Σε αυτήν την εποχή των μεγάλων δεδομένων, οι οργανισμοί παγκοσμίως αναζητούν συνεχώς καινοτόμους τρόπους εξαγωγής αξίας και γνώσεων από τα τεράστια σύνολα δεδομένων τους. Apache Spark προσφέρει την επεκτασιμότητα και την ταχύτητα που απαιτούνται για την αποτελεσματική επεξεργασία μεγάλων ποσοτήτων δεδομένων.
EMR Αμαζονίου είναι η κορυφαία στον κλάδο λύση cloud big data για επεξεργασία δεδομένων σε κλίμακα petabyte, διαδραστικά αναλυτικά στοιχεία και μηχανική μάθηση (ML) χρησιμοποιώντας πλαίσια ανοιχτού κώδικα όπως το Apache Spark, Κυψέλη Apache, να Presto. Το Amazon EMR είναι το καλύτερο μέρος για να τρέξετε το Apache Spark. Μπορείτε να δημιουργήσετε γρήγορα και αβίαστα διαχειριζόμενα συμπλέγματα Spark από το Κονσόλα διαχείρισης AWS, Διεπαφή γραμμής εντολών AWS (AWS CLI) ή Amazon EMR API. Μπορείτε επίσης να χρησιμοποιήσετε πρόσθετες λειτουργίες Amazon EMR, συμπεριλαμβανομένου του fast Απλή υπηρεσία αποθήκευσης Amazon συνδεσιμότητα (Amazon S3) με χρήση του συστήματος αρχείων Amazon EMR (EMRFS), ενσωμάτωση με το Amazon EC2 Spot αγορά και το Κόλλα AWS Κατάλογος δεδομένων και Διαχειριζόμενη κλίμακα EMR για προσθήκη ή κατάργηση παρουσιών από το σύμπλεγμα σας. Amazon EMR Studio είναι ένα ολοκληρωμένο περιβάλλον ανάπτυξης (IDE) που καθιστά εύκολο για τους επιστήμονες δεδομένων και τους μηχανικούς δεδομένων να αναπτύξουν, να οπτικοποιήσουν και να διορθώσουν εφαρμογές μηχανικής δεδομένων και επιστήμης δεδομένων γραμμένες σε R, Python, Scala και PySpark. Το EMR Studio παρέχει πλήρως διαχειριζόμενα σημειωματάρια Jupyter και εργαλεία όπως το Spark UI και το YARN Timeline Service για την απλοποίηση του εντοπισμού σφαλμάτων.
Για να ξεκλειδώσετε το δυναμικό που κρύβεται στα πεδία δεδομένων, είναι απαραίτητο να προχωρήσετε πέρα από την παραδοσιακή ανάλυση. Εισαγάγετε το Generative AI, μια τεχνολογία αιχμής που συνδυάζει την ML με τη δημιουργικότητα για να δημιουργήσει κείμενο, τέχνη, ακόμα και κώδικα που μοιάζει με άνθρωπο. Θεμέλιο του Αμαζονίου είναι ο πιο απλός τρόπος για τη δημιουργία και την κλιμάκωση των παραγωγικών εφαρμογών AI με μοντέλα θεμελίωσης (FM). Το Amazon Bedrock είναι μια πλήρως διαχειριζόμενη υπηρεσία που καθιστά διαθέσιμα FM από την Amazon και κορυφαίες εταιρείες τεχνητής νοημοσύνης μέσω ενός API, ώστε να μπορείτε γρήγορα να πειραματιστείτε με μια ποικιλία FM στην παιδική χαρά και να χρησιμοποιήσετε ένα μόνο API για συμπέρασμα, ανεξάρτητα από τα μοντέλα που θα επιλέξετε, δίνοντας έχετε την ευελιξία να χρησιμοποιείτε FM από διαφορετικούς παρόχους και να ενημερώνεστε για τις πιο πρόσφατες εκδόσεις μοντέλων με ελάχιστες αλλαγές κώδικα.
Σε αυτήν την ανάρτηση, διερευνούμε πώς μπορείτε να επιβαρύνετε τα αναλυτικά δεδομένα σας με γενετική τεχνητή νοημοσύνη χρησιμοποιώντας το Amazon EMR, το Amazon Bedrock και το pyspark-ai βιβλιοθήκη. Η βιβλιοθήκη pyspark-ai είναι ένα αγγλικό SDK για το Apache Spark. Παίρνει οδηγίες στην αγγλική γλώσσα και τις μεταγλωττίζει σε αντικείμενα PySpark όπως το DataFrames. Αυτό καθιστά εύκολη τη συνεργασία με το Spark, επιτρέποντάς σας να εστιάσετε στην εξαγωγή αξίας από τα δεδομένα σας.
Επισκόπηση λύσεων
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική για τη χρήση γενετικής τεχνητής νοημοσύνης με το Amazon EMR και το Amazon Bedrock.
Το EMR Studio είναι ένα web-based IDE για πλήρως διαχειριζόμενους φορητούς υπολογιστές Jupyter που τρέχουν σε συμπλέγματα EMR. Αλληλεπιδρούμε με τους χώρους εργασίας EMR Studio που είναι συνδεδεμένοι σε ένα σύμπλεγμα EMR που εκτελείται και εκτελούμε το σημειωματάριο που παρέχεται ως μέρος αυτής της ανάρτησης. Χρησιμοποιούμε το Ταξί της Νέας Υόρκης δεδομένα για τη συγκέντρωση πληροφοριών σχετικά με διάφορες διαδρομές με ταξί που πραγματοποιούν οι χρήστες. Κάνουμε τις ερωτήσεις σε φυσική γλώσσα πάνω από τα δεδομένα που έχουν φορτωθεί στο Spark DataFrame. Στη συνέχεια, η βιβλιοθήκη pyspark-ai χρησιμοποιεί το Amazon Titan Text FM από το Amazon Bedrock για να δημιουργήσει ένα ερώτημα SQL με βάση την ερώτηση φυσικής γλώσσας. Η βιβλιοθήκη pyspark-ai λαμβάνει το ερώτημα SQL, το εκτελεί χρησιμοποιώντας το Spark SQL και παρέχει αποτελέσματα στον χρήστη.
Σε αυτήν τη λύση, μπορείτε να δημιουργήσετε και να διαμορφώσετε τους απαιτούμενους πόρους στον λογαριασμό σας AWS με ένα AWS CloudFormation πρότυπο. Το πρότυπο δημιουργεί το Κόλλα AWS βάση δεδομένων και πίνακες, κάδος S3, VPC και άλλα Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) πόροι που χρησιμοποιούνται στη λύση.
Το πρότυπο έχει σχεδιαστεί για να δείχνει πώς να χρησιμοποιείτε το EMR Studio με το πακέτο pyspark-ai και το Amazon Bedrock και δεν προορίζεται για χρήση στην παραγωγή χωρίς τροποποίηση. Επιπλέον, το πρότυπο χρησιμοποιεί το us-east-1
Περιοχή και ενδέχεται να μην λειτουργεί σε άλλες Περιφέρειες χωρίς τροποποίηση. Το πρότυπο δημιουργεί πόρους που συνεπάγονται κόστος ενώ χρησιμοποιούνται. Ακολουθήστε τα βήματα καθαρισμού στο τέλος αυτής της ανάρτησης για να διαγράψετε τους πόρους και να αποφύγετε περιττές χρεώσεις.
Προϋποθέσεις
Πριν ξεκινήσετε τη στοίβα CloudFormation, βεβαιωθείτε ότι έχετε τα εξής:
- Ένας λογαριασμός AWS που παρέχει πρόσβαση σε υπηρεσίες AWS
- Ένας χρήστης IAM με κλειδί πρόσβασης και μυστικό κλειδί για τη διαμόρφωση του AWS CLI και δικαιώματα δημιουργίας ρόλου IAM, πολιτικών IAM και στοίβων στο AWS CloudFormation
- Το μοντέλο Titan Text G1 – Express βρίσκεται αυτήν τη στιγμή σε προεπισκόπηση, επομένως πρέπει να έχετε πρόσβαση σε προεπισκόπηση για να το χρησιμοποιήσετε ως μέρος αυτής της ανάρτησης
Δημιουργήστε πόρους με το AWS CloudFormation
Το CloudFormation δημιουργεί τους ακόλουθους πόρους AWS:
- Μια στοίβα VPC με ιδιωτικά και δημόσια υποδίκτυα για χρήση με το EMR Studio, πίνακες διαδρομών και πύλη NAT.
- Ένα σύμπλεγμα EMR με εγκατεστημένη την Python 3.9. Χρησιμοποιούμε μια ενέργεια bootstrap για να εγκαταστήσουμε την Python 3.9 και άλλα σχετικά πακέτα όπως οι εξαρτήσεις pyspark-ai και Amazon Bedrock. (Για περισσότερες πληροφορίες, ανατρέξτε στο σενάριο bootstrap.)
- Ένας κάδος S3 για τον χώρο εργασίας EMR Studio και την αποθήκευση φορητών υπολογιστών.
- Ρόλοι και πολιτικές IAM για τη ρύθμιση του EMR Studio, την πρόσβαση στο Amazon Bedrock και τη λειτουργία φορητών υπολογιστών
Για να ξεκινήσετε, ακολουθήστε τα παρακάτω βήματα:
Η στοίβα CloudFormation χρειάζεται περίπου 20–30 λεπτά για να ολοκληρωθεί. Μπορείτε να παρακολουθείτε την πρόοδό του στην κονσόλα AWS CloudFormation. Όταν διαβάζεται η κατάστασή του CREATE_COMPLETE
, ο λογαριασμός σας AWS θα έχει τους απαραίτητους πόρους για την εφαρμογή αυτής της λύσης.
Δημιουργήστε το EMR Studio
Τώρα μπορείτε να δημιουργήσετε ένα EMR Studio και Workspace για να εργαστείτε με τον κωδικό του notebook. Ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα EMR Studio, επιλέξτε Δημιουργία Studio.
- Εισάγετε το Όνομα Στούντιο as
GenAI-EMR-Studio
και δώστε μια περιγραφή. - Στο Δικτύωση και ασφάλεια ενότητα, καθορίστε τα ακόλουθα:
- Για VPC, επιλέξτε το VPC που δημιουργήσατε ως μέρος της στοίβας CloudFormation που αναπτύξατε. Λάβετε το αναγνωριστικό VPC χρησιμοποιώντας τις εξόδους CloudFormation για το κλειδί VPCID.
- Για Υποδίκτυα, επιλέξτε και τα τέσσερα υποδίκτυα.
- Για Ασφάλεια και πρόσβαση, Επιλέξτε Προσαρμοσμένη ομάδα ασφαλείας.
- Για Ομάδα ασφαλείας συμπλέγματος/τελικού σημείου, επιλέξτε
EMRSparkAI-Cluster-Endpoint-SG
. - Για Ομάδα ασφάλειας χώρου εργασίας, επιλέξτε
EMRSparkAI-Workspace-SG
.
- Στο Ρόλος υπηρεσίας στούντιο ενότητα, καθορίστε τα ακόλουθα:
- Για Πιστοποίηση, Επιλέξτε Διαχείριση ταυτότητας και πρόσβασης AWS (IAM).
- Για Ρόλος υπηρεσίας AWS IAM, επιλέξτε
EMRSparkAI-StudioServiceRole
.
- Στο Αποθήκευση χώρου εργασίας ενότητα, περιηγηθείτε και επιλέξτε τον κάδο S3 για αποθήκευση ξεκινώντας από
emr-sparkai-<account-id>
. - Επιλέξτε Δημιουργία Studio.
- Όταν δημιουργηθεί το EMR Studio, επιλέξτε τον σύνδεσμο κάτω URL πρόσβασης στο Studio για πρόσβαση στο Studio.
- Όταν βρίσκεστε στο Studio, επιλέξτε Δημιουργία χώρου εργασίας.
- Πρόσθεση
emr-genai
ως όνομα για τον χώρο εργασίας και επιλέξτε Δημιουργία χώρου εργασίας. - Όταν δημιουργηθεί ο χώρος εργασίας, επιλέξτε το όνομά του για να εκκινήσετε τον Χώρο εργασίας (βεβαιωθείτε ότι έχετε απενεργοποιήσει τυχόν προγράμματα αποκλεισμού αναδυόμενων παραθύρων).
Αναλύσεις μεγάλων δεδομένων χρησιμοποιώντας Apache Spark με Amazon EMR και γενετική τεχνητή νοημοσύνη
Τώρα που ολοκληρώσαμε την απαιτούμενη ρύθμιση, μπορούμε να αρχίσουμε να εκτελούμε αναλύσεις μεγάλων δεδομένων χρησιμοποιώντας το Apache Spark με το Amazon EMR και τη γενετική τεχνητή νοημοσύνη.
Ως πρώτο βήμα, φορτώνουμε ένα σημειωματάριο που έχει τον απαιτούμενο κωδικό και παραδείγματα για να εργαστείτε με την περίπτωση χρήσης. Χρησιμοποιούμε το σύνολο δεδομένων NY Taxi, το οποίο περιέχει λεπτομέρειες σχετικά με τις διαδρομές με ταξί.
- Κατεβάστε το αρχείο του σημειωματάριου NYTaxi.ipynb και ανεβάστε το στον χώρο εργασίας σας επιλέγοντας το εικονίδιο μεταφόρτωσης.
- Μετά την εισαγωγή του σημειωματάριου, ανοίξτε το σημειωματάριο και επιλέξτε
PySpark
ως πυρήνας.
PySpark AI από προεπιλογή χρησιμοποιεί το ChatGPT4.0 του OpenAI ως μοντέλο LLM, αλλά μπορείτε επίσης να συνδέσετε μοντέλα από το Amazon Bedrock, Amazon SageMaker JumpStartκαι άλλα μοντέλα τρίτων κατασκευαστών. Για αυτήν την ανάρτηση, δείχνουμε πώς να ενσωματώσετε το μοντέλο Amazon Bedrock Titan για δημιουργία ερωτημάτων SQL και να το εκτελέσετε με το Apache Spark στο Amazon EMR.
- Για να ξεκινήσετε με το σημειωματάριο, πρέπει να συσχετίσετε τον χώρο εργασίας με ένα επίπεδο υπολογισμού. Για να το κάνετε αυτό, επιλέξτε το Υπολογίστε εικονίδιο στο παράθυρο πλοήγησης και επιλέξτε το σύμπλεγμα EMR που δημιουργήθηκε από τη στοίβα CloudFormation.
- Διαμορφώστε τις παραμέτρους Python για να χρησιμοποιήσετε το ενημερωμένο πακέτο Python 3.9 με το Amazon EMR:
- Εισαγάγετε τις απαραίτητες βιβλιοθήκες:
- Μετά την εισαγωγή των βιβλιοθηκών, μπορείτε να ορίσετε το μοντέλο LLM από το Amazon Bedrock. Σε αυτήν την περίπτωση, χρησιμοποιούμε το amazon.titan-text-express-v1. Πρέπει να εισαγάγετε τη διεύθυνση URL τελικού σημείου της περιοχής και του Amazon Bedrock με βάση την πρόσβαση προεπισκόπησης για το μοντέλο Titan Text G1 – Express.
- Συνδέστε το Spark AI στο μοντέλο Amazon Bedrock LLM για δημιουργία ερωτημάτων SQL με βάση ερωτήσεις σε φυσική γλώσσα:
Εδώ, αρχικοποιήσαμε το Spark AI με verbose=False; μπορείτε επίσης να ορίσετε verbose=True για να δείτε περισσότερες λεπτομέρειες.
Τώρα μπορείτε να διαβάσετε τα δεδομένα NYC Taxi σε ένα Spark DataFrame και να χρησιμοποιήσετε τη δύναμη της γεννητικής τεχνητής νοημοσύνης στο Spark.
- Για παράδειγμα, μπορείτε να ζητήσετε την καταμέτρηση του αριθμού των εγγραφών στο σύνολο δεδομένων:
Λαμβάνουμε την ακόλουθη απάντηση:
Το Spark AI χρησιμοποιεί εσωτερικά LangChain και αλυσίδα SQL, που αποκρύπτουν την πολυπλοκότητα από τους τελικούς χρήστες που εργάζονται με ερωτήματα στο Spark.
Το σημειωματάριο έχει μερικά ακόμη παραδείγματα σεναρίων για να εξερευνήσετε τη δύναμη της γενετικής τεχνητής νοημοσύνης με το Apache Spark και το Amazon EMR.
εκκαθάριση
Αδειάστε το περιεχόμενο του κάδου S3 emr-sparkai-<account-id>
, διαγράψτε τον χώρο εργασίας EMR Studio που δημιουργήθηκε ως μέρος αυτής της ανάρτησης και, στη συνέχεια, διαγράψτε τη στοίβα CloudFormation που αναπτύξατε.
Συμπέρασμα
Αυτή η ανάρτηση έδειξε πώς μπορείτε να υπερφορτώσετε τα αναλυτικά δεδομένα μεγάλων δεδομένων με τη βοήθεια του Apache Spark με το Amazon EMR και το Amazon Bedrock. Το πακέτο PySpark AI σάς επιτρέπει να αντλήσετε σημαντικές πληροφορίες από τα δεδομένα σας. Βοηθά στη μείωση του χρόνου ανάπτυξης και ανάλυσης, μειώνοντας τον χρόνο για τη σύνταξη μη αυτόματων ερωτημάτων και επιτρέποντάς σας να εστιάσετε στην περίπτωση χρήσης της επιχείρησής σας.
Σχετικά με τους Συγγραφείς
Saurabh Bhutyani είναι Κύριος Αρχιτέκτονας Λύσεων Specialist Analytics στην AWS. Είναι παθιασμένος με τις νέες τεχνολογίες. Εντάχθηκε στην AWS το 2019 και συνεργάζεται με πελάτες για την παροχή αρχιτεκτονικής καθοδήγησης για την εκτέλεση περιπτώσεων χρήσης γενετικής τεχνητής νοημοσύνης, κλιμακούμενων λύσεων αναλυτικών στοιχείων και αρχιτεκτονικών πλέγματος δεδομένων χρησιμοποιώντας υπηρεσίες AWS όπως Amazon Bedrock, Amazon SageMaker, Amazon EMR, Amazon Athena, AWS Glue, AWS Lake Formation, και Amazon DataZone.
Σκληρό Βαρντάν είναι αρχιτέκτονας λύσεων AWS Senior Solutions, με ειδίκευση στην ανάλυση. Διαθέτει πάνω από 8 χρόνια εμπειρίας στον τομέα των μεγάλων δεδομένων και της επιστήμης δεδομένων. Είναι παθιασμένος με το να βοηθά τους πελάτες να υιοθετήσουν τις βέλτιστες πρακτικές και να ανακαλύψουν πληροφορίες από τα δεδομένα τους.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/big-data/use-generative-ai-with-amazon-emr-amazon-bedrock-and-english-sdk-for-apache-spark-to-unlock-insights/
- :έχει
- :είναι
- :δεν
- $UP
- 1
- 10
- 100
- 107
- 11
- 20
- 200
- 2019
- 320
- 500
- 521
- 7
- 8
- 9
- 990
- a
- ΠΛΗΡΟΦΟΡΙΕΣ
- πρόσβαση
- Διαχείριση Πρόσβασης
- Λογαριασμός
- αναγνωρίζω
- Ενέργειες
- προσθέτω
- Πρόσθετος
- Επιπλέον
- ενστερνίζομαι
- AI
- αι περιπτώσεις χρήσης
- Όλα
- Επιτρέποντας
- επιτρέπει
- Επίσης
- Amazon
- Αμαζόν Αθηνά
- EMR Αμαζονίου
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- Ποσά
- an
- ανάλυση
- analytics
- και
- απάντηση
- κάθε
- Apache
- Apache Spark
- api
- εφαρμογές
- περίπου
- αρχιτεκτονική
- αρχιτεκτονική
- ΕΙΝΑΙ
- Τέχνη
- AS
- ζητώ
- Συνεργάτης
- At
- διαθέσιμος
- αποφύγετε
- AWS
- AWS CloudFormation
- Κόλλα AWS
- Σχηματισμός Λίμνης AWS
- πίσω
- βασίζονται
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Πέρα
- Μεγάλος
- Big Data
- Bootstrap
- χτίζω
- επιχείρηση
- αλλά
- κουμπί
- by
- CAN
- περίπτωση
- περιπτώσεις
- κατάλογος
- αλυσίδα
- Αλλαγές
- φορτία
- Επιλέξτε
- επιλέγοντας
- Πόλη
- Backup
- cloud big data
- συστάδα
- κωδικός
- συνδυάζει
- Εταιρείες
- πλήρης
- Ολοκληρώθηκε το
- περίπλοκο
- Υπολογίστε
- συνδεδεμένος
- Συνδεσιμότητα
- πρόξενος
- συνεχώς
- Περιέχει
- περιεχόμενα
- Δικαστικά έξοδα
- δημιουργία
- δημιουργήθηκε
- δημιουργεί
- δημιουργικότητα
- Τη στιγμή
- Πελάτες
- αιχμής
- ημερομηνία
- Δεδομένα Analytics
- επεξεργασία δεδομένων
- επιστημονικά δεδομένα
- βάση δεδομένων
- σύνολα δεδομένων
- Ημερομηνία
- Προεπιλογή
- ορίζεται
- αποδεικνύουν
- εξαρτήσεις
- αναπτυχθεί
- τάση
- περιγραφή
- σχεδιασμένα
- καθέκαστα
- ανάπτυξη
- Ανάπτυξη
- διαφορετικές
- ανάπηρος
- ανακαλύπτουν
- do
- αποτελεσματικά
- αβίαστα
- τέλος
- Τελικό σημείο
- Μηχανική
- Μηχανικοί
- Αγγλικά
- εξασφαλίζω
- εισάγετε
- εισερχόμενοι
- Περιβάλλον
- Εποχή
- ουσιώδης
- Αιθέρας (ΕΤΗ)
- Even
- παράδειγμα
- παραδείγματα
- εμπειρία
- πείραμα
- διερευνήσει
- ρητή
- εκχύλισμα
- FAST
- Χαρακτηριστικά
- λίγοι
- πεδίο
- Αρχεία
- τελικός
- Όνομα
- Ευελιξία
- Συγκέντρωση
- ακολουθήστε
- Εξής
- Για
- σχηματισμός
- Θεμέλιο
- τέσσερα
- πλαισίων
- από
- πλήρως
- g1
- σιταποθήκη
- πύλη
- παράγουν
- γενεά
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- παίρνω
- Δίνοντας
- Go
- καθοδήγηση
- Έχω
- he
- βοήθεια
- βοήθεια
- βοηθά
- κρυμμένο
- Κρύβω
- Πως
- Πώς να
- http
- HTTPS
- i
- IAM
- ICON
- ID
- Ταυτότητα
- διαχείριση ταυτότητας και πρόσβασης
- απεικονίζει
- εφαρμογή
- εισαγωγή
- in
- Σε άλλες
- Συμπεριλαμβανομένου
- κορυφαία στον κλάδο
- πληροφορίες
- καινοτόμες
- εισαγωγή
- ιδέες
- εγκαθιστώ
- περιπτώσεις
- οδηγίες
- ενσωματώσει
- ενσωματωθεί
- ολοκλήρωση
- προορίζονται
- αλληλεπιδρούν
- διαδραστικό
- εσωτερικώς
- σε
- IT
- ΤΟΥ
- εντάχθηκαν
- jpg
- Διατήρηση
- Κλειδί
- Ξέρω
- λίμνη
- Γλώσσα
- large
- αργότερο
- ξεκινήσει
- στρώμα
- που οδηγεί
- μάθηση
- βιβλιοθήκες
- Βιβλιοθήκη
- Μου αρέσει
- γραμμή
- LINK
- φορτίο
- μηχανή
- μάθηση μηχανής
- κάνω
- ΚΑΝΕΙ
- διαχειρίζεται
- διαχείριση
- Ταχύτητες
- αγορά
- Ενδέχεται..
- νόημα
- ματιών
- ελάχιστος
- πρακτικά
- ML
- μοντέλο
- μοντέλα
- Παρακολούθηση
- περισσότερο
- πλέον
- όνομα
- Φυσικό
- Φυσική γλώσσα
- Πλοήγηση
- απαραίτητος
- Ανάγκη
- που απαιτούνται
- δικτύωσης
- Νέα
- Νέες τεχνολογίες
- σημειωματάριο
- φορητούς υπολογιστές
- τώρα
- αριθμός
- NY
- NYC
- αντικειμένων
- παρατήρηση
- of
- προσφορές
- on
- ανοίξτε
- ανοικτού κώδικα
- or
- οργανώσεις
- ΑΛΛΑ
- εξόδους
- επί
- επισκόπηση
- πακέτο
- Packages
- παράθυρο
- παράμετροι
- μέρος
- παθιασμένος
- εκτέλεση
- δικαιώματα
- Μέρος
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιδική χαρά
- βύσμα
- Πολιτικές
- pop-up
- Θέση
- δυναμικού
- δύναμη
- πρακτικές
- Προβολή
- Κύριος
- ιδιωτικός
- διαδικασια μας
- μεταποίηση
- παραγωγή
- Πρόοδος
- παρέχουν
- παρέχεται
- Παρόχους υπηρεσιών
- παρέχει
- δημόσιο
- Python
- ερωτήματα
- ερώτηση
- Ερωτήσεις
- γρήγορα
- R
- Διάβασε
- αρχεία
- μείωση
- μείωση
- παραπέμπω
- Ανεξάρτητα
- περιοχή
- περιοχές
- αφαιρέστε
- απαιτείται
- Υποστηρικτικό υλικό
- απάντησης
- Αποτελέσματα
- βόλτες
- Ρόλος
- ρόλους
- Διαδρομή
- τρέξιμο
- τρέξιμο
- τρέχει
- σοφός
- Scala
- Απεριόριστες δυνατότητες
- επεκτάσιμη
- Κλίμακα
- απολέπιση
- σενάρια
- Επιστήμη
- επιστήμονες
- SDK
- αναζήτηση
- Μυστικό
- ασφάλεια
- δείτε
- επιλέξτε
- αρχαιότερος
- υπηρεσία
- Υπηρεσίες
- σειρά
- setup
- δείχνουν
- έδειξε
- Απλούς
- απλοποίηση
- ενιαίας
- So
- λύση
- Λύσεις
- Πηγή
- Σπινθήρας
- ειδικός
- ειδικευμένη
- ταχύτητα
- SQL
- σωρός
- Στοίβες
- Εκκίνηση
- ξεκίνησε
- Ξεκινήστε
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- ειλικρινής
- στούντιο
- υποδίκτυα
- τέτοιος
- Επιβαρύνω υπερβολικά
- βέβαιος
- σύστημα
- τραπέζι
- λαμβάνεται
- παίρνει
- Τεχνολογίες
- Τεχνολογία
- πρότυπο
- κείμενο
- ότι
- Η
- τους
- Τους
- τότε
- αυτοί
- τρίτους
- αυτό
- σκέψη
- Μέσω
- ώρα
- χρονοδιάγραμμα
- Τιτάν
- προς την
- εργαλεία
- κορυφή
- παραδοσιακός
- ui
- υπό
- ξεκλειδώσετε
- ενημερώθηκε
- URL
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- Χρήστες
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- αξία
- ποικιλία
- διάφορα
- Σταθερή
- φαντάζομαι
- Τρόπος..
- τρόπους
- we
- ιστός
- διαδικτυακές υπηρεσίες
- Web-based
- πότε
- Ποιό
- ενώ
- θα
- με
- εντός
- χωρίς
- Εργασία
- εργαζόμενος
- λειτουργεί
- παγκόσμιος
- γράφω
- γραπτή
- χρόνια
- Υόρκη
- εσείς
- Σας
- zephyrnet