Што е вештачка интелигенција во облак-компјутерството?

Краток одговор: Вештачката интелигенција во cloud computing се однесува на користење на cloud платформи за складирање на податоци, изнајмување пресметки, обука на модели, нивно распоредување како услуги и нивно следење во производството. Тоа е важно бидејќи повеќето неуспеси се групирани околу податоците, распоредувањето и операциите, а не околу математиката. Ако ви треба брзо скалирање или повторувачки изданија, cloud + MLOps е практичниот пат.

Клучни заклучоци:

Животен циклус : Податоци за земјиштето, изградба на карактеристики, обука, распоредување, потоа следење на одливот, латенцијата и трошоците.

Управување : Вградете контроли за пристап, логови за ревизија и одвојување на околината од самиот почеток.

Репродуктивност : Снимајте верзии на податоци, код, параметри и средини, така што извршувањата остануваат повторливи.

Контрола на трошоците : Користете групирање во групи, кеширање, ограничувања за автоматско скалирање и обука за спот/превентивно користење за да избегнете шокови во сметките.

Шеми на распоредување : Изберете управувани платформи, работни процеси на Lakehouse, Kubernetes или RAG врз основа на тимската реалност.

Статии што можеби ќе ве интересираат по оваа:

🔗 Најдобри алатки за управување со бизниси во облак со вештачка интелигенција
Споредете ги водечките облак платформи што ги поедноставуваат операциите, финансиите и тимовите.

🔗 Технологии потребни за генеративна вештачка интелигенција на големи размери
Клучна инфраструктура, податоци и управување потребни за распоредување на GenAI.

🔗 Бесплатни алатки за вештачка интелигенција за анализа на податоци
Најдобри бесплатни решенија за вештачка интелигенција за чистење, моделирање и визуелизација на множества податоци.

🔗 Што е вештачката интелигенција како услуга?
Објаснува AIaaS, придобивките, моделите на цени и вообичаени случаи на деловна употреба.

---

Вештачка интелигенција во облак-компјутерството: Едноставна дефиниција 🧠☁️

Во својата суштина, вештачката интелигенција во cloud computing значи користење на cloud платформи за пристап до:

• Пресметувачка моќ (процесори, графички процесори, TPU-и) Google Cloud: Документи за графички процесори за TPU во AI Cloud

• Складирање (езера на податоци, магацини, складирање на објекти) AWS: Што е езеро на податоци? AWS: Што е складиште на податоци? Amazon S3 (складирање на објекти)

• Услуги за вештачка интелигенција (обука на модели, распоредување, API-ја за визија, говор, NLP) AWS услуги за вештачка интелигенција Google Cloud AI API-ја

• MLOps алатки (цевководи, мониторинг, регистар на модели, CI-CD за ML) Google Cloud: Што е MLOps? Vertex AI Model Registry

Наместо да купувате скапа опрема, изнајмувате што ви треба, кога ви треба NIST SP 800-145 . Како да изнајмите теретана за еден интензивен тренинг, наместо да изградите теретана во вашата гаража, а потоа никогаш повеќе да не ја користите лентата за трчање. Им се случува на најдобрите од нас 😬

Едноставно кажано: тоа е вештачка интелигенција која се скалира, испорачува, ажурира и работи преку облачната инфраструктура NIST SP 800-145 .

---

Зошто вештачката интелигенција + облакот се толку важни 🚀

Да бидеме искрени - повеќето проекти со вештачка интелигенција не пропаѓаат затоа што математиката е тешка. Тие пропаѓаат затоа што „работите околу моделот“ се заплеткуваат:

• податоците се расфрлани

• средините не се совпаѓаат

• моделот работи на нечиј лаптоп, но никаде на друго место

• распоредувањето се третира како дополнителна мисла

• безбедноста и усогласеноста се појавуваат доцна како непоканет братучед 😵

Облачните платформи помагаат бидејќи нудат:

1) Еластична вага 📈

Тренирај модел на голем кластер за кратко време, а потоа исклучи го NIST SP 800-145 .

2) Побрзо експериментирање ⚡

Брзо стартувајте управувани преносни компјутери, однапред изградени цевководи и GPU инстанци Google Cloud: GPU за вештачка интелигенција .

3) Полесно распоредување 🌍

Распоредување модели како API-ја, групни задачи или вградени услуги Red Hat: Што е REST API? SageMaker Batch Transform .

4) Интегрирани екосистеми за податоци 🧺

Вашите цевководи за податоци, магацини и аналитика честопати веќе се наоѓаат во облакот AWS: Складиште на податоци наспроти езеро на податоци .

5) Соработка и управување 🧩

Дозволите, логовите за ревизија, верзионирањето и споделените алатки се вградени (понекогаш болно, но сепак) во регистрите на Azure ML (MLops) .

---

Како функционира вештачката интелигенција во облак-компјутерството во пракса (вистинскиот тек) 🔁

Еве го вообичаениот животен циклус. Не верзијата со „совршен дијаграм“... онаа во која се живее.

Чекор 1: Податоците се испраќаат во облакот 🪣

Примери: кофи за складирање објекти, езера со податоци, бази на податоци во облак Amazon S3 (складирање објекти) AWS: Што е езеро со податоци? Преглед на складирање во облак на Google .

Чекор 2: Обработка на податоци + градење карактеристики 🍳

Го чистите, го трансформирате, креирате функции, можеби го стримувате.

Чекор 3: Обука за модели 🏋️

Користите cloud computing (честопати графички процесори) за обука на Google Cloud: Графички процесори за вештачка интелигенција :

• класични модели на машинско учење

• модели на длабоко учење

• фини подесувања на основниот модел

• системи за пребарување (RAG стилски поставки) труд за подобрена генерација на пребарување (RAG)

Чекор 4: Распоредување 🚢

Моделите се пакуваат и се послужуваат преку:

• REST API-ја Red Hat: Што е REST API?

• крајни точки без сервер SageMaker Serverless Inference

• Кубернетес контејнери Кубернетес: Автоматско скалирање на хоризонтални подови

• цевководи за заклучување на серии SageMaker Batch Transform Vertex AI предвидувања на серии

Чекор 5: Мониторинг + ажурирања 👀

Песна:

• латенција

• точност на поместување на SageMaker Model Monitor

• дрифт на податоци Мониторинг на моделот Vertex AI

• цена по предвидување

• рабни случаи што ве тераат да шепотите „ова не би требало да биде можно…“ 😭

Тоа е моторот. Тоа е вештачката интелигенција во облак-компјутерството во движење, не само како дефиниција.

---

Што е добра верзија на вештачка интелигенција во облак-компјутерството? ✅☁️🤖

Ако сакате „добра“ имплементација (не само впечатлива демонстрација), фокусирајте се на овие:

А) Јасно раздвојување на грижите 🧱

• слој на податоци (складирање, управување)

• слој за обука (експерименти, цевководи)

• слој за сервисирање (API, скалирање)

• слој за следење (метрики, логови, известувања) SageMaker Model Monitor

Кога сè ќе се спои, дебагирањето станува емоционална штета.

Б) Репродуктивност по дифолт 🧪

Добриот систем ви овозможува да наведете, без мавтање со раката:

• податоците што го обучуваа овој модел

• верзијата на кодот

• хиперпараметрите

• животната средина

Ако одговорот е „ааа, мислам дека беше трчањето во вторник...“, веќе си во неволја 😅

C) Дизајн со разумна цена 💸

Вештачката интелигенција во облакот е моќна, но е исто така и најлесниот начин случајно да креирате сметка што ќе ве натера да ги доведете во прашање вашите животни избори.

Добрите поставки вклучуваат:

• автоматско скалирање Kubernetes: Автоматско скалирање на хоризонтални подови

• распоред на инстанци

• опции за spot-preemptible кога е можно Amazon EC2 Spot Instances Google Cloud Preemptible VMs

• кеширање и групирање на инференција SageMaker Batch Transform

D) Безбедност и усогласеност вградени во 🔐

Не е завртено подоцна како селотејп на протекувачка цевка.

E) Вистински пат од прототип до производство 🛣️

Ова е главната работа. Добра „верзија“ на вештачката интелигенција во облакот вклучува MLOps, шеми на распоредување и следење од самиот почеток Google Cloud: Што е MLOps?. Инаку, тоа е проект за научен саем со скапа фактура.

---

Табела за споредба: Популарни опции за вештачка интелигенција во облакот (и за кого се наменети) 🧰📊

Подолу е прикажана брза, малку промислена табела. Цените се намерно општи бидејќи цените во облакот се како нарачување кафе - основната цена никогаш не е цената 😵💫

Алатка / Платформа	Публика	Премногу скапо	Зошто функционира (вклучени се чудни белешки)
AWS SageMaker	ML тимови, претпријатија	Плаќање по употреба	Full-stack ML платформа - обука, крајни точки, цевководи. Моќна, но менија насекаде.
Google Vertex AI	Тимови за машинско учење, организации за наука за податоци	Плаќање по употреба	Силна управувана обука + регистар на модели + интеграции. Се чувствува непречено кога ќе кликне.
Azure машинско учење	Претпријатија, организации ориентирани кон MS	Плаќање по употреба	Одлично се вклопува со екосистемот Azure. Добри опции за управување, многу копчиња.
Databricks (ML + Lakehouse)	Тимови кои се занимаваат со интензивно инженерство на податоци	Претплата + употреба	Одлично за мешање на податочни цевководи + машинско учење на едно место. Честопати омилено кај практичните тимови.
Карактеристики на вештачката интелигенција на Snowflake	Организации што се на прво место во аналитиката	Врз основа на употреба	Добро кога твојот свет е веќе во магацин. Помалку „машинска лабораторија“, повеќе „AI во SQL-како“
IBM Watsonx	Регулирани индустрии	Цени на претпријатија	Управувањето и контролата на претпријатијата се голем фокус. Често се избираат за системи кои се темелат на политики.
Управувани Кубернети (DIY ML)	Инженери за платформи	Променлива	Флексибилно и по мерка. Исто така… болката кога ќе се скрши е ваша 🙃
Инференција без сервер (функции + крајни точки)	Тимови на производи	Врз основа на употреба	Одлично за сообраќај со острици. Гледајте ги ладните стартови и латенцијата како јастреб.

Не станува збор за избор на „најдобриот“ - туку за усогласување со реалноста на вашиот тим. Тоа е тивката тајна.

---

Чести случаи на употреба за вештачка интелигенција во облак-компјутерството (со примери) 🧩✨

Еве каде се истакнуваат поставките со вештачка интелигенција во облакот:

1) Автоматизација на корисничката поддршка 💬

• асистенти за разговор

• рутирање на билети

• сумирање

• API за откривање на чувства и намери

2) Системи за препораки 🛒

• предлози за производи

• содржински канали

• „луѓето исто така купија“
  Овие често бараат скалабилно заклучување и ажурирања речиси во реално време.

3) Откривање на измами и бодување на ризик 🕵️

Облакот го олеснува справувањето со bursts, стримувањето настани и извршувањето на ансамбли.

4) Документарна интелигенција 📄

• OCR канали

• екстракција на ентитет

• анализа на договори

• Парсирање на фактури Функции на вештачка интелигенција на Snowflake Cortex
  Во многу организации, ова е местото каде што времето тивко се враќа назад.

5) Прогнозирање и оптимизација за подобрување на компетентноста 📦

Прогнозирање на побарувачката, планирање на залихи, оптимизација на рути. Облакот помага бидејќи податоците се големи, а преквалификацијата е честа.

6) Генеративни апликации за вештачка интелигенција 🪄

• изготвување на содржина

• помош за кодирање

• внатрешни ботови за знаење (RAG)

• труд за
  синтетичко генерирање на податоци Ова е често моментот кога компаниите конечно велат: „Треба да знаеме каде се наоѓаат нашите правила за пристап до податоци“. 😬

---

Архитектонски шеми што ќе ги видите насекаде 🏗️

Модел 1: Управувана платформа за машинско учење (патот „сакаме помалку главоболки“) 😌

• податоци за прикачување

• обука со управувани работни места

• распореди на управувани крајни точки

• монитор во контролни табли на платформата SageMaker Model Monitor Vertex AI Model Monitoring

Работи добро кога брзината е важна и не сакате да градите внатрешни алатки од нула.

Модел 2: Lakehouse + ML (патот „податоците се први“) 🏞️

• обединување на работните процеси за инженерство на податоци + ML

• стартувајте тетратки, цевководи, инженерство на функции во близина на податоците

• силен за организации кои веќе работат во големи аналитички системи Databricks Lakehouse

Модел 3: Контејнеризиран ML на Kubernetes (патот „сакаме контрола“) 🎛️

• модели на пакувања во контејнери

• скалирање со политики за автоматско скалирање Kubernetes: Автоматско скалирање на хоризонтални подови

• интегрирање на мрежа на услуги, набљудување, управување со тајни

Исто така познато како: „Ние сме самоуверени, а исто така сакаме дебагирање во чудни часови“

Модел 4: RAG (Ретривално-дополнето генерирање) (патот „користете го вашето знаење“) 📚🤝

• документи во облак складирање

• вградувања + векторска продавница

• слојот за пребарување внесува контекст во моделот

• заштитни огради + контрола на пристап + евиденција за документација за обновување-зголемено генерирање (RAG)

Ова е голем дел од модерните разговори за вештачката интелигенција во облакот, бидејќи станува збор за тоа колку реални бизниси безбедно ја користат генеративната вештачка интелигенција.

---

MLOps: Делот што сите го потценуваат 🧯

Ако сакате вештачката интелигенција во облакот да се однесува добро во производството, ви требаат MLOps. Не затоа што е во тренд - затоа што моделите се менуваат, податоците се менуваат, а корисниците се креативни на најлош начин. Google Cloud: Што се MLOps ?

Клучни делови:

• Следење на експерименти : што функционираше, што не MLflow Tracking

• Регистар на модели : одобрени модели, верзии, метаподатоци Регистар на модели MLflow Регистар на модели Vertex AI

• CI-CD за машинско учење : тестирање + автоматизација на распоредување Google Cloud MLOps (CD и автоматизација)

• Продавница за карактеристики : конзистентни карактеристики низ обуката и заклучувањето SageMaker Feature Store

• Мониторинг : поместување на перформансите, сигнали за пристрасност, латентност, цена Монитор на моделот SageMaker Мониторинг на моделот Vertex AI

• Стратегија за враќање : да, како обичен софтвер

Ако го игнорирате ова, ќе завршите со „модел на зоолошка градина“ 🦓 каде што сè е живо, ништо не е етикетирано и се плашите да ја отворите портата.

---

Безбедност, приватност и усогласеност (не е забавниот дел, но… да) 🔐😅

Вештачката интелигенција во облак-компјутингот покренува неколку пикантни прашања:

Контрола на пристап до податоци 🧾

Кој може да пристапи до податоците за обука? Дневници за инференции? Прашања? Излезни податоци?

Шифрирање и тајни 🗝️

Клучевите, токените и акредитивите треба правилно да се ракуваат. „Во конфигурациска датотека“ не е ракување.

Изолација и закуп 🧱

Некои организации бараат посебни средини за развој, поставување и продукција. Облакот помага - но само ако го поставите правилно.

Ревидираност 📋

Регулираните организации честопати треба да покажат:

• кои податоци беа користени

• како се донесуваа одлуките

• кој распоредил што

• кога го промени IBM watsonx.governance

Управување со ризик на моделот ⚠️

Ова вклучува:

• проверки на пристрасност

• контрадикторно тестирање

• брза одбрана од инјектирање (за генеративна вештачка интелигенција)

• безбедно филтрирање на излезот

Сето ова нè враќа на поентата: не станува збор само за „вештачка интелигенција хостирана онлајн“. Тоа е вештачка интелигенција која работи под реални ограничувања.

---

Совети за трошоци и перформанси (за да не плачете подоцна) 💸😵💫

Неколку совети тестирани во битка:

• Користете го најмалиот модел што ги задоволува потребите.
  Поголемото не е секогаш подобро. Понекогаш е само… поголемо.

• Заклучок за серија кога е можно
  Поевтина и поефикасна трансформација на серијата SageMaker .

• Агресивно кеширање,
  особено за повторени барања и вградувања.

• Автоматско скалирање, но ограничување.
  Неограниченото скалирање може да значи неограничено трошење. Kubernetes: Автоматско скалирање на хоризонтални капсули . Прашајте ме како знам… всушност, немојте 😬

• Следете ги трошоците по крајна точка и по функција.
  Во спротивно, ќе оптимизирате погрешно нешто.

• Користете spot-preemptible compute за обука.
  Големи заштеди ако вашите задачи за обука можат да се справат со прекини. Amazon EC2 Spot Instances. Google Cloud Preemptible VMs .

---

Грешки што ги прават луѓето (дури и паметните тимови) 🤦♂️

• Третирање на вештачката интелигенција во облак како „само вклучете модел“

• Игнорирање на квалитетот на податоците до последен момент

• Испорака на модел без следење на SageMaker Model Monitor

• Не планирам преквалификација на каденцата Google Cloud: Што е MLOps?

• Заборавајќи дека безбедносните тимови постојат до неделата на лансирање 😬

• Прекумерно инженерство од првиот ден (понекогаш едноставната основна линија победува)

Исто така, еден тивко брутален пример: тимовите потценуваат колку корисниците ја презираат латенцијата. Модел кој е малку помалку точен, но брз, честопати победува. Луѓето се нетрпеливи мали чуда.

---

Клучни заклучоци 🧾✅

Вештачката интелигенција во облак-компјутингот е целосна практика на градење и водење на вештачка интелигенција со користење на облак-инфраструктура - скалирање на обука, поедноставување на распоредувањето, интегрирање на податочни канали и операционализација на модели со MLOps, безбедност и управување Google Cloud: Што е MLOps? NIST SP 800-145 .

Брз преглед:

• Облакот ѝ дава на вештачката интелигенција инфраструктура за скалирање и испорака 🚀 NIST SP 800-145

• Вештачката интелигенција им дава „мозоци“ на работните оптоварувања во облакот што ги автоматизираат одлуките 🤖

• Магијата не е само обука - тоа е распоредување, следење и управување 🧠🔐 SageMaker Монитор на модели

• Изберете платформи врз основа на потребите на тимот, а не на маркетиншката магла 📌

• Гледајте ги трошоците и операциите како јастреб со очила 🦅👓 (лоша метафора, но сфаќате)

Ако дојдовте тука мислејќи „Вештачката интелигенција во cloud computing е само модел на API“, не - тоа е цел екосистем. Понекогаш елегантно, понекогаш турбулентно, понекогаш и двете во исто попладне 😅☁️

Најчесто поставувани прашања

Што значи „ВИ во облак-компјутингот“ во секојдневниот живот

Вештачката интелигенција во cloud computing значи дека користите cloud платформи за складирање на податоци, вртење на пресметките (процесори/графички процесори/TPU), обука на модели, нивно распоредување и следење - без да поседувате хардвер. Во пракса, облакот станува местото каде што се одвива целиот ваш животен циклус на вештачката интелигенција. Изнајмувате што ви треба кога ви треба, а потоа го намалувате кога ќе завршите.

Зошто проектите со вештачка интелигенција не успеваат без инфраструктура во облак и MLOs

Повеќето дефекти се случуваат околу моделот, а не внатре во него: неконзистентни податоци, несоодветни средини, кревки распоредувања и недостаток на мониторинг. Алатките во облакот помагаат во стандардизирање на шемите за складирање, пресметување и распоредување, така што моделите не се заглавуваат на „работеше на мојот лаптоп“. MLOps го додава недостасувачкиот лепак: следење, регистри, цевководи и враќање назад, така што системот останува репродуциран и одржлив.

Типичен работен тек за вештачка интелигенција во cloud computing, од податоци до производство

Вообичаен тек е: податоците пристигнуваат во облак складирање, се обработуваат во функции, а потоа моделите се обучуваат на скалабилно пресметување. Потоа, се распоредува преку крајна точка на API, групна работа, поставување без сервер или услуга на Kubernetes. Конечно, се следи латенцијата, отстапувањето и трошоците, а потоа се повторува со преквалификација и побезбедни распоредувања. Повеќето вистински цевководи се јамкираат постојано, наместо да се испорачуваат еднаш.

Избор помеѓу SageMaker, Vertex AI, Azure ML, Databricks и Kubernetes

Изберете врз основа на реалноста на вашиот тим, а не на маркетиншкиот шум од „најдобра платформа“. Управуваните платформи за машинско учење (SageMaker/Vertex AI/Azure ML) ги намалуваат оперативните главоболки со задачи за обука, крајни точки, регистри и следење. Databricks често одговара на тимови кои се занимаваат со инженерство на податоци и сакаат машинско учење блиску до цевководи и аналитика. Kubernetes дава максимална контрола и прилагодување, но вие исто така поседувате сигурност, политики за скалирање и дебагирање кога работите ќе се расипат.

Архитектурни шеми што се појавуваат најмногу во поставките за вештачка интелигенција во облакот денес

Постојано ќе гледате четири шеми: управувани платформи за ML за брзина, Lakehouse + ML за организации кои први се фокусираат на податоците, контејнеризирано ML на Kubernetes за контрола и RAG (генерација со зголемено пребарување) за „безбедно користење на нашето внатрешно знаење“. RAG обично вклучува документи во облак складирање, вградувања + векторска продавница, слој за пребарување и контроли на пристап со евидентирање. Шемата што ќе ја изберете треба да одговара на вашето управување и зрелост на операциите.

Како тимовите распоредуваат модели на облак со вештачка интелигенција: REST API-ја, групни задачи, без сервер или Kubernetes

REST API-јата се вообичаени за предвидувања во реално време кога латенцијата на производот е важна. Заклучувањето на серии е одлично за закажано бодување и ефикасност на трошоците, особено кога резултатите не мора да бидат моментални. Крајните точки без сервер можат да работат добро за остри сообраќај, но ладните стартувања и латенцијата бараат внимание. Kubernetes е идеален кога ви треба прецизно скалирање и интеграција со алатки на платформата, но додава оперативна сложеност.

Што да се следи во производството за да се одржат здрави системите со вештачка интелигенција

Како минимум, следете ја латентноста, стапките на грешки и цената по предвидување, така што сигурноста и буџетот остануваат видливи. Од страната на машинството за учење, следете го отстапувањето на податоците и отстапувањето на перформансите за да ги забележите кога реалноста се менува во рамките на моделот. Евидентирањето на рабните случаи и лошите резултати е исто така важно, особено за случаи на генеративна употреба каде што корисниците можат да бидат креативно спротивставени. Доброто следење, исто така, поддржува одлуки за враќање на податоците кога моделите регресираат.

Намалување на трошоците за вештачка интелигенција во облакот без намалување на перформансите

Вообичаен пристап е користење на најмалиот модел што ги исполнува барањата, а потоа оптимизирање на инференцијата со групирање и кеширање. Автоматското скалирање помага, но потребни се ограничувања за „еластичноста“ да не стане „неограничено трошење“. За обука, spot/preemptible пресметка може многу да заштеди ако вашите задачи толерираат прекини. Следењето на трошоците по крајна точка и по функција ве спречува да го оптимизирате погрешниот дел од системот.

Најголемите безбедносни ризици и ризици за усогласеност со вештачката интелигенција во облакот

Големите ризици се неконтролиран пристап до податоци, слабо управување со тајни и недостаток на ревизорски траги за тоа кој што обучил и распоредил. Генеративната вештачка интелигенција додава дополнителни главоболки како што се брзо инјектирање, небезбедни излезни податоци и чувствителни податоци што се појавуваат во логовите. На многу цевководи им е потребна изолација на околината (развој/стажирање/производство) и јасни политики за потсетници, излезни податоци и евидентирање на заклучоци. Најбезбедните поставувања го третираат управувањето како основен системски услов, а не како закрпа за време на неделата на лансирање.

Референци

1. Национален институт за стандарди и технологија (NIST) - SP 800-145 (Конечно) - csrc.nist.gov

2. Google Cloud - Графички процесори за вештачка интелигенција - cloud.google.com

3. Google Cloud - Документација за Cloud TPU - docs.cloud.google.com

4. Amazon Web Services (AWS) - Amazon S3 (складирање објекти) - aws.amazon.com

5. Amazon Web Services (AWS) - Што е езеро на податоци? - aws.amazon.com

6. Amazon Web Services (AWS) - Што е складиште на податоци? - aws.amazon.com

7. Amazon Web Services (AWS) - AWS AI услуги - aws.amazon.com

8. Google Cloud - Google Cloud AI API-ја - cloud.google.com

9. Google Cloud - Што е MLOps? - cloud.google.com

10. Google Cloud - Vertex AI Model Registry (Вовед) - docs.cloud.google.com

11. Red Hat - Што е REST API? - redhat.com

12. Документација за веб-услуги на Amazon (AWS) - SageMaker Batch Transform - docs.aws.amazon.com

13. Amazon Web Services (AWS) - Складиште на податоци наспроти езеро на податоци наспроти маркет на податоци - aws.amazon.com

14. Microsoft Learn - Регистри на Azure ML (MLops) - learn.microsoft.com

15. Google Cloud - Преглед на складирањето во Google Cloud - docs.cloud.google.com

16. arXiv - труд за подобрена генерација (RAG) - arxiv.org

17. Документација за веб-услуги на Amazon (AWS) - SageMaker Serverless Inference - docs.aws.amazon.com

18. Kubernetes - Автоматско скалирање на хоризонтални подови - kubernetes.io

19. Google Cloud - Vertex AI предвидувања за серии - docs.cloud.google.com

20. Документација за веб-услуги на Amazon (AWS) - Монитор на модели на SageMaker - docs.aws.amazon.com

21. Google Cloud - Мониторинг на модели со вештачка интелигенција на Vertex (користење на мониторинг на модели) - docs.cloud.google.com

22. Amazon Web Services (AWS) - Amazon EC2 Spot инстанци - aws.amazon.com

23. Google Cloud - Преемптибилни виртуелни машини - docs.cloud.google.com

24. Документација за Amazon Web Services (AWS) - AWS SageMaker: Како функционира (Обука) - docs.aws.amazon.com

25. Google Cloud - Google Vertex AI - cloud.google.com

26. Microsoft Azure - Машинско учење на Azure - azure.microsoft.com

27. Databricks - Databricks Lakehouse - databricks.com

28. Документација за Snowflake - Карактеристики на вештачката интелигенција на Snowflake (Преглед на водичот) - docs.snowflake.com

29. IBM - IBM Watsonx - ibm.com

30. Google Cloud - Документација за API за природен јазик во облак - docs.cloud.google.com

31. Документација за Snowflake - AI функции на Snowflake Cortex (AI SQL) - docs.snowflake.com

32. MLflow - Следење на MLflow - mlflow.org

33. MLflow - Регистар на модели на MLflow - mlflow.org

34. Google Cloud - MLOps: Континуирани процеси на испорака и автоматизација во машинското учење - cloud.google.com

35. Amazon Web Services (AWS) - Продавница за функции на SageMaker - aws.amazon.com

36. IBM - IBM watsonx.governance - ibm.com

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас