Yksi koneoppimisprojektin (ML) toteutuksen suurimmista haasteista on käytettyjen kehitysartefaktien ja -työkalujen monimuotoisuus ja suuri määrä. Tämä sisältää koodin muistikirjoissa, moduulit tietojenkäsittelyä ja muuntamista varten, ympäristön konfigurointia, päättelyputkea ja orkestrointikoodia. Tuotantotyökuormissa kehityskehyksessäsi luotu ML-malli ei ole läheskään koskaan työn loppu, vaan se on osa suurempaa sovellusta tai työnkulkua.
Toinen haaste on eri käyttäjäroolien suorittaman ML-kehitystoiminnan monimuotoisuus. DevOps-insinööri esimerkiksi kehittää infrastruktuurikomponentteja, kuten CI/CD-automaatiota, rakentaa tuotannon päättelyputkia ja määrittää suojauksen ja verkkoyhteyden. Tietosuunnittelija on tyypillisesti keskittynyt tietojenkäsittely- ja muunnostyönkulkuihin. Tietotieteilijä tai ML-insinööri toimittaa ML-malleja ja mallinrakennus-, koulutus- ja validointiputkia.
Nämä haasteet vaativat arkkitehtuuria ja viitekehystä, jotka helpottavat huolenaiheiden erottamista antamalla jokaisen kehitysroolin toimia omassa järjestelmän osassaan ja piilottaa integroinnin, turvallisuuden ja ympäristön konfiguroinnin monimutkaisuuden.
Tämä viesti havainnollistaa, kuinka voit ottaa käyttöön modulaarisen komponenttipohjaisen arkkitehtuurin ML-sovelluksessasi ottamalla käyttöön uudelleenkäytettäviä, itsenäisiä ja johdonmukaisia komponentteja Amazon Sage Maker.
Ratkaisun yleiskatsaus
Esimerkkinä ML-työnkulusta, joka kattaa useita kehitysalueita, ehdotettu ratkaisu toteuttaa automatisoidun putkilinjan käyttötapauksen tietojen muuntamista, ominaisuuksien poimimista ja käsittelyä varten. Amazon SageMaker -ominaisuuskauppa.
Korkealla tasolla työnkulku sisältää seuraavat toiminnalliset vaiheet:
- Ylävirran tiedonkeruukomponentti lataa dataobjekteja Amazonin yksinkertainen tallennuspalvelu (Amazon S3)-kauha.
- Tietojen lataustapahtuma käynnistää tietojenkäsittely- ja muunnosprosessin.
- Tietojen muunnosprosessi poimii, käsittelee ja muuntaa ominaisuuksia ja syöttää ne määrätyksi kohteeksi ominaisuusryhmä Ominaisuuskaupassa.
Terminologia
Tässä osiossa esitellään seuraavat tärkeät käsitteet ja määritelmät.
ML-komponentti
An ML-komponentti on rakennusyksikkö, joka sisältää kaikki tarvittavat resurssit, kokoonpanot ja työnkulut tietyn ML-tehtävän suorittamiseen. Esimerkiksi ehdotettu datan muunnos- ja käsittelyputki voidaan toimittaa ML-komponenttina. ML-komponenteilla on parempi integrointikyky, joka auttaa sinua toteuttamaan toistettavia, hallittuja ja suojattuja ML-sovelluksia. ML-komponentti voi kapseloida kaiken lisäkoodin, joka tarvitaan kaikkien resurssien tietojen käyttöoikeuksien, suojausavainten, merkintöjen, nimeämisen ja lokivaatimusten määrittämiseen oikein.
ML-komponentin käyttöönottoprosessi olettaa, että erillinen DevOps- tai MLOps-tiimi suorittaa komponenttien suunnittelun, rakentamisen, testauksen ja jakelun. ML-komponenttien vastaanottajia ovat datatieteilijät, tietosuunnittelijat ja ML-insinöörit.
Tämä kehitysvastuun eriyttäminen lisää ketteryyttä, nopeuttaa markkinoilletuloa ja vähemmän manuaalista raskaiden nostoa ja parantaa ML-työnkulkujen laatua ja johdonmukaisuutta.
Amazon SageMaker -projekti
SageMaker helpottaa ML-komponenttien kehittämistä ja jakelua SageMaker-projektit.
SageMaker projekti on omavarainen kokoelma resursseja, jotka oikeutetut käyttäjät voivat toteuttaa ja käyttää. Projekti sisältää kaikki resurssit, artefaktit, lähdekoodin, orkestroinnin ja käyttöoikeudet, joita tarvitaan määritetyn ML-tehtävän tai työnkulun suorittamiseen. Esimerkiksi SageMaker tarjoaa MLOps-projektimallit automatisoida MLOps-määritykset ja -toteutukset sovelluksillesi.
Voit toteuttaa a mukautettu SageMaker-projektimalli toimittaa pakatun ML-työnkulun, joka voidaan jakaa ja tarjota palvelun kautta Amazon SageMaker Studio SDI.
Kun otat käyttöön mukautettuja uudelleenkäytettäviä komponentteja SageMaker-projektien kanssa, voit erottaa ML-komponenttien kehitys-, testaus- ja jakeluprosessin niiden käytöstä ja noudattaa MLOpsin parhaita käytäntöjä.
Tuoteportfolio
Projekti toimii yhdessä kahden muun AWS-palvelun kanssa, AWS-palveluluettelo ja AWS-pilven muodostuminen, tarjotaksesi päästä päähän, käyttäjäystävällisen integroinnin SageMaker-ympäristöösi ja Studioon. Voit yhdistää useita projekteja a salkku. SageMaker-projektia kutsutaan tuote salkun laajuudessa. Tuoteportfolio toimitetaan AWS-palvelukatalogin kautta Studioon. Voit hallita, kuka voi tarkastella ja tarjota tiettyjä tuotteita yhdistämällä käyttäjärooleja määritettyyn portfolioon.
Ratkaisuarkkitehtuuri
Ratkaisun yksityiskohtainen komponenttiarkkitehtuuri on esitetty seuraavassa kaaviossa.
Tuoteportfolio (1) määrittelee automaattisen Feature Store -tietojen käsittelytuotteen (2) sekä siihen liittyvät käyttäjäroolit, jotka saavat käyttää portfoliota ja sen sisältämiä tuotteita. CloudFormation-mallit määrittelevät sekä tuotevalikoiman (1) että tuotteen (2). CloudFormation-malli (3) sisältää kaikki resurssit, lähdekoodin, määritykset ja käyttöoikeudet, joita tarvitaan tuotteen toimittamiseen SageMaker-ympäristössäsi.
Kun AWS CloudFormation ottaa tuotteen käyttöön, se luo uuden SageMaker-projektin (4).
SageMaker-projekti toteuttaa ominaisuuksien käsittelyn työnkulun (5). Työnkulku sisältää AWS Lambda toiminto, jonka käynnistää an Amazon EventBridge sääntö joka kerta, kun uusia objekteja ladataan valvottuun S3-säihöön. Lambda-toiminto käynnistyy a SageMaker-putki (6), joka on määritelty ja toimitettu osana SageMaker-projektia. Liukulinja toteuttaa tietojen muuntamisen ja käsittelyn Feature Storessa.
Hanke sisältää myös CI/CD-automaation (7), jossa on mm AWS CodeCommit arkisto lähdekoodilla, AWS CodeBuild putkilinjan rakennuskomentosarjalla ja AWS-koodiputki ohjata SageMaker-putkilinjan rakentamista ja käyttöönottoa (6).
ML-putki
Tämä ratkaisu toteuttaa ML-liukuhihnan käyttämällä Amazon SageMaker -putkistot, ML-työnkulun luonti- ja orkestrointikehys. Putkilinja sisältää yhden vaiheen, jossa on Amazon SageMaker Data Wrangler prosessori tietojen muuntamista ja käsittelyä varten Feature Storen ominaisuusryhmäksi. Seuraavassa kaaviossa näkyy tällä ratkaisulla toteutettu tietojenkäsittelyputki.
Mainita Rakenna, viritä ja ota käyttöön kokonaisvaltainen churn-ennustusmalli Amazon SageMaker Pipelinesin avulla esimerkki SageMaker-putkilinjan rakentamisesta ja käytöstä.
Tämän viestin loppuosa opastaa mukautetun SageMaker-projektin toteuttamisessa. Keskustelemme kuinka tehdä seuraavat:
- Luo projekti resursseillasi
- Ymmärrä projektin elinkaarta
- Katso projektiresurssit
- Luo Studio-verkkotunnus ja ota käyttöön tuoteportfolio
- Työskentele projektin kanssa ja suorita tietojen muunnos- ja käsittelyputki
- GitHub-arkisto tarjoaa täydellisen lähdekoodin päästä päähän -ratkaisulle. Voit käyttää tätä koodia omille mukautetuille ML-komponenteillesi lähtökohtana, jonka voit ottaa käyttöön käyttämällä samaa viitearkkitehtuuria.
Kirjoita SageMaker-projektimalli
Mukautetun SageMaker-projektin aloittamiseksi tarvitset seuraavat resurssit, artefaktit ja AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) roolit ja käyttöoikeudet:
- CloudFormation-malli, joka määrittää AWS-palvelukatalogin salkku.
- CloudFormation-malli, joka määrittää SageMaker-projektin.
- IAM-roolit ja -oikeudet, joita tarvitaan projektikomponenttien suorittamiseen ja projektin tehtävien ja työnkulkujen suorittamiseen.
- Jos projektisi sisältää osana projektia toimitettua lähdekoodia, tämä koodi on myös toimitettava. Ratkaisu viittaa tähän lähdekoodiin nimellä siemenkoodi.
Tiedostot tässä ratkaisussa
Tämä ratkaisu sisältää kaiken mukautetun SageMaker-projektin luomiseen tarvittavan lähdekoodin. Koodivaraston rakenne on seuraava:
- cfn-templates -kansioon: Tämä kansio sisältää seuraavat:
- project-s3-fs-ingestion.yaml – CloudFormation-malli SageMaker-projektin kanssa
- sm-project-sc-portfolio.yaml – CloudFormation-malli, jossa on tuoteportfolio ja hallitut käytännöt sekä tuotteen käyttöönottoon tarvittavat käyttöoikeudet
- project-seed-code/s3-fs-ingestion-kansio – Sisältää projektin siemenkoodin, mukaan lukien SageMaker-putkilinjan määrityskoodin, CI/CD CodeBuild -projektin koontiskriptit ja Lambda-toiminnon lähdekoodin
- muistikirjakansio – Sisältää SageMaker-muistikirjat projektin kokeilua varten
Seuraavissa osissa kuvataan projektin luontiprosessin jokainen osa ja annetaan esimerkkejä lähdekoodista.
AWS-palvelukatalogivalikoima
AWS Service Catalog -portfolio toimitetaan CloudFormation-mallina, joka määrittää seuraavat resurssit:
- Portfolion määritelmä.
- Tuotteen määritelmä.
- Jokaisen tuotteen tuoteportfolion yhdistäminen.
- Portfolio kohteeseen IAM-periaate yhdistys. Tämä määrittää, mitkä IAM-periaatteet saavat ottaa käyttöön portfoliotuotteita.
- Tuotteen lanseerauksen roolirajoitus. Tämä määrittää, minkä IAM-roolin AWS CloudFormation ottaa, kun käyttäjä määrittää mallin.
Jotta projektimallisi olisi saatavilla Studiossa, sinun on lisättävä tuotteeseen seuraava tagi:
Mainita Luo mukautettuja projektimalleja saadaksesi lisätietoja mukautetuista projektimalleista.
Tämä ratkaisu sisältää esimerkki AWS-palveluluettelosta, joka sisältää yhden tuotteen.
Tuotteen CloudFormation-malli
CloudFormation-malli määrittää tuotteen. Tuotteen malli on omavarainen ja sisältää kaikki resurssit, luvat ja artefaktit, joita tarvitaan tuotteen toimivuuden toteuttamiseen.
Jotta tuote toimisi SageMaker-projektien kanssa, sinun on lisättävä seuraavat parametrit tuotemalliisi:
Tämä ratkaisu sisältää a tuotemalli joka luo useita resursseja.
Tietojen muunnos- ja käsittelyputkea varten malli luo seuraavat:
- SageMaker-putkilinjan määritelmän lähdekoodi.
- Lambda-toiminto käynnistää SageMaker-liukuhihnan aina, kun uusi objekti ladataan valvottuun S3-alueeseen.
- Lambda-toiminnon IAM-suoritusrooli.
- S3-kauha säilytettäväksi AWS CloudTrail Hirsi. Tarvitset CloudTrail-lokin, jotta voit ottaa EventBridge-ilmoituksen käyttöön valvotun ryhmän objektin asettamisesta. Käytät CloudTrail-pohjaista ilmoitusta Amazon S3 -ilmoitusten sijasta, koska et saa korvata olemassa olevaa Amazon S3 -ilmoitusta valvottavassa ryhmässä.
- CloudTrail-loki, joka on määritetty kaappaamaan
WriteOnly
tapahtumia S3-objekteissa tietyllä S3-etuliitteellä. - EventBridge-sääntö, joka käynnistää Lambda-toiminnon aina, kun uusi objekti ladataan valvottuun S3-ämpäriin. EventBridge-sääntömalli seuraa tapahtumia
PutObject
jaCompleteMultipartUpload
.
CI/CD-automaatiota varten malli luo seuraavat:
- S3-ämpäri CodePipeline-artefakttien tallentamiseen
- CodeCommit-arkisto, jossa on SageMaker-liukuhihnan määritelmä
- EventBridge-sääntö CodePipelinen käynnistämiseksi, kun CodeCommit-tietovarasto päivitetään
- CodeBuild-projekti SageMaker-putkilinjan rakentamiseksi
- CodePipeline-putkilinja SageMaker-putkilinjan rakentamisen ohjaamiseksi
IAM-roolit ja -oikeudet
SageMaker-projektin käynnistämiseksi ja käyttämiseksi tarvitset kaksi IAM-roolia:
- IAM-rooli tuotteen lanseeraamiseksi AWS-palvelukatalogista – Tämän säännön olettaa AWS Service Catalog, ja se sisältää luvan, joka tarvitaan erityisesti resurssien käyttöönottamiseksi CloudFormation-malleja käyttäen. AWS-palvelukatalogiin perustuvan lähestymistavan avulla datatieteilijät ja ML-insinöörit voivat tarjota mukautettuja ML-komponentteja ja työnkulkuja keskitetysti ilman, että jokaiselta ML-käyttäjältä vaaditaan korkean profiilin käyttöoikeuskäytäntöjä tai manuaalista ja ei-toistettavaa yksittäistä käyttöönottoprosessia.
- IAM-rooli käyttää SageMaker-projektin luomia resursseja – Näitä resursseja ovat CodePipeline-liukuhihna, SageMaker-liukuhihna ja EventBridge-sääntö. Projektin CloudFormation-malli määrittää nimenomaisesti, mikä resurssi käyttää mitäkin roolia.
Kun otat SageMaker-projektit käyttöön Studion käyttäjille, valmisteluprosessi luo kaksi IAM-roolia AWS-tilillesi: AmazonSageMakerServiceCatalogProductsLaunchRole
ja AmazonSageMakerServiceCatalogProductsUseRole
. SageMakerin toimittamat projektimallit käyttää näitä rooleja luotujen resurssien käyttöönottamiseksi ja käyttämiseksi. Voit käyttää näitä rooleja mukautetuissa SageMaker-projekteissasi tai voit luoda omia rooleja tietyillä tarpeidesi mukaisilla IAM-oikeuksilla. Varmista, että näille rooleille on annettu kaikki tarvittavat oikeudet, erityisesti S3-säilöpääsy, tehtäviensä suorittamiseen.
Mainita AWS-hallitut käytännöt SageMaker-projekteille ja JumpStartille saadaksesi lisätietoja oletusrooleista.
Jos luot ja määrität IAM-rooleja resursseille, jotka on luotu AWS Service Catalogin ja AWS CloudFormationin kautta tapahtuvan provisioinnin kautta, rooli AmazonSageMakerServiceCatalogProductsLaunchRole
on oltava iam:PassRole
lupa rooliin, jonka siirrät resurssille. Tämä ratkaisu esimerkiksi luo IAM-suoritusroolin Lambda-funktiolle. Hallittu käytäntö kohteelle AmazonSageMakerServiceCatalogProductsLaunchRole
sisältää vastaavan lupalausekkeen:
Seuraava kaavio näyttää kaikki mukana olevat IAM-roolit ja mikä palvelu tai resurssi ottaa minkä roolin.
Arkkitehtuuri sisältää seuraavat komponentit:
- SageMaker Service Catalog -tuotteiden julkaisurooli. Tämä rooli on nimeltään
iam:PassRole
SageMaker Service Catalog -tuotteiden API käyttää roolia (2) ja Lambda-suoritusroolia (4). - SageMaker Service Catalog -tuotteiden käyttörooli. Projektiresurssit ottavat tämän roolin suorittaakseen tehtävänsä.
- SageMaker-suoritusrooli. Studio-muistikirjat käyttävät tätä roolia kaikkien resurssien, mukaan lukien S3-säihöiden, käyttöön.
- Lambdan suorittajan rooli. Lambda-funktio ottaa tämän roolin.
- Lambda-toiminto resurssipolitiikka sallii EventBridgen käynnistää toiminnon.
Mainita SageMaker Studio edellyttää projektien käyttöoikeuksia saadaksesi lisätietoja Studion käyttöoikeusasetuksista projekteille.
Projektin siemenkoodi
Jos mukautettu SageMaker-projektisi käyttää CI/CD-työnkulun automatisointia tai sisältää lähdekoodipohjaisia resursseja, voit toimittaa aloituskoodin CodeCommit- tai kolmannen osapuolen Git-tietovarastona, kuten GitHub ja Bitbucket. Projektin käyttäjä omistaa koodin ja voi muokata sitä omien vaatimustensa mukaisesti.
Tämä ratkaisu toimittaa siemenkoodin, joka sisältää SageMaker-putkilinjan määritelmän. Projekti luo myös CI/CD-työnkulun SageMaker-putkilinjan rakentamiseksi. Kaikki lähdekoodivarastoon tehdyt sitoumukset käynnistävät CodePipeline-putken.
Projektin elinkaari
Projekti käy läpi erilliset elinkaarivaiheet: luot projektin, käytät sitä ja sen resursseja ja poistat projektin, kun et enää tarvitse sitä. Studio UX yhdistää päästä päähän SageMaker-projektit, mukaan lukien projektiresurssit, datalinjan ja elinkaariohjauksen.
Luo projekti
Voit valmistaa SageMaker-projektin suoraan Studio IDE:ssäsi tai sen kautta SageMaker API.
Luo uusi SageMaker-projekti Studiossa suorittamalla seuraavat vaiheet:
- On SageMaker-resurssit sivu, valitse Projektit avattavasta valikosta.
- Valita Luo hanke.
- Valita Organisaation mallit.
- Valitse malli projektille, jonka haluat valmistaa.
- Anna projektillesi nimi ja valinnainen kuvaus.
- Alle Projektimallin parametrit, anna projektikohtaiset parametrisi.
Voit myös käyttää Python SDK:ta projektin luomiseen ohjelmallisesti, kuten tässä koodinpätkässä näkyy 01-feature-store-ingest-pipeline
muistikirja:
Jokainen projekti tarjotaan AWS-palveluluettelon ja AWS CloudFormation -prosessin kautta. Koska sinulla on esimerkiksi vastaava IAM-käyttökäytäntö AWSCloudFormationReadOnlyAccess, voit tarkkailla projektin käyttöönottoa AWS CloudFormation -konsolissa. Kuten seuraavassa kuvakaappauksessa näkyy, voit selata pinon tietoja, tapahtumia, resursseja, lähtöjä, parametreja ja mallia.
Katso projektiresurssit
Kun olet luonut projektin, voit selata SageMaker-kohtaisia projektiresursseja Studio IDE:ssä.
Voit myös nähdä kaikki projektin käyttöönottoprosessin luomat resurssit AWS CloudFormation -konsolissa.
Kaikki projektin luomat resurssit merkitään automaattisesti kahdella tunnisteella: sagemaker:project-name
ja sagemaker:project-id
, mikä mahdollistaa datan ja resurssien linjan.
Voit lisätä omia tunnisteitasi projektiresursseihin esimerkiksi täyttääksesi erityiset resurssien merkintä- ja nimeämisvaatimukset.
Poista projekti
Jos et enää tarvitse provisoitua projektia, sinun on poistettava se, jotta voit lopettaa maksujen syntymisen, jotta voit puhdistaa projektin luomat resurssit.
Tätä viestiä kirjoittaessasi sinun on käytettävä SageMaker API poistaaksesi projektin. Python-esimerkkikoodi näyttää tältä:
Projektin poistaminen käynnistää myös CloudFormation-pinon poistamisen projektimallin kanssa.
Projekti voi luoda muita resursseja, kuten objekteja S3-ryhmissä, ML-malleja, ominaisuusryhmiä, päätelmäpäätepisteitä tai CloudFormation-pinoja. Näitä resursseja ei voi poistaa projektin poistamisen yhteydessä. Katso projektin dokumentaatiosta, kuinka täydellinen puhdistus suoritetaan.
Tämä ratkaisu tarjoaa a Studio muistikirja poistaaksesi kaikki projektin luomat resurssit.
Ota ratkaisu käyttöön
Jotta voit ottaa ratkaisun käyttöön, sinulla on oltava järjestelmänvalvojan (tai tehokäyttäjän) oikeudet pakata CloudFormation-mallit, ladata mallit S3-säilöisi ja suorittaa käyttöönottokomennot.
Jotta voit aloittaa ratkaisun muistikirjojen kanssa työskentelyn, luoda projektin ja suorittaa datan muunnos- ja käsittelyputken, sinun on suoritettava seuraavat käyttöönottovaiheet ratkaisun GitHub README-tiedosto:
- Kloonaa liuos GitHub repo paikalliseen kehitysympäristöösi.
- Luo Studio-verkkotunnus (ohjeet README-tiedosto).
- Ota SageMaker-projektiportfolio käyttöön (ohjeet README-tiedosto).
- Lisää mukautettuja käyttöoikeuksia AWS-palvelukatalogin käynnistys- ja SageMaker-suoritus IAM-rooleihin (ohjeet README-tiedosto).
- Käynnistä Studio ja kloonaa GitHub-arkisto SageMaker-ympäristöösi (ohjeet README-tiedosto).
Ratkaisun läpikäynti
- toimitettuja muistikirjoja opastaa sinut seuraavien ratkaisuvaiheiden läpi:
- Perustaa:
- Määritä työympäristö, luo S3-ämpäri tietojen lataamista varten, lataa ja tutki testitietojoukkoa
- Vaihtoehtoisesti voit luoda Data Wrangler -virran tietojen muuntamista ja ominaisuuksien käsittelyä varten
- Luo Feature Storessa ominaisuusryhmä, jossa ominaisuuksia säilytetään
- Pyydä tietoja ominaisuusryhmästä
- Ominaisuuskaupan tuloputki:
- Varusta SageMaker-projekti dataputkella
- Tutustu hankkeen resursseihin
- Testaa dataputkea lataamalla uutta dataa valvottuun S3-säihöön
- Suorita tietoputki pyynnöstä Python SDK:n kautta
- Pyydä tietoja ominaisuusryhmästä
- Puhdistaa:
- Poista projekti ja sen resurssit
- Poista ominaisuusryhmä
- Poista projektikohtaiset S3-ryhmät ja S3-objektit
Puhdistaa
Maksujen välttämiseksi sinun on poistettava kaikki projektin tarjoamat ja luodut resurssit AWS-tililtäsi.
Noudata ratkaisun ohjeita README-tiedosto.
Kehotus toimia
Tässä viestissä opit luomaan ML-komponentteja modulaariselle arkkitehtuurillesi SageMaker-projektien avulla. SageMaker-projektit tarjoavat kätevän ja AWS-alkuperäisen tavan pakata ja toimittaa uudelleenkäytettäviä yksiköitä ML-työnkulkujen toteuttamiseksi. SageMaker-projektien integroiminen SageMaker Pipelinesin ja CI/CD CodePipeline -automaation kanssa antaa sinulle tehokkaat työkalut MLOpsin parhaiden käytäntöjen noudattamiseen ja kehitystyösi nopeuden ja laadun parantamiseen.
ML-työnkulkusi ja putkilinjasi voivat hyötyä siitä, että ne kapseloidaan uudelleen käytettäväksi ja parametroitavaksi komponentiksi. Nyt voit toteuttaa tämän komponentin kuvatulla tavalla SageMaker-projektien kanssa.
Lisäviitteet
Lisää käytännön esimerkkejä SageMaker-projektien ja -putkien käyttämisestä eri käyttötapauksissa on seuraavissa resursseissa:
kirjailijasta
Jevgeniy Ilyin on AWS: n ratkaisuarkkitehti. Hänellä on yli 20 vuoden kokemus työskentelystä kaikilla ohjelmistokehityksen ja ratkaisuarkkitehtuurin tasoilla ja hän on käyttänyt ohjelmointikieliä COBOLista ja Assembleristä .NET: ään, Java: iin ja Pythoniin. Hän kehittää ja koodaa pilvipohjaisia ratkaisuja keskittyen isoihin tietoihin, analytiikkaan ja tietotekniikkaan.
- '
- 7
- 9
- pääsy
- Tili
- Toiminta
- toiminta
- Kaikki
- Salliminen
- Amazon
- Amazon Sage Maker
- Analytics
- api
- Hakemus
- sovellukset
- arkkitehtuuri
- Automatisoitu
- Automaatio
- AWS
- PARAS
- parhaat käytännöt
- Big Data
- rakentaa
- Rakentaminen
- soittaa
- tapauksissa
- haaste
- maksut
- pilvi
- pilvi kotoisin
- koodi
- komponentti
- rakentaminen
- tiedot
- tietojen käyttö
- tietojenkäsittely
- tietojen tutkija
- Kysyntä
- Malli
- Kehitys
- DevOps
- verkkotunnuksia
- työllisyys
- insinööri
- Tekniikka
- Engineers
- ympäristö
- tapahtuma
- Tapahtumat
- teloitus
- experience
- kokeilu
- uuttaminen
- otteet
- Ominaisuus
- Ominaisuudet
- virtaus
- Keskittää
- seurata
- Puitteet
- Täyttää
- koko
- toiminto
- mennä
- GitHub
- Ryhmä
- Piilottaa
- Korkea
- Miten
- Miten
- HTTPS
- IAM
- Identiteetti
- Mukaan lukien
- Kasvaa
- tiedot
- Infrastruktuuri
- integraatio
- osallistuva
- IT
- Jaava
- avain
- avaimet
- kielet
- käynnistää
- käynnistää
- oppinut
- oppiminen
- Taso
- paikallinen
- koneoppiminen
- markkinat
- ML
- MLOps
- malli
- modulaarinen
- netto
- verkostoituminen
- kannettavat tietokoneet
- ilmoituksen
- kampanja
- Muut
- Kuvio
- politiikkaa
- politiikka
- salkku
- teho
- ennustus
- Tuotteet
- tuotanto
- Tuotteemme
- Ohjelmointi
- ohjelmointikielet
- projekti
- hankkeet
- Python
- laatu
- vaatimukset
- resurssi
- Esittelymateriaalit
- REST
- tulokset
- ajaa
- sagemaker
- tutkijat
- sdk
- turvallisuus
- siemenet
- Palvelut
- setti
- Yksinkertainen
- Tuotteemme
- ohjelmistokehitys
- Ratkaisumme
- nopeus
- Alkaa
- alkoi
- Lausunto
- Levytila
- verkkokaupasta
- järjestelmä
- testi
- Testaus
- Lähde
- aika
- koulutus
- Muutos
- Käyttäjät
- ux
- arvo
- Näytä
- KUKA
- sisällä
- Referenssit
- työnkulku
- työnkulun automaatio
- toimii
- kirjoittaminen
- vuotta