MLOps là một môn học chính thường giám sát con đường tạo ra các mô hình học máy (ML). Việc tập trung vào một mô hình duy nhất mà bạn muốn đào tạo và triển khai là điều tự nhiên. Tuy nhiên, trên thực tế, bạn có thể sẽ làm việc với hàng chục hoặc thậm chí hàng trăm mô hình và quy trình này có thể bao gồm nhiều bước phức tạp. Do đó, điều quan trọng là phải có sẵn cơ sở hạ tầng để theo dõi, đào tạo, triển khai và giám sát các mô hình có độ phức tạp khác nhau trên quy mô lớn. Đây là lúc công cụ MLOps xuất hiện. Công cụ MLOps giúp bạn xây dựng và đơn giản hóa các quy trình này một cách lặp lại và đáng tin cậy thành một quy trình công việc được điều chỉnh cho ML.
Đường ống Amazon SageMaker, một tính năng của Amazon SageMaker, là dịch vụ điều phối quy trình công việc được xây dựng có mục đích dành cho ML giúp bạn tự động hóa quy trình công việc ML từ đầu đến cuối trên quy mô lớn. Nó đơn giản hóa việc phát triển và bảo trì các mô hình ML bằng cách cung cấp nền tảng tập trung để điều phối các tác vụ như chuẩn bị dữ liệu, đào tạo mô hình, điều chỉnh và xác thực. SageMaker Pipelines có thể giúp bạn hợp lý hóa việc quản lý quy trình làm việc, đẩy nhanh quá trình thử nghiệm và đào tạo lại các mô hình dễ dàng hơn.
Trong bài đăng này, chúng tôi nêu bật một tính năng mới thú vị của SageMaker Pipelines được gọi là Thực thi có chọn lọc. Tính năng mới này cho phép bạn chạy có chọn lọc các phần cụ thể trong quy trình làm việc ML của mình, giúp tiết kiệm đáng kể thời gian và tài nguyên tính toán bằng cách giới hạn việc chạy theo các bước quy trình trong phạm vi và loại bỏ nhu cầu chạy các bước ngoài phạm vi. Hơn nữa, chúng tôi khám phá các trường hợp sử dụng khác nhau trong đó lợi ích của việc sử dụng Thực thi có chọn lọc trở nên rõ ràng, củng cố thêm đề xuất giá trị của nó.
Tổng quan về giải pháp
SageMaker Pipelines tiếp tục đổi mới trải nghiệm dành cho nhà phát triển của mình bằng việc phát hành Thực thi có chọn lọc. Giờ đây, các nhà xây dựng ML có khả năng chọn các bước cụ thể để chạy trong một quy trình, loại bỏ nhu cầu chạy lại toàn bộ quy trình. Tính năng này cho phép bạn chạy lại các phần cụ thể của quy trình trong khi sửa đổi các tham số thời gian chạy được liên kết với các bước đã chọn.
Điều quan trọng cần lưu ý là các bước đã chọn có thể dựa vào kết quả của các bước không được chọn. Trong những trường hợp như vậy, kết quả đầu ra của các bước không được chọn này sẽ được sử dụng lại từ lần chạy tham chiếu của phiên bản quy trình hiện tại. Điều này có nghĩa là quá trình chạy tham chiếu phải đã hoàn tất. Lần chạy tham chiếu mặc định là lần chạy mới nhất của phiên bản quy trình hiện tại, nhưng bạn cũng có thể chọn sử dụng một lần chạy khác của phiên bản quy trình hiện tại làm tham chiếu.
Trạng thái tổng thể của quá trình chạy tham chiếu phải là Thành công, thất bại or Ngừng. No không thể Chạy khi Thực thi chọn lọc cố gắng sử dụng kết quả đầu ra của nó. Khi sử dụng Thực thi chọn lọc, bạn có thể chọn bất kỳ số bước nào để chạy, miễn là chúng tạo thành một phần liền kề của quy trình.
Sơ đồ sau đây minh họa hoạt động của đường ống khi chạy đầy đủ.
Sơ đồ sau đây minh họa hoạt động của quy trình bằng cách sử dụng Thực thi chọn lọc.
Trong các phần sau, chúng tôi sẽ trình bày cách sử dụng Thực thi có chọn lọc cho các tình huống khác nhau, bao gồm các quy trình công việc phức tạp trong Đồ thị chu trình trực tiếp (DAG) trong quy trình.
Điều kiện tiên quyết
Để bắt đầu thử nghiệm Thực thi chọn lọc, trước tiên chúng tôi cần thiết lập các thành phần sau trong môi trường SageMaker của bạn:
- SDK Python của SageMaker – Đảm bảo rằng bạn đã cập nhật SDK Python của SageMaker được cài đặt trong môi trường Python của bạn. Bạn có thể chạy lệnh sau từ sổ ghi chép hoặc thiết bị đầu cuối của mình để cài đặt hoặc nâng cấp phiên bản SageMaker Python SDK lên 2.162.0 hoặc cao hơn:
python3 -m pip install sagemaker>=2.162.0
orpip3 install sagemaker>=2.162.0
. - Truy cập vào SageMaker Studio (tùy chọn) – Xưởng sản xuất Amazon SageMaker có thể hữu ích để trực quan hóa các hoạt động đường ống và tương tác trực quan với các ARN đường ống hiện có. Nếu bạn không có quyền truy cập vào SageMaker Studio hoặc đang sử dụng sổ ghi chép theo yêu cầu hoặc các IDE khác, bạn vẫn có thể theo dõi bài đăng này và tương tác với ARN quy trình của mình bằng Python SDK.
Mã mẫu cho hướng dẫn toàn diện có sẵn trong Repo GitHub.
Thành lập
Với sagemaker>=1.162.0
SDK Python, chúng tôi đã giới thiệu SelectiveExecutionConfig
lớp học như một phần của sagemaker.workflow.selective_execution_config
mô-đun. Tính năng Thực thi có chọn lọc dựa trên ARN quy trình đã được đánh dấu trước đó là Kế nhiệm, thất bại or Ngừng. Đoạn mã sau đây minh họa cách nhập SelectiveExecutionConfig
lớp, truy xuất ARN đường dẫn tham chiếu và thu thập các bước đường dẫn liên quan cũng như các tham số thời gian chạy điều chỉnh quá trình chạy đường ống:
import boto3
from sagemaker.workflow.pipeline import Pipeline
from sagemaker.workflow.selective_execution_config import SelectiveExecutionConfig sm_client = boto3.client('sagemaker')
# reference the name of your sample pipeline pipeline_name = "AbalonePipeline"
# filter for previous success pipeline execution arns
pipeline_executions = [_exec for _exec in Pipeline(name=pipeline_name).list_executions()['PipelineExecutionSummaries'] if _exec['PipelineExecutionStatus'] == "Succeeded"
]
# get the last successful execution
latest_pipeline_arn = pipeline_executions[0]['PipelineExecutionArn']
print(latest_pipeline_arn)
>>> arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/x62pbar3gs6h # list all steps of your sample pipeline
execution_steps = sm_client.list_pipeline_execution_steps( PipelineExecutionArn=latest_pipeline_arn
)['PipelineExecutionSteps']
print(execution_steps)
>>> [{'StepName': 'Abalone-Preprocess', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 519000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 41, 30, 986000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-fvsmu7m7ki3q-Abalone-Preprocess-d68CecvHLU'}}, 'SelectiveExecutionResult': {'SourcePipelineExecutionArn': 'arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/ksm2mjwut6oz'}}, {'StepName': 'Abalone-Train', 'StartTime': datetime.datetime(2023, 6, 27, 4, 41, 31, 320000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 43, 58, 224000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'TrainingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:training-job/pipelines-x62pbar3gs6h-Abalone-Train-PKhAc1Q6lx'}}}, {'StepName': 'Abalone-Evaluate', 'StartTime': datetime.datetime(2023, 6, 27, 4, 43, 59, 40000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 76000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'ProcessingJob': {'Arn': 'arn:aws:sagemaker:us-east-1:123123123123:processing-job/pipelines-x62pbar3gs6h-Abalone-Evaluate-vmkZDKDwhk'}}}, {'StepName': 'Abalone-MSECheck', 'StartTime': datetime.datetime(2023, 6, 27, 4, 57, 43, 821000, tzinfo=tzlocal()), 'EndTime': datetime.datetime(2023, 6, 27, 4, 57, 44, 124000, tzinfo=tzlocal()), 'StepStatus': 'Succeeded', 'AttemptCount': 0, 'Metadata': {'Condition': {'Outcome': 'True'}}}] # list all configureable pipeline parameters # params can be altered during selective execution
parameters = sm_client.list_pipeline_parameters_for_execution( PipelineExecutionArn=latest_pipeline_arn
)['PipelineParameters']
print(parameters)
>>> [{'Name': 'XGBNumRounds', 'Value': '120'}, {'Name': 'XGBSubSample', 'Value': '0.9'}, {'Name': 'XGBGamma', 'Value': '2'}, {'Name': 'TrainingInstanceCount', 'Value': '1'}, {'Name': 'XGBMinChildWeight', 'Value': '4'}, {'Name': 'XGBETA', 'Value': '0.25'}, {'Name': 'ApprovalStatus', 'Value': 'PendingManualApproval'}, {'Name': 'ProcessingInstanceCount', 'Value': '1'}, {'Name': 'ProcessingInstanceType', 'Value': 'ml.t3.medium'}, {'Name': 'MseThreshold', 'Value': '6'}, {'Name': 'ModelPath', 'Value': 's3://sagemaker-us-east-1-123123123123/Abalone/models/'}, {'Name': 'XGBMaxDepth', 'Value': '12'}, {'Name': 'TrainingInstanceType', 'Value': 'ml.c5.xlarge'}, {'Name': 'InputData', 'Value': 's3://sagemaker-us-east-1-123123123123/sample-dataset/abalone/abalone.csv'}]
Trường hợp sử dụng
Trong phần này, chúng tôi trình bày một số tình huống trong đó Thực thi có chọn lọc có khả năng tiết kiệm thời gian và tài nguyên. Chúng tôi sử dụng quy trình quy trình điển hình, bao gồm các bước như trích xuất dữ liệu, đào tạo, đánh giá, đăng ký và triển khai mô hình, làm tài liệu tham khảo để chứng minh những ưu điểm của Thực thi có chọn lọc.
SageMaker Pipelines cho phép bạn xác định các tham số thời gian chạy cho quá trình chạy quy trình của mình bằng cách sử dụng các tham số quy trình. Khi một lần chạy mới được kích hoạt, nó thường chạy toàn bộ quy trình từ đầu đến cuối. Tuy nhiên, nếu bộ nhớ đệm bước được bật, SageMaker Pipelines sẽ cố gắng tìm lần chạy trước của bước quy trình hiện tại có cùng giá trị thuộc tính. Nếu tìm thấy kết quả khớp, SageMaker Pipelines sẽ sử dụng kết quả đầu ra từ lần chạy trước thay vì tính toán lại bước này. Lưu ý rằng ngay cả khi bật bộ đệm ẩn từng bước, SageMaker Pipelines vẫn sẽ chạy toàn bộ quy trình công việc đến cuối theo mặc định.
Với việc phát hành tính năng Thực thi có chọn lọc, giờ đây bạn có thể chạy lại toàn bộ quy trình làm việc của quy trình hoặc chạy có chọn lọc một tập hợp con các bước bằng cách sử dụng ARN quy trình trước đó. Điều này có thể được thực hiện ngay cả khi không bật bộ nhớ đệm từng bước. Các trường hợp sử dụng sau đây minh họa các cách khác nhau mà bạn có thể sử dụng Thực thi chọn lọc.
Trường hợp sử dụng 1: Chạy một bước
Các nhà khoa học dữ liệu thường tập trung vào giai đoạn đào tạo của quy trình MLOps và không muốn lo lắng về các bước tiền xử lý hoặc triển khai. Thực thi có chọn lọc cho phép các nhà khoa học dữ liệu chỉ tập trung vào bước huấn luyện và sửa đổi nhanh chóng các tham số huấn luyện hoặc siêu tham số để cải thiện mô hình. Điều này có thể tiết kiệm thời gian và giảm chi phí vì tài nguyên điện toán chỉ được sử dụng để chạy các bước quy trình do người dùng chọn. Xem đoạn mã sau:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
Các hình dưới đây minh họa quy trình có một bước trong quy trình và sau đó hoàn thành.
Trường hợp sử dụng 2: Chạy nhiều bước quy trình liền kề
Tiếp tục với trường hợp sử dụng trước đó, một nhà khoa học dữ liệu muốn đào tạo một mô hình mới và đánh giá hiệu suất của nó so với tập dữ liệu thử nghiệm vàng. Đánh giá này rất quan trọng để đảm bảo rằng mô hình đáp ứng các nguyên tắc nghiêm ngặt về thử nghiệm chấp nhận của người dùng (UAT) hoặc triển khai sản xuất. Tuy nhiên, nhà khoa học dữ liệu không muốn chạy toàn bộ quy trình quy trình hoặc triển khai mô hình. Họ có thể sử dụng Thực thi có chọn lọc để chỉ tập trung vào các bước đào tạo và đánh giá, tiết kiệm thời gian và nguồn lực trong khi vẫn nhận được kết quả xác thực mà họ cần:
# select a reference pipeline arn and subset step to execute
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate"]
) # start execution of pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config, parameters={ "ProcessingInstanceType": "ml.t3.medium", "XGBNumRounds": 120, "XGBSubSample": 0.9, "XGBGamma": 2, "XGBMinChildWeight": 4, "XGBETA": 0.25, "XGBMaxDepth": 12 }
)
Trường hợp sử dụng 3: Cập nhật và chạy lại các bước quy trình không thành công
Bạn có thể sử dụng Thực thi chọn lọc để chạy lại các bước không thành công trong quy trình hoặc tiếp tục chạy quy trình từ bước không thành công trở đi. Điều này có thể hữu ích cho việc khắc phục sự cố và gỡ lỗi các bước không thành công vì nó cho phép nhà phát triển tập trung vào các vấn đề cụ thể cần được giải quyết. Điều này có thể dẫn đến việc giải quyết vấn đề hiệu quả hơn và thời gian lặp lại nhanh hơn. Ví dụ sau minh họa cách bạn có thể chọn chỉ chạy lại bước bị lỗi của quy trình.
# select a previously failed pipeline arn
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/fvsmu7m7ki3q", selected_steps=["Abalone-Evaluate"]
) # start execution of failed pipeline subset
select_execution = pipeline.start( selective_execution_config=selective_execution_config
)
Ngoài ra, nhà khoa học dữ liệu có thể tiếp tục quy trình từ bước không thành công đến cuối quy trình làm việc bằng cách chỉ định bước không thành công và tất cả các bước tiếp theo trong phần SelectiveExecutionConfig
.
Trường hợp sử dụng 4: Bảo hiểm đường ống
Trong một số đường ống, một số nhánh nhất định ít được chạy hơn các nhánh khác. Ví dụ: có thể có một nhánh chỉ chạy khi một điều kiện cụ thể không thành công. Điều quan trọng là phải kiểm tra kỹ các nhánh này để đảm bảo rằng chúng hoạt động như mong đợi khi xảy ra lỗi. Bằng cách kiểm tra các nhánh ít chạy hơn này, các nhà phát triển có thể xác minh rằng quy trình của họ mạnh mẽ và các cơ chế xử lý lỗi duy trì hiệu quả quy trình làm việc mong muốn và tạo ra kết quả đáng tin cậy.
selective_execution_config = SelectiveExecutionConfig( source_pipeline_execution_arn="arn:aws:sagemaker:us-east-1:123123123123:pipeline/AbalonePipeline/execution/9e3ljoql7s0n", selected_steps=["Abalone-Train", "Abalone-Evaluate", "Abalone-MSECheck", "Abalone-FailNotify"]
)
Kết luận
Trong bài đăng này, chúng tôi đã thảo luận về tính năng Thực thi có chọn lọc của Đường ống SageMaker, cho phép bạn chạy có chọn lọc các bước cụ thể trong quy trình công việc ML của mình. Khả năng này giúp tiết kiệm đáng kể thời gian và tài nguyên tính toán. Chúng tôi đã cung cấp một số mã mẫu trong Repo GitHub trình bày cách sử dụng Thực thi chọn lọc và trình bày các tình huống khác nhau mà nó có thể mang lại lợi ích cho người dùng. Nếu bạn muốn tìm hiểu thêm về Thực thi chọn lọc, hãy tham khảo Hướng dẫn dành cho nhà phát triển và Hướng dẫn tham khảo API.
Để khám phá chi tiết hơn các bước có sẵn trong quy trình làm việc của SageMaker Pipelines, hãy tham khảo Đường ống xây dựng mô hình Amazon SageMaker và Quy trình làm việc của SageMaker. Ngoài ra, bạn có thể tìm thêm ví dụ minh họa các trường hợp sử dụng và phương pháp triển khai khác nhau bằng cách sử dụng Quy trình SageMaker trong phần Ví dụ về AWS SageMaker Kho lưu trữ GitHub. Những tài nguyên này có thể nâng cao hơn nữa sự hiểu biết của bạn và giúp bạn tận dụng tối đa tiềm năng của Quy trình SageMaker và Thực thi có chọn lọc trong các dự án ML hiện tại và tương lai của bạn.
Về các tác giả
Pranav Murthy là Kiến trúc sư giải pháp chuyên gia AI/ML tại AWS. Anh tập trung vào việc giúp khách hàng xây dựng, đào tạo, triển khai và di chuyển khối lượng công việc máy học (ML) sang SageMaker. Trước đây, ông từng làm việc trong ngành bán dẫn, phát triển các mô hình thị giác máy tính (CV) lớn và xử lý ngôn ngữ tự nhiên (NLP) để cải thiện quy trình bán dẫn. Khi rảnh rỗi, anh thích chơi cờ và đi du lịch.
Akhil Numarsu là Giám đốc sản phẩm-Kỹ thuật cấp cao, tập trung vào việc giúp các nhóm đẩy nhanh kết quả ML thông qua các công cụ và dịch vụ hiệu quả trên đám mây. Anh ấy thích chơi bóng bàn và là một người hâm mộ thể thao.
Nishant Krishnamoorthy là Kỹ sư phát triển phần mềm cấp cao của Cửa hàng Amazon. Anh có bằng thạc sĩ về Khoa học Máy tính và hiện tập trung vào việc đẩy nhanh việc Áp dụng ML ở các tổ chức khác nhau trong Amazon bằng cách xây dựng và vận hành các giải pháp ML trên SageMaker.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Ô tô / Xe điện, Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- ChartPrime. Nâng cao trò chơi giao dịch của bạn với ChartPrime. Truy cập Tại đây.
- BlockOffsets. Hiện đại hóa quyền sở hữu bù đắp môi trường. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/unlocking-efficiency-harnessing-the-power-of-selective-execution-in-amazon-sagemaker-pipelines/
- : có
- :là
- :Ở đâu
- $ LÊN
- 1
- 100
- 12
- 2023
- 25
- 27
- 30
- 31
- 7
- 9
- a
- có khả năng
- Giới thiệu
- đẩy nhanh tiến độ
- tăng tốc
- chấp nhận
- truy cập
- xoay vòng
- Ngoài ra
- Nhận con nuôi
- Lợi thế
- thuận lợi
- lợi thế
- chống lại
- AI / ML
- Tất cả
- cho phép
- Đã
- Ngoài ra
- thay đổi
- đàn bà gan dạ
- Amazon SageMaker
- Đường ống Amazon SageMaker
- Amazon Web Services
- an
- và
- bất kì
- cách tiếp cận
- LÀ
- AS
- liên kết
- At
- Nỗ lực
- tự động hóa
- có sẵn
- AWS
- BE
- bởi vì
- trở nên
- được
- hành vi
- Chi nhánh
- chi nhánh
- xây dựng
- người xây dựng
- Xây dựng
- nhưng
- by
- CAN
- không thể
- khả năng
- trường hợp
- trường hợp
- tập trung
- nhất định
- Tướng
- Chọn
- tốt nghiệp lớp XNUMX
- đám mây
- mã
- đến
- hoàn thành
- Hoàn thành
- phức tạp
- phức tạp
- các thành phần
- Tính
- máy tính
- Khoa học Máy tính
- Tầm nhìn máy tính
- điều kiện
- liên tiếp
- Phí Tổn
- quan trọng
- Current
- Hiện nay
- khách hàng
- dữ liệu
- Chuẩn bị dữ liệu
- nhà khoa học dữ liệu
- ngày giờ
- Mặc định
- định nghĩa
- Bằng cấp
- chứng minh
- chứng minh
- triển khai
- triển khai
- mong muốn
- chi tiết
- Nhà phát triển
- phát triển
- phát triển
- Phát triển
- khác nhau
- trực tiếp
- thảo luận
- làm
- Không
- thực hiện
- dont
- hàng chục
- suốt trong
- dễ dàng
- hiệu quả
- hiệu quả
- hiệu quả
- loại bỏ
- trao quyền
- kích hoạt
- cho phép
- cuối
- Cuối cùng đến cuối
- ky sư
- nâng cao
- đảm bảo
- Toàn bộ
- Môi trường
- đánh giá
- đánh giá
- Ngay cả
- hiển nhiên
- ví dụ
- ví dụ
- thú vị
- thi hành
- thực hiện
- dự kiến
- kinh nghiệm
- khám phá
- khai thác
- thất bại
- không
- Không
- fan hâm mộ
- nhanh hơn
- Đặc tính
- vài
- Số liệu
- lọc
- Tìm kiếm
- hoàn thành
- Tên
- dòng chảy
- Tập trung
- tập trung
- tập trung
- theo
- tiếp theo
- Trong
- hình thức
- tìm thấy
- Miễn phí
- thường xuyên
- từ
- Full
- xa hơn
- Hơn nữa
- tương lai
- thu thập
- được
- nhận được
- GitHub
- Vàng
- cai quản
- đồ thị
- hướng dẫn
- Khai thác
- Có
- he
- giúp đỡ
- hữu ích
- giúp đỡ
- giúp
- cao hơn
- của mình
- giữ
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- HTTPS
- Hàng trăm
- if
- minh họa
- thực hiện
- nhập khẩu
- quan trọng
- nâng cao
- in
- bao gồm
- Bao gồm
- ngành công nghiệp
- Cơ sở hạ tầng
- đổi mới
- cài đặt, dựng lên
- cài đặt
- thay vì
- tương tác
- tương tác
- trong
- giới thiệu
- liên quan
- các vấn đề
- IT
- sự lặp lại
- ITS
- jpg
- chỉ
- Key
- nổi tiếng
- Ngôn ngữ
- lớn
- Họ
- mới nhất
- dẫn
- Dẫn
- LEARN
- học tập
- ít
- Lượt thích
- Có khả năng
- hạn chế
- Danh sách
- dài
- máy
- học máy
- duy trì
- bảo trì
- quản lý
- đánh dấu
- Trận đấu
- Có thể..
- có nghĩa
- cơ chế
- trung bình
- Đạt
- Siêu dữ liệu
- Might
- di chuyển
- ML
- MLOps
- kiểu mẫu
- mô hình
- sửa đổi
- Mô-đun
- Màn Hình
- chi tiết
- hiệu quả hơn
- nhiều
- phải
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Cần
- Mới
- nlp
- máy tính xách tay
- tại
- con số
- of
- thường
- on
- Theo yêu cầu
- ONE
- có thể
- or
- dàn nhạc
- Nền tảng khác
- Khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- Kết quả
- kết quả
- tổng thể
- thông số
- một phần
- con đường
- hiệu suất
- đường ống dẫn
- Nơi
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- chơi
- phần
- Bài đăng
- tiềm năng
- có khả năng
- quyền lực
- chuẩn bị
- trình bày
- trình bày
- trước
- trước đây
- Trước khi
- giải quyết vấn đề
- quá trình
- Quy trình
- xử lý
- sản xuất
- Sản phẩm
- Sản lượng
- dự án
- đề xuất
- cung cấp
- cung cấp
- Python
- Thực tế
- giảm
- Đăng Ký
- phát hành
- đáng tin cậy
- dựa
- kho
- tài nguyên
- Thông tin
- kết quả
- Kết quả
- tiếp tục
- nghiêm ngặt
- mạnh mẽ
- chạy
- chạy
- chạy
- nhà làm hiền triết
- Đường ống SageMaker
- tương tự
- Lưu
- tiết kiệm
- Tiết kiệm
- Quy mô
- kịch bản
- Khoa học
- Nhà khoa học
- các nhà khoa học
- phạm vi
- sdk
- Phần
- phần
- xem
- chọn
- chọn lọc
- bán dẫn
- dịch vụ
- DỊCH VỤ
- định
- hiển thị
- giới th
- có ý nghĩa
- đơn giản hóa
- duy nhất
- đoạn
- Phần mềm
- phát triển phần mềm
- chỉ duy nhất
- làm rắn chắc
- Giải pháp
- một số
- chuyên gia
- riêng
- Thể thao
- Spotlight
- Traineeship
- Bắt đầu
- Tiểu bang
- Bước
- Các bước
- Vẫn còn
- cửa hàng
- hợp lý hóa
- phòng thu
- thành công
- thành công
- như vậy
- bàn
- phù hợp
- Hãy
- nhiệm vụ
- đội
- Thiết bị đầu cuối
- thử nghiệm
- Kiểm tra
- hơn
- việc này
- Sản phẩm
- cung cấp their dịch
- sau đó
- Đó
- vì thế
- Kia là
- họ
- điều này
- triệt để
- Thông qua
- thời gian
- thời gian
- đến
- công cụ
- theo dõi
- Train
- Hội thảo
- Đi du lịch
- được kích hoạt
- đúng
- điển hình
- thường
- sự hiểu biết
- mở khóa
- Cập nhật
- cập nhật
- nâng cấp
- sử dụng
- ca sử dụng
- người sử dang
- Người sử dụng
- sử dụng
- tận dụng
- Bằng cách sử dụng
- xác nhận
- giá trị
- Các giá trị
- khác nhau
- xác minh
- phiên bản
- tầm nhìn
- hương
- muốn
- muốn
- cách
- we
- web
- các dịch vụ web
- khi nào
- cái nào
- trong khi
- sẽ
- với
- ở trong
- không có
- Công việc
- làm việc
- quy trình làm việc
- Luồng công việc
- lo
- sẽ
- Bạn
- trên màn hình
- zephyrnet