร้านค้า
- กลยุทธ์
- เพรียวลม
- ที่ประสบความสำเร็จ
- อย่างเช่น
- ที่สนับสนุน
- เอา
- เทคโนโลยี
- ทดสอบ
- การทดสอบ
- พื้นที่
- ของพวกเขา
- ดังนั้น
- ตลอด
- เวลา
- ไปยัง
- หัวข้อ
- หัวข้อ
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การเดินทาง
- ทริกเกอร์
- บันทึก
- ให้กับคุณ
- การปรับปรุง
- อัปโหลด
- ใช้
- ใช้กรณี
- ผู้ใช้งาน
- ความคุ้มค่า
- รุ่น
- เดิน
- วิธี
- อะไร
- ที่
- จะ
- ไม่มี
- การประชุมเชิงปฏิบัติการ
- โลก
- เขียน
- คุณ
- ของคุณ
- ลมทะเล