Цю публікацію було написано у співпраці з Бхаджандіпом Сінгхом і Аджаєм Вішвакармою з практики Wipro AWS AI/ML.
Багато організацій використовують комбінацію локальних і відкритих вихідних рішень для вивчення даних для створення та керування моделями машинного навчання (ML).
Команди Data Science і DevOps можуть зіткнутися з труднощами в управлінні цими ізольованими наборами інструментів і системами. Інтеграція кількох стеків інструментів для створення компактного рішення може передбачати створення настроюваних конекторів або робочих процесів. Управління різними залежностями на основі поточної версії кожного стеку та підтримка цих залежностей із випуском нових оновлень кожного стеку ускладнює рішення. Це збільшує вартість обслуговування інфраструктури та знижує продуктивність.
Пропозиції штучного інтелекту (AI) і машинного навчання (ML) від Веб-служби Amazon (AWS)разом із інтегрованими службами моніторингу та сповіщень допомагають організаціям досягти необхідного рівня автоматизації, масштабованості та якості моделі за оптимальних витрат. AWS також допомагає командам з обробки даних і DevOps співпрацювати та оптимізувати загальний процес життєвого циклу моделі.
Портфель послуг машинного навчання AWS включає надійний набір послуг, які можна використовувати для прискорення розробки, навчання та розгортання програм машинного навчання. Набір послуг можна використовувати для підтримки повного життєвого циклу моделі, включаючи моніторинг і перенавчання моделей ML.
У цій публікації ми обговорюємо розробку моделі та впровадження фреймворку MLOps для одного з клієнтів Wipro, який використовує Amazon SageMaker та інші служби AWS.
Wipro є Партнер AWS Premier Tier Services і керований постачальник послуг (MSP). Його Рішення AI/ML сприяти підвищенню операційної ефективності, продуктивності та досвіду клієнтів для багатьох своїх корпоративних клієнтів.
Актуальні виклики
Давайте спочатку розберемося з кількома труднощами, з якими зіткнулися команди клієнта в галузі обробки даних і DevOps під час поточного налаштування. Потім ми можемо перевірити, як інтегровані пропозиції SageMaker AI/ML допомогли вирішити ці проблеми.
- Співпраця – кожен із дослідників даних працював над своїми локальними блокнотами Jupyter, щоб створювати та навчати моделі машинного навчання. Їм не вистачало ефективного методу для обміну даними та співпраці з іншими дослідниками даних.
- Масштабованість. Навчання та перенавчання моделей ML займало дедалі більше часу, оскільки моделі ставали складнішими, а виділена ємність інфраструктури залишалася статичною.
- MLOps – моніторинг моделі та постійне управління не були тісно інтегровані та автоматизовані з моделями ML. Існують залежності та складності з інтеграцією інструментів сторонніх розробників у конвеєр MLOps.
- Можливість повторного використання – без багаторазових структур MLOps кожну модель потрібно розробляти та керувати окремо, що збільшує загальні зусилля та затримує введення в дію моделі.
На цій діаграмі підсумовано проблеми та те, як Wipro запровадив SageMaker, щоб їх вирішити за допомогою вбудованих служб і пропозицій SageMaker.
Wipro визначив архітектуру, яка вирішує проблеми в економічно оптимізований і повністю автоматизований спосіб.
Нижче наведено варіант використання та модель, використані для створення рішення:
- Корпус: Прогнозування ціни на основі даних про вживані автомобілі
- Тип проблеми: Регресія
- Використовувані моделі: XGBoost і Linear Learner (вбудовані алгоритми SageMaker)
Архітектура рішення
Консультанти Wipro провели глибокий семінар із вивчення даних, DevOps і команди розробки даних клієнта, щоб зрозуміти поточне середовище, а також їхні вимоги та очікування щодо сучасного рішення на AWS. Наприкінці консультаційної роботи команда впровадила наступну архітектуру, яка ефективно відповідала основним вимогам команди клієнтів, зокрема:
Спільне використання коду – Ноутбуки SageMaker дозволяють дослідникам даних експериментувати та ділитися кодом з іншими членами команди. Wipro ще більше прискорила свій шлях до моделі ML, запровадивши прискорювачі коду Wipro та фрагменти для прискорення розробки функцій, навчання моделі, розгортання моделі та створення конвеєра.
Конвеєр безперервної інтеграції та безперервної доставки (CI/CD). – Використання репозиторію клієнта GitHub із підтримкою версії коду та автоматизованих сценаріїв для запуску конвеєрного розгортання кожного разу, коли надходять нові версії коду.
MLOps – Архітектура реалізує конвеєр моніторингу моделі SageMaker для безперервного керування якістю моделі шляхом перевірки даних і дрейфу моделі відповідно до визначеного розкладу. Щоразу, коли виявляється дрейф, запускається подія, щоб сповістити відповідні команди про вжиття заходів або ініціювання повторного навчання моделі.
Керована подіями архітектура – Конвеєри для навчання моделі, розгортання моделі та моніторингу моделі добре інтегровані за використання Amazon EventBridge, безсерверна шина подій. Коли відбуваються визначені події, EventBridge може викликати конвеєр для запуску у відповідь. Це забезпечує слабко пов’язаний набір конвеєрів, які можуть працювати за потреби відповідно до середовища.
Компоненти розчину
У цьому розділі описано різні компоненти рішення архітектури.
Зошити для експериментів
- Мета: Команда клієнта з вивчення даних хотіла поекспериментувати з різними наборами даних і кількома моделями, щоб отримати оптимальні функції, використовуючи їх як додаткові вхідні дані для автоматизованого конвеєра.
- Рішення: Wipro створила блокноти для експериментів SageMaker із фрагментами коду для кожного кроку, який можна багаторазово використовувати, наприклад читання та запис даних, розробка функцій моделі, навчання моделі та налаштування гіперпараметрів. Завдання розробки функцій також можна підготувати в Data Wrangler, але клієнт спеціально запитував завдання обробки SageMaker і Функції кроку AWS тому що їм було зручніше використовувати ці технології. Ми використали AWS step function data science SDK, щоб створити покрокову функцію — для тестування потоку — безпосередньо з екземпляра ноутбука, щоб увімкнути чітко визначені вхідні дані для конвеєрів. Це допомогло групі спеціалістів із обробки даних створювати та тестувати конвеєри набагато швидше.
Автоматизований навчальний конвеєр
- Мета: щоб увімкнути конвеєр автоматизованого навчання та повторного навчання з настроюваними параметрами, такими як тип екземпляра, гіперпараметри та Служба простого зберігання Amazon (Amazon S3) розташування ковша. Конвеєр також повинен бути запущений подією надсилання даних до S3.
- Рішення: Wipro реалізувала навчальний конвеєр для багаторазового використання, використовуючи SDK Step Functions, обробку SageMaker, навчальні завдання, контейнер монітора моделі SageMaker для базової генерації, AWS Lambdaі служби EventBridge. Використовуючи керовану подіями архітектуру AWS, конвеєр налаштовано на автоматичний запуск на основі нової події даних, що надсилається до відібраного сегмента S3. Сповіщення налаштовані для надсилання на визначені адреси електронної пошти. На високому рівні навчальний процес виглядає так:
Опис потоку для автоматизованого конвеєра навчання
Наведена вище діаграма є автоматизованим навчальним конвеєром, створеним за допомогою Step Functions, Lambda та SageMaker. Це багаторазовий конвеєр для налаштування автоматизованого навчання моделі, створення прогнозів, створення базової лінії для моніторингу моделі та даних, а також створення та оновлення кінцевої точки на основі попереднього порогового значення моделі.
- Попередня обробка: Цей крок приймає дані з розташування Amazon S3 як вхідні дані та використовує контейнер SageMaker SKLearn для виконання необхідних завдань з розробки функцій і попередньої обробки даних, як-от навчання, тестування та перевірка розподілу.
- Тренування моделі: Використовуючи SageMaker SDK, цей крок запускає навчальний код із відповідним зображенням моделі та навчає набори даних зі сценаріїв попередньої обробки під час генерації навчених артефактів моделі.
- Зберегти модель: На цьому кроці створюється модель із навчених артефактів моделі. Назва моделі зберігається для посилання в іншому конвеєрі за допомогою Зберігання параметрів AWS Systems Manager.
- Результати навчання запитам: Цей крок викликає функцію Лямбда, щоб отримати показники завершеного навчального завдання з попереднього етапу навчання моделі.
- поріг RMSE: Цей крок перевіряє метрику навченої моделі (RMSE) на відповідність визначеному порогу, щоб вирішити, чи продовжувати розгортання кінцевої точки, чи відхиляти цю модель.
- Занизька точність моделі: На цьому кроці точність моделі перевіряється порівняно з попередньою кращою моделлю. Якщо модель не піддається перевірці метрики, сповіщення надсилається функцією лямбда до цільової теми, зареєстрованої в Служба простих сповіщень Amazon (Amazon SNS). Якщо ця перевірка не вдається, потік завершується, оскільки нова навчена модель не відповідає визначеному порогу.
- Дрейф даних базового завдання: Якщо навчена модель проходить етапи перевірки, для цієї навченої версії моделі генерується базова статистика, щоб увімкнути моніторинг, і виконуються кроки паралельного розгалуження, щоб створити базову лінію для перевірки якості моделі.
- Створіть конфігурацію кінцевої точки моделі: На цьому кроці створюється конфігурація кінцевої точки для оцінюваної моделі на попередньому кроці за допомогою увімкнути збір даних configuration.
- Перевірити кінцеву точку: На цьому кроці перевіряється, чи існує кінцева точка чи її потрібно створити. Виходячи з результату, наступним кроком є створення або оновлення кінцевої точки.
- Конфігурація експорту: Цей крок експортує назву моделі параметра, назву кінцевої точки та конфігурацію кінцевої точки до Менеджер систем AWS Зберігання параметрів.
Сповіщення та сповіщення налаштовані для надсилання на налаштовану електронну адресу теми SNS про невдалу або успішну зміну статусу кінцевого автомата. Така сама конфігурація конвеєра повторно використовується для моделі XGBoost.
Автоматизований конвеєр оцінки партій
- Мета: Запустіть пакетну оцінку, щойно вхідні пакетні дані оцінки стануть доступними у відповідному розташуванні Amazon S3. Для підрахунку балів партії слід використовувати останню зареєстровану модель.
- Рішення: Wipro реалізувала багаторазовий конвеєр скорингу за допомогою SDK Step Functions, завдань пакетного перетворення SageMaker, Lambda та EventBridge. Конвеєр запускається автоматично на основі нової доступності пакетних даних оцінки для відповідного розташування S3.
Опис потоку для автоматизованого конвеєра оцінки пакетів:
- Попередня обробка: Вхідними даними для цього кроку є файл даних із відповідного розташування S3, який виконує необхідну попередню обробку перед викликом завдання пакетного перетворення SageMaker.
- Підрахунок очок: На цьому кроці запускається завдання пакетного перетворення для створення висновків, виклик останньої версії зареєстрованої моделі та збереження виведених результатів оцінки у сегменті S3. Wipro використав фільтр введення та функцію об’єднання API пакетного перетворення SageMaker. Це допомогло збагатити дані оцінки для кращого прийняття рішень.
- На цьому кроці конвеєр кінцевого автомата запускається новим файлом даних у сегменті S3.
Сповіщення налаштоване для надсилання на налаштовану електронну пошту теми SNS про невдачу/успіх зміни статусу кінцевого автомата.
Конвеєр виведення в реальному часі
- Мета: Щоб увімкнути висновки в реальному часі з кінцевих точок обох моделей (Linear Learner і XGBoost) і отримати максимальне прогнозоване значення (або за допомогою будь-якої іншої спеціальної логіки, яку можна записати як лямбда-функцію), яке повертається додатку.
- Рішення: Команда Wipro реалізувала багаторазову архітектуру за допомогою API -шлюз Amazon, лямбда та кінцева точка SageMaker, як показано на малюнку 6:
Опис потоку для конвеєра виведення в реальному часі, показаного на малюнку 6:
- Корисне навантаження надсилається з програми на Amazon API Gateway, який направляє її до відповідної функції Lambda.
- Функція Lambda (з інтегрованим користувацьким шаром SageMaker) виконує необхідну попередню обробку, форматує корисне навантаження JSON або CSV і викликає відповідні кінцеві точки.
- Відповідь повертається до Lambda та надсилається до програми через API Gateway.
Замовник використовував цей конвеєр для малих і середніх моделей, які включали використання різних типів алгоритмів з відкритим кодом. Одна з ключових переваг SageMaker полягає в тому, що в SageMaker можна додати різні типи алгоритмів і розгорнути їх за допомогою технології BYOC. BYOC передбачає контейнеризацію алгоритму та реєстрацію зображення Реєстр еластичних контейнерів Amazon (Amazon ECR), а потім за допомогою того самого зображення створити контейнер для навчання та висновків.
Масштабування є однією з найбільших проблем у циклі машинного навчання. SageMaker поставляється з необхідними інструментами для масштабування моделі під час логічного висновку. У попередній архітектурі користувачам потрібно ввімкнути автоматичне масштабування SageMaker, яке зрештою обробляє робоче навантаження. Щоб увімкнути автоматичне масштабування, користувачі повинні надати політику автоматичного масштабування, яка запитує пропускну здатність для кожного екземпляра, а також максимальний і мінімальний екземпляри. У межах політики SageMaker автоматично обробляє робоче навантаження для кінцевих точок у реальному часі та за потреби перемикається між екземплярами.
Індивідуальна модель конвеєра монітора
- Мета: Команда замовника хотіла мати автоматизований моніторинг моделі, щоб фіксувати як дрейф даних, так і дрейф моделі. Команда Wipro використовувала моніторинг моделі SageMaker, щоб увімкнути як дрейф даних, так і дрейф моделі з багаторазовим конвеєром для висновків у реальному часі та пакетного перетворення. Зауважте, що під час розробки цього рішення моніторинг моделі SageMaker не передбачав можливості виявлення даних або дрейф моделі для пакетного перетворення. Ми реалізували налаштування для використання контейнера монітора моделі для корисного навантаження пакетних перетворень.
- Рішення: Команда Wipro реалізувала багаторазовий конвеєр моніторингу моделі для корисних навантажень у режимі реального часу та пакетного висновку за допомогою Клей AWS щоб зафіксувати додаткове корисне навантаження та запустити завдання моніторингу моделі відповідно до визначеного розкладу.
Опис потоку для конвеєра моніторингу спеціальної моделі:
Конвеєр працює відповідно до визначеного розкладу, налаштованого через EventBridge.
- Консолідація CSV – Він використовує функцію закладки AWS Glue для виявлення наявності додаткового корисного навантаження у визначеному сегменті S3 для збору даних у реальному часі та відповіді та відповіді пакетних даних. Потім він збирає ці дані для подальшої обробки.
- Оцініть корисне навантаження – Якщо для поточного запуску є додаткові дані або корисне навантаження, він викликає гілку моніторингу. В іншому випадку виконується обхід без обробки та виходить із завдання.
- Подальша обробка – Гілка моніторингу розроблена так, щоб мати дві паралельні підгілки — одну для дрейфу даних, а іншу — для дрейфу моделі.
- Моніторинг (дрейф даних) – Гілка дрейфу даних запускається щоразу, коли є корисне навантаження. Він використовує найновіші навчені базові обмеження моделі та статистичні файли, згенеровані через навчальний конвеєр для функцій даних, і виконує завдання моніторингу моделі.
- Моніторинг (дрейф моделі) – Гілка дрейфу моделі виконується лише тоді, коли надаються наземні істинні дані разом із корисним навантаженням висновку. Він використовує навчені базові обмеження моделі та статистичні файли, згенеровані через навчальний конвеєр для функцій якості моделі, і виконує завдання моніторингу моделі.
- Оцініть дрейф – Результатом дрейфу даних і моделі є файл порушення обмежень, який оцінюється функцією evaluate drift Lambda, яка надсилає сповіщення до відповідних тем Amazon SNS із детальною інформацією про дрейф. Дані дрейфу додатково збагачуються додаванням атрибутів для цілей звітності. Електронні листи зі сповіщеннями про дрейф виглядатимуть подібно до прикладів на малюнку 8.
Статистика за допомогою візуалізації Amazon QuickSight:
- Мета: Замовник хотів отримати уявлення про дрейф даних і моделі, зв’язати дані дрейфу з відповідними завданнями моніторингу моделі та дізнатися тенденції даних висновків, щоб зрозуміти природу тенденцій даних перешкод.
- Рішення: Команда Wipro розширила дані дрейфу, поєднавши вхідні дані з результатом дрейфу, що дає змогу сортувати від дрейфу до моніторингу та відповідних даних оцінки. Візуалізації та інформаційні панелі створено за допомогою Amazon QuickSight з Амазонка Афіна як джерело даних (з використанням оцінки Amazon S3 CSV і даних дрейфу).
Конструкційні міркування:
- Використовуйте набір спецій QuickSight для кращої продуктивності в пам’яті.
- Використовуйте API оновлення набору даних QuickSight, щоб автоматизувати оновлення даних спецій.
- Запровадити безпеку на основі групи для керування доступом до інформаційної панелі та аналізу.
- Автоматизуйте розгортання в облікових записах за допомогою експорту та імпорту набору даних, джерела даних і викликів API аналізу, наданих QuickSight.
Панель моніторингу моделі:
Для забезпечення ефективного результату та значущої інформації про завдання моніторингу моделі, для даних моніторингу моделі було створено спеціальні інформаційні панелі. Точки вхідних даних поєднуються паралельно з даними запиту на висновок, даними про завдання та вихідними даними моніторингу для створення візуалізації тенденцій, виявлених моніторингом моделі.
Це дійсно допомогло команді клієнтів візуалізувати аспекти різних функцій даних разом із прогнозованим результатом кожної групи запитів на висновок.
Висновок
Реалізація, описана в цій публікації, дозволила Wipro ефективно перенести свої локальні моделі на AWS і створити масштабовану автоматизовану структуру розробки моделей.
Використання багаторазово використовуваних компонентів фреймворку дає змогу команді з обробки даних ефективно упаковувати свою роботу як компоненти AWS Step Functions JSON, які можна розгортати. Одночасно команди DevOps використовували та вдосконалювали автоматизований конвеєр CI/CD, щоб сприяти безпроблемному просуванню та перепідготовці моделей у вищих середовищах.
Компонент моніторингу моделі увімкнув безперервний моніторинг продуктивності моделі, і користувачі отримують сповіщення та сповіщення щоразу, коли виявляються дані або дрейф моделі.
Команда замовника використовує цей фреймворк MLOps, щоб перенести або розробити більше моделей і розширити впровадження SageMaker.
Використовуючи комплексний набір послуг SageMaker у поєднанні з нашою ретельно розробленою архітектурою, клієнти можуть безперешкодно підключати кілька моделей, значно скорочуючи час розгортання та пом’якшуючи складності, пов’язані із спільним використанням коду. Крім того, наша архітектура спрощує обслуговування версій коду, забезпечуючи спрощений процес розробки.
Ця архітектура керує всім циклом машинного навчання, охоплюючи автоматизоване навчання моделі, вихід у режимі реального часу та пакетний аналіз, проактивний моніторинг моделі та аналіз дрейфу. Це наскрізне рішення дає клієнтам можливість досягти оптимальної продуктивності моделі, зберігаючи можливості ретельного моніторингу та аналізу для забезпечення постійної точності та надійності.
Щоб створити цю архітектуру, почніть зі створення основних ресурсів, таких як Віртуальна приватна хмара Amazon (Amazon VPC), блокноти SageMaker і функції Lambda. Переконайтеся, що налаштування належні AWS Identity and Access Management (IAM) політики щодо цих ресурсів.
Далі зосередьтеся на створенні компонентів архітектури, таких як сценарії навчання та попередньої обробки, у SageMaker Studio або Jupyter Notebook. Цей крок передбачає розробку необхідного коду та конфігурацій для забезпечення бажаних функцій.
Після визначення компонентів архітектури ви можете продовжити створення лямбда-функцій для створення висновків або виконання етапів постобробки даних.
Наприкінці скористайтеся покроковими функціями, щоб з’єднати компоненти та встановити плавний робочий процес, який координує виконання кожного кроку.
Про авторів
Стівен Рендольф є старшим архітектором партнерських рішень в Amazon Web Services (AWS). Він підтримує та підтримує партнерів Global Systems Integrator (GSI) щодо новітніх технологій AWS, коли вони розробляють галузеві рішення для вирішення бізнес-завдань. Стівен особливо захоплюється безпекою та Generative AI, а також допомагає клієнтам і партнерам розробляти безпечні, ефективні та інноваційні рішення на AWS.
Бхаджандіп Сінгх обіймав посаду керівника Центру передового досвіду AWS AI/ML у Wipro Technologies, керуючи залученням клієнтів для надання рішень для аналізу даних і штучного інтелекту. Він має сертифікат AWS AI/ML Specialty та є автором технічних блогів про послуги та рішення AI/ML. Маючи досвід провідних рішень AWS AI/ML у різних галузях, Бхаджандіп дає змогу клієнтам максимізувати цінність послуг AWS AI/ML завдяки своєму досвіду та лідерству.
Аджай Вішвакарма є інженером ML для крила AWS практики рішень ШІ Wipro. Він має гарний досвід створення рішення BYOM для спеціального алгоритму в SageMaker, розгортання наскрізного конвеєра ETL, створення чат-ботів за допомогою Lex, спільного використання ресурсів QuickSight між обліковими записами та створення шаблонів CloudFormation для розгортань. Йому подобається досліджувати AWS, сприймаючи кожну проблему клієнта як виклик, щоб досліджувати більше та надавати їм рішення.
- 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/modernizing-data-science-lifecycle-management-with-aws-and-wipro/
- : має
- :є
- $UP
- 1
- 10
- 100
- 11
- 12
- 212
- 300
- 32
- 7
- 8
- 804
- 9
- a
- МЕНЮ
- вище
- прискорювати
- прискорений
- прискорювачі
- доступ
- За
- рахунки
- Рахунки
- точність
- Achieve
- через
- дію
- доповнення
- адресований
- адреси
- Додає
- Прийняття
- проти
- агрегати
- AI
- AI / ML
- Alerts
- алгоритм
- алгоритми
- виділено
- по
- Також
- Amazon
- API -шлюз Amazon
- Amazon QuickSight
- Amazon Web Services
- Веб-служби Amazon (AWS)
- Amazon.com
- an
- аналіз
- аналітика
- та
- Інший
- будь-який
- API
- Інтерфейси
- додаток
- застосування
- відповідний
- архітектура
- ЕСТЬ
- AS
- аспекти
- асоційований
- At
- Атрибути
- authors
- автоматичний
- автоматизувати
- Автоматизований
- автоматично
- Автоматизація
- наявність
- доступний
- AWS
- Клей AWS
- Функції кроку AWS
- назад
- заснований
- Базова лінія
- BE
- стали
- оскільки
- було
- перед тим
- починати
- буття
- Переваги
- КРАЩЕ
- Краще
- між
- найбільший
- блоги
- обидва
- Філія
- приносити
- приніс
- будувати
- Створюємо
- побудований
- вбудований
- bus
- бізнес
- але
- by
- покликання
- Виклики
- CAN
- можливості
- потужність
- захоплення
- автомобіль
- випадок
- Центр
- Центр передового досвіду
- сертифікація
- виклик
- проблеми
- зміна
- chatbots
- перевірка
- перевірено
- Перевірки
- клієнт
- клієнтів
- хмара
- код
- Спільне використання коду
- співпрацювати
- співробітництво
- співробітництво
- COM
- поєднання
- комбінований
- Приходити
- приходить
- зручний
- вчинено
- компактний
- повний
- Зроблено
- комплекс
- складності
- компонент
- Компоненти
- всеосяжний
- проводиться
- конфігурація
- налаштувати
- зв'язок
- З'єднуватися
- З'єднувальний
- міркування
- обмеження
- Консультанти
- консалтинг
- Контейнер
- безперервний
- контроль
- Core
- Коштувати
- створювати
- створений
- створює
- створення
- створення
- Перетинати
- Поточний
- виготовлений на замовлення
- клієнт
- Досвід клієнтів
- Клієнти
- цикл
- приладова панель
- інформаційні панелі
- дані
- Analytics даних
- точки даних
- наука про дані
- вчений даних
- набори даних
- вирішувати
- рішення
- Прийняття рішень
- певний
- затримки
- доставляти
- доставка
- залежно
- розгорнути
- розгортання
- розгортання
- описує
- description
- призначений
- бажаний
- деталі
- виявляти
- виявлено
- розвивати
- розвиненою
- розвивається
- розробка
- різний
- відкриття
- обговорювати
- do
- робить
- управляти
- керований
- під час
- кожен
- Раніше
- Ефективний
- фактично
- ефективність
- ефективний
- зусилля
- повідомлення електронної пошти
- повноваження
- включіть
- включений
- дозволяє
- охоплюючий
- кінець
- кінець в кінець
- Кінцева точка
- зачеплення
- зобов'язань
- інженер
- Машинобудування
- підвищена
- збагачувати
- Збагачений
- забезпечувати
- забезпечення
- підприємство
- Весь
- Навколишнє середовище
- середовищах
- особливо
- істотний
- встановити
- оцінювати
- оцінюється
- Event
- Події
- врешті-решт
- Кожен
- досліджувати
- Приклади
- Перевага
- існує
- виходи
- очікування
- прискорити
- досвід
- експеримент
- експертиза
- пояснені
- дослідити
- Дослідження
- експорт
- експорт
- Face
- стикаються
- фасилітувати
- зазнає невдачі
- Провал
- швидше
- особливість
- риси
- кілька
- Рисунок
- філе
- Файли
- фільтрувати
- знайти
- Перший
- потік
- Сфокусувати
- після
- для
- Рамки
- каркаси
- від
- повністю
- функція
- функціональні можливості
- функціональність
- Функції
- далі
- шлюз
- породжувати
- генерується
- породжує
- покоління
- генеративний
- Генеративний ШІ
- отримати
- GitHub
- Глобальний
- добре
- управління
- управляється
- Земля
- було
- Ручки
- Запрягання
- Мати
- he
- голова
- допомога
- допоміг
- допомогу
- допомагає
- Високий
- вище
- його
- тримає
- Як
- HTML
- HTTPS
- Налаштування гіперпараметрів
- Особистість
- if
- зображення
- реалізація
- реалізовані
- реалізації
- implements
- імпорт
- in
- включені
- includes
- У тому числі
- Augmenter
- Збільшує
- зростаючий
- промисловості
- промисловість
- Інфраструктура
- ініціювати
- інноваційний
- вхід
- витрати
- розуміння
- екземпляр
- інтегрований
- Інтеграція
- інтеграція
- Інтелект
- Втручання
- в
- викликає
- залучати
- ізольований
- питання
- IT
- робота
- Джобс
- приєднатися
- подорож
- json
- ключ
- останній
- запуск
- запущений
- шар
- Керівництво
- провідний
- учень
- вивчення
- рівень
- Життєвий цикл
- як
- Сподобалося
- місцевий
- розташування
- логіка
- подивитися
- ВИГЛЯДИ
- низький
- машина
- навчання за допомогою машини
- Підтримка
- обслуговування
- зробити
- Робить
- управляти
- вдалося
- управління
- менеджер
- управління
- багато
- Максимізувати
- максимальний
- Може..
- значущим
- середа
- Зустрічатися
- члени
- метод
- прискіпливо
- метрика
- Метрика
- може бути
- мігрувати
- міграція
- мінімальний
- пом’якшення
- ML
- MLOps
- модель
- Моделі
- сучасний
- модернізація
- монітор
- моніторинг
- більше
- Більше того
- багато
- множинний
- повинен
- ім'я
- природа
- необхідно
- Необхідність
- необхідний
- потреби
- Нові
- наступний
- увагу
- ноутбук
- сповіщення
- Повідомлення
- of
- Пропозиції
- on
- Onboard
- ONE
- постійний
- тільки
- відкрити
- з відкритим вихідним кодом
- оперативний
- оптимальний
- or
- організації
- Інше
- інакше
- наші
- з
- Результат
- вихід
- загальний
- власний
- алюр
- пакет
- Паралельні
- параметр
- параметри
- партнер
- партнери
- проходить
- пристрасний
- для
- Виконувати
- продуктивність
- виконанні
- трубопровід
- місце
- plato
- Інформація про дані Платона
- PlatoData
- точок
- Політика
- політика
- портфель
- пошта
- практика
- попередній
- передвіщений
- прогноз
- Прогнози
- прем'єр-міністр
- підготовлений
- наявність
- представити
- попередній
- price
- Прогноз цін
- приватний
- Проактивний
- Проблема
- продовжити
- процес
- обробка
- продуктивність
- просування
- підказок
- забезпечувати
- за умови
- Постачальник
- забезпечує
- забезпечення
- цілей
- Штовхати
- штовхнув
- якість
- читання
- реального часу
- дані в режимі реального часу
- насправді
- отримати
- зниження
- посилання
- зареєстрований
- реєструючий
- реєстру
- звільнити
- надійність
- залишився
- Звітність
- Сховище
- запросити
- запитів
- вимагається
- Вимога
- ресурс
- ресурси
- ті
- відповідь
- результат
- результати
- багаторазовий
- Показали
- суворий
- міцний
- маршрути
- прогін
- біг
- пробіжки
- мудрець
- то ж
- масштабованість
- масштабовані
- шкала
- Масштабування
- розклад
- наука
- вчений
- Вчені
- рахунок
- scripts
- Sdk
- безшовні
- плавно
- розділ
- безпечний
- безпеку
- вибір
- посилає
- старший
- посланий
- служив
- Без сервера
- обслуговування
- Постачальник послуг
- Послуги
- комплект
- установка
- установка
- Поділитись
- поділ
- Повинен
- показаний
- істотно
- аналогічний
- простий
- спрощує
- одночасно
- невеликий
- згладити
- рішення
- Рішення
- ВИРІШИТИ
- скоро
- Source
- Спеціальність
- конкретно
- спеції
- розкол
- стек
- Стеки
- стан
- статичний
- статистика
- статистика
- Статус
- Крок
- Стівен
- заходи
- зберігання
- зберігати
- зберігати
- зберігання
- обтічний
- Спрощує
- студія
- успіх
- такі
- набір
- поставляється
- підтримка
- Опори
- Переконайтеся
- Systems
- Приймати
- приймає
- взяття
- Мета
- завдання
- команда
- Члени команди
- команди
- технічний
- техніка
- Технології
- Технологія
- Шаблони
- тест
- Що
- Команда
- Держава
- їх
- Їх
- потім
- Там.
- Ці
- вони
- третя сторона
- це
- ті
- поріг
- через
- пропускна здатність
- ярус
- щільно
- час
- до
- занадто
- інструмент
- інструменти
- тема
- теми
- до
- поїзд
- навчений
- Навчання
- поїзда
- Перетворення
- перетворень
- Тенденції
- спрацьовує
- Правда
- настройка
- два
- тип
- Типи
- розуміти
- Оновити
- Updates
- оновлення
- використання
- використання випадку
- використовуваний
- користувачі
- використовує
- використання
- ПЕРЕВІР
- перевірка
- перевірка достовірності
- значення
- різний
- версія
- версії
- ПОРУШЕННЯ
- Віртуальний
- візуалізації
- візуалізувати
- хотів
- було
- шлях..
- we
- Web
- веб-сервіси
- ДОБРЕ
- добре визначений
- були
- коли
- коли б ні
- Чи
- який
- в той час як
- волі
- крило
- з
- в
- без
- Work
- працював
- робочий
- Робочі процеси
- майстерня
- лист
- письмовий
- XGBoost
- Ти
- вашу
- зефірнет