Bu, Games24x7'den Hussain Jagirdar ile birlikte yazılan bir konuk blog yazısıdır.
Oyunlar24x7 Hindistan'ın en değerli çoklu oyun platformlarından biridir ve çeşitli beceri oyunlarında 100 milyondan fazla oyuncuyu eğlendirir. Temel felsefeleri "Oyun Bilimi" olan bu ekip, oyun yapay zekası, oyun veri bilimi ve oyun kullanıcı araştırmasının ortogonal araştırma yönlerini birleştirerek oyun dinamikleri, oyun platformları ve oyuncular etrafında uçtan uca bir bilişim vizyonu sağladılar. Yapay zeka ve veri bilimi ekibi, çok sayıda çok boyutlu veriye dalıyor ve AWS'de oyuncu yolculuğu optimizasyonu, oyun eylemi algılama, hiper kişiselleştirme, müşteri 360 ve daha fazlası gibi çeşitli kullanım durumlarını çalıştırıyor.
Games24x7, platformdaki etkileşimler yoluyla her oyuncunun davranışını değerlendirmek için otomatikleştirilmiş, veriye dayalı, yapay zeka destekli bir çerçeve kullanır ve kullanıcıları anormal davranışlarla işaretler. Küçük ve zayıf etiketlerle çok boyutlu uzunlamasına telemetri verilerinden son derece nadir veya kıt örneklerin tanımlanmasına odaklanan bir derin öğrenme modeli ScarceGAN oluşturdular. Bu eser yayınlandı ÇIKM'21 ve bir açık kaynak herhangi bir uzunlamasına telemetri verisi için nadir sınıf tanımlaması için. Modelin üretimine ve benimsenmesine duyulan ihtiyaç, platformlarında sorumlu oyun oynamanın arkasında, işaretlenen kullanıcıların farklı bir ılımlılık ve kontrol yolculuğuna çıkarılabileceği bir omurga oluşturmak için çok önemliydi.
Bu gönderide, Games24x7'nin sorumlu oyun platformları için eğitim kanallarını aşağıdakileri kullanarak nasıl geliştirdiğini paylaşıyoruz: Amazon Adaçayı Yapıcı.
Müşteri zorlukları
Games24x7'deki DS/AI ekibi, SageMaker not defterleri dahil olmak üzere AWS tarafından sağlanan birden fazla hizmet kullandı. AWS Basamak İşlevleri, AWS Lambda, ve Amazon EMR'si, çeşitli kullanım durumları için boru hatları oluşturmak için. Veri dağıtımındaki sapmayı ele almak ve dolayısıyla ScarceGAN modellerini yeniden eğitmek için mevcut sistemin daha iyi bir MLOps çözümüne ihtiyacı olduğunu keşfettiler.
Step Functions aracılığıyla önceki ardışık düzende, tek bir yekpare kod tabanı veri ön işleme, yeniden eğitim ve değerlendirmeyi çalıştırıyordu. Bu, sorun giderme, bir adım ekleme veya kaldırma ve hatta genel altyapıda bazı küçük değişiklikler yapma konusunda bir darboğaz haline geldi. Bu adım işlevi, S3'ten veri ayıklamak ve işlemek için bir örnek kümesi başlattı ve ön işleme, eğitim ve değerlendirmenin sonraki adımları tek bir büyük EC2 bulut sunucusunda çalışacaktı. İşlem hattının herhangi bir adımda başarısız olduğu senaryolarda, tüm iş akışının en baştan yeniden başlatılması gerekiyordu, bu da tekrarlanan çalıştırmalara ve artan maliyete neden oluyordu. Tüm eğitim ve değerlendirme ölçümleri, Amazon Simple Storage Service'ten (Amazon S3) manuel olarak denetlendi. Model üzerinde yapılan çoklu deneylerin meta verilerini aktaracak ve depolayacak bir mekanizma yoktu. Merkezi olmayan model izleme, kapsamlı araştırma ve en iyi modelin özenle seçilmesi nedeniyle veri bilimi ekibinin saatlerce çalışmasını gerektirdi. Tüm bu çabaların birikmesi, ekip üretkenliğinin azalmasına ve genel giderlerin artmasına neden olmuştu. Ek olarak, hızla büyüyen bir ekiple, bu bilgiyi ekip genelinde paylaşmak çok zorlayıcıydı.
MLOps kavramları çok kapsamlı olduğundan ve tüm adımları uygulamak zaman alacağından, ilk aşamada aşağıdaki temel sorunları ele almaya karar verdik:
- Sektördeki en iyi uygulamaları kullanarak şirket içi derin öğrenme modelimizi yeniden eğitmek için güvenli, kontrollü ve şablon haline getirilmiş bir ortam
- Her yeniden eğitim işi için farklı bir parametre seti göndermek ve son çalıştırmaları denetlemek için parametreleştirilmiş bir eğitim ortamı
- Eğitim ölçümlerini ve değerlendirme ölçümlerini görsel olarak izleme ve deneyleri izlemek ve karşılaştırmak için meta verilere sahip olma yeteneği
- Her adımı ayrı ayrı ölçeklendirme ve adım hatalarında önceki adımları yeniden kullanma yeteneği
- Modelleri kaydetmek, özellikleri depolamak ve çıkarım işlem hatlarını çağırmak için ayrılmış tek bir ortam
- Farklı adımlar için farklı örnekler kullanma esnekliğini birleştirerek bilgi işlem gereksinimlerini en aza indirebilen, maliyetleri düşürebilen ve sürdürülebilir makine öğrenimi geliştirme ve operasyonlarını destekleyebilen modern bir araç seti
- Çeşitli veri bilimi ekiplerinde kullanılabilecek, son teknoloji ürünü MLOps ardışık düzenine ilişkin bir kıyaslama şablonu oluşturma
Games24x7, aşağıdakiler de dahil olmak üzere diğer çözümleri değerlendirmeye başladı: Amazon SageMaker Studio Ardışık Düzenleri. Step Functions aracılığıyla zaten var olan çözümün sınırlamaları vardı. Studio ardışık düzenleri, herhangi bir zamanda bir adım ekleme veya çıkarma esnekliğine sahipti. Ayrıca, genel mimari ve bunların her adım arasındaki veri bağımlılıkları DAG'ler aracılığıyla görselleştirilebilir. Amazon SageMaker Studio, Pipelines, Processing, Training, model kaydı ve deneyler ve denemeler gibi farklı Amazon SageMaker işlevlerini benimsedikten sonra yeniden eğitim adımlarının değerlendirilmesi ve ince ayarı oldukça verimli hale geldi. AWS Çözüm Mimarisi ekibi, derin bir dalış yaptı ve bu çözümün tasarımı ve uygulanmasında gerçekten etkili oldu.
Çözüme genel bakış
Aşağıdaki şemada çözüm mimarisi gösterilmektedir.
Çözüm bir kullanır Adaçayı Yapıcı Stüdyo yeniden eğitim deneylerini çalıştırmak için ortam. Ardışık düzen betiğini çağırma kodu Studio not defterlerinde mevcuttur ve ardışık düzeni çağırırken hiperparametreleri ve girdi/çıktıyı değiştirebiliriz. Bu, tüm parametreleri betikler içinde sabit olarak kodladığımız ve tüm süreçlerin ayrılmaz bir şekilde bağlantılı olduğu önceki yöntemimizden oldukça farklıdır. Bu, yekpare kodun farklı adımlara modülerleştirilmesini gerektiriyordu.
Aşağıdaki diyagram orijinal yekpare sürecimizi göstermektedir.
Modülerleştirme
Her adımı ayrı ayrı ölçeklendirmek, izlemek ve çalıştırmak için yekpare kodun modüler hale getirilmesi gerekiyordu. Her adım arasındaki parametreler, veriler ve kod bağımlılıkları kaldırıldı ve adımlar boyunca paylaşılan bileşenler için paylaşılan modüller oluşturuldu. Modülerleştirmenin bir örneği aşağıda gösterilmiştir:-
Her bir modül için test, SageMaker SDK'ları kullanılarak yerel olarak yapıldı. komut dosyası modu eğitim, işleme ve değerlendirme için gerekli küçük değişiklikler SageMaker ile çalışacak kodda. bu yerel mod testi derin öğrenme için betikler, halihazırda kullanılıyorsa SageMaker not defterlerinde veya kullanılarak yapılabilir. SageMaker Pipelines kullanan Yerel Mod doğrudan Boru Hatları ile başlama durumunda. Bu, özel betiklerimizin SageMaker örneklerinde çalışıp çalışmayacağının doğrulanmasına yardımcı olur.
Daha sonra her modül, SageMaker Eğitim/işleme SDK'ları kullanılarak izole bir şekilde test edildi. komut dosyası modu ve aşağıdaki eğitim adımı gibi her adım için SageMaker örneklerini kullanarak bunları manuel olarak bir sırayla çalıştırdı:
Amazon S3, kaynak verileri işlemek ve ardından ara verileri, veri çerçevelerini ve NumPy sonuçlarını bir sonraki adım için Amazon S3'e geri depolamak için kullanıldı. Ön işleme, eğitim ve değerlendirme için bireysel modüller arasındaki entegrasyon testi tamamlandıktan sonra, SageMaker Ardışık Düzen SDK'ları zaten yukarıdaki adımlarda kullandığımız SageMaker Python SDK'ları ile entegre olan, her adımın giriş parametrelerini, verilerini, meta verilerini ve çıktısını bir sonraki adımlara girdi olarak ileterek tüm bu modülleri programlı olarak zincirlememizi sağladı.
Modülleri tek tek Sagemaker Pipeline SDK tabanlı çalışmalarda çalıştırmak için önceki Sagemaker Python SDK kodunu yeniden kullanabiliriz. İşlem hattının her adımı arasındaki ilişkiler, adımlar arasındaki veri bağımlılıkları tarafından belirlenir.
Boru hattının son adımları aşağıdaki gibidir:
- Veri ön işleme
- yeniden eğitim
- Değerlendirme
- model kaydı
Aşağıdaki bölümlerde, SageMaker Pipeline SDK'ları ile çalıştırıldığında adımların her birini daha ayrıntılı olarak ele alıyoruz.
Veri ön işleme
Bu adım, ham girdi verilerini ve ön işlemleri dönüştürür ve tren, doğrulama ve test kümelerine böler. Bu işleme adımı için, bir SageMaker işleme işi başlattık. TensorFlow Çerçeve İşlemcisi, komut dosyamızı alır, verileri Amazon S3'ten kopyalar ve ardından SageMaker tarafından sağlanan ve sürdürülen bir Docker görüntüsünü çeker. Bu Docker kapsayıcısı, tüm TensorFlow kitaplıklarını zaten dahil ederken, gereksinimler.txt dosyasındaki kitaplık bağımlılıklarımızı iletmemize ve betik için source_dir yolunu geçirmemize izin verdi. Eğitim ve doğrulama verileri eğitim adımına gider ve test verileri değerlendirme adımına iletilir. Bu kapsayıcıyı kullanmanın en iyi yanı, çeşitli giriş ve çıkışları farklı S3 konumları olarak iletmemize izin vermesiydi, bu daha sonra SageMaker işlem hattındaki sonraki adımlara bir adım bağımlılığı olarak geçirilebilirdi.
yeniden eğitim
Eğitim modülünü baştan sona tamamladık. SageMaker Boru Hatları TrainingStep API'si ve TensorFlow Framework tahmincisi (Komut Dosyası modu olarak da bilinir) aracılığıyla halihazırda mevcut olan derin öğrenme kapsayıcı görüntülerini şu amaçlar için kullandı: Adaçayı Yapıcı eğitimi. Komut dosyası modu, eğitim kodumuzda minimum değişiklik yapmamızı sağladı ve SageMaker'ın önceden oluşturulmuş Docker kapsayıcısı, Python, Framework sürümlerini vb. işler. İşlem Çıktıları Data_Preprocessing
adım, bu adımın TrainingInput'u olarak iletildi.
Tüm hiperparametreler, tahmin ediciden bir JSON dosyası aracılığıyla geçirildi. Eğitimimizdeki her dönem için, eğitim ölçümlerimizi zaten komut dosyasındaki stdOut aracılığıyla gönderiyorduk. Devam eden bir eğitim işinin metriklerini takip etmek ve bunları önceki eğitim işleriyle karşılaştırmak istediğimiz için, her dönem için StdOut'tan metrikleri almak üzere metrik tanımlarını regex aracılığıyla tanımlayarak bu StdOut'u ayrıştırmamız gerekiyordu.
SageMaker Pipelines'ın otomatik olarak çalıştığını anlamak ilginçti. SageMaker Deneyleri API'si ile entegre olurvarsayılan olarak her çalıştırma için bir deneme, deneme ve deneme bileşeni oluşturur. Bu, aşağıda gösterildiği gibi birden çok çalıştırmada doğruluk ve kesinlik gibi eğitim ölçümlerini karşılaştırmamıza olanak tanır.
Çalıştırılan her eğitim işi için, özel iş tanımımıza göre dört farklı Amazon S3 modeli oluşturuyoruz.
Değerlendirme
Bu adım, eğitilen modelleri Amazon S3'ten yükler ve özel ölçümlerimize göre değerlendirir. Bu ProcessingStep, modeli ve test verilerini girdi olarak alır ve model performansı raporlarını Amazon S3'e aktarır.
Özel metrikler kullanıyoruz, bu nedenle bu özel metrikleri model kaydına kaydetmek için Amazon S3'te CSV olarak depolanan değerlendirme metriklerinin şemasını şuna dönüştürmemiz gerekiyordu: SageMaker Modeli kalitesi JSON çıktısı. Daha sonra bu değerlendirme JSON metriklerinin konumunu model kayıt defterine kaydedebiliriz.
Aşağıdaki ekran görüntüleri, bir CSV'yi Sagemaker Modeli kalitesinde JSON biçimine nasıl dönüştürdüğümüzün bir örneğini göstermektedir.
model kaydı
Daha önce de belirtildiği gibi, tek bir eğitim adımında birden çok model oluşturuyorduk, bu nedenle dört modeli de bir model kaydına kaydetmek için bir SageMaker Pipelines Lambda entegrasyonu kullanmak zorunda kaldık. Tek bir model kaydı için şunu kullanabiliriz: ModelAdım Kayıt defterinde bir SageMaker modeli oluşturmak için API. Lambda işlevi, her model için model yapısını ve değerlendirme metriğini Amazon S3'ten alır ve belirli bir ARN'ye bir model paketi oluşturur, böylece dört modelin tümü tek bir model kaydına kaydedilebilir. SageMaker Python API'leri ayrıca en iyi modelleri seçmek için iletmek istediğimiz özel meta verileri göndermemize de izin verdi. Bu, üretkenlik için önemli bir kilometre taşı oldu çünkü artık tüm modeller tek bir pencereden karşılaştırılabiliyor ve denetlenebiliyor. Modeli birbirinden benzersiz bir şekilde ayırt etmek için meta veriler sağladık. Bu aynı zamanda, model metriklerine dayalı akran değerlendirmeleri ve yönetim incelemelerinin yardımıyla tek bir modelin onaylanmasına da yardımcı oldu.
Yukarıdaki kod bloğu, model metrikleriyle birlikte model kayıt defterine model paketi girişi yoluyla meta verileri nasıl eklediğimize dair bir örnek gösterir.
Aşağıdaki ekran görüntüsü, kaydedildikten sonra farklı model sürümlerinin ölçümlerini ne kadar kolay karşılaştırabileceğimizi göstermektedir.
Ardışık Düzen Çağrısı
Boru hattı şu şekilde çağrılabilir: Olay Köprüsü , Sagemaker Studio veya SDK kendisi. Çağırma, işleri adımlar arasındaki veri bağımlılıklarına göre çalıştırır.
Sonuç
Bu gönderide, Games24x7'nin MLOps varlıklarını SageMaker ardışık düzenleri aracılığıyla nasıl dönüştürdüğünü gösterdik. Eğitim metriklerini ve değerlendirme metriklerini parametreleştirilmiş ortamla görsel olarak takip etme, doğru işleme platformu ve merkezi bir model kaydıyla adımları ayrı ayrı ölçeklendirme yeteneği, standartlaştırmada ve denetlenebilir, yeniden kullanılabilir, verimli ve açıklanabilir bir iş akışına ilerlemede önemli bir kilometre taşı olduğunu kanıtladı. Bu proje, farklı veri bilimi ekipleri arasında bir taslaktır ve üyelerin en iyi uygulamalarla çalışmasına, yönetmesine ve işbirliği yapmasına olanak tanıyarak genel üretkenliği artırmıştır.
Benzer bir kullanım durumunuz varsa ve başlamak istiyorsanız SageMaker'ı kullanmanızı öneririz. komut dosyası modu ve SageMaker uçtan uca örnekler Sagemaker Studio'yu kullanarak. Bu örnekler, bu blogda ele alınan teknik ayrıntılara sahiptir.
Modern bir veri stratejisi, verileri yönetmek, bunlara erişmek, analiz etmek ve veriler üzerinde işlem yapmak için kapsamlı bir plan sunar. AWS, tüm iş yükleri, tüm veri türleri ve istenen tüm iş sonuçları için uçtan uca veri yolculuğunun tamamı için en eksiksiz hizmet setini sağlar. Bu da AWS'yi verilerinizden değer elde etmek ve onu içgörüye dönüştürmek için en iyi yer haline getirir.
Yazarlar Hakkında
Hüseyin Jagirdar Games24x7'de Kıdemli Bilim Adamı – Uygulamalı Araştırmadır. Şu anda açıklanabilir AI ve derin öğrenme alanındaki araştırma çabalarında yer almaktadır. Son çalışmaları arasında derin üretken modelleme, zaman serisi modelleme ve makine öğrenimi ile yapay zekanın ilgili alt alanları yer alıyor. Ayrıca MLOps ve ölçeklenebilirlik, güvenilirlik ve hassasiyet gibi kısıtlamalar gerektiren standartlaştırma projeleri konusunda tutkulu.
Sumir Kumar AWS'de bir Çözüm Mimarıdır ve teknoloji endüstrisinde 13 yıldan fazla deneyime sahiptir. AWS'de, karmaşık iş sorunlarını çözen bulut tabanlı çözümler tasarlamak ve uygulamak için önemli AWS müşterileriyle yakın bir şekilde çalışır. Veri analitiği ve makine öğrenimi konusunda çok tutkulu ve kuruluşların AWS Cloud kullanarak verilerinin tüm potansiyelini ortaya çıkarmalarına yardımcı olma konusunda kanıtlanmış bir geçmişe sahip.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/how-games24x7-transformed-their-retraining-mlops-pipelines-with-amazon-sagemaker/
- :dır-dir
- 1
- 10
- 100
- 11
- 7
- a
- kabiliyet
- Hakkımızda
- yukarıdaki
- erişim
- birikim
- doğruluk
- ACM
- karşısında
- Hareket
- Action
- katma
- Ek
- Ayrıca
- adres
- benimsenen
- Benimseme
- Sonra
- AI
- Türkiye
- Izin
- veriyor
- zaten
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Stüdyosu
- analytics
- çözümlemek
- ve
- api
- uygulamalı
- mimari
- ARE
- ALAN
- etrafında
- AS
- değerlendirme
- Varlıklar
- At
- denetim
- denetlenebilir
- denetlenmiş
- Otomatik
- otomatik olarak
- mevcut
- AWS
- Arka
- Omurga
- merkezli
- BE
- Çünkü
- Başlangıç
- arkasında
- olmak
- altında
- kıyaslama
- İYİ
- en iyi uygulamalar
- Daha iyi
- arasında
- Engellemek
- Blog
- bina
- yapılı
- iş
- by
- CAN
- dava
- durumlarda
- merkezi
- zincir
- zor
- değişiklik
- değişiklikler
- sınıf
- yakından
- bulut
- Küme
- kod
- Kod tabanı
- işbirliği yapmak
- karşılaştırmak
- karşılaştırıldığında
- tamamlamak
- karmaşık
- bileşen
- bileşenler
- kapsamlı
- hesaplamak
- kavramlar
- birleştirerek
- kısıtlamaları
- Konteyner
- Konteynerler
- kontrol
- kontrollü
- dönüştürmek
- dönüştürülmüş
- çekirdek
- Ücret
- maliyetler
- olabilir
- kaplı
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturur
- Oluşturma
- Şu anda
- görenek
- müşteri
- Müşteriler
- veri
- Veri Analizi
- veri bilimi
- veri stratejisi
- veri-güdümlü
- Merkezi olmayan
- karar
- adanmış
- derin
- derin dalış
- derin öğrenme
- Varsayılan
- tanımlarken
- Talep
- gösterdi
- Bağımlılık
- Dizayn
- İstediğiniz
- ayrıntı
- ayrıntılar
- Bulma
- kararlı
- gelişme
- farklı
- direkt olarak
- keşfetti
- tartışmak
- ayırmak
- dağıtım
- liman işçisi
- aşağı
- sürücü
- dinamik
- her
- Daha erken
- kolayca
- verimli
- çabaları
- ya
- istihdam
- etkin
- etkinleştirme
- son uca
- Tüm
- çevre
- çağ
- değerlendirilmesi
- değerlendirme
- Hatta
- Her
- örnek
- örnekler
- infaz
- mevcut
- Mevcut sistem
- deneyim
- deneme
- kapsamlı, geniş
- çıkarmak
- son derece
- başarısız
- Özellikler
- fileto
- son
- Ad
- bayraklı
- bayraklar
- Esneklik
- odaklanır
- takip etme
- şu
- İçin
- biçim
- iskelet
- itibaren
- tam
- işlev
- işlevsellikleri
- fonksiyonlar
- daha fazla
- oyun
- Gamers
- Games
- kumar
- oyun platformu
- oluşturmak
- üretken
- almak
- verir
- Go
- Goes
- harika
- Konuk
- sap
- Kolları
- Zor
- Var
- sahip olan
- yardım et
- yardım
- yardım
- yardımcı olur
- SAAT
- Ne kadar
- HTML
- HTTPS
- Kimlik
- görüntü
- görüntüleri
- uygulamak
- uygulama
- uygulanması
- ithalat
- gelişmiş
- in
- dahil
- Dahil olmak üzere
- birleşmeyle
- artmış
- bireysel
- Bireysel olarak
- sanayi
- Altyapı
- giriş
- kavrama
- örnek
- enstrümental
- entegre
- bütünleşme
- etkileşimleri
- ilginç
- soruşturma
- ilgili
- izolasyon
- sorunlar
- IT
- tekrarlama
- ONUN
- kendisi
- İş
- Mesleki Öğretiler
- seyahat
- jpg
- json
- anahtar
- bilgi
- bilinen
- Etiketler
- büyük
- öğrenme
- kütüphaneler
- Kütüphane
- sevmek
- sınırlamaları
- bağlantılı
- yükler
- lokal olarak
- yer
- yerleri
- makine
- makine öğrenme
- büyük
- YAPAR
- Yapımı
- yönetmek
- yönetim
- el ile
- mekanizma
- Üyeler
- adı geçen
- Metadata
- yöntem
- metrik
- Metrikleri
- kilometre taşı
- milyon
- en az
- küçük
- ML
- MLO'lar
- Moda
- model
- modelleri
- ılımlılık
- Modern
- modül
- Modüller
- izleme
- yekpare
- Daha
- çoğu
- çoklu
- isim
- gerek
- sonraki
- defter
- dizi
- of
- on
- ONE
- devam
- açık
- işletmek
- Operasyon
- optimizasyon
- sipariş
- organizasyonlar
- orijinal
- Diğer
- çıktı
- tüm
- paket
- parametreler
- Olağanüstü
- Bölüm
- geçmek
- geçti
- geçer
- Geçen
- tutkulu
- yol
- performans
- felsefe
- boru hattı
- yer
- plan
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- OYNA
- oyuncu
- oyuncular
- bolluk
- Nokta
- Çivi
- potansiyel
- powered
- uygulamalar
- Hassas
- önceki
- sorunlar
- süreç
- Süreçler
- işleme
- verimlilik
- proje
- Projeler
- özellikleri
- kanıtladı
- kanıtlanmış
- sağlanan
- sağlar
- yayınlanan
- Çekiyor
- Python
- kalite
- NADİR
- Çiğ
- son
- tavsiye etmek
- kayıt
- regex
- kayıt olmak
- kayıtlı
- kayıtlar
- kayıt
- ilgili
- İlişkiler
- güvenilirlik
- çıkarıldı
- kaldırma
- tekrarlanan
- Raporlar
- gereklidir
- Yer Alan Kurallar
- araştırma
- sorumlu
- sorumlu Oyun
- yeniden
- Sonuçlar
- dönüş
- yeniden kullanılabilir
- yeniden
- Yorumları
- Rol
- koşmak
- koşu
- sagemaker
- SageMaker Boru Hatları
- ölçeklenebilirlik
- ölçek
- ölçekleme
- Kıt
- senaryolar
- Bilim
- bilim adamı
- ekran
- scriptler
- sdk
- bölümler
- güvenli
- gönderme
- kıdemli
- Duyarlılık
- Dizi
- hizmet
- Hizmetler
- set
- Setleri
- paylaş
- Paylaşılan
- şov
- gösterilen
- Gösteriler
- benzer
- Basit
- tek
- beceri
- küçük
- So
- çözüm
- Çözümler
- ÇÖZMEK
- biraz
- Kaynak
- özel
- Splits
- Aşama
- standardizasyon
- başladı
- XNUMX dakika içinde!
- state-of-the-art
- istatistik
- adım
- Basamaklar
- hafızası
- mağaza
- saklı
- Stratejileri
- stüdyo
- böyle
- sürdürülebilir
- sistem
- alır
- takım
- takım
- Teknik
- Teknoloji
- şablon
- tensorflow
- test
- Test yapmak
- o
- The
- Alan
- Kaynak
- ve bazı Asya
- Onları
- bu nedenle
- Bunlar
- İçinden
- zaman
- için
- iz
- Tren
- eğitilmiş
- Eğitim
- transforme
- deneme
- denemeler
- DÖNÜŞ
- türleri
- anlamak
- benzersiz
- kilidini açmak
- us
- kullanım
- kullanım durumu
- kullanıcı
- kullanıcılar
- onaylama
- Değerli
- değer
- çeşitlilik
- çeşitli
- vizyonumuz
- aranan
- hangi
- süre
- bütün
- irade
- ile
- içinde
- İş
- çalışır
- olur
- Örtülü
- yıl
- Sen
- zefirnet