Bu yazı Thomson Reuters'ten Ramdev Wudali ve Kiran Mantripragada tarafından ortak yazılmıştır.
1992 olarak, Thomson Reuters (TR), çoğu arama motoru yalnızca Boole terimlerini ve bağlayıcılarını desteklediğinden, o zamanlar bir yenilik olan ilk yapay zeka yasal araştırma hizmeti WIN'i (Westlaw Is Natural) yayınladı. O zamandan bu yana, TR, her yıl üretilen milyarlarca makine öğrenimi (ML) öngörüsüyle, dünya çapındaki hukuk, vergi, muhasebe, uyumluluk ve haber hizmeti profesyonellerini destekleyerek, AI ürün ve hizmetlerinin sayısı ve çeşitliliği sürekli olarak arttığı için çok daha fazla dönüm noktasına ulaştı. .
Yapay zeka hizmetlerindeki bu muazzam artışla birlikte TR için bir sonraki dönüm noktası inovasyonu kolaylaştırmak ve işbirliğini kolaylaştırmak oldu. Kurumsal en iyi uygulamalara uyulmasını sağlarken, iş fonksiyonları ve yapay zeka uygulayıcılarının kişilikleri genelinde yapay zeka çözümlerinin oluşturulmasını ve yeniden kullanımını standartlaştırın:
- Tekrarlanan, farklılaştırılmamış mühendislik çabalarını otomatikleştirin ve standartlaştırın
- Ortak yönetişim standartlarına göre hassas verilerin gerekli izolasyonunu ve kontrolünü sağlayın
- Ölçeklenebilir bilgi işlem kaynaklarına kolay erişim sağlayın
TR, bu gereklilikleri yerine getirmek için Kurumsal Yapay Zeka platformunu şu beş sütun etrafında oluşturdu: veri hizmeti, deneme çalışma alanı, merkezi model kaydı, model dağıtım hizmeti ve model izleme.
Bu yazıda TR ve AWS'nin, makine öğrenimi denemeleri, eğitim, merkezi model kaydı, model dağıtımı ve model izleme gibi çeşitli yetenekler sağlayacak web tabanlı bir araç olan TR'nin ilk Kurumsal Yapay Zeka Platformunu geliştirmek için nasıl iş birliği yaptığını tartışıyoruz. Tüm bu yetenekler, TR'nin sürekli gelişen güvenlik standartlarını karşılamak ve son kullanıcılara basit, güvenli ve uyumlu hizmetler sağlamak için tasarlanmıştır. Ayrıca TR'nin, farklı iş birimlerinde oluşturulan ML modelleri için tek bir ekrandan izleme ve yönetişime nasıl olanak sağladığını da paylaşıyoruz.
Mücadeleler
Tarihsel olarak TR'de ML, gelişmiş veri bilimcileri ve mühendislerinden oluşan ekiplere yönelik bir yetenek olmuştur. Yüksek vasıflı kaynaklara sahip ekipler, karmaşık makine öğrenimi süreçlerini ihtiyaçlarına göre uygulayabildiler ancak kısa sürede tamamen izole hale geldiler. Silolanmış yaklaşımlar, son derece kritik karar alma tahminlerine yönetişim sağlayacak herhangi bir görünürlük sağlamadı.
TR iş ekipleri geniş alan bilgisine sahiptir; ancak makine öğreniminin gerektirdiği teknik beceriler ve yoğun mühendislik çabası, iş sorunlarını makine öğreniminin gücüyle çözmek için derin uzmanlıklarını kullanmayı zorlaştırıyor. TR, becerileri demokratikleştirerek organizasyon içinde daha fazla kişinin erişebilmesini istiyor.
TR'deki farklı ekipler kendi uygulama ve metodolojilerini takip ediyor. TR, ekiplerin tekrarlayan, farklılaşmamış mühendislik çabalarına değil iş hedeflerine odaklanmasını sağlayarak makine öğrenimi projelerinin teslimini hızlandırmak için kullanıcılarına makine öğrenimi yaşam döngüsü boyunca yayılan yetenekler oluşturmak istiyor.
Ek olarak, veri ve etik yapay zeka ile ilgili düzenlemeler, TR'nin yapay zeka çözümleri genelinde ortak yönetişim standartlarını zorunlu kılarak gelişmeye devam ediyor.
Çözüme genel bakış
TR'nin Kurumsal Yapay Zeka Platformu, farklı kişilere basit ve standartlaştırılmış hizmetler sunarak makine öğrenimi yaşam döngüsünün her aşamasına yönelik yetenekler sunacak şekilde tasarlandı. TR, TR'nin tüm gereksinimlerini modüler hale getiren beş ana kategori belirlemiştir:
- veri servisi – Kurumsal veri varlıklarına kolay ve güvenli erişim sağlamak
- Deneme çalışma alanı – ML modellerini deneme ve eğitme yetenekleri sağlamak
- Merkezi model kaydı – Farklı iş birimlerinde oluşturulmuş modeller için kurumsal katalog
- Model dağıtım hizmeti – TR'nin kurumsal CI/CD uygulamalarını takip ederek çeşitli çıkarım dağıtım seçenekleri sağlamak
- Model izleme hizmetleri – Verileri ve model sapmalarını ve sapmalarını izlemeye yönelik yetenekler sağlamak
Aşağıdaki şemada gösterildiği gibi, bu mikro hizmetler birkaç temel prensip göz önünde bulundurularak oluşturulmuştur:
- Kullanıcıların farklılaştırılmamış mühendislik çabalarını ortadan kaldırın
- Bir düğmeye tıklayarak gerekli yetenekleri sağlayın
- Tüm yetenekleri TR'nin kurumsal standartlarına göre güvence altına alın ve yönetin
- Makine öğrenimi etkinlikleri için tek bir pencere açın
TR'nin AI Platform mikro hizmetleri aşağıdakilerle oluşturulmuştur: Amazon Adaçayı Yapıcı çekirdek motor olarak iş akışları için AWS sunucusuz bileşenler ve CI/CD uygulamaları için AWS DevOps hizmetleri. Adaçayı Yapıcı Stüdyo deneme ve eğitim için kullanılır ve SageMaker model kaydı, modelleri kaydetmek için kullanılır. Merkezi model kaydı, hem SageMaker model kaydından hem de Amazon DinamoDB tablo. SageMaker barındırma hizmetleri modelleri dağıtmak için kullanılırken SageMaker Model Monitör ve SageMaker Netleştirin sapma, önyargı, özel metrik hesaplayıcılar ve açıklanabilirlik açısından modelleri izlemek için kullanılır.
Aşağıdaki bölümlerde bu hizmetler ayrıntılı olarak açıklanmaktadır.
veri servisi
Geleneksel bir makine öğrenimi projesi yaşam döngüsü, veri bulmayla başlar. Genel olarak veri bilimcileri zamanlarının %60 veya daha fazlasını ihtiyaç duydukları anda doğru verileri bulmaya harcıyorlar. Her kuruluşta olduğu gibi TR'de de farklı veri alanları için tek bir doğruluk noktası görevi gören birden fazla veri deposu bulunmaktadır. TR, makine öğrenimi kullanım durumlarının çoğu için veri sağlayan iki önemli kurumsal veri deposunu belirledi: bir nesne deposu ve bir ilişkisel veri deposu. TR, kullanıcıların deneme çalışma alanlarından her iki veri deposuna da sorunsuz bir şekilde erişim sağlamak ve kullanıcıların karmaşık süreçlerde kendi başlarına veri elde etme yükünü ortadan kaldırmak için bir AI Platform veri hizmeti oluşturdu. TR'nin Yapay Zeka Platformu, Veri ve Model Yönetişim ekibi tarafından tanımlanan tüm uyumlulukları ve en iyi uygulamaları takip eder. Bu, verilere uygun erişimi sağlamak için resmi onay süreçleriyle birlikte makine öğrenimi uygulayıcılarının verilerin etik ve uygun kullanımını anlamalarına ve takip etmelerine yardımcı olan zorunlu bir Veri Etki Değerlendirmesini içerir. Tüm platform hizmetlerinde olduğu gibi bu hizmetin de temelinde TR ve sektörün belirlediği en iyi uygulamalara göre güvenlik ve uyumluluk yer almaktadır.
Amazon Basit Depolama Hizmeti (Amazon S3) nesne depolama, içerik veri gölü görevi görür. TR, gerekli yetkilendirmeyi ve denetlenebilirliği korurken içerik veri gölünden kullanıcıların deneme çalışma alanlarına kadar verilere güvenli bir şekilde erişmek için süreçler oluşturdu. Snowflake, kurumsal ilişkisel birincil veri deposu olarak kullanılır. AI Platform veri hizmeti, kullanıcının talebi üzerine ve veri sahibinin onayına bağlı olarak, kullanıcının deneme çalışma alanında kolayca erişebileceği verilerin anlık görüntüsünü sağlar.
Çeşitli kaynaklardan veriye ulaşmak kolaylıkla çözülebilecek teknik bir sorundur. Ancak TR'nin çözdüğü karmaşıklık, veri sahibini tanımlamayı, erişim isteği göndermeyi, veri sahibinin bekleyen bir erişim isteği olduğu konusunda bilgilendirilmesini sağlamayı ve onay durumuna göre veri sağlamak için harekete geçmeyi otomatikleştiren onay iş akışları oluşturmaktır. talep eden kişi. Bu süreç boyunca gerçekleşen tüm olaylar, denetlenebilirlik ve uyumluluk açısından izlenir ve günlüğe kaydedilir.
Aşağıdaki şemada gösterildiği gibi TR şunu kullanır: AWS Basamak İşlevleri iş akışını düzenlemek ve AWS Lambda işlevselliği çalıştırmak için. Amazon API Ağ Geçidi Web portalından tüketilecek bir API uç noktasıyla işlevselliği ortaya çıkarmak için kullanılır.
Model denemesi ve geliştirme
ML yaşam döngüsünü standartlaştırmanın temel yeteneği, veri bilimcilerinin farklı ML çerçeveleri ve veri boyutlarıyla deneme yapmasına olanak tanıyan bir ortamdır. Bulutta bu kadar güvenli ve uyumlu bir ortamın birkaç dakika içinde etkinleştirilmesi, veri bilimcilerini bulut altyapısı, ağ gereksinimleri ve güvenlik standartları önlemleriyle ilgilenme yükünden kurtararak veri bilimi sorununa odaklanmalarını sağlar.
TR, aşağıdaki gibi hizmetlere erişim sunan bir deneme çalışma alanı oluşturur: AWS Tutkal, Amazon EMR'sive SageMaker Studio, kurumsal bulut güvenliği standartlarına ve her iş birimi için gerekli hesap izolasyonuna uygun veri işleme ve makine öğrenimi yeteneklerini mümkün kılar. TR, çözümü uygularken aşağıdaki zorluklarla karşılaştı:
- Başlangıçta orkestrasyon tamamen otomatik değildi ve birkaç manuel adım içeriyordu. Sorunların nerede ortaya çıktığını takip etmek kolay olmadı. TR, Step Functions'ı kullanarak iş akışlarını düzenleyerek bu hatanın üstesinden geldi. Step Functions'ın kullanılmasıyla karmaşık iş akışları oluşturmak, durumları yönetmek ve hata yönetimi çok daha kolay hale geldi.
- uygun AWS Kimlik ve Erişim Yönetimi Deneme çalışma alanı için (IAM) rol tanımını tanımlamak zordu. TR'nin iç güvenlik standartlarına ve en az ayrıcalık modeline uymak için başlangıçta çalışma alanı rolü satır içi politikalarla tanımlandı. Sonuç olarak, satır içi politika zamanla büyüdü ve IAM rolü için izin verilen politika boyutu sınırını aşarak ayrıntılı hale geldi. Bunu azaltmak için TR, daha fazla müşteri tarafından yönetilen politikalar kullanmaya ve çalışma alanı rol tanımında bunlara referans vermeye başladı.
- TR, zaman zaman AWS hesap düzeyinde uygulanan varsayılan kaynak sınırlarına ulaştı. Bu, istenen kaynak türü sınırına ulaşılması nedeniyle SageMaker işlerinin (örneğin eğitim işleri) başlatılmasında zaman zaman başarısızlıklara neden oluyordu. TR bu konuda SageMaker servis ekibiyle yakın işbirliği içinde çalıştı. Bu sorun, AWS ekibinin SageMaker'ı desteklenen bir hizmet olarak başlatmasının ardından çözüldü. Hizmet Kotaları Haziran 2022 içinde.
Bugün TR'deki veri bilimcileri, bağımsız bir çalışma alanı oluşturarak ve işbirliği yapacak gerekli ekip üyelerini ekleyerek bir makine öğrenimi projesi başlatabilirler. SageMaker'ın sunduğu sınırsız ölçek, çeşitli boyutlarda özel çekirdek görüntüleri sunarak parmaklarının ucunda. SageMaker Studio, kısa sürede TR'nin Yapay Zeka Platformunda çok önemli bir bileşen haline geldi ve kullanıcı davranışını kısıtlı masaüstü uygulamaları kullanmaktan, ölçeklenebilir ve geçici amaca yönelik oluşturulmuş motorlara dönüştürdü. Aşağıdaki diyagram bu mimariyi göstermektedir.
Merkezi model kaydı
Model kaydı, TR'nin tüm makine öğrenimi modelleri için merkezi bir depo sağlar, iş fonksiyonları genelinde standartlaştırılmış bir şekilde risk ve sağlık yönetimine olanak tanır ve potansiyel modellerin yeniden kullanımını kolaylaştırır. Bu nedenle hizmetin aşağıdakileri yapması gerekiyordu:
- SageMaker içinde veya dışında geliştirilmiş olsun, hem yeni hem de eski modelleri kaydetme yeteneği sağlayın
- Veri bilimcilerin, geliştiricilerin ve paydaşların modellerin yaşam döngüsünü görüntülemesine ve toplu olarak yönetmesine olanak tanıyan yönetişim iş akışlarını uygulayın
- Meta veriler ve sağlık ölçümlerinin yanı sıra TR genelindeki tüm modellerin merkezi bir görünümünü oluşturarak şeffaflığı ve işbirliğini artırın
TR, tasarıma yalnızca SageMaker model kaydıyla başladı ancak TR'nin temel gereksinimlerinden biri, SageMaker dışında oluşturulan modelleri kaydetme yeteneğinin sağlanmasıdır. TR, farklı ilişkisel veritabanlarını değerlendirdi ancak eski kaynaklardan gelen modellerin meta veri şeması çok farklı olacağından DynamoDB'yi tercih etti. TR ayrıca kullanıcılara herhangi bir ek iş yüklemek istemedi ve bu nedenle AI Platform çalışma alanı SageMaker kayıtları ile merkezi SageMaker kayıt defteri arasında kesintisiz bir otomatik senkronizasyon uyguladı. Amazon EventBridge kurallar ve gerekli IAM rolleri. TR, kullanıcıların masaüstünde oluşturulan eski modelleri kaydetme yeteneklerini genişletmek için merkezi kayıt defterini DynamoDB ile geliştirdi.
TR'nin AI Platform merkezi model kaydı, AI Platform portalına entegre edilmiştir ve modelleri aramak, model meta verilerini güncellemek ve model temel metriklerini ve periyodik özel izleme metriklerini anlamak için görsel bir arayüz sağlar. Aşağıdaki diyagram bu mimariyi göstermektedir.
Model dağıtımı
TR, dağıtımı otomatikleştirmek için iki ana model belirledi:
- Tercih edilen bir programa göre çıkarımlar elde etmek için SageMaker toplu dönüştürme işleri aracılığıyla SageMaker kullanılarak geliştirilen modeller
- Kodu yeniden düzenlemeden bu modelleri taşımanın etkili bir yolu olarak, özel çıkarım kodunu çalıştırmak için SageMaker işleme işlerini kullanarak kendi kapsayıcınızı getirme yaklaşımı aracılığıyla, açık kaynak kitaplıkları kullanılarak yerel masaüstü bilgisayarlarda SageMaker dışında geliştirilen modeller
AI Platform dağıtım hizmetiyle, TR kullanıcıları (veri bilimcileri ve makine öğrenimi mühendisleri) katalogdan bir model tanımlayabilir ve kullanıcı arayüzü odaklı bir iş akışı aracılığıyla gerekli parametreleri sağlayarak seçtikleri AWS hesabına bir çıkarım işi dağıtabilir.
TR, aşağıdaki gibi AWS DevOps hizmetlerini kullanarak bu dağıtımı otomatikleştirdi AWS Kod Ardışık Düzeni ve AWS Kod Oluşturma. TR, SageMaker çıkarım işleri oluşturmaya yönelik verilerin okunması ve ön işlenmesi iş akışını düzenlemek için Step Functions'ı kullanır. TR, gerekli bileşenleri kullanarak kod olarak dağıtır AWS CloudFormation şablonlar. Aşağıdaki diyagram bu mimariyi göstermektedir.
Model izleme
ML yaşam döngüsü, modelleri izleyemeden tamamlanmaz. TR'nin kurumsal yönetişim ekibi ayrıca iş ekiplerine, mevzuatla ilgili zorlukların üstesinden gelmek için zaman içindeki model performanslarını izleme yetkisi verir ve teşvik eder. TR, sürüklenmeye yönelik modelleri ve verileri izlemeyle başladı. TR, TR'nin verilerinin ve çıkarımlarının nasıl değiştiğini periyodik olarak izlemek amacıyla bir veri tabanı ve çıkarım temel gerçeği sağlamak için SageMaker Model Monitor'ü kullandı. TR, SageMaker model izleme metriklerinin yanı sıra, modellerine özel metrikler geliştirerek izleme yeteneğini artırdı. Bu, TR'nin veri bilimcilerinin modellerini ne zaman yeniden eğitmeleri gerektiğini anlamalarına yardımcı olacaktır.
TR, sapma izlemenin yanı sıra modellerdeki önyargıyı da anlamak istiyor. SageMaker Clarify'ın kullanıma hazır yetenekleri, TR'nin önyargı hizmetini oluşturmak için kullanılır. TR, hem verileri hem de model sapmasını izler ve bu ölçümleri AI Platform portalı aracılığıyla kullanıcılarının kullanımına sunar.
TR, tüm ekiplerin bu kurumsal standartları benimsemesine yardımcı olmak için bu hizmetleri bağımsız hale getirdi ve AI Platform portalı aracılığıyla kolayca erişilebilir hale getirdi. TR'nin iş ekipleri portala girip bir model izleme işini veya önyargı izleme işini kendi başlarına dağıtabilir ve bunları tercih ettikleri programa göre çalıştırabilir. İşin durumu ve her çalıştırmanın ölçümleri hakkında bilgilendirilirler.
TR, aşağıdaki mimaride gösterildiği gibi bağımsız olarak tetiklenebilen mikro hizmetler oluşturmak amacıyla CI/CD dağıtımı, iş akışı orkestrasyonu, sunucusuz çerçeveler ve API uç noktaları için AWS hizmetlerini kullandı.
Sonuçlar ve gelecekteki iyileştirmeler
TR'nin Yapay Zeka Platformu, beş ana bileşenin tümü ile 3'nin 2022. çeyreğinde yayına girdi: veri hizmeti, deneme çalışma alanı, merkezi model kaydı, model dağıtımı ve model izleme. TR, iş birimlerinin platformu benimsemeleri için şirket içi eğitim oturumları düzenledi ve onlara kendi kendilerine rehberlik eden eğitim videoları sundu.
Yapay Zeka Platformu, TR ekiplerine daha önce olmayan yetenekler sağladı; TR'deki tüm makine öğrenimi modellerinde tek bir pencereden görünüm sağlayarak, TR'nin kurumsal yönetim ekibine uyumluluk standartlarını geliştirmek ve kayıt defterini merkezileştirmek için çok çeşitli olanaklar açtı.
TR, hiçbir ürünün ilk piyasaya sürüldüğü anda en iyi durumda olmadığını kabul eder. TR'nin tüm bileşenleri farklı olgunluk düzeylerindedir ve TR'nin Kurumsal Yapay Zeka Platformu ekibi, ürün özelliklerini sürekli olarak iyileştirmek için sürekli bir iyileştirme aşamasındadır. TR'nin mevcut ilerleme hattı, gerçek zamanlı, eşzamansız ve çok modelli uç noktalar gibi ek SageMaker çıkarım seçeneklerinin eklenmesini içermektedir. TR ayrıca model izleme hizmetine bir özellik olarak model açıklanabilirliğini eklemeyi planlıyor. TR, dahili açıklanabilirlik hizmetini geliştirmek için SageMaker Clarify'ın açıklanabilirlik yeteneklerini kullanmayı planlıyor.
Sonuç
TR artık büyük miktarlarda veriyi güvenli bir şekilde işleyebiliyor ve gelişmiş AWS yeteneklerini kullanarak bir makine öğrenimi projesini fikir aşamasından üretim aşamasına, önceki aylara kıyasla birkaç hafta içinde taşıyabiliyor. AWS hizmetlerinin kullanıma hazır özellikleri sayesinde TR'deki ekipler, makine öğrenimi modellerini şimdiye kadar ilk kez kaydedip izleyebilir ve gelişen model yönetişim standartlarına uyum sağlayabilir. TR, veri bilimcilerine ve ürün ekiplerine, en karmaşık sorunları çözmek için yaratıcılıklarını etkili bir şekilde ortaya çıkarmaları konusunda destek verdi.
TR'nin AWS'deki Kurumsal Yapay Zeka Platformu hakkında daha fazla bilgi edinmek için şuraya göz atın: AWS re:Invent 2022 oturumu. TR'nin makine öğrenimi kullanımını nasıl hızlandırdığını öğrenmek istiyorsanız AWS Veri Laboratuvarı programı için bkz. örnek olay.
Yazarlar Hakkında
Ramdev Wudali Veri bilimcilerin ve araştırmacıların altyapı ihtiyaçlarına değil veri bilimine odaklanarak makine öğrenimi çözümleri geliştirmelerini sağlamak için AI/ML Platformunun tasarlanmasına ve oluşturulmasına yardımcı olan bir Veri Mimarıdır. Boş zamanlarında origami mozaikleri oluşturmak için kağıt katlamayı ve saygısız tişörtler giymeyi seviyor.
Kiran Mantripragada Thomson Reuters'te Yapay Zeka Platformu Kıdemli Direktörüdür. AI Platform ekibi, üretim düzeyinde AI yazılım uygulamalarının etkinleştirilmesinden ve veri bilimcileri ile makine öğrenimi araştırmacılarının çalışmasının sağlanmasından sorumludur. Bilime, yapay zekaya ve mühendisliğe olan tutkusuyla Kiran, yapay zekanın gerçek yeniliğini nihai tüketicilere sunmak için araştırma ve ürünleştirme arasındaki boşluğu doldurmayı seviyor.
Bhavana Chirumamila AWS'de Kıdemli Yerleşik Mimardır. Veri ve makine öğrenimi operasyonları konusunda tutkuludur ve kuruluşların veri ve makine öğrenimi stratejileri oluşturmasına yardımcı olmak için büyük bir istek duymaktadır. Boş zamanlarında ailesiyle birlikte seyahat ederek, yürüyüş yaparak, bahçeyle uğraşarak ve belgesel izleyerek vakit geçiriyor.
Srinivasa Şaik Boston merkezli AWS'de bir Çözüm Mimarıdır. Kurumsal müşterilerin buluta yolculuklarını hızlandırmalarına yardımcı olur. Kapsayıcılar ve makine öğrenimi teknolojileri konusunda tutkulu. Boş zamanlarında ailesiyle vakit geçirmekten, yemek yapmaktan ve seyahat etmekten hoşlanır.
Qingwei Li Amazon Web Services'te Makine Öğrenimi Uzmanıdır. Doktorasını, danışmanının araştırma bursu hesabını kırdıktan ve söz verdiği Nobel Ödülü'nü teslim edemedikten sonra Yöneylem Araştırması alanında aldı. Şu anda, finansal hizmet ve sigorta sektöründeki müşterilerin AWS'de makine öğrenimi çözümleri oluşturmasına yardımcı oluyor. Boş zamanlarında okumayı ve öğretmeyi sever.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-built-an-ai-platform-using-amazon-sagemaker-to-accelerate-delivery-of-ml-projects/
- 100
- 2022
- 7
- a
- Yapabilmek
- Hakkımızda
- hızlandırmak
- hızlandırılmış
- erişim
- ulaşılabilir
- Göre
- Hesap
- muhasebe
- elde
- elde
- kazanmak
- karşısında
- Action
- eylemler
- Ek
- adres
- benimsemek
- ileri
- Sonra
- AI
- AI platformu
- AI hizmetleri
- AI / ML
- Türkiye
- veriyor
- yanında
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- tutarları
- ve
- api
- uygulamaları
- uygulamalı
- yaklaşım
- yaklaşımlar
- onay
- mimari
- etrafında
- yetki
- otomatikleştirmek
- Otomatik
- Otomatik
- mevcut
- AWS
- merkezli
- Temel
- Çünkü
- önce
- olmak
- İYİ
- en iyi uygulamalar
- arasında
- önyargı
- milyarlarca
- boston
- KÖPRÜ
- getirmek
- Getiriyor
- Broke
- inşa etmek
- bina
- inşa
- yapılı
- yük
- iş
- Iş fonksiyonları
- yetenekleri
- durumlarda
- katalog
- kategoriler
- neden
- merkezi
- merkezi
- zorluklar
- Kontrol
- seçme
- seçilmiş
- yakından
- bulut
- bulut altyapısı
- Bulut Güvenlik
- kod
- işbirliği yapmak
- işbirliği
- işbirliği
- toplu olarak
- gelecek
- ortak
- karşılaştırıldığında
- tamamlamak
- karmaşık
- karmaşıklık
- uyma
- uyumlu
- bileşen
- bileşenler
- oluşur
- bilgisayar
- tüketilen
- Tüketiciler
- Konteyner
- Konteynerler
- içerik
- devam etmek
- sürekli
- kontrol
- çekirdek
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- yaratıcılık
- kritik
- çok önemli
- akım
- Şu anda
- görenek
- Müşteriler
- veri
- Veri Gölü
- veri işleme
- veri bilimi
- veritabanları
- Karar verme
- derin
- derin uzmanlık
- Varsayılan
- teslim etmek
- teslim
- demokratikleştirmek
- dağıtmak
- açılma
- dağıtır
- tanımlamak
- Dizayn
- masaüstü
- ayrıntı
- kararlı
- geliştirmek
- gelişmiş
- geliştiriciler
- gelişen
- gelişme
- farklı
- zor
- yönetmen
- tartışmak
- belgeseller
- domain
- etki
- aşağı
- Erken
- kolay
- kolayca
- etkili bir şekilde
- verimli
- çaba
- yetkisi
- etkinleştirmek
- etkin
- sağlar
- etkinleştirme
- teşvik
- Son nokta
- Motor
- Mühendislik
- Mühendisler
- Motorlar
- gelişmiş
- sağlamak
- sağlanması
- kuruluş
- işletmelerin
- coşku
- çevre
- hata
- gerekli
- törel
- değerlendirilir
- olaylar
- hİÇ
- gelişmek
- gelişen
- örnek
- deneme
- Uzmanlık
- uzatmak
- son derece
- kolaylaştırmak
- başarısız
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- son
- mali
- Finansal servis
- bulmak
- bulma
- Ad
- ilk kez
- odak
- odaklanma
- takip et
- takip etme
- şu
- resmi
- çerçeveler
- itibaren
- yerine getirmek
- tamamen
- işlevsellik
- fonksiyonlar
- gelecek
- boşluk
- genel
- oluşturulan
- almak
- bardak
- Go
- Goller
- yönetim
- vermek
- Zemin
- Büyüyen
- kullanma
- Zor
- Sağlık
- yardım et
- yardım
- yardımcı olur
- büyük ölçüde
- hosting
- Ne kadar
- Ancak
- HTML
- HTTPS
- tespit
- belirlemek
- belirlenmesi
- Kimlik
- görüntüleri
- darbe
- uygulamak
- uygulanan
- uygulanması
- yüklemek
- iyileştirmek
- in
- içerir
- Artırmak
- bağımsız
- bağımsız
- sanayi
- Altyapı
- ilk
- Yenilikçilik
- anlayışlar
- yerine
- sigorta
- entegre
- arayüzey
- iç
- ilgili
- izolasyon
- konu
- IT
- İş
- Mesleki Öğretiler
- seyahat
- anahtar
- Bilmek
- bilgi
- göl
- başlatmak
- başlattı
- fırlatma
- ÖĞRENİN
- öğrenme
- miras
- Yasal Şartlar
- seviye
- seviyeleri
- kütüphaneler
- LİMİT
- sınırları
- yaşamak
- yerel
- makine
- makine öğrenme
- yapılmış
- büyük
- YAPAR
- Yapımı
- yönetmek
- yönetim
- yönetme
- görev
- tavır
- Manuel
- çok
- olgunluk
- önlemler
- Üyeler
- Metadata
- metodolojiler
- metrik
- Metrikleri
- microservices
- göç
- kilometre taşı
- Kilometre Taşları
- akla
- dakika
- Azaltmak
- ML
- model
- modelleri
- izlemek
- izleme
- monitörler
- ay
- Daha
- çoğu
- çoklu
- Doğal (Madenden)
- Gezin
- gerek
- ihtiyaçlar
- ağ
- yeni
- haber
- sonraki
- Nobel Ödülü
- numara
- nesne
- nadiren
- sunulan
- teklif
- Teklifler
- Teknede
- ONE
- açık kaynak
- açıldı
- Operasyon
- Opsiyonlar
- orkestrasyon
- kuruluşlar
- aslında
- dışında
- kendi
- sahip
- bölmesi
- kâğıt
- parametreler
- tutku
- tutkulu
- desen
- İnsanlar
- performans
- periyodik
- faz
- boru hattı
- planlama
- ağladım
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- politikaları
- politika
- Portal
- olanakları
- Çivi
- potansiyel
- güç kelimesini seçerim
- uygulamalar
- Tahminler
- tercihli
- birincil
- ilkeler
- ödül
- Sorun
- sorunlar
- süreç
- Süreçler
- işleme
- PLATFORM
- üretim
- Ürünler
- profesyoneller
- Programı
- proje
- Projeler
- söz
- sağlamak
- sağlanan
- sağlar
- sağlama
- Q3
- q3 2022
- hızla
- menzil
- değişen
- RE
- ulaştı
- Okuma
- gerçek
- gerçek zaman
- Alınan
- kayıt olmak
- kayıt
- yönetmelik
- düzenleyici
- serbest
- serbest
- Kaldır
- Depo
- talep
- gereklidir
- Yer Alan Kurallar
- araştırma
- Araştırmacılar
- kaynak
- Kaynaklar
- sorumlu
- reuters
- Risk
- Rol
- rolleri
- kurallar
- koşmak
- sagemaker
- SageMaker Çıkarımı
- ölçeklenebilir
- ölçek
- program
- Bilim
- bilim adamları
- sorunsuz
- sorunsuz
- Ara
- Arama motorları
- bölümler
- güvenli
- Secured
- Güvenli
- güvenlik
- gönderme
- kıdemli
- hassas
- hizmet vermek
- Serverless
- hizmet
- Hizmetler
- oturumları
- birkaç
- paylaş
- gösterilen
- Basit
- beri
- tek
- beden
- boyutları
- yetenekli
- becerileri
- Enstantane fotoğraf
- So
- Yazılım
- çözüm
- Çözümler
- ÇÖZMEK
- kaynaklar
- uzman
- özel
- geçirmek
- Harcama
- Aşama
- paydaşlar
- standardizasyon
- standartlar
- başladı
- başlar
- Devletler
- Durum
- adım
- Basamaklar
- hafızası
- mağaza
- mağaza
- stratejileri
- kolaylaştırmak
- stüdyo
- böyle
- destekli
- Destek
- anahtarlamalı
- senkronizasyon
- tablo
- Bizi daha iyi tanımak için
- vergi
- Öğretim
- takım
- takım
- Teknik
- teknik beceriler
- Teknolojileri
- şablonları
- şartlar
- The
- ve bazı Asya
- bu nedenle
- Thomson Reuters
- İçinden
- boyunca
- zaman
- için
- araç
- Takip
- geleneksel
- Tren
- Eğitim
- Dönüştürmek
- Şeffaflık
- Seyahat
- muazzam
- tetiklenir
- anlamak
- birim
- birimleri
- salmak
- sınırsız
- Güncelleme
- kullanım
- kullanıcı
- kullanıcılar
- çeşitlilik
- çeşitli
- Geniş
- üzerinden
- Videolar
- Görüntüle
- görünürlük
- izlerken
- ağ
- web hizmetleri
- Web tabanlı
- Haftalar
- olup olmadığını
- süre
- geniş
- Geniş ürün yelpazesi
- irade
- kazanmak
- içinde
- olmadan
- İş
- işlenmiş
- iş akışları
- Dünya çapında
- olur
- yıl
- zefirnet