Kymmenet tuhannet AWS-asiakkaat käyttävät AWS-koneoppimispalveluita (ML) nopeuttaakseen ML-kehitystä täysin hallitun infrastruktuurin ja työkalujen avulla. Asiakkaat, jotka ovat kehittäneet ML-malleja tiloissa, kuten paikallisella työpöydällään, haluavat siirtää vanhat ML-mallinsa AWS-pilveen hyödyntääkseen AWS:n kattavimman valikoiman ML-palveluita, infrastruktuuria ja toteutusresursseja. .
Termi vanha koodi viittaa koodiin, joka on kehitetty ajettavaksi manuaalisesti paikallisella työpöydällä, eikä sitä ole rakennettu pilvipalvelua tukevilla SDK:illa, kuten AWS SDK Pythonille (Boto3) or Amazon SageMaker Python SDK. Toisin sanoen näitä vanhoja koodeja ei ole optimoitu pilvikäyttöön. Paras käytäntö siirtoa varten on muuttaa nämä vanhat koodit käyttämällä Amazon SageMaker -sovellusliittymä tai SageMaker Python SDK. Joissakin tapauksissa organisaatioilla, joilla on suuri määrä vanhoja malleja, ei kuitenkaan ehkä ole aikaa tai resursseja kirjoittaa kaikkia malleja uudelleen.
Tässä viestissä jaamme skaalautuvan ja helposti käyttöön otettavan lähestymistavan vanhan ML-koodin siirtämiseen AWS-pilveen päätelmiä varten Amazon Sage Maker ja AWS-vaihetoiminnot, jossa vaaditaan vähimmäismäärä koodin uudelleenkäsittelyä. Voit helposti laajentaa tätä ratkaisua lisäämään toimintoja. Osoitamme, kuinka kaksi eri persoonaa, datatieteilijä ja MLOps-insinööri, voivat tehdä yhteistyötä satojen vanhojen mallien nostamiseksi ja siirtämiseksi.
Ratkaisun yleiskatsaus
Tässä puitteissa suoritamme vanhan koodin säilössä muodossa a SageMaker-käsittely Job. SageMaker ajaa vanhaa komentosarjaa käsittelysäiliössä. Käsittelysäiliökuva voi olla joko sisäänrakennettu SageMaker-kuva tai mukautettu kuva. SageMaker hallitsee täysin käsittelytyön taustalla olevaa infrastruktuuria. Vanhaa koodia ei tarvitse muuttaa. SageMaker Processing -töiden luomisen tuntemus on kaikki mitä vaaditaan.
Oletamme, että mukana on kaksi henkilöä: datatieteilijä ja MLOps-insinööri. Tietotieteilijä on vastuussa koodin siirtämisestä SageMakeriin joko manuaalisesti tai kloonaamalla se koodivarastosta, kuten esim. AWS CodeCommit. Amazon SageMaker Studio tarjoaa integroidun kehitysympäristön (IDE) ML-elinkaaren eri vaiheiden toteuttamiseen, ja datatieteilijä käyttää sitä rakentaakseen manuaalisesti mukautetun säilön, joka sisältää tarvittavat koodiartefaktit käyttöönottoa varten. Säiliö rekisteröidään konttirekisteriin, kuten Amazonin elastisten säiliörekisteri (Amazon ECR) käyttöönottoa varten.
MLOps-insinööri ottaa omistukseensa Step Functions -työnkulun rakentamisen, jota voimme käyttää uudelleen ottamaan käyttöön tietotutkijan kehittämä mukautettu säilö asianmukaisine parametreineen. Step Functions -työnkulku voi olla niin modulaarinen kuin tarvitaan käyttötapaukseen sopivaksi, tai se voi koostua vain yhdestä vaiheesta yhden prosessin käynnistämiseksi. Minimoidaksemme koodin siirtoon tarvittavan vaivan olemme tunnistaneet kolme modulaarista komponenttia täysin toimivan käyttöönottoprosessin rakentamiseksi:
- esikäsittely
- Päättely
- Jälkikäsittelyä
Seuraava kaavio havainnollistaa ratkaisumme arkkitehtuuria ja työnkulkua.
Seuraavat vaiheet liittyvät tähän ratkaisuun:
- Tietotutkijapersoona käyttää Studioa tuomaan vanhaa koodia kloonaamalla koodivarastosta ja moduloimalla sitten koodin erillisiksi komponenteiksi, jotka seuraavat ML-elinkaarin vaiheita (esikäsittely, päättely ja jälkikäsittely).
- Datatieteilijä käyttää Studiota ja erityisesti Studio Image Build CLI SageMakerin tarjoama työkalu Docker-kuvan rakentamiseen. Tämän CLI-työkalun avulla datatieteilijä voi rakentaa kuvan suoraan Studiossa ja rekisteröi kuvan automaattisesti Amazon ECR:ään.
- MLOps-suunnittelija käyttää rekisteröityä säilön näköistiedostoa ja luo käyttöönoton tiettyä käyttötapausta varten Step Functions -toiminnon avulla. Step Functions on palvelimeton työnkulkupalvelu, joka voi ohjata SageMaker-sovellusliittymiä suoraan Amazon States Language -kielen avulla.
SageMaker-työ
Ymmärretään kuinka a SageMaker-työ juoksee. Seuraava kaavio näyttää, kuinka SageMaker pyörittää käsittelytyötä.
SageMaker ottaa skriptisi, kopioi tietosi Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ja vetää sitten käsittelysäiliön. Käsittelysäilökuva voi olla joko sisäänrakennettu SageMaker-kuva tai antamasi mukautettu kuva. SageMaker hallitsee täysin käsittelytyön taustalla olevaa infrastruktuuria. Klusteriresursseja varataan työsi ajaksi, ja ne puhdistetaan, kun työ on valmis. Käsittelytyön tulos tallennetaan määrittämääsi S3-säilöyn. Lisätietoja oman kontin rakentamisesta on kohdassa Rakenna oma käsittelysäiliö (edistynyt skenaario).
SageMaker Processing -työ määrittää käsittelykuvasi Docker-säiliön aloituspistekomentosarjan avulla. Voit myös antaa oman mukautetun aloituspisteen käyttämällä ContainerEntrypoint- ja ContainerArguments-parametreja. Sovelluksen määrittely API. Jos käytät omaa mukautettua aloituspistettä, voit käyttää sitä itsenäisenä komentosarjana lisäämättä kuvien uudelleenrakentamista.
Tätä esimerkkiä varten rakennamme mukautetun säilön ja käytämme SageMaker Processing -työtä johtopäätösten tekemiseen. Esi- ja jälkikäsittelytyöt käyttävät komentosarjatilaa valmiiksi rakennetun scikit-learn-säilön kanssa.
Edellytykset
Voit seurata tätä viestiä suorittamalla seuraavat ehdot:
- Luo Studio-verkkotunnus. Katso ohjeet kohdasta Sisääntulo Amazon SageMaker -verkkotunnukseen pika-asetuksella.
- Luo S3-ämpäri.
- Kloonaa tarjottu GitHub repo studioon.
GitHub-repo on järjestetty eri kansioihin, jotka vastaavat ML:n elinkaaren eri vaiheita, mikä helpottaa navigointia ja hallintaa:
Siirrä vanha koodi
Tässä vaiheessa toimimme tietotutkijana, joka vastaa vanhan koodin siirtämisestä.
Aloitamme avaamalla build_and_push.ipynb
muistikirja.
Muistikirjan ensimmäinen solu opastaa sinua asentamaan Studio Image Build CLI. Tämä CLI yksinkertaistaa asennusprosessia luomalla automaattisesti uudelleen käytettävän rakennusympäristön, jota voit käyttää korkean tason komentojen avulla. CLI:n avulla kuvan rakentaminen on yhtä helppoa kuin sen rakentaminen, ja tuloksena on linkki kuvasi sijaintiin Amazon ECR:ssä. Tämä lähestymistapa poistaa tarpeen hallita CLI:n ohjaamaa monimutkaista taustalla olevaa työnkulkua, mikä virtaviivaistaa kuvanrakennusprosessia.
Ennen kuin suoritamme build-komennon, on tärkeää varmistaa, että komentoa suorittavalla roolilla on tarvittavat käyttöoikeudet CLI:ssä määritetyllä tavalla. GitHub readme tai liittyvä postaus. Vaadittujen käyttöoikeuksien myöntämättä jättäminen voi johtaa virheisiin rakennusprosessin aikana.
Katso seuraava koodi:
Virtaviivaistaa vanhaa koodiasi jakamalla se kolmeen eri Python-skriptiin, jotka ovat preprocessing.py, expect.py ja postprocessing.py. Noudata parhaita ohjelmointikäytäntöjä muuntamalla koodi funktioiksi, joita kutsutaan pääfunktiosta. Varmista, että kaikki tarvittavat kirjastot on tuotu ja vaatimusten.txt-tiedosto päivitetään sisältämään mukautetut kirjastot.
Kun olet järjestänyt koodin, pakkaa se vaatimustiedoston kanssa Docker-säiliöön. Voit helposti rakentaa säilön Studiosta seuraavalla komennolla:
Oletuksena kuva työnnetään ECR-tietovarastoon nimeltä sagemakerstudio, jossa on uusin tagi. Lisäksi hyödynnetään Studio-sovelluksen suoritusroolia sekä oletusarvoista SageMaker Python SDK S3 -säilöä. Näitä asetuksia voidaan kuitenkin helposti muuttaa käyttämällä asianmukaisia CLI-asetuksia. Katso seuraava koodi:
Nyt kun kontti on rakennettu ja rekisteröity ECR-tietovarastoon, on aika sukeltaa syvemmälle siihen, kuinka voimme käyttää sitä ennustaa.py:n suorittamiseen. Näytämme myös valmiiksi rakennetun laitteen käyttöprosessin scikit opittava säilö suorittaaksesi tiedostot preprocesss.py ja postprocesss.py.
Tuota kontti
Tässä vaiheessa toimimme MLOps-insinöörinä, joka tuottaa edellisessä vaiheessa rakennetun kontin.
Käytämme askelfunktioita työnkulun järjestämiseen. Step Functions mahdollistaa poikkeuksellisen joustavuuden erilaisten palvelujen integroinnissa työnkulkuun, ja se ottaa huomioon kaikki olemassa olevat riippuvuudet, joita vanhassa järjestelmässä voi olla. Tämä lähestymistapa varmistaa, että kaikki tarvittavat komponentit integroidaan saumattomasti ja toimivat halutussa järjestyksessä, mikä johtaa tehokkaaseen ja tehokkaaseen työnkulkuratkaisuun.
Step Functions voi ohjata tiettyjä AWS-palveluita suoraan Amazon States Languagesta. Lisätietoja Step Functionsin työstä ja sen integroinnista SageMakeriin on kohdassa Hallitse SageMakeria askelfunktioilla. Käyttämällä Step Functions -integrointiominaisuutta SageMakerin kanssa suoritamme esi- ja jälkikäsittelyskriptit SageMaker Processing -työllä komentosarjatilassa ja suoritamme päättelyn SageMaker Processing -työnä käyttämällä mukautettu kontti. Teemme niin käyttämällä AWS SDK:ta Pythonille (Boto3) CreateProcessingJob API-kutsut.
esikäsittely
SageMaker tarjoaa useita vaihtoehtoja mukautetun koodin suorittamiseen. Jos sinulla on vain komentosarja ilman mukautettuja riippuvuuksia, voit suorittaa skriptin Bring Your Own Script (BYOS) -ohjelmana. Voit tehdä tämän siirtämällä komentosarjasi valmiiksi rakennettuun scikit-learn-kehyskonttiin ja suorittamalla SageMaker Processing -työn komentosarjatilassa käyttämällä ContainerArguments- ja ContainerEntrypoint-parametreja. Sovelluksen määrittely API. Tämä on suoraviivainen ja kätevä tapa suorittaa yksinkertaisia skriptejä.
Tarkista "Preprocessing Script Mode" -tilan asetukset kohdasta esimerkki Step Functions -työnkulusta ymmärtääksesi kuinka CreateProcessingJob API -kutsu määritetään suorittamaan mukautettu komentosarja.
Päättely
Voit suorittaa mukautetun säilön käyttämällä Rakenna oma käsittelysäiliö lähestyä. SageMaker Processing -työ toimii kanssa /opt/ml
paikallinen polku, ja voit määrittää ProcessingInputs ja niiden paikallisen polun määrityksessä. Käsittelytyö kopioi sitten artefaktit paikalliseen säilöön ja käynnistää työn. Kun työ on valmis, se kopioi ProcessingOutputs-tiedostojen paikallisessa polussa määritetyt artefaktit määritettyyn ulkoiseen sijaintiinsa.
Tutustu "Inference Custom Container" -tilan kokoonpanoon esimerkki Step Functions -työnkulusta ymmärtääksesi, kuinka CreateProcessingJob API -kutsu määritetään suorittamaan mukautettua säilöä.
Jälkikäsittelyä
Voit suorittaa jälkikäsittelykomentosarjan esikäsittelykomentosarjan tapaan käyttämällä Vaihefunktiot CreateProcessingJob -vaihetta. Jälkikäsittelykomentosarjan suorittamisen avulla voit suorittaa mukautettuja käsittelytehtäviä sen jälkeen, kun päättelytyö on valmis.
Luo Step Functions -työnkulku
Käytämme askelfunktioita nopeaan prototyyppien luomiseen Amazonin osavaltion kieli. Voit muokata Step Functions -määritelmää suoraan käyttämällä valtioiden kieltä. Viittaavat esimerkki Step Functions -työnkulusta.
Voit luoda uuden Step Functions -tilakoneen Step Functions -konsolissa valitsemalla Kirjoita työnkulkusi koodiin.
Step Functions voi tarkastella käyttämiäsi resursseja ja luoda roolin. Saatat kuitenkin nähdä seuraavan viestin:
"Vaihefunktiot eivät voi luoda IAM-käytäntöä, jos RoleArn for SageMaker on peräisin polusta. Koodaa SageMaker RoleArn tilakonemäärittelyssäsi tai valitse olemassa oleva rooli, jolla on oikeat oikeudet Step Functionsille kutsua SageMakeria."
Tämän ratkaisemiseksi sinun on luotava AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooli Step Functionsille. Katso ohjeet kohdasta IAM-roolin luominen tilakoneellesi. Liitä sitten seuraava IAM-käytäntö antaaksesi tarvittavat käyttöoikeudet työnkulun suorittamiseen:
Seuraava kuva havainnollistaa datan ja säilökuvien kulun Step Functions -työnkulun jokaisessa vaiheessa.
Seuraavassa on luettelo vähimmäisparametreista, jotka on aloitettava vaihefunktioissa; voit myös viitata esimerkki syöttöparametreista JSON:
- input_uri – S3-URI syöttötiedostoille
- output_uri – S3-URI tulostiedostoille
- code_uri – S3-URI komentosarjatiedostoille
- custom_image_uri – Rakentamasi mukautetun säilön säilön URI
- scikit_image_uri – Säilön URI valmiiksi rakennetulle scikit-learn-kehykselle
- rooli – Suoritusrooli työn suorittamiseksi
- instanssityyppi – Ilmentymän tyyppi, jota sinun on käytettävä säilön suorittamiseen
- volume_size – Säiliön tarvitsemasi säilytystilavuuden koko
- max_runtime – Säilön enimmäisajoaika oletusarvolla 1 tunti
Suorita työnkulku
Olemme jakaneet vanhan koodin hallittaviin osiin: esikäsittelyyn, päättelyyn ja jälkikäsittelyyn. Tukeaksemme päättelytarpeitamme rakensimme mukautetun kontin, joka oli varustettu tarvittavilla kirjastoriippuvuuksilla. Suunnitelmamme on käyttää Step Functions -toimintoja hyödyntäen sen kykyä kutsua SageMaker API:ta. Olemme näyttäneet kaksi tapaa suorittaa mukautettua koodia SageMaker API:lla: SageMaker Processing -työ, joka käyttää valmiiksi rakennettua kuvaa ja ottaa mukautetun komentosarjan ajon aikana, ja SageMaker Processing -työ, joka käyttää mukautettua säilöä, joka on pakattu tarvittavalla artefakteja mukautetun päätelmän suorittamiseksi.
Seuraava kuva näyttää Step Functions -työnkulun.
Yhteenveto
Tässä viestissä keskustelimme vanhan ML Python -koodin siirtämisestä paikallisista kehitysympäristöistä ja standardoidun MLOps-menettelyn toteuttamisesta. Tämän lähestymistavan avulla voit siirtää vaivattomasti satoja malleja ja sisällyttää haluamasi yrityksen käyttöönottokäytännöt. Esitimme kaksi eri menetelmää mukautetun koodin suorittamiseen SageMakerissa, ja voit valita tarpeisiisi parhaiten sopivan.
Jos tarvitset erittäin muokattavissa olevan ratkaisun, on suositeltavaa käyttää mukautettua säilön lähestymistapaa. Saatat pitää parempana käyttää valmiita kuvia mukautetun komentosarjan suorittamiseen, jos sinulla on peruskomentosarjat etkä tarvitse luoda mukautettua säilöä, kuten edellä mainitussa esikäsittelyvaiheessa on kuvattu. Lisäksi voit tarvittaessa käyttää tätä ratkaisua perinteisten mallien koulutus- ja arviointivaiheiden säiliöittämiseen, aivan kuten päättelyvaihe on säilytetty tässä viestissä.
Tietoja Tekijät
Bhavana Chirumamilla on AWS:n vanhempi asukasarkkitehti, jolla on vahva intohimo data- ja koneoppimistoimintoihin. Hän tuo mukanaan runsaasti kokemusta ja innostusta auttaakseen yrityksiä rakentamaan tehokkaita data- ja ML-strategioita. Vapaa-ajallaan Bhavana viettää aikaa perheensä kanssa ja osallistuu erilaisiin aktiviteetteihin, kuten matkustamiseen, vaellukseen, puutarhanhoitoon ja dokumenttien katseluun.
Shyam Namavaram on vanhempi tekoälyn (AI) ja koneoppimisen (ML) asiantuntijaratkaisujen arkkitehti Amazon Web Servicesissä (AWS). Hän työskentelee intohimoisesti asiakkaiden kanssa nopeuttaakseen heidän tekoälyn ja ML:n käyttöönottoa tarjoamalla teknistä ohjausta ja auttamalla heitä innovoimaan ja rakentamaan turvallisia pilviratkaisuja AWS:lle. Hän on erikoistunut tekoäly- ja ML-, kontti- ja analytiikkateknologioihin. Työn ulkopuolella hän rakastaa urheilemista ja luontokokemusta vaelluksen kanssa.
Qingwei Li on koneoppimisen asiantuntija Amazon Web Services -palvelussa. Hän sai tohtorin tohtorintutkimuksen jälkeen, kun hän rikkoi neuvonantajan tutkimusapurahatilin ja ei toimittanut luvattua Nobel-palkintoa. Tällä hetkellä hän auttaa finanssi- ja vakuutusalan asiakkaita rakentamaan koneoppimisratkaisuja AWS: lle. Vapaa-ajallaan hän pitää lukemisesta ja opettamisesta.
Srinivasa Shaik on ratkaisuarkkitehti AWS:ssä Bostonissa. Hän auttaa yritysasiakkaita nopeuttamaan matkaansa pilveen. Hän on intohimoinen konteista ja koneoppimistekniikoista. Vapaa-ajallaan hän viettää aikaa perheensä kanssa, ruoanlaittoa ja matkustamista.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/bring-legacy-machine-learning-code-into-amazon-sagemaker-using-aws-step-functions/
- :On
- $ YLÖS
- 1
- 10
- 100
- 214
- 8
- a
- kyky
- Meistä
- kiihdyttää
- pääsy
- Tili
- Toimia
- Toiminta
- toiminta
- lisä-
- Lisäksi
- osoite
- noudattaa
- Hyväksyminen
- kehittynyt
- Etu
- Jälkeen
- AI
- Kaikki
- mahdollistaa
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- Amazon Web Services (AWS)
- määrä
- Analytics
- ja
- api
- API
- sovelluksen
- käyttää
- lähestymistapa
- sopiva
- arkkitehtuuri
- OVAT
- keinotekoinen
- tekoäly
- Tekoäly (AI)
- AS
- At
- liittää
- automaattisesti
- saatavissa
- AWS
- AWS-koneoppiminen
- AWS-vaihetoiminnot
- perustua
- perustiedot
- BE
- alkaa
- PARAS
- boston
- tuoda
- Tuo
- Broke
- Rikki
- rakentaa
- Rakentaminen
- rakennettu
- sisäänrakennettu
- by
- soittaa
- nimeltään
- Puhelut
- CAN
- ei voi
- tapaus
- tapauksissa
- tietty
- muuttaa
- Valita
- asiakas
- pilvi
- Cluster
- koodi
- Koodit
- tehdä yhteistyötä
- KOM
- täydellinen
- monimutkainen
- osat
- kattava
- ehto
- Konfigurointi
- Console
- rakentaa
- Kontti
- Kontit
- sisältää
- ohjaus
- Mukava
- ruoanlaitto
- luoda
- luo
- Luominen
- Tällä hetkellä
- asiakassuhde
- Asiakkaat
- muokattavissa
- tiedot
- tietojen tutkija
- syvempää
- oletusarvo
- toimittaa
- osoittaa
- sijoittaa
- käyttöönotto
- on kuvattu
- pöytä-
- kehitetty
- kehittämällä
- Kehitys
- eri
- suoraan
- keskusteltiin
- selvä
- useat
- Satamatyöläinen
- Telakkakontti
- dokumentteja
- verkkotunnuksen
- Dont
- alas
- aikana
- kukin
- Aikaisemmin
- helposti
- helppo
- vaikutus
- Tehokas
- tehokas
- vaivaa
- myöskään
- eliminoi
- harjoittaa
- insinööri
- varmistaa
- varmistaa
- yritys
- yritysasiakkaat
- yrityksille
- innostus
- ympäristö
- ympäristöissä
- varustettu
- virheet
- Eetteri (ETH)
- arviointi
- esimerkki
- poikkeuksellinen
- teloitus
- olemassa
- experience
- kokevat
- laajentaa
- ulkoinen
- helpottaminen
- Epäonnistui
- perehtyneisyys
- perhe
- Kuva
- filee
- taloudellinen
- rahoituspalvelu
- Löytää
- sovittaa
- Joustavuus
- virtaus
- seurata
- jälkeen
- varten
- Puitteet
- alkaen
- täysin
- toiminto
- toiminnallinen
- toiminnallisuus
- tehtävät
- Lisäksi
- tuottaa
- GitHub
- myöntää
- ohjaus
- Oppaat
- Olla
- auttaa
- auttaa
- auttaa
- korkean tason
- erittäin
- retkeily
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- Sadat
- IAM
- tunnistettu
- Identiteetti
- kuva
- kuvien
- täytäntöönpano
- täytäntöönpanosta
- tuoda
- tärkeä
- in
- Muilla
- sisältää
- sisällyttää
- teollisuus
- Infrastruktuuri
- ensimmäinen
- aloittaa
- innovoida
- panos
- asentaa
- asentaminen
- esimerkki
- ohjeet
- vakuutus
- vakuutusala
- integroitu
- Integrointi
- integraatio
- Älykkyys
- olla vuorovaikutuksessa
- osallistuva
- osallistuminen
- IT
- SEN
- Job
- Työpaikat
- matka
- jpg
- json
- vain yksi
- Kieli
- suuri
- uusin
- OPPIA
- oppiminen
- Perintö
- kirjastot
- Kirjasto
- elinkaari
- pitää
- LINK
- Lista
- paikallinen
- sijainti
- katso
- kone
- koneoppiminen
- tärkein
- hoitaa
- onnistui
- johto
- käsin
- maksimi
- mainitsi
- viesti
- menetelmä
- menetelmät
- vaeltaa
- muutto
- minimoida
- minimi
- ML
- MLOps
- tila
- malli
- mallit
- modulaarinen
- lisää
- eniten
- liikkuvat
- nimetty
- luonto
- suunnistus
- välttämätön
- Tarve
- tarvitaan
- tarpeet
- Uusi
- Nobel palkinto
- muistikirja
- numero
- of
- Tarjoukset
- on
- ONE
- avaaminen
- toimii
- Operations
- optimoitu
- Vaihtoehdot
- orkestroinut
- organisaatioiden
- Järjestetty
- Muut
- ulostulo
- ulkopuolella
- oma
- omistus
- paketti
- parametrit
- osat
- intohimo
- intohimoinen
- polku
- suorittaa
- Oikeudet
- suunnitelma
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- politiikka
- Kirje
- harjoitusta.
- käytännöt
- ennustaa
- esitetty
- edellinen
- palkinto
- prosessi
- käsittely
- Ohjelmointi
- luvattu
- asianmukainen
- prototyyppien
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- Vetää
- tarkoituksiin
- työntää
- Python
- nopea
- nopeasti
- alue
- Lukeminen
- sai
- suositeltu
- Refaktori
- viittaa
- kirjattu
- rekisterit
- rekisterin
- säilytyspaikka
- edellyttää
- tarvitaan
- vaatimukset
- tutkimus
- resurssi
- Esittelymateriaalit
- vastuullinen
- johtua
- Saatu ja
- uudelleen käytettävä
- Rooli
- ajaa
- juoksu
- sagemaker
- skaalautuva
- skenaario
- Tiedemies
- scikit opittava
- skriptejä
- sdk
- saumattomasti
- turvallinen
- valitsemalla
- vanhempi
- erillinen
- Järjestys
- serverless
- palvelu
- Palvelut
- setti
- Setit
- settings
- setup
- useat
- Jaa:
- siirtää
- näyttää
- esitetty
- Näytä
- Yksinkertainen
- yksinkertaisesti
- single
- Koko
- So
- ratkaisu
- Ratkaisumme
- jonkin verran
- asiantuntija
- erikoistunut
- erityinen
- erityisesti
- määritelty
- menot
- pyörii
- Urheilu
- vaiheissa
- itsenäinen
- alkaa
- Osavaltio
- Lausunto
- Valtiot
- Vaihe
- Askeleet
- Levytila
- tallennettu
- suora
- strategiat
- tehostaa
- virtaviivaistaminen
- vahva
- studio
- niin
- sopiva
- puvut
- tuki
- järjestelmä
- TAG
- ottaa
- vie
- ottaen
- tehtävät
- Opetus
- Tekninen
- Technologies
- että
- -
- heidän
- Niitä
- Nämä
- tuhansia
- kolmella
- Kautta
- aika
- että
- työkalu
- työkalut
- koulutus
- siirtää
- Matkustaminen
- taustalla oleva
- ymmärtää
- päivitetty
- URI
- käyttää
- käyttölaukku
- hyödyllisyys
- käyttää
- hyödynnetty
- hyödyntää
- arvo
- eri
- versio
- tilavuus
- katsomassa
- Rikkaus
- verkko
- verkkopalvelut
- joka
- KUKA
- tulee
- with
- sisällä
- ilman
- sanoja
- Referenssit
- työnkulku
- työskentely
- toimii
- Sinun
- zephyrnet