Örömmel jelentjük be két új képességünket Amazon SageMaker Studio amely felgyorsítja az iteratív fejlesztést a gépi tanulást (ML) gyakorló szakemberek számára: Helyi mód és Docker támogatás. Az ML-modell fejlesztése gyakran lassú iterációs ciklusokat foglal magában, miközben a fejlesztők váltanak a kódolás, a betanítás és a telepítés között. Minden lépéshez meg kell várni a távoli számítási erőforrások elindulását, ami késlelteti a megvalósítások érvényesítését és a változásokkal kapcsolatos visszajelzések fogadását.

A Helyi móddal a fejlesztők immár közvetlenül a SageMaker Studio notebook-példányukon betaníthatják és tesztelhetik a modelleket, hibakereső kódokat és érvényesíthetik a végpontok közötti folyamatokat anélkül, hogy távoli számítási erőforrásokat kellene felpörgetniük. Ez percekről másodpercekre csökkenti az iterációs ciklust, növelve a fejlesztői termelékenységet. A SageMaker Studio notebookok Docker-támogatása lehetővé teszi a fejlesztők számára, hogy könnyedén építsenek Docker-tárolókat és hozzáférjenek az előre elkészített konténerekhez, konzisztens fejlesztői környezetet biztosítva a csapaton belül, elkerülve az időigényes beállítást és a függőségkezelést.

A Helyi mód és a Docker támogatás leegyszerűsített munkafolyamatot kínál a kódmódosítások érvényesítéséhez és a modellek prototípus-készítéséhez a SageMaker Studio notebookon futó helyi tárolók használatával.

példa. Ebben a bejegyzésben végigvezetjük Önt a Helyi mód beállításán a SageMaker Studio programban, egy minta betanítási feladat futtatásán és a modell telepítésén Amazon SageMaker végpont egy SageMaker Studio notebookból.

SageMaker Studio Helyi mód

A SageMaker Studio bemutatja a Helyi módot, amely lehetővé teszi a SageMaker képzési, következtetési, kötegelt átalakítási és feldolgozási feladatok közvetlen futtatását a JupyterLab, Code Editor vagy SageMaker Studio klasszikus notebook példányain távoli számítási erőforrások használata nélkül. A Helyi mód használatának előnyei a következők:

• A munkafolyamatok azonnali érvényesítése és tesztelése közvetlenül az integrált fejlesztői környezetekben (IDE)
• Gyorsabb iteráció a kisebb méretű feladatok helyi futtatásain keresztül a kimenetek ellenőrzéséhez és a problémák korai azonosításához
• Javított fejlesztési és hibakeresési hatékonyság a távoli képzési munkákra való várakozás megszüntetésével
• Azonnali visszajelzés a kódmódosításokról, mielőtt a teljes feladatokat futtatná a felhőben

A következő ábra a SageMaker helyi üzemmódjának munkafolyamatát mutatja be.

A Helyi mód használatához állítsa be instance_type='local' a SageMaker Python SDK-feladatok, például a képzés és a következtetések futtatásakor. Ez a felhő-erőforrások kiépítése helyett a SageMaker Studio IDE-jei által használt példányokon futtatja őket.

Bár bizonyos funkciók, például az elosztott képzés csak a felhőben érhetők el, a Helyi mód megszünteti a kontextusváltás szükségességét a gyors iterációk érdekében. Ha készen áll a SageMaker teljes erejének és skálájának kihasználására, zökkenőmentesen futtathatja munkafolyamatait a felhőben.

Docker támogatás a SageMaker Studio-ban

A SageMaker Studio mostantól lehetővé teszi a Docker-tárolók helyi felépítését és futtatását a SageMaker Studio notebook példányán. Ez az új funkció lehetővé teszi a Docker-képek felépítését és érvényesítését a SageMaker Studio alkalmazásban, mielőtt felhasználná őket a SageMaker képzéséhez és következtetéseihez.

A következő diagram a SageMaker Studio magas szintű Docker hangszerelési architektúráját mutatja be.

A SageMaker Studio Docker támogatásával a következőket teheti:

• Építsen Docker konténereket integrált modellekkel és függőségekkel közvetlenül a SageMaker Stúdióban
• Nincs szükség külső Docker-összeállítási folyamatokra a képalkotás egyszerűsítéséhez
• Futtassa a tárolókat helyileg a funkcionalitás ellenőrzéséhez, mielőtt a modelleket üzembe helyezné
• Használja újra a helyi tárolókat, amikor a SageMaker rendszerbe telepíti képzési és tárhelyszolgáltatási célokat

Bár néhány fejlett Docker-szolgáltatás, például a többtárolós és az egyéni hálózatok jelen pillanatban nem támogatottak, az alapvető összeállítási és futtatási funkció elérhető a konténerek fejlesztésének felgyorsítására a saját konténer (BYOC) munkafolyamatokhoz.

Előfeltételek

A Helyi mód használatához a SageMaker Studio alkalmazásokban a következő előfeltételeket kell teljesítenie:

• Képek lehúzásához innen Amazon Elastic Container Registry (Amazon ECR), az ECR-képet tároló fióknak hozzáférési engedélyt kell biztosítania a felhasználó számára Identitás és hozzáférés-kezelés (IAM) szerepet. A tartomány szerepkörének lehetővé kell tennie az Amazon ECR hozzáférést is.
• A Helyi mód és a Docker képességek engedélyezéséhez be kell állítania a EnableDockerAccess paraméter igaz értékre állítja a tartományt DockerSettings használatával AWS parancssori interfész (AWS CLI). Ez lehetővé teszi a tartomány felhasználóinak a Helyi mód és a Docker funkciók használatát. Alapértelmezés szerint a Helyi mód és a Docker le van tiltva a SageMaker Stúdióban. Minden meglévő SageMaker Studio alkalmazást újra kell indítani, hogy a Docker szolgáltatás frissítése életbe lépjen. Az alábbiakban egy példa az AWS CLI parancsra a SageMaker Studio tartomány frissítéséhez:

aws sagemaker --region <REGION> 
update-domain --domain-id <DOMAIN-ID> 
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}'

• Frissítenie kell a SageMaker IAM szerepkört, hogy képes legyen push Docker képeket az Amazon ECR-hez:

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "ecr:CompleteLayerUpload",
        "ecr:UploadLayerPart",
        "ecr:InitiateLayerUpload",
        "ecr:BatchCheckLayerAvailability",
        "ecr:PutImage"
      ],
      "Resource": "arn:aws:ecr:us-east-2:123456789012:repository/<repositoryname>"
    },
    {
      "Effect": "Allow",
      "Action": "ecr:GetAuthorizationToken",
      "Resource": "*"
    }
  ]
}

Futtasson Python fájlokat a SageMaker Studio terekben a Helyi mód használatával

SageMaker Studio JupyterLab és Code Editor (alapján Code-OSS, Visual Studio Code – nyílt forráskódú), kiterjeszti a SageMaker Studio alkalmazást, így írhat, tesztelhet, hibakereshet és futtathat elemzési és ML-kódját a népszerű, könnyű IDE segítségével. A SageMaker Studio IDE-k használatának megkezdésével kapcsolatos további részletekért lásd: Növelje az Amazon SageMaker Studio termelékenységét: a JupyterLab Spaces és a generatív AI-eszközök bemutatása és a Új – Code-OSS VS Code nyílt forráskódú kódszerkesztő, amely már elérhető az Amazon SageMaker Studio-ban. Hajtsa végre a következő lépéseket:

• Hozzon létre egy új terminált. 
• Telepítse a Docker CLI-t és a Docker Compose beépülő modult az alábbi utasításokat követve GitHub repo. Ha a láncolt parancsok sikertelenek, futtassa a parancsokat egyenként.

Frissítenie kell a SageMaker SDK-t a legújabb verzióra.

• futás pip install sagemaker -Uq a terminálon.

Csak a Kódszerkesztő esetén be kell állítania a Python környezetet, hogy az aktuális terminálban fusson.

• A Kódszerkesztőben a Fájl menüválaszt preferenciák és a beállítások.

• Keressen és válasszon Terminál: Végrehajtás a File Dir.

• A Kódszerkesztőben vagy a JupyterLabban nyissa meg a scikit_learn_script_mode_local_training_and_serving mappát, és futtassa a scikit_learn_script_mode_local_training_and_serving.py fájlt.

A szkriptet kiválasztva futtathatja futás a Kódszerkesztőben vagy a CLI használatával egy JupyterLab terminálban. Láthatja majd, hogyan képezik ki a modellt helyben. Ezután telepítse a modellt egy helyi SageMaker-végpontra, és kiszámítsa a négyzetes hiba gyökét (RMSE).

Szimuláljon képzést és következtetést a SageMaker Studio Classic programban a Helyi mód használatával

A SageMaker Studio Classic notebookját is használhatja kisméretű képzési feladatok végrehajtásához CIFAR10 Helyi mód használatával telepítse helyileg a modellt, és hajtson végre következtetést.

Állítsa be a jegyzetfüzetét

A notebook beállításához hajtsa végre a következő lépéseket:

• Nyissa meg a SageMaker Studio Classicot, és klónozza a következőket GitHub repo.

• Nyissa meg a pytorch_local_mode_cifar10.ipynb notebook in blog/pytorch_cnn_cifar10.

• A Kép, választ PyTorch 2.1.0 Python 3.10 CPU Optimized.

Győződjön meg arról, hogy a notebook a megfelelő példányt és kernelválasztást mutatja.

• Nyisson meg egy terminált a kiválasztással Indítsa el a terminált az aktuális SageMaker képen.

• Telepítse a Docker CLI-t és a Docker Compose beépülő modult az alábbi utasításokat követve GitHub repo.

Mivel a SageMaker Studio Classic Docker-jét használja, parancsok futtatásakor távolítsa el a sudo-t, mert a terminál már fut a szuperfelhasználó alatt. A SageMaker Studio Classic esetén a telepítési parancsok a SageMaker Studio alkalmazáskép operációs rendszerétől függenek. Például a DLC-alapú keretképek Ubuntu alapúak, amelyekben a következő utasítások működnének. Debian-alapú lemezképeknél, mint például a DataScience Images, azonban követnie kell az alábbi utasításokat GitHub repo. Ha a láncolt parancsok sikertelenek, futtassa a parancsokat egyenként. Meg kell jelennie a Docker verziónak.

• Hagyja nyitva a terminálablakot, térjen vissza a jegyzetfüzethez, és kezdje el celláról cellára futtatni.

Ügyeljen arra, hogy a cellát ezzel futtassa pip install -U sagemaker tehát a SageMaker Python SDK legújabb verzióját használja.

Helyi képzés

Amikor elindítja a helyi SageMaker képzési feladatot, a következő naplósorokat fogja látni:

INFO:sagemaker.local.image:'Docker Compose' found using Docker CLI.
INFO:sagemaker.local.local_session:Starting training job

Ez azt jelzi, hogy a képzés helyben futott a Docker használatával.

Légy türelmes, amíg a pytorch-training:2.1-cpu-py310 A Docker kép le van húzva. Nagy mérete (5.2 GB) miatt néhány percig is eltarthat.

A Docker-képek a SageMaker Studio alkalmazáspéldány gyökérkötetében lesznek tárolva, amely nem férhet hozzá a végfelhasználók számára. A Docker-képekhez való hozzáférés és az azokkal való interakció egyetlen módja a Docker API-műveletek.

A felhasználók bizalmas kezelése szempontjából a SageMaker Studio platform soha nem fér hozzá és nem tárol felhasználóspecifikus képeket.

Amikor a képzés befejeződött, a következő sikernaplósorokat láthatja:

8zlz1zbfta-sagemaker-local exited with code 0
Aborting on container exit...
Container 8zlz1zbfta-sagemaker-local  Stopping
Container 8zlz1zbfta-sagemaker-local  Stopped
INFO:sagemaker.local.image:===== Job Complete =====

Helyi következtetés

Hajtsa végre a következő lépéseket:

• Telepítse a SageMaker végpontot a SageMaker helyi mód használatával.

Légy türelmes, amíg a pytorch-inference:2.1-cpu-py310 A Docker kép le van húzva. Nagy mérete (4.32 GB) miatt néhány percig is eltarthat.

• Hívja meg a helyileg telepített SageMaker végpontot a tesztképek segítségével.

Láthatja majd a megjósolt osztályokat: béka, hajó, autó és repülő:

Predicted:  frog ship  car plane

• Mivel a SageMaker Local végpont még mindig fent van, navigáljon vissza a nyitott terminálablakba, és sorolja fel a futó tárolókat:

docker ps

Láthatod majd a futást pytorch-inference:2.1-cpu-py310 a SageMaker végpontot támogató tároló.

• A SageMaker helyi végpont leállításához és a futó tároló leállításához, mivel egyszerre csak egy helyi végpontot futtathat, futtassa a tisztító kódot.

• Ha meg szeretné győződni arról, hogy a Docker-tároló leállt, navigálhat a megnyitott terminálablakba, futtassa a Docker ps-t, és ellenőrizze, hogy nincsenek-e futó tárolók.
• Ha azt látja, hogy egy tároló fut, futtassa docker stop <CONTAINER_ID> hogy megállítsam.

Tippek a SageMaker helyi mód használatához

Ha először használja a SageMaker-t, tekintse meg a Gépi tanulási modellek betanítása. Ha többet szeretne megtudni a modellek telepítéséről a SageMaker segítségével történő következtetésekhez, tekintse meg a következőt: Telepítsen modelleket a következtetéshez.

Tartsa szem előtt a következő ajánlásokat:

• Nyomtasson bemeneti és kimeneti fájlokat és mappákat az adatkészletek és modellek betöltésének megértéséhez
• Használjon 1–2 korszakot és kis adatkészleteket a gyors teszteléshez
• A környezet beállításának optimalizálása érdekében telepítse elő a függőségeket egy Dockerfile-ban
• Sorozatosítási kód elkülönítése a végpontokban a hibakereséshez

Konfigurálja a Docker-telepítést életciklus-konfigurációként

A Docker telepítési folyamatát életciklus-konfigurációs (LCC) szkriptként határozhatja meg, hogy leegyszerűsítse a telepítést minden alkalommal, amikor egy új SageMaker Studio terület indul. Az LCC-k olyan szkriptek, amelyeket a SageMaker olyan események során futtat, mint például a tér létrehozása. Utal jupyter labor, Kódszerkesztővagy SageMaker Studio Classic LCC beállítása (a docker install cli referenciaként), hogy többet megtudjon.

Készítsen és teszteljen egyéni Docker-képeket a SageMaker Studio terekben

Ebben a lépésben telepíti a Dockert a JupyterLab (vagy Code Editor) alkalmazásterületen belül, és a Docker segítségével egyéni Docker-képeket készíthet, tesztelhet és közzétehet a SageMaker Studio terekkel. A Spaces egyes SageMaker Studio alkalmazások tárolási és erőforrásigényének kezelésére szolgál. Minden egyes terület 1:1-es kapcsolatban áll egy alkalmazás példányával. Minden támogatott alkalmazás, amely létrejön, saját teret kap. Ha többet szeretne megtudni a SageMaker terekről, lásd: Növelje az Amazon SageMaker Studio termelékenységét: a JupyterLab Spaces és a generatív AI-eszközök bemutatása. Győződjön meg róla, hogy új helyet biztosít legalább 30 GB tárhellyel, hogy elegendő tárhelyet biztosítson a Docker-képek és műtermékek számára.

Telepítse a Dockert egy térbe

A Docker CLI és a Docker Compose beépülő modul JupyterLab-területen belüli telepítéséhez futtassa a következő parancsokat GitHub repo. SageMaker Stúdió csak a Docker 20.10.X verzióját támogatja.

Docker képeket készíthet

Ha meg szeretné győződni arról, hogy a Docker telepítve van és működik a JupyterLab területen, futtassa a következő kódot:

# to verify docker service
sagemaker-user@default:~$ docker version
Client: Docker Engine - Community
Version:           24.0.7
API version:       1.41 (downgraded from 1.43)
Go version:        go1.20.10
Git commit:        afdd53b
Built:             Thu Oct 26 09:07:41 2023
OS/Arch:           linux/amd64
Context:           default

Server:
Engine:
Version:          20.10.25
API version:      1.41 (minimum version 1.12)
Go version:       go1.20.10
Git commit:       5df983c
Built:            Fri Oct 13 22:46:59 2023
OS/Arch:          linux/amd64
Experimental:     false
containerd:
Version:          1.7.2
GitCommit:        0cae528dd6cb557f7201036e9f43420650207b58
runc:
Version:          1.1.7
GitCommit:        f19387a6bec4944c770f7668ab51c4348d9c2f38
docker-init:
Version:          0.19.0
GitCommit:        de40ad0

Egyéni Docker-kép létrehozásához egy JupyterLab (vagy kódszerkesztő) területen belül hajtsa végre a következő lépéseket:

• Hozzon létre egy üres Docker-fájlt:

touch Dockerfile

• Szerkessze a Dockerfile-t a következő parancsokkal, amelyek egy egyszerű lombik webszerver-képet hoznak létre az alap pythonból:3.10.13-bullseye image Docker hub:

# Use the specified Python base image
FROM python:3.10.13-bullseye

# Create a code dir
RUN mkdir /code/

# Set the working directory in the container
WORKDIR /code

# Upgrade pip and install required packages
RUN python3 -m pip install --upgrade pip && 
python3 -m pip install flask

# Copy the app.py file to the container
COPY app.py /code/

# Set the command to run the app
ENTRYPOINT ["python", "app.py"]

A következő kód egy példa lombik alkalmazásfájl tartalmát mutatja app.py:

from flask import Flask, jsonify

app = Flask(__name__)

@app.route('/')
def hello():
return jsonify({"response": "Hello"})

if __name__ == '__main__':
app.run(host='0.0.0.0', port=6006)

Ezenkívül frissítheti a referencia Dockerfile parancsokat, hogy az Ön által választott csomagokat és melléktermékeket tartalmazza.

• Hozzon létre egy Docker-képet a referencia Dockerfile segítségével:

docker build --network sagemaker --tag myflaskapp:v1 --file ./Dockerfile .

Tartalmaz --network sagemaker a docker build parancsban, különben a build meghiúsul. A tárolók nem futtathatók Docker alapértelmezett hídjában vagy egyéni Docker-hálózatokban. A tárolók ugyanabban a hálózatban futnak, mint a SageMaker Studio alkalmazástároló. A felhasználók csak a sagemakert használhatják a hálózat nevéhez.

• Amikor a felépítés befejeződött, ellenőrizze, hogy létezik-e a kép. Taggelje újra a buildet ECR-képként, és nyomja meg. Ha engedélyekkel kapcsolatos problémákba ütközik, futtassa az aws ecr get-login-password… parancsot, és próbálja meg újra futtatni a Docker push/pull parancsát:

sagemaker-user@default:~$ docker image list
REPOSITORY      TAG       IMAGE ID       CREATED          SIZE
myflaskapp      v1        d623f1538f20   27 minutes ago   489MB

sagemaker-user@default:~$ docker tag myflaskapp:v1 123456789012.dkr.ecr.us-east-2.amazonaws.com/myflaskapp:v1

sagemaker-user@default:~$ docker image list
REPOSITORY                                                  TAG       IMAGE ID       CREATED          SIZE
123456789012.dkr.ecr.us-east-2.amazonaws.com/myflaskapp     latest    d623f1538f20   27 minutes ago   489MB
myflaskapp                                                  v1        d623f1538f20   27 minutes ago   489MB

sagemaker-user@default:~$ aws ecr get-login-password --region region | docker login --username AWS --password-stdin aws_account_id.dkr.ecr.region.amazonaws.com

sagemaker-user@default:~$ docker push 123456789012.dkr.ecr.us-east-2.amazonaws.com/myflaskapp:latest

Docker képek tesztelése

Ha a Dockert egy JupyterLab (vagy Code Editor) SageMaker Studio-területen belül telepítik, akkor az előre elkészített vagy egyéni Docker-képeket konténerként (vagy konténeres alkalmazásokként) tesztelheti. Ebben a szakaszban a docker run parancsot használjuk a Docker-tárolók kiépítésére a SageMaker Studio-területen belül a konténeres munkaterhelések, például a REST webszolgáltatások és a Python-szkriptek teszteléséhez. Hajtsa végre a következő lépéseket:

sagemaker-user@default:~$ docker image list
REPOSITORY                                                  TAG       IMAGE ID       CREATED       SIZE

• Ha a tesztkép nem létezik, futtassa a Docker pull parancsot, hogy a képet a helyi gépre húzza:

sagemaker-user@default:~$ docker pull 123456789012.dkr.ecr.us-east-2.amazonaws.com/myflaskapp:v1

• Ha hitelesítési problémákat tapasztal, futtassa a következő parancsokat:

aws ecr get-login-password --region region | docker login --username AWS --password-stdin aws_account_id.dkr.ecr.region.amazonaws.com

• Hozzon létre egy tárolót a munkaterhelés teszteléséhez:

docker run --network sagemaker 123456789012.dkr.ecr.us-east-2.amazonaws.com/myflaskapp:v1

Ez létrehoz egy új tárolópéldányt, és futtatja a Docker ENTRYPOINT használatával meghatározott alkalmazást:

sagemaker-user@default:~$ docker run --network sagemaker 905418447590.dkr.ecr.us-east-2.amazonaws.com/myflaskapp:v1
* Serving Flask app 'app'
* Debug mode: off
WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.
* Running on all addresses (0.0.0.0)
* Running on http://127.0.0.1:6006
* Running on http://169.255.255.2:6006

• Annak teszteléséhez, hogy a webvégpont aktív-e, keresse meg az URL-t https://<sagemaker-space-id>.studio.us-east-2.sagemaker.aws/jupyterlab/default/proxy/6006/.

A következő képernyőképhez hasonló JSON-választ kell látnia.

Tisztítsuk meg

A szükségtelen költségek elkerülése érdekében törölje azokat az erőforrásokat, amelyeket a bejegyzésben szereplő példák futtatása közben hozott létre:

1. A SageMaker Studio tartományában válassza a lehetőséget Klasszikus stúdió a navigációs ablakban, majd válassza a lehetőséget megáll.
2. A SageMaker Studio tartományában válassza a lehetőséget jupyter labor or Kódszerkesztő a navigációs panelen válassza ki az alkalmazást, majd válassza ki megáll.

Következtetés

A SageMaker Studio Local Mode és Docker támogatása lehetővé teszi a fejlesztők számára, hogy gyorsabban építsenek, teszteljenek és iteráljanak ML implementációkat anélkül, hogy elhagynák a munkaterületüket. Azáltal, hogy azonnali hozzáférést biztosítanak a tesztkörnyezetekhez és kimenetekhez, ezek a képességek optimalizálják a munkafolyamatokat és javítják a termelékenységet. Próbálja ki a SageMaker Studio helyi modell- és Docker-támogatást a mi segítségével gyors beépített funkció, amely lehetővé teszi, hogy perceken belül új domaint állítson fel egyetlen felhasználók számára. Oszd meg gondolataidat a megjegyzés rovatban!

A szerzőkről

Shweta Singh vezető termékmenedzser az Amazon SageMaker Machine Learning (ML) platform csapatában az AWS-nél, amely a SageMaker Python SDK vezetője. Több mint 5 éve dolgozott több termékkörben az Amazonnál. Bachelor of Science fokozatot szerzett számítástechnikából és Master of Science fokozatot pénzügyi mérnökökből, mindkettőt a New York-i Egyetemen.

Eitan Sela az AWS generatív AI és gépi tanulási megoldások szakértője. Együttműködik az AWS-ügyfelekkel, hogy útmutatást és technikai segítséget nyújtson, segítve őket generatív AI és gépi tanulási megoldások AWS-en való kiépítésében és működtetésében. Szabadidejében Eitan szívesen kocog, és olvassa a legújabb gépi tanulási cikkeket.

Pranav Murthy AI/ML Specialist Solutions Architect az AWS-nél. Arra összpontosít, hogy segítse az ügyfeleket a gépi tanulási (ML) munkaterhelések felépítésében, betanításában, üzembe helyezésében és a SageMakerre való migrálásában. Korábban a félvezetőiparban dolgozott nagy számítógépes látás (CV) és természetes nyelvi feldolgozási (NLP) modellek fejlesztésével a félvezető folyamatok fejlesztésére a legkorszerűbb ML technikák segítségével. Szabadidejében szívesen sakkozik és utazik. Pranav-ot megtalálod itt LinkedIn.

Mufaddal Rohawala az AWS szoftvermérnöke. Az Amazon SageMaker SageMaker Python SDK könyvtárán dolgozik. Szabadidejében szeret utazni, szabadtéri tevékenységeket végezni, és focirajongó.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/accelerate-ml-workflows-with-amazon-sagemaker-studio-local-mode-and-docker-support/