各种规模和行业的客户都在 AWS 上进行创新,将机器学习 (ML) 融入到他们的产品和服务中。 生成式人工智能模型的最新发展进一步加快了跨行业采用机器学习的需求。 然而,实施安全性、数据隐私和治理控制仍然是客户在大规模实施机器学习工作负载时面临的主要挑战。 应对这些挑战为降低风险和负责任地使用机器学习驱动的产品奠定了框架和基础。 尽管生成式人工智能可能需要额外的控制,例如消除毒性以及防止越狱和幻觉,但它与传统机器学习具有相同的安全和治理基础组件。
我们从客户那里得知,他们需要专业知识和长达 12 个月的投资来构建他们的定制产品 亚马逊SageMaker ML 平台实施,确保其业务线 (LOB) 或 ML 团队的可扩展、可靠、安全且受管控的 ML 环境。 如果您缺乏大规模管理 ML 生命周期的框架,您可能会遇到诸如团队级资源隔离、扩展实验资源、操作 ML 工作流程、扩展模型治理以及管理 ML 工作负载的安全性和合规性等挑战。
大规模治理 ML 生命周期是一个框架,可帮助您基于行业最佳实践和企业标准构建具有嵌入式安全和治理控制的 ML 平台。 该框架通过模块化框架方法提供规范性指导来应对挑战,扩展了 AWS控制塔 多账户AWS环境和帖子中讨论的方法 在 AWS 上设置安全、管理良好的机器学习环境.
它为以下 ML 平台功能提供了规范性指导:
- 多帐户、安全和网络基础 – 此功能使用 AWS Control Tower 和 良好架构的原则 用于设置和操作多帐户环境、安全性和网络服务。
- 数据和治理基础 – 该函数使用 数据网格架构 用于设置和操作数据湖、中央功能存储和数据治理基础,以实现细粒度的数据访问。
- ML平台共享和治理服务 – 此功能可以设置和操作常见服务,例如 CI/CD、 AWS服务目录 用于配置环境,以及用于模型升级和沿袭的中央模型注册表。
- 机器学习团队环境 – 此功能支持为 ML 团队设置和操作环境,以进行模型开发、测试和部署其用例,以嵌入安全和治理控制。
- ML平台可观测性 – 该功能通过集中日志并提供日志分析可视化工具,有助于排除机器学习模型中的问题并确定问题的根本原因。 它还提供了为 ML 用例生成成本和使用报告的指南。
尽管此框架可以为所有客户带来好处,但对于希望在整个组织中以受控、合规和协调的方法扩展其 ML 策略的大型、成熟、受监管或全球企业客户来说最有利。 它有助于实现机器学习的采用,同时降低风险。 该框架对以下客户有用:
- 拥有许多对使用 ML 感兴趣的 LOB 或部门的大型企业客户。 该框架允许不同的团队独立构建和部署机器学习模型,同时提供集中治理。
- 机器学习成熟度为中度到高度的企业客户。 他们已经部署了一些初始的机器学习模型,并正在寻求扩展他们的机器学习工作。 该框架可以帮助加速整个组织中的机器学习采用。 这些公司还认识到需要进行治理来管理访问控制、数据使用、模型性能和不公平偏见等问题。
- 金融服务、医疗保健、化学和私营部门等受监管行业的公司。 这些公司需要对其业务流程中使用的任何机器学习模型进行强有力的治理和可听性。 采用此框架有助于促进合规性,同时仍允许本地模型开发。
- 需要平衡集中控制和本地控制的全球组织。 该框架的联合方法允许中央平台工程团队设置一些高级策略和标准,同时也为 LOB 团队提供了根据本地需求进行调整的灵活性。
在本系列的第一部分中,我们将介绍用于设置 ML 平台的参考架构。 在后面的文章中,我们将提供有关如何在组织中实施参考架构中的各个模块的说明性指南。
ML平台的功能分为四类,如下图所示。 这些功能构成了本文稍后讨论的参考架构的基础:
- 构建机器学习基础
- 扩展机器学习操作
- 可观察的机器学习
- 安全机器学习
解决方案概述
用于大规模管理 ML 生命周期的框架使组织能够在整个 ML 生命周期中嵌入安全和治理控制,从而帮助组织降低风险并加速将 ML 融入其产品和服务。 该框架有助于优化安全、可扩展且可靠的机器学习环境的设置和治理,这些环境可以扩展以支持越来越多的模型和项目。 该框架具有以下功能:
- 使用符合组织策略的基础设施资源配置账户和基础设施
- 自助部署数据科学环境和用于 ML 用例的端到端 ML 操作 (MLOps) 模板
- LOB 级或团队级资源隔离,以确保安全和隐私合规性
- 受控对生产级数据的访问,以进行实验和生产就绪工作流程
- 代码存储库、代码管道、部署模型和数据功能的管理和治理
- 用于改进治理的模型注册表和特征存储(本地和中央组件)
- 端到端模型开发和部署过程的安全和治理控制
在本节中,我们概述了规范性指南,以帮助您在 AWS 上构建具有嵌入式安全和治理控制的 ML 平台。
与 ML 平台相关的功能架构如下图所示。 该架构将 ML 平台的不同功能映射到 AWS 账户。
具有不同功能的功能架构是使用多种AWS服务来实现的,包括 AWS组织、SageMaker、AWS DevOps 服务和数据湖。 具有各种 AWS 服务的 ML 平台的参考架构如下图所示。
该框架考虑多个角色和服务来大规模管理机器学习生命周期。 我们建议您采取以下步骤来组织您的团队和服务:
- 使用 AWS Control Tower 和自动化工具,您的云管理员可以设置多账户基础,例如组织和 AWS IAM 身份中心 (AWS Single Sign-On 的后继者)以及安全和治理服务,例如 AWS密钥管理服务 (AWS KMS) 和服务目录。 此外,管理员还设置各种组织单位 (OU) 和初始帐户来支持您的 ML 和分析工作流程。
- 数据湖管理员设置数据湖和数据目录,并与 ML 平台管理员合作设置中央功能存储。
- ML 平台管理员提供 ML 共享服务,例如 AWS 代码提交, AWS 代码管道, Amazon Elastic Container注册 (Amazon ECR),一个中央模型注册表, SageMaker 模型卡, SageMaker 模型仪表板,以及面向 ML 团队的服务目录产品。
- ML 团队负责人通过 IAM Identity Center 进行联合,使用服务目录产品,并在 ML 团队的开发环境中配置资源。
- 来自不同业务部门的 ML 团队的数据科学家联合到其团队的开发环境中来构建模型管道。
- 数据科学家从中央特征存储目录中搜索并提取特征,通过实验构建模型,并选择最佳模型进行推广。
- 数据科学家创建新特征并将其共享到中央特征存储目录中以供重用。
- ML 工程师使用共享服务 CI/CD 流程将模型管道部署到 ML 团队测试环境中。
- 经过利益相关者验证后,机器学习模型被部署到团队的生产环境中。
- 使用以下服务将安全和治理控制嵌入到该架构的每一层中: AWS 安全中心, 亚马逊GuardDuty, 亚马逊梅西等等。
- 安全控制是使用 Security Hub 从安全工具帐户集中管理的。
- SageMaker 模型卡和 SageMaker 模型仪表板等 ML 平台治理功能通过治理服务帐户进行集中管理。
- 亚马逊CloudWatch 和 AWS 云跟踪 可以使用 AWS 本机服务从可观察性帐户集中访问每个成员帐户的日志。
接下来,我们深入研究该框架的参考架构的模块。
参考架构模块
该参考架构包含八个模块,每个模块旨在解决一组特定的问题。 总的来说,这些模块解决了各个维度的治理问题,例如基础设施、数据、模型和成本。 每个模块都提供一组独特的功能,并与其他模块互操作,以提供具有嵌入式安全和治理控制的集成端到端机器学习平台。 在本节中,我们将简要总结每个模块的功能。
多账户基础
该模块帮助云管理员构建 AWS Control Tower 着陆区 作为基础框架。 这包括构建多账户结构、通过 IAM Identity Center 进行身份验证和授权、网络中心辐射型设计、集中式日志记录服务以及具有标准化安全和治理基线的新 AWS 成员账户。
此外,该模块还提供有关 OU 和帐户结构的最佳实践指南,适合支持您的 ML 和分析工作流程。 云管理员将了解所需帐户和 OU 的用途、如何部署它们,以及他们应该用来集中管理其 ML 和分析工作负载的关键安全性和合规性服务。
还涵盖了用于销售新帐户的框架,该框架在配置新帐户时使用自动化来确定新帐户的基线。 通过设置自动帐户配置流程,云管理员可以为机器学习和分析团队提供更快地执行工作所需的帐户,而无需牺牲强大的治理基础。
数据湖基础
该模块可帮助数据湖管理员设置数据湖来摄取数据、管理数据集并使用 AWS湖形成 使用集中式数据目录、数据访问策略和基于标签的访问控制来管理跨帐户和用户的细粒度数据访问的治理模型。 您可以从小规模开始,使用一个帐户作为数据平台基础,以进行概念验证或一些小型工作负载。 对于中大规模生产工作负载实施,我们建议采用多账户策略。 在这种设置中,LOB 可以使用不同的 AWS 账户承担数据生产者和数据消费者的角色,并且数据湖治理通过中央共享 AWS 账户进行操作。 数据生产者除了监控和确保数据资产的质量外,还收集、处理和存储来自其数据域的数据。 集中式目录使用 Lake Formation 共享数据后,数据消费者会消费来自数据生产者的数据。 集中式目录存储和管理数据生产者帐户的共享数据目录。
机器学习平台服务
该模块帮助 ML 平台工程团队设置数据科学团队在其团队帐户上使用的共享服务。 这些服务包括服务目录组合,其中包含以下产品: SageMaker 域 部署, SageMaker 域用户配置文件 部署,用于模型构建和部署的数据科学模型模板。 该模块具有集中模型注册表、模型卡、模型仪表板以及用于编排和自动化模型开发和部署工作流程的 CI/CD 管道的功能。
此外,本模块详细介绍了如何实施启用基于角色的自助服务功能所需的控制和治理,从而允许数据科学团队独立部署其所需的云基础设施和机器学习模板。
机器学习用例开发
该模块可帮助 LOB 和数据科学家在开发环境中访问其团队的 SageMaker 域,并实例化模型构建模板以开发其模型。 在此模块中,数据科学家使用模板的开发帐户实例来与集中式数据湖上的可用数据进行交互,重用和共享中央特征存储中的特征,创建和运行 ML 实验,构建和测试他们的 ML 工作流程,并将他们的模型注册到开发环境中的开发帐户模型注册表中。
模板中还实现了实验跟踪、模型可解释性报告、数据和模型偏差监控以及模型注册等功能,从而使解决方案能够快速适应数据科学家开发的模型。
机器学习操作
该模块可帮助 LOB 和 ML 工程师处理模型部署模板的开发实例。 候选模型注册并获得批准后,他们在团队的测试环境中设置 CI/CD 管道并运行 ML 工作流程,将模型注册到在平台共享服务帐户中运行的中央模型注册表中。 当模型在中央模型注册表中获得批准时,这会触发 CI/CD 管道以将模型部署到团队的生产环境中。
集中功能存储
第一个模型部署到生产中并且多个用例开始共享从相同数据创建的特征后,特征存储对于确保跨用例协作并减少重复工作至关重要。 该模块帮助 ML 平台工程团队建立集中式特征存储,为 ML 用例创建的 ML 特征提供存储和治理,从而实现跨项目的特征重用。
日志记录和可观察性
该模块通过集中日志活动(例如 CloudTrail、CloudWatch、VPC 流日志和 ML 工作负载日志),帮助 LOB 和 ML 从业者了解 ML 环境中 ML 工作负载的状态。 团队可以过滤、查询和可视化日志以进行分析,这也有助于增强安全态势。
成本和报告
该模块可帮助各个利益相关者(云管理员、平台管理员、云业务办公室)生成报告和仪表板,以细分 ML 用户、ML 团队和 ML 产品级别的成本,并跟踪使用情况,例如用户数量、实例类型和端点。
客户要求我们提供有关创建多少帐户以及如何构建这些帐户的指导。 在下一节中,我们将提供有关该帐户结构的指南作为参考,您可以根据企业治理要求进行修改以满足您的需求。
在本节中,我们将讨论组织帐户结构的建议。 我们共享基线参考账户结构; 但是,我们建议机器学习和数据管理员与其云管理员密切合作,根据其组织控制自定义此帐户结构。
我们建议按 OU 组织帐户以实现安全性、基础设施、工作负载和部署。 此外,在每个 OU 内,按非生产和生产 OU 进行组织,因为它们下部署的帐户和工作负载具有不同的控制。 接下来,我们简要讨论这些 OU。
安全组织单位
此 OU 中的帐户由组织的云管理员或安全团队管理,用于监视、识别、保护、检测和响应安全事件。
基础设施组织单元
此 OU 中的帐户由组织的云管理员或网络团队管理,用于管理企业级基础设施共享资源和网络。
我们建议在基础设施 OU 下拥有以下帐户:
- 商业网络 – 建立集中式网络基础设施,例如 AWS 中转网关
- 共享服务 – 设置集中式 AD 服务和 VPC 端点
工作负载组织单位
此 OU 中的帐户由组织的平台团队管理员管理。 如果您需要为每个平台团队实施不同的控制,您可以为此目的嵌套其他级别的 OU,例如 ML 工作负载 OU、数据工作负载 OU 等。
我们建议在工作负载 OU 下使用以下帐户:
- 团队级 ML 开发、测试和产品帐户 – 根据您的工作负载隔离要求进行设置
- 数据湖账户 – 按您的数据域对帐户进行分区
- 中央数据治理账户 – 集中您的数据访问策略
- 中央功能商店帐户 – 集中功能以便在团队之间共享
部署 OU
此 OU 中的帐户由组织的平台团队管理员管理,用于部署工作负载和可观察性。
我们建议在部署 OU 下使用以下帐户,因为 ML 平台团队可以在此 OU 级别设置不同的控制集来管理和治理部署:
- 用于测试和生产的 ML 共享服务帐户 – 托管平台共享服务 CI/CD 和模型注册表
- 用于测试和生产的机器学习可观察性 – 根据需要托管 CloudWatch 日志、CloudTrail 日志和其他日志
接下来,我们简要讨论需要考虑嵌入到成员帐户中以监控基础设施资源的组织控制。
AWS环境控制
控制是一种高级规则,可为您的整个 AWS 环境提供持续的治理。 它是用简单的语言表达的。 在此框架中,我们使用 AWS Control Tower 实施以下控制措施,帮助您管理资源并监控 AWS 账户组之间的合规性:
- 预防性控制 – 预防性控制可确保您的帐户保持合规性,因为它禁止导致策略违规的操作,并使用服务控制策略 (SCP) 实施。 例如,您可以设置预防性控制,确保 AWS 账户或区域中的 CloudTrail 不会被删除或停止。
- 侦探控制 – 检测控制可检测帐户内资源的不合规情况(例如违反策略),通过仪表板提供警报,并使用 AWS 配置 规则。 例如,您可以创建一个检测控件来检测是否启用了公共读取访问权限 亚马逊简单存储服务 (Amazon S3) 日志存档共享账户中的存储桶。
- 主动控制 – 主动控制会在配置资源之前扫描您的资源,并确保资源符合该控制并使用 AWS CloudFormation 钩子。 不合规的资源将不会被配置。 例如,您可以设置主动控制来检查 SageMaker 笔记本实例是否不允许直接访问互联网。
ML 平台服务、ML 用例和 ML 操作之间的交互
不同的角色,例如数据科学负责人(首席数据科学家)、数据科学家和机器学习工程师,针对机器学习平台服务、机器学习用例开发和机器学习操作的不同阶段操作模块2-6,如下图所示以及数据湖基础和中央特征存储。
下表总结了不同角色的操作流程活动和设置流程步骤。 一旦角色启动 ML 活动作为操作流程的一部分,服务就会按照设置流程步骤中提到的方式运行。
用户画像 | 运营流程活动 – 数量 | 运营流程活动 – 描述 | 设置流程步骤 – 编号 | 设置流程步骤 – 描述 |
首席数据科学或 ML 团队负责人 |
1 |
使用 ML 平台服务帐户中的 Service Catalog 并部署以下内容:
|
1-A |
|
1-B |
|
|||
数据科学家 |
2 |
在 SageMaker 笔记本中进行和跟踪 ML 实验 |
2-A |
|
3 |
使用 SageMaker 项目和管道自动化成功的机器学习实验 |
3-A |
|
|
3-B |
SageMaker 管道运行后,将模型保存在本地(开发)模型注册表中 | |||
首席数据科学家或 ML 团队负责人 |
4 |
批准本地(开发)模型注册表中的模型 |
4-A |
模型元数据和模型包从本地(开发)模型注册表写入中央模型注册表 |
5 |
批准中央模型注册表中的模型 |
5-A |
启动部署 CI/CD 流程以在测试环境中创建 SageMaker 端点 | |
5-B |
将模型信息和元数据从本地(开发)帐户写入 ML 平台服务帐户中的 ML 治理模块(模型卡、模型仪表板) | |||
ML工程师 |
6 |
CI/CD 之后在测试环境中测试和监控 SageMaker 端点 | . | |
7 |
批准在生产环境中部署 SageMaker 端点 |
7-A |
启动部署 CI/CD 流程以在生产环境中创建 SageMaker 端点 | |
8 |
CI/CD 之后在测试环境中测试和监控 SageMaker 端点 | . |
角色以及与 ML 平台不同模块的交互
每个模块都迎合最常使用该模块的特定部门内的特定目标角色,授予他们主要访问权限。 然后允许偶尔使用这些模块的其他部门进行二次访问。 这些模块是根据特定工作角色或角色的需求量身定制的,以优化功能。
我们讨论以下团队:
- 中央云工程 – 该团队在企业云级别运行所有工作负载,用于设置通用云基础设施服务,例如设置企业级网络、身份、权限和帐户管理
- 数据平台工程 – 该团队管理企业数据湖、数据收集、数据管理和数据治理
- 机器学习平台工程 – 该团队在跨 LOB 的 ML 平台级别运营,提供共享的 ML 基础设施服务,例如 ML 基础设施配置、实验跟踪、模型治理、部署和可观察性
下表根据模块的目标角色详细说明了哪些部门对每个模块具有主要和次要访问权限。
模块编号 | 模块 | 主要访问 | 二次访问 | 目标人物角色 | 账户数量 |
1 |
多账户基础 | 中央云工程 | 个别 LOB |
|
少数 |
2 |
数据湖基础 | 中央云或数据平台工程 | 个别 LOB |
|
多 |
3 |
机器学习平台服务 | 中央云或机器学习平台工程 | 个别 LOB |
|
一个 |
4 |
机器学习用例开发 | 个别 LOB | 中央云或机器学习平台工程 |
|
多 |
5 |
机器学习操作 | 中央云或机器学习工程 | 个别 LOB |
|
多 |
6 |
集中功能存储 | 中央云或数据工程 | 个别 LOB |
|
一个 |
7 |
日志记录和可观察性 | 中央云工程 | 个别 LOB |
|
一个 |
8 |
成本和报告 | 个别 LOB | 中央平台工程 |
|
一个 |
结论
在这篇文章中,我们介绍了一个用于大规模管理 ML 生命周期的框架,可帮助您实现嵌入安全和治理控制的架构良好的 ML 工作负载。 我们讨论了该框架如何采用整体方法来构建考虑数据治理、模型治理和企业级控制的机器学习平台。 我们鼓励您尝试本文中介绍的框架和概念并分享您的反馈。
关于作者
拉姆·维塔尔 是 AWS 的首席 ML 解决方案架构师。 他在架构和构建分布式、混合和云应用程序方面拥有超过 3 年的经验。 他热衷于构建安全、可扩展、可靠的 AI/ML 和大数据解决方案,以帮助企业客户完成云采用和优化之旅,从而改善其业务成果。 闲暇时,他骑着摩托车,带着他三岁的小羊嘟嘟散步!
索维克·库马尔·纳特 是 AWS 的 AI/ML 解决方案架构师。 他在设计金融、运营、营销、医疗保健、供应链管理和物联网领域的端到端机器学习和业务分析解决方案方面拥有丰富的经验。 Sovik 在 ML 模型监控方面发表了文章并拥有一项专利。 他拥有南佛罗里达大学、瑞士弗里堡大学的双硕士学位,以及印度理工学院卡拉格普尔分校的学士学位。 工作之余,索维克喜欢旅行、乘坐渡轮和看电影。
迈拉·拉德拉·坦克 是 AWS 的高级数据专家。 作为技术主管,她通过新兴技术和创新解决方案帮助客户加速实现业务价值。 Maira 自 2020 年 XNUMX 月起加入 AWS。在此之前,她曾在多个行业担任数据科学家,专注于从数据中实现业务价值。 在空闲时间,Maira 喜欢旅行并与家人在温暖的地方共度时光。
瑞恩·伦普卡 是 Amazon Web Services 的高级解决方案架构师,他帮助客户从业务目标逆向工作,在 AWS 上开发解决方案。 他在业务战略、IT 系统管理和数据科学方面拥有丰富的经验。 Ryan 致力于成为一名终身学习者,并且喜欢每天挑战自己以学习新东西。
斯里哈什·阿达里 是 Amazon Web Services (AWS) 的高级解决方案架构师,他帮助客户从业务成果逆向工作,以在 AWS 上开发创新解决方案。 多年来,他帮助多个客户进行跨行业垂直的数据平台转型。 他的核心专业领域包括技术战略、数据分析和数据科学。 在业余时间,他喜欢运动、狂看电视节目和弹奏 Tabla。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/governing-the-ml-lifecycle-at-scale-part-1-a-framework-for-architecting-ml-workloads-using-amazon-sagemaker/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 1
- 10
- 100
- 12
- 12个月
- 2020
- 28
- 7
- 8
- 971
- a
- 关于
- 加快
- ACCESS
- 无障碍
- 根据
- 账号管理
- 账户
- 成就
- 实现
- 横过
- 行动
- 活动
- Ad
- 适应
- 适应
- 增加
- 额外
- 地址
- 地址
- 解决
- 管理员
- 管理员
- 采用
- 采用
- 后
- AI
- AI模型
- AI / ML
- 通知
- 所有类型
- 允许
- 允许
- 允许
- 沿
- 已经
- 还
- 尽管
- Amazon
- 亚马逊SageMaker
- 亚马逊网络服务
- 亚马逊网络服务(AWS)
- an
- 分析
- 分析
- 和
- 和基础设施
- 任何
- 应用领域
- 的途径
- 适当
- 批准
- 架构
- 档案
- 保健
- 国家 / 地区
- 刊文
- AS
- 办公室文员:
- 相关
- 承担
- At
- 认证
- 授权
- 自动化
- 自动化
- 自动化和干细胞工程
- 可使用
- AWS
- 当前余额
- 基于
- 底线
- BE
- 因为
- 成为
- 很
- before
- 作为
- 有利
- 好处
- 最佳
- 最佳实践
- 之间
- 偏见
- 大
- 大数据运用
- 午休
- 简要地
- 建立
- 建筑物
- 建立
- 商业
- 经营策略
- 但是
- by
- CAN
- 候选人
- 能力
- 卡
- 牌
- 案件
- 例
- 检索目录
- 类别
- 迎合
- 原因
- Center
- 中央
- 集权
- 集中
- 链
- 挑战
- 挑战
- 支票
- 化学
- 密切
- 云端技术
- 云采用
- 云基础设施
- 码
- 合作
- 采集
- 统
- 相当常见
- 公司
- 符合
- 兼容
- 组件
- 包含
- 概念
- 概念
- 考虑
- 考虑
- 考虑
- 消耗
- 消费者
- 容器
- 控制
- 控制塔
- 受控
- 控制
- 协调
- 核心
- 价格
- 成本
- 覆盖
- 创建信息图
- 创建
- 策展
- 合作伙伴
- 定制
- 定制
- XNUMX月XNUMX日
- 仪表板
- data
- 数据访问
- 数据分析
- 数据湖
- 数据平台
- 数据隐私
- 数据科学
- 数据科学家
- 数据集
- 天
- 几十年
- 专用
- 深
- 学位
- 部门
- 部署
- 部署
- 部署
- 部署
- 部署
- 部署
- 设计
- 设计
- 设计
- 详情
- 开发
- 开发
- 发达
- 研发支持
- 发展
- 不同
- 尺寸
- 直接
- 讨论
- 讨论
- 不同
- 分布
- 潜水
- 域
- 翻番
- 向下
- 每
- 工作的影响。
- 嵌
- 嵌入式
- 嵌入
- 新兴经济体的新市场。
- 新兴技术
- enable
- 启用
- 使
- 使
- 鼓励
- 端至端
- 端点
- 工程师
- 工程师
- 工程师
- 提高
- 确保
- 确保
- 保证
- 企业
- 企业级
- 企业
- 环境
- 环境中
- 必要
- 评估
- 事件
- 所有的
- 每天
- 例子
- 体验
- 实验
- 实验
- 专门知识
- 表示
- 延长
- 广泛
- 丰富的经验
- 面临
- 促进
- 家庭
- 专栏
- 特征
- 反馈
- 少数
- 数字
- 过滤
- 金融
- 金融
- 金融服务
- 姓氏:
- 高度灵活
- 佛罗里达
- 流
- 聚焦
- 以下
- 针对
- 申请
- 训练
- 基金会
- Foundations
- 四
- 骨架
- Free
- 止
- 功能
- 实用
- 功能
- 功能
- 功能
- 进一步
- 此外
- Gain增益
- 生成
- 发电
- 生成的
- 生成式人工智能
- 给
- 全球
- 治理
- 治理模型
- 治理模块
- 治理
- 治理
- 发放
- 组的
- 指导
- 有
- 有
- he
- 头
- 医疗保健
- 听
- 帮助
- 帮助
- 帮助
- 这里
- 高
- 高水平
- 他的
- 持有
- 整体
- 钩
- 为了
- 创新中心
- How To
- 但是
- HTML
- HTTP
- HTTPS
- 中心
- 杂交种
- 确定
- 身分
- if
- 实施
- 履行
- 实施
- 实施
- 改善
- 改善
- in
- 包括
- 包括
- 包含
- 增加
- 独立地
- 印度
- 行业
- 行业中的应用:
- 信息
- 基础设施
- 初始
- 同修
- 创新
- 创新
- 例
- 研究所
- 集成
- 相互作用
- 互动
- 有兴趣
- 网络
- 互联网接入
- 成
- 介绍
- 投资
- 物联网
- 隔离
- IT
- 一月
- 工作
- 旅程
- JPG
- 键
- 知识
- 库马尔
- 缺乏
- 湖泊
- 湖泊
- 着陆
- 语言
- 大
- 后来
- 层
- 铅
- 学习用品
- 学习
- Level
- 各级
- 生命周期
- 喜欢
- 血统
- 线
- 本地
- 日志
- 记录
- 寻找
- 机
- 机器学习
- 制成
- 保持
- 制作
- 管理
- 管理
- 颠覆性技术
- 管理
- 管理的
- 许多
- 地图
- 营销
- 成熟
- 到期
- 可能..
- 会员
- 提到
- 网格
- 元数据
- 缓解
- 降低风险
- ML
- 多播
- 模型
- 模型
- 修改
- 模块化
- 模块
- 模块
- 显示器
- 监控
- 显示器
- 个月
- 更多
- 最先进的
- 摩托车
- 电影
- 多
- 本地人
- 需求
- 需要
- 巢
- 网络
- 工业网络
- 网络
- 全新
- 新功能
- 下页
- 笔记本
- 数
- 目标
- 偶然
- of
- 优惠精选
- 办公
- 经常
- 老
- on
- 一旦
- 一
- 正在进行
- 操作
- 操作
- 运营
- 操作
- 运营
- 优化
- 优化
- or
- 组织
- 组织
- 组织
- 其他名称
- 我们的
- 输出
- 结果
- 学校以外
- 超过
- 最划算
- 简介
- 包
- 部分
- 特别
- 多情
- 专利
- 演出
- 性能
- 权限
- 管道
- 地方
- 朴素
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 政策
- 政策
- 个人档案
- 帖子
- 在练习上
- 做法
- 当下
- 预防
- 小学
- 校长
- 先
- 隐私
- 私立
- 私营部门
- 主动
- 问题
- 过程
- 过程
- 制片人
- 生产者
- 产品
- 生产
- 核心产品
- 项目
- 提升
- 证明
- 概念验证
- 保护
- 提供
- 提供
- 优
- 国家
- 出版
- 目的
- 质量
- 很快
- 快
- 阅读
- 最近
- 承认
- 建议
- 推荐
- 减少
- 参考
- 地区
- 寄存器
- 在相关机构注册的
- 寄存器
- 注册处
- 监管
- 受管制行业
- 可靠
- 删除
- 业务报告
- 要求
- 必须
- 岗位要求
- 资源
- 资源
- 回应
- 提供品牌战略规划
- 重用
- 游乐设施
- 风险
- 风险
- 角色
- 角色
- 根
- 第
- 定位、竞价/采购和分析/优化数字媒体采购,但算法只不过是解决问题的操作和规则。
- 运行
- 运行
- 瑞安
- 牺牲
- sagemaker
- SageMaker管道
- 同
- 可扩展性
- 鳞片
- 缩放
- 科学
- 科学家
- 科学家
- 搜索
- 次
- 部分
- 扇形
- 安全
- 保安
- 安全事件
- 自助服务
- 前辈
- 系列
- 服务
- 特色服务
- 集
- 套数
- 设置
- 格局
- Share
- 共用的,
- 分享
- 共享
- 她
- 短
- 应该
- 如图
- 作品
- 简易
- 自
- 单
- 尺寸
- 小
- So
- 方案,
- 解决方案
- 解决
- 一些
- 东西
- 南部
- 南佛罗里达
- 专家
- 专门
- 具体的
- 花费
- 运动
- 实习
- 利益相关者
- 利益相关者
- 标准
- 开始
- 州/领地
- 步
- 步骤
- 仍
- 停止
- 存储
- 商店
- 商店
- 策略
- 策略
- 强烈
- 结构体
- 结构
- 工作室
- 成功
- 这样
- 如下
- 概要
- 供应
- 供应链
- 供应链管理
- SUPPORT
- 支持
- 肯定
- 瑞士
- 产品
- 表
- 量身定制
- 需要
- 服用
- 目标
- 团队
- 队
- 文案
- 专业技术
- 技术策略
- 模板
- 模板
- test
- 测试
- 这
- 国家
- 其
- 他们
- 然后
- 博曼
- 他们
- 事
- Free Introduction
- 那些
- 通过
- 始终
- 次
- 至
- 工具
- 向
- 塔
- 跟踪时
- 跟踪
- 传统
- 培训
- 转换
- 过境
- 旅游
- 转
- tv
- 类型
- 下
- 理解
- 不公平
- 单位
- 大学
- us
- 用法
- 使用
- 用例
- 用过的
- 用户
- 用户
- 使用
- 运用
- 利用
- 验证
- 折扣值
- 各种
- 各个
- 垂直
- 通过
- 违反
- 能见度
- 可视化
- 想像
- 走
- 想
- 温暖
- 观看
- we
- 卷筒纸
- Web服务
- 井
- ,尤其是
- 是否
- 这
- 而
- 将
- 中
- 也完全不需要
- 工作
- 工作
- 工作流程
- 加工
- 年
- 完全
- 您一站式解决方案
- 和风网