Кратак одговор: Вештачка интелигенција у рачунарству у облаку се односи на коришћење облачних платформи за складиштење података, изнајмљивање рачунарских средстава, обучавање модела, њихово имплементирање као услуга и праћење у продукцији. То је важно јер се већина кварова групише око података, имплементације и операција, а не око математике. Ако вам је потребно брзо скалирање или поновљива издања, облак + MLOps је практичан пут.
Кључне закључке:
Животни циклус : Прикупљање података, изградња функција, обука, имплементација, а затим праћење померања, латенције и трошкова.
Управљање : Уградите контроле приступа, евиденције ревизије и раздвајање окружења од самог почетка.
Репродуктивност : Снимите верзије података, код, параметре и окружења како би извршавања остала поновљива.
Контрола трошкова : Користите групно креирање, кеширање, ограничења аутоматског скалирања и обуку на лицу места/превентивно обучавање како бисте избегли шокантне рачуне.
Шаблони имплементације : Изаберите управљане платформе, радне процесе у језерским просторима, Кубернетес или RAG на основу стварности тима.
Чланци које бисте можда желели да прочитате након овог:
🔗 Најбољи алати за управљање пословањем у облаку са вештачком интелигенцијом
Упоредите водеће cloud платформе које поједностављују операције, финансије и тимове.
🔗 Технологије потребне за генеративну вештачку интелигенцију великих размера
Кључна инфраструктура, подаци и управљање потребни за имплементацију GenAI-а.
🔗 Бесплатни AI алати за анализу података
Најбоља бесплатна вештачка интелигенција решења за чишћење, моделирање и визуелизацију скупова података.
🔗 Шта је вештачка интелигенција као услуга?
Објашњава AIaaS, предности, моделе цена и уобичајене пословне случајеве употребе.
Вештачка интелигенција у клауд рачунарству: Једноставна дефиниција 🧠☁️
У својој суштини, вештачка интелигенција у рачунарству у облаку значи коришћење облачних платформи за приступ:
-
Рачунарска снага (процесори, графички процесори, термопроцесорски процесори) Google Cloud: графички процесори за вештачку интелигенцију, документација о cloud термопроцесорским процесорима
-
Складиштење (језера података, складишта података, складиштење објеката) AWS: Шта је језеро података? AWS: Шта је складиште података? Amazon S3 (складиштење објеката)
-
АИ услуге (обука модела, имплементација, API-ји за вид, говор, NLP) AWS АИ услуге Google Cloud АИ API-ји
-
MLOps алати (цевоводи, праћење, регистар модела, CI-CD за машинско учење) Google Cloud: Шта је MLOps? Vertex AI регистар модела
Уместо да купујете сопствену скупу опрему, изнајмљујете оно што вам је потребно, када вам је потребно NIST SP 800-145 . Као да изнајмите теретану за један интензиван тренинг уместо да направите теретану у гаражи и онда никада више не користите траку за трчање. Дешава се и најбољима од нас 😬
Једноставно речено: то је вештачка интелигенција која се скалира, испоручује, ажурира и ради путем облачне инфраструктуре NIST SP 800-145 .
Зашто је вештачка интелигенција + облак толико важна ствар 🚀
Будимо искрени - већина пројеката вештачке интелигенције не пропада зато што је математика тешка. Пропадају зато што се „ствари око модела“ запетљају:
-
подаци су расути
-
окружења се не подударају
-
модел ради на нечијем лаптопу, али нигде другде
-
распоређивање се третира као накнадна мисао
-
Безбедност и усклађеност се појављују касно као непозвани рођак 😵
Клауд платформе помажу јер нуде:
1) Еластична вага 📈
Тренирајте модел на великом кластеру кратко време, а затим га искључите NIST SP 800-145 .
2) Брже експериментисање ⚡
Брзо покрените управљане преносне рачунаре, унапред направљене цевоводе и инстанце ГПУ-а Google Cloud: ГПУ-ови за вештачку интелигенцију .
3) Лакше распоређивање 🌍
Распоређивање модела као API-ја, пакетних послова или уграђених сервиса Red Hat: Шта је REST API? SageMaker пакетна трансформација .
4) Интегрисани екосистеми података 🧺
Ваши цевоводи података, складишта и аналитика често већ постоје у облаку AWS: Складиште података наспрам језера података .
5) Сарадња и управљање 🧩
Дозволе, евиденције ревизије, верзирање и дељени алати су (понекад мучно, али ипак) интегрисани у Azure ML регистре (MLOps) .
Како вештачка интелигенција у клауд рачунарству функционише у пракси (Прави ток) 🔁
Ево уобичајеног животног циклуса. Не верзија са „савршеним дијаграмом“... она у којој се живи.
Корак 1: Подаци се складиште у облаку 🪣
Примери: канте за складиштење објеката, језера података, базе података у облаку Amazon S3 (складиштење објеката) AWS: Шта је језеро података? Преглед складишта у Google облаку .
Корак 2: Обрада података + изградња функција 🍳
Чистите га, трансформишете, креирате функције, можда га стримујете.
Корак 3: Обука модела 🏋️
Користите cloud computing (често GPU-ове) за тренирање Google Cloud-а: GPU-ови за вештачку интелигенцију :
-
класични модели машинског учења
-
модели дубоког учења
-
фино подешавање модела темеља
-
системи за претраживање (подешавања у RAG стилу) рад о генерисању претраживања са проширеним генерисањем (RAG)
Корак 4: Распоређивање 🚢
Модели се пакују и сервирају путем:
-
REST API-ји Red Hat: Шта је REST API?
-
серверлесс крајње тачке SageMaker серверлесс инференција
-
Кубернетес контејнери Кубернетес: Аутоматско скалирање хоризонталног под-а
-
цевоводи за групно закључивање, SageMaker групна трансформација, Vertex AI групна предвиђања
Корак 5: Праћење + ажурирања 👀
Стаза:
-
латенција
-
тачност померања SageMaker модел монитора
-
праћење модела вештачке интелигенције у врховима
-
цена по предвиђању
-
рубни случајеви који вас терају да шапућете „ово не би требало да буде могуће…“ 😭
То је мотор. То је вештачка интелигенција у клауд рачунарству у покрету, не само као дефиниција.
Шта чини добру верзију вештачке интелигенције у клауд рачунарству? ✅☁️🤖
Ако желите „добру“ имплементацију (не само блиставу демонстрацију), фокусирајте се на ово:
A) Јасно раздвајање брига 🧱
-
слој података (складиштење, управљање)
-
слој за обуку (експерименти, цевоводи)
-
слој за сервирање (API-ји, скалирање)
-
слој за праћење (метрике, логови, упозорења) SageMaker Model Monitor
Када се све згњечи, дебаговање постаје емоционална штета.
Б) Репродуктивност по подразумеваним подешавањима 🧪
Добар систем вам омогућава да наведете, без оклевања:
-
подаци који су тренирали овај модел
-
верзија кода
-
хиперпараметри
-
животна средина
Ако је одговор „хм, мислим да је то било трчање у уторак...“, већ сте у невољи 😅
C) Дизајн који је свестан трошкова 💸
Клауд вештачка интелигенција је моћна, али је и најлакши начин да случајно направите рачун који вас тера да преиспитате своје животне изборе.
Добра подешавања укључују:
-
аутоматско скалирање Kubernetes: Хоризонтално аутоматско скалирање Pod-а
-
заказивање инстанци
-
Опције за превенцију на месту када је то могуће, Amazon EC2 спот инстанце, Google Cloud превентивне виртуелне машине
-
Кеширање и групно закључивање SageMaker Batch Transform
D) Безбедност и усклађеност су укључени 🔐
Не причвршћено касније као селотејп на цурећу цев.
Е) Прави пут од прототипа до производње 🛣️
Ово је најважније. Добра „верзија“ вештачке интелигенције у облаку укључује MLOps, обрасце распоређивања и праћење од самог почетка. Google Cloud: Шта је MLOps? У супротном, то је пројекат за научни сајам са отменом фактуром.
Табела за поређење: Популарне опције вештачке интелигенције у облаку (и за кога су намењене) 🧰📊
Испод је кратка, помало тврдоглава табела. Цене су намерно широке јер је одређивање цена у облаку као наручивање кафе - основна цена никада није права цена 😵💫
| Алат / Платформа | Публика | Приближно скупо | Зашто функционише (укључујући необичне белешке) |
|---|---|---|---|
| AWS SageMaker | Тимови машинског учења, предузећа | Плаћање по употреби | Фул-стек ML платформа - обука, крајње тачке, цевоводи. Моћно, али менији свуда. |
| Гугл Вертекс вештачка интелигенција | Тимови за машинско учење, организације за науку о подацима | Плаћање по употреби | Снажна, управљана обука + регистар модела + интеграције. Делује глатко када све кликне. |
| Azure машинско учење | Предузећа, организације усмерене на систем управљања рачунаром | Плаћање по употреби | Лепо се уклапа у Azure екосистем. Добре опције управљања, пуно дугмади. |
| Цигле података (ML + Lakehouse) | Тимови са великим знањем о инжењерингу података | Претплата + коришћење | Одлично за комбиновање цевовода података и машинског учења на једном месту. Често га воле практични тимови. |
| Карактеристике вештачке интелигенције пахуљице | Организације које дају предност аналитици | На основу употребе | Добро је када је ваш свет већ у складишту. Мање „лабораторије машинског учења“, више „вештачке интелигенције у SQL-у“ |
| IBM Watsonx | Регулисане индустрије | Цене за предузећа | Управљање и контроле предузећа су у великом фокусу. Често се бирају за системе са великим бројем политика. |
| Управљани Кубернетес (DIY ML) | Инжењери платформе | Променљива | Флексибилно и прилагођено. Такође… ви сносите бол када се поломи 🙃 |
| Бессерверско закључивање (функције + крајње тачке) | Тимови производа | На основу употребе | Одлично за оштар саобраћај. Пазите на хладне стартове и кашњење као јастреб. |
Овде се не ради о избору „најбољих“ - већ о усклађивању са реалношћу вашег тима. То је тиха тајна.
Уобичајени случајеви употребе вештачке интелигенције у рачунарству у облаку (са примерима) 🧩✨
Ево где се подешавања вештачке интелигенције у облаку истичу:
1) Аутоматизација корисничке подршке 💬
-
асистенти за ћаскање
-
усмеравање карата
-
сумирање
-
за откривање расположења и намере у облаку
2) Системи препорука 🛒
-
предлози производа
-
фидови садржаја
-
„људи су такође купили“
Ови често захтевају скалабилно закључивање и ажурирања скоро у реалном времену.
3) Откривање превара и бодовање ризика 🕵️
Облак олакшава руковање рафалима, стримовање догађаја и покретање ансамбала.
4) Интелигенција докумената 📄
-
OCR цевоводи
-
екстракција ентитета
-
анализа уговора
-
Рашчлањивање фактуре Snowflake Cortex AI функције
У многим организацијама, овде се време тихо враћа.
5) Прогнозирање и оптимизација усмерена ка стручности 📦
Прогнозирање потражње, планирање залиха, оптимизација рута. Облак помаже јер су подаци велики, а преквалификација честа.
6) Генеративне вештачке интелигенције апликације 🪄
-
израда садржаја
-
помоћ при кодирању
-
интерни ботови знања (RAG)
-
генерисање синтетичких података , чланак о претраживању и проширеном генерисању (RAG),
ово је често тренутак када компаније коначно кажу: „Морамо да знамо где се налазе наша правила за приступ подацима.“ 😬
Архитектонски обрасци које ћете видети свуда 🏗️
Образац 1: Платформа за управљано машинско учење (пут „желимо мање главобоља“) 😌
-
отпремити податке
-
обука са управљаним пословима
-
распоређивање на управљане крајње тачке
-
праћење у контролним таблама платформе SageMaker Model Monitor Vertex AI Model Monitoring
Добро функционише када је брзина битна и не желите да правите интерне алате од нуле.
Образац 2: Лејкхаус + машинско учење (рута „прво подаци“) 🏞️
-
објединити радне процесе инжењеринга података и машинског учења
-
покретање свезака, цевовода, инжењеринг функција у близини података
-
снажно за организације које већ живе у великим аналитичким системима Databricks Lakehouse
Образац 3: Контејнеризовано машинско учење на Кубернетесу (рута „желимо контролу“) 🎛️
-
модели пакета у контејнерима
-
скалирање помоћу политика аутоматског скалирања Kubernetes: Аутоматско скалирање хоризонталног под-а
-
интегришите мрежу услуга, видљивост, управљање тајнама
Такође познато као: „Самоуверени смо, а такође волимо да отклањамо грешке у неуобичајеним сатима.“
Образац 4: RAG (Проширена генерација преузимања) (рута „користи своје знање“) 📚🤝
-
документи у складишту у облаку
-
уграђивања + складиште вектора
-
слој за преузимање доводи контекст до модела
-
заштитне ограде + контрола приступа + евидентирање , папир за генерисање проширених података (RAG)
Ово је главни део модерних разговора о вештачкој интелигенцији у облаку јер је то начин на који многе стварне компаније безбедно користе генеративну вештачку интелигенцију.
MLOps: Део који сви потцењују 🧯
Ако желите да се вештачка интелигенција у облаку понаша у продукцији, потребне су вам MLOps. Не зато што је то у тренду - зато што се модели мењају, подаци се мењају, а корисници су креативни на најгори начин. Google Cloud: Шта је MLOps?
Кључни делови:
-
Праћење експеримента : шта је функционисало, а шта није - MLflow Tracking
-
Регистар модела : одобрени модели, верзије, метаподаци MLflow регистар модела Vertex AI регистар модела
-
CI-CD за машинско учење : тестирање + аутоматизација имплементације Google Cloud MLOps (CD и аутоматизација)
-
Складиште функција : конзистентне функције током обуке и закључивања SageMaker складиште функција
-
Праћење : померање перформанси, сигнали пристрасности, латенција, трошкови, SageMaker Model Monitor , Vertex AI модел, праћење модела
-
Стратегија враћања на претходну верзију : да, као и код обичног софтвера
Ако ово игноришете, завршићете са „модел зоолошким вртом“ 🦓 где је све живо, ништа није обележено, а ви се плашите да отворите капију.
Безбедност, приватност и усклађеност (није баш забавни део, али… да) 🔐😅
Вештачка интелигенција у рачунарству у облаку покреће неколико пикантних питања:
Контрола приступа подацима 🧾
Ко може приступити подацима за обуку? Записима о закључивању? Упитима? Излазима?
Шифровање и тајне 🗝️
Кључеви, токени и акредитиви захтевају правилно руковање. „У конфигурационој датотеци“ није руковање.
Изолација и закуп 🧱
Неким организацијама су потребна одвојена окружења за развој, припрему и продукцију. Клауд помаже - али само ако га правилно подесите.
Ревизибилност 📋
Регулисане организације често морају да покажу:
-
који су подаци коришћени
-
како су доношене одлуке
-
ко је шта распоредио
-
када је променио IBM watsonx.governance
Управљање ризицима модела ⚠️
Ово укључује:
-
провере пристрасности
-
контрадикторно тестирање
-
одбрана од брзог убризгавања (за генеративну вештачку интелигенцију)
-
безбедно филтрирање излаза
Све се ово враћа на поенту: није само „вештачка интелигенција хостована на мрежи“. То је вештачка интелигенција која функционише под стварним ограничењима.
Савети за трошкове и перформансе (да не бисте касније плакали) 💸😵💫
Неколико савета проверених у борби:
-
Користите најмањи модел који задовољава потребе.
Веће није увек боље. Понекад је једноставно... веће. -
Групно закључивање када је то могуће
Јефтинија и ефикаснија SageMaker групна трансформација . -
Кеширајте агресивно,
посебно за поновљене упите и уграђивања. -
Аутоматско скалирање, али ограничите га
Неограничено скалирање може значити неограничену потрошњу Kubernetes: Хоризонтално аутоматско скалирање подова . Питајте ме како знам… истина је да не 😬 -
Пратите трошкове по крајњој тачки и по функцији.
У супротном ћете оптимизовати погрешну ствар. -
Користите spot-preemptible computing за обуку.
Велике уштеде ако ваши послови обуке могу да поднесу прекиде. Amazon EC2 spot instances, Google Cloud Preemptible VMs .
Грешке које људи праве (чак и паметни тимови) 🤦♂️
-
Третирање облачне вештачке интелигенције као „само укључите модел“
-
Игнорисање квалитета података до последњег тренутка
-
Слање модела без праћења SageMaker Model Monitor-а
-
Не планирам преобуку каденце Google Cloud: Шта је MLOps?
-
Заборављајући да безбедносни тимови постоје до недеље лансирања 😬
-
Прекомерно инжењерство од првог дана (понекад једноставна основна линија побеђује)
Такође, једна тиха брутална: тимови потцењују колико корисници презиру латенцију. Модел који је мало мање прецизан, али брз, често побеђује. Људи су нестрпљива мала чуда.
Кључне закључке 🧾✅
Вештачка интелигенција у клауд рачунарству је потпуна пракса изградње и покретања вештачке интелигенције коришћењем клауд инфраструктуре - скалирање обуке, поједностављивање имплементације, интеграција цевовода података и операционализација модела са MLOps, безбедношћу и управљањем. Google Cloud: Шта је MLOps? NIST SP 800-145 .
Кратак резиме:
-
Облак даје вештачкој интелигенцији инфраструктуру за скалирање и испоруку 🚀 NIST SP 800-145
-
Вештачка интелигенција даје радним оптерећењима у облаку „мозак“ који аутоматизује одлуке 🤖
-
Магија није само обука - то је имплементација, праћење и управљање 🧠🔐 SageMaker Model Monitor
-
Изаберите платформе на основу потреба тима, а не маркетиншке магле 📌
-
Сат кошта и оперише као јастреб који носи наочаре 🦅👓 (лоша метафора, али схватате)
Ако сте овде дошли мислећи да је „вештачка интелигенција у cloud computing-у само модел API-ја“, не - то је цео екосистем. Понекад елегантан, понекад турбулентан, понекад обоје у истом поподневу 😅☁️
Честа питања
Шта „вештачка интелигенција у рачунарству у облаку“ значи у свакодневном смислу
Вештачка интелигенција у cloud computing-у значи да користите cloud платформе за складиштење података, покретање рачунарских процеса (CPU/GPU/TPU), тренирање модела, њихово распоређивање и праћење - без поседовања хардвера. У пракси, cloud постаје место где се одвија цео ваш животни циклус вештачке интелигенције. Изнајмљујете оно што вам је потребно када вам је потребно, а затим смањујете обим када завршите.
Зашто пројекти вештачке интелигенције не успевају без инфраструктуре у облаку и MLO-ова
Већина кварова се дешава око модела, а не унутар њега: недоследни подаци, неусклађена окружења, крхка имплементација и недостатак праћења. Клауд алати помажу у стандардизацији образаца складиштења, израчунавања и имплементације како се модели не би заглавили на принципу „радило је на мом лаптопу“. MLOps додаје недостајуће лепило: праћење, регистре, цевоводе и враћање на претходно стање како би систем остао репродуктивн и одржив.
Типичан ток рада за вештачку интелигенцију у cloud computing-у, од података до производње
Уобичајени ток је: подаци стижу у складиште у облаку, обрађују се у функције, а затим се модели тренирају на скалабилном рачунарству. Затим, имплементирате путем API крајње тачке, пакетног задатка, подешавања без сервера или Kubernetes сервиса. На крају, пратите латенцију, померање и трошкове, а затим понављате са поновном обуком и безбеднијим имплементацијама. Већина стварних цевовода се стално понавља уместо да се испоручује једном.
Избор између SageMaker-а, Vertex AI-а, Azure ML-а, Databricks-а и Kubernetes-а
Бирајте на основу реалности вашег тима, а не маркетиншке буке „најбоље платформе“. Управљане платформе за машинско учење (SageMaker/Vertex AI/Azure ML) смањују оперативне главобоље са пословима обуке, крајњим тачкама, регистрима и праћењем. Цигле података често одговарају тимовима који се баве инжењерингом података и желе машинско учење близу цевовода и аналитике. Kubernetes пружа максималну контролу и прилагођавање, али ви такође поседујете поузданост, политике скалирања и отклањање грешака када ствари дођу до проблема.
Архитектонски обрасци који се данас највише појављују у подешавањима вештачке интелигенције у облаку
Стално ћете виђати четири обрасца: управљане ML платформе за брзину, Lakehouse + ML за организације које се фокусирају на податке, контејнеризовано ML на Kubernetes-у за контролу и RAG (генерисање проширено преузимањем) за „безбедно коришћење нашег интерног знања“. RAG обично укључује документе у складишту у облаку, уграђивања + векторско складиште, слој за преузимање и контроле приступа са евидентирањем. Образац који одаберете треба да одговара вашој зрелости управљања и операција.
Како тимови примењују моделе вештачке интелигенције у облаку: REST API-ји, пакетни послови, без сервера или Kubernetes
REST API-ји су уобичајени за предвиђања у реалном времену када је латенција производа битна. Групно закључивање је одлично за заказано бодовање и исплативост, посебно када резултати не морају бити тренутни. Крајње тачке без сервера могу добро функционисати за пикап саобраћај, али хладни покретања и латенција захтевају пажњу. Kubernetes је идеалан када вам је потребно прецизно скалирање и интеграција са алатима платформе, али додаје оперативну сложеност.
Шта треба пратити у производњи како би системи вештачке интелигенције били здрави
Као минимум, пратите латенцију, стопе грешака и трошкове по предвиђању како би поузданост и буџет остали видљиви. Што се тиче машинског учења, пратите померање података и померање перформанси како бисте уочили када се стварност промени у оквиру модела. Бележење граничних случајева и лоших резултата је такође важно, посебно за генеративне случајеве употребе где корисници могу бити креативно супарнички настројени. Добро праћење такође подржава одлуке о враћању на претходно стање када модели регресирају.
Смањење трошкова облачне вештачке интелигенције без смањења перформанси
Уобичајени приступ је коришћење најмањег модела који испуњава захтев, а затим оптимизација закључивања помоћу групирања и кеширања. Аутоматско скалирање помаже, али су потребна ограничења како „еластично“ не би постало „неограничена потрошња“. За обуку, спот/преемптибилно рачунарство може много уштедети ако ваши послови толеришу прекиде. Праћење трошкова по крајњој тачки и по функцији спречава вас да оптимизујете погрешан део система.
Највећи безбедносни и усклађени ризици са вештачком интелигенцијом у облаку
Велики ризици су неконтролисан приступ подацима, слабо управљање тајнама и недостајући трагови ревизије о томе ко је шта обучио и имплементирао. Генеративна вештачка интелигенција додаје додатне главобоље попут убризгавања промптова, небезбедних излаза и осетљивих података који се приказују у логовима. Многим процесима је потребна изолација окружења (развој/припрема/производња) и јасне политике за промпте, излазе и евидентирање закључивања. Најбезбеднија подешавања третирају управљање као основни системски захтев, а не као закрпу у недељи лансирања.
Референце
-
Национални институт за стандарде и технологију (NIST) - SP 800-145 (коначна верзија) - csrc.nist.gov
-
Google Cloud - GPU-ови за вештачку интелигенцију - cloud.google.com
-
Google Cloud - Документација за Cloud TPU - docs.cloud.google.com
-
Amazon Web Services (AWS) - Amazon S3 (складиштење објеката) - aws.amazon.com
-
Амазон веб сервиси (АВС) - Шта је језеро података? - aws.amazon.com
-
Амазон Веб Сервисес (АВС) - Шта је складиште података? - aws.amazon.com
-
Амазон веб сервиси (АВС) - АВС услуге вештачке интелигенције - aws.amazon.com
-
Google Cloud - Google Cloud AI API-ји - cloud.google.com
-
Google Cloud - Шта је MLOps? - cloud.google.com
-
Google Cloud - Регистар модела вештачке интелигенције Vertex (Увод) - docs.cloud.google.com
-
Ред Хет - Шта је РЕСТ АПИ? - redhat.com
-
Документација за Amazon Web Services (AWS) - SageMaker Batch Transform - docs.aws.amazon.com
-
Amazon Web Services (AWS) - Складиште података наспрам језера података наспрам тржишта података - aws.amazon.com
-
Microsoft Learn - Azure ML регистри (MLOps) - learn.microsoft.com
-
Google Cloud - Преглед Google Cloud складишта - docs.cloud.google.com
-
arXiv - Рад о генерисању проширеног претраживања (RAG) - arxiv.org
-
Документација за Amazon Web Services (AWS) - SageMaker Serverless Inference - docs.aws.amazon.com
-
Кубернетес - Аутоматско скалирање хоризонталног под-а - kubernetes.io
-
Google Cloud - Vertex AI групна предвиђања - docs.cloud.google.com
-
Документација за Amazon Web Services (AWS) - SageMaker Model Monitor - docs.aws.amazon.com
-
Google Cloud - Праћење Vertex AI модела (Коришћење праћења модела) - docs.cloud.google.com
-
Amazon Web Services (AWS) - Amazon EC2 спот инстанце - aws.amazon.com
-
Google Cloud - Виртуелне машине са могућношћу превенције - docs.cloud.google.com
-
Документација за Amazon Web Services (AWS) - AWS SageMaker: Како функционише (Обука) - docs.aws.amazon.com
-
Google Cloud - Google Vertex AI - cloud.google.com
-
Microsoft Azure - Машинско учење у Azure - azure.microsoft.com
-
Датабрикс - Датабрикс Лејкхаус - databricks.com
-
Документација за Snowflake - Функције Snowflake AI (Преглед водича) - docs.snowflake.com
-
IBM - IBM watsonx - ibm.com
-
Google Cloud - Документација за Cloud Natural Language API - docs.cloud.google.com
-
Документација за Snowflake - Snowflake Cortex AI функције (AI SQL) - docs.snowflake.com
-
MLflow - Праћење MLflow-а - mlflow.org
-
MLflow - Регистар модела MLflow - mlflow.org
-
Google Cloud - MLOps: Континуирана испорука и аутоматизација у машинском учењу - cloud.google.com
-
Амазон веб сервиси (AWS) - SageMaker продавница функција - aws.amazon.com
-
IBM - IBM watsonx.governance - ibm.com