오늘 우리 Amazon SageMaker에서 RStudio를 발표했습니다., R에서 작업하는 데이터 과학자를 위한 클라우드 최초의 기계 학습(ML) 통합 개발 환경(IDE)입니다. 오픈 소스 언어 R 그 이상의 풍부한 생태계를 갖추고 있습니다. 18,000 패키지 통계학자, 수량 분석가, 데이터 과학자, ML 엔지니어에게 최고의 선택이었습니다. SageMaker의 RStudio를 사용하면 데이터 과학자가 컴퓨팅 인프라에 대한 걱정 없이 팀을 위한 중앙 집중식 환경에서 쉽게 통계 분석을 실행하고, ML 모델을 구축하고, 데이터 과학 콘텐츠를 생성할 수 있습니다.
R 개발자를 위한 RStudio 제품군의 일부인 RStudio Workbench와 함께 RStudio Connect 및 RStudio Package Manager가 있습니다. RStudio 연결 데이터 과학자의 복잡한 작업에서 ML 및 데이터 과학 통찰력을 쉽게 표면화하고 이를 의사 결정자의 손에 전달할 수 있습니다. RStudio Connect는 데이터 과학자가 통찰력, 대시보드 및 웹 애플리케이션을 게시할 수 있도록 설계되었습니다. RStudio Connect는 또한 광범위한 소비를 위해 간단하고 확장 가능한 콘텐츠 호스팅 및 관리를 제공합니다.
RStudio 패키지 관리자 ML 팀과 조직 전체에서 R 패키지를 구성하고 중앙 집중화하는 데 도움이 됩니다. 데이터 과학자가 ML 모델을 개발할 때 RStudio의 ML 사용 사례에 맞는 다양한 기능을 갖춘 다양한 패키지가 필요합니다. 기업 사용자를 위해 이러한 패키지와 수많은 공개 리포지토리의 소스와 버전을 수동으로 관리하는 것은 오류가 발생하기 쉽고 시간도 많이 걸립니다. RStudio Package Manager는 데이터 과학자가 패키지를 빠르고 안전하게 설치하고 프로젝트 재현성과 반복성을 보장할 수 있도록 조직의 패키지 저장소를 중앙에서 관리하여 이러한 문제를 완화합니다. 보안과 재현성은 의료, 금융 등 규제 대상 산업에서 가장 중요한 측면입니다.
이 게시물에서는 먼저 AWS에서 잘 설계된 솔루션을 사용하여 RStudio Connect 및 RStudio Package Manager를 설계하고 배포하는 방법을 보여줍니다. 그런 다음 SageMaker의 RStudio에서 RStudio Connect 및 RStudio Package Manager를 사용하는 방법을 보여줍니다. 우리는 UCI 유방암 데이터세트 SageMaker의 RStudio에서 R 언어로 여러 유형의 ML 콘텐츠를 구축합니다. 게시물에서 시연하는 ML 콘텐츠에는 R Markdown과 R Shiny 애플리케이션이 포함되어 있습니다.
솔루션 개요
솔루션 아키텍처는 RStudio Connect 및 RStudio Package Manager Docker 컨테이너의 전문 버전을 기반으로 합니다. RStudio Connect와 RStudio Package Manager는 두 가지에 걸쳐 구성됩니다. 가용 영역 고가용성을 위해. RStudio Connect와 RStudio Package Manager 컨테이너는 모두 컨테이너 내에서 들어오는 요청 수, 메모리 및 CPU 사용량에 따라 들어오는 트래픽을 처리하는 자동 크기 조정을 지원합니다.
컨테이너 이미지는 다음에서 저장되고 가져옵니다. Amazon Elastic Container Registry (Amazon ECR) 취약점 검사가 활성화되었습니다. 이미지를 배포하기 전에 취약점 문제를 해결해야 합니다.
솔루션 워크플로의 단계는 다음과 같습니다.
- R 사용자는 다음을 통해 RStudio Connect 및 RStudio Package Manager에 액세스합니다. 아마존 경로 53. Route 53은 들어오는 요청을 위한 DNS 서비스입니다.
- Route 53은 들어오는 요청을 확인하고 이를 다음으로 전달합니다. AWS WAF 보안 점검을 위해.
- 유효한 요청은 애플리케이션로드 밸런서 (ALB)는 이를 다음으로 전달합니다. Amazon 탄력적 컨테이너 서비스 (Amazon ECS) 클러스터. ALB는 HTTPS 인증서에 대한 수신 요청을 확인합니다. AWS 인증서 관리자.
- Amazon ECS는 클러스터의 컨테이너를 제어합니다. 아마존 엘라스틱 컴퓨트 클라우드 (Amazon EC2) 인스턴스(EC2 시작 유형) Auto Scaling 그룹 필요에 따라 컨테이너 수를 확장 및 축소하는 일을 담당합니다. Amazon ECS 용량 공급자.
- 들어오는 요청은 사용 가능한 RStudio Connect 컨테이너 중 하나에서 RStudio Connect 서버에 의해 처리됩니다. 사용자가 인증되고 애플리케이션이 웹 브라우저에 렌더링됩니다. RStudio 패키지 관리자 요청은 패키지 관리자 컨테이너로 라우팅됩니다.
- 아마존 오로라 서버리스 PostgreSQL 데이터베이스는 RStudio Connect 및 RStudio Package Manager 모두에 대해 여러 컨테이너를 활용하여 고가용성을 제공하는 데 사용됩니다. Aurora는 서버리스 클러스터 데이터베이스를 자동으로 백업합니다. Aurora의 데이터는 다음을 사용하여 저장 시 암호화됩니다. AWS 키 관리 서비스 (AWS KMS).
- 아마존 탄성 파일 시스템 (Amazon EFS)는 RStudio Connect 및 RStudio Package Manager에 필요한 영구 파일 시스템을 제공합니다. Amazon EFS의 데이터는 AWS KMS를 사용하여 저장 시 암호화됩니다. Amazon EFS는 여러 가용 영역에 데이터를 저장하는 NFS 파일 시스템입니다. AWS 리전 데이터 내구성과 고가용성을 위해. RStudio Connect 및 RStudio Package Manager 컨테이너 Amazon EFS 마운트에서 생성된 파일은 Amazon EFS에 의해 자동으로 백업됩니다.
- 사용자 세션이 공용 인터넷과 통신하는 경우 아웃바운드 요청은 NAT 게이트웨이 프라이빗 컨테이너 서브넷에서.
- NAT 게이트웨이는 처리할 아웃바운드 요청을 보냅니다. 인터넷 게이트웨이. 인터넷으로의 경로는 다음을 통해 구성할 수도 있습니다. AWS 대중교통 게이트웨이.
우리는 사용 AWS 클라우드 개발 키트 (AWS CDK) Python용으로 인프라 코드를 개발하고 해당 코드를 AWS 코드 커밋 저장소, 그래서 AWS 코드 파이프라인 자동화된 빌드를 위해 AWS CDK 스택을 통합할 수 있습니다.
배포 코드는 다음을 활용합니다. Route 53 퍼블릭 호스팅 영역 공개적으로 액세스 가능한 URL에서 RStudio Connect 및 RStudio Package Manager를 서비스합니다. 당신이 사용할 수있는 Route 53 프라이빗 호스팅 영역 내부 ALB가 있는 RStudio Connect 및 RStudio Package Manager 컨테이너용으로, VPC 전용 연결 모드로 SageMaker의 RStudio에서 들어오는 사용자에게 프라이빗 엔드포인트를 제공합니다. 즉, AWS 계정에 기존 퍼블릭 도메인이 필요하지 않습니다. 그러나 공개 Docker 이미지를 가져와야 합니다(RStudio 연결, RStudio 패키지 관리자) 이를 프라이빗 Amazon ECR 리포지토리에 저장하고 배포 코드가 인프라 구축을 위한 해당 이미지를 가리키도록 합니다.
AWS 서비스 간의 모든 통신이 AWS 내에서 유지되어야 하는 경우 다음을 사용할 수 있습니다. AWS 프라이빗링크 AWS 서비스에 대한 VPC 엔드포인트를 구성합니다. AWS PrivateLink는 서비스 간 트래픽이 AWS 서비스 엔드포인트의 인터넷에 노출되지 않도록 합니다.
당신은 또한 참조 할 수 있습니다 RStudio의 RStudio 팀 솔루션 이 게시물에서 설명한 솔루션의 대안으로 AWS의 Amazon EC2에 RStudio 기술 스택을 배포하는 방법을 알아보세요.
사전 조건
소스 코드에서 AWS CDK 스택을 배포하려면 함께 제공되는 전제 조건을 검토하고 수행해야 합니다. GitHub 저장소 진행하는 데 필요한 리소스가 있는지 확인하세요.
솔루션 시작
- 클론 GitHub 저장소, 체크 아웃 rsc-rspm 분기을 클릭하고 aws-fargate-with-rstudio-open-source 폴더로 이동합니다.
- CodeCommit 리포지토리 생성 다음 명령을 사용하여 RStudio Connect/RStudio Package Manager 설치를 위한 소스 코드를 보관합니다.
- 필수 매개변수를 전달하세요. cdk.json 3단계에 따라 설치 단계 의 섹션 추가 정보 파일.
- 설치 패키지 요구 사항 AWS CDK 애플리케이션의 경우:
- 코드를 CodeCommit 리포지토리에 커밋하기 전에 AWS CDK 스택을 합성합니다. 이렇게 하면 필요한 모든 컨텍스트 값이
cdk.context.json
파일을 저장하고 더미 값이 매핑되는 것을 방지합니다. - 생성한 CodeCommit 리포지토리에 변경 사항을 커밋합니다. 5단계를 따르세요. 설치 단계 Git 명령에 대한 도움이 필요한 경우 Readme를 읽어보세요.
- AWS CDK 스택을 배포하여 CodePipeline을 사용하여 RStudio Connect/RStudio Package Manager를 설치합니다. 이 단계는 약 30분 정도 소요됩니다.
- 로 이동 CodePipeline 콘솔 (링크는 다음 페이지로 이동합니다.
us-west-2
지역). 파이프라인을 모니터링하고 서비스가 성공적으로 구축되었는지 확인합니다.
파이프라인 이름은 다음과 같습니다. RSC-RSPM-App-Pipeline-<instance>
. 이 시점부터 생성한 CodeCommit 리포지토리에 대한 커밋 시 파이프라인이 트리거됩니다. 달릴 필요도 없어 cdk deploy
(7단계) 더 이상.
- 파이프라인 설치가 완료되면 다음 URL을 사용하여 RStudio Connect 및 RStudio Package Manager에 액세스할 수 있습니다.
r53_base_domain
및instance
당신이 전달한 매개 변수입니다 cdk.json:https://connect.<instance>.<r53_base_domain>
https://package.<instance>.<r53_base_domain>
- 당신이 사용할 수 아마존 ECS 임원 RStudio Connect 및 RStudio Package Manager 컨테이너에 모두 로그인합니다. 따라가다 추가 정보 지시 사항은
RStudio Package Manager로 패키지 관리
RStudio Package Manager는 조직 전체에서 R 패키지의 일관성과 표준화를 지원합니다. RStudio Package Manager에서 IT 관리자는 승인된 패키지를 저장소에 포함할 수 있습니다. 다양한 패키지 또는 패키지 버전에 액세스할 수 있도록 여러 그룹을 생성할 수 있습니다. RStudio Package Manager는 패키지의 모든 업데이트 및 버전 관리도 처리합니다. 관리자는 패키지에 대한 자동 업데이트를 활성화하거나 패키지를 수동으로만 업데이트할 수 있는 방식으로 RStudio 패키지 관리자를 구성하여 RStudio 패키지 관리자와 CRAN 서비스 간의 격리를 강화할 수도 있습니다.
RStudio 패키지 관리자 구성
다음을 사용하여 RStudio CRAN에서 패키지를 가져오는 저장소를 만들 수 있습니다. 다음 명령. 이러한 명령을 실행하려면 Amazon ECS Exec을 사용하여 RStudio Package Manager에 SSH로 연결해야 합니다.
이 명령은 리포지토리를 생성하고 이를 다음과 같은 내장 소스에 구독합니다. cran
. 이 작업이 완료되면, dev-cran
다음 스크린샷과 같이 RStudio Package Manager의 웹 인터페이스에서 저장소를 사용할 수 있습니다. 이 웹 인터페이스는 관리자는 물론 해당 URL을 갖고 있는 사용자도 액세스할 수 있습니다.
CRAN 패키지를 제공하는 것 외에도 리포지토리를 생성하여 로컬 패키지, Git 패키지, CRAN 패키지와 함께 로컬 패키지, 승인된 CRAN 및 로컬 패키지의 하위 집합, GitHub의 최첨단 패키지를 배포할 수 있습니다. 리포지토리를 만드는 방법에 대한 자세한 내용은 다음을 참조하세요. CRAN 패키지 제공. 또한 RStudio 패키지 관리자는 다음을 지원합니다. 바이오 컨덕터. 바이오컨덕터(Bioconductor)는 생명과학 분야에서 일반적으로 사용되는 R 패키지 생태계입니다. RStudio Package Manager의 로컬 패키지는 물론 Bioconductor 패키지를 CRAN과 결합할 수도 있습니다.
RStudio 패키지 관리자 패키지 버전
RStudio Package Manager의 웹 인터페이스에서 설정 탭에서는 달력 보기에서 날짜별로 저장소를 선택할 수 있습니다. 다음 스크린샷에 표시된 것처럼 최신 버전의 패키지를 사용할지 아니면 패키지를 특정 스냅샷으로 고정할지 선택할 수도 있습니다.
에 설정 탭에서는 리포지토리 패키지에 필요한 시스템 전제 조건과 이를 설치하는 명령도 확인할 수 있습니다.
RStudio Connect 및 RStudio Package Manager를 사용하도록 SageMaker 도메인에서 RStudio를 구성합니다.
RStudio를 사용하여 SageMaker 도메인을 생성할 때 SageMaker 도메인의 모든 사용자에 대해 기본 RStudio Connect 서버 및 RStudio 패키지 관리자 리포지토리를 설정할 수 있는 옵션이 있습니다. SageMaker 도메인 생성 프로세스 중에 다음 항목에 자세히 설명되어 있습니다. RStudio를 사용하여 SageMaker 도메인 생성 ~의 섹션 Amazon SageMaker에서 RStudio 시작하기, 다음에서 모든 사용자 프로필에 대한 기본 RStudio Connect 및 RStudio Package Manager URL을 구성할 수 있습니다. 3단계: RStudio 설정. 용 RStudio 연결에서 RStudio Connect 서버 URL을 입력하세요. 을 위한 RStudio 패키지 관리자, CRAN 또는 Bioconductor 저장소를 입력하세요.
기본 URL은 다음 위치에 구성되고 저장됩니다. /etc/rstudio/rsession.conf
SageMaker RStudio의 모든 사용자를 위한 것입니다. 다음을 사용하여 R 콘솔에서 기본 저장소를 확인할 수 있습니다. options('repos')
. RStudio Package Manager를 가리키는 저장소가 표시되어야 합니다. 기본 RStudio Connect URL은 한 번의 클릭으로 R 콘텐츠를 게시하면 자동으로 채워집니다.
R 세션의 RStudio Package Manager에서 리포지토리 업데이트
SageMaker에 이미 작동 중인 RStudio가 있고 다른 리포지토리를 사용하려는 경우 다음 단계에 따라 RStudio Package Manager의 리포지토리를 사용하도록 SageMaker의 RStudio에서 R 세션을 구성할 수 있습니다.
- R 세션에서 도구 메뉴, 선택 글로벌 옵션.
- 왼쪽 메뉴에서 패키지 그런 다음 변화.
- . 관습 필드에 선택한 저장소의 URL을 입력합니다( 설정 RStudio Package Manager 웹 인터페이스의 탭)을 선택하고 OK.
- 왼쪽 메뉴에서 OK 다시 한 번 말씀드리면 끝났습니다!
이제 RStudio에 설치하는 패키지는 RStudio 패키지 관리자 서버에서 선택한 저장소에서 제공됩니다. 당신은 그것을 확인할 수 있습니다 options('repos')
또는 패키지를 설치하고 패키지가 어디에서 가져오는지 확인합니다. 자세한 내용은 다음을 참조하세요. 성공 여부 확인.
R 세션에서 RStudio Connect 계정 업데이트
SageMaker에 이미 작동 중인 RStudio가 있고 기본값이 아닌 다른 RStudio Connect 서버를 사용하려는 경우 다음 단계를 완료하십시오.
- 에 도구 메뉴, 선택 글로벌 옵션.
- 왼쪽 메뉴에서 출판.
- 왼쪽 메뉴에서 연결하기.
- 왼쪽 메뉴에서 RStudio 연결.
- 서버 공개 URL을 입력하세요. 예:
https://xxxx.rstudioconnect.com
, 선택 다음 보기.
처음 로그인하는 경우 계정으로 로그인하라는 새 페이지가 나타납니다.
- 왼쪽 메뉴에서 연결하기 계속하려면.
- 왼쪽 메뉴에서 계정 연결 RStudio의 대화 상자에서.
목록에 RStudio Connect 사용자 프로필과 서버 URL이 표시되어야 합니다.
자세한 내용은 다음 링크를 참조하세요 RStudio 계정 연결및 연결: RStudio IDE.
이제 RStudio Connect 서버가 Amazon SageMaker의 RStudio에 성공적으로 연결되었습니다. 우리는 훌륭한 콘텐츠를 구축하고 게시할 준비가 되었습니다.
Amazon SageMaker의 RStudio에서 ML 콘텐츠 구축
Amazon SageMaker의 RStudio 내에서 분석을 쉽게 생성하고 RStudio Connect에 푸시 버튼으로 게시하여 공동 작업자가 분석을 사용할 수 있도록 할 수 있습니다. 이 게시물에서는 UCI 유방암 데이터세트 에 mlbench
게시의 일반적인 사용 사례인 R Markdown 및 Shiny 앱을 살펴보겠습니다.
R 마크다운
R Markdown은 Markdown 파일의 일부로 R에서 분석을 실행하고 RStudio Connect에서 공유할 수 있는 훌륭한 도구입니다. ~ 안에 rsconnect_rmarkdown/breast_cancer_eda.Rmd
, 마크다운의 텍스트와 함께 데이터 세트에 대해 두 가지 간단한 분석 및 플로팅을 수행합니다.
다음을 선택하여 파일을 미리 볼 수 있습니다. 뜨다 다음을 선택하여 RStudio Connect에 게시합니다. 게시이다..
R Markdown 외에도 Shiny를 사용하여 대화형 애플리케이션이나 대시보드를 구축하는 경우가 많습니다. Amazon SageMaker의 RStudio에서 RStudio Connect로 Shiny 앱을 게시하는 방법을 살펴보겠습니다.
빛나는 응용 프로그램
빛나는 프로그래밍 방식으로 대화형 웹 애플리케이션을 쉽게 만들 수 있게 해주는 R 패키지입니다. 데이터 과학자들 사이에서는 Shiny 애플리케이션을 통해 이해관계자에게 분석 및 모델을 공유하는 것이 인기가 있습니다. ~ 안에 rsconnect_shiny/breast-cancer-app/
, 우리는 ML 모델을 개발합니다 breast_cancer_modeling.r
사용자가 데이터 및 ML 모델과 상호 작용할 수 있도록 웹 애플리케이션을 만듭니다.
게시하려면 다음을 여세요. app.R
선택하고 게시이다.. 둘 다 선택 app.R
및 breast_cancer_modeling.r
출판하다.
애플리케이션에서는 플롯에서 시각화할 두 가지 기능을 변경하고 플롯에서 데이터 포인트를 선택하여 양성 암인지 악성 암인지에 대한 실제 데이터와 모델 예측을 볼 수 있습니다. 확률 임계값을 밀어서 모델과 상호 작용하고 다양한 분류 수를 얻을 수 있습니다. 다음 스크린샷에서 대시보드가 작동하는 모습을 볼 수 있습니다.
결론
이 게시물에서는 AWS CDK를 사용하여 AWS Fargate 및 Amazon ECS 기반 아키텍처로 AWS에 RStudio Connect 및 RStudio Package Manager 서버를 배포하는 방법을 보여주었습니다. 클라우드에서 실행되는 RStudio Connect 및 RStudio Package Manager를 통해 Amazon SageMaker의 RStudio에서 이를 사용하는 방법을 보여 드렸습니다. 그런 다음 유방암 예측 사용 사례를 기반으로 R Markdown 및 Shiny 애플리케이션과 같은 R 기반 자료를 RStudio Connect 인스턴스에 배포하는 방법을 시연했습니다.
클라우드에 RStudio Connect 인스턴스를 사용하면 ML 및 데이터 과학 팀이 보다 효과적으로 협업할 수 있을 뿐만 아니라 이해 관계자 및 비즈니스 단위 간에 ML 통찰력을 훨씬 쉽게 공유할 수 있습니다. 이는 결과적으로 더 나은 비즈니스 결과를 위해 조직에서 ML 사용을 촉진합니다. RStudio Package Manager를 사용하면 신뢰할 수 있는 소스에서 R 패키지를 빠르고 안전하게 관리, 제공 및 설치할 수 있어 프로젝트 재현성을 보장할 수 있습니다.
게시물에서 데이터 과학자의 관점에서 SageMaker의 RStudio에 대해 자세히 알아볼 수 있습니다. 데이터 과학자를 위한 Amazon SageMaker의 완전 관리형 RStudio 발표. 게시물에서 SageMaker에서 RStudio를 설정하고 관리하는 방법에 대해 자세히 알아볼 수도 있습니다. Amazon SageMaker에서 RStudio 시작하기. 최초의 클라우드 ML용 IDE인 Amazon SageMaker Studio에 대해 자세히 알아보려면 다음을 참조하세요. 아마존 세이지 메이커 스튜디오.
저자에 관하여
마이클 시에 수석 AI/ML 전문가 솔루션 설계자입니다. 그는 고객과 협력하여 Amazon Machine Learning 제품과 ML 도메인 지식을 결합하여 ML 여정을 발전시킵니다. 시애틀 출신인 그는 등산로, SLU의 풍경 카약, Shilshole Bay의 일몰 등 이 지역이 제공하는 위대한 대자연을 탐험하는 것을 좋아합니다.
차얀 판다 클라우드 인프라 설계자입니다. 그는 클라우드 마이그레이션, 클라우드 인프라(보안, 네트워크, DevOps), 그린필드 플랫폼 구현, 빅 데이터/AI/ML, 서버리스 및 데이터베이스 솔루션을 위한 강력한 솔루션 설계에 대해 AWS 고객에게 자문 서비스와 사고 리더십을 제공합니다. 그는 고객에 집착하지 않을 때는 가족과 함께 짧은 달리기, 음악, 책 읽기, 여행을 즐긴다.
파룩 사비르 수석 AI/ML 전문가 솔루션 설계자입니다. 그는 데이터 과학, 기계 학습 및 인공 지능을 사용하여 고객이 비즈니스 문제를 해결하도록 돕습니다.
- '
- 000
- 100
- 7
- 9
- ACCESS
- 계정
- 동작
- 자문
- All
- 아마존
- Amazon EC2
- 아마존 머신 러닝
- 아마존 세이지 메이커
- 중
- 분석
- 앱
- 어플리케이션
- 어플리케이션
- 앱
- 아키텍처
- 약
- 인공 지능
- 오로라
- 자동화
- 유효성
- AWS
- 만
- 검정
- 최첨단
- 유방암
- 브라우저
- 빌드
- 건물
- 사업
- 칼렌더
- 게자리
- 생산 능력
- 가지 경우
- 증명서
- 이전 단계로 돌아가기
- 확인하는 것이 좋다.
- 분류
- 클라우드
- 클라우드 인프라
- 암호
- 오는
- 공통의
- 커뮤니케이션
- 계산
- 입/출력 라인
- 소비
- 소비
- 컨테이너
- 용기
- 함유량
- 만들기
- 고객
- 계기반
- 데이터
- 데이터 과학
- 데이터베이스
- 데이터베이스
- 디자인
- 개발
- 개발자
- 개발
- 개발자
- DNS
- 도커
- 생태계
- Edge
- 엔지니어
- Enterprise
- 환경
- 가족
- 특징
- 재원
- 먼저,
- 처음으로
- 따라
- 고정
- 지프
- 힘내
- GitHub의
- 큰
- 건강 관리
- 높은
- 하이킹
- 보유
- 호스팅
- 방법
- How To
- HTTPS
- ICS
- 산업
- 정보
- 인프라
- 통찰력
- 인텔리전스
- 대화형
- 인터넷
- 격리
- 문제
- IT
- 키
- 지식
- 언어
- 최근
- 시작
- Leadership
- 배우다
- 배우기
- 생명과학
- LINK
- 명부
- 하중
- 지방의
- 기계 학습
- 구축
- 재료
- ML
- 모델
- 어머니
- 움직임
- 음악
- 네트워크
- 제공
- 오퍼링
- 열 수
- 선택권
- 조직
- 조직
- 관점
- 플랫폼
- 인기 문서
- 예측
- 예측
- 시사
- 사설
- 프로필
- 프로필
- 프로젝트
- 공개
- 게시
- 당기
- Python
- 으로
- 요구조건 니즈
- 제품 자료
- REST
- 리뷰
- 길
- 달리기
- 달리는
- 현자
- 스케일링
- 주사
- 과학
- 과학
- 과학자
- 시애틀
- 보안
- 선택된
- 서버리스
- 서비스
- 피복재
- 세트
- 공유
- 짧은
- 단순, 간단, 편리
- 스냅 사진
- So
- 솔루션
- 풀다
- 시작
- 유지
- 저장
- 상점
- 일몰
- SUPPORT
- 지원
- 표면
- 체계
- Technology
- 소스
- 사고 리더십
- 시간
- 상단
- 교통
- 운송
- 여행
- 업데이트
- 사용자
- 관측
- 취약점
- 웹
- 웹 애플리케이션
- 웹 브라우저
- 누구
- 이내
- 작업
- 워크플로우
- 일