Mis on tehisintellekt pilvandmetöötluses?

Mis on tehisintellekt pilvandmetöötluses?

Lühike vastus: tehisintellekt pilvandmetöötluses seisneb pilveplatvormide kasutamises andmete salvestamiseks, arvutusvõimsuse rentimiseks, mudelite koolitamiseks, teenustena juurutamiseks ja tootmises jälgimiseks. See on oluline, sest enamik tõrkeid koondub andmete, juurutamise ja toimingute, mitte matemaatika ümber. Kui vajate kiiret skaleerimist või korduvaid väljalaseid, on pilv + MLOps praktiline lahendus.

Peamised järeldused:

Elutsükkel : andmete hankimine, funktsioonide loomine, treenimine, juurutamine ning seejärel triivi, latentsuse ja kulude jälgimine.

Haldus : Juurdepääsukontrollid, auditilogid ja keskkondade eraldamine tuleb sisse ehitada algusest peale.

Reprodutseeritavus : salvestage andmete versioonid, kood, parameetrid ja keskkonnad, et käivitusi saaks korrata.

Kulude kontroll : arvete šokkide vältimiseks kasutage partiidena töötlust, vahemällu salvestamist, automaatse skaleerimise piirmäärasid ja kohapealset/eelistatavat koolitust.

Juurutamismustrid : valige meeskonna reaalsuse põhjal hallatavad platvormid, Lakehouse'i töövood, Kubernetes või RAG.

Mis on tehisintellekt pilvandmetöötluses? Infograafik

Artiklid, mida võiksite pärast seda lugeda:

🔗 Parimad tehisintellektiga pilvepõhised ärijuhtimise tööriistad
Võrdle juhtivaid pilveplatvorme, mis sujuvamaks muudavad toiminguid, rahandust ja meeskondi.

🔗 Suuremahulise generatiivse tehisintellekti jaoks vajalikud tehnoloogiad
GenAI juurutamiseks vajalik peamine infrastruktuur, andmed ja juhtimine.

🔗 Tasuta tehisintellekti tööriistad andmete analüüsimiseks
Parimad tasuta tehisintellekti lahendused andmekogumite puhastamiseks, modelleerimiseks ja visualiseerimiseks.

🔗 Mis on tehisintellekt teenusena?
Selgitab tehisintellekti alal pakutavat teenust (AIaaS), selle eeliseid, hinnamudeleid ja levinud ärikasutusjuhtumeid.

Tehisintellekt pilvandmetöötluses: lihtne definitsioon 🧠☁️

Pilvandmetöötluses tähendab tehisintellekt oma põhiolemuses pilveplatvormide kasutamist juurdepääsuks:

Selle asemel, et osta oma kallist riistvara, rentid sa just selle, mida vajad, just siis, kui seda vajad NIST SP 800-145 . See on nagu jõusaali rentimine üheks intensiivseks treeninguks, selle asemel, et ehitada jõusaal oma garaaži ja seejärel mitte kunagi enam jooksulint kasutada. See juhtub parimatega meist 😬

Lihtsamalt öeldes: see on tehisintellekt, mis skaleerub, tarnitakse, uuendatakse ja töötab pilveinfrastruktuuri kaudu (NIST SP 800-145) .

Miks tehisintellekt + pilveteenused on nii olulised 🚀

Olgem ausad – enamik tehisintellekti projekte ei ebaõnnestu mitte sellepärast, et matemaatika on keeruline. Nad ebaõnnestuvad seetõttu, et „mudeli ümber olevad asjad” lähevad sassi:

  • andmed on hajutatud

  • keskkonnad ei sobi kokku

  • mudel töötab kellegi sülearvutil, aga mitte kusagil mujal

  • juurutamist käsitletakse kui järelmõtet

  • Turvalisus ja vastavus ilmuvad hilja nagu kutsumata nõbu 😵

Pilveplatvormid on abiks, sest need pakuvad:

1) Elastne skaala 📈

Treeni mudelit lühikest aega suurel klastril ja seejärel sulge see (NIST SP 800-145) .

2) Kiirem katsetamine ⚡

Käivitage hallatavad märkmikud, eelloodud torujuhtmed ja GPU eksemplarid kiiresti Google Cloudis: GPU-d tehisintellekti jaoks .

3) Lihtsam juurutamine 🌍

Juurutage mudeleid API-de, pakktöötluste või manussüsteemidena. Red Hat: Mis on REST API? SageMaker Batch Transform .

4) Integreeritud andmeökosüsteemid 🧺

Teie andmekanalid, laod ja analüütika asuvad sageli juba pilves. AWS: andmeladu vs andmejärv .

5) Koostöö ja juhtimine 🧩

Õigused, auditilogid, versioonimine ja jagatud tööriistad on sisse ehitatud (mõnikord valusalt, aga siiski) Azure'i masinõppe registritesse (MLOps) .

Kuidas tehisintellekt pilvandmetöötluses praktikas töötab (päris voog) 🔁

Siin on tavaline elutsükkel. Mitte „täiusliku diagrammi“ versioon... see, mis on sisse elatud.

1. samm: andmed maanduvad pilvesalvestusse 🪣

Näited: objektisalvestusämbrid, andmejärved, pilveandmebaasid Amazon S3 (objektisalvestus) AWS: Mis on andmejärv? Google Cloud Storage'i ülevaade .

2. samm: andmetöötlus + funktsioonide loomine 🍳

Sa puhastad seda, muudad seda, lood funktsioone, võib-olla voogedastad seda.

3. samm: modellikoolitus 🏋️

treenimiseks kasutate pilvandmetöötlust (sageli GPU-sid) : GPU-d tehisintellekti jaoks :

4. samm: juurutamine 🚢

Mudelid pakitakse ja serveeritakse järgmistel viisidel:

5. samm: Jälgimine + värskendused 👀

Rada:

See on mootor. See on tehisintellekt pilvandmetöötluses liikumises, mitte ainult definitsioonina.

Mis teeb pilvandmetöötluses tehisintellekti versiooni heaks? ✅☁️🤖

Kui soovid „head” teostust (mitte lihtsalt uhket demot), keskendu järgmistele asjadele:

A) Mureküsimuste selge jaotus 🧱

  • andmekiht (salvestusruum, haldus)

  • treeningkiht (katsed, torujuhtmed)

  • teenindav kiht (API-d, skaleerimine)

  • jälgimiskiht (mõõdikud, logid, teated) SageMaker Model Monitor

Kui kõik kokku segatakse, muutub veaotsing emotsionaalseks kahjustuseks.

B) Vaikimisi reprodutseeritavus 🧪

Hea süsteem võimaldab teil kätega vehkimata öelda:

  • andmed, mis seda mudelit treenisid

  • koodi versioon

  • hüperparameetrid

  • keskkond

Kui vastus on "ee, ma arvan, et see oli teisipäevane jooks...", oled juba hädas 😅

C) Kuluteadlik disain 💸

Pilvepõhine tehisintellekt on võimas, aga see on ka lihtsaim viis kogemata arve loomiseks, mis paneb sind oma eluvalikuid kahtluse alla seadma.

Heade seadistuste hulka kuuluvad:

D) Turvalisus ja vastavus on sisse ehitatud 🔐

Mitte hiljem poltidega kinnitatud nagu teip lekkivale torule.

E) Tõeline tee prototüübist tootmiseni 🛣️

See on oluline teema. Hea tehisintellekti „versioon” pilves sisaldab MLOpsi, juurutamismustreid ja jälgimist algusest peale. Google Cloud: Mis on MLOps? Muidu on see teadusmessi projekt uhke arvega.

Võrdlustabel: populaarsed tehisintellekti pilvepõhised valikud (ja kellele need mõeldud on) 🧰📊

Allpool on kiire ja pisut arvamuslik tabel. Hinnad on tahtlikult laiaulatuslikud, sest pilvepõhise hinnakujundusega on tegemist nagu kohvi tellimisega – baashind ei ole kunagi hind 😵💫

Tööriist / platvorm Sihtrühm Hinnaline Miks see toimib (lisatud veidrad märkmed)
AWS SageMaker ML-meeskonnad, ettevõtted Maksa vastavalt kasutamisele Täisfunktsionaalne masinõppe platvorm – treenimine, lõpp-punktid, torujuhtmed. Võimas, aga menüüd kõikjal.
Google Vertexi tehisintellekt ML-meeskonnad, andmeteaduse organisatsioonid Maksa vastavalt kasutamisele Tugev hallatud koolitus + mudeliregister + integratsioonid. Tundub sujuv, kui klõpsab.
Azure'i masinõpe Ettevõtted, MS-kesksed organisatsioonid Maksa vastavalt kasutamisele Sobib hästi Azure'i ökosüsteemiga. Head juhtimisvõimalused, palju nuppe.
Databricks (masinaõpe + Lakehouse) Andmetehnika rasked meeskonnad Tellimus + kasutus Suurepärane andmekanalite ja masinõppe ühendamiseks ühes kohas. Praktiliste meeskondade seas sageli populaarne.
Snowflake'i tehisintellekti funktsioonid Analüütikakesksed organisatsioonid Kasutuspõhine Hea, kui su maailm on juba laos olemas. Vähem „masinaõppe laborit“, rohkem „SQL-ilikku tehisintellekti“
IBM watsonx Reguleeritud tööstusharud Ettevõtte hinnakujundus Juhtimine ja ettevõtte kontroll on suure tähelepanu all. Sageli valitakse see poliitikamahukate olukordade puhul.
Hallatud Kubernetes (tee ise masinõpe) Platvormiinsenerid Muutuja Paindlik ja kohandatud. Ja… purunemisel vastutad valu eest 🙃
Serverita järeldus (funktsioonid + lõpp-punktid) Tootemeeskonnad Kasutuspõhine Suurepärane tiheda liikluse jaoks. Jälgi külmkäivitusi ja latentsust nagu kull.

Asi pole „parima“ valimises – asi on oma meeskonna reaalsusega vastavusse viimises. See ongi vaikne saladus.

Pilvandmetöötluse tehisintellekti levinumad kasutusjuhud (näidetega) 🧩✨

Siin on kohad, kus tehisintellekti pilvepõhised seadistused silma paistavad:

1) Klienditoe automatiseerimine 💬

2) Soovitussüsteemid 🛒

  • tootesoovitused

  • sisuvood

  • „inimesed ostsid ka“.
    Need vajavad sageli skaleeritavat järeldusvõimalust ja peaaegu reaalajas värskendusi.

3) Pettuste avastamine ja riski hindamine 🕵️

Pilv lihtsustab purskete haldamist, sündmuste voogesitamist ja ansamblite käitamist.

4) Dokumentide luure 📄

  • OCR-torustikud

  • üksuse eraldamine

  • lepingu analüüs

  • arvete parsimine Snowflake Cortex AI funktsioonid
    Paljudes organisatsioonides antakse aeg vaikselt tagasi.

5) Prognoosimine ja oskuste optimeerimine 📦

Nõudluse prognoosimine, varude planeerimine, marsruutide optimeerimine. Pilveteenused on abiks, sest andmemaht on suur ja ümberõpe on sagedane.

6) Generatiivsed tehisintellekti rakendused 🪄

  • sisu koostamine

  • koodi abi

  • sisemised teadmusrobotid (RAG)

  • sünteetiliste andmete genereerimine , otsingu-laiendatud genereerimise (RAG) paber.
    See on sageli hetk, mil ettevõtted lõpuks ütlevad: „Me peame teadma, kus meie andmetele juurdepääsu reeglid kehtivad.“ 😬

Arhitektuurimustrid, mida näete kõikjal 🏗️

Muster 1: Hallatud masinõppe platvorm (tee „me tahame vähem peavalu“) 😌

Toimib hästi, kui kiirus on oluline ja te ei soovi sisemisi tööriistu nullist ehitada.

Muster 2: Lakehouse + masinõpe (andmetele orienteeritud marsruut) 🏞️

  • andmetehnika ja masinõppe töövoogude ühendamine

  • käitada märkmikke, torujuhtmeid ja funktsioonide väljatöötamist andmete lähedal

  • tugev organisatsioonidele, mis juba tegutsevad suurtes analüütikasüsteemides Databricks Lakehouse

Muster 3: Konteineripõhine masinõpe Kuberneteses (marsruut „me tahame kontrolli“) 🎛️

Tuntud ka kui: „Oleme enesekindlad ja meile meeldib veaotsing ebatavalistel aegadel.“

Muster 4: RAG (Retrieval-Augmented Generation ehk otsingu-laiendatud genereerimine) (teed „kasuta oma teadmisi“) 📚🤝

  • pilvesalvestuses olevad dokumendid

  • manustused + vektori pood

  • otsingukiht annab mudelile konteksti

  • Kaitsepiirded + ligipääsukontroll + logimine RAG-paber

See on tänapäevaste tehisintellekti pilves käsitlemise vestluste oluline osa, sest just nii kasutavad paljud päris ettevõtted genereerivat tehisintellekti turvaliselt.

MLOps: osa, mida kõik alahindavad 🧯

Kui soovite, et tehisintellekt pilves tootmiskeskkonnas hästi toimiks, vajate MLOpsi. Mitte sellepärast, et see oleks trendikas – vaid sellepärast, et mudelid triivivad, andmed muutuvad ja kasutajad on halvimal moel loomingulised . Google Cloud: Mis on MLOps?

Peamised tükid:

Kui sa seda ignoreerid, jääb sul lõpuks "näidisloomaaed" 🦓, kus kõik on elus, miski pole sildistatud ja sa kardad väravat avada.

Turvalisus, privaatsus ja vastavus (mitte see lõbus osa, aga… jah) 🔐😅

Pilvandmetöötluses kasutatav tehisintellekt tekitab paar vürtsikat küsimust:

Andmetele juurdepääsu kontroll 🧾

Kellel on juurdepääs treeningandmetele? Järelduslogidele? Küsimustele? Väljunditele?

Krüptimine ja saladused 🗝️

Võtmeid, märke ja volitusi tuleb õigesti käsitleda. „Konfiguratsioonifailis” ei käsitleta käsitlemist.

Isolatsioon ja üürileping 🧱

Mõned organisatsioonid vajavad eraldi keskkondi arendus-, testimis- ja tootmiskeskkonna jaoks. Pilveteenused aitavad – aga ainult siis, kui need õigesti seadistada.

Auditeeritavus 📋

Reguleeritud organisatsioonid peavad sageli näitama:

Mudeliriskide juhtimine ⚠️

See hõlmab järgmist:

  • eelarvamuste kontrollid

  • võistlev testimine

  • kiire süstimiskaitse (generatiivse tehisintellekti jaoks)

  • ohutu väljundfiltreerimine

Kõik see taandub asjale: see pole lihtsalt "võrgus hostitud tehisintellekt". See on tehisintellekt, mida opereeritakse reaalsete piirangute all.

Kulude ja jõudluse näpunäited (nii et te hiljem ei nuta) 💸😵💫

Mõned lahingus läbiproovitud näpunäited:

  • Kasuta kõige väiksemat mudelit, mis vastab vajadusele
    . Suurem ei ole alati parem. Mõnikord on see lihtsalt… suurem.

  • Partiide järeldamine, kui see on võimalik.
    Odavam ja tõhusam SageMakeri partiide teisendamine .

  • Vahemällu salvestamine agressiivselt.
    Eriti korduvate päringute ja manustamise korral.

  • Automaatne skaleerimine, aga piirake seda
    Piiramatu skaleerimine võib tähendada piiramatuid kulutusi Kubernetes: horisontaalne podi automaatne skaleerimine . Küsige, kust ma tean... ausalt öeldes ärge küsige 😬

  • Jälgi kulusid lõpp-punkti ja funktsiooni kohta.
    Vastasel juhul optimeerid vale asja.

  • Kasutage treenimiseks kohapeal ennetavat arvutust.
    Suurepärane kokkuhoid, kui teie treeningtööd suudavad katkestustega toime tulla. Amazon EC2 Spot Instances, Google Cloud Preemptible VMs .

Vead, mida inimesed teevad (isegi targad meeskonnad) 🤦♂️

  • Pilve tehisintellekti käsitlemine kui "lihtsalt mudeli ühendamist"

  • Andmete kvaliteedi ignoreerimine viimase hetkeni

  • Mudeli saatmine ilma SageMakeri mudelimonitori jälgimiseta

  • Ei plaani ümberõpetada kadentsi Google Cloudis: Mis on MLOps?

  • Unustades, et turvameeskonnad eksisteerivad enne turuletoomise nädalat 😬

  • Üleprojekteerimine esimesest päevast alates (mõnikord võidab lihtne baasjoon)

Ja üks vaikselt jõhker küsimus: meeskonnad alahindavad seda, kui palju kasutajad latentsust põlgavad. Tihti võidab mudel, mis on veidi vähem täpne, aga kiire. Inimesed on kannatamatud väikesed imed.

Peamised järeldused 🧾✅

Pilvandmetöötluses kasutatav tehisintellekt on tehisintellekti täielik loomine ja käitamine pilveinfrastruktuuri abil – koolituse skaleerimine, juurutamise lihtsustamine, andmekanalite integreerimine ja mudelite rakendamine MLOps, turvalisuse ja halduse abil. Google Cloud: Mis on MLOps? NIST SP 800-145 .

Kiire kokkuvõte:

  • Pilv annab tehisintellektile infrastruktuuri skaleerimiseks ja tarnimiseks 🚀 NIST SP 800-145

  • Tehisintellekt annab pilveteenuste töökoormustele „ajud“, mis automatiseerivad otsuseid 🤖

  • Maagia ei seisne ainult treenimises – see on juurutamine, jälgimine ja haldamine 🧠🔐 SageMaker Model Monitor

  • Vali platvormid meeskonna vajaduste, mitte turundusudu põhjal 📌

  • Jälgi kulusid ja tegevusi nagu prille kandev kull 🦅👓 (halb metafoor, aga saate aru)

Kui sa tulid siia mõttega, et „pilvandmetöötluse tehisintellekt on lihtsalt mudel-API“, siis ei – see on terve ökosüsteem. Mõnikord elegantne, mõnikord turbulentne, mõnikord mõlemad samal pärastlõunal 😅☁️

KKK

Mida tähendab „tehisintellekt pilvandmetöötluses” igapäevaelus

Pilvandmetöötluses tähendab tehisintellekt pilveplatvormide kasutamist andmete salvestamiseks, arvutusvõimsuse (protsessorid/graafikaprotsessorid/takistoreid) käivitamiseks, mudelite treenimiseks, juurutamiseks ja jälgimiseks – ilma riistvara omamata. Praktikas saab pilvest koht, kus kogu teie tehisintellekti elutsükkel läbib. Te rentite seda, mida vajate, siis kui seda vajate, ja seejärel skaleerite selle väiksemaks, kui olete lõpetanud.

Miks tehisintellekti projektid ebaõnnestuvad ilma pilvepõhise infrastruktuuri ja MLOpsita

Enamik tõrkeid tekib mudeli ümber, mitte selle sees: ebajärjekindlad andmed, mittevastavad keskkonnad, haprad juurutused ja jälgimise puudumine. Pilvepõhised tööriistad aitavad standardiseerida salvestus-, arvutus- ja juurutusmustreid, nii et mudelid ei jää toppama olekusse „minu sülearvutil see töötas“. MLOps lisab puuduva liimi: jälgimise, registrid, torujuhtmed ja tagasipööramise, et süsteem jääks reprodutseeritavaks ja hooldatavaks.

Pilvandmetöötluse tehisintellekti tüüpiline töövoog andmetest tootmiseni

Levinud voog on järgmine: andmed laekuvad pilvesalvestusse, töödeldakse funktsioonideks ja seejärel treenitakse mudeleid skaleeritaval arvutusel. Järgmisena juurutatakse API lõpp-punkti, partiitöö, serverita seadistuse või Kubernetes teenuse kaudu. Lõpuks jälgitakse latentsust, triivi ja kulusid ning seejärel korratakse ümberõpet ja turvalisemaid juurutusi. Enamik reaalseid torujuhtmeid tsüklib pidevalt, selle asemel et neid üks kord saata.

SageMakeri, Vertex AI, Azure ML, Databricksi ja Kubernetesi vahel valimine

Vali oma meeskonna reaalsuse, mitte „parima platvormi” turundusmüra põhjal. Hallatud masinõppe platvormid (SageMaker/Vertex AI/Azure ML) vähendavad tegevusalaseid probleeme treeningtööde, lõpp-punktide, registrite ja jälgimise abil. Databricks sobib sageli andmetehnika poolest intensiivsetele meeskondadele, kes soovivad masinõpet torujuhtmete ja analüütika lähedal. Kubernetes pakub maksimaalset kontrolli ja kohandamist, kuid sina vastutad ka töökindluse, skaleerimispoliitikate ja veaotsingu eest, kui asjad rikki lähevad.

Arhitektuurimustrid, mis tänapäeval tehisintellekti pilvesüsteemides kõige sagedamini esinevad

Näete pidevalt nelja mustrit: hallatavad masinõppeplatvormid kiiruse tagamiseks, Lakehouse + masinõpe andmekesksetele organisatsioonidele, konteineriseeritud masinõpe Kuberneteses kontrolli tagamiseks ja RAG (otsingu-laiendatud genereerimine) sisemise teadmise turvaliseks kasutamiseks. RAG hõlmab tavaliselt pilvesalvestuses olevaid dokumente, manuseid + vektorsalvestust, otsingukihti ja juurdepääsukontrolle koos logimisega. Valitud muster peaks sobima teie juhtimis- ja operatsiooniküpsusega.

Kuidas meeskonnad pilvepõhiseid tehisintellekti mudeleid juurutavad: REST API-d, partiitööd, serverita süsteemid või Kubernetes

REST API-d on levinud reaalajas prognooside tegemiseks, kui toote latentsus on oluline. Partiipõhine järeldamine sobib suurepäraselt ajastatud hindamiseks ja kulutõhususe tagamiseks, eriti kui tulemused ei pea olema kohesed. Serverita lõpp-punktid võivad hästi toimida tiheda liikluse korral, kuid külmkäivitused ja latentsus vajavad tähelepanu. Kubernetes on ideaalne, kui vajate peeneteralist skaleerimist ja integratsiooni platvormi tööriistadega, kuid see lisab operatiivset keerukust.

Mida jälgida tootmises, et tehisintellekti süsteemid terved püsiksid

Jälgige vähemalt latentsust, veamäärasid ja ennustuse maksumust, et usaldusväärsus ja eelarve püsiksid nähtavad. Masinaõppe poolel jälgige andmete ja jõudluse nihet, et märgata mudeli all toimuvaid muutusi. Äärejuhtude ja halbade väljundite logimine on samuti oluline, eriti generatiivsete kasutusjuhtude puhul, kus kasutajad saavad olla loominguliselt vastandlikud. Hea jälgimine toetab ka tagasipööramisotsuseid mudelite regressiooni korral.

Pilve tehisintellekti kulude vähendamine jõudlust kahjustamata

Levinud lähenemisviis on kasutada nõudele vastavat väikseimat mudelit ning seejärel optimeerida järeldusi pakkimise ja vahemällu salvestamise abil. Automaatne skaleerimine aitab, kuid vajab piiranguid, et „elastsusest“ ei saaks „piiramatut kulutust“. Treenimise puhul võib kohapealne/eelistatav arvutus palju kokku hoida, kui teie tööd taluvad katkestusi. Lõpp-punkti ja funktsiooni kulude jälgimine hoiab ära süsteemi vale osa optimeerimise.

Suurimad turva- ja vastavusriskid tehisintellektiga pilves

Suurimad riskid on kontrollimatu juurdepääs andmetele, nõrk salasõnade haldamine ja puuduvad auditeerimisjäljed selle kohta, kes mida treenis ja juurutas. Generatiivne tehisintellekt lisab peavalu, näiteks viipade sisestamine, ohtlikud väljundid ja tundlike andmete kuvamine logides. Paljud torujuhtmed vajavad keskkonna isoleerimist (arendajad/proovivõtt/tootmisprotsess) ja selgeid reegleid viipade, väljundite ja järelduste logimise jaoks. Kõige turvalisemad seadistused käsitlevad haldamist põhilise süsteeminõudena, mitte käivitamisnädala parandusena.

Viited

  1. Riiklik Standardite ja Tehnoloogia Instituut (NIST) - SP 800-145 (lõplik) - csrc.nist.gov

  2. Google Cloud – tehisintellekti graafikaprotsessorid – cloud.google.com

  3. Google Cloud – Cloud TPU dokumentatsioon – docs.cloud.google.com

  4. Amazon Web Services (AWS) – Amazon S3 (objektide salvestamine) – aws.amazon.com

  5. Amazon Web Services (AWS) – Mis on andmejärv? – aws.amazon.com

  6. Amazon Web Services (AWS) – Mis on andmeladu? – aws.amazon.com

  7. Amazon Web Services (AWS) – AWS tehisintellekti teenused – aws.amazon.com

  8. Google Cloud – Google Cloudi tehisintellekti API-d – cloud.google.com

  9. Google Cloud – Mis on MLOps? – cloud.google.com

  10. Google Cloud – Vertexi tehisintellekti mudeli register (sissejuhatus) – docs.cloud.google.com

  11. Red Hat - Mis on REST API? - redhat.com

  12. Amazon Web Services'i (AWS) dokumentatsioon - SageMakeri partii teisendus - docs.aws.amazon.com

  13. Amazon Web Services (AWS) – andmeladu vs andmejärv vs andmeturg – aws.amazon.com

  14. Microsoft Learn – Azure'i masinõppe registrid (MLOps) – learn.microsoft.com

  15. Google Cloud – Google'i pilvesalvestuse ülevaade – docs.cloud.google.com

  16. arXiv - Otsingu ja laiendatud genereerimise (RAG) artikkel - arxiv.org

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

  18. Kubernetes – horisontaalse podi automaatne skaleerimine – kubernetes.io

  19. Google Cloud – Vertex AI partii ennustused – docs.cloud.google.com

  20. Amazon Web Services'i (AWS) dokumentatsioon - SageMakeri mudelimonitor - docs.aws.amazon.com

  21. Google Cloud – Vertex AI mudeli jälgimine (mudeli jälgimise kasutamine) – docs.cloud.google.com

  22. Amazon Web Services (AWS) – Amazon EC2 Spot eksemplarid – aws.amazon.com

  23. Google Cloud – Eelnevalt ostetavad virtuaalmasinad – docs.cloud.google.com

  24. Amazon Web Services'i (AWS) dokumentatsioon - AWS SageMaker: kuidas see töötab (koolitus) - docs.aws.amazon.com

  25. Google Cloud – Google Vertexi tehisintellekt – cloud.google.com

  26. Microsoft Azure – Azure’i masinõpe – azure.microsoft.com

  27. Databricks - Databricks Lakehouse - databricks.com

  28. Snowflake'i dokumentatsioon - Snowflake'i tehisintellekti funktsioonid (ülevaade) - docs.snowflake.com

  29. IBM - IBM watsonx - ibm.com

  30. Google Cloud – Cloud Natural Language API dokumentatsioon – docs.cloud.google.com

  31. Snowflake'i dokumentatsioon - Snowflake Cortexi tehisintellekti funktsioonid (AI SQL) - docs.snowflake.com

  32. MLflow – MLflow jälgimine – mlflow.org

  33. MLflow - MLflow mudeli register - mlflow.org

  34. Google Cloud – MLOps: pideva edastamise ja automatiseerimise torujuhtmed masinõppes – cloud.google.com

  35. Amazon Web Services (AWS) – SageMakeri funktsioonide pood – aws.amazon.com

  36. IBM - IBM watsonx.juhtimine - ibm.com

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist

Tagasi blogisse