Моделі машинного навчання (ML) не працюють ізольовано. Щоб отримати цінність, вони повинні інтегруватися в існуючі виробничі системи та інфраструктуру, що вимагає розгляду всього життєвого циклу машинного навчання під час проектування та розробки. Операції ML, відомі як MLOps, зосереджені на оптимізації, автоматизації та моніторингу моделей ML протягом усього життєвого циклу. Створення надійного конвеєра MLOps вимагає міжфункціональної співпраці. Науковці даних, інженери ML, ІТ-спеціалісти та команди DevOps повинні працювати разом, щоб ввести в дію моделі від дослідження до розгортання та обслуговування. За допомогою правильних процесів та інструментів MLOps дозволяє організаціям надійно та ефективно застосовувати ML у своїх командах.
Незважаючи на те, що вимоги безперервної інтеграції та конвеєрів безперервної доставки (CI/CD) можуть бути унікальними та відображати потреби кожної організації, масштабування практик MLOps між командами можна спростити за допомогою керованої оркестровки та інструментів, які можуть прискорити процес розробки та усунути недиференційовану важку роботу. .
Amazon SageMaker MLOps це набір функцій, який включає Проекти Amazon SageMaker (CI/CD), Трубопроводи Amazon SageMaker та Реєстр моделей Amazon SageMaker.
Трубопроводи SageMaker дозволяє легко створювати та керувати робочими процесами машинного навчання, а також пропонувати можливості зберігання та повторного використання кроків робочого процесу. The Реєстр моделей SageMaker централізує відстеження моделі, спрощуючи розгортання моделі. Проекти SageMaker знайомить із практиками CI/CD для ML, включаючи парність середовища, контроль версій, тестування та автоматизацію. Це дає змогу швидко встановити CI/CD у вашому середовищі ML, сприяючи ефективній масштабованості у всьому підприємстві.
Вбудований шаблони проектів надаються Amazon SageMaker включають інтеграцію з деякими інструментами сторонніх розробників, такими як Jenkins для оркестровки та GitHub для керування джерелами, а деякі використовують власні інструменти AWS CI/CD, такі як Комісія AWS, AWS CodePipeline та AWS CodeBuild. Однак у багатьох сценаріях замовники хотіли б інтегрувати SageMaker Pipelines з іншими існуючими інструментами CI/CD і, отже, створювати власні шаблони проектів.
У цій публікації ми покажемо вам крок за кроком впровадження, щоб досягти наступного:
- Створіть спеціальний шаблон проекту SageMaker MLOps, який інтегрується з GitHub і GitHub Actions
- Зробіть власні шаблони проектів доступними в Студія Amazon SageMaker для вашої команди з аналізу даних завдяки ініціалізації в один клік
Огляд рішення
У цій публікації ми будуємо наступну архітектуру. Ми створюємо автоматизований конвеєр побудови моделі, який включає етапи підготовки даних, навчання моделі, оцінювання моделі та реєстрацію навченої моделі в реєстрі моделей SageMaker. Отримана навчена модель ML потім розгортається з реєстру моделей SageMaker у проміжні та робочі середовища після затвердження вручну.
Давайте заглибимося в елементи цієї архітектури, щоб зрозуміти повну конфігурацію.
GitHub і дії GitHub
GitHub — це веб-платформа, яка забезпечує контроль версій і керування вихідним кодом за допомогою Git. Це дозволяє командам співпрацювати над проектами розробки програмного забезпечення, відстежувати зміни та керувати сховищами коду. GitHub служить централізованим місцем для зберігання, версії та керування вашою базою коду ML. Це гарантує, що ваша база коду ML і конвеєри мають версії, документуються та доступні членам команди.
Дії GitHub це потужний інструмент автоматизації в екосистемі GitHub. Це дозволяє вам створювати власні робочі процеси, які автоматизують процеси життєвого циклу розробки програмного забезпечення, такі як створення, тестування та розгортання коду. Ви можете створювати керовані подіями робочі процеси, які запускаються певними подіями, наприклад, коли код надсилається до сховища або створюється запит на отримання. Під час впровадження MLOps ви можете використовувати GitHub Actions для автоматизації різних етапів конвеєра ML, наприклад:
- Перевірка та попередня обробка даних
- Модель навчання та оцінювання
- Розгортання моделі та моніторинг
- CI/CD для моделей ML
За допомогою GitHub Actions ви можете оптимізувати свої робочі процеси ML і переконатися, що ваші моделі послідовно створюються, тестуються та розгортаються, що призводить до більш ефективного та надійного розгортання ML.
У наступних розділах ми починаємо з налаштування передумов, що стосуються деяких компонентів, які ми використовуємо як частину цієї архітектури:
- AWS CloudFormation - AWS CloudFormation ініціює розгортання моделі та встановлює кінцеві точки SageMaker після активації конвеєра розгортання моделі за схваленням навченої моделі.
- Підключення AWS CodeStar - Ми використовуємо AWS CodeStar щоб встановити зв’язок із сховищем GitHub і використовувати його як інтеграцію сховища коду з ресурсами AWS, як-от SageMaker Studio.
- Amazon EventBridge - Amazon EventBridge відстежує всі зміни в реєстрі моделей. Він також підтримує правило, яке пропонує функції Lambda розгорнути конвеєр моделі, коли стан версії пакета моделі змінюється з
PendingManualApproval
доApproved
в реєстрі моделей. - AWS Lambda – Ми використовуємо AWS Lambda функція для ініціювання робочого циклу розгортання моделі в GitHub Actions після реєстрації нової моделі в реєстрі моделей.
- Amazon SageMaker – Ми налаштовуємо такі компоненти SageMaker:
- Трубопровід – Цей компонент складається зі спрямованого ациклічного графа (DAG), який допомагає нам побудувати автоматизований робочий процес ML для етапів підготовки даних, навчання моделі та оцінки моделі. Реєстр моделей зберігає записи про версії моделі, пов’язані з ними артефакти, походження та метадані. Створено групу пакетів моделі, яка містить усі пов’язані версії моделі. Реєстр моделі також відповідає за керування статусом затвердження версії моделі для подальшого розгортання.
- Кінцева точка – Цей компонент налаштовує дві кінцеві точки HTTPS у реальному часі для висновку. Конфігурацію хостингу можна налаштувати, наприклад, для пакетного перетворення або асинхронного висновку. Проміжна кінцева точка генерується, коли конвеєр розгортання моделі активується шляхом схвалення навченої моделі з реєстру моделей SageMaker. Ця кінцева точка використовується для перевірки розгорнутої моделі, гарантуючи, що вона надає прогнози, які задовольняють наші стандарти точності. Коли модель готується до розгортання у виробництві, робоча кінцева точка розгортається на етапі затвердження вручну в робочому процесі GitHub Actions.
- Сховище коду – Це створює репозиторій Git як ресурс у вашому обліковому записі SageMaker. Використовуючи наявні дані зі сховища коду GitHub, які ви вводите під час створення свого проекту SageMaker, асоціація з тим самим репозиторієм встановлюється в SageMaker, коли ви ініціюєте проект. Це, по суті, формує зв’язок із сховищем GitHub у SageMaker, уможливлюючи інтерактивні дії (витягування/штовхання) з вашим сховищем.
- Модельний реєстр – Це відстежує різні версії моделі та відповідні артефакти, які включають походження та метадані. Колекція, відома як a модельна група пакетів створено версії моделі, пов’язані з корпусом. Крім того, реєстр моделі контролює статус затвердження версії моделі, забезпечуючи її готовність до наступного розгортання.
- Менеджер секретів AWS – Щоб надійно зберегти свій особистий маркер доступу GitHub, необхідно встановити секрет Менеджер секретів AWS і розмістити в ньому ваш маркер доступу.
- Каталог послуг AWS – Ми використовуємо Каталог послуг AWS для реалізації проектів SageMaker, які включають такі компоненти, як репозиторій коду SageMaker, функція Lambda, правило EventBridge, відро артефакту S3 тощо, усі реалізовані через CloudFormation. Це дозволяє вашій організації неодноразово використовувати шаблони проектів, розподіляти проекти для кожного користувача та оптимізувати операції.
- Amazon S3 – Ми використовуємо Служба простого зберігання Amazon (Amazon S3) для зберігання артефактів моделі, створених конвеєром.
Передумови
Ви повинні мати такі передумови:
Ви також повинні виконати додаткові кроки налаштування перед впровадженням рішення.
Налаштуйте підключення AWS CodeStar
Якщо у вас ще немає підключення AWS CodeStar до вашого облікового запису GitHub, див Створіть підключення до GitHub щоб отримати інструкції щодо його створення. Ваше з’єднання AWS CodeStar ARN виглядатиме так:
У цьому прикладі aEXAMPLE-8aad-4d5d-8878-dfcab0bc441f
є унікальним ідентифікатором цього підключення. Ми використовуємо цей ідентифікатор, коли створюємо проект SageMaker далі в цьому прикладі.
Налаштуйте секретні ключі доступу для свого токена GitHub
Щоб безпечно зберігати особистий маркер доступу GitHub, вам потрібно створити секрет у диспетчері секретів. Якщо у вас немає особистого маркера доступу для GitHub, див Керування особистими маркерами доступу щоб отримати інструкції щодо його створення.
Ви можете створити або класичний, або детальний маркер доступу. Однак переконайтеся, що маркер має доступ до вмісту сховища та дій (робочих процесів, запусків і артефактів).
Виконайте наступні дії, щоб зберегти свій маркер у диспетчері секретів:
- На консолі Secrets Manager виберіть Зберігайте новий секрет.
- Select Інший тип секрету та цінності Виберіть секретний тип.
- Назвіть свій секрет у ключ і додайте свій особистий маркер доступу до відповідного поля значення поле.
- Вибирати МАЙБУТНІ, введіть назву свого секрету та виберіть МАЙБУТНІ знову.
- Вибирати Магазин щоб зберегти вашу таємницю.
Зберігаючи особистий маркер доступу GitHub у диспетчері секретів, ви можете безпечно отримати до нього доступ у своєму конвеєрі MLOps, забезпечуючи при цьому його конфіденційність.
Створіть користувача IAM для GitHub Actions
Щоб дозволити GitHub Actions розгортати кінцеві точки SageMaker у вашому середовищі AWS, вам потрібно створити Управління ідентифікацією та доступом AWS (IAM) і надайте йому необхідні дозволи. Інструкції див Створення користувача IAM у вашому обліковому записі AWS. Використовувати iam/GithubActionsMLOpsExecutionPolicy.json
файл (надається в зразок коду), щоб надати цьому користувачеві достатні дозволи для розгортання ваших кінцевих точок.
Після створення користувача IAM, створити ключ доступу. Ви використовуватимете цей ключ, який складається з ідентифікатора ключа доступу та секретного ключа доступу, на наступному кроці під час налаштування ваших секретів GitHub.
Налаштуйте обліковий запис GitHub
Нижче наведено кроки, щоб підготувати обліковий запис GitHub до запуску цього прикладу.
Клонуйте репозиторій GitHub
Для цього прикладу можна повторно використати наявне репо GitHub. Однак це простіше, якщо ви створите нове сховище. Це сховище міститиме весь вихідний код для конвеєрних збірок і розгортань SageMaker.
Скопіюйте вміст каталогу початкового коду в корінь вашого сховища GitHub. Наприклад, .github
каталог має бути в кореневому каталозі вашого сховища GitHub.
Створіть секрет GitHub, що містить ваш ключ доступу користувача IAM
На цьому кроці ми зберігаємо дані ключа доступу новоствореного користувача в нашій Секрет GitHub.
- На веб-сайті GitHub перейдіть до свого сховища та виберіть Налаштування.
- У розділі безпеки виберіть Секрети та змінні І вибирай Дії.
- Вибирати Новий секрет сховища.
- для ІМ'Я, введіть
AWS_ACCESS_KEY_ID
- для секрет, введіть ідентифікатор ключа доступу, пов’язаний із користувачем IAM, який ви створили раніше.
- Вибирати Додати секрет.
- Повторіть ту саму процедуру для
AWS_SECRET_ACCESS_KEY
Налаштуйте середовище GitHub
Щоб створити етап затвердження вручну в наших конвеєрах розгортання, ми використовуємо a Середовище GitHub. Виконайте наступні дії:
- перейдіть до Налаштування, Середовища меню вашого сховища GitHub і створіть нове середовище під назвою production.
- для Правила охорони навколишнього середовищавиберіть Потрібні рецензенти.
- Додайте потрібні імена користувачів GitHub як рецензентів. Для цього прикладу ви можете вибрати власне ім’я користувача.
Зауважте, що функція середовища недоступна в деяких типах планів GitHub. Для отримання додаткової інформації див Використання середовищ для розгортання.
Розгорніть функцію Лямбда
У наступних кроках ми стискаємо lambda_function.py
у файл .zip, який потім завантажується в сегмент S3.
Відповідний зразок коду для цього можна знайти нижче GitHub репо. Зокрема, lambda_function.py
знаходиться в lambda_functions/lambda_github_workflow_trigger каталог.
Рекомендується створити форк зразка коду та клонувати його. Це дасть вам свободу змінювати код і експериментувати з різними аспектами зразка.
- Отримавши копію коду, перейдіть до відповідного каталогу та скористайтеся
zip
команда для стисненняlambda_function.py
. Користувачі Windows і MacOS можуть використовувати свою рідну систему керування файлами, File Explorer або Finder відповідно, щоб створити файл .zip.
- Завантажте
lambda-github-workflow-trigger.zip
до відра S3.
Згодом до цього сегмента буде доступний каталог послуг. Ви можете вибрати будь-яке відро, до якого у вас є доступ, за умови, що Service Catalog може отримати з нього дані на наступних кроках.
Починаючи з цього кроку, нам потрібно встановити та налаштувати AWS CLI v2. Альтернативою може бути використання AWS CloudShell, який постачається з усіма необхідними інструментами, попередньо встановленими, усуваючи потребу в будь-яких додаткових конфігураціях.
- Щоб завантажити файл у сегмент S3, скористайтеся такою командою:
Тепер ми створюємо лямбда-рівень для залежностей, пов’язаних із lambda_function
ми щойно завантажили.
- Налаштуйте віртуальне середовище Python і встановіть залежності:
- Згенеруйте файл .zip за допомогою таких команд:
- Опублікуйте шар в AWS:
Після публікації цього шару всі ваші лямбда-функції тепер можуть посилатися на нього, щоб відповідати своїм залежностям. Для більш детального розуміння лямбда-шарів див Робота з лямбда-шарами.
Створіть власний шаблон проекту в SageMaker
Після виконання всіх вищезазначених кроків у нас є всі ресурси та компоненти конвеєра CI/CD. Далі ми продемонструємо, як ми можемо зробити ці ресурси доступними як спеціальний проект у SageMaker Studio, доступним за допомогою розгортання одним клацанням миші.
Як обговорювалося раніше, коли надані SageMaker шаблони не відповідають вашим потребам (наприклад, ви хочете мати складнішу оркестровку в CodePipeline із кількома етапами, користувацькими кроками затвердження або інтегруватись із стороннім інструментом, таким як GitHub і дії GitHub продемонстровано в цій публікації), ви можете створювати власні шаблони. Ми рекомендуємо почати з шаблонів, наданих SageMaker, щоб зрозуміти, як упорядкувати свій код і ресурси та створювати на їх основі. Для отримання додаткової інформації див Створення власних шаблонів проектів.
Зауважте, що ви також можете автоматизувати цей крок і натомість використовувати CloudFormation для розгортання портфоліо та продукту каталогу послуг за допомогою коду. Однак у цій публікації ми покажемо вам розгортання консолі для кращого навчання.
На цьому етапі ми використовуємо наданий шаблон CloudFormation для створення портфоліо каталогу послуг, який допомагає нам створювати власні проекти в SageMaker.
Ви можете створити новий домен або повторно використати домен SageMaker для наступних кроків. Якщо у вас немає домену, зверніться до Підключення до домену Amazon SageMaker за допомогою швидкого налаштування інструкції з налаштування.
Увімкнувши доступ адміністратора до шаблонів SageMaker, виконайте такі дії:
- На консолі каталогу послуг у розділі адміністрація на панелі навігації виберіть портфелі.
- Вибирати Створіть нове портфоліо.
- Назвіть портфоліо «Шаблони організації SageMaker».
- Завантажити template.yml файл на ваш комп’ютер.
Цей шаблон Cloud Formation забезпечує всі ресурси CI/CD, які нам потрібні, як конфігурацію та інфраструктуру, як код. Ви можете вивчити шаблон більш детально, щоб побачити, які ресурси розгорнуті в його складі. Цей шаблон налаштовано для інтеграції з GitHub і GitHub Actions.
- У
template.yml
файл, змінітьS3Bucket
значення для вашого сегмента, куди ви завантажили файл Lambda .zip:
- Виберіть нове портфоліо.
- Вибирати Завантажте новий продукт.
- для Найменування¸ введіть назву свого шаблону. Ми використовуємо назву
build-deploy-github
. - для Опис, введіть опис.
- для власник, введіть ім'я.
- під Деталі версії, Для Методвиберіть Використовуйте файл шаблону.
- Вибирати Завантажте шаблон.
- Завантажте завантажений шаблон.
- для Назва версіївиберіть 1.0.
- Вибирати Розгляд.
- Перегляньте свої налаштування та виберіть Створити продукт.
- Вибирати оновлення щоб перерахувати новий продукт.
- Виберіть продукт, який ви щойно створили.
- на Теги вкладку, додайте до продукту такий тег:
- ключ =
sagemaker:studio-visibility
- значення =
true
- ключ =
Повернувшись до деталей портфоліо, ви повинні побачити щось схоже на наведений нижче знімок екрана (з різними ідентифікаторами).
- на Обмеження вкладку, виберіть Створити обмеження.
- для Productвиберіть
build-deploy-github
(продукт, який ви щойно створили). - для Обмеження тип, вибрати Запуск.
- під Обмеження запуску, Для Методвиберіть Виберіть роль IAM.
- Вибирати
AmazonSageMakerServiceCatalogProductsLaunchRole
. - Вибирати Створювати.
- на Групи, ролі та користувачі вкладку, виберіть Додайте групи, ролі, користувачів.
- на Ролі виберіть роль, яку ви використовували під час налаштування домену SageMaker Studio. Тут можна знайти доменну роль SageMaker.
- Вибирати Додати доступ.
Розгорніть проект із SageMaker Studio
У попередніх розділах ви підготували спеціальне середовище проекту MLOps. Тепер давайте створимо проект за допомогою цього шаблону:
- На консолі SageMaker перейдіть до домену, у якому ви хочете створити цей проект.
- на Запуск меню, виберіть Studio.
Ви будете перенаправлені до середовища SageMaker Studio.
- У SageMaker Studio на панелі навігації під Розгортаннявиберіть Завдання.
- Вибирати Створити проект.
- У верхній частині списку шаблонів виберіть Шаблони організації.
Якщо ви успішно виконали всі попередні кроки, ви зможете побачити новий настроюваний шаблон проекту під назвою Build-Deploy-GitHub
.
- Виберіть цей шаблон і виберіть Виберіть Шаблон проекту.
- Введіть необов’язковий опис.
- для Ім’я власника сховища GitHub, введіть власника свого сховища GitHub. Наприклад, якщо ваше сховище знаходиться за адресою
https://github.com/pooyavahidi/my-repo
, власником биpooyavahidi
. - для Назва сховища GitHub, введіть назву сховища, до якого ви скопіювали вихідний код. Це буде просто назва репо. Наприклад, в
https://github.com/pooyavahidi/my-repo
, репо єmy-repo
. - для Унікальний ідентифікатор підключення Codestar, введіть унікальний ідентифікатор створеного вами підключення AWS CodeStar.
- для Назва секрету в диспетчері секретів, який зберігає маркер GitHub, введіть назву секрету в диспетчері секретів, де ви створили та зберегли маркер GitHub.
- для Файл робочого процесу GitHub для розгортання, введіть назву файлу робочого циклу GitHub (на
.github/workflows/deploy.yml
), де є інструкції з розгортання. Для цього прикладу ви можете залишити його за замовчуванням, тобтоdeploy.yml
. - Вибирати Створити проект.
- Після створення проекту обов’язково оновіть файл
AWS_REGION
таSAGEMAKER_PROJECT_NAME
змінні середовища у ваших файлах робочого процесу GitHub відповідно. Файли робочого циклу знаходяться у вашому сховищі GitHub (скопійовано з вихідного коду), всередині.github/workflows
каталог. Переконайтеся, що ви оновили обидваbuild.yml
таdeploy.yml
файли.
Тепер ваше середовище готове до роботи! Ви можете запускати конвеєри безпосередньо, вносити зміни та надсилати ці зміни у свій репозиторій GitHub, щоб запустити автоматизований конвеєр збірки та побачити, як автоматизовано всі етапи збирання та розгортання.
Прибирати
Щоб очистити ресурси, виконайте такі дії:
- Видаліть стеки CloudFormation, які використовуються для проекту SageMaker і кінцевих точок SageMaker.
- Видаліть домен SageMaker.
- Видаліть ресурси каталогу послуг.
- Видаліть посилання на підключення AWS CodeStar до репозиторію GitHub.
- Видаліть користувача IAM, якого ви створили для GitHub Actions.
- Видаліть секрет у диспетчері секретів, який зберігає особисті дані доступу GitHub.
Підсумки
У цій публікації ми ознайомилися з процесом використання спеціального шаблону проекту SageMaker MLOps для автоматичного створення та організації конвеєра CI/CD. Цей конвеєр ефективно інтегрує ваші існуючі механізми CI/CD із можливостями SageMaker для маніпулювання даними, навчання моделі, затвердження моделі та розгортання моделі. У нашому сценарії ми зосередилися на інтеграції дій GitHub із проектами та конвеєрами SageMaker. Щоб отримати повне розуміння деталей реалізації, відвідайте GitHub сховище. Не соромтеся експериментувати з цим і не соромтеся залишати будь-які запитання в розділі коментарів.
Про авторів
Доктор Роміна Шаріфпур є старшим архітектором рішень у сфері машинного навчання та штучного інтелекту в Amazon Web Services (AWS). Вона понад 10 років керувала розробкою та впровадженням інноваційних наскрізних рішень, створених завдяки прогресу в ML та AI. Сфера інтересів Роміни — обробка природної мови, великі мовні моделі та MLO.
Пуя Вахіді є старшим архітектором рішень в AWS, захопленим інформатикою, штучним інтелектом і хмарними обчисленнями. Як фахівець зі штучного інтелекту він є активним учасником команди AWS AI/ML Area-of-Depth. Маючи понад два десятиліття досвіду в управлінні архітектурою та розробкою великомасштабних рішень, він допомагає клієнтам у їхніх трансформаційних подорожах за допомогою хмарних технологій і технологій AI/ML.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-using-amazon-sagemaker-pipelines-github-and-github-actions/
- : має
- :є
- : ні
- :де
- $UP
- 10
- 100
- 114
- 14
- 20
- 28
- 7
- 8
- 9
- a
- Здатний
- МЕНЮ
- вище
- прискорювати
- доступ
- доступний
- доступною
- відповідно
- рахунки
- точність
- Achieve
- через
- дії
- активний
- ациклічні
- додавати
- Додатковий
- Відрегульований
- прийняти
- досягнення
- після
- знову
- AI
- AI / ML
- ВСІ
- виділяти
- дозволяти
- дозволяє
- вже
- Також
- альтернатива
- Amazon
- Amazon SageMaker
- Трубопроводи Amazon SageMaker
- Amazon Web Services
- Веб-служби Amazon (AWS)
- an
- та
- та інфраструктури
- будь-який
- відповідний
- твердження
- архітектура
- ЕСТЬ
- області
- штучний
- штучний інтелект
- AS
- аспекти
- асоційований
- Асоціація
- At
- автоматизувати
- Автоматизований
- автоматично
- автоматизація
- Автоматизація
- доступний
- AWS
- фон
- база
- BE
- було
- перед тим
- обидва
- будувати
- Створюємо
- Будує
- побудований
- вбудований
- by
- званий
- CAN
- можливості
- каталог
- CD
- централізована
- зміна
- Зміни
- Вибирати
- classic
- очистити
- клацання
- хмара
- хмарних обчислень
- код
- кодова база
- співпрацювати
- співробітництво
- збір
- приходить
- коментарі
- повний
- завершення
- комплекс
- компонент
- Компоненти
- всеосяжний
- комп'ютер
- Інформатика
- обчислення
- конфіденційність
- конфігурація
- налаштувати
- конфігурування
- зв'язку
- беручи до уваги
- послідовно
- складається
- Консоль
- будувати
- містити
- зміст
- безперервний
- контроль
- Відповідний
- створювати
- створений
- створює
- створення
- створення
- виготовлений на замовлення
- Клієнти
- налаштувати
- DAG
- дані
- Підготовка даних
- наука про дані
- десятиліття
- дефолт
- доставляти
- доставка
- заглиблюватися
- запити
- демонструвати
- продемонстрований
- залежно
- розгортання
- розгорнути
- розгортання
- розгортання
- розгортання
- description
- дизайн
- бажаний
- деталь
- докладно
- деталі
- розробка
- різний
- спрямований
- безпосередньо
- обговорювалися
- do
- домен
- Не знаю
- під час
- кожен
- Раніше
- легше
- екосистема
- Ефективний
- фактично
- ефективний
- продуктивно
- або
- елементи
- усуваючи
- включіть
- включений
- дозволяє
- дозволяє
- кінець в кінець
- Кінцева точка
- Машинобудування
- Інженери
- забезпечувати
- гарантує
- забезпечення
- Що натомість? Створіть віртуальну версію себе у
- підприємство
- Весь
- Навколишнє середовище
- середовищах
- по суті
- встановити
- встановлений
- встановлює
- установа
- і т.д.
- оцінка
- Події
- приклад
- існуючий
- досвід
- експеримент
- експертиза
- дослідник
- сприяння
- особливість
- риси
- почувати
- поле
- філе
- Файли
- шукач
- Сфокусувати
- увагу
- після
- для
- вилка
- освіта
- форми
- знайдений
- Безкоштовна
- Freedom
- від
- функція
- Функції
- породжувати
- генерується
- отримати
- Git
- GitHub
- Давати
- буде
- пішов
- надавати
- графік
- великий
- Group
- Групи
- Мати
- he
- важкий
- важкий підйом
- допомагає
- хостинг
- будинок
- будинку
- житло
- Як
- How To
- Однак
- HTML
- HTTP
- HTTPS
- ID
- Особистість
- ідентифікатори
- if
- реалізація
- реалізовані
- реалізації
- in
- включати
- includes
- У тому числі
- інформація
- Інфраструктура
- ініціювати
- Посвячені
- інноваційний
- вхід
- всередині
- встановлювати
- встановлений
- екземпляр
- замість
- інструкції
- інтегрувати
- Інтеграція
- Інтеграція
- інтеграція
- Інтелект
- інтерактивний
- інтерес
- в
- Вводить
- ізоляція
- IT
- ЙОГО
- Подорожі
- JPG
- json
- просто
- тримати
- тримає
- ключ
- ключі
- відомий
- мова
- великий
- масштабний
- пізніше
- запуск
- шар
- шарів
- провідний
- вивчення
- Залишати
- Життєвий цикл
- підйомний
- як
- родовід
- LINK
- список
- розташований
- розташування
- Довго
- подивитися
- виглядає як
- машина
- навчання за допомогою машини
- MacOS
- підтримує
- обслуговування
- зробити
- управляти
- вдалося
- управління
- менеджер
- управління
- Маніпуляція
- керівництво
- багато
- механізми
- Зустрічатися
- член
- члени
- Меню
- метадані
- може бути
- MIT
- ML
- MLOps
- модель
- Моделі
- Поправки
- змінювати
- моніторинг
- монітори
- більше
- більш ефективний
- Більше того
- множинний
- повинен
- ім'я
- Названий
- Імена
- рідний
- Природний
- Обробка природних мов
- Переміщення
- навігація
- необхідно
- вимагає
- Необхідність
- потреби
- Нові
- новий продукт
- нещодавно
- наступний
- зараз
- отримувати
- of
- пропонує
- on
- ONE
- далі
- працювати
- операції
- or
- оркестровка
- організація
- організації
- Інше
- наші
- над
- огляд
- власний
- власник
- пакет
- pane
- паритет
- частина
- партія
- пристрасний
- Дозволи
- персонал
- трубопровід
- плани
- платформа
- plato
- Інформація про дані Платона
- PlatoData
- портфель
- пошта
- потужний
- практики
- Прогнози
- підготовка
- Готувати
- підготовлений
- передумови
- попередній
- процедура
- процес
- процеси
- обробка
- Вироблений
- Product
- Production
- професійний
- проект
- проектів
- підказок
- захист
- забезпечувати
- за умови
- забезпечує
- опублікований
- Штовхати
- штовхнув
- Python
- запити
- Швидко
- Готовність
- готовий
- реального часу
- рекомендувати
- рекомендований
- облік
- послатися
- посилання
- відображати
- зареєстрований
- Реєстрація
- реєстру
- пов'язаний
- доречний
- надійний
- видаляти
- ПОВТОРНО
- Сховище
- запросити
- вимагати
- Вимога
- дослідження
- ресурс
- ресурси
- відповідно
- відповідальний
- в результаті
- знову використовувати
- право
- міцний
- Роль
- ролі
- корінь
- Правило
- прогін
- пробіжки
- мудрець
- Трубопроводи SageMaker
- то ж
- зберегти
- масштабованість
- Масштабування
- сценарій
- сценарії
- наука
- Вчені
- секрет
- секрети
- розділ
- розділам
- безпечно
- безпеку
- побачити
- насіння
- вибрати
- старший
- служить
- обслуговування
- Послуги
- набори
- установка
- налаштування
- установка
- кілька
- вона
- Повинен
- Показувати
- аналогічний
- простий
- спрощений
- спрощення
- Софтвер
- розробка програмного забезпечення
- рішення
- Рішення
- деякі
- що в сім'ї щось
- Source
- вихідні
- напруга
- конкретний
- конкретно
- відпрацьований
- Стеки
- Персонал
- Стажування
- етапи
- інсценування
- стандартів
- старт
- Починаючи
- Статус
- Крок
- заходи
- зберігання
- зберігати
- зберігати
- магазинів
- зберігання
- просто
- раціоналізувати
- упорядкування
- студія
- Вивчення
- наступні
- Успішно
- такі
- достатній
- набір
- Переконайтеся
- система
- Systems
- TAG
- команда
- Члени команди
- команди
- Технології
- шаблон
- Шаблони
- перевірений
- Тестування
- Що
- Команда
- Джерело
- їх
- потім
- отже
- Ці
- вони
- третій
- третя сторона
- це
- ті
- через
- по всьому
- до
- разом
- знак
- інструмент
- інструменти
- топ
- трек
- Відстеження
- навчений
- Навчання
- Перетворення
- перетворювальний
- викликати
- спрацьовує
- два
- тип
- Типи
- при
- розуміти
- розуміння
- створеного
- Оновити
- завантажено
- на
- us
- використання
- використовуваний
- користувач
- користувачі
- використання
- використовувати
- використовувати
- ПЕРЕВІР
- перевірка достовірності
- значення
- різний
- версія
- версії
- через
- Віртуальний
- візит
- пішов
- хотіти
- we
- Web
- веб-сервіси
- Web-Based
- веб-сайт
- Що
- коли
- який
- в той час як
- волі
- windows
- з
- в
- Work
- працювати разом
- робочий
- Робочі процеси
- б
- років
- Ти
- вашу
- зефірнет
- Zip