Bir makine öğrenimi (ML) paradigması değişiminin tohumları on yıllardır var, ancak neredeyse sonsuz bilgi işlem kapasitesinin hazır kullanılabilirliği, büyük miktarda veri çoğalması ve makine öğrenimi teknolojilerindeki hızlı ilerlemeyle, sektörlerdeki müşteriler makine öğrenimini hızla benimsiyor ve kullanıyor işlerini dönüştürmek için teknolojiler.
Kısa bir süre önce, üretken AI uygulamaları herkesin dikkatini ve hayal gücünü yakaladı. Makine öğreniminin yaygın olarak benimsenmesinde gerçekten heyecan verici bir dönüm noktasındayız ve her müşteri deneyiminin ve uygulamasının üretken yapay zeka ile yeniden keşfedileceğine inanıyoruz.
Generative AI, konuşmalar, hikayeler, resimler, videolar ve müzik dahil olmak üzere yeni içerik ve fikirler oluşturabilen bir AI türüdür. Tüm yapay zeka gibi, üretken yapay zeka da makine öğrenimi modelleriyle desteklenir; bu modeller, geniş veri topluluğu üzerinde önceden eğitilmiş ve genellikle temel modeller (FM'ler) olarak adlandırılan çok büyük modellerdir.
FM'lerin boyutu ve genel amaçlı doğası, onları tipik olarak duyarlılık için metin analizi, görüntüleri sınıflandırma ve trendleri tahmin etme gibi belirli görevleri yerine getiren geleneksel makine öğrenimi modellerinden farklı kılar.
Geleneksel makine öğrenimi modelleriyle, her bir belirli görevi gerçekleştirmek için etiketlenmiş verileri toplamanız, bir model eğitmeniz ve bu modeli dağıtmanız gerekir. Temel modellerle, her model için etiketli veri toplamak ve birden çok modeli eğitmek yerine, çeşitli görevleri uyarlamak için aynı önceden eğitilmiş FM'yi kullanabilirsiniz. Ayrıca FM'leri, bir modeli sıfırdan eğitmek için gereken verilerin ve bilgi işlemin yalnızca küçük bir kısmını kullanarak işletmeniz için farklılık gösteren alana özgü işlevleri gerçekleştirmek üzere özelleştirebilirsiniz.
Üretken yapay zeka, içeriğin oluşturulma ve tüketilme biçiminde devrim yaratarak birçok sektörü alt üst etme potansiyeline sahiptir. Orijinal içerik üretimi, kod oluşturma, müşteri hizmetleri geliştirme ve belge özetleme, üretici yapay zekanın tipik kullanım durumlarıdır.
Amazon SageMaker Hızlı Başlangıç Makine öğrenimine başlamanıza yardımcı olmak için çok çeşitli sorun türleri için önceden eğitilmiş, açık kaynaklı modeller sağlar. Dağıtımdan önce bu modelleri kademeli olarak eğitebilir ve ayarlayabilirsiniz. JumpStart ayrıca yaygın kullanım durumları için altyapıyı kuran çözüm şablonları ve makine öğrenimi için yürütülebilir örnek not defterleri sağlar. Amazon Adaçayı Yapıcı.
Mevcut ve her gün büyüyen 600'den fazla önceden eğitilmiş modelle JumpStart, geliştiricilerin en son makine öğrenimi tekniklerini üretim iş akışlarına hızlı ve kolay bir şekilde dahil etmelerini sağlar. Önceden eğitilmiş modellere, çözüm şablonlarına ve örneklere JumpStart giriş sayfasından erişebilirsiniz. Amazon SageMaker Stüdyosu. SageMaker Python SDK'yı kullanarak JumpStart modellerine de erişebilirsiniz. JumpStart modellerinin programlı olarak nasıl kullanılacağı hakkında bilgi için bkz. Önceden Eğitilmiş Modellerle SageMaker JumpStart Algoritmalarını Kullanın.
Nisan 2023'te AWS tanıtıldı Amazon Ana Kayasıdahil olmak üzere başlangıçlardan önceden eğitilmiş modeller aracılığıyla yapay zeka destekli üretken uygulamalar oluşturmanın bir yolunu sunar. AI21 Laboratuvarları, Antropik, ve Stabilite AI. Amazon Bedrock, AWS tarafından kurum içinde eğitilmiş bir model ailesi olan Titan temel modellerine de erişim sunar. Amazon Bedrock'un sunucusuz deneyimiyle ihtiyaçlarınız için doğru modeli kolayca bulabilir, hızlı bir şekilde kullanmaya başlayabilir, FM'leri kendi verilerinizle özel olarak özelleştirebilir ve aşina olduğunuz AWS araçlarını ve yeteneklerini kullanarak uygulamalarınıza kolayca entegre edebilir ve devreye alabilirsiniz. ile (örneğin SageMaker ML özellikleriyle entegrasyonlar dahil) Amazon SageMaker Deneyleri farklı modelleri test etmek ve Amazon SageMaker Ardışık Düzenleri FM'lerinizi herhangi bir altyapıyı yönetmek zorunda kalmadan büyük ölçekte yönetmek için.
Bu gönderide, JumpStart'tan görüntü ve metin üretici yapay zeka modellerinin nasıl dağıtılacağını gösteriyoruz. AWS Bulut Geliştirme Kiti (AWS CDK'sı). AWS CDK, Python gibi tanıdık programlama dillerini kullanarak bulut uygulama kaynaklarınızı tanımlamaya yönelik açık kaynaklı bir yazılım geliştirme çerçevesidir.
Görüntü üretimi için Stable Difusion modelini ve görüntü üretimi için FLAN-T5-XL modelini kullanıyoruz. doğal dil anlayışı (NLU) ve metin oluşturma Sarılma Yüz JumpStart'ta.
Çözüme genel bakış
Web uygulaması üzerine inşa edilmiştir Akışlı, makine öğrenimi ve veri bilimi için güzel, özel web uygulamaları oluşturmayı ve paylaşmayı kolaylaştıran açık kaynaklı bir Python kitaplığı. Kullanarak web uygulamasını barındırıyoruz Amazon Elastik Konteyner Hizmeti (Amazon ECS) ile AWS Fargate ve bir Uygulama Yük Dengeleyici aracılığıyla erişilir. Fargate, çalıştırmak için Amazon ECS ile kullanabileceğiniz bir teknolojidir. kaplar sunucuları veya kümeleri veya sanal makineleri yönetmek zorunda kalmadan. Üretken AI modeli uç noktaları, JumpStart görüntülerinden başlatılır. Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR'si). Model verileri şu adreste depolanır: Amazon Basit Depolama Hizmeti (Amazon S3) JumpStart hesabında. Web uygulaması, modeller ile etkileşime girer. Amazon API Ağ Geçidi ve AWS Lambda aşağıdaki diyagramda gösterildiği gibi çalışır.
API Ağ Geçidi, web uygulamasına ve diğer istemcilere standart bir RESTful arabirimi sağlarken, modelle arabirim oluşturan Lambda işlevlerini korur. Bu, modelleri tüketen istemci uygulama kodunu basitleştirir. Bu örnekte API Ağ Geçidi uç noktalarına herkes tarafından erişilebilir ve bu mimariyi farklı uygulamalar için genişletme olanağı sağlar. API erişim kontrolleri ve diğer uygulamalarla entegre edin.
Bu gönderide, aşağıdaki adımlarda size yol gösteriyoruz:
- kurmak AWS Komut Satırı Arayüzü (AWS CLI) ve AWS CDK v2 yerel makinenizde.
- AWS CDK uygulamasını kopyalayın ve kurun.
- AWS CDK uygulamasını dağıtın.
- Görüntü oluşturma yapay zeka modelini kullanın.
- Metin oluşturma AI modelini kullanın.
- Dağıtılan kaynakları şu adreste görüntüleyin: AWS Yönetim Konsolu.
Bu yazının sonundaki ekte bu projedeki koda genel bir bakış sunuyoruz.
Önkoşullar
Aşağıdaki ön koşullara sahip olmalısınız:
Bu öğreticideki altyapıyı yerel bilgisayarınızdan dağıtabilir veya AWS Bulut9 dağıtım iş istasyonunuz olarak. AWS Cloud9, AWS CLI, AWS CDK ve Docker ile önceden yüklenmiş olarak gelir. AWS Cloud9'u seçerseniz, ortamı yaratmak itibaren AWS konsolu.
Kaynakları 50 saat çalışır durumda bıraktığınızı varsayarsak, bu gönderiyi tamamlamanın tahmini maliyeti 8 ABD dolarıdır. Devam eden ücretlerden kaçınmak için bu gönderide oluşturduğunuz kaynakları sildiğinizden emin olun.
AWS CLI ve AWS CDK'yi yerel makinenize kurun
AWS CLI yerel makinenizde yoksa bkz. AWS CLI'nin en son sürümünü yükleme veya güncelleme ve AWS CLI'yi yapılandırma.
Aşağıdaki node package manager komutunu kullanarak AWS CDK Toolkit'i küresel olarak kurun:
Kurulumun doğru olduğunu doğrulamak ve AWS CDK'nin sürüm numarasını yazdırmak için aşağıdaki komutu çalıştırın:
Yerel makinenizde Docker'ın kurulu olduğundan emin olun. Sürümü doğrulamak için aşağıdaki komutu verin:
AWS CDK uygulamasını klonlayın ve kurun
Yerel makinenizde AWS CDK uygulamasını aşağıdaki komutla klonlayın:
Proje klasörüne gidin:
Uygulamayı dağıtmadan önce, dizin yapısını gözden geçirelim:
The stack
klasörü, AWS CDK uygulamasındaki her yığının kodunu içerir. bu code
klasörü, Lambda işlevleri için kodu içerir. Depo ayrıca klasörün altında bulunan web uygulamasını da içerir. web-app
.
The cdk.json
dosyası, AWS CDK Toolkit'e uygulamanızı nasıl çalıştıracağını söyler.
Bu uygulama test edildi us-east-1
Bölge, ancak gerekli hizmetlere ve çıkarım örneği türüne sahip herhangi bir Bölgede çalışmalıdır. ml.g4dn.4xlarge
belirtilen app.py
.
Sanal ortam kurun
Bu proje, standart bir Python projesi gibi kurulur. Aşağıdaki kodu kullanarak bir Python sanal ortamı oluşturun:
Sanal ortamı etkinleştirmek için aşağıdaki komutu kullanın:
Bir Windows platformundaysanız, sanal ortamı aşağıdaki gibi etkinleştirin:
Sanal ortam etkinleştirildikten sonra, pip'i en son sürüme yükseltin:
Gerekli bağımlılıkları yükleyin:
Herhangi bir AWS CDK uygulamasını dağıtmadan önce, hesabınızda ve devreye aldığınız Bölgede bir alanı önyüklemeniz gerekir. Varsayılan Bölgenizde önyükleme yapmak için aşağıdaki komutu verin:
Belirli bir hesaba ve Bölgeye dağıtım yapmak istiyorsanız aşağıdaki komutu verin:
Bu kurulum hakkında daha fazla bilgi için şu adresi ziyaret edin: AWS CDK'yi kullanmaya başlama.
AWS CDK uygulama yığını yapısı
AWS CDK uygulaması, aşağıdaki şemada gösterildiği gibi birden çok yığın içerir.
AWS CDK uygulamanızdaki yığınları aşağıdaki komutla listeleyebilirsiniz:
Aşağıdakiler, diğer yararlı AWS CDK komutlarıdır:
- cdk ls – Uygulamadaki tüm yığınları listeler
- cdk sentezi – Sentezleneni yayar AWS CloudFormation şablon
- cdk dağıtımı – Bu yığını varsayılan AWS hesabınıza ve Bölgenize dağıtır
- cdk farkı – Dağıtılan yığını mevcut durumla karşılaştırır
- cdk belgeleri – AWS CDK belgelerini açar
Sonraki bölüm, AWS CDK uygulamasını nasıl dağıtacağınızı gösterir.
AWS CDK uygulamasını dağıtın
AWS CDK uygulaması, iş istasyonu yapılandırmanıza göre varsayılan Bölgeye dağıtılacaktır. Dağıtımı belirli bir Bölgede zorlamak istiyorsanız, AWS_DEFAULT_REGION
ortam değişkeni buna göre.
Bu noktada, AWS CDK uygulamasını dağıtabilirsiniz. Önce VPC ağ yığınını başlatırsınız:
Sorulursa, girin y
dağıtıma devam etmek için. Yığında sağlanan AWS kaynaklarının bir listesini görmelisiniz. Bu adımın tamamlanması yaklaşık 3 dakika sürer.
Ardından web uygulama yığınını başlatırsınız:
AWS CDK, yığını analiz ettikten sonra yığındaki kaynak listesini görüntüler. Dağıtıma devam etmek için y girin. Bu adım yaklaşık 5 dakika sürer.
Aşağıya not edin WebApplicationServiceURL
çıktıdan sonra kullanmak üzere. AWS CloudFormation konsolunda da alabilirsiniz. GenerativeAiDemoWebStack
yığın çıktıları.
Şimdi, görüntü oluşturma yapay zeka modeli uç nokta yığınını başlatın:
Bu adım yaklaşık 8 dakika sürer. Görüntü oluşturma modeli uç noktası konuşlandırıldı, artık kullanabiliriz.
Görüntü oluşturma yapay zeka modelini kullanın
İlk örnek, metin istemlerinden yüksek kaliteli görüntülerin oluşturulmasını sağlayan güçlü bir üretken modelleme tekniği olan Stable Difüzyon'un nasıl kullanılacağını gösterir.
- kullanarak web uygulamasına erişin.
WebApplicationServiceURL
çıkışındanGenerativeAiDemoWebStack
Tarayıcınızda. - Gezinti bölmesinde şunu seçin: Görüntü Üretimi.
- The SageMaker Bitiş Noktası Adı ve API GW URL'si alanlar önceden doldurulacaktır, ancak isterseniz resim açıklaması istemini değiştirebilirsiniz.
- Klinik resim oluştur.
- Uygulama, SageMaker uç noktasına bir çağrı yapacaktır. Birkaç saniye sürer. Resim açıklamanızdaki özelliklere sahip bir resim gösterilecektir.
Metin oluşturma yapay zeka modelini kullanın
İkinci örnek, geniş bir doğal dil anlayışı (NLU) ve doğal dil anlama (NLU) yelpazesine hitap ederken, metin üretimi için bağlam içi öğrenme elde etmek için bir temel veya büyük dil modeli (LLM) olan FLAN-T5-XL modelini kullanmaya odaklanır. dil oluşturma (NLG) görevleri.
Bazı ortamlar, aynı anda başlatabileceğiniz uç nokta sayısını sınırlayabilir. Bu durumda, her seferinde bir SageMaker uç noktası başlatabilirsiniz. AWS CDK uygulamasında bir SageMaker uç noktasını durdurmak için, diğer uç nokta yığınını başlatmadan önce dağıtılan uç nokta yığınını yok etmeniz gerekir. Görüntü oluşturma yapay zeka modeli uç noktasını kapatmak için aşağıdaki komutu verin:
Ardından, metin oluşturma yapay zeka modeli uç nokta yığınını başlatın:
İstemlere y girin.
Metin oluşturma modeli uç nokta yığını başlatıldıktan sonra aşağıdaki adımları tamamlayın:
- Web uygulamasına geri dönün ve seçin Metin Oluşturma Gezinti bölmesinde.
- The Giriş Bağlamı alan, müşterinin telefonuyla ilgili bir sorunla ilgili olarak bir müşteri ve bir temsilci arasında geçen görüşmeyle önceden doldurulmuştur, ancak isterseniz kendi bağlamınızı girebilirsiniz.
- Bağlamın altında, açılır menüde önceden doldurulmuş bazı sorgular bulacaksınız. Bir sorgu seçin ve seçin Yanıt Oluştur.
- Ayrıca kendi sorgunuzu da girebilirsiniz. Giriş Sorgusu alanı ve ardından seçin Yanıt Oluştur.
Dağıtılan kaynakları konsolda görüntüleyin
AWS CloudFormation konsolunda şunu seçin: Yığınları dağıtılan yığınları görüntülemek için gezinti bölmesinde.
Amazon ECS konsolunda, kümeleri Kümeleri gidin.
AWS Lambda konsolunda, işlevleri fonksiyonlar gidin.
API Gateway konsolunda, API Gateway uç noktalarını API'ler gidin.
SageMaker konsolunda, dağıtılan model uç noktalarını Uç noktalar gidin.
Yığınlar başlatıldığında, bazı parametreler üretilir. Bunlar şurada saklanır: AWS Systems Manager Parametre Deposu. Bunları görüntülemek için seçin Parametre Deposu üzerindeki gezinti bölmesinde AWS Sistem Yöneticisi konsol.
Temizlemek
Gereksiz maliyetlerden kaçınmak için iş istasyonunuzda aşağıdaki komutla oluşturulan tüm altyapıyı temizleyin:
Keşfet y
komut isteminde. Bu adım yaklaşık 10 dakika sürer. Konsoldaki tüm kaynakların silinip silinmediğini kontrol edin. Ayrıca Amazon S3 konsolunda AWS CDK tarafından oluşturulan varlık S3 gruplarını ve Amazon ECR'deki varlık havuzlarını da silin.
Sonuç
Bu yayında gösterildiği gibi, AWS CDK'yi JumpStart'ta üretken yapay zeka modellerini dağıtmak için kullanabilirsiniz. Streamlit, Lambda ve API Gateway tarafından desteklenen bir kullanıcı arabirimini kullanarak bir görüntü oluşturma örneği ve bir metin oluşturma örneği gösterdik.
Artık üretken yapay zeka projelerinizi, JumpStart'ta önceden eğitilmiş yapay zeka modellerini kullanarak oluşturabilirsiniz. Kullanım durumunuz için temel modellerde ince ayar yapmak ve API Ağ Geçidi uç noktalarına erişimi kontrol etmek için bu projeyi genişletebilirsiniz.
Sizi çözümü test etmeye ve projeye katkıda bulunmaya davet ediyoruz. GitHub. Bu eğitim hakkındaki düşüncelerinizi yorumlarda paylaşın!
Lisans özeti
Bu örnek kod, değiştirilmiş bir MIT lisansı altında sunulmuştur. Bkz. LİSANS daha fazla bilgi için dosya. Ayrıca, ilgili lisansları gözden geçirin. kararlı difüzyon ve flanş-t5-xl Hugging Face'teki modeller.
yazarlar hakkında
Hantzley Tauckoor Singapur merkezli bir APJ İş Ortağı Çözümleri Mimari Lideridir. Çözüm mimarisi, iş geliştirme, satış stratejisi, danışmanlık ve liderlik dahil olmak üzere çok sayıda işlevsel alana yayılan BİT endüstrisinde 20 yıllık deneyime sahiptir. Müşteriler uygulamalarını AWS'ye taşıyıp modernize ederken iş ortaklarının ortak çözümler geliştirmesine, teknik yetenekler oluşturmasına ve uygulama aşamasında onları yönlendirmesine olanak tanıyan bir Kıdemli Çözüm Mimarları ekibine liderlik ediyor.
Kwonyul Choi Seul merkezli bir Kore güzellik bakım platformu girişimi olan BABITALK'ta CTO'dur. Bu rolden önce Kownyul, AWS CDK ve Amazon SageMaker'a odaklanarak AWS'de Yazılım Geliştirme Mühendisi olarak çalıştı.
Arunprasath Şankar AWS'li bir Kıdemli AI/ML Uzmanı Çözüm Mimarı olup, küresel müşterilerin AI çözümlerini bulutta etkili ve verimli bir şekilde ölçeklendirmesine yardımcı olur. Arun boş zamanlarında bilim kurgu filmleri izlemekten ve klasik müzik dinlemekten hoşlanır.
Satish Upreti APJ'deki ortak kuruluşta bir Geçiş Lideri PSA ve Güvenlik KOBİ'sidir. Satish, şirket içi özel bulut ve genel bulut teknolojilerini kapsayan 20 yıllık deneyime sahiptir. AWS'ye Ağustos 2020'de bir geçiş uzmanı olarak katıldığından beri, karmaşık geçişleri planlamak ve uygulamak için AWS iş ortaklarına kapsamlı teknik tavsiye ve destek sağlıyor.
Ek: Kod incelemesi
Bu bölümde, bu projedeki koda genel bir bakış sunuyoruz.
AWS CDK uygulaması
Ana AWS CDK uygulaması, app.py
kök dizindeki dosya. Proje birden fazla yığından oluşuyor, bu yüzden yığınları içe aktarmamız gerekiyor:
Üretken AI modellerimizi tanımlıyoruz ve ilgili URI'leri SageMaker'dan alıyoruz:
get_sagemaker_uris işlevi, JumpStart'tan tüm model bilgilerini alır. Görmek script/sagemaker_uri.py
.
Ardından, yığınları başlatıyoruz:
Başlatılacak ilk yığın, GenerativeAiVpcNetworkStack olan VPC yığınıdır. Web uygulama yığını GenerativeAiDemoWebStack, VPC yığınına bağımlıdır. Bağımlılık, vpc=network_stack.vpc'den geçen parametre aracılığıyla yapılır.
Yerimizi app.py
tam kod için.
VPC ağ yığını
GenerativeAiVpcNetworkStack yığınında, iki Erişilebilirlik Alanına yayılan genel bir alt ağ ve özel bir alt ağ ile bir VPC oluşturuyoruz:
Yerimizi /stack/generative_ai_vpc_network_stack.py
tam kod için.
Demo web uygulama yığını
GenerativeAiDemoWebStack yığınında, web uygulamasının SageMaker model uç noktalarıyla etkileşime girdiği Lambda işlevlerini ve ilgili API Ağ Geçidi uç noktalarını başlatırız. Aşağıdaki kod parçasına bakın:
Web uygulaması kapsayıcılıdır ve Fargate ile Amazon ECS'de barındırılır. Aşağıdaki kod parçasına bakın:
Yerimizi /stack/generative_ai_demo_web_stack.py
tam kod için.
Görüntü oluşturma SageMaker modeli uç nokta yığını
GenerativeAiTxt2imgSagemakerStack yığını, JumpStart'tan görüntü oluşturma modeli uç noktası oluşturur ve uç nokta adını Systems Manager Parameter Store'da depolar. Bu parametre web uygulaması tarafından kullanılacaktır. Aşağıdaki koda bakın:
Yerimizi /stack/generative_ai_txt2img_sagemaker_stack.py
tam kod için.
NLU ve metin oluşturma SageMaker modeli uç nokta yığını
GenerativeAiTxt2nluSagemakerStack yığını, JumpStart'tan NLU ve metin oluşturma modeli uç noktası oluşturur ve uç nokta adını Systems Manager Parameter Store'da depolar. Bu parametre web uygulaması tarafından da kullanılacaktır. Aşağıdaki koda bakın:
Yerimizi /stack/generative_ai_txt2nlu_sagemaker_stack.py
tam kod için.
Web uygulaması
Web uygulaması şu konumda bulunur: /web-app
dizin. Buna göre kapsayıcılı bir Streamlit uygulamasıdır. Dockerfile
:
Streamlit hakkında daha fazla bilgi edinmek için bkz. Kolaylaştırılmış belgeler.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/deploy-generative-ai-models-from-amazon-sagemaker-jumpstart-using-the-aws-cdk/
- :vardır
- :dır-dir
- $UP
- 1
- 10
- 100
- 20
- 20 yıl
- 2020
- 2023
- 7
- 8
- 9
- a
- Hakkımızda
- erişim
- erişilen
- ulaşılabilir
- göre
- Hesap
- Başarmak
- karşısında
- uyarlamak
- adresleme
- Benimsemek
- Benimseme
- gelişme
- tavsiye
- Danışman
- AI
- AI destekli
- AI / ML
- algoritmalar
- Türkiye
- Izin
- zaten
- Ayrıca
- Amazon
- Amazon API Ağ Geçidi
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Hızlı Başlangıç
- Amazon Web Servisleri
- an
- analiz
- ve
- herhangi
- api
- uygulamayı yükleyeceğiz
- Uygulama
- uygulamaları
- uygulamalar
- Nisan
- mimari
- ARE
- alanlar
- etrafında
- AS
- Varlıklar
- At
- Dikkat
- Ağustos
- kullanılabilirliği
- mevcut
- önlemek
- AWS
- AWS Bulut9
- AWS CloudFormation
- AWS Lambda
- Arka
- salıncak
- merkezli
- BAT
- BE
- güzel
- Güzellik
- önce
- olmak
- Inanmak
- arasında
- Çizme atkısı
- geniş
- tarayıcı
- inşa etmek
- yapılı
- iş
- iş geliştirme
- işletmeler
- fakat
- by
- çağrı
- CAN
- yetenekleri
- Kapasite
- Yakalanan
- hangi
- dava
- durumlarda
- CD
- Merkezleri
- değişiklik
- özellikleri
- yükler
- Kontrol
- Klinik
- müşteri
- istemciler
- bulut
- Cloud9
- kod
- geliyor
- ortak
- çoğunlukla
- tamamlamak
- karmaşık
- hesaplamak
- bilgisayar
- yapılandırma
- konsolos
- kurmak
- danışman
- tüketilen
- içerdiği
- Konteyner
- içeren
- içerik
- bağlam
- katkıda bulunmak
- kontrol
- konuşma
- konuşmaları
- doğru
- Ücret
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- oluşturma
- CTO
- akım
- görenek
- müşteri
- müşteri deneyimi
- Müşteri Hizmetleri
- Müşteriler
- özelleştirmek
- keskin kenar
- veri
- veri bilimi
- gün
- yıl
- Varsayılan
- tanımlar
- gösterdi
- gösteriyor
- Bağımlılık
- bağımlı
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- dağıtır
- tanım
- yıkmak
- geliştirmek
- geliştiriciler
- gelişme
- farklı
- Yayılma
- ekran
- Bozmak
- liman işçisi
- belge
- yapılmış
- Dont
- aşağı
- her
- kolayca
- kolay
- etkili bir şekilde
- verimli biçimde
- etkinleştirmek
- sağlar
- son
- Son nokta
- mühendis
- Keşfet
- çevre
- ortamları
- tahmini
- Her
- her gün
- herkesin var
- örnek
- örnekler
- heyecan verici
- deneyim
- uzatmak
- kapsamlı, geniş
- Yüz
- yanlış
- tanıdık
- aile
- Özellikler
- az
- alan
- Alanlar
- fileto
- bulmak
- Ad
- odak
- takip etme
- şu
- İçin
- Zorla
- vakıf
- kesir
- iskelet
- itibaren
- tam
- işlev
- fonksiyonel
- fonksiyonlar
- geçit
- toplamak
- toplama
- genel amaçlı
- oluşturulan
- nesil
- üretken
- üretken yapay zeka
- almak
- Git
- Küresel
- Küresel
- Büyüyen
- Var
- sahip olan
- he
- yardım et
- yardım
- Yüksek kaliteli
- onun
- Ana Sayfa
- ev sahibi
- ev sahipliği yaptı
- SAAT
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- BİT
- fikirler
- if
- görüntü
- görüntüleri
- hayal gücü
- uygulamak
- uygulama
- ithalat
- in
- Dahil olmak üzere
- birleştirmek
- Endüstri
- sanayi
- Sonsuz
- Dönüm noktası
- bilgi
- Altyapı
- kurmak
- Kurulum
- yüklü
- örnek
- yerine
- entegre
- entegrasyonlar
- etkileşime
- arayüzey
- içine
- davetiye
- konu
- IT
- birleştirme
- ortak
- jpg
- json
- Koreli
- iniş
- dil
- Diller
- büyük
- sonra
- son
- başlatmak
- başlattı
- fırlatma
- öncülük etmek
- lider
- Liderlik
- İlanlar
- ÖĞRENİN
- öğrenme
- Ayrılmak
- Kütüphane
- Lisans
- lisansları
- sevmek
- LİMİT
- çizgi
- Liste
- Dinleme
- Listeler
- Yüksek Lisans
- yük
- yerel
- bulunan
- makine
- makine öğrenme
- Makineler
- yapılmış
- Ana
- yapmak
- YAPAR
- yönetmek
- yönetim
- müdür
- çok
- masif
- Menü
- olabilir
- göç
- göç
- dakika
- İLE
- ML
- model
- modelleri
- modernleştirmek
- değiştirilmiş
- Daha
- filmler
- çoklu
- Music
- şart
- isim
- Doğal (Madenden)
- Tabiat
- Navigasyon
- gerek
- ihtiyaçlar
- ağ
- yeni
- sonraki
- düğüm
- şimdi
- numara
- of
- Teklifler
- on
- ONE
- devam
- bir tek
- açık kaynak
- Açık kaynaklı yazılım
- açılır
- or
- sipariş
- kuruluşlar
- orijinal
- Diğer
- bizim
- çıktı
- tekrar
- genel bakış
- kendi
- paket
- Kanal
- bölmesi
- paradigma
- parametre
- parametreler
- Partner
- ortaklar
- Geçen
- Yapmak
- faz
- telefon
- resim
- plan
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- olasılık
- Çivi
- potansiyel
- powered
- güçlü
- önkoşullar
- Önceki
- özel
- Sorun
- üretim
- Programlama
- Programlama dilleri
- proje
- Projeler
- sağlamak
- sağlar
- halka açık
- Genel bulut
- alenen
- Python
- sorgular
- hızla
- menzil
- hızlı
- hızla
- hazır
- geçenlerde
- Referans
- ilişkin
- bölge
- ilgili
- Depo
- gereklidir
- Yer Alan Kurallar
- kaynak
- Kaynaklar
- bu
- yorum
- devrim
- krallar gibi yaşamaya
- Rol
- kök
- koşmak
- koşu
- sagemaker
- satış
- aynı
- ölçek
- bilimkurgu
- Bilim
- çizik
- sdk
- İkinci
- saniye
- Bölüm
- güvenlik
- görmek
- tohumları
- SELF
- kıdemli
- duygu
- Seul
- Serverless
- Sunucular
- hizmet
- Hizmetler
- set
- kurulum
- paylaş
- çalışma
- meli
- şov
- gösterdi
- gösterilen
- Gösteriler
- Basit
- beri
- Singapur
- beden
- küçük
- EMS
- So
- Yazılım
- yazılım geliştirme
- çözüm
- Çözümler
- biraz
- Kaynak
- uzay
- uzman
- özel
- Belirtilen
- kararlı
- yığın
- Yığınları
- standart
- başladı
- başlangıç
- Startups
- adım
- Basamaklar
- dur
- hafızası
- mağaza
- saklı
- mağaza
- hikayeler
- Stratejileri
- yapı
- alt
- destek
- Sistemler
- alır
- Görev
- görevleri
- takım
- Teknik
- teknikleri
- Teknolojileri
- Teknoloji
- anlatır
- şablonları
- test
- testleri
- o
- The
- ve bazı Asya
- Onları
- sonra
- Bunlar
- Re-Tweet
- İçinden
- zaman
- titan
- için
- araç
- araçlar
- gelenek
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- Dönüştürmek
- Trendler
- gerçek
- gerçekten
- DÖNÜŞ
- öğretici
- iki
- tip
- türleri
- tipik
- tipik
- altında
- anlayış
- açıkladı
- güncellenmesi
- yükseltmek
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı
- Kullanıcı Arayüzü
- kullanma
- kullanmak
- çeşitli
- Geniş
- doğrulamak
- versiyon
- üzerinden
- Videolar
- Görüntüle
- Sanal
- fiilen
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- istemek
- oldu
- izlerken
- Yol..
- we
- ağ
- Web uygulaması
- web hizmetleri
- İYİ
- hangi
- süre
- geniş
- Geniş ürün yelpazesi
- yaygın
- Vikipedi
- irade
- pencereler
- ile
- olmadan
- İş
- işlenmiş
- iş akışları
- iş istasyonu
- yıl
- Sen
- zefirnet
- bölgeleri