โพสต์นี้เขียนร่วมกับ Jayadeep Pabbisetty ผู้เชี่ยวชาญด้านวิศวกรรมข้อมูลอาวุโสที่ Merck และ Prabakaran Mathaiyan วิศวกรอาวุโส ML ที่ Tiger Analytics
วงจรชีวิตการพัฒนาโมเดลการเรียนรู้ของเครื่องขนาดใหญ่ (ML) ต้องใช้กระบวนการเผยแพร่โมเดลที่ปรับขนาดได้ซึ่งคล้ายกับการพัฒนาซอฟต์แวร์ นักพัฒนาโมเดลมักจะทำงานร่วมกันในการพัฒนาโมเดล ML และต้องการแพลตฟอร์ม MLOps ที่แข็งแกร่งในการทำงาน แพลตฟอร์ม MLOps ที่ปรับขนาดได้จำเป็นต้องมีกระบวนการสำหรับจัดการเวิร์กโฟลว์ของการลงทะเบียนโมเดล ML การอนุมัติ และการเลื่อนระดับไปสู่ระดับสภาพแวดล้อมถัดไป (การพัฒนา การทดสอบ , UAT หรือการผลิต)
โดยทั่วไปแล้วนักพัฒนาโมเดลจะเริ่มทำงานในสภาพแวดล้อมการพัฒนา ML แต่ละรายการภายใน อเมซอน SageMaker. เมื่อโมเดลได้รับการฝึกอบรมและพร้อมใช้งานแล้ว จะต้องได้รับการอนุมัติหลังจากลงทะเบียนใน รีจิสทรีโมเดล Amazon SageMaker. ในโพสต์นี้ เราจะพูดคุยถึงวิธีที่ทีม AWS AI/ML ทำงานร่วมกับทีม Merck Human Health IT MLOps เพื่อสร้างโซลูชันที่ใช้เวิร์กโฟลว์อัตโนมัติสำหรับการอนุมัติโมเดล ML และการส่งเสริมโดยมีการแทรกแซงของมนุษย์อยู่ตรงกลาง
ภาพรวมของโซลูชัน
โพสต์นี้มุ่งเน้นไปที่โซลูชันเวิร์กโฟลว์ที่วงจรการพัฒนาโมเดล ML สามารถใช้ระหว่างไปป์ไลน์การฝึกและไปป์ไลน์การอนุมาน โซลูชันนี้มอบเวิร์กโฟลว์ที่ปรับขนาดได้สำหรับ MLOps ในการสนับสนุนกระบวนการอนุมัติและส่งเสริมโมเดล ML ด้วยการแทรกแซงของมนุษย์ โมเดล ML ที่ลงทะเบียนโดยนักวิทยาศาสตร์ข้อมูลจำเป็นต้องมีผู้อนุมัติตรวจสอบและอนุมัติก่อนที่จะนำไปใช้กับไปป์ไลน์การอนุมานและในระดับสภาพแวดล้อมถัดไป (การทดสอบ UAT หรือการใช้งานจริง) วิธีแก้ปัญหาใช้ AWS แลมบ์ดา, Amazon API Gateway Amazon, อเมซอน EventBridgeและ SageMaker เพื่อทำให้เวิร์กโฟลว์เป็นอัตโนมัติโดยมีการแทรกแซงการอนุมัติจากมนุษย์อยู่ตรงกลาง แผนภาพสถาปัตยกรรมต่อไปนี้แสดงการออกแบบระบบโดยรวม บริการของ AWS ที่ใช้ และขั้นตอนการทำงานสำหรับการอนุมัติและส่งเสริมโมเดล ML ด้วยการแทรกแซงของมนุษย์ตั้งแต่การพัฒนาไปจนถึงการใช้งานจริง
เวิร์กโฟลว์ประกอบด้วยขั้นตอนต่อไปนี้:
- ไปป์ไลน์การฝึกอบรมจะพัฒนาและลงทะเบียนโมเดลในการลงทะเบียนโมเดล SageMaker ณ จุดนี้ สถานะของโมเดลคือ
PendingManualApproval
. - EventBridge ติดตามเหตุการณ์การเปลี่ยนแปลงสถานะเพื่อดำเนินการโดยอัตโนมัติด้วยกฎง่ายๆ
- กฎกิจกรรมการลงทะเบียนโมเดล EventBridge จะเรียกใช้ฟังก์ชัน Lambda ที่สร้างอีเมลพร้อมลิงก์เพื่ออนุมัติหรือปฏิเสธโมเดลที่ลงทะเบียน
- ผู้อนุมัติจะได้รับอีเมลพร้อมลิงก์เพื่อตรวจสอบและอนุมัติหรือปฏิเสธแบบจำลอง
- ผู้อนุมัติอนุมัติโมเดลโดยไปที่ลิงก์ในอีเมลไปยังตำแหน่งข้อมูล API Gateway
- API Gateway เรียกใช้ฟังก์ชัน Lambda เพื่อเริ่มต้นการอัปเดตโมเดล
- การลงทะเบียนโมเดลได้รับการอัปเดตสำหรับสถานะของโมเดล (
Approved
สำหรับสภาพแวดล้อม dev แต่PendingManualApproval
สำหรับการทดสอบ UAT และการผลิต) - รายละเอียดโมเดลจะถูกบันทึกไว้ใน ที่เก็บพารามิเตอร์ AWS, ความสามารถของ ผู้จัดการระบบ AWSรวมถึงเวอร์ชันของโมเดล สภาพแวดล้อมเป้าหมายที่ได้รับอนุมัติ แพ็คเกจของโมเดล
- ไปป์ไลน์การอนุมานดึงโมเดลที่ได้รับอนุมัติสำหรับสภาพแวดล้อมเป้าหมายจากที่เก็บพารามิเตอร์
- ฟังก์ชัน Lambda การแจ้งเตือนหลังการอนุมานจะรวบรวมตัววัดการอนุมานแบบกลุ่มและส่งอีเมลไปยังผู้อนุมัติเพื่อเลื่อนระดับโมเดลไปยังสภาพแวดล้อมถัดไป
เบื้องต้น
เวิร์กโฟลว์ในโพสต์นี้ถือว่าสภาพแวดล้อมสำหรับไปป์ไลน์การฝึกอบรมได้รับการตั้งค่าใน SageMaker พร้อมด้วยทรัพยากรอื่นๆ ข้อมูลเข้าไปป์ไลน์การฝึกคือชุดข้อมูลฟีเจอร์ รายละเอียดการสร้างฟีเจอร์ไม่รวมอยู่ในโพสต์นี้ แต่จะเน้นที่การลงทะเบียน การอนุมัติ และการโปรโมตโมเดล ML หลังจากผ่านการฝึกอบรมแล้ว โมเดลได้รับการลงทะเบียนในทะเบียนโมเดลและอยู่ภายใต้กรอบงานการตรวจสอบใน การตรวจสอบโมเดล Amazon SageMaker เพื่อตรวจจับการดริฟท์ใดๆ และดำเนินการฝึกใหม่ในกรณีที่มีโมเดลดริฟท์
รายละเอียดขั้นตอนการทำงาน
เวิร์กโฟลว์การอนุมัติเริ่มต้นด้วยแบบจำลองที่พัฒนาจากไปป์ไลน์การฝึกอบรม เมื่อนักวิทยาศาสตร์ข้อมูลพัฒนาโมเดล พวกเขาจะลงทะเบียนโมเดลนั้นกับ SageMaker Model Registry โดยมีสถานะโมเดลเป็น PendingManualApproval
. EventBridge จะตรวจสอบ SageMaker สำหรับเหตุการณ์การลงทะเบียนโมเดล และทริกเกอร์กฎเหตุการณ์ที่เรียกใช้ฟังก์ชัน Lambda ฟังก์ชัน Lambda จะสร้างอีเมลแบบไดนามิกเพื่อขออนุมัติโมเดลพร้อมลิงก์ไปยังตำแหน่งข้อมูล API Gateway ไปยังฟังก์ชัน Lambda อื่น เมื่อผู้อนุมัติคลิกลิงก์เพื่ออนุมัติโมเดล API Gateway จะส่งต่อการดำเนินการอนุมัติไปยังฟังก์ชัน Lambda ซึ่งจะอัปเดต SageMaker Model Registry และคุณลักษณะของโมเดลในที่เก็บพารามิเตอร์ ผู้อนุมัติจะต้องได้รับการรับรองความถูกต้องและเป็นส่วนหนึ่งของกลุ่มผู้อนุมัติที่จัดการโดย Active Directory การอนุมัติเบื้องต้นจะทำเครื่องหมายโมเดลเป็น Approved
สำหรับ dev แต่ PendingManualApproval
สำหรับการทดสอบ UAT และการผลิต แอ็ตทริบิวต์โมเดลที่บันทึกไว้ในที่เก็บพารามิเตอร์ประกอบด้วยเวอร์ชันโมเดล แพ็คเกจโมเดล และสภาพแวดล้อมเป้าหมายที่ได้รับอนุมัติ
เมื่อไปป์ไลน์การอนุมานจำเป็นต้องดึงข้อมูลโมเดล จะตรวจสอบที่เก็บพารามิเตอร์เพื่อหาเวอร์ชันล่าสุดของโมเดลที่ได้รับอนุมัติสำหรับสภาพแวดล้อมเป้าหมาย และรับรายละเอียดการอนุมาน เมื่อไปป์ไลน์การอนุมานเสร็จสมบูรณ์ อีเมลแจ้งเตือนหลังการอนุมานจะถูกส่งไปยังผู้มีส่วนได้ส่วนเสียเพื่อขออนุมัติเพื่อเลื่อนระดับแบบจำลองไปสู่ระดับสภาพแวดล้อมถัดไป อีเมลนี้มีรายละเอียดเกี่ยวกับโมเดลและหน่วยวัด รวมถึงลิงก์การอนุมัติไปยังตำแหน่งข้อมูล API Gateway สำหรับฟังก์ชัน Lambda ที่อัปเดตแอตทริบิวต์ของโมเดล
ต่อไปนี้เป็นลำดับของเหตุการณ์และขั้นตอนการนำไปใช้สำหรับเวิร์กโฟลว์การอนุมัติ/ส่งเสริมโมเดล ML ตั้งแต่การสร้างแบบจำลองไปจนถึงการใช้งานจริง แบบจำลองนี้ได้รับการส่งเสริมตั้งแต่การพัฒนาไปจนถึงการทดสอบ UAT และสภาพแวดล้อมการใช้งานจริงโดยมีการอนุมัติจากมนุษย์อย่างชัดเจนในแต่ละขั้นตอน
เราเริ่มต้นด้วยไปป์ไลน์การฝึกอบรม ซึ่งพร้อมสำหรับการพัฒนาโมเดล เวอร์ชันของโมเดลเริ่มต้นที่ 0 ใน SageMaker Model Registry
- ไปป์ไลน์การฝึกอบรม SageMaker จะพัฒนาและลงทะเบียนโมเดลใน SageMaker Model Registry รุ่น 1 มีการลงทะเบียนและเริ่มต้นด้วย รอการอนุมัติด้วยตนเอง สถานะข้อมูลเมตา Model Registry มีฟิลด์ที่กำหนดเองสี่ฟิลด์สำหรับสภาพแวดล้อม:
dev, test, uat
และprod
. - EventBridge จะตรวจสอบ SageMaker Model Registry เพื่อดูการเปลี่ยนแปลงสถานะเพื่อดำเนินการโดยอัตโนมัติด้วยกฎง่ายๆ
- กฎเหตุการณ์การลงทะเบียนโมเดลจะเรียกใช้ฟังก์ชัน Lambda ที่สร้างอีเมลพร้อมลิงก์เพื่ออนุมัติหรือปฏิเสธโมเดลที่ลงทะเบียน
- ผู้อนุมัติจะได้รับอีเมลพร้อมลิงก์เพื่อตรวจสอบและอนุมัติ (หรือปฏิเสธ) โมเดล
- ผู้อนุมัติอนุมัติโมเดลโดยคลิกลิงก์ไปยังตำแหน่งข้อมูล API Gateway ในอีเมล
- API Gateway เรียกใช้ฟังก์ชัน Lambda เพื่อเริ่มต้นการอัปเดตโมเดล
- SageMaker Model Registry ได้รับการอัปเดตด้วยสถานะโมเดล
- ข้อมูลรายละเอียดโมเดลจะถูกจัดเก็บไว้ในที่เก็บพารามิเตอร์ รวมถึงเวอร์ชันของโมเดล สภาพแวดล้อมเป้าหมายที่ได้รับอนุมัติ และแพ็คเกจของโมเดล
- ไปป์ไลน์การอนุมานดึงโมเดลที่ได้รับอนุมัติสำหรับสภาพแวดล้อมเป้าหมายจากที่เก็บพารามิเตอร์
- ฟังก์ชัน Lambda การแจ้งเตือนหลังการอนุมานจะรวบรวมตัววัดการอนุมานแบบกลุ่มและส่งอีเมลไปยังผู้อนุมัติเพื่อเลื่อนระดับโมเดลไปยังสภาพแวดล้อมถัดไป
- ผู้อนุมัติอนุมัติการเลื่อนระดับโมเดลไปอีกระดับโดยไปตามลิงก์ไปยังตำแหน่งข้อมูล API Gateway ซึ่งจะทริกเกอร์ฟังก์ชัน Lambda เพื่ออัปเดต SageMaker Model Registry และที่เก็บพารามิเตอร์
ประวัติทั้งหมดของการกำหนดเวอร์ชันและการอนุมัติโมเดลจะถูกบันทึกไว้เพื่อตรวจสอบในที่เก็บพารามิเตอร์
สรุป
วงจรการพัฒนาโมเดล ML ขนาดใหญ่จำเป็นต้องมีกระบวนการอนุมัติโมเดล ML ที่ปรับขนาดได้ ในโพสต์นี้ เราได้แชร์การใช้งานการลงทะเบียนโมเดล ML การอนุมัติ และเวิร์กโฟลว์การโปรโมตด้วยการแทรกแซงของมนุษย์โดยใช้ SageMaker Model Registry, EventBridge, API Gateway และ Lambda หากคุณกำลังพิจารณากระบวนการพัฒนาโมเดล ML ที่ปรับขนาดได้สำหรับแพลตฟอร์ม MLOps ของคุณ คุณสามารถทำตามขั้นตอนในโพสต์นี้เพื่อปรับใช้เวิร์กโฟลว์ที่คล้ายกัน
เกี่ยวกับผู้แต่ง
ทอม คิม เป็นสถาปนิกโซลูชันอาวุโสที่ AWS ซึ่งเขาช่วยให้ลูกค้าบรรลุวัตถุประสงค์ทางธุรกิจโดยการพัฒนาโซลูชันบน AWS เขามีประสบการณ์กว้างขวางในด้านสถาปัตยกรรมระบบองค์กรและการปฏิบัติการในอุตสาหกรรมต่างๆ โดยเฉพาะอย่างยิ่งในด้านการดูแลสุขภาพและวิทยาศาสตร์ชีวภาพ Tom เรียนรู้เทคโนโลยีใหม่ๆ อยู่เสมอซึ่งนำไปสู่ผลลัพธ์ทางธุรกิจที่ต้องการสำหรับลูกค้า เช่น AI/ML, GenAI และการวิเคราะห์ข้อมูล นอกจากนี้เขายังสนุกกับการเดินทางไปยังสถานที่ใหม่ๆ และเล่นสนามกอล์ฟใหม่ๆ ทุกครั้งที่หาเวลาได้
ชามิกา อริยวรรณศซึ่งทำหน้าที่เป็นสถาปนิกอาวุโสด้านโซลูชัน AI/ML ในแผนกการดูแลสุขภาพและวิทยาศาสตร์ชีวภาพที่ Amazon Web Services (AWS) ซึ่งเชี่ยวชาญด้าน Generative AI โดยมุ่งเน้นไปที่การฝึกอบรม Large Language Model (LLM) การเพิ่มประสิทธิภาพการอนุมาน และ MLOps (การเรียนรู้ของเครื่อง) การดำเนินงาน) เขาแนะนำลูกค้าในการฝัง Generative AI ขั้นสูงไว้ในโปรเจ็กต์ของพวกเขา รับรองกระบวนการฝึกอบรมที่แข็งแกร่ง กลไกการอนุมานที่มีประสิทธิภาพ และแนวทางปฏิบัติ MLOps ที่ปรับปรุงประสิทธิภาพสำหรับโซลูชัน AI ที่มีประสิทธิภาพและปรับขนาดได้ นอกเหนือจากความมุ่งมั่นในอาชีพของเขา Shamika หลงใหลในการเล่นสกีและการผจญภัยบนทางวิบาก
ชยาดีป ปั๊บบีเซตตี เป็นวิศวกรอาวุโสด้าน ML/ข้อมูลที่เมอร์ค ซึ่งเขาออกแบบและพัฒนาโซลูชัน ETL และ MLOps เพื่อปลดล็อกวิทยาศาสตร์ข้อมูลและการวิเคราะห์สำหรับธุรกิจ เขากระตือรือร้นที่จะเรียนรู้เทคโนโลยีใหม่ ๆ สำรวจเส้นทางใหม่ ๆ และได้รับทักษะที่จำเป็นในการพัฒนาตามอุตสาหกรรมไอทีที่เปลี่ยนแปลงตลอดเวลา ในเวลาว่าง เขาติดตามความหลงใหลในกีฬาและชอบท่องเที่ยวและสำรวจสถานที่ใหม่ๆ
ประบาการัน มาไธยาน เป็นวิศวกรการเรียนรู้ของเครื่องอาวุโสที่ Tiger Analytics LLC ซึ่งเขาช่วยเหลือลูกค้าให้บรรลุวัตถุประสงค์ทางธุรกิจโดยจัดหาโซลูชันสำหรับการสร้างแบบจำลอง การฝึกอบรม การตรวจสอบความถูกต้อง การตรวจสอบ CICD และการปรับปรุงโซลูชันการเรียนรู้ของเครื่องบน AWS Prabakaran มักจะเรียนรู้เทคโนโลยีใหม่ๆ ที่นำไปสู่ผลลัพธ์ทางธุรกิจที่ต้องการสำหรับลูกค้า เช่น AI/ML, GenAI, GPT และ LLM เขายังสนุกกับการเล่นคริกเก็ตทุกครั้งที่หาเวลาได้
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-an-amazon-sagemaker-model-registry-approval-and-promotion-workflow-with-human-intervention/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 100
- 110
- 116
- a
- เกี่ยวกับเรา
- บรรลุ
- การแสวงหา
- ข้าม
- การกระทำ
- การปฏิบัติ
- คล่องแคล่ว
- Active Directory
- สูง
- การผจญภัย
- หลังจาก
- AI
- AI / ML
- ตาม
- ด้วย
- เสมอ
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- Amazon Web Services (AWS)
- an
- การวิเคราะห์
- และ
- อื่น
- ใด
- API
- การอนุมัติ
- อนุมัติ
- ได้รับการอนุมัติ
- สถาปัตยกรรม
- เป็น
- AS
- ถือว่า
- At
- แอตทริบิวต์
- รับรองความถูกต้อง
- โดยอัตโนมัติ
- อัตโนมัติ
- อัตโนมัติ
- ลู่ทาง
- AWS
- BE
- ก่อน
- กำลัง
- ระหว่าง
- เกิน
- ด้านล่าง
- สร้าง
- การก่อสร้าง
- รถบัส
- ธุรกิจ
- แต่
- by
- CAN
- ความสามารถ
- ซึ่ง
- กรณี
- เปลี่ยนแปลง
- การตรวจสอบ
- รหัส
- ร่วมมือ
- เก็บรวบรวม
- ภาระผูกพัน
- สมบูรณ์
- พิจารณา
- หลักสูตร
- การสร้าง
- จิ้งหรีด
- ประเพณี
- ลูกค้า
- ข้อมูล
- วิเคราะห์ข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ออกแบบ
- การออกแบบ
- ที่ต้องการ
- รายละเอียด
- รายละเอียด
- ตรวจจับ
- dev
- พัฒนา
- พัฒนา
- ผู้พัฒนา
- นักพัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- พัฒนา
- สนทนา
- การแบ่ง
- แบบไดนามิก
- e
- แต่ละ
- มีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- อีเมล
- การฝัง
- ปลายทาง
- วิศวกร
- ชั้นเยี่ยม
- การสร้างความมั่นใจ
- Enterprise
- กระตือรือร้น
- สิ่งแวดล้อม
- สภาพแวดล้อม
- อีเธอร์ (ETH)
- เหตุการณ์
- เหตุการณ์
- เปลี่ยนแปลงตลอดเวลา
- คาย
- ประสบการณ์
- สำรวจ
- สำรวจ
- กว้างขวาง
- ประสบการณ์ที่กว้างขวาง
- ลักษณะ
- คุณสมบัติ
- สาขา
- หา
- โฟกัส
- มุ่งเน้นไปที่
- ปฏิบัติตาม
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- สี่
- กรอบ
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- เกตเวย์
- รุ่น
- กำเนิด
- กำเนิด AI
- กอล์ฟ
- ปกครอง
- บัญชีกลุ่ม
- คู่มือ
- การจัดการ
- he
- สุขภาพ
- การดูแลสุขภาพ
- การดูแลสุขภาพ
- จะช่วยให้
- ของเขา
- ประวัติ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTML
- HTTPS
- เป็นมนุษย์
- if
- การดำเนินการ
- การดำเนินงาน
- การปรับปรุง
- in
- ประกอบด้วย
- รวม
- รวมถึง
- รวมทั้ง
- เป็นรายบุคคล
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- แรกเริ่ม
- เริ่มต้น
- อินพุต
- บูรณาการ
- การแทรกแซง
- เข้าไป
- จะเรียก
- IT
- อุตสาหกรรมไอที
- jpg
- ภาษา
- ใหญ่
- ล่าสุด
- นำ
- การเรียนรู้
- ชั้น
- ชีวิต
- วิทยาศาสตร์ชีวภาพ
- วิทยาศาสตร์สิ่งมีชีวิต
- วงจรชีวิต
- ยอดไลก์
- LINK
- LLC
- เครื่อง
- เรียนรู้เครื่อง
- การจัดการ
- คู่มือ
- กลไก
- เมอร์ค
- เมตาดาต้า
- ตัวชี้วัด
- กลาง
- ML
- ม.ป.ป
- แบบ
- โมเดล
- การตรวจสอบ
- จอภาพ
- ต้อง
- จำเป็น
- ความต้องการ
- ใหม่
- เทคโนโลยีใหม่ ๆ
- ถัดไป
- การประกาศ
- วัตถุประสงค์
- of
- มักจะ
- on
- การดำเนินการ
- or
- อื่นๆ
- ผล
- ทั้งหมด
- แพ็คเกจ
- พารามิเตอร์
- ส่วนหนึ่ง
- โดยเฉพาะ
- กิเลส
- แบบแผน
- ท่อ
- สถานที่
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- ภาพเหมือน
- โพสต์
- การปฏิบัติ
- ดำเนิน
- กระบวนการ
- กระบวนการ
- การผลิต
- มืออาชีพ
- โครงการ
- ส่งเสริม
- การเลื่อนตำแหน่ง
- การส่งเสริม
- โปรโมชั่น
- ให้
- การให้
- ไล่ตาม
- พร้อม
- ทะเบียน
- ลงทะเบียน
- ลงทะเบียน
- ลงทะเบียน
- รีจิสทรี
- ปล่อย
- ขอ
- ต้องการ
- ต้อง
- แหล่งข้อมูล
- การอบรมขึ้นใหม่
- ทบทวน
- แข็งแรง
- เส้นทาง
- กฎ
- กฎระเบียบ
- s
- sagemaker
- ที่บันทึกไว้
- ที่ปรับขนาดได้
- วิทยาศาสตร์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ส่ง
- ระดับอาวุโส
- ส่ง
- ลำดับ
- บริการ
- การให้บริการ
- ชุด
- หลาย
- ที่ใช้ร่วมกัน
- แสดงให้เห็นว่า
- คล้ายคลึงกัน
- ง่าย
- ทักษะ
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- ทางออก
- โซลูชัน
- ผู้เชี่ยวชาญ
- ความเชี่ยวชาญ
- กีฬา
- ผู้ถือเงินเดิมพัน
- เริ่มต้น
- เริ่มต้น
- Status
- ขั้นตอน
- ขั้นตอน
- จัดเก็บ
- เก็บไว้
- คล่องตัว
- ที่สนับสนุน
- ระบบ
- ระบบ
- เอา
- เป้า
- ทีม
- เทคโนโลยี
- ทดสอบ
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- นี้
- เสือ
- เวลา
- ไปยัง
- ร่วมกัน
- ทอม
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การเดินทาง
- การเดินทาง
- เป็นปกติ
- ปลดล็อก
- บันทึก
- ให้กับคุณ
- การปรับปรุง
- ใช้
- มือสอง
- ใช้
- การใช้
- การตรวจสอบ
- รุ่น
- we
- เว็บ
- บริการเว็บ
- ดี
- เมื่อ
- เมื่อไรก็ตาม
- ที่
- กับ
- ภายใน
- งาน
- ทำงานด้วยกัน
- เวิร์กโฟลว์
- เธอ
- ของคุณ
- ลมทะเล