In Μέρος 1 αυτής της σειράς, συντάξαμε μια αρχιτεκτονική για έναν αγωγό MLOps από άκρο σε άκρο για μια θήκη χρήσης οπτικής επιθεώρησης ποιότητας στην άκρη. Έχει σχεδιαστεί για να αυτοματοποιεί ολόκληρη τη διαδικασία μηχανικής εκμάθησης (ML), από την επισήμανση δεδομένων έως την εκπαίδευση μοντέλων και την ανάπτυξη στην άκρη. Η εστίαση σε διαχειριζόμενες υπηρεσίες και υπηρεσίες χωρίς διακομιστή μειώνει την ανάγκη λειτουργίας υποδομής για τον αγωγό σας και σας επιτρέπει να ξεκινήσετε γρήγορα.
Σε αυτήν την ανάρτηση, εμβαθύνουμε στον τρόπο με τον οποίο εφαρμόζονται τα τμήματα κατασκευής και εκπαίδευσης της επισήμανσης και μοντέλων του αγωγού. Εάν ενδιαφέρεστε ιδιαίτερα για την πτυχή ανάπτυξης άκρων της αρχιτεκτονικής, μπορείτε να προχωρήσετε στο Μέρος 3. Παρέχουμε επίσης ένα συνοδευτικό GitHub repo αν θέλετε να αναπτύξετε και δοκιμάστε αυτό μόνοι σας.
Επισκόπηση λύσεων
Η περίπτωση χρήσης δείγματος που χρησιμοποιείται για αυτήν τη σειρά είναι μια λύση οπτικού ελέγχου ποιότητας που μπορεί να ανιχνεύσει ελαττώματα σε μεταλλικές ετικέτες, τα οποία θα μπορούσαν να αναπτυχθούν ως μέρος μιας διαδικασίας κατασκευής. Το παρακάτω διάγραμμα δείχνει την αρχιτεκτονική υψηλού επιπέδου του αγωγού MLOps που ορίσαμε στην αρχή αυτής της σειράς. Αν δεν το έχετε διαβάσει ακόμα, σας προτείνουμε να το ελέγξετε Μέρος 1.
Αυτοματοποίηση επισήμανσης δεδομένων
Η επισήμανση δεδομένων είναι μια εγγενώς εντατική εργασία που περιλαμβάνει ανθρώπους (ετικέτες) για την επισήμανση των δεδομένων. Η επισήμανση για την περίπτωση χρήσης μας σημαίνει επιθεώρηση μιας εικόνας και σχεδίαση πλαισίων οριοθέτησης για κάθε ελάττωμα που είναι ορατό. Αυτό μπορεί να ακούγεται ξεκάθαρο, αλλά πρέπει να φροντίσουμε ορισμένα πράγματα για να το αυτοματοποιήσουμε:
- Παρέχετε ένα εργαλείο στους ετικετογράφους για να σχεδιάζουν πλαίσια οριοθέτησης
- Διαχειριστείτε ένα εργατικό δυναμικό ετικετών
- Εξασφαλίστε καλή ποιότητα ετικέτας
- Διαχειριστείτε και εκδώστε τα δεδομένα και τις ετικέτες μας
- Ενορχηστρώστε την όλη διαδικασία
- Ενσωματώστε το στο σύστημα CI/CD
Μπορούμε να τα κάνουμε όλα αυτά με τις υπηρεσίες AWS. Για να διευκολύνουμε την επισήμανση και τη διαχείριση του εργατικού δυναμικού μας, χρησιμοποιούμε Amazon SageMaker Ground Αλήθεια, μια υπηρεσία επισήμανσης δεδομένων που σας επιτρέπει να δημιουργείτε και να διαχειρίζεστε τις δικές σας ροές εργασίας ετικετών δεδομένων και το εργατικό δυναμικό σας. Μπορείτε να διαχειριστείτε το δικό σας προσωπικό προσωπικό ετικετών ή να χρησιμοποιήσετε τη δύναμη των εξωτερικών ετικετών μέσω Αμαζόν Μηχανολόγος Τούρκος ή τρίτων παρόχων.
Επιπλέον, όλη η διαδικασία μπορεί να διαμορφωθεί και να διαχειρίζεται μέσω του AWS SDK, το οποίο είναι αυτό που χρησιμοποιούμε για να ενορχηστρώσουμε τη ροή εργασιών μας σχετικά με την επισήμανση ως μέρος του αγωγού CI/CD μας.
Οι εργασίες επισήμανσης χρησιμοποιούνται για τη διαχείριση των ροών εργασιών επισήμανσης. Το SageMaker Ground Truth παρέχει εκ των προτέρων πρότυπα για πολλούς διαφορετικούς τύπους εργασιών επισήμανσης, συμπεριλαμβανομένων των πλαισίων οριοθέτησης σχεδίασης. Για περισσότερες λεπτομέρειες σχετικά με τον τρόπο ρύθμισης μιας εργασίας επισήμανσης για εργασίες πλαισίων οριοθέτησης, ρίξτε μια ματιά Βελτιστοποίηση της επισήμανσης δεδομένων για τον εντοπισμό αντικειμένων YOLO στο Amazon SageMaker Ground Truth. Για την περίπτωση χρήσης μας, προσαρμόζουμε το πρότυπο εργασιών για εργασίες πλαισίου οριοθέτησης και χρησιμοποιήστε ανθρώπινους σχολιαστές που παρέχονται από την Mechanical Turk για να επισημαίνετε τις εικόνες μας από προεπιλογή. Το παρακάτω στιγμιότυπο οθόνης δείχνει τι βλέπει ένα labeler όταν εργάζεται σε μια εικόνα.
Ας μιλήσουμε για την ποιότητα της ετικέτας στη συνέχεια. Η ποιότητα των ετικετών μας θα επηρεάσει την ποιότητα του ML μοντέλου μας. Κατά την αυτοματοποίηση της επισήμανσης εικόνων με ένα εξωτερικό ανθρώπινο δυναμικό όπως η Mechanical Turk, είναι δύσκολο να διασφαλιστεί μια καλή και σταθερή ποιότητα ετικέτας λόγω της έλλειψης εξειδίκευσης στον τομέα. Μερικές φορές απαιτείται ιδιωτικό εργατικό δυναμικό ειδικών στον τομέα. Στη δειγματοληπτική μας λύση, ωστόσο, χρησιμοποιούμε το Mechanical Turk για να εφαρμόσουμε αυτοματοποιημένη επισήμανση των εικόνων μας.
Υπάρχουν πολλοί τρόποι για να διασφαλιστεί η καλή ποιότητα της ετικέτας. Για περισσότερες πληροφορίες σχετικά με τις βέλτιστες πρακτικές, ανατρέξτε στην ομιλία AWS re:Invent 2019, Δημιουργήστε ακριβή σύνολα δεδομένων εκπαίδευσης με το Amazon SageMaker Ground Truth. Ως μέρος αυτού του δείγματος λύσης, αποφασίσαμε να εστιάσουμε στα ακόλουθα:
Τέλος, πρέπει να σκεφτούμε πώς να αποθηκεύσουμε τις ετικέτες μας, ώστε να μπορούν να χρησιμοποιηθούν ξανά για εκπαίδευση αργότερα και να επιτρέψουμε την ιχνηλασιμότητα των δεδομένων εκπαίδευσης χρησιμοποιημένων μοντέλων. ο έξοδο μιας εργασίας επισήμανσης του SageMaker Ground Truth είναι ένα αρχείο σε μορφή JSON-lines που περιέχει τις ετικέτες και πρόσθετα μεταδεδομένα. Αποφασίσαμε να χρησιμοποιήσουμε το κατάστημα εκτός σύνδεσης of Κατάστημα χαρακτηριστικών Amazon SageMaker για να αποθηκεύουμε τις ετικέτες μας. Σε σύγκριση με την απλή αποθήκευση των ετικετών Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), μας παρέχει μερικά ευδιάκριτα πλεονεκτήματα:
- Αποθηκεύει ένα πλήρες ιστορικό των τιμών των χαρακτηριστικών, σε συνδυασμό με ερωτήματα σε χρόνο. Αυτό μας επιτρέπει να εκδίδουμε εύκολα τα δεδομένα μας και να διασφαλίζουμε την ιχνηλασιμότητα.
- Ως κεντρικό κατάστημα χαρακτηριστικών, προωθεί την επαναχρησιμοποίηση και την προβολή των δεδομένων μας.
Για μια εισαγωγή στο SageMaker Feature Store, ανατρέξτε στο Ξεκινώντας με το Amazon SageMaker Feature Store. Το SageMaker Feature Store υποστηρίζει την αποθήκευση λειτουργιών σε μορφή πίνακα. Στο παράδειγμά μας, αποθηκεύουμε τις ακόλουθες δυνατότητες για κάθε εικόνα με ετικέτα:
- Η τοποθεσία όπου είναι αποθηκευμένη η εικόνα στο Amazon S3
- Διαστάσεις εικόνας
- Το πλαίσιο οριοθέτησης συντεταγμένες και τιμές κλάσεων
- Μια σημαία κατάστασης που υποδεικνύει εάν η ετικέτα έχει εγκριθεί για χρήση στην εκπαίδευση
- Το όνομα της εργασίας επισήμανσης που χρησιμοποιήθηκε για τη δημιουργία της ετικέτας
Το ακόλουθο στιγμιότυπο οθόνης δείχνει πώς μπορεί να μοιάζει μια τυπική καταχώρηση στο κατάστημα δυνατοτήτων.
Με αυτήν τη μορφή, μπορούμε εύκολα να ρωτήσουμε το χώρο αποθήκευσης χαρακτηριστικών και να εργαστούμε με γνωστά εργαλεία όπως τα Panda για να δημιουργήσουμε ένα σύνολο δεδομένων που θα χρησιμοποιηθεί για εκπαίδευση αργότερα.
Ενορχηστρωτική επισήμανση δεδομένων
Επιτέλους, ήρθε η ώρα να αυτοματοποιήσουμε και να ενορχηστρώσουμε κάθε ένα από τα βήματα του αγωγού ετικετών μας! Για αυτό χρησιμοποιούμε Λειτουργίες βημάτων AWS, μια υπηρεσία ροής εργασίας χωρίς διακομιστή που μας παρέχει ενσωματώσεις API για γρήγορη ενορχηστρωτική και οπτικοποίηση των βημάτων στη ροή εργασίας μας. Χρησιμοποιούμε επίσης ένα σετ από AWS Lambda λειτουργίες για μερικά από τα πιο σύνθετα βήματα, συγκεκριμένα τα ακόλουθα:
- Ελέγξτε εάν υπάρχουν νέες εικόνες που απαιτούν σήμανση στο Amazon S3
- Προετοιμάστε τα δεδομένα στην απαιτούμενη μορφή εισαγωγής και ξεκινήστε την εργασία επισήμανσης
- Προετοιμάστε τα δεδομένα στην απαιτούμενη μορφή εισαγωγής και ξεκινήστε την εργασία επαλήθευσης ετικέτας
- Γράψτε το τελικό σύνολο ετικετών στο κατάστημα δυνατοτήτων
Το παρακάτω σχήμα δείχνει πώς φαίνεται η πλήρης μηχανή κατάστασης ετικετών Βήμα Λειτουργίες.
Επισήμανση: Ανάπτυξη υποδομής και ενσωμάτωση σε CI/CD
Το τελευταίο βήμα είναι να ενσωματώσουμε τη ροή εργασιών Step Functions στο σύστημά μας CI/CD και να διασφαλίσουμε ότι θα αναπτύξουμε την απαιτούμενη υποδομή. Για να ολοκληρώσουμε αυτήν την εργασία, χρησιμοποιούμε το Κιτ ανάπτυξης AWS Cloud (AWS CDK) για τη δημιουργία όλης της απαιτούμενης υποδομής, όπως οι λειτουργίες Lambda και η ροή εργασιών Step Functions. Με Αγωγοί CDK, μια ενότητα του AWS CDK, δημιουργούμε μια διοχέτευση σε Αγωγός κώδικα AWS που αναπτύσσει αλλαγές στην υποδομή μας και ενεργοποιεί μια πρόσθετη διοχέτευση για την έναρξη της ροής εργασίας Βήμα Λειτουργίες. ο Ενοποίηση Λειτουργιών Βήματος στο CodePipeline κάνει αυτή την εργασία πολύ εύκολη. Χρησιμοποιούμε Amazon EventBridge και ενέργειες CodePipeline Source για να βεβαιωθείτε ότι η διοχέτευση ενεργοποιείται σε ένα χρονοδιάγραμμα καθώς και όταν οι αλλαγές προωθούνται στο git.
Το παρακάτω διάγραμμα δείχνει πώς φαίνεται λεπτομερώς η αρχιτεκτονική CI/CD για την επισήμανση.
Ανακεφαλαίωση της αυτοματοποιημένης επισήμανσης δεδομένων
Τώρα διαθέτουμε έναν αγωγό που λειτουργεί για την αυτόματη δημιουργία ετικετών από εικόνες χωρίς ετικέτα μεταλλικών ετικετών χρησιμοποιώντας το SageMaker Ground Truth. Οι εικόνες λαμβάνονται από το Amazon S3 και τροφοδοτούνται σε μια εργασία επισήμανσης του SageMaker Ground Truth. Μετά την επισήμανση των εικόνων, κάνουμε ποιοτικό έλεγχο χρησιμοποιώντας μια εργασία επαλήθευσης ετικέτας. Τέλος, οι ετικέτες αποθηκεύονται σε μια ομάδα χαρακτηριστικών στο SageMaker Feature Store. Εάν θέλετε να δοκιμάσετε μόνοι σας το παράδειγμα εργασίας, ρίξτε μια ματιά στο συνοδευτικό Αποθετήριο GitHub. Ας δούμε πώς να αυτοματοποιήσετε την κατασκευή μοντέλων στη συνέχεια!
Αυτοματοποίηση κατασκευής μοντέλων
Παρόμοια με την επισήμανση, ας ρίξουμε μια εις βάθος ματιά στον αγωγό κατασκευής μοντέλων μας. Τουλάχιστον, πρέπει να ενορχηστρώσουμε τα ακόλουθα βήματα:
- Αποκτήστε τις πιο πρόσφατες δυνατότητες από το κατάστημα δυνατοτήτων
- Προετοιμάστε τα δεδομένα για εκπαίδευση μοντέλων
- Εκπαιδεύστε το μοντέλο
- Αξιολογήστε την απόδοση του μοντέλου
- Έκδοση και αποθήκευση του μοντέλου
- Εγκρίνετε το μοντέλο για ανάπτυξη εάν η απόδοση είναι αποδεκτή
Η διαδικασία δημιουργίας μοντέλων καθοδηγείται συνήθως από έναν επιστήμονα δεδομένων και είναι το αποτέλεσμα ενός συνόλου πειραμάτων που γίνονται χρησιμοποιώντας σημειωματάρια ή κώδικα Python. Μπορούμε να ακολουθήσουμε μια απλή διαδικασία τριών βημάτων για να μετατρέψουμε ένα πείραμα σε μια πλήρως αυτοματοποιημένη διοχέτευση MLOps:
- Μετατρέψτε τον υπάρχοντα κώδικα προεπεξεργασίας, εκπαίδευσης και αξιολόγησης σε σενάρια γραμμής εντολών.
- Δημιουργήστε έναν ορισμό διοχέτευσης SageMaker για να ενορχηστρώσετε το κτήριο μοντέλων. Χρησιμοποιήστε τα σενάρια που δημιουργήθηκαν στο πρώτο βήμα ως μέρος των βημάτων επεξεργασίας και εκπαίδευσης.
- Ενσωματώστε τη διοχέτευση στη ροή εργασιών CI/CD.
Αυτή η διαδικασία τριών βημάτων είναι γενική και μπορεί να χρησιμοποιηθεί για οποιαδήποτε αρχιτεκτονική μοντέλου και πλαίσιο ML της επιλογής σας. Ας το ακολουθήσουμε και ας ξεκινήσουμε με το Βήμα 1 για να δημιουργήσουμε τα ακόλουθα σενάρια:
- προεπεξεργασία.py – Αυτό τραβάει ετικέτες από το SageMaker Feature Store, χωρίζει το σύνολο δεδομένων και το μετατρέπει στην απαιτούμενη μορφή για την εκπαίδευση του μοντέλου μας, στην περίπτωσή μας τη μορφή εισόδου για το YOLOv8
- train.py – Αυτό εκπαιδεύει ένα Μοντέλο ανίχνευσης αντικειμένων Ultralytics YOLOv8 χρησιμοποιώντας το PyTorch για τον εντοπισμό γρατσουνιών σε εικόνες μεταλλικών ετικετών
Ενορχηστρωτική μακέτα κτιρίου
Στο Βήμα 2, ομαδοποιούμε αυτά τα σενάρια σε εργασίες εκπαίδευσης και επεξεργασίας και ορίζουμε την τελική διοχέτευση SageMaker, η οποία μοιάζει με την παρακάτω εικόνα.
Αποτελείται από τα ακόλουθα βήματα:
- Ένα ProcessingStep για τη φόρτωση των πιο πρόσφατων δυνατοτήτων από το SageMaker Feature Store. Διαχωρίστε το σύνολο δεδομένων σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμών. και αποθηκεύστε τα σύνολα δεδομένων ως tarball για εκπαίδευση.
- Ένα TrainingStep για την εκπαίδευση του μοντέλου χρησιμοποιώντας τα σύνολα δεδομένων εκπαίδευσης, επικύρωσης και δοκιμής και εξαγωγή της μέτρησης μέσης ακρίβειας (mAP) για το μοντέλο.
- Ένα ConditionStep για να αξιολογήσετε εάν η μετρική τιμή mAP του εκπαιδευμένου μοντέλου είναι πάνω από ένα διαμορφωμένο όριο. Εάν ναι, εκτελείται ένα βήμα RegisterModel που καταχωρεί το εκπαιδευμένο μοντέλο στο Μητρώο Μοντέλων του SageMaker.
Εάν ενδιαφέρεστε για τον αναλυτικό κωδικό του αγωγού, ελέγξτε έξω τον ορισμό του αγωγού στο αποθετήριο δειγμάτων μας.
Εκπαίδευση: Ανάπτυξη υποδομής και ενσωμάτωση σε CI/CD
Τώρα ήρθε η ώρα για το Βήμα 3: ενσωμάτωση στη ροή εργασιών CI/CD. Η διοχέτευση CI/CD μας ακολουθεί το ίδιο μοτίβο που απεικονίστηκε στο τμήμα επισήμανσης πριν. Χρησιμοποιούμε το AWS CDK για την ανάπτυξη των απαιτούμενων αγωγών από το CodePipeline. Η μόνη διαφορά είναι ότι χρησιμοποιούμε Αγωγοί Amazon SageMaker αντί για Βήμα Λειτουργίες. Ο ορισμός της διοχέτευσης του SageMaker δημιουργείται και ενεργοποιείται ως μέρος μιας ενέργειας CodeBuild στο CodePipeline.
Συμπέρασμα
Τώρα έχουμε μια πλήρως αυτοματοποιημένη ροή εργασιών κατάρτισης ετικετών και μοντέλων χρησιμοποιώντας το SageMaker. Ξεκινήσαμε δημιουργώντας σενάρια γραμμής εντολών από τον κώδικα πειράματος. Στη συνέχεια χρησιμοποιήσαμε το SageMaker Pipelines για να ενορχηστρώσουμε κάθε ένα από τα βήματα της ροής εργασίας εκπαίδευσης μοντέλου. Τα σενάρια γραμμής εντολών ενσωματώθηκαν ως μέρος των βημάτων εκπαίδευσης και επεξεργασίας. Στο τέλος του αγωγού, το εκπαιδευμένο μοντέλο εκδίδεται και καταχωρείται στο SageMaker Model Registry.
Αναχωρώ Μέρος 3 αυτής της σειράς, όπου θα ρίξουμε μια πιο προσεκτική ματιά στο τελικό βήμα της ροής εργασίας MLOps μας. Θα δημιουργήσουμε τη διοχέτευση που μεταγλωττίζει και αναπτύσσει το μοντέλο σε μια συσκευή άκρης χρησιμοποιώντας AWS IoT Greengrass!
Σχετικά με τους συγγραφείς
Michael Roth είναι Ανώτερος Αρχιτέκτονας Λύσεων στην AWS, υποστηρίζοντας τους πελάτες της Manufacturing στη Γερμανία για να λύσουν τις επιχειρηματικές τους προκλήσεις μέσω της τεχνολογίας AWS. Εκτός από τη δουλειά και την οικογένεια, ενδιαφέρεται για τα σπορ αυτοκίνητα και απολαμβάνει τον ιταλικό καφέ.
Jörg Wöhrle είναι αρχιτέκτονας λύσεων στην AWS, που συνεργάζεται με πελάτες κατασκευαστών στη Γερμανία. Με πάθος για την αυτοματοποίηση, ο Joerg έχει εργαστεί ως προγραμματιστής λογισμικού, μηχανικός DevOps και Μηχανικός αξιοπιστίας τοποθεσίας στην προ-AWS ζωή του. Πέρα από το σύννεφο, είναι ένας φιλόδοξος δρομέας και απολαμβάνει ποιοτικό χρόνο με την οικογένειά του. Επομένως, εάν έχετε μια πρόκληση DevOps ή θέλετε να πάτε για τρέξιμο: ενημερώστε τον.
Γιοχάνες Λάνγκερ είναι Senior Solutions Architect στην AWS, που εργάζεται με εταιρικούς πελάτες στη Γερμανία. Ο Johannes είναι παθιασμένος με την εφαρμογή μηχανικής μάθησης για την επίλυση πραγματικών επιχειρηματικών προβλημάτων. Στην προσωπική του ζωή, ο Johannes απολαμβάνει να εργάζεται σε έργα βελτίωσης σπιτιού και να περνά χρόνο σε εξωτερικούς χώρους με την οικογένειά του.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/build-an-end-to-end-mlops-pipeline-for-visual-quality-inspection-at-the-edge-part-2/
- :έχει
- :είναι
- :που
- $UP
- 1
- 150
- 2019
- a
- Σχετικα
- πάνω από
- ολοκληρώσει
- ακριβής
- Ενέργειες
- ενεργειών
- προσαρμόσει
- Πρόσθετος
- πλεονεκτήματα
- επηρεάζουν
- Μετά το
- εμπρός
- Όλα
- επιτρέπουν
- επιτρέπει
- Επίσης
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- φιλόδοξος
- an
- και
- κάθε
- api
- εφαρμόζοντας
- εγκεκριμένη
- αρχιτεκτονική
- ΕΙΝΑΙ
- AS
- άποψη
- At
- αυτοματοποίηση
- Αυτοματοποιημένη
- αυτομάτως
- αυτοματοποίηση
- Αυτοματοποίηση
- μέσος
- AWS
- AWS re: Εφευρέστε
- BE
- ήταν
- πριν
- Αρχή
- εκτός
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Πέρα
- Κουτί
- κουτιά
- χτίζω
- Κτίριο
- Δέσμη
- επιχείρηση
- αλλά
- by
- CAN
- ο οποίος
- αυτοκίνητα
- περίπτωση
- κεντρικός
- πρόκληση
- προκλήσεις
- πρόκληση
- Αλλαγές
- έλεγχος
- έλεγχος
- επιλογή
- τάξη
- πιο κοντά
- Backup
- κωδικός
- Καφές
- σε συνδυασμό
- σύγκριση
- πλήρης
- συγκρότημα
- έχει ρυθμιστεί
- συνεπής
- αποτελείται
- κατασκευάσει
- μετατρέψετε
- θα μπορούσε να
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- Πελάτες
- ημερομηνία
- επιστήμονας δεδομένων
- σύνολα δεδομένων
- αποφάσισε
- βαθύς
- Προεπιλογή
- ορίζεται
- ορίζεται
- ορισμός
- σκάβω
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- αναπτύσσεται
- λεπτομέρεια
- λεπτομερής
- καθέκαστα
- ανίχνευση
- Ανίχνευση
- Εργολάβος
- Ανάπτυξη
- συσκευή
- DevOps
- διαφορά
- διαφορετικές
- διακριτή
- do
- τομέα
- γίνεται
- συντάχθηκε
- σχεδιάζω
- σχέδιο
- οδηγείται
- δυο
- κάθε
- εύκολα
- εύκολος
- άκρη
- ενεργοποιήσετε
- τέλος
- από άκρη σε άκρη
- μηχανικός
- εξασφαλίζω
- Εταιρεία
- επιχειρηματικούς πελάτες
- Ολόκληρος
- καταχώριση
- Αιθέρας (ΕΤΗ)
- αξιολογήσει
- εκτίμηση
- παράδειγμα
- υφιστάμενα
- πείραμα
- πειράματα
- εξειδίκευση
- εμπειρογνώμονες
- εξαγωγή
- εξωτερικός
- διευκολύνω
- οικείος
- οικογένεια
- Χαρακτηριστικό
- Χαρακτηριστικά
- Fed
- λίγοι
- Εικόνα
- Αρχεία
- τελικός
- Τελικά
- Συγκέντρωση
- ακολουθήστε
- Εξής
- εξής
- Για
- μορφή
- Πλαίσιο
- από
- πλήρη
- πλήρως
- λειτουργίες
- Germany
- παίρνω
- Git
- Go
- καλός
- Έδαφος
- Group
- Έχω
- υψηλού επιπέδου
- αυτόν
- του
- ιστορία
- Αρχική
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- ανθρώπινος
- Οι άνθρωποι
- if
- εικόνα
- εικόνες
- εφαρμογή
- εφαρμοστεί
- βελτίωση
- in
- σε βάθος
- Συμπεριλαμβανομένου
- υποδεικνύοντας
- πληροφορίες
- Υποδομή
- εκ φύσεως
- εισαγωγή
- αντί
- ενσωματώσει
- ενσωματωθεί
- ολοκλήρωση
- ολοκληρώσεις
- ενδιαφερόμενος
- σε
- Εισαγωγή
- περιλαμβάνει
- IoT
- IT
- Ιταλικά
- Δουλειά
- Θέσεις εργασίας
- jpg
- Ξέρω
- επιγραφή
- τιτλοφόρηση
- Ετικέτες
- Έλλειψη
- αργότερα
- αργότερο
- μάθηση
- ας
- ζωή
- Μου αρέσει
- γραμμή
- φορτίο
- τοποθεσία
- ματιά
- μοιάζει
- ΦΑΊΝΕΤΑΙ
- μηχανή
- μάθηση μηχανής
- κάνω
- ΚΑΝΕΙ
- διαχείριση
- διαχειρίζεται
- κατασκευής
- πολοί
- χάρτη
- Ενδέχεται..
- εννοώ
- μέσα
- μηχανικός
- Μεταδεδομένα
- μέταλλο
- μετρικός
- Μιχαήλ
- ενδέχεται να
- ελάχιστο
- ML
- MLOps
- μοντέλο
- ενότητα
- περισσότερο
- όνομα
- Ανάγκη
- Νέα
- επόμενη
- φορητούς υπολογιστές
- τώρα
- αριθμός
- αντικείμενο
- Ανίχνευση αντικειμένων
- of
- on
- ONE
- αποκλειστικά
- λειτουργούν
- or
- τάξη
- δικός μας
- έξω
- Αποτέλεσμα
- ύπαιθρο
- δική
- Πάντα
- μέρος
- ιδιαίτερα
- εξαρτήματα
- πάθος
- παθιασμένος
- πρότυπο
- επίδοση
- προσωπικός
- εκλεκτός
- αγωγού
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Θέση
- δύναμη
- πρακτικές
- Ακρίβεια
- ιδιωτικός
- προβλήματα
- διαδικασια μας
- μεταποίηση
- έργα
- προωθεί
- παρέχουν
- παρέχεται
- Παρόχους υπηρεσιών
- παρέχει
- Τραβά
- πίεσε
- Python
- pytorch
- ποιότητα
- ερωτήματα
- γρήγορα
- RE
- Διάβασε
- πραγματικός
- συνιστώ
- μειώνει
- παραπέμπω
- καταχωρηθεί
- μητρώα
- μητρώου
- αξιοπιστία
- Αποθήκη
- απαιτούν
- απαιτείται
- τρέξιμο
- δρομέας
- σοφός
- Αγωγοί SageMaker
- ίδιο
- πρόγραμμα
- Επιστήμονας
- Εφαρμογές
- SDK
- Τμήμα
- βλέπει
- αρχαιότερος
- Σειρές
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- σειρά
- Σέτς
- Δείχνει
- Απλούς
- απλά
- ιστοσελίδα
- So
- λογισμικό
- λύση
- Λύσεις
- SOLVE
- μερικοί
- Ήχος
- Πηγή
- ειδικά
- Δαπάνες
- διαίρεση
- Διαχωρίστε
- Αθλητισμός
- Εκκίνηση
- ξεκίνησε
- Κατάσταση
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- καταστήματα
- ειλικρινής
- Στήριξη
- Υποστηρίζει
- βέβαιος
- σύστημα
- Πάρτε
- Συζήτηση
- Έργο
- εργασίες
- Τεχνολογία
- πρότυπο
- πρότυπα
- δοκιμή
- ότι
- Η
- τους
- τότε
- Εκεί.
- Αυτοί
- αυτοί
- πράγματα
- Νομίζω
- τρίτους
- αυτό
- τριών βημάτων
- κατώφλι
- Μέσω
- ώρα
- προς την
- εργαλείο
- εργαλεία
- κορυφή
- Ιχνηλασιμότητα
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- τρένα
- μετασχηματισμών
- ενεργοποιήθηκε
- Αλήθεια
- προσπαθώ
- τύποι
- τυπικός
- ui
- us
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- χρησιμοποιώντας
- συνήθως
- επικύρωση
- αξία
- Αξίες
- Επαλήθευση
- εκδοχή
- πολύ
- μέσω
- ορατότητα
- ορατός
- φαντάζομαι
- θέλω
- τρόπους
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- ήταν
- Τι
- πότε
- αν
- Ποιό
- ολόκληρο
- θα
- με
- Εργασία
- εργάστηκαν
- ροής εργασίας
- ροές εργασίας
- Εργατικό δυναμικό
- εργαζόμενος
- ακόμη
- Yolo
- εσείς
- Σας
- τον εαυτό σας
- YouTube
- zephyrnet