Ի՞նչ է արհեստական ​​բանականությունը ամպային հաշվարկներում։

Կարճ պատասխան. ամպային հաշվարկներում արհեստական ​​բանականությունը վերաբերում է ամպային հարթակների օգտագործմանը՝ տվյալներ պահելու, հաշվարկներ վարձակալելու, մոդելները մարզելու, դրանք որպես ծառայություններ տեղակայելու և արտադրության մեջ դրանք վերահսկելու համար: Դա կարևոր է, քանի որ ձախողումների մեծ մասը կենտրոնանում է տվյալների, տեղակայման և գործողությունների շուրջ, այլ ոչ թե մաթեմատիկայի: Եթե ձեզ անհրաժեշտ է արագ մասշտաբավորում կամ կրկնվող թողարկումներ, ամպ + MLOps-ը գործնական ուղին է:

Հիմնական եզրակացություններ՝

Կյանքի ցիկլ՝ հողային տվյալներ, գործառույթների կառուցում, մարզում, տեղակայում, ապա շեղման, լատենտության և ծախսերի մոնիթորինգ։

Կառավարում. սկզբից ներկառուցեք մուտքի վերահսկման համակարգեր, աուդիտի գրանցամատյաններ և միջավայրի տարանջատում:

Վերարտադրելիություն. գրանցեք տվյալների տարբերակները, կոդը, պարամետրերը և միջավայրերը, որպեսզի գործարկումները մնան կրկնելի։

Ծախսերի վերահսկում. օգտագործեք խմբաքանակային, քեշավորման, ավտոմատ մասշտաբավորման սահմանափակումներ և տեղում/նախապես հասանելի ուսուցում՝ հաշիվների ցնցումներից խուսափելու համար։

Տեղակայման ձևեր. Ընտրեք կառավարվող հարթակներ, Lakehouse աշխատանքային հոսքեր, Kubernetes կամ RAG՝ թիմային իրականության հիման վրա։

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո

🔗 Արհեստական ​​բանականության ամպային բիզնեսի կառավարման լավագույն գործիքները
Համեմատեք առաջատար ամպային հարթակները, որոնք արդյունավետ են դարձնում գործողությունները, ֆինանսները և թիմերը։.

🔗 Մեծածավալ գեներատիվ արհեստական ​​բանականության համար անհրաժեշտ տեխնոլոգիաներ
GenAI-ի տեղակայման համար անհրաժեշտ հիմնական ենթակառուցվածքները, տվյալները և կառավարումը։.

🔗 Անվճար արհեստական ​​բանականության գործիքներ տվյալների վերլուծության համար
Լավագույն անվճար արհեստական ​​բանականության լուծումներ՝ տվյալների բազմությունները մաքրելու, մոդելավորելու և վիզուալիզացնելու համար։.

🔗 Ի՞նչ է արհեստական ​​բանականությունը որպես ծառայություն։
Բացատրում է AIaaS-ը, առավելությունները, գնագոյացման մոդելները և բիզնեսում օգտագործման տարածված դեպքերը։.

---

Արհեստական ​​բանականությունը ամպային հաշվարկներում. պարզ սահմանում 🧠☁️

Ըստ էության, ամպային հաշվարկներում արհեստական ​​բանականությունը նշանակում է ամպային հարթակների օգտագործում՝ հետևյալին մուտք գործելու համար.

• Հաշվարկային հզորություն (պրոցեսորներ, գրաֆիկական պրոցեսորներ, TPU-ներ) Google Cloud: Գրաֆիկական պրոցեսորներ արհեստական ​​բանականության համար, Cloud TPU փաստաթղթեր

• Պահեստավորում (տվյալների լճեր, պահեստներ, օբյեկտների պահեստավորում) AWS: Ի՞նչ է տվյալների լիճը: AWS: Ի՞նչ է տվյալների պահեստը: Amazon S3 (օբյեկտների պահեստավորում)

• Արհեստական ​​բանականության ծառայություններ (մոդելների ուսուցում, տեղակայում, տեսողության, խոսքի, NLP-ի API-ներ) AWS AI ծառայություններ Google Cloud AI API-ներ

• MLOps գործիքակազմ (խողովակաշարեր, մոնիթորինգ, մոդելների գրանցամատյան, CI-CD ML-ի համար) Google Cloud. Ի՞նչ է MLOps-ը: Vertex AI մոդելների գրանցամատյան

Թանկարժեք սարքավորումներ գնելու փոխարեն, դուք վարձակալում եք այն, ինչ ձեզ անհրաժեշտ է, երբ դրա կարիքն ունեք՝ NIST SP 800-145: Ինչպես մարզասրահ վարձել մեկ ինտենսիվ մարզման համար, այլ ոչ թե ավտոտնակում մարզասրահ կառուցել և հետո այլևս երբեք չօգտագործել վազքուղին: Սա պատահում է մեզանից լավագույնների հետ 😬

Պարզ ասած՝ դա արհեստական ​​բանականությունն է, որը մասշտաբավորվում, մատակարարվում, թարմացվում և գործում է NIST SP 800-145։

---

Ինչու են արհեստական ​​բանականությունը + ամպը այդքան կարևոր 🚀

Անկեղծ լինենք. արհեստական ​​բանականության նախագծերի մեծ մասը չի ձախողվում մաթեմատիկական դժվարությունների պատճառով։ Դրանք ձախողվում են, քանի որ «մոդելի շուրջը եղած բաները» խճճվում են։

• տվյալները ցրված են

• միջավայրերը չեն համընկնում

• մոդելը աշխատում է ինչ-որ մեկի նոութբուքի վրա, բայց ոչ մի այլ տեղ

• տեղակայումը դիտարկվում է որպես երկրորդական միտք

• Անվտանգությունն ու համապատասխանությունը ուշանում են՝ ինչպես անկոչ զարմիկը 😵

Ամպային հարթակները օգնում են, քանի որ դրանք առաջարկում են

1) Էլաստիկ կշեռք 📈

Կարճ ժամանակով մարզեք մոդելը մեծ կլաստերի վրա, ապա անջատեք այն NIST SP 800-145։

2) Ավելի արագ փորձարկումներ ⚡

Արագ գործարկեք կառավարվող նոութբուքերը, նախապես կառուցված խողովակաշարերը և գրաֆիկական պրոցեսորների օրինակները Google Cloud: Գրաֆիկական պրոցեսորներ արհեստական ​​բանականության համար։

3) Ավելի հեշտ տեղակայում 🌍

Տեղակայեք մոդելները որպես API-ներ, խմբաքանակային աշխատանքներ կամ ներդրված ծառայություններ: Red Hat. Ի՞նչ է REST API-ը: SageMaker խմբաքանակային փոխակերպում:

4) Ինտեգրված տվյալների էկոհամակարգեր 🧺

Ձեր տվյալների խողովակաշարերը, պահեստները և վերլուծությունները հաճախ արդեն իսկ գտնվում են ամպում AWS: Տվյալների պահեստ vs տվյալների լճակ։

5) Համագործակցություն և կառավարում 🧩

Թույլտվությունները, աուդիտի գրանցամատյանները, տարբերակների կառավարումը և համատեղ օգտագործվող գործիքակազմը ներառված են (երբեմն ցավոտ, բայց միևնույն է) Azure ML գրանցամատյաններում (MLOps):

---

Ինչպես է արհեստական ​​բանականությունը գործում ամպային հաշվարկներում գործնականում (իրական հոսքը) 🔁

Ահա կյանքի ընդհանուր ցիկլը։ Ոչ թե «կատարյալ դիագրամի» տարբերակը… այլ իրական կյանքում առկա տարբերակը։.

Քայլ 1. Տվյալները հայտնվում են ամպային պահեստում 🪣

Օրինակներ՝ օբյեկտների պահեստավորման դույլեր, տվյալների լճեր, ամպային տվյալների բազաներ Amazon S3 (օբյեկտների պահեստավորում) AWS: Ի՞նչ է տվյալների լճակը: Google Cloud Storage-ի ակնարկ:

Քայլ 2. Տվյալների մշակում + հատկանիշների ստեղծում 🍳

Դուք մաքրում եք այն, վերափոխում այն, ստեղծում եք գործառույթներ, գուցե հեռարձակում եք այն։.

Քայլ 3. Մոդելային մարզում 🏋️

Դուք օգտագործում եք ամպային հաշվարկներ (հաճախ գրաֆիկական պրոցեսորներ) ՝ Google Cloud-ը արհեստական ​​բանականության համար մարզելու համար ։

• դասական մեքենայական ուսուցման մոդելներ

• խորը ուսուցման մոդելներ

• հիմքի մոդելի նուրբ կարգավորումներ

• վերականգնման համակարգեր (RAG ոճի կարգավորումներ) Վերականգնման-ընդլայնված սերնդի (RAG) հոդված

Քայլ 4. Տեղակայում 🚢

Մոդելները փաթեթավորվում և մատուցվում են հետևյալ կերպ՝

• REST API-ներ Red Hat: Ի՞նչ է REST API-ը:

• SageMaker Serverless Inference-ի սերվերազուրկ վերջնակետեր

• Kubernetes կոնտեյներներ Kubernetes: Հորիզոնական Pod ավտոմատ մասշտաբավորում

• խմբաքանակի եզրակացության խողովակաշարեր SageMaker խմբաքանակի վերափոխում Vertex AI խմբաքանակի կանխատեսումներ

Քայլ 5. Մոնիթորինգ + թարմացումներ 👀

Հետք՝

• լատենտություն

• ճշգրտության շեղում SageMaker մոդելի մոնիտորի

• տվյալների շեղում Vertex AI մոդելի մոնիթորինգ

• մեկ կանխատեսման արժեքը

• եզրային դեպքեր, որոնք ստիպում են շշնջալ. «Սա չպետք է հնարավոր լինի…» 😭

Ահա թե ինչ է շարժիչը։ Ահա՛ արհեստական ​​բանականությունը ամպային հաշվարկներում շարժման մեջ, ոչ թե պարզապես որպես սահմանում։.

---

Ի՞նչն է դարձնում արհեստական ​​բանականության լավ տարբերակը ամպային հաշվարկներում։ ✅☁️🤖

Եթե ​​ուզում եք «լավ» իրականացում (ոչ թե պարզապես աչքի ընկնող ցուցադրություն), կենտրոնացեք հետևյալի վրա՝

Ա) Մտահոգությունների հստակ տարանջատում 🧱

• տվյալների շերտ (պահեստավորում, կառավարում)

• մարզման շերտ (փորձեր, խողովակաշարեր)

• սպասարկման շերտ (API-ներ, մասշտաբավորում)

• մոնիթորինգի շերտ (մետրիկա, գրանցամատյաններ, ահազանգեր) SageMaker մոդելի մոնիթոր

Երբ ամեն ինչ խառնվում է իրար, վրիպազերծումը վերածվում է հուզական վնասվածքի։.

Բ) Վերարտադրելիություն ըստ լռելյայնի 🧪

Լավ համակարգը թույլ է տալիս առանց ձեռքով թափահարելու ասել

• այս մոդելը մարզած տվյալները

• կոդի տարբերակը

• հիպերպարամետրերը

• շրջակա միջավայրը

Եթե ​​պատասխանն է՝ «ըհ, կարծում եմ՝ երեքշաբթի օրվա վազքն էր…», ապա արդեն իսկ դժվարության մեջ եք 😅

Գ) Արժեքը հաշվի առնող դիզայն 💸

Ամպային արհեստական ​​բանականությունը հզոր է, բայց այն նաև ամենահեշտ ձևն է պատահաբար այնպիսի հաշիվ ստեղծելու, որը ստիպում է ձեզ կասկածի տակ դնել ձեր կյանքի ընտրությունները։.

Լավ կարգավորումները ներառում են

• ավտոմատ մասշտաբավորում Kubernetes: Հորիզոնական Pod ավտոմատ մասշտաբավորում

• օրինակի ժամանակացույց

• հնարավորության դեպքում՝ տեղում նախնական տարբերակով տարբերակներ, Amazon EC2 Spot օրինակներ, Google Cloud նախնական տարբերակով վիրտուալ մեքենաներ

• քեշավորման և խմբաքանակային եզրակացության խմբաքանակային փոխակերպում

Դ) Անվտանգություն և համապատասխանություն ներդրված 🔐-ում

Ավելի ուշ չի ամրացվել պտուտակներով, ինչպես կպչուն ժապավենը արտահոսող խողովակի վրա։.

Ե) Իրական ուղի նախատիպից մինչև արտադրություն 🛣️

Սա է ամենակարևորը։ Արհեստական ​​բանականության լավ «տարբերակը» ամպում ներառում է MLOps, տեղակայման ձևեր և մոնիթորինգ սկզբից ։ Google Cloud. Ի՞նչ է MLOps-ը։ Հակառակ դեպքում, դա գիտական ​​տոնավաճառի նախագիծ է՝ շքեղ հաշիվ-ապրանքագրով։

---

Համեմատական ​​աղյուսակ. ամպում արհեստական ​​բանականության հանրաճանաչ տարբերակներ (և ում համար են դրանք նախատեսված) 🧰📊

Ստորև բերված է արագ, մի փոքր կարծիքային աղյուսակ։ Գները միտումնավոր ընդհանուր են, քանի որ ամպային գնագոյացումը նման է սուրճ պատվիրելուն. հիմնական գինը երբեք գին չէ 😵💫

Գործիք / Հարթակ	Լսարան	Գինու չափ	Ինչու է այն աշխատում (ներառյալ տարօրինակ նշումները)
AWS SageMaker	ML թիմեր, ձեռնարկություններ	Վճարեք ըստ օգտագործման	Լիարժեք ML հարթակ՝ ուսուցում, վերջնակետեր, խողովակաշարեր։ Հզոր է, բայց ամենուրեք մենյուներ կան։.
Google Vertex արհեստական ​​բանականություն	ML թիմեր, տվյալագիտության կազմակերպություններ	Վճարեք ըստ օգտագործման	Հզոր կառավարվող ուսուցում + մոդելների գրանցամատյան + ինտեգրացիաներ։ Աշխատում է սահուն, երբ սեղմում ես։.
Azure մեքենայական ուսուցում	Ձեռնարկություններ, MS-կենտրոն կազմակերպություններ	Վճարեք ըստ օգտագործման	Լավ է աշխատում Azure էկոհամակարգի հետ։ Լավ կառավարման տարբերակներ, բազմաթիվ կոճակներ։.
Databricks (ML + Lakehouse)	Տվյալների ճարտարագիտության ծանր թիմեր	Բաժանորդագրություն + օգտագործում	Հիանալի է տվյալների փոխանցման խողովակաշարերի և մեքենայական ուսուցման համատեղման համար մեկ տեղում: Հաճախ սիրված է գործնական թիմերի կողմից:.
Snowflake AI-ի առանձնահատկությունները	Վերլուծական առաջին պլանի կազմակերպություններ	Օգտագործման վրա հիմնված	Լավ է, երբ քո աշխարհն արդեն պահեստում է։ Ավելի քիչ «մեքենայական լաբորատորիա», ավելի շատ «SQL-ի նման արհեստական ​​բանականություն»։
IBM Watsonx	Կարգավորվող ոլորտներ	Ձեռնարկությունների գնագոյացում	Կառավարումը և ձեռնարկության վերահսկողությունը մեծ ուշադրության կենտրոնում են։ Հաճախ ընտրվում է քաղաքականության վրա կենտրոնացած կառուցվածքների համար։.
Կառավարվող Kubernetes (DIY ML)	Հարթակի ինժեներներ	Փոփոխական	Ճկուն և անհատական։ Բացի այդ… դուք եք կրում ցավը, երբ այն կոտրվում է 🙃
Սերվերային եզրակացություն (ֆունկցիաներ + վերջնակետեր)	Արտադրանքի թիմեր	Օգտագործման վրա հիմնված	Հիանալի է սուր երթևեկության համար։ Դիտեք սառը մեկնարկները և ուշացումը ինչպես բազեն։.

Խոսքը «լավագույնին» ընտրելու մասին չէ, այլ ձեր թիմի իրականությանը համապատասխանելու մասին է։ Սա է գաղտնի գաղտնիքը։.

---

Արհեստական ​​բանականության օգտագործման տարածված դեպքեր ամպային հաշվարկներում (օրինակներով) 🧩✨

Ահա թե որտեղ են ամպային արհեստական ​​բանականության կարգավորումները գերազանցում

1) Հաճախորդների սպասարկման ավտոմատացում 💬

• զրուցարանի օգնականներ

• տոմսերի երթուղի

• ամփոփում

• տրամադրության և մտադրության հայտնաբերման Cloud Natural Language API

2) Խորհուրդների համակարգեր 🛒

• ապրանքի առաջարկներ

• բովանդակության հոսքեր

• «մարդիկ նույնպես գնել են»։
  Սրանք հաճախ կարիք ունեն մասշտաբային եզրակացության և գրեթե իրական ժամանակում թարմացումների։

3) Խարդախության հայտնաբերում և ռիսկի գնահատում 🕵️

Ամպային տեխնոլոգիաները հեշտացնում են պայթյունների կառավարումը, իրադարձությունների հոսքային հեռարձակումը և համույթների գործարկումը։.

4) Փաստաթղթերի հետախուզություն 📄

• OCR խողովակաշարեր

• էության արդյունահանում

• պայմանագրի վերլուծություն

• Հաշիվ-ապրանքագրի վերլուծություն Snowflake Cortex AI ֆունկցիաներ։
  Շատ կազմակերպություններում ժամանակը աննկատելիորեն հետ է վերադարձվում։

5) Կանխատեսում և հմտության վրա հիմնված օպտիմալացում 📦

Պահանջարկի կանխատեսում, գույքագրման պլանավորում, երթուղու օպտիմալացում: Ամպային տեխնոլոգիաները օգնում են, քանի որ տվյալները մեծ են, և վերապատրաստումը հաճախակի է:.

6) Գեներատիվ արհեստական ​​բանականության հավելվածներ 🪄

• բովանդակության նախագծում

• կոդի օգնություն

• ներքին գիտելիքների բոտեր (RAG)

• Սինթետիկ տվյալների ստեղծման վերաբերյալ լրացված սերնդի (RAG) հոդված։
  Սա հաճախ այն պահն է, երբ ընկերությունները վերջապես ասում են. «Մենք պետք է իմանանք, թե որտեղ են գործում մեր տվյալների մուտքի կանոնները»։ 😬

---

Ճարտարապետական ​​​​նմուշներ, որոնք կտեսնեք ամենուրեք 🏗️

Օրինակ 1. Կառավարվող մեքենայական ուսուցման հարթակ («մենք ուզում ենք ավելի քիչ գլխացավեր» ուղին) 😌

• վերբեռնման տվյալներ

• վերապատրաստվել կառավարվող աշխատատեղերով

• տեղակայել կառավարվող վերջնակետերում

• մոնիթորինգ հարթակի վահանակներում SageMaker մոդելի մոնիթորինգ Vertex AI մոդելի մոնիթորինգ

Լավ է աշխատում, երբ արագությունը կարևոր է, և դուք չեք ցանկանում ներքին գործիքակազմը զրոյից կառուցել։.

Նմուշ 2՝ Lakehouse + ML («տվյալներն առաջին հերթին» երթուղի) 🏞️

• միավորել տվյալների ճարտարագիտությունը + մեքենայական ուսուցման աշխատանքային հոսքերը

• տվյալների մոտ աշխատեցնել նոթատետրեր, խողովակաշարեր, առանձնահատկությունների ինժեներիա

• ուժեղ է այն կազմակերպությունների համար, որոնք արդեն իսկ գործում են մեծ վերլուծական համակարգերում Databricks Lakehouse

Նմուշ 3. Կոնտեյներացված ML Kubernetes-ի վրա («մենք ուզում ենք վերահսկողություն» ուղին) 🎛️

• փաթեթավորման մոդելներ տարաների մեջ

• մասշտաբավորում ավտոմատ մասշտաբավորման քաղաքականություններով Kubernetes: Հորիզոնական Pod ավտոմատ մասշտաբավորում

• ինտեգրել ծառայությունների ցանցը, դիտարկելիությունը, գաղտնիքների կառավարումը

Հայտնի է նաև որպես՝ «Մենք վստահ ենք, և նաև մեզ դուր է գալիս սխալների հայտնաբերումը տարօրինակ ժամերին»։

Նմուշ 4: RAG (Retrieval-Augmented Generation) («օգտագործեք ձեր գիտելիքները» ուղի) 📚🤝

• փաստաթղթեր ամպային պահեստում

• ներդրված ֆայլեր + վեկտորային պահեստ

• վերականգնման շերտը համատեքստ է մատակարարում մոդելին

• պաշտպանիչ ցանկապատեր + մուտքի հսկողություն + գրանցման վերականգնում-ընդլայնված սերնդի (RAG) թուղթ

Սա ժամանակակից ամպային արհեստական ​​բանականության մասին զրույցների կարևոր մասն է կազմում, քանի որ դա վերաբերում է նրան, թե քանի իրական բիզնես է անվտանգ կերպով օգտագործում գեներատիվ արհեստական ​​բանականությունը։.

---

MLOps. Մաս, որը բոլորը թերագնահատում են 🧯

Եթե ​​ուզում եք, որ ամպային արհեստական ​​ինտելեկտը արդյունավետ լինի արտադրության մեջ, ապա ձեզ անհրաժեշտ են MLO-ներ։ Ոչ թե որովհետև այն նորաձև է, այլ որովհետև մոդելները տատանվում են, տվյալները փոխվում են, և օգտատերերը ստեղծագործում են ամենավատ ձևով։ Google Cloud. Ի՞նչ են MLO-ները։

Հիմնական մասեր՝

• Փորձի հետևում. ինչն աշխատեց, ինչը՝ ոչ MLflow հետևում

• Մոդելների գրանցամատյան. հաստատված մոդելներ, տարբերակներ, մետատվյալներ MLflow մոդելի գրանցամատյան Vertex AI մոդելի գրանցամատյան

• CI-CD մեքենայական ուսուցման համար . Google Cloud MLOps-ի թեստավորում + տեղակայման ավտոմատացում (CD և ավտոմատացում)

• Հատկանիշների խանութ . SageMaker Feature Store-ի մարզումների և եզրակացությունների միջև հետևողական հատկանիշներ

• Մոնիթորինգ՝ կատարողականի շեղում, կողմնակալության ազդանշաններ, լատենտություն, ծախս SageMaker մոդելի մոնիթորինգ Vertex AI մոդելի մոնիթորինգ

• Հետադարձման ռազմավարություն. այո, ինչպես սովորական ծրագրակազմը

Եթե ​​անտեսեք սա, կստացվի «մոդելային կենդանաբանական այգի» 🦓, որտեղ ամեն ինչ կենդանի է, ոչինչ պիտակավորված չէ, և դուք վախենում եք բացել դարպասը։.

---

Անվտանգություն, գաղտնիություն և համապատասխանություն (ոչ թե զվարճալի մասը, բայց… այո) 🔐😅

Ամպային հաշվարկներում արհեստական ​​բանականությունը մի քանի սուր հարցեր է առաջացնում

Տվյալների մուտքի վերահսկում 🧾

Ո՞վ կարող է մուտք գործել մարզման տվյալներին։ Եզրակացությունների գրանցամատյաններ։ Հուշումներ։ Արդյունքներ։

Գաղտնագրում և գաղտնիքներ 🗝️

Բանալիները, տոկենները և հավատարմագրերը պետք է պատշաճ կերպով մշակվեն: «Կարգավորման ֆայլում» արտահայտությունը մշակում չի համարվում:.

Մեկուսացում և վարձակալություն 🧱

Որոշ կազմակերպությունների անհրաժեշտ են առանձին միջավայրեր մշակողների, բեմադրողների և արտադրողների համար: Ամպային տեխնոլոգիաները օգնում են, բայց միայն այն դեպքում, եթե այն ճիշտ կարգավորեք:.

Աուդիտորականություն 📋

Կարգավորվող կազմակերպությունները հաճախ պետք է ցույց տան

• ինչ տվյալներ են օգտագործվել

• ինչպես են որոշումները կայացվել

• ով ինչ է տեղակայել

• երբ այն փոխեց IBM-ի watsonx.governance-ը

Մոդելի ռիսկերի կառավարում ⚠️

Սա ներառում է

• կողմնակալության ստուգումներ

• հակառակորդական փորձարկում

• արագ ներարկման պաշտպանություն (գեներատիվ արհեստական ​​բանականության համար)

• անվտանգ ելքային ֆիլտրացում

Այս ամենը վերադառնում է թեմային. խոսքը միայն «առցանց հոսթինգ ունեցող արհեստական ​​բանականության» մասին չէ։ Խոսքը իրական սահմանափակումների ներքո գործող արհեստական ​​բանականության մասին է։.

---

Արժեքի և արդյունավետության խորհուրդներ (որպեսզի հետո լաց չլինեք) 💸😵💫

Մի քանի մարտական ​​փորձություն անցած խորհուրդներ

• Օգտագործեք ամենափոքր մոդելը, որը բավարարում է կարիքը
  ։ Մեծը միշտ չէ, որ ավելի լավ է։ Երբեմն այն պարզապես… ավելի մեծ է։

• Խմբաքանակի եզրակացություն, երբ հնարավոր է։
  Ավելի էժան և արդյունավետ SageMaker խմբաքանակի փոխակերպում։

• Ագրեսիվ քեշավորում,
  հատկապես կրկնվող հարցումների և ներկառուցված ֆայլերի համար։

• Ավտոմատ մասշտաբավորում, բայց սահմանափակել այն։
  Անսահմանափակ մասշտաբավորումը կարող է նշանակել անսահմանափակ ծախսեր։ Kubernetes: Հորիզոնական Pod ավտոմատ մասշտաբավորում։ Հարցրեք ինձ, թե ինչպես գիտեմ… իրականում՝ մի՛ 😬

• Հետևեք յուրաքանչյուր վերջնակետի և յուրաքանչյուր գործառույթի արժեքին։
  Հակառակ դեպքում դուք սխալ բան կօպտիմալացնեք։

• Օգտագործեք տեղում նախապես հաշվարկվող հաշվարկը ուսուցման համար։
  Մեծ խնայողություններ, եթե ձեր ուսումնական աշխատանքները կարող են հաղթահարել ընդհատումները։ Amazon EC2 Spot Instances, Google Cloud Preemptible VMs։

---

Սխալներ, որոնք մարդիկ թույլ են տալիս (նույնիսկ խելացի թիմերը) 🤦♂️

• Ամպային արհեստական ​​բանականությանը վերաբերվելը որպես «պարզապես միացրեք մոդելը»

• Տվյալների որակը անտեսելը մինչև վերջին րոպեն

• Մոդելի առաքում առանց SageMaker մոդելի մոնիթորինգի

• Չեմ պլանավորում վերապատրաստել կադենսը Google Cloud-ում. Ի՞նչ է MLOps-ը։

• Մոռանալով, որ անվտանգության թիմերը գոյություն ունեն մինչև մեկնարկի շաբաթը 😬

• Առաջին օրվանից չափազանց շատ ինժեներական աշխատանք (երբեմն պարզ բազային գիծը հաղթում է)

Նաև՝ մի քիչ դաժան օրինակ. թիմերը թերագնահատում են, թե որքանով են օգտատերերը արհամարհում լատենտությունը։ Հաճախ հաղթում է մի փոքր պակաս ճշգրիտ, բայց արագ մոդելը։ Մարդիկ անհամբեր փոքրիկ հրաշքներ են։.

---

Հիմնական եզրակացություններ 🧾✅

Ամպային հաշվարկներում արհեստական ​​բանականությունը արհեստական ​​բանականության կառուցման և գործարկման ամբողջական պրակտիկան է՝ օգտագործելով ամպային ենթակառուցվածքներ՝ մասշտաբավորելով ուսուցումը, պարզեցնելով տեղակայումը, ինտեգրելով տվյալների խողովակաշարերը և գործարկելով մոդելները MLOps-ի, անվտանգության և կառավարման միջոցով: Google Cloud. Ի՞նչ է MLOps-ը: NIST SP 800-145:

Հակիրճ ամփոփում

• Ամպը արհեստական ​​բանականությանը տրամադրում է մասշտաբավորման և առաքման ենթակառուցվածք 🚀 NIST SP 800-145

• Արհեստական ​​բանականությունը ամպային աշխատանքային բեռներին տալիս է «ուղեղներ», որոնք ավտոմատացնում են որոշումները 🤖

• Կախարդանքը միայն մարզումը չէ՝ դա տեղակայումն է, մոնիթորինգը և կառավարումը 🧠🔐 SageMaker մոդելի մոնիթոր

• Ընտրեք հարթակներ՝ հիմնվելով թիմի կարիքների, այլ ոչ թե մարքեթինգային մշուշի վրա 📌

• Դիտեք ծախսերը և գործողությունները ինչպես ակնոց կրող բազեն 🦅👓 (վատ փոխաբերություն, բայց հասկացաք)

Եթե ​​այստեղ եք եկել՝ մտածելով, որ «ամպային հաշվարկներում արհեստական ​​բանականությունը պարզապես մոդելային API է», ապա ոչ, դա մի ամբողջ էկոհամակարգ է։ Երբեմն՝ էլեգանտ, երբեմն՝ անկայուն, երբեմն՝ երկուսն էլ նույն օրվա ընթացքում։.

Իրական աշխարհի օրինակ՝ ամպային արհեստական ​​բանականության աջակցության և տոմսերի տեսակավորման օգնականի կառուցում 🎫☁️

Սցենար

Պատկերացրեք 40 հոգանոց SaaS ընկերություն, որը շաբաթական ստանում է մոտ 180 հաճախորդների աջակցության հարցում: Աջակցության թիմն օգտագործում է օգնության ծառայության գործիք, բայց ամեն երկուշաբթի առավոտյան ինչ-որ մեկը դեռ պետք է կարդա նոր հարցումները, որոշի կատեգորիան, սահմանի հրատապությունը, ստուգի, թե արդյոք հաճախորդը վճարովի պլանի մեջ է, և խնդիրը ուղղորդի հաշվառման, ապրանքի, ինժեներական կամ ընդհանուր աջակցության բաժին:.

Ընկերությանը հսկայական արհեստական ​​բանականության համակարգ պետք չէ։ Այն կարիք ունի փոքր ամպային արհեստական ​​բանականության աշխատանքային հոսքի, որը կարող է դասակարգել տոմսերը, ամփոփել խնդիրը, առաջարկել հաջորդ գործողությունը և նշել ռիսկային դեպքերը մարդկային վերանայման համար։.

Գործնական կարգավորումը կարող է այսպիսի տեսք ունենալ

տոմսերը ամեն ժամ արտահանվում են ամպային պահեստ

Առանց սերվերի աշխատանքը մաքրում է տոմսի տեքստը և հեռացնում ավելորդ անձնական տվյալները

դասակարգման մոդելը կամ հոսթինգային լեզվի մոդելը պիտակավորում է տոմսը

արդյունքները գրանցվում են օգնության ծառայության համակարգում

Վահանակը հետևում է լատենտությանը, վստահության միավորներին, երթուղու ճշգրտությանը և մեկ տոմսի արժեքին

Հիմնական կետն այն է, որ արհեստական ​​բանականությունը չի փոխարինում աջակցության թիմին։ Այն կրճատում է կրկնվող տեսակավորման աշխատանքը, որպեսզի մարդիկ ավելի շատ ժամանակ ծախսեն իրական խնդիրը լուծելու վրա։.

Ինչ է պետք օգնականին

Որպեսզի սա լավ աշխատի, թիմը պետք է պատրաստի

տոմսերի կատեգորիաների ցանկ, ինչպիսիք են՝ Հաշիվ, Մուտք, Սխալ, Հնարավորությունների հարցում, Չեղարկում, Անվտանգություն և Ընդհանուր

20-50 իրական անցյալի տոմսերի օրինակներ յուրաքանչյուր կատեգորիայի համար

յուրաքանչյուր բաժնի համար երթուղու կանոններ

առաջնահերթության կանոններ, ինչպիսիք են՝ «անվտանգության խնդիր = անհետաձգելի» կամ «ձեռնարկության հաճախորդի խափանում = անհետաձգելի»

կարճ ցանկ այն բաների, որոնք օգնականը երբեք չպետք է անի, ինչպիսիք են՝ վերադարձի խոստումը, իրավական սխալի ընդունումը կամ հաշվի կարգավորումների փոփոխությունը

մուտքի վերահսկում, որպեսզի արհեստական ​​բանականության աշխատանքային հոսքը տեսնի միայն այն տոմսերի դաշտերը, որոնք իրեն իսկապես անհրաժեշտ են

անորոշ դեպքերի համար պահեստային կանոն

Պարզ պահեստային կանոն կարող է լինել հետևյալը

Եթե ​​վստահության մակարդակը 80%-ից ցածր է, կամ տոմսում նշվում է իրավական, անվտանգության, վերադարձի, չեղարկման, տվյալների արտահոսքի կամ բժշկական/ֆինանսական վնասի մասին, ուղարկեք այն մարդկային վերանայողին՝ ավտոմատ երթուղայնացման փոխարեն։.

Օրինակային հրահանգ

Դուք B2B SaaS ընկերության աջակցության տոմսերի տեսակավորման օգնական եք։.

Կարդացե՛ք հաճախորդի հաղորդագրությունը և պատասխանե՛ք

1. Խնդրի մեկ նախադասությամբ ամփոփում

2. Այս ցանկից մեկ կատեգորիա՝ Հաշիվ-ապրանքագիր, Մուտք, Սխալ, Հնարավորությունների հարցում, Չեղարկում, Անվտանգություն, Ընդհանուր

3. Առաջնահերթություն՝ ցածր, միջին, բարձր կամ շտապ

4. Լավագույն թիմը դա կարգավորելու համար. Աջակցություն, Հաշիվ-ապրանքագրեր, Արտադրանք, Ճարտարագիտություն, Անվտանգություն կամ Հաճախորդների Հաջողություն

5. Արդյո՞ք անհրաժեշտ է մարդու կողմից վերանայում. Այո կամ Ոչ

6. Ձեր որոշման կարճ պատճառաբանությունը

Կանոններ՝

Մի՛ խոստացեք վերադարձներ:
Մի՛ ախտորոշեք իրավական կամ անվտանգության պատասխանատվություն:
Մի՛ հորինեք հաշվի մանրամասներ:
Եթե հաղորդագրությունը անհասկանալի է, ընտրեք «Ընդհանուր» և պահանջեք մարդկային ստուգում:
Եթե հաճախորդը նշում է տվյալների բացահայտման, հաշվի առման, վճարման ձախողման կամ ծառայության անջատման մասին, պահանջեք մարդկային ստուգում:

Ինչպես փորձարկել այն

Նախքան սա արտադրության մեջ դնելը, փորձարկեք այն իրական կամ անանուն պատմական տոմսերի փոքր հավաքածուով։.

Օգտագործեք անցյալի 100 տոմսեր և համեմատեք օգնականի երթուղին թիմի սկզբնական երթուղային որոշման հետ։.

Ստուգեք՝

քանի՞ կատեգորիա է համապատասխանում մարդկային պիտակին

քանի՞ անհետաձգելի տոմս է ճիշտ բարձրացվել

քանի՞ ցածր առաջնահերթության տոմս է սխալմամբ նշվել որպես շտապ

արդյոք զգայուն տոմսերը ուղարկվել են մարդկային վերանայման,

մեկ տոմսի մշակման միջին ժամանակը

արժեքը 100 տոմսի համար

Այնուհետև անցկացրեք երկրորդ թեստը՝ օգտագործելով անկանոն օրինակներ։

հաճախորդը գրում է մեծատառերով

տոմսը միաժամանակ պարունակում է երեք թողարկում

հաղորդագրությունը բաղկացած է ընդամենը երկու բառից, օրինակ՝ «չեմ կարողանում մուտք գործել»

օգտատերը խնդրում է փոխհատուցում և սպառնում է դատական ​​​​հայցով

հաճախորդը հայտնում է հնարավոր անվտանգության միջադեպի մասին

Այս թեստերը կարևոր են, քանի որ մաքուր ցուցադրական տոմսերը հեշտ են։ Իրական օգտատերերը գրում են անկարգ, նոսր համատեքստով և անկանխատեսելի կետադրական նշաններով։.

Արդյունք

Նկարազարդ արդյունք՝ հիմնված հինգ առաջադրանքից բաղկացած ձեռքով տեսակավորման նմուշի ժամանակի որոշման վրա՝ այս աշխատանքային հոսքի օգտագործումից առաջ և հետո։.

Ձեռքով գործընթաց

Շաբաթական 180 տոմս։
Միջին ձեռքով տեսակավորման ժամանակը. մեկ տոմսի համար 2 րոպե 30 վայրկյան։
Ընդհանուր տեսակավորման ժամանակը. շաբաթական 450 րոպե կամ 7.5 ժամ։

Ամպային արհեստական ​​բանականության աջակցությամբ գործընթաց

Միջին արհեստական ​​բանականության մշակման ժամանակը. մեկ տոմսի համար 10 վայրկյանից պակաս։
Նշված տոմսերի մարդկային վերանայման միջին ժամանակը. 1 րոպե 30 վայրկյան։
Մարդկային վերանայման մակարդակը. տոմսերի 25%-ը։
Շաբաթական մոտավոր տեսակավորման ժամանակը. 67.5 րոպե։

Դա շաբաթական մոտ 6.4 ժամ խնայողություն է տալիս։.

Ճշգրտությունը պետք է չափվի առանձին: Իրատեսական թեստում թիմը կարող է սահմանել մեկնարկի կանոն, օրինակ՝

առնվազն 90% կատեգորիայի համընկնում մարդկային պիտակների հետ

Անվտանգության հետ կապված տոմսերի 100%-ը ուղարկվել է մարդկային դիտարկման

տոմսերի 5%-ից պակասը ուղղորդվում է սխալ բաժին

միջին գինը մեկ տոմսի համար £0.05-ից ցածր է

Եթե ​​օգնականը չի համապատասխանում թեստային հավաքածուի այդ թվերին, այն պետք է մնա վերանայման ռեժիմում, այլ ոչ թե ավտոմատ կերպով ուղղորդի ուղիղ տոմսերը։.

Ի՞նչը կարող է սխալ ընթանալ

Ամենատարածված ձախողումը անորոշ կատեգորիաներն են։ Եթե «սխալ», «տեխնիկական խնդիր» և «արտադրանքի խնդիր» բառերը մոտավորապես նույն բանն են նշանակում, օգնականը կդասակարգի անհամապատասխանաբար։.

Մեկ այլ ռիսկ է գերավտոմատացումը։ «Իմ հաշվին մուտք է գործել մեկ ուրիշը» մասին խնդրագիրը չպետք է պատահականորեն ուղղորդվի, ինչպես սովորական մուտքի խնդրի դեպքում։ Այն պահանջում է արագացում, գրանցում և, հավանաբար, անվտանգության աշխատանքային հոսք։.

Վատ գրանցումը կարող է նաև գաղտնիության խնդիրներ առաջացնել: Հարցումները, տոմսի տեքստը, մոդելի ելքային տվյալները և սխալի հետքերը կարող են պարունակել զգայուն հաճախորդի տվյալներ: Պահեք միայն անհրաժեշտը, սահմանափակեք մուտքը և սահմանեք պահպանման կանոններ:.

Արժեքը նույնպես կարող է աճել։ Եթե յուրաքանչյուր տոմս ուղարկվում է մեծ մոդելի, մինչդեռ ավելի փոքր դասակարգիչը կաշխատեր, համակարգը կդառնա անտեղի թանկ։ Սկսեք ամենափոքր հուսալի տարբերակից, ապա արդիականացրեք միայն այնտեղ, որտեղ ճշգրտությունը իսկապես բարելավվում է։.

Գործնական ուսուցողական նյութ

Լավ ամպային արհեստական ​​բանականության կարգավորումը սկսվում է փոքրից՝ մեկ աշխատանքային հոսք, հստակ կանոններ, թեստային տվյալներ, մարդկային վերանայում և չափելի նպատակներ: Աջակցության տեսակավորման համար հաղթանակը «արհեստական ​​բանականությունը չի կարգավորում ամեն ինչ»: Հաղթանակը ավելի արագ տեսակավորումն է, ավելի քիչ բաց թողնված շտապ տոմսեր, ավելի մաքուր հանձնումներ և համակարգ, որը թիմը կարող է վերահսկել՝ կուրորեն վստահելու փոխարեն:.

Հաճախակի տրվող հարցեր

Ինչ է նշանակում «արհեստական ​​բանականությունը ամպային հաշվարկներում» առօրյա լեզվով

Ամպային հաշվարկներում արհեստական ​​բանականությունը նշանակում է, որ դուք օգտագործում եք ամպային հարթակներ՝ տվյալներ պահելու, հաշվողական համակարգերը (CPU/GPU/TPU) աշխատեցնելու, մոդելները մարզելու, տեղակայելու և վերահսկելու համար՝ առանց սարքավորումները տիրապետելու։ Գործնականում ամպը դառնում է այն վայրը, որտեղ ընթանում է ձեր արհեստական ​​բանականության ողջ կյանքի ցիկլը։ Դուք վարձակալում եք այն, ինչ ձեզ անհրաժեշտ է, երբ դրա կարիքն ունեք, ապա փոքրացնում եք այն, երբ ավարտում եք։.

Ինչու են արհեստական ​​բանականության նախագծերը ձախողվում առանց ամպային ենթակառուցվածքների և MLO-ների

Մոդելի շուրջ տեղի ունեցող խափանումների մեծ մասը տեղի է ունենում, այլ ոչ թե դրա ներսում՝ անհամապատասխան տվյալներ, անհամապատասխան միջավայրեր, փխրուն տեղակայումներ և մոնիթորինգի բացակայություն: Ամպային գործիքակազմը օգնում է ստանդարտացնել պահեստավորման, հաշվարկման և տեղակայման ձևերը, որպեսզի մոդելները չխրվեն «այն աշխատեց իմ նոութբուքի վրա» սկզբունքի վրա: MLOps-ը ավելացնում է բացակայող սոսինձը՝ հետևում, գրանցամատյաններ, խողովակաշարեր և վերականգնում, որպեսզի համակարգը մնա վերարտադրելի և պահպանելի:.

Ամպային հաշվարկներում արհեստական ​​բանականության բնորոշ աշխատանքային հոսքը՝ տվյալներից մինչև արտադրություն

Հաճախակի հոսքը հետևյալն է. տվյալները հայտնվում են ամպային պահեստում, մշակվում են գործառույթների մեջ, այնուհետև մոդելները մարզվում են մասշտաբային հաշվարկների վրա: Հաջորդը, դուք տեղակայում եք API վերջնակետի, խմբային աշխատանքի, սերվեր չպահանջող կարգավորման կամ Kubernetes ծառայության միջոցով: Վերջապես, դուք վերահսկում եք լատենտությունը, շեղումը և արժեքը, ապա կրկնում եք վերապատրաստումը և ավելի անվտանգ տեղակայումները: Իրական խողովակաշարերի մեծ մասը անընդհատ ցիկլ է անցնում, այլ ոչ թե մեկ անգամ է առաքվում:.

Ընտրություն SageMaker-ի, Vertex AI-ի, Azure ML-ի, Databricks-ի և Kubernetes-ի միջև

Ընտրեք՝ հիմնվելով ձեր թիմի իրականության վրա, այլ ոչ թե «լավագույն հարթակի» մարքեթինգային աղմուկի վրա: Կառավարվող ML հարթակները (SageMaker/Vertex AI/Azure ML) նվազեցնում են գործառնական գլխացավերը՝ ուսուցողական աշխատանքների, վերջնակետերի, գրանցամատյանների և մոնիթորինգի միջոցով: Databricks-ը հաճախ հարմար է տվյալների ինժեներական ծանրաբեռնվածությամբ թիմերի համար, ովքեր ցանկանում են ML-ը մոտեցնել խողովակաշարերին և վերլուծություններին: Kubernetes-ը ապահովում է առավելագույն վերահսկողություն և հարմարեցում, բայց դուք նաև տիրապետում եք հուսալիության, մասշտաբավորման քաղաքականության և վրիպազերծման, երբ ինչ-որ բան խափանվում է:.

Արհեստական ​​բանականության ամպային կարգավորումներում այսօր ամենաշատը դրսևորվող ճարտարապետական ​​​​օրինաչափությունները

Դուք անընդհատ կտեսնեք չորս օրինաչափություն՝ կառավարվող ML հարթակներ արագության համար, Lakehouse + ML՝ տվյալների վրա հիմնված կազմակերպությունների համար, Kubernetes-ի վրա կոնտեյներացված ML՝ վերահսկողության համար, և RAG (վերականգնման լրացված գեներացիա)՝ «մեր ներքին գիտելիքները անվտանգ օգտագործելու» համար։ RAG-ը սովորաբար ներառում է ամպային պահեստում գտնվող փաստաթղթեր, ներդրված տվյալներ + վեկտորային պահեստ, վերականգնման շերտ և մուտքի կառավարում՝ գրանցումներով։ Ձեր ընտրած օրինաչափությունը պետք է համապատասխանի ձեր կառավարմանը և գործողությունների հասունությանը։.

Ինչպես են թիմերը տեղակայում ամպային արհեստական ​​բանականության մոդելները՝ REST API-ներ, խմբաքանակային աշխատանքներ, առանց սերվերի կամ Kubernetes

REST API-ները տարածված են իրական ժամանակի կանխատեսումների համար, երբ ապրանքի լատենտությունը կարևոր է: Խմբաքանակի եզրակացությունը հիանալի է պլանավորված գնահատման և ծախսերի արդյունավետության համար, հատկապես, երբ արդյունքները պարտադիր չէ, որ ակնթարթային լինեն: Առանց սերվերի վերջնակետերը կարող են լավ աշխատել կտրուկ երթևեկության դեպքում, բայց սառը մեկնարկները և լատենտությունը ուշադրության կարիք ունեն: Kubernetes-ը իդեալական է, երբ ձեզ անհրաժեշտ է մանրացված մասշտաբավորում և ինտեգրում հարթակային գործիքակազմի հետ, բայց այն ավելացնում է գործառնական բարդություն:.

Ինչը վերահսկել արտադրության մեջ՝ արհեստական ​​բանականության համակարգերը առողջ պահելու համար

Առնվազն, հետևեք լատենտությանը, սխալների մակարդակներին և մեկ կանխատեսման արժեքին, որպեսզի հուսալիությունը և բյուջեն տեսանելի մնան: Մաթեմատիկական ուսուցման տեսանկյունից, հետևեք տվյալների շեղմանը և կատարողականի շեղումներին՝ նկատելու համար, թե երբ է իրականությունը փոխվում մոդելի ներքո: Կարևոր է նաև սահմանային դեպքերի և վատ արդյունքների գրանցումը, հատկապես գեներատիվ օգտագործման դեպքերի համար, որտեղ օգտատերերը կարող են ստեղծագործաբար հակառակորդ լինել: Լավ մոնիթորինգը նաև աջակցում է հետկանչի որոշումներին, երբ մոդելները հետընթաց են ապրում:.

Նվազեցնելով ամպային արհեստական ​​բանականության ծախսերը՝ առանց կատարողականը կրճատելու

Տարածված մոտեցում է պահանջին համապատասխանող ամենափոքր մոդելի օգտագործումը, ապա եզրակացության օպտիմալացումը խմբաքանակային և քեշավորման միջոցով: Ավտոմատ մասշտաբավորումը օգնում է, բայց այն պահանջում է սահմանաչափեր, որպեսզի «առաձգականությունը» չդառնա «անսահմանափակ ծախս»: Ուսուցման համար տեղում/նախապես հաշվարկվող հաշվարկը կարող է շատ բան խնայել, եթե ձեր աշխատանքները հանդուրժում են ընդհատումները: Վերջնակետի և գործառույթի արժեքի հետևումը թույլ չի տալիս օպտիմալացնել համակարգի սխալ մասը:.

Ամպում արհեստական ​​բանականության հետ կապված ամենամեծ անվտանգության և համապատասխանության ռիսկերը

Մեծ ռիսկերն են՝ տվյալների անվերահսկելի մուտքը, թույլ գաղտնի կառավարումը և աուդիտի հետքերի բացակայությունը, թե ով է ինչ մարզել և տեղակայել։ Գեներացնող արհեստական ​​բանականությունը լրացուցիչ գլխացավանք է առաջացնում, ինչպիսիք են արագ ներարկումը, անվտանգ ելքային տվյալները և զգայուն տվյալների հայտնվելը գրանցամատյաններում։ Շատ խողովակաշարեր կարիք ունեն միջավայրի մեկուսացման (մշակող/փուլավորում/արտադրում) և հստակ քաղաքականությունների՝ հուշումների, ելքային տվյալների և եզրակացությունների գրանցման համար։ Ամենաապահով կարգավորումները կառավարումը դիտարկում են որպես հիմնական համակարգի պահանջ, այլ ոչ թե թողարկման շաբաթվա թարմացում։.

Հղումներ

1. Ստանդարտների և տեխնոլոգիաների ազգային ինստիտուտ (NIST) - SP 800-145 (վերջնական) - csrc.nist.gov

2. Google Cloud - Գրաֆիկական պրոցեսորներ արհեստական ​​բանականության համար - cloud.google.com

3. Google Cloud - Cloud TPU փաստաթղթեր - docs.cloud.google.com

4. Amazon Web Services (AWS) - Amazon S3 (օբյեկտների պահեստավորում) - aws.amazon.com

5. Amazon Web Services (AWS) - Ի՞նչ է տվյալների լիճը: - aws.amazon.com

6. Amazon Web Services (AWS) - Ի՞նչ է տվյալների պահեստը: - aws.amazon.com

7. Amazon Web Services (AWS) - AWS արհեստական ​​բանականության ծառայություններ - aws.amazon.com

8. Google Cloud - Google Cloud AI API-ներ - cloud.google.com

9. Google Cloud - Ի՞նչ է MLOps-ը: - cloud.google.com

10. Google Cloud - Vertex AI մոդելների գրանցամատյան (Ներածություն) - docs.cloud.google.com

11. Red Hat - Ի՞նչ է REST API-ը: - redhat.com

12. Amazon Web Services (AWS) փաստաթղթեր - SageMaker խմբաքանակի փոխակերպում - docs.aws.amazon.com

13. Amazon Web Services (AWS) - Տվյալների պահեստ vs տվյալների լիճ vs տվյալների մարտ - aws.amazon.com

14. Microsoft Learn - Azure ML գրանցամատյաններ (MLOps) - learn.microsoft.com

15. Google Cloud - Google Cloud Storage-ի ակնարկ - docs.cloud.google.com

16. arXiv - Վերականգնման-Լրացված Սերնդի (RAG) հոդված - arxiv.org

17. Amazon Web Services (AWS) փաստաթղթեր - SageMaker Serverless Inference - docs.aws.amazon.com

18. Kubernetes - Հորիզոնական Pod ավտոմատ մասշտաբավորում - kubernetes.io

19. Google Cloud - Vertex AI խմբաքանակի կանխատեսումներ - docs.cloud.google.com

20. Amazon Web Services (AWS) փաստաթղթեր - SageMaker մոդելի մոնիտոր - docs.aws.amazon.com

21. Google Cloud - Vertex AI մոդելի մոնիթորինգ (մոդելի մոնիթորինգի միջոցով) - docs.cloud.google.com

22. Amazon Web Services (AWS) - Amazon EC2 Spot Instances - aws.amazon.com

23. Google Cloud - Preemptible VM-ներ - docs.cloud.google.com

24. Amazon Web Services (AWS) փաստաթղթեր - AWS SageMaker. Ինչպես է այն աշխատում (Ուսուցում) - docs.aws.amazon.com

25. Google Cloud - Google Vertex AI - cloud.google.com

26. Microsoft Azure - Azure մեքենայական ուսուցում - azure.microsoft.com

27. Databricks - Databricks Lakehouse - databricks.com

28. Snowflake-ի փաստաթղթեր - Snowflake-ի արհեստական ​​բանականության առանձնահատկություններ (Ընդհանուր ուղեցույց) - docs.snowflake.com

29. IBM - IBM Watsonx - ibm.com

30. Google Cloud - Cloud Natural Language API փաստաթղթեր - docs.cloud.google.com

31. Snowflake-ի փաստաթղթեր - Snowflake Cortex AI ֆունկցիաներ (AI SQL) - docs.snowflake.com

32. MLflow - MLflow-ի հետևում - mlflow.org

33. MLflow - MLflow մոդելների գրանցամատյան - mlflow.org

34. Google Cloud - MLOps. Մեքենայական ուսուցման անընդհատ մատակարարում և ավտոմատացման ուղիներ - cloud.google.com

35. Amazon Web Services (AWS) - SageMaker Feature Store - aws.amazon.com

36. IBM - IBM watsonx.կառավարում - ibm.com

Գտեք արհեստական ​​բանականության վերջին նորույթները պաշտոնական արհեստական ​​բանականության օգնականների խանութում

Մեր մասին