Yapay Zeka (AI) ve Makine Öğrenimi (ML) teknolojileri ana akım haline geldikçe, birçok kuruluş üretimde büyük ölçekte makine öğrenimi modelleri tarafından desteklenen kritik iş uygulamaları oluşturmada başarılı oldu. Ancak bu makine öğrenimi modelleri işletme için kritik iş kararları aldığından, kuruluşların makine öğrenimi yaşam döngüleri boyunca uygun korkuluklar eklemesi önemlidir. Korkuluklar, model yaşam döngüsünde kullanılan kodun, konfigürasyonun ve veri ve model konfigürasyonunun güvenliğinin, gizliliğinin ve kalitesinin versiyonlanmasını ve korunmasını sağlar.
Bu korkulukların uygulanması işletmeler için giderek zorlaşıyor çünkü işletmelerdeki makine öğrenimi süreçleri ve faaliyetleri, birden fazla paydaşın ve kişinin katkısını gerektiren derinlemesine ilgili süreçlerin dahil edilmesi nedeniyle daha karmaşık hale geliyor. Veri mühendisleri ve veri bilimcilerine ek olarak, makine öğrenimi yaşam döngüsünü otomatikleştirmek ve kolaylaştırmak için operasyonel süreçler de dahil edilmiştir. Ek olarak, iş paydaşlarının sayısındaki artış ve bazı durumlarda yasal ve uyumluluk incelemeleri, ML yaşam döngüsü boyunca erişim kontrolünü, etkinlik takibini ve raporlamayı yönetmek için şeffaflık sağlayacak yeteneklere ihtiyaç duyuyor.
ML modelinin geliştirilmesi, doğrulanması ve kullanımına yönelik sistematik görünürlük sağlayan çerçeveye ML yönetişimi adı verilir. AWS re:Invent 2022 sırasında, AWS yeni makine öğrenimi yönetim araçlarını kullanıma sundu için Amazon Adaçayı Yapıcı bu da erişim kontrolünü basitleştirir ve makine öğrenimi projeleriniz üzerindeki şeffaflığı artırır. ML yönetişiminin bir parçası olarak kullanılabilen araçlardan biri Amazon SageMaker Model KartlarıModel yaşam döngüsü boyunca belgeleri merkezileştirerek ve standartlaştırarak model bilgileri için tek bir doğruluk kaynağı oluşturma yeteneğine sahiptir.
SageMaker model kartları, modellerin belgelenme şeklini standartlaştırmanıza olanak tanır, böylece bir modelin tasarım, oluşturma, eğitim ve değerlendirmeye kadar yaşam döngüsüne ilişkin görünürlük elde edersiniz. Model kartlarının, denetim ve belgeleme amacıyla güvenilir bir şekilde kullanılabilecek model hakkındaki iş ve teknik meta veriler için tek bir gerçek kaynak olması amaçlanmaktadır. Model yönetişimi için önemli olan modele ilişkin bir bilgi formu sağlarlar.
Modellerinizi, projelerinizi ve ekiplerinizi ölçeklendirirken en iyi uygulama olarak, makine öğrenimi modeli geliştirme ve dağıtımı için proje ve ekip yalıtımı sağlayan çok hesaplı bir strateji benimsemenizi öneririz. ML modellerinizin yönetimini iyileştirme hakkında daha fazla bilgi için bkz. Amazon SageMaker ile makine öğrenimi modellerinizin yönetişimini iyileştirin.
Mimariye genel bakış
Mimari şu şekilde uygulanır:
- Veri Bilimi Hesabı – Veri Bilimcileri deneylerini Adaçayı Yapıcı Stüdyo kullanarak modelleri hazırlama/üretim ortamlarına dağıtmak için bir MLOps kurulumu oluşturun. SageMaker Projeleri.
- ML Paylaşılan Hizmetler Hesabı – Veri Bilimi hesabından kurulan MLOps, sürekli entegrasyon ve sürekli teslimat (CI/CD) işlem hatlarını aşağıdakileri kullanarak tetikleyecektir: AWS CodeCommit ve AWS Kod Ardışık Düzeni.
- Geliştirici Hesabı – CI/CD işlem hatları, bu hesaptaki veri ön işlemeyi, model eğitimini ve model değerlendirmesi ve kaydı gibi son işlemeyi kapsayan ML işlem hatlarını daha da tetikleyecektir. Bu işlem hatlarının çıktısı modeli dağıtacaktır. SageMaker uç noktaları çıkarım amaçlı tüketilmek üzere. Yönetişim gereksinimlerinize bağlı olarak Veri Bilimi ve Geliştirme hesapları tek bir AWS hesabında birleştirilebilir.
- Veri Hesabı – Geliştirici Hesabında çalışan ML işlem hatları, verileri bu hesaptan çekecektir.
- Test ve Üretim Hesapları – CI/CD işlem hatları, bu hesaplarda SageMaker uç nokta yapılandırmasını ayarlamak için Geliştirici Hesabından sonra dağıtıma devam edecektir.
- Güvenlik ve Yönetişim – AWS Identity and Access Management (IAM), AWS IAM Identity Center, AWS CloudTrail, AWS Key Management Service (AWS KMS), Amazon CloudWatch ve AWS Security Hub gibi hizmetler güvenliğin bir parçası olarak bu hesaplarda kullanılacaktır ve Yönetim.
Aşağıdaki şema bu mimariyi göstermektedir.
Ölçeklenebilir çoklu hesap ML mimarisini ayarlama hakkında daha fazla bilgi için bkz. Amazon SageMaker ile işletmeler için MLOps temeli.
Müşterilerimiz, model kartında paylaşılan bilgiler aracılığıyla modellerinin görünürlüğünü ve yönetimini geliştirmek için model kartlarını hesaplar arasında paylaşma yeteneğine ihtiyaç duyar. Artık, hesaplar arası model kart paylaşımı sayesinde müşteriler, kuruluşlarındaki mevcut model kartlara erişim sağlarken çoklu hesap stratejisinin avantajlarından da yararlanabilir, böylece işbirliğini hızlandırabilir ve yönetişimi güvence altına alabilirler.
Bu yazıda, model kartının yeni hesaplar arası paylaşım özelliğini kullanarak Model Geliştirme Yaşam Döngüsü (MDLC) hesaplarında model kartlarının nasıl kurulacağını ve bunlara nasıl erişileceğini gösteriyoruz. İlk olarak, model kartın hesaplar arası paylaşım özelliğini ayarlamak için bir senaryo ve mimariyi açıklayacağız ve ardından görünürlüğü ve model yönetimini geliştirmek için hesaplar arasında paylaşılan model kartların nasıl kurulacağı ve bu kartlara nasıl erişileceği konusunda her bir bileşeni derinlemesine inceleyeceğiz.
Çözüme genel bakış
ML modelleri oluştururken güvenliği, güvenilirliği ve ölçeklenebilirliği artıran iş yükü yalıtımı sağlamak için çok hesaplı bir mimari kurmanızı öneririz. Bu yazı için Müşteri Kaybı kullanım senaryosuna yönelik bir model oluşturmayı ve dağıtmayı üstleneceğiz. Aşağıdaki mimari şeması, çok hesaplı Makine Öğrenimi Model Geliştirme Yaşam Döngüsü (MDLC) mimarisinde bir model kartı yönetmek için önerilen yaklaşımlardan birini (merkezi model kartı) göstermektedir. Ancak başka bir yaklaşım olan hub ve bağlı bileşen model kartını da benimseyebilirsiniz. Bu yazıda yalnızca merkezi model kartı yaklaşımına odaklanacağız ancak aynı ilkeler hub ve bağlı bileşen yaklaşımına da genişletilebilir. Temel fark, her bir bağlı hesabın kendi model kartı sürümünü koruması ve toplanıp merkezi bir hesaba kopyalama işlemlerine sahip olmasıdır.
Aşağıdaki şema bu mimariyi göstermektedir.
Mimari şu şekilde uygulanır:
- Lider Veri Bilimcisi, Müşteri Kaybı kullanım senaryosunu ML kullanarak çözmesi konusunda bilgilendirilir ve ML Paylaşılan Hizmetler Hesabında Taslak durumunda Müşteri Kaybı V1 modeli için bir model kartı oluşturarak ML projesini başlatır.
- Otomasyon aracılığıyla bu model kartı ML Geliştirici Hesabı ile paylaşılır
- Veri Bilimcisi modeli oluşturur ve deney sonuçlarına göre API'ler aracılığıyla bilgileri model kartına doldurmaya başlar ve model kartı durumu İncelenmeyi Bekliyor olarak ayarlanır
- Otomasyon aracılığıyla bu model kartı ML test hesabıyla paylaşılır
- ML Mühendisi (MLE), ML Test hesabında entegrasyon ve doğrulama testleri çalıştırır ve merkezi kayıt defterindeki model, Onay Bekliyor olarak işaretlenir
- Model Onaylayıcı, merkezi model kartında sağlanan destekleyici belgelerle model sonuçlarını inceler ve model kartını üretim dağıtımı için onaylar.
- Otomasyon sayesinde bu model kart, salt okunur modda ML Prod hesabıyla paylaşılır.
Önkoşullar
Başlamadan önce, aşağıdaki ön koşullara sahip olduğunuzdan emin olun:
- İki AWS hesapları.
- Her iki AWS hesabında da aşağıdakileri yapmak için yönetici erişimine sahip bir IAM federasyon rolü vardır:
- Amazon SageMaker'da model kartları oluşturun, düzenleyin, görüntüleyin ve silin.
- AWS RAM'de kaynak paylaşımı oluşturun, düzenleyin, görüntüleyin ve silin.
Daha fazla bilgi için, bkz. AWS RAM için örnek IAM politikaları.
Model kartı paylaşımını ayarlama
Model kartların oluşturulduğu hesap model kart hesabıdır. Model kart hesabındaki kullanıcılar, güncellenebilecekleri ortak hesaplarla paylaşırlar. Model kart hesabındaki kullanıcılar model kartlarını üzerinden paylaşabilirler. AWS Kaynak Erişim Yöneticisi (AWS RAM). AWS RAM, kaynakları AWS hesapları arasında paylaşmanıza yardımcı olur.
Bir sonraki bölümde model kartlarının nasıl paylaşılacağını gösteriyoruz.
İlk olarak, daha önce açıklandığı gibi Müşteri Kaybı kullanım senaryosu için bir model kartı oluşturun. Amazon SageMaker konsolunda Yönetişim bölümünü genişletin ve Model kartları.
Model kartını oluşturuyoruz Taslak isim ile durum Müşteri-Kaybetme-Model-Kartı. Daha fazla bilgi için bkz. Model kartı oluşturma. Bu gösterimde geri kalan alanları boş bırakıp model kartını oluşturabilirsiniz.
Alternatif olarak model kartını oluşturmak için aşağıdaki AWS CLI komutunu kullanabilirsiniz:
Şimdi AWS RAM'i kullanarak hesaplar arası paylaşımı oluşturun. AWS RAM konsolunda şunu seçin: Kaynak paylaşımı oluşturma.
Kaynak paylaşımı için bir ad girin; örneğin "Müşteri-Churn-Model-Kart-Paylaşımı". Kaynaklarda – isteğe bağlı bölümünde kaynak türünü seçin SageMaker Model Kartları. Bir önceki adımda oluşturduğumuz model kartı listede görünecektir.
Bu modeli seçtiğinizde Seçilen kaynaklar bölümünde görünecektir. Aşağıdaki adımlarda gösterildiği gibi bu kaynağı tekrar seçin ve Sonraki.
Bir sonraki sayfada Yönetilen izinleri seçebilirsiniz. Özel izinler oluşturabilir veya varsayılan seçeneği kullanabilirsiniz "AWSRAMPermissionSageMakerModelCards
” ve seçin Sonraki. Daha fazla bilgi için bkz. AWS RAM'deki izinleri yönetme.
Bir sonraki sayfada Müdürleri seçebilirsiniz. Ana türü seçin altında, AWS Hesabı ve model kartını paylaşan hesabın kimliğini girin. Seçme Ekle ve bir sonraki sayfaya geçin.
Son sayfada bilgileri gözden geçirin ve “Kaynak paylaşımı oluştur”u seçin. Alternatif olarak aşağıdakileri kullanabilirsiniz AWS CLI'si kaynak paylaşımı oluşturma komutu:
AWS RAM konsolunda kaynak paylaşımının özelliklerini görürsünüz. Paylaşılan kaynaklar, Yönetilen izinler ve Paylaşılan sorumluların "Associated
"Durumu.
Bir kaynak paylaşımı oluşturmak için AWS RAM'i kullandıktan sonra, kaynak paylaşımında belirtilen sorumlulara paylaşımın kaynaklarına erişim izni verilebilir.
- AWS Kuruluşlarıyla AWS RAM paylaşımını açarsanız ve paylaşımda bulunduğunuz sorumlularınız, paylaşım hesabıyla aynı kuruluştaysa, bu sorumlular, hesap yöneticileri onlara izin verir vermez erişim alabilir.
- Kuruluşlarla AWS RAM paylaşımını açmasanız bile kaynakları kuruluşunuzdaki bireysel AWS hesaplarıyla paylaşmaya devam edebilirsiniz. Tüketim hesabındaki yönetici, kaynak paylaşımına katılma daveti alır ve kaynak paylaşımında belirtilen sorumluların paylaşılan kaynaklara erişebilmesi için önce daveti kabul etmesi gerekir.
- Kaynak türü destekliyorsa kuruluşunuzun dışındaki hesaplarla da paylaşımda bulunabilirsiniz. Tüketim hesabındaki yönetici, kaynak paylaşımına katılma daveti alır ve kaynak paylaşımında belirtilen sorumluların paylaşılan kaynaklara erişebilmesi için önce daveti kabul etmesi gerekir.
AWS RAM hakkında daha fazla bilgi için bkz. AWS RAM'e ilişkin terimler ve kavramlar.
Paylaşılan model kartlarına erişme
Artık model kartına erişmek için paylaşılan AWS hesabına giriş yapabiliriz. AWS RAM'e erişime izin veren IAM izinlerini (IAM rolü) kullanarak AWS konsoluna eriştiğinizden emin olun.
AWS RAM ile eklendiğiniz kaynak paylaşımlarını, erişebildiğiniz paylaşılan kaynakları ve kaynakları sizinle paylaşan AWS hesaplarını görüntüleyebilirsiniz. Ayrıca, paylaşılan kaynaklara artık erişmeniz gerekmediğinde kaynak paylaşımından ayrılabilirsiniz.
Model kartını paylaşılan AWS hesabında görüntülemek için:
- gidin Benimle paylaşılan: Paylaşılan kaynaklar AWS RAM konsolundaki sayfa.
- Paylaşımın oluşturulduğu AWS bölgesinde çalıştığınızdan emin olun.
- Model hesabından paylaşılan model listede mevcut olacaktır. Uzun bir kaynak listesi varsa belirli paylaşılan kaynakları bulmak için bir filtre uygulayabilirsiniz. Aramanızı daraltmak için birden fazla filtre uygulayabilirsiniz.
- Aşağıdaki bilgiler mevcuttur:
- kaynak kimliği – Kaynağın kimliği. Daha önce model kart hesabında oluşturduğumuz model kartın adıdır.
- Kaynak tipi – Kaynağın türü.
- Son paylaşım tarihi – Kaynağın sizinle paylaşıldığı tarih.
- Kaynak paylaşımları – Kaynağın dahil edildiği kaynak paylaşımlarının sayısı. Kaynak paylaşımlarını görüntülemek için değeri seçin.
- Sahip kimliği – Kaynağın sahibi olan sorumlunun kimliği.
Model kartına AWS CLI seçeneğini kullanarak da erişebilirsiniz. Doğru kimlik bilgileriyle yapılandırılmış AWS IAM politikası için Amazon SageMaker'da model kartları oluşturma, düzenleme ve silme izinlerine sahip olduğunuzdan emin olun. Daha fazla bilgi için bkz. AWS CLI'yi yapılandırın.
Aşağıdaki AWS IAM izin politikasını şablon olarak kullanabilirsiniz:
Paylaşılan model kartın ayrıntılarına erişmek için aşağıdaki AWS CLI komutunu çalıştırabilirsiniz.
Artık bu hesaptan bu model kartta değişiklik yapabilirsiniz.
Değişiklik yaptıktan sonra model kart hesabına geri dönerek bu paylaşılan hesapta yaptığımız değişiklikleri görebilirsiniz.
Sorun türü şu şekilde güncellendi:Customer Churn Model
AWS CLI komut girişinin bir parçası olarak sağlamış olduğumuz.
Temizlemek
Artık oluşturduğunuz model kartını silebilirsiniz. Model kartını paylaşmak için oluşturduğunuz AWS RAM kaynak paylaşımını sildiğinizden emin olun.
Sonuç
Bu gönderide, makine öğrenimi iş yüklerinizi güvenli ve güvenilir bir şekilde ölçeklendirmek ve yönetmek için çoklu hesap mimarisine genel bir bakış sunduk. Model kart paylaşımını kurmaya yönelik mimari modellerini tartıştık ve merkezi model kart paylaşım modellerinin nasıl çalıştığını gösterdik. Son olarak, model geliştirme yaşam döngünüzde görünürlüğü ve yönetimi geliştirmek için birden fazla hesapta model kartı paylaşımını kurduk. Yeni model kart paylaşım özelliğini deneyip görüşlerinizi bize bildirmenizi öneririz.
yazarlar hakkında
Vishal Naik Amazon Web Services'ta (AWS) Kıdemli Çözüm Mimarıdır. AWS çözümleri ve en iyi uygulamalarla müşterilerin iş ihtiyaçlarını karşılamalarına ve karmaşık zorlukları çözmelerine yardımcı olmaktan keyif alan bir inşaatçıdır. Temel odak alanı Makine Öğrenimi, DevOps ve Konteynerleri içerir. Vishal, boş zamanlarında zamanda yolculuk ve alternatif evren temalı kısa filmler çekmeyi seviyor.
Ram Hayati AWS'de Baş ML Çözümleri Mimarıdır. Dağıtılmış, hibrit ve bulut uygulamaları tasarlama ve oluşturma konusunda 20 yılı aşkın deneyime sahiptir. Kurumsal müşterilerin iş sonuçlarını iyileştirmek amacıyla bulutu benimseme ve optimizasyon yolculuklarında yardımcı olmak için güvenli ve ölçeklenebilir AI/ML ve büyük veri çözümleri oluşturma konusunda tutkulu. Boş zamanlarında motosikletine biniyor ve 2 yaşındaki karalama koyunuyla birlikte yürüyor!
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/use-amazon-sagemaker-model-card-sharing-to-improve-model-governance/
- :vardır
- :dır-dir
- :Neresi
- $UP
- 10
- 100
- 20
- 20 yıl
- 2022
- 361
- 7
- 700
- 9
- a
- Hakkımızda
- hızlandırmak
- Kabul et
- erişim
- ulaşabilme
- erişme
- başarmak
- Hesap
- Hesaplar
- elde
- karşısında
- Action
- faaliyetler
- etkinlik
- eklemek
- katma
- ilave
- Ayrıca
- benimsemek
- Benimseme
- Sonra
- tekrar
- toplam
- AI
- AI / ML
- izin vermek
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- Amazon Web Services (AWS)
- an
- ve
- Başka
- API'ler
- görünmek
- uygulamaları
- Tamam
- yaklaşım
- yaklaşımlar
- mimari
- ARE
- ALAN
- yapay
- yapay zeka
- Yapay zeka (AI)
- AS
- üstlenmek
- At
- öznitelikleri
- denetleme
- otomatikleştirmek
- Otomasyon
- mevcut
- AWS
- AWS Kimlik ve Erişim Yönetimi (IAM)
- AWS re: İcat
- Arka
- merkezli
- BE
- Çünkü
- müşterimiz
- olma
- olmuştur
- önce
- faydaları
- İYİ
- en iyi uygulamalar
- Büyük
- büyük Veri
- her ikisi de
- inşa etmek
- oluşturucu
- bina
- inşa
- iş
- İş Uygulamaları
- fakat
- by
- denilen
- CAN
- yetenekleri
- kabiliyet
- kart
- Kartlar
- dava
- durumlarda
- Merkez
- merkezi
- merkezi
- zorluklar
- değişiklikler
- Klinik
- bulut
- bulut benimseme
- kod
- işbirliği
- karmaşık
- uyma
- bileşen
- kavramlar
- Davranış
- yapılandırma
- yapılandırılmış
- konsolos
- tüketilen
- Konteynerler
- devam etmek
- sürekli
- katkıları
- kontrol
- çekirdek
- doğru
- kaplama
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- oluşturma
- Tanıtım
- kritik
- görenek
- müşteri
- Müşteriler
- veri
- veri bilimi
- veri bilimcisi
- Tarih
- kararlar
- derin
- Varsayılan
- teslim
- bağlı
- dağıtmak
- dağıtma
- açılma
- tanımlamak
- tarif edilen
- tasarım
- ayrıntılar
- dev
- gelişme
- fark
- tartışılan
- dağıtıldı
- dalış
- do
- belgeleme
- Dont
- taslak
- gereken
- sırasında
- her
- Daha erken
- Efekt
- etkinleştirmek
- teşvik etmek
- Son nokta
- mühendis
- Mühendisler
- Geliştirir
- keyfini çıkarın
- sağlamak
- Keşfet
- kuruluş
- işletmelerin
- ortamları
- değerlendirme
- örnek
- Genişletmek
- deneyim
- deneyler
- gerçek
- Özellikler(Hazırlık aşamasında)
- federasyon
- geribesleme
- Alanlar
- filmler
- filtre
- filtreler
- Nihayet
- bulmak
- Ad
- odak
- takip etme
- şu
- İçin
- vakıf
- iskelet
- itibaren
- daha fazla
- almak
- alma
- verir
- Go
- yönetim
- yöneten
- verilmiş
- yardımlar
- vardı
- Daha güçlü
- Var
- sahip olan
- he
- yardım et
- yardım
- yardımcı olur
- onun
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- merkez
- melez
- ID
- Kimlik
- if
- göstermektedir
- uygulanan
- önemli
- iyileştirmek
- geliştirme
- in
- dahil
- içerir
- içerme
- bireysel
- bilgi
- giriş
- bütünleşme
- İstihbarat
- yönelik
- içine
- tanıttı
- davetiye
- ilgili
- izolasyon
- IT
- ONUN
- kaydol
- seyahat
- jpg
- anahtar
- Bilmek
- Soyad
- öğrenme
- Ayrılmak
- Yasal Şartlar
- izin
- yaşam döngüsü
- sevmek
- Liste
- listeleme
- log
- Uzun
- uzun
- seviyor
- makine
- makine öğrenme
- yapılmış
- Ana
- ana akım
- korumak
- yapmak
- Yapımı
- yönetilen
- yönetim
- müdür
- yönetme
- çok
- işaretlenmiş
- me
- Metadata
- ML
- MLO'lar
- Moda
- model
- modelleri
- Daha
- motosiklet
- çok
- çoklu
- şart
- isim
- dar
- gerek
- ihtiyaçlar
- yeni
- sonraki
- yok hayır
- şimdi
- numara
- of
- on
- ONE
- bir tek
- işletme
- işletme
- optimizasyon
- seçenek
- or
- kuruluşlar
- organizasyonlar
- dışarı
- sonuçlar
- çıktı
- dışında
- tekrar
- genel bakış
- kendi
- sahibi
- Kanal
- Bölüm
- tutkulu
- desen
- kadar
- izinleri
- Platon
- Plato Veri Zekası
- PlatoVeri
- politikaları
- politika
- Çivi
- powered
- uygulama
- uygulamalar
- önkoşullar
- önceki
- Önceden
- Anapara
- müdürler
- ilkeler
- gizlilik
- Sorun
- Süreçler
- işleme
- üretim
- proje
- Projeler
- uygun
- sağlamak
- sağlanan
- sağlar
- amaçlı
- kalite
- RAM
- RE
- Salt Okunur Modu
- teslim almak
- alır
- tavsiye etmek
- Tavsiye edilen
- bölge
- kayıtlar
- kayıt
- güvenilirlik
- geri kalan kısım
- Raporlama
- gerektirir
- Yer Alan Kurallar
- kaynak
- Kaynaklar
- Sonuçlar
- yorum
- Yorumları
- Rol
- koşmak
- koşu
- ishal
- sagemaker
- aynı
- ölçeklenebilirlik
- ölçeklenebilir
- ölçek
- ölçekleme
- senaryo
- Bilim
- bilim adamı
- bilim adamları
- Ara
- Bölüm
- güvenli
- Güvenli
- güvenlik
- görmek
- seçilmiş
- hizmet
- Hizmetler
- set
- ayar
- kurulum
- paylaş
- Paylaşılan
- Paylar
- paylaşımı
- yaprak
- kısa
- şov
- gösterilen
- Gösteriler
- beri
- tek
- So
- Çözümler
- ÇÖZMEK
- biraz
- yakında
- Kaynak
- özel
- Belirtilen
- paydaşlar
- standardizasyon
- başlama
- başladı
- başlar
- Açıklama
- Durum
- adım
- Basamaklar
- Yine
- Stratejileri
- kolaylaştırmak
- başarılı
- Destek
- Destekler
- elbette
- dalgalanma
- takım
- takım
- Teknik
- Teknolojileri
- şablon
- test
- testleri
- o
- The
- Bilgi
- ve bazı Asya
- Onları
- temalar
- sonra
- Orada.
- böylece
- Bunlar
- onlar
- Re-Tweet
- Bu
- İçinden
- boyunca
- zaman
- zaman yolculuğu
- için
- araçlar
- Takip
- Eğitim
- Şeffaflık
- seyahat
- tetikleyebilir
- Hakikat
- denemek
- DÖNÜŞ
- tip
- altında
- Evren
- güncellenmiş
- us
- kullanım
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcılar
- kullanma
- v1
- onaylama
- değer
- versiyon
- üzerinden
- Görüntüle
- vishal
- görünürlük
- oldu
- we
- ağ
- web hizmetleri
- ne zaman
- hangi
- süre
- DSÖ
- irade
- ile
- içinde
- İş
- yıl
- Sen
- zefirnet